X射線透視成像目標提取與識別方法研究.pdf

1、X射線透視成像技術已經(jīng)被廣泛應用于醫(yī)療、工業(yè)生產(chǎn)與制造、公共安全和食品安全等領域，隨著計算機技術與硬件設備的發(fā)展，X射線圖像處理已成為一個研究熱點。本文主要研究兩類X射線透視成像圖像:心臟血管造影圖像和安檢儀圖像，應用稀疏表示、字典學習和視覺詞包等方法，對其進行目標提取與識別。論文主要研究成果及創(chuàng)新點為:
　　(1)針對心臟血管造影圖像中細小血管區(qū)域對比度差，難以辨認等問題，提出一種基于多字典與稀疏表示的血管增強算法。該算法先在訓

2、練數(shù)據(jù)集上使用血管圖像生成稀疏表示字典(Representation Dictionary RD)，同時使用對應的血管區(qū)域手工提取結果二值圖像生成增強字典(Enhancement Dictionary ED)，并根據(jù)ED字典單個原子中血管區(qū)域所占比例對RD和ED進行優(yōu)化。在對測試數(shù)據(jù)集圖像進行血管區(qū)域增強時，使用RD字典和正交匹配追蹤算法(Orthogonal Matching Pursuit OMP)求解得到待增強圖像中每個小塊的稀疏

3、解，再使用ED字典進行重建，得到增強后的圖像，并使用灰度拉伸的方法，得到最終增強后血管圖像。該算法不僅可以提高血管圖像感興趣區(qū)域的對比度，且能完善細小血管結構，增強細節(jié)信息，文中實驗部分還將其應用于視網(wǎng)膜血管圖像增強中。
　　(2)為了實現(xiàn)血管區(qū)域自動提取，改善血管區(qū)域提取精度，本文提出了一種基于稀疏表示與字典學習的血管提取算法。在使用訓練數(shù)據(jù)集生成分割字典時，先通過手工分割的方法提取得到訓練數(shù)據(jù)集中所有血管區(qū)域（記為mask），

4、根據(jù)mask信息生成分割字典集，將字典集中每個原子加入標簽信息和字典中心點位置信息，再使用字典學習的方法，得到分割字典集。測試集血管圖像進行分割時，根據(jù)小塊所在位置信息，從分割字典集中選取部分字典，使用稀疏表示的方法求取稀疏解，并通過標簽信息，判斷小塊是否為血管區(qū)域，最終實現(xiàn)血管區(qū)域自動提取。實驗結果表明通過該算法提取得到的血管區(qū)域，其結構完整，提取精度高，與血管增強類似，同樣將其應用于視網(wǎng)膜血管圖像血管區(qū)域提取中。
　　(3)針

5、對另一類X射線透視成像圖像——安檢儀圖像，提取圖像中管制刀具、危險品等目標所在區(qū)域。本文提出了一種非局部活動輪廓模型目標提取算法，該算法使用非局部的方法計算輸入圖像的融合Gabor特征圖，并引入水平集的方法，對圖像中目標進行提取。實驗結果表明，通過該算法提取得到的目標區(qū)域結構完整，輪廓信息與實際信息更加接近，且對初始化輪廓線不敏感，文中還將該算法應用于肝臟CT圖像腫瘤目標區(qū)域提取中。
　　(4)針對安檢儀圖像中不同類別目標識別難度

6、大，準確率低等問題，本文提出了一種基于視覺詞包和稀疏表示的安檢儀圖像目標識別方法。該方法分為識別字典生成部分和測試集圖像識別部分，其主要將視覺詞包與稀疏表示相結合，對安檢儀圖像中目標進行識別。識別字典生成部分主要通過SURF(Speeded Up Robust Features)算子提取得到視覺單詞，并根據(jù)視覺單詞出現(xiàn)的頻率進行篩選，去除不同目標共有的特征和噪聲帶來的影響，再使用k-means級聯(lián)聚類的方法生成視覺詞包，最終得到帶有標簽