CN109685877B - 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 - Google Patents
一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 Download PDFInfo
- Publication number
- CN109685877B CN109685877B CN201811613786.9A CN201811613786A CN109685877B CN 109685877 B CN109685877 B CN 109685877B CN 201811613786 A CN201811613786 A CN 201811613786A CN 109685877 B CN109685877 B CN 109685877B
- Authority
- CN
- China
- Prior art keywords
- image
- focus drift
- projection image
- nano
- micro
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于自适应投影图像特征区域匹配的微纳CT焦点漂移校正方法,属于CT成像技术领域。该方法包括:S1:扫描被测物体,获得一组实际投影图像;S2:在不停束的情况下,保持其他扫描参数不变,立即进行一次少量视角、短时间的CT扫描,获得一组参考投影图像;S3:比较对应视角下的实际投影图像与参考投影图像,通过自适应特征区域匹配,获得相应视角下的焦点漂移量;S4:采用三次样条插值计算其余视角下的焦点漂移量,获得所有视角下实际投影数据的漂移量;S5:修正实际投影图像,并进行图像重建,获得被测物体清晰的CT三维图像。本发明能够精确、快速校正焦点漂移量,既节省检测时间又减少设备损耗。
Description
技术领域
本发明属于CT成像技术领域,涉及一种基于投影图像特征区域匹配的微纳CT焦点漂移校正方法。
背景技术
计算机断层成像技术(Computed Tomography,CT)作为一种先进的无损检测技术,具有无损伤、分辨率高等优点,已广泛应用于工业和医学领域。近年来,随着射线源和探测器技术水平的提升,高分辨锥束微纳CT得到迅速发展。在CT成像过程中,通常采用增加采样时间和帧平均的方式来提高信噪比,而扫描时间的加长也意味着增加了系统的不稳定性和不准确性。研究表明,X光管中仅有1%的能量转化为X射线,其余99%的能量都转换成了热能。因此,X射线焦点位置会因为电子束的稳定性和射线管的热变型而发生漂移,从而引起探测器接收的投影位置出现偏差,最终导致图像清晰度显著下降。普通CT的射线源焦点大小为0.4-2mm,而微纳CT射线源焦点大小达到微米级甚至亚微米级,焦点的微小漂移都会对图像质量产生很大影响。焦点漂移分为静态漂移和动态漂移,静态漂移是指开源瞬间偏移,而动态漂移则贯穿在CT整个扫描过程,其校正难度大,本发明围绕动态漂移开展研究。
目前的焦点漂移校正方法主要可以归结为以下几类:第一种方法需要利用校正模型作为投影图像中的基准物,通过跟踪基准物的变化来求解焦点漂移量。Gullberg和Bronikov分别在1990年和1999年提出的基于点物体和开口模型的技术是此类方法的典型代表;第二种方法是利用采集辅助数据来校正焦点漂移,属于软件校正方法,参考投影补偿法属于该方法的一种;第三种方法既不需要在测量区域设置标记物,也不需要额外的扫描投影,直接利用投影图像进行迭代校正,该方法耗时且校正效果不理想。
发明内容
有鉴于此,本发明的目的在于提供一种基于投影图像特征区域匹配的微纳CT焦点漂移校正方法,用于克服现有技术的不足,采用快速扫描的参考投影匹配方式获取焦点漂移量,在求解焦点漂移过程采用了迭代自适应特征区域匹配法,能够精确、快速校正焦点漂移,该方法操作简单、实时性好,既节省检测时间又减少设备损耗。
为达到上述目的,本发明提供如下技术方案:
一种基于自适应投影图像特征区域匹配的微纳CT焦点漂移校正方法,具体包括以下步骤:
S1:利用微纳CT系统扫描被测物体,获得一组实际投影图像;
S2:在不停束的情况下,保持其他扫描参数不变,立即进行一次少量视角、短时间的CT扫描,获得一组参考投影图像;
S3:比较对应视角下的实际投影图像与参考投影图像,并通过自适应特征区域匹配,获得相应视角下的焦点漂移量;
S4:采用三次样条插值计算其余视角下的焦点漂移量,获得所有视角下实际投影数据的漂移量;
