Transformación de radón: Revelando patrones ocultos en datos visuales
Por Fouad Sabry
()
Información de este libro electrónico
¿Qué es la transformada de radón?
En matemáticas, la transformada de radón es la transformada integral que lleva una función f definida en el plano a una función Rf definida en el (dos- dimensional) espacio de líneas en el plano, cuyo valor en una línea particular es igual a la integral de línea de la función sobre esa línea. La transformada fue introducida en 1917 por Johann Radon, quien también proporcionó una fórmula para la transformada inversa. Radon también incluyó fórmulas para la transformación en tres dimensiones, en las que la integral se toma en planos. Posteriormente se generalizó a espacios euclidianos de dimensiones superiores y, más ampliamente, en el contexto de la geometría integral. El análogo complejo de la transformada de radón se conoce como transformada de Penrose. La transformada de radón se aplica ampliamente a la tomografía, la creación de una imagen a partir de los datos de proyección asociados con escaneos transversales de un objeto.
Cómo se beneficiará
(I) Conocimientos y validaciones sobre los siguientes temas:
Capítulo 1: Transformada de radón
Capítulo 2: Transformada de Fourier
Capítulo 3: Bessel función
Capítulo 4: Teorema de convolución
Capítulo 5: Transformada discreta de Fourier
Capítulo 6: Series de Fourier
Capítulo 7: Integración por partes
Capítulo 8: Transformada fraccionaria de Fourier
Capítulo 9: Transformada de Mellin
Capítulo 10: Núcleo de Poisson
(II) Respondiendo a la Principales preguntas del público sobre la transformada de radón.
(III) Ejemplos del mundo real sobre el uso de la transformada de radón en muchos campos.
Para quién es este libro
Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básica para cualquier tipo de Transformación de Radón.
Lee más de Fouad Sabry
Tecnologías Emergentes en Agricultura [Spanish]
Relacionado con Transformación de radón
Títulos en esta serie (100)
Visión estéreo por computadora: Explorando la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVisión por computadora submarina: Explorando las profundidades de la visión por computadora debajo de las olas Calificación: 0 de 5 estrellas0 calificacionesVisión por computador: Explorando las profundidades de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación de Hadamard: Revelando el poder de la transformación de Hadamard en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesRetinax: Revelando los secretos de la visión computacional con Retinex Calificación: 0 de 5 estrellas0 calificacionesEcualización de histograma: Mejora del contraste de la imagen para mejorar la percepción visual Calificación: 0 de 5 estrellas0 calificacionesSistema de gestión de color: Optimización de la percepción visual en entornos digitales Calificación: 0 de 5 estrellas0 calificacionesTransformación de radón: Revelando patrones ocultos en datos visuales Calificación: 0 de 5 estrellas0 calificacionesEn Pintura: Cerrar brechas en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCorrección gamma: Mejora de la claridad visual en la visión por computadora: la técnica de corrección gamma Calificación: 0 de 5 estrellas0 calificacionesReducción de ruido: Mejora de la claridad, técnicas avanzadas para la reducción del ruido en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCompresión de imagen: Técnicas eficientes para la optimización de datos visuales Calificación: 0 de 5 estrellas0 calificacionesHistograma de imagen: Revelando conocimientos visuales, explorando las profundidades de los histogramas de imágenes en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesFunción de combinación de colores: Comprensión de la sensibilidad espectral en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación dura: Revelando la magia de Hough Transform en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDifusión anisotrópica: Mejora del análisis de imágenes mediante difusión anisotrópica Calificación: 0 de 5 estrellas0 calificacionesPercepción visual: Información sobre el procesamiento visual computacional Calificación: 0 de 5 estrellas0 calificacionesModelo de apariencia de color: Comprensión de la percepción y la representación en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo del sistema visual humano: Comprender la percepción y el procesamiento Calificación: 0 de 5 estrellas0 calificacionesHomografía: Homografía: Transformaciones en Visión por Computador Calificación: 0 de 5 estrellas0 calificacionesMapeo de tonos: Mapeo de tonos: perspectivas iluminadoras en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo de color: Comprensión del espectro de la