CN115439457A - 一种太赫兹图像衍射条纹识别与定位方法及系统 - Google Patents

一种太赫兹图像衍射条纹识别与定位方法及系统 Download PDF

Info

Publication number
CN115439457A
CN115439457A CN202211138408.6A CN202211138408A CN115439457A CN 115439457 A CN115439457 A CN 115439457A CN 202211138408 A CN202211138408 A CN 202211138408A CN 115439457 A CN115439457 A CN 115439457A
Authority
CN
China
Prior art keywords
diffraction
gradient
edge
terahertz
image
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.)
Pending
Application number
CN202211138408.6A
Other languages
English (en)
Inventor
袁飞
周松斌
刘忆森
万智勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Original Assignee
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Intelligent Manufacturing of Guangdong Academy of Sciences filed Critical Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Priority to CN202211138408.6A priority Critical patent/CN115439457A/zh
Publication of CN115439457A publication Critical patent/CN115439457A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种太赫兹图像衍射条纹识别与定位方法及系统，首先是对太赫兹图像中含衍射条纹的区域进行识别，得到含有衍射条纹的多个局部图像，再对各局部图像进行衍射条纹的精确定位。对各边缘像素点eij进行基于距离和梯度方向的聚类，得到与eij临近且梯度方向接近的边缘像素点，即得到eij所在的第k衍射条纹的单边像素集合Sk。同时，对集合Sk中各边缘像素点对应的反向边缘像素集合进行并集运算，得到Sk的反向条纹像素集合
Figure DDA0003852346900000011
则定位到的第k条衍射条纹区域为Sk与
Figure DDA0003852346900000012
之间的区域。本发明较现有方法更具有灵活性和普适性，可准确定位衍射条纹位置，为衍射条纹的消除提供了准确的位置信息。促进了太赫兹成像系统的应用。

