CN107004260A - 用于校正直接射线照相图像中的有瑕疵像素伪影的方法 - Google Patents
用于校正直接射线照相图像中的有瑕疵像素伪影的方法 Download PDFInfo
- Publication number
- CN107004260A CN107004260A CN201580067578.1A CN201580067578A CN107004260A CN 107004260 A CN107004260 A CN 107004260A CN 201580067578 A CN201580067578 A CN 201580067578A CN 107004260 A CN107004260 A CN 107004260A
- Authority
- CN
- China
- Prior art keywords
- flaw
- pixel
- kernel
- image
- reconstruct
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002601 radiography Methods 0.000 title claims description 7
- 238000012795 verification Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 abstract description 12
- 238000001914 filtration Methods 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 description 17
- 238000013507 mapping Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 6
- 238000003475 lamination Methods 0.000 description 6
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000002955 isolation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000002800 charge carrier Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000001195 anabolic effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000011469 building brick Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000002463 transducing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
一种用于减少由位于信号梯度影响的诊断图像区中的重构有瑕疵像素群簇所引起的图像干扰的方法。基于在模型中编码的内核对候选者次序而针对有瑕疵的图像像素来组成单独适配的中心对称对重构（CSP）内核，由此使用像素的有效性状态。通过经由预确定的CSP内核图像偏移结构可访问的内核相关联的图像数据的统计过滤或空间卷积来实时地校正受有瑕疵像素所影响的图像。
Description
技术领域
本发明涉及直接射线照相。本发明更具体地涉及用于以使得位于具有强信号梯度的图像区中的经重构的有瑕疵像素群簇的可见性显著减少的这种方式校正有瑕疵像素图像伪影的方法。
背景技术
基于静态和动态平板检测器的x射线成像系统通常用在范围从非破坏性测试到医学诊断的各种应用领域中。尽管在常规基础上对这些复杂的基于固态传感器的图像采集设备进行校准以确定和补偿按阵列（array-wise）布置在检测器的灵敏进入表面中的其传感器像素的信号转换特性中的各种扩展源，但是这些传感器像素中的一些是有瑕疵的或者表现得无规律，从而使其图像数据对于它们已经在信号积分期间暴露于的光或x射线的量而言无代表性。
大部分这些不可靠的传感器像素（通常称为生成无效图像数据的有瑕疵像素）是跨阵列传感器的表面分布的隔离像素。
利用直接围绕隔离的有瑕疵像素的八个无瑕疵图像数据的基于直接邻居内核（kernel）的重构算法足以计算针对有瑕疵像素的非常有效的替换值。
有瑕疵像素在重构之后变得很好地隐藏，并且其未经校正的图像伪影（局部图像影响）几乎完全消失。
甚至在该隔离像素的重构值可能稍微不同于其正常值时，在传感器像素将不是有瑕疵的情况下在该特定图像位置处生成的图像数据，小重构误差，替换值与正常值之间的偏离在经校正的图像中仍然保持几乎不可检测。
取决于负责有瑕疵像素的无效或不稳定曝光-响应的物理现象的性质和类型，也不可避免地生成具有各种形状和空间程度的群簇式有瑕疵像素的群组。有瑕疵群簇的图像影响较大，因为受影响的多个紧密分组的图像像素是小图像区。
甚至在针对群簇中的每一个单独的有瑕疵像素计算重构值时，重构要求不应当与适用于隔离的有瑕疵像素的重构的那些要求相比较不严格，因为展现小重构误差的群簇式像素的群组将更有可能被视为伪影并且因而是干扰的可见图像伪影，从而揭示群簇的非充分隐藏的存在和大小。
如果有瑕疵群簇被示出由于局部信号梯度的存在所致的信号斜坡轮廓的图像数据围绕，则该现象变得甚至更差，所述局部信号梯度通常由具有明显不同的x射线吸收性质（比如骨骼和软组织）的射线照相对象的边界处的突变、阶梯形状的对比度差异而引起。
