CN111091569B - 一种局部参数自适应的工业ct图像分割方法 - Google Patents

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

一种局部参数自适应的工业CT图像分割方法

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σ_obj和背景像素方差σ_bac，而后计算σ_obj和σ_bac的差的绝对值σ_dif,令σ_dif为目标函数，利用遗传算法优化找到使σ_dif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σ_obj，与分割结果中背景对应的原图像中的像素方差为σ_bac，σ_obj和σ_bac的差的绝对值为σ_dif，步骤包括：

1)令i＝1,j＝1,σ_bac＝0,σ_obj＝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σ_dif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O_ij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O_ij灰度大于T，将分割结果中对应像素R_ij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,σ_bac＝0,σ_obj＝0,σ_dif＝0；将原图像O中第i行、第j列像素O_ij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σ_dif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O_ij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O_ij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σ_dif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{S_bac}；

2)计算集合{S_bac}中像素的方差σ_bac；

3)找到原图像中分别与局部窗口中目标对应的像素集和{S_obj}；

4)计算集合{S_obj}中像素的方差σ_obj；

5)计算σ_dif＝|σ_bac-σ_obj|。

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σ_local；

3)计算阈值T＝μ×(1+p×e^-q×μ)+k×((σ_local/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σ_obj，与分割结果中背景对应的原图像中的像素方差为σ_bac，σ_obj和σ_bac的差的绝对值为σ_dif，步骤包括：

1)令i＝1，j＝1，σ_bac＝0，σ_obj＝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σ_dif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σ_dif达到最小值时的Phansalkar算法参数；

其中，计算局部窗口内σ_dif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{S_bac}：

2)计算集合{S_bac}中像素的方差σ_bac；

3)找到原图像中分别与局部窗口中目标对应的像素集和{S_obj}；

4)计算集合{S_obj}中像素的方差σ_obj；

5)计算σ_dif＝|σ_bac-σ_obj|；

步骤(2)：局部窗口分割；对当前中心像素O_ij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σ_local；

3)计算阈值T＝μ×(1+p×e^-q×μ)+k×((σ_local/r)-1))；

其中，用阈值T对当前像素进行分割的步骤包括：

1)若O_ij灰度大于T，将分割结果中对应像素R_ij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)。