# Metoda SIRT: obecně a v TomoTree Tento dokument vysvětluje metodu SIRT (Simultaneous Iterative Reconstruction Technique) od základní myšlenky po konkrétní implementaci `Tomo.do_SIRT_method` (`src/tomotree/classes/_tomo_reconstruction.py`), v aplikaci stránka **Tomograph → SIRT method**. Navazuje na: - [methods.md](methods.md#sirt-method) – stručná matematika (anglicky), - [sirt_report.md](sirt_report.md) – co se na metodě opravilo v říjnu 2026 a proč, - [backprojection.md](backprojection.md) – zpětná projekce (FBP), která řeší stejnou soustavu jinak. Obrázky a tabulky vytváří `python docs/sirt_figures/make_figures.py` (asi 10 s). Všechny pokusy používají syntetický strom: kruh o poloměru 30 cm, 12 senzorů, zdravé dřevo 1500 m/s, mimostředová dutina o poloměru 10 cm s rychlostí 500 m/s (čárkovaný kruh v obrázcích), mřížka 40 × 40 buněk, přesné doby průletu po přímkách. --- # Část I – princip ## 1. Úloha Senzory na obvodu kmene měří doby průletu napěťové vlny $b_i$ mezi dvojicemi senzorů. Řez rozdělíme na buňky a v každé buňce hledáme **pomalost** $x_j = 1/v_j$ (s/m). Pro přímý paprsek $i$ je doba průletu součtem „délka v buňce × pomalost buňky“: $$b_i = \sum_j a_{ij}\, x_j, \qquad \text{maticově}\quad Ax = b,$$ kde $a_{ij}$ je délka $i$-tého paprsku v $j$-té buňce. Pomalost se používá místo rychlosti proto, že doba průletu je v pomalosti **lineární**; v rychlosti by nebyla. Matice $A$ je řídká (paprsek protne jen malou část buněk) a hlavně **široká**: 12 senzorů dá $\binom{12}{2} = 66$ paprsků, ale mřížka 40 × 40 má uvnitř kmene téměř tisíc buněk. Soustava je silně **podurčená**: řešení je nekonečně mnoho a měřená data samy o sobě nevyberou to správné. Navíc je měření zatížené šumem, takže přesné splnění $Ax = b$ ani není žádoucí. ![Geometrie](sirt_figures/sirt_01_geometry.png) *Vlevo model se všemi 66 paprsky. Uprostřed jeden řádek matice $A$ pro tenký paprsek (nenulové jen buňky, které přímka protíná, hodnota = délka úseku v buňce). Vpravo tentýž řádek pro tlustý paprsek (oddíl 6): délka paprsku je rozdělena do pásu buněk kolem přímky.* ## 2. Od Kaczmarze k SIRT **ART (Kaczmarzova metoda)** bere rovnice jednu po druhé. Pro paprsek $i$ spočítá, o kolik se modelová doba $\sum_j a_{ij}x_j$ liší od naměřené, a rozdělí tento rozdíl zpět do buněk paprsku úměrně jejich délkám, aby rovnice $i$ platila přesně: $$x \leftarrow x + \omega\,\frac{b_i - a_i^T x}{\|a_i\|^2}\, a_i .$$ Výsledek závisí na pořadí paprsků a poslední paprsky „přetahují“ ty první. **SIRT** dělá totéž pro **všechny paprsky současně** (odtud *simultaneous*): spočítá rezidua všech paprsků, každé rozmaže zpět podél paprsku a pro každou buňku vezme **vážený průměr** oprav od všech paprsků, které jí procházejí. V jedné iteraci: 1. **projekce** – modelové doby $Ax$ a rezidua $r = b - Ax$, 2. **normování po paprscích** – $r_i / \rho_i$, kde $\rho_i = \sum_j a_{ij} = L_i$ je délka paprsku; $r_i/L_i$ je chyba pomalosti „na metr paprsku“, 3. **zpětná projekce** – buňka $j$ dostane $\sum_i a_{ij}\, r_i/L_i$, 4. **normování po buňkách** – dělení $\gamma_j = \sum_i a_{ij}$ (celková délka paprsků v buňce): oprava je průměr chyb pomalosti všech paprsků přes buňku, vážený délkou průchodu. Maticově $$\boxed{\;x^{(k+1)} = x^{(k)} + \omega\, C\, A^T R\,\bigl(b - A x^{(k)}\bigr)\;}, \qquad R = \operatorname{diag}(1/\rho_i),\quad C = \operatorname{diag}(1/\gamma_j).