由于重构之下的有瑕疵像素之一的紧接邻居中的其它有瑕疵像素的群组式存在，从其计算替换值的按侧向扩展内核或者剩余直接邻居内核失去相对于其重构点的几何平衡，并且朝向平均上具有较高或较低图像数据的空间区被拉动。
作为结果，针对有瑕疵像素所获得的替换值将生成较大重构误差，从而在通常相当笔直的等高线中产生局部凹陷干扰，由此使得更加难以隐藏有瑕疵像素群簇。
本发明的目标是以最有可能的方式重构位于受信号梯度所影响的图像区中的有瑕疵像素群簇来最佳地减少其干扰或误导性图像影响以便改进工作流以及在诊断图像采集之后执行的视觉检查的质量。
发明内容
以上提及的方面通过具有权利要求1中阐述的特定方法步骤的方法而实现。
用于本发明的优选实施例的特定特征在从属权利要求中阐述。
利用本发明的方法，将可能获得有瑕疵的平板检测器像素群簇的高质量重构，尤其是在它们位于受信号梯度所影响的图像区中时。
本发明关注于自适应、几何平衡重构内核的组成。目标是使内核元素的质心全部保持与确切定心在重构点（必须针对其确定替换值的有瑕疵图像像素的位置）上的无瑕疵、有效图像数据相关联，并且这用于任何可能的有瑕疵群簇形状。
方法依赖于从预确定的有瑕疵像素结构导出的有瑕疵像素位置信息以及依赖于中心对称对模型，其描述内核像素候选者的几何形状以及根据其中针对有效性而检查其空间上相关联的图像数据的序列的按对链接。
每一个有瑕疵图像像素接收其自身的空间上适配的重构内核，其包括从模型挑选的预确定数目的中心对称内核对。需要校正瑕疵影响图像的自适应中心对称对（CSP）重构内核的整个集合存储在内核几何结构中。
包含在有瑕疵像素结构中的空间数据与内核几何结构中的自适应中心对称对内核描述合并，以在实时有瑕疵像素重构期间预先创建用于快速图像数据访问的图像偏移表。
重构内核相关联的图像数据的统计过滤或空间卷积被用于计算针对有瑕疵图像像素的替换值。
该统计过滤过程可以包括计算与所述内核相关联的图像数据的中位值。
在另一个实施例中，重构算法使用相关联的内核权重在与所述自适应内核中的所述位置空间上相关联的图像数据上执行空间卷积过程。
空间卷积可以包括与所述自适应内核相关联的图像数据的平均值的计算。
平均值优选地是使用对应内核权重与所述自适应内核相关联的图像数据的加权平均值。
所述自适应重构内核中的各种相对位置的权重优选地基于相对距离模型来确定。优选地，相对距离模型中的内核位置权重随着所述内核位置与所述重构内核的中心之间的距离的增加而减少。
关于围绕所述有瑕疵像素的图像像素的瑕疵状态的信息从有瑕疵像素位置结构提取。
根据本发明的有瑕疵像素位置结构可以周期性地或者在x射线成像系统的维护、修理或移动之后更新。
在一个实施例中，通过基于内核对候选者的内核对相关联的传感器像素的瑕疵状态从中心对称对模型按次序接连地选择预确定数目的内核对候选者来组成中心对称对的集合。
中心对称对模型可以布置为通过内核对候选者相对于重构内核的中心的偏心距（eccentricity）和角度方向几何地限定的按次序排序的内核对候选者的集合。
在一个实施例中，中心对称对偏心距被限定成使得离内核中心的距离绝不随着排序次序而减少。
初始中心对称对偏心距可以等于一个像素。
在具体实施例中，中心对称对角度方向按照两个按次序排序的内核对候选者的每个集合相互垂直。
在本发明的实施例中，从有瑕疵像素位置结构导出的图像位置信息与从中心对称对内核结构导出的图像位置信息合并，以预先创建图像偏移结构。
在另外的实施例中，预先创建的图像偏移结构在自适应中心对称对有瑕疵像素重构期间用于将有瑕疵像素影响图像转换成有瑕疵像素校正图像。
本发明可以实现为计算机程序产品，其适配为当在计算机上运行时实施本发明的方法的所有方面。本发明还包括包含计算机可执行程序代码的计算机可读介质，计算机可执行程序代码适配为实施本发明的方法的步骤。
本发明的另外的优点和实施例将从以下描述和附图变得明显。
附图说明
图1描绘了基于中心对称对的有瑕疵像素重构过程示图，包括其相关数据结构、模型和参数控制。
图2是图示了CSP内核映射图（map）创建的流程图。
图3a和3b图示了与各种有瑕疵像素群簇组合地作用于线性斜坡图像数据上的基于直接邻居的有瑕疵像素重构的计算。
图4示出了根据其数据有效性评估次序限定候选者对相对于内核中心的偏心距的示例性CSP内核模型实现。
图5示出了根据其数据有效性评估次序限定的候选者对相对于内核中心的角度方向的示例性CSP内核模型实现。
图6图示了用于复杂形状、有瑕疵像素群簇的基于CSP内核模型的自适应内核组成的概念。
图7a和7b图示了用于各种有瑕疵像素群簇的基于CSP和基于直接邻居（DN）的重构内核之间的几何差异。
图8示出了根据各种信号梯度方向的包含线性斜坡信号的多个局部数据补片（patch）中所植入的定向有瑕疵像素群簇。
图9表示用于图8中所示的0度局部数据补片的直接邻居内核中位有瑕疵群簇重构及其重构误差的示例。
图10表示用于图8中所示的0度局部数据补片的中心对称对内核中位有瑕疵群簇重构及其重构误差的示例。
图11示出了中心对称对内核中位和直接邻居内核中位有瑕疵群簇重构之间的差异以及在图9和10中计算的它们的重构群簇误差之间的差异。
具体实施方式
x射线或光敏阵列传感器、每一个平板检测器系统的关键光电组件充当平面换能器，其将在像素分辨率处捕获的时间积分入射x射线辐射的空间分布转换成可以输出为未经校正的图像的数字数据集合。
为了能够完成此，大面积阵列传感器通常构建为接触和或融合层的堆叠。
布置在检测器的辐射进入侧处的闪烁物材料用作第一层以将入射x射线转换成发射光。
电子阵列层包括光敏像素元件，比如反向偏置PIN二极管，其将局部入射的发射光转换成电荷载流子，电荷载流子可以在时间积分期间捕获并且作为x射线曝光代表性电荷封装而局部存储在像素中。
