# Zpětná projekce (FBP): principy Tento dokument vysvětluje, jak TomoTree počítá filtrovanou zpětnou projekci (`Tomo.do_FBP_method`, v aplikaci stránka **Tomograph → FBP method**) a proč se liší od učebnicové metody z lékařské CT. Podrobnou analýzu s odvozením, obrázky, experimenty a testy obsahuje [fbp_report.md](fbp_report.md). ## 1. Úloha Senzory na obvodu kmene měří doby průletu napěťové vlny $t_i$ mezi dvojicemi senzorů. Rozdělíme řez na buňky s neznámou pomalostí $x_j = 1/v_j$ (převrácená rychlost). Pro paprsek $i$ platí $$t_i = \sum_j a_{ij}\, x_j, \qquad \text{maticově } b = A x,$$ kde $a_{ij}$ je délka $i$-tého paprsku v $j$-té buňce. Při 12 senzorech je 66 paprsků a tisíce buněk, takže soustava je silně podurčená: rovnic je mnohem méně než neznámých. ## 2. Klasická (filtrovaná) zpětná projekce V lékařské CT se pomalost, resp. útlum, zjišťuje z **Radonovy transformace**: integrálu podél přímky, který závisí na směru $\theta$ a vzdálenosti $s$ přímky od středu. Všechna měření uspořádaná do tabulky $(\theta, s)$ tvoří **sinogram**. - **Prostá zpětná projekce** „rozmaže“ každé měření zpět podél jeho přímky a sečte příspěvky. Obraz vyjde rozmazaný (bodový defekt se rozteče do hvězdy s útlumem $1/r$). - **Filtrovaná zpětná projekce (FBP)** nejdřív každý řádek sinogramu (jeden směr $\theta$) vyfiltruje **rampovým filtrem** $|\omega|$ ve Fourierově prostoru a teprve pak promítne zpět. Filtr přesně ruší rozmazání. Opírá se o větu o Fourierově řezu. Pro FFT je potřeba sinogram **hustě a pravidelně vzorkovaný**: stovky směrů a v každém stovky rovnoběžných paprsků. Strom s 12 senzory dává 66 paprsků v „vějířové“ geometrii, tj. asi 12 směrů po 5–6 paprscích, a u nekruhového kmene ani ty neleží na mřížce. Učebnicová FBP s FFT proto použít nejde. ## 3. Algebraická forma: filtr bez Fourierovy transformace Zpětná projekce je transpozice: $A^T$ rozdělí každou dobu průletu do buněk podél paprsku (v poměru délek). Radonova transformace $R$ odpovídá matici $A$, zpětná projekce $R^*$ matici $A^T$. Rampový filtr je spojitý ekvivalent operátoru $(R R^*)^{-1}$: $$x = R^* (R R^*)^{-1} b \quad\longleftrightarrow\quad x = A^T (A A^T)^{-1} b.$$ Druhý zápis funguje pro **libovolné rozmístění senzorů**: matice $A A^T$ má rozměr počet paprsků × počet paprsků (66×66), takže „filtr“ je jedna malá soustava rovnic místo FFT. Postup je pořád „nejdřív filtrovat data, pak promítnout zpět“: 1. vyfiltrovat data: $y = (A A^T + \mu I)^{-1} (b - A s_0)$, 2. promítnout zpět: $x = s_0 + A^T y$. Výsledek je řešení soustavy $A x = b$ s **nejmenší normou odchylky** od homogenního modelu $s_0$. ### Homogenní model $s_0$ $s_0 = \sum_i t_i / \sum_i L_i$ je průměrná pomalost (celkový čas / celková délka paprsků). Filtruje se jen odchylka $b - A s_0$. Homogenní strom tak vyjde přesně a buňky, o kterých data nic neříkají, zůstanou na průměru místo na nule. ### Tlumení $\lambda$ Matice $A A^T$ bývá špatně podmíněná: blízké a téměř rovnoběžné paprsky nesou skoro stejnou informaci. Proto se přidává tlumení (Tikhonov v prostoru dat): $$\mu = \lambda \cdot \frac{\operatorname{tr}(A A^T)}{m},$$ kde $m$ je počet paprsků a $\lambda$ je parametr `damping`. Díky normování průměrným diagonálním prvkem nezávisí $\lambda$ na jednotkách ani na velikosti mřížky. - malé $\lambda$: obraz přesně splní naměřené časy, ale zesílí chyby měření (přestřely, nereálně rychlá nebo pomalá místa), - velké $\lambda$: hladký obraz s menším kontrastem; pro $\lambda \to \infty$ se blíží prosté zpětné projekci (až na měřítko). Doporučený rozsah: s tlustými paprsky 0,5–3 (výchozí 1), s tenkými paprsky 0,05–0,3. ## 4. Tenké a tlusté paprsky Tenký paprsek přispívá jen buňkám, kterými přímka prochází. Při několika směrech to dává typické artefakty FBP: **pruhy podél paprsků** a hvězdu kolem defektu. Napěťová vlna ale není tenká čára. Doba průletu závisí na oblasti kolem přímky (Fresnelova zóna, šířka zhruba $\sqrt{\lambda_{vlny} L}$, pro dřevo 0,25–0,6 m vlnové délky). **Tlustý paprsek** rozdělí délku $L_i$ do buněk v okolí přímky s Gaussovou vahou: $$a_{ij} = L_i \frac{w_{ij}}{\sum_k w_{ik}}, \qquad w_{ij} = e^{-(d_{ij}/w)^2},$$ kde $d_{ij}$ je vzdálenost středu buňky od paprsku a $w$ šířka paprsku (výchozí 12 % průměru kmene, buňky dál než $2{,}5\,w$ se ignorují). Součet řádku zůstává rovný délce paprsku, takže homogenní strom vyjde přesně. Tlusté paprsky odstraní pruhy a vyplní buňky mezi paprsky. Cenou je nižší rozlišení: malé defekty (pod ~10 cm) se rozmažou. Stejnou matici používá i metoda SIRT (`_ray_cell_system`, `_fat_ray_matrix` v `classes/_tomo_reconstruction.py`). ## 5. Prostá zpětná projekce S volbou `filtered=False` (v aplikaci vypnutý přepínač „FBP: Filtered back projection“) se počítá $$x_j = \frac{\sum_i a_{ij}\, (t_i / L_i)}{\sum_i a_{ij}},$$ tj. každá buňka dostane průměr pomalostí paprsků, které jí procházejí, vážený jejich délkou v buňce. S tenkými paprsky je to v podstatě metoda **Rays** a zároveň první iterace SIRT. Obraz je rozmazaný a defekty podhodnocuje; slouží ke srovnání a k pochopení, co dělá filtr. ## 6. Meze rychlosti FBP nemá meze ani vyhlazení mezi sousedy. Výsledné rychlosti se proto nakonec ořežou na interval `speed_min`–`speed_max`, výchozí 0,5 × nejpomalejší paprsek, nejméně však 340 m/s (rychlost zvuku ve vzduchu), a nejrychlejší naměřený paprsek. Report uvádí zvlášť počet buněk oříznutých na horní a na dolní mez. Ořez nahoře je běžný: zdravé dřevo má zhruba rychlost nejrychlejšího paprsku a malý překmit filtru se ořízne. Mnoho buněk na dolní mezi znamená, že je $\lambda$ příliš malé nebo že jsou některé časy chybné. Proč 340 m/s: vzduchem v dutině vlna prakticky neprojde (akustická impedance dřeva je asi 2000× vyšší než impedance vzduchu), první příchod vede dřevem kolem dutiny. Buňka pomalejší než zvuk ve vzduchu proto není měření, ale artefakt výpočtu. Mez artefakt neodstraní, jen ho omezí; počet buněk na ní je v reportu. Explicitně zadané `speed_min` platí i pod 340 m/s. ## 7. Srovnání na syntetickém stromu 12 senzorů na kruhu o poloměru 30 cm, uprostřed pomalý kruh (dutina) o poloměru 10 cm s rychlostí 500 m/s ve dřevě 1500 m/s, mřížka 40×40. Reziduum je relativní chyba dob průletu $\|Ax - b\| / \|b\|$ počítaná s tenkými paprsky (pro všechny varianty stejně). | varianta | střed (skutečnost 500 m/s) | okraj (skutečnost 1500 m/s) | reziduum | |---|---|---|---| | prostá zpětná projekce, tenké paprsky (≈ Rays) | 900 | 1357 | 0,084 | | prostá zpětná projekce, tlusté paprsky | 985 | 1329 | 0,163 | | FBP, tenké paprsky, λ = 0,1 | 992 | 1334 | 0,046 | | FBP, tlusté paprsky, λ = 0,3 | 475 | 1474 | 0,053 | | **FBP, tlusté paprsky, λ = 1 (výchozí)** | **557** | **1493** | **0,029** | | FBP, tlusté paprsky, λ = 3 | 702 | 1447 | 0,083 | | SIRT (výchozí) | 561 | 1500 | 0,029 | Prostá zpětná projekce dutinu výrazně podhodnotí. FBP s tenkými paprsky splní časy, ale defekt rozptýlí do pruhů. FBP s tlustými paprsky a $\lambda \approx 1$ dává