CN109712084A - 一种图像修复方法、图像修复系统及平板探测器 - Google Patents
一种图像修复方法、图像修复系统及平板探测器 Download PDFInfo
- Publication number
- CN109712084A CN109712084A CN201811502255.2A CN201811502255A CN109712084A CN 109712084 A CN109712084 A CN 109712084A CN 201811502255 A CN201811502255 A CN 201811502255A CN 109712084 A CN109712084 A CN 109712084A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- point
- pixel
- bad
- 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.)
- Granted
Links
- 230000008439 repair process Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000007547 defect Effects 0.000 claims abstract description 191
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000003705 background correction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- XQPRBTXUXXVTKB-UHFFFAOYSA-M caesium iodide Chemical compound [I-].[Cs+] XQPRBTXUXXVTKB-UHFFFAOYSA-M 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003860 storage 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
Abstract
本发明提供一种图像修复方法、图像修复系统及平板探测器，方法包括：获取第一图像，对第一图像进行连通域分析，提取所述第一图像中所有的缺陷像素；根据连通域的大小和形状将所述缺陷像素分为孤立点缺陷、团簇缺陷及坏线缺陷；输出第二图像并根据缺陷像素的类型对第二图像进行修复。该方法不仅可以有效修复缺陷像素，也能很好地保留原有图像的细节。根据对缺陷像素的分类对探测器实时输出的第二图像进行修复，实现对图像缺陷像素的快速修复。该方法只与缺陷像素的类型大小有关，适用性强，显著提高工作效率。图像修复系统集成在探测器中，不需要对硬件设计做改动，可以降低产品成本，后续的升级和维护中，只需对软件进行优化升级。
Description
技术领域
本发明涉及X射线探测器成像及图像修复领域，具体涉及一种图像修复方法、图像修复系统及平板探测器。
背景技术
对于X射线平板探测器，在探测器进行生产组装的过程中，由于各种各样的原因，探测器在成像时不可避免地会产生缺陷像素，即坏像素，在成像时不能真实的反映出像素单元接受的辐射能量。缺陷像素是指对X射线强度不响应或响应不良的探测器单元。产生缺陷像素的主要原因有闪烁体层自身的缺陷、光电二极管和薄膜晶体管自身的缺陷、驱动电路本身的损坏或探测器板材拼接不良等。根据缺陷像素对X射线响应的不同，缺陷像素可以分为死像素、响应不足像素、响应过度像素和响应混乱像素四种。而根据缺陷像素在图像连通域中分布的不同，又可以分为三种：孤立点缺陷、团簇缺陷和坏线缺陷。这些缺陷像素在探测器成像时表现出不同的形态，既降低了探测器出厂时的良率，也会影响到对所拍摄物体真实情况的判断。
当前，消除探测器缺陷像素的方法主要是两种方法：一是改善探测器生产流程和工艺，减少探测器缺陷像素的产生，但是此类方法的手段繁琐、复杂并且代价较高；另一类就是采用图像处理的方法，尽可能的还原探测器缺陷处的图像细节。例如现有技术中采用的一种图像处理的方法，针对缺陷像素主要使用样条插值法、双线性插值法以及三样条插值法等插值方法进行修复，这些修复方法考虑的是缺陷像素邻域内的正常像素点灰度值，可以在一定程度上还原图像的细节，但是在边缘类的细节上会造成模糊，也没有考虑图像的纹理等细节信息。
发明内容
有鉴于此，本发明的实施例提供了一种图像修复方法、图像修复系统及平板探测器，以便有效修复探测器输出的图像，并且使图像细节得到很好的保护。
根据第一方面，本发明实施例提供了一种图像修复方法，该包括如下步骤：
获取第一图像；
对所述第一图像进行连通域分析，提取所述第一图像中所有的缺陷像素；
根据所述连通域的大小和形状将所述缺陷像素分为三类：孤立点缺陷、团簇缺陷及坏线缺陷；
