基于神經(jīng)網(wǎng)絡(luò)的工業(yè)CT圖像邊緣提取的算法研究.pdf

1、圖像邊緣指的是圖像中灰度值的突變部分,是圖像最基本的特征之一。因此邊緣提取是圖像分析中重要的處理步驟,廣泛地應(yīng)用于圖像分割、模式識(shí)別、逆向工程等方面。傳統(tǒng)的邊緣提取方法中,主要是檢測(cè)梯度的最大值,二階導(dǎo)數(shù)的零交叉點(diǎn),小波多尺度邊緣檢測(cè),曲面擬合等方法。神經(jīng)網(wǎng)絡(luò)邊緣檢測(cè)作為一種新近發(fā)展起來(lái)的邊緣提取方法,具有可并行計(jì)算、非線性映射和自適應(yīng)能力等優(yōu)點(diǎn),因而受到更多的關(guān)注。工業(yè)CT(ComputerizedTomography)技術(shù),作為一種

2、先進(jìn)的無(wú)損檢測(cè)技術(shù),能夠通過(guò)掃描工件,重建工件切片圖像序列,從而檢測(cè)工件內(nèi)部結(jié)構(gòu)和缺陷,在航天、航空、鐵路運(yùn)輸、機(jī)械制造等領(lǐng)域獲得廣泛應(yīng)用。但由于受射線串?dāng)_等因素的影響,得到的工業(yè)CT圖像可能帶有偽影等噪聲,用傳統(tǒng)邊緣提取方法得到的邊緣往往不連續(xù)。同時(shí),工業(yè)CT圖像邊緣與自然圖像邊緣相比較,具有更規(guī)則的幾何形狀,多由直線段、圓弧等幾何圖形組成。本文結(jié)合這些工業(yè)CT圖像邊緣的特點(diǎn),討論了幾種神經(jīng)網(wǎng)絡(luò)邊緣提取算法,如BP網(wǎng)絡(luò)、CP網(wǎng)絡(luò)、細(xì)胞

3、神經(jīng)網(wǎng)絡(luò)(CNN)。在本文中,給出了這幾種算法的實(shí)驗(yàn)結(jié)果。在用BP網(wǎng)絡(luò)提取邊緣時(shí),需已知邊緣結(jié)果的圖像作為訓(xùn)練圖像,通過(guò)網(wǎng)絡(luò)訓(xùn)練得到權(quán)值矩陣,待訓(xùn)練結(jié)束,再將這組權(quán)值矩陣用于檢測(cè)其它圖像的邊緣。如何選取訓(xùn)練圖像,使網(wǎng)絡(luò)具有很好的泛化性是必需考慮的問(wèn)題。同時(shí),BP算法容易陷入局部極小值困惑中,從而增加網(wǎng)絡(luò)收斂的時(shí)間開銷,甚至可能導(dǎo)致網(wǎng)絡(luò)無(wú)法收斂?？紤]到這些問(wèn)題,本文構(gòu)造了學(xué)習(xí)樣本,從而得到二值圖像邊緣檢測(cè)的權(quán)值矩陣,避免了因?qū)W習(xí)樣本過(guò)大而

4、難以收斂的問(wèn)題。對(duì)于灰度圖像,綜合灰度圖像各位面的邊緣提取結(jié)果,從而實(shí)現(xiàn)對(duì)灰度圖像的邊緣檢測(cè)。實(shí)驗(yàn)表明,本文得到的權(quán)值矩陣,泛化性較好,抗噪能力較強(qiáng),能提取較為連續(xù)精細(xì)的邊緣。在用CNN提取邊緣時(shí),直接用一組CNN進(jìn)行邊緣檢測(cè),往往只能得到少量的不連續(xù)的邊緣,不利于圖像的后續(xù)處理。本文提出了基于兩組CNN的工業(yè)CT圖像的分割算法。具體地,即一組CNN用于粗分割,得到閾值分割圖像,再在此基礎(chǔ)上用另一組CNN細(xì)分割,得到精細(xì)的邊緣等信息。從

5、對(duì)工業(yè)CT圖像的實(shí)驗(yàn)結(jié)果來(lái)看,應(yīng)用本文提出的方法,能夠得到連續(xù)且精細(xì)的邊緣,并且還能得到更多的圖像分割信息。最后,本文研究改進(jìn)了CNN邊緣檢測(cè)方法,從工業(yè)CT三維體數(shù)據(jù)出發(fā),提取被掃描工件的內(nèi)外表面(稱為邊緣面)。當(dāng)一個(gè)邊緣面與沿某方向切片序列中的某切片重合時(shí),采用二維邊緣提取方法不易從該切片序列中提取出邊緣面。本文針對(duì)這種情形,將工業(yè)CT體數(shù)據(jù)沿三個(gè)互相垂直的方向剖分,得到相應(yīng)的切片序列。然后對(duì)每個(gè)切片,采用兩組二維細(xì)胞神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)邊