CN108181326B - 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法 - Google Patents

多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法 Download PDF

Info

Publication number
CN108181326B
CN108181326B CN201611159090.4A CN201611159090A CN108181326B CN 108181326 B CN108181326 B CN 108181326B CN 201611159090 A CN201611159090 A CN 201611159090A CN 108181326 B CN108181326 B CN 108181326B
Authority
CN
China
Prior art keywords
energy
attenuation coefficient
article
transparency
relative mass
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
CN201611159090.4A
Other languages
English (en)
Other versions
CN108181326A (zh
Inventor
徐光明
刘必成
赵自然
顾建平
李强
张岚
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.)
Nuctech Co Ltd
Original Assignee
Nuctech Co Ltd
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 Nuctech Co Ltd filed Critical Nuctech Co Ltd
Priority to CN201611159090.4A priority Critical patent/CN108181326B/zh
Priority to US16/314,093 priority patent/US11112528B2/en
Priority to PCT/CN2017/101363 priority patent/WO2018103398A1/zh
Priority to PL17199159T priority patent/PL3333596T3/pl
Priority to EP17199159.9A priority patent/EP3333596B1/en
Publication of CN108181326A publication Critical patent/CN108181326A/zh
Application granted granted Critical
Publication of CN108181326B publication Critical patent/CN108181326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G01V5/224—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G01N23/087—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays using polyenergetic X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/10—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the material being confined in a container, e.g. in a luggage X-ray scanners
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/18—Spectrum analysis; Fourier analysis with provision for recording frequency spectrum
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/03—Investigating materials by wave or particle radiation by transmission
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/10—Different kinds of radiation or particles
    • G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
    • G01N2223/1016—X-ray
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/405—Imaging mapping of a material property
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/423—Imaging multispectral imaging-multiple energy imaging

Abstract

本发明公开了一种用于利用多能谱X射线成像系统对待测物品进行物质识别的方法，包括：获得所述待测物品在N个能区中的透明度值组成的透明度相关向量，其中N大于2；计算所述透明度相关向量与所述系统中存储的多种物品在多种厚度的情况下在所述N个能区中的N个透明度均值组成的透明度相关向量之间的距离；以及将所述待测物品识别为与最小距离相对应的物品。本发明基于多能谱X射线成像系统，通过对多能谱物质识别问题的分析，提出了一种物质识别的方法。相对传统双能X射线系统，多能谱成像理论上可以显著提高系统的物质识别能力，特别是在安检应用领域，物质识别能力的提升对于毒品爆炸物等违禁品的查验具有重要意义。

