数字乳腺三维断层摄影系统论证报告

第一篇：数字乳腺三维断层摄影系统论证报告

数字乳腺三维断层摄影系统采购论证报告尊敬的院领导：就我院日前的数字乳腺三维断层摄影系统采购项目，放射科对于相关的技术和产品进行了考察和了解，如下为相关内容，请领导审核评估。

1．数字乳腺三维断层摄影技术的原理和较之前的二维数字乳腺摄影技术的进步和优势。乳腺X线摄影技术，自上世纪60年代问世以来，一直在乳腺癌筛查和诊断中发挥着重要的作用。在1980年后，美国和欧洲各国陆续使用乳腺X线摄影技术进行乳腺癌筛查后，通过有效的早期发现，乳腺癌的死亡率降低了30%左右。随着技术发展，在2000年，乳腺X线摄影技术进入了数字化的时代。数字乳腺X线摄影技术凭借优质的影像、更低的辐射剂量和高效的工作流程逐渐取代了屏片技术，成为乳腺影像的发展趋势。但是，二维影像仍有所局限，在传统乳腺摄影中，立体的乳房组织投照在二维平面内，病变的显示将受到组织重叠的影响：病变周围的正常组织会使得病变显示不清，表现隐匿，导致假阴性而降低检查的敏感性；相反地，重叠的正常组织投影到二维影像也可能会接近于病变组织，导致假阳性，降低特异性。数字乳腺三维断层摄影技术（Digital Breast Tomosynthesis, DBT）是一种三维成像技术，可以在短暂的扫描过程中，在不同角度获得乳房的影像。然后将这些独立的影像重建成一系列高分辨率的断层影像，单独显示或以连续播放的形式动态显示。相对于传统的二维乳腺摄影技术，重建后的三维断层影像减少或消除了组织重叠和结构噪声的影响。今年2月美国FDA正式批准了HOLOGIC制造的Selenia Dimensions系统，将数字乳腺三维断层摄影技术应用于乳腺癌筛查和疾病诊断。通过数字乳腺三维断层影像，可更好的发现一些隐匿的微小病变。通过断层影像非常容易在正常乳腺组织中区分出之前在二维影像中不易发现的病变，减少假阴性。同时正常组织重叠造成的假阳性对于三维影像来讲也不再是问题。此外，对于肿块边界的显示也更为理想，典型的毛刺征可以更好的显示。更多地细节信息将帮助对疾病性质进行判断，减少不必要的活检。这些结论已经在临床研究和初步的应用中得到了验证。因此，这一技术将成为数字乳腺影像技术的发展方向和趋势。2．目前能够进行数字乳腺三维断层摄影检查的设备。目前能够进行这种检查的设备有如下2款： Siemens公司制造，型号为Inspiration。产地为德国。Hologic公司制造，型号为Selenia Dimensions。产地为美国。

3．数字乳腺三维断层摄影技术临床应用的基本要求。通过对于这项技术的学习和考察，我们发现，尽管这一技术在其原理层面具有明确的临床优势，但是必须能够满足临床的要求才能够真正的应用于乳腺癌筛查和疾病诊断。因此，我们希望设备不仅仅是能够进行三维断层扫描，而是要在实际的临床工作中发挥它应当具有的性能和价值。乳腺摄影检查，不管是之前普遍使用的二维技术，还是在这里讨论的三维断层摄影技术，最为核心的目标都是要实现乳腺癌的早期发现和疾病诊断。因此，必须拥有优质的图像质量和符合要求的辐射剂量。同时，考虑到在检查中，需要对乳腺进行压迫进行摄影，对于图像的扫描时间也需要严格要求。此外，合理的工作流程和图像处理及阅览时间，也是重要的因素，这才能够保证医院希望通过数字化技术提高诊疗技术和能力的初衷。同样重要的是权威的认证，这项技术在目前看来是最为领先的，因此，国际上权威机构的认证能够保证系统的安全和有效性。对于医院相关工作的开展是重要的支持。因此，我们总结出如下几点对上述的2款数字乳腺三维断层摄影系统进行考核和评估：图像质量和辐射剂量成像模式-工作流程时间表 4．2款数字乳腺三维断层摄影系统的对比 1）FDA认证 Hologic的Selenia Dimensions是首台也是唯一通过FDA认证的数字乳腺三维断层摄影系统。因为是第一台提交给FDA申请认证的系统，因此FDA进行了严格的考察和审核，尤其是要求提供详尽的临床研究数据，来证明其临床的优势。在去年9月份邀请权威和知名的专家进行论证，认为其能安全和有效的进行乳腺癌筛查和疾病诊断，并与今年2月正式批准。Siemens Inspiration三维断层功能尚未向FDA提交认证申请。

