CN101795349A - 一种处理x线平板探测器图像坏线的方法及其装置 - Google Patents
一种处理x线平板探测器图像坏线的方法及其装置 Download PDFInfo
- Publication number
- CN101795349A CN101795349A CN201010135142A CN201010135142A CN101795349A CN 101795349 A CN101795349 A CN 101795349A CN 201010135142 A CN201010135142 A CN 201010135142A CN 201010135142 A CN201010135142 A CN 201010135142A CN 101795349 A CN101795349 A CN 101795349A
- Authority
- CN
- China
- Prior art keywords
- image
- bad
- row
- line
- bad line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种处理X线平板探测器图像坏线的方法及其装置,其方法包括:检测X线平板探测器图像中的坏线的位置;在待处理的X线平板探测器图像中,用包含所述坏线的图像子区域内的图像数据估计坏线处的图像像素的细节信息;在细节估计后的图像中,用坏线的邻域内的非坏线图像像素的图像数据计算补偿量,补偿坏线处的图像像素的图像数据。本发明可以利用坏线处的灰度异常通过软件方法自动识别出坏线并保存坏线位置,然后将坏线处的图像细节信息利用坏线邻域的正常像素(即非坏线图像像素)进行灰度补偿,使得坏线处图像灰度过渡自然。
Description
技术领域
本发明涉及X线平板探测器的图像分析技术,具体涉及一种处理X线平板探测器图像坏线的方法及其装置。
背景技术
目前X线平板探测器较以前的胶片成像有很多优点,如密度分辨率高、易于存储、有灵活的后处理过程等等,但是由于其制作工艺复杂,从探测器采集的原始图像一般不能满足实际检测的要求。探测器上不同像元在同样X线剂量辐射下其输出并不一致,引起这种现象的原因包括随机噪声、偏置误差、像元响应不一致以及坏像元等等。除坏像元外,其它像元的输出都包含一定的有用信息,可以通过灰度补偿的方法将其调整到正常灰度值;而坏像元的输出一般不包含有用信息,其像素值不能被利用,在图像中表现为异常亮点、暗点、亮线、暗线或者异常区域等,这种像素需要通过插值的方法来推测缺陷处的信息。
而常用的缺陷插值方法为N邻域的均值或者中值滤波,这种方法方便快捷,对小面积的缺陷插值非常有效,但是当这些缺陷像素出现在图像的一整行(或者多行)或者一整列(或者多列)即形成坏线时,如果坏线处被曝光物体空间分辨率较高,插值后会有伪影存在,即灰度过渡不自然,这是因为它损失了部分细节,如图3箭头指示部分。而针对这种坏线的插值方法,在图像处理算法中通常采用变换域处理来作为弥补大面积缺陷集合的有效方法,这里变换域通常为频域。于是,为了得到好的插值效果,就需要多次迭代地进行傅立叶变换、反变换,而这种傅立叶变换是比较耗时的计算方法,因此这种插值在运算时间上一般不能满足实时性要求。可见,图像的细节对应图像的高频信息,频域处理可以有效控制细节的多少,但频域插值方法主要有两个缺点:一是速度慢;一是理想图像带宽需要已知。速度慢的原因是对于频带限制的方法,需要多次迭代地进行傅立叶变换/反变换才能有效地弥补坏线处的灰度信息。当图像尺寸很大时,其计算量不能满足实时性要求。例如对于一幅尺寸为2048*2048的图像,一次快速傅立叶变换一般的PC机需要花费秒级处理时间,如果进行多次,再考虑到图像中有多条坏线,则处理时间会更长。另外,这里的频带限制要求知道图像的带宽,否则可能损失图像细节,这在实际应用过程中也难以实现,因为处理过程不知道被拍摄的物体是什么。所以,就需要对现有技术进行进一步地改进。
发明内容
本发明的目的在于提供一种处理X线平板探测器图像坏线的方法及其装置,其能够优化X线平板探测器的图像处理流程,并通过快速、简洁方式处理X线平板探测器图像中的坏线,同时还将图像细节的损失降低到最小程度。
为了解决上述问题,本发明提供了一种处理X线平板探测器图像坏线的方法,其包括:
坏线检测步骤:检测X线平板探测器图像中的坏线的位置;
细节估计步骤:在待处理的X线平板探测器图像中,用包含所述坏线的图像子区域内的图像数据估计所述坏线处的图像像素的细节信息,获得细节估计后的图像;
灰度补偿步骤:在所述细节估计后的图像中,用所述坏线的邻域内的非坏线图像像素的图像数据计算补偿量,补偿所述坏线处的图像像素的图像数据。
基于上述方法,本发明还提供了一种处理X线平板探测器图像坏线的装置,其包括:
检测模块,用于检测X线平板探测器图像中的坏线的位置,并存储所述坏线的位置;
细节估计模块,用于在待处理的X线平板探测器图像中,用包含所述坏线的图像子区域内的图像数据估计所述坏线处的图像像素的细节信息,获得细节估计后的图像;
灰度补偿模块,用于在所述细节估计后的图像中,用所述坏线的邻域内的非坏线图像像素的图像数据计算补偿量,补偿所述坏线处的图像像素的图像数据。
从上可见,本发明可以利用坏线处的灰度异常通过软件方法自动识别出坏线并保存坏线位置,然后将坏线处的图像细节信息利用坏线邻域的正常像素(即非坏线图像像素)进行灰度补偿,使得坏线处图像灰度过渡自然。本发明方法实现过程不需要输入与图像内容相关的信息,整个过程完全自动化;由于对图像细节信息进行了灰度补偿,使之减少了细节损失。而本发明的装置可以通过软件方法在计算机或者中央控制芯片中实现,而不需要对原来的X线平板探测器的硬件部分进行改进,升级成本低,方便升级操作。
附图说明
图1为本发明最优处理过程的流程图;
图2为坏线未处理的图像,其中白色像素为坏线;
图3为图2中坏线经过4邻域均值滤波处理后的图像;
图4为图2中坏线经过本发明方法处理后的图像。
具体实施方式
以下将结合附图,对本发明方法及其装置的具体实现方式进行详细说明。针对现有技术方法的缺点,本发明提供了处理X线平板探测器图像坏线的方法,其包括以下步骤:
检测X线平板探测器图像中的坏线的位置;
在待处理的X线平板探测器图像中,用包含所述坏线的图像子区域内的图像数据估计所述坏线处的图像像素的细节信息,获得细节估计后的图像;
