CN112819723A - 一种高能x射线图像盲复原方法及系统 - Google Patents
一种高能x射线图像盲复原方法及系统 Download PDFInfo
- Publication number
- CN112819723A CN112819723A CN202110161528.7A CN202110161528A CN112819723A CN 112819723 A CN112819723 A CN 112819723A CN 202110161528 A CN202110161528 A CN 202110161528A CN 112819723 A CN112819723 A CN 112819723A
- Authority
- CN
- China
- Prior art keywords
- image
- variable
- fuzzy
- kernel
- max
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000009021 linear effect Effects 0.000 claims abstract description 12
- 238000002939 conjugate gradient method Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 8
- 230000005764 inhibitory process Effects 0.000 claims description 6
- OFHCOWSQAMBJIW-AVJTYSNKSA-N alfacalcidol Chemical compound C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C\C=C1\C[C@@H](O)C[C@H](O)C1=C OFHCOWSQAMBJIW-AVJTYSNKSA-N 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/20076—Probabilistic image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高能X射线图像盲复原方法及系统。首先,根据高能X射线图像灰度分布集中且连续的特性,提出图像区域极值的定义;然后,采用l0范数约束图像的区域极值和模糊核,结合图像的梯度先验,在MAP框架上构建图像盲复原模型;接着,通过半二次分裂法及快速傅里叶变换交替求解清晰图像与模糊核,并采用线性近似和加速共轭梯度法来加速子问题的求解;最后,通过骨架提取与遍历的方法获取初步估计的模糊核的主要结构信息,在模糊核交叉滑动窗口内构造连续函数进行优化,并利用优化后的模糊核k对模糊图像非盲去卷积,得到清晰图像。本发明更好地去除高能X射线图像中的系统模糊,提高图像的质量,为图像的非线性重建估计出更加准确的模糊核。
Description
技术领域
本发明涉及一种高能X射线图像盲复原方法及系统,属于图像处理技术领域。
背景技术
在目前诊断和测试核武器的技术中,高能X射线照相常常被用来诊断客体在爆炸轰炸过程中的密度信息以及结构信息变化,在国防领域具有非常重要的意义。高能X射线照相成像图像的质量明显影响着诊断测试的效果。由于其成像系统的复杂性,在成像、传输和接收等多个过程中容易产生各种退化因素,因此成像存在噪声大、含畸变、模糊严重等问题,使得图像质量不佳。去除模糊退化的影响获得更高质量的图像是X射线照相诊断技术的前提,需要用到图像复原技术。
目前,基于边缘估计、神经网络及MAP框架下的图像盲复原方法在实际中得到了广泛的应用。而基于边缘估计的方法对图像边界信息的提取要求很高,对系统模糊影响的X射线图像而言,并不能确保一定能提取到其有效边界信息;由于X射线图像数据集的限制,神经网络相关方法难以实施;基于MAP框架的图像盲复原方法通过引入各种先验来克服图像复原的病态性,但由于X射线图像灰度集中且连续的特点,现有的先验条件难以满足提高X射线图像质量的要求。
发明内容
本发明所要解决的技术问题是克服现有技术对高能X射线图像的复原效果不佳、对模糊核估计的准确度不足的缺陷,提供一种高能X射线图像盲复原方法。
为解决上述技术问题,本发明提供一种高能X射线图像盲复原方法,包括以下步骤:
