CN114612346A - 一种x射线背散射图像伪彩色处理算法 - Google Patents
一种x射线背散射图像伪彩色处理算法 Download PDFInfo
- Publication number
- CN114612346A CN114612346A CN202210350475.8A CN202210350475A CN114612346A CN 114612346 A CN114612346 A CN 114612346A CN 202210350475 A CN202210350475 A CN 202210350475A CN 114612346 A CN114612346 A CN 114612346A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- pseudo
- formula
- color
- 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.)
- Withdrawn
Links
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims 2
- 238000003709 image segmentation Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003708 edge detection Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
Abstract
本发明公开了一种X射线背散射图像伪彩色处理算法，对X射线背散射图像进行综合去噪处理，具体针对图像中高斯噪声、冲击噪声，使用降噪增强算法处理得到消噪图像；根据测定的原子序数与成像数据之间的对照表，设置聚类核，对消噪图像使用聚类分割算法，将图像分割为多个不同的局部区域；使用基于HSI空间的色彩映射，对不同区域应用伪彩色技术，生成伪彩图像，在上述步骤中，首先通过开关控制X光机启动，启动阶段为空扫，采集结果为本底图像，然后再将X光机移动到采集区，或传送带带动被测物品移动到采集区，采集被测物品X射线背散射图像。本发明简便快捷、处理速度快，实时性好。投射到彩色空间后有效提升了图像显示效果。
Description
技术领域
本发明涉及安检技术领域，具体为一种X射线背散射图像伪彩色处理算法。
背景技术
X射线背散射技术是一项较新的X射线安检技术，利用能量在0.13MeV至10Mev范围内X射线的康普顿散射效应成像。由于射线能量低穿透性弱，对表面检测有优势。对于X射线背散射图像，物体在图像中的亮度取决于物质吸收与反射X射线的能力，该能力间接与物质平均原子序数、物质组成情况相关，一定程度上，能反映被测物质的电子密度信息。平均原子序数越高(如铜、铁)，吸收X射线能力越强，成像结果越暗。对于电子密度高的元素(如氮、氧)具有自动加亮效应。透射成像依靠物质吸收阻碍射线的能力，与原子序数、物质密度直接相关，原子序数大吸收阻碍射线能力强，因此极易分辨金属材料，但对炸药、毒品、酒精等平均原子序数较低的违禁品，较难分辨。因此，相比X射线透射成像，背散射成像有助于在行李安检中发现打火机、塑胶炸药、酒精、毒品等有机危险品与违禁品，在人体安检中发现金属、管制刀具等危险违禁品。
X射线背散射成像为灰度图，且具有信噪比低的缺点，反散射射线分布在空间各个方向，能到达背散射探测器的反散射光子只是一小部分，因此有效信号较弱，对于人眼较难识别。且由于背散射信号随距离衰减，导致射出能量较低且不一致，导致飞点扫描时成像有条带状噪声和毛刺。X射线背散射的噪声主要为泊松噪声、高斯噪声、脉冲噪声混合。此外射线源的本底信号、探测器噪声、电路噪声都会降低信噪比。因此数据处理首先需要降噪、增强有效信号，再针对人眼对灰度变化不敏感、对彩色变化敏感的特点，进行伪彩色处理。伪彩色增强是将输入的灰度图像进行数据区分，一般使用HSV、HSL空间生成彩色图像。其中HSL空间使用色相、饱和度、亮度描述彩色图像，适用于彩色特征分析和检测，生成的图像多用于计算机识别和人眼识别。转换伪彩色可为后续显示、人眼识别提供帮助。所以就需要一种X射线背散射图像伪彩色处理算法。
发明内容
本发明的目的在于提供一种X射线背散射图像伪彩色处理算法，
本发明是这样实现的：
一种X射线背散射图像伪彩色处理算法，针对机械结构噪声，进行本底噪声估计、一致化处理、距离衰减校正，针对图像中高斯噪声、冲击噪声，使用降噪增强算法，得到消噪图像。再根据测定的原子序数与成像数据之间的对照表，设置聚类核，对消噪图像使用聚类分割算法，将图像分割为多个不同的局部区域。最终使用基于HSI空间的色彩映射，对不同区域应用伪彩色技术，生成伪彩图像；具体按以下步骤执行：
S1：对X射线背散射图像进行综合去噪处理，具体针对图像中高斯噪声、冲击噪声，使用降噪增强算法处理得到消噪图像；