第三层承载电子开关的大型阵列，电子开关用于朝向如由读出控制信号指示的读出和转换电子器件转移所捕获的电荷。
添加具有通常布置在成行和成列图案中的引线和电极的附加中间和外部层以使布置在各种层中的电子组件彼此互连，与切换线路互连，与电荷收集线路互连，以及与像素的其它控制线路互连。
如在基于非晶硒的检测器系统中使用的直接转换x射线传感器不要求闪烁物层将x射线转换成电荷载流子，并且以不同方式被构建。
在这样的系统中，如所描述的较高的瑕疵可以出现并且可能要求充分校正。
图1图示了根据本发明的基于中心对称对的有瑕疵像素重构过程，包括相关数据结构、模型和参数控制。
在工厂中对基于平板检测器的直接射线照相系统的初始校准时以及在接受测试、周期性质量控制期间、或者在现场中对系统的修理或移动之后，实现了根据其在传感器阵列图像（此处称为有瑕疵像素映射图）中的位置指示每一个单独的传感器像素的有瑕疵或无瑕疵状态的数据有效性结构。
数据有效性状态结构的这种更新可以作为单独的有瑕疵像素确定过程来执行，但是通常是作为先决活动而周期性执行以确保所采集的图像在任何时间处的充足、即时的有瑕疵像素校正的预先执行的、离线校准活动的部分。
对于在有瑕疵像素映射图中标记为有瑕疵或者展现时间或热学非稳定性的每一个无效平板传感器像素，必须在实时重构期间计算有瑕疵像素重构值以替换瑕疵影响图像中的空间上对应的图像数据。
为了能够重构局部瑕疵，重构过程必须知晓其有瑕疵像素位置，必须使用什么内核大小和经适配的内核几何形状，以及必须在自适应内核相关联的图像数据上执行什么类型的重构操作。
所有该信息由CSP模型和重构控制块预先提供。
通过根据接连地评估一些内核像素候选者所采用的次序而限定每一个候选者内核像素相对于内核中心的方向以及偏心距，创建了充当内核组成方案的中心对称对模型。
接下来限定组成自适应重构内核所要求的有效CSP内核对的量。对于有瑕疵像素映射图中的每一个元素，组成几何适配的CSP内核描述并且将其添加到CSP内核映射图结构。
关于要在实时有瑕疵像素重构期间使用的重构算法的决定取决于预先做出的选择。可以选择统计过滤器操作（比如，自适应内核相关联的图像数据的中位计算）或者空间卷积操作（比如，该图像数据的平均或加权平均计算）。在选择加权平均重构的情况下，根据其相对于内核中心的距离和方向而限定内核元素的各种不同权重的加权模型也被预确定。
实时地执行有瑕疵像素重构过程，作为针对呈现给静态单帧或动态多帧图像采集模式中的图像处理链的每一个阵列传感器帧以最小处理延迟计算瑕疵校正图像所必要的即时执行的图像校正活动的集合的部分。
将从有瑕疵像素映射图导出的空间信息与重构内核组成的空间描述合并的、预确定的快速访问的图像偏移数据结构的使用显著地减少了总体重构延迟，这是通过最小化与在重构每一图像帧的数千个有瑕疵或不可靠的图像数据时所执行的大量图示数据获得和图像数据替换操作相关联的不可避免的时间损失。
图2是图示了CSP内核映射图创建的流程图。
在开始CSP内核映射图创建的过程之前，所要求的中心对称对的数目已知，并且中心对称对模型和有瑕疵像素映射图二者必须存在。
读取所要求的中心对称对的数目，并且通过分析有瑕疵像素映射图结构来确定有瑕疵传感器像素的总量。
接下来针对在有瑕疵像素映射图中标记的每一个传感器像素循环式执行以下操作。
首先，从有瑕疵像素映射图结构确定有瑕疵像素i的图像位置(xi; yi)，并且将CSP内核模型索引重置成指向第一内核对候选者的内核偏移。
将表示要被检测的完全有效CPS内核对的对j循环计数器设置成1。
发起循环式执行的搜索过程，所述过程根据在中心对称对模型中限定的其相关联的内核候选者评估次序针对有瑕疵像素i的邻居中的图像数据的有效性而检查有瑕疵像素映射图。
使用当前对j循环计数器索引，从CSP模型读取两个相对内核偏移：xj和yj，并且限定了CSPij( xi + xj; yi + yj )和CSPij* ( xi - xj; yi- yj )图像位置，其在数据有效性评估之下空间地涉及被索引的内核对候选者并且因而点对称地布置在重构点周围。
如果两个图像位置中的至少一个发生在有缺陷像素映射图中，则从内核组成过程排除内核对候选者，并且对j循环计数器保持不便，从而使搜索过程继续通过评估CSP模型中的下一内核对候选者而查找该相同CSPairj。
相反如果两个图像位置表示有效传感器数据，则将其对应的内核对候选者偏移添加至CSP内核映射图，并且使对j循环计数器递增以开始通过搜索循环在下一通过（passage）期间查找CSPairj+1。
一旦对j循环计数器指示已经检测到所要求数目的CSPair，则CSP内核组成的过程针对该特定有瑕疵像素停止，并且使像素j循环计数器递增以发起针对下一有瑕疵像素的自适应CSPair内核组成。
在递增的有瑕疵像素j循环计数器超过所要求的中心对称对的数目时，针对每一个有瑕疵传感器像素组成自适应CSP重构内核的该循环式执行的CSP内核映射图创建过程终止。
图3a和3b图示了与各种有瑕疵像素群簇组合地作用于线性斜坡图像数据上的基于直接邻居的有瑕疵像素重构的计算。
针对位于局部数据补片的中心的有瑕疵传感器像素来解释有瑕疵像素重构的过程，其借助于针对四个不同大小和形状的有瑕疵像素群簇所计算的四个不同直接邻居内核重构来模拟具有恒定信号梯度的图像数据。
在单个像素图像瑕疵的情况下，重构内核，从其计算瑕疵校正替换值的周围有效图像像素的集合是完整的，并且包括8个无瑕疵、按侧向和角落直接触碰的邻居像素。
对于最小的可能有瑕疵像素群簇，中心有瑕疵像素的直接邻居像素之一也将是有瑕疵的。该情况通过具有局部数据补片的DN K7内核的叠层中的黑色、无效的按侧向触碰内核像素5来表示。作为结果，仅7个有效的直接邻居像素可以用于组成部分地有瑕疵的剩余直接邻居内核。
