工业和医疗X射线图像的处理与检测

论文摘要

X射线因其穿透能力强,已经广泛的应用在工业无损检测和医疗透视检查中。目前,工业和医疗领域中的X射线无损检测系统主要采用人工方式进行检测和分析,而人工检测易受设备、环境及人的生理条件等因素影响,限制了射线检测工作效率的提高。因此,随着计算机图像处理与检测技术的发展,迫切需要研究一些有效的计算机辅助检测与处理方法,使X射线图像的检测与处理工作更加规范化和智能化。基于上述原因,本文针对工业无损探伤图像的检测和医疗CT图像的处理等问题作了以下几个方面的研究:1.以工业x射线探伤图像为研究对象,提出了一种基于支持向量机的缺陷自动检测算法。首先,通过图像的预处理,提高检测前图像的质量;其次,采集大量的缺陷图像,提取其对比度特征并训练支持向量机:最后利用已经训练好的支持向量机作为分类器对待检测图像中的缺陷进行检测。2.针对12位CT图像在8位显示器上显示时大量灰度细节丢失的问题,提出了一种基于区域细节的CT图像显示方法。首先,该方法利用模糊c均值聚类算法(FCM)将图像分割为c个区域;然后利用窗位窗宽原理,提取各个区域的灰度细节,得到各区域的细节图像;最后利用方差加权法对各个区域的细节图像进行融合。3.实现了一个焊接缺陷数字化管理系统,并将本文中的缺陷检测算法应用到实际的系统中。为了验证本文提出算法的有效性,首先,利用工厂采集的焊接缺陷图像对基于支持向量机的缺陷检测算法进行了测试;其次,利用12位人脑CT图像对基于区域细节的CT图像显示方法进行了测试,均取得了令人满意的试验结果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 缺陷自动检测的研究意义和发展趋势
• 1.1.1 图像的预处理
• 1.1.2 缺陷分割
• 1.1.3 缺陷特征提取
• 1.1.4 缺陷分类
• 1.2 CT图像显示的研究意义和发展现状
• 1.3 本文主要工作及章节安排
• 2 基于支持向量机的缺陷检测
• 2.1 支持向量机理论
• 2.1.1 机器学习
• 2.1.2 支持向量机
• 2.2 缺陷图像的预处理
• 2.2.1 去除焊缝图像的锯齿化效应
• 2.2.2 提取焊缝区域
• 2.3 缺陷特征分析与提取
• 2.4 缺陷检测和结果分析
• 2.4.1 缺陷检测
• 2.4.2 检测结果分析
• 3 基于区域细节的CT图像显示技术
• 3.1 基于 FCM的 CT图像分割
• 3.1.1 硬分类
• 3.1.2 模糊聚类
• 3.1.3 CT图像分割
• 3.2 基于多窗位窗宽的区域细节提取
• 3.2.1 窗位窗宽原理
• 3.2.2 区域细节提取
• 3.3 融合细节图像
• 3.4 实验结果与分析
• 4 焊接质量数字化管理系统
• 4.1 概述
• 4.2 系统功能架构
• 4.3 系统功能描述
• 4.3.1 数据分类
• 4.3.2 功能设计
• 4.4 焊接质量数字化管理系统数据库结构设计
• 4.4.1 概述
• 4.4.2 数据库中包含的表格信息
• 5 总结与展望
• 5.1 本文主要工作和总结
• 5.2 进一步工作展望
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