Metoda FBP (filtrovaná zpětná projekce): podrobná analýza

Stav k 2026-10-17, větev dev. Dokument rozebírá metodu Tomo.do_FBP_method (src/tomotree/classes/_tomo_reconstruction.py), v aplikaci stránku Tomograph → FBP method, a příbuznou korekci Tomo.correct_with_FBP. Stručný popis principu je v backprojection.md, metoda SIRT v sirt_report.md, korekce EBSI/ERSM v rescale_report.md.

Všechny obrázky a tabulky vytváří skript docs/fbp_figures/make_figures.py (asi 1–2 minuty, viz kap. 32). Matematické vlastnosti popsané v textu ověřují testy v tests/test_fbp.py (kap. 30).

Obsah


Část I – pro uživatele

1. Shrnutí

  • FBP ze změřených dob průletu mezi senzory spočítá rychlost zvuku v každé buňce řezu. Je to jeden výpočet bez iterací (desítky milisekund), výsledek nezávisí na náhodě ani na počátečním odhadu.

  • Ve výchozím nastavení (tlusté paprsky 12 %, tlumení λ = 1) dává na syntetických stromech obraz srovnatelný s metodou SIRT a podstatně lepší než Rays, EBSI a ERSM bez dodatečné korekce: dutinu ukáže na správném místě a s rychlostí blízkou skutečnosti, kontrast se ale na okraji dutiny rozmaže na zhruba 10–15 cm.

  • Tlumení λ je hlavní „knoflík“: menší λ = ostřejší obraz, ale víc artefaktů a citlivost na chyby měření; větší λ = hladší obraz s menším kontrastem. Rozumný rozsah 0,5–3.

  • Šířka paprsku určuje rozlišení: úzké paprsky (pod 8 %) dávají pruhy podél paprsků, široké (nad 20 %) slévají sousední defekty. Výchozích 12 % je kompromis.

  • Defekty menší než asi 8 cm v průměru FBP (ani jiná metoda při 12 senzorech) spolehlivě nerozliší.

  • Prostá (nefiltrovaná) zpětná projekce je jen pro srovnání: dutinu výrazně podhodnotí.

  • Absolutní rychlost v dutině neberte doslova. Zvuk dutinu obchází, takže všechny metody s přímými paprsky (i FBP) ukážou dutinu jako mírnější zpomalení, než ve skutečnosti je (kap. 27). Spolehlivé jsou poloha, tvar a relativní pokles proti zdravému dřevu.

2. Co FBP dělá (bez vzorců)

Přístroj změří, jak dlouho trvá zvuku cesta mezi každými dvěma senzory. Z 12 senzorů je to 66 „paprsků“. Paprsek, který prochází dutinou nebo hnilobou, je pomalejší, protože zvuk se v poškozeném dřevě šíří pomaleji (nebo musí dutinu obejít).

Zpětná projekce je nejjednodušší nápad: rychlost každého paprsku „rozetřeme“ podél jeho dráhy a v každé buňce zprůměrujeme paprsky, které jí procházejí. Dutina se tak ukáže, protože se v ní kříží pomalé paprsky. Jenže každý pomalý paprsek zpomalí i zdravé dřevo, kterým prochází mimo dutinu, a naopak rychlé paprsky kolem dutiny ji „zrychlí“. Výsledek je rozmazaný a defekt vychází mnohem rychlejší (méně nápadný), než je. Na obrázku 4 má dutina se skutečnou rychlostí 500 m/s po prosté zpětné projekci kolem 1000 m/s.

Filtr to napravuje. Dřív než data rozetřeme, upravíme je: od každého paprsku odečteme to, co k jeho době průletu „přispějí“ ostatní paprsky, které ho kříží nebo vedou souběžně. Zbude jen ta část zpoždění, kterou ostatní paprsky nevysvětlí. Teprve tu rozetřeme. Výsledek pak přesně (nebo téměř přesně) odpovídá naměřeným časům: když z hotového obrazu spočítáme doby průletu zpět, dostaneme naměřené hodnoty.

Protože paprsků je jen 66 a buněk stovky až tisíce, takových obrazů existuje nekonečně mnoho. FBP vybere ten, který se nejméně liší od stejnoměrného (homogenního) stromu. Do míst, o kterých měření nic neříkají, tak nevymýšlí detaily.

Tlumení λ říká, jak moc má obraz naměřeným časům věřit. Měření má vždy chyby (špatný kontakt senzoru, nepřesná poloha, šum). Bez tlumení by se obraz snažil vysvětlit i chyby a vznikly by nesmyslně rychlé či pomalé skvrny. S tlumením se obraz vzdá přesné shody s časy výměnou za klidnější průběh.

Tlustý paprsek. Zvuk ve dřevě neletí po nekonečně tenké čáře; doba průletu závisí na pásu kolem spojnice senzorů (široký zhruba jako odmocnina z vlnové délky krát vzdálenost, pro kmen 50 cm to je 10–15 cm). Proto každý paprsek rozetřeme i do sousedních buněk, s váhou klesající se vzdáleností od spojnice. Obraz pak nemá pruhy podél paprsků a vyplní se i buňky, kterými žádná spojnice neprochází.

Geometrie a pokrytí

Obrázek 3. Vlevo: 12 senzorů, 66 paprsků a fantom s mimostředovou dutinou. Uprostřed: kolika paprsky je pokryta každá buňka – u tenkých paprsků 0 až 11, mnoho buněk jen jedním nebo žádným; u tlustých 24 až 36. Vpravo: váhy jednoho tlustého paprsku (jeden řádek matice A).

3. Použití v aplikaci

Stránka Tomograph → FBP method, expander Back projection parameters:

widget

registr

výchozí

význam

kdy měnit

FBP: Filtered back projection

fbp_filtered

zapnuto

filtrovaná / prostá zpětná projekce

vypnout jen pro srovnání

FBP: Damping of the filter

fbp_damping

1,0

tlumení λ

0,3–0,5 u kvalitních dat a výrazných defektů, 2–5 u zašuměných dat

FBP: Ray width (% of tree diameter)

fbp_ray_width

12 %

šířka tlustého paprsku, 0 = tenké

8–10 % u velkých kmenů s mnoha senzory, 15–20 % u málo senzorů

Na FBP působí i společná nastavení stránky Tomograph: velikost mřížky (nx, ny), korekce anizotropie (přepočte rychlosti tečných paprsků před výpočtem), obvod (spline / polygon / naskenovaný), kůra, vybrané senzory a vypnuté paprsky. „Rescale speeds“ a „Correct by back projection“ se u FBP nenabízejí (FBP už časy splňuje).

Hodnoty lze uložit do config.yaml stromu (klíče fbp_filtered, fbp_damping, fbp_ray_width) a „Reproduce in Jupyter“ vygeneruje volání tohoto typu (se všemi parametry stránky)

from tomotree import analysis
from tomotree.dataset import load_dataset
config, data = load_dataset('streamlit_data/Jičín_05')
t = analysis.reconstruct(data, method='FBP', nx=41, ny=41, anisotropy=True,
                         boundary='spline', fbp_filtered=True, fbp_damping=1.0,
                         fbp_ray_width=0.12)
print(t.fbp_report)
t.plot()

Přímé volání na objektu Tomo:

import tomotree as tomo
t = tomo.Tomo(nodes, speeds, nx=41, ny=41, symmetric=True)
t.do_FBP_method()                                  # tlusté paprsky 12 %, λ = 1
t.do_FBP_method(damping=0.3)                       # ostřejší
t.do_FBP_method(ray_width=None, damping=0.1)       # tenké paprsky
t.do_FBP_method(filtered=False)                    # prostá zpětná projekce
t.do_FBP_method(speed_min=300, speed_max=1800)     # vlastní meze rychlosti

4. Čtení reportu

Pod parametry je „Back projection report“, např. pro Jičín_05 s výchozím nastavením:

Filtered back projection finished in 70 ms, damping 1.0, ray width 0.076, 961 cells.
Relative residual: 0.0737.
Speed interval: min=679, max=2302.
Cells clipped: 13 to the maximum 2302, 0 to the minimum 477.

U Jičín_14 je nejpomalejší paprsek 568 m/s a dolní mez je 340 m/s (rychlost zvuku ve vzduchu, kap. 15); na ní skončí 13 buněk:

Speed interval: min=340, max=3126.
Cells clipped: 1 to the maximum 3126, 13 to the minimum 340.

