一种基于递归稠密连接块的数字射线图像重建算法

摘要

本发明提供了一种基于递归稠密连接块的数字射线图像重建算法，包括：调用神经网络模型系统，其中神经网络模型系统是基于递归稠密块与块间拼接结构搭建深度循环稠密网络构建的神经网络模型系统；获取训练集图像数据，其中训练集图像数据为对训练的图像随机进行切分，随机进行水平、垂直翻转以及90度旋转；神经网络模型为对所述图像数据集通过所述深度循环稠密网络进行训练，利用像素均方误差，作为损失函数，峰值信噪比与结构相似性作为评价指标，对网络进行训练；将目标图像输入到所述神经网络模型中，所述神经网络模型输出重建后的图像。本发明旨在实现数字射线图像的批量化重建，保证重建图像质量的前提下，节约人力，提高效率。

说明书

技术领域

本发明涉及工业图像领域技术领域，特别涉及一种基于递归稠密连接块的数字射线图像重建算法。

背景技术

目前，数字射线检测技术从20世纪90年代起在工业场景中得到了广泛应用，通过数字射线图像对工件质量进行评判的工作一直依赖于专业人员的技术与经验。数字射线检测技术智能化的实现可以节约大量人力，提高检测的整体效率。数字射线检测过程中很重要且耗费人力的一部分工作便是对采集图像的调整，由于采集设备、拍摄环境以及工件类型等的限制，数字射线成像质量较差，难以直接用于缺陷检测，因此需要专业人员对每张图像进行手工调整后再评片。采集图像的零件部位以及采集环境等会发生变化，如果使用传统的批量处理算法对数字射线图像进行增强，则会使得一些缺陷点模糊，对后续的评片产生影响。在实际的工程中，需要专业人员对图像进行手动的局部调整，保证调整后图像可以用于对图像质量要求较高的评片任务中。人工调整的过程非常耗时，且受专业人员主观意识的影响，无法保证调整后图像的质量达到统一标准。本发明针对数字射线图像的调整过程，引入深度神经网络，实现智能化图像重建，保证重建图像质量的同时节约人力。

发明内容

(一)解决的技术问题

本发明提供一种基于递归稠密连接块的数字射线图像重建算法，用以解决在数字射线图像的调整过程中，人工调整的非常耗时，且受专业人员主观意识的影响，无法保证调整后图像的质量达到统一标准的技术问题。

(二)技术方案

本发明提供一种基于递归稠密连接块的数字射线图像重建算法，所述算法包括：

调用神经网络模型系统，其中所述神经网络模型系统是基于递归稠密块与块间拼接结构搭建深度循环稠密网络构建的神经网络模型系统。

获取训练集图像数据，其中所述训练集图像数据为对训练的图像随机进行切分，随机进行水平、垂直翻转以及90度旋转。

由所述神经网络模型系统基于所述训练集图像数据构建的神经网络模型并保存，所述神经网络模型为对所述图像数据集通过所述深度循环稠密网络进行训练，所述深度循环稠密网络利用像素均方误差，作为损失函数，峰值信噪比与结构相似性作为评价指标，对网络进行训练。

获取目标图像。

将所述目标图像输入到所述神经网络模型中，所述神经网络模型输出重建后的图像。

进一步的，所述训练集图像数据包括未经过手动调整的数字射线图像与手动调整后的图像，所述切分的尺寸为50×50mm大小的图像块。

进一步的，所述递归稠密块有s个卷积层，第i个稠密块的数学表达如下：

y

D

其中，y

进一步的，所述深度循环稠密网络中有m个所述递归稠密块，DRDN的数学表达如下：

CD

CD

Y＝ω

Y

其中，X表示输入图像，Y

CD

进一步的，所述损失函数采用二分之一的像素均方误差，数学公式表达为：

其中，Θ为网络中参数，N为图像数量，y为目标图像，f(x

进一步的，重建过程中可以将任意尺寸的待重建图像输入到训练好的神经网络模型中，实现数字射线图像的高质量重建，评价指标采用的是峰值信噪比和结构相似性。

进一步的，峰值信噪比的公式如下:

其中，MSE表示重建图像与目标图像的像素均方误差，PSNR为峰值信噪比，单位为dB，其中MAX

进一步的，在重建过程中涉及到多对图像时，采用多对图像PSNR的均值，数学表达如下：

其中，N表示图像对数量，PSNR

针对RGB图像的峰值信噪比有三种常用的方法；

一是将RGB三通道的峰值信噪比分开计算，取平均值作为图像的峰值信噪比。

二是将RGB三通道的像素值一同计算，最后将峰值信噪比除以3作为图像的峰值信噪比。

三是将RGB图像转化为YCbCr格式，将转化后的亮度分量Y的峰值信噪比作为图像的峰值信噪比。

峰值信噪比越大图像质量越好。

进一步的，结构相似性数学表达式如下：

c

SSIM(x,y)＝[l(x,y)

其中，l(luminance)、c(contrast)和s(structure)分别表示亮度、对比度和结构，x和y分别表示重建图像与目标图像，μ

使用过程中，取α＝β＝γ＝1，并且c

结构相似性评价指标具有三个性质：

一是对称性，即SSIM(x,y)＝SSIM(y,x)。

二是有界性，即SSIM(x,y)≤1。

三是最大值唯一性，即当且仅当x＝y时才满足SSIM(x,y)＝1。

以上为一对图像的结构相似度的计算。

进一步的，在重建过程涉及多对图像的评价时，需要求得多对图像SSIM的均值，数学表达式如下：

其中，N表示图像对数量，SSIM

进一步的，所述算法包括：调用模块，所述调用模块调用神经网络模型系统，其中所述神经网络模型系统是基于递归稠密块与块间拼接结构搭建深度循环稠密网络构建的神经网络模型系统。

第一获取模块，所述第一获取训练集图像数据，其中所述训练集图像数据为对训练的图像随机进行切分，随机进行水平、垂直翻转以及90度旋转。

神经网络模块，所述神经网络模块由所述神经网络模型系统基于所述训练集图像数据构建的神经网络模型并保存，所述神经网络模型为对所述图像数据集通过所述深度循环稠密网络进行训练，所述深度循环稠密网络利用像素均方误差，作为损失函数，峰值信噪比与结构相似性作为评价指标，对网络进行训练。

第二获取模块，所述第二获取模块获取目标图像。

输出模块，所述输出模块将所述目标图像输入到所述神经网络模型中，所述神经网络模型输出重建后的图像。

(三)有益效果

本发明利用数据增强技术对训练集图像进行扩充；基于递归稠密连接块与块间拼接结构搭建深度循环稠密网络，保证重建图像的质量；对训练好模型进行保存，方便后续的使用；将任意尺寸的待重建图像输入到训练好的模型中，得到对应的重建图像。本算法实现了数字射线图像调节的批量化处理，能够在保证重建图像质量的前提下减少人为工作量，提高工作效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明的一种基于递归稠密连接块的数字射线图像重建算法的网络训练流程示意图。

图2为本发明的一种基于递归稠密连接块的数字射线图像重建算法的重建流程示意图。

图3为本发明的一种基于递归稠密连接块的数字射线图像重建算法的递归稠密连接块结构示意图。

图4为本发明的一种基于递归稠密连接块的数字射线图像重建算法的深度循环稠密网络结构示意图。

图5为本发明的一种基于递归稠密连接块的数字射线图像重建算法的输入重建网络的数字射线图像。

图6为本发明的一种基于递归稠密连接块的数字射线图像重建算法的重建网络的目标图像。

图7为本发明的一种基于递归稠密连接块的数字射线图像重建算法的重建网络输出的数字射线图像。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如图1-7所示，本发明实施例提供了一种基于递归稠密连接块的数字射线图像重建算法，所述算法包括：调用神经网络模型系统，其中所述神经网络模型系统是基于递归稠密块与块间拼接结构搭建深度循环稠密网络构建的神经网络模型系统。

获取训练集图像数据，其中所述训练集图像数据为对训练的图像随机进行切分，随机进行水平、垂直翻转以及90度旋转。

由所述神经网络模型系统基于所述训练集图像数据构建的神经网络模型并保存，所述神经网络模型为对所述图像数据集通过所述深度循环稠密网络进行训练，所述深度循环稠密网络利用像素均方误差，作为损失函数，峰值信噪比与结构相似性作为评价指标，对网络进行训练。

