1. 从零理解电阻抗层析成像到底在做什么
电阻抗层析成像，英文全称 Electrical Impedance Tomography，圈子里习惯叫 EIT。如果被测对象内部介质不是生物组织而是工业管道里的油水混合液、气固两相流，那通常叫 ECT，也就是 Electrical Capacitance Tomography。两者在数学骨架上几乎是一回事，区别在于敏感场是电场还是电容场，边界测量的是电压还是电容。我最初接触这个方向的时候，最大的困惑不是算法本身，而是“为什么这东西分辨率这么低却还有人做”。后来想明白了：它测的是电学参数的空间分布，本质上是在解一个严重欠定的非线性反问题，能拿到的独立测量数远少于未知量个数，所以注定不可能像 CT 那样清晰。但它的优势也极其突出——非侵入、无辐射、响应快、成本低，特别适合动态过程的实时监测。比如管道内气液两相流的截面含气率变化，用高速相机拍不到内部，用 X 射线又太贵且涉及辐射安全，EIT/ECT 就成了很务实的选择。
这个方向适合谁来学？我的判断是三类人：第一类是做过程层析成像、多相流检测的研究生，需要从仿真到实验搭一套完整链路；第二类是做医学电阻抗成像的工程人员，关心正问题求解精度和逆问题正则化策略；第三类是做工业在线监测的开发者，想评估 EIT/ECT 能不能落地到自己的场景。不管哪一类，绕不开的核心链路都是一样的：正问题仿真、逆问题求解、模型建模、敏感场分析、图像重建与评价。我下面就把这条链路拆开，把每一步的坑和技巧都讲清楚。
2. 正问题仿真：EIT/ECT 的地基怎么打
2.1 正问题到底在算什么
正问题就是已知内部电导率分布（EIT）或介电常数分布（ECT），求边界电极上的测量值。听起来简单，但它是整个成像系统的地基。正问题算不准，逆问题再花哨也是空中楼阁。EIT 的正问题由麦克斯韦方程组简化而来，在准静态近似下，内部电位分布满足：
∇·(σ∇φ) = 0
其中 σ 是电导率分布，φ 是电位。边界条件分两类：电极上施加电流的电极边界条件，以及电极间绝缘的绝缘边界条件。ECT 则把 σ 换成 ε，方程形式完全一致。这个方程看着简洁，但它是一个椭圆型偏微分方程，只有在极少数规则几何和均匀介质下才有解析解。实际用的都是数值方法，主流就两种：有限元法（FEM）和边界元法（BEM）。我实测下来，FEM 更适合复杂几何和任意电导率分布，BEM 在均匀背景加少量异物的场景下网格量小、精度高，但一旦介质分布复杂，边界元优势就没了。所以绝大多数 EIT/ECT 仿真平台都选 FEM。
2.2 有限元网格划分的实操要点
网格划分是正问题仿真里最容易被忽视、却最影响结果的一步。我踩过的坑是：一开始用均匀三角形网格，结果电极附近的电位梯度变化剧烈，粗网格根本捕捉不到，边界电压误差超过 5%。后来改成电极区域局部加密，误差直接降到 0.3% 以内。具体做法是：在圆形或方形域内，先按全局尺寸生成初始网格，然后在每个电极覆盖的边界弧段上设置更小的单元尺寸，通常取全局尺寸的 1/5 到 1/10。单元类型优先选线性三角形或双线性四边形，高阶单元虽然精度高，但组装刚度矩阵的时间会成倍增加，对于需要反复求解正问题的逆问题迭代来说不划算。
还有一个细节是电极建模方式。常见的有连续电极模型、间隙电极模型和分流电极模型。连续电极模型假设电极上电位均匀，实现简单，但在电极边缘会有奇异场；分流电极模型考虑电极与介质之间的接触阻抗，更接近真实物理，但需要额外标定接触阻抗参数。我的经验是：做仿真验证算法时用连续电极模型就够了，做实验对比时一定要用分流电极模型，否则仿真和实测的边界电压趋势对不上。
2.3 正问题求解的代码骨架
下面给一个基于 FEM 的 EIT 正问题求解核心逻辑，用 Python 伪代码表示，实际实现可以基于 FEniCS、FreeFEM 或自研 FEM 库：
# 假设已生成网格 mesh，节点坐标 nodes，单元连接 elems # 电导率分布 sigma 定义在每个单元上 # 电极编号 electrodes，每个电极覆盖的边界节点集合 import numpy as np from scipy.sparse import lil_matrix from scipy.sparse.linalg import spsolve def assemble_stiffness(nodes, elems, sigma): n_nodes = len(nodes) K = lil_matrix((n_nodes, n_nodes)) for e in elems: # 取单元节点坐标 xy = nodes[e] # 计算单元面积和形函数梯度 area, grad = compute_element_geometry(xy) # 单元刚度矩阵 Ke = area * grad @ grad.T * sigma[e] # 组装到全局 for i in range(3): for j in range(3): K[e[i], e[j]] += Ke[i, j] return K.tocsr() def solve_forward(nodes, elems, sigma, electrodes, current_pattern): K = assemble_stiffness(nodes, elems, sigma) # 施加电极边界条件，注入电流 # 这里省略具体边界处理，核心是修改 K 和右端项 # 求解线性方程组 phi = spsolve(K, current_pattern) # 提取电极上的电位，计算边界电压 boundary_voltage = extract_electrode_voltage(phi, electrodes) return boundary_voltage这段代码的关键在于assemble_stiffness里对每个单元计算刚度矩阵并组装。实际工程中，为了加速逆问题迭代，通常会把刚度矩阵分解成与电导率无关的部分和相关的部分，这样每次更新电导率时只需要重新组装相关项，能省不少时间。
3. 逆问题求解：从边界电压反推内部图像
3.1 逆问题的病态本质与正则化思路
逆问题是 EIT/ECT 最核心也最困难的部分。它的病态程度可以用条件数来衡量，我做过一个测试：在 16 电极系统中，雅可比矩阵的条件数轻松超过 10^6，这意味着边界电压上哪怕有 0.1% 的噪声，重建图像里就可能出现完全虚假的异物。所以正则化不是可选项，是必选项。最常用的是 Tikhonov 正则化，目标函数写成：
||J·Δσ - ΔV||² + λ||L·Δσ||²
其中 J 是雅可比矩阵（敏感场），Δσ 是电导率变化量，ΔV 是边界电压变化量，λ 是正则化参数，L 是正则化矩阵。λ 的选取直接决定重建质量：λ 太大，图像过度平滑，小异物被抹掉；λ 太小，噪声放大，图像全是伪影。我常用的方法是 L 曲线法，以 log||J·Δσ - ΔV|| 为横轴，log||L·Δσ|| 为纵轴，取曲线拐点对应的 λ。实测下来，L 曲线法在仿真数据上很稳，但在实测数据上因为噪声特性不同，拐点有时不明显，这时候可以结合广义交叉验证（GCV）来交叉确认。
3.2 雅可比矩阵的计算与敏感场分析
雅可比矩阵，也叫敏感场矩阵，描述的是每个单元电导率变化对每个边界测量电压的影响。它的计算有两种方式：直接差分法和伴随场法。直接差分法就是对每个单元依次扰动电导率，重新求解正问题，计算量大得惊人；伴随场法利用互易定理，一次正问题求解就能得到所有测量对应的敏感场，效率高得多。我推荐用伴随场法，具体公式是：
J_ij = -∫_Ω ∇φ_i · ∇φ_j dΩ
其中 φ_i 是第 i 个电流注入模式下的电位分布，φ_j 是第 j 个测量模式下的电位分布。这个公式的物理意义很直观：敏感场强度取决于两个电场在空间中的重叠程度。电极附近敏感场强，中心区域敏感场弱，这就是为什么 EIT/ECT 对中心异物不敏感的根本原因。
做敏感场分析时，我习惯把敏感场矩阵按行归一化后画出来，看看哪些区域的敏感度特别低。如果中心区域敏感度只有边缘的 1/10，那重建时就要对中心区域做加权补偿，否则中心异物根本重建不出来。这个补偿系数可以通过敏感场矩阵的列范数来定，列范数小的单元给大权重。
3.3 迭代重建与一步重建的取舍
逆问题求解分两大类：一步重建和迭代重建。一步重建就是线性化后直接求解，速度快，适合动态过程的实时监测，但精度有限，尤其是电导率对比度大的时候误差明显。迭代重建则是每次更新电导率后重新计算雅可比矩阵，反复迭代直到收敛，精度高但速度慢。我实测过：16 电极系统，一步重建单帧耗时约 20ms，迭代重建 10 次迭代要 500ms 以上。如果是做静态高精度成像，迭代重建值得；如果是做两相流动态监测，一步重建加时间正则化更实用。
时间正则化是个好东西，特别适合动态过程。它的思路是在目标函数里加入相邻帧之间的相关性约束：
||J·Δσ_t - ΔV_t||² + λ||L·Δσ_t||² + μ||Δσ_t - Δσ_{t-1}||²
这样即使单帧重建有噪声，时间上的连续性也能把图像稳住。我在气液两相流实验里用这个方法，气泡运动轨迹的连续性明显改善，不会出现帧间跳变。
4. 模型建模：从仿真域到真实系统的映射
4.1 几何建模与电极布局设计
模型建模的第一步是确定几何形状和电极布局。EIT 常用圆形域，ECT 常用圆形或方形域。电极数量直接影响独立测量数：N 个电极，采用相邻激励相邻测量模式，独立测量数为 N(N-3)/2。8 电极只有 20 个独立测量，16 电极有 104 个，32 电极有 464 个。测量数越多，能分辨的细节越多，但硬件复杂度和数据采集时间也增加。我的经验是：圆形域 16 电极是性价比最高的配置，既能保证一定的空间分辨率，硬件又不至于太复杂。
电极布局有相邻、相对、交叉等多种模式。相邻模式敏感场集中在边缘，中心敏感度低；相对模式敏感场分布更均匀，但独立测量数少。实际系统中，我倾向于用相邻模式做主要测量，辅以少量相对模式测量来补偿中心敏感度。电极宽度也有讲究：太窄，接触阻抗大，噪声高；太宽，空间分辨率下降。一般取电极覆盖弧长占圆周的 1/20 到 1/10 比较合适。
4.2 接触阻抗与系统噪声的建模
真实系统和仿真最大的差距就在接触阻抗和系统噪声。接触阻抗是电极与介质之间的电化学界面效应，它会导致边界电压测量出现额外压降，如果不建模，重建图像会出现边缘伪影。我通常用分流电极模型来近似，即在电极和介质之间加一个接触阻抗层，厚度取 0.1mm 到 0.5mm，电导率根据实测标定。标定方法是：在均匀介质下测量边界电压，与理想连续电极模型的仿真结果对比，反推接触阻抗值。
系统噪声包括电极噪声、放大器噪声、AD 量化噪声等。我习惯在仿真数据上叠加 0.1% 到 1% 的高斯白噪声来模拟实测条件，这样验证算法鲁棒性更靠谱。如果算法在 0.5% 噪声下还能稳定重建，那实测基本没问题。
4.3 从仿真到实测的模型校准流程
模型校准是连接仿真和实测的桥梁。我的流程是：先做空场标定，即均匀介质下的边界电压测量，与仿真对比，调整接触阻抗和电极位置误差；再做已知异物标定，放一个已知位置和尺寸的异物，重建后看位置偏差和尺寸偏差，如果偏差超过 10%，就要回头检查网格和敏感场。这个流程走一遍，通常能把仿真和实测的边界电压误差控制在 2% 以内，重建图像的位置误差控制在 5% 以内。
5. 图像重建与评价：怎么判断重建结果好不好
5.1 常用重建算法对比
EIT/ECT 的重建算法很多，我按实用程度排个序：线性反投影（LBP）最快但最粗糙，适合实时预览；Tikhonov 正则化最常用，平衡了速度和精度；总变差（TV）正则化能保留边缘，但计算量大；深度学习重建是近年热点，但需要大量训练数据，且泛化性存疑。我实测下来，对于工业两相流，Tikhonov 加时间正则化已经够用；对于医学成像，TV 正则化或混合正则化更合适。
| 算法 | 速度 | 精度 | 适用场景 |
|---|---|---|---|
| LBP | 极快 | 低 | 实时预览 |
| Tikhonov | 快 | 中 | 通用场景 |
| TV | 慢 | 高 | 边缘敏感场景 |
| 深度学习 | 中等 | 依赖训练 | 特定分布 |
5.2 重建质量评价指标