Description

多能谱X射线成像系统和用于利用多能谱X射线成像系统对待 测物品进行物质识别的方法
本申请是2016年12月7日向中国专利局递交的题为“多能谱X射线成像系统和用于利用多能谱X射线成像系统对待测物品进行物质识别的方法”的发明专利申请No.201611120598.3的分案申请。
技术领域
本公开大体上涉及辐射成像领域，更具体地，涉及多能谱X射线成像系统和用于利用多能谱X射线成像系统对待测物品进行物质识别的方法。
背景技术
X射线透射成像技术广泛地应用于安检和医疗等领域。成像系统的物质识别能力是衡量系统指标的一个重要标准。
在X射线透射成像原理中，最基本的公式是I＝I0e-μt，即单能X射线束流强度随吸收物质厚度按指数函数形式衰减，其中I0是衰减前的射线强度，I是经过一定厚度材料的衰减后的射线强度，t是材料的质量厚度；μ表示质量衰减系数，并且表征了物质的材料属性。透明度值T＝I/I0＝e-μt理论上介于0到1之间，其中I0一般可以通过扫描空气图像来进行获取。α值定义为α＝-lnT＝μt。
目前安检领域广泛采用的双能成像设备采用了两种不同能谱的X射线穿透被检物，利用两种透明度值的差异，可以在一定程度上获取被检物的材料等效原子序数信息，但是由于双能X射线两种能谱之间存在较大重叠，客观上限制了双能系统的物质识别能力。
多能谱成像通过采用具有一定能谱分辨能力的光子计数型探测器，可以将较宽能谱分布的X射线分为若干个不同的能量区间
Figure BDA0001180268630000021
然后分别在各个能区内对光子进行计数统计并进行成像。近年来，随着CZT等光子计数型探测器技术的不断发展，多能谱成像技术也日趋成熟。由于多能谱X射线成像技术在降低辐射剂量、提高物质识别能力方面具有明显优势，因此在安检和医疗等领域都具有广阔的应用前景。相比于传统的双能成像，多能谱成像基本消除了能谱的交叉重叠，不同能谱之间的能量区分度更好，同时可以根据需要将能谱划分成更多的能量区间(如图1所示)，为更多能量信息的引入提供了条件。
目前对于多能谱物质识别方法的研究主要有：
针对多能谱CT成像，提出根据X射线能谱不同能区的投影数据计算得到衰减系数μi的分布，进而采用曲线逼近等方法找到与之最相近的原子序数Z，从而实现物质分类。
给出了涉及变量个数为N的多维特征空间高斯概率密度表达式，如下式(1)所示，其中∑ij是厚度为tj的材料Zi的协方差矩阵，向量μij对应于采用标定材料所获得的α值均值向量：
Figure BDA0001180268630000022
该方案首先通过扫描不同厚度的标定材料得到特征均值向量和协方差矩阵，然后根据高斯概率密度表达式计算出待测材料可能属于各类别的概率，根据最大概率原则实现物质分类。类似技术方案还可见于法国研究机构CEA-Leti的文章。
MultiX提出基于光子计数的泊松统计构造似然函数，并通过将待测物和标定材料的似然值逐一比对计算来实现物质识别的方法。CEA-Leti在其另外一篇文章中针对多能谱背散射成像问题，发现常见的几种有机物材料在低能区间质量衰减系数曲线的斜率值Dμ′和它们的原子序数值Z基本呈线性关系，从而提出可以通过计算待测物的Dμ′来进行物质识别。
目前现有的对多能谱物质识别方法的研究已有一定基础，但多数方法只是在某种统计分布假设基础上的分类计算；有些方法仍然属于经验方法，还不够完善。我们对多能谱物质识别问题进行了更深入的分析。
多能谱成像系统将接收到的射线能谱划分成若干个能量区间并分别计数，对于其中的每个能量区间，计算Ti或αi＝-lnTi＝μit(i＝1...N)，其中N是能区的个数。假设X射线具有单一的能量E，则质量衰减系数μ(Z，E)是原子序数Z以及能量E的函数。根据美国国家标准与技术研究所NIST公开的数据，μ(Z，E)可以通过查表得到。具有一定能谱分布p(E)和平均能量
Figure BDA0001180268630000031
的X射线，在经过一定厚度某种材料的衰减后，其中低能成分的衰减程度更大，使得能谱的平均能量
Figure BDA0001180268630000032
也发生变化，称为X射线的硬化效应。
在能谱划分非常窄的极限条件下，每个能量区间的硬化效应可以忽略不计，此时μ(Z，E)与材料的厚度无关。实际情况下，各个分立的能量区间仍然有一定的能谱分布，特别是能量区间划分较宽的情况下，射线的硬化效应不可以忽略，能区的平均能量E与材料的质量厚度t相关，μ(Z，E)也因此会随着t变化。对于我们所感兴趣的X射线能量范围和常见材料的原子序数范围内，可以认为连续的Z和质量厚度t使得μ(Z，E)也连续，则此时不同质量厚度t和等效原子序数Z的特征均值Ti或αi在相应的多维特征空间中构成了二维曲面f(Z，t)。
f(Z，t)可以通过两种方式得到，一种方式是对于已知的能谱分布p(E)，通过NIST数据查找μ(Z，E)，根据∑N(E)＝∑N0(E)e-μ(Z，E)·t和T＝∑N(E)/ΣN0(E)，遍历各种材料计算出f(Z，t)；另一种方式是通过实际扫描流程，采集各种不同厚度和原子序数的标定材料阶梯块数据，通过拟合或者插值方式获取f(Z，t)，如图2所示。在图2中，T1、T2和T3分别表示相应标定材料在三个能区中的透明度值分布。
多能谱物质识别的关键是在多维特征空间中计算待测物的特征值在曲面f(Z，t)上的投影位置，但是由于f(Z，t)的数学表达非常复杂，直接计算投影变得非常困难。
发明内容
鉴于此，本发明提出了多能谱X射线成像系统和用于利用多能谱X射线成像系统对待测物品进行物质识别的方法。
根据本发明的第一方面，公开了一种用于利用多能谱X射线成像系统对待测物品进行物质识别的方法，包括：
选择N个能区中的一个或多个能区作为基准能区；
获得所述待测物品在N个能区中的相应N个透明度值；
根据所述待测物品在被选择作为基准能区的所述一个或多个能区中的透明度值来计算基准透明度值；
根据所述基准透明度值和所述N个透明度值计算所述待测物在N个能区中的相对质量衰减系数值；
确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品。
优选地，选择N个能区中的一个或多个能区作为基准能区包括：
选择所有N个能区作为所述基准能区。
优选地，选择N个能区中的一个或多个能区作为基准能区包括：
选择N个能区中的任一个能区作为所述基准能区。
优选地，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品包括：
利用最小均方误差法确定现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品。
优选地，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品包括：
通过使根据下式确定的χ2最小化，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品：
Figure BDA0001180268630000041
其中，
Figure BDA0001180268630000042
是待测物m在第i个能区中的相对质量衰减系数值，
Figure BDA0001180268630000043