输出第二图像并根据所述缺陷像素的类型对所述第二图像进行修复。
优选地，按照所述缺陷像素从小到大的顺序对所述第二图像依次进行孤立点缺陷修复、团簇缺陷修复及坏线缺陷修复。
优选地，采用邻域加权平均的方法进行所述孤立点缺陷修复，修复后的像素灰度如下式所示：
其中，F为孤立点缺陷3×3像素邻域内的原图数据，N为孤立点缺陷3×3像素邻域区域，K为孤立点缺陷3×3像素邻域内正常像素点对应的加权平均系数。
优选地，所述加权平均数的来源包括：
所述3×3像素邻域内所有正常像素点的灰度分布，计算出所述正常像素点的灰度梯度，其中梯度值大的所述正常像素点对应的加权系数比例高，梯度值较小的所述正常像素点对应的加权系数相应较小；
所述3×3像素邻域内所有正常像素点的位置分布，计算出所述正常像素点到所述孤立缺陷点的距离，距离小的所述正常像素点的加权系数比例高，距离较大的所述正常像素点对应的加权系数相应较小。
优选地，采用水平集和模板匹配相结合的方法对所述团簇缺陷进行修复，其中，所述水平集方法确定所述团簇缺陷的坏点的修复顺序；所述模板匹配方法对需要修复的当前坏点进行修复。
优选地，确定所述团簇缺陷的坏点的修复顺序包括以下步骤：
提取所述团簇缺陷并确定所述团簇缺陷的缺陷边界，初始化缺陷标记F和到达时间T，标记出所述缺陷边界的正常像素点、边缘点及缺陷点；
确定所述缺陷边界的所述边缘点中T值最小的所述边缘点；
确定T值最小的所述边缘点3×3像素邻域内的坏点，T值最小的所述边缘点的所述3×3像素邻域内的坏点即为需要修复的所述当前坏点。
优选地，对所述当前坏点进行修复包括以下步骤：
以所述当前坏点为中心选取目标模板；
以所述当前坏点为中心选取搜索区域；
在所述搜索区域内依次选取与目标模板同等大小的搜索模板，计算所述目标模板与所述搜索模板的相似性，并对计算结果进行存储；
搜索计算结果中相似性最大的数据，用所述相似性最大的数据所对应的搜索模板的中心像素值替代所述当前坏点的像素值。
优选地，还包括如下步骤：
判断所述缺陷边界是否为空，如果是，则无需修复；
如果否，则执行修复步骤，所述修复步骤包括确定所述团簇缺陷的坏点的修复顺序及对确定的所述坏点进行修复的步骤；
重复执行上述判定步骤和修复步骤，直至所述缺陷边界全部为空。
优选地，所述修复步骤还包括：修复完确定的所述坏点后，更新修复的所述坏点的T值和F值；
将修复后的所述坏点加入所述缺陷边界，并删除所述缺陷边界中T值最小的所述边缘点。
优选地，采用模板匹配的方法对所述坏线缺陷进行修复，按照所述坏线缺陷中的坏点在连通域分析中所存放的位置顺序进行修复。
优选地，对所述坏线缺陷进行修复时搜索范围避开所述坏线缺陷所在的区域，并且搜索模板根据所述坏线缺陷的宽度自适应变化。
优选地，所述方法还包括在对输出的所述第二图像进行修复之前，对输出的所述第二图像进行本底校正和增益校正的步骤。
根据第二方面，本发明实施例提供了一种图像修复系统，包括：
图像获取模块，用于获取第一图像；
图像分析模块，用于对所述图像获取模块获取的所述第一图像进行连通域分析，提取所述第一图像中所有的缺陷像素，并根据所述连通域的大小和形状将所述缺陷像素分为三类：孤立点缺陷、团簇缺陷及坏线缺陷；
图像修复模块，用于根据所述图像分析模块确定的所述缺陷像素的类型对第二图像进行修复。
优选地，图像修复系统还包括图像采集模块，对所述输出图像进行信号读取、放大及模数转换，并将经放大、转换的图像信号传送至所述图像修复模块。
优选地，图像修复系统还包括图像预处理模块，所述图像预处理模块包括本底校正模块和增益校正模块，所述本底校正模块对所述输出图像进行本底校正，所述增益校正模块用于对所述输出图像进行增益校正的。
根据第三方面，本发明实施例提供了一种平板探测器，该平板探测器包括图像显示模块以及本发明上述第二方面所述的图像修复系统，所述图像修复系统集成在所述平板探测器中图像显示模块对由所述图像修复系统修复过的图像进行输出显示。
本发明提供的图像修复方法、图像修复系统及平板探测器，具有如下有益效果：
1、本发明的方法对第一图像，例如探测器中的缺陷模板，进行缺陷像素的统计和分析，对缺陷像素进行排序，按照缺陷像素由小到大的顺序对第二图像进行修复，并且对不同的缺陷像素采用不同的方法进行修复。该修复方法考虑到了邻近像素的相似性，符合图像灰度的分布特性，不仅可以有效修复缺陷像素，也能很好地保留原有图像的细节。
2、本发明的方法对探测器中的缺陷模板进行像素统计和分类，根据该分类对探测器实时输出的图像进行修复，可以实现对图像缺陷像素的快速修复。
3、本发明所述的图像修复方法只与缺陷像素的类型大小有关，例如坏点缺陷、团簇缺陷、坏线缺陷。对于平板探测器均能适用，因此能显著提高工作效率，降低人力成本。
4、本发明所述的图像修复系统能够集成在平板探测器中，不需要对硬件设计做改动，可以降低产品成本，提高出货良率。并且在后续的升级和维护中，也只需对软件进行优化升级即可。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1显示为本发明实施例一提供的图像修复方法的流程图。
