CN108399613B - 一种平板探测器图像空场识别方法 - Google Patents
一种平板探测器图像空场识别方法 Download PDFInfo
- Publication number
- CN108399613B CN108399613B CN201711384403.0A CN201711384403A CN108399613B CN 108399613 B CN108399613 B CN 108399613B CN 201711384403 A CN201711384403 A CN 201711384403A CN 108399613 B CN108399613 B CN 108399613B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- dose
- flat panel
- maximum gray
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/421—Imaging digitised image, analysed in real time (recognition algorithms)
-
- 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
- G01N2223/426—Imaging image comparing, unknown with known substance
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明提供一种平板探测器图像空场识别方法,通过对目标图像灰度值加上一个常量,并其划分为若干个感兴趣区域;并计算感兴趣区域内的最大灰度差异比值,再通过绝对判定标准值和相对判定标准值对图像进行两次筛选,最终识别出空场图像。本发明的平板探测器图像空场识别方法只需前期根据实际使用环境调节筛选参数,即可实时运行,避免了使用红外线等其他硬件检测手段而增加系统成本和集成复杂度;通过简单算法实现判定,降低了对系统和运算部件的性能要求,使平板本身或整个系统能够轻易集成而不需要花更多成本在运算能力上,同时也增加了系统的功能;通过判定标准的设计使算法的准确率提高,降低了图像空场识别的误判率和漏判率。
Description
技术领域
本发明涉及医疗或工业使用的X射线平板探测器技术领域,属于图像处理技术,特别是涉及一种平板探测器图像空场识别方法。
背景技术
X射线平板探测器由大量微米级的像素组成,每个像素都是一个独立的感光器件,最终产生的图像由各点感应的曝光剂量所组成,由于各点性能的细微差异使得原始的感光图像并不是可供人眼直接观察的,所以需要对图像进行处理。而对于医疗图像,图像看起来舒服自然并不是绝对重要的标准,而同时需要考虑到医学应用所要求的准确性,不能因为处理图像而影响到医生诊断,因此在处理某些图像的时候需要对图像进行初步分类以选择相应合适的图像处理算法或者参数,而空场识别则是这类分类方法中的一种。
目前的空场识别算法会因为环境的影响造成误判,主要引起误判的原因如:偏光造成的图像大面积不均匀、残影、物体过于细小等。对于偏光引起的不均匀如图1(存在偏光和其他设备影响的空场图像)和图2(存在偏光的图像)所示,对于含有残影和环境影响的图像如图3(有残影的空场图像)和图4(有细小物体的图像)所示,平板上其实没有物体,但是图像上确实有灰度变化的轮廓。所以,在识别图像是否为空场时有如下几个问题:1.动态范围高,同一物体拍摄灰度值根据拍摄条件不同会有较大不同,且空场也会因为偏光、残影等有较大灰度差异,单纯以灰度变化为基础的识别方法在此类情况下容易误判;2.同一物体与周围空白区域对比度也依赖于拍摄条件,不同条件下,物体的明显程度也不同,不能以某个固定的对比度标准去衡量;3.实际应用中拍摄物体千差万别,在图像上的体现差异较大,有些物体对比度低或者几乎覆盖平板,也容易产生漏判。
空场识别算法通常的问题是会在某个或者某几个标准要求严格或者宽松之间取平衡,而依靠单一条件去识别物体肯定会有很大的误判,无论如何取得平衡都会有较大一部分情况是失效的,使之不能作为一个在实际中广泛应用的算法,而只能是作为人工识别的辅助参考或者在一定程度上进行甄别。尽管任何算法都会有漏洞存在,但是使用更加细化的判定标准以提高正确率仍然是可能的。
虽然也存在提高判定标准维度、性能更加精准的算法,但是这类算法往往需要用到类似模式识别和筛选等较为复杂的计算,在实际应用中,平板探测器反应速度上的要求使得运算时间受到限制,所以对于性能要求过高的算法需要增加设备成本。若不使用空场识别算法,会很难对实际使用的算法进行适当选择,只能采取适用于各类情况下的算法,影响了成品图像的校正质量,削弱了系统功能。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种平板探测器图像空场识别方法,用于解决现有技术中空场识别算法受环境影响大、判断标准难以确定、误判、漏判率高以及硬件实现成本高的问题。