评价重建质量不能只看图像好不好看，要有量化指标。我常用的有：相对误差（RE）、相关系数（CC）、结构相似性（SSIM）。RE 衡量重建电导率与真实电导率的整体偏差，CC 衡量空间分布的相关性，SSIM 衡量结构信息的保留程度。对于异物定位，还要看位置误差和尺寸误差。我一般要求 RE 小于 0.3，CC 大于 0.8，位置误差小于异物直径的 10%。
5.3 常见伪影与抑制技巧
EIT/ECT 重建最常见的伪影是边缘伪影和中心模糊。边缘伪影来自接触阻抗和电极位置误差，抑制方法是精确标定接触阻抗，并在正则化矩阵中对边缘区域加权重。中心模糊来自敏感场弱，抑制方法是敏感场加权补偿，或者用多频测量增加独立信息。还有一个坑是“伪影误判为异物”，尤其在噪声大的时候，重建图像里会出现孤立亮点，这时候要结合时间连续性判断，如果亮点只在单帧出现，大概率是噪声。
6. 实操避坑与常见问题速查
6.1 仿真阶段的高频问题
问题一：正问题求解不收敛。排查思路：检查网格质量，是否有畸形单元；检查电导率是否出现零或负值；检查边界条件是否冲突。我遇到过一次，电导率设了 0，导致刚度矩阵奇异，改成 1e-6 就好了。
问题二：敏感场矩阵条件数过大。排查思路：检查电极数量是否太少，测量模式是否单一；检查网格是否过密导致相邻单元敏感场几乎相同。解决办法：增加电极数，或对敏感场矩阵做截断奇异值分解（TSVD）。
问题三：仿真与实测边界电压对不上。排查思路：先检查接触阻抗是否建模，再检查电极位置是否有偏差，最后检查介质电导率是否准确。我通常用均匀介质下的边界电压做对比，如果误差超过 5%，就要逐项排查。
6.2 逆问题阶段的高频问题
问题一：重建图像全是伪影。排查思路：检查正则化参数是否太小，检查噪声水平是否估计准确。解决办法：增大 λ，或改用时间正则化。
问题二：中心异物重建不出来。排查思路：检查敏感场中心区域强度，如果太弱，需要加权补偿。解决办法：对敏感场矩阵做列归一化，或在目标函数中对中心区域加权重。
问题三：迭代重建不收敛。排查思路：检查雅可比矩阵是否更新正确，检查步长是否太大。解决办法：减小步长，或改用阻尼迭代。
6.3 模型校准与实测的高频问题
问题一：实测数据噪声太大。排查思路：检查电极接触是否良好，检查放大器增益是否合适。解决办法：增加平均次数，或改用锁相放大技术。
问题二：重建位置偏移。排查思路：检查电极坐标是否准确，检查介质电导率是否随温度变化。解决办法：重新标定电极坐标，控制实验温度。
问题三：动态过程帧间跳变。排查思路：检查时间正则化权重是否太小。解决办法：增大 μ，或改用卡尔曼滤波做时间平滑。
6.4 我的独家避坑心得
第一个心得：仿真数据加噪声时，不要只加高斯白噪声，还要加一点脉冲噪声，因为实测中电极接触不良会产生脉冲干扰。这样验证出来的算法更鲁棒。
第二个心得：敏感场矩阵不要每次迭代都重新计算，可以每隔几次迭代更新一次，能省不少时间，精度损失很小。
第三个心得：做动态实验时，先做静态标定，再做动态采集，否则动态数据里的伪影你根本分不清是算法问题还是系统问题。
第四个心得：重建图像不要只看单帧，要看时间序列，很多问题在时间维度上才暴露出来。
7. 后续扩展方向与个人体会
这个方向后续可以扩展的地方很多。一个是多模态融合，比如 EIT 和超声、EIT 和电容层析成像结合，用不同物理场的互补信息提升分辨率。另一个是深度学习重建，但要注意训练数据的多样性和泛化性，不能只在仿真数据上训练就指望实测效果好。还有一个是硬件层面的优化，比如用 FPGA 做实时正问题求解，把重建速度推到毫秒级。
我个人在实际操作中的体会是：EIT/ECT 的门槛不在算法多复杂，而在细节多琐碎。网格划密一点、接触阻抗标定准一点、正则化参数调细一点，重建质量就能上一个台阶。反过来，任何一个细节偷懒，图像就会给你颜色看。所以做这个方向，耐心比聪明更重要。最后分享一个小技巧：每次实验前，先跑一遍均匀介质的正问题仿真，把边界电压存下来作为参考，实测时先测均匀介质，对比参考值，如果偏差大，先别急着做异物实验，把系统调准了再说。这个习惯帮我省了很多返工时间。