S5:利用所求得的焦点漂移量修正实际投影图像,并进行图像重建,从而最终获得被测物体清晰的CT三维图像。
进一步,所述步骤S1和S2中的实际投影和参考投影是对应视角下的投影图像,实时性和匹配性好;
进一步,所述步骤S2中,进行参考扫描的仍然是被测物体,不需要其他模型辅助,且射线源在扫描一段时间后,再进行短时间快速扫描时,焦点是稳定的,参考扫描作为理想的投影数据。实验研究表明,射线源在出束约20分钟后,焦点位置基本是稳定不变的。
进一步,所述步骤S1中的实际投影视角数是S2步骤中参考投影视角数的整数倍,倍数通常取10,以保证参考扫描更快速、实时性更好;
进一步,所述步骤S3中的通过自适应特征区域匹配来求解焦点漂移量的具体步骤为:
S31:分割被测物体投影图像,包括实际投影图像和参考投影图像;
S32:提取被测投影的特征区域,并求取特征区域的质心;
S33:求解对应视角下投影的偏移量,并根据放大倍数求解焦点漂移量。
进一步,所述步骤S31中,分割被测物体前,采用灰度归一化方法先对投影图像进行增强,即将输入数据归一化为[0,1]之间的双精度浮点数,归一化公式为:
I(x,y)=(I(x,y)-Imin))/(Imax-Imin)
其中,Imax为图像I的最大灰度值,Imin为图像I的最小灰度值。
进一步,所述步骤S31中,分割被测物体采用基于迭代法的自适应阈值分割;局部特征区域分割阈值的选取对焦点偏移量准确性影响非常大,若阈值选取不当,则分割的图像边缘不清晰或离散点较多,会导致求取的质心偏差大,最终导致焦点偏移量误差大。采用迭代法自适应获取分割阈值,适用于各种投影图像。该迭代法本质是基于最优化逼近的思想。具体为:
1)选择一个初始的阈值T0,若图像的最大灰度值和最小灰度值分别为Imax和Imin,则T0=(Imax+Imin)/2;
2)根据阈值T0将图像分为前景和背景,并求出两部分的平均灰度Ia和Ib,根据Ia和Ib选择新的阈值T=(Ia+Ib)/2;
3)重复步骤2),直至T不再变化,即得到最终的阈值T。
进一步,所述步骤S32中,所述特征区域的提取方法是搜索整个图像,得到图像的某个特征点坐标,作为参考点,以此截取对应图像的相同部分。由于投影视场不一定涵盖被测物体的所有轮廓,如果求取整个投影的质心,在投影发生漂移的情况下,被检物体投影区域的大小会发生变化,而质心就不能作为求解焦点漂移的特征点,因此只有提取特征区域才能实现投影图像的精确匹配。
进一步,所述步骤S32中,所述被测投影图像特征区域的质心求取公式如下:
其中,即为投影图像特征区域的质心坐标,μ(x,y)为像素点(x,y)的灰度值,D表示投影图像的局部特征区域,M表示特征区域所有像素灰度之和。将对应视角下的实际投影和参考投影的质心坐标进行匹配,得到该视角下的投影偏移量,然后根据系统的放大倍数即可求出该视角下的焦点漂移量。
进一步,所述步骤S4中的三次样条插值是一种在投影样本较小情况下得到精确焦点漂移量的最佳插值方法。
进一步,所述步骤S5中,利用实际投影图像与参考投影图像特征区域匹配方式求得焦点漂移量来修正实际投影图像,并进行图像重建,从而获得被测物体清晰的CT三维图像。
本发明的有益效果在于:本发明所述校正方法不需要校正模型,操作简单,实时性好,既节省时间又减少设备损耗;自适应特征区域匹配法求解的焦点漂移量比较精确,且相比基于频域和灰度的配准方法速度更快。实验结果表明该方法的焦点漂移定位快速、精确,可以显著提高图像质量。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述的微纳CT焦点漂移校正方法实现流程图;
图2为竹纤维的焦点漂移量随扫描时间的变化曲线图;
图3为未校正的投影重建后的横向连续三层切片;
图4为图3中的图像经焦点漂移校正后的横向切片;
图5为未校正的投影重建后的纵向连续三层切片;
图6为图5中的图像经焦点漂移校正后的纵向切片。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明中所使用的设备,如无特殊规定,均为本领域内常用的设备或装置;本发明中所使用的方法,如无特殊规定,均为本领域内常用的方法。
如图1所示,本发明所述的一种基于投影图像特征区域匹配的微纳CT焦点漂移校正方法,其步骤包括:
S1:利用微纳CT系统扫描被测物体,获得一组实际CT投影数据;
S2:在不停束的情况下,保持其他扫描参数不变,立即进行一次少量视角、短时间的CT扫描,获得一组参考投影数据;
S3:比较对应视角下的实际投影图像与参考投影图像,并通过自适应特征区域匹配,获得相应视角下的焦点漂移量;
S4:采用三次样条插值计算其余视角下的焦点漂移量,由此获得所有视角下实际投影数据的漂移量;
