CN109727226A - 一种基于机器学习的位置表自动生成方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的位置表自动生成方法，其步骤包括：1)将散点图二值化为二值图像；2)分别在X方向、Y方向对所述二值图像进行像素值累加，获得X、Y方向的峰值图；3)根据X、Y方向的峰值图记录下X、Y方向的波峰的横坐标；然后将X、Y方向的波峰横坐标两两组合，将每一组合后的坐标所表示的像素点作为散点图区域的一个中心点；4)以每一中心点为一聚类中心，对散点图中的像素进行聚类，得到多个聚类簇；5)对每一个聚类簇，选择该聚类簇的形心作为该聚类簇新的聚类中心；6)根据散点图中各聚类中心的位置，确定散点图中每一个像素所隶属的聚类簇；再通过聚类中心和闪烁晶体条空间位置上的一一对应关系，生成位置表。

Description

一种基于机器学习的位置表自动生成方法

技术领域

本发明属于新型闪烁体性能研究的高效测试***，涉及核医学成像领域，是一种新的伽马射线水平入射位置校准方法。

背景技术

伽马射线与晶体相互作用产生荧光光子，荧光光子沿晶体条向下传播，在晶体下表面形成了光强分布，如图1所示。该光强分布被探测器探测并放大，经过电子学输出得到一张二维的散点图像。通过对该散点图像的编码与解析，能得到伽马光子在晶体上表面的入射位置。然而，由于位置探测解析的非线性，散点图像上的位置坐标不能真实反应射线的入射位置，因此需要对位置坐标进行校准和标定。

通常采用建立位置表对所探测的伽马射线的位置进行校准。所谓位置表，就是探测器输出的位置坐标与晶体条编号的映射表，如图2所示。通过查找位置表，可以准确得到伽马射线入射晶体条的编号，从而给出伽马射线在晶体上表面的入射位置。整个过程包括采集散点图数据，确定晶体条边界，生成位置表。

目前，用于位置表生成的方法主要是基于图像处理的方法。

基于图像处理的位置表生成算法流程为：

(1)对散点图进行平滑滤波、二值化等图像处理；

(2)对散点图逐像素搜索确定区域几何中心标记点；

(3)检查标记点总数是否等于晶体条总数，迭代搜索以及手动校正；

(4)确定晶体条的边界，生成位置表；

基于图像处理的位置表生成算法存在问题有：

(1)逐像素搜索计算量大；

(2)对畸变的散点图寻峰不准确；

(3)需配合手动校正。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种位置表自动生成方法，该方法可完全摒弃人工操作，以全自动的方式生成位置表，同时可以降低计算开销，且该算法可便捷、高效的生成位置表，可应用于多种设备复杂情况。

本发明的技术方案为：

一种基于机器学习的位置表自动生成方法，其步骤包括：

1)将散点图二值化为二值图像；其中，该散点图为伽马射线与闪烁晶体条相互作用输出的二维散点图；

2)分别在X方向、Y方向对所述二值图像进行像素值累加，获得X、Y方向的峰值图；

3)根据X方向的峰值图记录下X方向的波峰的横坐标{X1,X2,X3…}，根据Y方向的峰值图记录下Y方向的波峰的横坐标{Y1,Y2,Y3…}；然后将X、Y方向的波峰横坐标两两组合，将每一组合后的坐标所表示的像素点作为散点图区域的一个中心点；

4)以每一所述中心点为一聚类中心，对所述散点图中的像素进行聚类，得到多个聚类簇；

5)对每一个聚类簇，选择该聚类簇的形心作为该聚类簇新的聚类中心；

6)根据确定出的散点图中各聚类中心的位置，确定散点图中每一个像素所隶属的聚类簇；再通过聚类中心和闪烁晶体条空间位置上的一一对应关系，得到散点图中每一个像素点所隶属的闪烁晶体条，生成位置表。

进一步的，对于散点图中的每一个像素点x，计算它与各聚类中心的距离D(x)，其中最小距离所对应的聚类中心为该像素点x所属的聚类中心；散点图中每一个聚类中心与所属该聚类中心的所有像素点构成一个聚类簇。

进一步的，所述聚类方法为K-Means算法，所述步骤5)中，选取每一聚类簇的形心作为该聚类簇新的聚类中心后，重新对所述散点图中的像素进行聚类，直至K个聚类中心不再变化；其中，K取值为所测试的闪烁晶体条数目。

进一步的，利用大津算法将散点图二值化为二值图像。

进一步的，计算所述形心的方法为：对同一聚类簇中各像素点坐标分别求平均值，将得到的坐标平均值(x’,y’)作为该聚类簇的形心。

与现有技术相比，本发明的积极效果为：

(1)步骤简单，计算快捷，位置表生成准确；

(2)对于模糊边界，晶体条响应不一致等情况分割效果好，不依赖人工操作；

(3)方法可移植性强，不依赖于设备。

附图说明

图1为光强分布图；

图2为晶体条和位置表映射图；

图3为基于机器学习的位置表自动生成算法流程图；

图4为散点图示例图；

图5为散点图二值化示例图；

图6为X，Y方向的峰值图；

图7为生成位置表示例图。

具体实施方式

下面结合具体实施步骤以及附图对本发明进行进一步详细描述。

本发明提出了基于机器学习的位置表自动生成算法，将该算法应用于新型闪烁体性能研究的高效测试***和核医学成像领域中。该位置表自动生成算法的流程如图3所示。下面将对各个步骤进行具体介绍。