由于在针对中心有瑕疵像素的重构值的计算期间缺失了具有图像数据90的内核像素5，所以由此获得的替换值可能不同于将在完整重构内核的情况下产生的正常替换值70。
计算示例还示出了作为所使用的重构算法的结果的有瑕疵像素重构中的差异。
剩余DN K7内核图像数据的内核中位（med）统计过滤导致重构值为70，从而引起0重构误差。排除与缺失的内核位置5相关联的有瑕疵图像数据对重构的结果没有影响，如果内核中位算法用于局部信号梯度的该取向的话。
实现了内核权重及其相关联的图像数据的空间卷积的内核平均（avg）重构和内核加权平均（wavg）重构引起较低的替换值：67和68。此时，在角落接触中心有瑕疵像素在附加有瑕疵像素上的影响生成重构误差：-3和-2，其对应于局部信号梯度的-14%和-9%相对幅度改变。
这还可以视为重构点的虚拟移位，这是由于剩余重构内核朝向线性信号斜坡上的较低图像数据值的质心移位所致，如将在图7中解释。
如由这三个其它较小的剩余直接邻居内核：DN K6到DN K4所展示，排除2到4个内核位置，所计算的重构误差的幅度随着有瑕疵群簇的尺寸而增加，并且取决于在有瑕疵像素重构期间使用的算法和内核权重模型。
图4示出了根据其数据有效性评估次序限定候选者对相对于内核中心的偏心距的示例性CSP内核模型实现，并且图5示出了根据其数据有效性评估次序限定候选者对相对于内核中心的角度方向的示例性CSP内核模型实现。
在图4和5中表示了预确定的中心对称对内核模型的可能的优选实现。
评估与内核像素候选者相关联的图像数据的像素有效性所采用的次序由互补空间内核视图中的符号序列：a、A、b、B、c、C……表示，其限定了相对于内核中心的每一个内核候选者位置的几何形状。内核像素候选者是按对分组的，使得其相对于内核中心的偏心距相等，并且其角度方向针对充当用于对称镜像的点的重构点相反。
作为示例，CSPair候选者qQ的内核像素被定位成使得其偏心距等于3.16个像素并且其角度方向72度和252度完美相反。
此外，从其挑选所要求的仅预确定数目的对以组成用于每一个有瑕疵传感器像素的自适应重构内核的CSPair候选者的这种实现的序列以候选者CSPair：aA和bB开始，二者展现了1个像素的最小可能偏心距并且具有相互垂直的角度方向。
如果将其四个对应的图像像素评估为无瑕疵的，则这些CSPair被定位成最靠近有瑕疵像素并且因而将以有效图像数据做贡献，该有效图像数据表示有瑕疵重构点处缺失的图像数据的最接近的可能近似。
用于有瑕疵像素的重构的相邻图像数据的相关性随着通过对应内核位置相对于内核中心的偏心距而反映的其到实际图像瑕疵的距离而降低。
出于该原因，CSP内核模型的偏心距图表优选地在距图像瑕疵1个像素的距离处开始，并且根据针对有效性而评估其相关联的图像数据所采用的次序示出了相等或增加的偏心距。
为了最佳地保留重构内核的各向同性特性，必要的是，经挑选以组成自适应重构内核的CSPair候选者集合应当表示在各种角度方向上围绕重构点的图像数据对的良好方向平衡。
出于该原因，CSP内核模型的方向图表应当优选地使得每2对分组的CSPair候选者的角度方向是垂直的。在CSP模型中示出的方向图表实现了接连的CSPair候选者之间的以下角度差异：90度=bB-aA，-45度=cC-bB，90度=dD-cC，-135度=eE-dD，90度=fF-eE，-60度=gG-fF，90度=hH-gG，……。
这种按对内核组成方案迫使自适应重构内核总是包括与存在于有瑕疵传感器像素的邻居中的无瑕疵图像数据相关联的偶数数目的CSP内核像素候选者。
图6图示了用于复杂形状的有瑕疵像素群簇的基于CSP内核模型的自适应内核组成的概念。
如在图4和图5中看到的相同局部图像数据补片（示出恒定梯度线性信号斜坡）用作无瑕疵图像数据参照物。放大的CSP E3图像数据视图示出了具有巨大图像干扰的复杂形状的黑色叠层的该参考图像数据补片，所述黑色叠层由10个部分地成群簇的有瑕疵传感器像素的复杂几何形状而引起，针对其从有瑕疵像素映射图导出图像位置。
此处针对位于CSP E3视图的中心并且与无瑕疵影响的参考信号值70重合的单个有瑕疵像素传感器（有瑕疵群簇的部分）而解释了使用来自有瑕疵像素映射图和来自CSP内核模型的信息对包括4个CSPair的自适应重构内核的组成。
CSP内核模型通过直接与CSP E3视图相关联的空间内核候选者视图以及通过内核像素候选者偏心距图表来表示。
评估表示CSP内核模型中首先出现的内核对候选者的内核位置：“a”和“A”，以查明其空间相关联的图像数据是否链接到有瑕疵传感器像素。CSP E3视图的有瑕疵像素映射图叠层示出了与参考图像数据相关联的内核像素候选者：60和80均被标记为黑色并且因而链接到有瑕疵传感器像素。作为结果，从自适应内核组成过程排除第一个CSPair候选者“aA”。接下来评估第二个出现的内核对候选者“bB”。尽管内核像素候选者“b”是指可靠的图像数据60，因为其不涉及有瑕疵传感器像素，但是也排除对“bB”，因为内核像素候选者“B”与链接到有瑕疵传感器像素的黑色标记的图像数据80相关联，从而使得该对仅部分地有效。
出于相同原因，还排除了第三个和第四个CSP内核模型候选者对：“cC”和“dD”，因为其内核像素候选者：“C”和“D”链接到有瑕疵传感器像素。
通过其相关联的图像数据的数据有效性评估的第一个CSPair候选者是：“eE”，因为其内核像素候选者中的任何一个都没有链接到在有瑕疵像素映射图中标记为不可靠的图像数据。
将所接受的内核对的无瑕疵图像数据值：50（与内核像素“e”相关联）和90（与内核像素“E”相关联）作为第一贡献CSPair添加到重构内核的数据表，下面示为CSP E3视图。