řádek

význam

na co dát pozor

finished in … ms

doba výpočtu

stovky ms jen u jemné mřížky (80×80 a víc)

damping, ray width

použité λ a šířka paprsku v metrech (12 % největší vzdálenosti senzorů)

… cells

počet neznámých: buňky uvnitř obvodu a buňky mimo obvod, kterými prochází paprsek

(… without rays)

jen u prosté ZP: buňky bez paprsku zůstanou prázdné

u tenkých paprsků mnoho

Relative residual

\(\lVert Ax-b\rVert/\lVert b\rVert\): relativní nesoulad dob průletu z obrazu a naměřených

počítá se s maticí zvolených (tlustých) paprsků, po ořezu; hodnoty pro různé šířky paprsku nejsou přímo srovnatelné

Speed interval

nejmenší a největší rychlost v obraze

Cells clipped

kolik buněk bylo oříznuto na horní a kolik na dolní mez

viz níže

Oříznuté buňky. Horní mez je rychlost nejrychlejšího paprsku. Ve zdravém dřevě je skutečná rychlost právě kolem ní, takže už malý překmit nahoru se ořízne. Desítky až stovky buněk oříznutých nahoru jsou proto normální (na syntetickém stromu s dutinou je to při λ = 1 asi 40 % buněk, všechny na horní mezi). Varovným signálem je ořez dolů (na 0,5 × nejpomalejší paprsek, nejméně 340 m/s): to znamená nereálně pomalé skvrny, typicky při λ < 0,1 nebo u chybného měření. Report proto oba druhy vypisuje zvlášť.

5. Nastavení podle situace

co vidím

pravděpodobná příčina

co zkusit

hvězdice nebo pruhy podél paprsků

tenké nebo úzké paprsky

šířku 10–15 %

skvrny „rychlého dřeva“ a malé pomalé ostrůvky u kůry

λ příliš malé nebo chybné časy

λ = 1–3; zkontrolovat paprsky v „Select rays“

defekt je nevýrazný, obraz skoro jednobarevný

λ příliš velké

λ = 0,3–1

dva blízké defekty splynuly v jeden

paprsky příliš široké

šířku 8 % a λ = 0,5

defekt „utekl“ k jednomu senzoru

špatný čas paprsků z jednoho senzoru (kontakt, poloha)

vypnout podezřelé paprsky nebo senzor, porovnat se SIRT

obraz se liší od SIRT/ERSM jen v detailech u kůry

běžné, u kůry je málo informace

rozhoduje shoda v jádru

Praktický postup:

  1. Spustit FBP s výchozím nastavením a podívat se na report.

  2. Zkusit λ = 0,5 a λ = 2. Co se v obraze objeví jen při malém λ, je nejisté; co zůstane i při λ = 2, je spolehlivé.

  3. Porovnat se SIRT. Obě metody řeší stejnou soustavu s jinou regularizací; shoda je dobrý znak.

6. Co FBP neumí

  • Přímé paprsky. Model předpokládá, že zvuk letí po přímce. Ve skutečnosti obíhá kolem dutiny nejrychlejší cestou, takže naměřená doba je kratší, než by odpovídalo přímce. FBP proto dutinu podhodnotí (vyjde rychlejší a menší), viz kap. 27.

  • Malé defekty. S 12 senzory a tlustými paprsky je „rozlišení“ asi 12–15 cm (kap. 16).

  • Reakční čas přístroje (konstantní zpoždění přičtené ke všem časům) FBP neodhaduje, SIRT ano.

  • Anizotropie dřeva se řeší jen předem, jednoduchou korekcí rychlostí tečných paprsků.

  • Meze se uplatní až na výsledek (ořez), ne během výpočtu jako u SIRT.


Část II – matematika

7. Fyzikální model a diskretizace

Doba průletu paprsku \(i\) je integrál pomalosti \(s = 1/v\) podél dráhy \(\Gamma_i\):

\[t_i = \int_{\Gamma_i} s(\mathbf r)\,\mathrm d\ell.\]

Je lineární v pomalosti, ne v rychlosti; proto všechny metody s maticí pracují s pomalostí. Rozdělíme řez na buňky \(j = 1,\dots,n\) s konstantní pomalostí \(x_j\); pak

\[t_i = \sum_{j} a_{ij} x_j,\qquad b = A x,\qquad A\in\mathbb R^{m\times n},\]

kde \(a_{ij}\) je délka paprsku \(i\) v buňce \(j\) (tenké paprsky) nebo její rozprostřená obdoba (tlusté paprsky, kap. 13). Pro každý řádek platí \(\sum_j a_{ij} = L_i\) (délka paprsku).

Příklad (12 senzorů na kruhu o poloměru 30 cm, mřížka 41×41):

veličina

hodnota

paprsků \(m\)

66

neznámých \(n\) (buňky uvnitř + buňky mimo obvod protnuté paprskem)

952

nenulových prvků \(A\), tenké paprsky

2013 (průměrně 30 buněk na paprsek)

nenulových prvků \(A\), tlusté paprsky 12 %

29 428 (průměrně 446 buněk na paprsek)

Soustava je silně podurčená (\(m \ll n\)): má nekonečně mnoho řešení a je třeba vybrat jedno. Podurčenost není chyba metody, ale vlastnost měření; každá metoda (Rays, EBSI, ERSM, SIRT, FBP) ji řeší nějakou volbou navíc.

V kódu: Tomo._ray_cell_system rozdělí paprsky na úseky na hranicích buněk, sestaví řídkou matici \(A\) a vektor \(b_i = L_i / v_i\) (rychlosti \(v_i\) po korekci anizotropie). Neznámé jsou buňky uvnitř obvodu (compute_inside_mask) a všechny buňky protnuté paprskem.

8. Klasická FBP: Radonova transformace a rampový filtr

V lékařské CT se paprsek popíše směrem \(\theta\) a vzdáleností \(s\) od středu. Radonova transformace funkce \(f\) je

\[(Rf)(\theta, s) = \int_{\mathbb R} f(s\,\boldsymbol\omega_\theta + u\,\boldsymbol\omega_\theta^\perp)\,\mathrm du, \qquad \boldsymbol\omega_\theta = (\cos\theta, \sin\theta).\]

Tabulka \((Rf)(\theta,s)\) je sinogram (bod v obraze dává sinusovku). Zpětná projekce je adjungovaný operátor

\[(R^* g)(\mathbf r) = \int_0^\pi g(\theta,\, \mathbf r\cdot\boldsymbol\omega_\theta)\,\mathrm d\theta,\]

tj. každá hodnota sinogramu se rozetře podél své přímky a sečte se přes všechny směry.

Věta o Fourierově řezu: 1D Fourierova transformace řádku sinogramu podle \(s\) je řez 2D Fourierovou transformací obrazu, \(\widehat{(Rf)}(\theta,\sigma) = \hat f(\sigma\boldsymbol\omega_\theta)\). Inverzní 2D Fourierova transformace v polárních souřadnicích má jakobián \(|\sigma|\):

\[f(\mathbf r) = \frac{1}{4\pi^2}\int_0^{\pi}\!\int_{-\infty}^{\infty} \hat f(\sigma\boldsymbol\omega_\theta)\, |\sigma|\, e^{i\sigma\,\mathbf r\cdot\boldsymbol\omega_\theta}\, \mathrm d\sigma\,\mathrm d\theta = \frac{1}{2\pi}\, R^*\big(\mathcal F_s^{-1} |\sigma|\, \mathcal F_s Rf\big)(\mathbf r),\]

kde \(\mathcal F_s g(\sigma) = \int g(s) e^{-i\sigma s}\,\mathrm ds\) a \(\mathcal F_s^{-1} h(s) = \frac{1}{2\pi}\int h(\sigma) e^{i\sigma s}\,\mathrm d\sigma\).

To je celá FBP: každý řádek sinogramu vynásobit ve Fourierově prostoru \(|\sigma|\) (rampový filtr) a zpětně promítnout. Bez filtru dostaneme \(R^*Rf\), což je \(f\) zkonvolvované s \(1/|\mathbf r|\) (odtud rozmazání a „hvězda“ kolem bodu). Rampový filtr je tedy (až na konstantu) inverze operátoru \(R R^*\) v prostoru dat:

\[f = R^*(RR^*)^{-1} Rf,\qquad (RR^*)^{-1} \propto |\sigma| \ \text{(v každém řádku sinogramu)}.\]

V praxi se rampa násobí oknem (Shepp–Logan, Hamming), aby nezesilovala vysoké frekvence (šum). V prostoru je rampový filtr konvoluce s jádrem \(h_0 = 1/4\), \(h_k = -1/(\pi k)^2\) pro liché \(k\) a \(0\) pro sudé \(k \ne 0\) (Ram–Lak): střed se zesílí a sousedé se odečtou.

Klasická FBP

Obrázek 1. Klasická FBP na pravidelném sinogramu (paralelní paprsky, 128 poloh). Nahoře: fantom, jeho sinogram ze 180 směrů, prostá zpětná projekce (rozmazaná) a FBP (ostrá). Dole: odezva na bod (prostá ZP vs FBP) a FBP s rampovým filtrem jen z 12 a 6 směrů – hvězdicové artefakty dominují.

Rampový filtr

Obrázek 2. Rampový filtr a jeho okna (vlevo) a diskrétní rampový filtr v prostoru (vpravo).

Proč to u stromu nejde. Rampový filtr a FFT potřebují sinogram vzorkovaný hustě a pravidelně: stovky směrů, v každém stovky rovnoběžných paprsků. Strom s 12 senzory dává 66 paprsků ve vějířové geometrii, tj. 12 „směrů“ po 5–6 paprscích, a u nekruhového kmene ani ty neleží na mřížce \((\theta,s)\). Jak ukazuje obr. 1 vpravo dole, i ideální klasická FBP z 12 směrů dává silné pruhy.