stejně dobrý výsledek jako regularizovaný SIRT, a to jedním řešením soustavy 66×66 bez iterací. ## 8. FBP, nebo SIRT? Podrobně o SIRT viz [sirt.md](sirt.md). Obě metody řeší stejnou soustavu $Ax = b$ se stejnými (tlustými) paprsky, liší se regularizací: | | FBP | SIRT | |---|---|---| | regularizace | nejmenší odchylka od $s_0$ (tlumení $\lambda$) | vyhlazení sousedních buněk (Laplacián) | | meze rychlosti | jen ořez výsledku | v každé iteraci | | výpočet | jedna soustava $m \times m$, okamžitě | stovky iterací | | reakční čas přístroje | neodhaduje | volitelně odhaduje | Na reálných datech dávají podobný obraz; FBP občas ukáže drobné „ostrůvky“ u kůry, SIRT je hladší díky vyhlazení sousedů. ## 9. Korekce EBSI a ERSM zpětnou projekcí Stejný filtr lze použít i k opravě jiného tomogramu. Místo homogenního modelu $s_0$ se jako výchozí model vezme výsledek EBSI nebo ERSM $x_0$ (buňky bez hodnoty dostanou $s_0$): $$x = x_0 + A^T (A A^T + \mu I)^{-1} (b - A x_0).$$ Filtruje se jen nesoulad $b - A x_0$ mezi naměřenými časy a časy vypočtenými z EBSI/ERSM. Kde data nic neříkají, zůstane výsledek EBSI/ERSM. V aplikaci je to volba **Correct by back projection** v „Post-processing settings“ (`Tomo.correct_with_FBP`, `analysis.reconstruct(fbp_correction=True, fbp_correction_damping=...)`). Paprsky a jejich rychlosti (úseky ERSM) se nemění, mění se jen buňky. Na rozdíl od „Rescale speeds“ (jedna lineární funkce $v \mapsto kv + q$ pro všechny buňky, opraví jen kontrast) mění korekce každou buňku zvlášť, takže opraví i tvar a polohu defektu. Na syntetickém stromu s mimostředovou dutinou (500 m/s ve dřevě 1500 m/s): | varianta | dutina | zdravé dřevo | |---|---|---| | ERSM | 1038 | 1410 | | ERSM + Rescale speeds | 492 | 1528 | | **ERSM + korekce zpětnou projekcí, λ = 1** | **524** | **1464** | | FBP (samotná) | 549 | 1461 | „Rescale speeds“ počítá dobu průletu jako integrál pomalosti podél paprsku. Do října 2026 se počítala z aritmetického průměru rychlostí, který je vždy větší než správný harmonický průměr; přeškálování tím dutiny přehánělo (340 místo 500 m/s) a shodu s naměřenými časy často zhoršovalo. ## 10. Použití ```python import tomotree as tomo t = tomo.Tomo(nodes, speeds, nx=41, ny=41, symmetric=True) print(t.do_FBP_method()) # filtrovaná, tlusté paprsky, λ = 1 print(t.do_FBP_method(filtered=False)) # prostá zpětná projekce print(t.do_FBP_method(ray_width=None, damping=0.1)) # tenké paprsky t.plot() ``` nebo jako v aplikaci: ```python from tomotree import analysis t = analysis.reconstruct(data, method='FBP', fbp_damping=1.0, fbp_ray_width=0.12) print(t.fbp_report) ``` | parametr | GUI | výchozí | význam | |---|---|---|---| | `filtered` | FBP: Filtered back projection | ano | filtrovaná / prostá zpětná projekce | | `damping` | FBP: Damping of the filter | 1 | tlumení filtru $\lambda$ | | `ray_width` | FBP: Ray width (% of tree diameter) | 12 % | šířka tlustého paprsku, 0 = tenké | | `speed_min`, `speed_max` | – | z dat, dolní nejméně 340 m/s | meze rychlosti v buňkách | ## Literatura 1. Kak, A. C., Slaney, M. (1988). *Principles of Computerized Tomographic Imaging.* IEEE Press. Kap. 3 (zpětná projekce, rampový filtr, věta o Fourierově řezu). 2. Natterer, F. (2001). *The Mathematics of Computerized Tomography.* SIAM. (Operátor $(RR^*)^{-1}$ a jeho vztah k rampovému filtru.) 3. Hansen, P. C. (2010). *Discrete Inverse Problems: Insight and Algorithms.* SIAM. (Tikhonovova regularizace, řešení s nejmenší normou.)