基于多线扫描的X射线聚焦成像算法研究 下载: 734次
1 引言
在X射线透射成像系统中,探测器接收的透射射线信息是透射过程中衰减系数的叠加,因此从投影图像中无法有效区分不同层次的结构信息[1-4]。为了获得目标物体内部不同层次的信息,通常采用传统的X射线三维成像技术和计算机层析成像技术。传统的X射线三维成像技术即计算机断层扫描 (CT)[5]技术是基于多个角度的照射,采集样品多个角度的大量投影图,结合相应的CT重建算法及吸收衬度或相位衬度成像技术,实现对样品的三维重建[6]。而样品的精确重建需要完备的投影数据,数据的采集和重建效率较低极大地限制了CT成像技术在实时性检测方面的应用。为了简化CT成像过程,提高成像的效率,研究人员积极开展基于欠采样投影数据的重建算法的研究,采用全变分、正则化等优化方法进行欠采样数据的统计重建。虽然数值模拟结果证明,约20个投影足以恢复一些相对简单的目标,但实际实验数据的重建结果表明,使用正则化优化算法进行重建需要超过100个视角[7-8]。
Gondrom等[9]提出了计算机层析成像方法(CL),CL有两种扫描模式,即线型和旋转型。线型采用X射线源和探测器,两者同时沿相反方向移动,目标物的内部点投影位置随相对运动发生变化,而焦平面上的点总是处于探测器的同一位置,因此处于焦平面上的目标物层结构能清晰成像。但在该方法中,一次相反运动只能实现目标物一个深度层结构的清晰成像,为了获取目标物多层结构信息,必须进行多次相对运动。旋转型虽能节省时间和提高成像质量,但对于长度和厚度比较大的目标物,不便于在有限的空间进行检测,且针对某些特定场景,如被检测物不易旋转,无法实现被检测物的全角度测量[10-11]。
针对上述问题,本文提出了一种基于多线扫描的X射线聚焦成像的新方法,实现了不同深度层的清晰成像。该方法仅需场景目标沿直线通过检测区域,便可获得多视角图像,利用有限的多视角图像并结合光场成像中的合成孔径技术[12-17],实现不同深度下检测目标物的聚焦成像,达到聚焦面目标物信息的“透视”成像效果。为了消除散焦区域对聚焦成像的影响,提高成像的质量,运用聚焦度判断算法确定最佳聚焦层,通过图像聚焦区域提取算法实现图像的去重叠重建。实验结果表明,所提方法能够有效地利用少量的多视角图像实现不同深度下检测目标的重建,可用于目标结构的快速去重叠成像检测,提高目标物的识别性,有较好的应用前景。
2 基于多线扫描的X射线聚焦成像方法
由于传统X射线成像系统的搭建比较费时且不利于有限空间的扫描成像,采用一种改进的线扫描X射线采集系统,以提供目标物更多的视图,从而获取更好的重建效果。该系统包括一个区域扫描X射线成像系统以及一种以恒定的速度传输被检测对象的机械装置,X射线成像系统中的探测器可提取少量的传感器线。区域扫描X射线成像系统的不同传感器线在不同的视角下捕获目标物点,每个时刻相应的传感器线采集目标物信息并储存。随着时间的推移,通过收集多个传感器线信息可以获取多张多视角图像,即可以采集到目标物的多视角图像。
采用上述采集系统进行图像的采集,可获得多个视角下的图像。以中心传感器线采集的图像为参考视图,间隔相同距离的传感器线所采集的图像为多个视角下的图像,提取其中的9张多视角图,图像如
提取不同的传感器线而获取的多视角图像如
在光场成像中,基于多视角成像的方法能够从不同的方向获取目标物的信息,利用合成孔径聚焦成像算法,通过虚拟一个大孔径来达到改变景深的目的,即扩大光圈、缩小景深,使合成的图像具有极浅的景深,当目标物被前景遮挡时,虚拟的大相机能够使离焦的前景遮挡物呈弥散态,后景目标物突显出来,达到虚化前景和“透视”目标物的效果[18-20]。其成像原理如下。
如
根据三角形定理可知
式中:Δxi为不同相机Ci光瞳与参考相机Cr光瞳的距离;(l-r)/l为重聚焦平面的相对深度。则当线阵列中所有相机聚焦到V1平面上像素点Ql时,可以计算不同视角下像素点Ql相对于参考视角的像差,即
因此,在合成孔径成像中,为了使目标物聚焦成像,必须对参考平面上各个子视角的图像进行叠加求平均处理。例如:根据ΔQiz平移图像Ii,r,使其对焦在深度z处的平面上,由于本文采用线阵列相机采集图像,即在目标物直线移动的方式下采集图像,则关系式为
即
式中:Ii,r为合成孔径中参考视角的图像;Ii,z为位于深度位置z处的子视角图像;(s,t)为各视角下图像的像素点坐标;(s',t)为平移后各视角图像中像素点映射到深度位置z处的坐标。
对去除视差后的图像进行叠加求平均处理,可得深度z处的合成孔径图像Sz,即
基于多视角图像的合成孔径算法可以对不同深度层的物面进行聚焦成像,本文以中心视角为参考视角进行聚焦成像,结果如
图 5. 聚焦到不同深度层时的图像。(a) 聚焦到前景;(b) 聚焦到中间层;(c) 聚焦到后景
Fig. 5. Images for focusing on different depth layers. (a) Focusing on foreground; (b) focusing on middle layer; (c) focusing on background