S2：根据测定的原子序数与成像数据之间的对照表，设置聚类核，对消噪图像使用聚类分割算法，将图像分割为多个不同的局部区域；
S3：使用基于HSI空间的色彩映射，对不同区域应用伪彩色技术，生成伪彩图像。
进一步，在步骤S1中，首先通过开关控制X光机启动，启动阶段为空扫，采集结果为本底图像，然后再将X光机移动到采集区，或传送带带动被测物品移动到采集区，采集被测物品X射线背散射图像，完成采集后，光机减速关闭，减速阶段为空扫，采集结果为本底图像。
进一步，裁取本底图像，根据扫描阶段的时间关系，圆筒上有k条狭缝，圆筒旋转一周可得到k列,或k行数据，圆筒转速为r周/分钟，加速、减速阶段总计t秒，则可知加速阶段采集到列数n＝k*r/60*t列/行，截取采集到图像的前n行为本底图像I1，同理可截取减速阶段的I2，剩余图像为被测物图像I，同时可得被测物扫描初始行号i，如式(1)所示：
i＝(n mod k)*k+1 式(1)
其中：Mod为数学运算符取余。
进一步，对I1和I2，将数据按列/行分为k组，每组数据为圆筒上第k条狭缝采集的所有数据，计算各组内数据平均值Vi、所有k组整体数据平均值V，计算组间数据的校正系数Ni，如式(2)所示：
其中，Vi为第i路探测单元获取数据的平均值，V为Vi的平均值，即所有探测单元的平均值。
进一步，归一化校正，本底噪声扣除，对于被测物图像，每个点I(i,j)，归属于第i路探测单元，按照归一化校正公式得到校正后图像，并进行距离衰减校正，再根据近似距离校正公式得到校正图像Iddc：具体如式(3)、式(4)和式(5)所示；
Inorm(i,j)＝I(i,j)×Ni-V 式(3)
Iddc(i,j)＝Inorm(i,j)*(μρ′+μρ) 式(5)
其中，Z/A为探测物质的质子数/原子数，μρ为光机到出光口距离，μρ′为出光口到物质距离。
进一步，在针对图像去噪的过程中，具体按以下步骤执行：首先对Iddc先使用中值滤波消除脉冲噪声，再使用DnCNN高斯盲噪声结合平滑区分联合去噪，背散图像中噪声为光子泊松噪声、电路高斯噪声、宇宙射线脉冲噪声。本发明使用两步去噪，具体为：对先使用中值滤波消除脉冲噪声，再使用DnCNN高斯盲噪声结合平滑区分联合去噪，具体的，
首先对图像使用DnCNN高斯盲噪声，该去噪方案也可用基于FFT(快速傅立叶变换)、基于小波、基于超分辨率等去噪方案替代，具体的，首先计算图像噪声n，并计算噪声强度d，信号强度W，对去噪图像进行梯度变换，再对梯度图像取阈值，提取周围3*3范围内梯度变化高于阈值a的孤立点为噪点，提取梯度变化低于阈值的部分为平滑区域，并二值化进行纹理判断，如果当前点是0点，判断以其为中心周围3*3邻域是否全为0，是则为平滑点，若不是，有超过6个非点则为纹理点，否则扩大搜索范围，在5*5范围内判断，若超过75％点为非零点，则视为纹理点，否则为平滑点，对噪声点，使用Iddc-n替换数据，得到消噪数据图像Idn；具体如式(6)；
进一步，对消噪数据图像进行边缘提取，对Idn使用pidinet算法提取去噪后图像边缘，也可使用hed(Holistically-Nested Edge Detection)算法、拉普拉斯边缘检测边缘滤波器、Sobel边缘检测器、Compass梯度边缘检测器、Robert边缘检测器、Kirsch边缘检测器、Gaussian差分边缘检测器等替代，本发明首先使用5尺度下pidinet获得的边缘数据加权得到Iedge；再进行边缘增益，计算得到增益后图像Igain，如式(7)所示；
Igain＝Gi*Inorm(i,j)+Gdn*Idn+Ge*Iedge 式(7)
其中：Gi、Gdn、Ge均为设定增益系数。
进一步，对增益后图像进行图像分割，由于X射线背散图像一定程度上能反映被测物原子序数，原子序数越低，结果数值越大，原子序数越高，结果数值越接近0。测定可得常见物品原子序数与X射线背散射结果对应关系图表，按照物质原子序数将去噪图像数据划分为3类：低原子序数、中原子序数、高原子序数，分别对应有机物、混合物、金属物质，将空采数据划分为第4类。考虑到低原子序数边界的划分，设定低原子序数2个聚类中心，中原子序数1个聚类中心，高原子序数1个聚类中心。空数据使用阈值过滤，不参与聚类，本发明使用Hdbscan聚类分割算法得到4类聚类结果Ci，其中低原子序数的聚类结果相加得到低原子序数总分类，对应Igain图像各个坐标的原子序数划分。
进一步，伪彩色映射，使用HSI空间生成伪彩色图像，将聚类结果按照原子序数低、中、高类别映射到H通道，每类为固定数值，分别对应橙、绿、蓝，S通道、I通道使用Igain生成，S通道与Igain(i,j)呈正比，即数值越大颜色越鲜艳，I通道与Igain(i,j)呈反比，即数值越大，亮度越低，具体分别对Map_o、Map_g、Map_b计算HSL，如式(8)-式(10)所示；
