CN110517204B - 一种x射线探测器的噪声消除方法及装置、探测器 - Google Patents

一种x射线探测器的噪声消除方法及装置、探测器 Download PDF

Info

Publication number
CN110517204B
CN110517204B CN201910818997.4A CN201910818997A CN110517204B CN 110517204 B CN110517204 B CN 110517204B CN 201910818997 A CN201910818997 A CN 201910818997A CN 110517204 B CN110517204 B CN 110517204B
Authority
CN
China
Prior art keywords
image
noise
target
network model
fitting
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
CN201910818997.4A
Other languages
English (en)
Other versions
CN110517204A (zh
Inventor
史永明
王纯
欧歌
吴琼
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.)
BOE Technology Group Co Ltd
Beijing BOE Technology Development Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Beijing BOE Technology Development 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 BOE Technology Group Co Ltd, Beijing BOE Technology Development Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910818997.4A priority Critical patent/CN110517204B/zh
Publication of CN110517204A publication Critical patent/CN110517204A/zh
Application granted granted Critical
Publication of CN110517204B publication Critical patent/CN110517204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G06T5/70—
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measurement Of Radiation (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种X射线探测器的噪声消除方法及装置、探测器，其中，所述方法包括：将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像；将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声。用于现有X射线探测器的去噪效果不佳。