图 6. 不同深度层的聚焦成像。(a)聚焦到中间层;(b)聚焦到其他层
Fig. 6. Focus imaging on different depth layers. (a) Focus imaging on middle layer;(b) focus imaging on another layer
3 深度分辨率
在立体视觉系统中,深度分辨率是指以长度表示的垂向分辨率,即目标物的层分辨能力。视场角是指成像区域的范围,在X射线成像中指的是射线源到探测器左右两边的最大张角,其反映了X射线源对目标物成像的最大范围。在合成孔径成像中,深度分辨率影响着重建图像质量的好坏,因此通过分析不同深度层的两个目标点来研究影响深度分辨率的因素。
X射线扫描成像系统对不同深度的目标点进行成像的过程如
图 7. 空间中不同深度目标点的成像原理图。(a)目标点B在B1点成像;(b)目标点C在C1点成像
Fig. 7. Imaging principle of target points with different depths in space. (a) Target point B imaged at point B1; (b) target point C imaged at point C1
如
式中:S为目标点每个时刻运动的距离;W为一个像素点的宽度;Z为射线源到目标点的距离;f为射线源到探测器的距离。
由于探测器成像区域的视场角为2θ,则目标点B运动的距离
则目标点B的视差为
当目标点C运动到C1位置时,即在最右边的线探测器上成像,目标点C运动的距离
同理可知目标点C的视差为
目标点B和目标点C之间的视差为
则X射线成像区域的视差差值ΔS表示为
分析可知,由于f、Z和W为固定值,(12)式能够很好地说明深度分辨率ΔZ与视场角2θ的关系。当成像区域一定时,即θ不变,对于空间中相距ΔZ的两个点,随着ΔZ的增大,两个目标点的视差差值也在不断增大,这也解释了深度差异大的两个目标点的成像位置差异较大。当两个目标点的距离ΔZ一定时,成像区域越大,即θ越大,两个目标点的视差差值越大。(12)式很好地说明了成像系统的层分辨能力。
4 去重叠增强算法
4.1 聚焦度判断
合成孔径成像总是能够实现不同深度层的聚焦成像,对于目标层,其聚焦成像过程是目标层从离焦到聚焦再到离焦的过程,表现为图像从模糊到清晰再到模糊的过程,因此选取聚焦目标层即最清晰图像进行后续的目标区域提取是必不可少的。但在聚焦图像选取的过程中,很难直观地判断哪一幅最清晰。
基于X射线合成孔径所成的像,由于图像的平移叠加,散焦部分和聚焦部分都存在锐利的图像细节,传统的散焦判别方法已经不适用于合成孔径成像的判别,因此本文提出一种基于图像梯度的无参考图像的清晰度判别方法对图像质量进行评价。首先通过低通滤波器为图像构造参考图像,之后提取参考图像和待评价图像的梯度图像,根据计算的梯度图像提取梯度信息最丰富的N1个图像块,最后计算目标图像和参考图像的结构相似度(SSIM)来评价图像的清晰度。对于图像来说,图像清晰则包涵较多的高频分量,表现为边缘锐利,梯度值变化较大。由于X射线成像是透射投影成像,基于合成孔径算法成像时,图像的平移叠加表现为像素灰度值的叠加,因此当图像聚焦时,其图像聚焦区域的像素灰度值变化幅度较大,即梯度值变化大,而散焦区域的梯度值变化较聚焦区域小,如
图 8. 聚焦度的判断。(a) 合成孔径图像;(b) 实线处的像素值;(c) 虚线处的像素值
Fig. 8. Focus judgment. (a) Synthetic aperture image; (b) pixel value at solid line; (c) pixel value at dotted line
4.2 聚焦区域的判别及提取
经过对图像聚焦度的判断,确定了最佳聚焦图像层,进而对场景目标实现了很好的“突显”效果,如
由于合成孔径图像在聚焦区域处的像素值大小与多视角图像中该位置处的像素值大小基本相同,而处于散焦位置(其他深度层面)处的像素值大小与多视角图像中该位置处的像素值大小相差较大,因此可以计算该位置上所有去除视差后的多视角图像的像素值方差来判断该像素点是否聚焦。合成孔径图像在(s,t)位置处聚焦的评价为
式中:Si,z(s,t)为合成孔径图像;Ii,z(s,t)为去除视差后的多视角图像;N为图像中该位置处视点的个数。由(13)式可知,v(s,t)越小,像素值的方差越小,聚焦效果越好,可以设置合适的阈值对聚焦区域进行标识。
采用自动标识的方法对聚焦区域进行标识,通过标识,图像可以初步判断为聚焦、离焦和不确定,采用基于文献[
23-24]的贝叶斯理论对图像聚焦区域进行提取。贝叶斯理论在已知图像I的情况下,采用条件概率的方法估计前景F、背景D、融合系数α的值,使其满足最大化后验概率P(F,D,α
式中:P(·)为概率函数;L(·)为似然函数。
将(14)式中的第一项建模为图像I与估计图像I'之间的误差,即
