双能计算机断层扫描(DECT)技术因能分解和识别材料,并提供定量化的成像结果,广泛应用于医疗、安检、无损检测以及材料科学等领域。DECT技术能提供物体在两种能谱下的衰减信息,可准确分解两种基材料。但当检测对象含有三种材料时,若对DECT图像直接求逆(DIMD)分解多材料,其基图像将含较多噪声和伪影。为此,提出了一种基于双能CT图像域的字典学习(DL)和相对总变分(RTV)的多材料分解算法,简称DL-RTV算法。通过直接求逆获得初始基图像,利用字典学习挖掘基图像的稀疏性,以提高材料分解的准确性;引进RTV进一步降低基图像的噪声和伪影,并保护图像细节;同时引入各基材料质量守恒和像素边界的约束项,提高材料分解精度。仿真和实验研究表明,DL-RTV算法能较准确地分解三种材料,较好抑制基图像噪声和伪影,提高了材料区分度,从而验证了此算法的有效性和实用性,这对DECT技术的发展和应用具有重要的意义。

提出了一种应用于红外图像仿真的级联多尺度信息融合生成对抗网络,能由可见光图像估计对应的红外图像。针对可见光与红外图像特征之间的关联与区别,该网络采用级联的对抗网络结构:第一级对抗网络以语义分割图像为辅助任务,使用大感受野的卷积网络结构,重建红外图像的结构信息;第二级对抗网络以可见光的灰度反转图像为辅助任务,采用小感受野的网络结构,补充红外仿真图像的细节纹理信息,并使用多尺度融合模块整合多感受野信息以提升算法精度。在先进算法的通用数据集上进行实验,结果表明,级联多尺度信息融合对抗网络能够实现可见光到红外图像的转换,可得到结构与纹理都较正确的红外仿真图像,在多种客观指标与主观感受上均优于其他类似算法。