Description

一种X射线探测器的噪声消除方法及装置、探测器
技术领域
本发明涉及图像处理领域，特别涉及一种X射线探测器的噪声消除方法及装置、探测器。
背景技术
在使用X射线探测器采集图像的过程中，往往会遇到各种各样的噪声。这些噪声不可避免地影响X射线探测器的成像质量。
现有技术中，要么基于空间域或频域的滤波方式来去噪；要么线对噪声进行采样，然后再扣除噪声的方式来去噪。然而，前者去噪能力有限，后者由于要对噪声进行采样，时间成本高。
可见，现有X射线探测器的去噪效果不佳。
发明内容
本发明实施例提供了一种X射线探测器的噪声消除方法及装置、探测器，用于解决现有X射线探测器的去噪效果不佳的技术问题。
第一方面，本发明实施例提供了一种X射线探测器的噪声消除方法，包括：
将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像；
将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声。
在本发明实施例的技术方案中，首先，将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像。然后，将采集到的曝光图像和该目标噪声拟合图像进行相减操作，这样便消除了曝光图像中的噪声。由于整个过程直接利用目标生成网络模型产生目标噪声拟合图像，然后将曝光图像减去该目标噪声拟合图像，便实现了对该曝光图像的快速去噪，提高了X射线探测器的去噪效果。
可选地，所述将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声，包括：
确定用于表征对所述曝光图像的去噪程度的比例系数；
将所述目标噪声拟合图像乘以所述比例系数之后，获得调整后的目标噪声拟合图像；
将所述曝光图像和所述调整后的目标噪声图像进行相减操作，消除所述曝光图像中的噪声。
在本发明实施例的技术方案中，首先，确定用于表征对曝光图像的去噪程度的比例系数，然后，将该目标噪声拟合图像乘以该比例系数，获得调整后的目标噪声拟合图像。也就是说，通过比例调节，调整拟合噪声的叠加程度。然后，将曝光图像和调整后的目标噪声拟合图像进行相减操作，也就是说，将二者进行差值去噪，从而实现了对曝光图像的灵活去噪，提高了X射线探测器的去噪效果。
可选地，在所述将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像之前，所述方法还包括：
输入训练样本至待训练的生成网络模型，所述待训练的生成网络模型包括生成网络和判别网络，其中，所述训练样本包括暗场采集到的多个噪声图像；
通过所述生成网络和所述判别网络，获得损失函数；
将所述损失函数低于预设阈值时所对应的生成网络模型，作为所述目标生成网络模型。
可选地，所述通过所述生成网络和所述判别网络，获得损失函数，包括：
根据初始化条件，通过所述生成网络生成噪声拟合图像；
对暗场采集到的任一噪声图像进行对比度归一化，获得对比度归一化后的噪声图像；
对所述噪声拟合图像进行对比度归一化，获得对比度归一化后的拟合图像；
通过所述判别网络将所述对比度归一化后的噪声图像和所述对比度归一化后的拟合图像进行对比，获得损失函数。
可选地，对所述噪声拟合图像进行对比度归一化的计算公式可表示为：
可选地，所述损失函数的计算公式可表示为：
Figure BDA0002187001030000031
其中，G表示所述对比度归一化后的拟合图像，N表示所述对比度归一化后的噪声图像，L表示所述损失函数，m和n为所述X射线探测器的分辨率。
可选地，在获得损失函数之后，所述方法还包括：
若所述损失函数大于或者等于所述预设阈值，则更新所述生成网络的参数矩阵，获得更新后的生成网络。
可选地，所述更新所述生成网络的参数矩阵具体过程可表示为：
Figure BDA0002187001030000032
其中，W表示所述生成网络的参数矩阵，α表示每次更新的更新速率。
可选地，所述更新后的生成网络的参数矩阵中任一参数值可表示为：
Figure BDA0002187001030000033
其中，w表示为所述更新后的生成网络的参数矩阵中任一参数值，N表示为暗场采集的噪声图像，P表示为对所述噪声图像的最大似然估计，I为初始化条件。
第二方面，本发明实施例还提供了一种X射线探测器噪声消除装置，包括：
输出模块，用于将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像；
去噪模块，用于将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声。
第三方面，本发明实施例提供了一种X射线探测器，所述探测器包括图像采集装置和如第二方面所述的噪声消除装置。
