CN113066036A - 一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 - Google Patents
一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 Download PDFInfo
- Publication number
- CN113066036A CN113066036A CN202110292139.8A CN202110292139A CN113066036A CN 113066036 A CN113066036 A CN 113066036A CN 202110292139 A CN202110292139 A CN 202110292139A CN 113066036 A CN113066036 A CN 113066036A
- Authority
- CN
- China
- Prior art keywords
- image
- ray
- image block
- training
- sparse
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 138
- 230000004927 fusion Effects 0.000 claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 180
- 238000000034 method Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000000149 penetrating effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种基于模糊熵和稀疏表示的X射线图像融合方法及装置,涉及数字成像技术领域,本发明实施例包括:获得多张X射线图像,X射线图像为不同电压下的X射线透过同一个构件形成的多张图像。按照相同的划分方式,分别对每张X射线图像划分图像块,并针对每张X射线图像,对该X射线图像中的各图像块分别进行稀疏编码,得到该X射线图像中各图像块的稀疏系数向量。针对每组相同位置的各图像块,计算该组图像块的稀疏系数向量的加权和,得到该组图像块对应的融合稀疏系数向量,并将各组图像块对应的融合稀疏系数向量构建为融合稀疏系数向量矩阵。根据对融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定多张X射线图像的融合图像。
Description
技术领域
本发明涉及数字成像技术领域,特别是涉及一种基于模糊熵和稀疏表示的X射线图像融合方法及装置。
背景技术
在工业领域中,X射线是检测工业产品质量的重要工具,数字化X射线成像检测技术可以完成对工业产品及零部件的质量检测工作,例如缺陷检测、内部结构分析等。
数字化X射线成像检测技术通过将待检测的构件放置在平板探测器上,然后将X射线透过构件射入平板探测器,X射线透过构件的区域在平板探测器上形成阴影,X射线直射在平板探测器上的区域为白色。进而根据平板探测器上形成的影像,对构件的结构进行分析。
数字化X射线成像检测系统虽然可以满足常规构件的内部结构分析,但是对于非等厚构件来说,单一能量的X射线成像技术无法对整个构件同时曝光成像。构件中有效厚度较厚的部分在平板探测器上对应的区域往往会出现曝光不足的情况,构件中有效厚度较薄部分在平板探测器上对应的区域往往会出现曝光过度的情况,导致成像结果中构件的结构信息缺失,严重影响了对构件质量检测的准确性。
发明内容
本发明实施例的目的在于提供一种基于模糊熵和稀疏表示的X射线图像融合方法及装置,用以解决相关技术中无法获得非等厚构件完整的结构信息的问题。具体技术方案如下:
第一方面,本发明实施例提供一种基于模糊熵和稀疏表示的X射线图像融合方法,所述方法包括:
获得多张X射线图像,所述多张X射线图像为不同电压下的X射线透过同一个构件形成的多张图像;
按照相同的划分方式,分别对每张X射线图像划分图像块,并针对每张X射线图像,对该X射线图像中的各图像块分别进行稀疏编码,得到该X射线图像中各图像块的稀疏系数向量;
针对每组相同位置的各图像块,计算该组图像块的稀疏系数向量的加权和,得到该组图像块对应的融合稀疏系数向量,并将各组图像块对应的融合稀疏系数向量构建为融合稀疏系数向量矩阵;其中,针对每个图像块,该图像块的稀疏系数向量对应的权重为:该图像块的中心像素点的模糊熵与该图像块所属的组中各图像块的中心像素点的模糊熵总和的比值;
根据对所述融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定所述多张X射线图像的融合图像。
可选的,所述稀疏编码和反稀疏编码所利用的字典通过如下步骤获得:
获得多张X射线训练图像,所述多张X射线训练图像为不同电压下的X射线透过同一个构件形成的多张图像;
针对每张X射线训练图像中的每个像素点,确定以该像素点为中心且预设邻域大小的训练图像块,并基于所述训练图像块包括的各像素点的像素值对于所述训练图像块的隶属度,计算该像素点的模糊熵;
将模糊熵大于预设阈值的像素点对应的训练图像块作为有效信息块;
从所述有效信息块中选择多个训练图像块,并确定选择的每个训练图像块的训练图像块向量,并将各训练图像块向量构建为字典训练集;
利用字典训练算法对所述字典训练集进行字典训练,得到所述字典。
可选的,所述基于所述训练图像块内像素点的像素值对于所述训练图像块的隶属度,计算该像素点的模糊熵,包括:
通过以下公式计算一个像素点的模糊熵:
其中,x∈[1,width],y∈[1,height],width为第i张X射线训练图像的宽度,height表示第i张X射线训练图像的高度,Ei(x,y)为第i张X射线训练图像中像素点(x,y)的模糊熵,i=1,2,...,K,K为X射线训练图像的数量,Nx,y为以像素点(x,y)为中心且指定领域大小的训练图像块中各像素点的像素值构成的集合,q为Nx,y中像素值的数量,μi(k,l)为第i张X射线训练图像中像素点(k,l)的像素值对于Nx,y的隶属度。
