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:

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

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); 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

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:

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

\[\begin{split}\begin{pmatrix} A \\ \alpha\,\bar a\, D \end{pmatrix} x = \begin{pmatrix} b \\ 0 \end{pmatrix},\end{split}\]

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

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):

    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

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). 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:

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):

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

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

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

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).

  • 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).