由于要求四个接受的CSPair候选者来完成CSP内核，所以评估接连出现的CSP内核模型候选者对的过程将继续，直至找到都参考完全可靠的图像数据的三个附加的CSPair。内核候选者对“gG”、“kK”和“lL”都满足该评估准则，并且将其相关联的有效图像数据对：40_100、30_110和70_70作为第二、第三和第四CSPair添加到内核数据表，从而完成针对CSPE3视图中的中心有瑕疵像素的自适应CSP重构内核的组成。
观察最终在CSP E3视图中获得的自适应CSP内核，我们注意到的是，尽管无瑕疵局部图像数据更接近重构点，但是从贡献于内核组成而排除其，如果其在瑕疵的相反侧处的点对称对等体被标记为有瑕疵的话。
分析CSP内核模型偏心距图表，我们看到，所获得的、针对复杂形状群簇的自适应CSP重构内核（包括四个完全有效的中心对称对，其具有范围从2到2.8个像素的抬升偏心距）在形状和空间范围上从用于重构隔离的单个像素传感器瑕疵的自适应4个CSPair内核严重偏离，并且与8像素直接邻居（DN）重构内核相同。
放弃图像数据接近性以得到增加的空间范围处的改进图像数据平衡而同时组成自适应重构内核对于图像伪影的显著减少是重要的，图像伪影由于重构位于具有强信号梯度的图像区域中的有瑕疵像素群簇而生成。
在该组成示例中使用内核中位（med）统计过滤以及内核平均（avg）和内核加权平均空间卷积来计算CSP重构值及其从（在传感器像素将不是有瑕疵的情况下获得的）原始图像数据的偏离。
不管用于处理自适应CSP内核中所存在的图像数据的重构算法如何，总是针对CSPE3视图中的复杂形状有瑕疵群簇的中心有瑕疵像素而获得重构值70。该重构值等于瑕疵较少的参考图像数据，这意味着这些CSP重构算法中的任何一个都没有导致可见重构误差。
图7a和7b图示了用于各种有瑕疵像素群簇的基于CSP和基于直接邻居（DN）的重构内核之间的几何差异。
在顶部表示了如下命名的8个不同的空间有瑕疵的剩余直接邻居重构内核的集合：ND K7向下到DN K1以及DN E3（其与复杂形状的有瑕疵像素群簇相关），以及在底部处表示了其对应的自适应4个CSPair内核，命名为：CSP K7向下到CSP K1以及CSP E3，针对其在上文深度地解释组成。
针对其必须计算重构值的其中心有瑕疵像素显然不属于任何重构内核。
剩余重构内核几何图表绘出了针对这些重构内核中的每一个的质心相对于重构点的偏心距方向和偏心距。
最不完整的DN K1内核包括单个内核元素，因为它的其它七个无效的直接邻居内核位置全部链接到属于8个有瑕疵像素群簇的有瑕疵像素。该DN K1内核的质心作为结果而与所留下的单独内核像素的位置重合。该位置由45度偏心距角度和1.14像素偏心距来表征，并且由剩余重构内核几何图表中标为“K1”的圆点来表示。
DN K7内核表示相反情况，其中每一个小的有瑕疵群簇包括仅仅2个有瑕疵像素，包括中心重构点，使8个周围的直接邻居内核位置中的仅一个无效。包括其余七个无瑕疵内核位置的该剩余DN K7重构内核的质心现在由于其0.2像素偏心距而非常接近于重构点。
在图表中标记为“E3”的圆点表示复杂形状直接邻居内核的剩余重构内核几何形状。在所示配置中包括三个其余内核位置的E3内核的质心由其1像素偏心距和90度偏心距角度来表征。
剩余DN重构内核的质心不可避免地朝向它们的其余内核位置的平均群簇位置拉动，由此创建相对于重构点的偏心距。剩余直接邻居内核的该偏心距越大，并且偏心距方向与局部信号梯度的方向类似得越接近，则有瑕疵像素重构误差将越大，如果信号斜坡存在于有瑕疵群簇影响的局部图像数据中的话。基于中心对称对的自适应内核组成迫使每一个CSP内核的质心总是与重构点确切地重合。这种有意瞄准的非常特定的“零偏心距”内核几何形状通过表示具有其未经限定的偏心距角度的每一个自适应CSP内核的图表底部处的线来反映。
图8示出了根据各种信号梯度方向而包含线性斜坡信号的多个局部信号补片中所植入的定向有瑕疵像素群簇。
针对8个均匀分布的恒定梯度方向而生成展现陡峭的线性斜坡信号的各种局部图像数据补片。放大的零度梯度角度视图示出了用于具有每一像素14个单位幅度的信号梯度的局部像素数据。信号梯度的幅度在其各种角度方向上跨所示出的每一个局部图像数据补片而保持恒定。定向的109.5度向量倾斜的有瑕疵5个像素（2x3）群簇（表示如从有瑕疵像素映射图导出的空间上相关联的传感器像素有效性状态）本质上植入到相同图像位置中的每一个局部数据补片中。在底部示出的有瑕疵群簇叠层的局部数据补片的所得集合将用作针对图9中的基于直接邻居内核的有瑕疵群簇重构以及针对图10中的基于自适应中心对称对内核的有瑕疵群簇重构的模拟图像数据。
图9表示用于图8中所示的0度局部数据补片的直接邻居内核中位有瑕疵群簇重构及其重构误差的示例。
由于局部恒定的零度信号梯度向量而示出从左向右具有水平增加的信号的线性斜坡的模拟局部数据补片与其定向的5个有瑕疵像素群簇叠层组合地表示。在没有群簇瑕疵的情况下获得的无瑕疵影响图像数据被示出为参考信号数据。该图像数据补片经受直接邻居有瑕疵群簇重构操作。
由于5个图像数据像素受有瑕疵群簇所影响，所以必须针对它们中的每一个确定直接邻居重构值。8个像素（3x3）直接邻居内核定心到这5个有瑕疵图像像素中的每一个。命名为：DN R1到DN R5的所示出的接连重构内核表示重构群簇影响局部图像数据所要求的各种剩余直接邻居内核的不同几何形状。有瑕疵群簇和重构点的形状确定所要求的内核的几何形状。这生成五个不同的剩余直接邻居内核几何形状，每一个包括不同数目的其余内核位置：
- DN R1（用于完整DN内核的8个当中的6个）缺失位置：6和7
- DN R2（4）缺失位置：2、6、7和8
- DN R3（5）缺失位置：1、2和8
- DN R4（5）缺失位置：2、3和4
