CN109870730B - 一种用于x光机图像解析度测试体定检的方法及系统 - Google Patents
一种用于x光机图像解析度测试体定检的方法及系统 Download PDFInfo
- Publication number
- CN109870730B CN109870730B CN201811629765.6A CN201811629765A CN109870730B CN 109870730 B CN109870730 B CN 109870730B CN 201811629765 A CN201811629765 A CN 201811629765A CN 109870730 B CN109870730 B CN 109870730B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- test
- sub
- edge detection
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种用于X光机图像解析度测试体定检的方法及系统,属于图像解析技术领域。该方法包括以下步骤:S1:测试图像;S2:区域定位;S3:TEST1检测算法测试;S4:TEST2检测算法测试;S5:TEST3检测算法测试;S6:TEST4检测算法测试。本发明拟集成计算机视觉、模式识别前沿理论,研制基于智能图像分析的X光安检机自动定检技术,通过对标准测试箱成像的自动分析,准确、实时、客观地诊断X光安检机的线分辨力、穿透分辨力、空间分辨力、穿透力等性能是否达标,从而给出安检设备是否能够继续正常使用的专家级意见。
Description
技术领域
本发明属于图像解析技术领域,涉及一种用于X光机图像解析度测试体定检的方法及系统。
背景技术
X光安检机主要是用来对除人体以外的行李、物品等进行透视性的扫描,得到不同物品的不同成像,从而发现内部隐藏的危险品。设备借助传送带将被检查行李送入X射线检查通道,触发X射线源发射X射线束。X射线束穿过被检物品,部分被吸收后轰击安装在通道内的半导体探测器。探测器把X射线转变为信号,并最终转换为X光图像,由安检人员辨认是否含有危险物品(刀具、枪械、毒品、易燃、易爆品等)。
随着使用时间的增加,X射线发生器可能由于损坏、老化等原因无法输出足够剂量的X射线,使得成像能力减弱,分辨能力下降,导致漏检、误检。通常使用单位每年都需要组织对X射线安检机工作状态进行评估,利用标准测试箱对设备进行定检,根据标准箱通过安检机后的成像质量,判断设备老化程度、决定是否可以继续使用。为了保证安检的有效性,需要定期对X光安检机的性能进行评价,目前国内外均采用人工方法,根据标准箱(测试体)通过安检机后的成像质量,判断设备工作状态,当设备数量较多时,难以保证工作效率,且该方法具有较强的主观性(依赖于评判人员)。利用智能化方法,研究X光安检机自动定检技术,对设备工作状态进行快速、准确、客观的评估,形成统一的评判标准,是该领域的发展趋势。
发明内容
有鉴于此,本发明的目的在于提供一种用于X光机图像解析度测试体定检的方法及系统。
为达到上述目的,本发明提供如下技术方案:
一种用于X光机图像解析度测试体定检的方法,该方法包括以下步骤:
S1:测试图像;
S2:区域定位;
S3:TEST1检测算法测试;
S4:TEST2检测算法测试;
S5:TEST3检测算法测试;
S6:TEST4检测算法测试。
进一步,所述步骤S1具体为:系统基于常见X光安检机获取的图像,对给定原始图像进行相应的图像处理,使图像呈现不同的表现形式,从而最大限度地准确判别图像中物体的材质和大小属性,反映X光安检机线的分辨力、空间分辨力、穿透分辨力和材料分辨力性能。
进一步,所述步骤S2具体为:基于一张X光机测试体的图像,首先自动定位到每个测试卡的位置;先根据标准箱中较明显的区域,即test1和test4区域,进行区域定位,再根据其它子区域与它们的相对位置进行进一步检测,从而确定所有子区域的位置;
对于较明显的TEST1、TEST2和TEST4区域,采用数据图像处理方式,利用颜色信息和区域面积来确定位置,进而确定TEST3区域的位置;对于TEST3中的每一个子区域,利用其灰度图像以及图像特点确定每一子块位置。
进一步,所述步骤S3具体为:输入图像,自适应划分子区域,动态生成MASK区域掩膜,边缘检测,置信度计算,输出得分;
所述自适应划分子区域具体为:
根据不同标准箱TEST1测试卡中7条曲线的分布基本一致,在定位整体位置后,估算出每一条曲线的位置,计算得到每一条曲线的boundingbox边界框,并以此划分7个子区域;
所述动态生成MASK具体为:
通过三角函数来拟合曲线的形状,其中设定波峰、波长参数为可调节参数,根据TEST1区域的宽和高来自动计算,为拟合的曲线设置一定的像素宽度,使之尽量覆盖原始图像中曲线的位置,此处拟合的有一定像素宽度的曲线区域为前景,其余像素区域为背景;
所述边缘检测具体为:
利用边缘检测算法,在每一个曲线的前景区域,即MASK的前景区域所对应的原始图像的像素区域内进行边缘检测,由于可见程度的不同,会出现检测到完整或部分的曲线,以此来计算曲线的置信度;
所述置信度计算具体为:
根据边缘检测的结果,在每一条曲线的前景区域内,计算边缘检测结果的占完整曲线的百分比,即置信度的值。