2）图像质量和辐射剂量

我们在考察中了解到，一些核心的技术同这两者相关，其中原厂和性能更优的探测器对于成像质量具有重要的意义。同时原厂探测器对于技术升级和服务也很重要。

对于辐射剂量，FDA认证中有严格要求，Selenia Dimensions完全符合相关要求。Siemens Inspiration尚无相关的临床数据来说明其三维断层成像的剂量。

Selenia Dimensions Siemens Inspiration 探测器原厂研发生产外购自Anrad 像素 70微米 85微米（像素越小，对细小病变的探查能力越强）空间分辨率 7lp/mm 6lp/mm（分辨率越高，成像质量越好）成像矩阵 3328×4096 2816 x 3584（成像矩阵越大，提供的影像信息越细致和充分）3）扫描时间三维断层摄影扫描过程中需要对压迫的乳房进行连续的不同的角度的低剂量成像。因为需要对乳房进行压迫，扫描时间必须充分考虑患者的耐受程度。时间过长一方面患者无法承受，另一方面患者发生移动的风险就会增加，任何轻微的移动都回导致图像的模糊和伪影。因此扫描时间必须是合理的，也就是尽可能的短。Hologic Selenia Diemnsions三维断层扫描在4秒内即可完成。Siemens Inspiraiton则需要25-30S的时间。这个时间对于受检者来说是很难接受的。4）成像模式和工作流程尽管三维断层影像具有很多优势，但是根据目前的国际上的研究和应用来看，在很长一段时间内，仍需要结合二维图像进行诊断。在过渡的阶段内，将通过两种图像的结合来不断总结和积累三维图像的诊断经验。

但是两种图像结合结合进行诊断的重要前提是在同一压迫下获取到的。只有这样的成像模式获取的二维和三维图像才具有关联性和对比性。Hologic Selenia Dimensions具有的Combo模式能够实现在同一压迫下同时获取二维和三维图像，扫描时间不超过10秒。这个采集模式也是通过FDA认证的方法。Siemens Inspiraiton不具有这项功能，这意味着不仅不能得到具有关联和对比意义的二维和三维图像。也对于工作流程带来极大的不便。这在下面的工作流程图表中清晰可见。常规的乳腺癌筛查和诊断的检查流程图：双侧乳房（分别拍摄CC位和MLO位）Hologic Selenia Dimensions

双侧乳房分别拍摄CC位和MLO位，共4次检查：如CC位，摆位后（即按照要求对乳房进行压迫），按动曝光控制按钮在10秒内即可获取二维和三维预览影像。技师浏览影像确认合格后则进入下个位置的摆位和拍摄。整个工作流程同之前的二维数字摄影无明显差别。基本熟练的技师可在10分钟内完成1个患者的检查。Siemens Inspiraiton 双侧乳房分别拍摄CC位和MLO位，共8次检查：如CC位，摆位后（即按照要求对乳房进行压迫），曝光获取二维影像，再次进行摆位，完成CC位三维图像扫描（25-30秒），因图像处理需要大概数分钟，技师需等待，之后获得预览影像后，再进入下个位置的拍摄。同样熟练的技师大概需要20-30分钟完成一个患者的拍摄。这基本达不到乳腺癌筛查对于工作流程的要求。同时还有其他的一些技术对比，详见后附的表格。综上所述，我们可以看到数字乳腺三维断层摄影技术对于乳腺癌筛查和疾病诊断具有明确的临床优势，也是今后发展的趋势和方向。我院若能配置该项技术，将有效的提高对于乳腺疾病诊疗的技术和水平。同时，充分考虑到临床应用的要求和目的，需要对采购设备进行严格的甄选，方能真正的得到新技术的优势。通过对相关市场和产品的考察，我们认为Hologic的Selenia Dimensions系统能够真正的实现数字乳腺三维断层摄影技术的临床应用。如上内容，请领导参考和查阅。