附图说明
图1为本发明实施例提供的一种X射线探测器的噪声消除方法的流程示意图；
图2为本发明实施例提供的一种X射线探测器的噪声消除方法中步骤S102的方法流程示意图；
图3为本发明实施例提供的一种X射线探测器的噪声消除方法中在步骤S101之前的方法流程示意图；
图4为本发明实施例提供的一种X射线探测器的噪声消除方法中步骤S302的方法流程示意图；
图5为本发明实施例提供的一种X射线探测器的噪声消除方法中生成网络和判别网络的相互协同过程示意图；
图6为本发明实施例提供的一种X射线探测器的噪声消除方法中去噪过程的示意图；
图7为本发明实施例提供的一种X射线探测器噪声消除装置的结构示意图；
图8为本发明实施例提供的一种X射线探测器噪声消除装置的结构示意图。
具体实施方式
本发明的说明书和权利要求书及上述附图中的“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
图1为本发明实施例提供的一种X射线探测器的噪声消除方法的方法流程图，具体来讲，该噪声消除方法包括：
S101：将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像；
在具体实施过程中，目标生成网络模型为预先对待训练的生成网络模型进行训练之后所得到的。该目标生成网络模型中的参数是训练过程完成后固定下来的值。其中，X射线探测器暗场采集到的目标图像具体为未曝光的噪声图像。
S102：将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声。
在具体实施过程中，曝光图像具体为X射线探测器曝光采集到的真实影像图像。由于整个去噪过程，直接利用生成对抗技术来拟合噪声图像，并将该拟合噪声图像与曝光图像进行相减操作，从而实现了对曝光图像的灵活去噪，提高了X射线探测器的去噪效果。
在本发明实施例中，为了实现对曝光图像的灵活去噪，提高了X射线探测器的去噪效果，请参考图2，步骤S102：将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声，具体包括：
S201：确定用于表征对所述曝光图像的去噪程度的比例系数；
S202：将所述目标噪声拟合图像乘以所述比例系数之后，获得调整后的目标噪声拟合图像；
S203：将所述曝光图像和所述调整后的目标噪声图像进行相减操作，消除所述曝光图像中的噪声。
在具体实施过程中，步骤S201至步骤S203的具体实现过程如下：
首先，确定用于表征对曝光图像的去噪程度的比例系数，比如，该比例系数为50％，70％，等等。然后，将该目标噪声拟合图像乘以该比例系数，获得调整后的目标噪声拟合图像。然后，将该曝光图像和调整后的目标噪声拟合图像进行相减操作，从而消除了曝光图像中的噪声。比如，通过X射线探测器来对曝光图像进行50％的降噪处理，此时，比例系数为50％，以曝光图像为A，目标噪声拟合图像为B为例，将通过(A-50％×B)实现了曝光图像的降噪处理。
在具体实施过程中，具体可以通过比例调节来调整拟合噪声的叠加程度，从而实现了对曝光图像的灵活去噪，提高了X射线探测器的去噪效果。
在本发明实施例中，为了提高X射线探测器的去噪效果，请参考图3，在步骤S101：将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像之前，所述方法还包括：
S301：输入训练样本至待训练的生成网络模型，所述待训练的生成网络模型包括生成网络和判别网络，其中，所述训练样本包括暗场采集到的多个噪声图像；
S302：通过所述生成网络和所述判别网络，获得损失函数；
S303：将所述损失函数低于预设阈值时所对应的生成网络模型，作为所述目标生成网络模型。
在具体实施过程中，步骤S301至步骤S303的具体实现过程如下：
首先，根据初始条件确定待训练的生成网络模型，该初始条件比如高斯分布，正态分布等。其中，该待训练的生成网络模型包括生成网络和判别网络，该训练样本包括暗场采集到的多个噪声图像。通过该生成网络能够生成符合初始条件概率分布的噪声图像。判别网络将暗场采集到的噪声图像与生成网络生成的噪声图像进行对比，以此来确定是否更新生成网络。
然后，将训练样本输入至该待训练的生成网络模型，该训练样本包括暗场采集到的多个噪声图像。然后，通过生成网络和判别网络，获得损失函数，当该损失函数低于预设阈值时，结束对该待训练的生成网络模型的训练。其中，该预设阈值具体为本领域技术人员根据实际需要所设定的任一数值。此时，将训练后的生成网络模型作为目标生成网络模型。这样的话，便可以实现对暗场采集到的噪声图像进行最大似然估计，这时，生成网络所生成的噪声拟合图像比较接近暗场采集到的噪声图像。这样的话，通过该目标生成网络模型来去噪时，能够实现对曝光图像的最大程度的去噪，X射线探测器的去噪效果较好。