式中:σI为成像过程中噪声模拟的标准差。利用得到的F,D,α估计值来衡量I'值,使得估计图像I'与真实图像I之间的偏差符合标准正态分布。对于图像I的模型,误差的测量对应着一个标准差为σI的呈高斯分布的误差函数I',由F,D,α估计值可知,I'越接近I,L(I
第二项L(F)被建模为具有前景加权的平均颜色值
在图像I的邻域利用原图像的空间一致性计算
式中:
关于融合系数α,其对应的似然函数L(α)被建模为高斯分布的误差项,即
式中:
式中:g为像素的归一化梯度;ωg为梯度对α分布影响的权重,是一个常数。按照上述方法不断迭代优化α值,求得最大化后验概率,进而确定图像的前后景,实现图像的前后景分割。
5 实验与分析
本文对
图 9. 多层目标物和各层结构。(a) 三层目标物;(b) 第一层目标;(c) 第二层目标;(d) 第三层目标
Fig. 9. Multi-layer target and each layer structure. (a) Three-layer target; (b) first-layer target; (c) second-layer target; (d) third-layer target
由合成孔径成像过程可知,目标层的聚焦成像是由模糊变清晰再到模糊(如
对合成孔径的结果进行了最佳聚焦判断,确定了三层目标物的最佳聚焦层,由于遮挡层处于离焦面,因此产生了很好的“虚化”效果,如
表 1. 成像结果的质量评价
Table 1. Quality evaluation of imaging results
|
图 11. 不同算法下聚焦区域的提取结果。(a) 合成孔径成像算法;(b) 聚焦区域提取算法
Fig. 11. Extraction results of focusing area under different algorithms. (a) Synthetic aperture imaging algorithm; (b) focus area extraction algorithm
本文采用峰值信噪比(PSNR)和SSIM对三层场景目标物的合成孔径结果图和聚焦区域提取结果进行质量评价,如
6 结论
采用了一种新的基于多线扫描的X射线聚焦成像方法,仅需被检测目标物沿着直线通过检测区域,利用多线扫描成像的方法实现了多视角成像,运用合成孔径成像算法实现了指定深度层目标物结构的聚焦成像,达到“透视”成像效果。由于散焦区域对图像的重建质量影响较大,结合聚焦度判别方法识别最佳聚焦图像层,同时利用聚焦区域提取算法对图像进行分割和提取,实现图像的清晰成像,提高重建质量,便于目标物的识别。所提方法中的成像系统搭建简单,易于实现,不占用较大的空间资源。所提方法实现了目标物不同深度层的快速检测,提高了不同深度层目标物的识别性,可用于安检等领域的复杂目标物的识别和检测,有较大的应用前景。
[1] 苟量, 王绪本, 曹辉. X射线成像技术的发展现状和趋势[J]. 成都理工学院学报, 2002, 29(2): 227-231.
Gou L, Wang X B, Cao H. The present state and future development of X-ray imaging technology[J]. Journal of Chengdu University of Technology, 2002, 29(2): 227-231.
[2] 李彬, 汤素琼, 杨建林, 等. CT光谱成像技术的临床应用与研究进展[J]. 心血管康复医学杂志, 2015, 24(3): 343-346.
Li B, Tang S Q, Yang J L, et al. Clinical application, research progress of CT spectral imaging[J]. Chinese Journal of Cardiovascular Rehabilitation Medicine, 2015, 24(3): 343-346.
[3] Zhou S A, Brahme A. Development of phase-contrast X-ray imaging techniques and potential medical applications[J]. Physica Medica, 2008, 24(3): 129-148.
[4] 郝佳, 张丽, 陈志强, 等. 多能谱X射线成像技术及其在CT中的应用[J]. CT理论与应用研究, 2011, 20(1): 141-150.
Hao J, Zhang L, Chen Z Q, et al. Multi-energy X-ray imaging technique and its application in computed tomography[J]. Computerized Tomography Theory and Applications, 2011, 20(1): 141-150.