第二篇：数字摄影测量系统实验报告

数字摄影测量系统实验报告

专业：测绘工程

姓名：刘吉羽

学号：20083108011

2一．实验目的：

体会数字摄影测量系统进行立体测图的主要功能及主要作业步骤。从像对的内定向,相对定向,绝对定向到自动绘等高线,绘地形图等。

二．理论基础：

1．摄影测量系统的主要功能:

数字摄影测量系统是用来实现数字影像自动测图的系统。它除了可以胜任解析测图仪可完成的一切任务外，尚具有许多新的功能，如影相位移的去除，任意方式的纠正，反差的扩展，多幅影像的比较分析，图像识别，影像数字相关以及数据库的管理等等；通过显示器还可观察数字图像以及框标，控制点，DEM及其他所需特征；在空中三角测量中通过附加参数由自检校确定的系统误差的改正数可直接赋给图像，从而最终改善结果的精度；可转换成透视图像；可进行立体显示；可对图像自动进行所需要的特征提取，生成数字正射影像，数字高程模型或直接为机器人视觉系统服务等等。

2．VirtuoZo软件概况：

Virtuozo是武汉测绘科技大学全数字化自动测图系统WuDAMS的商品化名称，是国际同类五大著名软件系统之一。其核心技术处于国际领先水平。其主要功能为从输入的数字地面模型制作带高线的正射影像图与三维立体模型与交叉式全自动地物量测，可用于摄影测量、遥感与地理信息系统的数据采集与更新、测图与地图修测等。

三．实验步骤

1．数字摄影测量数据准备

相机参数：应该提供相机主点理论坐标X0、Y0，相机焦距f0，框标距或框标点标控制资料：外业控制点成果及相对应的控制点位图

航片扫描数据：符合VirtuoZo图像格式及成图要求扫描分辨率的扫描影像数据。VirtuoZo可接受多种图像格式：如TIFF、BMP、JPG等。一般选TIFF格式。

2．建立测区与模型的参数设置

要建立测区与模型，VirtuoZo系统要设置很多参数，这些参数需要在参数设置界面上逐一设置。如测区（Block）参数、模型参数、影像参数、相机参数、控制点参数、地面高程模型(DEM)参数、正射影像参数和等高线参数等。其中有些参数在VirtuoZo系统中有其固有的数据格式，需要按照VirtuoZo规定的格式进行填写，如相机参数、控制点参数等。

3．航片的内定向、相对定向与绝对定向

内定向：建立影像扫描坐标与像点坐标的转换关系，求取转换参数；VirtuoZo可自动识别框标点，自动完成扫描坐标系与相片坐标系间变换参数的计算，自动完成相片内定向，并提供人机交互处理功能，方便人工调整光标切准框标。

相对定向：通过量取模型的同名像点，解算两相邻影像的相对位置关系；VituoZo利用二维相关，自动识别左、右像片上的同名点，一般可匹配数十至数百个同名点，自动进行相对定向。并可利用人机交互功能，人工对误差大的定向点进行删除或调整同名点点位，使之符合精度要求。

绝对定向：通过量取地面控制点或内业加密点对应的像点坐标，解算模型的外方位元素，将模型纳入到大地坐标系中；①人工定位控制点进行绝对定向。相对定向完成后（即自动匹配完成后），由人工在左、右像片上确定控制点点位，并用微调按钮进行精确定位，输入相应控制点点名。每个像对至少需要三个控制点，一般为六个。定位完本像对所有的控制点后，即可进行绝对定向。②利用加密成果进行绝对定向。VirtuoZo可利用加密成果直接进行绝对定向，将加密成果中控制点的像点坐标按照相对定向像点坐标的坐标格式拷贝到相对定向的坐标文件（*.pcf）中,执行绝对定向命令，完成绝对定向，恢复空间立体模型。

4．同名核线影像的采集与匹配

非水平核线：非水平核重采样是基于模型相对定向结果，遵循核线原理对左右原始影像沿核线方向保持X不变在Y方向进行核线重采样

水平核线：水平核重采样使用了绝对定向结果，将核线置平

两种核线的区别：非水平核重采样所生成的核线影像保持了原始影像同样的信息量和属性，因此当原始影像发生倾斜时，核线影像也会发生同样的倾斜，而水平核线避免这个倾斜情况。两种不同的核线形式匹配结果是迥然不同的，在实际作业时，一定要保证每个作业步骤使用都是同一种核线影像。（建议一个测区都使用一种采样方式）