在所述细节估计后的图像中,用所述坏线的邻域内的非坏线图像像素的图像数据计算补偿量,补偿所述坏线处的图像像素的图像数据。
本发明通过检测坏线位置并存储,然后利用检测的坏线位置实时对待处理图像进行处理,从而提高了实时处理的效果,并且本发明保留原始待处理图像中的大部分图像细节信息,即灰度变化的快慢,也就是灰度由黑至白(或者由白至黑)经了多少个像素,经过的像素多则对应细节少的部分,反之对应细节多的部分,细节的多少对应频率的高低,根据图像细节信息利用坏线邻域的正常像素(即非坏线图像像素)进行灰度补偿,使得坏线处图像灰度过渡自然。本发明过程简单,可以不需要复杂的迭代过程,所以实时性更高,速度更快。以下将举例说明本发明的最优实施例。
上述检测坏线位置的方法主要是依据坏线处的灰度异常,然后通过图像累加直方图的方式来实现的。在X线平板探测器图像中,坏线像素的灰度与正常像素的灰度是有很大差别的,如图2,利用这一点(即指图中白色直线(坏线)与其它部分的灰度差异)可以较方便地识别出坏线,并且,采用图像累加直方图的方式来进行检测,此方法只与灰度分布有关,不受不同平板之间dark灰度差异的影响,所以其速度快、自适应能力强。对于X线平板探测器,通常在离线时期进行坏线检测,将其位置保存起来,以便提高应用时期的效率,在离线时期对平板探测器进行缺陷检测的过程称为校准。用于检测坏线的图像既可以是不曝光时采集的dark图像,也可以是空曝光时采集的white图像。以下以使用dark图像检测坏线进行校准为例进行详细说明。
由于从探测器上直接采集的原始图像本身是不均匀的,这对坏线形成了干扰,下面给出一个相对自适应的坏行检测流程,该流程是基于图像累加直方图分析的,其来源于平板原始图像的灰度分布有这样的特点,一是图像大部分灰度集中于很窄的灰度范围内,二是坏线的灰度与直方图主峰偏离较远。根据这两个特性,该流程首先计算直方图近似主峰位置mean,然后以该位置为中心,以灰度标准偏移(即直方图的标准差)为步进累加直方图,当剩余直方图基本不再变化时,即认为是坏线对应的直方图,具体步骤如下:
步骤11、累加图像中每一行或每一列所有像素的灰度值,获得图像的行累加灰度向量或列累加灰度向量sum_rows;
步骤12、将行累加灰度向量或列累加灰度向量sum_rows中分量的取值作为横坐标,将此横坐标的每个取值在所述行累加灰度向量或列累加灰度向量中对应出现的次数作为纵坐标,构建直方图;
步骤13、计算行累加灰度向量或列累加灰度向量sum_rows的均值mean和标准差std,以均值mean为中心,以标准差std为步进累加直方图,且以剩余直方图是否还再变化作为约束条件进行循坏累加处理,当剩余直方图不再变化时,则判定是坏线对应的直方图。这里的步骤13包括以下步骤:
步骤131、初始化过程,将缺陷数量的初始值bad_num_before赋为所述行累加灰度向量或列累加灰度向量sum_rows的向量长度,步进变量K的初始值赋为最小值Kmin;
步骤132、计算上述均值减去步进变量和标准差积的差,即mean-K×std,获得第一阈值,计算均值加上步进变量和标准差积的和,即mean+K×std,获得第二阈值;将直方图中,灰度小于所述第一阈值和大于所述第二阈值的分量视为缺陷,统计此缺陷的数量,作为此轮循坏的缺陷数量当前值bad_num_new;
步骤133、计算上述缺陷数量的初始值bad_num_before和当前值bad_num_new之差,获得缺陷变量bad_num_dif;
步骤134、判断上述缺陷变量bad_num_dif与缺陷数量当前值bad_num_new的比值是否小于等于一预设比例值m,或者上述步进变量K是否达到最大值Kmax;
若上述缺陷变量bad_num_dif与缺陷数量当前值bad_num_new的比值是否小于等于预设比例值m,或者步进变量K达到最大值Kmax,则退出循坏,并将上述缺陷对应的行或者列判定为缺陷行或者缺陷列,此缺陷行和缺陷列构成待处理图像中的坏线;
若上述缺陷变量bad_num_dif与缺陷数量当前值bad_num_new的比值大于预设比例值m,且步进变量K未达到最大值Kmax,则将此轮计算获得的缺陷数量当前值bad_num_new赋于下一轮循坏的缺陷数量的初始值bad_num_before,且将步进变量K进一,即K=K+1,并返回步骤132。
上述参数中,最优取Kmin=2,Kmax=8,m=0.2。但是,Kmin、Kmax、m的取值可以根据经验取值,也可以稍有变化,这里的k范围给的较大,实际可选[Kmin=2,Kmax=5],m最好在0.1~0.3之间。上述过程中上述缺陷变量bad_num_dif与缺陷数量当前值bad_num_new的比值是否小于等于预设比例值m,正好可以表征剩余直方图是否基本不再变化。
退出循环后,计算得到输出的k值后,按照“灰度小于mean-K×std和大于mean+K×std的分量视为缺陷”计算,满足此条件的分量对应的行即为缺陷行,对应的列即为缺陷列。通过上面过程可以分别检测出缺陷行和缺陷列。这里的坏线检测是为了后续利用其位置进行区域灰度补偿,因此在检测出坏线后,应将其位置保存起来,作为参考。当***应用时,直接利用该参考位置校正坏线。由于坏线灰度的异常性,还有一些比较典型的检测方法,比如迭代高通滤波方法,该方法通过滤波的方式减弱正常像素的不均匀性,突出异常像素,每次迭代增加滤波器的宽度(即减小频域通带宽度),当异常像素数量不再变化时,即认为是坏像素。可见,本发明此处的坏线检测方法也可以采用其他方式进行。
直接采用上述检测到的坏线位置,然后依据此坏线位置来实时处理图像信息,则灰度补偿过程可以采用以下过程:
步骤21、对上述检测到坏线的一个邻域内的图像,沿行或列方向分段,获得子段集合。比如对于每条(或者多条相邻)坏行,沿行方向分段,段长为n,n可取5~25之间的整数,将每个子段上面和下面一行与此段长n对应长度的正常像素(非坏线像素)合并进来构成新的子段集合。如果子段上面(或下面)一行也为坏行,则继续向上(或向下)直至找到正常数据行并将其合并进来构成子段集合。其中,各子段的长度可以相同,均取n,也可以根据实际情况各子段取不同的长度,比如根据灰度梯度值来分段,沿坏线方向将相邻灰度梯度值小的像素合并为一个子段,一旦遇到灰度梯度值大的像素,则令起一个新的子段。
