CN118115500B - 一种用于背散射探测的图像处理系统 - Google Patents
一种用于背散射探测的图像处理系统 Download PDFInfo
- Publication number
- CN118115500B CN118115500B CN202410532602.5A CN202410532602A CN118115500B CN 118115500 B CN118115500 B CN 118115500B CN 202410532602 A CN202410532602 A CN 202410532602A CN 118115500 B CN118115500 B CN 118115500B
- Authority
- CN
- China
- Prior art keywords
- image
- image information
- information
- main
- dimensional model
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000013136 deep learning model Methods 0.000 claims description 18
- 239000003086 colorant Substances 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 11
- 230000004069 differentiation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 5
- 230000036544 posture Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007408 cone-beam computed tomography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种用于背散射探测的图像处理系统,包括:图像采集模块,配置为两个位置基于背散射进行被检测者的检测,而图像采集模块形成获取被检测者的图像信息,基于两个检测位置进行三维坐标(x.y.z)的建立,图像采集模块依据三维坐标(x.y.z)原点(0.0.0)转动,且两图像采集模块到坐标原点(0.0.0)之间距离不同,两图像采集模块之间形成探测间距L,两图像采集模块采集的图像信息分为主图像信息Da和副图像信息Db。本申请在进行图像采集时,通过两个位置实现对图像的采集,即通过两个成像位置或被检测者呈现两个姿态进行三维模型的建立,从而用来确保三维模型建立后与被检测者的检测位置实际大小匹配。
Description
技术领域
本发明涉及射线图像处理技术领域,具体为一种用于背散射探测的图像处理系统。
背景技术
口腔CT背散射是指在口腔锥形束计算机断层扫描(CBCT)中,由于X射线与口腔组织的相互作用,产生的散射光子对图像质量的影响。口腔CT背散射会导致图像模糊、对比度降低、伪影等问题,影响诊断的准确性。
口腔CT背散射的图像质量受多种因素影响,如X射线源、探测器、扫描参数、重建算法等。提高口腔CT背散射的图像质量的方法有以下几种:
使用散射栅或抗散射栅,可以有效减少散射光子的影响,提高图像对比度和清晰度。
增加曝光时间或管电流,可以增加X射线的强度,提高图像信噪比。
改进图像重建算法,可以利用先验信息或迭代方法,降低图像噪声和伪影,提高图像分辨率和准确性。
使用双源或双能量技术,可以实现大视野成像,克服锥形束效应,减少CT值漂移,保证图像的稳定性和一致性。
中国专利公告号CN114612346A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。
在对图像进行处理时,通过锥形束投射技术,进行三维数据的重建,在需要保证图像质量的情况下,使用散射栅或抗散射栅,可以有效减少散射光子的影响,提高图像对比度和清晰度;增加曝光时间或管电流,可以增加X射线的强度,提高图像信噪比,X射线的强度越高,对人体的损伤越大,因此,图像重建更适用于口腔CT。
发明内容