影像匹配：影像匹配是数字摄影测量系统的关键技术，是沿核线一维影像匹配，确定同名点。生成核线影像。完成了模型的相对定向后就可生成非水平核线影像，但是要生成水平核线影像必须先完成模型的绝对定向。核线影像的范围可由人工确定，也可由系统自动生成最大作业区。影像按同名核线影像进行重新排列，形成按核线方向排列的核线影像。以后的处理，如影像匹配、等高线编辑等，都将在核线影像上进行。

影像匹配。按照参数设置确定的匹配窗口大小和匹配间隔，沿核线进行影像匹配, 确定同名

点。计算机进行自动匹配的过程中，有些特殊地物或地形匹配可能会出现错误，比如：影像中大片纹理不清晰的区域或没有明显特征的区域。如：湖泊、沙漠和雪山等区域可能会出现大片匹配不好的点，需要对其进行手工编辑；由于影像被遮盖和阴影等原因，使得匹配点不在正确的位置上，需要对其进行手工编辑；城市中的人工建筑物，山区中的树林等影像，它们的匹配点不是地面上的点，而是地物表面上的点，需要对其进行手工编辑；大面积平地、沟渠和比较破碎的地貌等区域的影像，需要对其进行手工编辑。匹配结果会影响以后生成的DEM的质量，所以进行匹配结果编辑是很有必要的，实习过程如图17所示。

5． DEM、DOM与等高线等数字产品的生成数字地面高程模型（DEM）：数字地面（高程）模型(Digital Elevation Model)；数字正射影像（DOM）：数字正射影像模型(Digital Ortho-Image Model)；

VirtuoZo 系统根据影像匹配后产生的视差数据、定向处理后得到的结果参数以及用户为建立 DEM 所定义的参数等，自动建立 DEM。VirtuoZo提供两种生成数字地面高程模型的方法。

（1）直接利用编辑好的匹配结果生成地面高程模型，如图20所示。（2）进入DEMMaker模块，利用特征点、线、面构成三角网，内插生成DEM，如图21所示。

数字地面高程模型（DEM）是制作正射影像的基础。当DEM 建立后，既可自动内插生成相应的等高线影像。也可以进行正射影像（DOM）的生成，利用上面生成的单模型的DEM生成该模型的正射影像。

6．基于立体影像的数字化测图（IGS数字测图）

交互式数字影像测图系统（Interactive Graphics System，IGS）是利用计算机代替解析测图仪、用数字影像代替模拟像片、用数字光标代替光学光标，直接在计算机上进行数字化测图的作业方法。在立体或正射影像上进行地物数据采集和编辑，生成数字测图文件（*.xyz），在匹配预处理中被叠加到了立体影像上，然后参与影像匹配，设置作业环境，就可进行地物量测和图素编辑等。

7．多个模型的拼接、成果图输出

一个测区不只有一个模型，它可能是有很多模型组成的，前六部分的处理均是单模型处理，我们可以得到每个模型的DEM、DOM、等高线等成果。要得到整个测区的成果数据，还需要进行拼接操作。

四．实验总结

总体来说，通过几次的上机实验，熟悉了VirtuoZo软件的基本功能，对于图象的内定向相对定向以及绝对定向有一个明确的认识，同时学会了立体测图的操作过程。经过实验和考核，意识到要较好的完成该实验，准备工作即控制到的采集和测量至关重要，因为控制点的数据

质量好坏直接决定相对定向的残差结果。上机操作过程中，操作步骤要明确并且不能随意颠倒，否则可能出错或者达不到想要的结果。在考核的时候也是做了很多次才成功，每次都是换了电脑就不行了。原因就是自己对于步骤的顺序不够仔细不够熟练，所以会出现许多未预料的错误。

第三篇：三维数字城市管理平台系统实践论文

基础空间数据作为社会发展中基础性、关键性战略资源，为政府管理辅助决策等方面提供了资源保障，在政府部门信息系统建设中发挥了巨大作用［１］。但是，随着“数字城市”建设的推进，随着公共安全、应急联动等对基础空间信息的保障能力提出新要求，目前共享方式已不能满足需要［２］，建设三维数字城市，不仅大幅提升城市基础数据的开发利用水平，而且对政府部门间、不同行业的信息资源共享服务应用具有重要的借鉴价值［３］。