Description

一种太赫兹图像衍射条纹识别与定位方法及系统
技术领域
本发明涉及太赫兹波成像技术领域，具体涉及一种太赫兹图像衍射条纹识别与定位方法及系统。
背景技术
太赫兹波波长范围大概为0.03mm～3mm，在太赫兹波成像系统中，如果成像对象中存在与太赫兹波长尺寸相当的缝隙、障碍物或边缘时，会在成像对象的太赫兹图像中形成明暗相间的衍射条纹，使成像对象的太赫兹图像与实际存在误差，影响成像对象的识别应用等。目前，针对太赫兹图像中衍射条纹的研究主要围绕脉冲太赫兹衍射效应和基于太赫兹成像系统结构的衍射条纹抑制方法等。
脉冲太赫兹衍射效应的研究主要采用矢量衍射理论方法分析了太赫兹圆孔衍射现象，但未对如何消除衍射条纹的影响进行研究。基于太赫兹成像系统结构的衍射条纹抑制方法主要从太赫兹成像系统的结构角度，研究衍射条纹产生的原因，采用图像运算的方法消除成像系统产生的衍射条纹。但目前对太赫兹图像衍射条纹的消除方法研究仅在衍射条纹形成机理和基于简单图像运算的方法。
发明内容
有鉴于此，本发明针对太赫兹波遇到成像对象产生的衍射条纹问题，提出了一种太赫兹图像衍射条纹识别与定位方法及系统，首先对太赫兹图像中的衍射条纹进行基于快速区域卷积神经网络(faster-region based convolutional neural network,Faster-RCNN)的衍射条纹区域识别，再对识别到的含有衍射条纹的图像区域进行基于梯度检索的衍射条纹的精细定位，为衍射条纹的消除提供精确的消除对象。
本发明通过以下技术手段解决上述问题：
第一方面，本发明一种太赫兹图像衍射条纹识别与定位方法，包括如下步骤：
步骤1：根据太赫兹成像系统中太赫兹波长和衍射定理，对不同尺寸和不同倾斜度直线、不同弯曲度曲线的边缘人工生成衍射条纹图像，对不同尺寸的矩形和圆形孔洞人工生成衍射条纹图像，生成的多种衍射条纹图像作为训练数据集y；
步骤2：采用训练数据集y对快速区域卷积神经网络进行训练，并采用训练后的快速区域卷积神经网络对太赫兹图像进行衍射条纹识别，定位出N个含有衍射条纹的图像区域，记为Ri，i＝1,2,...,N；
步骤3：计算Ri的基于索贝尔算子的梯度图，得到Ri各像素点的梯度大小和方向，再采用模糊c均值聚类方法对Ri各像素点梯度大小进行类别数为2的聚类，即将梯度图中的边缘和背景分为两类，得到Ri的边缘图像Ei；
步骤4：初始化集合S为空集；
步骤5：选定Ei中第j个边缘像素点eij，在距离像素点eij的距离小于d的临近像素中，沿着α(i,j)+180°的方向进行检索，其中α(i,j)为eij的梯度方向，若存在梯度方向位于[α(i,j)+180°-α,α(i,j)+180°+α]的边缘像素，且eij不在集合S内，则将eij及其检索到的M个边缘像素添加到集合S中，记录为(eij,Fij)，其中
Figure BDA0003852346880000021
Figure BDA0003852346880000022
为eij的反向边缘像素集合；
步骤6：对Ei中各边缘像素点重复步骤5，形成集合S；
步骤7：对集合S中的所有边缘像素点进行基于距离和梯度方向的聚类，得到距离相近且梯度方向接近的边缘像素点子集；如得到的第k个子集即为第k条衍射条纹的单边像素集合Sk；同时，对集合Sk中各边缘像素点对应的反向像素集合进行求并集，得到Sk的反向条纹像素集合
Figure BDA0003852346880000031
则定位到的第k条衍射条纹区域为Sk与
Figure BDA0003852346880000032
之间的区域，完成衍射条纹区域的精确定位。
作为优选地，梯度方向计算如公式(1)所示：
Figure BDA0003852346880000033
其中Gy(i,j)和Gx(i,j)为像素点eij分别沿y方向和x方向的基于Sobel算子的梯度值。
作为优选地，步骤7中，对集合S中的所有边缘像素点进行基于距离和梯度方向的聚类，聚类采用具有噪声的基于密度聚类算法。
第二方面，本发明一种太赫兹图像衍射条纹识别与定位系统，包括：
训练数据集生成模块，用于根据太赫兹成像系统中太赫兹波长和衍射定理，对不同尺寸和不同倾斜度直线、不同弯曲度曲线的边缘人工生成衍射条纹图像，对不同尺寸的矩形和圆形孔洞人工生成衍射条纹图像，生成的多种衍射条纹图像作为训练数据集y；
衍射条纹识别模块，用于采用训练数据集y对快速区域卷积神经网络进行训练，并采用训练后的快速区域卷积神经网络对太赫兹图像进行衍射条纹识别，定位出N个含有衍射条纹的图像区域，记为Ri，i＝1,2,...,N；
边缘图像计算模块，用于计算Ri的基于索贝尔算子的梯度图，得到Ri各像素点的梯度大小和方向，再采用模糊c均值聚类方法对Ri各像素点梯度大小进行类别数为2的聚类，即将梯度图中的边缘和背景分为两类，得到Ri的边缘图像Ei；
边缘像素点检索模块，用于选定Ei中第j个边缘像素点eij，在距离像素点eij的距离小于d的临近像素中，沿着α(i,j)+180°的方向进行检索，其中α(i,j)为eij的梯度方向，若存在梯度方向位于[α(i,j)+180°-α,α(i,j)+180°+α]的边缘像素，且eij不在集合S内，则将eij及其检索到的M个边缘像素添加到集合S中，记录为(eij,Fij)，其中