步骤22、对每个子段集合计算行或列累加和,得到每个子段的行或列累加向量。比如,对每个子段计算其行累加和,即沿行方向将象素值相加,得到每个子段的行累加向量x={x1,x2,…,xh},其中h表示累加的行数。
步骤23、在上述每个子段的行或列累加向量中,将边界位置分量作为非坏线图像像素的分量,其余位置对应为坏线位置的分量,比如x={x1,x2,…,xh}中,x1和xh为该子段中正常像素行的灰度累加和,即非坏线图像像素的分量,x2~xh-1为坏行的灰度累加和,即坏线位置的分量;如果该子段中只有一条坏行,则h=3,否则为多条坏行相邻的情况。
然后,利用所述非坏线图像像素的分量进行插值或拟合运算,估计所述坏线位置对应的估计分量,获得每个子段的估计向量。以下举例说明如何进行插值或拟合运算。
步骤24、将上述估计向量减去步骤23中获得的实际累加向量,得到灰度补偿向量;比如,计算x2′~xh-1′与x2~xh-1的差向量,将该差向量的每个分量除以段长n作为该子段坏行处的灰度补偿向量t2~th-1,其中每个元素对应为一坏线行或坏线列的补偿量。
步骤25、将上述每一个子段集合的行或列向量上添加所述灰度补偿向量,即可获得补偿结果。比如,将子段中第2~h-1行中每行像素分别加上t2~th-1偏移量,并将结果取整,得到最后的结果。
上述举例多以行为例进行说明,而对列可以采用同样的方式。逐次处理每个坏行并对坏列采取同样的处理方式,得到最后的补偿结果。
为了提高计算精度,上述灰度补偿的处理过程还包括如下检验步骤:
步骤26、判断上述步骤25补偿后的结果中是否存在小于或者等于零的值,若是,则重新确定子段的长度,返回上述步骤21。上述步骤21至25的过程中,依次处理每个子段直至该坏行所有子段处理完毕。如果在处理过程中子段补偿后的结果中有小于或者等于0的值(周围正常像素的值也为0的情况除外),说明细节估计的结果可能出现了较大跳变,这时将段长n设定为1重新对该坏行补偿。段长为1的处理相当于整个校正过程退化为只采用线性插值,细节估计不再起作用。
上述插值或拟合运算过程可以采用以下方式进行:
第一种方式,线性插值。比如,上述向量x={x1,x2,…,xh}中,x1和xh是正常象素行的和,x2~xh-1是用之前细节估计的结果累加出来的和,这里要用x1和xh重新估计x2′~xh-1′,采用线性插值,其插值公式为:
此插值公式中,可以根据需要加入比例系数,调整插值的效果。
第二种方式,非线性插值。比如,可采用Lagrange多项式插值方法,多项式插值需要选择更多的邻域线数量,假设x1~xh表示邻域选择后每个像素行的灰度累加和,其中xp~xh-p+1是坏行的灰度累加和(2≤p≤(h+1)/2),则估计m处坏行累加和xm′的插值公式为:
其中,
线性插值是非线性插值的一种特殊情况,比如当p=2时,非线性插值退化为线性插值。
第三种方式,拟合的方式。比如,拟合方式对噪声的抑制能力更强,常用的拟合方式为最小二乘法,其思想是要使拟合后的表达式与xk之差的二范数的平方最小,即
一般选择根据函数极值点一阶导数为0,对上述表达式建立法方程即可求解aj;同样阶数的表达式如果使用拟合方式则需要更多的样本数,即邻域行数量,如果上述最小表达式中q=2p-2时,拟合方式退化为插值方式,即插值是拟合的特殊情况。
上述三种方式中,采用拟合的方式抑制噪声的能力较强,而采用插值的方式则保留细节的能力较强,从计算量的角度出发,最优采用线性插值。线性插值的计算过程简单,并且只需要处理坏线处的像素,所以速度很快。该插值方法的结果如图4,与图3的均值插值结果相比,该插值结果过渡比较自然。
上面已经详细给出了检测坏线位置以及灰度补偿额度方法,另更进一步地,为了使坏线与其周围像素产生更强烈的对比,可以首先对待处理的图像进行灰度重置,即根据保存的环线位置信息,将待处理图像中坏线位置处的图像像素重置为像素极值,即像素最大值或者最小值,优选最小值0。当然,此处也可以不重置为极值,而重置为其它值,只要其与周围像素的图像数据值有强烈对比即可。
根据采样理论,理想图像的频带被限制在有限的范围内(小于等于采样频率的一半),当将缺陷像素的取值重置时,坏线处过渡变剧烈,图像的有效带宽被扩大,图像高频分量被提升,通过限制这个被扩大的带宽可以弥补缺陷处的灰度差异,并估计坏线的细节信息,如图1所示流程给出了本发明的一个实施例。当然,坏线细节估计也可以不必一定要在像素重置之后,它也可以直接应用于上述实施例中,用于提高计算精度。
坏线细节估计主要包括以下步骤:首先,在所述待处理的X线平板探测器图像中,选择包含坏线位置的图像子区域;然后,在图像子区域内,对图像进行频域滤波处理,处理后的图像即为细节估计后的图像。以下详细说明坏线细节估计的过程。
图像的细节表示灰度变化的快慢,也就是灰度由黑至白(或者由白至黑)经了多少个像素,经过的像素多则对应细节少的部分,反之对应细节多的部分,细节的多少对应频率的高低,把坏线部分的灰度重置相当于增大了坏线垂直方向上灰度的变化(增加了细节),而坏线方向上却没有了信息(损失了细节),使用频率滤波压低垂直方向的高频分量,使得坏线垂直方向过渡自然,则坏线的方向就出现了信息,本文将该信息称为细节。
这里采用频带限制的方法估计坏线处的细节信息。基于以上两个原因,本发明可以只进行一次频带限制,并且选择坏线周围的小邻域进行傅立叶变换,即选择图像子区域;限制的带宽选择频域的最大宽度,即认为被拍摄图像的最高空间分辨率与平板的最高理论分辨率相同,这是为了使插值后细节损失最小。以坏行为例,说明具体处理过程。根据保存的坏行位置信息,逐次处理每条坏行,如果坏行相邻,则在同一次处理。
在图像子区域的选择上,可以截取坏线位置行的上、下一预设数量的数据行,或者所述坏线位置列的左、右一预设数量的数据行,将截取范围与所述坏线位置处像素一起组合成待处理的图像子区域。比如,截取坏行上、下一定数量的正常数据行,假设子区域的行数为64,即坏行上面选择32条数据行,下面选择31条数据行,如果坏行相邻(即该次处理的坏行大于1条),则下面相应地减少所选择的数据行;如果坏行上面或者下面数据行不足,即临近图像边界处,则相应调整坏行上面或者下面所选择的数据行,总之,要保证选择的子区域共有64行像素。这里有个前提条件,即认为平板本身的连续坏线少于64条,这是一个很宽的限制,正常的平板都会满足,如果不满足,可以增加子区域的行数以能完全容纳该平板最多的连续坏线条数。