为实现上述目的,本发明采用以下方案:一种平板探测器图像空场识别方法,所述图像空场识别方法包括:将目标图像灰度值加上一个常量,并将所述目标图像划分为若干个感兴趣区域;计算每个感兴趣区域内的最大灰度差异比值,其中,所述最大灰度差异比值以每个所述感兴趣区域内的灰度最小值为分子,灰度最大值为分母;设置绝对判定标准值,并判断每个感兴趣区域内的最大灰度差异比值是否小于所述绝对判定标准值,若是,则判定有物体并筛出;若否,则进入下一步筛选;计算所有感兴趣区域内的最大灰度差异比值的均值和均方差;设置相对判定标准值,并判断所述均值与每个感兴趣区域内的最大灰度差异比值之间的差值是否大于所述相对判定标准值,若是,则判定有物体,并筛出;若否,则判定为无物体,即识别为空场图像。
于本发明的一实施方式中,所述相对判定标准值满足以下条件:K*σ,其中,K为相对判定系数,σ为所有感兴趣区域内的最大灰度差异比值的均方差。
于本发明的一实施方式中,还包括依次对所述常量、所述绝对判定标准值和所述相对判定标准值中的任意一种或几种组合进行调试以降低误判率的步骤。
于本发明的一实施方式中,对所述常量的调试包括:在第一剂量和第二剂量下分别获取若干张空场图像,其中,第一剂量为所述平板探测器响应的最大剂量值,第二剂量为所述平板探测器响应的最小剂量值;将每张空场图像灰度值均加上一个常量,并将每张空场图像划分为若干个感兴趣区域;分别计算第一剂量和第二剂量下所有感兴趣区域内的最大灰度差异比值的均值;调节所述常量的大小,直至第一剂量下感兴趣区域内最大灰度差异比值的均值与第二剂量下感兴趣区域内最大灰度差异比值的均值之差大于0且小于0.03。
于本发明的一实施方式中,对所述常量的调试包括:在第一剂量和第二剂量下分别获取若干张空场图像,其中,第一剂量为所述平板探测器响应的最大剂量值,第二剂量为所述平板探测器响应的最小剂量值;将每张空场图像灰度值均加上一个常量,并将每张空场图像划分为若干个感兴趣区域;分别计算第一剂量和第二剂量下所有感兴趣区域内最小的最大灰度差异比值;调节所述常量的大小,直至第一剂量下感兴趣区域内最小的最大灰度差异比值与第二剂量下感兴趣区域内最小的最大灰度差异比值之差大于0且小于0.03。
于本发明的一实施方式中,对所述绝对判定标准值的调试包括:在至少三种剂量下分别拍摄若干张不均匀的空场图像;将每张空场图像灰度值均加上所述常量,并将每张空场图像划分为若干个感兴趣区域;计算每个所述感兴趣区域内的最大灰度差异比值,并取所有感兴趣区域内最小的所述最大灰度差异比值作为所述绝对判定标准值。
于本发明的一实施方式中,对所述相对判定标准值的调试包括:在至少三种剂量下分别拍摄若干张不均匀的空场图像;将每张空场图像灰度值均加上所述常量,并将每张空场图像划分为若干个感兴趣区域;计算每个所述感兴趣区域内的最大灰度差异比值,并取所有感兴趣区域内最小的所述最大灰度差异比值作为所述绝对判定标准值;计算每张空场图像中所有感兴趣区域内的最大灰度差异比值的均值和均方差;从零开始逐渐增大所述相对判定系数K,直至每张空场图像均满足条件:d<K*σ,其中,σ为一空场图像中所有感兴趣区域内的最大灰度差异比值的均方差,d为所述空场图像中所有感兴趣区域内的最大灰度差异比值的均值与各感兴趣区域内最大灰度差异比值中最小的一个比值之间的差值。
于本发明的一实施方式中,所述不均匀的空场图像至少包括偏光、残影、失校正和环境干扰下的一种或几种组合的空场图像。
于本发明的一实施方式中,还包括对目标图像进行裁剪、调整灰阶的预处理步骤。
于本发明的一实施方式中,所述目标图像为整张图像或局部图像。
于本发明的一实施方式中,所述平板探测器为X射线非晶硅平板探测器。
如上所述,本发明的平板探测器图像空场识别方法,具有以下有益效果:
1、利用算法手段判断空场,只需前期根据实际使用环境调节筛选参数,即可实时运行,避免使用红外线等其他硬件检测手段而增加系统成本和集成复杂度;
2、通过简单算法来实现图像空场判定,降低了对系统和运算部件的性能要求,使平板本身或者整个系统能够轻易集成而不需要花更多成本在运算能力上,同时也增加了系统的功能;
3、通过判定标准的设计使算法的准确率达到可实用的程度,降低图像空场识别的误判率和漏判率,从而使之成为真正能在系统运算中使用的算法,而不再只是一种参考手段。
附图说明
图1显示为存在偏光和其他设备影响的空场图像。
图2显示为存在偏光的图像。
图3显示为存在残影的空场图像。
图4显示为存在细小物体的图像。
图5显示为本发明平板探测器图像空场识别方法于实施例1中的流程图。
元件标号说明