本发明的目的之一在于提供一种用于背散射探测的图像处理系统,通过建设两个位置的三维模型,依据患者位置进行坐标轴的建立,进行两个位置三维模型形变值的计算,形成与实际大小相匹配的三维模型,在生成三维图像后对图像进行重建,获取清洗图像。
为实现以上目的,本发明通过以下技术方案予以实现:一种用于背散射探测的图像处理系统,包括:
图像采集模块,配置为两个位置基于背散射进行被检测者的检测,而图像采集模块形成获取被检测者的图像信息,基于两个检测位置进行三维坐标(x.y.z)的建立,图像采集模块依据三维坐标(x.y.z)原点(0.0.0)转动,且两图像采集模块到坐标原点(0.0.0)之间距离不同,两图像采集模块之间形成探测间距L,两图像采集模块采集的图像信息分为主图像信息Da和副图像信息Db;
图像处理模型,获取图像采集模块所采集的主图像信息Da和副图像信息Db,对主图像信息Da和副图像信息Db进行图像数字化处理,获得主数字图像Sa和副数字图像Sb,根据主图像信息Da以及副图像信息Db之间的图像色彩以及精细度差距,进行主图像信息Da和副图像信息Db的图像补全;
图像三维模型,获取主图像信息Da和副图像信息Db,基于主图像信息Da和副图像信息Db分别建立主三维模型Ta和副三维模型Tb,基于两个图像采集模块之间的探测间距L以及主三维模型Ta和副三维模型Tb之间的形变量对三维模型进行重建,获取到与被检测者实际大小一致的检测三维模型Tc。
在本发明一或多个实施方式中,两图像采集模块所产生X射线的角度不同,使主图像信息Da和副图像信息Db之间产生背散射图像颜色差别,采集主图像信息Da和副图像信息Db不同颜色差别所产生的图像信息变化差异化信息Xa,获取差异化信息Xa中的离散点a。
在本发明一或多个实施方式中,基于差异化信息Xa中的离散点a进行深度学习模型的建立,即获取不同位置的差异化信息Xa以及离散点a位置,通过深度学习模型进行差异化信息Xa以及离散点a的特征提取。
在本发明一或多个实施方式中,对于主图像信息Da以及副图像信息Db转换为主数字图像Sa以及副数字图像Sb的方法如下:
步骤一,对主图像信息Da和副图像信息Db进行采集,对主图像信息Da以及副图像信息Db的空间分布和灰度值进行离散化处理,得到一个二维数组;
步骤二,对采样出来的像素点转化为离散的数量值,将图像信息的灰度级离散化,得到一个有限的灰度集合。
在本发明一或多个实施方式中,为了提高主图像信息Da和副图像信息Db转换为主数字图像Sa和副数字图像Sb的速度,在主图像信息Da和副图像信息Db进行主数字图像Sa和副数字图像Sb的转换时,进行图像标记Kx,其中,x为标记区分数字,即获取到不同颜色图像边缘的图像信息,去除图像边缘的内部图像,调整图像信息的灰度值、亮度以及对比度,对存在不同颜色图像边缘的图像信息位置以及其能够显示出的灰度值、亮度以及对比度进行标记,在图像标记Kx后生成灰度值、亮度以及对比度的范围值,记为Kxn1-m1,n2-m2,n3-m3,其中n1-m1为灰度值范围值,n2-m2为亮度范围值,n3-m3为对比度的范围值。
在本发明一或多个实施方式中,通过图像标记Kx对深度学习模型中的差异化信息Xa以及离散点a位置进行修正,去除差异化信息Xa中噪声,进行图像信息中边缘的补全,即基于主图像信息Da和副图像信息Db中对图像边缘中离散点a的进一步优化进行深度学习模型所提取特征的优化。
在本发明一或多个实施方式中,主图像信息Da和副图像信息Db去除图像边缘的内部图像后所形成的图像标记Kx形成主边缘化图像Ba以及副边缘化图像Bb,对边缘化图像进行滤波和锐化调整,使边缘化图像形成清晰的视觉效果对边缘化图像中不同颜色的图像进行显示。
在本发明一或多个实施方式中,获取主边缘化图像Ba以及副边缘化图像Bb中的图形差异点Q,对主图像信息Da以及副图像信息Db进行补全,基于三维坐标(x.y.z)进行图形差异点Q位置的定位,获取差异点Q位置坐标,提取主图像信息Da以及副图像信息Db中该差异点Q位置坐标的离散点a,通过离散点a进行补全;
基于图像标记Kx对深度学习模型中的差异化信息Xa以及离散点a位置进行修正,去除差异化信息Xa中的噪声,由去除差异化信息Xa噪声的差异化信息Xa进行主图像信息Da和副图像信息Db的替换,完成对图像信息的补全。