进一步,所述步骤S4具体为:
灰度化处理:在进行图像处理和预处理时先进行图像的灰度化处理,减少图像的复杂度和信息处理量;
子区域切分:TEST2测试卡水平方向上共有3个子区域,即3个铝阶梯厚度;根据数据图像处理算法,采用水平方向上的灰度梯度计算,得到中间的两个梯度较大的边界,即划分成3个子区域;
平滑去噪:进行图像平滑预处理,降低噪声的影响;采用高斯平滑或者其他滤波器;
边缘检测:与TEST1的边缘检测不同,TEST1中的边缘检测,是在动态生成的MASK前景范围内检测;而针对TEST2,切分后的子区域宽度大致为原来的1/3,有效区域较小边缘检测的结果会受噪声的影响较大,所以TEST2采用的是整体边缘检测,再通过动态MASK进行过滤;
在3个划分后的子区域,分别进行边缘检测,再将3个子区域的边缘检测结果拼接作为完整的边缘检测结果;具体的边缘检测算法采用canny检测;
动态生成MASK:MASK的生成与TEST1相同,依据上述的边缘检测结果,以MASK的前景来过滤边缘检测的结果,检测到位置在MASK前景中的认为是曲线部分,否则认为是背景;经过MASK过滤后的作为最终的边缘检测结果,并以此为依据计算置信度;
置信度的计算与矫正:TEST2在水平方向和竖直方向上都有可见度上的变化,给出7*3=21个置信度分数,计算方法与TEST1相同;不同的是,在分别计算出21个置信度后,需要按合理性进行矫正;原则为:可见度在竖直方向上自上而下越来越低,在水平方向上自左而右越来越低;依照该原则对前面计算出来的置信度做一个整体上的微调,得到最后的输出结果。
进一步,所述步骤S5具体为:
在确定TEST3区域中每一个子区域位置的基础上,进行每个子区域的线对分辨;
灰度化处理:与TEST2相同;
二值化处理:为提取出感兴趣的前景目标,将其与背景进行区分,对灰度图像进行二值化处理,将256个亮度等级的灰度图像通过适当的阈值选取而获得反映图像整体和局部特征的二值化图像;所有灰度大于或等于阈值的像素被判定为前景目标,其灰度值用255表示,否则这些像素点被排除在目标区域以外,灰度值为0,表示背景区域;
形态学处理:腐蚀与膨胀作为基本的形态学操作,具有消除图像噪声、分割或连接图像相邻元素及寻找图像中的明显极大值或极小值区域功能;腐蚀与膨胀操作是将图像或图像的部分区域与核进行卷积;核是任意的形状和大小,拥有一个单独定义出来的参考点,称为锚点,核是一个小的中间带有参考点的实心正方形或者圆盘;对二值图像中的背景区域进行操作,计算核覆盖区域像素点的最小值或最大值,并把这个最小值或最大值赋给参考点指定的像素,使得高亮部分范围缩小或扩张,从而突出目标线对;为减少噪声的影响,并突出TEST3区域的线对目标,采用闭运算对二值图像进行处理:先采用膨胀操作去除线对附近噪点以及某些线对内部的小接触点,然后采用腐蚀操作增强各线条轮廓,便于后续检测;
检测图像轮廓并确定置信度:利用图像处理中的轮廓检测方法提取出线对目标的轮廓,并通过统计多个轮廓值设置有效轮廓阈值,滤除无效轮廓对后续判定的影响,并计算各个线对得分;分值根据实际检测轮廓数与期望轮廓数差值的绝对值s进行判断,当s为0时,得分1.0,表示实际检测轮廓数与期望轮廓数相等,线对分辨力最高;当s为1时,得分0.7,表示有少量轮廓较模糊,实际检测出的轮廓数与期望值有一定偏差,线对分辨力较高;当s为2时,得分0.5,表示轮廓模糊范围较大,但仍具有轮廓,线对分辨力较低;当s大于2时,得分为1/(s+1)+0.2,表示线对较模糊或被大片污染,难以检测出清晰轮廓,线对分辨力最差;在得出各个线对初步分值基础上,进一步考虑8个子区域大致分布的清晰情况设置相应分数的逻辑关系,使得测试卡3中每一横排前后线对间的实际得分符合人眼的主观判断,据此确定各个线对最后的判决得分。
进一步,所述步骤S6具体为:
TEST4检测的不是线,是圆形区域;共分为2个部分,左侧的可见度高于右侧部分,在每个部分里,可见度从上至下依次降低;
形态学处理:灰度化处理与二值化处理均于TEST3中相同,形态学处理与TEST3中不同的是,TEST4采用的是开运算:先腐蚀后膨胀,用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显的改变其面积;得到每个圆形区域的大体形状;
置信度计算和矫正:根据上述得到的结果,计算每个圆形区域的有效像素数的占比;确定有效像素数,需要定义像素有效的标准:
1)圆形区域的分布,水平方向上大致位置中间位置;
2)竖直方向划分五个子区域,是否平均分布在5个区域内;
3)圆形区域的面积不能过大或过小,设定一个阈值,作为最优面积;
置信度的计算以上述标准为依据,越符合标准的置信度分数越高;
另外,得到置信度后,与TEST3一样,也要做置信度矫正,以从上至下可见度依次降低为原则。
基于任一项所述方法的用于X光机图像解析度测试体定检的系统,该系统包括X光机、图像解析度测试体和定检模块;
所述X光机采集图像解析度测试体的图像;
所述定检模块根据采集到的图像解析度测试体的图像,判断该X光机的线分辨力、穿透分辨力、空间分辨力和穿透力能力;
所述图像解析度测试体共包括4个测试卡,分别用于测试不同的分辨能力;具体为线分辨力测试卡TEST1、穿透分辨力测试卡TEST2、空间分辨力测试卡TEST3和穿透力测试卡TEST4。