图2显示为本发明实施例三所示方法中的水平集方法的流程图。
图3显示为本发明实施例三所示方法中的模板匹配方法的流程图。
图4显示为本发明实施例三的优选实施例的修复方法的流程图。
图5显示为本发明实施例三的另一优选实施例的修复方法的流程图。
图6a和6b分别显示为存在团簇缺陷的缺陷图像及根据实施例三的方法修复后的图像。
图7a和7b分别显示为存在坏线缺陷的缺陷图像及根据实施例四的方法修复后的图像。
图8显示为本发明实施例五提供的图像处理系统的示意图。
图9显示为本发明实施例六提供的平板探测器的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本实施例提供一种图像修复方法，如图1所示，该方法包括如下步骤：
获取第一图像；
对所述第一图像进行连通域分析，提取所述第一图像中所有的缺陷像素；
根据所述连通域的大小和形状将所述缺陷像素分为三类：孤立点缺陷、团簇缺陷及坏线缺陷；
输出第二图像并根据所述缺陷像素的类型对所述第二图像进行修复。
在本实施例中，上述第一图像优选为探测器等仪器中的缺陷模板。
在本实施例的进一步优选实施例中，可以按照从左到右、由上至下的顺序对第一图像，例如上述缺陷模板，进行连通域分析。
在本实施例的一优选实施例中，根据对缺陷像素的分类，按照缺陷像素的大小，从小到大对第二图像依次进行孤立点缺陷修复、团簇缺陷修复及坏线缺陷修复。按照该从小到大的顺序进行图像修复，能够达到良好的修复效果。
在本实施例的一优选实施例中，在对第二图像进行修复之前，首先对所述第二图像进行本底校正和增益校正。
本实施例的方法对第一图像，例如探测器等中的缺陷模板进行像素统计和分类，根据该分类对例如探测器实时输出的第二图像进行修复，可以实现对图像缺陷像素的快速修复。
实施例二
在实施例一对缺陷像素进行分类并按照缺陷像素大小，按照从小到大的顺序进行图像修复的基础上，本实施例提供了一种修复孤立点缺陷的方法，在本实施例中，采用领域加权平均的方法进行孤立点修复。
由于单个像素并不会包含太多的图像细节，因此在本优选实施例中采用了上述邻域加权平均的方法实现对孤立点缺陷的修复。采用此方法修复后的孤立点的灰度如下公式(1)所示：
其中，F为孤立点缺陷3×3像素邻域内的原图数据，N为孤立点缺陷3×3像素邻域区域，K为孤立点缺陷3×3像素邻域内正常像素点对应的加权平均系数。
在本实施例的进一步优选实施例中，上述加权平均数的来源主要包括以下两个：
3×3像素邻域内所有正常像素点的灰度分布，计算出所述正常像素点的灰度梯度，其中梯度值大的所述正常像素点对应的加权系数比例高，梯度值较小的所述正常像素点对应的加权系数相应较小；
3×3像素邻域内所有正常像素点的位置分布，计算出所述正常像素点到所述孤立缺陷点的距离，距离小的所述正常像素点的加权系数比例高，距离较大的所述正常像素点对应的加权系数相应较小。
如上所示，依据本实施例的方法对孤立点缺陷进行修复时，充分考虑了该缺陷像素点邻域内的正常像素点的灰度分布及位置分布，并且利用正常像素点对应的加权平均数对孤立点进行修复。该方法能够有效修复孤立点缺陷，并且能够很好地还原原有图像的细节。
实施例三
与实施例二同理，在实施例一的基础上，本实施例提供一种团簇缺陷的修复方法，本实施例采用水平集和模板匹配相结合的方法对所述团簇缺陷进行修复，其中，水平集方法确定所述团簇缺陷的坏点的修复顺序；模板匹配方法对确定需要修复的当前坏点进行修复。
在本实施例的一优选实施例中，如图2所示，采用水平集方法确定所述团簇缺陷的坏点的修复顺序包括如下步骤：提取所述团簇缺陷并确定所述团簇缺陷的缺陷边界，初始化缺陷标记F和到达时间T，标记出所述缺陷边界的正常像素点、边缘点及缺陷点；其中到达时间T是基于水平集原理得来的，用来确定先对团簇缺陷的哪一个坏点进行修复。
确定所述缺陷边界的所述边缘点中T值最小的所述边缘点；确定T值最小的边缘点3×3像素邻域内的坏点，T值最小的所述边缘点3×3像素邻域内的坏点即为需要修复的所述当前坏点。
确定了所述当前坏点之后，采用模板匹配方法对该当前坏点进行修复。如图3所示，在缺陷数据中提取要修复的该当前坏点；然后，如图3所示，以确定的当前坏点为中心选取一个目标模板，并且以当前坏点为中心设置搜索区域，例如选取以该当前坏点为中心的一定范围作为搜索区域。在该搜索区域内依次选取与目标模板同等大小的搜索模板，计算目标模板与该搜索模板的相似性，并对计算结果的数据进行存储。搜索计算结果中相似性最大的数据；最后利用相似性最大的该数据对应的搜索模板的中心像素值替代该当前坏点的像素值，完成当前坏点的修复。如此循环进行不同坏点的修复，直至整个团簇缺陷被完全修复。
在本实施例的另一优选实施例中，如图4所示，对团簇缺陷进行修复的方法还包括如下步骤：确定该团簇缺陷的缺陷边界之后，确定缺陷边界是否为空，如果是，则表示该缺陷边界无需修复；如果否，则执行修复步骤，该修复步骤同样包括图2所示的确定团簇缺陷的坏点修复顺序及图3所示的修复确定的坏点的过程。重复上述判定步骤和修复步骤，直至缺陷边界全部为空。