获取目标图像。

将所述目标图像输入到所述神经网络模型中，所述神经网络模型输出重建后的图像。

本发明实施例提供了一种基于递归稠密连接块的数字射线图像重建算法，实现了数字射线图像调节的批量化处理，能够在保证重建图像质量的前提下减少人为工作量，提高工作效率。

网络的训练过程与重建过程如图1-2所示，训练过程中首先对训练集中未经过手动调整的数字射线图像与手动调整后的图像进行数据增强，可采取的方式为随机裁剪50×50mm大小的图像块并按照50％的概率对所裁剪图像块进行水平、垂直翻转以及旋转90度变换。

接着将经过数据增强算法处理过的未经手动调整的数字射线图像输入深度循环稠密网络中，并将经过数据增强算法处理的手动调整过的数字射线图像作为目标图像对网络进行训练。

递归稠密块结构如图3所示，假设递归稠密块有s个卷积层，第i个稠密块的数学表达如下：

y

D

其中，y

深度循环稠密网络结构如图4所示，假设网络中有m个递归稠密块，DRDN的数学表达如下：

CD

CD

Y＝ω

Y

其中，X表示输入图像，Y

网络损失函数可采用二分之一的像素均方误差，数学公式表达为；

其中，Θ为网络中参数，N为图像数量，y为目标图像，f(x

最后保存训练好的模型，方便后续使用。

重建过程中可以将任意尺寸的待重建图像输入到训练好的网络模型中，实现数字射线图像的高质量重建。评价指标采用的是峰值信噪比和结构相似性。

峰值信噪比的公式如下:

其中，MSE表示重建图像与目标图像的像素均方误差，PSNR为峰值信噪比，单位为dB，其中MAX

设图像的像素值由B位的二进制表示，那么MAX

在重建过程中涉及到多对图像时，需要采用多对图像PSNR的均值，数学表达如下：

其中，N表示图像对数量，PSNR

以上为针对灰度图像的峰值信噪比计算，现在很多图像处理算法都是针对RGB三通道图像进行的。

针对RGB图像的峰值信噪比有三种常用的方法。

一是将RGB三通道的峰值信噪比分开计算，取平均值作为图像的峰值信噪比。

二是将RGB三通道的像素值一同计算，最后将峰值信噪比除以3作为图像的峰值信噪比。

三是将RGB图像转化为YCbCr格式，将转化后的亮度分量Y的峰值信噪比作为图像的峰值信噪比。

峰值信噪比越大说明图像质量越好。

结构相似性数学表达式如下：

c

SSIM(x,y)＝[l(x,y)

其中，l(luminance)、c(contrast)和s(structure)分别表示亮度、对比度和结构，x和y分别表示重建图像与目标图像，μ

c

结构相似性评价指标具有三个性质：

一是对称性，即SSIM(x,y)＝SSIM(y,x)。

二是有界性，即SSIM(x,y)≤1。

三是最大值唯一性，即当且仅当x＝y时才满足SSIM(x,y)＝1。以上为一对图像的结构相似度的计算。

当重建过程涉及多对图像的评价时，需要求得多对图像SSIM的均值，数学表达式如下：

其中，N表示图像对数量，SSIM

重建的一组图像如图5至图7所示，对应的峰值信噪比与结构相似性指标标示在图像下方。

在一个实施例中，所述算法包括：调用模块，所述调用模块调用神经网络模型系统，其中所述神经网络模型系统是基于递归稠密块与块间拼接结构搭建深度循环稠密网络构建的神经网络模型系统。

第一获取模块，所述第一获取训练集图像数据，其中所述训练集图像数据为对训练的图像随机进行切分，随机进行水平、垂直翻转以及90度旋转。

神经网络模块，所述神经网络模块由所述神经网络模型系统基于所述训练集图像数据构建的神经网络模型并保存，所述神经网络模型为对所述图像数据集通过所述深度循环稠密网络进行训练，所述深度循环稠密网络利用像素均方误差，作为损失函数，峰值信噪比与结构相似性作为评价指标，对网络进行训练。

第二获取模块，所述第二获取模块获取目标图像。

输出模块，所述输出模块将所述目标图像输入到所述神经网络模型中，所述神经网络模型输出重建后的图像。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。