在进行频域滤波处理时利用快速傅立叶变换将上述图像子区域的像素变换到频域,对频域数据进行行或列滤波,在列方向上采用截止频率为二分之一采样频率的低通形式,在行方向上采用全通滤波形式,使限制的带宽选择频域的最大宽度。对频域滤波可选择一种非理想滤波器,设定滤波器在列方向上为低通形式,截止频率为fs/2,即32个像素(注意偶数个频率采样点的频率对称情况),在行方向上为全通形式,因为处理的是图像的坏行。fs/2频率是采样频率为fs时图像能够分辨的最大频率,选择该频率作为滤波器截止频率是为了尽量不损失图像中的有效细节,而选择非理想滤波器是因为非理想滤波器在截止频率处的衰减不为0。经过频率衰减后的图像在坏行处会存在一定的细节,但其灰度值与周围正常象素值还有很大差异,所以需要后续的补偿处理。这里选择的滤波器可以选择具有过渡带,且过渡带较窄(陡峭)的滤波器,如4阶巴特沃思低通滤波器,因其过渡比高斯滤波器更陡峭,并且在通带和阻带之间没有完全截止。巴特沃思低通滤波器的函数形式为:
其中u0为截止频率,n为滤波器阶数,其中n可以取大于2的值;该滤波器在截止频率点幅度衰减为最大幅度的一半,随着阶数的增加,滤波器形状越来越陡峭。
频域滤波后,将经过滤波的频域数据反变换到时域,即可获得经过了频域滤波处理的图像子区域,将该经过了频域滤波处理的图像子区域中的坏线的图像数据赋予原图像子区域中的坏线,替换原图像子区域的坏线的图像数据,即完成对此图像子区域的频域滤波处理。
上面所述的是一次坏行处理的过程,该次处理校正一条坏行,如果坏行相邻,则相邻的坏行也同时处理。一次坏行处理后,根据保存的坏线位置继续处理下面一条坏行,直至所有坏行处理完,然后对坏列也进行同样方式的处理,只是子区域要在左右数据列选取。至此,细节估计完毕。
基于上述方法,本发明还可以通过软件编程的方法在集成计算机芯片上实现相同的功能模块。如下所示:一种处理X线平板探测器图像坏线的装置,包括:检测模块,用于检测坏线位置,并存储;细节估计模块,用于在待处理的X线平板探测器图像中,用包含所述坏线的图像子区域内的图像数据估计所述坏线处的图像像素的细节信息,获得细节估计后的图像;灰度补偿模块,用于在所述细节估计后的图像中,用所述坏线的邻域内的非坏线图像像素的图像数据计算补偿量,补偿所述坏线处的图像像素的图像数据。其还包括:选择单元:用于在所述待处理的X线平板探测器图像中,选择包含所述坏线的图像子区域;频域滤波单元:用于在所述图像子区域内,对所述待处理的X线平板探测器图像进行频域滤波处理,处理后的图像即为细节估计后的图像。
其还包括:像素重置模块,用于将所述坏线位置处的图像像素重置为像素极值后输入至所述图像细节估计模块。
所述的装置,其中,所述检测模块包括:累加单元,用于累加图像中每一行或每一列所有像素的灰度值,获得图像的行累加灰度向量或列累加灰度向量;直方图构建单元,用于将所述行累加灰度向量或列累加灰度向量中分量的取值作为横坐标,将此横坐标的每个取值、在所述行累加灰度向量或列累加灰度向量中对应出现的次数作为纵坐标,构建直方图;直方图循坏处理单元,用于计算所述行累加灰度向量或列累加灰度向量的均值和标准差,以均值为中心、以所述标准差为步进累加所述直方图,且以剩余直方图是否还再变化作为约束条件进行循坏累加处理,当剩余直方图不再变化时,则判定是坏线对应的直方图。
所述的装置,其中,所述直方图循坏处理单元包括:赋值单元,用于将缺陷数量的初始值赋为所述行累加灰度向量或列累加灰度向量的向量长度,步进变量的初始值赋为最小值;第一阈值计算单元,用于计算所述均值减去步进变量和所述标准差积的差,获得第一阈值;第二阈值计算单元,用于计算所述均值加上所述步进变量和所述标准差积的和,获得第二阈值;统计单元,用于将所述直方图中灰度小于所述第一阈值和大于所述第二阈值的分量视为缺陷,统计此缺陷的数量,作为此轮循坏的缺陷数量当前值;差值计算单元,用于计算所述缺陷数量的初始值和当前值之差,获得缺陷变量;判断单元,用于判断所述缺陷变量与所述缺陷数量当前值的比值是否小于等于一预设比例值,或者所述步进变量是否达到最大值;当所述缺陷变量与所述缺陷数量的比值小于等于所述预设比例值,或者所述步进变量达到最大值时,所述判断单元将所述统计单元中获得的缺陷对应的行或者列判定为缺陷行或者缺陷列,此缺陷行和缺陷列构成坏线;当所述缺陷变量与所述缺陷数量的比值大于所述预设比例值,且所述步进变量未达到最大值时,所述判断单元输出控制信号,令赋值单元将所述统计单元计算获得的缺陷数量当前值赋于下一轮循坏的所述缺陷数量的初始值,且将所述步进变量进一,并再次启动直方图循坏处理单元中各个单元工作。
所述的装置,其中,所述灰度补偿模块包括:分段处理单元,用于对所述坏线的邻域内的图像沿行或列方向分段,获得子段集合,所述子段集合中包括坏线像素和非坏线图像像素;向量求和单元,用对每个子段集合分别计算行或列累加和,得到每个子段的行或列累加向量;估计单元,用于在所述每个子段的行或列累加向量中,用所述非坏线图像像素的分量进行插值或拟合运算,计算所述坏线位置对应的估计分量,获得每个子段的坏线的估计向量;补偿量计算单元,用于根据所述坏线的估计向量和所述行或列累加向量,计算每个子段的坏线的灰度补偿向量,所述灰度补偿向量中每个元素对应为一坏线行或坏线列的补偿量;补偿单元,用于将所述每一个子段集合中的坏线行或坏线列的图像数据加上所述该坏线行或坏线列对应的补偿量,获得灰度补偿结果。
所述的装置,其中,所述灰度补偿模块还包括:检验单元,用于判断所述补偿结果中是否存在小于或者等于零的值,当所述灰度补偿向量中存在小于或者等于零的值时,所述检验单元重新确定子段的长度,并发出激活指令启动所述灰度补偿模块的各个单元工作。
综上所述,本发明具有以下优点:
1、利用坏线处的灰度异常自动识别出坏线并保存坏线位置,并且坏线检测过程在离线状态下进行,不影响图像实时处理的速度。更进一步的,本发明采用累加直方图的方式对坏线位置进行检测,操作方便,计算快捷,方法简单,而且准确性高。
2、将坏线处的细节信息利用坏线邻域的正常像素进行线性补偿,使得坏线处图像灰度过渡自然。更进一步的,在上述灰度补偿过程中,本发明所采用的方法可以一次处理多条连续坏线,效率高,该方法实现过程不需要输入与图像内容相关的信息,整个过程完全自动化,方法简洁易操作。