在本实施例的另一优选实施例中，如图5所示，修复步骤还包括：修复完确定的坏点之后，更新修复的坏点的T值和F值，然后将修复后的坏点加入缺陷边界，并删除缺陷边界中该T值最小的边缘点。
如图6a所示，其中的黑色区域即为图像中的团簇缺陷，图6b为采用本实施例的上述方法对图6a中的团簇缺陷进行修复后的图像。由此可见，本实施例的方法很好地修复了图像中的团簇缺陷，并且图像的边缘是非常清晰的。
实施例四
同样在实施例一的基础上，本实施例提供一种坏线缺陷的修复方法。该方法同样采用实施例三所提供的模板匹配方法，直接按照坏线缺陷中的坏点在连通域分析中所存放的位置进行修复。
在本实施例的一优选实施例中，对坏线的修复顺序一般为从左到右、由上至下。在本实施例中，针对坏线缺陷的搜索范围要尽量避开坏线所在的区域。
在本实施例的另一优选实施例中，根据图像中坏线的宽度，搜索模板需要自适应地进行变化。
如图7a所示，图像中的黑色水平线即为图像中的坏线缺陷，图7b为利用模板匹配方法对图7a中的坏线缺陷进行修复后的图像。由此可见，本实施例的方法很好地修复了图像中的坏线缺陷，坏线被有效修复，并且图像的细节被很好地保留。
实施例五
本实施例提供一种图像修复系统，如图8所示，该系统包括图像获取模块，用于获取第一图像；图像分析模块，用于对所述图像获取模块获取的所述第一图像进行连通域分析，提取所述第一图像中所有的缺陷像素，并根据所述连通域的大小和形状将所述缺陷像素分为三类：孤立点缺陷、团簇缺陷及坏线缺陷；图像修复模块，用于根据所述图像分析模块确定的所述缺陷像素的类型对第二图像进行修复。
在本实施例的一优选实施例中，如图8所示，该图像修复系统还包括图像采集模块，其对第二图像信号进行读取、放大及模数转换，并将经放大、转换后的图像信号传送至图像修复系统的图像处理模块，有图像处理模块进行后续的修复。
在本实施例的另一优选实施例中，如图8所示，该图像修复系统还包括图像预处理模块，该图像预处理模块包括本底校正模块和增益校正模块，分别对第二图像进行本底校正和增益校正。
实施例六
本实施例提供一种平板探测器，如图9所示，该平板探测器包括实施例五所述的图像修复系统，该图像修复系统集成在该平板探测器中。
如图9所示，该平板探测器还包括图像显示模块，由该图像显示模块对被修复的图像进行输出显示。
在本实施例的一优选实施例中，该平板探测器的图像采集模块包括闪烁体、薄膜晶体管(Thin Film Transistor，TFT)和光电二极管阵列，闪烁体可以包括碘化铯等本领域常用和公知的闪烁晶体，该闪烁体将X射线转化为可见光，然后TFT和光电二极管阵列将该可见光转换成电信号，该电信号随后被读取并经放大、模数转换后传输至图像处理模块，有图像处理模块对形成的图像进行修复。
综上看出，本实施例的平板探测器集成了图像修复系统，其硬件设计并无改动，由此可以降低产品的设计生产成本，提高出货良率。在后续的升级和维护中，也只需对软件进行优化升级即可。
如上所述，上述实施例提供的图像修复方法、系统、探测器、服务器及计算机可读存储介质，具有如下有益效果：
1、本发明的方法对第一图像，例如探测器中的缺陷模板，进行缺陷像素的统计和分析，对缺陷像素进行排序，按照缺陷像素由小到大的顺序对第二图像进行修复，并且对不同的缺陷像素采用不同的方法进行修复。该修复方法考虑到了邻近像素的相似性，符合图像灰度的分布特性，不仅可以有效修复缺陷像素，也能很好地保留原有图像的细节。
2、本发明的方法对探测器中的缺陷模板进行像素统计和分类，根据该分类对探测器实时输出的图像进行修复，可以实现对图像缺陷像素的快速修复。
3、本发明所述的图像修复方法只与缺陷像素的类型大小有关，例如坏点缺陷、团簇缺陷、坏线缺陷。对于平板探测器均能适用，因此能显著提高工作效率，降低人力成本。
4、本发明所述的图像修复系统能够集成在平板探测仪中，不需要对硬件设计做改动，可以降低产品成本，提高出货良率。并且在后续的升级和维护中，也只需对软件进行优化升级即可。
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，本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，比如变更邻域加权模板的尺寸和系数，变更模板匹配的尺寸，变更模板匹配中使用的数据相关参数，变更水平集控制修复顺序的方式，或者利用本发明形同的思路进行邻域加权平均修复缺陷像素、水平集控制+模板匹配修复缺陷像素等。这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (16)
1.一种图像修复方法，其特征在于，包括如下步骤：
获取第一图像；
对所述第一图像进行连通域分析，提取所述第一图像中所有的缺陷像素；