步骤1:获取高能X射线模糊图像b,构建图像盲复原模型;将高能X射线模糊图像b输入至构建的图像盲复原模型,初始化模糊核k0,并根据模糊核k0设定最大迭代尺度Lmax及每一尺度的最大迭代次数Nmax,得到关于待恢复的清晰图像变量l的目标函数一、待求解的模糊核变量k的目标函数二;
步骤2:基于给定的高能X射线模糊图像b,固定模糊核变量k,根据目标函数一引入辅助变量,并将区域极值统一到同一模型中;引入等效线性算子,通过交替最小化及快速傅里叶变换对清晰图像变量l进行求解;
步骤3:基于给定的高能X射线模糊图像b,固定清晰图像变量l,根据目标函数二引入辅助变量,利用清晰图像变量l的梯度信息,通过交替最小化和加速共轭梯度法对模糊核变量k进行求解,得到初步估计的模糊核ke;
步骤4:得到初步估计的模糊核ke后,提取初步估计的模糊核ke的主要结构,并通过滑动交叉窗口对模糊核进行非连续性抑制,连续更新模糊核,最后对模糊核归一化,得到优化后的模糊核ky;随后利用优化后的模糊核ky对模糊图像b非盲去卷积,得到清晰图像ly。
一种高能X射线图像盲复原系统,包括以下程序模块:
模型构建模块:获取高能X射线模糊图像b,构建图像盲复原模型;将高能X射线模糊图像b输入至构建的图像盲复原模型,初始化模糊核k0,并根据模糊核k0设定最大迭代尺度Lmax及每一尺度的最大迭代次数Nmax,得到关于待恢复的清晰图像变量l的目标函数一、待求解的模糊核变量k的目标函数二;
图像变量求解模块:基于给定的高能X射线模糊图像b,固定模糊核变量k,根据目标函数一引入辅助变量,并将区域极值统一到同一模型中;引入等效线性算子,通过交替最小化及快速傅里叶变换对清晰图像变量l进行求解;
模糊核变量求解模块:基于给定的高能X射线模糊图像b,固定清晰图像变量l,根据目标函数二引入辅助变量,利用清晰图像变量l的梯度信息,通过交替最小化和加速共轭梯度法对模糊核变量k进行求解,得到初步估计的模糊核ke;
优化模块:得到初步估计的模糊核ke后,提取初步估计的模糊核ke的主要结构,并通过滑动交叉窗口对模糊核进行非连续性抑制,连续更新模糊核,对模糊核归一化,得到优化后的模糊核ky;利用优化后的模糊核ky对模糊图像b非盲去卷积,得到清晰图像ly。
本发明所达到的有益效果:本发明的高能X射线图像盲复原方法,采用稀疏先验对图像的区域极值与模糊核进行约束构建模糊核估计的目标函数,并引入半二次分裂策略计算模糊核。通过提取该模糊核的主结构并在滑动交叉窗口内构造核连续函数,抑制不连续的核元素,能够得到较准确的模糊核。该方法可以更好地去除高能X射线图像中的系统模糊,提高图像的质量,且能够为图像的非线性重建估计出更加准确的模糊核,为高能X射线图像的诊断与测量提供有效帮助。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种高能X射线图像盲复原方法,包括以下步骤:
步骤1:获取高能X射线模糊图像b,构建图像盲复原模型;将高能X射线模糊图像b输入至预先构建的图像盲复原模型,初始化模糊核k0,并根据模糊核k0设定最大迭代尺度Lmax及每一尺度的最大迭代次数Nmax,得到关于待恢复的清晰图像变量l的目标函数一、待求解的模糊核变量k的目标函数二;
具体包括以下步骤:
在数学上,图像退化可用清晰图像与模糊核的卷积模型并添加一定的噪声来表述:
图像盲复原是假设模糊图像已知,同时估计清晰图像和模糊核,由于模糊核与清晰图像并不唯一,因此该问题具有病态性,常常通过引入各种先验条件进行建模以克服其病态性,本发明定义图像的区域极值来促进高能X射线图像恢复至清晰状态。
步骤1.1定义模糊图像和清晰图像的区域极值,并将区域极值的范数作为先验条件;定义模糊核的范数,对模糊核的稀疏性进行约束;同时增加图像(在算法开始前是模糊图像b,随着复原求解过程逐渐收敛至求解的清晰图像变量l)梯度先验,图像梯度先验就是图像梯度的范数正则项,在最大后验概率(MAP)框架上构建如下图像盲复原模型:
其中,表示当式{…}取最小值时清晰图像变量l、模糊核变量k的取值,P(l,k|b)表示清晰图像变量l、模糊核变量k关于已知模糊图像b的后验概率,lg表示对数运算符,λ,η,μ,γ分别是权重系数一、权重系数二、权重系数三、权重系数四;是数据保真项,确保复原的清晰图像和模糊核的卷积输出与观测到的模糊图像相似;表示图像的梯度约束,该约束可以去除微小的梯度,保留清晰图像的梯度,表示图像梯度算子,表示水平方向梯度算子,表示竖直方向梯度算子,T表示矩阵转置符号;||k||0表示模糊核的先验条件,可以使模糊核变量k的解更加稳定且趋于稀疏;令函数ρ(l)=λ||Rmin(l)||0+η||1-Rmax(l)||0,表示图像的区域极值先验条件,用以保证模型的求解趋于恢复清晰的高能X射线图像的特征而非模糊图像的特征;