S1~S9 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,虽图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例1
请参阅图5,为本发明平板探测器图像空场识别方法的流程示意图,所述图像空场识别方法至少包括以下步骤:
S1)、初始化;
S2)、将目标图像灰度值加上一个常量,并将所述目标图像划分为若干个感兴趣区域;
S3)、计算每个感兴趣区域内的最大灰度差异比值,其中,所述最大灰度差异比值以每个所述感兴趣区域内的灰度最小值为分子,灰度最大值为分母;
S4)、设置绝对判定标准值,并判断每个感兴趣区域内的最大灰度差异比值是否小于所述绝对判定标准值,若是,则进入步骤S7;若否,则进入步骤S5;
S5)、计算所有感兴趣区域内的最大灰度差异比值的均值和均方差;
S6)、设置相对判定标准值(相对判定标准值为K*σ,K为相对判定系数,σ为所有感兴趣区域内的最大灰度差异比值的均方差);判断所述均值与每个感兴趣区域内的最大灰度差异比值之间的差值是否大于所述相对判定标准值,若是,则进入步骤S7;若否,则进入步骤S8;
S7)、判定有物体并筛出;
S8)、判定无物体,识别为空场图像;
S9)、结束。
需要注意的是,绝对判定标准是对于任何一个感兴趣区域内的最大灰度差异比值小于绝对判定标准,则图像直接筛出,认为有物体,如此可以将产生过大差异的物体直接筛出。若每个区域的比值都在限定范围内,则暂不判定该图像,进一步进行相对判定标准的筛选。进入相对判定标准的筛选意味着该物体产生的灰度差异较小,或者大到能够覆盖整个图像整体压低了灰度值,这一类图像接近算法判定极限,相对判定标准设置上必须精细一些。此时计算所有感兴趣区域内的最大灰度差异比值的均值和均方差,对于比值与均值的差异超过一定范围(相对判定标准值)的认为有物体,没有超过则认为没有物体。
本发明针对实际中各种情况下不均匀图像的特点对图像进行预处理,挑选其中最有代表性的指标进行筛选,并且依靠双重标准对特别明显和特别不明显的物体进行区分,以采取最合适的指标。
对于偏光引起的不均匀,由于空场图像上剧烈的灰度过渡可能引发有物体的误判,可以使用分割图像的方法来消除影响。也即通过对目标图像划分为若干个感兴趣区域,图像被分割后,在每个感兴趣区域内的灰度值方差,最小最大值比等参数都会相应趋同,而不再有剧烈差异。
对于含有残影和环境影响的图像,平板上其实没有物体,但是图像上确实有灰度变化的轮廓。事实上如果存在对X射线透过率非常高的物体例如胶带等置于平板上也会产生类似效果,因此对于这种图像只能用硬性标准消除,由此而产生的放置了胶带也识别为没有物体的情况只能接受,否则需要加入对物体的识别,然后在数据库中寻找这类物体是否能产生如此低的灰度变化,而前面已经讲述,这类算法在实际上不太可能采用。因此对于此种算法属于原理上不可能避免的错判,只能认为当需要用X射线拍摄时不会去拍摄透过率极高的物体。
对于物体过于细小的问题,通过计算每个感兴趣区域内的最大灰度差异比值,由于衡量的是感兴趣区域内最小值与最大值的比值,所以只要物体引起了一定灰度变化,在最大灰度差异比值上可轻易反映出来。
当然,此处也可以对其他参数设置判定条件,但是会增加运算负载,导致识别速度下降,并且使得确定标准的过程更加繁琐。经过测试,仅使用两种判定标准的识别效果已经较好,能够很大程度上避免以上所说的问题,除非有更加精细的需求,本算法能适应大部分的情况。
作为示例,图像空场识别方法关键还包括依次对所述常量、所述绝对判定标准值和所述相对判定标准值中的任意一种或几种组合进行调试以降低误判率的步骤。其中,对所述常量、所述绝对判定标准值和所述相对判定标准值调试的过程中,均是采用空场图像进行调试的。
一般情况下剂量越高,信噪比越小,故高剂量下的最大灰度差异比值越不可能低于绝对判定标准值,则使得绝对判定标准值只对低剂量有效。增加常量可以使每个感兴趣区域的最大灰度差异比值趋于相同甚至大小关系逆转。
对所述常量进行调试具体步骤包括:对所述常量的调试包括:在第一剂量和第二剂量下分别获取若干张空场图像,其中,第一剂量为所述平板探测器响应的最大剂量值,第二剂量为所述平板探测器响应的最小剂量值;将每张空场图像灰度值均加上一个常量,并将每张空场图像划分为若干个感兴趣区域;分别计算第一剂量和第二剂量下所有感兴趣区域内的最大灰度差异比值的均值;调节所述常量的大小,直至第一剂量下感兴趣区域内最大灰度差异比值的均值与第二剂量下感兴趣区域内最大灰度差异比值的均值之差大于0且小于0.03。
需要注意的是,对常量的调试的精度没有对绝对判定标准值和相对判定标准值调试的精度高,只能使得c的值越接近0越好,精度越高,并保证高剂量下感兴趣区域内最大灰度差异比值与低剂量下感兴趣区域内最大灰度差异比值关系不逆转,也即高剂量下感兴趣区域内最大灰度差异比值始终大于等于低剂量下感兴趣区域内最大灰度差异比值。