S5:利用所求得的焦点漂移量修正实际投影图像,并进行图像重建,最终获得被测物体清晰的CT三维图像。
所述S2中进行参考扫描的仍然是被测物体,不需要其他模型辅助。当射线源扫描一段时间后,再进行短时间快速扫描时,焦点是稳定的,因此参考扫描可作为理想的投影数据。
所述S1和S2中的实际投影和参考投影是对应视角下的投影图像,实时性和匹配性好;
所述S3中的自适应特征区域匹配法求解焦点漂移量的具体步骤如下:
(1)分割被测物体投影图像,包括实际投影图像和参考投影图像;
(2)提取被测投影的特征区域,并求取特征区域的质心;
(3)求解对应视角下投影的偏移量,并根据系统的放大倍数求解焦点漂移量。
所述S3中分割被测物体前,要先对投影图像进行增强,本发明用的是灰度归一化方法,即将输入数据归一化为[0,1]之间的双精度浮点数。归一化公式为
I(x,y)=(I(x,y)-Imin))/(Imax-Imin)
其中,Imax为图像I的最灰度大值,Imin为图像I的最小灰度值。
所述S3中采用的是基于迭代的自适应阈值分割。局部特征区域分割阈值的选取对焦点偏移量准确性影响非常大,若阈值选取不当,则分割的图像边缘不清晰或离散点较多,会导致求取的质心偏差大,最终导致焦点偏移量误差大。本发明所采用的迭代法可以自适应获取分割阈值,适用于各种投影图像。该迭代法本质是基于最优化逼近的思想。实现方法如下:
(1)选择一个初始的阈值T0。若图像的最大灰度值和最小灰度值分别为Imax和Imin,则T0=(Imax+Imin)/2;
(2)根据阈值T0将图像分为前景和背景,并求出两部分的平均灰度Ia和Ib,根据Ia和Ib选择新的阈值T=(Ia+Ib)/2;
(3)重复(2)步骤,直至T不再变化,即得到最终的阈值T。
所述S3中提取特征区域的方法是搜索整个图像,得到图像的某个特征点坐标,作为参考点,以此截取对应图像的相同部分。由于投影视场内不一定涵盖被测物体的所有轮廓,如果求取整个投影的质心,在焦点发生漂移的情况下,物体的投影位置和大小会发生变化,质心就不能作为求解焦点漂移的特征点,因此必须提取特征区域。
所述S3中特征区域的质心求取公式如下:
其中,即为投影图像特征区域的质心坐标,μ(x,y)为像素点(x,y)的灰度值,D表示投影图像的局部特征区域,M表示特征区域所有像素灰度之和。将对应视角下的实际投影和参考投影的质心坐标进行匹配,得到该视角下投影的偏移量,再根据放大倍数求出焦点漂移量。
所述步骤S4中的三次样条插值是一种较少投影视角下、获得较精确焦点漂移量的最佳插值方法,其算法如下:
假设有n+1个节点(a0,b0),(a1,b1),...,(ai,bi),...,(an,bn),
(1)计算步长hi=ai+1-ai(i=0,1.2......n+1);
(2)将上述节点和首尾端点条件代入矩阵方程;
(3)解矩阵方程,求得二次微分值pi。该矩阵为三对角矩阵;
(4)求解三次样条插值的系数:
mi=bi
(5)在每两个节点之间就可以得到插值方程:
fi(a)=mi+ni(a-ai)+ki(a-ai)2+li(a-ai)3
在本实施例中,以对竹纤维的CT扫描数据进行重建为例说明本发明方法的实施过程。
一种基于投影图像特征区域匹配的微纳CT焦点漂移校正方法,其步骤包括:
S1:利用微纳CT系统扫描被测物体,获得一组实际CT投影数据;实验中对竹纤维进行1000个视角的实际扫描。图3为未校正的实际投影重建后横向连续三层的切片,图5为未校正纵向连续三层的切片;
S2:在不停束的情况下,立即进行一次少量视角、短时间的CT扫描,获得一组100个视角的参考投影数据;
S3:比较对应视角下的实际投影图像与参考投影图像,并通过自适应特征区域匹配法获得该视角下的焦点漂移量;
S4:采用三次样条插值计算其他视角下的焦点漂移量,获得所有投影数据的漂移量,如图2所示;
S5:利用所求得的焦点漂移量修正实际投影图像,并采用FDK算法进行图像重建,最终获得被测物体的三维图像。图4为与图3对应横向切片校正后的效果图,图6为与图5对应纵向切片校正后的效果图。
实施例中选择竹纤维为实验样本,扫描参数如表1所示,环境温度为25℃,湿度为79%。从图2和图4未校正的切片中可以看到,焦点漂移导致图像整体比较模糊,内部结构完全不能分辨,而通过本发明的方法校正后,如图3、图5所示,图像的清晰度显著提高,图像模糊和畸变明显减少,图像质量得到显著提升。
表1实际实验的扫描参数表
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (8)