区域最小值Rmin(l)和区域最大值Rmax(l)的定义分别为:
其中,p和q表示像素的位置,Ω(p)表示以像素p为中心的图像邻域,Rmin(l)(p)和Rmax(l)(p)分别代表图像l在邻域Ω内像素的最小值与最大值,l(q)表示图像l在像素q处的像素值。
在目标函数一(5)中固定模糊核变量k求解清晰图像变量l,求解得到清晰图像变量l后,固定清晰图像变量l再优化目标函数二(6),交替优化目标函数一(5)和目标函数二(6)直到收敛,求得图像盲复原模型(2)的解
步骤2:基于给定的高能X射线模糊图像b,固定模糊核变量k,根据目标函数一(5)引入辅助变量,并将区域极值统一到同一模型中,引入等效线性算子,通过交替最小化及快速傅里叶变换对清晰图像变量l进行求解;
具体包括以下步骤:
引入辅助变量一p、辅助变量二q,辅助变量三g,分别对应区域最小值Rmin(l),1-Rmax(l)和图像l的梯度其中辅助变量三g=(gh,gv)T,gh表示辅助变量三g的水平方向分量,gv表示辅助变量三g的竖直方向分量,通过引入辅助变量一一对应,能解决模型的非凸和非线性,将模型转化为凸函数,例如引入p能写成这样便于求解;将目标函数一(5)改写为:
其中,α,β,ω分别是惩罚系数一、惩罚系数二、惩罚系数三,通过半二次分裂法交替计算清晰图像变量l、辅助变量一p、辅助变量二q,辅助变量三g;固定辅助变量一p、辅助变量二q,辅助变量三g,式(7)可改写为:
为一致性,将区域极小值与极大值统一到一个模型中,即:
1-Rmax(l)=Rmin(1-l) (9)
引入等效线性算子M,将图像像素映射到区域最小值Rmin上,即:
当求解的清晰图像le与原始清晰图像越接近时,等效线性算子M与区域最小值Rmin就越接近,那么,式(8)可改写为:
其中,Ml和M1-l分别对应区域最小值Rmin(l)和1-Rmax(l),然后利用快速傅里叶变换(FFT)求解得到:
固定清晰图像变量l,式(7)可改写为关于辅助变量一p、辅助变量二q,辅助变量三g的函数,三个函数均属于逐像素最小化问题:
可分别求解式(13)、式(14)、式(15)得到:
单竖线表示绝对值,双竖线表示范数;
将上一尺度求解得到的模糊核kilevel和图像lilevel作为该尺度迭代求解清晰图像l的初始值,对辅助变量一p,辅助变量二q,辅助变量三g,清晰图像变量l交替求解直至惩罚系数大于设定值,则完成此次迭代求解过程,在某一尺度上具体的求解清晰图像变量l的步骤如下:
1)设定该尺度迭代次数最大为Nmax,初始化当前迭代次数iter=1,λ=μ=η=设定值λ=μ=η=0.004,如0.004,ωmax=βmax=设定值,如1,αmax=设定值,如8;
求解有多个尺度,即循环多次,此步骤只说明了一个尺度;
2)对惩罚系数三ω进行赋值:ω←2η
3)若ω≤ωmax,ωmax为惩罚系数三的上限值,根据给定的上一尺度求解得到的图像lilevel通过式(10)求解等效线性算子M,通过式(15)求解辅助变量二q,并对惩罚系数二β进行赋值:β=2λ;
4)若β≤βmax,βmax为惩罚系数二的上限值,通过式(14)求解辅助变量一p,并对惩罚系数一α进行赋值:α=2μ;
5)若α≤αmax,αmax为惩罚系数一的上限值,通过式(13)求解辅助变量三g,通过式(12)求解图像liter;
6)惩罚系数一α、惩罚系数二β、惩罚系数三ω成倍数增长,直至不满足步骤3)、4)、5)的条件;
7)令iter=iter+1,重复步骤3)-步骤6),直至迭代次数iter>Nmax。
步骤3:基于给定的高能X射线模糊图像b,固定清晰图像变量l,根据目标函数二(6)引入辅助变量,利用清晰图像变量l的梯度信息,通过交替最小化和加速共轭梯度法对模糊核变量k进行求解,得到初步估计的模糊核ke;
引入辅助变量四h对应于模糊核变量k,利用图像的梯度信息,将目标函数二(6)改写为:
其中,ε为惩罚系数四,假设已知辅助变量四h,对模糊核变量k进行求解:
假设已知模糊核变量k,对辅助变量四h进行求解:
解得:
将上一尺度求解得到的模糊核kilevel和图像lilevel作为该尺度迭代求解模糊核变量k的初始值,对各变量交替求解直至惩罚系数大于设定值,则认为完成此次迭代求解过程。具体的求解模糊核变量k的步骤如下:
1)设定该尺度迭代次数最大为Nmax,初始化当前迭代次数iter=1;设定εmax=设定值,如1,γ=设定值,如0.002;
