CN107657610B - 一种基于计盒方法的ct扫描结果分析方法 - Google Patents

一种基于计盒方法的ct扫描结果分析方法 Download PDF

Info

Publication number
CN107657610B
CN107657610B CN201710911300.9A CN201710911300A CN107657610B CN 107657610 B CN107657610 B CN 107657610B CN 201710911300 A CN201710911300 A CN 201710911300A CN 107657610 B CN107657610 B CN 107657610B
Authority
CN
China
Prior art keywords
dimensional
box counting
scanning
result
box
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.)
Active
Application number
CN201710911300.9A
Other languages
English (en)
Other versions
CN107657610A (zh
Inventor
杨旭
麻硕
朱飞
张孝存
王凤来
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201710911300.9A priority Critical patent/CN107657610B/zh
Publication of CN107657610A publication Critical patent/CN107657610A/zh
Application granted granted Critical
Publication of CN107657610B publication Critical patent/CN107657610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

一种基于计盒方法的CT扫描结果分析方法,本发明涉及基于计盒方法的CT扫描结果分析方法。本发明为了解决现有技术对图像处理时会产生信息丢失以及结果误差较大的问题。本发明包括:一:计算机读取所有CT扫描图片并对所有CT扫描图片进行二值化处理,得到每个图片的二值化结果为二维矩阵[A];二:将步骤一得到的所有图片的二维矩阵[A]按照高度顺序进行排列,得到三维矩阵;三:根据计算机本身的内存容量将步骤二得到的三维矩阵[C]划分为L个三维子矩阵;四:对步骤三划分的L个三维子矩阵进行计盒,得到计盒结果序列;五:将每个三维子矩阵的计盒结果序列进行整合得到CT扫描结果的分数维度。本发明用于工业CT扫描领域。