2、更进一步地,本发明还可以利用灰度重置提高其高频分量,突出坏线,与背景形成强烈对比。
3、更进一步地,本发明在图像子区域内利用频带限制估计坏线处的细节,使之减少了细节损失;并且只在子区域内进行频域变换,不需要迭代,进行复杂的运算,所以计算量大大减少,并同时得到了坏线处的细节。
按照本发明实施例的处理X线平板探测器图像坏线的方法及其装置,可以通过硬件、软件、固件、或者其组合实现在X线成像***中,从而使得X线成像***可以采用按照本发明实施例的处理X线平板探测器图像坏线的方法,或者包括按照本发明实施例的处理X线平板探测器图像坏线的装置。按照本发明的上述教导,这种实现对于本领域普通技术人员来说是显而易见的,在此不做详细描述。
上述各具体步骤的举例说明较为具体,并不能因此而认为是对本发明的专利保护范围的限制,凡是利用上述方法构思的,均应在本发明的保护范围内,本发明的专利保护范围应以所附权利要求为准。
Claims (17)
1.一种处理X线平板探测器图像坏线的方法,其特征在于:包括:
坏线检测步骤:检测X线平板探测器图像中的坏线的位置;
细节估计步骤:在待处理的X线平板探测器图像中,用包含所述坏线的图像子区域内的图像数据估计所述坏线处的图像像素的细节信息,获得细节估计后的图像;
灰度补偿步骤:在所述细节估计后的图像中,用所述坏线的邻域内的非坏线图像像素的图像数据计算补偿量,补偿所述坏线处的图像像素的图像数据。
2.根据权利要求1所述的方法,其特征在于,所述细节估计步骤包括:
在所述待处理的X线平板探测器图像中,选择包含所述坏线的图像子区域;
在所述图像子区域内,对所述待处理的X线平板探测器图像进行频域滤波处理,处理后的图像即为细节估计后的图像。
3.根据权利要求2所述的方法,其特征在于:其中在所述图像子区域内,对所述待处理的X线平板探测器图像进行频域滤波处理包括:
将所述图像子区域的图像数据变换到频域,获得所述图像子区域的频域数据;
对所述频域数据进行滤波,其中在所述坏线方向上为全通滤波,在垂直所述坏线的方向上为低通滤波;
将滤波后的频域数据反变换到时域,获得频域滤波处理后的图像子区域;
将所述频域滤波处理后的图像子区域中坏线的图像数据赋予原图像子区域中的坏线,替换原图像子区域的坏线的图像数据。
4.根据权利要求3所述的方法,其特征在于:其中所述低通滤波使用非理想滤波器,其中低通滤波的截止频率为fs/2,其中fs为采样频率。
5.根据权利要求1或2所述的方法,其特征在于:所述坏线检测步骤和细节估计步骤之间还包括:
将所述坏线处的图像数据重置为极值。
6.根据权利要求1所述的方法,其特征在于,所述坏线检测步骤包括:
累加图像中每一行或每一列所有像素的灰度值,获得图像的行累加灰度向量或列累加灰度向量;
将所述行累加灰度向量或列累加灰度向量中分量的取值作为横坐标,将此横坐标的每个取值、在所述行累加灰度向量或列累加灰度向量中对应出现的次数作为纵坐标,构建直方图;
计算所述行累加灰度向量或列累加灰度向量的均值和标准差,以均值为中心,以所述标准差为步进累加所述直方图,以剩余直方图是否还再变化作为约束条件进行循坏累加处理,当剩余直方图不再变化时,则判定是坏线对应的直方图。
7.根据权利要求6所述的方法,其特征在于,所述直方图的循坏累加处理过程包括以下步骤:
A1、将缺陷数量的初始值赋为所述行累加灰度向量或列累加灰度向量的向量长度,步进变量的初始值赋为最小值;
B1、计算所述均值减去步进变量和所述标准差积的差,获得第一阈值,计算所述均值加上所述步进变量和所述标准差积的和,获得第二阈值;将直方图中,灰度小于所述第一阈值和大于所述第二阈值的分量视为缺陷,统计此缺陷的数量,作为此轮循坏的缺陷数量当前值;
C1、计算所述缺陷数量的初始值和当前值之差,获得缺陷变量;
D1、判断所述缺陷变量与所述缺陷数量当前值的比值是否小于等于一预设比例值,或者所述步进变量是否达到最大值;
若所述缺陷变量与所述缺陷数量的比值小于等于所述预设比例值,或者所述步进变量达到最大值,则退出循坏,并将所述缺陷对应的行或者列判定为缺陷行或者缺陷列,此缺陷行和缺陷列构成坏线;
若所述缺陷变量与所述缺陷数量的比值大于所述预设比例值,且所述步进变量未达到最大值,则将此轮计算获得的缺陷数量当前值赋于下一轮循坏的所述缺陷数量的初始值,且将步进变量进一,并返回步骤B1。
8.根据权利要求1所述的方法,其特征在于,所述灰度补偿步骤包括:
A2、对所述坏线的邻域内的图像沿行或列方向分段,获得子段集合,所述子段集合中包括坏线像素和非坏线图像像素;
B2、对每个子段集合分别计算行或列累加和,得到每个子段的行或列累加向量;
C2、在所述每个子段的行或列累加向量中,用所述非坏线图像像素的分量进行插值或拟合运算,计算所述坏线对应的估计分量,获得每个子段的坏线的估计向量;
D2、根据所述坏线的估计向量和所述行或列累加向量,计算每个子段的坏线的灰度补偿向量,所述灰度补偿向量中每个元素对应为一坏线行或坏线列的补偿量;
E2、将所述每一个子段集合中的坏线行或坏线列的图像数据加上所述该坏线行或坏线列对应的补偿量,获得灰度补偿结果。
9.根据权利要求8所述的方法,其特征在于,步骤E2后还包括步骤:
F2、判断所述灰度补偿结果中是否存在小于或者等于零的值,若是,则重新确定子段的长度,返回步骤A2。
10.根据权利要求2所述的方法,其特征在于,所述选择包含所述坏线的图像子区域包括:
截取所述坏线行的上、下一预设数量的数据行,或者所述坏线位置列的左、右一预设数量的数据列,将截取范围与所述坏线一起组成选择的图像子区域。
11.一种处理X线平板探测器图像坏线的装置,其特征在于,其包括:
检测模块,用于检测X线平板探测器图像中的坏线的位置,并存储所述坏线的位置;
细节估计模块,用于在待处理的X线平板探测器图像中,用包含所述坏线的图像子区域内的图像数据估计所述坏线处的图像像素的细节信息,获得细节估计后的图像;
灰度补偿模块,用于在所述细节估计后的图像中,用所述坏线的邻域内的非坏线图像像素的图像数据计算补偿量,补偿所述坏线处的图像像素的图像数据。
12.根据权利要求11所述的装置,其特征在于:所述细节估计模块包括:
选择单元:用于在所述待处理的X线平板探测器图像中,选择包含所述坏线的图像子区域;
频域滤波单元:用于在所述图像子区域内,对所述待处理的X线平板探测器图像进行频域滤波处理,处理后的图像即为细节估计后的图像。