Figure BDA0003852346880000041
为eij的反向边缘像素集合；检索边缘图像Ei中各边缘像素点后，形成集合S；
衍射条纹定位模块，用于对集合S中的所有边缘像素点进行基于距离和梯度方向的聚类，得到距离相近且梯度方向接近的边缘像素点子集；如得到的第k个子集即为第k条衍射条纹的单边像素集合Sk；同时，对集合Sk中各边缘像素点对应的反向像素集合进行求并集，得到Sk的反向条纹像素集合
Figure BDA0003852346880000042
则定位到的第k条衍射条纹区域为Sk与
Figure BDA0003852346880000043
之间的区域，完成衍射条纹区域的精确定位。
作为优选地，梯度方向计算如公式(1)所示：
Figure BDA0003852346880000044
其中Gy(i,j)和Gx(i,j)为像素点eij分别沿y方向和x方向的基于Sobel算子的梯度值。
作为优选地，对集合S中的所有边缘像素点进行基于距离和梯度方向的聚类，聚类采用具有噪声的基于密度聚类算法。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面所述太赫兹图像衍射条纹识别与定位方法的步骤。
第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面所述太赫兹图像衍射条纹识别与定位方法的步骤。
与现有技术相比，本发明的有益效果至少包括：
本发明仅需要对太赫兹成像系统生成的太赫兹图像进行衍射条纹的识别与定位运算，较目前的衍射条纹消除方法无需对太赫兹成像系统进行模型分析，较现有方法更具有灵活性和普适性。经过本发明的衍射条纹识别与定位方法的运算后，可准确定位衍射条纹位置，为衍射条纹的消除提供了准确的位置信息，为消除太赫兹图像干扰提供了重要的方法，为太赫兹图像目标识别等应用提供了较高质量图像，促进了太赫兹成像系统的应用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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附图。
图1是本发明太赫兹图像衍射条纹识别与定位的流程图；
图2是本发明太赫兹图像衍射条纹识别与系统的示意图；
图3是本发明电子设备结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明分为两大步骤，首先是对太赫兹图像中含衍射条纹的区域进行识别，得到含有衍射条纹的多个局部图像，再对各局部图像进行衍射条纹的精确定位。
含有衍射条纹的局部图像的识别过程中，首先根据太赫兹成像系统中太赫兹波长和衍射定理，人工生成直线和曲线边缘的衍射条纹，生成矩形和圆形孔洞的衍射条纹，形成训练数据集y。采用训练数据集y对Faster-RCNN进行训练，经过训练后的Faster-RCNN用于对太赫兹图像x进行含有衍射条纹的区域定位，定位出N个含衍射条纹的区域，记为Ri，i＝1,2,...,N。
再对各含有衍射条纹的局部图像区域进行基于梯度检索的衍射条纹精细定位。对第i个含衍射条纹的区域Ri进行衍射条纹的精细定位时，首先计算Ri的梯度图，得到Ri各像素点的梯度大小和方向，并采用模糊c均值聚类算法对Ri的梯度进行聚类，得到Ri的边缘图像Ei。再对边缘图像Ei各边缘像素点进行梯度检索。检索方法为选定Ei中第j个边缘像素点eij，在距离像素点eij的距离小于d的临近像素中，沿着α(i,j)+180°的方向进行检索。其中α(i,j)为eij的梯度方向，梯度方向计算如公式(1)所示。
Figure BDA0003852346880000061
其中Gy(i,j)和Gx(i,j)为像素点eij分别沿y方向和x方向的基于Sobel算子的梯度值。
若存在梯度方向位于[α(i,j)+180°-α,α(i,j)+180°+α]的像素，且eij不在集合S内，则将eij及其检索到的M个边缘像素增加到集合S中，记录为(eij,Fij)，其中
Figure BDA0003852346880000062
Figure BDA0003852346880000063
为eij的反向边缘像素集合。检索边缘图像Ei各边缘像素点后，形成集合S。对集合S中的各边缘像素点eij进行基于距离和梯度方向的聚类，聚类采用具有噪声的基于密度聚类(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)算法，得到与eij临近且梯度方向接近的边缘像素点，即得到eij所在的第k衍射条纹的单边像素集合Sk。同时，对集合Sk中各边缘像素点对应的反向边缘像素集合进行并集运算，得到Sk的反向条纹像素集合
Figure BDA0003852346880000064
则定位到的第k条衍射条纹区域为Sk与
Figure BDA0003852346880000065
之间的区域。
上述太赫兹图像衍射条纹识别与定位过程如图1所示。