在本发明实施例中，请参考图4，步骤S302：通过所述生成网络和所述判别网络，获得损失函数的具体实现过程包括：
S401：根据初始化条件，通过所述生成网络生成噪声拟合图像；
S402：对暗场采集到的任一噪声图像进行对比度归一化，获得对比度归一化后的噪声图像；
S403：对所述噪声拟合图像进行对比度归一化，获得对比度归一化后的拟合图像；
S404：通过所述判别网络将所述对比度归一化后的噪声图像和所述对比度归一化后的拟合图像进行对比，获得损失函数。
在具体实施过程中，步骤S401至步骤S404的具体实现过程如下：
首先，根据初始化条件，通过生成网络生成噪声拟合图像，该初始条件比如高斯分布，正态分布等。也就是说，生成网络根据该初始条件生成符合某种概率分布的噪声图像。在具体实施过程中，为了提高训练过程中的收敛程度，分别对暗场采集到的噪声图像以及噪声拟合图像进行对比度归一化。具体来讲，对暗场采集到的任一噪声图像进行对比度归一化，获得对比度归一化后的噪声图像；对噪声拟合图像进行对比度归一化，获得对比度归一化后的拟合图像。此外，通过对暗场采集到的噪声图像进行对比度归一化，减小每次噪声采样结果的方差，避免训练样本标签的抖动。
在本发明实施例中，对暗场采集到的噪声图像或者是生成的图像均要进行对比度归一化，且对比度归一化的处理原理相同。以任一图像的对比度归一化为例，其归一化过程为：
Figure BDA0002187001030000081
其中，i，j，k分别表示该图像的行位置、列位置、颜色通道，m,n表示该图像的分辨率(即X射线探测器)，ε表示一个较小的数(比如，10^-9)，s表示对比度缩放因子，Xi,j,k表示该图像任一像素点灰度值，
Figure BDA0002187001030000082
表示该图像灰度均值，X'i,j,k表示经对比度归一化后的该任一像素点对应的灰度值。此外，ε能够有效避免除零操作。
在对暗场采集到的任一噪声图像以及噪声拟合图像分别进行对比度归一化之后，通过所述判别网络将所述对比度归一化后的噪声图像和所述对比度归一化后的拟合图像进行对比，获得损失函数。
在本发明实施例中，以G表示所述对比度归一化后的拟合图像，N表示所述对比度归一化后的噪声图像，则损失函数L的计算过程可表示为：
Figure BDA0002187001030000083
其中，m和n为所述X射线探测器的分辨率。
在本发明实施例中，在步骤S404：通过所述判别网络将所述对比度归一化后的噪声图像和所述对比度归一化后的拟合图像进行对比，获得损失函数之后，所述方法还包括：
若所述损失函数大于或者等于所述预设阈值，则更新所述生成网络的参数矩阵，获得更新后的生成网络。
在具体实施例中，若损失函数大于或者等于预设阈值，则根据反向传播方式，对生成网络的参数矩阵进行更新，具体实现过程为：
Figure BDA0002187001030000091
其中，W表示所述生成网络的参数矩阵，α表示每次更新的更新速率。
在具体实施例中，在对生成网络的参数矩阵进行更新之后，利用参数矩阵更新后的生成网络来再次进行拟合噪声，不断更新当前的生成网络的参数矩阵，直到损失函数小于预设阈值时，停止更新，结束对待训练的生成网络模型的训练，此时的生成网络模型(即目标生成网络模型)等价于在初始化条件下，对暗场采集到的噪声图像的最大似然估计。
在本发明实施例中，更新后的生成网络的参数矩阵中任一参数值可表示为：
Figure BDA0002187001030000092
其中，w表示为所述更新后的生成网络的参数矩阵中任一参数值，N表示为暗场采集的噪声图像，P表示为对所述噪声图像的最大似然估计，I为初始化条件。
在本发明实施例中，待训练的生成网络模型中生成网络和判别网络的相互协同过程如图5所示。由于前述已经就生成网络和判别网络间的交互过程进行了解释说明，这里就不再赘述了。
在本发明实施例中，在确定出对噪声图像的最大似然估计的目标生成网络模型之后，便可以通过该模型对应的生成网络和差值去噪模块来实现对曝光图像的去噪过程，具体实现过程如图6所示。
基于同样的发明构思，如图7所示，本发明实施例还提供了一种X射线探测器噪声消除装置，包括：
输出模块10，用于将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像；
去噪模块20，用于将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声。
在本发明实施例中，去噪模块20具体用于：
确定用于表征对所述曝光图像的去噪程度的比例系数；
将所述目标噪声拟合图像乘以所述比例系数之后，获得调整后的目标噪声拟合图像；
将所述曝光图像和所述调整后的目标噪声图像进行相减操作，消除所述曝光图像中的噪声。
