Core Imaging Library - Part I: a versatile Python framework for tomographic imaging.
Core Imaging Library - Part I: a versatile Python framework for tomographic imaging.
复制标题
DOI：
10.1098/rsta.2020.0192
复制
发表时间：
2021-08-23
期刊：
影响因子：
--
通讯作者：
Withers PJ
中科院分区：
文献类型：
--
作者：
Jørgensen JS;Ametova E;Burca G;Fardell G;Papoutsellis E;Pasca E;Thielemans K;Turner M;Warr R;Lionheart WRB;Withers PJ
我们介绍了核心成像库(CIL)，这是一个开源的层析成像框架，特别强调具有挑战性的数据集的重建。对于例如在动态、光谱和原位层析成像中出现的高噪声、不完整、非标准或多通道数据，传统的滤波反投影重建往往是不够的。CIL为原型重建方法提供了一个广泛的模块化优化框架，包括稀疏性和全变差正则化，以及用于加载、预处理和可视化层析数据的工具。在一个同步加速器实例数据集和三个具有挑战性的案例上展示了CIL的能力，这些案例涵盖了黄金比率中子层析成像、锥束X射线层析成像和正电子发射层析成像。本文是主题期刊《协同层析图像重建：第2部分》的一部分。
We present the Core Imaging Library (CIL), an open-source Python framework for tomographic imaging with particular emphasis on reconstruction of challenging datasets. Conventional filtered back-projection reconstruction tends to be insufficient for highly noisy, incomplete, non-standard or multi-channel data arising for example in dynamic, spectral and in situ tomography. CIL provides an extensive modular optimization framework for prototyping reconstruction methods including sparsity and total variation regularization, as well as tools for loading, preprocessing and visualizing tomographic data. The capabilities of CIL are demonstrated on a synchrotron example dataset and three challenging cases spanning golden-ratio neutron tomography, cone-beam X-ray laminography and positron emission tomography. This article is part of the theme issue ‘Synergistic tomographic image reconstruction: part 2’.
登录
查看更多内容
影响因子：
2.1
作者：
Hansen, Per Christian;Jorgensen, Jakob Sauer
通讯作者：
Jorgensen, Jakob Sauer
影响因子：
14.2
作者：
Benning, Martin;Burger, Martin
通讯作者：
Burger, Martin
影响因子：
2.1
作者：
Beck, Amir;Teboulle, Marc
通讯作者：
Teboulle, Marc
影响因子：
2.4
作者：
Fisher, S. L.;Holmes, D. J.;Withers, P. J.
通讯作者：
Withers, P. J.
影响因子：
2.1
作者：
Esser, Ernie;Zhang, Xiaoqun;Chan, Tony F.
通讯作者：
Chan, Tony F.