成像系统及图像质量评价方法
阅读：667发布：2022-08-14
专利汇可以提供成像系统及图像质量评价方法专利检索，专利查询，专利分析的服务。并且公开了一种用于评价成像系统的图像 质量 的方法及成像系统。在该方法中，获取成像系统所产生的待评价的图像，从图像中提取多个图像子 块 ，基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示，得到表示稀疏程度的系数向量。对所述系数向量进行线性变换得到图像质量评价值。仅需要少量高质量透视图像学习稀疏词典，之后根据利用这一词典表示待评价图像的稀疏程度估计噪声图像质量，实现快速有效的无参考图像的质量评价。，下面是成像系统及图像质量评价方法专利的具体信息内容。
1.一种用于评价成像系统的图像质量的方法，包括步骤：
获取成像系统所产生的待评价的图像；
从所述图像中提取多个图像子块；
基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示，得到表示稀疏程度的系数向量；以及
对所述系数向量进行线性变换得到图像质量评价值。
2.如权利要求1所述的方法，其中所述冗余稀疏表示词典是通过如下步骤创建的：
从所述成像系统产生的多幅图像建立图像数据集；
从所述图像数据集的透射图像中提取多个图像子块；
利用字典学习算法对所述多个图像子块进行学习，得到所述冗余稀疏表示词典。
3.如权利要求2所述的方法，其中利用字典学习算法对所述多个图像子块进行学习的步骤包括：
对所述多个图像子块进行余弦变换生成初始词典，然后利用词典学习算法对初始词典进行优化，得到冗余稀疏表示词典。
4.如权利要求1所述的方法，其中将待评价图像的每个图像子块投影到冗余稀疏表示词典上，得到系数向量，计算所述系数向量中每个系数的L1范数，并且将各个图像子块的L1范数求平均，得到平均稀疏度，基于所述平均稀疏度得到图像评价值。
5.如权利要求1所述的方法，还包括步骤：
对待评价的透射图像进行局部去均值和对比度归一化处理。
6.如权利要求1所述的方法，还包括步骤：
在所述图像评价值未满足预定条件的情况下，向用户提示。
7.一种成像系统，包括：
扫描设备，对被检查物体进行扫描，得到扫描数据；
数据处理单元，基于扫描数据重建得到被检查物体的图像，从所述图像中提取多个图像子块，基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示，得到表示稀疏程度的系数向量，并且对所述系数向量进行线性变换得到图像质量评价值。
8.如权利要求1所述的成像系统，其中所述数据处理单元将待评价图像的每个图像子块投影到冗余稀疏表示词典上，得到系数向量，计算所述系数向量中每个系数的L1范数，并且将各个图像子块的L1范数求平均，得到平均稀疏度，基于所述平均稀疏度得到图像评价值。
9.如权利要求1所述的成像系统，其中所述数据处理单元对待评价的透射图像进行局部去均值和对比度归一化处理。
10.如权利要求1所述的成像系统，其中所述数据处理单元在所述图像评价值未满足预定条件的情况下，向用户提示。
成像系统及图像质量评价方法
技术领域
背景技术
[0002] 在透视成像系统中，图像质量经常会出现退化。如X射线源或探测器的不稳定性会引入噪声，对图像视觉效果和检查人员观察图像内容及发现图像中的可疑区域造成一定的影响。成像系统的图像噪声严重程度可以通过一定的评价算法进行估计，从而及时监控成像系统的稳定性。
[0003] 考虑到实际应用是无法得到未退化的参考图像，无参考图像质量评价方法更具实用价值。无参考图像质量评价方法主要包括基于规则的方法、基于机器学习的方法、基于概率模型的方法等等。各种方法的本质都是试图找到高质量图像和退化图像在统计特征上的差异。对于基于规则的方法，由于退化因素的复杂多样性，很难设计一些规则来根据特征区分图像质量。对于基于机器学习的方法，需要有人眼标记的不同质量图像进行学习，人工标记的工作量很大，不同人的标记也存在一些差异。对于基于概率模型的方法，只需要利用一些高质量的图像来建立图像特征的统计概率模型，评价时根据当前图像在概率模型上的计算得到图像质量。但基于概率模型的方法需要选择一定的概率数学模型，当模型复杂时参数估计困验，当模型简单时无法有效描述图像内容的千变万化。另外，模型参数的学习需要大量数据，学习过程中的迭代也使得速度较慢。发明内容