2)对惩罚系数四ε进行赋值:ε←2γ;
3)若惩罚系数四ε≤εmax,εmax为惩罚系数四的上限值,通过式(19)求解辅助变量四h,通过式(18)求解当前迭代下的模糊核变量kiter;
4)对惩罚系数四ε进行赋值:ε=2ε,直至不满足步骤3)的条件;
5)令iter=iter+1,重复步骤3)和步骤4),直至迭代次数iter>Nmax。
步骤4:得到初步估计的模糊核ke后,提取初步估计的模糊核ke的主要结构,并通过滑动交叉窗口对模糊核进行非连续性抑制,连续更新模糊核,最后对模糊核归一化,得到优化后的模糊核ky;随后利用优化后的模糊核ky对模糊图像b非盲去卷积,得到清晰图像ly。具体的优化模糊核ke的步骤如下:
1)采用骨架提取的方法获取模糊核的骨架结构,并采用边界提取算法,通过遍历模糊核中的非零像素点,并在遍历点周围寻找是否存在灰度值为零的像素点(即模糊核中背景区域的像素点),若存在,判定该点属于模糊核边界,若不存在,则继续遍历;对于像素点的分布(即模糊核的结构)而言,模糊核的骨架结构与边界信息共同构成模糊核的主要结构。
定义初步估计的模糊核ke的主要结构为S(ke),包括形状信息shape(ke)和强度信息strength(ke):
strength(ke(h,v))=shape(ke(h,v))×ke(h,v) (22)
骨架结构中包含形状信息和强度信息,边界信息中也包含形状信息和强度信息;
其中,(h,v)表示模糊核某一像素的位置信息,h表示水平坐标,v表示竖直坐标;ke表示初步估计的模糊核,ke(h,v)表示初步估计的模糊核ke在(h,v)处的像素值;模糊核主要结构与真实模糊核的主要结构越接近,表示优化的模糊核越准确,即:
为使式(23)达到最小,通过在滑动交叉窗口对模糊核主要结构的形状信息shape(ke)上的像素点进行遍历,构造模糊核连续函数,定义模糊核连续函数为:
C(h,v)=count (24)
将每个交叉窗口内的像素值不为0的元素个数count作为连续性的度量,对模糊核连续函数值大于滑动交叉窗口边长τw值的模糊核元素予以保留,并不断更新模糊核主要结构S(k),直至遍历完毕;
2)对模糊核进行归一化,得到优化后的模糊核ky;随后利用优化后的模糊核ky对模糊图像b非盲去卷积,得到清晰图像ly。
一种高能X射线图像盲复原系统,包括以下程序模块:
模型构建模块:获取高能X射线模糊图像b,构建图像盲复原模型;将高能X射线模糊图像b输入至构建的图像盲复原模型,初始化模糊核k0,并根据模糊核k0设定最大迭代尺度Lmax及每一尺度的最大迭代次数Nmax,得到关于待恢复的清晰图像变量l的目标函数一、待求解的模糊核变量k的目标函数二;
图像变量求解模块:基于给定的高能X射线模糊图像b,固定模糊核变量k,根据目标函数一引入辅助变量,并将区域极值统一到同一模型中;引入等效线性算子,通过交替最小化及快速傅里叶变换对清晰图像变量l进行求解;
模糊核变量求解模块:基于给定的高能X射线模糊图像b,固定清晰图像变量l,根据目标函数二引入辅助变量,利用清晰图像变量l的梯度信息,通过交替最小化和加速共轭梯度法对模糊核变量k进行求解,得到初步估计的模糊核ke;
优化模块:得到初步估计的模糊核ke后,提取初步估计的模糊核ke的主要结构,并通过滑动交叉窗口对模糊核进行非连续性抑制,连续更新模糊核,最后对模糊核归一化,得到优化后的模糊核ky;随后利用优化后的模糊核ky对模糊图像b非盲去卷积,得到清晰图像ly。
相较于其他方法,本发明可以更好地去除高能X射线图像中的系统模糊,提高图像的质量,且能够为图像的非线性重建估计出更加准确的模糊核,为高能X射线图像的诊断与测量提供有效帮助。
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实施例的方法、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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种高能X射线图像盲复原方法,其特征在于,包括以下步骤:
步骤1:获取高能X射线模糊图像b,构建图像盲复原模型;将高能X射线模糊图像b输入至构建的图像盲复原模型,初始化模糊核k0,并根据模糊核k0设定最大迭代尺度Lmax及每一尺度的最大迭代次数Nmax,得到关于待恢复的清晰图像变量l的目标函数一、待求解的模糊核变量k的目标函数二;
步骤2:基于给定的高能X射线模糊图像b,固定模糊核变量k,根据目标函数一引入辅助变量,并将区域极值统一到同一模型中;引入等效线性算子,通过交替最小化及快速傅里叶变换对清晰图像变量l进行求解;