9. Algebraická FBP

V diskrétním světě odpovídá \(R\) matici \(A\) a \(R^*\) matici \(A^T\) (rozdělí hodnotu paprsku do buněk v poměru délek). Vzorec \(f = R^*(RR^*)^{-1} g\) přejde v

\[x = A^T (A A^T)^{-1} b.\]

Matice \(AA^T\) má rozměr \(m\times m\) (66×66), takže „filtr“ je jedna malá soustava rovnic a funguje pro libovolné rozmístění senzorů i tvar kmene. TomoTree počítá

\[\boxed{\;x = s_0\mathbf 1 + A^T (A A^T + \mu I)^{-1} (b - A s_0\mathbf 1),\qquad \mu = \lambda\,\frac{\operatorname{tr}(AA^T)}{m}\;}\]

(Tomo._fbp_filter). Postup je doslova „filtrovat a pak promítnout“:

  1. reziduum homogenního modelu \(r = b - A s_0\mathbf 1\) (o kolik je každý paprsek pomalejší než homogenní strom),

  2. filtr \(y = (AA^T + \mu I)^{-1} r\) – odečte vzájemné překryvy paprsků,

  3. zpětná projekce \(x - s_0\mathbf 1 = A^T y\).

9.1 Řešení s nejmenší odchylkou (\(\mu = 0\))

Hledáme \(x\) splňující \(Ax = b\), které je nejblíž homogennímu modelu:

\[\min_x \tfrac12\lVert x - s_0\mathbf 1\rVert^2 \quad\text{za podmínky}\quad Ax = b.\]

Lagrangeova funkce \(\tfrac12\lVert x - s_0\mathbf 1\rVert^2 - y^T(Ax - b)\) dává \(x - s_0\mathbf 1 = A^T y\) a z podmínky \(AA^T y = b - A s_0\mathbf 1\). Tedy \(x = s_0\mathbf 1 + A^T(AA^T)^{-1}(b - As_0\mathbf 1)\) – je to Mooreova–Penroseova pseudoinverze aplikovaná na reziduum. Důsledek: výsledek leží v prostoru řádků \(A\), tj. odchylka od \(s_0\) je lineární kombinace „rozetřených paprsků“. Do směrů, které paprsky nevidí (jádro \(A\)), nepřidá nic.

9.2 Tlumení = Tikhonovova regularizace

Pro \(\mu > 0\) je výsledek totožný s řešením

\[\min_x \lVert A x - b\rVert^2 + \mu \lVert x - s_0 \mathbf 1\rVert^2,\]

jehož normální rovnice dávají \(x = s_0\mathbf 1 + (A^TA + \mu I)^{-1}A^T r\). Shodu zaručuje identita (push-through)

\[(A^TA + \mu I)^{-1}A^T = A^T(AA^T + \mu I)^{-1},\]

která plyne z \(A^T(AA^T + \mu I) = (A^TA+\mu I)A^T\). Levá strana by vyžadovala soustavu \(n\times n\) (952×952 a víc), pravá jen \(m\times m\) (66×66). Test test_filter_equals_tikhonov_in_cell_space ověřuje rovnost numericky.

Limitní případy (testy test_small_damping_gives_minimum_norm_solution, test_large_damping_approaches_plain_back_projection_of_misfit):

  • \(\lambda\to 0\): přesné splnění \(Ax=b\), řešení s nejmenší odchylkou (pro tenké paprsky \(AA^T\) regulární; u tlustých téměř singulární, viz kap. 10),

  • \(\lambda\to\infty\): \((AA^T+\mu I)^{-1}\approx \mu^{-1}I\), tedy \(x - s_0\mathbf 1 \approx \mu^{-1} A^T r\) – prostá zpětná projekce rezidua s malou amplitudou; obraz se blíží homogennímu.

10. Pohled přes singulární rozklad

Nechť \(A = U\Sigma V^T\), singulární hodnoty \(\sigma_1\ge\dots\ge\sigma_m > 0\), \(u_k\), \(v_k\) singulární vektory. Pak

\[x - s_0\mathbf 1 = \sum_{k=1}^{m} \underbrace{\frac{\sigma_k^2}{\sigma_k^2 + \mu}}_{\phi_k}\, \frac{u_k^T r}{\sigma_k}\, v_k .\]
  • pseudoinverze (\(\mu=0\)): \(\phi_k = 1\), složky s malým \(\sigma_k\) se dělí malým číslem → zesílení šumu,

  • FBP s tlumením: filtrační faktory \(\phi_k\) plynule potlačí složky se \(\sigma_k^2 \lesssim \mu\),

  • prostá ZP (\(A^T r\)): váha \(\sigma_k\) místo \(1/\sigma_k\) – přesně opačné zvýraznění, proto rozmazání.

Rampový filtr v klasické FBP dělá totéž: zesiluje vysoké frekvence (malá \(\sigma\)) a zeslabuje nízké.

SVD

Obrázek 8. Vlevo: vlastní čísla \(AA^T\) (= \(\sigma_k^2\)) pro tenké a tlusté paprsky, tečkovaně \(\mu\) pro λ = 1. Uprostřed: filtrační faktory pro λ = 0,1; 1; 10. Vpravo: stopa rozlišovací matice \(\operatorname{tr}R = \sum\phi_k\) – kolik nezávislých „kombinací paprsků“ obraz skutečně využívá.

Číselně (12 senzorů, mřížka 41×41):

tenké paprsky

tlusté paprsky 12 %

číslo podmíněnosti \(AA^T\)

12

50 000

vlastních čísel nad \(\mu\) (λ = 1)

35 z 66

12 z 66

\(\operatorname{tr}R\) při λ = 0,3 / 1 / 3

48 / 31 / 16

23 / 15 / 9

Tenké paprsky dávají dobře podmíněnou \(AA^T\): jen 66 paprsků přes stovky buněk se téměř nepřekrývá. Tlusté paprsky se ve skutečnosti silně překrývají (blízké rovnoběžné paprsky nesou skoro stejnou informaci), \(AA^T\) je téměř singulární a tlumení je nutné. Při λ < 0,1 dává FBP s tlustými paprsky záporné pomalosti (nefyzikální; viz kap. 21).

11. Normování tlumení

\(\mu = \lambda\,\operatorname{tr}(AA^T)/m\) je λ krát průměrný diagonální prvek \(AA^T\), tj. průměr \(\sum_j a_{ij}^2\) přes paprsky (průměrné „vlastní“ vlastní číslo). Důsledky:

  • jednotky: \(a_{ij}\) v metrech, \(\mu\) v m², λ je bezrozměrné,

  • velikost mřížky: pro tenké paprsky \(\sum_j a_{ij}^2 \approx L_i h\) (\(h\) = velikost buňky) a stejně se škálují všechna vlastní čísla \(AA^T\), takže filtrační faktory \(\phi_k\) se s jemností mřížky nemění. U tlustých paprsků je \(A\) diskretizací hladkých funkcí a obraz je na mřížce prakticky nezávislý (test_damping_does_not_depend_on_grid_size, tabulka v kap. 25). U tenkých paprsků se ale s jemnější mřížkou zužují pruhy, do kterých se defekt promítne, a kontrast dutiny klesá,

  • velikost kmene: vzdálenosti se škálují stejně v \(A\) i \(\mu\); λ znamená u malého i velkého stromu totéž.

12. Homogenní model \(s_0\)

\[s_0 = \frac{\sum_i t_i}{\sum_i L_i}\]

je celkový čas děleno celkovou délkou, tj. pomalost „průměrného“ stromu. Výhody:

  • homogenní strom vyjde přesně (reziduum je nulové, filtr nic nepřidá) – test test_homogeneous_speed_is_reconstructed,

  • buňky, o kterých data nic neříkají, zůstanou na průměru místo na nule,

  • regularizace tlačí k průměru, ne k nulové pomalosti (nekonečné rychlosti).

Poznámka: nejlepší konstanta ve smyslu nejmenších čtverců by byla \(\sum_i L_i t_i / \sum_i L_i^2\) (váží dlouhé paprsky víc). U fantomů se od \(s_0\) liší o 2–4 %, na výsledek FBP to ale vliv nemá (mimostředová dutina: 632 m/s v obou případech, RMSE 174 a 175 m/s), protože filtr odchylku od výchozího modelu ve „viděných“ směrech stejně dorovná a zbytek tvoří jen konstantní posun v nevidených směrech.

U stromu s dutinou je \(s_0\) pomalejší než zdravé dřevo (u mimostředové dutiny odpovídá 1340 m/s, u centrální 1250 m/s místo 1500 m/s). Řešení s nejmenší odchylkou od \(s_0\) proto zdravé dřevo daleko od paprsků přes dutinu mírně podcení a jinde přestřelí – obr. 5.