H＝{H_o，H_g，H_b} 式(8)
其中：as、al为常量系数，对空采类Map_n，映射到纯白色，取H＝0，S＝0，L＝1。
与现有技术相比，本发明的有益效果是：本发明增强X射线背散射图像增强图像信噪比，消除噪声影响获得图像中各个点的近似原子序数，并根据原子序数映射到彩色空间，算法简便快捷、处理速度快，实时性好。投射到彩色空间后有效提升了图像显示效果。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明的方法流程图；
图2是原始图像、去噪图像、边缘数据、分割后数据；
图3是多尺度下边缘检测结果；
图4是原子序数映射图、伪彩图、数据增强后伪彩图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
请参阅图1-4，一种X射线背散射图像伪彩色处理算法，
针对机械结构噪声，进行本底噪声估计、一致化处理、距离衰减校正，针对图像中高斯噪声、冲击噪声，使用降噪增强算法，得到消噪图像。再根据测定的原子序数与成像数据之间的对照表，设置聚类核，对消噪图像使用聚类分割算法，将图像分割为多个不同的局部区域。最终使用基于HSI空间的色彩映射，对不同区域应用伪彩色技术，生成伪彩图像；具体按以下步骤执行：
S1：对X射线背散射图像进行综合去噪处理，具体针对图像中高斯噪声、冲击噪声，使用降噪增强算法处理得到消噪图像；
S2：根据测定的原子序数与成像数据之间的对照表，设置聚类核，对消噪图像使用聚类分割算法，将图像分割为多个不同的局部区域；
S3：使用基于HSI空间的色彩映射，对不同区域应用伪彩色技术，生成伪彩图像。
本实施例中，在步骤S1中，首先通过开关控制X光机启动，启动阶段为空扫，采集结果为本底图像，然后再将X光机移动到采集区，或传送带带动被测物品移动到采集区，采集被测物品X射线背散射图像，完成采集后，光机减速关闭，减速阶段为空扫，采集结果为本底图像。
本实施例中，裁取本底图像，根据扫描阶段的时间关系，圆筒上有k条狭缝，圆筒旋转一周可得到k列,或k行数据，圆筒转速为r周/分钟，加速、减速阶段总计t秒，则可知加速阶段采集到列数n＝k*r/60*t列/行，截取采集到图像的前n行为本底图像I1，同理可截取减速阶段的I2，剩余图像为被测物图像I，同时可得被测物扫描初始行号i，如式(1)所示：
i＝(n mod k)*k+1 式(1)
其中：Mod为数学运算符取余。
本实施例中，对I1和I2，将数据按列/行分为k组，每组数据为圆筒上第k条狭缝采集的所有数据，计算各组内数据平均值Vi、所有k组整体数据平均值V，计算组间数据的校正系数Ni，如式(2)所示：
其中，Vi为第i路探测单元获取数据的平均值，V为Vi的平均值，即所有探测单元的平均值。
本实施例中，归一化校正，本底噪声扣除，对于被测物图像，每个点I(i,j)，归属于第i路探测单元，按照归一化校正公式得到校正后图像，并进行距离衰减校正，再根据近似距离校正公式得到校正图像Iddc：具体如式(3)、式(4)和式(5)所示；
Inorm(i,j)＝I(i,j)×Ni-V 式(3)
Iddc(i,j)＝Inorm(i,j)*(μρ′+μρ) 式(5)
其中，Z/A为探测物质的质子数/原子数，μρ为光机到出光口距离，μρ′为出光口到物质距离。
本实施例中，在针对图像去噪的过程中，具体按以下步骤执行：首先对Iddc先使用中值滤波消除脉冲噪声，再使用DnCNN高斯盲噪声结合平滑区分联合去噪，背散图像中噪声为光子泊松噪声、电路高斯噪声、宇宙射线脉冲噪声。本发明使用两步去噪，具体为：对先使用中值滤波消除脉冲噪声，再使用DnCNN高斯盲噪声结合平滑区分联合去噪，具体的，
首先对图像使用DnCNN高斯盲噪声，该去噪方案也可用基于FFT(快速傅立叶变换)、基于小波、基于超分辨率等去噪方案替代，具体的，首先计算图像噪声n，并计算噪声强度d，信号强度W，对去噪图像进行梯度变换，再对梯度图像取阈值，提取周围3*3范围内梯度变化高于阈值a的孤立点为噪点，提取梯度变化低于阈值的部分为平滑区域，并二值化进行纹理判断，如果当前点是0点，判断以其为中心周围3*3邻域是否全为0，是则为平滑点，若不是，有超过6个非点则为纹理点，否则扩大搜索范围，在5*5范围内判断，若超过75％点为非零点，则视为纹理点，否则为平滑点，对噪声点，使用Iddc-n替换数据，得到消噪数据图像Idn；具体如式(6)；
本实施例中，对消噪数据图像进行边缘提取，对Idn使用pidinet算法提取去噪后图像边缘，也可使用hed(Holistically-Nested Edge Detection)算法、拉普拉斯边缘检测边缘滤波器、Sobel边缘检测器、Compass梯度边缘检测器、Robert边缘检测器、Kirsch边缘检测器、Gaussian差分边缘检测器等替代，本发明首先使用5尺度下pidinet获得的边缘数据加权得到Iedge；再进行边缘增益，计算得到增益后图像Igain，如式(7)所示；
