搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

递变能量X射线高动态融合图像的灰度表征算法研究

陈平 阴晓刚 潘晋孝 韩焱

引用本文:
Citation:

递变能量X射线高动态融合图像的灰度表征算法研究

陈平, 阴晓刚, 潘晋孝, 韩焱

Algorithm of high-dynamic fusion image gray characterization based on variable energy

Chen Ping, Yin Xiao-Gang, Pan Jin-Xiao, Han Yan
PDF
导出引用
  • 递变能量X射线成像,通过获取并融合图像序列实现动态范围扩展,完整再现了检测对象的结构信息. 但是在融合过程中往往是以质量优化为目的,忽略了与实际高动态成像的灰度映射正确性,从而不能保证图像信息与实际物体信息的物理匹配性. 因此,本文提出了递变能量X射线高动态融合图像的灰度表征算法. 该算法首先以标钢质准楔形试块为对象,将不同电压下的融合图像作为输入数据,直接采集高动态成像图像作为输出数据,利用神经网络方法构建递变能量成像的灰度表征模型. 同时针对不同于训练对象的材料,对灰度表征模型进行修正,实现了不同材质的灰度正确表征,进而实现了低动态图像序列融合图像的正确表征. 以12和16 bit成像系统进行实验,结果表明,利用12 bit 探测器通过变电压采集图像序列,经图像融合、灰度映射及灰度校正,达到了16 bit探测器的成像效果,且满足灰度对应关系,有效拓展了成像器件的动态范围.
    X-ray imaging based on variable energy can expand the dynamic range of the imaging system and perfectly show the structure information of the detection objects, by acquiring and fusing the image sequences. However, the fusion method is ordinarily based on image quality optimization, and neglects the gray mapping accuracy of the actual high dynamic imaging. It cannot guarantee the physical matching between the image information and actual structure information. Therefore, in this paper we propose an X-ray image gray characterization algorithm of high dynamic fusion based on variable energy. First, take a standard wedge block as test object, and use the fusion image of low dynamic image sequences as input data. The output data are the actual high dynamic image. Then establish the X-ray imaging gray characterization model by neural network training. At the same time, because the attenuation coefficients of different heterogeneous materials are different, a modified model of physical characterization is established to achieve a correct characterization of real object. Finally, experiments by 12 bit and 16 bit imaging systems acquire the variable voltage image sequences using 12 bit detector. After image fusion, image mapping and gray level correction, the output image not only achieves the same effect of 16 bit detector, but also satisfies the gray relation. Also this method can effectively expand the dynamic range of the imaging system.
    • 基金项目: 国家自然科学基金(批准号:61227003,61171179,61302159)、山西省自然科学基金(批准号:2012021011-2)、高等学校博士学科点专项科研基金(批准号:20121420110006)、山西省回国留学人员科研资助项目(批准号:2013-083)和山西省高等学校优秀创新团队支持计划资助的课题.
    • Funds: Project supported by the National Natural Science Foundation of China (Grant Nos. 61227003, 61171179, 61302159), the Natural Science Foundation of Shanxi Province, China (Grant No. 2012021011-2), the Specialized Research Fund for the Doctoral Program of Higher Education, China (Grant No. 20121420110006), the Shanxi Scholarship Council of China (Grant No. 2013-083), and the Top Science and Technology Innovation Teams of Higher Learning Institutions of Shanxi, China.
    [1]

    Bi B, Li Z, Kuan S, Haina J 2013 NDT E Int. 58 26

    [2]

    Krämer P, Weckenmann A 2010 Measur. Sci. Technol. 21 1

    [3]

    Chen P, Han Y, Pan J X 2013 Optik 124 3265

    [4]

    Chen P, Han Y, Pan J X 2013 Spectrosc. Spectr. Anal. 33 1383 (in Chinese) [陈平, 韩焱, 潘晋孝 2013光谱学与光谱分析 33 1383]

    [5]

    Liu B, Han Y, Pan J, Chen P 2014 J. X Ray Sci. Technol. 22 241

    [6]