visión por computadora: exploración de modelos de color Calificación: 0 de 5 estrellas0 calificacionesTransformacion afin: Desbloqueo de perspectivas visuales: exploración de la transformación afín en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesLeast Squares: Técnicas de optimización para visión por computadora: métodos de mínimos cuadrados Calificación: 0 de 5 estrellas0 calificacionesJoint Photographic Experts Group: Liberando el poder de los datos visuales con el estándar JPEG Calificación: 0 de 5 estrellas0 calificacionesContorno activo: Avances en la visión por computadora con técnicas de contorno activo Calificación: 0 de 5 estrellas0 calificacionesPerfil de color: Explorando la percepción y el análisis visual en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación de característica invariante de escala: Revelando el poder de la transformación de características invariantes de escala en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDetección de contorno: Revelando el arte de la percepción visual en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDetector de bordes astuto: Revelando el arte de la percepción visual Calificación: 0 de 5 estrellas0 calificaciones
Libros electrónicos relacionados
Campo de movimiento: Explorando la dinámica de la visión por computadora: campo de movimiento revelado Calificación: 0 de 5 estrellas0 calificacionesHomografía: Homografía: Transformaciones en Visión por Computador Calificación: 0 de 5 estrellas0 calificacionesMétodo de ajuste de nivel: Avances en la visión por computadora, exploración del método de conjunto de niveles Calificación: 0 de 5 estrellas0 calificacionesInterpolación bilineal: Mejora de la resolución y claridad de la imagen mediante interpolación bilineal Calificación: 0 de 5 estrellas0 calificacionesCorrelación cruzada: Desbloqueo de patrones en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformacion afin: Desbloqueo de perspectivas visuales: exploración de la transformación afín en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráficos por computadora de radiosidad: Avances en la visualización a través de la radiosidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación lineal directa: Aplicaciones prácticas y técnicas en visión por computadora. Calificación: 0 de 5 estrellas0 calificacionesGráficos por computadora bidimensionales: Explorando el ámbito visual: gráficos por computadora bidimensionales en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelado y renderizado basado en imágenes: Explorando el realismo visual: técnicas en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo de cámara estenopeica: Comprender la perspectiva a través de la óptica computacional Calificación: 0 de 5 estrellas0 calificacionesSuperficie procesal: Explorando la generación y el análisis de texturas en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTensor trifocal: Explorando la profundidad, el movimiento y la estructura en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEjercicios de Funciones de Variables Múltiples Calificación: 0 de 5 estrellas0 calificacionesModelo de reflexión de Phong: Comprender las interacciones de la luz en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEjercicios de Formas Diferenciales Calificación: 0 de 5 estrellas0 calificacionesMomentos de velocidad: Capturando la dinámica: conocimientos sobre la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesIntroducción al Análisis Matemático Avanzado Calificación: 0 de 5 estrellas0 calificacionesAproximaciones de pi Usando Python y Numpy Calificación: 0 de 5 estrellas0 calificacionesEl Libro de Matemática: Volumen 2 Calificación: 0 de 5 estrellas0 calificacionesTransformación dura: Revelando la magia de Hough Transform en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesAjuste del paquete: Optimización de datos visuales para una reconstrucción precisa Calificación: 0 de 5 estrellas0 calificacionesAlgoritmo de la línea de Bresenham: Representación eficiente de líneas con píxeles perfectos para visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEl Libro de Matemática: Volumen 3 Calificación: 0 de 5 estrellas0 calificacionesFlujo óptico: Explorando patrones visuales dinámicos en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráficos de trazado de rayos: Explorando la representación fotorrealista en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCampo aleatorio de Markov: Explorando el poder de los campos aleatorios de Markov en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráficos por computadora de vértice: Explorando la intersección de los gráficos por computadora Vertex y la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEjercicios de Análisis Complejo Calificación: 0 de 5 estrellas0 calificacionesEjercicios de Integrales y Ecuaciones Integrales-Diferenciales Calificación: 0 de 5 estrellas0 calificaciones
