CN111047601A - 一种局部窗口大小自适应的工业ct图像分割方法 - Google Patents
一种局部窗口大小自适应的工业ct图像分割方法 Download PDFInfo
- Publication number
- CN111047601A CN111047601A CN201911159068.3A CN201911159068A CN111047601A CN 111047601 A CN111047601 A CN 111047601A CN 201911159068 A CN201911159068 A CN 201911159068A CN 111047601 A CN111047601 A CN 111047601A
- Authority
- CN
- China
- Prior art keywords
- local window
- calculating
- image
- current
- segmentation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003709 image segmentation Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 230000036039 immunity Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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]
-
- 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种局部窗口大小自适应的工业CT图像分割方法，提供一种参数自适应的、抗噪性好的、有效的CT图像分割算法，即根据局部窗口内和局部窗口外的能量自适应地计算不同中心像素点的局部窗口尺寸，而后利用大津阈值法对当前局部窗口进行分割，大大提高了灰度不均匀图像的分割精度，且抗噪性较好，分割结果不受参数影响。
Description
技术领域
本发明属于工业CT图像处理领域，涉及一种局部窗口大小自适应的工业CT图像分割方法。
背景技术
工业CT图像分割技术具有广泛的应用价值，可应用于传统检测手段难检测零件的检测，其精度决定工业CT零件检测精度。目前工业CT图像分割方法主要可以分为基于模板的图像分割、基于阈值的图像分割、基于边缘的图像分割、基于区域特性的图像分割、基于模糊聚类的算法等。主要方法有阈值法、活动轮廓模型法、边缘算子检测法、区域生长法、模糊聚类法、标定法等。
基于模板的图像分割主要用于工业CT的缺陷检测中，其原理为先扫描一个无缺陷的标准件，而后将此作为图像模板，将真实件扫描图像与此图像模板作减，求差异图像，从而检测零件中的缺陷。此方法简单直观，但难获得无缺陷的标准件，因此检测精度不高，且对每个零件都需要制一个标准件，成本高。
基于阈值的图像分割算法不需要制造标准件，它利用计算所得阈值对零件CT图像直接进行分割。其关键在于阈值的计算策略，不同阈值分割算法对于阈值的计算策略不同，因此，不同阈值算法对于同一图像的分割结果可能不同。阈值法的优点为简单易实现，但其结果易受噪声及伪影影响。
基于边缘的分割方法则利用领域内图像灰度的不连续性来检测不同区域之间的边界，从而实现图像分割。边缘检测算法运算速度快，但是得到的边缘常常不连续，且此算法抗噪性能差，受背景灰度不均影响较大。
基于区域特性的分割技术与上述三种方法不同，它同时考虑了图像中相邻像素的相似性和像素在空间上的邻接性，因此可有效消除孤立噪声的干扰，具有很强的鲁棒性，且能够将分割深入到像素级，因此可以保证较高的分割精度。
基于模糊聚类的分割技术则是将模糊C均值聚类及其演变算法应用于图像分割中，将图像中像素的灰度值看作一组数值，寻找数值的聚类中心从而对其进行分类。聚类方法抗噪性好，但是算法较为复杂，对伪影处理结果不理想。
然而，目前大多数分割算法对于含伪影的图像分割结果不够理想，且极易产生误分割。马建华等人在《电子学报》(2009,37(8):1779-1783)中的文章“基于最大互信息量熵差分割的CT金属伪影消除”提出了一种基于图像最大互信息量熵差分割的CT金属伪影消除算法，将原始CT投影数据减除金属物对应的投影数据部分，而后利用所求索引函数完成原始CT投影数据中的反馈式插值处理，得到修正的投影数据，减除金属物对应的投影数据部分，达到去除伪影的目的。然而随着物体结构改变伪影不同，因此此算法可移植性差。张学松等人在《CT理论与应用研究》(2016，25(5)：539-546)中的文章“基于Radon变换的CT图像杯状伪影校正”提出了一种先构建带有未知系数的校正模型，然后将校正模型与理想图像对比，当它们之间的差异最小时，确定出校正模型的未知系数。利用确定出来的系数和预校正图像软组织的投影信息组合成的校正模型校正实际CT图像，以此消除实际CT图像中的硬化杯状伪影。然而此算法只对杯状伪影有效，并不适用于其它伪影图像的分割。
发明内容
针对传统工业CT图像处理方法对含伪影图像分割精度不足的问题，本发明提供一种局部窗口大小自适应的工业CT图像分割方法，不断增加局部窗口的尺寸，同时计算不同局部窗口尺寸时局部窗口内的能量和局部窗口外的能量，当局部窗口内的能量大于0且局部窗口外的能量也大于0时，利用Otsu算法对当前局部窗口进行分割。此算法能较好地分割灰度不均匀图像，抗噪性较好，分割结果不受参数影响。
本发明解决其技术问题所采用的技术方案包括以下步骤：
(1)局部窗口大小计算，设原图像O的长为H，宽为W，灰度级为L，i表示行，j表示列，第i行第j列像素为中心的局部窗口边长为Sij，局部窗口内的能量为Fin，局部窗口外的能量为Fout，分割结果为R，步骤包括：
1)令i＝1，j＝1，Sij＝3，Fin＝0，Fout＝0；
2)将原图像O中第i行、第j列像素设为当前局部窗口中心；
3)计算当前局部窗口内的能量为Fin和局部窗口外的能量为Fout，若Fin＞0且Fout＞0，则当前局部窗口大小合适，转到步骤(2)；否则当前窗口大小不合适，Sij＝Sij+2并转到步骤(1)中的步骤1)；