是现有物品ωi在第i个能区中的相对质量衰减系数值。
根据本发明的第二方面，公开了一种多能谱X射线成像系统，包括：
X光源，被配置为产生X射线；
探测器，被配置为接收从所述X光源发出通过待测物品被透射或散射的X射线并将其转换为输出信号；
处理器，被配置为执行程序指令以进行以下操作：
选择N个能区中的一个或多个能区作为基准能区；
获得所述待测物品在N个能区中的相应N个透明度值；
根据所述待测物品在被选择作为基准能区的所述一个或多个能区中的透明度值来计算基准透明度值；
根据所述基准透明度值和所述N个透明度值计算所述待测物在N个能区中的相对质量衰减系数值；
确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品；以及
存储器，被配置为存储程序指令。
优选地，选择N个能区中的一个或多个能区作为基准能区包括：
选择所有N个能区作为所述基准能区。
优选地，选择N个能区中的一个或多个能区作为基准能区包括：
选择N个能区中的任一个能区作为所述基准能区。
优选地，所述处理器被进一步配置为：
利用最小均方误差法确定现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品。
优选地，所述处理器被进一步配置为：
通过使根据下式确定的χ2最小化，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品：
Figure BDA0001180268630000051
其中，
Figure BDA0001180268630000061
是待测物m在第i个能区中的相对质量衰减系数值，
Figure BDA0001180268630000062
是现有物品ωi在第i个能区中的相对质量衰减系数值。
根据本发明的第三方面，公开了一种计算机可读介质，包括在由处理器执行时执行包括以下各项的操作的指令：
选择N个能区中的一个或多个能区作为基准能区；
获得所述待测物品在N个能区中的相应N个透明度值；
根据所述待测物品在被选择作为基准能区的所述一个或多个能区中的透明度值来计算基准透明度值；
根据所述基准透明度值和所述N个透明度值计算所述待测物在N个能区中的相对质量衰减系数值；
确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品。
优选地，选择N个能区中的一个或多个能区作为基准能区包括：
选择所有N个能区作为所述基准能区。
优选地，选择N个能区中的一个或多个能区作为基准能区包括：
选择N个能区中的任一个能区作为所述基准能区。
优选地，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品包括：
利用最小均方误差法确定现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品。
优选地，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品包括：
通过使根据下式确定的χ2最小化，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品：
Figure BDA0001180268630000063
其中，
Figure BDA0001180268630000071
是待测物m在第i个能区中的相对质量衰减系数值，
Figure BDA0001180268630000072
是现有物品ωi在第i个能区中的相对质量衰减系数值。
多能谱X射线成像通过采用具有一定能谱分辨能力的光子计数型探测器，可以将接收到的X射线能谱划分成多个能量区间并分别进行计数成像。相比于传统双能成像，由于利用了更多能量信息，多能谱成像可以显著提高系统的物质识别能力，具有广阔的应用前景，特别是在安检领域用于识别毒品爆炸物等较难查验的违禁品。针对多能谱X射线成像的特点，本发明采用非线性降维、最小马氏距离计算以及假设检验等方案，避开了多维特征空间上的复杂投影计算，提出了一种多能谱X射线成像的物质识别方法。
附图说明
根据结合示例性附图对示例性实施例的以下描述，本公开的其他细节、方面和优点将变得显而易见，在附图中：
图1示出了根据本发明的实施例的能谱阈值划分的示意图；
图2示出了根据本发明的实施例的典型材料在三个能区中的透明度值分布的示意图；
图3示出了根据本发明的实施例的用于识别物品的多能谱X射线成像系统的示意图；
图4示出了根据本发明的实施例的利用多能谱X射线成像系统对物品进行识别的示意图；
图5示出了根据本发明的第一实施例的用于利用多能谱X射线成像系统识别物品的第一方法的流程图；
图6示出了根据本发明的第一实施例的用于利用多能谱X射线成像系统识别物品的第二方法的流程图；
图7示出了根据本发明的实施例的通过最小马氏距离方法进行多能谱物质识别的流程图；
图8示出了根据本发明的实施例的非线性降维映射到二维的标定数据和待测物数据的曲线；
图9示出了根据本发明的第二实施例的用于利用多能谱X射线成像系统识别物品的方法的流程图；
图10示出了根据本发明的实施例的典型材料的相对质量衰减系数曲线；
图11示出了根据本发明的第三实施例的用于利用多能谱X射线成像系统识别物品的方法的流程图；以及
图12示出了根据本发明的实施例的用于识别物品的多能谱X射线成像系统的示意图。
附图没有对实施例的所有电路或结构进行显示。贯穿所有附图相同的附图标记表示相同或相似的部件或特征。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
本发明涉及的多能谱X射线成像系统300由X光源310、探测器320、扫描控制器330、处理器340、存储器350等组成，如图3所示。
X光源310可以是同位素放射源、X光机、加速器等任何获取X射线的装置，通过准直的X射线可以是扇形束、笔形束或其他束流形状。探测器320选用光子计数型探测器(如图4所示)，例如CZT、CdTe探测器等等，探测器320的排列可以是线阵或多层线阵，也可以是面阵或多层面阵排列。探测器320用于接收从X光源310发出通过待测物品被透射或散射的X射线并将其转换为输出信号。扫描控制器330负责控制整个扫描流程，包括X射线的出束以及控制皮带、轨道或者其他可以使X射线扫描面与扫描物产生相对运动的装置。处理器340可以执行程序指令以进行以下操作：获取多个预设的不同能谱区间的光子计数数据并储存；对多能谱数据进行处理，采用本发明提出的多能谱物质识别方法对扫描物进行物质识别，输出识别结果并显示图像。存储器350可以存储程序指令。
多能谱成像系统首先获取预设的各个能谱区间的光子计数值，通过校正过程，计算出N个能区的透明度值
Figure BDA0001180268630000091
作为物质分类的特征。校正过程包括对探测器的空气本底校正、死时间校正、pile-up(堆积)校正、串扰校正等等。分类特征还可以是α值、R值等等。通过图像预处理提取的其他图像特征，例如HOG、SIFT等，也可以作为辅助的特征帮助识别爆炸物、毒品、枪支等特殊违禁品。图像特征还可以通过深度学习等方法来自主学习获得。