[5] Hounsfield G N. Computerized transverse axial scanning (tomography): Part 1. Description of system[J]. The British Journal of Radiology, 1973, 46(552): 1016-1022.
[6] 戚俊成, 陈荣昌, 刘宾, 等. 基于迭代重建算法的X射线光栅相位CT成像[J]. 物理学报, 2017, 66(5): 054202.
Qi J C, Chen R C, Liu B, et al. Grating based X-ray phase contrast CT imaging with iterative reconstruction algorithm[J]. Acta Physica Sinica, 2017, 66(5): 054202.
[7] Sidky E Y, Pan X C. Image reconstruction in circular cone-beam computed tomography by constrained, total-variation minimization[J]. Physics in Medicine and Biology, 2008, 53(17): 4777-4807.
[8] Emil Y, Kao C M, Pan X C. Accurate image reconstruction in CT from projection data taken at few-views[J]. Proceedings of SPIE, 2006, 6142: 614229.
[9] Gondrom S, Zhou J, Maisl M, et al. X-ray computed laminography: an approach of computed tomography for applications with limited access[J]. Nuclear Engineering and Design, 1999, 190(1/2): 141-147.
[10] 万欣, 刘锡明, 吴志芳. 计算机分层成像技术概述[J]. CT理论与应用研究, 2014, 23(5): 883-892.
Wan X, Liu X M, Wu Z F. Overview of computer hierarchical imaging technology[J]. CT Theory and Applications, 2014, 23(5): 883-892.
[12] Ng R. Fourier slice photography[J]. ACM Transactions on Graphics, 2005, 24(3): 735.
[13] 刘严羊硕, 刘宾, 潘晋孝. 基于前景移除的合成孔径成像算法[J]. 光学学报, 2018, 38(6): 0611002.
[14] Berry M V, Klein S. Integer, fractional and fractal Talbot effects[J]. Journal of Modern Optics, 1996, 43(10): 2139-2164.
[15] 周志良. 光场成像技术研究[D]. 合肥: 中国科学技术大学, 2012.
Zhou ZL. Research on light field imaging technology[D]. Hefei: University of Science and Technology of China, 2012.
[16] 聂云峰, 相里斌, 周志良. 光场成像技术进展[J]. 中国科学院研究生院学报, 2011, 28(5): 563-572.
Nie Y F, Xiangli B, Zhou Z L. Advances in light field photography technique[J]. Journal of the Graduate School of the Chinese Academy of Sciences, 2011, 28(5): 563-572.
[17] Wilburn B, Joshi N, Vaish V, et al. High performance imaging using large camera arrays[J]. ACM Transactions on Graphics, 2005, 24(3): 765-776.
[18] VaishV, WilburnB, JoshiN, et al. Using plane+parallax for calibrating dense camera arrays[C]∥Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, June 27-July 2, Washington, DC, USA. New York: IEEE, 2004: 8161383.
[19] 郁道银, 谈恒英. 工程光学[M]. 第3版. 机械工业出版社, 2011.
Yu DY, Tan HY. Engineering optics[M]. 3rd ed. Beijing: Machinery Industry Press, 2011.
[20] VaishV, GargG, TalvalaE, et al. Synthetic aperture focusing using a shear-warp factorization of the viewing transform[C]∥2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05)-Workshops, September 21-23, 2005, San Diego, CA, USA. New York: IEEE, 2006.
[21] Chuang YY, CurlessB, Salesin DH, et al. A Bayesian approach to digital matting[C]∥Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, December 8-14, 2001, Kauai, HI, USA. New York: IEEE, 2001: 7184431.
[22] 刘宾, 潘毅华, 闫文敏. 光场重聚焦成像的散焦机理及聚焦评价函数[J]. 物理学报, 2019, 68(20): 204202.
Liu B, Pan Y H, Yan W M. Defocusing mechanism and focusing evaluation function of light field imaging[J]. Acta Physica Sinica, 2019, 68(20): 204202.
[23] Levin A, Lischinski D, Weiss Y. A closed-form solution to natural image matting[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 30(2): 228-242.
[24] ChenT, WangY, SchillingsV, et al. Grayscale image matting and colorization[C]∥Proceedings of Asian Conference on Computer Vision 2004, January 27-30, 2004, Jeju Island, Korea. [S. l.: s. n. ], 2004: 1164- 1169.
李轲, 刘宾, 王立鹏, 张新玉, 郭吉星. 基于多线扫描的X射线聚焦成像算法研究[J]. 光学学报, 2020, 40(13): 1311001. Ke Li, Bin Liu, Lipeng Wang, Xinyu Zhang, Jixing Guo. Research on X-Ray Focusing Imaging Algorithm Based on Multi-Line Scanning[J]. Acta Optica Sinica, 2020, 40(13): 1311001.