可选的,所述针对每张X射线图像,对该X射线图像中的各图像块分别进行稀疏编码,得到该X射线图像中各图像块的稀疏系数向量,包括:
针对每张X射线图像,确定该X射线图像中的每个图像块的图像块向量;
对该X射线图像中的每个图像块的图像块向量分别进行稀疏编码,得到该X射线图像中的各图像块对应的稀疏系数向量。
可选的,所述根据对所述融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定所述多张X射线图像的融合图像,包括:
对所述融合稀疏系数向量矩阵进行反稀疏编码,得到融合图像块向量;
对所述融合图像块向量进行滑块逆变换,得到各融合图像块;
确定各融合图像块的位置,并对融合图像块的重叠区域包括的像素点的像素值取平均值,得到所述融合图像。
第二方面,本发明实施例提供了一种基于模糊熵和稀疏表示的X射线图像融合装置,所述装置包括:
获得模块,用于获得多张X射线图像,所述多张X射线图像为不同电压下的X射线透过同一个构件形成的多张图像;
编码模块,用于按照相同的划分方式,分别对每张X射线图像划分图像块,并针对每张X射线图像,对该X射线图像中的各图像块分别进行稀疏编码,得到该X射线图像中各图像块的稀疏系数向量;
计算模块,用于针对每组相同位置的各图像块,计算该组图像块的稀疏系数向量的加权和,得到该组图像块对应的融合稀疏系数向量,并将各组图像块对应的融合稀疏系数向量构建为融合稀疏系数向量矩阵;其中,针对每个图像块,该图像块的稀疏系数向量对应的权重为:该图像块的中心像素点的模糊熵与该图像块所属的组中各图像块的中心像素点的模糊熵总和的比值;
确定模块,用于根据对所述计算模块得到的所述融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定所述多张X射线图像的融合图像。
可选的,所述装置还包括训练模块,所述训练模块,用于:
获得多张X射线训练图像,所述多张X射线训练图像为不同电压下的X射线透过同一个构件形成的多张图像;
针对每张X射线训练图像中的每个像素点,确定以该像素点为中心且预设邻域大小的训练图像块,并基于所述训练图像块包括的各像素点的像素值对于所述训练图像块的隶属度,计算该像素点的模糊熵;
将模糊熵大于预设阈值的像素点对应的训练图像块作为有效信息块;
从所述有效信息块中选择多个训练图像块,并确定选择的每个训练图像块的训练图像块向量,并将各训练图像块向量构建为字典训练集;
利用字典训练算法对所述字典训练集进行字典训练,得到字典。
可选的,所述训练模块,具体用于:
通过以下公式计算一个像素点的模糊熵:
其中,x∈[1,width],y∈[1,height],width为第i张X射线训练图像的宽度,height表示第i张X射线训练图像的高度,Ei(x,y)为第i张X射线训练图像中像素点(x,y)的模糊熵,i=1,2,...,K,K为X射线训练图像的数量,Nx,y为以像素点(x,y)为中心且指定领域大小的训练图像块中各像素点的像素值构成的集合,q为Nx,y中像素值的数量,μi(k,l)为第i张X射线训练图像中像素点(k,l)的像素值对于Nx,y的隶属度。
可选的,所述编码模块,具体用于:
针对每张X射线图像,确定该X射线图像中的每个图像块的图像块向量;
对该X射线图像中的每个图像块的图像块向量分别进行稀疏编码,得到该X射线图像中的各图像块对应的稀疏系数向量。
可选的,所述确定模块,具体用于:
对所述融合稀疏系数向量矩阵进行反稀疏编码,得到融合图像块向量;
对所述融合图像块向量进行滑块逆变换,得到各融合图像块;
确定各融合图像块的位置,并对融合图像块的重叠区域包括的像素点的像素值取平均值,得到所述融合图像。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一基于模糊熵和稀疏表示的X射线图像融合方法的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一基于模糊熵和稀疏表示的X射线图像融合方法的步骤。
第五方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一基于模糊熵和稀疏表示的X射线图像融合方法。
本发明实施例提供的基于模糊熵和稀疏表示的X射线图像融合方法及装置,通过将多张X射线图像的图像块进行稀疏编码,得到各图像块的稀疏系数向量,然后计算各组图像块的稀疏系数向量的加权和,得到融合稀疏系数向量矩阵,再根据利用融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定多张X射线图像的融合图像。由于多张X射线图像是不同电压下的X射线透过同一个构件形成的多张图像,不同的X射线图像包含了构件中不同厚度区域的有效信息,因此基于多张X射线图像融合成的融合图像能够包含非等厚构件完整的结构信息。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的一种基于模糊熵和稀疏表示的X射线图像融合方法流程图;
图2为本发明实施例提供的一种划分图像块的示例性示意图;
图3为本发明实施例提供的三张融合图像的示例性示意图;
图4为本发明实施例提供的一种基于模糊熵和稀疏表示的X射线图像融合过程的示例性示意图;
图5为本发明实施例提供的X射线图像的示例性示意图;
图6为本发明实施例提供的从X射线训练图像中提取的有效信息组成的图像的示例性示意图;
图7为本发明实施例提供的一种基于模糊熵和稀疏表示的X射线图像融合装置结构示意图;
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
为了获得非等厚构件完整的结构信息,本发明实施例提供了一种基于模糊熵和稀疏表示的X射线图像融合方法,应用于电子设备,其中电子设备可以是:服务器、计算机或者平板电脑等具备图像处理能力的设备。如图1所示,该方法可以包括如下步骤:
S101,获得多张X射线图像。
其中,多张X射线图像为不同电压下的X射线透过同一个构件形成的多张图像。