根据所述连通域的大小和形状将所述缺陷像素分为三类：孤立点缺陷、团簇缺陷及坏线缺陷；
输出第二图像并根据所述缺陷像素的类型对所述第二图像进行修复。
2.根据权利要求1所述的图像修复方法，其特征在于，按照所述缺陷像素从小到大的顺序对所述第二图像依次进行孤立点缺陷修复、团簇缺陷修复及坏线缺陷修复。
3.根据权利要求2所述的图像修复方法，其特征在于，采用邻域加权平均的方法进行所述孤立点缺陷修复，修复后的像素灰度如下式所示：
其中，F为孤立点缺陷3×3像素邻域内的原图数据，N为孤立点缺陷3×3像素邻域区域，K为孤立点缺陷3×3像素邻域内正常像素点对应的加权平均系数。
4.根据权利要求3所述的图像修复方法，其特征在于，所述加权平均数的来源包括：
所述3×3像素邻域内所有正常像素点的灰度分布，计算出所述正常像素点的灰度梯度，其中梯度值大的所述正常像素点对应的加权系数比例高，梯度值较小的所述正常像素点对应的加权系数相应较小；
所述3×3像素邻域内所有正常像素点的位置分布，计算出所述正常像素点到所述孤立缺陷点的距离，距离小的所述正常像素点的加权系数比例高，距离较大的所述正常像素点对应的加权系数相应较小。
5.根据权利要求2所述的图像修复方法，其特征在于，采用水平集和模板匹配相结合的方法对所述团簇缺陷进行修复，其中，所述水平集方法确定所述团簇缺陷的坏点的修复顺序；所述模板匹配方法对需要修复的当前坏点进行修复。
6.根据权利要求5所述的图像修复方法，其特征在于，确定所述团簇缺陷的坏点的修复顺序包括以下步骤：
提取所述团簇缺陷并确定所述团簇缺陷的缺陷边界，初始化缺陷标记F和到达时间T，标记出所述缺陷边界的正常像素点、边缘点及缺陷点；
确定所述缺陷边界的所述边缘点中T值最小的所述边缘点；
确定T值最小的所述边缘点3×3像素邻域内的坏点，T值最小的所述边缘点的所述3×3像素邻域内的坏点即为需要修复的所述当前坏点。
7.根据权利要求6所述的图像修复方法，其特征在于，对所述当前坏点进行修复包括以下步骤：
以所述当前坏点为中心选取目标模板；
以所述当前坏点为中心选取搜索区域；
在所述搜索区域内依次选取与目标模板同等大小的搜索模板，计算所述目标模板与所述搜索模板的相似性，并对计算结果进行存储；
搜索所述计算结果中相似性最大的数据，用所述相似性最大的数据所对应的所述搜索模板的中心像素值替代所述当前坏点的像素值。
8.根据权利要求7所述的图像修复方法，其特征在于，还包括如下步骤：
判断所述缺陷边界是否为空，如果是，则无需修复；
如果否，则执行修复步骤，所述修复步骤包括确定所述团簇缺陷的坏点的修复顺序及对确定的所述坏点进行修复的步骤；
重复执行上述判定步骤和修复步骤，直至所述缺陷边界全部为空。
9.根据权利要求8所述的图像修复方法，其特征在于，所述修复步骤还包括：修复完确定的所述坏点后，更新修复的所述坏点的T值和F值；
将修复后的所述坏点加入所述缺陷边界，并删除所述缺陷边界中T值最小的所述边缘点。
10.根据权利要求2所述的图像修复方法，其特征在于，采用模板匹配的方法对所述坏线缺陷进行修复，按照所述坏线缺陷中的坏点在连通域分析中所存放的位置顺序进行修复。
11.根据权利要求10所述的图像修复方法，其特征在于，对所述坏线缺陷进行修复时搜索范围避开所述坏线缺陷所在的区域，并且搜索模板根据所述坏线缺陷的宽度自适应变化。
12.根据权利要求1-11所述的图像修复方法，其特征在于，还包括在对输出的所述第二图像进行修复之前，对所述第二图像进行本底校正和增益校正的步骤。
13.一种图像修复系统，其特征在于，包括：
图像获取模块，用于获取第一图像；
图像分析模块，用于对所述图像获取模块获取的所述第一图像进行连通域分析，提取所述第一图像中所有的缺陷像素，并根据所述连通域的大小和形状将所述缺陷像素分为三类：孤立点缺陷、团簇缺陷及坏线缺陷；
图像修复模块，用于根据所述图像分析模块确定的所述缺陷像素的类型对第二图像进行修复。
14.根据权利要求13所述的图像修复系统，其特征在于，还包括图像采集模块，对所述第二图像进行信号读取、放大及模数转换，并将经放大、转换的图像信号传送至所述图像修复模块。
15.根据权利要求14所述的图像修复系统，其特征在于，还包括图像预处理模块，所述图像预处理模块包括本底校正模块和增益校正模块，所述本底校正模块对所述第二图像进行本底校正，所述增益校正模块用于对所述第二图像进行增益校正的。
16.一种平板探测器，其特征在于，包括图像显示模块以及权利要求13-15中任一项所述的图像修复系统，所述图像修复系统集成在所述平板探测器中，所述图像显示模块对由所述图像修复系统修复过的图像进行输出显示。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811502255.2A CN109712084B (zh) | 2018-12-10 | 2018-12-10 | 一种图像修复方法、图像修复系统及平板探测器 |