多能谱物质识别包含了标定流程和分类流程，其中标定装置可以设计为若干种具有不同原子序数和密度的典型材料，例如PE、PMMA、POM、PVDF、PTFE等有机聚合物材料以及石墨、铝、铁、铜、铅等等，每种材料都包含按照厚度或质量厚度从薄到厚的若干级阶梯，例如1mm、2mm...或1g/cm2、2g/cm2...。通过单次或多次采集上述标定装置在各个能量区间的扫描数据，获得标定数据。适当增加标定样本的种类数和厚度阶梯数，可以进一步提高物质识别的精度。在标定数据库中增加各个类别的毒品爆炸物材料或者模拟物材料的训练数据，例如黑火药、TNT、C4、RDX(黑索金)、摇头丸、海洛因等等，可以使系统对毒品爆炸物等违禁品的识别更具有针对性，提高这类违禁品的识别率。
分类流程针对的是未知类型的待测物，给出分类属性判定，主要目的是获取待测物的原子序数、质量厚度值、密度等信息。
基于目前的技术现状以及多能谱成像的特点，我们提出了一种多能谱X射线成像的物质识别方法，其中假设存在M个标定材料类别ωi(i＝1～M)和N个能区。
第一个实施例(最小距离分类法)：
在多维特征空间中，计算待测物的透明度值与标定分类曲线f(Zi，t)的距离di，对于处于相邻的两种标定材料的原子序数Zj与Zk之间的情况，通过计算dj与dk到两个标定材料之间连线的投影距离作为线性插值的权重。该方案首先通过标定流程获取标定数据，并假设相邻的标定材料Z值较接近，材料之间的直线距离近似于测地线距离，差异作为系统误差可以忽略。最小距离分类法的具体流程如下。
首先在标定流程分别获取各类别各厚度下的标定材料所对应的N个能区的透明度经多次测量后得到的均值以及协方差矩阵SN×N(ωi，tj)(i＝1...M，j＝1...K，其中，M表示标定材料的数量，K表示每一个标定材料的质量厚度的数量)；对于多能谱成像各个分立能区之间相互独立的情况，协方差矩阵S一般可以简化为对角矩阵，如下式(2)所示，其中对角元素分别代表相应能区的方差值，例如
Figure BDA0001180268630000102
代表某种材料在某个厚度条件下对应第一个能区的方差值。
Figure BDA0001180268630000101
对于违禁品训练材料，采用相同的计算方法，形成并保存违禁品数据库。
扫描待测物的多能谱图像，通过在某个能区(可以是一个或多个能区)所获取的透明度值，找出在该能区内符合该透明度值的标定材料的厚度范围。分别计算待测样品m到该厚度范围内的各类材料ωi的透明度均值
Figure BDA0001180268630000111
的马氏距离d(m，ωi)，计算公式为：
Figure BDA0001180268630000112
其中，Xm＝(Tm1，Tm2，...TmN)表示由待测物在N个能区上的透明度值组成的向量，
Figure BDA0001180268630000113
表示由材料ωi在N个能区上的透明度均值组成的向量。当然，本方案还可以采用欧式距离、余弦距离等不同的距离计算方式。
遍历各个类别，找出马氏距离d(m，ωi)最小时对应的标定材料的类别，并将该标定材料的类别确定为该待测物的物质类别。
优选地，可以更精确地确定待测物的物质类别。例如，对于处于厚度相同的两种标定材料A和B之间的情况，通过计算d(m，A)和d(m，B)到
Figure BDA0001180268630000114
方向的投影距离，作为线性插值的权重因子，计算出该待测物m的原子序数值Z，如下式(4)所示。
Figure BDA0001180268630000115
其中，ZA和ZB分别是标定材料A和B的原子序数值，θmBA和θmAB分别是
Figure BDA0001180268630000116
方向与
Figure BDA0001180268630000117
方向的夹角和
Figure BDA0001180268630000118
与向与
Figure BDA0001180268630000119
的夹角。
对于处于同一标定材料两种质量厚度之间的情况，按照与上述方式类似的线性插值方式计算出待测物的质量厚度t。
对于处于两种标定材料的两种质量厚度之间的情况，通过双线性插值方法，计算出材料的原子序数Z和质量厚度值t。
对于Z和t符合常见毒品爆炸物阈值范围的案例，采用相同的算法流程，逐一计算待测物与违禁品数据库中毒品爆炸物的马氏距离，通过最小距离原则判定其中具有最大可能性的违禁品种类。
图5示出了根据本发明的第一实施例的用于利用多能谱X射线成像系统对待测物品进行物质识别的第一方法500的流程图。方法500包括：步骤S510，获得所述待测物品在N个能区中的透明度值组成的透明度相关向量，其中N大于2；步骤S520，计算所述透明度相关向量与所述系统中存储的多种物品在多种厚度的情况下在所述N个能区中的N个透明度均值组成的透明度相关向量之间的距离；以及步骤S530，将待测物品识别为与最小距离相对应的物品。所述透明度均值是在特定能区中经过多次测量得到的多个透明度值的均值。
计算所述透明度相关向量与所述系统中存储的多种物品在多种厚度的情况下在所述N个能区中的N个透明度均值组成的透明度相关向量之间的距离可以包括：利用马氏距离算法、欧氏距离算法或余弦距离算法来计算所述距离。
方法500可以由多能谱X射线成像系统300来执行。其中，处理器340被配置为执行程序指令以进行以下操作：获得所述待测物品在N个能区中的透明度值组成的透明度相关向量，其中N大于2；计算所述透明度相关向量与所述系统中存储的多种物品在多种厚度的情况下在所述N个能区中的N个透明度均值组成的透明度相关向量之间的距离；以及将待测物品识别为与最小距离相对应的物品。
图6示出了根据本发明的第一实施例的用于利用多能谱X射线成像系统对待测物品进行物质识别的第二方法600的流程图。方法600包括：步骤S610，获得所述待测物品在N个能区中的透明度值组成的透明度相关向量，其中N大于2；步骤S620，计算所述透明度相关向量与所述系统中存储的多种物品在多种厚度的情况下在所述N个能区中的N个透明度均值组成的透明度相关向量之间的距离；步骤S630，确定与最小距离相对应的物品的第一原子序数值和第一厚度以及与次小距离相对应的物品的第二原子序数值和第二厚度；步骤S640，根据第一和第二原子序数值以及第一和第二厚度利用线性插值算法确定待测物品的原子序数值和厚度；以及步骤S650，根据待测物品的原子序数值和厚度来确定待测物品的种类。
计算所述透明度相关向量与所述系统中存储的多种物品在多种厚度的情况下在所述N个能区中的N个透明度均值组成的透明度相关向量之间的距离可以包括：利用马氏距离算法、欧氏距离算法或余弦距离算法来计算所述距离。
当第一原子序数值与第二原子序数值相同并且第一厚度与第二厚度不同时，线性插值算法是一维线性插值算法。当第一原子序数值与第二原子序数值不同并且第一厚度与第二厚度不同时，线性插值算法是二维线性插值算法。当第一原子序数值与第二原子序数值不同并且第一厚度与第二厚度相同时，线性插值算法是一维线性插值算法。
