新葡京娱乐场-大陆娱乐场开户注册

是新華醫(yī)療強(qiáng)大X線機(jī)研發(fā)團(tuán)隊(duì)專門為高校醫(yī)學(xué)影像專業(yè)教學(xué)設(shè)計(jì)的又一力作，本實(shí)驗(yàn)臺(tái)綜合了單個(gè)實(shí)驗(yàn)箱的實(shí)驗(yàn)功能，綜合性強(qiáng)，可使學(xué)生在比較中進(jìn)行實(shí)驗(yàn)，進(jìn)而提高學(xué)生綜合運(yùn)用知識(shí)的實(shí)驗(yàn)效果，讓學(xué)生親身體驗(yàn)，學(xué)以致用。主要實(shí)驗(yàn)?zāi)K包括：整流電路實(shí)驗(yàn)、高頻X線機(jī)逆變頻率電路實(shí)驗(yàn)、旋轉(zhuǎn)陽極啟動(dòng)與保護(hù)電路實(shí)驗(yàn)、磁飽合穩(wěn)壓電路實(shí)驗(yàn)、曝光限時(shí)電路實(shí)驗(yàn)、管電壓管電流測(cè)量實(shí)驗(yàn)、接地電阻測(cè)量實(shí)驗(yàn)、X線機(jī)發(fā)生器基本工作原理及控制實(shí)驗(yàn)等。

“現(xiàn)階段醫(yī)生需要在大量影像數(shù)據(jù)中快速診斷出新冠肺炎的病例，此外還需要診斷出病灶分布的位置、大小等來評(píng)估嚴(yán)重程度。”薛向陽介紹，針對(duì)臨床的現(xiàn)實(shí)需求，團(tuán)隊(duì)將設(shè)計(jì)目標(biāo)定位于“肺炎分類鑒別”和“關(guān)鍵病灶檢測(cè)”兩大功能，前者是為區(qū)別健康狀態(tài)、新冠肺炎、其他病毒性肺炎、細(xì)菌性肺炎，后者則為找到并分隔出磨玻璃影等病灶區(qū)域。針對(duì)這些需求，團(tuán)隊(duì)設(shè)計(jì)診斷算法模型，讓機(jī)器利用模型進(jìn)行訓(xùn)練，學(xué)習(xí)不同類型肺炎在CT影像表現(xiàn)上的不同特征，最終具備智能輔助診斷的能力。而這需要突破小樣本學(xué)習(xí)、小目標(biāo)檢測(cè)等多個(gè)技術(shù)難題。“小樣本學(xué)習(xí)”即在較少訓(xùn)練數(shù)據(jù)樣本的條件下進(jìn)行機(jī)器學(xué)習(xí)。在疫情發(fā)生前期，能夠獲取的新冠肺炎影像數(shù)據(jù)相對(duì)較少，且由于一線影像醫(yī)生任務(wù)繁重，無法獲得大量專家標(biāo)注，因此需要算法在少量樣本的條件下“自學(xué)成才”。為此，團(tuán)隊(duì)采用基于自遷移學(xué)習(xí)的半監(jiān)督學(xué)習(xí)等技巧，使算法具備一定的“小樣本學(xué)習(xí)”能力，在不增加醫(yī)生標(biāo)注工作量的情況下較好地提高了算法模型的普適性。由于CT影像切片中的病灶區(qū)域有大有小，且往往大中小病灶區(qū)域面積懸殊，如何使算法能同時(shí)檢測(cè)大、中、小各個(gè)目標(biāo)是另一大難題。團(tuán)隊(duì)利用神經(jīng)網(wǎng)絡(luò)的層次性特點(diǎn)與病灶區(qū)域的大小進(jìn)行對(duì)應(yīng)，“網(wǎng)絡(luò)的底層關(guān)注細(xì)節(jié)，即小病灶區(qū)域，而網(wǎng)絡(luò)中層到高層所關(guān)注的病灶區(qū)域則越來越大，因此模型通過不同層次的加權(quán)和融合，最終便能達(dá)到同時(shí)檢測(cè)大小病灶區(qū)域的目標(biāo)。”薛向陽解釋道。“不過，即便有診斷‘神器’，影像科醫(yī)生也是不可替代的。”薛向陽說，人是復(fù)雜的機(jī)體，病毒在不同人體內(nèi)感染的反映也不一定相同。”他表示，當(dāng)遇到機(jī)器未曾學(xué)習(xí)過的微小病變或疑難病例時(shí)，仍需要影像醫(yī)生的經(jīng)驗(yàn)和智慧。