CN114240970A - 一种用于ct数据的自动摆正与自动强化方法 - Google Patents
一种用于ct数据的自动摆正与自动强化方法 Download PDFInfo
- Publication number
- CN114240970A CN114240970A CN202111573360.7A CN202111573360A CN114240970A CN 114240970 A CN114240970 A CN 114240970A CN 202111573360 A CN202111573360 A CN 202111573360A CN 114240970 A CN114240970 A CN 114240970A
- Authority
- CN
- China
- Prior art keywords
- threshold
- linear
- automatic
- dimensional
- stretching
- 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 21
- 238000005728 strengthening Methods 0.000 title claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种用于CT数据的自动摆正与自动强化方法,包括:步骤S1,获取预分割阈值与灰度线性拉伸阈值,其中,在原始正交三方向分别取中心处切片,并利用语义分割模型提取有效实体部分作为蒙版;将上述蒙版内灰度直方进行叠加,并以直方的端点值作为拉伸区间,得到预分割阈值与灰度线性拉伸阈值;步骤S2,获取三维转动惯量;步骤S3,获取二维校正角度和有效选区;步骤S4,在所述有效区内进行三线性插值,包括:在三维离散采样数据的张量积网格上进行线性插值。
Description
技术领域
本发明涉及CT检测技术领域,特别涉及一种用于CT数据的自动摆正与自动强化方法。
背景技术
在CT拍摄过程中,为了尽可能在能量穿透物体的前提下减少伪影,被拍摄物体通常被倾斜放置。在实际数据处理过程中为了得到合适的物体三视图像,工程师需要借助图像处理工具(如Vgstudio、Aviso等)手动对拍摄数据进行调整。在该处理流程中,数据读写的等待时间消耗以及间断的人工介入工作,大幅限制了CT检测技术在自动化产业中的应用范围。
在现有解决方案中,基于自动化编程的后处理方案难以抵抗机械偏差造成的拍摄位置变化(平移、旋转、缩放等)、射线能量随使用衰减造成的图像质量变化(噪声增加、对比度降低)等常规情况。同时,现有后处理技术往往需要针对于特定待检物品进行高度定制化编程,给实际生产中待检产品切换造成技术上的不便,并提高了检测成本。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此,本发明的目的在于提出一种用于CT数据的自动摆正与自动强化方法,以解决背景技术中所提到的问题,克服现有技术中存在的不足。
为了实现上述目的,本发明的实施例提供一种用于CT数据的自动摆正与自动强化方法,包括如下步骤:
步骤S1,获取预分割阈值与灰度线性拉伸阈值,其中,在原始正交三方向分别取中心处切片,并利用语义分割模型提取有效实体部分作为蒙版;将上述蒙版内灰度直方进行叠加,并以直方的端点值作为拉伸区间,作为灰度线性拉伸阈值,所述预分割阈值与拉伸区域的右端点相同,由此得到预分割阈值与灰度线性拉伸阈值;
步骤S2,对符合预分割阈值与灰度线性拉伸阈值以下的点,计算获取三维转动惯量,包括:
对于离散体,对于三维空间中过质心C的原始直角坐标系Cxyz,刚体的惯性张量I表示如下矩阵:
其中惯量积为:Ixx=∫(yy+zz)dA,Iyy=∫(xx+zz)dA,Izz=∫(yy+xx)dA;
Ixy=Iyx=-∫xy dA,Iyz=Izy=∫yz dA,Izx=Ixz=∫zx dA;
步骤S3,获取二维校正角度和有效选区;
步骤S4,在所述有效区内进行三线性插值,包括:在三维离散采样数据的张量积网格上进行线性插值。
由上述任一方案优选的是,在所述步骤S2中,采用等距跳跃取采样点以减少计算量。
由上述任一方案优选的是,在所述步骤S3中,所述获取二维校正角度和有效选区,包括如下步骤:在新正交主轴三方向,分别取中心处切片,获取到图中线形结构与正交方向夹角,作为二维校正角度,即将体素的每一个切片截面图中线形结构与正交方向夹角,作为二维校正角度;同时,再次利用语义分割网络分割叠加后的中心切片,获取到旋转后结构体三正交方向的有效范围,作为有效选区。
由上述任一方案优选的是,通过边缘提取方法和基于霍夫变换的线检测方法,获取到图中线形结构与正交方向夹角。
由上述任一方案优选的是,在所述步骤S4中,取新有效区内待插值点(x,y,z),三坐标向上取整获得(x1,y1,z1),向下取整获得(x0,y0,z0),首先在x方向插值可得到xy面上的四个点投影值:
利用线性插值方法,在y方向进行插值:
最后沿z方向插值:
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例用于CT数据的自动摆正与自动强化方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
如图1所示,本发明实施例的用于CT数据的自动摆正与自动强化方法,包括如下步骤:
步骤S1,获取预分割阈值与灰度线性拉伸阈值。
具体的,CT拍摄实际情况中,目标实体需要位于视野中心。在本步骤中,在原始正交三方向各取少量中心处切片,并利用语义分割模型提取有效实体部分作为蒙版。将这些蒙版内灰度直方进行叠加,并以直方的端点值作为拉伸区间,作为灰度线性拉伸阈值,预分割阈值与拉伸区域的右端点相同,由此得到预分割阈值与灰度线性拉伸阈值。通过该过程,可以使后续线性插值获得更精细的灰阶。
步骤S2,对符合预分割阈值与灰度线性拉伸阈值以下的点,计算获取三维转动惯量。
其中:
对于离散体,对于三维空间中过质心C的原始直角坐标系Cxyz,刚体的惯性张量I可以表示为下示的3*3的矩阵:
其中惯量积为:
Ixx=∫(yy+zz)dA,Iyy=∫(xx+zz)dA,Izz=∫(yy+xx)dA;
Ixy=Iyx=-∫xy dA,Iyz=Izy=∫yz dA,Izx=Ixz=∫zx dA。