本发明提出的太赫兹图像衍射条纹识别与定位方法具体步骤如下：
步骤1：根据太赫兹成像系统中太赫兹波长和衍射定理，对不同尺寸和不同倾斜度直线、不同弯曲度曲线的边缘人工生成衍射条纹图像，对不同尺寸的矩形和圆形孔洞人工生成衍射条纹图像，生成的多种衍射条纹图像作为训练数据集y；
步骤2：采用训练数据集y对Faster-RCNN进行训练，并采用Faster-RCNN训练后网络对太赫兹图像进行衍射条纹识别，定位出N个含有衍射条纹的图像区域，记为Ri，i＝1,2,...,N；
步骤3：计算Ri的基于Sobel算子的梯度图，得到Ri各像素点的梯度大小和方向，再采用模糊c均值聚类方法对Ri各像素点梯度大小进行类别数为2的聚类，即将梯度图中的边缘和背景分为两类，得到Ri的边缘图像Ei；
步骤4：初始化集合S为空集；
步骤5：选定Ei中第j个边缘像素点eij，在距离像素点eij的距离小于d的临近像素中，沿着α(i,j)+180°的方向进行检索，其中α(i,j)为eij的梯度方向，计算如公式(1)所示。若存在梯度方向位于[α(i,j)+180°-α,α(i,j)+180°+α]的边缘像素，且eij不在集合S内，则将eij及其检索到的M个边缘像素添加到集合S中，记录为(eij,Fij)，其中
Figure BDA0003852346880000071
为eij的反向边缘像素集合。
步骤6：对Ei中各边缘像素点重复步骤5，形成集合S；
步骤7：对集合S中的所有边缘像素点进行基于距离和梯度方向的DBSCAN聚类，得到距离相近且梯度方向接近的边缘像素点子集。如得到的第k个子集即为第k条衍射条纹的单边像素集合Sk。同时，对集合Sk中各边缘像素点对应的反向像素集合进行求并集，得到Sk的反向条纹像素集合
Figure BDA0003852346880000072
则定位到的第k条衍射条纹区域为Sk与
Figure BDA0003852346880000073
之间的区域，完成衍射条纹区域的精确定位。
实施例2
如图2所示，本发明一种太赫兹图像衍射条纹识别与定位系统，包括训练数据集生成模块、衍射条纹识别模块、边缘图像计算模块、边缘像素点检索模块和衍射条纹定位模块；
所述训练数据集生成模块用于根据太赫兹成像系统中太赫兹波长和衍射定理，对不同尺寸和不同倾斜度直线、不同弯曲度曲线的边缘人工生成衍射条纹图像，对不同尺寸的矩形和圆形孔洞人工生成衍射条纹图像，生成的多种衍射条纹图像作为训练数据集y；
所述衍射条纹识别模块用于采用训练数据集y对快速区域卷积神经网络进行训练，并采用训练后的快速区域卷积神经网络对太赫兹图像进行衍射条纹识别，定位出N个含有衍射条纹的图像区域，记为Ri，i＝1,2,...,N；
所述边缘图像计算模块用于计算Ri的基于索贝尔算子的梯度图，得到Ri各像素点的梯度大小和方向，再采用模糊c均值聚类方法对Ri各像素点梯度大小进行类别数为2的聚类，即将梯度图中的边缘和背景分为两类，得到Ri的边缘图像Ei；
所述边缘像素点检索模块用于选定Ei中第j个边缘像素点eij，在距离像素点eij的距离小于d的临近像素中，沿着α(i,j)+180°的方向进行检索，其中α(i,j)为eij的梯度方向，若存在梯度方向位于[α(i,j)+180°-α,α(i,j)+180°+α]的边缘像素，且eij不在集合S内，则将eij及其检索到的M个边缘像素添加到集合S中，记录为(eij,Fij)，其中
Figure BDA0003852346880000081
为eij的反向边缘像素集合；检索边缘图像Ei中各边缘像素点后，形成集合S；
所述衍射条纹定位模块用于对集合S中的所有边缘像素点进行基于距离和梯度方向的聚类，得到距离相近且梯度方向接近的边缘像素点子集；如得到的第k个子集即为第k条衍射条纹的单边像素集合Sk；同时，对集合Sk中各边缘像素点对应的反向像素集合进行求并集，得到Sk的反向条纹像素集合
Figure BDA0003852346880000091
则定位到的第k条衍射条纹区域为Sk与
Figure BDA0003852346880000092
之间的区域，完成衍射条纹区域的精确定位。
本实施例中的其他特征与实施例1相同，故在此不再赘述。
实施例3
基于相同的构思，本发明还提供了一种实体结构示意图，如图3所示，该服务器可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行所述太赫兹图像衍射条纹识别与定位方法的步骤。例如包括：
步骤1：根据太赫兹成像系统中太赫兹波长和衍射定理，对不同尺寸和不同倾斜度直线、不同弯曲度曲线的边缘人工生成衍射条纹图像，对不同尺寸的矩形和圆形孔洞人工生成衍射条纹图像，生成的多种衍射条纹图像作为训练数据集y；
步骤2：采用训练数据集y对Faster-RCNN进行训练，并采用Faster-RCNN训练后网络对太赫兹图像进行衍射条纹识别，定位出N个含有衍射条纹的图像区域，记为Ri，i＝1,2,...,N；
步骤3：计算Ri的基于Sobel算子的梯度图，得到Ri各像素点的梯度大小和方向，再采用模糊c均值聚类方法对Ri各像素点梯度大小进行类别数为2的聚类，即将梯度图中的边缘和背景分为两类，得到Ri的边缘图像Ei；