$$ První iterace z homogenního modelu je tedy **prostá zpětná projekce rezidua** (viz [backprojection.md](backprojection.md#5-prostá-zpětná-projekce)); další iterace postupně opravují rozmazání, které prostá zpětná projekce způsobí. ## 3. Obecný tvar a konvergence Van der Sluis a van der Vorst (1990) studují celou třídu metod $$x^{(k+1)} = x^{(k)} + \omega\, P A^T Q (b - Ax^{(k)}),\quad P = \operatorname{diag}\Bigl(1/\textstyle\sum_i |a_{ij}|^{\alpha}\Bigr),\quad Q = \operatorname{diag}\Bigl(1/\textstyle\sum_j |a_{ij}|^{2-\alpha}\Bigr),$$ s $0 \le \alpha \le 2$. Volba $\alpha = 1$ (řádkové a sloupcové součty) je výše popsaný klasický SIRT a používá ji i TomoTree. Pro $0 < \omega < 2$ iterace konverguje (věta 4.10 v článku) k řešení **vážené úlohy nejmenších čtverců** $$\min_x \;\bigl\|R^{1/2}(Ax - b)\bigr\|_{2}$$ v metrice dané $C^{-1}$; z homogenního (nebo nulového) startu míří k řešení nejbližšímu počátečnímu modelu. - **Relaxace $\omega$** je délka kroku. $\omega < 1$ konverguje pomaleji a klidněji, $\omega$ blízko 2 rychleji, ale může oscilovat. - **Semikonvergence.** S šumem v datech se chyba vůči skutečnosti nejprve zmenšuje (iterace zachycují hrubé rysy) a pak zase roste (iterace začnou „vysvětlovat“ šum). Počet iterací tak sám působí jako regularizace. U klasického SIRT na stromě je tento jev výrazný (oddíl 4, obr. 3). ## 4. Proč klasický SIRT na stromech selhává ![Iterace](sirt_figures/sirt_02_iterations.png) *Tomogram po 1, 100, 500 a 2000 iteracích. Horní řada: nastavení TomoTree (vyhlazení 10, tlusté paprsky 12 %). Dolní řada: klasický SIRT (bez vyhlazení, tenké paprsky).* Klasický SIRT (dolní řada) splní naměřené časy téměř přesně (reziduum 0,0004 po 2000 iteracích), a přesto dává špatný obraz: - **hvězdice** – každý paprsek nese svou opravu jen buňkami, kterými přímo prochází, takže obraz je složený z čar mezi senzory; - **šachovnice** – buňka, kterou protíná jediný paprsek, může mít téměř libovolnou hodnotu; iterace do ní „uloží“ zbytek rezidua; - **prázdné buňky** – buňky mezi paprsky nemají rovnici vůbec a zůstanou bez hodnoty; - **šum** – s 3 % šumem v časech dá klasický SIRT nejmenší chybu po první iteraci, pak se obraz už jen zhoršuje (zelená čárkovaná křivka na obr. 3). Řešením je doplnit **apriorní informaci**: rychlost se mezi sousedními buňkami mění plynule (regularizace) a vlna „cítí“ pás kolem přímky, ne jen přímku (tlusté paprsky). To jsou dvě hlavní úpravy v TomoTree. --- # Část II – implementace v TomoTree Vstupní bod je `Tomo.do_SIRT_method` v `src/tomotree/classes/_tomo_reconstruction.py`. Průběh: ```text Tomo(..., reaction_time=t0) odečtení reakčního času od časů paprsků (oddíl 8) do_SIRT_method ├─ fix_velocity_EBSI(...) volitelná korekce anizotropie (oddíl 11) ├─ _ray_cell_system(...) matice A, vektor b, seznam neznámých buněk (oddíl 5) │ └─ _fat_ray_matrix(...) tlusté paprsky (oddíl 6) ├─ _speed_bounds(...) meze rychlosti (oddíl 9) ├─ Laplaceův operátor D regularizace (oddíl 7) ├─ iterace SIRT + ořez na meze (oddíl 9) └─ _set_cell_slowness(...) zápis rychlostí do buněk a segmentů (oddíl 10) ``` ## 5. Sestavení soustavy: `_ray_cell_system` 1. **Dělení paprsků na segmenty.