1散点图

伽马射线与闪烁晶体条相互作用，在闪烁晶体条下表面形成光强分布。该光强分布经探测器探测并由电子学放大，输出二维的散点图，如图4所示。

2 OSTU二值化

利用大津算法(OSTU)，将散点图二值化为二值图像(可采用其他自动的二值化算法，代替OSTU对散点图进行二值化)，如图5所示。

大津算法又称最大类间方差法，在1979年由日本学者大津提出，是一种自适应阈值确定的方法。它是一种基于全局的二值化算法，根据图像的灰度特性，将图像分为前景和背景两个部分。大津算法的优点在于能自动确定背景和前景间的阈值不需要手动调节参数。

3寻峰

对二值化后的散点图，分别在X方向，Y方向进行像素值累加，获得X、Y方向的峰值图，如图6所示。记录下X，Y方向的峰值图中峰位的横坐标，例如X方向峰位图中，记录下波峰的横坐标X＝{X1,X2,X3…}；Y方向峰位图中，记录下波峰的横坐标Y＝{Y1,Y2,Y3…}。将X、Y峰值的横坐标两两组合，坐标所表示的像素点作为散点图区域的一个中心点，即从X方向的波峰的横坐标中任选一坐标作为散点图区域一像素点横坐标，从Y方向的波峰的横坐标中任选一坐标作为散点图区域一像素点纵坐标，得到一组合，例如(X1,Y1),(X1,Y2)等，用于下一步骤K-Means算法生成聚类，进行区域分割。

4 K-Means算法

K-Means算法是输入聚类个数K，以及包含N个对象或像素的数据，输出满足方差最小的K个聚类的一种机器学习算法。在本发明中，K-Means算法的步骤如下：

(1)将步骤3中X,Y峰值图中峰值横坐标两两组合例如(X1,Y1)，其坐标所代表的像素点作为散点图的一个聚类中心；

(2)对于散点图中的每一个像素点x，计算它与各聚类中心的距离D(x)，其中最小距离所对应的聚类中心为该像素点x所属的聚类中心；散点图中每一个聚类中心与所属该聚类中心的所有像素点构成一个聚类簇；

(3)对每一个聚类簇，选择聚类簇的形心作为聚类簇的新的中心；形心计算方法为对同一聚类簇中各像素点X,Y坐标分别求平均值x’，y’，则(x’,y’)为该聚类簇的形心；

(4)重复执行(2)和(3)直到K个聚类中心不再变化，在本发明中K是所测试的闪烁晶体条数目。

5自动生成位置表

确定散点图中各聚类中心的位置，即可确定散点图中每一个像素所隶属的聚类簇。再通过聚类中心和闪烁晶体条空间位置上的一一对应关系，便可得知散点图中每一个像素点所隶属的闪烁晶体条。从而完成了自动生成位置表，最后结果如图7所示。其中每一闭合曲线代表了每个聚类簇的边界，即可认为闭合曲线内的像素属于同一根闪烁晶体条。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于机器学习的位置表自动生成方法，其步骤包括：

1)将散点图二值化为二值图像；其中，该散点图为伽马射线与闪烁晶体条相互作用输出的二维散点图；

2)分别在X方向、Y方向对所述二值图像进行像素值累加，获得X、Y方向的峰值图；

3)根据X方向的峰值图记录下X方向的波峰的横坐标{X1,X2,X3…}，根据Y方向的峰值图记录下Y方向的波峰的横坐标{Y1,Y2,Y3…}；然后将X、Y方向的波峰横坐标两两组合，将每一组合后的坐标所表示的像素点作为散点图区域的一个中心点；

4)以每一所述中心点为一聚类中心，对所述散点图中的像素进行聚类，得到多个聚类簇；

5)对每一个聚类簇，选择该聚类簇的形心作为该聚类簇新的聚类中心；

6)根据确定出的散点图中各聚类中心的位置，确定散点图中每一个像素所隶属的聚类簇；再通过聚类中心和闪烁晶体条空间位置上的一一对应关系，得到散点图中每一个像素点所隶属的闪烁晶体条，生成位置表。

2.如权利要求1所述的方法，其特征在于，对于散点图中的每一个像素点x，计算它与各聚类中心的距离D(x)，其中最小距离所对应的聚类中心为该像素点x所属的聚类中心；散点图中每一个聚类中心与所属该聚类中心的所有像素点构成一个聚类簇。

3.如权利要求1或2所述的方法，其特征在于，所述聚类方法为K-Means算法，所述步骤5)中，选取每一聚类簇的形心作为该聚类簇新的聚类中心后，重新对所述散点图中的像素进行聚类，直至K个聚类中心不再变化；其中，K取值为所测试的闪烁晶体条数目。

4.如权利要求1所述的方法，其特征在于，利用大津算法将散点图二值化为二值图像。

5.如权利要求1所述的方法，其特征在于，计算所述形心的方法为：对同一聚类簇中各像素点坐标分别求平均值，将得到的坐标平均值(x’,y’)作为该聚类簇的形心。