在本发明一或多个实施方式中,基于主图像信息Da和副图像信息Db进行主三维模型Ta和副三维模型Tb的建立,获取图像信息中的图像边缘像素点,对像素点进行填充,计算像素点的面积,基于像素点面积进行三维模型的建立,并计算相似轮廓模型的体积,获取主三维模型Ta和副三维模型Tb之间的体积差值R。
在本发明一或多个实施方式中,通过主三维模型Ta和副三维模型Tb之间的体积差值R以及图像采集模块之间的探测间距L,计算体积差值R与探测间距L之间的缩放值i,即缩放值i=R/L,获取主三维模型Ta和副三维模型Tb距离三维坐标(x.y.z)原点(0.0.0)的距离,并根据缩放值i进行主三维模型Ta和副三维模型Tb的缩放,缩放后的主三维模型Ta和副范围模型进行尺寸均值的计算,基于尺寸均值生成检测三维模型Tc。
通过上述技术方案,本发明具备以下有益效果:
1、本申请在进行图像采集时,通过两个位置实现对图像的采集,即通过两个成像位置或被检测者呈现两个姿态进行三维模型的建立,从而用来确保三维模型建立后与被检测者的检测位置实际大小匹配,基于两个三维图像差之间的尺寸进行相应的检测。
2、在通过两个位置进行图像的采集时,两个采集位置X射线进行图像采集的角度不同,形成两个不同颜色差的图像,在进行图像的处理时,能够依据两个图像中的不同图像形状与颜色区别,进行精确的处理,从而实现对于图像处理的精确。
3、进行图像的分析处理时,进行三维模型的建立时,通过两个位置所采集图像信息的重建,进行三维模型的校准,来精确三维模型的信息,而在对图像信息进行重建时,根据两个图像在不同处理的方式,进行相应图像形状的调整。
4、利用两个图像中不同位置的拼接方式,进行图像边缘的计算,获取到图像变化的形态变化,从而能够保证图像边缘位置的清晰度,而通过多个角度进行图像边缘精度的计算,能够确保在图像处理之后的清洗,保证稳定的图像输出。
附图说明
图1为本发明的图像处理系统流程图;
图2为本发明的三维坐标示意图。
具体实施方式
以下将以附图揭露本发明的多个实施方式,为明确说明起见,许多实务上的细节将在以下叙述中一并说明。然而,应了解到,这些实务上的细节不应用以限制本发明。也就是说,在本发明部分实施方式中,这些实务上的细节是非必要的。且若实施上为可能,不同实施例的特征是可以交互应用。
除非另有定义,本文所使用的所有词汇(包括技术和科学术语)具有其通常的意涵,其意涵能够被熟悉此领域者所理解。更进一步的说,上述的词汇在普遍常用的字典中的定义,在本说明书的内容中应被解读为与本发明相关领域一致的意涵。除非有特别明确定义,这些词汇将不被解释为理想化的或过于正式的意涵。
请参阅图1-图2,本发明提供一种用于背散射探测的图像处理系统,进行口腔CT背散射图像的处理,获取到被检测者的图像信息,对图像信息进行相应的处理时,能够对图像信息进行处理,使图像更加清晰,基于图像信息进行三维模型的建立。包括:
图像采集模块,配置为两个位置基于背散射进行被检测者的检测,而图像采集模块形成获取被检测者的图像信息,基于两个检测位置进行三维坐标(x.y.z)的建立,图像采集模块依据三维坐标(x.y.z)原点(0.0.0)转动,且两图像采集模块到坐标原点(0.0.0)之间距离不同,两图像采集模块之间形成探测间距L,两图像采集模块采集的图像信息分为主图像信息Da和副图像信息Db;
图像处理模型,获取图像采集模块所采集的主图像信息Da和副图像信息Db,对主图像信息Da和副图像信息Db进行图像数字化处理,获得主数字图像Sa和副数字图像Sb,根据主图像信息Da以及副图像信息Db之间的图像色彩以及精细度差距,进行主图像信息Da和副图像信息Db的图像补全;
图像三维模型,获取主图像信息Da和副图像信息Db,基于主图像信息Da和副图像信息Db分别建立主三维模型Ta和副三维模型Tb,基于两个图像采集模块之间的探测间距L以及主三维模型Ta和副三维模型Tb之间的形变量对三维模型进行重建,获取到与被检测者实际大小一致的检测三维模型Tc。
在本实施例中,基于两个位置进行被检测者的检测,能够获取到两个位置的图像信息,即主图像信息Da和副图像信息Db,由于两个图像采集模块所采集的位置不同,能够基于两者之间的位置差进行形变量的计算,从而能够根据三维坐标(x.y.z)信息进行检测三维模型Tc的复原。
其中,在通过两个位置所采集的主图像信息Da以及副图像信息Db能够获取到两个图像信息,而两个图像信息之间存在的颜色差距以及不同角度位置图像边缘的清晰度,对图像进行处理,进行主图像信息Da以及副图像信息Db的补全,从而能够使三维模型在建立后边缘信息能够更完整。