１建设意义

该项目的实施建设：不仅有利于提升整个城市的综合实力，而且有利于城市经济运作与国际市场协调，是推动改革的重要举措［４］。能实现对城市地理空间信息资源的合理规划和有效管理。能彻底改善“信息孤岛”现象。能较好实现各类地理空间数据的整合，维护更新现势数据。将在土地利用动态监测、农业、林业、防汛防灾、城市规划乃至日常生活等领域具有广泛应用前景。

２系统建设目标

系统的建设目标：“数字城市”是一个由多种高新技术支持的计算机网络信息系统。它不仅能在计算机上建立虚拟城市，更主要的是能促使城市不同部门、层次之间的信息共享，减少资源的浪费和功能重叠，进而从宏观全局的角度制定城市规划和管理的整体战略［５］。“数字城市”的基本内涵包括以下几个方面：城市信息资源的开发与应用；城市信息基础设施建设；城市信息技术的开发与信息产业的发展；城市信息化的标准、规范与法规的制定；信息人才的培养与信息知识的普及。

３系统体系架构

系统的整体体系结构遵循三层架构体系，包括数据层、逻辑层和应用层３个应用层次。采用Ｂ／Ｓ结构的组织模式，为政府提供对多种数据等的管理，系统采用ＡｒｃＳｅｒｖｅｒ为ＧＩＳ平台，Ｏｒａｃｌｅ为数据库服务器，利用多种软件技术，实现对国土规划数据、安全生产数据等的显示、查询、统计等功能，为城市规划管理工作提供支撑。总体结构图如图１所示：数据库层：为系统提供基本的数据服务。逻辑层：包括ＧＩＳ服务层和系统功能层２个层：ＧＩＳ服务层提供底层ＧＩＳ管理服务；系统功能层在开发接口之上封装一套统一开发接口，实现对底层数据的访问。应用层：此层是系统主要应用模块，用户通过桌面访问系统数据，进行查询、统计分析等工作。

４系统功能设计与实现

系统要为政府网络办公和对外服务提供应用，大部分用户通过浏览器来应用系统，政府管理员使用桌面系统维护系统数据。系统运行网络架构如图２所示。根据系统的设计目标和用户需求，三维数字城市平台由三大子系统组成：三维展示子系统、数据管理子系统和共享服务子系统。系统主要通过局域网及专网实现信息共享，满足市政府对三维数字城市平台的数据访问及编辑的要求。

４．１三维展示子系统

三维展示子系统根据用户的需求，设计了系统登录、图层控制、专题应用、空间分析、路径浏览、视图工具、信息查询等功能模块。图层控制：能够对图层的分类、顺序、是否可见等内容进行管理。空间分析：包括量测、通视分析、填挖分析、淹没分析等分析功能。路径浏览：包括地面浏览、航空浏览等功能。视图工具：包括双屏联动（如图３所示）、地形编辑、影像影藏等功能。信息查询：包括关键字查询、、空间查询等功能。辅助工具：包括热点添加、数据导入、方向指北等功能。

４．２共享服务子系统

（１）数据服务接口。提供有关的地理空间数据服务接口，将基础地理信息数据库中的ＤＬＧ，ＤＯＭ，ＤＥＭ，电子地图、多媒体数据、三维模型数据、兴趣点等基础空间数据、元数据等发布成符合ＸＭＬ，ＷＭＳ，ＷＦＳ等标准的数据服务接口，可同时为多个部门的应用提供数据共享服务，达到数据统一更新、实时发布的目标。（２）基础地理信息共享服务模式。由于委办局众多，各委办局对基础地理信息的数据需求、应用系统的开发模式均各不相同，平台提供４种共享模式。通过数据接口，直接在线访问的数据模式；基于服务的空间数据共享模式；基于图片的空间数据共享模式；通过介质拷贝，提供特殊需求的部门服务。

４．３数据管理子系统

提供海量影像数据和ＤＥＭ数据的合成工具，可生成三维平台中的应用场景。在三维平台后续实际应用中，使用合成工具可方便完成影像数据和ＤＥＭ数据的更新。

４．４系统实现主界面图

根据设计要求，系统最终主界面如图４所示。５结语三维数字城市管理平台的建设为改善政府部门的办事方式和工作效率提供了有利的平台。该文详细介绍了系统的体系架构、网络架构和系统的功能模型设计，并将最终的实现页面进行了展示，为类似系统的建设提供了参考。但功能方面还有些不足，将在以后的建设中逐步完善。