一种实施方式中,可以根据构件各部分的厚薄程度,将构件划分为K个区域,然后利用K种电压的X射线透过该构件,形成K张X射线图像。每个区域对应一张X射线图像,且每张X射线图像对应的区域的像素值超过预设像素值。例如,预设像素值为15000。
S102,按照相同的划分方式,分别对每张X射线图像划分图像块,并针对每张X射线图像,对该X射线图像中的各图像块分别进行稀疏编码,得到该X射线图像中各图像块的稀疏系数向量。
S103,针对每组相同位置的各图像块,确定该组图像块的稀疏系数向量的加权和,得到该组图像块对应的融合稀疏系数向量,并将各组图像块对应的融合稀疏系数向量构建为融合稀疏系数向量矩阵。
其中,针对每个图像块,该图像块的稀疏系数向量对应的权重为:该图像块的中心像素点的模糊熵与该图像块所属的组中各图像块的中心像素点的模糊熵总和的比值。
在本发明实施例中,S101获得的K张X射线图像的大小相同,S102对各X射线图像划分图像块的方式也相同,因此各X射线图像包括的图像块数量相同。本发明实施例将在所属的X射线图像中的位置相同的图像块,称为一组图像块。
例如,S101获取了三张X射线图像,分别为图像1、图像2和图像3。图像块1位于图像1中的[4,4][4,11][11,4][11,11]位置,其中,[4,4]表示图像块1的左上角像素点的坐标,[4,11]表示图像块1的右上角像素点的坐标,[11,4]表示图像块1的左下角像素点的坐标,[11,11]表示图像块1的右下角像素点的坐标。图像2中[4,4][4,11][11,4][11,11]位置的图像块为图像块2,图像3中[4,4][4,11][11,4][11,11]位置的图像块为图像块3。因此将图像块1、图像块2和图像块3称为一组图像块。
可选的,如果图像块的中心像素点有多个,则选择其中一个像素点用于计算图像块的稀疏系数向量对应的权重。例如,对于大小为8×8的图像块,位于图像块中心的中心像素点有4个,则选择4个中心像素点其中的一个像素点用于计算图像块的稀疏系数向量对应的权重。
S104,根据对融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定多张X射线图像的融合图像。
本发明实施例提供的X射线图像融合方法,通过将多张X射线图像的图像块进行稀疏编码,得到各图像块的稀疏系数向量,然后计算各组图像块的稀疏系数向量的加权和,得到融合稀疏系数向量矩阵,再根据利用融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定多张X射线图像的融合图像。由于多张X射线图像是不同电压下的X射线透过同一个构件形成的多张图像,不同的X射线图像包含了构件中不同厚度区域的有效信息,因此基于多张X射线图像融合成的融合图像能够包含非等厚构件完整的结构信息。
在本发明实施例中,上述S102中的稀疏编码和S104中的反稀疏编码所利用的字典相同,可以通过以下步骤获得字典:
步骤一,获得多张X射线训练图像。
其中,多张X射线训练图像为不同电压下的X射线透过同一个构件形成的多张图像。
在本发明实施例中,训练字典的X射线训练图像对应的构件B和上述S101中X射线图像对应的构件A可以相同,也可以不同,本发明实施例对此不作具体限定。
步骤二,针对每张X射线训练图像中的每个像素点,确定以该像素点为中心且预设邻域大小的训练图像块,并基于该训练图像块包括的各像素点的像素值对于该训练图像块的隶属度,计算该像素点的模糊熵。
在本发明实施例中,在执行步骤二之前,可以先利用公式(1)对K张X射线训练图像Ai(i=1,2,...,K)进行归一化,然后在执行步骤二时针对归一化后的X射线图像。
其中,A′i(x,y)为X射线训练图像Ai中像素点(x,y)归一化后的像素值,Ai(x,y)为X射线训练图像Ai中像素点(x,y)的像素值,min为X射线训练图像Ai包括的像素点的像素值中的最小值,max为X射线训练图像Ai包括的像素点的像素值中的最大值。
一种实施方式中,可以通过以下公式(2)计算一个像素点的模糊熵:
其中,x∈[1,width],y∈[1,height],width为第i张X射线训练图像的宽度,height表示第i张X射线训练图像的高度,Ei(x,y)为第i张X射线训练图像中像素点(x,y)的模糊熵,i=1,2,...,K,K为X射线训练图像的数量,Nx,y为以像素点(x,y)为中心且指定领域大小的训练图像块中各像素点的像素值构成的集合,q为Nx,y中像素值的数量,即q为以像素点(x,y)为中心且指定领域大小的训练图像块包括的像素点数量,μi(k,l)为第i张X射线训练图像中像素点(k,l)的像素值对于Nx,y的隶属度。
需要说明的是,X射线训练图像的宽度和高度以像素点为单位。指定领域大小为 为预先设置的领域边长,例如,N=64。像素点(k,l)的像素值对于Nx,y的隶属度,即像素点(k,l)的像素值隶属于模糊集合Nx,y的程度。
可选的,在计算模糊熵时,基于归一化后的X射线训练图像包括的像素点的像素值计算。
从公式(2)中可以看出,当隶属度μi(k,l)=0.5时,模糊熵Ei(x,y)最大,当隶属度μi(k,l)=1时,模糊熵Ei(x,y)最小,Ei(x,y)=0。可以根据公式(3)计算μi(k,l):
其中,μi(k,l)为第i张X射线训练图像中像素点(k,l)归一化后的像素值A′i(k,l)对于Nx,y的隶属度,A′i(k,l)为第i张X射线训练图像中像素点(k,l)归一化后的像素值。为第i张X射线训练图像中,以像素点(k,l)为中心且指定领域大小为的训练图像块包括的各像素点归一化后的像素值的平均值。
由于归一化后A′i(k,l)∈[0,1],使得μi(k,l)∈[0.5,1]。当A′i(k,l)与之间的差距较小时,μi(k,l)的值较大;当时,μi(k,l)=1,此时模糊熵Ei(x,y)最小为0;当A′i(k,l)与之间的差距较大时,μi(k,l)的值较小;当时,μi(k,l)=0.5,此时模糊熵Ei(x,y)最大。