** Pro paprsek z $P_s$ do $P_e$ se spočítají parametry $t \in [0, 1]$ průsečíků přímky $P_s + t(P_e - P_s)$ se všemi svislými ($x$ = konst.) a vodorovnými ($y$ = konst.) čarami mřížky. Seřazené parametry dělí paprsek na segmenty, z nichž každý leží v jedné buňce. Segmenty nulové délky (čára mřížky prochází senzorem) se zahodí; paprsky rovnoběžné s osou nedělí nulou. 2. **Přiřazení buňce.** Segment patří buňce, ve které leží jeho střed (`grid.get_cell`). 3. **Matice délek.** $a_{ij}$ = součet délek segmentů paprsku $i$ v buňce $j$ (`scipy.sparse.coo_matrix`), $b_i = L_i / v_i$ z naměřené rychlosti paprsku. 4. **Neznámé.** Buňky, kterými prochází aspoň jeden paprsek, a při `smoothing > 0` navíc **všechny buňky uvnitř obvodu kmene** (`compute_inside_mask`). Bez vyhlazení by buňky bez paprsku neměly žádnou rovnici, s vyhlazením je určí sousedé. Indexy neznámých buněk jsou v `system['idx']`, matice $A$ má jen tyto sloupce. ## 6. Tlusté paprsky: `_fat_ray_width`, `_ray_cell_weights`, `_fat_ray_matrix` Napěťová vlna o vlnové délce $\lambda$ (ve dřevě při 2–5 kHz zhruba 0,25–0,6 m) není citlivá jen na přímku mezi senzory, ale na **Fresnelovu zónu** kolem ní o šířce řádu $\sqrt{\lambda L}$. Tlustý paprsek tuto zónu napodobí: $$a_{ij} = L_i\, \frac{w_{ij}}{\sum_k w_{ik}}, \qquad w_{ij} = e^{-(d_{ij}/w)^2},$$ kde $d_{ij}$ je vzdálenost středu buňky $j$ od úsečky paprsku a $w$ šířka paprsku. Buňky dál než $2{,}5\,w$ se ignorují (váha je tam pod $e^{-6{,}25} \approx 0{,}002$). - **Součet řádku = délka paprsku**, takže homogenní strom se zrekonstruuje přesně a normování $R$ v iteraci (oddíl 2) zůstává smysluplné. - `ray_width='auto'` (výchozí) znamená $w$ = `ray_width_ratio` × průměr kmene, kde průměr je největší vzdálenost dvou senzorů; výchozí poměr 0,12. `ray_width=None` nebo 0 = tenké paprsky. - Paprsek, v jehož okolí $2{,}5\,w$ není žádná neznámá buňka, si nechá řádek z tenké matice. - Cena: nižší rozlišení. Defekty menší než zhruba šířka paprsku se rozmažou. Na obrázku 1 vpravo je vidět, že tlustý paprsek rozprostře svou délku do pásu buněk; hodnoty $a_{ij}$ jsou proto menší a nenulových je víc. ## 7. Regularizace vyhlazením (Tikhonov) K soustavě se připíše **diskrétní Laplaceův operátor** $D$ na neznámých buňkách (4 sousedé): $$(Dx)_j = \deg_j\, x_j - \sum_{k \sim j} x_k,$$ kde $k \sim j$ jsou sousední neznámé buňky a $\deg_j$ jejich počet (u okraje oblasti méně než 4). $(Dx)_j = 0$ znamená, že pomalost buňky je průměrem sousedů. Řešená soustava je $$\begin{pmatrix} A \\ \alpha\,\bar a\, D \end{pmatrix} x = \begin{pmatrix} b \\ 0 \end{pmatrix},$$ kde $\alpha$ je parametr `smoothing` a $\bar a$ průměrná délka segmentu tenkých paprsků (`lengths.mean()`). Díky $\bar a$ má $\alpha$ stejný význam pro libovolnou mřížku a jednotky souřadnic. SIRT tuto rozšířenou soustavu řeší ve smyslu nejmenších čtverců, tedy hledá kompromis mezi „splň naměřené časy“ a „buď hladký“: - vyhlazení **vyplní buňky bez paprsků** hodnotami interpolovanými od sousedů, - potlačí šachovnici a hvězdice, - větší $\alpha$ = hladší obraz, větší reziduum, slabší kontrast defektu, - `smoothing=0` = klasický SIRT (neznámé jen buňky s paprskem, žádné $D$). Matice se skládá blokově (`scipy.sparse.vstack`), řádkové a sloupcové součty v iteraci se počítají z absolutních hodnot celé rozšířené matice $M$ (Laplacián má záporné prvky). ## 8. Reakční čas přístroje Přístroj nemusí znát přesný okamžik úderu, ke všem časům se pak přičte stejné zpoždění $t_0$ (reakční čas přístroje): $$b_i = \sum_j a_{ij} x_j + t_0 .