CN111091569B - 一种局部参数自适应的工业ct图像分割方法 - Google Patents
一种局部参数自适应的工业ct图像分割方法 Download PDFInfo
- Publication number
- CN111091569B CN111091569B CN201911052700.4A CN201911052700A CN111091569B CN 111091569 B CN111091569 B CN 111091569B CN 201911052700 A CN201911052700 A CN 201911052700A CN 111091569 B CN111091569 B CN 111091569B
- Authority
- CN
- China
- Prior art keywords
- sigma
- algorithm
- local
- window
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003709 image segmentation Methods 0.000 title claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
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
- G06T2207/30—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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种局部参数自适应的工业CT图像分割方法,提供一种能较好地对灰度不均匀图像进行分割的算法,即基于Phansalkar算法,利用遗传算法优化找到使目标像素方差与背景像素方差的绝对差值达到最小时的Phansalkar算法参数,将优化所得参数作为Phansalkar算法参数对当前窗口分割。此算法能较好地分割灰度不均匀图像,且此方法无参数,可移植性好。
Description
技术领域
本发明属于工业CT图像处理领域,涉及一种局部参数自适应的工业CT图像分割方法。
背景技术
工业CT图像分割技术是工业CT无损检测技术的重要环节,其精度直接影响工业CT检测精度,因此,提高工业CT图像分割精度十分重要。工业CT图像分割的难点在于其分割精度不足,不能满足工业测量要求。主要原因在于,工业CT图像中包含大量干扰信息,例如噪声、伪影和低对比度等,导致图像分割时易产生误分割,导致最终检测精度下降。
工业CT图像分割算法均是由自然图像分割算法演变而来,因为自然图像分割算法不强调精度,因此,需要针对工业CT图像的特征对自然图像分割算法进行改进。为提高工业CT图像分割结果的精度,需要开发可同时处理图像噪声、伪影、并对低对比度图像处理结果优的算法。现有的算法主要分为模板法、阈值分割法、模糊聚类法、活动轮廓模型法等。
其中,模板法将等检测件的标准件进行扫描,得到其CT图像作为标准图像,而后通过找出标准件与被测试件不同的方法,分割工业CT图像,此算法只适用于工业CT图像中的缺陷分割。而阈值法因其对伪影、噪声适应性较差,只适用于无伪影噪声的图像。模糊聚类法对初始聚类中心敏感易陷入极值且没有考虑空间信息对噪声敏感。活动轮廓模型法抗噪性较好,对伪影处理结果不理想。
目前大多数分割方法无法完成具有伪影和噪声的图像的高精度分割,并且易产生误分割。阮健等人在《CT理论与应用研究》(2010,19(1):56-61)的文章“一种工业CT图像的分割算法”提出了一种适用于工业CT图像的分割算法,首先利用最大类间方差法和图像处理方法处理了外层伪影,然后利用聚类迭代的方法处理中心空气,得到感兴趣的区域。实验结果表明,此算法能够对具有先验知识的工业断层图像准确地提取感兴趣的区域。邱钊等人在《计算机工程》(2004,30(8):159-161)中的文章“基于边缘信息的工业CT图像分割法”提出了采用多尺度二维小波变换模极大值作为分裂合并图像分割的一致性度量,采用四叉树结构作为图像块的初始划分,设置合适的门限值抑制噪声的干扰并提取出图像边缘信息。向新程等人在《原子能科学技术》(2007,41(3))中的文章“二维直方图阈值法分割工业CT图像的研究”提出了对CT图像先后采用了比特窗算法进行预处理和二维直方图阈值法进行分割,实现一类工件缺陷的分割。然而上述方法对零件的伪影处理结果仍不能满足高精度分割要求,且对零件形状有一定封闭性要求,可移植性差。
发明内容
针对传统工业CT图像处理方法对图像中的伪影和噪声的分割结果精度不足的问题,本发明提供一种基于局部参数自适应的工业CT图像分割方法,对图像中的每一个局部窗口,改变Phansalkar算法的参数,同时计算当前参数组对应的分割结果,并计算与分割结果中目标背景对应的原图像中的目标像素方差σobj和背景像素方差σbac,而后计算σobj和σbac的差的绝对值σdif,令σdif为目标函数,利用遗传算法优化找到使σdif达到最小值的参数组,相应分割结果为当前窗口分割结果。此算法能较好地分割灰度不均匀图像,且此方法无参数,可移植性好。
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)基于遗传算法的局部窗口内参数自适应优化,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,局部窗口边长为15,当前局部窗口分割结果为R,与局部分割结果中目标对应的原图像局部窗口中的像素方差为σobj,与分割结果中背景对应的原图像中的像素方差为σbac,σobj和σbac的差的绝对值为σdif,步骤包括:
1)令i=1,j=1,σbac=0,σobj=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)利用遗传算法求得使当前局部窗口内σdif达到最小值时的Phansalkar算法参数(p,q,k,r);
