基于细节增强的多能DR图像融合网络

针对单能X射线无法对复杂工件各部位同时曝光成像的问题,提出一种基于细节增强的多能DR融合网络-双编码巢式连接融合网络。该网络以Inception模块作为基础卷积层,在双编码器的辅支路设计了可训练的LOG卷积模块,用来提取多尺度边缘特征,并将其补充到主支路以增强全局特征。在训练阶段,提出一种基于图像块的局部能量一致性损失函数,以减少输入、输出的局部性误差。融合时,采用通道和空间注意力机制作为融合策略,对双编码提取的多尺度增强特征进行融合,并将融合后的多尺度特征输入嵌套连接的解码器进行重构。结果表明,该融合网络具有细节增强效果,能够完整清晰地再现复杂工件的内部结构及缺陷。

基于密集连接的双能DR图像融合网络

针对单能X射线对复杂工件不同厚度的区域难以同时有效曝光的问题,提出了一种基于密集连接的双能数字射线成像技术图像融合网络(DR-Net)。具体的,DR-Net由过曝光和欠曝光两个子网络组成,分别以过曝光图像和欠曝光图像作为输入,每个子网络包括1个初始特征提取模型(FEB),1个细节特征增强模块(DFE)和3个级联组成的密集连接融合模块(DCF)。FEB对图像进行初步的特征提取,同时DFE提取出图像的更多细节特征,以增强最终融合图像的细节内容。DCF采用带有密集连接的上采样和下采样操作,利用两个子网络模块中学习到的特征,逐步细化和融合图像特征。最后将每个子网络生成的特征重建,并通过平均融合策略得到最终的融合图像。实验结果显示,相比于单一能量下的DR图像,DR-Net融合图像对比度高,能够更加清晰地再现复杂工件的内部结构。从定量分析结果看,DR-Net在NRSS和AG都是最优值,平均数值与对照实验中最优结果相比分别提升了7.06%和21.1%。

双能透照模式下涡轮叶片DR图像融合方法

为了提高单帧涡轮叶片DR(Digital Radiography)图像的信息量,首先在2个不同射线能量下对涡轮叶片进行DR成像,以获取不同厚度区域的质量信息;然后将2幅DR图像进行多分辨率小波分解,以最大局部方差为准则对二者的低频子带图像进行融合,以局部梯度的活性因子为尺度对二者的高频子带图像进行融合;最后基于小波融合系数的逆变换获得最终的融合结果.实验结果表明:基于此方法的涡轮叶片融合DR图像携带了更为丰富的细节信息,从而有利于叶片质量信息的快速、准确判读.

基于区域特征脉冲耦合神经网络的航空发动机涡轮叶片DR图像融合

针对大厚比的复杂结构件数字射线成像(Digital radiography,DR),单一透照能量不能完整体现全部信息的问题,提出一种基于区域特征的脉冲耦合神经网络(Pulse coupled neural network,PCNN)多幅图像融合算法。以航空发动机涡轮叶片为研究对象,首先在获取多幅递增管电压透照子图基础上,经非下采样轮廓波变换(Non⁃subsampled contourlet transform,NSCT)分解为一个低频子带和多个尺度下的高频子带;其次采用PCNN算法,用各子带的改进空间频率中方向特征最明显的分量调整连接强度;然后低频子带采用区域均方差、高频子带采用改进的拉普拉斯能量和作为外部激励,点火映射图的判决遵循取大原则;最后通过NSCT逆变换得到融合结果图。实验结果表明,以熵、标准差、平均梯度、清晰度和空间频率作为客观评价指标,与基于拉普拉斯金字塔变换等经典融合算法相比均有所提升。本文研究方法性能优越,丰富了融合图像的细节信息,可获得更高质量的DR融合图像。

基于主成分分析的递变能量X射线图像融合

为避免无损检测中递变能量的数字化X射线照相(DR)图像序列的融合对先验经验的依赖,本文提出了一种基于主成分分析(PCA)的方法。该方法首先按照PCA中方法对去噪后的序列图像求各主成分相应的正交单位化特征向量,然后舍掉特征向量中的负值,计算各主成分,最后依照次序从小到大原则选取适量的主成分求和得到融合后的图像。实验结果表明,在不利用先验经验的情形下,这种方法得到的融合图像较完整地表达了DR图像序列的信息,有效扩展了DR图像的动态范围。