Igain＝Gi*Inorm(i,j)+Gdn*Idn+Ge*Iedge 式(7)
其中：Gi、Gdn、Ge均为设定增益系数。
本实施例中，对增益后图像进行图像分割，由于X射线背散图像一定程度上能反映被测物原子序数，原子序数越低，结果数值越大，原子序数越高，结果数值越接近0。测定可得常见物品原子序数与X射线背散射结果对应关系图表，按照物质原子序数将去噪图像数据划分为3类：低原子序数、中原子序数、高原子序数，分别对应有机物、混合物、金属物质，将空采数据划分为第4类。考虑到低原子序数边界的划分，设定低原子序数2个聚类中心，中原子序数1个聚类中心，高原子序数1个聚类中心。空数据使用阈值过滤，不参与聚类，本发明使用Hdbscan聚类分割算法得到4类聚类结果Ci，其中低原子序数的聚类结果相加得到低原子序数总分类，对应Igain图像各个坐标的原子序数划分。
本实施例中，伪彩色映射，使用HSI空间生成伪彩色图像，将聚类结果按照原子序数低、中、高类别映射到H通道，每类为固定数值，分别对应橙、绿、蓝，S通道、I通道使用Igain生成，S通道与Igain(i,j)呈正比，即数值越大颜色越鲜艳，I通道与Igain(i,j)呈反比，即数值越大，亮度越低，具体分别对Map_o、Map_g、Map_b计算HSL，如式(8)-式(10)所示；
H＝{H_o，H_g，H_b} 式(8)
其中：as、al为常量系数，对空采类Map_n，映射到纯白色，取H＝0，S＝0，L＝1。
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。
Claims (9)
1.一种X射线背散射图像伪彩色处理算法，其特征在于：具体按以下步骤执行：
S1：对X射线背散射图像进行综合去噪处理，具体针对图像中高斯噪声、冲击噪声，使用降噪增强算法处理得到消噪图像；
S2：根据测定的原子序数与成像数据之间的对照表，设置聚类核，对消噪图像使用聚类分割算法，将图像分割为多个不同的局部区域；
S3：使用基于HSI空间的色彩映射，对不同区域应用伪彩色技术，生成伪彩图像。
2.根据权利要求1所述的一种X射线背散射图像伪彩色处理算法，其特征在于，在步骤S1中，首先通过开关控制X光机启动，启动阶段为空扫，采集结果为本底图像，然后再将X光机移动到采集区，或传送带带动被测物品移动到采集区，采集被测物品X射线背散射图像，完成采集后，光机减速关闭，减速阶段为空扫，采集结果为本底图像。
3.根据权利要求2所述的一种X射线背散射图像伪彩色处理算法，其特征在于，裁取本底图像，根据扫描阶段的时间关系，圆筒上有k条狭缝，圆筒旋转一周可得到k列,或k行数据，圆筒转速为r周/分钟，加速、减速阶段总计t秒，则可知加速阶段采集到列数n＝k*r/60*t列/行，截取采集到图像的前n行为本底图像I1，同理可截取减速阶段的I2，剩余图像为被测物图像I，同时可得被测物扫描初始行号i，如式(1)所示：
i＝(n mod k)*k+1 式(1)
其中：Mod为数学运算符取余。
4.根据权利要求3所述的一种X射线背散射图像伪彩色处理算法，其特征在于：对I1和I2，将数据按列/行分为k组，每组数据为圆筒上第k条狭缝采集的所有数据，计算各组内数据平均值Vi、所有k组整体数据平均值V，计算组间数据的校正系数Ni，如式(2)所示：
其中，Vi为第i路探测单元获取数据的平均值，V为Vi的平均值，即所有探测单元的平均值。
5.根据权利要求4所述的一种X射线背散射图像伪彩色处理算法，其特征在于：归一化校正，本底噪声扣除，对于被测物图像，每个点I(i,j)，归属于第i路探测单元，按照归一化校正公式得到校正后图像，并进行距离衰减校正，再根据近似距离校正公式得到校正图像Iddc：具体如式(3)、式(4)和式(5)所示；
Inorm(i,j)＝I(i,j)×Ni-V 式(3)
Iddc(i,j)＝Inorm(i,j)*(μρ′+μρ) 式(5)
其中，Z/A为探测物质的质子数/原子数，μρ为光机到出光口距离，μρ′为出光口到物质距离。
6.根据权利要求5所述的一种X射线背散射图像伪彩色处理算法，其特征在于：在针对图像去噪的过程中，具体按以下步骤执行：首先对Iddc先使用中值滤波消除脉冲噪声，再使用DnCNN高斯盲噪声结合平滑区分联合去噪，具体的，
首先对图像使用DnCNN高斯盲噪声，计算图像噪声n，并计算噪声强度d，信号强度W，对去噪图像进行梯度变换，再对梯度图像取阈值，提取周围3*3范围内梯度变化高于阈值a的孤立点为噪点，提取梯度变化低于阈值的部分为平滑区域，并二值化进行纹理判断，如果当前点是0点，判断以其为中心周围3*3邻域是否全为0，是则为平滑点，若不是，有超过6个非点则为纹理点，否则扩大搜索范围，在5*5范围内判断，若超过75％点为非零点，则视为纹理点，否则为平滑点，对噪声点，使用Iddc-n替换数据，得到消噪数据图像Idn；具体如式(6)；
