Подгоняйте 3D-матрицы к тем же серым значениям

Question

Я пытаюсь установить два набора данных. Они содержат результаты измерения одного и того же объекта с двумя различными измерительными устройствами (рентгеновское излучение против μct).

Мне удалось восстановить данные изображения и установить ориентацию и смещение стеков. Похоже, что это (одно изображение из стопки около 500 изображений):

Весь смысл этого нужно сравнить несколько шумодав алгоритмов на данных рентгеновских лучей (слева). Предполагается, что данные от μCT (справа) близки к реальному сигналу без какого-либо шума. Итак, я хочу сравнить полученные данные из рентгеновских лучей от каждого из алгоритмов до «чистого» сигнала от μCT, чтобы увидеть, какой алгоритм производит самую низкую ошибку RMS. Поэтому мне нужно как-то подобрать серые значения от левой части к правой, не слишком сильно манипулируя шумом.

Серые значения справа находятся в диапазоне от 0 до 100, тогда как данные рентгеновского излучения колеблются от 4000 до 30000. «Пузыри» находятся в диапазоне от 8000 до 11000. (Это не реально пузыри, но искусственный фантом с отверстиями из 3D-принтера)

То, что я пытался сделать, это полоса пропускания этих пузырей и нанести их на ~ 100 при перемещении всего остального в сторону 4 (что является значением для фон данных μCT).

Вот код для этого:

zwst = zwsr; 
zwsr(zwst<=8000)=round(zwst(zwst<=6500)*4/8000); 
zwsr(zwst<=11000 & zwst>8000)= round(zwst(zwst<=11000 & zwst>8000)/9500*100); 
zwsr(zwst>11000)=round(zwst(zwst>11000)*4/30000); 

Результаты выглядят следующим образом:

Некоторые из этих пузырьков выглядят искаженными и шум часть на заднем плане ушла полностью. Есть ли лучший способ подгонять эти значения серого при сохранении шумной части?

EDIT: Чтобы прояснить ситуацию: данные μCT считаются свободными от шума, в то время как рентгеновские данные считаются шумными. Другими словами, µCT = signal, а x-ray = signal + noise. Чтобы квантовать качество моих методов шумоподавления, я хочу рассчитать x-ray - µCT = noise.

Answer 1

Слишком долго для комментария, и я считаю, что разумный ответ:

Существует огромное подполе обработки обработки/сигнал изображения называется слиянием изображений. Существует даже конкретная библиотека Matlab для использования всплесков (http://uk.mathworks.com/help/wavelet/gs/image-fusion.html).

Идея слияния изображений: учитывая 2 изображения одной и той же вещи, но с очень разными разрешениями/данными, как мы можем создать одно изображение, содержащее информацию обоим?

Сшивание обоих изображений «вручную» не дает очень хорошего результата в целом, поэтому существует множество методов, чтобы сделать это математически. Здесь очень распространены волноводы.

Обычно эти методы широко используется в медицинской визуализации, так как (как в вашем случае) различные методы визуализации дают различную информацию, и врачи хотят все вместе:

Примера (верхний ряд: изображения склеиваются, нижний ряд: методы слияния изображений)

Посмотрите на некоторые документы, некоторые MatLab учебников, и, вероятно, вы получите там с кодом MatLab простыми в использовании, без какого-либо фантазии состояния искусства программирование.

Удачи вам!