    Wei J T, Chen P, Pan J X 2013 Chin. J. Stereol. Image Anal. 18 103 (in Chinese) [魏交统, 陈平, 潘晋孝 2013 中国体视学与图像分析 18 103]

    [7]

    Yang Y, Mou X Q, Luo T, Tang S J 2009 Acta Photon. Sin. 38 2435 (in Chinese) [杨莹, 牟轩沁, 罗涛, 汤少杰 2009 光子学报 38 2435]

    [8]

    Fan J D, Jiang H D 2012 Acta Phys. Sin. 61 218702 (in Chinese) [范家东, 江怀东 2012 物理学报 61 218702]

    [9]

    Liu L X, Du G H, Hu W, Xie H L, Xiao T Q 2007 Acta Phys. Sin. 56 4556 (in Chinese) [刘丽想, 杜国浩, 胡雯, 谢红兰, 肖体乔 2007 物理学报 56 4556]

    [10]

    Wang J, Zhang H, Cheng X L 2013 Chin. Phys. B 22 085201

    [11]

    Zhang J, Wang X W, Sun Y D 2011 Comput. Tomography Theory Appl. 20 235 (in Chinese) [张健, 王学武, 孙运达 2011 CT理论与应用研究 20 235]

    [12]

    Lee W J, Kim D S, Kang S W, Yi W J 2012 34th Annual International Confer-Ence of the IEEE Engineering in Medicine and Biology Society California, USA, August 28-September 1, 2012 p1514

    [13]

    Torbati N, Ayatollahi A, Kermani A 2014 Comput. Biol. Med. 44 76

    [14]

    Funahashi K 1989 Neural Networks 2 183

  • [1]

    Bi B, Li Z, Kuan S, Haina J 2013 NDT E Int. 58 26

    [2]

    Krämer P, Weckenmann A 2010 Measur. Sci. Technol. 21 1

    [3]

    Chen P, Han Y, Pan J X 2013 Optik 124 3265

    [4]

    Chen P, Han Y, Pan J X 2013 Spectrosc. Spectr. Anal. 33 1383 (in Chinese) [陈平, 韩焱, 潘晋孝 2013光谱学与光谱分析 33 1383]

    [5]

    Liu B, Han Y, Pan J, Chen P 2014 J. X Ray Sci. Technol. 22 241

    [6]

    Wei J T, Chen P, Pan J X 2013 Chin. J. Stereol. Image Anal. 18 103 (in Chinese) [魏交统, 陈平, 潘晋孝 2013 中国体视学与图像分析 18 103]

    [7]

    Yang Y, Mou X Q, Luo T, Tang S J 2009 Acta Photon. Sin. 38 2435 (in Chinese) [杨莹, 牟轩沁, 罗涛, 汤少杰 2009 光子学报 38 2435]

    [8]

    Fan J D, Jiang H D 2012 Acta Phys. Sin. 61 218702 (in Chinese) [范家东, 江怀东 2012 物理学报 61 218702]

    [9]

    Liu L X, Du G H, Hu W, Xie H L, Xiao T Q 2007 Acta Phys. Sin. 56 4556 (in Chinese) [刘丽想, 杜国浩, 胡雯, 谢红兰, 肖体乔 2007 物理学报 56 4556]

    [10]

    Wang J, Zhang H, Cheng X L 2013 Chin. Phys. B 22 085201

    [11]

    Zhang J, Wang X W, Sun Y D 2011 Comput. Tomography Theory Appl. 20 235 (in Chinese) [张健, 王学武, 孙运达 2011 CT理论与应用研究 20 235]

    [12]

    Lee W J, Kim D S, Kang S W, Yi W J 2012 34th Annual International Confer-Ence of the IEEE Engineering in Medicine and Biology Society California, USA, August 28-September 1, 2012 p1514

    [13]

    Torbati N, Ayatollahi A, Kermani A 2014 Comput. Biol. Med. 44 76

    [14]