在本发明实施例中，所述X射线探测器噪声消除装置还包括处理模块，该处理模块具体用于：
输入训练样本至待训练的生成网络模型，所述待训练的生成网络模型包括生成网络和判别网络，其中，所述训练样本包括暗场采集到的多个噪声图像；
通过所述生成网络和所述判别网络，获得损失函数；
将所述损失函数低于预设阈值时所对应的生成网络模型，作为所述目标生成网络模型。
在本发明实施例中，所述处理模块还用于：
根据初始化条件，通过所述生成网络生成噪声拟合图像；
对暗场采集到的任一噪声图像进行对比度归一化，获得对比度归一化后的噪声图像；
对所述噪声拟合图像进行对比度归一化，获得对比度归一化后的拟合图像；
通过所述判别网络将所述对比度归一化后的噪声图像和所述对比度归一化后的拟合图像进行对比，获得损失函数。
在本发明实施例中，所述损失函数的计算公式可表示为：
Figure BDA0002187001030000101
其中，G表示所述对比度归一化后的拟合图像，N表示所述对比度归一化后的噪声图像，L表示所述损失函数，m和n为所述X射线探测器的分辨率。
在本发明实施例中，所述处理模块还用于：
若所述损失函数大于或者等于所述预设阈值，则更新所述生成网络的参数矩阵，获得更新后的生成网络。
在本发明实施例中，所述更新所述生成网络的参数矩阵具体过程可表示为：
Figure BDA0002187001030000111
其中，W表示所述生成网络的参数矩阵，α表示每次更新的更新速率。
在本发明实施例中，所述更新后的生成网络的参数矩阵中任一参数值可表示为：
Figure BDA0002187001030000112
其中，w表示为所述更新后的生成网络的参数矩阵中任一参数值，N表示为暗场采集的噪声图像，P表示为对所述噪声图像的最大似然估计，I为初始化条件。
基于同样的发明构思，本发明实施例还提供了一种X射线探测器，该探测器包括图像采集装置和如上面所述的噪声消除装置。
请参考图8，为本发明实施例提供的X射线探测器噪声消除装置的结构示意图，该计算机装置包括：处理器30、存储器40、收发机50以及总线接口。
处理器30负责管理总线架构和通常的处理，存储器40可以存储处理器30在执行操作时所使用的数据。收发机50用于在处理器30的控制下接收和发送数据。
总线架构可以包括任意数量的互联的总线和桥，具体由处理器30代表的一个或多个处理器和存储器40代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。处理器30负责管理总线架构和通常的处理，存储器40可以存储处理器30在执行操作时所使用的数据。
本发明实施例揭示的流程，可以应用于处理器30中，或者由处理器30实现。在实现过程中，信号处理流程的各步骤可以通过处理器30中的硬件的集成逻辑电路或者软件形式的指令完成。处理器30可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的X射线探测器的噪声消除方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器40，处理器30读取存储器40中的信息，结合其硬件完成信号处理流程的步骤。
具体地，所述处理器30，用于读取存储器40中的程序，执行上述X射线探测器的噪声消除方法所述的任一步骤。
基于相同的技术构思，本申请实施例还提供了一种存储介质，其上存储有计算机程序。该计算机程序被处理器执行时实现前述X射线探测器的噪声消除方法所述的任一步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种X射线探测器的噪声消除方法，其特征在于，包括：
将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像，所述目标图像具体为未曝光的噪声图像，所述目标生成网络模型为预先对待训练的生成网络模型进行训练之后所得到的，所述待训练的生成网络模型包括生成网络和判别网络；
通过所述生成网络和所述判别网络，获得损失函数，包括：
根据初始化条件，通过所述生成网络生成噪声拟合图像；
对暗场采集到的任一噪声图像进行对比度归一化，获得对比度归一化后的噪声图像；
对所述噪声拟合图像进行对比度归一化，获得对比度归一化后的拟合图像；
通过所述判别网络将所述对比度归一化后的噪声图像和所述对比度归一化后的拟合图像进行对比，获得损失函数；
所述对比度归一化过程为：
Figure FDA0003474684850000011
其中，i，j，k分别表示相应图像的行位置、列位置、颜色通道，m,n表示该图像的分辨率，ε表示一个小数，s表示对比度缩放因子，Xi,j,k表示该图像任一像素点灰度值，
Figure FDA0003474684850000012