由于模糊熵能够反映领域内像素点的像素值的模糊程度,因此模糊熵越大,领域内像素值差距越大,图像块的有效信息越丰富。模糊熵越小,领域内像素值差距越小,图像块的有效信息越少。可以看出,模糊熵能够反映图像块包含的有效信息量。
步骤三,将模糊熵大于预设阈值的像素点对应的训练图像块作为有效信息块。
一种实施方式中,预设阈值为当时,X射线训练图像Ai中像素点(x,y)对应的训练图像块包含的有效信息量较少,将该训练图像块作为无效信息块,并令Ei(x,y)=0;当时,X射线训练图像Ai中像素点(x,y)对应的训练图像块包含的有效信息量较多,将该训练图像块作为有效信息块,并保持Ei(x,y)的值不变。
步骤四,从有效信息块中选择多个训练图像块,并确定选择的每个训练图像块的训练图像块向量,并将各训练图像块向量构建为字典训练集。
一种实施方式中,针对每个X射线训练图像,从该X射线训练图像中选择S个有效信息块,其中,S为该X射线训练图像包括的有效信息块数量的1/4。然后根据选择的有效信息块包括的各像素点的像素值,将选择的有效信息块按照字典序向量化为从K张X射线训练图像选择的有效信息块组成的字典训练集为
可选的,按照字典序向量化可以为按照像素值大小排序。例如,从X射线训练图像Ai中选择3个有效信息块,分别为图像块1、图像块2和图像块3。图像块1的包括的各像素点的像素值为:10、30、20、40、50、60、80、70、90。按照像素值从小到大的顺序排序后,得到像素块1包括的像素点的像素值为:10、20、30、40、50、60、70、80、90。同样的对图像块2和图像块3包括的像素点的像素值按照从小到大的顺序排序。然后将每个图像块包括的像素点的像素值作为的一列元素。其中,其中,N为每个图像块包括的像素点数量,S为X射线训练图像Ai对应的有效信息块数量。
步骤五,利用字典训练算法对字典训练集进行字典训练,得到字典。
一种实施方式中,利用K-奇异值分解(K-Singular Value Decomposition,K-SVD)算法,对字典训练集BN×KS进行字典训练,得到字典D。
利用K-SVD进行字典训练的具体过程包括:初始化字典即设置D0的大小为NXDk,N=64,字典原子个数Dk=1000,随机设置D0的值,并对D0的值进行归一化。利用正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法对字典训练集BN×KS进行稀疏编码,得到稀疏编码矩阵即min∑m||xm||0,其中,s.t为subject to,表示min∑m||xm||0的约束条件,||·||0表示I0范数,表示范数并平方,例如可以是2范数。在迭代过程中更新字典,直到迭代次数达到预设次数时,得到字典D,其中预设次数可以为50次。
由于本发明实施例利用模糊熵筛选出包含有效信息量较多的图像块,并基于包含有效信息量较多的有效信息块生成字典训练集,可以有效减少字典训练时间,同时使得字典具备更完整且准确的特征。
上述S102得到X射线图像中的各图像块的稀疏系数向量的方式包括以下两个步骤:
步骤I,针对每张X射线图像,确定该X射线图像中的每个图像块的图像块向量。
示例性的,如图2所示,图2中的矩形r1表示8X8的图像,每个虚线框表示一个像素点,矩形r2表示3X3的滑窗。在进行滑窗分块时,从如图2所示的位置开始分块,图2中矩形r2所示的位置为第一个图像块。然后将矩形r2向右移动一个像素点,得到第二个图像块,以此类推,向右移动5次,共得到六个图像块。然后将矩形r2从图2所示的位置向下移动一个像素点,得到第七个图像块,然后向右移动,以此类推,直到确定矩形r1右下角像素点所属的图像块,共得到36个图像块。
一种实施方式中,针对每张X射线图像的各图像块,利用各图像块包括的像素点的像素值构成图像块集合其中, 然后根据图像块包括的像素点的像素值,将中每个图像块按照字典序向量化,即将中每个图像块的像素值按照像素值从小到大的顺序排序,并确定各图像块的图像块向量。
步骤II,对该X射线图像中的每个图像块的图像块向量分别进行稀疏编码,得到该X射线图像中的各图像块对应的稀疏系数向量。
可选的,在本发明实施例中,将一张X射线图像中的各图像块对应的稀疏系数向量组成的矩阵,称为该X射线图像对应的稀疏系数向量矩阵。
在本发明实施例中,针对S1O1获取的K张X射线图像中的每张X射线图像,可以利用步骤五获得的字典,对该X射线图像包括的各图像块的图像块向量分别进行稀疏编码,得到各图像块对应的稀疏系数向量。由该X射线图像包括的各图像块对应的稀疏系数向量,组成该X射线图像对应的稀疏系数向量矩阵其中,M为每张X射线图像包括的图像块数量。
针对上述S103,得到融合稀疏系数向量矩阵的方式包括以下四个步骤:
步骤(1),针对每组相同位置的各图像块,计算该组图像块的中心像素点的模糊熵之和。
一种实施方式中,针对每组相同位置的各图像块的中心像素点(x,y),计算每个图像块的中心像素点的模糊熵Ei(x,y),然后计算模糊熵总和其中,K为X射线图像数量,x∈[1,width],y∈[1,height],width为第i张X射线图像的宽度,height表示第i张X射线图像的高度。
步骤(1)中计算模糊熵的方式与上述计算X射线训练图像中像素点的模糊熵的方式相同,可参考上述描述,此处不再赘述。
其中,为第r个融合稀疏系数向量,M为每张X射线图像包括的图像块数量,r∈[1,M],Ei(x,y)为第i张X射线图像中像素点(x,y)的模糊熵,为第i张X射线图像的第r个图像块的稀疏系数向量,K为X射线图像数量, width为第i张X射线图像的宽度,height表示第i张X射线图像的高度。
由于本发明实施例能够根据像素点的模糊熵,确定X射线图像中各图像块的稀疏系数向量对应的权重,在获得融合稀疏系数向量时,多参考模糊熵高的像素点,即多参考包含的有效信息量多的图像块,在融合X射线图像的过程中,较好地保留了不同电压产生的X射线图像的结构信息,能够完整清晰地在线复杂构件的内部结构。
针对上述S104,得到融合图像的方式包括以下三个步骤:
步骤(一),对融合稀疏系数向量矩阵进行反稀疏编码,得到融合图像块向量。
一种实施方式中,通过公式(5)计算融合图像块向量:
当a>1时能够提高融合图像的对比度。示例性的,如图3所示,图3所示的是三张融合图像,其中,左边图像为a=1时得到的融合图像,中间图像为a=5时得到的融合图像,右边图像为a=10时得到的融合图像。从图3中可以看出,a的值越接近10,融合图像的对比度越大,图像越清晰。
步骤(二),对融合图像块向量进行滑块逆变换,得到各融合图像块。
一种实施方式中,Fout为N行M列的矩阵,矩阵中每个元素表示一个像素点的像素值,其中,N表示图像块包括的像素点数量,M表示图像块数量,将Fout的每一行元素作为一个融合图像块包括的各像素点的像素值。
步骤(三),确定各融合图像块的位置,并对融合图像块的重叠区域包括的像素点的像素值取平均值,得到融合图像。
一种实施方式中,确定每个图像块的位置,并确定均值矩阵。其中,均值矩阵的大小与融合图像的大小相同,均值矩阵中每个元素对应融合图像的一个像素点,均值图像中的每个元素表示:该元素对应的像素点位置上叠加的融合图像块数量。然后将融合图像块中相同位置的像素点的像素值之和除以均值矩阵对应的元素,即对重叠的像素点的像素值取平均值,得到融合图像包括的每个像素点的像素值。
本发明实施例能够融合不同电压下的X射线图像,在融合过程中利用优化后的字典进行稀疏编码,能够更好的保留各X射线图像的结构信息,完整清晰地再现复杂的非等厚构件的内部结构。
结合图4,以下对本发明实施例的整体流程进行说明:
步骤1,采集不同能量的X射线训练图像,得到K张X射线训练图像Ai(i=1,2,...,K)。
在本发明实施例中,不同能量的X射线即为不同电压下的X射线。
步骤1的具体方式可以参考上述步骤一中的相关描述,此处不再赘述。
例如,图5所示的三张X射线训练图像从左到右依次为:A1、A2、A3,这三张图像对应的X射线的电压依次递增。
步骤2,针对每张X射线训练图像,根据该X射线训练图像中像素点的模糊熵提取该X射线图像中的有效信息块,并将提取的有效信息块向量化,得到有效信息块向量。
提取有效信息块的具体方式可以参考上述步骤三中的相关描述,此处不再赘述。
例如,图4中从X射线训练图像A1中提取的有效信息块组成的图像,记作图像A,即X射线训练图像A1右边的图像,以此类推,A2右边的图像记作图像B,A3右边的图像记作图像C,图6所示的三张图像从左到右依次为:图像A、图像B、图像C。图6所示的图像中,白色为包含有效信息的区域,黑色为信息缺失的区域。
步骤3的具体方式可以参考上述步骤四中的相关描述,此处不再赘述。
步骤4,通过K-SVD算法对BN×KS进行字典训练,得到字典D。
步骤4的具体方式可以参考上述步骤五中的相关描述,此处不再赘述。
步骤5,采集不同能量的X射线图像,得到K张X射线图像Ai(i=1,2,...,K)。
图4中X射线图像和X射线训练图像相同,但图4仅为本发明实施例提供的一种示例,在实际应用中,X射线图像可以是不同电压下的X射线扫描其他构件得到的K张图像。即X射线训练图像对应的构件1与X射线图像对应的构件2的形状、结构、大小等可以不同,构件1和构件2可以是两种不同的构件。
步骤4的具体方式可以参考上述S101的相关描述,此处不再赘述。
步骤8,利用字典D对融合稀疏系数向量矩阵进行反稀疏编码,得到融合图像块,并基于融合图像块,得到融合图像F。
得到融合图像F的具体方式可以参考上述S104的相关描述,此处不再赘述。
对应于上述方法实施例,本发明实施例提供了一种基于模糊熵和稀疏表示的X射线图像融合装置,如图7所示,该装置包括:获得模块701、编码模块702、计算模块703和确定模块704;
获得模块701,用于获得多张X射线图像,多张X射线图像为不同电压下的X射线透过同一个构件形成的多张图像;
编码模块702,用于按照相同的划分方式,分别对每张X射线图像划分图像块,并针对每张X射线图像,对该X射线图像中的各图像块分别进行稀疏编码,得到该X射线图像中各图像块的稀疏系数向量;
计算模块703,用于针对每组相同位置的各图像块,计算该组图像块的稀疏系数向量的加权和,得到该组图像块对应的融合稀疏系数向量,并将各组图像块对应的融合稀疏系数向量构建为融合稀疏系数向量矩阵;其中,针对每个图像块,该图像块的稀疏系数向量对应的权重为:该图像块的中心像素点的模糊熵与该图像块所属的组中各图像块的中心像素点的模糊熵总和的比值;
确定模块704,用于根据对计算模块703得到的融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定多张X射线图像的融合图像。
可选的,该装置还包括训练模块,训练模块,用于:
获得多张X射线训练图像,多张X射线训练图像为不同电压下的X射线透过同一个构件形成的多张图像;
针对每张X射线训练图像中的每个像素点,确定以该像素点为中心且预设邻域大小的训练图像块,并基于训练图像块包括的各像素点的像素值对于训练图像块的隶属度,计算该像素点的模糊熵;
将模糊熵大于预设阈值的像素点对应的训练图像块作为有效信息块;
从有效信息块中选择多个训练图像块,并确定选择的每个训练图像块的训练图像块向量,并将各训练图像块向量构建为字典训练集;
利用字典训练算法对字典训练集进行字典训练,得到字典。
可选的,训练模块,具体用于:
通过以下公式计算一个像素点的模糊熵:
其中,x∈[1,width],y∈[1,height],width为第i张X射线训练图像的宽度,height表示第i张X射线训练图像的高度,Ei(x,y)为第i张X射线训练图像中像素点(x,y)的模糊熵,i=1,2,...,K,K为X射线训练图像的数量,Nx,y为以像素点(x,y)为中心且指定领域大小的训练图像块中各像素点的像素值构成的集合,q为Nx,y中像素值的数量,μi(k,l)为第i张X射线训练图像中像素点(k,l)的像素值对于Nx,y的隶属度。
可选的,编码模块702,具体用于:
针对每张X射线图像,确定该X射线图像中的每个图像块的图像块向量;
对该X射线图像中的每个图像块的图像块向量分别进行稀疏编码,得到该X射线图像中的各图像块对应的稀疏系数向量。
可选的,确定模块704,具体用于:
对融合稀疏系数向量矩阵进行反稀疏编码,得到融合图像块向量;
