라돈 변환: 시각적 데이터에 숨겨진 패턴 밝히기
By Fouad Sabry
()
About this ebook
라돈 변환이란 무엇입니까
수학에서 라돈 변환은 평면에 정의된 함수 f를 (2- 평면에 정의된 함수 Rf로 취하는 적분 변환입니다. 차원) 평면의 선 공간. 특정 선에서의 값은 해당 선에 대한 함수의 선 적분과 같습니다. 이 변환은 1917년 요한 라돈(Johann Radon)에 의해 도입되었으며, 그는 역변환에 대한 공식도 제공했습니다. 라돈은 3차원 변환을 위한 공식을 추가로 포함했는데, 여기서 적분은 평면에 적용됩니다. 이것은 나중에 더 높은 차원의 유클리드 공간으로 일반화되었고, 적분 기하학의 맥락에서 더 광범위하게 일반화되었습니다. 라돈 변환의 복잡한 아날로그는 펜로즈 변환으로 알려져 있습니다. 라돈 변환은 물체의 단면 스캔과 관련된 투영 데이터로부터 이미지를 생성하는 단층촬영에 널리 적용할 수 있습니다.
혜택을 받는 방법
(I) 다음 주제에 대한 통찰 및 검증:
1장: 라돈 변환
2장: 푸리에 변환
3장: 베셀 함수
4장: 컨볼루션 정리
5장: 이산 푸리에 변환
6장: 푸리에 급수
7장: 적분 부분
8장: 분수 푸리에 변환
9장: 멜린 변환
10장: 포아송 커널
(II) 라돈 변환에 관한 대중의 주요 질문입니다.
(III) 다양한 분야에서 라돈 변환을 사용하는 실제 사례입니다.
이 책의 대상
전문가, 학부 및 대학원생, 열성팬, 취미생활자 및 모든 종류의 라돈 변환에 대한 기본 지식이나 정보를 넘어서고 싶은 사람들.
Read more from Fouad Sabry
군사 분야의 신기술 [Korean]
Related to 라돈 변환
Titles in the series (100)
호모그래피: 호모그래피: 컴퓨터 비전의 변화 Rating: 0 out of 5 stars0 ratings컴퓨터 시각 인식: 컴퓨터 비전의 깊이 탐구 Rating: 0 out of 5 stars0 ratings톤 매핑: 톤 매핑: 컴퓨터 비전의 관점 밝히기 Rating: 0 out of 5 stars0 ratings라돈 변환: 시각적 데이터에 숨겨진 패턴 밝히기 Rating: 0 out of 5 stars0 ratings소음 감소: 선명도 향상, 컴퓨터 비전의 노이즈 감소를 위한 고급 기술 Rating: 0 out of 5 stars0 ratings히스토그램 균등화: 향상된 시각적 인식을 위한 이미지 대비 향상 Rating: 0 out of 5 stars0 ratings가장자리 감지: 컴퓨터 비전의 경계 탐색 Rating: 0 out of 5 stars0 ratings이방성 확산: 이방성 확산을 통한 이미지 분석 향상 Rating: 0 out of 5 stars0 ratings이미지 히스토그램: 시각적 통찰력 공개, 컴퓨터 비전의 이미지 히스토그램 깊이 탐색 Rating: 0 out of 5 stars0 ratings레티넥스: 레티넥스 를 통해 컴퓨팅 비전의 비밀을 밝히다 Rating: 0 out of 5 stars0 ratings수중 컴퓨터 비전: 파도 밑에서 컴퓨터 비전의 깊이 탐구 Rating: 0 out of 5 stars0 ratings자동 광학 검사: 컴퓨터 비전 기술의 발전 Rating: 0 out of 5 stars0 ratings얼룩 감지: 시각적 데이터의 패턴 공개 Rating: 0 out of 5 stars0 ratings이미지 압축: 시각적 데이터 최적화를 위한 효율적인 기술 Rating: 0 out of 5 stars0 ratings컴퓨터 스테레오 비전: 컴퓨터 비전의 깊이 인식 탐구 Rating: 0 out of 5 stars0 ratings허프 변환: 컴퓨터 비전에서 Hough 변환의 마법 공개 Rating: 0 out of 5 stars0 ratings컬러 모델: 컴퓨터 비전의 스펙트럼 이해: 색상 모델 탐색 Rating: 