| PCT/CN2019/075643 WO2020118896A1 (zh) | 2018-12-10 | 2019-02-21 | 一种图像修复方法、图像修复系统及平板探测器 |
| US16/757,775 US11461877B2 (en) | 2018-12-10 | 2019-02-21 | Image inpainting method, image inpainting system and flat panel detector thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811502255.2A CN109712084B (zh) | 2018-12-10 | 2018-12-10 | 一种图像修复方法、图像修复系统及平板探测器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109712084A true CN109712084A (zh) | 2019-05-03 |
| CN109712084B CN109712084B (zh) | 2021-01-19 |
Family
ID=66255558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811502255.2A Active CN109712084B (zh) | 2018-12-10 | 2018-12-10 | 一种图像修复方法、图像修复系统及平板探测器 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11461877B2 (zh) |
| CN (1) | CN109712084B (zh) |
| WO (1) | WO2020118896A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738613A (zh) * | 2019-09-29 | 2020-01-31 | 上海奕瑞光电子科技股份有限公司 | 线阵探测器图像拼接实时校正方法、装置、设备和介质 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353946B (zh) * | 2018-12-21 | 2023-04-11 | 腾讯科技（深圳）有限公司 | 图像修复方法、装置、设备及存储介质 |
| CN112904841B (zh) * | 2021-01-12 | 2023-11-03 | 北京布科思科技有限公司 | 非水平朝向的单线定位避障方法和装置、设备及存储介质 |
| CN116109523B (zh) * | 2023-04-11 | 2023-06-30 | 深圳奥雅设计股份有限公司 | 一种智能设计的图像缺陷点自动修复方法及系统 |
| CN117934469A (zh) * | 2024-03-22 | 2024-04-26 | 张家港市升恒机械设备制造有限公司 | 一种矿用高压变频器外壳生产质量视觉检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101126724A (zh) * | 2007-09-30 | 2008-02-20 | 西北工业大学 | 锥束ct系统中平板探测器图像的抗干扰校正方法 |
| US7639292B2 (en) * | 2004-06-29 | 2009-12-29 | Samsung Electronics Co., Ltd. | Apparatus and method for improving image quality in image sensor |
| CN102426376A (zh) * | 2011-08-11 | 2012-04-25 | 西北工业大学 | 一种平板探测器的监控与校正方法 |
| CN104835125A (zh) * | 2015-05-08 | 2015-08-12 | 上海联影医疗科技有限公司 | 平板探测器的坏点校正方法 |
| CN105787905A (zh) * | 2016-03-24 | 2016-07-20 | 中国人民解放军信息工程大学 | 一种基于动态电流的锥束ct环状伪影校正方法 |
| CN106097282A (zh) * | 2016-07-01 | 2016-11-09 | 上海奕瑞光电子科技有限公司 | 消除平板探测器图像残影的方法及平板探测器 |
| CN108171765A (zh) * | 2017-12-08 | 2018-06-15 | 上海奕瑞光电子科技股份有限公司 | 平板探测器残影校正方法及其校正装置 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5608816A (en) * | 1993-12-24 | 1997-03-04 | Matsushita Electric Industrial Co., Ltd. | Apparatus for inspecting a wiring pattern according to a micro-inspection and a macro-inspection performed in parallel |