7.根据权利要求6所述的一种X射线背散射图像伪彩色处理算法，其特征在于：对消噪数据图像进行边缘提取，对Idn使用pidinet算法提取去噪后图像边缘，使用5尺度下pidinet获得的边缘数据加权得到Iedge；再进行边缘增益，计算得到增益后图像Igain，如式(7)所示；
Igain＝Gi*Inorm(i,j)+Gdn*Idn+Ge*Iedge 式(7)
其中：Gi、Gdn、Ge均为设定增益系数。
8.根据权利要求6所述的一种X射线背散射图像伪彩色处理算法，其特征在于：对增益后图像进行图像分割，使用Hdbscan聚类分割算法得到4类聚类结果Ci，其中低原子序数的聚类结果相加得到低原子序数总分类，对应Igain图像各个坐标的原子序数划分。
9.根据权利要求8所述的一种X射线背散射图像伪彩色处理算法，其特征在于：伪彩色映射，使用HSI空间生成伪彩色图像，将聚类结果按照原子序数低、中、高类别映射到H通道，每类为固定数值，分别对应橙、绿、蓝，S通道、I通道使用Igain生成，S通道与Igain(i,j)呈正比，即数值越大颜色越鲜艳，I通道与Igain(i,j)呈反比，即数值越大，亮度越低，具体分别对Map_o、Map_g、Map_b计算HSL，如式(8)-式(10)所示；
H＝{H_o，H_g，H_b} 式(8)
其中：as、al为常量系数，对空采类Map_n，映射到纯白色，取H＝0，S＝0，L＝1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210350475.8A CN114612346A (zh) | 2022-04-02 | 2022-04-02 | 一种x射线背散射图像伪彩色处理算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210350475.8A CN114612346A (zh) | 2022-04-02 | 2022-04-02 | 一种x射线背散射图像伪彩色处理算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114612346A true CN114612346A (zh) | 2022-06-10 |
Family
ID=81866417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210350475.8A Withdrawn CN114612346A (zh) | 2022-04-02 | 2022-04-02 | 一种x射线背散射图像伪彩色处理算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612346A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018738A (zh) * | 2022-08-08 | 2022-09-06 | 科大讯飞(苏州)科技有限公司 | 彩色图像生成方法、装置、设备及可读存储介质 |
| CN116401587A (zh) * | 2023-06-08 | 2023-07-07 | 乐山师范学院 | 一种基于x射线的物品类别识别方法 |
| CN117745622A (zh) * | 2024-02-21 | 2024-03-22 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液催化氧化装置 |
-
2022
- 2022-04-02 CN CN202210350475.8A patent/CN114612346A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018738A (zh) * | 2022-08-08 | 2022-09-06 | 科大讯飞(苏州)科技有限公司 | 彩色图像生成方法、装置、设备及可读存储介质 |
| CN116401587A (zh) * | 2023-06-08 | 2023-07-07 | 乐山师范学院 | 一种基于x射线的物品类别识别方法 |
| CN116401587B (zh) * | 2023-06-08 | 2023-08-18 | 乐山师范学院 | 一种基于x射线的物品类别识别方法 |
| CN117745622A (zh) * | 2024-02-21 | 2024-03-22 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液催化氧化装置 |