0 out of 5 stars0 ratings활성 윤곽: 능동 윤곽 기술을 통한 컴퓨터 비전의 발전 Rating: 0 out of 5 stars0 ratings감마 보정: 컴퓨터 비전의 시각적 선명도 향상: 감마 보정 기술 Rating: 0 out of 5 stars0 ratings번들 조정: 정확한 재구성을 위한 시각적 데이터 최적화 Rating: 0 out of 5 stars0 ratings컬러 매칭 기능: 컴퓨터 비전의 스펙트럼 감도 이해 Rating: 0 out of 5 stars0 ratings적응형 필터: 적응 필터링을 통해 컴퓨터 비전 향상 Rating: 0 out of 5 stars0 ratings아핀 변환: 시각적 관점 잠금 해제: 컴퓨터 비전의 아핀 변환 탐색 Rating: 0 out of 5 stars0 ratings인페인팅: 컴퓨터 비전의 격차 해소 Rating: 0 out of 5 stars0 ratings공동 사진 전문가 그룹: JPEG 표준으로 시각적 데이터의 힘 활용 Rating: 0 out of 5 stars0 ratings삼중초점 텐서: 컴퓨터 비전의 깊이, 동작 및 구조 탐색 Rating: 0 out of 5 stars0 ratings관절 신체 자세 추정: 컴퓨터 비전에서 인간의 움직임 잠금 해제 Rating: 0 out of 5 stars0 ratings인간 시각 시스템 모델: 인식 및 처리 이해 Rating: 0 out of 5 stars0 ratings광학 흐름: 컴퓨터 비전의 동적 시각적 패턴 탐색 Rating: 0 out of 5 stars0 ratings지향성 그라디언트 히스토그램: 시각적 영역 공개: 컴퓨터 비전에서 지향성 그라데이션 히스토그램 탐색 Rating: 0 out of 5 stars0 ratings
Related ebooks
직접 선형 변환: 컴퓨터 비전의 실제 응용 및 기술 Rating: 0 out of 5 stars0 ratings이중선형 보간: 쌍선형 보간을 통해 이미지 해상도 및 선명도 향상 Rating: 0 out of 5 stars0 ratings아핀 변환: 시각적 관점 잠금 해제: 컴퓨터 비전의 아핀 변환 탐색 Rating: 0 out of 5 stars0 ratings하다마드 변환: 컴퓨터 비전에서 아다마르 변환의 힘 공개 Rating: 0 out of 5 stars0 ratings호모그래피: 호모그래피: 컴퓨터 비전의 변화 Rating: 0 out of 5 stars0 ratings기하학적 해싱: 이미지 인식 및 매칭을 위한 효율적인 알고리즘 Rating: 0 out of 5 stars0 ratings2차원 기하학적 모델: 컴퓨터 비전의 이해와 응용 Rating: 0 out of 5 stars0 ratings이방성 확산: 이방성 확산을 통한 이미지 분석 향상 Rating: 0 out of 5 stars0 ratings활성 윤곽: 능동 윤곽 기술을 통한 컴퓨터 비전의 발전 Rating: 0 out of 5 stars0 ratings속도 순간: 역학 포착: 컴퓨터 비전에 대한 통찰 Rating: 0 out of 5 stars0 ratings힐베르트 투영 정리: 컴퓨터 비전의 차원 잠금 해제 Rating: 0 out of 5 stars0 ratings번들 조정: 정확한 재구성을 위한 시각적 데이터 최적화 Rating: 0 out of 5 stars0 ratings직교 투영: 컴퓨터 비전의 직교 투영 탐색 Rating: 0 out of 5 stars0 ratings허프 변환: 컴퓨터 비전에서 Hough 변환의 마법 공개 Rating: 0 out of 5 stars0 ratings컴퓨터 비전 기본 매트릭스: '컴퓨터 비전' 영역에 '컴퓨터 비전 기본 매트릭스'라는 제목의 책 부제를 제안해주세요. 