以解決實(shí)際問題為目標(biāo)，該項(xiàng)目在研究過程中始終與臨床應(yīng)用緊密結(jié)合。無論是機(jī)器學(xué)習(xí)數(shù)據(jù)，還是測(cè)試評(píng)估數(shù)據(jù)，都來源于臨床真實(shí)病例。在算法模型定型過程中，為了檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確率和泛化性，團(tuán)隊(duì)也利用現(xiàn)實(shí)疑似病例進(jìn)行了測(cè)試。

2019年12月以來，由SARS-CoV-2病毒感染導(dǎo)致的新型冠狀病毒疾病（COVID-19）在全球開始蔓延。報(bào)道顯示，SARS-CoV-2感染患者的中位住院時(shí)間為10天，而武漢患者在發(fā)病10天后癥狀有可能加重。因此，住院時(shí)間是COVID-19臨床預(yù)后的重要指標(biāo)之一。 目前，CT影像學(xué)已成為COVID-19肺炎的診斷和監(jiān)測(cè)工具，主要表現(xiàn)為磨玻璃影、實(shí)變及混合密度影。然而，現(xiàn)階段的影像學(xué)研究主要集中于對(duì)病灶的定性和半定量描述，缺乏對(duì)病灶的全定量分析。因此，基于前期提出的CT定量監(jiān)測(cè)COVID-19肺炎病程，團(tuán)隊(duì)假設(shè)在CT病灶背后的高通量影像特征“隱藏”了患者預(yù)后轉(zhuǎn)歸的“秘密”。 本研究納入了蘭州、安康、麗水、鎮(zhèn)江、臨夏5家新冠肺炎定點(diǎn)醫(yī)院，自2020年1月23日到2月8日期間住院患者的臨床資料和首次CT資料，所有患者經(jīng)RT-PCR證實(shí)SARS-CoV-2病毒感染。至2月20日，研究共納入31例治愈出院的患者（排除14例未出院患者和7例首次CT檢查無肺炎表現(xiàn)患者），并將10天作為住院時(shí)長(zhǎng)的二分類閾值。基于有限的樣本量，團(tuán)隊(duì)將4個(gè)中心作為訓(xùn)練隊(duì)列，另外一個(gè)中心作為驗(yàn)證隊(duì)列。通過自動(dòng)分割肺葉和半自動(dòng)分割病灶，31名患者中累計(jì)分割出72個(gè)病灶。在對(duì)病灶圖像預(yù)處理后，提取影像組學(xué)特征并篩選。為了研究影像組學(xué)特征的穩(wěn)定性，團(tuán)隊(duì)使用了Logistics回歸模型和隨機(jī)森林模型對(duì)篩選的特征分別進(jìn)行建模和驗(yàn)證。?結(jié)果發(fā)現(xiàn)，6個(gè)篩選出的二階特征在兩種不同分類器中均表現(xiàn)出良好的預(yù)測(cè)價(jià)值。在外部測(cè)試隊(duì)列中，Logistics回歸模型的AUC為0·97(95%CI 0·83-1·0), 敏感性 1·0, 特異性0·89；隨機(jī)森林模型的AUC為0·92 (95%CI 0·67-1·0),敏感性 0·75, 特異性1·0。隨后，研究又納入了2月20日-28日新出院的6名患者，利用已建立的影像組學(xué)模型可以正確預(yù)測(cè)所有6名患者的住院時(shí)間。 

中試階段/n該項(xiàng)目主要針對(duì)開源CT 醫(yī)學(xué)影像數(shù)據(jù)和多中心合作單位提供的多模醫(yī)學(xué)影像數(shù)據(jù)，采用人工智能技術(shù)和自主研制的深度學(xué)習(xí)算法對(duì)心臟左心室、腫瘤等CT 影像數(shù)據(jù)進(jìn)行全自動(dòng)分割，驗(yàn)證了所研制算法在該項(xiàng)目計(jì)算機(jī)輔助腫瘤智能診斷應(yīng)用中的有效性，為項(xiàng)目產(chǎn)業(yè)化實(shí)施奠定了方法基礎(chǔ)。成果的先進(jìn)性或獨(dú)特性：針對(duì)不同類型的醫(yī)學(xué)影像感知設(shè)備，設(shè)計(jì)針對(duì)性強(qiáng)的機(jī)器學(xué)習(xí)智能算法；國(guó)內(nèi)同類研究中首次采用“雙盲評(píng)估+驗(yàn)證”的科研方法對(duì)影像數(shù)據(jù)進(jìn)