Description

一种基于计盒方法的CT扫描结果分析方法
技术领域
本发明涉及工业CT扫描领域,具体涉及基于计盒方法的CT扫描结果分析方法。
背景技术
工业CT扫描是利用X射线或γ射线在不损伤检测对象的条件下,获取其内部信息并输出为二维断层图像或三维立体图像的技术。进而,使用者根据需要对扫描结果进行处理。以计盒方法得到图像的分形维数是其中一种常用的处理手段,因该方法易于理解,且能够生成一个明确的、能够描述检测对象几何性质的数值而应用广泛,常作为对检测对象进行初步分析的手段。
随着扫描技术精度的逐渐提高,使用者们通过CT技术能够获取的信息越来越详细,输出的文件体量也越来越大。具体来讲,现在常用的工业CT技术成像精度可以达到100微米左右,3D扫描能够处理试件的横截面直径和高度的最大值分别为300毫米和450毫米。不丢失信息的情况下,实际输出结果约含有3.2×1010个像素点。CT扫描结果通常以标准位图格式(BMP)输出灰度图像,此时一个像素点需要占用1个字节的空间,对输出图像进行二值化处理后,一个点可以被压缩到0.125个字节。进行二值化后的输出结果仍需占用至少4GB的空间,如果在计算机内存中进行运算的话,可能需要调用8GB甚至更多的内存空间。普通电脑所配置的内存范围一般在1GB与8GB之间,是难以满足该计算需求的。
针对现有情况,使用者一般使用如下两种办法之一对扫描结果进行处理:一种是对原有图像进行压缩或降低扫描的分辨率;另外一种是只选取部分二维断层图像进行处理。这两种处理办法的本质都是舍弃一些扫描得到信息而换取更小的内存占用、更短的时间消耗以及更高的计算效率。
但是上述舍弃信息的处理方法会有一定概率造成误判,增加后续处理的麻烦。所以在占用更少内存、更短时间的前提下进行CT扫描结果的盒维数计算成为了工业CT扫描领域迫切需要解决的问题。
发明内容
本发明的目的是为了解决现有技术对图像处理时会产生信息丢失以及结果误差较大的问题,而提出一种基于计盒方法的CT扫描结果分析方法。
一种基于计盒方法的CT扫描结果分析方法包括以下步骤:
步骤一:计算机读取所有CT扫描图片并对所有CT扫描图片进行二值化处理,得到每个图片的二值化结果为二维矩阵[A];
步骤二:将步骤一得到的所有图片的二维矩阵[A]按照高度顺序进行排列,得到三维矩阵[C],[C]的层数为CT扫描图片数目(断层图的总数);
步骤三:根据计算机本身的内存容量将步骤二得到的三维矩阵[C]划分为L个三维子矩阵;
步骤四:对步骤三划分的L个三维子矩阵进行计盒,得到计盒结果序列;
步骤五:将每个三维子矩阵的计盒结果序列进行整合得到CT扫描结果的分数维度。
本发明的有益效果为:
本发明是为了解决对占用存储空间较大的工业CT扫描结果进行计盒处理时,不得不舍弃一定信息方能在可接受的时间内、较小内存占用的条件下,得到对象分数维度,然而却使得结果误差增大,进而导致造成误判的可能性增大的问题。
本发明能够在较短时间内处理完整的CT扫描结果,并最终得到误差较小的数据。相较于传统方法,可以将CT扫描获取的信息的利用率从30%以下提高到95%左右。
附图说明
图1是本发明流程图;
图2是压缩前的处理结果图;
图3是压缩后的输出结果图;
图4是本发明处理过程及结果视窗。
具体实施方式
具体实施方式一:如图1所示,一种基于计盒方法的CT扫描结果分析方法包括以下步骤:
步骤一:计算机读取所有CT扫描图片并对所有CT扫描图片进行二值化处理,得到每个图片的二值化结果为二维矩阵[A];
步骤二:将步骤一得到的所有图片的二维矩阵[A]按照高度顺序进行排列,得到三维矩阵[C],[C]的层数为CT扫描图片数目(断层图的总数);
步骤三:根据计算机本身的内存容量将步骤二得到的三维矩阵[C]划分为L个三维子矩阵;
步骤四:对步骤三划分的L个三维子矩阵进行计盒,得到计盒结果序列;
步骤五:将每个三维子矩阵的计盒结果序列进行整合得到CT扫描结果的分数维度。
将本发明处理如图2所示扫描输出结果(即本发明处理对象文件信息),由图2和图3(即传统方法处理对象文件信息)对比可见,本发明所处理对象信息含量约为传统方法处理对象的47倍。应用本发明处理过程及结果如图4所示。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中计算机读取CT扫描图片并采用并行计算的方法对所有CT扫描图片进行二值化处理,得到每个图片的二值化结果为二维矩阵[A]的具体过程为:
由图片中的像素点计算得到二维矩阵[A]中第i行第j列元素Aij的值;若第i行第j列像素点的灰度值大于等于阈值,则Aij的值计为1,否则计为0。采用并行计算的方法同时计算尽可能多的像素点。
若执行该发明的计算机CPU同时具有多线程,则调用计算机的所有线程,在同一时间分别处理不同的像素点。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述阈值为计算机默认的50%或人为设置(根据图片的亮度)。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中根据计算机内存容量将步骤二得到的三维矩阵[C]划分为L个三维子矩阵的具体过程为:
L个三维子矩阵包括P个三维方阵和Q个三维非方阵,L的计算公式为:
Figure GDA0002638086010000031