추천 자막에는 ':'이 포함되어서는 안 됩니다. Rating: 0 out of 5 stars0 ratings도형 기하학: 시각적 영역 잠금 해제: 컴퓨터 비전의 기술 기하학 탐색 Rating: 0 out of 5 stars0 ratings투영 기하학: 컴퓨터 비전의 투영 기하학 탐구 Rating: 0 out of 5 stars0 ratings히스토그램 균등화: 향상된 시각적 인식을 위한 이미지 대비 향상 Rating: 0 out of 5 stars0 ratings얼룩 감지: 시각적 데이터의 패턴 공개 Rating: 0 out of 5 stars0 ratings필터 뱅크: 컴퓨터 비전의 필터 뱅크 기술에 대한 통찰력 Rating: 0 out of 5 stars0 ratings기하학적 원형: 컴퓨터 비전의 기초 및 응용 프로그램 탐색 Rating: 0 out of 5 stars0 ratings삼중초점 텐서: 컴퓨터 비전의 깊이, 동작 및 구조 탐색 Rating: 0 out of 5 stars0 ratings퐁 반사 모델: 컴퓨터 비전의 빛 상호 작용 이해 Rating: 0 out of 5 stars0 ratings핀홀 카메라 모델: 전산 광학을 통한 관점 이해 Rating: 0 out of 5 stars0 ratings곡선적 관점: 컴퓨터 비전의 깊이 인식 탐구 Rating: 0 out of 5 stars0 ratings선 그리기 알고리즘: 정밀한 이미지 렌더링을 위한 마스터링 기법 Rating: 0 out of 5 stars0 ratings스케일 불변 특징 변환: 컴퓨터 비전에서 규모 불변 기능 변환의 힘 공개 Rating: 0 out of 5 stars0 ratings브레센햄 라인 알고리즘: 컴퓨터 비전을 위한 효율적인 픽셀 완벽한 라인 렌더링 Rating: 0 out of 5 stars0 ratings이미지 기반 모델링 및 렌더링: 시각적 현실주의 탐구: 컴퓨터 비전 기술 Rating: 0 out of 5 stars0 ratings캐니 엣지 감지기: 시각적 인식의 예술 공개 Rating: 0 out of 5 stars0 ratings
Reviews for 라돈 변환
0 ratings0 reviews
Book preview
라돈 변환 - Fouad Sabry
챕터 1: 라돈 변환
평면에 정의된 모든 함수 f에 대해 라돈 변환은 평면에 있는 선의 (2차원) 공간에 정의된 함수 Rf에 매핑하며, 여기서 주어진 선의 Rf 값은 해당 선 아래의 f의 선 적분입니다. 요한 라돈 (Johann Radon)은 1917 년에 처음으로 변환을 설명했으며 그 역에 대한 공식도 제시했습니다. 적분은 Radon의 3차원 변환 공식에서 볼 수 있듯이 평면에 대해 평가됩니다(선을 통한 적분은 X선 변환으로 알려져 있음). 그것은 결국 적분 기하학의 영역을 벗어나 더 높은 차원의 유클리드 공간으로 확장되었습니다. 펜로즈 변환은 라돈 변환의 정교한 버전입니다. 물체의 단면 스캔과 관련된 투영 데이터에서 이미지를 재구성하는 단층 촬영에서는 라돈 변환이 일반적으로 사용됩니다.
함수가 f 알 수 없는 밀도를 나타내는 경우 단층 촬영 스캔이 완료되면 투영 데이터는 라돈 변환으로 표시됩니다.
라돈 변환이 반전될 수 있기 때문에, 원래의 밀도는 투영 데이터로부터 재구성될 수 있으며, 따라서 반복적인 재구성 기법과 유사하게 단층 촬영 재구성을 위한 수학적 기초를 제공한다.
중심이 아닌 점 소스의 라돈 변환은 정현파이기 때문에 결과 데이터를 종종 시노그램이라고 합니다. 결과적으로, 작은 물체 모음의 라돈 변환은 다이어그램에서 다양한 진폭과 위상의 번진 사인파처럼 보입니다.
라돈 변환은 반사 지진학, 컴퓨터 축 단층 촬영(CAT), 바이러스 및 단백질 복합체를 포함한 고분자 어셈블리의 전자 현미경 검사, 쌍곡선 편미분 방정식의 해에 응용됩니다.
세 가지 규칙성 조건을 만족하는 함수라고 {\displaystyle f({\textbf {x}})=f(x,y)} 합시다.