在一种实施例中,两图像采集模块所产生X射线的角度不同,使主图像信息Da和副图像信息Db之间产生背散射图像颜色差别,采集主图像信息Da和副图像信息Db不同颜色差别所产生的图像信息变化差异化信息Xa,获取差异化信息Xa中的离散点a。
在本实施例中,图像采集模块形成两个X射线的角度,在获取图像信息时,能够获取到两个呈现不同颜色且不同角度的图像信息,而两个不同颜色之间的图像信息内图像边缘差异化信息Xa,差异化信息Xa的不同能够对图像边缘进行处理。
其中,为了更好的对差异化信息Xa进行处理,在进行差异化信息Xa的采集时,进行主图像信息Da和副图像信息Db中差异化信息Xa的标定,即采集的差异化信息Xa范围大小相同,从而以便于对差异化信息Xa中的离散点a进行分析。
在一种实施例中,基于差异化信息Xa中的离散点a进行深度学习模型的建立,即获取不同位置的差异化信息Xa以及离散点a位置,通过深度学习模型进行差异化信息Xa以及离散点a的特征提取。
在本实施例中,依据差异化信息Xa以及离散点a的特征进行深度学习模型的建立,能够获取到该位置图像边缘呈现的状态,依据该状态来进行图像处理方法的选用,能够更加快速的找到相应的图像处理方式,从而快速的对图像进行处理。
在一种实施例中,对于主图像信息Da以及副图像信息Db转换为主数字图像Sa以及副数字图像Sb的方法如下:
步骤一,对主图像信息Da和副图像信息Db进行采集,对主图像信息Da以及副图像信息Db的空间分布和灰度值进行离散化处理,得到一个二维数组;
步骤二,对采样出来的像素点转化为离散的数量值,将图像信息的灰度级离散化,得到一个有限的灰度集合。
在本实施例中,将主图像信息Da和副图像信息Db转换为主数字图像Sa以及副数字图像Sb,能够提高图像处理的处理精度和重现性,避免图像的退化和失真,且能够便于对图像进行储存、传输和显示,以便对该位置进行处理。
在一种实施例中,为了提高主图像信息Da和副图像信息Db转换为主数字图像Sa和副数字图像Sb的速度,在主图像信息Da和副图像信息Db进行主数字图像Sa和副数字图像Sb的转换时,进行图像标记Kx,其中,x为标记区分数字,即获取到不同颜色图像边缘的图像信息,去除图像边缘的内部图像,调整图像信息的灰度值、亮度以及对比度,对存在不同颜色图像边缘的图像信息位置以及其能够显示出的灰度值、亮度以及对比度进行标记,在图像标记Kx后生成灰度值、亮度以及对比度的范围值,记为Kxn1-m1,n2-m2,n3-m3,其中n1-m1为灰度值范围值,n2-m2为亮度范围值,n3-m3为对比度的范围值。
在本实施例中,通过标记在不同灰度值、亮度以及对比度情况下所出现不同颜色图像边缘的图像信息,能够更好的对图像信息进行处理,采集不同颜色拼接位置的图像信息,舍弃图像边缘内部相同颜色的图像,能够提高图像信息到数字图像的转化速度。
而由于图像信息在不同的灰度值、亮度以及对比度下所呈现出的颜色不同,因此,在进行图像处理时,根据对于图像标记Kx中显现出来的灰度值、亮度以及对比度范围,能够分析该位置颜色与其相邻位置颜色的差别值,以便于根据差别值进行分析。
在一种实施例中,通过图像标记Kx对深度学习模型中的差异化信息Xa以及离散点a位置进行修正,去除差异化信息Xa中噪声,进行图像信息中边缘的补全,即基于主图像信息Da和副图像信息Db中对图像边缘中离散点a的进一步优化进行深度学习模型所提取特征的优化。
在本实施例中,通过对差异化信息Xa以及离散点a的修正,能够减少差异化信息Xa中的噪声,从而能够获取到不同的信息,而离散点a的位置与图像信息中的图像边缘进行优化,从而使图像边缘能够更加流畅、平滑的过渡,使图像边缘更加清晰。
而深度学习模型对于差异化信息Xa中的特征提取进行修正,能够根据该差异化信息Xa中离散点a的分析,通过深度学习模型不断的进行学习,能够获取不同离散点a位置下,该位置所匹配的灰度值、亮度以及对比度范围,以便于更好的对差异化信息Xa中的边缘进行修正。
在一种实施例中,主图像信息Da和副图像信息Db去除图像边缘的内部图像后所形成的图像标记Kx形成主边缘化图像Ba以及副边缘化图像Bb,对边缘化图像进行滤波和锐化调整,使边缘化图像形成清晰的视觉效果对边缘化图像中不同颜色的图像进行显示。
