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%。

改进深度残差卷积神经网络的LDCT图像估计

针对低剂量计算机断层扫描(Low-Dose Computed Tomography,LDCT)重建图像出现明显条形伪影的现象,提出了一种基于残差学习的深度卷积神经网络(Deep Residual Convolutional Neural Network,DR-CNN)模型,可以从LDCT图像预测标准剂量计算机断层扫描(Normal-Dose Computed Tomography,NDCT)图像。该模型在训练阶段,将数据集中的LDCT图像和NDCT图像相减得到残差图像,将LDCT图像和残差图像分别作为输入和标签,通过深度卷积神经网络(Convolution Neural Network,CNN)学习输入和标签之间的映射关系;在测试阶段,利用此映射关系从LDCT图像预测残差图像,用LDCT图像减去残差图像得到预测的NDCT图像。实验采用50对大小为512×512的同一体模的常规剂量胸腔扫描切片和投影域添加噪声后的重建图像作为数据集,其中45对作为训练集,其他作为测试集,来验证此模型的有效性。通过与非局部降噪算法、匹配三维滤波算法和K-SVD算法等目前公认效果较好的图像去噪算法对比,所提模型预测的NDCT图像均方根误差小,且信噪比略高于其他算法处理结果。

基于局部边缘保持滤波器多尺度分解的工业射线图像增强

在利用X射线检测复杂构造工件时,由于工件薄厚不均,会出现某些区域过曝光或欠曝光而导致细节丢失的情况。针对这一问题,提出了一种基于局部边缘保持滤波(LEP)的多尺度分解增强算法。首先,原始高动态图像经过对数化后通过LEP滤波器得到基本层,将对数化后的图像与基本层做差得到表示小梯度的细节层;然后将滤波半径逐步增大的LEP滤波器对基本层进行多次迭代滤波后做差得到多个细节层,对得到的多个细节层进行S型曲线映射后融合;最后将结果与原始高动态图像线性压缩后进行gamma变换然后归一化的结构层相加,得到的图像通过对比度受限的自适应直方图均衡化(CLAHE)的处理,便得到了背景与工件对比度很高且细节清晰的低动态范围图像。实验结果表明,提出的方法对复杂构建的工件具有明显的增强效果,并且算法效率很高。

基于编解码器生成对抗网络的CT去噪

针对生成对抗网络在训练中损失函数收敛慢,难以恢复图像细节的问题,提出一种基于编解码器与多尺度损失函数的生成对抗网络模型。使用含残差连接的编解码器作为生成器,该网络易于训练,能够加快对抗损失函数的收敛;引入噪声损失,与使用VGG19模型的感知损失构成多尺度损失函数,使图像在视觉上的纹理细节达到更细致的恢复效果。实验结果表明,与低剂量CT相比,去噪后图像的峰值信噪比提升了8.1%,结构相似性指数提升了4.8%,改进后的网络加快了损失函数收敛,有效改善了生成对抗网络训练困难、损失函数收敛慢、图像细节难以恢复等问题。

基于统计平均的旋转中心确定方法

在CT重建系统中,旋转中心是其中一个关键的因素,旋转中心一旦发生偏移将会造成重建图像的伪影,从而重建出质量较差的图像,因此旋转中心的准确性直接影响重建图像的质量.但在实际操作过程中,不可避免地会发生旋转中心的偏移,为了精确测量旋转中心的位置,本文提出了一种基于统计平均的旋转中心确定方法(statistical averaging Methond,SAM).首先通过对投影数据进行不同窗宽的局部均值滤波,然后将对称投影进行相减取绝对值,从而找出最小值出现的位置,最后统计这些最小值在不同位置出现的频率,寻找出现频率最大的两个位置并利用频率进行加权平均得到的位置即为旋转中心.通过两组实验对本文方法进行验证得到的旋转中心位置分别为508.3393和499.419.重建后的图像几乎完全消除了伪影,从而得到高质量的图像.利用统计平均的方法克服了不同类型的噪声对旋转中心的影响,同时能够很好地满足在CT重建过程中对旋转中心精度的要求.此方法可用于扇束扫描重建和锥束圆轨迹扫描重建过程.