{\displaystyle f({\textbf {x}})} 는 연속적이다; 이중 적분 {\displaystyle \iint {\dfrac {\vert f({\textbf {x}})\vert }{\sqrt {x^{2}+y^{2}}}}\,dx\,dy} , 전체 지면을 덮고, 수렴한다; (x,y) 평면의 임의의 점에 대해
{\displaystyle \lim _{r\to \infty }\int _{0}^{2\pi }f(x+r\cos \varphi ,y+r\sin \varphi )\,d\varphi =0.}라돈 행렬로 변경 Rf 하면 다음과 같은 각 선을 따라 선 적분에 의해 {\displaystyle L\subset \mathbb {R} ^{2}} 직선 공간에 정의되는 함수입니다.
{\displaystyle Rf(L)=\int _{L}f(\mathbf {x} )\vert d\mathbf {x} \vert .}구체적으로, 호 길이에 대한 L 직선의 매개 변수화 z 는 항상 작성 될 수 있습니다.
{\displaystyle (x(z),y(z))={\Big (}(z\sin \alpha +s\cos \alpha ),(-z\cos \alpha +s\sin \alpha ){\Big )}\,}여기서 s 는 L 원점으로부터의 거리이고 \alpha 는 법선 벡터가 L -축 X 과 이루는 각도입니다.
수량은 {\displaystyle (\alpha ,s)} 에 있는 모든 선의 공간에 대한 좌표로 간주될 수 \mathbb {R} ^{2} 있습니다. 이 축에서 라돈 변환은 다음과 같이 정의됩니다.
{\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}}}보다 일반적으로, n -차원 유클리드 공간 \mathbb {R} ^{n} 에서, 규칙성 조건을 만족 f 하는 함수의 라돈 변환 은 Rf 의 모든 초평면의 \Sigma _{n} 공간에 대한 함수이다 \mathbb {R} ^{n} .
간단히 말해서 :
{\displaystyle Rf(\xi )=\int _{\xi }f(\mathbf {x} )\,d\sigma (\mathbf {x} ),\quad \forall \xi \in \Sigma _{n}}적분이 자연 초표면의 측정 측면에서 수행될 때( d\sigma -차원의 경우에서 {\displaystyle \vert d\mathbf {x} \vert } 용어를 2 일반화).
의 모든 요소가 \Sigma _{n} 방정식의 해 궤적으로 특성 화되어 있음을 관찰하고 \mathbf {x} \cdot \alpha =s , 여기서 {\displaystyle \alpha \in S^{n-1}} 는 단위 벡터이고 {\displaystyle s\in \mathbb {R} } .
따라서 n -차원 라돈 변환은 다음을 통해 함수로 다시 작성될 수 있습니다. {\displaystyle S^{n-1}\times \mathbb {R} }
{\displaystyle Rf(\alpha ,s)=\int _{\mathbf {x} \cdot \alpha =s}f(\mathbf {x} )\,d\sigma (\mathbf {x} ).}라돈 변환을 의 차원 아핀 부분공간을 적분하여 더욱 일반화하는 것도 가능합니다 k \mathbb {R} ^{n} .
이 프레임워크의 일반적인 응용 프로그램 중 하나는 X선 변환이며 곡선을 따라 통합하는 것입니다.
라돈 변환과 푸리에 변환 사이에는 밀접한 관계가 있습니다. 단일 변수의 푸리에 변환은 다음과 같이 정의됩니다.
{\displaystyle {\hat {f}}(\omega )=\int _{-\infty }^{\infty }f(x)e^{-2\pi ix\omega }\,dx.}-벡터 2 의 함수에 대해 \mathbf {x} =(x,y) , 1차원의 푸리에 변환:
{\displaystyle {\hat {f}}(\mathbf {w} )=\iint _{\mathbb {R} ^{2}}f(\mathbf {x} )e^{-2\pi i\mathbf {x} \cdot \mathbf {w} }\,dx\,dy.}편의상 {\displaystyle {\mathcal {R}}_{\alpha }[f](s)={\mathcal {R}}[f](\alpha ,s)} .
결과적으로, 푸리에 슬라이스 정리는 다음과 같습니다.
{\displaystyle {\widehat {{\mathcal {R}}_{\alpha }[f]}}(\sigma )={\hat {f}}(\sigma \mathbf {n} (\alpha ))}어디 \mathbf {n} (\alpha )=(\cos \alpha ,\sin \alpha ).