本发明的有益效果在于:本发明拟集成计算机视觉、模式识别前沿理论,研制基于智能图像分析的X光安检机自动定检技术,通过对标准测试箱成像的自动分析,准确、实时、客观地诊断X光安检机的线分辨力、穿透分辨力、空间分辨力、穿透力等性能是否达标,从而给出安检设备是否能够继续正常使用的专家级意见。
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为测试体外形图;图1(a)为俯视图;图1(b)为正视图;图1(c)为侧视图;
图2为测试体内部结构图;
图3为测试卡1和测试卡2组合图;
图4为测试卡3示意图;
图5为穿透力测试卡1穿透力测试卡2的示意图;
图6为九类测试图像示意图;图6(a)为原图;图6(b)为高能穿透图;图6(c)为灰度图;图6(d)为低能穿透图;图6(e)为无机物剔除图;图6(f)为有机物剔除图;图6(g)为反显图;图6(h)为超级增强与高能穿透结合图;图6(i)为超级增强与低能穿透结合图;
图7为TEST1线分辨力检测流程;
图8(a)为TEST1原图;图8(b)为生成的MAST图;图8(c)为置信度;
图9为TEST2算法流程图;
图10为TEST2根据阈值的判别结果;
图11为TEST3检测算法流程;
图12为TEST3检测效果图;
图13为TEST4检测流程图;
图14(a)为原图;图14(b)为TEST4形态学处理结果。
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。
本发明通过对X光机采集到的图像解析度测试体图像进行分析,来准确判断该X光机的线分辨力、穿透分辨力、空间分辨力和穿透力能力。
图像解析度测试体共包括4个测试卡,分别用于测试不同的分辨能力。具体为线分辨力测试卡(TEST1)、穿透分辨力测试卡(TEST2)、空间分辨力测试卡(TEST3)、穿透力测试卡(TEST4)。测试体的外形图、内部结构如图1、图2所示。图1(a)为俯视图;图1(b)为正视图;图1(c)为侧视图。
图像解析测试体用于测试设备的材料分辨能力,测试体内包含测试卡,测试卡安装在测试体内的固定板上,并用上、下防护板封装成一长方形的测试体。本发明针对X光机的线分辨力、穿透分辨力、空间分辨力和穿透力4种能力进行检测评估。
1.测试卡介绍
测试卡1和测试卡2为组合测试卡,测试卡1为线分辨力测试卡,测试卡2为穿透分辨力测试卡,分别用于检测设备的线分辨力和穿透分辨力。
测试卡1由一组正弦曲线形锡青铜线组成;测试卡2由合金铝阶梯和一组正弦曲线锡青铜线组成。这些铜线固定在一层厚度为0.2mm的聚酯薄膜上,铜线位于聚酯薄膜和铝阶梯之间,铝阶梯在测试卡的最上层,与聚酯薄膜固定在一起,见图3。
测试卡3为空间分辨力测试卡,用于检测设备空间分辨能力。测试卡3由直接固定在安装板上的4种不同线径锡青铜线组成的4组不同分辨等级的标准,见图4。
测试卡4为穿透力测试卡,用于检测设备穿透被检物品的能力,由2个不同厚度的碳钢阶梯组成,在阶梯面粘有厚5mm、直径为25mm的圆形铅块,圆形铅块应按图示位置与钢板用胶粘牢。钢板的厚度由对应的铅字表示,见图5。
2.测试图像
在实际应用时,不同型号X光安检机获得的图像各不相同,因此为了验证算法检测不同图像线分辨力、空间分辨力、穿透力及穿透分辨力等的性能,系统基于常见X光安检机获取的图像材质,对给定原始图像进行相应的图像处理,如灰度化、平滑处理、高能穿透、低能穿透有机物、无机物剔除、可疑有机物增强等,使图像呈现不同的表现形式,从而最大限度地准确判别图像中物体的材质、大小等属性,最真实地反映X光安检机线的分辨力、空间分辨力、穿透分辨力、材料分辨力等性能。对包括原图在内的九种图像进行了相应的性能测试,具体图像类型如图6所示,(a)为原图;(b)为高能穿透图;(c)为灰度图;(d)为低能穿透图;(e)为无机物剔除图;(f)为有机物剔除图;(g)为反显图;(h)为超级增强与高能穿透结合图;(i)为超级增强与低能穿透结合图。
本发明拟集成计算机视觉、模式识别前沿理论,研制基于智能图像分析的X光安检机自动定检技术,通过对标准测试箱成像的自动分析,准确、实时、客观地诊断X光安检机的线分辨力、穿透分辨力、空间分辨力、穿透力等性能是否达标,从而给出安检设备是否能够继续正常使用的专家级意见。以下所有算法都需要基于以上9类图像完成检测流程。其中反显图需要先进行反色处理,即在RGB三通道上,用255减去当前像素值,后续所有算法对于反显图都需要有此操作,但其他图像处理后的图不需要此操作,故流程图中均省略。
3.区域定位
为了准确的对每个测试卡分辨能力进行检测,基于一张X光机测试体的图像,首先需要精准的自动定位到每个测试卡的位置。由于标准箱为固定形式,首先根据标准箱中较为明显的区域(如test1和test4区域)进行区域定位,再根据其它子区域与它们的相对位置进行进一步检测,从而确定所有子区域的位置。
对于较明显的TEST1、TEST2和TEST4区域,采用数据图像处理方式,利用其颜色信息和区域面积来确定位置,进而确定TEST3区域的位置。对于TEST3中的每一个子区域,利用其灰度图像以及图像特点确定每一子块位置。
4.TEST1检测算法
定位到TEST1的整体位置后,由于TEST1测试卡共有7条曲线组成,每一条曲线的粗细不同,越向下排列越细,可见度也越低。而本发明提供的算法目的就是自动识别哪些曲线是可见的,哪些是人跟级别不可见的,从而达到与人眼一致的结果。