$$ **Společné nastavení všech metod.** Reakční čas je vlastnost přístroje, ne rekonstrukční metody. Zadává se proto jednou (`Tomo(reaction_time=...)`, `analysis.reconstruct(reaction_time=...)` v sekundách, v GUI pole „Reaction time of the device/µs“ vedle tloušťky kůry, v `config.yaml` klíč `reaction_time` v µs). Odečte se od naměřených časů hned při vytvoření paprsků, $t_i \leftarrow t_i - t_0$, tedy ještě před korekcí anizotropie. Všechny metody (Rays, EBSI, ERSM, SIRT, FBP) pak pracují s čistým časem; `ray.ori_time` a `ray.ori_speed` drží naměřené hodnoty. Výchozí hodnota je 0. **Proč ne další neznámá v soustavě SIRT.** Maurer (2006) navrhuje přidat do matice sloupec jedniček a odhadnout $t_0$ spolu s pomalostmi. Tak to TomoTree dělalo do listopadu 2026 a nefungovalo to: na syntetickém stromu se zpožděním 40 µs vyšel odhad −0,9 µs po 500 iteracích a 28 µs po 2000. Nepomohlo ani přeškálování sloupce, ani přepočet $t_0$ v každé iteraci. Příčina je v regularizaci: delší paprsky procházejí středem kmene, takže „všechny časy jsou o $t_0$ delší“ a „střed je o něco pomalejší“ vysvětlí data skoro stejně dobře a vyhlazená inverze dává přednost druhému. **Odhad z dat (jen nápověda).** Ve zdravém dřevě platí pro paprsek délky $L$ přímka $t = L/v + t_0$; paprsky přes defekty jsou pomalejší a leží nad ní. `analysis.estimate_reaction_time(data)` 1. proloží přímku $t = sL + t_0$ všemi paprsky (`np.polyfit`), 2. ponechá paprsky s reziduem nejvýše rovným mediánu (rychlejší polovinu), 3. kroky 1–2 opakuje pětkrát a vrátí úsek $t_0$ poslední přímky (neořezaný). Odhad je jen v knihovně, GUI má jen ruční zadání. Záporný odhad znamená, že z dat reakční čas určit nejde. Na syntetických stromech (dutina, zdravý strom, hniloba u kůry) dá metoda 40–41 µs, s 3 % šumem 41–49 µs. **Při hnilobě uprostřed nebo v prstenci kolem středu nefunguje:** krátké paprsky u kůry vedou zdravým dřevem, dlouhé hnilobou, závislost času na délce je vypouklá a přímka vyjde se záporným úsekem. Reálná data: | datová sada | odhad $t_0$ (µs) | |---|---| | Jičín_05 | 6 | | black_cherry | 6 | | CS1_Jičín_Tree_1 až 5 | 9, 17, 66, 88, 69 | | Jičín_08, 14, 15 | −33, −92, −107 (nelze určit) | ## 9. Iterace ```python absM = abs(M) R = 1 / absM.sum(axis=1) # řádky: délky paprsků (u řádků D součty |D|) C = 1 / absM.sum(axis=0) # sloupce: délka paprsků v buňce + vazby na sousedy x = Σb / ΣL # homogenní model: průměrná pomalost for it in range(iterations): x += relaxation * C * (M.T @ (R * (rhs - M @ x))) x = clip(x, 1/speed_max, 1/speed_min) ``` - **Start** z homogenního modelu $x_j = \sum_i b_i / \sum_i L_i$ (doba všech paprsků dělená jejich celkovou délkou), ne z nuly. Iterace pak opravují jen odchylky od „průměrného stromu“. - **Ořez na meze** v každé iteraci (projekce na množinu přípustných pomalostí). Výchozí meze (`_speed_bounds`): dolní $\max(340, 0{,}5\, v_{\min})$ m/s, kde 340 m/s je rychlost zvuku ve vzduchu (vlna