方法600可以由多能谱X射线成像系统300来执行。其中，处理器340被配置为执行程序指令以进行以下操作：获得所述待测物品在N个能区中的透明度值组成的透明度相关向量，其中N大于2；计算所述透明度相关向量与所述系统中存储的多种物品在多种厚度的情况下在所述N个能区中的N个透明度均值组成的透明度相关向量之间的距离；确定与最小距离相对应的物品的第一原子序数值和第一厚度以及与次小距离相对应的物品的第二原子序数值和第二厚度；根据第一和第二原子序数值以及第一和第二厚度利用线性插值算法确定待测物品的原子序数值和厚度；以及根据待测物品的原子序数值和厚度来确定待测物品的种类。处理器340被进一步配置为：利用马氏距离算法、欧氏距离算法或余弦距离算法来计算所述透明度相关向量与所述系统中存储的多种物品在多种厚度的情况下在所述N个能区中的N个透明度均值组成的透明度相关向量之间的距离。透明度相关向量可以是直接由透明度或透明度均值构成的向量，也可以是由透明度或透明度均值的对数构成的向量。
下面给出第一实施例的一个具体示例，如图7所示。
采用能量值为160keV的X光机产生X射线，通过准直缝形成扇形束流；采用CZT单光子计数型线阵排列探测器获取扫描的透射图像。处理器可以同时获取不少于三种不同的预设能谱区间的光子计数数据，例如将能谱划分为25keV～45keV、50keV～70keV、80keV～160keV三个能区。
在步骤S710，设计典型标定材料阶梯，包含至少四种标定材料，聚乙烯(PE，Z＝5.5)、聚甲醛树脂(POM，Z＝7.0)、铝(Al，Z＝13)、铁(Fe，Z＝26)，每种材料包括若干从薄到厚的阶梯，采集空气、本底和各材料阶梯的图像数据，计算各类材料的透明度均值
Figure BDA0001180268630000131
和协方差矩阵S3×3(ωi，tj)(i＝1...4，j＝1...K，其中，K表示某个标定材料的质量厚度的数量)。
在步骤S720，扫描待测物的多能谱图像，通过所有能谱计算的透明度值T0，找出对应该透明度值的各个标定材料的厚度范围。
在步骤S730，根据式(3)分别计算待测物透明度特征值到该厚度范围内各类材料ωi的透明度均值
Figure BDA0001180268630000141
的马氏距离d(m，ωi)；
在一个示例中，遍历各个类别，找出当马氏距离最小时对应的标定材料的类别的原子序数，作为待测物的原子序数。
在另一示例中，如在步骤S740，对于处于两种标定材料A和B之间的情况，例如位于PE和POM之间的某种未知材料，通过计算d(m，A)和d(m，B)到
Figure BDA0001180268630000142
方向的投影距离，作为线性插值的权重因子，根据等式(4)计算出该材料的原子序数值Z。
对于处于同一标定材料两种质量厚度之间的情况，通过与上述线性插值方法相似的方法，计算出待测物的质量厚度t；
对于处于两种标定材料的两种质量厚度之间的情况，通过双线性插值方法，计算出待测物的原子序数值Z和质量厚度值t。
对于上述获取的Z和t符合预设的常见毒品爆炸物阈值范围的案例，采用相同的算法流程，进一步计算待测物与违禁品数据库中各类毒品爆炸物的马氏距离，通过最小距离原则判断待测物最有可能的违禁品种类。
在步骤S750，根据待测物的T0和Z值，通过彩色化流程生成用于显示的彩色图像。对判定为存在违禁品的扫描事例，进行自动报警并对嫌疑区域进行标识。
第二个实施例(非线性降维分类法)：
通过非线性降维，将待测物数据和标定数据一起映射到二维平面上。此时，多维分类问题转化为二维分类问题，同时直接得到了待测物在映射后的f(Z，t)上的投影。
非线性降维方法主要包括多维尺度分析MDS、局部线性嵌入算法LLE、等距映射算法Isomap等等。等距映射算法Isomap的主要目标是对于给定的高维流形，找到其对应的低维嵌入，使得高维流形上数据点间的近邻结构在低维嵌入中得以保持。Isomap以MDS为计算工具，其特点在于计算高维流形上数据点间的距离时，采用了微分几何中的测地线距离，并找到了一种用实际输入数据估计其测地线距离的算法，非常适合解决多能谱物质识别问题。下面对非线性降维方法进行具体描述。
首先，计算多种标定材料在多种厚度的情况下在N个能区的经多次测量的透明度均值，构成与标定材料相对应的透明度相关向量，作为标定数据，并存储在多能谱X射线成像系统中。然后，扫描待测物材料以获得待测物材料在N个能区中的透明度值组成的透明度相关向量，作为待测物数据，其中N大于2。透明度相关向量可以是直接由透明度或透明度均值构成的向量，也可以是由透明度或透明度均值的对数构成的向量。
利用非线性降维算法，例如Isomap算法或LLE算法，将针对待测物材料的透明度相关向量和所述系统中存储的多种标定材料在多种厚度的情况下在N个能区中的透明度均值组成的透明度相关向量映射到二维平面上，以分别得到待测物材料的透明度相关向量在二维平面上的映射点和多种标定材料的透明度相关向量在二维平面上的映射点集合。非线性降维算法的一些参数，例如近邻参数k，可以根据实际情况进行优化，确保降维映射的结果稳定可靠。
映射后的数据仍然保持了在特征空间上的分类特性，标定数据包含有相应类别信息，可以直接通过映射后的待测物数据在二维特征平面上所处的位置关系，对待测物的原子序数Z和质量厚度t进行判定(如图8所示)。例如，可以利用利用最小距离原则确定映射点集合中与映射点最近的点，并且将待测物品识别为多种标定材料中与最近的点相对应的标定材料。
对于疑似毒品爆炸物的事例，可以在上述标定数据中增加各种常见毒品和爆炸物的标定数据，重复上述流程，通过映射后各数据点的位置关系和最小距离原则判定或区分毒品或爆炸物的种类。
图9示出了根据本发明的第二实施例的用于利用多能谱X射线成像系统对待测物品进行物质识别的方法900的流程图。方法900包括：步骤S910，获得待测物品在N个能区中的透明度值组成的透明度相关向量，其中N大于2；步骤S920，利用非线性降维算法将透明度相关向量和系统中存储的多种物品在多种厚度的情况下在N个能区中的N个透明度均值组成的透明度相关向量映射到二维平面上，以分别得到待测物品的透明度相关向量在二维平面上的映射点和多种物品的透明度相关向量在二维平面上的映射点集合；步骤S930，确定映射点集合中与所述映射点最近的点；以及步骤S940，将待测物品识别为多种物品中与最近的点相对应的物品。
所述非线性降维算法包括等距映射Isomap算法、局部线性嵌入LLE算法和维度尺度分析MDS算法。确定映射点集合中与所述映射点最近的点可以包括：利用马氏距离算法、欧氏距离算法或余弦距离算法来确定与所述映射点最近的点。所述多种物品包括爆炸物。
方法900可以由多能谱X射线成像系统300来执行。其中，处理器340被配置为执行程序指令以进行以下操作：获得所述待测物品在N个能区中的透明度值组成的透明度相关向量，其中N大于2；利用非线性降维算法将所述透明度相关向量和所述系统中存储的多种物品在多种厚度的情况下在所述N个能区中的N个透明度均值组成的透明度相关向量映射到二维平面上，以分别得到所述待测物品的透明度相关向量在所述二维平面上的映射点和所述多种物品的透明度相关向量在所述二维平面上的映射点集合；确定所述映射点集合中与所述映射点最近的点；以及将所述待测物品识别为所述多种物品中与所述最近的点相对应的物品。
第三个实施例(相对质量衰减系数分类法)：
扫描待测物图像，计算待测物在N个能区中的第i个能区的相对质量衰减系数Ri(例如，图10中的TNT材料)：
Ri＝lnTi/lnT0 (5)