Inteligencia (IA) y semántica para usted
El mito de la inteligencia artificial: Por qué las máquinas no pueden pensar como nosotros lo hacemos Calificación: 5 de 5 estrellas5/5El poder de las imagenes, la palabra no tiene poder Calificación: 0 de 5 estrellas0 calificacionesCómo Ganar Dinero por Internet con Inteligencia Artificial Emprende tu negocio digital con ChatGPT, Escríbelo.ia, Playground AI, You.com, Canva, Midjourney, Dall-E 2, Amazon... Calificación: 0 de 5 estrellas0 calificacionesCómo usar Chatgpt para tu negocio Calificación: 0 de 5 estrellas0 calificacionesEl imperio de los algoritmos: IA inclusiva, ética y al servicio de la humanidad Calificación: 0 de 5 estrellas0 calificacionesSobreviviendo a la IA Calificación: 3 de 5 estrellas3/5Desarrollo de aplicaciones C#: con Visual Studio .NET Curso práctico Calificación: 0 de 5 estrellas0 calificacionesChat GPT-4 para Principiantes: Chat GPT, #1 Calificación: 0 de 5 estrellas0 calificacionesInteligencia artificial: con aplicaciones a la ingeniería Calificación: 0 de 5 estrellas0 calificacionesFundamentos de Programación: Diagramas de flujo, Diagramas N-S, Pseudocódigo y Java Calificación: 0 de 5 estrellas0 calificacionesANDROID: Aprende desde cero a crear aplicaciones Calificación: 0 de 5 estrellas0 calificacionesGuíaBurros: Inteligencia Artificial: Su lado oscuro y el fin del principio Calificación: 0 de 5 estrellas0 calificacionesDominando ChatGPT: Desbloquea el poder de la IA para mejorar la comunicación y las relaciones: Spanish Calificación: 3 de 5 estrellas3/5¿Cómo piensan las máquinas?: Inteligencia artificial para humanos Calificación: 5 de 5 estrellas5/5Programación de Inteligencia Artificial. Curso Práctico Calificación: 0 de 5 estrellas0 calificacionesArquitectura de computadoras Calificación: 0 de 5 estrellas0 calificacionesDiseño de algoritmos y su programación en C Calificación: 0 de 5 estrellas0 calificacionesInteligencia artificial: Una exploración filosófica sobre el futuro de la mente y la conciencia Calificación: 4 de 5 estrellas4/5Introducción a la Ingeniería Industrial Calificación: 0 de 5 estrellas0 calificacionesMonetización de ChatGPT: aproveche el poder de AI: Spanish Calificación: 1 de 5 estrellas1/5Estructuras de Datos Básicas: Programación orientada a objetos con Java Calificación: 5 de 5 estrellas5/5Inteligencia artificial: la cuarta revolución industrial Calificación: 0 de 5 estrellas0 calificacionesMecatrónica Calificación: 0 de 5 estrellas0 calificacionesKlara y el Sol Calificación: 5 de 5 estrellas5/5Python fácil Calificación: 4 de 5 estrellas4/5Aprendizaje automático y profundo en python: Una mirada hacia la inteligencia artificial Calificación: 0 de 5 estrellas0 calificacionesLaravel: Curso práctico de formación Calificación: 0 de 5 estrellas0 calificacionesResumen CHAT GPT IA Revolución en 2023: Guía de la Tecnología CHAT GPT y su Impacto Social: Resumen Tecnológico, #1 Calificación: 0 de 5 estrellas0 calificaciones
Comentarios para Transformación de radón
0 clasificaciones0 comentarios
Vista previa del libro
Transformación de radón - Fouad Sabry
Capítulo 1: Transformada de radón
Para cada función f definida en el plano, la transformada de Radón la asigna a una función Rf definida en el espacio (bidimensional) de líneas en el plano, donde el valor de Rf en cualquier línea dada es la integral de línea de f en esa línea. Johann Radon describió por primera vez la transformada en 1917 y también dio una fórmula para su inversa. La integral se evalúa sobre planos, como se ve en las fórmulas de transformación tridimensional de Radon (la integración sobre líneas se conoce como transformada de rayos X). Con el tiempo se extendió fuera del ámbito de la geometría integral y a los espacios euclidianos de dimensiones superiores. La transformada de Penrose es la versión sofisticada de la transformada de Radon. En tomografía, donde una imagen se reconstruye a partir de datos de proyección asociados con escaneos transversales de un objeto, la transformada de radón se usa comúnmente.
Si una función f representa una densidad desconocida, cuando se completa un escaneo tomográfico, los datos de proyección se representan mediante la transformada de Radon.
Dado que la transformada de radón puede invertirse, la densidad original se puede reconstruir a partir de los datos de proyección, lo que proporciona la base matemática para la reconstrucción tomográfica, de manera similar a la técnica de reconstrucción iterativa.