(2)局部窗口分割：对当前中心像素Oij所在局部窗口内的所有像素，利用最大类间方差法计算阈值T，利用T对当前像素进行分割，若Oij灰度大于T，将分割结果中对应像素Rij的灰度置为L-1，否则置为0；
(3)结束判断：若i＝H且j＝W则结束；若j＜W则j＝j+1，转到步骤(1)；若i＜H且j＝W则i＝i+1，j＝1，转到步骤(1)。
本发明的有益效果是：本发明提供的一种局部窗口大小自适应的工业CT图像分割方法，可自适应地计算各中心像素合适的局部窗口大小，从而有效地分割含有伪影的CT图像，并将分割误差控制在可接受范围内。
下面结合附图和实施例对本发明进一步说明。
附图说明
图1为本发明算法流程示意图。
具体实施方式
利用本方法对灰度级为256，大小为1024×1024的含伪影CT原图像O，执行以下步骤：
(1)局部窗口大小计算：令i＝1，j＝1，Sij＝3，Fin＝0，Fout＝0；将原图像O中第i行、第j列像素Oij设为当前局部窗口中心；计算当前局部窗口内的能量为Fin和局部窗口外的能量为Fout，若Fin＞0且Fout＞0，则当前局部窗口大小合适，转到步骤(2)；否则当前窗口大小不合适，Sij＝Sij+2并重复本步骤；
(2)局部窗口分割：对当前中心像素Oij所在局部窗口内的所有像素，利用最大类间方差法计算阈值T，利用T对当前像素进行分割，若Oij灰度大于T，将分割结果中对应像素Rij的灰度置为L-1，否则置为0；
(3)结束判断：若i＝H且j＝W则结束；若j＜W则j＝j+1，转到步骤(1)；若i＜H且j＝W则i＝i+1，j＝1，转到步骤(1)。
在上述步骤(1)中，计算局部窗口内能量Fin的具体步骤为：
1)计算当前局部窗口内像素的灰度均值C1；
2)求图像中所有像素与C1的差的绝对值的平方，将所有平方值相加等于Fin。
在上述步骤(1)中，计算局部窗口外能量Fout的具体步骤为：
1)计算当前局部窗口外像素的灰度均值C2；
2)求图像中所有像素与C2的差的绝对值的平方，将所有平方值相加等于Fout。
在上述步骤(2)中，窗口内用最大类间方差法计算阈值T的具体步骤为：
1)计算当前窗口内每个灰度级的概率和数量；
2)计算阈值分别取各灰度级时的背景概率、目标概率、背景均值、目标均值、背景方差、目标方差；
3)遍历各灰度级，求得使类间方差达到最大阈值T。
与其它现有流行分割方法相比，本发明提供的一种局部窗口大小自适应的工业CT图像分割方法对于包含伪影的图像有较好分割效果，能有效地将目标和图像中的伪影区分开，且能够获得较连续完整的分割结果，分割精度较高，抗噪性较好，且无参数，是一种能较好地分割含伪影CT图像的高精度分割方法，表明了本发明方法的可行性和有效性。
Claims (1)
1.一种局部窗口大小自适应的工业CT图像分割方法，其特征在于包括下述步骤：
步骤(1)：局部窗口大小计算；设原图像O的长为H，宽为W，灰度级为L，i表示行，j表示列，第i行第j列像素为中心的局部窗口边长为Sij，局部窗口内的能量为Fin，局部窗口外的能量为Fout，分割结果为R，具体步骤包括：
1)令i＝1，j＝1，Sij＝3，Fin＝0，Fout＝0；
2)将原图像O中第i行、第j列像素设为当前局部窗口中心；
3)计算当前局部窗口内的能量为Fin和局部窗口外的能量为Fout，若Fin＞0且Fout＞0，则当前局部窗口大小合适，转到步骤(2)；否则当前窗口大小不合适，Sij＝Sij+2并转到步骤(1)中的步骤1)；
其中计算局部窗口内能量Fin的具体步骤包括：
1)计算当前局部窗口内像素的灰度均值C1；
2)求图像中所有像素与C1的差的绝对值的平方，将所有平方值相加等于Fin；
其中计算局部窗口外能量Fout的具体步骤包括：
1)计算当前局部窗口外像素的灰度均值C2；
2)求图像中所有像素与C2的差的绝对值的平方，将所有平方值相加等于Fout；
步骤(2)：局部窗口分割；对当前中心像素Oij所在局部窗口内的所有像素，利用最大类间方差法计算阈值T，利用T对当前像素进行分割；
其中用最大类间方差法计算阈值T的具体步骤为：
1)计算当前窗口内每个灰度级的概率和数量；
2)计算阈值分别取各灰度级时的背景概率、目标概率、背景均值、目标均值、背景方差、目标方差；
3)遍历各灰度级，求得使类间方差达到最大阈值T；
其中，用阈值T对当前像素进行分割的步骤包括：
1)若Oij灰度大于T，将分割结果中对应像素Rij的灰度置为L-1，否则置为0；
步骤(3)：结束判断；若i＝H且j＝W则结束；若j＜W则j＝j+1，转到步骤(1)；若i＜H且j＝W则i＝i+1，j＝1，转到步骤(1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911159068.3A CN111047601A (zh) | 2019-11-22 | 2019-11-22 | 一种局部窗口大小自适应的工业ct图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911159068.3A CN111047601A (zh) | 2019-11-22 | 2019-11-22 | 一种局部窗口大小自适应的工业ct图像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111047601A true CN111047601A (zh) | 2020-04-21 |
Family
ID=70233214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911159068.3A Pending CN111047601A (zh) | 2019-11-22 | 2019-11-22 | 一种局部窗口大小自适应的工业ct图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111047601A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678773A (zh) * | 2016-01-12 | 2016-06-15 | 西北工业大学 | 一种低对比度图像分割方法 |