dutinou neprojde, obejde ji dřevem), horní $v_{\max}$ (nejrychlejší paprsek, z časů po odečtení reakčního času). Horní mez je fyzikálně rozumná: přímý paprsek nemůže být rychlejší než nejrychlejší dřevo, kterým prochází. - **Zastavení** po `iterations` krocích (výchozí 2000, relaxace 1,5; oddíl Konvergence), nebo dřív, pokud je zadáno `tol` a relativní reziduum se mezi dvěma iteracemi změní méně než `tol` (GUI `tol` nenastavuje). - **Report** (`t.sirt_report` při volání přes `analysis.reconstruct`): ```text SIRT finished in 225 ms, 2000 iterations, smoothing 10.0, ray width 0.072, 952 cells. Relative residual: 0.0964. Speed interval: min=450 (6 cells at bound 450), max=1500 (673 cells at bound 1500). ``` Relativní reziduum je $\|Ax - b\| / \|b\|$ (časy po odečtení reakčního času) jen pro paprsky (bez řádků $D$). Počet buněk na mezích ukazuje, jak moc ořez zasahuje. (Report syntetického stromu: šířka paprsku 0,072 m = 12 % ze 60 cm, dolní mez 450 m/s = polovina nejpomalejšího paprsku.) ### Konvergence ![Konvergence](sirt_figures/sirt_03_convergence.png) *Vlevo relativní reziduum, vpravo chyba rychlosti vůči modelu (RMSE přes buňky uvnitř kmene, buňky bez hodnoty se nepočítají) v závislosti na počtu iterací.* - Klasický SIRT (oranžová) snižuje reziduum stále, ale chyba vůči skutečnosti klesá jen nepatrně; se šumem (zelená) je nejlepší hned první iterace – semikonvergence. - S vyhlazením iterace startuje pomalu: reziduum se prvních ~20 iterací skoro nemění, protože vazby na sousedy zvětšují sloupcové součty, a tedy zmenšují krok. - S $\omega = 1$ (dřívější výchozí nastavení, 500 iterací) výpočet **nedokonvergoval**: RMSE 187 m/s, limitně 164 m/s. Na datech Jičín_05 se tomogram po 500 iteracích lišil od limitního až o 131 m/s. - Proto je od listopadu 2026 výchozí **2000 iterací s $\omega = 1{,}5$**: na Jičín_05 nejvýše 5 m/s od limitu, 0,16 s pro mřížku 41 × 41 (0,9 s pro 121 × 121). $\omega = 1{,}9$ konverguje ještě o něco rychleji, $\omega = 0{,}3$ výrazně pomaleji. Šum (červená čárkovaná) výsledek s vyhlazením zhorší jen mírně. ## 10. Zápis výsledku: `_set_cell_slowness` Rychlosti $1/x_j$ neznámých buněk se zapíší přes `_update_cell_velocity`, které použije masku obvodu (buňky mimo kmen zůstanou prázdné) a smaže hodnoty ze dříve spočítané metody. Rychlost buňky se navíc zapíše do všech segmentů paprsků, které v ní leží, takže na výsledek SIRT lze navázat nástroji pracujícími se segmenty. Matice $A$ a vektor $b$ se ukládají do `t._matrices`. ## 11. Korekce anizotropie Dřevo vede zvuk rychleji radiálně (od dřeně ke kůře) než tangenciálně. Při `fix_velocity_EBSI_function` (v GUI přepínač anizotropie) se rychlosti paprsků před rekonstrukcí upraví stejnou funkcí jako v metodě EBSI (`fix_velocity_EBSI`, viz [methods.md](methods.md#anizotropy-handling)). Samotný SIRT je izotropní: buňka má jednu rychlost pro všechny směry. --- # Část III – použití a nastavení ## 12. V aplikaci Menu **Tomograph → SIRT method**. Parametry jsou v panelu „SIRT method parameters“ (pod tomogramem je i report). Změna parametru tomogram nepřepočítá hned: nad zašedlým předchozím tomogramem se vypíše seznam změn a použijí se tlačítkem „Recompute tomogram“ (nebo ihned s přepínačem automatického přepočtu). Nastavení lze