| US6233364B1 (en) * | 1998-09-18 | 2001-05-15 | Dainippon Screen Engineering Of America Incorporated | Method and system for detecting and tagging dust and scratches in a digital image |
| US6950547B2 (en) * | 2001-02-12 | 2005-09-27 | 3M Innovative Properties Company | Web inspection method and device |
| US7551769B2 (en) * | 2003-02-18 | 2009-06-23 | Marena Systems Corporation | Data structures and algorithms for precise defect location by analyzing artifacts |
| JP4367103B2 (ja) * | 2003-11-19 | 2009-11-18 | 住友ベークライト株式会社 | 画像処理方法とそれを応用した金属腐食検査方法 |
| WO2011061943A1 (ja) * | 2009-11-20 | 2011-05-26 | 日本電気株式会社 | 画像修復システム、画像修復方法及び画像修復プログラム |
| CN103543168B (zh) * | 2013-10-12 | 2015-10-28 | 华南理工大学 | 一种多层封装基板缺陷的x射线检测方法及系统 |
| CN104063850B (zh) * | 2014-06-24 | 2017-02-01 | 广东互维科技有限公司 | 红眼修复方法 |
| CN106780497B (zh) * | 2016-11-28 | 2019-09-24 | 重庆大学 | 一种基于统计信息的器官血管树自动提取方法 |
| CN108399632B (zh) * | 2018-03-02 | 2021-06-15 | 重庆邮电大学 | 一种联合彩色图像的rgb-d相机深度图像修复方法 |
| CN109934802B (zh) * | 2019-02-02 | 2021-06-22 | 浙江工业大学 | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 |
-
2018
- 2018-12-10 CN CN201811502255.2A patent/CN109712084B/zh active Active
-
2019
- 2019-02-21 WO PCT/CN2019/075643 patent/WO2020118896A1/zh active Application Filing
- 2019-02-21 US US16/757,775 patent/US11461877B2/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7639292B2 (en) * | 2004-06-29 | 2009-12-29 | Samsung Electronics Co., Ltd. | Apparatus and method for improving image quality in image sensor |
| CN101126724A (zh) * | 2007-09-30 | 2008-02-20 | 西北工业大学 | 锥束ct系统中平板探测器图像的抗干扰校正方法 |
| CN102426376A (zh) * | 2011-08-11 | 2012-04-25 | 西北工业大学 | 一种平板探测器的监控与校正方法 |
| CN104835125A (zh) * | 2015-05-08 | 2015-08-12 | 上海联影医疗科技有限公司 | 平板探测器的坏点校正方法 |
| CN105787905A (zh) * | 2016-03-24 | 2016-07-20 | 中国人民解放军信息工程大学 | 一种基于动态电流的锥束ct环状伪影校正方法 |
| CN106097282A (zh) * | 2016-07-01 | 2016-11-09 | 上海奕瑞光电子科技有限公司 | 消除平板探测器图像残影的方法及平板探测器 |