依据TEST1中曲线的大体分布,进行如下算法流程,见图7。
5.自适应划分子区域
由于不同标准箱TEST1测试卡中7条曲线的分布基本一致,故在定位整体位置后,可大致估算出每一条曲线的位置。计算得到每一条曲线的boundingbox,以此划分7个子区域。
6.动态生成MASK
通过三角函数来拟合曲线的形状,其中设定如波峰、波长等参数为可调节参数,根据TEST1区域的宽和高来自动计算。TEST1示意图及动态生成的MASK如图8(a)(b)所示,其中MASK图中白色代表前景区域即曲线,黑色代表背景区域。
7.边缘检测
利用边缘检测算法,在每一个曲线的前景区域内进行边缘检测,由于可见程度的不同,会出现检测到完整或部分的曲线,以此来计算曲线的置信度。具体的边缘检测算法可采用canny检测等。
8.置信度计算
根据边缘检测的结果,在每一条曲线的前景区域内,计算边缘检测结果的占完整曲线的百分比,即置信度的值。如TEST1区域宽度为100个像素,第一条曲线边缘检测的结果在水平方向上,检测到82个像素,则置信度0.82。可根据人眼观察效果设定阈值分数score,大于该score则认定可人眼可见,小于score则为人眼不可见,如图8(c)所示。
9.TEST2检测算法
测试卡1和测试卡2为组合测试卡,TEST2同样也有7条曲线组成,在竖直方向上,由于曲线的粗细不同,可见度由上向下依次减弱。在水平方向上,由于铝阶梯的厚度不同,可见度由左向右依次减弱。TEST2的检测算法流程如图9所示。
10.灰度化处理
原始输入图像为RGB图像,若直接对其处理,需要分别对RGB三种分量进行处理,运算复杂度较大。实际上RGB并不能反映图像的形态特征,只是从光学的原理上进行颜色的调配。所以在进行图像处理和预处理时一般先进行图像的灰度化处理,减少图像的复杂度和信息处理量,方便后续处理。
11.子区域切分
TEST2测试卡水平方向上共有3个子区域,即3个铝阶梯厚度。根据数据图像处理算法,采用水平方向上的灰度梯度计算,可得到中间的两个梯度较大的边界,即划分成3个子区域。
12.平滑去噪
由于X光机标准箱的定检图噪声较大,而噪声的存在是对检测结果最大的影响因素,故需要进行图像平滑预处理,降低噪声的影响。具体的方法可以采用高斯平滑,或者其他滤波器。
13.边缘检测
与TEST1的边缘检测不同,TEST1中的边缘检测,是在动态生成的MASK前景范围内检测。而针对TEST2,切分后的子区域宽度大致为原来的1/3,有效区域较小边缘检测的结果会受噪声的影响较大,所以TEST2采用的是整体边缘检测,再通过动态MASK进行过滤。
在3个划分后的子区域,分别进行边缘检测,再将3个子区域的边缘检测结果拼接作为完整的边缘检测结果。具体的边缘检测算法可采用canny检测等。
14.动态生成MASK
MASK的生成与TEST1相同,依据上述的边缘检测结果,以MASK的前景来过滤边缘检测的结果,检测到位置在MASK前景中的认为是曲线部分,否则认为是背景。经过MASK过滤后的作为最终的边缘检测结果,并以此为依据计算置信度。
15.置信度的计算与矫正
TEST2在水平方向和竖直方向上都有可见度上的变化,故需给出7*3=21个置信度分数,计算方法与TEST1相同。不同的是,在分别计算出21个置信度后,需要按合理性进行矫正。原则上,可见度在竖直方向上自上而下越来越低,在水平方向上自左而右越来越低。故依照这个原则对前面计算出来的置信度做一个整体上的微调,得到最后的输出结果。结果示意图如图10所示,为了展示较清晰,用Y和N来代替分数,选择一个分数为阈值,如0.4,则大于0.4为可见,小于0.4为不可见,图中Y表示可见,N表示不可见。
16.TEST3算法测试
在确定TEST3区域中每一个子区域位置的基础上,进行每个子区域的线对分辨。识别方案如图7所示。
17.灰度化处理
与TEST2相同。
18.二值化处理
为了提取出感兴趣的前景目标,将其与背景进行区分,我们对灰度图像进行二值化处理,将256个亮度等级的灰度图像通过适当的阈值选取而获得可以反映图像整体和局部特征的二值化图像。所有灰度大于或等于阈值的像素被判定为前景目标,其灰度值用255表示,否则这些像素点被排除在目标区域以外,灰度值为0,表示背景区域。图像二值化有利于图像的进一步处理,使图像变得简单,数据量减小,且能凸显出感兴趣目标的轮廓。
19.形态学处理
腐蚀与膨胀作为基本的形态学操作,具有消除图像噪声、分割或连接图像相邻元素及寻找图像中的明显极大值或极小值区域等功能。腐蚀与膨胀操作是将图像或图像的部分区域与核进行卷积。核可以是任意的形状和大小,它拥有一个单独定义出来的参考点,称为锚点,多数情况下,核是一个小的中间带有参考点的实心正方形或者圆盘,这里选取5*5的正方形。对二值图像中的背景区域进行操作,计算核覆盖区域像素点的最小值(或最大值),并把这个最小值(或最大值)赋给参考点指定的像素,使得高亮部分范围缩小(或扩张),从而突出目标线对。为了减少噪声的影响,并突出TEST3区域的线对目标,我们采用闭运算对二值图像进行处理:先采用膨胀操作去除线对附近噪点以及某些线对内部的小接触点,然后采用腐蚀操作增强各线条轮廓,便于后续检测。
20.检测图像轮廓并确定置信度