常量调试之后,对所述绝对判定标准值进行调试,具体包括以下步骤:在至少三种剂量下分别拍摄若干张该应用环境中可能出现的尽可能不均匀的空场图像;将每张空场图像灰度值均加上所述常量,并将每张空场图像划分为若干个感兴趣区域;计算每个所述感兴趣区域内的最大灰度差异比值,并取所有感兴趣区域内最小的所述最大灰度差异比值作为所述绝对判定标准值。
最后,对所述相对判定标准值进行调试:在至少三种剂量下分别拍摄若干张不均匀的空场图像;将每张空场图像灰度值均加上所述常量,并将每张空场图像划分为若干个感兴趣区域;计算每个所述感兴趣区域内的最大灰度差异比值,并取所有感兴趣区域内最小的所述最大灰度差异比值作为所述绝对判定标准值;计算每张空场图像中所有感兴趣区域内的最大灰度差异比值的均值和均方差;从零开始逐渐增大所述相对判定系数K,直至每张空场图像均满足条件:d<K*σ,其中,σ为一空场图像中所有感兴趣区域内的最大灰度差异比值的均方差,d为所述空场图像中所有感兴趣区域内的最大灰度差异比值的均值与各感兴趣区域内最大灰度差异比值中最小的一个比值之间的差值。也即确定所述相对判定系数K后,可以满足所有空场图像都不会被识别为有物体。
在该实施例中,所述不均匀的空场图像至少包括偏光、残影、失校正和环境干扰下的一种或几种组合的空场图像。
在该实施例中,图像空场识别方法还包括对目标图像进行裁剪、调整灰阶的预处理步骤。
在该实施例中,所述目标图像为整张图像或局部图像。
在该实施例中,所述平板探测器为X射线非晶硅平板探测器。
实施例2
该实施例与实施例一的区别仅在于,对常量的调试过程不同,该实施例中,对所述常量的调试具体包括以下步骤:在第一剂量和第二剂量下分别获取若干张空场图像,其中,第一剂量为所述平板探测器响应的最大剂量值,第二剂量为所述平板探测器响应的最小剂量值;将每张空场图像灰度值均加上一个常量,并将每张空场图像划分为若干个感兴趣区域;分别计算第一剂量和第二剂量下所有感兴趣区域内最小的最大灰度差异比值;调节所述常量的大小,直至第一剂量下感兴趣区域内最小的最大灰度差异比值与第二剂量下感兴趣区域内最小的最大灰度差异比值之差大于0且小于0.03。
这里选择第一剂量和第二剂量下感兴趣区域内最小的最大灰度差异比值作差,而不是以两者的均值作差。事实上,同一剂量下拍摄的空场图像感兴趣区域内的最大灰度差异比值差距是比较小的,理论上比较每张空场图像感兴趣区域内最小的最大灰度差异比值或感兴趣区域内最大灰度差异比值的均值都可以达到一定预期效果。
综上所述,本发明的平板探测器图像空场识别方法,利用算法手段判断空场,只需前期根据实际使用环境调节筛选参数,即可实时运行,避免了使用红外线等其他硬件检测手段而增加系统成本和集成复杂度;通过简单算法来实现判定降低了对系统和运算部件的性能要求,使平板本身或者整个系统能够轻易集成而不需要花更多成本在运算能力上,同时也增加了系统的功能;通过判定标准的设计使算法的准确率达到可实用的程度,降低图像空场识别的误判率和漏判率,从而使之成为了真正能在系统运算中使用的算法,而不再只是一种参考手段。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种平板探测器图像空场识别方法,其特征在于,所述图像空场识别方法至少包括:
将目标图像灰度值加上一个常量,并将添加了常量所述目标图像划分为若干个感兴趣区域;
计算每个感兴趣区域内的最大灰度差异比值,其中,所述最大灰度差异比值以每个所述感兴趣区域内的灰度最小值为分子,灰度最大值为分母;
设置绝对判定标准值,并判断每个感兴趣区域内的最大灰度差异比值是否小于所述绝对判定标准值,若是,则判定有物体并筛出;若否,则进入下一步筛选;
计算所有感兴趣区域内的最大灰度差异比值的均值和均方差;
设置相对判定标准值,并判断所述均值与每个感兴趣区域内的最大灰度差异比值之间的差值是否大于所述相对判定标准值,若是,则判定有物体,并筛出;若否,则判定为无物体,即识别为空场图像。
2.根据权利要求1所述的平板探测器图像空场识别方法,其特征在于,所述相对判定标准值满足以下条件:K*σ,其中,K为相对判定系数,σ为所有感兴趣区域内的最大灰度差异比值的均方差。
3.根据权利要求2所述的平板探测器图像空场识别方法,其特征在于,还包括依次对所述常量、所述绝对判定标准值和所述相对判定标准值中的任意一种或几种组合进行调试以降低误判率的步骤。
4.根据权利要求3所述的平板探测器图像空场识别方法,其特征在于,对所述常量的调试包括:
在第一剂量和第二剂量下分别获取若干张空场图像,其中,第一剂量为所述平板探测器响应的最大剂量值,第二剂量为所述平板探测器响应的最小剂量值;
将每张空场图像灰度值均加上一个常量,并将每张空场图像划分为若干个感兴趣区域;
分别计算第一剂量和第二剂量下所有感兴趣区域内的最大灰度差异比值的均值;
调节所述常量的大小,直至第一剂量下感兴趣区域内最大灰度差异比值的均值与第二剂量下感兴趣区域内最大灰度差异比值的均值之差大于0且小于0.03。
