[发明专利]成像系统及图像质量评价方法

说明书

技术领域

本申请的实施例涉及辐射图像的质量评价，具体而言涉及透视图像的质量评价方法和相应的成像系统。

背景技术

在透视成像系统中，图像质量经常会出现退化。如X射线源或探测器的不稳定性会引入噪声，对图像视觉效果和检查人员观察图像内容及发现图像中的可疑区域造成一定的影响。成像系统的图像噪声严重程度可以通过一定的评价算法进行估计，从而及时监控成像系统的稳定性。

考虑到实际应用是无法得到未退化的参考图像，无参考图像质量评价方法更具实用价值。无参考图像质量评价方法主要包括基于规则的方法、基于机器学习的方法、基于概率模型的方法等等。各种方法的本质都是试图找到高质量图像和退化图像在统计特征上的差异。对于基于规则的方法，由于退化因素的复杂多样性，很难设计一些规则来根据特征区分图像质量。对于基于机器学习的方法，需要有人眼标记的不同质量图像进行学习，人工标记的工作量很大，不同人的标记也存在一些差异。对于基于概率模型的方法，只需要利用一些高质量的图像来建立图像特征的统计概率模型，评价时根据当前图像在概率模型上的计算得到图像质量。但基于概率模型的方法需要选择一定的概率数学模型，当模型复杂时参数估计困验，当模型简单时无法有效描述图像内容的千变万化。另外，模型参数的学习需要大量数据，学习过程中的迭代也使得速度较慢。

发明内容

鉴于现有技术中的一个或多个问题，提出了一种成像系统及图像 质量评价方法。

在本发明的一个方面，提出了一种用于评价成像系统的图像质量的方法，包括步骤：获取成像系统所产生的待评价的图像；从所述图像中提取多个图像子块；基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示，得到表示稀疏程度的系数向量；以及对所述系数向量进行线性变换得到图像质量评价值。

根据一些实施例，所述冗余稀疏表示词典是通过如下步骤创建的：从所述成像系统产生的多幅图像建立图像数据集；从所述图像数据集的透射图像中提取多个图像子块；利用字典学习算法对所述多个图像子块进行学习，得到所述冗余稀疏表示词典。

根据一些实施例，利用字典学习算法对所述多个图像子块进行学习的步骤包括：对所述多个图像子块进行余弦变换生成初始词典，然后利用词典学习算法对初始词典进行优化，得到冗余稀疏表示词典。

根据一些实施例，将待评价图像的每个图像子块投影到冗余稀疏表示词典上，得到系数向量，计算所述系数向量中每个系数的L1范数，并且将各个图像子块的L1范数求平均，得到平均稀疏度，基于所述平均稀疏度得到图像评价值。

根据一些实施例，所述的方法还包括步骤：对待评价的透射图像进行局部去均值和对比度归一化处理。

根据一些实施例，所述的方法还包括步骤：在所述图像评价值未满足预定条件的情况下，向用户提示。

在本发明的另一方面，提出了一种成像系统，包括：扫描设备，对被检查物体进行扫描，得到扫描数据；数据处理单元，基于扫描数据重建得到被检查物体的图像，从所述图像中提取多个图像子块，基于预先创建的冗余稀疏表示词典对多个图像子块进行稀疏分解表示，得到表示稀疏程度的系数向量，并且对所述系数向量进行线性变换得到图像质量评价值。

根据一些实施例，所述数据处理单元将待评价图像的每个图像子块投影到冗余稀疏表示词典上，得到系数向量，计算所述系数向量中每个系数的L1范数，并且将各个图像子块的L1范数求平均，得到平均稀疏度，基于所述平均稀疏度得到图像评价值。

根据一些实施例，所述数据处理单元对待评价的透射图像进行局部去均值和对比度归一化处理。

根据一些实施例，所述数据处理单元在所述图像评价值未满足预定条件的情况下，向用户提示。

利用上述方案，能够对检查过程中产生的图像自动快速的评价，保证了成像系统稳定运行。

附图说明

为了更好的理解本发明，将根据以下附图对本发明的实施例进行描述：

图1A和图1B是根据本发明一个实施方式的成像系统的结构示意图；

图2是描述根据本发明实施例的图像质量评价方法的示意性流程图；

图3示出了根据本发明一个实施方式中的集装箱扫描透视图像的例子；

图4是根据本发明一个实施例的归一化图像子块示例；

图5是根据本发明一个实施例的稀疏词典示例；

图6是根据本发明一个实施例的无噪声图像的例子(评分为8.78)；

图7是根据本发明一个实施例的含噪声图像的例子(评分为71.35)。