其中，T0可以是由全部能谱计算的透明度值，也可以是任意一个或多个特定的能区计算得到的透明度值，Ti代表通过各能区计算得到的透明度值，i＝1...N。根据假设检验理论的χ2检验方法，分别计算待测物m与各种标定材料ωi(例如，图10中的PE、PMMA、POM和Al材料)之间的χ2：
Figure BDA0001180268630000171
其中，
Figure BDA0001180268630000172
是待测物m在第i个能区中的相对质量衰减系数，
Figure BDA0001180268630000173
是标定材料ωi在第i个能区中的相对质量衰减系数。确定当χ2最小时对应的标定材料的原子序数Z，并将待测物的原子序数确定为该标定材料的原子序数。该方案适合能区划分数目较多、能区范围较窄的情况。
在一个具体示例中，通过计算各能区平均能量对应的相对质量衰减系数，分别与各个标定材料的相对质量衰减系数曲线进行某种假设检验。不同标定材料的等效质量衰减系数曲线可以通过NIST进行查找。图10是几种典型聚合物和TNT对应不同能量值的相对质量衰减系数分布。
同样的，对于疑似违禁物品，通过与已知的毒品、爆炸物等违禁品的相对衰减系数曲线分别进行χ2计算，并且通过χ2最小原则判定待测物最可能属于哪种特定违禁品。
该方案还包括采用其他的假设检验方法，或相似度计算方法。标定材料的质量衰减系数曲线还可以通过实际扫描标定材料阶梯数据，通过拟合或插值方式获取。
图11示出了根据本发明的第三实施例的用于利用多能谱X射线成像系统对待测物品进行物质识别的方法1100的流程图。方法1100可以包括：步骤S1110，选择N个能区中的一个或多个能区作为基准能区；获得所述待测物品在N个能区中的相应N个透明度值；步骤S1120，根据所述待测物品在被选择作为基准能区的所述一个或多个能区中的透明度值来计算基准透明度值；步骤S1130，根据所述基准透明度值和所述N个透明度值计算所述待测物在N个能区中的相对质量衰减系数值；步骤S1140，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品。选择N个能区中的一个或多个能区作为基准能区可以包括：选择所有N个能区作为基准能区。选择N个能区中的一个或多个能区作为基准能区可以包括：选择N个能区中的任一个能区作为基准能区。确定多个现有物品中具有与相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所确定的物品识别为待测物可以包括：利用最小均方误差法确定现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品。确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品包括：通过使根据式(6)确定的χ2最小化，确定多个现有物品中具有与相对质量衰减系数值最接近的相对质量衰减系数的物品。
方法1100可以由多能谱X射线成像系统300来执行。其中，处理器340被配置为执行程序指令以进行以下操作：选择N个能区中的一个或多个能区作为基准能区；获得待测物品在N个能区中的相应N个透明度值；根据待测物品在被选择作为基准能区的所述一个或多个能区中的透明度值来计算基准透明度值；根据基准透明度值和N个透明度值计算待测物在N个能区中的相对质量衰减系数值；确定多个现有物品中具有与相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物识别为所确定的物品。
本发明提出的技术方案可以但不仅限于应用到X射线单视角、双视角、多视角透射成像以及CT成像等不同的能谱成像装置。
相比传统双能X射线成像系统，多能谱成像可以显著提高系统的物质识别能力。本发明目的在于实现一种新的用于多能谱X射线成像系统的物质识别方法，从而有效利用多能谱成像系统的物质识别能力，应用于安检等领域，特别是用于对毒品爆炸物的识别。通过对多能谱物质识别问题的研究，并针对多能谱成像的特点，本发明采用非线性降维、最小马氏距离计算以及假设检验等方式，避开了多维特征空间上的复杂投影计算，提出了一种多能谱X射线成像的物质识别方法。
图12示意性地示出了根据本发明的实施例用于利用多能谱X射线成像系统识别物品的系统1200的示意图。系统1200包括处理器1210，例如，数字信号处理器(DSP)。处理器1210可以是用于执行本文所描述的过程的不同动作的单个装置或多个装置。系统1200还可以包括输入/输出(I/O)装置1230，用于从其他实体接收信号或者向其他实体发送信号。
此外，系统1200包括存储器1220，该存储器1220可以具有以下形式：非易失性或易失性存储器，例如，电可擦除可编程只读存储器(EEPROM)、闪存等。存储器1220存储计算机可读指令，当处理器1210执行该计算机可读指令时，该计算机可读指令使处理器执行本文所述的动作。
应当注意的是，本发明中所提到的透明度均值都是通过在特定能区中进行多次测量得到多个透明度值并对所述多个透明度值求取均值获得的结果。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此，本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统(例如，一个或多个处理器)使用或者结合指令执行系统使用。在本公开的上下文中，计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。
以上的详细描述通过使用示意图、流程图和/或示例，已经阐述了用于利用多能谱X射线成像系统识别物品的方法和多能谱X射线成像系统的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下，本领域技术人员应理解，这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中，本公开的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而，本领域技术人员应认识到，这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中，实现为在一台或多台计算机上运行的一个或多个计算机程序(例如，实现为在一台或多台计算机系统上运行的一个或多个程序)，实现为在一个或多个处理器上运行的一个或多个程序(例如，实现为在一个或多个微处理器上运行的一个或多个程序)，实现为固件，或者实质上实现为上述方式的任意组合，并且本领域技术人员根据本公开，将具备设计电路和/或写入软件和/或固件代码的能力。此外，本领域技术人员将认识到，本公开所述主题的机制能够作为多种形式的程序产品进行分发，并且无论实际用来执行分发的信号承载介质的具体类型如何，本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于：可记录型介质，如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等；以及传输型介质，如数字和/或模拟通信介质(例如，光纤光缆、波导、有线通信链路、无线通信链路等)。