uložit tlačítkem „💾 Save to file“ do `config.yaml` datové sady. | widget (`config.yaml`) | výchozí | parametr `do_SIRT_method` | |---|---|---| | `sirt_smoothing` | 10 | `smoothing` | | `sirt_ray_width` | 12 (% průměru), 0 = tenké | `ray_width='auto'`, `ray_width_ratio` | | `sirt_iterations` | 2000 | `iterations` | | `sirt_relaxation` | 1,5 (0,1–1,9) | `relaxation` | | `sirt_speed_min` | 0 = automaticky | `speed_min` | | `sirt_speed_max` | 0 = automaticky | `speed_max` | | `reaction_time` (µs, společné všem metodám) | 0 | `Tomo(reaction_time=…)` v s | Panel „Reproduce in Jupyter“ ukáže kód, který dá stejný tomogram jako stránka. ## 13. V Jupyteru Stejný výpočet jako stránka: ```python from tomotree import analysis, dataset config, data = dataset.load_dataset("streamlit_data/Jičín_05") t = analysis.reconstruct(data, method="SIRT", nx=41, ny=41, sirt_smoothing=10, sirt_ray_width=0.12, sirt_iterations=2000, sirt_relaxation=1.5) print(t.sirt_report) ``` Přímé volání metody objektu `Tomo` (pozor: `ray_width` je zde šířka v jednotkách souřadnic nebo `'auto'`, poměr k průměru je `ray_width_ratio`): ```python import tomotree as tomo t = tomo.Tomo(nodes, times=times, nx=41, ny=41, symmetric=True, boundary='polygon') print(t.do_SIRT_method(smoothing=10, ray_width='auto', ray_width_ratio=0.12, iterations=2000, relaxation=1.5)) t.grid.velocity # rychlosti buněk (m/s), NaN mimo kmen ``` Ukázky dalších variant jsou v `demo/demo_SIRT.py`, testy v `tests/test_sirt.py`. ## 14. Vliv parametrů na syntetickém stromu ![Varianty](sirt_figures/sirt_04_variants.png) *Co přidá vyhlazení a co tlusté paprsky, na přesných datech a s 3 % šumem (2000 iterací, $\omega = 1{,}5$).* | varianta | data | reziduum | RMSE (m/s) | prázdné buňky | |---|---|---|---|---| | klasický SIRT (smoothing 0, tenké) | přesná | 0,0004 | 269 | 5 % | | klasický SIRT (smoothing 0, tenké) | šum 3 % | 0,0000 | 310 | 5 % | | jen vyhlazení (smoothing 10, tenké) | přesná | 0,041 | 156 | 0 % | | jen vyhlazení (smoothing 10, tenké) | šum 3 % | 0,037 | 171 | 0 % | | jen tlusté paprsky (smoothing 0, 12 %) | přesná | 0,084 | 121 | 5 % | | jen tlusté paprsky (smoothing 0, 12 %) | šum 3 % | 0,075 | 169 | 5 % | | výchozí (smoothing 10, 12 %) | přesná | 0,096 | 164 | 0 % | | výchozí (smoothing 10, 12 %) | šum 3 % | 0,088 | 190 | 0 % | - Klasický SIRT má nejmenší reziduum a největší chybu: přizpůsobuje se šumu. - Tlusté paprsky bez vyhlazení dají ostrý obraz dutiny s nejmenší RMSE, ale nechají díry mezi paprsky a se šumem vytvoří artefakty u okraje. - Vyhlazení vyplní všechny buňky; hvězdice tenkých paprsků zmizí až s tlustými paprsky. - Výchozí kombinace je nejhladší a nejodolnější, za cenu rozmazaného okraje dutiny (RMSE měří hlavně tento okraj). ![Parametry](sirt_figures/sirt_05_parameters.png) *Vyhlazení (řádky 1, 10, 50) × šířka paprsku (tenké, 6, 12, 20 % průměru).* | smoothing | tenké | 6 % | 12 % | 20 % | |---|---|---|---|---| | 1 | 127 | 123 | 127 | 136 | | 10 | 156 | 159 | 164 | 171 | | 50 | 191 | 196 | 204 | 216 | *RMSE (m/s), 2000 iterací, $\omega = 1{,}5$, přesná data.