(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,将第(1)步自适应优化所得参数作为Phansalkar算法参数并计算阈值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:本发明提供的局部参数自适应的工业CT图像分割方法,可自适应地计算各局部窗口内使分割结果最优的Phansalkar算法参数,从而有效地分割含有伪影和噪声的CT图像,且分割精度高,算法可移植性好。
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512×512的含伪影CT原图像O,执行以下步骤:
(1)局部窗口参数自适应计算:令i=1,j=1,S=15,σbac=0,σobj=0,σdif=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;利用遗传算法求得使当前局部窗口内σdif达到最小值时的Phansalkar算法参数(p,q,k,r);
(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,利用第(1)步计算所得参数作为Phansalkar算法参数并计算阈值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R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H<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σdif的具体步骤为:
1)找到原图像中分别与局部窗口中背景对应的像素集和{Sbac};
2)计算集合{Sbac}中像素的方差σbac;
3)找到原图像中分别与局部窗口中目标对应的像素集和{Sobj};
4)计算集合{Sobj}中像素的方差σobj;
5)计算σdif=|σbac-σobj|。
在上述步骤(2)中,窗口内用Phansalkar算法计算阈值T的具体步骤为:
1)计算当前窗口内所有像素的灰度均值μ;
2)计算当前窗口内所有像素的灰度方差σlocal;
3)计算阈值T=μ×(1+p×e-q×μ)+k×((σlocal/r)-1))。
与其它现有流行分割方法相比,基于局部参数自适应的工业CT图像分割方法对于包含伪影和噪声的工业CT图像分割精度较高,能有效地规避伪影对于分割结果的影响,且具有较好的移植性,可适用于不同类型零件的CT图像分割精度,同时该算法抗噪性较好、无参数,是一种能较好地分割受噪声和伪影污染的工业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)
1.一种局部参数自适应的工业CT图像分割方法,其特征在于包括下述步骤:
步骤(1):基于遗传算法的局部窗口内参数自适应优化;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,局部窗口边长为15,当前局部窗口分割结果为R,与局部分割结果中目标对应的原图像局部窗口中的像素方差为σobj,与分割结果中背景对应的原图像中的像素方差为σbac,σobj和σbac的差的绝对值为σdif,步骤包括:
1)令i=1,j=1,σbac=0,σobj=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)利用遗传算法求得使当前局部窗口内σdif达到最小值时的Phansalkar算法参数(p,q,k,r);
求得使当前局部窗口内σdif达到最小值时的Phansalkar算法参数;
其中,计算局部窗口内σdif的具体步骤包括:
1)找到原图像中分别与局部窗口中背景对应的像素集和{Sbac}:
2)计算集合{Sbac}中像素的方差σbac;
3)找到原图像中分别与局部窗口中目标对应的像素集和{Sobj};
4)计算集合{Sobj}中像素的方差σobj;
5)计算σdif=|σbac-σobj|;
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,将步骤(1)自适应优化所得参数作为Phansalkar算法参数并计算阈值T,利用T对当前像素进行分割;
其中,窗口内用Phansalkar算法计算阈值T的具体步骤包括:
1)计算当前窗口内所有像素的灰度均值μ;
2)计算当前窗口内所有像素的灰度方差σlocal;
3)计算阈值T=μ×(1+p×e-q×μ)+k×((σlocal/r)-1));
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 |
---|---|---|---|
CN201911052700.4A CN111091569B (zh) | 2019-10-31 | 2019-10-31 | 一种局部参数自适应的工业ct图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911052700.4A CN111091569B (zh) | 2019-10-31 | 2019-10-31 | 一种局部参数自适应的工业ct图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091569A CN111091569A (zh) | 2020-05-01 |
CN111091569B true CN111091569B (zh) | 2024-02-13 |
Family
ID=70393035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911052700.4A Active CN111091569B (zh) | 2019-10-31 | 2019-10-31 | 一种局部参数自适应的工业ct图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091569B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010004491A (ja) * | 2008-06-23 | 2010-01-07 | Sharp Corp | 画像処理装置、画像形成装置、画像処理方法、画像処理プログラム、およびコンピュータ読取可能な記録媒体 |
CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
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 |
CN105809175A (zh) * | 2014-12-30 | 2016-07-27 | 深圳先进技术研究院 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
CN107742297A (zh) * | 2017-09-13 | 2018-02-27 | 西北工业大学 | 一种三维ct图像的局部三维最大类间方差分割方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7773803B2 (en) * | 2006-05-11 | 2010-08-10 | Xerox Corporation | Effective coding of page boundary for MRC/MECCA segmentation |
-
2019
- 2019-10-31 CN CN201911052700.4A patent/CN111091569B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010004491A (ja) * | 2008-06-23 | 2010-01-07 | Sharp Corp | 画像処理装置、画像形成装置、画像処理方法、画像処理プログラム、およびコンピュータ読取可能な記録媒体 |
CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
CN105809175A (zh) * | 2014-12-30 | 2016-07-27 | 深圳先进技术研究院 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
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 |
CN107742297A (zh) * | 2017-09-13 | 2018-02-27 | 西北工业大学 | 一种三维ct图像的局部三维最大类间方差分割方法 |
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 (3)
Title |
---|
A CBCT series slice image segmentation method;zheng jia;《Journal of X-Ray Science and Technology》;全文 * |
改进二维最大类间方差法及其在黄瓜目标分割中的应用;孙俊;;农业工程学报(第10期);全文 * |
数字图像分割方法研究;杨建菊;;凯里学院学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111091569A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
US20180114313A1 (en) | Medical Image Segmentation Method and Apparatus | |
CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN102609904A (zh) | 双变量非局部平均滤波x射线图像消噪方法 | |
CN106296763B (zh) | 一种金属材料工业ct图像质量快速校正方法 | |
CN102360503B (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN109087310B (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
Hamad et al. | Brain's tumor edge detection on low contrast medical images | |
CN115147710A (zh) | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 | |
CN111445511B (zh) | 一种图像中圆的检测方法 | |
CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
CN105913425B (zh) | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 | |
CN112801992A (zh) | 基于3d残差网络的肺结节图像分类方法 | |
Ramya et al. | A robust segmentation algorithm using morphological operators for detection of tumor in MRI | |
CN115147613A (zh) | 一种基于多向融合的红外小目标检测方法 | |
Zhuang et al. | Local fuzzy fractal dimension and its application in medical image processing | |
CN104952071A (zh) | 一种基于灰度空间相关的最大类间方差图像分割算法 | |
CN112381084B (zh) | 断层图像的轮廓自动识别方法 | |
CN111091569B (zh) | 一种局部参数自适应的工业ct图像分割方法 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN114764810A (zh) | 一种医学图像分割方法 | |
CN112348826A (zh) | 一种基于测地线距离和V-net的交互式肝脏分割方法 | |
CN112634280B (zh) | 基于能量泛函的mri图像脑肿瘤分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |