一种基于深度学习的工业CT图像的超分辨率重建方法与流程
本发明涉及工业ct图像，具体涉及一种基于深度学习的工业ct图像的超分辨率重建方法。
背景技术：
1、工业ct技术因其无损检测的优势，在多个产业领域得到了广泛应用，包括但不限于汽车、材料、铁路、航天等。特别是在航空航天、汽车制造和电子检测等领域，工业ct成为了不可或缺的检测手段。随着制造业的快速发展和技术升级，对高精度检测设备的需求不断增加，工业ct检测机的市场规模持续扩大。
2、如x射线源的能量、电流、扫描时间等参数设置不合理，可能导致图像质量下降、如果探测器存在故障或性能不稳定、如果被测物体发生移动或振动，当这些情况出现可能导致图像出现模糊或重影等失真现象。
3、当被测物体中含有金属部件时，由于金属对x射线的强烈吸收和散射作用，可能导致图像中出现放射状伪影、带状伪影或明暗对比强烈的条纹状伪影。当投影数据量不足或投影角度间隔过宽时，可能产生欠采样伪影。这种伪影通常表现为重建图像难以精确地捕捉材料边缘或细节处的信息，这种伪影不仅影响图像的清晰度，还可能掩盖物体内部的真实结构。
4、失真和伪影是工业ct检测中常见的问题，它们可能出现在多种场景中。如何优化扫描参数，使用先进的校正算法，来减少失真和伪影是现阶段需要克服的。
技术实现思路
1、本技术提供一种基于深度学习的工业ct图像的超分辨率重建方法，用以解决现有技术中工业ct检测中常见的失真和伪影情况的问题，并且由于重建算法的原因，导致重建后切片存在边缘弱化的情况的发生。
2、为实现上述目的，本发明采用的技术方案是：
3、一种基于深度学习的工业ct图像的超分辨率重建方法，包括：采集的低分辨率图像，其特征在于，重组方法包括步骤如下：
4、步骤s100：数据的采集并进行预处理，形成低分辨率图像，采集多种材料（如金属、陶瓷、塑料、岩石等）的ct扫描图像，使用解析法重建获取2d切片作为低分辨率图像，通过双三次插值、传统图像处理或预训练模型等方法生成高分辨率图像作为训练标签；
5、步骤s200：对低分辨率图像进行数据增强；
6、步骤s300：进行边缘增强模块的构建，使用sobel算子在x和y两个方向上进行边缘特征提取，并将二维卷积层和sobel卷积块并列输出后合并，以便更清晰地获取到图像的边缘特征；
7、步骤s400:进行卷积下采样模块的构建，采用步长为2的卷积方式实现下采样，使用二维卷积层和leaky relu激活函数构建卷积层；
8、步骤s500：进行rrdb残差模块的构建，引入esrgan模型中的rrdb残差模块，通过23个rrdb残差网络组成深度网络，以充分提取图像细节信息；
9、步骤s600：进行上采样与重建，使用最邻近插值卷积模块对特征图进行上采样，实现高分辨率图像的重建，其卷积层数为2层以上；
10、步骤s700：进入超分辨率模型训练阶段，使用adam优化器和l1损失函数进行模型训练，通过裁剪和拼接技术优化推理过程；减少显存占用；
11、步骤s800:进行减少拼接痕迹，再消除拼接痕迹。
12、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s100中，数据的采集来自于被采集物的ct扫描图像，被采集物的材质包括：金属、陶瓷、塑料或岩石。
13、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s100中，对被采集物的ct扫描图像进行利用解析重建算法生成二维图像重建；
14、解析重建算法采用滤波反投影算法。
15、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s100中，采用双三次插值的方式生成高分辨率图像作为训练标签。
16、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s100中，采用传统图像处理的方式生成高分辨率图像作为训练标签。
17、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s100中，采用预训练模型的方式生成高分辨率图像作为训练标签。
18、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s200中，该第一次训练采用不同尺度缩放、模糊、翻转、旋转以及cutblur的方法进行数据增强，以提高模型的泛化能力；
19、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s300中，sobel算子的x水平方向、y垂直方向的卷积因子的取值为：
20、x方向：
21、-1 0 -1
22、-2 0 +2
23、-1 0 +1
24、y方向：
25、+1 +2 +1
26、0 0 0
27、-1 -2 -1
28、对被采集物的ct扫描图像的两个方向的卷积因子作平面卷积的计算，其计算公式如下：
29、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s300中，被采集物的ct扫描图像的每个像素的灰度颗粒尺寸的计算方式为：，使用近似值代替。
30、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s400中，步长为2的卷积方式实现下采样的计算方式为：，其中out为输出尺寸，in为输入尺寸，pad为输入矩阵的边界填充数量，str为步长，k为卷积滤波器的尺寸；
31、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s400中，步长为2的卷积方式中积卷层采用二维卷积，其计算公式如下：，f（x）为通过卷积后得到的特征图谱，g(x)为卷积滤波器。
32、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s400中，激活函数采用leaky relu，该激活函数改善了relu激活函数中的”神经元坏死”的情况，通过改变坡前负值区域中的线性分量来平衡零梯度问题，表达式为：上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，在步骤600中，每层卷积层的特征图为：，scale=2，且每层主要将输入特征图放大两倍。
33、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s700中，该训练阶段中迭代的次数为1000回，利用adam作为优化器更新模型参数，学习率设置为，该模型高分辨率图像的输入尺寸为256，并随机在输入图像上截取，设定批量大小为8；
34、使用l1损失函数：，其中x为模型预测的结果，y为真是标签；
35、模型的评价指标选择了峰值信噪比(psnr)，psnr主要是计算模型的输出和标准的高分辨率图像对应像素点的误差，该差值越大，表示生成图像越接近标签图像，计算公式为：其中mse为均方根误差。
36、上述的基于深度学习的工业ct图像的超分辨率重建方法，其中，步骤s800中，拼接的图像之间具有重叠区域，该重叠区域设为d，其拼接的表达式为：
37、依据上述实施例的一种基于深度学习的工业ct图像的超分辨率重建方法，该方案具有以下的效果：
38、1、通过深度学习技术，实现了对多材料ct图像的超分辨率重建，提高了图像的分辨率和清晰度，避免了由于设备限制所导致图像分辨率较低的问题；
39、2、通过数据增强和边缘增强模块，提高了模型的泛化能力和对图像边缘特征的提取能力；
40、3、引入rrdb残差模块，充分提取了图像细节信息，进一步提高了重建图像的质量，减少重建后ct图像的噪声和伪影；
41、4、通过裁剪和拼接技术优化了推理过程，减少了显存占用，提高了模型的实用性。
技术特征：
1.一种基于深度学习的工业ct图像的超分辨率重建方法，包括：采集的低分辨率图像，其特征在于，重组方法包括步骤如下：
2.根据权利要求1所述的基于深度学习的工业ct图像的超分辨率重建方法，其特征在于，步骤s100中，数据的采集来自于被采集物的ct扫描图像，被采集物的材质包括：金属、陶瓷、塑料或岩石；
3.根据权利要求2所述的基于深度学习的工业ct图像的超分辨率重建方法，其特征在于，步骤s100中，采用双三次插值的方式生成高分辨率图像作为训练标签。
4.根据权利要求2所述的基于深度学习的工业ct图像的超分辨率重建方法，其特征在于，步骤s100中，采用传统图像处理的方式生成高分辨率图像作为训练标签。
5.根据权利要求2所述的基于深度学习的工业ct图像的超分辨率重建方法，其特征在于，步骤s100中，采用预训练模型的方式生成高分辨率图像作为训练标签。
6.根据权利要求3、4或5中任意一种所述的基于深度学习的工业ct图像的超分辨率重建方法，其特征在于，步骤s200中，采用不同尺度缩放、模糊、翻转、旋转以及cutblur的方法进行数据增强，以提高模型的泛化能力。
7.根据权利要求6所述的基于深度学习的工业ct图像的超分辨率重建方法，其特征在于，步骤s300中，sobel算子的x水平方向、y垂直方向的卷积因子的取值为：
8.根据权利要求7所述的基于深度学习的工业ct图像的超分辨率重建方法，其特征在于，步骤s400中，步长为2的卷积方式实现下采样的计算方式为：，其中out为输出尺寸，in为输入尺寸，pad为输入矩阵的边界填充数量，str为步长，k为卷积滤波器的尺寸；
9.根据权利要求8所述的基于深度学习的工业ct图像的超分辨率重建方法，其特征在于，在步骤600中，每层卷积层的特征图为：，scale=2，且每层主要将输入特征图放大两倍。
10.根据权利要求9所述的基于深度学习的工业ct图像的超分辨率重建方法，其特征在于，步骤s700中，该训练阶段中迭代的次数为1000回，利用adam作为优化器更新模型参数，学习率设置为，该模型高分辨率图像的输入尺寸为256，并随机在输入图像上截取，设定批量大小为8；
技术总结
本发明一种基于深度学习的工业CT图像的超分辨率重建方法，应用涉及工业CT图像技术领域，为解决由于设备限制所导致图像分辨率较低的问题。依次通过步骤，数据采集与预处理、数据增强、边缘增强模块构建、积卷下采样模块的构建、RRDB残差模块构建、上采样与重建、模型训练与优化、拼接痕迹处理。通过使用本发明能够实现了对多材料CT图像的超分辨率重建，提高了图像的分辨率和清晰度。
技术研发人员：张浩然,冉现瑞,王文龙
受保护的技术使用者：上海福柯斯智能科技有限公司
技术研发日：
技术公布日：2024/12/5