第四篇：乳腺超声影像报告和数据管理系统

乳腺超声影像报告和数据管理系统（BI-RADS）

（一）ACR BI-RADS分类术语

A、背景回声

1、均匀的脂肪背景回声；

2、均匀的纤维腺体背景回声；

3、不均质的回声 B、形态

1、圆形；

2、软圆形；

3、不规则（为分叶>3个）C、位向

1、平行；

2、不平行（纵横比>1）

D、边缘

1、光整；

2、边缘不光整（模糊、成角、微分叶、毛刺）E、回声类型描述

1、无回声没有内部回声

2、高回声高于皮下脂肪组织或等于纤维组织的回声

3、混合性回声包含无回声和有回声成分

4、低回声低于皮下脂肪组织的回声（例如复杂囊肿或纤维瘤）

5、等回声与皮下脂肪组织回声相等（复杂囊肿和纤维腺瘤可以为低或等回声）

6、不均质实质病变内多种回声结构

F、后方回声

1、后方回声无特征（无声影，也无增强）；

2、增强；

3、声影；

4、混合模式（包括声影和增强两种）

G、钙化

1、粗钙化（直径≧0.5mm）

2、微钙化（直径＜0.5mm）

1、病灶内；

2、病灶外；

3、导管内 H、结构扭曲

I、导管变化管径异常或/和树状状扩张

（二）分类标准

恶性指标：（1）形态不规则；（2）方位不平行于皮肤，即“高大于宽”的立卵形；（3）边缘不光整（模糊、成角、微分叶、毛刺）；（4）内部回声不均匀；（5）肿物内微小钙化灶；（6）后方回声衰减;（7）结构扭曲；（8）导管扩张

BI-RADS 4A: 1项 4B:2项 4C:3项 5：>3项

（三）分类诊断：

1类: 未见异常。超声表现：乳腺腺体内未见肿块、无结构异常及微钙化灶，腺体表面皮肤及皮下软组织未见增厚。其实，要包括四项内容。

2类: 良性改变，建议定期随访（如每年1次）。超声表现：单纯性囊肿，腺体内的淋巴结，乳房假体植入术后，经长期超声随访没有变化的纤维腺瘤、术后瘢痕等。其实，包括特殊情况和长期随访没有改变的情况。3类：良性疾病可能，恶性的风险小于2%，需要缩短随访周期（如3～6个月1次）。超声表现：边

界清晰，形态规则，肿物轴向呈水平位的类似于纤维腺瘤声像图表现的肿块。还包括：不可触及的复杂囊肿，成簇的小囊肿。短期随访正逐渐成为处理的的策略。其实质：（1）边界清晰；（2）形态规则；（3）肿块轴向呈水平位；（4）实质性病变；（5）无回声或低回声伴后方回声增强。

4类: 可疑恶性,应考虑活检。此级病灶有癌的可能性3%－94%。

4A类：恶性可能性小（3%-10%），但需要组织学检查进行确诊的病变。活检结果为良性是预料之中，活检后可进行6个月或常规随访。

4B类：恶性可能性(10%-50%)。活检后病理学结果需与影像学进行严格对照和谨慎处理。若病理证实为高危病变，可能需进行进一步处理，如切除活检。

4C类：具有中等度恶性可能性但不具有典型恶性表现的病变(50%-94%)。病理结果为恶性是预料之中；若为良性，提示可能存在影像-病理不符合的情况，应当促使病理或临床医生对该病变进一步进行评估或处理。超声表现绝大部分纤维腺瘤和其他良性病变的的实质性肿块都包括在该级。其实质是非3类病变，且具有5类的超声征象之一。