13. Tlusté paprsky

Vlna o vlnové délce \(\Lambda\) „vidí“ první Fresnelovu zónu kolem paprsku o šířce zhruba \(\sqrt{\Lambda L}\). Pro dřevo (\(v \approx\) 1000–1500 m/s, frekvence 2–5 kHz, \(\Lambda \approx\) 0,25–0,6 m) a \(L\) = 0,5 m to je 0,35–0,55 m na celou šířku; Gaussův profil se šířkou \(w\) = 12 % průměru (6 cm u 50cm kmene, efektivní šířka \(\approx 2w\)) je opatrná náhrada.

TomoTree (Tomo._fat_ray_matrix):

\[a_{ij} = L_i\,\frac{w_{ij}}{\sum_k w_{ik}},\qquad w_{ij} = \exp\!\big(-(d_{ij}/w)^2\big), \qquad d_{ij} < 2{,}5\,w,\]

kde \(d_{ij}\) je vzdálenost středu buňky od úsečky paprsku. Řádkové součty zůstávají \(L_i\) (test_fat_ray_rows_sum_to_ray_lengths). Paprsek bez buňky v dosahu (velmi krátký) si nechá řádek tenkých paprsků.

Matematicky je tlustý paprsek přibližně \(A_{\text{fat}} \approx A_{\text{thin}} G\), kde \(G\) je Gaussovo rozmazání. Výsledek FBP \(x - s_0 = A_{\text{fat}}^T y = G^T A_{\text{thin}}^T y\) je proto hladká funkce (rozmazaná zpětná projekce). To dělá tlusté paprsky formou regularizace hladkosti: pruhy zmizí, rozlišení klesne na řád \(w\). Obr. 10 a kap. 22 ukazují volbu šířky.

14. Prostá zpětná projekce

S filtered=False:

\[x_j = \frac{\sum_i a_{ij}\,(t_i/L_i)}{\sum_i a_{ij}},\]

váhovaný průměr pomalostí \(t_i/L_i\) paprsků procházejících buňkou. Buňka bez paprsku zůstane prázdná. S tenkými paprsky je to obdoba metody Rays a první iterace SIRT. Homogenní strom vyjde přesně, ale dutina se „rozpustí“ do všech paprsků, které jí procházejí; u fantomu s dutinou 500 m/s vyjde kolem 1000 m/s.

15. Ořez rychlostí

Po výpočtu se pomalosti ořežou na \([1/v_{\max}, 1/v_{\min}]\), výchozí \(v_{\max} = \max_i v_i\) (nejrychlejší paprsek) a \(v_{\min} = \max(340\ \text{m/s},\ 0{,}5\min_i v_i)\). Zdůvodnění:

  • nejrychlejší paprsek prochází (téměř) jen zdravým dřevem, rychlejší buňka je nefyzikální,

  • pomalejší buňky, než je nejpomalejší paprsek, jsou možné (dutina je pomalejší než paprsek přes ni), ale ne o víc než polovinu,

  • a nikdy ne pomalejší než zvuk ve vzduchu (340 m/s).

Je mez 340 m/s fyzikálně oprávněná? Jako obecná mez rychlosti v látce ne: směsi vzduchu a vody nebo velmi měkké porézní látky mohou mít rychlost zvuku i nižší než vzduch. Pro tomogram stromu ale ano, jako mez věrohodnosti. Vzduchem v dutině vlna prakticky neprojde: akustická impedance dřeva (\(\rho v \approx 600 \cdot 1500 \approx 10^6\) Pa·s/m) je asi 2000× vyšší než impedance vzduchu (\(1{,}2 \cdot 340 \approx 410\) Pa·s/m), takže přes rozhraní projde zhruba \(4Z_1Z_2/(Z_1+Z_2)^2 \approx 0{,}2\) % energie a dvě rozhraní dutiny zlomek promile. První příchod, který přístroj měří, vede dřevem kolem dutiny (kap. 27), takže zpoždění je vždy menší, než kdyby vlna dutinu přeletěla rychlostí 340 m/s. Buňka pomalejší než zvuk ve vzduchu proto není výsledek měření, ale artefakt inverze: překmit filtru, záporná pomalost při malém λ nebo chybný čas (reakční čas přístroje, špatný kontakt senzoru). Mez artefakt neodstraní, jen omezí jeho dopad; počet buněk na dolní mezi je v reportu. Do října 2026 byla výchozí mez jen \(0{,}5\min_i v_i\) a u datasetu Jičín_14 (nejpomalejší paprsek 568 m/s) vycházely buňky až 320 m/s. Explicitně zadané speed_min platí i pod 340 m/s.

Ořez je nelineární krok mimo model; po něm už \(x\) není Tikhonovovo řešení a reziduum mírně vzroste. Protože jsou \(v_{\max}\) i zdravé dřevo prakticky stejné, ořez nahoře zasáhne velkou část zdravého dřeva (viz kap. 4) a ve skutečnosti obraz zlepší (odstraní přestřely Gibbsova typu).

16. Rozlišovací matice a odezva na bod

Dosazením \(b = Ax_{\text{true}}\) (přesná data) dostaneme

\[x - s_0\mathbf 1 = \underbrace{A^T(AA^T + \mu I)^{-1}A}_{R}\,(x_{\text{true}} - s_0\mathbf 1).\]

\(R\) (\(n\times n\)) je rozlišovací matice: sloupec \(j\) ukazuje, jak se jednotková porucha v buňce \(j\) promítne do obrazu (point spread function). Ideál je \(R = I\); reálně je \(R\) projektor na „viditelné“ směry, tlumený faktory \(\phi_k\). \(\operatorname{tr}R=\sum_k\phi_k\) je počet efektivně určených parametrů (obr. 8 vpravo).

PSF

Obrázek 9. Odezva na bodovou poruchu ve třech místech (řádky: střed, mimostředový bod, bod u kůry; křížek = skutečná poloha). Sloupce: prostá ZP, FBP s tenkými paprsky λ = 0,1, FBP s tlustými paprsky λ = 1 a 0,3. Normováno maximem, modrá = záporný překmit.

varianta

bod (m)

R_jj

průměr poloviční výšky (cm)

min/max (záporný překmit)

prostá ZP, tenké

(0, 0)

–

13,8

0

prostá ZP, tenké

(0.12, 0.05)

–

6,84

0

prostá ZP, tenké

(0.22, -0.1)

–

10,3

0

FBP, tenké, λ = 0,1

(0, 0)

0,101

3,42

-0,106

FBP, tenké, λ = 0,1

(0.12, 0.05)

0,0337

11

-0,24

FBP, tenké, λ = 0,1

(0.22, -0.1)

0,0126

11,3

-0,207

FBP, tlusté, λ = 1

(0, 0)

0,0137

14,5

-0,0272

FBP, tlusté, λ = 1

(0.12, 0.05)

0,0129

15,7

-0,0754

FBP, tlusté, λ = 1

(0.22, -0.1)

0,0151

14,9

-0,0268

FBP, tlusté, λ = 0,3

(0, 0)

0,0225

12,3

-0,052

FBP, tlusté, λ = 0,3

(0.12, 0.05)

0,0203

13,2

-0,0885

FBP, tlusté, λ = 0,3

(0.22, -0.1)

0,0218

13,8

-0,0634

Odezva prosté ZP je hvězda přes celý kmen. FBP s tenkými paprsky je ostřejší ve středu (kříží se tam nejvíc paprsků), ale u kůry dává protáhlé pruhy. Tlusté paprsky dávají kompaktní, téměř kruhovou skvrnu o průměru 12–16 cm všude – rozlišení je méně závislé na poloze. Malé \(R_{jj}\) (0,01–0,02) znamená, že porucha v jediné buňce se ukáže jen s 1–2 % amplitudy, rozprostřená na ploše asi 80 buněk (průměr 12–16 cm při buňce 1,5 cm). Defekt menší než tato skvrna se proto zobrazí zmenšeným kontrastem a zvětšený; defekt větší se zobrazí se správnou rychlostí uvnitř a rozmazaným okrajem.

17. Výpočetní náročnost

krok

složitost

41×41, 66 paprsků

rozdělení paprsků na úseky, matice \(A\)

\(O(m\sqrt n)\)

většina času (Python)

tlusté paprsky

\(O(mn)\)

\(G = AA^T\) (hustě)

\(O(m^2 n)\)

~4 mil. operací

řešení \((G+\mu I)y = r\)

\(O(m^3)\)

~0,3 mil. operací

zpětná projekce \(A^Ty\)

\(O(mn)\)

Celkem desítky ms; přesné časy v kap. 25. Žádné iterace, žádné kritérium zastavení. Pro 32 senzorů (496 paprsků) je soustava 496×496, stále zlomek sekundy.

18. Korekce EBSI a ERSM

Tomo.correct_with_FBP použije stejný filtr s jiným výchozím modelem: místo \(s_0\) výsledek EBSI/ERSM \(x_0\) (buňky bez hodnoty dostanou \(s_0\)):

\[x = x_0 + A^T(AA^T + \mu I)^{-1}(b - Ax_0).\]

Je to Tikhonovovo řešení nejblíž \(x_0\): kde data nic neříkají, zůstane EBSI/ERSM, kde jsou v rozporu s naměřenými časy, opraví se. Časy se berou z ray.time (po korekci anizotropie, před „Rescale speeds“, který přepisuje rychlosti paprsků). Experiment v kap. 28.