- DN R5（4）缺失位置：3、4、5、6。
计算示例示出了如何针对与剩余重构内核相关联的图像数据集合来计算三个不同的重构值：中位、平均和加权平均。这样，与其余DN R1内核位置空间上相关联的6个图像数据：70、70、56、42、42和42的集合加载到竖直列出的内核数据表中，并且所获得的重构值在应用3个不同重构算法之后为：
- 中位统计过滤：49（少于参考图像数据56的7个单位）
- 空间卷积平局：53.7
- 空间卷积加权平均：54.4。
中位重构值49作为用于群簇的第一重构有瑕疵像素的替换值而插入在底部处示出的中位重构表中。在所获得的重构值49及其对应参考图像数据56之间的-7信号单位的差异插入在正好在它旁边呈现的重构误差表中。针对其它四个有瑕疵群簇像素重复该有瑕疵像素重构过程完成了基于直接邻居内核的群簇重构过程。如从最后所得群簇误差表看到的，在左手侧的三个竖直布置的重构像素揭示了低于参考图像数据的替换值。在右手侧的两个其它竖直布置的重构像素揭示了高于参考图像数据的替换值。该观察结果可以通过以下事实来解释：用于三个左手侧群簇像素的剩余直接邻居重构内核中的每一个具有朝向较低信号侧拉动的质心。用于在右侧的两个其它有瑕疵群簇像素的剩余重构内核均具有朝向较高信号侧拉动的质心。针对剩余直接邻居内核的这种非对称失真的几何形状的根本原因在于以下事实：通常分组在如从重构点看到的一个方向上的其它有瑕疵群簇像素迫使排除维持内核对称性所必要的缺失内核位置，这是由于其相关联的局部图像数据的无效数据状态。
图10表示用于图8中所示的0度局部数据补片的中心对称对内核中位有缺陷群簇重构及其重构误差的示例。
与图9中所使用的相同的有缺陷群簇叠层的局部图像数据补片现在经受中心对称对有缺陷群簇重构。
此时，四个不同的自适应4 CSPair重构内核几何形状对于重构完整的五个有瑕疵像素群簇而言是必要的。有瑕疵群簇重构要求以下内核几何形状，每一个包括以下4个中心对称对，对于：
- CSP R1（对：aA、cC、eE和gG）
- CSP R2和CSP R4（对：cC、eE、fF和gG）
- CSP R3（对：dD、eE、gG和hH）
- CSP R5（对：eE、fF、gG和hH）。
在利用其空间上相关联的无瑕疵图像数据加载以上自适应4 CSPair重构内核并且利用三个不同的重构算法（中位、平均和加权平均）处理该数据之后，针对所使用的三个不同算法中的每一个所获得的重构群簇的替换值和重构误差清楚地指示了位于线性斜坡数据中的有瑕疵像素群簇可以借助于中心对称重构方案完美地重构，因为所计算的结果与参考图像数据值：56和70确切地匹配。
图11示出了中心对称对内核中位和直接邻居内核中位有缺陷群簇重构之间的差异以及在图9和图10中计算的它们的重构群簇误差之间的差异。并排地呈现了图9中的利用基于直接邻居内核中位的计算针对模拟零度信号梯度向量控制的线性信号斜坡图像数据补片所获得的群簇重构结果、以及图10中的利用基于自适应4中心对称对内核中位的计算所获得的那些群簇重构结果，以用于比较。
三维XYS剩余直接邻居内核重构的图像数据视图示出了线性信号斜坡如何受有瑕疵的5个像素群簇的重构所影响。
基于直接邻居的群簇重构引起低于和高于如由差分DN误差视图以及由从线性斜坡的局部偏离所指示的正常斜坡信号的有瑕疵像素替换值，其由斜坡平面侧视图中的对角线表示。二维顶视图与直接射线照相图像的常规表示最佳地对应。由于群簇位置处的信号梯度的突然局部增加，有误差的直接邻居重构的影响此处由虚线将像素与相同的图像数据互连的等高线的凹陷干扰所反映。
看向中心对称对重构的有瑕疵群簇的二维和三维表示，由欠佳地执行直接邻居群簇重构而引起的所有以上提及的伪影完全消失。
所使用的各种自适应CSP内核的重构点周围的中心对称对的完美几何平衡是针对此处获得的这种无伪影有瑕疵群簇重构的主要原因。
Claims (13)
1.一种用于通过针对有瑕疵像素执行以下步骤来校正直接射线照相图像中的有瑕疵像素伪影的方法：
- 搜集关于围绕所述有瑕疵像素的图像像素的瑕疵状态的信息，
- 通过组合与所述有瑕疵像素的邻居中的无瑕疵像素对应的按对布置的内核位置的集合来组成自适应重构内核，
- 获得与所述自适应重构内核中的位置相关联的图像数据，
- 使用重构算法来处理相关联的图像数据以及内核数据，以计算用于有瑕疵像素图像数据的替换值，
- 通过所计算的替换值来替换有瑕疵像素图像数据。
2.根据权利要求1所述的方法，其中所述自适应内核包括相对于内核中心位置的偶数数目的无瑕疵的、中心对称内核对位置，并且被添加到中心对称对内核结构。
3.根据权利要求1所述的方法，其中所述重构算法在与所述自适应内核中的所述位置空间上相关联的图像数据上执行统计过滤过程。
4.根据权利要求1所述的方法，其中所述重构算法使用相关联的内核权重来在与所述自适应内核中的所述位置空间上相关联的图像数据上执行空间卷积过程。
5.根据权利要求4所述的方法，其中所述空间卷积包括使用对应内核权重来计算与所述自适应内核相关联的图像数据的加权平均值。
6.根据权利要求5所述的方法，其中所述自适应重构内核中的各种相对位置的权重基于相对距离模型来确定，其中内核位置权重随着所述内核位置与所述重构内核的中心之间的距离的增加而减少。
7.根据权利要求2所述的方法，其中通过基于内核对候选者的内核对相关联传感器像素的瑕疵状态而从中心对称对模型按次序接连地选择预确定数目的内核对候选者来组成中心对称对的集合。
8.根据权利要求7所述的方法，其中将中心对称对模型布置为通过内核对候选者相对于重构内核的中心的偏心距和角度方向几何地限定的内核对候选者的按次序排序的集合。
9.根据权利要求8所述的方法，其中中心对称对偏心距被限定成使得离内核中心的距离不随排序次序而减少。