在本实施例中,对边缘话图像进行滤波和锐化的调整能够使产生颜色差的两图形边缘位置更加明显,以用于对两个不同位置图形的区分,进而能够更加清晰直观的进行图像的展示,来确保图像的清晰,由于经过滤波和锐化调整后的图像并非为最合适的观看效果,会呈现出不同的颜色,因此,对不同位置的图形进行颜色替换,输出为合适的颜色。
在一种实施例中,获取主边缘化图像Ba以及副边缘化图像Bb中的图形差异点Q,对主图像信息Da以及副图像信息Db进行补全,基于三维坐标(x.y.z)进行图形差异点Q位置的定位,获取差异点Q位置坐标,提取主图像信息Da以及副图像信息Db中该差异点Q位置坐标的离散点a,通过离散点a进行补全;
基于图像标记Kx对深度学习模型中的差异化信息Xa以及离散点a位置进行修正,去除差异化信息Xa中的噪声,由去除差异化信息Xa噪声的差异化信息Xa进行主图像信息Da和副图像信息Db的替换,完成对图像信息的补全。
在本实施例中,基于差异点Q位置坐标的不同能够实现对该差异点Q位置的定位,从而能够获取到包含该差异点Q位置的主图像信息Da以及副图像信息Db,根据多个图像信息来进行差异点Q位置的图像补全,获取完整的图像信息,而由于在图像信息采集的过程中其图像未经过处理,因此,图像信息的边缘位置并不清晰,经过深度学习模型以及图像标记Kx的补全,来保证图像信息边缘化的信息完整且清晰。
在一种实施例中,基于主图像信息Da和副图像信息Db进行主三维模型Ta和副三维模型Tb的建立,获取图像信息中的图像边缘像素点,对像素点进行填充,计算像素点的面积,基于像素点面积进行三维模型的建立,并计算相似轮廓模型的体积,获取主三维模型Ta和副三维模型Tb之间的体积差值R。
在本实施例中,获取主三维模型Ta和副三维模型Tb之间的体积差值R,能够反映图像采集模块在不同位置所采集的图像信息大小以及缩放量,以便于对图像信息进行处理,能够计算图像信息中所呈现被检测者图像的实际尺寸。
在一种实施例中,通过主三维模型Ta和副三维模型Tb之间的体积差值R以及图像采集模块之间的探测间距L,计算体积差值R与探测间距L之间的缩放值i,即缩放值i=R/L,获取主三维模型Ta和副三维模型Tb距离三维坐标(x.y.z)原点(0.0.0)的距离,并根据缩放值i进行主三维模型Ta和副三维模型Tb的缩放,缩放后的主三维模型Ta和副范围模型进行尺寸均值的计算,基于尺寸均值生成检测三维模型Tc。
在本实施例中,基于探测间距L计算缩放值i能够精准的对三维模型进行缩放,以便于对三维模型的实际尺寸进行计算,从而能够获取到较为精准的三维模型,以便于根据三维模型对被检测者信息进行判断。
综上所述,本发明上述实施方式所揭露的技术方案至少具有以下优点:
1、本申请在进行图像采集时,通过两个位置实现对图像的采集,即通过两个成像位置或被检测者呈现两个姿态进行三维模型的建立,从而用来确保三维模型建立后与被检测者的检测位置实际大小匹配,基于两个三维图像差之间的尺寸进行相应的检测。
2、在通过两个位置进行图像的采集时,两个采集位置X射线进行图像采集的角度不同,形成两个不同颜色差的图像,在进行图像的处理时,能够依据两个图像中的不同图像形状与颜色区别,进行精确的处理,从而实现对于图像处理的精确。
3、进行图像的分析处理时,进行三维模型的建立时,通过两个位置所采集图像信息的重建,进行三维模型的校准,来精确三维模型的信息,而在对图像信息进行重建时,根据两个图像在不同处理的方式,进行相应图像形状的调整。
4、利用两个图像中不同位置的拼接方式,进行图像边缘的计算,获取到图像变化的形态变化,从而能够保证图像边缘位置的清晰度,而通过多个角度进行图像边缘精度的计算,能够确保在图像处理之后的清洗,保证稳定的图像输出。
虽然结合以上实施方式公开了本发明,然而其并非用以限定本发明,任何熟悉此技艺者,在不脱离本发明的精神和范围内,可作各种的更动与润饰,因此本发明的保护范围应当以所附的权利要求所界定的为准。
Claims (10)
1.一种用于背散射探测的图像处理系统,其特征在于,包括:
图像采集模块,配置为两个位置基于背散射进行被检测者的检测,而图像采集模块形成获取被检测者的图像信息,基于两个检测位置进行三维坐标(x.y.z)的建立,图像采集模块依据三维坐标(x.y.z)原点(0.0.0)转动,且两图像采集模块到坐标原点(0.0.0)之间距离不同,两图像采集模块之间形成探测间距L,两图像采集模块采集的图像信息分为主图像信息Da和副图像信息Db;