| CN117745622B (zh) * | 2024-02-21 | 2024-05-07 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液催化氧化装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114612346A (zh) | 一种x射线背散射图像伪彩色处理算法 | |
| US10289699B2 (en) | Vehicle inspection methods and systems | |
| Oberholzer et al. | Methods in quantitative image analysis | |
| Nasiri et al. | Infrared small target enhancement based on variance difference | |
| CN110020647B (zh) | 一种违禁品目标检测方法、装置及计算机设备 | |
| Masias et al. | A review of source detection approaches in astronomical images | |
| CN108830225B (zh) | 太赫兹图像中目标物体的检测方法、装置、设备及介质 | |
| CN104504686B (zh) | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 | |
| US20060291742A1 (en) | Method and apparatus for enhancing image acquired by radiographic system | |
| CN106815819B (zh) | 多策略粮虫视觉检测方法 | |
| WO2011142768A2 (en) | Systems and methods for automated, rapid detection of high-atomic-number materials | |
| Zheng et al. | An improved method for object detection in astronomical images | |
| Ramya et al. | A robust segmentation algorithm using morphological operators for detection of tumor in MRI | |
| CN103093478A (zh) | 基于快速核空间模糊聚类的异源图像粗大边缘检测方法 | |
| Vinista et al. | A novel modified sobel algorithm for better edge detection of various images | |
| CN114926374B (zh) | 一种基于ai的图像处理方法、装置、设备及可读存储介质 | |
| CN110490848B (zh) | 红外目标检测方法、装置及计算机存储介质 | |
| CN109870730B (zh) | 一种用于x光机图像解析度测试体定检的方法及系统 | |
| EP3637150A1 (en) | Gamma-ray spectrum classification | |
| Choudhary et al. | Curvelet and fast marching method‐based technique for efficient artifact detection and removal in dermoscopic images | |
| Chatterjee et al. | An efficient automated biospeckle indexing strategy using morphological and geo-statistical descriptors | |
| CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
| Sobania et al. | Morphological corner detector using paired triangular structuring elements | |
| Chumning et al. | Edge preservation evaluation of digital speckle filters | |
| Zehtabian et al. | Adaptive restoration of multispectral datasets used for SVM classification |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220610 |