Část III – experimenty

19. Metodika

Fantomy. Kruhový kmen o poloměru 30 cm, 12 senzorů na obvodu (pokud není uvedeno jinak), zdravé dřevo 1500 m/s. Doby průletu jsou přesné integrály pomalosti po přímkách (4000 bodů na paprsek), kromě kap. 27 a kap. 23. Mřížka 41×41, obvod polygon přes senzory, bez korekce anizotropie.

fantom

popis

centrální dutina

kruh r = 10 cm ve středu, 500 m/s

mimostředová dutina

kruh r = 8 cm se středem (12, 5) cm, 500 m/s

dvě dutiny

kruhy r = 6 cm v (−12, 6) a (10, −8) cm, 500 m/s

malá dutina

kruh r = 4 cm v (5, 0) cm, 500 m/s

radiální trhlina

obdélník 3 × 20 cm od středu ke kůře, 400 m/s

hniloba v prstenci

mezikruží 12–20 cm, 800 m/s

hniloba u kůry

kruh r = 9 cm se středem 27 cm od osy (zasahuje ke kůře), 600 m/s

Metriky (počítané na buňkách uvnitř obvodu):

  • defekt / dutina: průměrná rychlost v buňkách, které jsou ve skutečnosti defekt,

  • zdravé: průměrná rychlost ve zdravém dřevě,

  • RMSE: odmocnina středního čtverce rozdílu rychlostí proti skutečnosti,

  • IoU: překryv oblasti „rychlost < 1000 m/s“ v obraze se skutečným defektem (průnik / sjednocení; 1 = přesná shoda),

  • falešně pomalé: podíl zdravých buněk s rychlostí < 1000 m/s,

  • reziduum: \(\lVert Ax-b\rVert/\lVert b\rVert\) s maticí tenkých paprsků (stejné měřítko pro všechny metody).

20. Prostá a filtrovaná zpětná projekce

Varianty

Obrázek 4. Centrální (nahoře) a mimostředová (dole) dutina: skutečnost, prostá ZP s tenkými a tlustými paprsky, FBP s tenkými paprsky (λ = 0,1) a výchozí FBP (tlusté, λ = 1). Čárkovaně skutečný obrys dutiny, prázdné buňky = bez paprsku.

fantom

varianta

dutina (m/s)

zdravé dřevo (m/s)

RMSE (m/s)

IoU dutiny

reziduum

centrální dutina r = 10 cm

prostá ZP, tenké

971

1302

313

0,333

0,0847

centrální dutina r = 10 cm

prostá ZP, tlusté

1016

1278

288

0,393

0,163

centrální dutina r = 10 cm

FBP, tenké, λ = 0,1

955

1297

322

0,362

0,0471

centrální dutina r = 10 cm

FBP, tlusté, λ = 1

629

1393

211

0,651

0,0312

mimostředová dutina r = 8 cm

prostá ZP, tenké

1017

1382

242

0,293

0,077

mimostředová dutina r = 8 cm

prostá ZP, tlusté

1108

1356

228

0

0,155

mimostředová dutina r = 8 cm

FBP, tenké, λ = 0,1

994

1362

260

0,346

0,0496

mimostředová dutina r = 8 cm

FBP, tlusté, λ = 1

632

1412

174

0,653

0,0511

Profil

Obrázek 5. Řez obrazem přes mimostředovou dutinu (y = 5 cm, mřížka 61×61).

Pozorování:

  • prostá ZP dutinu „rozpustí“ na ~1000 m/s a zdravé dřevo zpomalí na 1300 m/s,

  • FBP s tenkými paprsky sice časy splní (nejmenší reziduum mezi tenkými), ale defekt rozdělí do pruhů a buněk mezi paprsky; průměr dutiny se téměř nezlepší – splnit časy nestačí, je potřeba i rozumná regularizace,

  • FBP s tlustými paprsky dutinu správně lokalizuje a dosáhne skoro skutečné rychlosti v jejím středu (profil); hranice je rozmazaná asi na 5 cm na každou stranu,

  • větší λ snižuje kontrast (λ = 3: minimum ~700 m/s), menší λ ho mírně zostří (λ = 0,3).

21. Tlumení λ

Tlumení

Obrázek 6. Mimostředová dutina, λ = 0,01 až 100; nahoře tlusté, dole tenké paprsky.

paprsky

λ

dutina (m/s)

zdravé dřevo (m/s)

RMSE (m/s)

reziduum

oříznuto nahoru / dolů

tlusté

0,01

580

1347

262

0,134

480 / 41

tlusté

0,1

527

1399

182

0,0794

481 / 39

tlusté

0,3

541

1415

168

0,0603

472 / 29

tlusté

1

632

1412

174

0,0511

396 / 0

tlusté

3

807

1393

186

0,0927

178 / 0

tlusté

10

1033

1354

217

0,143

0 / 0

tlusté

100

1288

1339

266

0,184

0 / 0

tenké

0,01

980

1361

262

0,0493

327 / 0

tenké

0,1

994

1362

260

0,0496

307 / 0

tenké

0,3

1020

1363

255

0,0548

269 / 0

tenké

1

1086

1362

248

0,0816

136 / 0

tenké

3

1179

1351

250

0,126

8 / 0

tenké

10

1268

1342

262

0,165

0 / 0

tenké

100

1331

1340

275

0,188

0 / 0

Křivky tlumení

Obrázek 7. Vlevo: reziduum (bez ořezu) roste s λ. Uprostřed: RMSE obrazu (s ořezem, jak ho vidí uživatel) má pro tlusté paprsky minimum kolem λ ≈ 0,3–1; čárkovaně data se 3% šumem. Vpravo: L-křivka – kompromis mezi shodou s daty a odchylkou od homogenního modelu; roh L-křivky leží v okolí λ ≈ 0,3–1.

Pozorování:

  • s tlustými paprsky je optimum RMSE na přesných datech v okolí λ = 0,3–1 (168–174 m/s), při λ = 3 je RMSE 186 m/s a dutina už jen 807 m/s; výchozí λ = 1 je dobrá volba,

  • pod λ ≈ 0,3 končí desítky buněk na dolní mezi (29–41 buněk), při λ ≥ 1 žádná,

  • pod λ ≈ 0,1 se u tlustých paprsků objevují záporné pomalosti (31 buněk při λ = 0,01, 71 při λ = 0,001 na mřížce 31×31): soustava je téměř singulární a pseudoinverze zesílí i nepatrné nekonzistence (diskretizace dutiny na mřížku). Ořez je převede na mez, ale obraz je plný skvrn,

  • tenké paprsky reagují na λ mnohem méně (dobře podmíněná \(AA^T\)) a jejich RMSE se nedostane pod ~245 m/s: problém není v tlumení, ale v pruzích,

  • 3% šum na tlusté paprsky při λ ≥ 0,5 téměř nepůsobí – tlumení plus hladkost tlustých paprsků šum spolehlivě potlačí.

22. Šířka paprsku

Šířka paprsku

Obrázek 10. Šířka 0 % (tenké, λ = 0,1) až 30 % průměru kmene; řádky: mimostředová dutina, dvě dutiny, malá dutina r = 4 cm.

fantom

šířka

defekt (m/s)

zdravé dřevo (m/s)

RMSE (m/s)

IoU

mimostředová dutina r = 8 cm

0 %

994

1362

260

0,346

mimostředová dutina r = 8 cm

4 %

805

1370

210

0,738

mimostředová dutina r = 8 cm

8 %

675

1405

169

0,702

mimostředová dutina r = 8 cm

12 %

632

1412

174

0,653

mimostředová dutina r = 8 cm

20 %

621

1389

224

0,478

mimostředová dutina r = 8 cm

30 %

698

1359

264

0,386

dvě dutiny r = 6 cm

0 %

1043

1333

285

0,255

dvě dutiny r = 6 cm

4 %

869

1348

235

0,71

dvě dutiny r = 6 cm

8 %

735

1380

202

0,673

dvě dutiny r = 6 cm

12 %

709

1382

212

0,589

dvě dutiny r = 6 cm

20 %

776

1342

265

0,444

dvě dutiny r = 6 cm

30 %

894

1313

305

0,389

malá dutina r = 4 cm

0 %

1250

1457

141

0,0625

malá dutina r = 4 cm

4 %

1107

1448

127

0

malá dutina r = 4 cm

8 %

993

1443

127

0,625

malá dutina r = 4 cm

12 %

993

1441

131

0,625

malá dutina r = 4 cm

20 %

1072

1436

140

0

malá dutina r = 4 cm

30 %

1150

1428

148

0

Pozorování:

  • 4 % už odstraní většinu pruhů a dává nejlepší IoU, ale zbytky pruhů zůstávají,

  • 8–12 % dávají nejnižší RMSE a nejčistší obraz; výchozích 12 % je bezpečná volba,

  • 20–30 % slévá dvě dutiny v jednu a snižuje kontrast,

  • malá dutina r = 4 cm (8 cm v průměru) je na hranici rozlišitelnosti při každé šířce – nejvýš zpomalení na ~1000 m/s.