Dado que la transformada de radón de una fuente puntual no centroidal es una sinusoide, los datos resultantes a menudo se denominan sinograma. Como resultado, la transformada de radón de una colección de objetos pequeños se parece a un montón de ondas sinusoidales difuminadas de diferentes amplitudes y fases en un diagrama.
La transformada de radón tiene aplicaciones en sismología de reflexión, tomografía axial computarizada (TAC), microscopía electrónica de ensamblajes macromoleculares, incluidos virus y complejos proteicos, y la solución de ecuaciones diferenciales parciales hiperbólicas.
Sea {\displaystyle f({\textbf {x}})=f(x,y)} una función que satisfaga las tres condiciones de regularidad:
{\displaystyle f({\textbf {x}})} es continua; la integral doble, {\displaystyle \iint {\dfrac {\vert f({\textbf {x}})\vert }{\sqrt {x^{2}+y^{2}}}}\,dx\,dy} que cubre todo el suelo, converge; para cualquier punto arbitrario (x,y) en el plano sostiene que
{\displaystyle \lim _{r\to \infty }\int _{0}^{2\pi }f(x+r\cos \varphi ,y+r\sin \varphi )\,d\varphi =0.}Cambiando a una matriz de radón, Rf , es una función definida en el espacio de líneas rectas {\displaystyle L\subset \mathbb {R} ^{2}} por la integral de línea a lo largo de cada recta como:
{\displaystyle Rf(L)=\int _{L}f(\mathbf {x} )\vert d\mathbf {x} \vert .}Concretamente, la parametrización de cualquier línea recta L con respecto a la longitud del arco z siempre se puede escribir:
{\displaystyle (x(z),y(z))={\Big (}(z\sin \alpha +s\cos \alpha ),(-z\cos \alpha +s\sin \alpha ){\Big )}\,}donde s es la distancia de L desde el origen y \alpha es el ángulo que el vector normal hace con L el X eje -.
De ello se deduce que las cantidades {\displaystyle (\alpha ,s)} pueden considerarse como coordenadas en el espacio de todas las rectas de \mathbb {R} ^{2} , En estos ejes, la transformada de Radón se define como:
{\displaystyle {\begin{aligned}Rf(\alpha ,s)&=\int _{-\infty }^{\infty }f(x(z),y(z))\,dz\\&=\int _{-\infty }^{\infty }f{\big (}(z\sin \alpha +s\cos \alpha ),(-z\cos \alpha +s\sin \alpha ){\big )}\,dz.\end{aligned}}}De manera más general, en el n espacio euclidiano -dimensional \mathbb {R} ^{n} , la transformada de Radón de una función f que satisface las condiciones de regularidad es una función Rf en el espacio \Sigma _{n} de todos los hiperplanos en \mathbb {R} ^{n} .
En pocas palabras:
{\displaystyle Rf(\xi )=\int _{\xi }f(\mathbf {x} )\,d\sigma (\mathbf {x} ),\quad \forall \xi \in \Sigma _{n}}cuando la integral se hace en términos de la medida de las hipersuperficies naturales, d\sigma (generalizando el {\displaystyle \vert d\mathbf {x} \vert } término a partir del 2 caso -dimensional).
Obsérvese que cualquier elemento de \Sigma _{n} se caracteriza como el lugar geométrico de la solución de una ecuación \mathbf {x} \cdot \alpha =s , donde {\displaystyle \alpha \in S^{n-1}} es un vector unitario y {\displaystyle s\in \mathbb {R} } .
Por lo tanto, la n transformada de radón -dimensional se puede reescribir como una función a través de {\displaystyle S^{n-1}\times \mathbb {R} } :
{\displaystyle Rf(\alpha ,s)=\int _{\mathbf {x} \cdot \alpha =s}f(\mathbf {x} )\,d\sigma (\mathbf {x} ).}También es posible generalizar aún más la transformada de Radón integrando en su lugar k subespacios afines sobredimensionales de \mathbb {R} ^{n} .
Una aplicación común de este marco es la transformada de rayos X, y mediante la integración a lo largo de líneas curvas.
