Page 63 - 无损检测2023年第二期

赵付宝, 等:

复合材料的双能 CT 图像融合算法

切换 CT 系 统和双层探测器 CT 系统。如何有效结 读。

合双能量下的 X 射线 CT 图像信息, 避免单一能量
下图像细节损失, 提供更多的图像信息, 在 CT 领域 1 基于 GAN 的双能 CT图像融合方法
依然具有较高的研究价值。 提出的基于 GAN 的双能 CT 图像融合方法的
图像融合技术是 CT 领域的研究热点之一, 图 模型构架及图像融合流程如图1所示。
像融合的重点是如何从不同成像条件采集的源图像
中提取最重要的特征信息, 得到融合后的 CT 图
像 [ 7 ] 。融合后的图像在减少冗余信息的同时可提供
更为复杂和详细的信息。在过去几十年中, 研究人
员提出了众多融合方法, 如基于压缩感知理论的图
像融 合 方 法 [ 8 ] , 融 入 离 散 小 波 变 换 [ 9-12 ] 、 模 糊 理
论 [ 13 ] 、 聚类分析 [ 14 ] 、 神经网络和遗传算法 [ 15 ] 等技术
的方法, 这些方法充分挖掘高低能量数据中的有用
信息, 使融合效果更加智能和自适应。近几年, 研究
人员基于传统的融合策略研究了新的融合方法, 如
基于窗口活动水平测量 [ 16 ] 、 Curvelet变换 [ 17 ] 、 基于
取大和加权平均的系数融合 [ 18 ] 和基于神经网络的
方法 [ 19 ] , 这些方法通过设计特征提取和融合规则, 图1 双能 CT 图像融合方法的模型架构及图像融合流程
获得了更好的融合性能。目前, 研究人员将生成对 该网络由一个生成器和两个判别器组成, 生成
抗网络应用于图像融合方法研究中, 利用神经网络 将高能 CT 图像和低
器 G 、 判别器 D h 和判别器 D l
的强大非线性拟合能力, 自动提取图像的高层次特 能 CT 图像融合生成包含高低能信息的融合 CT 图
征, 避免了设计复杂的融合规则, 使融合后的图像具 像。生成器 G 的功能是使融合CT 图像具有足够的
有理想的分布, 但目前的图像融合方法中仍有许多 真实性和信息性, 判别器的功能是分辨出某一张图
改进之处, 如融合规则过于复杂、 融合过程中会造成 像是不是由生成器 G 生成的。在图像融合过程中,
一定的信息损失等。 生成器 G 和判别器的能力在训练的过程中逐渐提
在此基础上, 提出了一种基于生成对抗网络
高, 直到完成融合 CT 图像模型的构建。
( GAN ) 的双能 CT融合方法, 对高能 CT 图像和低能
1.1 生成器
CT图像进行融合, 融合后的双能 CT 图像细节信息 生成器 G 由反卷积层、 编码器和相应的解码器
更为丰富, 有利于复合材料 CT 图像中关键信息的判
组成, 其总体架构如图2所示。由图2可见高能 CT

图2 生成器的总体架构

9
2
2023年 第45卷 第2期
无损检测