考慮三維點(diǎn)云缺少顏色信息和光學(xué)影像缺少空間信息的互補(bǔ)特性，三維點(diǎn)云與光學(xué)影像多光融合裝備可以提升數(shù)據(jù)的信息量，基于三維點(diǎn)云和二維圖像融合的可視化結(jié)果，能夠增強(qiáng)三維場(chǎng)景真實(shí)感，相較于可見光圖像，融合后的三維點(diǎn)云可以實(shí)現(xiàn)多角度觀測(cè)，能夠更好的表達(dá)的空間特征。 相較于原始和偽彩色點(diǎn)云數(shù)據(jù)，融合后的三維點(diǎn)云有了色彩紋理信息，目標(biāo)的形態(tài)和邊緣都更加明顯，整個(gè)三維場(chǎng)景更加的真實(shí)，也為后續(xù)識(shí)別、定位、重建等過程提供更多細(xì)節(jié)信息；同時(shí)克服了單一傳感器的局限性，充分發(fā)揮兩者的互補(bǔ)優(yōu)勢(shì)，大幅提升了探測(cè)設(shè)備的環(huán)境適應(yīng)性，適用于全天時(shí)復(fù)雜場(chǎng)景的下目標(biāo)探測(cè)，具有很強(qiáng)的實(shí)用價(jià)值。在無人駕駛領(lǐng)域，譬如智能導(dǎo)航、環(huán)境感知、高精度地圖的構(gòu)建等，都依賴于可見光圖像和點(diǎn)云的融合處理。大家所熟知的百度 Apollo、谷歌 Waymo 自動(dòng)駕駛系統(tǒng)均應(yīng)用視覺相機(jī)和激光雷達(dá)作為主傳感器進(jìn)行定位和環(huán)境感知，目前已經(jīng)實(shí)現(xiàn) L4 級(jí)別的高度自動(dòng)化駕駛。此外，在醫(yī)學(xué)影像、高精度工程測(cè)量、工業(yè)生產(chǎn)、虛擬現(xiàn)實(shí)等領(lǐng)域，三維點(diǎn)云和可見光圖像融合技術(shù)也有著廣泛應(yīng)用。 圖1.三維點(diǎn)云與光學(xué)影像融合效果

該系統(tǒng)基于各級(jí)醫(yī)療系統(tǒng)的影像科研臨床應(yīng)用基礎(chǔ)及各類院校影像教學(xué)大 綱而開發(fā)，貼合各級(jí)診療機(jī)構(gòu)日常診療習(xí)慣和院校教學(xué)大綱需求，方便教師對(duì)各 類影像圖片的展示和教學(xué)，能更好的讓學(xué)生全面對(duì)各類影像進(jìn)行閱片、報(bào)告書寫 練習(xí)，以及熟悉臨床應(yīng)用及診療流程，有利于訓(xùn)練學(xué)生的影像技能操作能力及就業(yè)。

本發(fā)明公開了一種無需 POS 輔助的低空遙感影像快速自動(dòng)拼接方法，包括步驟:步驟 1，低空遙感 影像測(cè)區(qū)的全自動(dòng)恢復(fù);步驟 2，根據(jù)精匹配種子點(diǎn)對(duì)預(yù)處理后的影像進(jìn)行精匹配獲得精匹配結(jié)果;步 驟 3，對(duì)精匹配結(jié)果進(jìn)行自由網(wǎng)平差迭代獲得平差結(jié)果;步驟 4，根據(jù)差結(jié)果內(nèi)插生成影像的數(shù)字地面 模型，根據(jù)平差結(jié)果獲取影像在自由網(wǎng)坐標(biāo)系下的相對(duì)外方位元素，基于數(shù)字地面模型和相對(duì)外方位元 素對(duì)各影像進(jìn)行正射糾正，同時(shí)生成測(cè)區(qū)的正射影像拼接圖。本發(fā)明無需 POS 數(shù)據(jù)輔助，可實(shí)現(xiàn)全自 動(dòng)、快速生產(chǎn)正射影像拼圖，能滿足遙感影像準(zhǔn)實(shí)時(shí)處理要求，適用于災(zāi)害應(yīng)急響應(yīng)、軍事保障等領(lǐng)域。