5类：提示高度怀疑恶性。超声发现的归入该级的病变有95%或更高的恶性危险。

纳入该级的超声表现为形态不规则或呈“高大于宽”的立卵形,边缘毛刺状，周边增厚声晕，内部回声为低回声，肿物内有微小钙化灶，后方回声衰减。

6类: 病理活检证实为恶性,应采取适当的措施。活检证实为恶性的属于该级。

第五篇：数字摄影测量实习报告

数字摄影测量实习报告书

学号：20111000684 班级序号： 113112-05 姓名：舒超指导老师：宋妍成绩：

中国地质大学（武汉）信息工程学院遥感科学技术系

2014年6月

实习一：Moravec算子点特征提取........................................................................................3 1.1 实习目的：....................................................................................................................3 1.2 实习原理：....................................................................................................................3 1.3 实习步骤以及代码分析：............................................................................................3 1.4 结果分析：....................................................................................................................7 实习二：边缘提取算法...........................................................................................................9 2.1 实习目的：....................................................................................................................9 2.2 实习原理：....................................................................................................................9 2.3 实习步骤以及代码：....................................................................................................9 2.4 结果分析：..................................................................................................................11 实习总结.................................................................................................................................12

实习一：Moravec算子点特征提取

1.1 实习目的：

用程序设计语言（VisualC++或者C语言）编写一个完整的提取点特征的程序，通过对提供的图像数据进行特征点提取，输出提取出的点特征坐标。本实验的目的在于让学生深入理解Moravec算子原理。通过上机调试程序加强动手能力的培养，通过对实验结果的分析，增强学生综合运用所学知识解决实际问题的能力。

1.2 实习原理：

Moravec角点检测算法是最早的角点检测算法之一。该算法将角点定义为具有低“自相关性”的点。算法会检测图像的每一个像素，将像素周边的一个邻域作为一个patch，并检测这个patch和周围其他patch的相关性。这种相关性通过两个patch间的平方差之和(SSD)来衡量，SSD值越小则相似性越高。

如果像素位于平滑图像区域内，周围的patch都会非常相似。如果像素在边缘上，则周围的patch在与边缘正交的方向上会有很大差异，在与边缘平行的方向上则较为相似。而如果像素是各个方向上都有变化的特征点，则周围所有的patch都不会很相似。

Moravec会计算每个像素patch和周围patch的SSD最小值作为强度值，取局部强度最大的点作为特征点。

1.3 实习步骤以及代码分析：

步骤流程图如下：

程序实现以及相关关键代码：

voidCMy2010302590183cylView::OnMoravec()//读取图像以及相关算法 { //TODO:Addyourcommandhandlercodehere CMmoravecDlgdlg;dlg.DoModal();CMy2010302590183cylDoc*pDoc=GetDocument();LPSTRm_pDIB=(LPSTR)::GlobalLock((HGLOBAL)pDoc->hdib);//得到句柄内存起始地址存放位图数据hdib句柄变量存放BMP位图 ::GlobalUnlock((HGLOBAL)pDoc->hdib);LPBITMAPINFOm_pBMP;//指向BITMAPINFO结构的指针

m_pBMP=(LPBITMAPINFO)::GlobalLock(pDoc->hdib);//获取指向BITMAPINFO结构的指针

::GlobalUnlock((HGLOBAL)pDoc->hdib);intBitCount=m_pBMP->bmiHeader.biBitCount;DWORDWidth=::DIBWidth(m_pDIB);//获取位图宽 DWORDHeight=::DIBHeight(m_pDIB);//获取位图高

LPBYTElpData=(LPBYTE)::FindDIBBits(m_pDIB);//定义字符指针变量,原位图指针

intWidthBytes=WIDTHBYTES(Width*BitCount);//获取字节 DWORDpixelCount=WidthBytes*Height;

intck1=dlg.c1;intck2=dlg.c2;doubleyz=dlg.m_yuzhi;DWORDr,c;INTh;double*xx=newdouble[Width*Height];intk;k=INT(ck1/2);for(r=ck1/2;r

for(c=ck1/2;c

{

doublemin,v[4]={0.0};

for(h=0;h<=ck1-1;h++)

{

v[0]+=pow((double)(*((BYTE*)(lpData+r*WidthBytes+(c-k+h)))-*((BYTE*)(lpData+(r)*WidthBytes+(c-k+1+h)))),2);//0°方向

v[1]+=pow((double)(*((BYTE*)(lpData+(r-k+h)*WidthBytes+(c+k-h)))-*((BYTE*)(lpData+(r-k+h+1)*WidthBytes+(c+k-h-1)))),2);//45°方向

v[2]+=pow((double)(*((BYTE*)(lpData+(r-k+h)*WidthBytes+(c)))-*((BYTE*)(lpData+(r-k+1+h)*WidthBytes+(c)))),2);//90°方向

v[3]+=pow((double)(*((BYTE*)(lpData+(r-k+h)*WidthBytes+(c-k+h)))-*((BYTE*)(lpData+(r-k+1+h)*WidthBytes+(c-k+h+1)))),2);//135°方向