* Na přesných datech vychází nejlépe slabé vyhlazení (1). To ale neplatí obecně: syntetická data jsou bez šumu a přesně odpovídají modelu přímých paprsků. Reálná měření mají šum, ohyb paprsků i chyby v poloze senzorů, a tam slabé vyhlazení vrací hvězdice a ostrůvky. Silné vyhlazení (50) defekt výrazně zeslabí. ![Reakční čas](sirt_figures/sirt_06_reaction_time.png) | varianta | reziduum | RMSE (m/s) | odhad $t_0$ | |---|---|---|---| | bez zpoždění | 0,096 | 164 | – | | zpoždění 40 µs, bez odhadu | 0,092 | 243 | – | | zpoždění 40 µs, `reaction_time` = odhad | 0,096 | 166 | 40,8 µs | Zpoždění 40 µs (asi 10 % doby průletu) zpomalí celý tomogram. Po odečtení reakčního času (oddíl 8) vyjde tomogram prakticky stejný jako bez zpoždění. ## 15. Jak nastavit parametry | situace | doporučení | |---|---| | běžné měření, 8–16 senzorů | výchozí hodnoty | | obraz „skvrnitý“, ostrůvky, hvězdice | zvýšit `smoothing` (20–30) nebo šířku paprsku | | defekt rozmazaný, hodně senzorů a kvalitní data | snížit `smoothing` (3–5) a šířku (6–8 %) | | výsledek se mění s počtem iterací | zvýšit `iterations` (3000–5000) nebo `relaxation` na 1,9 | | mnoho buněk na dolní mezi (report) | zkontrolovat data (vadné paprsky), případně ručně `speed_min` | | podezření na zpoždění přístroje | zadat reakční čas přístroje; odhad z dat (`analysis.estimate_reaction_time`) při hnilobě uprostřed nejde určit (oddíl 8) | Čtení reportu: relativní reziduum kolem 0,05–0,15 je s výchozím vyhlazením normální; mnohem menší znamená, že metoda sleduje šum, mnohem větší, že vyhlazení je příliš silné nebo data nejsou konzistentní. Mnoho buněk na horní mezi u kůry je obvyklé (zdravé dřevo dosáhne rychlosti nejrychlejšího paprsku). ## 16. Srovnání s ostatními metodami a omezení - **FBP** řeší stejnou soustavu se stejnými tlustými paprsky, regularizuje ale odchylkou od homogenního modelu a jedním výpočtem bez iterací; obrazy bývají podobné ([backprojection.md §8](backprojection.md#8-fbp-nebo-sirt)). - **EBSI/ERSM** nejsou inverze soustavy $Ax = b$, ale interpolace rychlostí paprsků; časy obecně nesplňují. - **Přímé paprsky.** Vlna ve skutečnosti obchází dutinu dřevem (nejrychlejší cesta), takže pomalé oblasti se jeví menší a mírně rychlejší, než jsou. Ohyb paprsků není implementován. - **Zdravý prstenec u kůry** je spíš horní odhad: buňky tam často dosáhnou horní meze. - **Konvergence** s vyhlazením je pomalá; při velmi silném vyhlazení nebo jemné mřížce zkontrolovat, že se výsledek s dalšími iteracemi nemění (oddíl 9). - **Reakční čas** je společné nastavení všech metod; odhad z nejrychlejších paprsků je jen nápověda a při hnilobě uprostřed nejde určit. ## Literatura - A. van der Sluis, H. A. van der Vorst (1990): SIRT- and CG-type methods for the iterative solution of sparse linear least-squares problems. *Linear Algebra and its Applications* 130, 257–302. - P. Gilbert (1972): Iterative methods for the three-dimensional reconstruction of an object from projections. *Journal of Theoretical Biology* 36, 105–117. - A. C. Kak, M. Slaney (1988): *Principles of Computerized Tomographic Imaging*, kap. 7 (algebraické rekonstrukce). IEEE Press. - H. Maurer, S. I. Schubert, F. Bächle, S. Clauss, D. Gsell, J. Dual, P. Niemz (2006): A simple anisotropy correction procedure for acoustic wood tomography. *Holzforschung* 60(5), 567–573 (reakční čas jako další neznámá soustavy, viz [methods.md](methods.md#reaction-time-of-the-device)).