步骤3:基于给定的高能X射线模糊图像b,固定清晰图像变量l,根据目标函数二引入辅助变量,利用清晰图像变量l的梯度信息,通过交替最小化和加速共轭梯度法对模糊核变量k进行求解,得到初步估计的模糊核ke;
步骤4:得到初步估计的模糊核ke后,提取初步估计的模糊核ke的主要结构,并通过滑动交叉窗口对模糊核进行非连续性抑制,连续更新模糊核,对模糊核归一化,得到优化后的模糊核ky;利用优化后的模糊核ky对模糊图像b非盲去卷积,得到清晰图像ly。
2.根据权利要求1所述的一种高能X射线图像盲复原方法,其特征在于:在步骤1中,具体包括以下步骤:
步骤1.1定义模糊图像和清晰图像的区域极值,并将区域极值的l0范数作为先验条件;定义模糊核的l0范数,对模糊核的稀疏性进行约束;同时增加图像梯度先验,在最大后验概率框架上构建如下图像盲复原模型:
其中,表示当式{…}取最小值时清晰图像变量l、模糊核变量k的取值,P(l,k|b)表示清晰图像变量l、模糊核变量k关于已知模糊图像b的后验概率,lg表示对数运算符,λ,η,μ,γ分别是权重系数一、权重系数二、权重系数三、权重系数四;是数据保真项;表示图像的梯度约束,表示图像梯度算子,表示水平方向梯度算子,表示竖直方向梯度算子,T表示矩阵转置符号;||k||0表示模糊核的先验条件;令函数ρ(l)=λ||Rmin(l)||0+η||1-Rmax(l)||0,表示图像的区域极值先验条件;
区域最小值Rmin(l)和区域最大值Rmax(l)的定义分别为:
其中,p和q表示像素的位置,Ω(p)表示以像素p为中心的图像邻域,Rmin(l)(p)和Rmax(l)(p)分别代表图像l在邻域Ω内像素的最小值与最大值,l(q)表示图像l在像素q处的像素值;
3.根据权利要求2所述的一种高能X射线图像盲复原方法,其特征在于:在步骤2中,具体包括以下步骤:
引入辅助变量一p、辅助变量二q,辅助变量三g,分别对应区域最小值Rmin(l),1-Rmax(l)和图像l的梯度其中辅助变量三g=(gh,gv)T,gh表示辅助变量三g的水平方向分量,gv表示辅助变量三g的竖直方向分量;将目标函数一(5)改写为:
其中,α,β,ω分别是惩罚系数一、惩罚系数二、惩罚系数三,通过半二次分裂法交替计算清晰图像变量l、辅助变量一p、辅助变量二q,辅助变量三g;固定辅助变量一p、辅助变量二q,辅助变量三g,式(7)改写为:
为一致性,将区域极小值与极大值统一到一个模型中,即:
1-Rmax(l)=Rmin(1-l) (9)
引入等效线性算子M,将图像像素映射到区域最小值Rmin上,即:
将式(8)改写为:
其中,Ml和M1-l分别对应区域最小值Rmin(l)和1-Rmax(l),然后利用快速傅里叶变换(FFT)求解得到:
固定清晰图像变量l,式(7)改写为关于辅助变量一p、辅助变量二q,辅助变量三g的函数,三个函数均属于逐像素最小化问题:
分别求解式(13)、式(14)、式(15)得到:
单竖线表示绝对值,双竖线表示范数;
将上一尺度求解得到的模糊核kilevel和图像lilevel作为该尺度迭代求解清晰图像l的初始值,对辅助变量一p,辅助变量二q,辅助变量三g,清晰图像变量l交替求解直至惩罚系数大于设定值,则完成此次迭代求解过程。
4.根据权利要求3所述的一种高能X射线图像盲复原方法,其特征在于:在步骤2中,在某一尺度上求解清晰图像变量l的步骤如下:
1)设定该尺度迭代次数最大为Nmax,初始化当前迭代次数iter=1,λ=μ=η=设定值,ωmax=βmax=设定值,αmax=设定值;
2)对惩罚系数三ω进行赋值:ω←2η;
3)若ω≤ωmax,ωmax为惩罚系数三的上限值,根据给定的上一尺度求解得到的图像lilevel通过式(10)求解等效线性算子M,通过式(15)求解辅助变量二q,并对惩罚系数二β进行赋值:β=2λ;
4)若β≤βmax,βmax为惩罚系数二的上限值,通过式(14)求解辅助变量一p,并对惩罚系数一α进行赋值:α=2μ;
5)若α≤αmax,αmax为惩罚系数一的上限值,通过式(13)求解辅助变量三g,通过式(12)求解图像liter;
6)惩罚系数一α、惩罚系数二β、惩罚系数三ω成倍数增长,直至不满足步骤3)、4)、5)的条件;
7)令iter=iter+1,重复步骤3)-步骤6),直至迭代次数iter>Nmax。
6.根据权利要求5所述的一种高能X射线图像盲复原方法,其特征在于:
求解模糊核变量k的步骤如下:
1)设定该尺度迭代次数最大为Nmax,初始化当前迭代次数iter=1;设定εmax=设定值,γ=设定值;
2)对惩罚系数四ε进行赋值:ε←2γ;
3)若惩罚系数四ε≤εmax,εmax为惩罚系数四的上限值,通过式(19)求解辅助变量四h,通过式(18)求解当前迭代下的模糊核变量kiter;
4)对惩罚系数四ε进行赋值:ε=2ε,直至不满足步骤3)的条件;
5)令iter=iter+1,重复步骤3)和步骤4),直至迭代次数iter>Nmax。
7.根据权利要求6所述的一种高能X射线图像盲复原方法,其特征在于:在步骤4中,具体的优化模糊核ke的步骤如下:
1)采用骨架提取的方法获取模糊核的骨架结构,并采用边界提取算法,通过遍历模糊核中的非零像素点,并在遍历点周围寻找是否存在灰度值为零的像素点,若存在,判定该点属于模糊核边界,若不存在,则继续遍历;模糊核的骨架结构与边界信息共同构成模糊核的主要结构;
2)对模糊核进行归一化,得到优化后的模糊核ky;随后利用优化后的模糊核ky对模糊图像b非盲去卷积,得到清晰图像ly。
8.根据权利要求7所述的一种高能X射线图像盲复原方法,其特征在于:
在步骤1)中,定义初步估计的模糊核ke的主要结构为S(ke),包括形状信息shape(ke)和强度信息strength(ke):
strength(ke(h,v))=shape(ke(h,v))×ke(h,v) (22)
骨架结构中包含形状信息和强度信息,边界信息中也包含形状信息和强度信息;
其中,(h,v)表示模糊核某一像素的位置信息,h表示水平坐标,v表示竖直坐标;ke表示初步估计的模糊核,ke(h,v)表示初步估计的模糊核ke在(h,v)处的像素值;
通过在滑动交叉窗口对模糊核主要结构的形状信息shape(ke)上的像素点进行遍历,构造模糊核连续函数,定义模糊核连续函数为:
C(h,v)=count (24)
将每个交叉窗口内的像素值不为0的元素个数count作为连续性的度量,对模糊核连续函数值大于滑动交叉窗口边长τw值的模糊核元素予以保留,并不断更新模糊核主要结构S(k),直至遍历完毕。
9.一种高能X射线图像盲复原系统,其特征在于,包括以下程序模块:
模型构建模块:获取高能X射线模糊图像b,构建图像盲复原模型;将高能X射线模糊图像b输入至构建的图像盲复原模型,初始化模糊核k0,并根据模糊核k0设定最大迭代尺度Lmax及每一尺度的最大迭代次数Nmax,得到关于待恢复的清晰图像变量l的目标函数一、待求解的模糊核变量k的目标函数二;
图像变量求解模块:基于给定的高能X射线模糊图像b,固定模糊核变量k,根据目标函数一引入辅助变量,并将区域极值统一到同一模型中;引入等效线性算子,通过交替最小化及快速傅里叶变换对清晰图像变量l进行求解;
模糊核变量求解模块:基于给定的高能X射线模糊图像b,固定清晰图像变量l,根据目标函数二引入辅助变量,利用清晰图像变量l的梯度信息,通过交替最小化和加速共轭梯度法对模糊核变量k进行求解,得到初步估计的模糊核ke;
优化模块:得到初步估计的模糊核ke后,提取初步估计的模糊核ke的主要结构,并通过滑动交叉窗口对模糊核进行非连续性抑制,连续更新模糊核,对模糊核归一化,得到优化后的模糊核ky;利用优化后的模糊核ky对模糊图像b非盲去卷积,得到清晰图像ly。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161528.7A CN112819723B (zh) | 2021-02-05 | 2021-02-05 | 一种高能x射线图像盲复原方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110161528.7A CN112819723B (zh) | 2021-02-05 | 2021-02-05 | 一种高能x射线图像盲复原方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819723A true CN112819723A (zh) | 2021-05-18 |
CN112819723B CN112819723B (zh) | 2022-07-19 |
Family