23. Šum v měření

Ke každé době průletu je přidán relativní normální šum 2, 5 a 10 % (symetricky, \(t_{ij}=t_{ji}\)), 10 realizací.

Šum

Obrázek 12. Jedna realizace šumu pro λ = 0,1–3 a SIRT (poslední sloupec).

šum

metoda

dutina (m/s)

zdravé (m/s)

RMSE (m/s)

sm. odch. RMSE

IoU

0 %

FBP λ = 0,1

527

1399

182

0

0,717

0 %

FBP λ = 0,3

541

1415

168

2,84e-14

0,667

0 %

FBP λ = 1

632

1412

174

0

0,653

0 %

FBP λ = 3

807

1393

186

2,84e-14

0,725

0 %

SIRT

669

1427

181

2,84e-14

0,584

2 %

FBP λ = 0,1

525

1433

194

3,66

0,709

2 %

FBP λ = 0,3

538

1449

177

3,7

0,68

2 %

FBP λ = 1

631

1439

180

3,48

0,642

2 %

FBP λ = 3

805

1400

187

2,12

0,726

2 %

SIRT

661

1448

195

4,03

0,566

5 %

FBP λ = 0,1

522

1463

259

8,62

0,548

5 %

FBP λ = 0,3

533

1482

222

8,87

0,669

5 %

FBP λ = 1

629

1461

204

9,83

0,624

5 %

FBP λ = 3

803

1402

192

4,99

0,729

5 %

SIRT

654

1462

219

10,4

0,553

10 %

FBP λ = 0,1

525

1508

410

19,3

0,326

10 %

FBP λ = 0,3

529

1527

342

20,7

0,524

10 %

FBP λ = 1

628

1489

272

18,9

0,609

10 %

FBP λ = 3

801

1409

209

8,92

0,717

10 %

SIRT

649

1485

272

24,6

0,538

Pozorování: se vzrůstajícím šumem se optimum λ posouvá k vyšším hodnotám. Při 5–10% šumu λ = 0,1 vytváří falešné skvrny; λ = 1–3 dává stabilní obraz. SIRT se chová podobně jako FBP s λ ≈ 1.

24. Počet senzorů a tvar kmene

Počet senzorů

Obrázek 13. Mimostředová dutina, 6 až 24 senzorů; nahoře prostá ZP, dole FBP.

senzorů

paprsků

varianta

dutina (m/s)

zdravé (m/s)

RMSE (m/s)

IoU

čas (ms)

6

15

prostá ZP

1101

1353

242

0

16,5

6

15

FBP

934

1351

237

0,558

13,5

8

28

prostá ZP

1105

1357

230

0

20

8

28

FBP

764

1383

197

0,684

20,3

12

66

prostá ZP

1108

1356

228

0

41,2

12

66

FBP

632

1412

174

0,653

42,1

16

120

prostá ZP

1109

1358

225

0

73

16

120

FBP

572

1432

156

0,647

73,2

24

276

prostá ZP

1109

1358

224

0

157

24

276

FBP

533

1443

135

0,733

182

Elipsa

Obrázek 14. Eliptický kmen 72 × 48 cm s mimostředovou dutinou: ERSM, SIRT, FBP.

metoda

dutina (m/s)

zdravé (m/s)

RMSE (m/s)

IoU

ERSM

1068

1386

208

0,129

SIRT

693

1422

193

0,598

FBP

626

1410

194

0,583

Algebraická FBP nemá s nekruhovým kmenem žádný problém (na rozdíl od klasické FBP) a dává na elipse stejný výsledek jako SIRT. S 6 senzory (15 paprsků) dutinu najde jen přibližně (934 m/s); od 12 senzorů je obraz stabilní a další senzory zlepšují kontrast i tvar (24 senzorů: 533 m/s, RMSE 135 m/s). Prostá ZP se s počtem senzorů nezlepšuje vůbec (1101–1109 m/s): její chybou je rozmazání, ne nedostatek dat. Čas roste s počtem paprsků (24 senzorů: 174 ms, 32 senzorů: 320 ms).

25. Mřížka a výpočetní čas

mřížka

paprsky

neznámých

dutina (m/s)

zdravé (m/s)

RMSE (m/s)

čas (ms)

21×21

tlusté

256

641

1417

164

23,5

21×21

tenké (λ = 0,1)

256

825

1363

239

18

31×31

tlusté

548

632

1411

178

32,7

31×31

tenké (λ = 0,1)

548

930

1360

255

27,3

41×41

tlusté

952

632

1412

174

48,3

41×41

tenké (λ = 0,1)

952

994

1362

260

34,9

61×61

tlusté

2104

636

1413

173

63,7

61×61

tenké (λ = 0,1)

2104

1088

1365

263

50,7

81×81

tlusté

3648

640

1413

174

109

81×81

tenké (λ = 0,1)

3648

1130

1362

265

73,4

S tlustými paprsky se výsledky na mřížkách 21×21 až 81×81 téměř neliší (normování μ, kap. 11). S tenkými paprsky kontrast dutiny s jemnější mřížkou klesá (825 → 1130 m/s). Čas roste zhruba lineárně s počtem buněk; jemnější mřížku než 41×41 není důvod používat.

26. Srovnání metod

Metody

Obrázek 11. Šest fantomů (řádky) a metody Rays, EBSI, ERSM (bez rescale), ERSM s korekcí zpětnou projekcí, SIRT a FBP (výchozí nastavení).

fantom

metoda

defekt (m/s)

zdravé (m/s)

RMSE (m/s)

IoU

falešně pomalé

čas (ms)

centrální dutina r = 10 cm

Rays

973

1311

306

0,348

0,0938

43,4

centrální dutina r = 10 cm

EBSI

1114

1413

244

0,286

0

105

centrální dutina r = 10 cm

ERSM

989

1324

250

0,536

0

171

centrální dutina r = 10 cm

ERSM + korekce ZP

605

1405

205

0,651

0,0781

209

centrální dutina r = 10 cm

SIRT

630

1394

217

0,622

0,0885

133

centrální dutina r = 10 cm

FBP

629

1394

210

0,651

0,0781

88

mimostředová dutina r = 8 cm

Rays

1017

1391

233

0,288

0,0467

45,1

mimostředová dutina r = 8 cm

EBSI

1175

1421

211

0,0152

0

100

mimostředová dutina r = 8 cm

ERSM

1090

1390

204

0,0606

0

167

mimostředová dutina r = 8 cm

ERSM + korekce ZP

610

1419

172

0,653

0,043

207

mimostředová dutina r = 8 cm

SIRT

669

1428

181

0,584

0,0577

135

mimostředová dutina r = 8 cm

FBP

632

1414

174

0,647

0,0442

88,6

dvě dutiny r = 6 cm

Rays

1088

1352

270

0,103

0,0137

44,7

dvě dutiny r = 6 cm

EBSI

1246

1389

252

0

0

107

dvě dutiny r = 6 cm

ERSM

1149

1355

242

0

0

157

dvě dutiny r = 6 cm

ERSM + korekce ZP

682

1389

210

0,58

0,0684

210

dvě dutiny r = 6 cm

SIRT

786

1380

225

0,567

0,0721

132

dvě dutiny r = 6 cm

FBP

710

1383

212

0,589

0,0659

87,7

radiální trhlina 3 × 20 cm

Rays

1136

1449

156

0,0769

0,00466

42,9

radiální trhlina 3 × 20 cm

EBSI

1323

1457

158

0

0

104

radiální trhlina 3 × 20 cm

ERSM

1267

1442

157

0

0

162

radiální trhlina 3 × 20 cm

ERSM + korekce ZP

771

1392

224

0,262

0,0723

197

radiální trhlina 3 × 20 cm

SIRT

912

1426

178

0,375

0,0303

134

radiální trhlina 3 × 20 cm

FBP

794

1392

220

0,268

0,0699

94,4

hniloba v prstenci 12–20 cm

Rays

1120

1303

269

0

0

42,5

hniloba v prstenci 12–20 cm

EBSI

1260

1321

303

0

0

102

hniloba v prstenci 12–20 cm

ERSM

1169

1286

276

0

0

158

hniloba v prstenci 12–20 cm

ERSM + korekce ZP

906

1372

190

0,859

0,0387

203

hniloba v prstenci 12–20 cm

SIRT

978

1353

218

0,622

0,0581

136

hniloba v prstenci 12–20 cm

FBP

927

1364

196

0,803

0,0387

86,8

hniloba u kůry

Rays

1047

1429

175

0,276

0,00964

43,7

hniloba u kůry

EBSI

1014

1411

164

0,407

0,00482

103

hniloba u kůry

ERSM

1086

1422

153

0

0

154

hniloba u kůry

ERSM + korekce ZP

679

1466

111

0,758

0,0193

209

hniloba u kůry

SIRT

691

1471

114

0,781

0,0169

134

hniloba u kůry

FBP

710

1461

111

0,781

0,0169

90,9

Pozorování:

  • Rays, EBSI a ERSM (bez post-processingu) defekt najdou, ale silně podhodnotí (1000–1250 m/s místo 500 m/s); u dvou dutin a u prstence je IoU nulové – žádná buňka neklesne pod 1000 m/s. Je to vlastnost průměrování rychlostí paprsků, ne chyba implementace.