表示该图像灰度均值，X'i,j,k表示经对比度归一化后的该任一像素点对应的灰度值；
将所述损失函数低于预设阈值时所对应的生成网络模型，作为所述目标生成网络模型；
将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声，所述曝光图像具体为所述X射线探测器曝光采集到的真实影响图像。
2.如权利要求1所述的方法，其特征在于，所述将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声，包括：
确定用于表征对所述曝光图像的去噪程度的比例系数；
将所述目标噪声拟合图像乘以所述比例系数之后，获得调整后的目标噪声拟合图像；
将所述曝光图像和所述调整后的目标噪声图像进行相减操作，消除所述曝光图像中的噪声。
3.如权利要求1所述的方法，其特征在于，在所述将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像之前，所述方法还包括：
输入训练样本至待训练的生成网络模型，其中，所述训练样本包括暗场采集到的多个噪声图像。
4.如权利要求1所述的方法，其特征在于，所述损失函数的计算公式可表示为：
Figure FDA0003474684850000021
其中，G表示所述对比度归一化后的拟合图像，N表示所述对比度归一化后的噪声图像，L表示所述损失函数，m和n为所述X射线探测器的分辨率。
5.如权利要求4所述的方法，其特征在于，在获得损失函数之后，所述方法还包括：
若所述损失函数大于或者等于所述预设阈值，则更新所述生成网络的参数矩阵，获得更新后的生成网络。
6.如权利要求5所述的方法，其特征在于，所述更新所述生成网络的参数矩阵具体过程可表示为：
Figure FDA0003474684850000022
其中，W表示所述生成网络的参数矩阵，α表示每次更新的更新速率。
7.如权利要求5所述的方法，其特征在于，所述更新后的生成网络的参数矩阵中任一参数值可表示为：
Figure FDA0003474684850000031
其中，w表示为所述更新后的生成网络的参数矩阵中任一参数值，N表示为暗场采集的噪声图像，P表示为对所述噪声图像的最大似然估计，I为初始化条件。
8.一种X射线探测器噪声消除装置，其特征在于，包括：
输出模块，用于将暗场采集到的目标图像输入预先确定的目标生成网络模型，输出目标噪声拟合图像，所述目标图像具体为未曝光的噪声图像，所述目标生成网络模型为预先对待训练的生成网络模型进行训练之后所得到的，所述待训练的生成网络模型包括生成网络和判别网络；
所述X射线探测器噪声消除装置还包括处理模块，所述处理模块具体用于通过所述生成网络和所述判别网络，获得损失函数；
所述处理模块还用于：
根据初始化条件，通过所述生成网络生成噪声拟合图像；
对暗场采集到的任一噪声图像进行对比度归一化，获得对比度归一化后的噪声图像；
对所述噪声拟合图像进行对比度归一化，获得对比度归一化后的拟合图像；
通过所述判别网络将所述对比度归一化后的噪声图像和所述对比度归一化后的拟合图像进行对比，获得损失函数；
所述归一化过程为：
Figure FDA0003474684850000032
其中，i，j，k分别表示相应图像的行位置、列位置、颜色通道，m,n表示该图像的分辨率，ε表示一个小数，s表示对比度缩放因子，Xi,j,k表示该图像任一像素点灰度值，
Figure FDA0003474684850000041
表示该图像灰度均值，X'i,j,k表示经对比度归一化后的该任一像素点对应的灰度值；
将所述损失函数低于预设阈值时所对应的生成网络模型，作为所述目标生成网络模型；
去噪模块，用于将采集到的曝光图像和所述目标噪声拟合图像进行相减操作，消除所述曝光图像中的噪声，所述曝光图像具体为所述X射线探测器曝光采集到的真实影响图像。
9.一种X射线探测器，其特征在于，所述探测器包括图像采集装置和如权利要求8所述的噪声消除装置。
CN201910818997.4A 2019-08-30 2019-08-30 一种x射线探测器的噪声消除方法及装置、探测器 Active CN110517204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910818997.4A CN110517204B (zh) 2019-08-30 2019-08-30 一种x射线探测器的噪声消除方法及装置、探测器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910818997.4A CN110517204B (zh) 2019-08-30 2019-08-30 一种x射线探测器的噪声消除方法及装置、探测器