在此基础上,利用图像处理中的轮廓检测方法提取出线对目标的轮廓,并通过统计多个轮廓值设置有效轮廓阈值,滤除无效轮廓对后续判定的影响,并计算各个线对得分。分值根据实际检测轮廓数与期望轮廓数差值的绝对值s进行判断,当s为0时,得分1.0,表示实际检测轮廓数与期望轮廓数相等,线对分辨力最高;当s为1时,得分0.7,表示有少量轮廓较模糊,实际检测出的轮廓数与期望值有一定偏差,线对分辨力较高;当s为2时,得分0.5,表示轮廓模糊范围较大,但仍具有轮廓,线对分辨力较低;当s大于2时,得分为1/(s+1)+0.2,表示线对较模糊或被大片污染,难以检测出清晰轮廓,线对分辨力最差。在得出各个线对初步分值基础上,进一步考虑8个子区域大致分布的清晰情况设置相应分数的逻辑关系,使得测试卡3中每一横排前后线对间的实际得分符合人眼的主观判断,据此确定各个线对最后的判决得分。置信度结果如图12所示。
21.TEST4检测算法
TEST4检测的不是线,是圆形区域。共分为2个部分,左侧的可见度高于右侧部分,在每个部分里,可见度从上至下依次降低。整体流程如图13所示。
22.形态学处理
灰度化处理与二值化处理均于TEST3中相同,形态学处理与TEST3中不同的是,TEST4采用的是开运算:先腐蚀后膨胀,用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显的改变其面积。得到每个圆形区域的大体形状。如图14所示。
23.置信度计算和矫正
根据上述得到的结果,计算每个圆形区域的有效像素数的占比。如何确定有效像素数,需要定义几个像素有效的标准:1)圆形区域的分布,水平方向上大致位置中间位置;2)竖直方向划分五个子区域,是否平均分布在5个区域内;3)圆形区域的面积不能过大或过小,过大可能是受背景影响,过小可能是受噪声影响,故需设定一个阈值,来作为最优面积。置信度的计算以上述标准为依据,越符合标准的置信度分数越高。另外,得到置信度后,与TEST3一样,也需要做置信度矫正,按从上至下可见度依次降低为原则。
此处TEST4由于显示器不同等因素,原图中圆形区域的可见度差别较大,但计算机的判断往往要比人眼锐利的多,如图14(a)所示。有些显示器原图中几乎看不到圆形区域,但计算机算法的识别结果却十分清晰,如图14(b)所示。所以,可以依据具体情况设定合理的阈值。
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 (5)
1.一种用于X光机图像解析度测试体定检的方法,其特征在于:该方法包括以下步骤:
S1:测试图像;
S2:区域定位;
S3:TEST1检测算法测试;
S4:TEST2检测算法测试;
S5:TEST3检测算法测试;
S6:TEST4检测算法测试;
所述步骤S1具体为:系统基于常见X光安检机获取的图像,对给定原始图像进行相应的图像处理,使图像呈现不同的表现形式,从而最大限度地准确判别图像中物体的材质和大小属性,反映X光安检机线的分辨力、空间分辨力、穿透分辨力和材料分辨力性能;
所述步骤S2具体为:基于一张X光机测试体的图像,首先自动定位到每个测试卡的位置;先根据标准箱中较明显的区域,即test1和test4区域,进行区域定位,再根据其它子区域与它们的相对位置进行进一步检测,从而确定所有子区域的位置;
对于较明显的TEST1、TEST2和TEST4区域,采用数据图像处理方式,利用颜色信息和区域面积来确定位置,进而确定TEST3区域的位置;对于TEST3中的每一个子区域,利用其灰度图像以及图像特点确定每一子块位置;
所述步骤S3具体为:输入图像,自适应划分子区域,动态生成MASK区域掩膜,边缘检测,置信度计算,输出得分;
所述自适应划分子区域具体为:
根据不同标准箱TEST1测试卡中7条曲线的分布基本一致,在定位整体位置后,估算出每一条曲线的位置,计算得到每一条曲线的boundingbox边界框,并以此划分7个子区域;
所述动态生成MASK具体为:
通过三角函数来拟合曲线的形状,其中设定波峰、波长参数为可调节参数,根据TEST1区域的宽和高来自动计算,为拟合的曲线设置一定的像素宽度,使之尽量覆盖原始图像中曲线的位置,此处拟合的有一定像素宽度的曲线区域为前景,其余像素区域为背景;
所述边缘检测具体为:
利用边缘检测算法,在每一个曲线的前景区域,即MASK的前景区域所对应的原始图像的像素区域内进行边缘检测,由于可见程度的不同,会出现检测到完整或部分的曲线,以此来计算曲线的置信度;
所述置信度计算具体为:
根据边缘检测的结果,在每一条曲线的前景区域内,计算边缘检测结果的占完整曲线的百分比,即置信度的值。
2.根据权利要求1所述的一种用于X光机图像解析度测试体定检的方法,其特征在于:所述步骤S4具体为:
灰度化处理:在进行图像处理和预处理时先进行图像的灰度化处理,减少图像的复杂度和信息处理量;
子区域切分:TEST2测试卡水平方向上共有3个子区域,即3个铝阶梯厚度;根据数据图像处理算法,采用水平方向上的灰度梯度计算,得到中间的两个梯度较大的边界,即划分成3个子区域;
平滑去噪:进行图像平滑预处理,降低噪声的影响;采用高斯平滑或者其他滤波器;
边缘检测:与TEST1的边缘检测不同,TEST1中的边缘检测,是在动态生成的MASK前景范围内检测;而针对TEST2,切分后的子区域宽度大致为原来的1/3,有效区域较小边缘检测的结果会受噪声的影响较大,所以TEST2采用的是整体边缘检测,再通过动态MASK进行过滤;