13.根据权利要求11所述的装置,其特征在于,还包括:像素重置模块,用于将所述坏线位置处的图像像素重置为极值后输入至所述细节估计模块。
14.根据权利要求11所述的装置,其特征在于,所述检测模块包括:
累加单元,用于累加图像中每一行或每一列所有像素的灰度值,获得图像的行累加灰度向量或列累加灰度向量;
直方图构建单元,用于将所述行累加灰度向量或列累加灰度向量中分量的取值作为横坐标,将此横坐标的每个取值、在所述行累加灰度向量或列累加灰度向量中对应出现的次数作为纵坐标,构建直方图;
直方图循坏处理单元,用于计算所述行累加灰度向量或列累加灰度向量的均值和标准差,以均值为中心、以所述标准差为步进累加所述直方图,且以剩余直方图是否还再变化作为约束条件进行循坏累加处理,当剩余直方图不再变化时,则判定是坏线对应的直方图。
15.根据权利要求14所述的装置,其特征在于,所述直方图循坏处理单元包括:
赋值单元,用于将缺陷数量的初始值赋为所述行累加灰度向量或列累加灰度向量的向量长度,步进变量的初始值赋为最小值;
第一阈值计算单元,用于计算所述均值减去步进变量和所述标准差积的差,获得第一阈值;
第二阈值计算单元,用于计算所述均值加上所述步进变量和所述标准差积的和,获得第二阈值;
统计单元,用于将所述直方图中灰度小于所述第一阈值和大于所述第二阈值的分量视为缺陷,统计此缺陷的数量,作为此轮循坏的缺陷数量当前值;
差值计算单元,用于计算所述缺陷数量的初始值和当前值之差,获得缺陷变量;
判断单元,用于判断所述缺陷变量与所述缺陷数量当前值的比值是否小于等于一预设比例值,或者所述步进变量是否达到最大值;
当所述缺陷变量与所述缺陷数量的比值小于等于所述预设比例值,或者所述步进变量达到最大值时,所述判断单元将所述统计单元中获得的缺陷对应的行或者列判定为缺陷行或者缺陷列,此缺陷行和缺陷列构成坏线;
当所述缺陷变量与所述缺陷数量的比值大于所述预设比例值,且所述步进变量未达到最大值时,所述判断单元输出控制信号,令赋值单元将所述统计单元计算获得的缺陷数量当前值赋于下一轮循坏的所述缺陷数量的初始值,且将所述步进变量进一,并再次启动直方图循坏处理单元中各个单元工作。
16.根据权利要求11所述的装置,其特征在于,所述灰度补偿模块包括:
分段处理单元,用于对所述坏线的领域内的图像沿行或列方向分段,获得子段集合,所述子段集合中包括坏线像素和非坏线图像像素;
向量求和单元,用对每个子段集合分别计算行或列累加和,得到每个子段的行或列累加向量;
估计单元,用于在所述每个子段的行或列累加向量中,用所述非坏线图像像素的分量进行插值或拟合运算,计算所述坏线对应的估计分量,获得每个子段的坏线的估计向量;
补偿量计算单元,用于根据所述坏线的估计向量和所述行或列累加向量,计算每个子段的坏线的灰度补偿向量,所述灰度补偿向量中每个元素对应为一坏线行或坏线列的补偿量;
补偿单元,用于将所述每一个子段集合中的坏线行或坏线列的图像数据加上所述该坏线行或坏线列对应的补偿量,获得灰度补偿结果。
17.根据权利要求16所述的装置,其特征在于,所述灰度补偿模块还包括:检验单元,用于判断所述灰度补偿结果中是否存在小于或者等于零的值,当所述灰度补偿向量中存在小于或者等于零的值时,所述检验单元重新确定子段的长度,并发出激活指令启动所述灰度补偿模块的各个单元工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010135142 CN101795349B (zh) | 2010-03-24 | 2010-03-24 | 一种处理x线平板探测器图像坏线的方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010135142 CN101795349B (zh) | 2010-03-24 | 2010-03-24 | 一种处理x线平板探测器图像坏线的方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101795349A true CN101795349A (zh) | 2010-08-04 |
CN101795349B CN101795349B (zh) | 2013-10-02 |
Family
ID=42587763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010135142 Active CN101795349B (zh) | 2010-03-24 | 2010-03-24 | 一种处理x线平板探测器图像坏线的方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101795349B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567954A (zh) * | 2010-12-30 | 2012-07-11 | 深圳迈瑞生物医疗电子股份有限公司 | 平板探测器噪声抑制方法及装置 |
CN104463831A (zh) * | 2013-09-25 | 2015-03-25 | 深圳市蓝韵实业有限公司 | 一种x线平板探测器图像坏线的修补方法 |
CN105338342A (zh) * | 2014-08-12 | 2016-02-17 | 炬力集成电路设计有限公司 | 一种图像坏点的检测方法及装置 |
CN105451015A (zh) * | 2014-08-12 | 2016-03-30 | 炬力集成电路设计有限公司 | 一种图像坏点的检测方法及装置 |
CN106204680A (zh) * | 2016-07-18 | 2016-12-07 | 京东方科技集团股份有限公司 | 一种成像装置及其成像方法 |
CN107818556A (zh) * | 2016-08-31 | 2018-03-20 | 江苏邦融微电子有限公司 | 电容式指纹采集***的坏线自检测和自修复方法 |
CN108009994A (zh) * | 2017-10-25 | 2018-05-08 | 沈阳东软医疗***有限公司 | 一种坏线修复方法、装置及设备 |
