[发明专利]一种X光图像自适应局部增强方法

说明书

本发明公开了一种X光图像自适应局部增强方法。本发明包括(1)构建训练深度神经网络，训练得到网络模型；(2)将X光图像数据输入到训练好的深度神经网络中，得到相应的增益图像的参数矩阵；(3)将得到的增益图像的参数矩阵与原X光图像进行数据处理；(4)输出数据处理后的X光图像；其中构建和训练神经网络的步骤还包括：采集初始图像和与之对应的增强效果较好的图像，对初始图像进行预处理；构建深度学习网络模型，确定模型的层数、训练方式、训练次数；利用有监督的训练方式对图像进行特征提取，参数训练，最终训练出最优的参数。本发明利用深度学习技术对X光图像进行分析，通过非人工干预的手段寻找最适合参数，有比较强的鲁棒性。

技术领域

本发明涉及图像增强方法，具体来讲是一种X光图像自适应局部增强方法，属于X光图像处理领域。

背景技术

X光成像技术在各个领域中都发挥了重要的作用，比如在医疗、安检、无损检测、工业探伤等方面都能看到它的身影，但由于X光成像其本身的物理特性，设备的特点，操作者选用的各种成像参数以及被检者的配合等等原因导致X光图片中常会出现一些噪声、伪影及畸变，对比度常常也不是很明显。针对这些情况，目前主要的图像增强算法可分为针对全局和局部的，针对全局的方法有直方图均衡化和线性对比度拉升等，直方图均衡化利用累计直方图分布概率重新映射图像的数据，对比度拉升线性的调整了图像的动态范围，虽然这些方法比较简单，但是它缺失了一些局部的信息，对于一些图片的增强效果不是很理想。而局部对比度增强主要有两种方法，分别是自适应直方图均衡化(AHE)和自适应对比度增强(ACE)。AHE算法虽然利用了局部的直方图信息，并对其进行了映射，也改变了图像的对比度，但是它需要大量的计算。而ACE算法中最关键的就是参数的选择，本发明主要就是针对这个参数训练，预处理图像中也会用到ACE。

发明内容

本发明针对X光图像处理过程中对图像分析不准确的问题，公开一种X光图像自适应局部增强方法。一种能够自行识别处理X光图像的自适应X光图像局部增强方法。

为实现以上的技术目的，本发明采取的技术方案：

步骤(1)构建训练深度神经网络，并训练得到相应的网络模型；

步骤(2)将X光图像数据输入到训练好的深度神经网络中，得到相应的增益图像的参数矩阵；

步骤(3)将得到的增益图像的参数矩阵与原X光图像进行数据处理；

步骤(4)输出数据处理后的X光图像；

步骤(1)构建训练深度神经网络，并训练得到相应的网络模型，具体如下步骤：

1-1.采集原始的训练图像和与之对应的增强效果较好的图像；

1-2.构建深度网络模型，确定模型的层数、训练方式、训练次数；

1-3.将X光图像送入网络中进行训练，利用有监督的训练方式得到最优的训练参数。

进一步的，步骤1-1具体实现为：随机获取M张X光图像和与之对应的增强效果较好的图片，M>100。

进一步的，步骤1-2中，所描述的神经网络设置为3个卷积层， 3个池化层，一个全连接层，采用卷积神经网络的方式进行训练，迭代次数设置为100次。

步骤(2)所述的将X光图像输入到训练好的深度神经网络中，得到相应的增益图像的参数矩阵。

步骤(3)包括：

将得到的增益图像的参数矩阵与原X光图像进行数据处理，具体数据处理的过程如下：

4-1.计算原X光图像中每个像素以其自身为中心的局部区域的像素平均值，通过下面这个公式来进行计算：