[0004] 鉴于现有技术中的一个或多个问题，提出了一种成像系统及图像 质量评价方法。
[0005] 在本发明的一个方面，提出了一种用于评价成像系统的图像质量的方法，包括步骤：获取成像系统所产生的待评价的图像；从所述图像中提取多个图像子块；基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示，得到表示稀疏程度的系数向量；以及对所述系数向量进行线性变换得到图像质量评价值。
[0006] 根据一些实施例，所述冗余稀疏表示词典是通过如下步骤创建的：从所述成像系统产生的多幅图像建立图像数据集；从所述图像数据集的透射图像中提取多个图像子块；利用字典学习算法对所述多个图像子块进行学习，得到所述冗余稀疏表示词典。
[0007] 根据一些实施例，利用字典学习算法对所述多个图像子块进行学习的步骤包括：对所述多个图像子块进行余弦变换生成初始词典，然后利用词典学习算法对初始词典进行优化，得到冗余稀疏表示词典。
[0008] 根据一些实施例，将待评价图像的每个图像子块投影到冗余稀疏表示词典上，得到系数向量，计算所述系数向量中每个系数的L1范数，并且将各个图像子块的L1范数求平均，得到平均稀疏度，基于所述平均稀疏度得到图像评价值。
[0009] 根据一些实施例，所述的方法还包括步骤：对待评价的透射图像进行局部去均值和对比度归一化处理。
[0010] 根据一些实施例，所述的方法还包括步骤：在所述图像评价值未满足预定条件的情况下，向用户提示。
[0011] 在本发明的另一方面，提出了一种成像系统，包括：扫描设备，对被检查物体进行扫描，得到扫描数据；数据处理单元，基于扫描数据重建得到被检查物体的图像，从所述图像中提取多个图像子块，基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示，得到表示稀疏程度的系数向量，并且对所述系数向量进行线性变换得到图像质量评价值。
[0012] 根据一些实施例，所述数据处理单元将待评价图像的每个图像子块投影到冗余稀疏表示词典上，得到系数向量，计算所述系数向量中每个系数的L1范数，并且将各个图像子块的L1范数求平均，得到平均稀疏度，基于所述平均稀疏度得到图像评价值。
[0013] 根据一些实施例，所述数据处理单元对待评价的透射图像进行局部去均值和对比度归一化处理。
[0014] 根据一些实施例，所述数据处理单元在所述图像评价值未满足预定条件的情况下，向用户提示。
[0016] 为了更好的理解本发明，将根据以下附图对本发明的实施例进行描述：
[0017] 图1A和图1B是根据本发明一个实施方式的成像系统的结构示意图；
[0018] 图2是描述根据本发明实施例的图像质量评价方法的示意性流程图；
[0019] 图3示出了根据本发明一个实施方式中的集装箱扫描透视图像的例子；
[0020] 图4是根据本发明一个实施例的归一化图像子块示例；
[0021] 图5是根据本发明一个实施例的稀疏词典示例；
[0022] 图6是根据本发明一个实施例的无噪声图像的例子(评分为8.78)；
[0023] 图7是根据本发明一个实施例的含噪声图像的例子(评分为71.35)。
[0024] 附图没有对实施例的所有电路或结构进行显示。贯穿所有附图相同的附图标记表示相同或相似的部件或特征。
具体实施方式
[0025] 下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路、材料或 方法。
[0026] 在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
[0027] 针对现有技术中的问题，本发明的实施例给出一种基于图像稀疏表示的无参考噪声图像质量评价方法，其中使用少量高质量透视图像学习稀疏词典，之后可以根据利用这一词典表示待评价图像的稀疏程度估计噪声图像质量。例如，利用学习得到的稀疏词典对待估计图像进行稀疏分解表示，根据稀疏程度得到噪声图像质量的定量评价。利用这一评价结果，可对系统新生产的图像进行质量评估，也可以动态监控成像系统的图像质量变化过程，为整个X射线检查系统的平稳运行提供技术支持。