1.一种基于自适应投影图像特征区域匹配的微纳CT焦点漂移校正方法,其特征在于,该校正方法具体包括以下步骤:
S1:利用微纳CT系统扫描被测物体,获得一组实际投影图像;
S2:在不停束的情况下,保持其他扫描参数不变,立即进行一次少量视角、短时间的CT扫描,获得一组参考投影图像;
S3:比较对应视角下的实际投影图像与参考投影图像,并通过自适应特征区域匹配,获得相应视角下的焦点漂移量;
S4:采用三次样条插值计算其余视角下的焦点漂移量,获得所有视角下实际投影数据的漂移量;
S5:利用所求得的焦点漂移量修正实际投影图像,并进行图像重建,从而最终获得被测物体清晰的CT三维图像。
2.根据权利要求1所述的微纳CT焦点漂移校正方法,其特征在于,所述步骤S2中,进行参考扫描的仍然是被测物体,不需要其他模型辅助,且射线源在扫描一段时间后,再进行短时间快速扫描时,焦点是稳定的,参考扫描作为理想的投影数据。
3.根据权利要求1所述的微纳CT焦点漂移校正方法,其特征在于,所述步骤S3中的通过自适应特征区域匹配来求解焦点漂移量的具体步骤为:
S31:分割被测物体投影图像,包括实际投影图像和参考投影图像;
S32:提取被测投影图像特征区域,并求取特征区域的质心;
S33:求解对应视角下投影的偏移量,并根据放大倍数求解焦点漂移量。
4.根据权利要求3所述的微纳CT焦点漂移校正方法,其特征在于,所述步骤S31中,分割被测物体前,采用灰度归一化方法先对投影图像进行增强,即将输入数据归一化为[0,1]之间的双精度浮点数,归一化公式为:
I(x,y)=(I(x,y)-Imin))/(Imax-Imin)
其中,Imax为图像I的最大灰度值,Imin为图像I的最小灰度值。
5.根据权利要求3所述的微纳CT焦点漂移校正方法,其特征在于,所述步骤S31中,采用迭代法自适应获取分割阈值,该迭代法具体为:
1)选择一个初始的阈值T0,若图像的最大灰度值和最小灰度值分别为Imax和Imin,则T0=(Imax+Imin)/2;
2)根据阈值T0将图像分为前景和背景,并求出两部分的平均灰度Ia和Ib,根据Ia和Ib选择新的阈值T=(Ia+Ib)/2;
3)重复步骤2),直至T不再变化,即得到最终的阈值T。
6.根据权利要求3所述的微纳CT焦点漂移校正方法,其特征在于,所述步骤S32中,所述特征区域的提取方法是搜索整个图像,得到图像的某个特征点坐标,作为参考点,以此截取对应图像的相同部分。
8.根据权利要求1所述的微纳CT焦点漂移校正方法,其特征在于,所述步骤S5中,利用实际投影图像与参考投影图像特征区域匹配方式求得焦点漂移量来修正实际投影图像,并进行图像重建,从而获得被测物体清晰的CT三维图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811613786.9A CN109685877B (zh) | 2018-12-27 | 2018-12-27 | 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811613786.9A CN109685877B (zh) | 2018-12-27 | 2018-12-27 | 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685877A CN109685877A (zh) | 2019-04-26 |
CN109685877B true CN109685877B (zh) | 2022-11-25 |
Family
ID=66190666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811613786.9A Active CN109685877B (zh) | 2018-12-27 | 2018-12-27 | 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685877B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176047B (zh) * | 2019-06-03 | 2022-12-06 | 上海联影医疗科技股份有限公司 | 一种提高ct图像质量的方法和系统 |
CN110664420B (zh) | 2019-10-11 | 2023-04-07 | 上海联影医疗科技股份有限公司 | 焦点校正方法、装置、计算机设备和计算机可读存储介质 |
CN111553960B (zh) * | 2020-04-24 | 2023-04-07 | 重庆大学 | 一种基于投影均值图像的环状伪影快速校正方法 |