10.根据权利要求8所述的方法，其中中心对称对角度方向按照两个按次序排序的内核对候选者的每个集合相互垂直。
11.根据权利要求2所述的方法，其中关于围绕有瑕疵像素的图像像素的瑕疵状态的信息从有瑕疵像素位置结构导出，并且与从中心对称对内核结构导出的图像位置信息合并，以创建在所述重构期间使用的图像偏移结构。
12.一种计算机程序产品，其适配为当在计算机上运行时实施前述权利要求中任一项的方法。
13.一种包括计算机可执行程序代码的计算机可读介质，所述计算机可执行程序代码适配为实施权利要求1-11中任一项的步骤。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP14197652.2 | 2014-12-12 | ||
| EP14197652 | 2014-12-12 | ||
| PCT/EP2015/079213 WO2016091999A1 (en) | 2014-12-12 | 2015-12-10 | Method for correcting defective pixel artifacts in a direct radiography image |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107004260A true CN107004260A (zh) | 2017-08-01 |
Family
ID=52023340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201580067578.1A Pending CN107004260A (zh) | 2014-12-12 | 2015-12-10 | 用于校正直接射线照相图像中的有瑕疵像素伪影的方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US10127642B2 (zh) |
| EP (1) | EP3230947A1 (zh) |
| CN (1) | CN107004260A (zh) |
| WO (1) | WO2016091999A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018003670B4 (de) * | 2018-05-05 | 2020-02-27 | Diehl Defence Gmbh & Co. Kg | Verfahren zum Auswerten von Bilddaten eines Matrixdetektors |
| CN109117881A (zh) * | 2018-08-10 | 2019-01-01 | 聚时科技(上海)有限公司 | 一种具有缺失核的多视图聚类机器学习方法 |
| JP6860538B2 (ja) * | 2018-09-26 | 2021-04-14 | キヤノン株式会社 | 放射線撮像装置、放射線撮像システム、放射線撮像装置の制御方法、および、プログラム |
| US10832074B2 (en) * | 2019-03-08 | 2020-11-10 | International Business Machines Corporation | Uncertainty region based image enhancement |
| CN113552130A (zh) * | 2020-04-08 | 2021-10-26 | 台达电子工业股份有限公司 | 瑕疵检测方法及瑕疵检测装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030179418A1 (en) * | 2002-03-19 | 2003-09-25 | Eastman Kodak Company | Producing a defective pixel map from defective cluster pixels in an area array image sensor |
| CN1574915A (zh) * | 2003-05-15 | 2005-02-02 | 松下电器产业株式会社 | 图像缺陷校正设备及方法 |
| US20070030365A1 (en) * | 2005-08-03 | 2007-02-08 | Micron Technology, Inc. | Correction of cluster defects in imagers |
| US20080231734A1 (en) * | 2007-03-22 | 2008-09-25 | Fujifilm Corporation | Method of processing images from an imaging device |
-
2015
- 2015-12-10 EP EP15808160.4A patent/EP3230947A1/en not_active Ceased
- 2015-12-10 WO PCT/EP2015/079213 patent/WO2016091999A1/en active Application Filing
- 2015-12-10 US US15/533,677 patent/US10127642B2/en not_active Expired - Fee Related