CN110490891A (zh) * | 2019-08-23 | 2019-11-22 | 杭州依图医疗技术有限公司 | 分割图像中关注对象的方法、设备和计算机可读存储介质 |
CN110703309A (zh) * | 2019-09-29 | 2020-01-17 | 上海奕瑞光电子科技股份有限公司 | 线阵探测器图像拼接实时校正方法、装置、设备和介质 |
CN111184523A (zh) * | 2020-01-17 | 2020-05-22 | 深圳市安健科技股份有限公司 | 基于dr设备的三维图像重建方法及*** |
CN113505683A (zh) * | 2021-07-06 | 2021-10-15 | 深圳市迪安杰智能识别科技有限公司 | 指纹传感器的坏线检测方法及指纹图像的坏线修复方法 |
CN114140336A (zh) * | 2021-10-08 | 2022-03-04 | 中国安全生产科学研究院 | 一种基于红外图像的坏点处理方法及装置 |
CN114906534A (zh) * | 2022-04-25 | 2022-08-16 | 四川省自贡运输机械集团股份有限公司 | 一种带式输送机移动机器人定位方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101190135A (zh) * | 2006-11-29 | 2008-06-04 | 深圳迈瑞生物医疗电子股份有限公司 | 在超声成像***中用于优化超声图像的灰度值的方法 |
CN101482968A (zh) * | 2008-01-07 | 2009-07-15 | 日电(中国)有限公司 | 图像处理方法和设备 |
CN101515987A (zh) * | 2008-12-30 | 2009-08-26 | 中国资源卫星应用中心 | 一种用于旋转扫描多元并扫红外相机的遥感图像辐射校正方法 |
-
2010
- 2010-03-24 CN CN 201010135142 patent/CN101795349B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101190135A (zh) * | 2006-11-29 | 2008-06-04 | 深圳迈瑞生物医疗电子股份有限公司 | 在超声成像***中用于优化超声图像的灰度值的方法 |
CN101482968A (zh) * | 2008-01-07 | 2009-07-15 | 日电(中国)有限公司 | 图像处理方法和设备 |
CN101515987A (zh) * | 2008-12-30 | 2009-08-26 | 中国资源卫星应用中心 | 一种用于旋转扫描多元并扫红外相机的遥感图像辐射校正方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567954B (zh) * | 2010-12-30 | 2015-06-17 | 深圳迈瑞生物医疗电子股份有限公司 | 平板探测器噪声抑制方法及装置 |
CN102567954A (zh) * | 2010-12-30 | 2012-07-11 | 深圳迈瑞生物医疗电子股份有限公司 | 平板探测器噪声抑制方法及装置 |
CN104463831B (zh) * | 2013-09-25 | 2019-07-09 | 深圳市蓝韵实业有限公司 | 一种x线平板探测器图像坏线的修补方法 |
CN104463831A (zh) * | 2013-09-25 | 2015-03-25 | 深圳市蓝韵实业有限公司 | 一种x线平板探测器图像坏线的修补方法 |
CN105338342A (zh) * | 2014-08-12 | 2016-02-17 | 炬力集成电路设计有限公司 | 一种图像坏点的检测方法及装置 |
CN105451015A (zh) * | 2014-08-12 | 2016-03-30 | 炬力集成电路设计有限公司 | 一种图像坏点的检测方法及装置 |
CN105451015B (zh) * | 2014-08-12 | 2017-05-10 | 炬力集成电路设计有限公司 | 一种图像坏点的检测方法及装置 |
CN105338342B (zh) * | 2014-08-12 | 2017-07-18 | 炬芯(珠海)科技有限公司 | 一种图像坏点的检测方法及装置 |
CN106204680A (zh) * | 2016-07-18 | 2016-12-07 | 京东方科技集团股份有限公司 | 一种成像装置及其成像方法 |
CN107818556A (zh) * | 2016-08-31 | 2018-03-20 | 江苏邦融微电子有限公司 | 电容式指纹采集***的坏线自检测和自修复方法 |
CN107818556B (zh) * | 2016-08-31 | 2021-06-29 | 江苏邦融微电子有限公司 | 电容式指纹采集***的坏线自检测和自修复方法 |
CN108009994B (zh) * | 2017-10-25 | 2020-08-04 | 东软医疗***股份有限公司 | 一种坏线修复方法、装置及设备 |
CN108009994A (zh) * | 2017-10-25 | 2018-05-08 | 沈阳东软医疗***有限公司 | 一种坏线修复方法、装置及设备 |
CN110490891A (zh) * | 2019-08-23 | 2019-11-22 | 杭州依图医疗技术有限公司 | 分割图像中关注对象的方法、设备和计算机可读存储介质 |
CN110703309A (zh) * | 2019-09-29 | 2020-01-17 | 上海奕瑞光电子科技股份有限公司 | 线阵探测器图像拼接实时校正方法、装置、设备和介质 |
CN111184523A (zh) * | 2020-01-17 | 2020-05-22 | 深圳市安健科技股份有限公司 | 基于dr设备的三维图像重建方法及*** |
CN111184523B (zh) * | 2020-01-17 | 2023-03-10 | 深圳市安健科技股份有限公司 | 基于dr设备的三维图像重建方法及*** |
