假设物体运动相对于一种成像装置,其二维投影通常在投影图像。三维相对运动向量的投影到二维探测器产量预计运动领域通常被称为“照片流”或“运动领域。“不幸的是,这是无法直接访问速度场,由于光学传感器收集亮度分布和速度。然而,它是可行的计算当地的运动区域的亮度分布,这种运动领域,被称为光流。光流速度场提供了一个近似,但它是非常平等的。有很多问题要克服为了计算光流的亮度分布的变化。首先,我们只能计算模式的运动,不是孤立的点,在亮度分布。这意味着亮度信息必须以某种方式结合在一个有限的空间每一点周围邻居,我们想测量运动的地方。所谓的孔径问题当我们试着衡量图像速度的两个组件使用一个社区没有保持足够的亮度结构( 26- - - - - - 28]。

在这种情况下,我们无法限制测量到一个单一的解决方案(图 1)。增加社区的大小允许我们限制测量,但收集的信息在一个大区域的可能性增加池/运动边界和/平滑的结果,被称为一般孔径问题[ 29日]。运动算法寻求恢复光学流场是最好的近似预测速度场。然而,使用这些信息来得出三维环境是一个艰难的过程。

使用光学流速度场的估计是一个不适定问题,因为有无限的速度场,可以导致观察到的亮度分布的变化。此外,有无限的三维运动在现实世界中,可能会产生一个特定的速度场。外部知识对象的行为在现实世界中,如刚体运动约束,以便于利用光流。尽管问题,光流信息是一个丰富的向量,本地和全局属性( 30.]。光学流场可以因此受到许多高级解释( 31日, 32]。

卢卡斯和金方法( 33)是一个著名的算法,我们应用的原始描述模型( 34]虽然增加了几个变化改善硬件实现的可行性。我们提出一个简化算法的方案,如下。

卢卡斯和金模型使用一个梯度计算光流技术( 35)利用space-temporal导数过滤器。模型来自于基本强度在时间(保护 1), x , y , t 的坐标序列。发展表达式( 1),我们到达表达式( 2), (1) d 我 ( x ( t ) , y ( t ) , t ) d t = 0 , (2) d 我 ( x ( t ) , y ( t ) , t ) d t = ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ x d x d t + ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ y d y d t + ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ t = ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ x u + ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ y v + ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ t = 0 。 卢卡斯和金模型假定运动矢量在学习附近真的没有改变 V 。考虑到误差最小化的运动约束表达式( 2): (3) E ( u , v ) = ∑ 像素 ∈ V ( ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ x u + ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ y v + ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ t ) 2 。 解决 ∂ E / ∂ u ( t ) = 0 ; ∂ E / ∂ v ( t ) = 0 和分组在一起,我们发现一个代数系统表达的( 4),这意味着LMS的光流估计中心像素的附近 V 。符号 ^ 表示相应大小的估计量。由此产生的光流估计密度: (4) ( ∑ 像素 ∈ V ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ x ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ x ∑ 像素 ∈ V ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ x ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ y ∑ 像素 ∈ V ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ x ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ y ∑ 像素 ∈ V ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ y ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ y ] ( u ^ v ^ ] = ( - - - - - - ∑ 像素 ∈ V ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ x ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ t - - - - - - ∑ 像素 ∈ V ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ y ∂ 我 ( x ( t ) , y ( t ) , t ) ∂ y ] 。

所以最后的符号 (5) ( u ^ v ^ ] 一个 = B ; 一个 = ( ∑ 像素 ∈ V 我 x 2 ( 像素 ) ∑ 像素 ∈ V 我 x 我 y ( 像素 ) ∑ 像素 ∈ V 我 x 我 y ( 像素 ) ∑ 像素 ∈ V 我 y 2 ( 像素 ) ] × B = ( - - - - - - ∑ 像素 ∈ V 我 x 我 t ( 像素 ) - - - - - - ∑ 像素 ∈ V 我 y 我 t ( 像素 ) ] 。 方程意味着衍生品的分指数计算分离过滤(高斯衍生品或伽柏函数)。

患者乳房核磁共振进行不定乳腺乳腺病变。所有患者连续选择临床检查后,乳房x光检查标准预测(身高和斜中侧的预测)和超声波。只有病变分类BIRADS 3和4在乳房x光检查。此外,至少1以下标准必须在场:nonpalpable病变,先前与广泛疤痕,手术活检和位置困难(例如,接近胸壁)。组织学研究结果在14和17个良性或恶性。病变大小来自乳房x光检查图像。恶性病变的大小是1.2厘米(值= 1.0厘米,范围= 0.4 - -3.5厘米);良性病变的大小是1.1厘米(值= 0.9厘米,范围= 0.3−3.0厘米)。

与1.5 T MRI进行系统(Magnetom愿景、西门子、埃朗根、德国)配备一个专用的表面线圈,使同时成像的双乳。病人被安置在卧姿。横向收购图像搅拌短TI反转恢复序列(TR = 5600毫秒,TE = 60 ms, FA = 90°, TI = 150毫秒,矩阵的大小 256年 × 256年 像素,切4毫米厚)。

然后,一个动态的T1加权梯度回波序列使用3 d FLASH(快速低角脉冲序列)进行(TR = 12 ms, TE = 5 ms, FA = 25°)在横向切片方向矩阵的大小 256年 × 256年 像素和一个有效的片4毫米的厚度。FA(翻转角度),搅拌(短τ反转恢复),TE(回波时间),TR(脉冲重复间隔)缩写磁共振成像模式。6测量的动态研究由83年代的间隔。第一帧收购前注射顺磁性对比剂(gadopentetate dimeglumine, 0.1更易/公斤体重,MagnevistTM,先灵葆雅,柏林,德国)立即紧随其后5其他测量。

图 2显示了算法在嵌入式系统中实现。在第一阶段,密集的运动估计、运动和相对应的区域范围确定,使用直方图分割,价值系统。重要的是要注意,这个系统是可调且可配置的自运动分割值可以满足诊断需求,确定为每个单独的案例。这里使用第一个系统设计使用卡玛平台( 38)从瑞士公司( 21],它集成了一个Nvidia Tegra CPU与3四核ARM cortex - a9 CPU。第二个是基于Intel Atom (2 x英特尔原子(R) (TM) CPU D510)。在图 3、原型板包含处理器的编程。