KNOWECON WIKI

ARTICLE

滤波反投影

滤波反投影 (Filtered Back Projection) 滤波反投影（Filtered Back Projection, FBP）是计算机断层成像（Computed Tomography, CT）中最经典且应用最广泛的图像重建算法，属于解析重建方法。其核心思想是先对投影数据进行频域滤波以补偿直接反投影引起的模糊，再将滤波后的投影反投回图像空间，从而精

浏览 0 更新 2025-11-09

滤波反投影 (Filtered Back Projection)

滤波反投影（Filtered Back Projection, FBP）是计算机断层成像（Computed Tomography, CT）中最经典且应用最广泛的图像重建算法，属于解析重建方法。其核心思想是先对投影数据进行频域滤波以补偿直接反投影引起的模糊，再将滤波后的投影反投回图像空间，从而精确恢复原始断层图像。自20世纪70年代CT问世以来，FBP凭借计算效率高、数学性质清晰的优势，一直是临床CT重建的工业标准。

理论基础：Radon变换与傅里叶中心切片定理

FBP的数学根基是Radon变换。对于二维平面上的函数 f(x,y)f(x,y)，其Radon变换定义为沿直线 L(t,θ)L(t,\theta) 的线积分：

Rf(t,θ)=∬−∞∞f(x,y) δ(xcos⁡θ+ysin⁡θ−t) dx dyRf(t,\theta) = \iint_{-\infty}^{\infty} f(x,y)\,\delta(x\cos\theta + y\sin\theta - t)\,dx\,dy

其中 tt 为直线到原点的垂直距离，θ\theta 为投影角度。不同角度采集的投影数据排布为二维矩阵，称为正弦图（sinogram）。

傅里叶中心切片定理（Fourier Slice Theorem）是FBP的桥梁定理：投影 Rf(t,θ)Rf(t,\theta) 关于变量 tt 的一维傅里叶变换等于原函数 f(x,y)f(x,y) 二维傅里叶变换沿角度 θ\theta 过原点的一条切片。即：

F1D{Rf(⋅,θ)}(ω)=F2D{f}(ωcos⁡θ,ωsin⁡θ)\mathcal{F}_{1D}\{Rf(\cdot,\theta)\}(\omega) = \mathcal{F}_{2D}\{f\}(\omega\cos\theta, \omega\sin\theta)

这一定理表明，只需在所有角度获取投影，便可填充二维频域空间，进而通过逆傅里叶变换恢复图像。然而，直接按此路径插值到笛卡尔网格再逆变换会产生严重伪影，FBP采用等价但数值更稳定的滤波-反投影路径。

算法流程与数学表述

FBP分三步执行：

步骤一——获取投影：对待重建物体在 [0,π)[0,\pi) 范围内等间隔采集 NN 个角度的投影，构成正弦图。

步骤二——滤波：对每个角度的投影进行一维卷积滤波。滤波器的频率响应为斜坡函数 ∣ω∣|\omega|，时域表示为：

h(t)=∫−∞∞∣ω∣ ei2πωt dωh(t) = \int_{-\infty}^{\infty} |\omega|\,e^{i2\pi\omega t}\,d\omega

滤波的必要性在于：直接反投影在频域等价于以 1/∣ω∣1/|\omega| 加权，低频被过度叠加，造成图像模糊（模糊核为 1/r1/r）。斜坡滤波器恰好补偿了这一因子，使各频率分量恢复等权重。

步骤三——反投影：将滤波后投影值沿原积分路径"涂抹"回图像空间，对所有角度累加：

f(x,y)=∫0π[Rf(⋅,θ)∗h](xcos⁡θ+ysin⁡θ) dθf(x,y) = \int_{0}^{\pi} \bigl[Rf(\cdot,\theta) * h\bigr](x\cos\theta + y\sin\theta)\,d\theta

离散实现中，卷积由FFT加速，积分退化为求和，总复杂度约为 O(N3)O(N^3)。

滤波器设计：分辨率与噪声的权衡

理想斜坡滤波器带宽无限，离散化时必然放大高频噪声。因此工程中使用加窗斜坡滤波器，在频域乘以窗函数 W(ω)W(\omega) 以抑制高频：

  • Ram-Lak滤波器：无窗（W(ω)=1W(\omega)=1），截止频率内为纯斜坡函数，空间分辨率最高但噪声放大严重。
  • Shepp-Logan滤波器：乘以 sinc(ω/(2ωc))\text{sinc}(\omega/(2\omega_c)) 窗，在分辨率和噪声间取得较好折中，是临床默认选择。
  • Hann/Hamming窗：平滑衰减更陡，降噪显著但牺牲部分空间分辨率，适用于低剂量扫描。

滤波器的选择直接决定了重建图像的信噪比与细节可辨识性，是FBP工程实践中的核心调优参数。

优势与局限性

FBP的优势在于：解析公式保证重建速度，单个投影滤波可并行，整体适合实时成像；数学性质清晰，重建结果具有确定性和可重复性；算法简单易实现，无需复杂参数调优。

局限同样显著：对噪声敏感——低剂量CT中光子统计噪声直接污染重建结果；基于理想几何假设——难以处理射束硬化、散射、部分容积效应等物理偏差；金属伪影严重——高衰减金属植入物在投影中产生不连续性，反投影后形成条纹。此外，FBP属于线性算子，无法融合先验信息约束解空间。

这些局限催生了迭代重建算法（如ART、SART、最大似然期望最大化 MLEM）及基于压缩感知的正则化方法。迭代算法通过反复投影-反投影比对，在噪声抑制和伪影消除上显著优于FBP，尤其在低剂量和稀疏角度场景。但FBP凭借速度优势和可预测性，至今仍是绝大多数临床CT系统的默认重建引擎。

历史简注

FBP的理论基础可追溯至1917年Johann Radon提出的Radon变换及其反演公式。1970年代，Allan Cormack独立重新发现了Radon的数学框架，而Godfrey Hounsfield设计出首台临床CT扫描仪，二者共享1979年诺贝尔生理学或医学奖。FBP的实际算法由Bracewell（1956年射电天文学中）和Ramachandran-Lakshminarayanan（1971年）分别提出，Ram-Lak滤波器即以二者命名。

应用领域

FBP远不止于医学CT：在工业无损检测中用于检测材料内部缺陷；在电子显微镜的三维重构中用于从二维投影恢复分子结构（冷冻电镜单颗粒分析即广泛使用FBP）；在射电天文学中通过孔径合成重建天体亮度分布；在PET和SPECT等核医学成像中也曾长期作为标准重建方法。尽管迭代重建在特定领域逐渐取代FBP，其作为解析重建的范式性地位仍然不可动摇。