[0028] 根据本发明的一些实施例，根据一些高质量的X射线图像，针对特定成像系统提取此类图像的内在关键特征，建立一个图像分块稀疏表示模型。基于噪声图像在这一模型上的稀疏程度，对包含噪声失真的实际图像进行快速、准确地总体质量评价。
[0029] 图1A和图1B是根据本发明一个实施方式的成像系统的结构示意图。图1A示出了成像系统的俯视示意图，图1B示出了成像系统的正视示意图。如图1A和图1B所示，射线源110产生X射线，经过准直器120准直后，对移动的集装箱卡车140进行安全检查，由探测器150接收穿透卡车140的射线，转换为数字信号，然后在诸如计算机之类的数据处理装置160得到透射图像。根据本发明的实施例，在通过扫描得到集装箱卡车140的透射图像后，在数据处理装置160利用预先创建的冗余稀疏表示词典评价图像的质量。
[0030] 图2是描述根据本发明实施例的图像质量评价方法的示意性流程图。
[0031] 如图2所示，在步骤S21，数据处理装置160获取成像系统所产生的待评价的图像。例如，针对某种选定应用，搜集一些高质量的图像数据组成一个数据集。比如，图3为两个集装箱检查系统的透图像，图像尺寸从800*2000到2000*8000不等，总的图像数据集中包含30幅图像，累积像素。
[0032] 在步骤S22，数据处理装置160从图像中提取多个图像子块。例如，对每个图像进行局部去均值和对度比归一化处理，从中随机提取2,000个8*8图像子块，如图4所示为部分归一化的图像子块数据。
[0033] 在步骤S23，数据处理装置160基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示，得到表示稀疏程度的系数向量。例如，利用OMP算法(OMP:Orthogonal Matching Pursuit)或其他类似算法将系数向量投影到预先创建的冗余稀疏表示词典上，得到一个256维的系数向量。例如，设定词典词条数为256，利用冗余余弦变换生成初始词典，再利用K-SVD算法进行词典优化学习，最终得到的稀疏词典如图4所示。
[0034] 在步骤S24，数据处理装置160对系数向量进行线性变换得到图像质量评价值。例如，计算这一向量的L1范数(即所有系数的绝对值和)x，对所有块的结果求平均得到平均稀疏度m。利用以下公式计算图像质量得分y：
[0035] y＝k(m-1)+b (1)
[0036] 其中k、b为常数，仅影响质量评价结果的取值范围，并不影响结果的变化趋势，可根据需要的质量取值范围进行设定。数值越大，图像质量越差。比如对于图像子块为8*8大小，字典条数为256时，典型的取值为：k＝3,b＝-50。本领域的技术人员可以预料到，在其他的实施例中也可以给常数k和b取其他的数值。
[0037] 图6是根据本发明一个实施例的无噪声图像的例子(评分为8.78)。图7是根据本发明一个实施例的含噪声图像的例子(评分为71.35)。虽然在上述的实施例中以具体的图像尺寸、子块大小和子块数目作为例 子描述了本公开，但是本领域的技术人员应该想到在实际引用中可是采用其他数值的图像尺寸、子块大小和子块数目。
[0038] 本发明的实施例中，基于多个高质量的X射线图像建立稀疏表示模型，进行根据这一模型估计其他噪声图像质量。整个建模和估计过程自动、快速地完成，无需人眼对图像进行质量标注，也不需要人工设定根据图像特征区分图像质量的评价规则。例如，针对某一成像系统，搜集一定量的高质量的无噪声图像数据，建立一个典型图像数据集。一般来说不少于30幅分辨率不低于500*1000像素的图像数据，当图像分辨率较低时可通过增加图像数据弥补。然后，对获得的图像，进行局部去均值和对度比归一化(MSCN:Mean Subtracted Contrast Normalised)处理后，随机提取大量8*8的图像子块，总的图像子块数不少于100,000个。利用K-SVD算法(或其他类似算法)学习得到一个冗余稀疏表示词典(即词典的词条数大于词典的维度)，对8*8子块，典型的图像词典大小为256。利用这样建立的冗余稀疏表示词典就可以在后续的检查过程中对图像的质量进行评价。
[0039] 上述实施例的图像质量评价方法同现有各种无参考图像质量评价方法相比，具有以下几个优势：