Claims (15)

1.一种用于利用多能谱X射线成像系统对待测物品进行物质识别的方法，包括：
选择N个能区中的一个或多个能区作为基准能区；
获得所述待测物品在N个能区中的相应N个透明度值；
根据所述待测物品在被选择作为基准能区的所述一个或多个能区中的透明度值来计算基准透明度值；
根据所述基准透明度值和所述N个透明度值计算所述待测物品在N个能区中的相对质量衰减系数值；
确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物品识别为所确定的物品。
2.根据权利要求1所述的方法，其中，选择N个能区中的一个或多个能区作为基准能区包括：
选择所有N个能区作为所述基准能区。
3.根据权利要求1所述的方法，其中，选择N个能区中的一个或多个能区作为基准能区包括：
选择N个能区中的任一个能区作为所述基准能区。
4.根据权利要求1所述的方法，其中，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物品识别为所确定的物品包括：
利用最小均方误差法确定现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品。
5.根据权利要求1所述的方法，其中，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物品识别为所确定的物品包括：
通过使根据下式确定的χ2最小化，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品：
Figure FDA0002427880720000021
其中，
Figure FDA0002427880720000022
是待测物品m在第i个能区中的相对质量衰减系数值，
Figure FDA0002427880720000023
是现有物品ωi在第i个能区中的相对质量衰减系数值。
6.一种多能谱X射线成像系统，包括：
X光源，被配置为产生X射线；
探测器，被配置为接收从所述X光源发出通过待测物品被透射或散射的X射线并将其转换为输出信号；
处理器，被配置为执行程序指令以进行以下操作：
选择N个能区中的一个或多个能区作为基准能区；
获得所述待测物品在N个能区中的相应N个透明度值；
根据所述待测物品在被选择作为基准能区的所述一个或多个能区中的透明度值来计算基准透明度值；
根据所述基准透明度值和所述N个透明度值计算所述待测物品在N个能区中的相对质量衰减系数值；
确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物品识别为所确定的物品；以及
存储器，被配置为存储程序指令。
7.根据权利要求6所述的系统，其中，选择N个能区中的一个或多个能区作为基准能区包括：
选择所有N个能区作为所述基准能区。
8.根据权利要求6所述的系统，其中，选择N个能区中的一个或多个能区作为基准能区包括：
选择N个能区中的任一个能区作为所述基准能区。
9.根据权利要求6所述的系统，其中，所述处理器被进一步配置为：
利用最小均方误差法确定现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品。
10.根据权利要求6所述的系统，其中，所述处理器被进一步配置为：
通过使根据下式确定的χ2最小化，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品：
Figure FDA0002427880720000031
其中，
Figure FDA0002427880720000032
是待测物品m在第i个能区中的相对质量衰减系数值，
Figure FDA0002427880720000033
是现有物品ωi在第i个能区中的相对质量衰减系数值。
11.一种计算机可读介质，包括在由处理器执行时执行包括以下各项的操作的指令：
选择N个能区中的一个或多个能区作为基准能区；
获得待测物品在N个能区中的相应N个透明度值；
根据所述待测物品在被选择作为基准能区的所述一个或多个能区中的透明度值来计算基准透明度值；
根据所述基准透明度值和所述N个透明度值计算所述待测物品在N个能区中的相对质量衰减系数值；
确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物品识别为所确定的物品。
12.根据权利要求11所述的计算机可读介质，其中，选择N个能区中的一个或多个能区作为基准能区包括：
选择所有N个能区作为所述基准能区。
13.根据权利要求11所述的计算机可读介质，其中，选择N个能区中的一个或多个能区作为基准能区包括：
选择N个能区中的任一个能区作为所述基准能区。
14.根据权利要求11所述的计算机可读介质，其中，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物品识别为所确定的物品包括：
利用最小均方误差法确定现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品。
15.根据权利要求11所述的计算机可读介质，其中，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品，并将所述待测物品识别为所确定的物品包括：
通过使根据下式确定的χ2最小化，确定多个现有物品中具有与所述相对质量衰减系数值最接近的相对质量衰减系数的物品：
Figure FDA0002427880720000041
其中，
Figure FDA0002427880720000042
是待测物品m在第i个能区中的相对质量衰减系数值，
Figure FDA0002427880720000043
是现有物品ωi在第i个能区中的相对质量衰减系数值。
CN201611159090.4A 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法 Active CN108181326B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201611159090.4A CN108181326B (zh) 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法
US16/314,093 US11112528B2 (en) 2016-12-07 2017-09-12 Multi-energy-spectrum X-ray imaging system and method of substance identification of item to be inspected by using the same
PCT/CN2017/101363 WO2018103398A1 (zh) 2016-12-07 2017-09-12 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法
PL17199159T PL3333596T3 (pl) 2016-12-07 2017-10-30 System wieloenergetycznego i wielowidmowego obrazowania rentgenowskiego i sposób identyfikacji substancji elementu poddawanego kontroli przy jego użyciu
EP17199159.9A EP3333596B1 (en) 2016-12-07 2017-10-30 Multi-energy-spectrum x-ray imaging system and method of substance identification of item to be inspected by using the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201611120598.3A CN108169255B (zh) 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法
CN201611159090.4A CN108181326B (zh) 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201611120598.3A Division CN108169255B (zh) 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法