5.根据权利要求3所述的平板探测器图像空场识别方法,其特征在于,对所述常量的调试包括:
在第一剂量和第二剂量下分别获取若干张空场图像,其中,第一剂量为所述平板探测器响应的最大剂量值,第二剂量为所述平板探测器响应的最小剂量值;
将每张空场图像灰度值均加上一个常量,并将每张空场图像划分为若干个感兴趣区域;
分别计算第一剂量和第二剂量下所有感兴趣区域内最小的最大灰度差异比值;
调节所述常量的大小,直至第一剂量下感兴趣区域内最小的最大灰度差异比值与第二剂量下感兴趣区域内最小的最大灰度差异比值之差大于0且小于0.03。
6.根据权利要求4、5任一项所述的平板探测器图像空场识别方法,其特征在于,对所述绝对判定标准值的调试包括:
在至少三种剂量下分别拍摄若干张不均匀的空场图像;
将每张空场图像灰度值均加上所述常量,并将每张空场图像划分为若干个感兴趣区域;
计算每个所述感兴趣区域内的最大灰度差异比值,并取所有感兴趣区域内最小的所述最大灰度差异比值作为所述绝对判定标准值。
7.根据权利要求6所述的平板探测器图像空场识别方法,其特征在于,对所述相对判定标准值的调试包括:
在至少三种剂量下分别拍摄若干张不均匀的空场图像;
将每张空场图像灰度值均加上所述常量,并将每张空场图像划分为若干个感兴趣区域;
计算每个所述感兴趣区域内的最大灰度差异比值,并取所有感兴趣区域内最小的所述最大灰度差异比值作为所述绝对判定标准值;
计算每张空场图像中所有感兴趣区域内的最大灰度差异比值的均值和均方差;
从零开始逐渐增大所述相对判定系数K,直至每张空场图像均满足条件:d<K*σ,其中,σ为一空场图像中所有感兴趣区域内的最大灰度差异比值的均方差,d为所述空场图像中所有感兴趣区域内的最大灰度差异比值的均值与各感兴趣区域内最大灰度差异比值中最小的一个比值之间的差值。
8.根据权利要求7所述的平板探测器图像空场识别方法,其特征在于,所述不均匀的空场图像至少包括偏光、残影、失校正和环境干扰下的一种或几种组合的空场图像。
9.根据权利要求1所述的平板探测器图像空场识别方法,其特征在于,还包括对目标图像进行裁剪、调整灰阶的预处理步骤。
10.根据权利要求1所述的平板探测器图像空场识别方法,其特征在于,所述目标图像为整张图像或局部图像。
11.根据权利要求10所述的平板探测器图像空场识别方法,其特征在于,所述平板探测器为X射线非晶硅平板探测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711384403.0A CN108399613B (zh) | 2017-12-20 | 2017-12-20 | 一种平板探测器图像空场识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711384403.0A CN108399613B (zh) | 2017-12-20 | 2017-12-20 | 一种平板探测器图像空场识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108399613A CN108399613A (zh) | 2018-08-14 |
CN108399613B true CN108399613B (zh) | 2020-08-14 |
Family
ID=63093570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711384403.0A Active CN108399613B (zh) | 2017-12-20 | 2017-12-20 | 一种平板探测器图像空场识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399613B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPN003894A0 (en) * | 1994-12-13 | 1995-01-12 | Xenotech Research Pty Ltd | Head tracking system for stereoscopic display apparatus |
CN101672805B (zh) * | 2008-09-11 | 2012-03-28 | 同方威视技术股份有限公司 | 更新校正表的方法、校正探测数据的方法及安全检查系统 |
US9341961B2 (en) * | 2013-03-15 | 2016-05-17 | Globalfoundries Singapore Pte. Ltd. | Cross technology reticle (CTR) or multi-layer reticle (MLR) CDU, registration, and overlay techniques |