    Funahashi K 1989 Neural Networks 2 183

  • [1] 宋天舒, 夏辉. 基于数值稳定型神经网络的Villain-Lai-Das Sarma方程的动力学标度行为研究. 物理学报, 2024, 73(16): 160501. doi: 10.7498/aps.73.20240852
    [2] 周文力, 卓伟伟, 蒋依然, 马文杰, 董宝君. 水平管内超临界R1234ze(E)冷却传热性能的神经网络预测. 物理学报, 2024, 73(12): 120702. doi: 10.7498/aps.73.20240283
    [3] 黄宇航, 陈理想. 基于未训练神经网络的分数傅里叶变换成像. 物理学报, 2024, 73(9): 094201. doi: 10.7498/aps.73.20240050
    [4] 马锐垚, 王鑫, 李树, 勇珩, 上官丹骅. 基于神经网络的粒子输运问题高效计算方法. 物理学报, 2024, 73(7): 072802. doi: 10.7498/aps.73.20231661
    [5] 杨莹, 曹怀信. 量子混合态的两种神经网络表示. 物理学报, 2023, 72(11): 110301. doi: 10.7498/aps.72.20221905
    [6] 方波浪, 王建国, 冯国斌. 基于物理信息神经网络的光斑质心计算. 物理学报, 2022, 71(20): 200601. doi: 10.7498/aps.71.20220670
    [7] 李靖, 孙昊. 识别Z玻色子喷注的卷积神经网络方法. 物理学报, 2021, 70(6): 061301. doi: 10.7498/aps.70.20201557
    [8] 孙立望, 李洪, 汪鹏君, 高和蓓, 罗孟波. 利用神经网络识别高分子链在表面的吸附相变. 物理学报, 2019, 68(20): 200701. doi: 10.7498/aps.68.20190643
    [9] 魏德志, 陈福集, 郑小雪. 基于混沌理论和改进径向基函数神经网络的网络舆情预测方法. 物理学报, 2015, 64(11): 110503. doi: 10.7498/aps.64.110503
    [10] 李欢, 王友国. 一类非线性神经网络中噪声改善信息传输. 物理学报, 2014, 63(12): 120506. doi: 10.7498/aps.63.120506
    [11] 陈铁明, 蒋融融. 混沌映射和神经网络互扰的新型复合流密码. 物理学报, 2013, 62(4): 040301. doi: 10.7498/aps.62.040301
    [12] 李华青, 廖晓峰, 黄宏宇. 基于神经网络和滑模控制的不确定混沌系统同步. 物理学报, 2011, 60(2): 020512. doi: 10.7498/aps.60.020512
    [13] 赵海全, 张家树. 混沌通信系统中非线性信道的自适应组合神经网络均衡. 物理学报, 2008, 57(7): 3996-4006. doi: 10.7498/aps.57.3996
    [14] 王永生, 孙 瑾, 王昌金, 范洪达. 变参数混沌时间序列的神经网络预测研究. 物理学报, 2008, 57(10): 6120-6131. doi: 10.7498/aps.57.6120
    [15] 牛培峰, 张 君, 关新平. 基于遗传算法的统一混沌系统比例-积分-微分神经网络解耦控制研究. 物理学报, 2007, 56(5): 2493-2497. doi: 10.7498/aps.56.2493
    [16] 行鸿彦, 徐 伟. 混沌背景中微弱信号检测的神经网络方法. 物理学报, 2007, 56(7): 3771-3776. doi: 10.7498/aps.56.3771
    [17] 王瑞敏, 赵 鸿. 神经元传输函数对人工神经网络动力学特性的影响. 物理学报, 2007, 56(2): 730-739. doi: 10.7498/aps.56.730
    [18] 王耀南, 谭 文. 混沌系统的遗传神经网络控制. 物理学报, 2003, 52(11): 2723-2728. doi: 10.7498/aps.52.2723
    [19] 谭文, 王耀南, 刘祖润, 周少武. 非线性系统混沌运动的神经网络控制. 物理学报, 2002, 51(11): 2463-2466. doi: 10.7498/aps.51.2463
    [20] 神经网络的自适应删剪学习算法及其应用. 物理学报, 2001, 50(4): 674-681. doi: 10.7498/aps.50.674
计量
  • 文章访问数:  6473
  • PDF下载量:  463
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-04-03
  • 修回日期:  2014-07-13
  • 刊出日期:  2014-10-05

/

返回文章
返回