Publications (2)

Publication Number Publication Date
CN108181326A CN108181326A (zh) 2018-06-19
CN108181326B true CN108181326B (zh) 2020-08-18

Family

ID=62526455

Family Applications (3)

Application Number Title Priority Date Filing Date
CN201611159161.0A Active CN108181327B (zh) 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法
CN201611120598.3A Active CN108169255B (zh) 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法
CN201611159090.4A Active CN108181326B (zh) 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN201611159161.0A Active CN108181327B (zh) 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法
CN201611120598.3A Active CN108169255B (zh) 2016-12-07 2016-12-07 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法

Country Status (2)

Country Link
US (1) US11112528B2 (zh)
CN (3) CN108181327B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7169853B2 (ja) * 2018-11-09 2022-11-11 キヤノン株式会社 画像処理装置、放射線撮影装置、および画像処理方法
DE102019111567A1 (de) * 2019-05-03 2020-11-05 Wipotec Gmbh Verfahren und Vorrichtung zur Röntgeninspektion von Produkten, insbesondere von Lebensmitteln
CN110231005B (zh) * 2019-06-27 2021-04-13 江苏同威信达技术有限公司 一种物品质量厚度检测方法及物品质量厚度检测装置
JP7250331B2 (ja) * 2019-07-05 2023-04-03 株式会社イシダ 画像生成装置、検査装置及び学習装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3478209A (en) * 1965-07-22 1969-11-11 Canrad Precision Ind Inc Self-luminous tritium light sources
EP0961931B1 (en) * 1997-12-22 2008-04-23 PANalytical B.V. Method of standard-less phase analysis by means of a diffractogram
JP5340524B2 (ja) * 2006-03-23 2013-11-13 浜松ホトニクス株式会社 放射線検出器及び放射線検出方法
EP2030218A2 (en) * 2006-04-20 2009-03-04 Multi-Dimensional Imaging, Inc. X-ray tube having transmission anode
WO2008142446A2 (en) * 2007-05-17 2008-11-27 Durham Scientific Crystals Ltd Energy dispersive x-ray absorption spectroscopy in scanning transmission mode involving the calculation of the intensity ratios between successive frequency bands
US7929742B2 (en) 2007-09-28 2011-04-19 Siemens Medical Solutions Usa, Inc. Method and system for computed tomographic imaging
CN101159015B (zh) * 2007-11-08 2010-12-08 清华大学 一种二维人脸图像的识别方法
CN100552699C (zh) * 2007-11-27 2009-10-21 海信集团有限公司 基于有监督的近邻保持嵌入和支持向量机的人脸识别方法
CN102519988B (zh) * 2008-05-09 2014-08-20 清华大学 创建识别材料的函数曲线的方法和装置
FR2953603A1 (fr) * 2009-12-09 2011-06-10 Commissariat Energie Atomique Procede et dispositif de reconnaissance d'un materiau a l'aide de sa fonction de transmission
FR2961904B1 (fr) * 2010-06-29 2012-08-17 Commissariat Energie Atomique Procede d'identification de materiaux a partir de radiographies x multi energies
FR2977321B1 (fr) 2011-06-30 2015-01-23 Commissariat Energie Atomique Procede et dispositif d'identification d'un materiau par analyse spectrale de rayonnements electromagnetiques traversant ce materiau
US8855809B2 (en) * 2011-09-01 2014-10-07 Spectramet, Llc Material sorting technology
CN103400154B (zh) * 2013-08-09 2016-08-10 电子科技大学 一种基于有监督等距映射的人体动作识别方法
CN103604819B (zh) * 2013-11-25 2016-03-30 东北大学 一种利用双能透射及低能散射进行物质识别的装置及方法
FR3015681B1 (fr) 2013-12-20 2016-04-22 Commissariat Energie Atomique Methode de mesure du numero atomique effectif d'un materiau
CN103822929A (zh) * 2014-02-13 2014-05-28 南京邮电大学 基于多能谱x射线的叠加目标分离成像方法
CN105628718A (zh) 2014-11-04 2016-06-01 同方威视技术股份有限公司 多能谱x射线光栅成像系统与成像方法
EP3287774B8 (en) * 2015-04-20 2020-12-02 Job Corporation Data processing device for x-ray examination, and computer implemented data processing method

Also Published As

Publication number Publication date
CN108169255B (zh) 2020-06-30
CN108181327B (zh) 2021-02-05
US11112528B2 (en) 2021-09-07
US20200309987A1 (en) 2020-10-01
CN108169255A (zh) 2018-06-15
CN108181326A (zh) 2018-06-19
CN108181327A (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
CN108181326B (zh) 多能谱x射线成像系统和用于利用多能谱x射线成像系统对待测物品进行物质识别的方法
US8552370B2 (en) Robust statistical reconstruction for charged particle tomography
US10605749B2 (en) Method of analyzing an object in two stages using a transmission spectrum then a scattering spectrum
US8135205B2 (en) Rapid matching of noisy spectra or other signal patterns
US9970890B2 (en) Method and apparatus pertaining to non-invasive identification of materials
Blair et al. Gaussian mixture models as automated particle classifiers for fast neutron detectors
Sullivan et al. Validation of a Bayesian-based isotope identification algorithm
Kaplan et al. A neutron-gamma pulse shape discrimination method based on pure and mixed sources
EP3333596B1 (en) Multi-energy-spectrum x-ray imaging system and method of substance identification of item to be inspected by using the same
Jumanazarov et al. Significance of the spectral correction of photon counting detector response in material classification from spectral x-ray CT
Gilbert et al. Advanced algorithms for radiographic material discrimination and inspection system design
Wu et al. A hyperspectral X-ray computed tomography system for enhanced material identification
US10352882B2 (en) Method and system for analyzing an object by diffractometry using a scattering spectrum and a transmission spectrum
Pietsch et al. Automatic detection and classification of treatment deviations in proton therapy from realistically simulated prompt gamma imaging data
CN111340127B (zh) 基于材料聚类的能谱ct迭代材料分解方法和装置
Wang et al. Unsupervised cell identification on multidimensional X-ray fluorescence datasets
US10564113B2 (en) Material identification method
Jumanazarov et al. The significance of the spectral correction of photon counting detector response in material classification from spectral x-ray CT
Spinks et al. Pulse Shape Discrimination of low-energy nuclear and electron recoils for improved particle identification in NaI: Tl
Ashrafi et al. Application of artificial neural network in non-destructive Compton scattering densitometry
Monterial et al. Benchmarking algorithm for radio nuclide identification (barni) literature review
McCann et al. Material Identification From Radiographs Without Energy Resolution
Huang et al. A fast classification method based on sequential Bayesian analysis for figures in irradiation images
Lalor et al. Direct atomic number reconstruction of dual energy cargo radiographs using a semiempirical transparency model
Jiang et al. Automatic detection of scintillation light splashes using conventional and deep learning methods

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