在3个划分后的子区域,分别进行边缘检测,再将3个子区域的边缘检测结果拼接作为完整的边缘检测结果;具体的边缘检测算法采用canny检测;
动态生成MASK:MASK的生成与TEST1相同,依据上述的边缘检测结果,以MASK的前景来过滤边缘检测的结果,检测到位置在MASK前景中的认为是曲线部分,否则认为是背景;经过MASK过滤后的作为最终的边缘检测结果,并以此为依据计算置信度;
置信度的计算与矫正:TEST2在水平方向和竖直方向上都有可见度上的变化,给出7*3=21个置信度分数,计算方法与TEST1相同;不同的是,在分别计算出21个置信度后,需要按合理性进行矫正;原则为:可见度在竖直方向上自上而下越来越低,在水平方向上自左而右越来越低;依照该原则对前面计算出来的置信度做一个整体上的微调,得到最后的输出结果。
3.根据权利要求2所述的一种用于X光机图像解析度测试体定检的方法,其特征在于:所述步骤S5具体为:
在确定TEST3区域中每一个子区域位置的基础上,进行每个子区域的线对分辨;
灰度化处理:与TEST2相同;
二值化处理:为提取出感兴趣的前景目标,将其与背景进行区分,对灰度图像进行二值化处理,将256个亮度等级的灰度图像通过适当的阈值选取而获得反映图像整体和局部特征的二值化图像;所有灰度大于或等于阈值的像素被判定为前景目标,其灰度值用255表示,否则这些像素点被排除在目标区域以外,灰度值为0,表示背景区域;
形态学处理:腐蚀与膨胀作为基本的形态学操作,具有消除图像噪声、分割或连接图像相邻元素及寻找图像中的明显极大值或极小值区域功能;腐蚀与膨胀操作是将图像或图像的部分区域与核进行卷积;核是任意的形状和大小,拥有一个单独定义出来的参考点,称为锚点,核是一个小的中间带有参考点的实心正方形或者圆盘;对二值图像中的背景区域进行操作,计算核覆盖区域像素点的最小值或最大值,并把这个最小值或最大值赋给参考点指定的像素,使得高亮部分范围缩小或扩张,从而突出目标线对;为减少噪声的影响,并突出TEST3区域的线对目标,采用闭运算对二值图像进行处理:先采用膨胀操作去除线对附近噪点以及某些线对内部的小接触点,然后采用腐蚀操作增强各线条轮廓,便于后续检测;
检测图像轮廓并确定置信度:利用图像处理中的轮廓检测方法提取出线对目标的轮廓,并通过统计多个轮廓值设置有效轮廓阈值,滤除无效轮廓对后续判定的影响,并计算各个线对得分;分值根据实际检测轮廓数与期望轮廓数差值的绝对值s进行判断,当s为0时,得分1.0,表示实际检测轮廓数与期望轮廓数相等,线对分辨力最高;当s为1时,得分0.7,表示有少量轮廓较模糊,实际检测出的轮廓数与期望值有一定偏差,线对分辨力较高;当s为2时,得分0.5,表示轮廓模糊范围较大,但仍具有轮廓,线对分辨力较低;当s大于2时,得分为1/(s+1)+0.2,表示线对较模糊或被大片污染,难以检测出清晰轮廓,线对分辨力最差;在得出各个线对初步分值基础上,进一步考虑8个子区域大致分布的清晰情况设置相应分数的逻辑关系,使得测试卡3中每一横排前后线对间的实际得分符合人眼的主观判断,据此确定各个线对最后的判决得分。
4.根据权利要求3所述的一种用于X光机图像解析度测试体定检的方法,其特征在于:所述步骤S6具体为:
TEST4检测的不是线,是圆形区域;共分为2个部分,左侧的可见度高于右侧部分,在每个部分里,可见度从上至下依次降低;
形态学处理:灰度化处理与二值化处理均与 TEST3中相同,形态学处理与TEST3中不同的是,TEST4采用的是开运算:先腐蚀后膨胀,用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显的改变其面积;得到每个圆形区域的大体形状;
置信度计算和矫正:根据上述得到的结果,计算每个圆形区域的有效像素数的占比;确定有效像素数,需要定义像素有效的标准:
1)圆形区域的分布,水平方向上大致位置中间位置;
2)竖直方向划分五个子区域,是否平均分布在5个区域内;
3)圆形区域的面积不能过大或过小,设定一个阈值,作为最优面积;
置信度的计算以上述标准为依据,越符合标准的置信度分数越高;
另外,得到置信度后,与TEST3一样,也要做置信度矫正,以从上至下可见度依次降低为原则。
5.基于权利要求1~4中任一项所述方法的用于X光机图像解析度测试体定检的系统,其特征在于:该系统包括X光机、图像解析度测试体和定检模块;
所述X光机采集图像解析度测试体的图像;
所述定检模块根据采集到的图像解析度测试体的图像,判断该X光机的线分辨力、穿透分辨力、空间分辨力和穿透力能力;
所述图像解析度测试体共包括4个测试卡,分别用于测试不同的分辨能力;具体为线分辨力测试卡TEST1、穿透分辨力测试卡TEST2、空间分辨力测试卡TEST3和穿透力测试卡TEST4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629765.6A CN109870730B (zh) | 2018-12-28 | 2018-12-28 | 一种用于x光机图像解析度测试体定检的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629765.6A CN109870730B (zh) | 2018-12-28 | 2018-12-28 | 一种用于x光机图像解析度测试体定检的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109870730A CN109870730A (zh) | 2019-06-11 |