其中M为使用者调用的内存容量,N为方阵的边长,ceiling为向上取整;
P的计算公式为:
Figure GDA0002638086010000032
其中floor为向下取整;
Q的计算公式为:
Q=L-P
P个三维方阵的大小为P个边长为N的三维矩阵,Q个三维非方阵的大小为Q个三个方向的边长分别为R1,R2和R3的子矩阵;
Ri=mod(size([C],i),N)i=1,2,3
其中mod为计算余数,size为计算矩阵第i维的大小。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤四中对步骤三划分的L个三维子矩阵进行计盒,得到计盒结果序列的具体过程为:
对于L个三维子矩阵中的第s个子矩阵,使用计盒方法得到第s个子矩阵的码尺序列δt以及相应的第t步迭代的计盒结果序列Boxt。其中若第s个子矩阵的尺寸为R1,R2和R3,则δt∈[1,max(R1,R2,R3)/4]。
若执行该发明的计算机CPU同时具有多线程,则调用计算机的所有线程,在同一时间分别处理不同的子矩阵。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤五中将每个三维子矩阵的计盒结果序列进行整合得到CT扫描结果的分数维度的具体过程为:
使序列BOXt等于所有子矩阵第t步迭代的计盒结果序列Boxt之和,所有CT扫描图片的分数维度D根据如下方法计算:
Figure GDA0002638086010000041
其中at和bt为中间变量,at=-ln(δt),bt=ln(BOXt),n为计盒方法迭代总次数。
其它步骤及参数与具体实施方式一至五之一相同。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种基于计盒方法的CT扫描结果分析方法,其特征在于:所述基于计盒方法的CT扫描结果分析方法包括以下步骤:
步骤一:计算机读取所有CT扫描图片并对所有CT扫描图片进行二值化处理,得到每个图片的二值化结果为二维矩阵[A];
步骤二:将步骤一得到的所有图片的二维矩阵[A]按照高度顺序进行排列,得到三维矩阵[C],[C]的层数为CT扫描图片数目;
步骤三:根据计算机内存容量将步骤二得到的三维矩阵[C]划分为L个三维子矩阵,其具体过程为:
L个三维子矩阵包括P个三维方阵和Q个三维非方阵,L的计算公式为:
Figure FDA0002638084000000011
其中M为使用者调用的内存容量,N为方阵的边长,ceiling为向上取整;
P的计算公式为:
Figure FDA0002638084000000012
其中floor为向下取整;
Q的计算公式为:
Q=L-P
P个三维方阵的大小为P个边长为N的三维矩阵,Q个三维非方阵的大小为Q个三个方向的边长分别为R1,R2和R3的子矩阵;
Ri=mod(size([C],i),N)i=1,2,3
其中mod为计算余数,size为计算矩阵第i维的大小;
步骤四:对步骤三划分的L个三维子矩阵进行计盒,得到计盒结果序列;
步骤五:将每个三维子矩阵的计盒结果序列进行整合得到CT扫描结果的分数维度。
2.根据权利要求1所述的一种基于计盒方法的CT扫描结果分析方法,其特征在于:所述步骤一中计算机读取CT扫描图片并采用并行计算的方法对所有CT扫描图片进行二值化处理,得到每个图片的二值化结果为二维矩阵[A]的具体过程为:
由图片中的像素点计算得到二维矩阵[A]中第i行第j列元素Aij的值;若第i行第j列像素点的灰度值大于等于阈值,则Aij的值计为1,否则计为0。
3.根据权利要求2所述的一种基于计盒方法的CT扫描结果分析方法,其特征在于:所述阈值为计算机默认的50%或人为设置。
4.根据权利要求3所述的一种基于计盒方法的CT扫描结果分析方法,其特征在于:所述步骤四中对步骤三划分的L个三维子矩阵进行计盒,得到计盒结果序列的具体过程为:
对于L个三维子矩阵中的第s个子矩阵,使用计盒方法得到第s个子矩阵的码尺序列δt以及相应的第t步迭代的计盒结果序列Boxt
5.根据权利要求4所述的一种基于计盒方法的CT扫描结果分析方法,其特征在于:所述步骤五中将每个三维子矩阵的计盒结果序列进行整合得到CT扫描结果的分数维度的具体过程为:
使序列BOXt等于所有子矩阵第t步迭代的计盒结果序列Boxt之和,所有CT扫描图片的分数维度D根据如下方法计算:
Figure FDA0002638084000000021
其中at和bt为中间变量,at=-ln(δt),bt=ln(BOXt),n为计盒方法迭代总次数。
CN201710911300.9A 2017-09-29 2017-09-29 一种基于计盒方法的ct扫描结果分析方法 Active CN107657610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710911300.9A CN107657610B (zh) 2017-09-29 2017-09-29 一种基于计盒方法的ct扫描结果分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710911300.9A CN107657610B (zh) 2017-09-29 2017-09-29 一种基于计盒方法的ct扫描结果分析方法