对融合图像块向量进行滑块逆变换,得到各融合图像块;
确定各融合图像块的位置,并对融合图像块的重叠区域包括的像素点的像素值取平均值,得到融合图像。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现上述方法实施例中的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(PeripheralComponentInterconnect,PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一基于模糊熵和稀疏表示的X射线图像融合方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一基于模糊熵和稀疏表示的X射线图像融合方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句″包括一个......″限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于模糊熵和稀疏表示的X射线图像融合方法,其特征在于,所述方法包括:
获得多张X射线图像,所述多张X射线图像为不同电压下的X射线透过同一个构件形成的多张图像;
按照相同的划分方式,分别对每张X射线图像划分图像块,并针对每张X射线图像,对该X射线图像中的各图像块分别进行稀疏编码,得到该X射线图像中各图像块的稀疏系数向量;
针对每组相同位置的各图像块,计算该组图像块的稀疏系数向量的加权和,得到该组图像块对应的融合稀疏系数向量,并将各组图像块对应的融合稀疏系数向量构建为融合稀疏系数向量矩阵;其中,针对每个图像块,该图像块的稀疏系数向量对应的权重为:该图像块的中心像素点的模糊熵与该图像块所属的组中各图像块的中心像素点的模糊熵总和的比值;
根据对所述融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定所述多张X射线图像的融合图像。
2.根据权利要求1所述的方法,其特征在于,所述稀疏编码和反稀疏编码所利用的字典通过如下步骤获得:
获得多张X射线训练图像,所述多张X射线训练图像为不同电压下的X射线透过同一个构件形成的多张图像;
针对每张X射线训练图像中的每个像素点,确定以该像素点为中心且预设邻域大小的训练图像块,并基于所述训练图像块包括的各像素点的像素值对于所述训练图像块的隶属度,计算该像素点的模糊熵;
将模糊熵大于预设阈值的像素点对应的训练图像块作为有效信息块;
从所述有效信息块中选择多个训练图像块,并确定选择的每个训练图像块的训练图像块向量,并将各训练图像块向量构建为字典训练集;
利用字典训练算法对所述字典训练集进行字典训练,得到所述字典。
3.根据权利要求2所述的方法,其特征在于,所述基于所述训练图像块内像素点的像素值对于所述训练图像块的隶属度,计算该像素点的模糊熵,包括:
通过以下公式计算一个像素点的模糊熵:
其中,x∈[1,width],y∈[1,height],width为第i张X射线训练图像的宽度,height表示第i张X射线训练图像的高度,Ei(x,y)为第i张X射线训练图像中像素点(x,y)的模糊熵,i=1,2,...,K,K为X射线训练图像的数量,Nx,y为以像素点(x,y)为中心且指定领域大小的训练图像块中各像素点的像素值构成的集合,q为Nx,y中像素值的数量,μi(k,l)为第i张X射线训练图像中像素点(k,l)的像素值对于Nx,y的隶属度。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述针对每张X射线图像,对该X射线图像中的各图像块分别进行稀疏编码,得到该X射线图像中各图像块的稀疏系数向量,包括:
针对每张X射线图像,确定该X射线图像中的每个图像块的图像块向量;
对该X射线图像中的每个图像块的图像块向量分别进行稀疏编码,得到该X射线图像中的各图像块对应的稀疏系数向量。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述根据对所述融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定所述多张X射线图像的融合图像,包括:
对所述融合稀疏系数向量矩阵进行反稀疏编码,得到融合图像块向量;
对所述融合图像块向量进行滑块逆变换,得到各融合图像块;
确定各融合图像块的位置,并对融合图像块的重叠区域包括的像素点的像素值取平均值,得到所述融合图像。
6.一种基于模糊熵和稀疏表示的X射线图像融合装置,其特征在于,所述装置包括:
获得模块,用于获得多张X射线图像,所述多张X射线图像为不同电压下的X射线透过同一个构件形成的多张图像;
编码模块,用于按照相同的划分方式,分别对每张X射线图像划分图像块,并针对每张X射线图像,对该X射线图像中的各图像块分别进行稀疏编码,得到该X射线图像中各图像块的稀疏系数向量;
计算模块,用于针对每组相同位置的各图像块,计算该组图像块的稀疏系数向量的加权和,得到该组图像块对应的融合稀疏系数向量,并将各组图像块对应的融合稀疏系数向量构建为融合稀疏系数向量矩阵;其中,针对每个图像块,该图像块的稀疏系数向量对应的权重为:该图像块的中心像素点的模糊熵与该图像块所属的组中各图像块的中心像素点的模糊熵总和的比值;
确定模块,用于根据对所述计算模块得到的所述融合稀疏系数向量矩阵进行反稀疏编码得到的结果,确定所述多张X射线图像的融合图像。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括训练模块,所述训练模块,用于:
获得多张X射线训练图像,所述多张X射线训练图像为不同电压下的X射线透过同一个构件形成的多张图像;
针对每张X射线训练图像中的每个像素点,确定以该像素点为中心且预设邻域大小的训练图像块,并基于所述训练图像块包括的各像素点的像素值对于所述训练图像块的隶属度,计算该像素点的模糊熵;
将模糊熵大于预设阈值的像素点对应的训练图像块作为有效信息块;