}

min=min(min(min(v[0],v[1]),v[2]),v[3]);//求出v1,v2,v3,v4中的最小值

if(min>yz)

xx[r*Width+c]=min;

} bool*bMatrix=newbool[Width*Height];memset(bMatrix,0,Width*Height*sizeof(bool));DWORDx,y;doublemax2;boolb=false;inttempX(0),tempY(0);for(x=ck2/2;x

for(y=ck2/2;y

{

max2=0;

for(DWORDm=(x-ck2/2);m<(x+ck2/2);m++)

{

for(DWORDn=(y-ck2/2);n<(y+ck2/2);n++)

if(xx[m*Width+n]>max2)

{

max2=xx[m*Width+n];

tempY=m;

tempX=n;

b=true;

}

if(b)

{ bMatrix[tempY*Width+tempX]=1;}

} }

intsum=0;//特征点总数

for(DWORDi=0;i

for(DWORDj=0;j

{

if(bMatrix[i*Width+j])

{

*((BYTE*)(lpData+i*WidthBytes+j))=0;

*((BYTE*)(lpData+i*WidthBytes+j+1))=0;

*((BYTE*)(lpData+i*WidthBytes+j-1))=0;

*((BYTE*)(lpData+(i+1)*WidthBytes+j))=0;

*((BYTE*)(lpData+(i-1)*WidthBytes+j))=0;

*((BYTE*)(lpData+i*WidthBytes+j+2))=0;

*((BYTE*)(lpData+i*WidthBytes+j-2))=0;

*((BYTE*)(lpData+(i+2)*WidthBytes+j))=0;

*((BYTE*)(lpData+(i-2)*WidthBytes+j))=0;

sum++;

}

} if(sum<4000)

{

CStringstrInfo;

strInfo.Format(“特征点数%dn”,sum);

MessageBox(strInfo,“提示”,MB_OK);

}

else

{

CStringstrInfo;

strInfo.Format(“特征点数较多，请设置合理参数”);

MessageBox(strInfo,“提示”,MB_OK);

}

Invalidate();} 1.4 结果分析：

按照提示，对老师所给数据进行分析，当窗口大小设置为5*5,，阈值设置为5000的时候，对右核线影像进行分析，得到特征点43个，同时图像分析，得出如下结果：

调整阈值和窗口大小，程序能够正常运行，且经过测试，结果精确度有较好的保证。

实习二：边缘提取算法

2.1 实习目的：

熟悉Matlab环境下的编程，熟悉边缘提取算法。

2.2 实习原理：

Sobel算子实现思路如下：对输入图像分别使用水平和垂直模板做卷积计算，对得到的两个处理结果求平方和，该平方和与阈值的平方比较。只有当某点的两种卷积的平方大于阈值的平方，且水平占优（水平模板卷积结果大于垂直模板卷积的结果，且该点的卷积平方大于其左右两点的卷积平方和）或者垂直占优（垂直模板卷积的结果大于水平模板卷积的结果，且该点的卷积平方和大于其上下两点的卷积平方和）时，该点的输出结果为255，否则为0。输出的结果为二值图像。第一行和最后一行本来就是图像边界，不包括可用信息，因此相应的输出为0，按照这个思路课题编写了相应的Sobel算子实现程序

2.3 实习步骤以及代码：

2.4 结果分析：

原图像 sobel边缘提取

实习总结

本次实习过程中，根据自身实际情况，我选择使用vc环境下的编程完成实习，而没有采用Matlab环境下的编程。在实习过程中，我熟悉了sobel算法以及Moravec算子，在程序调试的过程中，我认识到任何算法都有其局限性，比如说本次实习过程中，sobel算子的边缘提取就将许多的噪音提取了出来，导致边缘特征提取的不准确性。本次实习让我认识到了编程能力的重要性，学会编写基本的代码来实现基本的算法，能让我们摆脱软件已有算法的束缚，更多的按照需要来实现一些步骤。

总体来说，本次实习还是很成功的，让我认识到，在以后的学习生活中,我认识到,应该把理论和实践结合起来,多锻炼自己的动手能力,好好把握住每一次实习的机会.