  • FBP, SIRT a ERSM s korekcí zpětnou projekcí dávají velmi podobné výsledky (RMSE se liší o 5–10 %). FBP je v pěti ze šesti fantomů nejlepší nebo druhá nejlepší; ERSM + korekce je stejně dobrá (je to tentýž filtr, jen s jiným výchozím modelem).

  • Trhlina je slabé místo všech metod: tenký defekt kolmo k málo paprskům se rozmaže do pruhu přes celý kmen podél směru trhliny (obr. 11, 4. řádek). SIRT má díky vyhlazení sousedů menší RMSE (178 vs 220 m/s), FBP a korekce víc „protáhnou“ trhlinu přes střed.

  • Hniloba v prstenci: FBP (IoU 0,80) a ERSM + korekce (0,86) prstenec zobrazí jako prstenec; zdravé jádro ale vyjde pomalejší (900–1100 m/s), protože jím procházejí jen paprsky přes prstenec.

  • Falešně pomalé buňky (2–9 % zdravého dřeva pod 1000 m/s) jsou u FBP i SIRT okraj rozmazaného defektu, ne samostatné artefakty.

  • Čas: FBP celkem (včetně sestavení tomogramu v analysis.reconstruct) ~90 ms, SIRT ~140 ms, ERSM ~170 ms.

27. Ohyb paprsků

Skutečná doba průletu je doba nejrychlejší cesty (Fermatův princip), ne integrál po přímce. Doby nejrychlejší cesty jsou spočítané Dijkstrovým algoritmem na mřížce 121×121 s 16 směry kroku a normované tak, aby zdravý strom dal přesné časy.

fantom

data a metoda

max. zkrácení času (%)

dutina (m/s)

zdravé (m/s)

RMSE (m/s)

IoU

centrální dutina r = 10 cm

přímé dráhy, FBP

0

629

1394

210

0,651

centrální dutina r = 10 cm

nejrychlejší dráha, FBP

35,9

1344

1497

303

0

centrální dutina r = 10 cm

nejrychlejší dráha, FBP λ = 0,3

35,9

1305

1494

293

0,0357

centrální dutina r = 10 cm

nejrychlejší dráha, SIRT

35,9

1354

1498

306

0

centrální dutina r = 10 cm

nejrychlejší dráha, ERSM + rescale

35,9

1342

1503

302

0

mimostředová dutina r = 8 cm

přímé dráhy, FBP

0

632

1414

174

0,647

mimostředová dutina r = 8 cm

nejrychlejší dráha, FBP

35,1

1405

1495

248

0

mimostředová dutina r = 8 cm

nejrychlejší dráha, FBP λ = 0,3

35,1

1361

1492

237

0

mimostředová dutina r = 8 cm

nejrychlejší dráha, SIRT

35,1

1416

1496

251

0

mimostředová dutina r = 8 cm

nejrychlejší dráha, ERSM + rescale

35,1

1419

1497

252

0

Ohyb paprsků

Obrázek 17. Centrální dutina: FBP z přímkových časů (2. obrázek) a rekonstrukce z časů nejrychlejší dráhy (FBP s λ = 1 a 0,3, SIRT, ERSM s rescale).

Toto je nejdůležitější omezení všech metod v TomoTree, nejen FBP. Pomalá dutina (500 m/s ve dřevě 1500 m/s) zkrátí nejrychlejší dráhou dobu průletu přes střed až o 36 % proti přímce: vlna dutinu obejde. Pro paprsek přes střed je tak zpoždění proti zdravému stromu jen asi 6 % místo 67 %. Všechny metody s přímými paprsky pak ukážou dutinu jen jako mírné zpomalení (1300–1400 m/s) na správném místě a se správným tvarem, ale s mnohem menším kontrastem. Menší λ to nezachrání (λ = 0,3: 1305 m/s).

Praktické důsledky:

  • absolutní rychlost v dutině z tomogramu nelze brát doslova; rozhoduje relativní pokles proti zdravému dřevu (barevná škála v procentech, „reference value“),

  • hranice dutiny bývá ve skutečnosti dál, než ukazuje práh absolutní rychlosti,

  • vzduchová dutina se od hniloby s rychlostí ~500 m/s rychlostí v tomogramu téměř neliší – v obou případech vlna jde kolem.

Opravou by byla tomografie se zakřivenými paprsky (eikonální rovnice, „ray bending“), viz kap. 31.

28. Korekce ERSM

Korekce

Obrázek 15. Dvě dutiny: ERSM, ERSM s korekcí zpětnou projekcí pro λ = 0,3–10 a samotná FBP.

varianta

λ

dutiny (m/s)

zdravé (m/s)

RMSE (m/s)

IoU

ERSM

–

1149

1355

242

0

ERSM + korekce

0,3

532

1394

211

0,559

ERSM + korekce

1

682

1389

210

0,58

ERSM + korekce

3

848

1370

217

0,738

ERSM + korekce

10

1001

1348

230

0,447

FBP

1

710

1383

212

0,589

ERSM samotné dvě dutiny nerozliší (IoU 0). Korekce zpětnou projekcí je oddělí a dá výsledek prakticky shodný s FBP; rozdíl je jen v detailech mimo dutiny, kde zůstane ERSM. Menší λ (0,3) přiblíží rychlost v dutinách skutečnosti (532 m/s), větší λ (10) nechá obraz blízko ERSM. Výchozí λ = 1 je i zde rozumná volba.

29. Reálná data

Datasety streamlit_data/Jičín_05, 08, 14, 15 (12 senzorů), mřížka 41×41, korekce anizotropie, obvod spline. Skutečnost neznáme, srovnáváme metody mezi sebou.

Reálná data

Obrázek 16. Řádky: datasety; sloupce: prostá ZP, FBP s λ = 0,3; 1; 3, FBP s tenkými paprsky, SIRT, ERSM s rescale. Barevná škála podle 2.–98. percentilu všech variant daného stromu.

dataset

varianta

5. percentil (m/s)

medián (m/s)

95. percentil (m/s)

reziduum

oříznuto nahoru / dolů

Jičín_05

prostá ZP

1067

1268

1395

0,128

0 / 0

Jičín_05

FBP λ = 0,3

694

1227

2302

0,0597

73 / 0

Jičín_05

FBP λ = 1

758

1278

1826

0,0632

13 / 0

Jičín_05

FBP λ = 3

863

1275

1545

0,0805

0 / 0

Jičín_05

FBP tenké λ = 0,1

943

1253

1856

0,021

11 / 0

Jičín_05

SIRT

737

1275

2038

0,0799

–

Jičín_05

ERSM + rescale

798

1266

1816

0,0719

–

Jičín_08

prostá ZP

862

1109

1319

0,199

0 / 0

Jičín_08

FBP λ = 0,3

472

1094

2572

0,105

101 / 0

Jičín_08

FBP λ = 1

545

1160

2187

0,106

41 / 0

Jičín_08

FBP λ = 3

653

1135

1588

0,131

3 / 0

Jičín_08

FBP tenké λ = 0,1

714

1096

1949

0,0333

20 / 0

Jičín_08

SIRT

525

1186

2422

0,127

–

Jičín_08

ERSM + rescale

562

1173

1931

0,126

–

Jičín_14

prostá ZP

744

1082

1269

0,245

0 / 0

Jičín_14

FBP λ = 0,3

347

1257

3126

0,0576

105 / 43

Jičín_14

FBP λ = 1

401

1244

2340

0,0701

1 / 13

Jičín_14

FBP λ = 3

502

1157

1640

0,125

0 / 0

Jičín_14

FBP tenké λ = 0,1

577

1044

2205

0,0348

18 / 1

Jičín_14

SIRT

390

1274

3093

0,107

–

Jičín_14

ERSM + rescale

409

1221

2188

0,0944

–

Jičín_15

prostá ZP

879

1193

1369

0,186

0 / 0

Jičín_15

FBP λ = 0,3

471

1292

2563

0,0477

55 / 7

Jičín_15

FBP λ = 1

528

1313

2030

0,0313

0 / 0

Jičín_15

FBP λ = 3

635

1248

1616

0,084

0 / 0

Jičín_15

FBP tenké λ = 0,1

745

1157

2085

0,0278

18 / 0

Jičín_15

SIRT

510

1315

2563

0,0621

–

Jičín_15

ERSM + rescale

569

1283

2210

0,0297

–

Pozorování:

  • všechny filtrované varianty ukazují stejné pomalé jádro jako SIRT a ERSM s rescale; poloha i tvar se shodují, liší se kontrast,

  • λ = 0,3 dává na reálných datech rychlé ostrůvky (2300–3100 m/s) u senzorů, desítky až stovky buněk oříznutých nahoru a u Jičín_14 a 15 i 7–43 buněk oříznutých dolů – reálná data mají šum a λ = 0,3 je pro ně příliš málo,

  • λ = 1 (výchozí) dává hladký obraz s 0–41 buňkami oříznutými nahoru; dolů jen u Jičín_14 (13 buněk na 340 m/s, před zavedením meze 340 m/s vycházely až 320 m/s); λ = 3 je ještě klidnější, jádro je méně kontrastní,

  • tenké paprsky splní časy nejlépe (reziduum 0,02–0,03), ale obraz je plný pruhů – názorný příklad, že nejmenší reziduum neznamená nejlepší obraz,

  • rychlý prstenec u kůry (FBP i SIRT, ale ne prostá ZP) je z velké části důsledkem korekce anizotropie: krátké tečné paprsky mezi sousedními senzory se přepočtou až na dvojnásobnou rychlost (nejrychlejší „paprsek“ Jičín_14 má po korekci 3126 m/s) a filtr tuto rychlost promítne do okrajových buněk. Bez korekce anizotropie je 95. percentil FBP 1540–1770 m/s místo 1830–2340 m/s,

  • reziduum výchozí FBP (s maticí tenkých paprsků) je 0,03–0,11, srovnatelné se SIRT a ERSM s rescale.