对于回转体,惯性张量的特征值和特征向量等于主惯性矩和主惯性轴的方向,即对称轴方向。需要注意的是,此时寻找的是几何外形对称轴,ρ应当为1,而非实际体素对应灰度值。
优选的,在本步骤中,可等距跳跃取采样点以减少计算量。
步骤S3,获取二维校正角度和有效选区。
具体的,对于有指定三视图需求的回转体,需要指定对应新主轴。本发明在新正交主轴三方向各取少量中心处切片通过边缘提取方法和基于霍夫变换的线检测方法可直接获取到图中线形结构与正交方向夹角,作为二维校正角度。即将体素的每一个切片截面图中线形结构与正交方向夹角,作为二维校正角度。
同时,再次利用语义分割网络分割叠加后的中心切片,获取到旋转后结构体三正交方向的有效范围,作为有效选区。
步骤S4,在所述有效区内进行三线性插值,包括:在三维离散采样数据的张量积网格上进行线性插值。
具体的,三线性插值是在三维离散采样数据的张量积网格上进行线性插值的方法:取新有效区内待插值点(x,y,z),三坐标向上取整获得(x1,y1,z1),向下取整获得(x0,y0,z0),首先在x方向插值可得到xy面上的四个点投影值:
同样利用线性插值方法,在y方向进行插值:
最后沿z方向插值:
本发明实施例用于CT数据的自动摆正与自动强化方法,提出基于惯性张量计算的回转体自动摆正方法的整体解决方案流程,结合几何学、传统图像处理及深度学习方法,通过OpenMP并行,实现了回转体类CT数据块(如卷包及叠片电池)的快速全自动强化及摆正切片,为后续的自动识别及处理工作提供了重要基础。本发明基于MPI并行模型,其核心求解器采用基于MRT的LBM模型、VOF自由表面模型、以及SMA亚格子湍流模型,可模拟雷诺数高达107的内部流动。通过对算法架构以及数据存储方式的多次优化,经测试在200核范围内,并行效率基本呈现线性增长,相较传统内流场算法和模拟计算程序,计算效率得到一个数量级提升。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本领域技术人员不难理解,本发明包括上述说明书的发明内容和具体实施方式部分以及附图所示出的各部分的任意组合,限于篇幅并为使说明书简明而没有将这些组合构成的各方案一一描述。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。
Claims (5)
1.一种用于CT数据的自动摆正与自动强化方法,其特征在于,包括如下步骤:
步骤S1,获取预分割阈值与灰度线性拉伸阈值,其中,在原始正交三方向分别取中心处切片,并利用语义分割模型提取有效实体部分作为蒙版;将上述蒙版内灰度直方进行叠加,并以直方的端点值作为拉伸区间,作为灰度线性拉伸阈值,所述预分割阈值与拉伸区域的右端点相同,由此得到预分割阈值与灰度线性拉伸阈值;
步骤S2,对符合预分割阈值与灰度线性拉伸阈值以下的点,计算获取三维转动惯量,包括:
对于离散体,对于三维空间中过质心C的原始直角坐标系Cxyz,刚体的惯性张量I表示如下矩阵:
其中惯量积为:Ixx=∫(yy+zz)dA,Iyy=∫(xx+zz)dA,Izz=∫(yy+xx)dA;Ixy=Iyx=-∫xydA,Iyz=Izy=∫yz dA,Izx=Ixz=∫zx dA;
步骤S3,获取二维校正角度和有效选区;
步骤S4,在所述有效区内进行三线性插值,包括:在三维离散采样数据的张量积网格上进行线性插值。
2.如权利要求1所述的用于CT数据的自动摆正与自动强化方法,其特征在于,在所述步骤S2中,采用等距跳跃取采样点以减少计算量。
3.如权利要求1所述的用于CT数据的自动摆正与自动强化方法,其特征在于,在所述步骤S3中,所述获取二维校正角度和有效选区,包括如下步骤:在新正交主轴三方向,分别取中心处切片,获取到图中线形结构与正交方向夹角,作为二维校正角度,即将体素的每一个切片截面图中线形结构与正交方向夹角,作为二维校正角度;同时,再次利用语义分割网络分割叠加后的中心切片,获取到旋转后结构体三正交方向的有效范围,作为有效选区。
4.如权利要求3所述的用于CT数据的自动摆正与自动强化方法,其特征在于,通过边缘提取方法和基于霍夫变换的线检测方法,获取到图中线形结构与正交方向夹角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111573360.7A CN114240970B (zh) | 2021-12-21 | 2021-12-21 | 一种用于ct数据的自动摆正与自动强化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111573360.7A CN114240970B (zh) | 2021-12-21 | 2021-12-21 | 一种用于ct数据的自动摆正与自动强化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114240970A true CN114240970A (zh) | 2022-03-25 |
CN114240970B CN114240970B (zh) | 2024-05-24 |
Family
ID=80760644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111573360.7A Active CN114240970B (zh) | 2021-12-21 | 2021-12-21 | 一种用于ct数据的自动摆正与自动强化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240970B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533098A (zh) * | 2009-04-08 | 2009-09-16 | 西北工业大学 | Ct射束硬化校正中的噪声抑制方法 |
US20100183214A1 (en) * | 2009-01-20 | 2010-07-22 | Mccollough Cynthia H | System and Method for Highly Attenuating Material Artifact Reduction in X-Ray Computed Tomography |
CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