CN112233157B (zh) * | 2020-10-14 | 2022-03-08 | 俐玛精密测量技术(苏州)有限公司 | 微纳米ct系统转台误差的频域校正方法 |
CN112461872B (zh) * | 2020-10-16 | 2023-01-24 | 天津大学 | 基于双微球模体的显微ct焦斑漂移测量系统及补偿方法 |
CN112884862B (zh) * | 2021-03-18 | 2022-11-01 | 中国人民解放军战略支援部队信息工程大学 | 基于质心投影轨迹拟合的锥束ct温度漂移校正方法及系统 |
CN113267480B (zh) * | 2021-06-24 | 2022-05-20 | 华中科技大学 | 一种基于相位图像的高精度实时漂移校正方法及系统 |
CN114264227B (zh) * | 2021-11-26 | 2023-07-25 | 武汉联影生命科学仪器有限公司 | 焦点尺寸和位置的测量装置和方法 |
CN115266779A (zh) * | 2022-07-21 | 2022-11-01 | 重庆大学 | 一种ct扫描用平板探测器像元响应非线性校正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620989A (zh) * | 2003-11-24 | 2005-06-01 | 西门子公司 | 利用多焦点检测器组合产生周期运动对象断层图像的方法 |
CN102652674A (zh) * | 2011-03-04 | 2012-09-05 | 首都师范大学 | 一种消除ct图像中的几何伪影的方法和系统 |
WO2012130251A1 (en) * | 2011-03-28 | 2012-10-04 | Al-Romimah Abdalslam Ahmed Abdalgaleel | Image understanding based on fuzzy pulse - coupled neural networks |
CN104899892A (zh) * | 2015-06-30 | 2015-09-09 | 西安电子科技大学 | 一种快速的星图图像星点提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010042388A1 (de) * | 2010-10-13 | 2012-04-19 | Siemens Aktiengesellschaft | Verfahren zur Kalibrierung eines CT-Systems mit zumindest einer Fokus-Detektor-Kombination mit einem quantenzählenden Detektor |
-
2018
- 2018-12-27 CN CN201811613786.9A patent/CN109685877B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620989A (zh) * | 2003-11-24 | 2005-06-01 | 西门子公司 | 利用多焦点检测器组合产生周期运动对象断层图像的方法 |
CN102652674A (zh) * | 2011-03-04 | 2012-09-05 | 首都师范大学 | 一种消除ct图像中的几何伪影的方法和系统 |
WO2012130251A1 (en) * | 2011-03-28 | 2012-10-04 | Al-Romimah Abdalslam Ahmed Abdalgaleel | Image understanding based on fuzzy pulse - coupled neural networks |
CN104899892A (zh) * | 2015-06-30 | 2015-09-09 | 西安电子科技大学 | 一种快速的星图图像星点提取方法 |
Non-Patent Citations (3)
Title |
---|
光笔式视觉测量中被测特征点像面坐标提取方法的研究;黄风山等;《机床与液压》;20051030(第10期);全文 * |
基于投影图像特征匹配的微纳CT焦点漂移校正;蔡玉芳等;《仪器仪表学报》;20191031(第10期);全文 * |