CN109870730B true CN109870730B (zh) | 2020-11-20 |
Family
ID=66917341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811629765.6A Active CN109870730B (zh) | 2018-12-28 | 2018-12-28 | 一种用于x光机图像解析度测试体定检的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109870730B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889807B (zh) * | 2019-11-20 | 2023-04-07 | 公安部第一研究所 | 一种通道式x射线安检设备图像处理方法 |
CN111242905B (zh) * | 2020-01-06 | 2021-03-26 | 科大讯飞(苏州)科技有限公司 | 一种x光样本图像的生成方法、生成设备和存储装置 |
CN112329572B (zh) * | 2020-10-27 | 2022-07-22 | 苏州中科先进技术研究院有限公司 | 一种基于边框和闪光点的快速静态活体检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831606A (zh) * | 2012-08-01 | 2012-12-19 | 中国科学院自动化研究所 | 在医学影像中获取发音器官轮廓的方法 |
CN205538747U (zh) * | 2016-01-25 | 2016-08-31 | 公安部第一研究所 | 一种测试体及测试工装 |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 |
CN109060850A (zh) * | 2018-07-20 | 2018-12-21 | 中国科学院电工研究所 | 一种Nano CT成像质量检测用的分辨率测试卡及其制备方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7286634B2 (en) * | 2002-12-23 | 2007-10-23 | Select Technologies, Llc | Method and apparatus for improving baggage screening examination |
CN102521874B (zh) * | 2011-11-24 | 2014-03-12 | 黑龙江科技学院 | 一种基于图像重建三维数据的法线重采样方法 |
CN203116709U (zh) * | 2013-01-18 | 2013-08-07 | 中国民航科学技术研究院 | 一种用于检测货运x射线安全检查设备的测试装置 |
CN103115591B (zh) * | 2013-01-18 | 2015-08-05 | 中国民航科学技术研究院 | 一种用于检测货运x射线安全检查设备的测试装置 |
CN103340643B (zh) * | 2013-06-09 | 2014-12-10 | 成都军区昆明总医院 | 应用多功能标准体模对ct关键技术指标进行检测的方法 |
CN203576527U (zh) * | 2013-12-04 | 2014-05-07 | 江苏省计量科学研究院 | 一种数字影像综合测试模体 |
CN103996168B (zh) * | 2014-01-21 | 2017-02-01 | 公安部第一研究所 | 一种基于区域自适应处理的x射线安全检查图像增强方法 |
US9934603B2 (en) * | 2015-04-22 | 2018-04-03 | The Phantom Laboratory, Incorporated | Three-dimensional resolution gauge for evaluating performance of tomographic imaging systems |
CN106408616B (zh) * | 2016-11-23 | 2019-02-26 | 山西大学 | 一种ct成像中投影图背景不一致的校正方法 |
CN207679467U (zh) * | 2017-06-06 | 2018-08-03 | 泰山医学院 | 一种测试多种医学x射线设备成像质量的体模 |
CN108181328A (zh) * | 2017-12-08 | 2018-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种用于检测x光机材料分辨力的方法及系统 |
-
2018