WO2021114143A1 (zh) * | 2019-12-11 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种图像重建方法、装置、终端设备及存储介质 |
WO2021209887A1 (en) * | 2020-04-13 | 2021-10-21 | King Abdullah University Of Science And Technology | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis |
-
2021
- 2021-12-21 CN CN202111573360.7A patent/CN114240970B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100183214A1 (en) * | 2009-01-20 | 2010-07-22 | Mccollough Cynthia H | System and Method for Highly Attenuating Material Artifact Reduction in X-Ray Computed Tomography |
CN101533098A (zh) * | 2009-04-08 | 2009-09-16 | 西北工业大学 | Ct射束硬化校正中的噪声抑制方法 |
CN108492300A (zh) * | 2018-03-16 | 2018-09-04 | 上海理工大学 | 管状结构增强与能量函数结合的肺部血管树分割方法 |
WO2021114143A1 (zh) * | 2019-12-11 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种图像重建方法、装置、终端设备及存储介质 |
WO2021209887A1 (en) * | 2020-04-13 | 2021-10-21 | King Abdullah University Of Science And Technology | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis |
Non-Patent Citations (1)
Title |
---|
韩光辉;刘峡壁;郑光远;: "肺部CT图像病变区域检测方法", 自动化学报, no. 12, 15 December 2017 (2017-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN114240970B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260731B (zh) | 一种棋盘格亚像素级角点自适应检测的方法 | |
WO2021017361A1 (zh) | 一种基于边缘和梯度特征的模板匹配算法 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
Bendels et al. | Detecting holes in point set surfaces | |
US10520453B2 (en) | Image acquisition device, image acquisition method, and image correction program | |
CN107392900B (zh) | 一种肺结节图像的多尺度增强方法 | |
CN107978005B (zh) | 一种基于保边界扩散和平滑的有限角ct图像重建算法 | |
JP2022169723A (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN111860501B (zh) | 基于形状匹配的高铁高度调整杆脱出故障图像识别方法 | |
CN109523559A (zh) | 一种基于改进的能量泛函模型的噪声图像分割方法 | |
Ametova et al. | A computationally inexpensive model for estimating dimensional measurement uncertainty due to X-ray computed tomography instrument misalignments | |
CN114693660A (zh) | 一种基于ict的固体火箭发动机装药计算网格生成方法 | |
CN115100116A (zh) | 一种基于三维点云的板材缺陷检测方法 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN117576219A (zh) | 大广角鱼眼镜头单次拍摄图像的相机标定设备及标定方法 | |
Zhou et al. | Circle detection with model fitting in polar coordinates for glass bottle mouth localization | |
CN114240970A (zh) | 一种用于ct数据的自动摆正与自动强化方法 | |
Farag et al. | Parametric and non-parametric nodule models: Design and evaluation | |
CN105809657A (zh) | 一种角点检测方法和装置 | |
CN108389204B (zh) | 一种面向高速在线检测的退化图像模糊核双参数直接估算方法 | |
Heinzl | Analysis and visualization of industrial CT data | |
Ohtake et al. | Thickness-Driven Sheet Metal Segmentation of CT-Scanned Body-in-White | |
CN116091987A (zh) | 一种面向工业场景的多策略图像异常样本生成方法 | |
CN106780425B (zh) | 一种vver蒸汽发生器传热管涡流检测系统定位方法 |
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 |