基于字典学习与等效视数的低剂量CT伪影抑制算法

针对低剂量CT图像出现条形伪影的现象,提出了一种基于字典学习与等效视数(ENL)的伪影抑制算法.该方法首先利用平稳小波变换(SWT)对低剂量CT图像进行单层分解,并对高频图像训练字典,然后利用等效视数(ENL)对字典进行分区得到伪影字典和特征字典,并只对特征原子进行稀疏编码,经小波逆变换(ISWT)后得到处理的CT图像;然后,采用双边滤波器对处理后的CT图像进行分解并训练高频字典,通过判断等效视数(ENL)来摒弃伪影字典,从而去除高频图像残留的伪影和噪声,达到抑制条形伪影的目的.实验结果表明,与总变分降噪算法、K-奇异值分解(K-SVD)算法和三维块匹配滤波(BM3D)算法对比,该算法在抑制条形伪影的同时保留了更多的边缘和细节信息,并具有较高的结构相似性和峰值信噪比.

基于简单射线散射模型的X射线图像增强算法

在传统的射线成像技术中,由于物体本身的结构与散射的X射线叠加,所得图像的可见度通常会受到限制.针对此问题,提出一种基于简单散射模型的图像增强算法,可以提高单一X射线图像的可见度.首先,根据简单散射模型复原X射线图像,在复原过程中加入了新的中值算子,可以有效抑制射线图像中的脉冲噪声成分;同时,对细化之前的透射率图像应用了导向滤波,使灰度值跳跃的边缘部分的复原效果得到了明显改善,并使光晕伪影现象最小化;最后使用一种灰度优化的方法对复原图像进行后处理,在提高对比度的同时保留了图像中的小细节.实验结果证明了该算法对于低对比度、低亮度射线图像的可行性,增强后的图像中被检测物体的结构更加清晰,大大提高了射线图像的可见度.

基于GF-WLS和VSM的多能量X射线图像融合方法

针对单一能量不能完整体现复杂结构件数字射线成像的全部图像信息这一问题,提出了一种基于引导滤波、加权最小二乘滤波(GF-WLS)和视觉显著图(VSM)的图像融合方法。首先,采用两种滤波方式对图像进行多尺度细节提取,提取出的细节作为细节层,原图作为基础层;其次,根据相位一致性和像素对比度原理分别对细节层和基础层构造视觉显著图,进而通过像素显著性的对比得到初始权重图,再利用引导滤波去除噪声;然后,将权重图归一化作为加权映射权重分别指导基础层与细节层的融合;最后,将融合后的两者进行叠加得到融合结果。试验表明,所提方法能够获得更高质量的融合图像。

基于支持向量机与改进分水岭的红细胞识别算法研究

针对因红细胞重叠以及细胞试剂里含有杂质而造成红细胞识别不准确的问题,提出了一种基于支持向量机(Support Vector Machines,SVM)与改进分水岭算法的红细胞识别算法.算法首先提取原始图像的二值化图像中每个连通区域的形状特征;利用SVM识别单个连通区域与重叠连通区域;利用改进分水岭算法将重叠区域分割为单个连通区域;其次提取单连通区域对应原始图像中的颜色特征,利用另一个SVM识别细胞与杂质;最后统计细胞个数.实验结果表明,该算法提升了红细胞计数的准确率.

基于字典学习与BM3D的MAP投影域降噪算法

针对低剂量CT投影数据存在伪影和噪声的现象,提出了一种基于字典学习与三维块匹配滤波(Block-Matching and 3D Filtering,BM3D)的最大后验(Maximum A Posteriori,MAP)投影域降噪算法.该算法首先使用区别性字典对低剂量CT投影数据进行预处理,达到抑制部分噪声的目的;再运用MAP算法框架,构造一种由中值能量函数与BM3D算子组成的联合先验模型,对整个投影数据进行平滑处理.分别采用两种模型图像对该算法进行验证,实验结果表明,与滤波反投影(Filter Back Projection,FBP)算法、惩罚重加权最小二乘(Penalized Reweighted Least-Squares,PRWLS)算法和各向异性加权先验正弦图平滑算法相比,所提算法重建出的图像伪影较少,较好地保持了图像的边缘信息,具有较高的结构相似性和峰值信噪比.

基于有限元验证的单电流源偶极子矢量场重建

提出一种基于匹配法的逆问题求解方法,用于鸡胚胎心脏电流源偶极子矢量场的重建。在鸡胚胎承接装置上设置41个微孔,测量41个微孔点位的电势数据,采用匹配法计算并确定最优单电流源偶极子的位置、大小及方向,以重建鸡胚胎心脏电流源偶极子矢量场。仿真结果表明,所提方法能够比较准确地计算出单电流源偶极子的位置、大小及方向,并且有一定的抗干扰能力。