从所述有效信息块中选择多个训练图像块,并确定选择的每个训练图像块的训练图像块向量,并将各训练图像块向量构建为字典训练集;
利用字典训练算法对所述字典训练集进行字典训练,得到字典。
9.根据权利要求6-8任一项所述的装置,其特征在于,所述编码模块,具体用于:
针对每张X射线图像,确定该X射线图像中的每个图像块的图像块向量;
对该X射线图像中的每个图像块的图像块向量分别进行稀疏编码,得到该X射线图像中的各图像块对应的稀疏系数向量。
10.根据权利要求6-8任一项所述的装置,其特征在于,所述确定模块,具体用于:
对所述融合稀疏系数向量矩阵进行反稀疏编码,得到融合图像块向量;
对所述融合图像块向量进行滑块逆变换,得到各融合图像块;
确定各融合图像块的位置,并对融合图像块的重叠区域包括的像素点的像素值取平均值,得到所述融合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292139.8A CN113066036B (zh) | 2021-03-18 | 2021-03-18 | 一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292139.8A CN113066036B (zh) | 2021-03-18 | 2021-03-18 | 一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113066036A true CN113066036A (zh) | 2021-07-02 |
CN113066036B CN113066036B (zh) | 2022-06-03 |
Family
ID=76562137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110292139.8A Active CN113066036B (zh) | 2021-03-18 | 2021-03-18 | 一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066036B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257505A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation |
CN102254314A (zh) * | 2011-07-17 | 2011-11-23 | 西安电子科技大学 | 基于压缩感知的可见光和红外图像融合方法 |
CN102651124A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于冗余字典稀疏表示和评价指标的图像融合方法 |
CN104599259A (zh) * | 2015-01-30 | 2015-05-06 | 华北电力大学 | 基于分阶段多原子正交匹配跟踪的多模图像融合方法 |
CN104732508A (zh) * | 2015-04-16 | 2015-06-24 | 湘潭大学 | 基于分布式压缩感知的图像融合方法 |
CN106295498A (zh) * | 2016-07-20 | 2017-01-04 | 湖南大学 | 光学遥感图像目标区域检测装置与方法 |
CN106886986A (zh) * | 2016-08-31 | 2017-06-23 | 电子科技大学 | 基于自适应组结构稀疏字典学习的图像融合方法 |
CN107292858A (zh) * | 2017-05-22 | 2017-10-24 | 昆明理工大学 | 一种基于低秩分解和稀疏表示的多模态医学图像融合方法 |
CN107610165A (zh) * | 2017-09-12 | 2018-01-19 | 江南大学 | 基于多特征的3‑d剪切波域多模态医学序列图像融合方法 |
CN109829405A (zh) * | 2019-01-22 | 2019-05-31 | 深圳大学 | 视频目标的数据关联方法、装置及存储介质 |
CN110070516A (zh) * | 2019-03-14 | 2019-07-30 | 天津大学 | 一种面向医学能谱ct的图像融合方法 |
CN110689510A (zh) * | 2019-09-12 | 2020-01-14 | 北京航天控制仪器研究所 | 一种引入字典信息基于稀疏表示的图像融合方法 |
US20200273190A1 (en) * | 2018-03-14 | 2020-08-27 | Dalian University Of Technology | Method for 3d scene dense reconstruction based on monocular visual slam |
-
2021
- 2021-03-18 CN CN202110292139.8A patent/CN113066036B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257505A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation |
CN102254314A (zh) * | 2011-07-17 | 2011-11-23 | 西安电子科技大学 | 基于压缩感知的可见光和红外图像融合方法 |
CN102651124A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于冗余字典稀疏表示和评价指标的图像融合方法 |
CN104599259A (zh) * | 2015-01-30 | 2015-05-06 | 华北电力大学 | 基于分阶段多原子正交匹配跟踪的多模图像融合方法 |
CN104732508A (zh) * | 2015-04-16 | 2015-06-24 | 湘潭大学 | 基于分布式压缩感知的图像融合方法 |