| CN105701807A (zh) * | 2016-01-12 | 2016-06-22 | 西北工业大学 | 一种基于投票策略的图像分割方法 |
| WO2017133217A1 (en) * | 2016-02-03 | 2017-08-10 | Boe Technology Group Co., Ltd. | Method and apparatus for infrared thermal image contour extraction |
| CN109087326A (zh) * | 2018-09-18 | 2018-12-25 | 辽宁工业大学 | 基于局部自适应的Otsu算法 |
| CN109816681A (zh) * | 2019-01-10 | 2019-05-28 | 中国药科大学 | 基于自适应局部阈值二值化的水体微生物图像分割方法 |
-
2019
- 2019-11-22 CN CN201911159068.3A patent/CN111047601A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678773A (zh) * | 2016-01-12 | 2016-06-15 | 西北工业大学 | 一种低对比度图像分割方法 |
| CN105701807A (zh) * | 2016-01-12 | 2016-06-22 | 西北工业大学 | 一种基于投票策略的图像分割方法 |
| WO2017133217A1 (en) * | 2016-02-03 | 2017-08-10 | Boe Technology Group Co., Ltd. | Method and apparatus for infrared thermal image contour extraction |
| CN109087326A (zh) * | 2018-09-18 | 2018-12-25 | 辽宁工业大学 | 基于局部自适应的Otsu算法 |
| CN109816681A (zh) * | 2019-01-10 | 2019-05-28 | 中国药科大学 | 基于自适应局部阈值二值化的水体微生物图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| JIA ZHENG: "Adaptive windowed range-constrained Otsu method using local information" * |
| 龙邦媛: "基于改进导向滤波算法的低剂量CT图像处理" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428433B (zh) | 一种基于局部阈值的Canny边缘检测算法 | |
| CN102156996B (zh) | 一种图像边缘检测的方法 | |
| CN107742297B (zh) | 一种三维ct图像的局部三维最大类间方差分割方法 | |
| CN109064418B (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
| Qiang et al. | An edge-detection method based on adaptive canny algorithm and iterative segmentation threshold | |
| CN107169972B (zh) | 一种非合作目标快速轮廓跟踪方法 | |
| CN107169979A (zh) | 一种改进Canny算子的图像边缘检测方法 | |
| CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
| CN113808193B (zh) | 一种基于分块阈值的光斑质心定位方法 | |
| CN112991193B (zh) | 深度图像修复方法、设备及计算机可读存储介质 | |
| CN104463814A (zh) | 基于局部纹理方向性的图像增强方法 | |
| CN106296763B (zh) | 一种金属材料工业ct图像质量快速校正方法 | |
| CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
| CN111724315B (zh) | 一种基于自适应加权中值滤波的红外图像噪声去除方法 | |
| CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
| CN106600610B (zh) | 一种fcm图像分割方法及装置 | |
| CN105701818A (zh) | 基于区域划分和梯度引导的图像多目标分割c-v方法 | |
| CN109559318B (zh) | 基于积分算法的局部自适应图像阈值处理方法 | |
| CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
| CN110706254B (zh) | 一种目标跟踪模板自适应更新方法 | |
| CN111639556B (zh) | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 | |
| CN111047601A (zh) | 一种局部窗口大小自适应的工业ct图像分割方法 | |
| CN112102189A (zh) | 一种线结构光光条中心线提取方法 | |
| CN106504260B (zh) | 一种fcm图像分割方法和系统 | |
| CN105701807B (zh) | 一种基于投票策略的图像分割方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200421 |