Existe una estrecha relación entre la transformada de Radón y la transformada de Fourier. La transformada de Fourier de una sola variable se define como:
{\displaystyle {\hat {f}}(\omega )=\int _{-\infty }^{\infty }f(x)e^{-2\pi ix\omega }\,dx.}Para una función de un 2 vector \mathbf {x} =(x,y) , la transformada de Fourier en una dimensión:
{\displaystyle {\hat {f}}(\mathbf {w} )=\iint _{\mathbb {R} ^{2}}f(\mathbf {x} )e^{-2\pi i\mathbf {x} \cdot \mathbf {w} }\,dx\,dy.}Para mayor comodidad, denote {\displaystyle {\mathcal {R}}_{\alpha }[f](s)={\mathcal {R}}[f](\alpha ,s)} .
Como corolario, el teorema del slice de Fourier establece:
{\displaystyle {\widehat {{\mathcal {R}}_{\alpha }[f]}}(\sigma )={\hat {f}}(\sigma \mathbf {n} (\alpha ))}Dónde \mathbf {n} (\alpha )=(\cos \alpha ,\sin \alpha ).
Por lo tanto, la transformada de Fourier bidimensional de la función inicial a lo largo de una línea en el ángulo de inclinación \alpha es la única transformada de Fourier variable de la transformada de Radón (adquirida en el ángulo \alpha ) de esa función.
La transformada de radón y su inversa se pueden calcular utilizando esta información.
Este hallazgo es n-dimensionalmente generalizable:
{\displaystyle {\hat {f}}(r\alpha )=\int _{\mathbb {R} }{\mathcal {R}}f(\alpha ,s)e^{-2\pi isr}\,ds.}Un adjunto a la transformada de radón es la transformada dual de radón.
Comenzando con una función g en el espacio \Sigma _{n} , la transformada dual de Radón es la función {\displaystyle {\mathcal {R}}^{*}g} en Rn definida por:
{\displaystyle {\mathcal {R}}^{*}g(\mathbf {x} )=\int _{\mathbf {x} \in \xi }g(\xi )\,d\mu (\xi ).}La integral aquí se toma sobre el conjunto de todos los hiperplanos incidentes con el punto {\displaystyle {\textbf {x}}\in \mathbb {R} ^{n}} , y la medida d\mu es la medida de probabilidad única en el conjunto {\displaystyle \{\xi |\mathbf {x} \in \xi \}} invariante bajo rotaciones alrededor del punto \mathbf {x} .
En particular, la transformada dual de la transformada de Radón en dimensión dos viene dada por:
{\displaystyle {\mathcal {R}}^{*}g(\mathbf {x} )={\frac {1}{2\pi }}\int _{\alpha =0}^{2\pi }g(\alpha ,\mathbf {n} (\alpha )\cdot \mathbf {x} )\,d\alpha .}Dado que la transformación dual difumina
o proyecta
una función especificada en cada línea del plano sobre la línea para crear una imagen, a menudo se la denomina retroproyección
en el campo del procesamiento de imágenes.
Denotemos \Delta el laplaciano en \mathbb {R} ^{n} definido por:
{\displaystyle \Delta ={\frac {\partial ^{2}}{\partial x_{1}^{2}}}+\cdots +{\frac {\partial ^{2}}{\partial x_{n}^{2}}}}Se trata de un operador diferencial de segundo orden que es rotacionalmente invariante por definición.
En \Sigma _{n} , la segunda derivada radial
Lf(\alpha ,s)\equiv {\frac {\partial ^{2}}{\partial s^{2}}}f(\alpha ,s) también es rotacionalmente invariante.
Para estos dos operadores diferenciales, la transformada de radón y su dual son operadores acoplados en el sentido de que:
{\displaystyle {\mathcal {R}}(\Delta f)=L({\mathcal {R}}f),\quad {\mathcal {R}}^{*}(Lg)=\Delta ({\mathcal {R}}^{*}g).}La representación traslacional de Lax y Philips se basa en la propiedad de entrelazamiento, que es útil para analizar soluciones a la ecuación de onda en un espacio superior a la tridimensional. Esto se utiliza como una técnica de división dimensional para simplificar problemas multidimensionales en unidimensionales.
El proceso de reconstrucción produce la imagen (o función f de la sección anterior) a partir de sus datos de proyección.
Problemas inversos como la reconstrucción.
Para la situación simple de dos dimensiones, la fórmula analítica más utilizada para recuperarse f de su transformada de radón es la fórmula de retroproyección filtrada o fórmula de inversión de radón:
{\displaystyle f(\mathbf {x} )=\int _{0}^{\pi }({\mathcal {R}}f(\cdot ,\theta )*h)(\left\langle \mathbf {x} ,\mathbf {n} _{\theta }\right\rangle )\,d\theta }donde h es tal que {\displaystyle {\hat {h}}(k)=|k|} .