ID=75861774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110161528.7A Active CN112819723B (zh) | 2021-02-05 | 2021-02-05 | 一种高能x射线图像盲复原方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819723B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763290A (zh) * | 2021-08-26 | 2021-12-07 | 武汉高德红外股份有限公司 | 基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法 |
CN113781335A (zh) * | 2021-08-31 | 2021-12-10 | 广州大学 | 一种x射线图像复原方法、系统、装置及介质 |
CN113822823A (zh) * | 2021-11-17 | 2021-12-21 | 武汉工程大学 | 气动光学效应图像空变模糊核的点近邻复原方法及系统 |
CN114820773A (zh) * | 2022-06-26 | 2022-07-29 | 山东济宁运河煤矿有限责任公司 | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 |
CN114897734A (zh) * | 2022-05-18 | 2022-08-12 | 北京化工大学 | 一种基于梯度方向先验的被测目标图像复原方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130163882A1 (en) * | 2011-12-23 | 2013-06-27 | Leslie N. Smith | Method of estimating blur kernel from edge profiles in a blurry image |
CN106875349A (zh) * | 2016-12-30 | 2017-06-20 | 无锡高新兴智能交通技术有限公司 | 盲图像复原方法中模糊核的计算方法及盲图像复原方法 |
CN109919871A (zh) * | 2019-03-05 | 2019-06-21 | 重庆大学 | 基于图像和模糊核混合约束的模糊核估计方法 |
CN110473153A (zh) * | 2019-07-31 | 2019-11-19 | 西北工业大学 | 基于模糊核估计迭代结构保持的图像盲复原方法 |
-
2021
- 2021-02-05 CN CN202110161528.7A patent/CN112819723B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130163882A1 (en) * | 2011-12-23 | 2013-06-27 | Leslie N. Smith | Method of estimating blur kernel from edge profiles in a blurry image |
CN106875349A (zh) * | 2016-12-30 | 2017-06-20 | 无锡高新兴智能交通技术有限公司 | 盲图像复原方法中模糊核的计算方法及盲图像复原方法 |
CN109919871A (zh) * | 2019-03-05 | 2019-06-21 | 重庆大学 | 基于图像和模糊核混合约束的模糊核估计方法 |
CN110473153A (zh) * | 2019-07-31 | 2019-11-19 | 西北工业大学 | 基于模糊核估计迭代结构保持的图像盲复原方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763290A (zh) * | 2021-08-26 | 2021-12-07 | 武汉高德红外股份有限公司 | 基于自适应梯度稀疏先验的鲁棒性红外图像反卷积方法 |
CN113781335A (zh) * | 2021-08-31 | 2021-12-10 | 广州大学 | 一种x射线图像复原方法、系统、装置及介质 |
CN113781335B (zh) * | 2021-08-31 | 2023-07-04 | 广州大学 | 一种x射线图像复原方法、系统、装置及介质 |
CN113822823A (zh) * | 2021-11-17 | 2021-12-21 | 武汉工程大学 | 气动光学效应图像空变模糊核的点近邻复原方法及系统 |