 PACS（Picture Archiving and Communication Systems）是醫(yī)學(xué)影像計(jì)算機(jī)存檔與傳輸系統(tǒng)的簡(jiǎn)稱，是近年來隨著數(shù)字成像技術(shù)、計(jì)算機(jī)技術(shù)和網(wǎng)絡(luò)技術(shù)的進(jìn)步而迅速發(fā)展起來的、旨在全面解決醫(yī)學(xué)影像的獲取、顯示、存貯、傳送和管理的綜合系統(tǒng)。本設(shè)計(jì)方案完全遵循DICOM3.0國(guó)際標(biāo)準(zhǔn)（Digital Imaging and Communications in Medicine），符合醫(yī)院的工作流程習(xí)慣，并可根據(jù)醫(yī)院的實(shí)際需求提供整套的PACS解決方案，以滿足醫(yī)院實(shí)用、具有良好的擴(kuò)展性和柔軟性。 以讀片診斷中心（PACS Station）為中心可組建PACS系統(tǒng)的各個(gè)模塊，如下圖所示。具體的PACS項(xiàng)目可根據(jù)醫(yī)院的規(guī)模和投資的大小構(gòu)成，組建不同級(jí)別的PACS系統(tǒng)。   1、放射與核醫(yī)學(xué)影像中心 該模塊將醫(yī)院的CT、MR、DSA、CR、DR、RF等數(shù)字影像設(shè)備獲得的標(biāo)準(zhǔn)DICOM影像傳輸?shù)絇ACS系統(tǒng)，進(jìn)行存儲(chǔ)、管理，并通過讀片中心顯示和診斷。它遵循DICOM3.0國(guó)際標(biāo)準(zhǔn)，可以將所有滿足該標(biāo)準(zhǔn)的數(shù)字影像設(shè)備輕松地接入PACS系統(tǒng)，具有無限的可擴(kuò)展性。 2、視頻設(shè)備 該模塊將超聲、內(nèi)窺鏡、病理等視頻設(shè)備獲得的非DICOM影像通過DICOM網(wǎng)關(guān)轉(zhuǎn)換成DICOM影像，接入PACS系統(tǒng)。 3、登記與管理 該模塊完成病人及其檢查項(xiàng)目的登記、預(yù)約、病歷管理、科室管理和系統(tǒng)維護(hù)等功能。包括放射科登記、核醫(yī)學(xué)登記、超聲登記、內(nèi)窺鏡登記、病理登記、急診登記等。 4、DICOM照相輸出 該模塊將PACS系統(tǒng)中病人的DICOM影像和診斷結(jié)果進(jìn)行編輯，通過激光相機(jī)打印，輸出膠片。還可以將病人的膠片通過高精度掃描儀轉(zhuǎn)換成DICOM數(shù)字影像，輸入到PACS系統(tǒng)中。 5、診斷讀片報(bào)告中心 該模塊是PACS系統(tǒng)的核心部分，可以完成調(diào)閱病歷和查詢病人檢查狀態(tài)、閱讀各種檢查的影像資料、編輯診斷結(jié)論和審核等功能。診斷讀片工作站具有強(qiáng)大的影像處理功能，可以對(duì)圖像進(jìn)行多模式調(diào)入、鎖定、調(diào)節(jié)窗位窗寬、放大/縮小、移動(dòng)、旋轉(zhuǎn)、圖像測(cè)量、標(biāo)注、動(dòng)態(tài)播放、偽彩、濾波、均衡、反相、拷貝、導(dǎo)出等操作，支持雙屏瀏覽，內(nèi)含放射影像描述專家系統(tǒng)，幫助醫(yī)生快速生成診斷報(bào)告。 6、PACS影像存儲(chǔ)中心 該模塊由PACS服務(wù)器和RAID磁盤陣列構(gòu)成，實(shí)現(xiàn)PACS影像的海量存儲(chǔ)和自動(dòng)備份管理。RAID磁盤陣列實(shí)現(xiàn)TB級(jí)的在線影像存儲(chǔ)，可管理醫(yī)院3－5年的影像資料。