步骤4：初始化集合S为空集；
步骤5：选定Ei中第j个边缘像素点eij，在距离像素点eij的距离小于d的临近像素中，沿着α(i,j)+180°的方向进行检索，其中α(i,j)为eij的梯度方向，计算如公式(1)所示。若存在梯度方向位于[α(i,j)+180°-α,α(i,j)+180°+α]的边缘像素，且eij不在集合S内，则将eij及其检索到的M个边缘像素添加到集合S中，记录为(eij,Fij)，其中
Figure BDA0003852346880000101
为eij的反向边缘像素集合。
步骤6：对Ei中各边缘像素点重复步骤5，形成集合S；
步骤7：对集合S中的所有边缘像素点进行基于距离和梯度方向的DBSCAN聚类，得到距离相近且梯度方向接近的边缘像素点子集。如得到的第k个子集即为第k条衍射条纹的单边像素集合Sk。同时，对集合Sk中各边缘像素点对应的反向像素集合进行求并集，得到Sk的反向条纹像素集合
Figure BDA0003852346880000102
则定位到的第k条衍射条纹区域为Sk与
Figure BDA0003852346880000103
之间的区域，完成衍射条纹区域的精确定位。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例4
基于相同的构思，本发明还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现所述太赫兹图像衍射条纹识别与定位方法的步骤。例如包括：
步骤1：根据太赫兹成像系统中太赫兹波长和衍射定理，对不同尺寸和不同倾斜度直线、不同弯曲度曲线的边缘人工生成衍射条纹图像，对不同尺寸的矩形和圆形孔洞人工生成衍射条纹图像，生成的多种衍射条纹图像作为训练数据集y；
步骤2：采用训练数据集y对Faster-RCNN进行训练，并采用Faster-RCNN训练后网络对太赫兹图像进行衍射条纹识别，定位出N个含有衍射条纹的图像区域，记为Ri，i＝1,2,...,N；
步骤3：计算Ri的基于Sobel算子的梯度图，得到Ri各像素点的梯度大小和方向，再采用模糊c均值聚类方法对Ri各像素点梯度大小进行类别数为2的聚类，即将梯度图中的边缘和背景分为两类，得到Ri的边缘图像Ei；
步骤4：初始化集合S为空集；
步骤5：选定Ei中第j个边缘像素点eij，在距离像素点eij的距离小于d的临近像素中，沿着α(i,j)+180°的方向进行检索，其中α(i,j)为eij的梯度方向，计算如公式(1)所示。若存在梯度方向位于[α(i,j)+180°-α,α(i,j)+180°+α]的边缘像素，且eij不在集合S内，则将eij及其检索到的M个边缘像素添加到集合S中，记录为(eij,Fij)，其中
Figure BDA0003852346880000111
为eij的反向边缘像素集合。
步骤6：对Ei中各边缘像素点重复步骤5，形成集合S；
步骤7：对集合S中的所有边缘像素点进行基于距离和梯度方向的DBSCAN聚类，得到距离相近且梯度方向接近的边缘像素点子集。如得到的第k个子集即为第k条衍射条纹的单边像素集合Sk。同时，对集合Sk中各边缘像素点对应的反向像素集合进行求并集，得到Sk的反向条纹像素集合
Figure BDA0003852346880000112
则定位到的第k条衍射条纹区域为Sk与
Figure BDA0003852346880000113
之间的区域，完成衍射条纹区域的精确定位。
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申请所述的流程或功能。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)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SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种太赫兹图像衍射条纹识别与定位方法，其特征在于，包括如下步骤：
步骤1：根据太赫兹成像系统中太赫兹波长和衍射定理，对不同尺寸和不同倾斜度直线、不同弯曲度曲线的边缘人工生成衍射条纹图像，对不同尺寸的矩形和圆形孔洞人工生成衍射条纹图像，生成的多种衍射条纹图像作为训练数据集y；
步骤2：采用训练数据集y对快速区域卷积神经网络进行训练，并采用训练后的快速区域卷积神经网络对太赫兹图像进行衍射条纹识别，定位出N个含有衍射条纹的图像区域，记为Ri，i＝1,2,...,N；
步骤3：计算Ri的基于索贝尔算子的梯度图，得到Ri各像素点的梯度大小和方向，再采用模糊c均值聚类方法对Ri各像素点梯度大小进行类别数为2的聚类，即将梯度图中的边缘和背景分为两类，得到Ri的边缘图像Ei；
步骤4：初始化集合S为空集；
步骤5：选定Ei中第j个边缘像素点eij，在距离像素点eij的距离小于d的临近像素中，沿着α(i,j)+180°的方向进行检索，其中α(i,j)为eij的梯度方向，若存在梯度方向位于[α(i,j)+180°-α,α(i,j)+180°+α]的边缘像素，且eij不在集合S内，则将eij及其检索到的M个边缘像素添加到集合S中，记录为(eij,Fij)，其中