图像处理模型,获取图像采集模块所采集的主图像信息Da和副图像信息Db,对主图像信息Da和副图像信息Db进行图像数字化处理,获得主数字图像Sa和副数字图像Sb,根据主图像信息Da以及副图像信息Db之间的图像色彩以及精细度差距,进行主图像信息Da和副图像信息Db的图像补全;
图像三维模型,获取主图像信息Da和副图像信息Db,基于主图像信息Da和副图像信息Db分别建立主三维模型Ta和副三维模型Tb,基于两个图像采集模块之间的探测间距L以及主三维模型Ta和副三维模型Tb之间的形变量对三维模型进行重建,获取到与被检测者实际大小一致的检测三维模型Tc。
2.根据权利要求1所述的一种用于背散射探测的图像处理系统,其特征在于,两图像采集模块所产生X射线的角度不同,使主图像信息Da和副图像信息Db之间产生背散射图像颜色差别,采集主图像信息Da和副图像信息Db不同颜色差别所产生的图像信息变化差异化信息Xa,获取差异化信息Xa中的离散点a。
3.根据权利要求2所述的一种用于背散射探测的图像处理系统,其特征在于,基于差异化信息Xa中的离散点a进行深度学习模型的建立,即获取不同位置的差异化信息Xa以及离散点a位置,通过深度学习模型进行差异化信息Xa以及离散点a的特征提取。
4.根据权利要求3所述的一种用于背散射探测的图像处理系统,其特征在于,对于主图像信息Da以及副图像信息Db转换为主数字图像Sa以及副数字图像Sb的方法如下:
步骤一,对主图像信息Da和副图像信息Db进行采集,对主图像信息Da以及副图像信息Db的空间分布和灰度值进行离散化处理,得到一个二维数组;
步骤二,对采样出来的像素点转化为离散的数量值,将图像信息的灰度级离散化,得到一个有限的灰度集合。
5.根据权利要求4所述的一种用于背散射探测的图像处理系统,其特征在于,主图像信息Da和副图像信息Db进行主数字图像Sa和副数字图像Sb的转换时,进行图像标记Kx,其中,x为标记区分数字,即获取到不同颜色图像边缘的图像信息,去除图像边缘的内部图像,调整图像信息的灰度值、亮度以及对比度,对存在不同颜色图像边缘的图像信息位置以及其能够显示出的灰度值、亮度以及对比度进行标记,在图像标记Kx后生成灰度值、亮度以及对比度的范围值,记为Kxn1-m1,n2-m2,n3-m3,其中n1-m1为灰度值范围值,n2-m2为亮度范围值,n3-m3为对比度的范围值。
6.根据权利要求5所述的一种用于背散射探测的图像处理系统,其特征在于,通过图像标记Kx对深度学习模型中的差异化信息Xa以及离散点a位置进行修正,去除差异化信息Xa中噪声,进行图像信息中边缘的补全,即基于主图像信息Da和副图像信息Db中对图像边缘中离散点a的进一步优化进行深度学习模型所提取特征的优化。
7.根据权利要求6所述的一种用于背散射探测的图像处理系统,其特征在于,主图像信息Da和副图像信息Db去除图像边缘的内部图像后所形成的图像标记Kx形成主边缘化图像Ba以及副边缘化图像Bb,对边缘化图像进行滤波和锐化调整,使边缘化图像形成清晰的视觉效果对边缘化图像中不同颜色的图像进行显示。
8.根据权利要求7所述的一种用于背散射探测的图像处理系统,其特征在于,获取主边缘化图像Ba以及副边缘化图像Bb中的图形差异点Q,对主图像信息Da以及副图像信息Db进行补全,基于三维坐标(x.y.z)进行图形差异点Q位置的定位,获取差异点Q位置坐标,提取主图像信息Da以及副图像信息Db中该差异点Q位置坐标的离散点a,通过离散点a进行补全;
基于图像标记Kx对深度学习模型中的差异化信息Xa以及离散点a位置进行修正,去除差异化信息Xa中的噪声,由去除差异化信息Xa噪声的差异化信息Xa进行主图像信息Da和副图像信息Db的替换,完成对图像信息的补全。
9.根据权利要求8所述的一种用于背散射探测的图像处理系统,其特征在于,基于主图像信息Da和副图像信息Db进行主三维模型Ta和副三维模型Tb的建立,获取图像信息中的图像边缘像素点,对像素点进行填充,计算像素点的面积,基于像素点面积进行三维模型的建立,并计算相似轮廓模型的体积,获取主三维模型Ta和副三维模型Tb之间的体积差值R。
