低对比度锥束CT图像缺陷分割算法

　　锥束CT(Cone-Beam Computed Tomo-graphy,CBCT)利用锥形束射线源和平板探测器采集被测物体的投影数据,并重建出连续的切片图像序列,具有扫描速度快、切片内和切片间的空间分辨率相同、精度高等特点,在无损检测与逆向工程等领域已显示出广阔的应用前景。

　　由锥束CT图像成像特点可知,二维切片图像中每一个像素的灰度值与相应位置处被扫描物体的材料衰减系数的平均值成比例。物体中的某一个结构或者缺陷是否能够在切片图像中得以体现,取决于该位置所在的小体元材料与其外部材料的衰减系数的差别。若物体结构处的材料衰减系数与背景差别不大,则得到的切片图像的对比度就比较低。另一方面,锥束CT成像过程受到噪声、伪影等因素的影响[1],会造成切片图像的对比度低、边缘模糊、噪声信息多、区域灰度分布变化较大等特点,直接影响根据切片图像对被检测物体进行分析和评价的可靠性。

　　根据锥束CT图像进行具体应用(如缺陷检测)之前,一般需要对其进行图像分割,得到必要的图像信息。图像分割技术一般可分为四类[2]:基于阈值的分割技术[3,4]、基于边缘的分割技术[5]、基于区域特性的分割技术[6]和基于统计模式分类的分割技术[7,8]。由于CT图像的对比度低,缺陷目标的灰度值和其他区域灰度存在交叠,而且噪声干扰较严重,利用整幅图像中的整体阈值分割难以提取缺陷目标。而利用其他的分割方法,如Markov随机场的分割,也需要初始的分割定义,但初始分割需要用到整体阈值分割,显然也不合适。

　　本文提出一种适合锥束CT切片图像的图像分割算法,利用数字图像处理中的去噪滤波、阈值分割、连通区域提取等方法将缺陷区域灰度对比度提高,然后在局部拓扑区域内提取缺陷信息。

　　1　缺陷分割算法

　　工业零件的缺陷目标一般较小,在CT切片图像中缺陷目标的灰度占整个图像灰度区间的比例很小,而在某个拓扑结构内存在缺陷,则该缺陷目标的灰度占该拓扑结构灰度区间的比例较大,即对比度提高。因此,可利用灰度连通性特征,将图像分为不同的灰度拓扑结构,然后在每一个拓扑结构中提取缺陷信息,将整幅图像中的低对比度分割问题转化为在局部拓扑结构中的较高对比度分割问题。

　　考虑到部分噪声信息在CT切片图像中也表现为斑纹特性的低对比度区域,因此提取缺陷目标的方法不能用对比度特性作为区分的唯一参数[9]。缺陷目标区域和噪声区域都为低对比度区域,两者的区别在于前者的标准方差较低。将方差和对比度两个参数结合起来,就能够有效地检测在大噪声影响图像中的低对比度缺陷目标区域。