Figure FDA0003852346870000011
Figure FDA0003852346870000012
为eij的反向边缘像素集合；
步骤6：对Ei中各边缘像素点重复步骤5，形成集合S；
步骤7：对集合S中的所有边缘像素点进行基于距离和梯度方向的聚类，得到距离相近且梯度方向接近的边缘像素点子集；如得到的第k个子集即为第k条衍射条纹的单边像素集合Sk；同时，对集合Sk中各边缘像素点对应的反向像素集合进行求并集，得到Sk的反向条纹像素集合
Figure FDA0003852346870000013
则定位到的第k条衍射条纹区域为Sk与
Figure FDA0003852346870000014
之间的区域，完成衍射条纹区域的精确定位。
2.根据权利要求1所述的太赫兹图像衍射条纹识别与定位方法，其特征在于，梯度方向计算如公式(1)所示：
Figure FDA0003852346870000021
其中Gy(i,j)和Gx(i,j)为像素点eij分别沿y方向和x方向的基于Sobel算子的梯度值。
3.根据权利要求1所述的太赫兹图像衍射条纹识别与定位方法，其特征在于，步骤7中，对集合S中的所有边缘像素点进行基于距离和梯度方向的聚类，聚类采用具有噪声的基于密度聚类算法。
4.一种太赫兹图像衍射条纹识别与定位系统，其特征在于，包括：
训练数据集生成模块，用于根据太赫兹成像系统中太赫兹波长和衍射定理，对不同尺寸和不同倾斜度直线、不同弯曲度曲线的边缘人工生成衍射条纹图像，对不同尺寸的矩形和圆形孔洞人工生成衍射条纹图像，生成的多种衍射条纹图像作为训练数据集y；
衍射条纹识别模块，用于采用训练数据集y对快速区域卷积神经网络进行训练，并采用训练后的快速区域卷积神经网络对太赫兹图像进行衍射条纹识别，定位出N个含有衍射条纹的图像区域，记为Ri，i＝1,2,...,N；
边缘图像计算模块，用于计算Ri的基于索贝尔算子的梯度图，得到Ri各像素点的梯度大小和方向，再采用模糊c均值聚类方法对Ri各像素点梯度大小进行类别数为2的聚类，即将梯度图中的边缘和背景分为两类，得到Ri的边缘图像Ei；
边缘像素点检索模块，用于选定Ei中第j个边缘像素点eij，在距离像素点eij的距离小于d的临近像素中，沿着α(i,j)+180°的方向进行检索，其中α(i,j)为eij的梯度方向，若存在梯度方向位于[α(i,j)+180°-α,α(i,j)+180°+α]的边缘像素，且eij不在集合S内，则将eij及其检索到的M个边缘像素添加到集合S中，记录为(eij,Fij)，其中
Figure FDA0003852346870000031
为eij的反向边缘像素集合；检索边缘图像Ei中各边缘像素点后，形成集合S；
衍射条纹定位模块，用于对集合S中的所有边缘像素点进行基于距离和梯度方向的聚类，得到距离相近且梯度方向接近的边缘像素点子集；如得到的第k个子集即为第k条衍射条纹的单边像素集合Sk；同时，对集合Sk中各边缘像素点对应的反向像素集合进行求并集，得到Sk的反向条纹像素集合
Figure FDA0003852346870000032
则定位到的第k条衍射条纹区域为Sk与
Figure FDA0003852346870000033
之间的区域，完成衍射条纹区域的精确定位。
5.根据权利要求4所述的太赫兹图像衍射条纹识别与定位系统，其特征在于，梯度方向计算如公式(1)所示：
Figure FDA0003852346870000034
其中Gy(i,j)和Gx(i,j)为像素点eij分别沿y方向和x方向的基于Sobel算子的梯度值。
6.根据权利要求4所述的太赫兹图像衍射条纹识别与定位系统，其特征在于，对集合S中的所有边缘像素点进行基于距离和梯度方向的聚类，聚类采用具有噪声的基于密度聚类算法。
7.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-3任一所述的太赫兹图像衍射条纹识别与定位方法的步骤。
8.一种非暂态计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-3任一所述的太赫兹图像衍射条纹识别与定位方法的步骤。
CN202211138408.6A 2022-09-19 2022-09-19 一种太赫兹图像衍射条纹识别与定位方法及系统 Pending CN115439457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211138408.6A CN115439457A (zh) 2022-09-19 2022-09-19 一种太赫兹图像衍射条纹识别与定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211138408.6A CN115439457A (zh) 2022-09-19 2022-09-19 一种太赫兹图像衍射条纹识别与定位方法及系统