[0040] (1)自动化程度高、使用方便。例如，在人工搜集一些典型的高质量X射线图像数据，无需人眼对每个图像给出具体的质量评分，也无需搜集含有不同程度噪声的失真图像，或通过人工添加方法生成不同质量的图像数据。在整个词典学习过程中，除设定少量参数外，算法自动完成词典的初始化、优化过程；在评价过程中，算法自动进行最优分解并计算稀疏程度，并得到最终质量评价；
[0041] (2)通用性强。稀疏词典抽象了图像子块的基本结构特点，不针对某一种或几种特定的噪声类型。任何因素造成的各种图像噪声失真都会使得图像子块偏离本来的稀疏性，从而造成图像稀疏程度的下降，因此本发明所提出的方法适合于不同因素所产生噪声对图像质量影响的定量评价。
[0042] (3)执行速度快。由于所采用输入为归一化的图像子块，无需特征提取过程，处理速度得到了明显的提高。
[0043] 根据本发明的实施例，针对特定的成像系统得到冗余稀疏表示词典后就可以在运行中对大量的图像进行质量评价，并且在评价过程中计算量较小，可实现方便、快速的无参考噪声图像质量评价。例如，当发现有质量不符合规定值(例如预定的阈值)的图像时，向用户提示，以降低漏检率。
[0044] 以上的详细描述通过使用示意图、流程图和/或示例，已经阐述了成像系统和图像质量评价方法的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下，本领域技术人员应理解，这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在一个实施例中，本发明的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而，本领域技术人员应认识到，这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中，实现为在一台或多台计算机上运行的一个或多个计算机程序(例如，实现为在一台或多台计算机系统上运行的一个或多个程序)，实现为在一个或多个处理器上运行的一个或多个程序(例如，实现为在一个或多个微处理器上运行的一个或多个程序)，实现为固件，或者实质上实现为上述方式的任意组合，并且本领域技术人员根据本公开，将具备设计电路和/或写入软件和/或固件代码的能力。此外，本领域技术人员将认识到，本公开所述主题的机制能够作为多种形式的程序产品进行分发，并且无论实际用来执行分发的信号承载介质的具体类型如何，本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于：可记录型介质，如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等；以及传输型介质，如数字和/或模拟通信介质(例如，光纤光缆、波导、有线通信链路、无线通信链路等)。
[0045] 虽然已参照几个典型实施例描述了本发明，但应当理解，所用的术语是说明和示例性、而非限制性的术语。由于本发明能够以多种形式具体实施而不脱离发明的精神或实质，所以应当理解，上述实施例不限于任何前述的细节，而应在随附权利要求所限定的精神和范围内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种便携式质量稳定装置 | 2020-05-12 | 99 |
| 一种用于喷墨印刷质量检测的测试图 | 2020-05-12 | 540 |
| 一种量化评价乳制品质量的方法 | 2020-05-12 | 879 |
| 用于片状物的单位面积质量检测方法 | 2020-05-13 | 580 |
| 一种汽车减震器加工用质量检测装置 | 2020-05-13 | 923 |
| 一种用于隧道衬砌质量检测的装置 | 2020-05-12 | 959 |
| 一种蜂王质量检测器及其检测方法 | 2020-05-12 | 408 |
| 一种隧道质量检测用检测车 | 2020-05-11 | 93 |
| 一种智能食品质量检测机器人 | 2020-05-12 | 128 |
| 新型质量检验天平装置 | 2020-05-11 | 734 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
质量热门专利
QQ群二维码
意见反馈
意见反馈