X射线透视成像目标提取与识别方法研究

发布时间：2017-12-10 20:05

  本文关键词：X射线透视成像目标提取与识别方法研究

  更多相关文章： X射线透视成像 稀疏表示 多字典 字典学习 视觉词包 目标提取与识别

【摘要】：X射线透视成像技术已经被广泛应用于医疗、工业生产与制造、公共安全和食品安全等领域,随着计算机技术与硬件设备的发展,X射线图像处理已成为一个研究热点。本文主要研究两类X射线透视成像图像:心脏血管造影图像和安检仪图像,应用稀疏表示、字典学习和视觉词包等方法,对其进行目标提取与识别。论文主要研究成果及创新点为:(1)针对心脏血管造影图像中细小血管区域对比度差,难以辨认等问题,提出一种基于多字典与稀疏表示的血管增强算法。该算法先在训练数据集上使用血管图像生成稀疏表示字典(RepresentationDictionary RD),同时使用对应的血管区域手工提取结果二值图像生成增强字典(EnhancementDictionaryED),并根据ED字典单个原子中血管区域所占比例对RD和ED进行优化。在对测试数据集图像进行血管区域增强时,使用RD字典和正交匹配追踪算法(Orthogonal Matching Pursuit OMP)求解得到待增强图像中每个小块的稀疏解,再使用ED字典进行重建,得到增强后的图像,并使用灰度拉伸的方法,得到最终增强后血管图像。该算法不仅可以提高血管图像感兴趣区域的对比度,且能完善细小血管结构,增强细节信息,文中实验部分还将其应用于视网膜血管图像增强中。(2)为了实现血管区域自动提取,改善血管区域提取精度,本文提出了一种基于稀疏表示与字典学习的血管提取算法。在使用训练数据集生成分割字典时,先通过手工分割的方法提取得到训练数据集中所有血管区域(记为mask),根据mask信息生成分割字典集,将字典集中每个原子加入标签信息和字典中心点位置信息,再使用字典学习的方法,得到分割字典集。测试集血管图像进行分割时,根据小块所在位置信息,从分割字典集中选取部分字典,使用稀疏表示的方法求取稀疏解,并通过标签信息,判断小块是否为血管区域,最终实现血管区域自动提取。实验结果表明通过该算法提取得到的血管区域,其结构完整,提取精度高,与血管增强类似,同样将其应用于视网膜血管图像血管区域提取中。(3)针对另一类X射线透视成像图像——安检仪图像,提取图像中管制刀具、危险品等目标所在区域。本文提出了一种非局部活动轮廓模型目标提取算法,该算法使用非局部的方法计算输入图像的融合Gabor特征图,并引入水平集的方法,对图像中目标进行提取。实验结果表明,通过该算法提取得到的目标区域结构完整,轮廓信息与实际信息更加接近,且对初始化轮廓线不敏感,文中还将该算法应用于肝脏CT图像肿瘤目标区域提取中。(4)针对安检仪图像中不同类别目标识别难度大,准确率低等问题,本文提出了一种基于视觉词包和稀疏表示的安检仪图像目标识别方法。该方法分为识别字典生成部分和测试集图像识别部分,其主要将视觉词包与稀疏表示相结合,对安检仪图像中目标进行识别。识别字典生成部分主要通过SURF(Speeded Up Robust Features)算子提取得到视觉单词,并根据视觉单词出现的频率进行筛选,去除不同目标共有的特征和噪声带来的影响,再使用k-means级联聚类的方法生成视觉词包,最终得到带有标签信息的识别字典。测试集图像识别部分则将测试图像通过SURF算子提取得到视觉单词,使用识别字典进行稀疏表示求取稀疏解,并通过稀疏解和字典标签信息得到每个视觉单词识别结果,最后使用投票的方式,得到测试图像最终目标识别结果。实验结果表明,本文算法得到的安检仪图像目标识别准确率较高,且计算速度快,基本达到了安检仪图像目标识别的要求。
【学位授予单位】：东南大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：TP391.41;O434.1

【相似文献】

中国期刊全文数据库 前10条

1 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

2 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

3 陈才扣;喻以明;史俊;;一种快速的基于稀疏表示分类器[J];南京大学学报(自然科学版);2012年01期

4 耿耀君;张军英;;一种基于投影稀疏表示的基因选择方法[J];哈尔滨工程大学学报;2011年08期

5 熊承义;汪淑贤;高志荣;;基于字典优化的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2014年02期

6 戴平阳;洪景新;李翠华;詹小静;;一种基于稀疏表示的判别式目标跟踪算法[J];厦门大学学报(自然科学版);2014年04期

7 赵佳佳;唐峥远;杨杰;刘尔琦;周越;;基于图像稀疏表示的红外小目标检测算法[J];红外与毫米波学报;2011年02期

8 柯激情;祝磊;厉力华;韩斌;郑智国;孟旭莉;;基于稀疏表示算法的蛋白质质谱数据特征选择[J];生物物理学报;2012年08期

9 王立国;刘丹凤;赵亮;;基于高光谱图像稀疏表示的彩色可视化模型(英文)[J];Applied Geophysics;2013年02期

10 宋琳;程咏梅;赵永强;;基于稀疏表示模型和自回归模型的高光谱分类[J];光学学报;2012年03期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

9 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

10 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

，

本文编号：1275704