따라서 경사각에서 선을 따라 초기 함수의 2차원 푸리에 변환 은 \alpha 해당 함수의 \alpha 라돈 변환(각도에서 획득)의 변수 푸리에 변환입니다.
라돈 변환과 그 역은 이 정보를 사용하여 계산할 수 있습니다.
이 결과는 n차원으로 일반화할 수 있습니다.
{\displaystyle {\hat {f}}(r\alpha )=\int _{\mathbb {R} }{\mathcal {R}}f(\alpha ,s)e^{-2\pi isr}\,ds.}라돈 변환에 인접한 것은 이중 라돈 변환입니다.
공간의 함수 g \Sigma _{n} 로 시작하여 이중 라돈 변환은 {\displaystyle {\mathcal {R}}^{*}g} 다음과 같이 정의되는 Rn의 함수입니다.
{\displaystyle {\mathcal {R}}^{*}g(\mathbf {x} )=\int _{\mathbf {x} \in \xi }g(\xi )\,d\mu (\xi ).}여기서 적분은 점과 함께 입사하는 모든 초평면의 집합을 인수 {\displaystyle {\textbf {x}}\in \mathbb {R} ^{n}} 하며, 측정값 d\mu 은 점에 대한 회전 하에서 설정된 불변 {\displaystyle \{\xi |\mathbf {x} \in \xi \}} 량에 대한 고유한 확률 측정값입니다 \mathbf {x} .
특히, 차원 2에서 라돈 변환의 이중 변환은 다음과 같이 주어집니다.
{\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 .}이중 변환은 평면의 각 라인에 지정된 기능을 라인 위로 다시 번짐
하거나 투사
하여 이미지를 생성하기 때문에 이미지 처리 분야에서 종종 백 프로젝션
이라고합니다.
다음에 의해 정의된 \Delta 라플라시안을 표시 \mathbb {R} ^{n} 하자 :
{\displaystyle \Delta ={\frac {\partial ^{2}}{\partial x_{1}^{2}}}+\cdots +{\frac {\partial ^{2}}{\partial x_{n}^{2}}}}이것은 정의에 따라 회전 불변인 2차 미분 연산자입니다.
에서 \Sigma _{n} 방사형
2계 도함수 Lf(\alpha ,s)\equiv {\frac {\partial ^{2}}{\partial s^{2}}}f(\alpha ,s) 도 회전 불변입니다.
이 두 차동 연산자의 경우 라돈 변환과 쌍대는 다음과 같은 의미에서 결합 연산자입니다.
{\displaystyle {\mathcal {R}}(\Delta f)=L({\mathcal {R}}f),\quad {\mathcal {R}}^{*}(Lg)=\Delta ({\mathcal {R}}^{*}g).}Lax와 Philips의 평행 이동 표현은 3차원보다 높은 공간에서 파동 방정식에 대한 해를 분석하는 데 유용한 interweaving 속성을 기반으로 합니다. 이것은 다차원 문제를 1차원 문제로 단순화하기 위한 차원 분할 기술로 사용됩니다.
재구성 프로세스는 투영 데이터에서 이미지(또는 f 이전 섹션의 함수)를 생성합니다.
재건과 같은 반대 문제.
2차원의 간단한 상황에서 라돈 변환에서 f 복구하기 위해 가장 일반적으로 사용되는 분석 공식 은 필터링된 역투영 공식 또는 라돈 반전 공식입니다.
{\displaystyle f(\mathbf {x} )=\int _{0}^{\pi }({\mathcal {R}}f(\cdot ,\theta )*h)(\left\langle \mathbf {x} ,\mathbf {n} _{\theta }\right\rangle )\,d\theta }그런 곳은 어디 h 입니까 {\displaystyle {\hat {h}}(k)=|k|} ?
컨볼루션 커널 h 은 일부 문헌에서 램프 필터라고 합니다.
직관적으로, 필터링된 역투영의 공식은 미분이 작동하는 방식과 유사하며, 이에 대해 {\textstyle \left({\widehat {{\frac {d}{dx}}f}}\right)\!(k)=ik{\widehat {f}}(k)} 필터는 도함수와 유사한 기능을 수행하는 것으로 보입니다.
대략적으로 말하자면, 필터는 모든 것에 더 뚜렷한 정체성을 부여합니다.