- 2018-12-28 CN CN201811629765.6A patent/CN109870730B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831606A (zh) * | 2012-08-01 | 2012-12-19 | 中国科学院自动化研究所 | 在医学影像中获取发音器官轮廓的方法 |
CN205538747U (zh) * | 2016-01-25 | 2016-08-31 | 公安部第一研究所 | 一种测试体及测试工装 |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、系统、存储介质及设备 |
CN109060850A (zh) * | 2018-07-20 | 2018-12-21 | 中国科学院电工研究所 | 一种Nano CT成像质量检测用的分辨率测试卡及其制备方法 |
Non-Patent Citations (3)
Title |
---|
"X射线安检机系统设计与实现";马伟;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20140315(第3(2014)期);第C040-14页 * |
"基于二值化的数学形态学生物图像边缘检测算法";汪毅 等;《大连海洋大学学报》;20081231(第6(2008)期);第493-496页 * |
"工业CT性能测试及检测模体研制";霍彬彬;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415(第4(2018)期);第I138-2378页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109870730A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
EP2485041B1 (en) | Method for processing body inspection image and body inspection device | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
US6185320B1 (en) | Method and system for detection of lesions in medical images | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN109870730B (zh) | 一种用于x光机图像解析度测试体定检的方法及系统 | |
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
CN109948562B (zh) | 一种基于x射线图像的安检系统深度学习样本生成方法 | |
US5212637A (en) | Method of investigating mammograms for masses and calcifications, and apparatus for practicing such method | |
CN111815630A (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
KR101635461B1 (ko) | 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 | |
CN111179225A (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
WO2013148566A1 (en) | Image blur detection | |
CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
US7630534B2 (en) | Method for radiological image processing | |
CN108108740B (zh) | 一种主动毫米波人体图像性别识别方法 | |
Li et al. | An improved water surface images segmentation algorithm based on the Otsu method | |
CN114612346A (zh) | 一种x射线背散射图像伪彩色处理算法 | |
CN110246139B (zh) | 基于双阈值的浮游生物原位图像roi快速提取方法 | |
CN103822932A (zh) | 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 | |
CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
CN114170165A (zh) | 一种芯片表面缺陷检测方法和装置 | |
JP2004045356A (ja) | 表面欠陥検出方法 | |
KR20050022320A (ko) | 결함 검사 방법 및 장치 |
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 |