CN103400361B (zh) * | 2013-06-28 | 2016-02-24 | 常州博恩中鼎医疗科技有限公司 | 一种口腔ct中基于阈值的增益校正算法 |
CN105631819A (zh) * | 2015-12-25 | 2016-06-01 | 深圳市安健科技股份有限公司 | 一种ccd dr探测器的平场矫正方法及系统 |
-
2017
- 2017-12-20 CN CN201711384403.0A patent/CN108399613B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108399613A (zh) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230218B (zh) | 用于生成对从安装在运载工具上的摄像机捕捉的图像导出的估计的置信度测量的方法和设备 | |
CN116030058B (zh) | 一种用于抛光垫表面粗糙度的质量评价方法 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN105931257B (zh) | 基于纹理特征和结构相似度的sar图像质量评估方法 | |
JP5624975B2 (ja) | 検査画像品質評価システム、方法、プログラム、及びデジタイザ保証システム | |
US10902640B2 (en) | Method for identification of characteristic points of a calibration pattern within a set of candidate points derived from an image of the calibration pattern | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN115775250B (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN116309757B (zh) | 基于机器视觉的双目立体匹配方法 | |
RU2694148C2 (ru) | Способ выравнивания для получения изображений с расширенным динамическим диапазоном | |
CN114119436A (zh) | 红外图像与可见光图像融合方法、装置、电子设备及介质 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
JP2016211999A (ja) | 計測装置、計測方法およびプログラム | |
KR20190018349A (ko) | 생체 이미지 처리 방법 및 이를 포함한 장치 | |
CN114005108A (zh) | 一种基于坐标变换的指针式仪表度数识别方法 | |
US20220269341A1 (en) | Sight positioning method, head-mounted display device, computer device and computer-readable storage medium | |
CN113409271B (zh) | 一种镜头油污的检测方法、装置及设备 | |
CN108399613B (zh) | 一种平板探测器图像空场识别方法 | |
US10067029B2 (en) | Systems and methods for estimating modulation transfer function in an optical system | |
Wang et al. | LBP-based edge detection method for depth images with low resolutions | |
Li et al. | Vehicle seat detection based on improved RANSAC-SURF algorithm | |
CN112115896B (zh) | 仪表盘指针读数预测方法、装置、计算机设备及存储介质 | |
CN111368596A (zh) | 人脸识别逆光补偿方法、装置、可读存储介质及设备 | |
CN113313021B (zh) | 一种基于低质量影像识别的深度学习模型构建方法 | |
CN113705672A (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 |
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 |