10.根据权利要求9所述的一种用于背散射探测的图像处理系统,其特征在于,通过主三维模型Ta和副三维模型Tb之间的体积差值R以及图像采集模块之间的探测间距L,计算体积差值R与探测间距L之间的缩放值i,即缩放值i=R/L,获取主三维模型Ta和副三维模型Tb距离三维坐标(x.y.z)原点(0.0.0)的距离,并根据缩放值i进行主三维模型Ta和副三维模型Tb的缩放,缩放后的主三维模型Ta和副范围模型进行尺寸均值的计算,基于尺寸均值生成检测三维模型Tc。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410532602.5A CN118115500B (zh) | 2024-04-30 | 2024-04-30 | 一种用于背散射探测的图像处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410532602.5A CN118115500B (zh) | 2024-04-30 | 2024-04-30 | 一种用于背散射探测的图像处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118115500A CN118115500A (zh) | 2024-05-31 |
CN118115500B true CN118115500B (zh) | 2024-06-25 |
Family
ID=91212560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410532602.5A Active CN118115500B (zh) | 2024-04-30 | 2024-04-30 | 一种用于背散射探测的图像处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118115500B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109414213A (zh) * | 2016-08-01 | 2019-03-01 | 检验盖有限公司 | 利用放射性成像胶囊的图像重建 |
CN114223064A (zh) * | 2019-02-18 | 2022-03-22 | 埃因霍芬理工大学 | 发光或吸光元件 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2828834B1 (fr) * | 2012-03-19 | 2019-11-06 | Fittingbox | Modèle et procédé de production de modèles 3d photo-réalistes |
EP3783636A1 (en) * | 2019-08-19 | 2021-02-24 | ASML Netherlands B.V. | Numerically compensating sem-induced charging using diffusion-based model |
CN112839149B (zh) * | 2020-12-31 | 2022-05-06 | 光沦科技(深圳)有限公司 | 异构微光学成像模块及其图像重建方法和装置 |
CN114742813A (zh) * | 2022-04-24 | 2022-07-12 | 杨海鹰 | 一种x射线透射和背散射一体检测成像算法 |
-
2024
- 2024-04-30 CN CN202410532602.5A patent/CN118115500B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109414213A (zh) * | 2016-08-01 | 2019-03-01 | 检验盖有限公司 | 利用放射性成像胶囊的图像重建 |
CN114223064A (zh) * | 2019-02-18 | 2022-03-22 | 埃因霍芬理工大学 | 发光或吸光元件 |
Also Published As
Publication number | Publication date |
---|---|