可外接CD－R、DVD－RW或磁帶機(jī)，實(shí)現(xiàn)歷史影像資料的離線存儲(chǔ)。所有在線和離線影像均由數(shù)據(jù)庫(kù)統(tǒng)一管理。     7、WEB發(fā)布與遠(yuǎn)程診斷 該模塊通過WEB服務(wù)器實(shí)現(xiàn)B/S方式的影像資料的共享，醫(yī)生工作臺(tái)只需IE網(wǎng)絡(luò)瀏覽器而不需要安裝其他軟件，即可瀏覽影像資料和診斷結(jié)論，方便臨床和門診醫(yī)生。 8、HIS互連 該模塊可根據(jù)醫(yī)院現(xiàn)有HIS系統(tǒng)結(jié)構(gòu)，實(shí)現(xiàn)PACS系統(tǒng)和HIS系統(tǒng)的互連。 本次開發(fā)包括上述的1至6模塊，7和8模塊作為本系統(tǒng)未來的可擴(kuò)充功能。 讀片診斷工作站（PACS Station）是PACS系統(tǒng)中的核心模塊，其他的模塊都是為它服務(wù)的。它接受和管理所有數(shù)字影像設(shè)備送來的DICOM影像，從數(shù)據(jù)庫(kù)中獲取病人的信息，在高精度影像顯示器上顯示檢查的圖片資料，對(duì)病灶部位的重要影像進(jìn)行一系列操作，并幫助醫(yī)生做出最后的診斷。系統(tǒng)結(jié)構(gòu)如圖所示。 “管理工作站”負(fù)責(zé)將病人的基本信息、檢查申請(qǐng)和醫(yī)囑輸入PACS數(shù)據(jù)庫(kù)。病人在CT（或者M(jìn)R、DSA、RF、CR、DR等）做完檢查后，檢查的影像資料通過DICOM網(wǎng)關(guān)PACS Station的DICOM服務(wù)器。DICOM服務(wù)器將資料存入工作站的影像文件庫(kù)的同時(shí)，通知數(shù)據(jù)庫(kù)影像的位置和修改工作流（Workflow）的狀態(tài)。最后，醫(yī)生通過讀片診斷工作站（PACS Station）主程序，從數(shù)據(jù)庫(kù)讀取病人信息，從影像文件庫(kù)讀取檢查影像并顯示，使用該工作站提供的工具對(duì)影像資料進(jìn)行調(diào)入、調(diào)窗、放大、縮小、移動(dòng)、旋轉(zhuǎn)、測(cè)量（長(zhǎng)度/角度/面積）、標(biāo)注等一系列的操作，鍵入診斷結(jié)論并輸出。 適合于中小型醫(yī)院、縣級(jí)醫(yī)院、醫(yī)學(xué)院和大學(xué)的附屬醫(yī)院等。 主要技術(shù)指標(biāo)：  PACS Station的主要技術(shù)指標(biāo)如下： 1、PACS Station支持的醫(yī)學(xué)影像的分辨率和灰階值 醫(yī)學(xué)影像模式 分辨率 灰階值 X射線 2048x2048 12 CT 512x512 12-16 DA或DF 512x512 8-12 1024x0124 2048x2048 MRI 256x256 12 NMI 64x64 8-16 128x128 256x256 US 64x64 16-32 128x128 2、影像分割模式：有1x1，1x2，2x2，2x3等四種模式（用戶可自定義）。 3、調(diào)窗：支持鼠標(biāo)快速調(diào)窗；精細(xì)調(diào)窗；窗寬調(diào)節(jié)等。 4、影像大小調(diào)節(jié)：支持 l  無級(jí)縮放：縮放倍數(shù)無限可調(diào)； l  放大鏡：在鼠標(biāo)所在處出現(xiàn)一個(gè)方框，方框可自由移動(dòng)，框內(nèi)圖像被放大一倍； l  圖像滿幅顯示：恢復(fù)到圖像被載入時(shí)的初始狀態(tài)； l  原始大小顯示：被選中的圖像以實(shí)際物理大小顯示。 5、圖像移動(dòng)與翻轉(zhuǎn)：支持 l  圖像移動(dòng)：用鼠標(biāo)按住圖像，直接拖動(dòng)； l  圖像翻轉(zhuǎn)：可水平鏡像和垂直鏡像翻轉(zhuǎn)； l  圖像旋轉(zhuǎn)：可按順時(shí)針或逆時(shí)針方向0－360度任意旋轉(zhuǎn)。 6、圖像測(cè)量：支持以下方式 l  點(diǎn)測(cè)量：顯示鼠標(biāo)所在點(diǎn)的CT值（或灰度值）以及坐標(biāo)； l  長(zhǎng)度測(cè)量：顯示鼠標(biāo)給定的兩點(diǎn)間的長(zhǎng)度； l  面積測(cè)量：可按矩形、橢圓形和任意多邊形顯示和測(cè)量面積，并顯示測(cè)量區(qū)域CT值的最大、最小、均值等統(tǒng)計(jì)參數(shù)。 7、圖像標(biāo)注：可用一條標(biāo)注斜線和矩形方框指向一圖像區(qū)域，在方框中可輸入標(biāo)注文字。 8、圖像動(dòng)態(tài)播放：可按鍵：“播放”、“暫停”、“首幀”、“前一幀”、“后一幀”等連續(xù)顯示一個(gè)序列的圖像。 9、圖像處理：支持 l  圖像偽彩：對(duì)原始黑白灰度的圖像，按一定的映射關(guān)系轉(zhuǎn)成彩色，增強(qiáng)顯示效 果； l  圖像增強(qiáng)：通過對(duì)比度的線性展寬，提升高灰階值像素的灰度，抑制低灰階值 像素的灰度，達(dá)到增加對(duì)比度的效果； l  中指濾波：顯示中指濾波后的圖像； l  直方圖均衡：顯示直方圖均衡后的圖像，增強(qiáng)原圖像中較暗的部分，增強(qiáng)細(xì)節(jié)； l  反相：顯示負(fù)片效果的圖像。 與國(guó)內(nèi)外技術(shù)水平及價(jià)格比較： 成果鑒定認(rèn)為，該P(yáng)ACS系統(tǒng)的各項(xiàng)技術(shù)指標(biāo)已經(jīng)達(dá)到了國(guó)際同類產(chǎn)品的先進(jìn)水平。而系統(tǒng)造價(jià)只有進(jìn)口產(chǎn)品的五分之一到十分之一。 市場(chǎng)應(yīng)用前景： 根據(jù)市場(chǎng)權(quán)威部門統(tǒng)計(jì)，我國(guó)縣級(jí)以上醫(yī)院每年用于PACS系統(tǒng)的投資都在50億人民幣以上，并且平均每年以20％的速度遞增。市場(chǎng)前景非常客觀。

本發(fā)明提供一種基于區(qū)域變化率的遙感影像接縫線優(yōu)化方法，包括步驟：計(jì)算待優(yōu)化接縫線涉及的 左、右數(shù)字正射影像間重疊區(qū)域像素的差值矩陣；分別對(duì)待優(yōu)化接縫線涉及的左、右數(shù)字正射影像的重 疊區(qū)域進(jìn)行影像分割，并獲得各分割區(qū)域的變化率；根據(jù)各分割區(qū)域的變化率確定待優(yōu)化接縫線的優(yōu)選 區(qū)域，并根據(jù)確定的待優(yōu)化接縫線的優(yōu)選區(qū)域優(yōu)化重疊區(qū)域像素的差值矩陣；根據(jù)優(yōu)化后的重疊區(qū)域像 素的差值矩陣以及待優(yōu)化接縫線的起點(diǎn)和終點(diǎn)，對(duì)待優(yōu)化接縫線進(jìn)行優(yōu)化。本發(fā)明適用于數(shù)字正

一種基于路徑追蹤的遙感影像 Bowtie 效應(yīng)糾正方法，包括進(jìn)行插值，使經(jīng)緯度數(shù)據(jù)與原始影像具 有相同的分辨率；根據(jù)衛(wèi)星的升降軌方向和掃描方向確定第一個(gè)糾正像元的搜索起點(diǎn)，設(shè)定對(duì)糾正影像 進(jìn)行重采樣的順序，依次采用路徑追蹤的方式定位糾正影像的每個(gè)像元在原始影像中的位置，即搜索其 在插值后的經(jīng)緯度格網(wǎng)中的位置，獲得與糾正影像像元最鄰近的若干個(gè)采樣點(diǎn)用于灰度重采樣來去除影 像的重疊現(xiàn)象。本方法計(jì)算效率好，充分利用原始影像信息，是一種嚴(yán)格的高精度中低