Publications (2)

Publication Number Publication Date
CN107657610A CN107657610A (zh) 2018-02-02
CN107657610B true CN107657610B (zh) 2020-10-16

Family

ID=61116157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710911300.9A Active CN107657610B (zh) 2017-09-29 2017-09-29 一种基于计盒方法的ct扫描结果分析方法

Country Status (1)

Country Link
CN (1) CN107657610B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109556542B (zh) * 2018-11-14 2020-10-20 北京卫星制造厂有限公司 复杂点阵镂空结构ct尺寸测量方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101762583A (zh) * 2009-12-16 2010-06-30 中国烟草总公司郑州烟草研究院 一种产地特色烟叶外观颜色的表征方法
CN105510204A (zh) * 2015-12-03 2016-04-20 大连理工大学 一种基于ct图像的渗透率预测方法
CN105578373A (zh) * 2014-10-14 2016-05-11 天津职业技术师范大学 一种基于图像分形的扬声器纯音检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101762583A (zh) * 2009-12-16 2010-06-30 中国烟草总公司郑州烟草研究院 一种产地特色烟叶外观颜色的表征方法
CN105578373A (zh) * 2014-10-14 2016-05-11 天津职业技术师范大学 一种基于图像分形的扬声器纯音检测方法
CN105510204A (zh) * 2015-12-03 2016-04-20 大连理工大学 一种基于ct图像的渗透率预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Fractal dimension in concrete and implementation for meso-simulation";Xu Yang 等;《Construction and Building Materials》;20170324;第464-472页 *
"Random-fractal-method-based generation of meso-model for concrete aggregates ";Xu Yang;《Powder Technology》;20150624;第63-77页 *
"分形维数的一个并行算法";王韶娟;《计算机应用与软件》;20051031;第22卷(第10期);第22卷第10期,第19-20、132页 *
"多孔介质孔隙结构的分形特征和网络模型研究";王合明;《中国优秀硕士学位论文全文数据库 基础科学辑》;20030915(第9期);第26-27页、第50-54页 *

Also Published As

Publication number Publication date
CN107657610A (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
CN110136056B (zh) 图像超分辨率重建的方法和装置
CN111311704B (zh) 图像重建方法、装置、计算机设备和存储介质
JP2019503530A (ja) 画像改ざん検出方法、システム、電子装置及び記憶媒体
US10992959B2 (en) Data processing apparatuses, methods, computer programs and computer-readable media
WO2022179083A1 (zh) 图像检测方法、装置、设备、介质和程序
WO2019037654A1 (zh) 3d图像检测方法、装置、电子设备及计算机可读介质
CN110533591B (zh) 基于编解码器结构的超分辨图像重建方法
CN115272250B (zh) 确定病灶位置方法、装置、计算机设备和存储介质
EP3343445A1 (en) Method and apparatus for encoding and decoding lists of pixels
WO2022062388A1 (zh) 一种视频数据处理方法、系统及相关组件
US20210149852A1 (en) Information processing apparatus, control method, and program
JP2016509805A (ja) 画像ストリームの高フレームレート化
CN116071309B (zh) 元器件的声扫缺陷检测方法、装置、设备和存储介质
CN110503002B (zh) 一种人脸检测方法和存储介质
CN107657610B (zh) 一种基于计盒方法的ct扫描结果分析方法
CN116758102A (zh) 一种基于CNN与Transformer的超声图像分割方法
US20130038750A1 (en) Methods and apparatus to perform multi-focal plane image acquisition and compression
CN111369489B (zh) 一种图像识别方法、装置及终端设备
US20180160071A1 (en) Feature Detection In Compressive Imaging
CN107154061B (zh) 一种分块压缩感知的正则化解码方法
CN111507430B (zh) 基于矩阵乘法的特征编码方法、装置、设备及介质
Salarian et al. A new modified fast fractal image compression algorithm
CN108961161B (zh) 一种图像数据处理方法、装置和计算机存储介质
JP2011234363A (ja) 画像処理システム及び方法
Emara et al. Image compression using advanced optimization algorithms

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
GR01 Patent grant
GR01 Patent grant