| CN108171765A (zh) * | 2017-12-08 | 2018-06-15 | 上海奕瑞光电子科技股份有限公司 | 平板探测器残影校正方法及其校正装置 |
Non-Patent Citations (3)
| Title |
|---|
| 张丰收，等: "平板探测器坏像素校正方法研究", 《现代制造工程》 * |
| 蔡鹏飞: "齿科CT中平板探测器校正与评估方法研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
| 谢勤岚: "图像降噪的自适应高斯平滑滤波器", 《计算机工程与应用》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738613A (zh) * | 2019-09-29 | 2020-01-31 | 上海奕瑞光电子科技股份有限公司 | 线阵探测器图像拼接实时校正方法、装置、设备和介质 |
| CN110738613B (zh) * | 2019-09-29 | 2022-02-18 | 上海奕瑞光电子科技股份有限公司 | 线阵探测器图像拼接实时校正方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020118896A1 (zh) | 2020-06-18 |
| US20210295477A1 (en) | 2021-09-23 |
| US11461877B2 (en) | 2022-10-04 |
| CN109712084B (zh) | 2021-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109712084A (zh) | 一种图像修复方法、图像修复系统及平板探测器 | |
| CN109410207A (zh) | 一种基于ncc特征的无人机巡线图像输电线路检测方法 | |
| CN109215042B (zh) | 一种基于计算机视觉的光伏电池板热斑效应检测系统及其计算方法 | |
| CN114612406A (zh) | 一种基于可见光和红外视觉的光伏板缺陷检测方法 | |
| CN110458839A (zh) | 一种有效的电线电缆监测系统 | |
| CN112348775B (zh) | 基于车载环视的路面坑塘检测系统及方法 | |
| CN105865723A (zh) | 气体泄漏检测非均匀校正方法及气体泄漏检测装置 | |
| CN110232387A (zh) | 一种基于kaze-hog算法的异源图像匹配方法 | |
| CN109615612A (zh) | 一种太阳能电池板的缺陷检测方法 | |
| CN113160194B (zh) | 一种紫外和可见光图像的距离自适应配准方法 | |
| CN109738442A (zh) | 一种基于大视野x射线可见光配准成像的水稻稻穗性状全自动提取系统 | |
| CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
| CN115861409B (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
| CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
| CN103400343A (zh) | 一种补偿夜间红外下视图像亮度不均匀的方法 | |
| CN104200215A (zh) | 一种大口径光学元件表面灰尘与麻点识别方法 | |
| Kurukuru et al. | Machine learning framework for photovoltaic module defect detection with infrared images | |
| CN112179693A (zh) | 一种基于人工智能的光伏跟踪支架故障检测方法和装置 | |
| CN112446863A (zh) | 基于图像处理的光伏阵列热斑检测方法和检测系统 | |
| CN109360144A (zh) | 一种基于手机平台的图像实时校正改进方法 | |
| CN115937518A (zh) | 一种基于多源图像融合的路面病害识别方法及系统 | |
| CN114881931A (zh) | 基于双光融合的光伏面板缺陷检测方法、系统、设备和计算机可读存储介质 | |
| CN110246139A (zh) | 基于双阈值的浮游生物原位图像roi快速提取方法 | |
| CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
| CN113762161A (zh) | 一种障碍物智能监测方法及系统 |
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 |