CN118115500A (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1634246B1 (fr) | Procede d'imagerie radiographique pour la reconstruction tridimensionnelle, dispositif et programme d'ordinateur pour mettre en oeuvre ce procede | |
US8280135B2 (en) | System and method for highly attenuating material artifact reduction in x-ray computed tomography | |
CN107563998B (zh) | 医学图像中心脏图像处理方法 | |
US9265475B2 (en) | Methods and apparatus for scatter correction for CBCT system and cone-beam image reconstruction | |
US8965078B2 (en) | Projection-space denoising with bilateral filtering in computed tomography | |
US6898263B2 (en) | Method and apparatus for soft-tissue volume visualization | |
CN102521801B (zh) | Ct图像的环形伪影及弧形伪影校正方法 | |
WO2006057304A1 (ja) | X線ct装置及び画像処理装置 | |
CN106780649B (zh) | 图像的伪影去除方法和装置 | |
CN103400361B (zh) | 一种口腔ct中基于阈值的增益校正算法 | |
JP2006320631A (ja) | X線ct画像再構成方法およびx線ct装置 | |
CN111553849B (zh) | 基于局部特征匹配的锥束ct几何伪影去除方法及装置 | |
US9532750B2 (en) | Object identification in dual energy contrast-enhanced CT images | |
Seleþchi et al. | Image processing and data analysis in computed tomography | |
CN116206007B (zh) | 一种cbct图像截断伪影抑制方法 | |
US11580678B2 (en) | Systems and methods for interpolation with resolution preservation | |
CN112842370A (zh) | 用于x射线成像中的参数噪声调制的方法和系统 | |
CN104574411A (zh) | 一种基于离体牙cbct的龋齿图像处理方法 | |
US20220148252A1 (en) | Systems and methods for generating multi-view synthetic dental radiographs for intraoral tomosynthesis | |
CN118115500B (zh) | 一种用于背散射探测的图像处理系统 | |
US11337671B2 (en) | Methods and systems for improved spectral fidelity for material decomposition | |
CN114359126A (zh) | 三维图像的几何校正方法、装置、电子设备及存储介质 | |
CN113781595B (zh) | 一种口腔锥形束ct图像的金属伪影去除方法和系统 | |
Kini et al. | Three-dimensional imaging and reconstruction of skin lesions | |
CN111899312B (zh) | 一种迭代补偿的有限角度ct投影重建方法 |
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 |