高分辨率锥束CT系统几何校准方法研究;葛敏雪;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20190430(第4期);论文63-64页4.3节焦点漂移校正方法 * |
Also Published As
Publication number | Publication date |
---|---|
CN109685877A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685877B (zh) | 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 | |
CN109146994B (zh) | 一种面向多能谱x射线ct成像的金属伪影校正方法 | |
Saghi et al. | Compressed sensing electron tomography of needle-shaped biological specimens–Potential for improved reconstruction fidelity with reduced dose | |
CN103134823B (zh) | 一种基于卷积的x射线ct系统射束硬化校正方法 | |
CN109920020B (zh) | 一种锥束ct病态投影重建伪影抑制方法 | |
CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN111553849B (zh) | 基于局部特征匹配的锥束ct几何伪影去除方法及装置 | |
CN111553960B (zh) | 一种基于投影均值图像的环状伪影快速校正方法 | |
Zhu et al. | Micro‐CT artifacts reduction based on detector random shifting and fast data inpainting | |
CN111523547B (zh) | 一种3d语义分割的方法及终端 | |
US7916828B1 (en) | Method for image construction | |
CN109741376A (zh) | 一种基于改进ransac算法的中、长波红外图像配准方法 | |
CN111415349A (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法 | |
Vo et al. | Preprocessing techniques for removing artifacts in synchrotron-based tomographic images | |
CN103405241B (zh) | 一种射线成像的探测器余辉校正方法 | |
Tarolli et al. | Multimodal image fusion with SIMS: Preprocessing with image registration | |
US11175242B2 (en) | Geometric alignment, sample motion correction, and intensity normalization of computed tomography projections using pi-line optimization | |
CN103985089B (zh) | 结合权重边缘分析与帧内迭代的图像条纹校正方法 | |
He et al. | IDART: An improved discrete tomography algorithm for reconstructing images with multiple gray levels | |
CN111340786B (zh) | 一种复杂点阵结构内部缺陷的三维分割方法及系统 | |
Zemek et al. | Voxel size calibration for high-resolution CT | |
CN109813259B (zh) | 高动态x射线成像方法、存储介质和装置 | |
CN112288762A (zh) | 一种有限角度ct扫描的离散迭代重建方法 | |
CN112884862B (zh) | 基于质心投影轨迹拟合的锥束ct温度漂移校正方法及系统 | |
WO2023125228A1 (zh) | Ct图像环状伪影的处理方法、装置、系统及存储介质 |
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 |