라돈 반전은 정량적으로 다음과 같이 잘못된 것으로 명시되어 있습니다.
{\displaystyle {\widehat {{\mathcal {R}}^{*}{\mathcal {R}}g}}(k)={\frac {1}{\|\mathbf {k} \|}}{\hat {g}}(\mathbf {k} )}여기서 {\displaystyle {\mathcal {R}}^{*}} 는 이전에 정의된 라돈 변환에 대한 인접물입니다.
따라서 , {\displaystyle g(\mathbf {x} )=e^{i\left\langle \mathbf {k} _{0},\mathbf {x} \right\rangle }} 우리는 다음을 가지고 있습니다 :
{\displaystyle {\mathcal {R}}^{*}{\mathcal {R}}g={\frac {1}{\|\mathbf {k_{0}} \|}}e^{i\left\langle \mathbf {k} _{0},\mathbf {x} \right\rangle }}따라서 복소수 지수는 {\displaystyle e^{i\left\langle \mathbf {k} _{0},\mathbf {x} \right\rangle }} 고유값 {\displaystyle {\mathcal {R}}^{*}{\mathcal {R}}} 의 {\textstyle {\frac {1}{\|\mathbf {k} _{0}\|}}} 고유함수입니다.
따라서 의 특이값은 {\mathcal {R}} {\textstyle {\frac {1}{\sqrt {\|\mathbf {k} \|}}}} 입니다.
이러한 특이 값은 경향이 있기 때문에 {\displaystyle 0} 는 {\displaystyle {\mathcal {R}}^{-1}} 무제한입니다.
반복 재구성은 필터링된 역프로젝션 접근 방식보다 계산 집약적이므로 사용이 제한됩니다. 그러나 불연속성 또는 노이즈가 있는 경우 라돈 반전의 잘못된 자세로 인해 필터링된 역투영 접근 방식이 불가능할 수 있습니다. 많은 연구자들이 반복 재구성 방법(예: 반복 희소 점근 최소 분산)에 관심을 갖는 이유는 이 방법이 재구성된 출력에서 금속 아티팩트, 노이즈 및 투여량을 줄일 수 있기 때문입니다.
라돈 변환 및 이에 대응하는 반전 공식을 사용할 수 있으며 명시적이고 계산적으로 효율적입니다.
차원의 라돈 변환 n 은 다음 공식으로 반전될 수 있습니다.
{\displaystyle c_{n}f=(-\Delta )^{(n-1)/2}R^{*}Rf\,}여기서 {\displaystyle c_{n}=(4\pi )^{(n-1)/2}{\frac {\Gamma (n/2)}{\Gamma (1/2)}}} , 라플라시안의 거듭제곱은 {\displaystyle (-\Delta )^{(n-1)/2}} 푸리에 변환에 의해 필요한 경우 의사 미분 연산자로 정의됩니다.
{\displaystyle \left[{\mathcal {F}}(-\Delta )^{(n-1)/2}\varphi \right](\xi )=|2\pi \xi |^{n-1}({\mathcal {F}}\varphi )(\xi ).}논리 기반 계산, 라플라시안의 거듭제곱은 이중 변환으로 통근 R^{*} 되어 다음을 제공합니다.
{\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}}}여기서 는 {\displaystyle {\mathcal {H}}_{s}} s 변수에 대한 힐베르트 변환입니다.
두 개의 축만 사용하여 연산자는 {\displaystyle {\mathcal {H}}_{s}{\frac {d}{ds}}} 이미지 처리에서 램프 필터로 나타납니다.
누구든개는 통합을 위한 변수의 푸리에 조각 정리 그리고 변화에서 2개의 변수의 조밀하게 지원한 지속적인 기능을 위해 직접 증명할 수 {\displaystyle f} 있다:
{\displaystyle f={\frac {1}{2}}R^{*}H_{s}{\frac {d}{ds}}Rf.}따라서 이미지 처리 컨텍스트에서 {\displaystyle f} 램프 필터(변수에서)를 적용 {\displaystyle Rf} 한 다음 역투영하여 s '시노그램' 데이터에서 원본 이미지를 복구할 수 있습니다.
필터링과 백 프로젝션 프로세스는 모두 계산적으로 간단합니다. 전자는 픽셀 값을 합산하는 것 이상을 포함하지