El kernel de convolución h se conoce como filtro de rampa en cierta literatura.
Intuitivamente, la fórmula para la retroproyección filtrada, similar a cómo funciona la diferenciación, para la cual {\textstyle \left({\widehat {{\frac {d}{dx}}f}}\right)\!(k)=ik{\widehat {f}}(k)} , el filtro parece estar llevando a cabo una función análoga a una derivada.
A grandes rasgos, entonces, el filtro le da a todo una identidad más distinta.
La inversión del radón se afirma cuantitativamente que está mal planteada de la siguiente manera:
{\displaystyle {\widehat {{\mathcal {R}}^{*}{\mathcal {R}}g}}(k)={\frac {1}{\|\mathbf {k} \|}}{\hat {g}}(\mathbf {k} )}donde {\displaystyle {\mathcal {R}}^{*}} es el adjunto previamente definido a la Transformada de Radon.
Por lo tanto, para {\displaystyle g(\mathbf {x} )=e^{i\left\langle \mathbf {k} _{0},\mathbf {x} \right\rangle }} , tenemos:
{\displaystyle {\mathcal {R}}^{*}{\mathcal {R}}g={\frac {1}{\|\mathbf {k_{0}} \|}}e^{i\left\langle \mathbf {k} _{0},\mathbf {x} \right\rangle }}El exponencial complejo {\displaystyle e^{i\left\langle \mathbf {k} _{0},\mathbf {x} \right\rangle }} es, por lo tanto, una función propia de {\displaystyle {\mathcal {R}}^{*}{\mathcal {R}}} con valor propio {\textstyle {\frac {1}{\|\mathbf {k} _{0}\|}}} .
Por lo tanto, los valores singulares de {\mathcal {R}} son {\textstyle {\frac {1}{\sqrt {\|\mathbf {k} \|}}}} .
Dado que estos valores singulares tienden a {\displaystyle 0} , {\displaystyle {\mathcal {R}}^{-1}} no está acotado.
La reconstrucción iterativa es más intensiva desde el punto de vista computacional que el enfoque de retroproyección filtrada, lo que limita su uso. Sin embargo, en presencia de discontinuidad o ruido, el enfoque de retroproyección filtrada puede ser inviable debido a la mala posición de la inversión de radón. Muchos investigadores están interesados en los métodos de reconstrucción iterativa (como la varianza mínima asintótica dispersa iterativa) porque tienen el potencial de reducir los artefactos metálicos, el ruido y la dosis en la salida reconstruida.
La transformada de radón y sus fórmulas de inversión homólogas están disponibles y son explícitas y computacionalmente eficientes.
La transformada de radón en n dimensiones se puede invertir mediante la fórmula:
{\displaystyle c_{n}f=(-\Delta )^{(n-1)/2}R^{*}Rf\,}donde {\displaystyle c_{n}=(4\pi )^{(n-1)/2}{\frac {\Gamma (n/2)}{\Gamma (1/2)}}} , y la potencia del laplaciano {\displaystyle (-\Delta )^{(n-1)/2}} se define como un operador pseudo-diferencial si es necesario por la transformada de Fourier:
{\displaystyle \left[{\mathcal {F}}(-\Delta )^{(n-1)/2}\varphi \right](\xi )=|2\pi \xi |^{n-1}({\mathcal {F}}\varphi )(\xi ).}Computación basada en la lógica, el poder del laplaciano se conmuta con la transformada dual R^{*} para dar:
{\displaystyle c_{n}f={\begin{cases}R^{*}{\frac {d^{n-1}}{ds^{n-1}}}Rf&n{\text{ odd}}\\R^{*}{\mathcal {H}}_{s}{\frac {d^{n-1}}{ds^{n-1}}}Rf&n{\text{ even}}\end{cases}}}donde {\displaystyle {\mathcal {H}}_{s}} es la transformada de Hilbert con respecto a la variable s.
Usando solo dos ejes, el operador {\displaystyle {\mathcal {H}}_{s}{\frac {d}{ds}}} aparece en el procesamiento de imágenes como un filtro de rampa.
Se puede probar directamente a partir del teorema del slice de Fourier y el cambio de