CN114897734A (zh) * | 2022-05-18 | 2022-08-12 | 北京化工大学 | 一种基于梯度方向先验的被测目标图像复原方法 |
CN114897734B (zh) * | 2022-05-18 | 2024-05-28 | 北京化工大学 | 一种基于梯度方向先验的被测目标图像复原方法 |
CN114820773A (zh) * | 2022-06-26 | 2022-07-29 | 山东济宁运河煤矿有限责任公司 | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 |
CN114820773B (zh) * | 2022-06-26 | 2022-09-27 | 山东济宁运河煤矿有限责任公司 | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112819723B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819723B (zh) | 一种高能x射线图像盲复原方法及系统 | |
CN109712209B (zh) | Pet图像的重建方法、计算机存储介质、计算机设备 | |
CN109840927B (zh) | 一种基于各向异性全变分的有限角度ct重建算法 | |
CN109671029A (zh) | 基于伽马范数最小化的图像去噪算法 | |
CN109215025B (zh) | 一种基于非凸秩逼近极小化的红外弱小目标检测方法 | |
CN109360157B (zh) | 基于tv和小波正则化的空间变化模糊图像复原方法 | |
Shtok et al. | Sparsity-based sinogram denoising for low-dose computed tomography | |
CN112581378B (zh) | 基于显著性强度和梯度先验的图像盲去模糊方法和装置 | |
CN109003234A (zh) | 针对运动模糊图像复原的模糊核计算方法 | |
CN112508808A (zh) | 基于生成对抗网络的ct双域联合金属伪影校正方法 | |
CN108564544A (zh) | 基于边缘感知的图像盲去模糊组合稀疏优化方法 | |
CN114092416A (zh) | 一种dr模糊图像盲反卷积复原方法及系统 | |
CN112233046A (zh) | 一种柯西噪声下的图像复原方法及其应用 | |
CN109741258B (zh) | 基于重建的图像超分辨率方法 | |
Aghazadeh et al. | Generalized Hermitian and skew-Hermitian splitting iterative method for image restoration | |
Xu et al. | A performance-driven study of regularization methods for gpu-accelerated iterative ct | |
CN112801899B (zh) | 基于互补结构感知的内外循环驱动图像盲去模糊方法和装置 | |
CN110599429B (zh) | 一种高能x射线图像非盲去模糊方法 | |
CN111028241B (zh) | 一种多尺度血管增强的水平集分割系统与方法 | |
CN115359049B (zh) | 基于非线性扩散模型的有限角ct图像重建方法及装置 | |
CN108830802B (zh) | 一种基于短曝图像梯度导向的图像模糊核估计方法 | |
CN111028168A (zh) | 一种含噪声模糊的高能闪光图像去模糊方法 | |
CN112200882B (zh) | 基于傅里叶变换微分性质的板状物ct图像快速重建方法 | |
Kumar et al. | A nonlinear anisotropic diffusion equation for image restoration with forward-backward diffusivities | |
Xu et al. | Multiple norms and boundary constraint enforced image deblurring via efficient MCMC algorithm |
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 |