- 2015-12-10 CN CN201580067578.1A patent/CN107004260A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030179418A1 (en) * | 2002-03-19 | 2003-09-25 | Eastman Kodak Company | Producing a defective pixel map from defective cluster pixels in an area array image sensor |
| CN1574915A (zh) * | 2003-05-15 | 2005-02-02 | 松下电器产业株式会社 | 图像缺陷校正设备及方法 |
| US20070030365A1 (en) * | 2005-08-03 | 2007-02-08 | Micron Technology, Inc. | Correction of cluster defects in imagers |
| US20080231734A1 (en) * | 2007-03-22 | 2008-09-25 | Fujifilm Corporation | Method of processing images from an imaging device |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3230947A1 (en) | 2017-10-18 |
| US10127642B2 (en) | 2018-11-13 |
| WO2016091999A1 (en) | 2016-06-16 |
| US20170345134A1 (en) | 2017-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107004260A (zh) | 用于校正直接射线照相图像中的有瑕疵像素伪影的方法 | |
| CN107330949A (zh) | 一种伪影校正方法及系统 | |
| JP6253426B2 (ja) | Ｃｔスキャナの幾何学的較正のための方法及び装置 | |
| US20170140578A1 (en) | Depth camera-based human-body model acquisition method and network virtual fitting system | |
| CN110298447A (zh) | 用于处理机器学习方法的参数的方法以及重建方法 | |
| CN109300166A (zh) | 重建ct图像的方法和设备以及存储介质 | |
| CN108577876A (zh) | 一种多边形静止ct及其工作方法 | |
| US10621765B2 (en) | Image reconstruction | |
| TWI517093B (zh) | Computer tomography reconstruction method | |
| US11504085B2 (en) | Method for calibrating defective channels of a CT device | |
| CN111462097A (zh) | 基于联邦学习的图像处理方法、装置、设备及存储介质 | |
| CN110133014B (zh) | 一种芯片内部缺陷检测方法及系统 | |
| CN1875886A (zh) | 医用图像显示装置和医用图像显示系统 | |
| CN107796834A (zh) | 一种正交电子直线扫描cl成像系统及方法 | |
| US10600219B2 (en) | Pattern mapping | |
| US20230029188A1 (en) | Systems and methods to reduce unstructured and structured noise in image data | |
| CN112233030B (zh) | 一种基于深度学习的ct投影几何校正方法 | |
| CN116109621B (zh) | 一种基于深度模板的缺陷检测方法和系统 | |
| CN116363248A (zh) | 单平面X-Ray影像合成CT影像的方法、系统、设备和介质 | |
| CN108027965A (zh) | 用于减少在直接射线照相术中由重建的缺陷像素引起的图像干扰的方法 | |
| CN116542868A (zh) | 基于注意力的生成对抗网络的x胸片肋骨影像的抑制方法 | |
| Wan et al. | Depth-wise convolution with attention neural network (DWA) for pneumonia detection | |
| CN109685863A (zh) | 一种重建医学乳房图像的方法 | |
| CN103299341A (zh) | 从计算机X线摄影图像中移除二维计算机x线摄影检测器的空间响应特征的方法 | |
| CN113729747A (zh) | 一种球形金属标记的锥束ct金属伪影去除系统及去除方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190506 Address after: Belgian Mo Applicant after: Agfa Co. Ltd. Address before: Belgian Mo Applicant before: Agfa Healthcare NV |
|
| TA01 | Transfer of patent application right |