Publications (2)

Publication Number Publication Date
CN110517204A CN110517204A (zh) 2019-11-29
CN110517204B true CN110517204B (zh) 2022-05-20

Family

ID=68629953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910818997.4A Active CN110517204B (zh) 2019-08-30 2019-08-30 一种x射线探测器的噪声消除方法及装置、探测器

Country Status (1)

Country Link
CN (1) CN110517204B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644401A (zh) * 2017-08-11 2018-01-30 西安电子科技大学 基于深度神经网络的乘性噪声去除方法
CN108765319A (zh) * 2018-05-09 2018-11-06 大连理工大学 一种基于生成对抗网络的图像去噪方法
CN109146824A (zh) * 2018-09-27 2019-01-04 福州瑞芯微电子股份有限公司 一种图像降噪处理方法及一种存储设备
CN109636746A (zh) * 2018-11-30 2019-04-16 上海皓桦科技股份有限公司 图像噪声去除系统、方法及设备
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6214819B1 (ja) * 2015-05-06 2017-10-18 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 微分位相コントラストｘ線撮像における暗視野信号の最適なエネルギ加重
EP3314572B1 (en) * 2015-06-26 2019-08-07 Koninklijke Philips N.V. Edge detection on images with correlated noise
JP2017139691A (ja) * 2016-02-05 2017-08-10 ソニー株式会社 画像処理装置および画像処理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644401A (zh) * 2017-08-11 2018-01-30 西安电子科技大学 基于深度神经网络的乘性噪声去除方法
CN108765319A (zh) * 2018-05-09 2018-11-06 大连理工大学 一种基于生成对抗网络的图像去噪方法
CN109146824A (zh) * 2018-09-27 2019-01-04 福州瑞芯微电子股份有限公司 一种图像降噪处理方法及一种存储设备
CN109636746A (zh) * 2018-11-30 2019-04-16 上海皓桦科技股份有限公司 图像噪声去除系统、方法及设备
CN109859147A (zh) * 2019-03-01 2019-06-07 武汉大学 一种基于生成对抗网络噪声建模的真实图像去噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于深度残差学习去噪的D-D模型对抗样本防御的研究;胡育铭;《中国优秀硕士学位论文全文数据库信息科技辑》;20181115;第12-31页 *
基于生成对抗训练的协同图像去噪和超分辨率重建的深度网络研究;陈立;《中国优秀硕士学位论文全文数据库信息科技辑》;20190715;第41-45页 *
胡育铭.基于深度残差学习去噪的D-D模型对抗样本防御的研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2018, *

Also Published As

Publication number Publication date
CN110517204A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN108776834B (zh) 系统增强学习方法和装置、电子设备、计算机存储介质
CN110363748B (zh) 关键点的抖动处理方法、装置、介质及电子设备
CN109636746B (zh) 图像噪声去除系统、方法及设备
CN109035167B (zh) 对图像中的多个人脸进行处理的方法、装置、设备和介质
CN108241855B (zh) 图像生成方法和装置
CN110211082B (zh) 一种图像融合方法、装置、电子设备及存储介质
CN111325671B (zh) 网络训练方法、装置、图像处理方法及电子设备
CN113158773B (zh) 一种活体检测模型的训练方法及训练装置
CN110517204B (zh) 一种x射线探测器的噪声消除方法及装置、探测器
CN111222446B (zh) 人脸识别方法、人脸识别装置及移动终端
CN113421317B (zh) 一种生成图像的方法、系统及电子设备
CN114913098A (zh) 图像处理超参数优化方法、系统、设备及存储介质
CN111723926B (zh) 用于确定图像视差的神经网络模型的训练方法和训练装置
CN112153298B (zh) 确定目标对象理想亮度的方法及装置
CN115619652A (zh) 图像盲去噪方法、装置、电子设备和存储介质
CN109993694B (zh) 一种生成超分辨率图像的方法及装置
CN111932514A (zh) 一种图像噪声水平估计、抑制方法、装置及电子设备
CN110956621A (zh) 一种基于神经网络的组织癌变的检测方法及系统
CN114189612B (zh) 摄像头的安装角度确定方法、装置及终端设备
CN112836819B (zh) 一种神经网络模型生成方法及装置
CN116739608B (zh) 基于人脸识别方式的银行用户身份验证方法及系统
CN111815656B (zh) 视频处理方法、装置、电子设备和计算机可读介质
CN114782287B (zh) 动作数据修正方法、装置、设备及存储介质
CN115908962B (zh) 神经网络的训练方法、脉冲信号重构图像生成方法及装置
CN113269812B (zh) 图像预测模型的训练及应用方法、装置、设备、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