CN113505683A (zh) * | 2021-07-06 | 2021-10-15 | 深圳市迪安杰智能识别科技有限公司 | 指纹传感器的坏线检测方法及指纹图像的坏线修复方法 |
CN113505683B (zh) * | 2021-07-06 | 2023-11-24 | 深圳市迪安杰智能识别科技有限公司 | 指纹传感器的坏线检测方法及指纹图像的坏线修复方法 |
CN114140336A (zh) * | 2021-10-08 | 2022-03-04 | 中国安全生产科学研究院 | 一种基于红外图像的坏点处理方法及装置 |
CN114906534A (zh) * | 2022-04-25 | 2022-08-16 | 四川省自贡运输机械集团股份有限公司 | 一种带式输送机移动机器人定位方法和*** |
CN114906534B (zh) * | 2022-04-25 | 2023-12-22 | 四川省自贡运输机械集团股份有限公司 | 一种带式输送机移动机器人定位方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN101795349B (zh) | 2013-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101795349A (zh) | 一种处理x线平板探测器图像坏线的方法及其装置 | |
Kaur | Noise types and various removal techniques | |
Russo | A method for estimation and filtering of Gaussian noise in images | |
US7792384B2 (en) | Image processing apparatus, image processing method, program, and recording medium therefor | |
US10021413B2 (en) | Apparatus and method for video data processing | |
JP2008252911A (ja) | 画像ノイズ除去の方法及び装置 | |
Adam et al. | Combined higher order non-convex total variation with overlapping group sparsity for impulse noise removal | |
CN108447031A (zh) | 一种红外图像热背景噪声校正的方法 | |
Katsaggelos et al. | Nonstationary iterative image restoration | |
CN112435181A (zh) | 针对非制冷红外视频图像竖条纹噪声的滤除方法 | |
Odat et al. | Image denoising by comprehensive median filter | |
JP4809523B2 (ja) | 適応コントラスト強調によるディジタル画像の倍率変更の方法と装置 | |
Benazir et al. | Removal of high and low density impulse noise from digital images using non linear filter | |
CN105005967A (zh) | 时空滤波相结合的红外成像非均匀性校正方法及其装置 | |
US20140363090A1 (en) | Methods for Performing Fast Detail-Preserving Image Filtering | |
CN110738621B (zh) | 线性结构滤波方法、装置、设备和存储介质 | |
CN115311164B (zh) | 一种用于稀疏干涉阵列观测成像的合成波束效应消除方法 | |
DE102018216362B3 (de) | Verfahren und System zum Bereinigen eines Magnetresonanz-Messdatensatzes, Computerprogramm und computerlesbares Speichermedium | |
CN111652821A (zh) | 基于梯度信息的微光视频图像降噪处理方法、装置和设备 | |
Chan et al. | Pixel filtering and reallocation with histograms of second-order derivatives of pixel values for electron microscope images | |
CN113592914B (zh) | 红外弱小飞行目标自适应检测跟踪方法、装置 | |
Madsen | A method for obtaining an approximate Wiener filter | |
CN103871033B (zh) | 一种基于空域的自适应mtfc遥感图像复原方法 | |
Redding | The autoscaling of oblique ionograms | |
CN117911401B (zh) | 一种电力设备故障检测方法、***、存储介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20100804 Assignee: Shenzhen Mindray Animal Medical Technology Co.,Ltd. Assignor: SHENZHEN MINDRAY BIO-MEDICAL ELECTRONICS Co.,Ltd. Contract record no.: X2022440020009 Denomination of invention: A method and device for processing bad lines in X-ray flat panel detector images Granted publication date: 20131002 License type: Common License Record date: 20220804 |