Page 65 - 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

的损失函数, 并利用 Adam 优化器更新网络参数,
的网络参数。
得到判别器 D h 和判别器 D l

( 3 )网络迭代终止的条件: 根据预设参数, 网络
不断进行迭代对抗训练, 预设的最大迭代次数为I ,
网络迭代次数达到I 时终止, 将生成器 G 、 判别器
的网络参数作为最终的网络参数;
D h 和判别器 D l
否则返回执行步骤( 1 )。

2 试验结果及分析 图6 文章算法融合得到的 CT 图像

为了对所提出的方法进行验证, 笔者选取了复 的 CT 图像有较好的融合效果, 融合图像细节信息
合材料样件进行融合试验。高能 CT 图像和低能 更为丰富, 图像对比度较高。
CT 图像分别在管电压为260kV 和160kV , 管电流 对于融合后图像质量的评价, 常用的定量评价

为1.0mA 的条件下获取, 叠加帧数为64 。高能条 指标有平均梯度、 信息熵、 边缘相关融合质量指数、

件下的复合材料 CT 图像如图 4 所示, 低能条件下 基于边缘信息保持度的客观评价指标等。

的复合材料 CT 图像如图 5 所示, 采用文章算法融 ( 1 )平均梯度( A G )
合得到的 CT 图像如图 6 所示。试验过程中, 在实 图像的清晰程度取决于图像上各像素点不同方
向上灰度的变化快慢。图像的灰度变化剧烈程度由
际工况下采集30对高低能图像, 再采用镜像、 旋转、
平均梯度来反映, 该值越大图像越清晰, 结构层次之
裁剪等数据扩增方法获得共900对数据。
间差异越大, 其计算公式为

∂ f x ,

2 ∂ f x , 2
m n y + y

1 ∂x ∂ y
A G = ∑∑
mn i = 1j = 1 2
( 6 )
式中: m , n 为图像的尺寸; ( x , ) 为融合图像。
f
y

)
( 2 )信息熵( I E
图像质量反映图像中包含的信息量, 信息量越
图4 高能 CT 图像 大, 图像质量越高。图像的信息熵是反映图像所含
信息量的评价标准, 其计算公式为
m · n
I E =- ∑ p a i l gp a i ( 7 )
( ) [ ( )]
i = 1
p 在整幅图像中出现的
式中: ( a i )为灰度级 a i
概率。

)
( 3 )边缘相关融合质量指数( Q E
边缘相关融合质量指数不仅可以反映输入图像
中有多少重要信息被传递到融合图像中, 而且还引
图5 复合材料低能 CT 图像
入了边缘信息保留指数。 Q E 的参数范围为[ 0 , 1 ],
基于 py torch深度学习平台进行高低能图像数 其数值越大, 保存的融合图像的细节就越多。其计
据的训练和验证, 编程语言为 P y thon 。网络训练过 算公式为
程分别输入高能和低能图像, 训练时网络读取配对 Q E A , B , F ) Q W A , B , F ) · Q W A' , B' , F' )
α
(
(
=
(
双能图像数据。总迭代轮数 e p och 为 200 次, 批处 ( 8 )
理大小设置为 2 , 学习率设置为 0.002 , 优化算法为 式中: Q W 为加权融合质量指数; A , B , F 与 A' ,
RMS p ro pλ 设置为0.5 , 设置为0.2 。 B' , F' 分别为输入图像与融合图像的边缘信息图
,
η
由图4~6可以看出, 原始高、 低能 CT 图像中 像; α 为边缘图像相对原始图像的贡献参数, 文中
均有不同程度上的细节损失, 而采用文章算法得到 取值为1 。
1
3
2023年 第45卷 第2期
无损检测