CN106295498A (zh) * | 2016-07-20 | 2017-01-04 | 湖南大学 | 光学遥感图像目标区域检测装置与方法 |
CN106886986A (zh) * | 2016-08-31 | 2017-06-23 | 电子科技大学 | 基于自适应组结构稀疏字典学习的图像融合方法 |
CN107292858A (zh) * | 2017-05-22 | 2017-10-24 | 昆明理工大学 | 一种基于低秩分解和稀疏表示的多模态医学图像融合方法 |
CN107610165A (zh) * | 2017-09-12 | 2018-01-19 | 江南大学 | 基于多特征的3‑d剪切波域多模态医学序列图像融合方法 |
US20200273190A1 (en) * | 2018-03-14 | 2020-08-27 | Dalian University Of Technology | Method for 3d scene dense reconstruction based on monocular visual slam |
CN109829405A (zh) * | 2019-01-22 | 2019-05-31 | 深圳大学 | 视频目标的数据关联方法、装置及存储介质 |
CN110070516A (zh) * | 2019-03-14 | 2019-07-30 | 天津大学 | 一种面向医学能谱ct的图像融合方法 |
CN110689510A (zh) * | 2019-09-12 | 2020-01-14 | 北京航天控制仪器研究所 | 一种引入字典信息基于稀疏表示的图像融合方法 |
Non-Patent Citations (4)
Title |
---|
LI JINBO等: "Regional Multi-Focus Image Fusion Using Clarity Enhanced Image Segmentation", 《2013 CHINESE AUTOMATION CONGRESS》 * |
LI JINBO等: "Regional Multi-Focus Image Fusion Using Clarity Enhanced Image Segmentation", 《2013 CHINESE AUTOMATION CONGRESS》, 8 November 2013 (2013-11-08), pages 161 - 166, XP032582269, DOI: 10.1109/CAC.2013.6775721 * |
陶强等: "基于双区域演化水平集的图像分割方法", 《电子测量技术》 * |
陶强等: "基于双区域演化水平集的图像分割方法", 《电子测量技术》, 15 September 2016 (2016-09-15), pages 91 - 95 * |
Also Published As
Publication number | Publication date |
---|---|
CN113066036B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020107847A1 (zh) | 基于骨骼点的跌倒检测方法及其跌倒检测装置 | |
CN112837303A (zh) | 一种用于模具监视的缺陷检测方法、装置、设备及介质 | |
CN111291768B (zh) | 图像特征匹配方法及装置、设备、存储介质 | |
CN112241976A (zh) | 一种训练模型的方法及装置 | |
CN110176024B (zh) | 在视频中对目标进行检测的方法、装置、设备和存储介质 | |
CN110909663B (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN110298858B (zh) | 一种图像裁剪方法及装置 | |
CN111814905A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN111178364A (zh) | 一种图像识别方法和装置 | |
CN113344986A (zh) | 点云配准结果的评估方法、装置、设备及存储介质 | |
CN113744251A (zh) | 基于自注意力机制从病理图片预测微卫星不稳定性的方法 | |
CN110969100A (zh) | 一种人体关键点识别方法、装置及电子设备 | |
CN111523586B (zh) | 一种基于噪声可知的全网络监督目标检测方法 | |
CN113066036B (zh) | 一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 | |
CN116977783A (zh) | 一种目标检测模型的训练方法、装置、设备及介质 | |
CN109583584B (zh) | 可使具有全连接层的cnn接受不定形状输入的方法及系统 | |
CN115546073B (zh) | 地砖图像阴影去除方法、装置、计算机设备及存储介质 | |
CN110889432A (zh) | 特征点匹配方法、装置、计算机设备和存储介质 | |
CN116977260A (zh) | 目标物的缺陷检测方法、装置、电子设备及存储介质 | |
CN110675467A (zh) | 能谱ct的材料分解方法、装置、存储介质及电子设备 | |
CN113420604B (zh) | 多人姿态估计方法、装置和电子设备 | |
CN111091158B (zh) | 针对教辅图像的图像质量的分类方法、装置及设备 | |
CN115330930A (zh) | 基于稀疏到稠密特征匹配网络的三维重建方法和系统 | |
CN111932466B (zh) | 一种图像去雾方法、电子设备及存储介质 | |
CN113014928A (zh) | 一种补偿帧生成方法及装置 |
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 |