Publications (1)

Publication Number Publication Date
CN115439457A true CN115439457A (zh) 2022-12-06

Family

ID=84249888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211138408.6A Pending CN115439457A (zh) 2022-09-19 2022-09-19 一种太赫兹图像衍射条纹识别与定位方法及系统

Country Status (1)

Country Link
CN (1) CN115439457A (zh)

Similar Documents

Publication Publication Date Title
Jin et al. A deep 3D residual CNN for false‐positive reduction in pulmonary nodule detection
US11593943B2 (en) RECIST assessment of tumour progression
CA2997579C (en) Crowdsourcing and deep learning based segmenting and karyotyping of chromosomes
CN108470332B (zh) 一种多目标跟踪方法及装置
CN108280477B (zh) 用于聚类图像的方法和装置
CN107424171B (zh) 一种基于分块的抗遮挡目标跟踪方法
US7602965B2 (en) Object detection using cross-section analysis
CN110889318B (zh) 利用cnn的车道检测方法和装置
CN110852349B (zh) 一种图像处理方法、检测方法、相关设备及存储介质
Gala et al. Active learning of neuron morphology for accurate automated tracing of neurites
Xiao et al. Two-dimensional visual tracking in construction scenarios: A comparative study
CN112419271B (zh) 一种图像分割方法、装置及计算机可读存储介质
CN110717480B (zh) 基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法
Li et al. SparseTracer: the reconstruction of discontinuous neuronal morphology in noisy images
CN112330701A (zh) 基于极坐标表示的组织病理图像细胞核分割方法及系统
Yu et al. Robust point cloud normal estimation via neighborhood reconstruction
CN115965750A (zh) 血管重建方法、装置、计算机设备和可读存储介质
CN113989574B (zh) 图像解释方法、图像解释装置、电子设备和存储介质
CN104268550A (zh) 特征提取方法及装置
CN111898408B (zh) 一种快速人脸识别方法及装置
Zamani Boroujeni et al. Coronary artery center-line extraction using second order local features
CN115439457A (zh) 一种太赫兹图像衍射条纹识别与定位方法及系统
CN113780421B (zh) 基于人工智能的脑部pet影像识别方法
CN114387308A (zh) 一种机器视觉特征跟踪系统
Khan et al. Deriving scale normalisation factors for a GLoG detector

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