Část IV

30. Testy

tests/test_fbp.py (spuštění python -m pytest tests/test_fbp.py, asi 5 s):

test

co ověřuje

kapitola

test_homogeneous_speed_is_reconstructed (4 varianty)

homogenní strom vyjde přesně pro prostou ZP i FBP, tenké i tlusté paprsky

12

test_filtered_finds_the_hole_better_than_plain

FBP najde dutinu, prostá ZP ji podhodnotí

20

test_all_cells_inside_defined_with_fat_rays

tlusté paprsky vyplní všechny buňky uvnitř, mimo obvod nic

13

test_velocities_are_clipped_to_bounds

ořez na meze a zmínka v reportu

15

test_cells_are_not_slower_than_sound_in_air (3 varianty)

výchozí dolní mez je nejméně 340 m/s (i u prosté ZP a tenkých paprsků)

15

test_report_counts_clipped_cells_at_each_bound

report počítá buňky na horní a dolní mezi zvlášť

4

test_explicit_lower_bound_is_kept

zadané speed_min=200 platí

15

test_fast_data_keep_half_of_the_slowest_ray

když je 0,5 × nejpomalejší paprsek nad 340 m/s, je mezí on

15

test_reconstruct_fbp_matches_direct_call

analysis.reconstruct = přímé volání

3

test_filter_equals_tikhonov_in_cell_space (λ = 0,01; 1; 30)

identita \(A^T(AA^T+\mu I)^{-1} = (A^TA+\mu I)^{-1}A^T\)

9.2

test_small_damping_gives_minimum_norm_solution

λ → 0: časy splněny, výsledek = řešení s nejmenší odchylkou (lstsq)

9.1

test_residual_grows_and_contrast_drops_with_damping

s λ monotónně roste reziduum a klesá odchylka od \(s_0\)

10

test_large_damping_approaches_plain_back_projection_of_misfit

λ → ∞: směr řešení = \(A^T r\)

9.2

test_velocities_scale_with_the_data

2× rychlejší data → 2× rychlejší obraz

11

test_renumbering_sensors_does_not_change_the_image

přečíslování senzorů obraz nezmění

7

test_damping_does_not_depend_on_grid_size

stejné λ dává na 31×31 a 61×61 stejný obraz (do 5 %)

11

test_offcenter_hole_found_at_the_right_place

nejpomalejší buňka do 4 cm od středu dutiny, < 650 m/s

20

test_damping_suppresses_noise

při 5% šumu má λ = 1 o 30 % menší RMSE než λ = 0,01

23

test_fat_ray_rows_sum_to_ray_lengths

řádkové součty tlustých paprsků = délky paprsků, nezáporné váhy

13

Pomocná funkce testů _solution navíc u každého volání kontroluje, že buňky zobrazené v tomogramu jsou přesně výsledkem vzorce z kap. 9.

Dále FBP pokrývají tests/streamlit/test_all_pages_smoke.py (stránka FBP se otevře, snippet „Reproduce in Jupyter“ dá stejný výsledek) a tests/test_rescale.py (korekce EBSI/ERSM, včetně dolní meze 340 m/s). Mez 340 m/s v SIRT ověřuje tests/test_sirt.py.

31. Zjištění a doporučení

Analýza nenašla chybu, která by měnila výsledky. Implementace odpovídá matematice (kap. 9, ověřeno testy). Drobná zjištění a náměty:

  1. Ohyb paprsků (kap. 27) je největší systematická chyba, společná všem metodám: dutiny vycházejí s mnohem menším kontrastem, než mají. Náprava = zakřivené paprsky (Dijkstra nebo fast marching na mřížce, iterace „spočítat dráhy → FBP → přepočítat dráhy“). Algebraická FBP je pro to vhodná, protože matice \(A\) může obsahovat libovolné dráhy; stačí nahradit _ray_cell_system. Doporučuji jako samostatný úkol.

  2. Ořez nahoře a dole (vyřešeno). Ořez na horní mez (nejrychlejší paprsek) je u zdravého dřeva běžný a neškodný (40 % buněk na syntetickém stromu); ořez na dolní mez je varovný. Report teď vypisuje Cells clipped: 396 to the maximum 1500, 0 to the minimum 471. a dolní mez je nejméně 340 m/s (kap. 15). Platí pro FBP i korekci EBSI/ERSM, SIRT uvádí počty buněk na mezích už dříve.

  3. Záporné pomalosti při λ < 0,1 s tlustými paprsky (kap. 10, 21). Ořez je převede na maximální rychlost, takže se v obraze objeví jako „rychlé“ skvrny. Registr widgetu povoluje fbp_damping od 0,01. Návrh: minimum 0,05–0,1, nebo v reportu počet záporných hodnot.

  4. Relativní reziduum v reportu se počítá s maticí zvolených paprsků a po ořezu. Při změně šířky paprsku se mění i měřítko, takže rezidua různých šířek nejsou srovnatelná (kap. 4). Návrh: počítat ho s tenkými paprsky (jako v této analýze), nebo to uvést v nápovědě.

  5. Mřížka a tenké paprsky (kap. 25): s tlustými paprsky je obraz na mřížce nezávislý, s tenkými paprsky se kontrast dutiny s jemnější mřížkou zhoršuje (825 → 1130 m/s pro 21×21 → 81×81). Tenké paprsky jsou proto vhodné jen pro srovnání.

  6. Volba homogenního modelu \(s_0 = \sum t/\sum L\) (kap. 12) se od konstanty nejmenších čtverců liší o 2–4 %, na výsledek to vliv nemá (dutina 632 vs 632 m/s, RMSE 174 vs 175 m/s; i se skutečnou rychlostí dřeva 634 m/s). Není co měnit.

  7. Korekce anizotropie zvyšuje rychlost krátkých tečných paprsků až na dvojnásobek a FBP (stejně jako SIRT) z toho vytvoří rychlý prstenec u kůry (kap. 29). Není to vada FBP, ale stojí za zvážení, zda korekce pro velmi tečné paprsky není příliš silná.

  8. Neznámé mimo obvod: buňky mimo obvod protnuté paprskem jsou neznámé soustavy, ale po výpočtu se maskují (_update_cell_velocity). Je to v pořádku (paprsek jimi prochází), jen to vysvětluje, proč report uvádí víc buněk, než je vidět (952 vs 880 u fantomu).

  9. Výchozí hodnoty (λ = 1, šířka 12 %) jsou podle experimentů dobře zvolené: na přesných datech je optimum RMSE pro λ ≈ 0,3–1, při 5–10% šumu λ ≈ 3; šířka 8–12 % dává nejnižší RMSE.

32. Reprodukce

python docs/fbp_figures/make_figures.py            # vše (obrázky + docs/fbp_figures/tables.md)
python docs/fbp_figures/make_figures.py fig_damping fig_svd   # jen vybrané části

Část s reálnými daty potřebuje neverzované streamlit_data/Jičín_*; bez nich se přeskočí.

Literatura

  1. Kak, A. C., Slaney, M. (1988). Principles of Computerized Tomographic Imaging. IEEE Press, kap. 3 (věta o Fourierově řezu, rampový filtr, vějířová geometrie) a kap. 7 (algebraické metody).

  2. Natterer, F. (2001). The Mathematics of Computerized Tomography. SIAM. (Operátor \((RR^*)^{-1}\) a rampový filtr, rozlišení.)

  3. Hansen, P. C. (2010). Discrete Inverse Problems: Insight and Algorithms. SIAM. (Tikhonovova regularizace, filtrační faktory, L-křivka.)

  4. Aster, R. C., Borchers, B., Thurber, C. H. (2018). Parameter Estimation and Inverse Problems. 3. vyd., Elsevier. (Rozlišovací matice, řešení s nejmenší normou.)

  5. Woodward, M. J. (1992). Wave-equation tomography. Geophysics 57(1), 15–26. (Fresnelova zóna, „tlusté paprsky“.)

  6. Du, X. et al. (2015). Stress wave tomography of wood internal defects using ellipse-based spatial interpolation and velocity compensation. BioResources 10(3), 3948–3962.