一种基于超小型神经网络模型的工业CT图像分割方法技术

本发明专利技术请求保护一种基于超小型神经网络模型的工业CT图像分割方法，包括以下步骤：对输入工业CT图像进行阈值处理，生成二值图像；将二值图像优化处理，作为神经网络阈值分割特征；扩充阈值分割特征个数；利用网络特征提取模块生成CNN特征；将阈值分割特征和CNN特征融合到输入神经网络进行图像分割；训练整个超小型神经网络，最终用于工业CT图像分割。通过将传统阈值分割方法卷积化，提取阈值分割特征，并利用简化多尺度空洞卷积模块提取CNN特征，最后将两种特征融合进行神经网络学习并获得分割结果。由于阈值分割算法可学习参数少，效率高，能够提供大量的真实分割信息。因此该网络对工业CT图像的分割精度较高，且网络规模小，储存成本和训练成本低。

【技术实现步骤摘要】

本专利技术属于工业ct图像处理领域，涉及一种基于超小型神经网络模型的工业ct图像分割方法。

技术介绍

1、工业计算机断层扫描(ict)作为一种先进的无损检测方法，在复杂的内部尺寸检测方面具有巨大优势，与超声波、荧光渗透、涡流、红外热波等检测方法相比，具有更高的检测精度。然而ict检测精度在很大程度上取决于ct切片图像的后处理。与自然图像相比，ct切片图像对比度低，信噪比低，并且经常存在波束硬化和辐射散射等伪影。典型的ict图像分割方法包括阈值分割、区域生长、边缘检测、聚类等。其中阈值分割是一种简单高效的方法，但对于不同的ict图像，很难确定最优阈值。与阈值法相比，区域增长更准确，但速度慢，资源密集。此外，边缘检测和聚类方法需要对不同ict图像的参数进行微调，这不利于方法的泛化。

2、随着计算机技术的进步，基于神经网络的分割方法在分割精度和算法部署方面有着显著优势。相比传统的图像分割方法，神经网络分割方法可以学习到图像更加抽象表达，因此能够更加高效地处理大量数据，这使得它们更加适合处理工业应用等现实世界的任务。典型的深度学习分割算法包括全卷积网络本文档来自技高网...

【技术保护点】

1.一种基于超小型神经网络模型的工业CT图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于超小型神经网络模型的工业CT图像分割方法，其特征在于，所述步骤(1):对输入工业CT图像进行阈值处理，生成二值图像，具体包括；

3.根据权利要求2所述的一种基于超小型神经网络模型的工业CT图像分割方法，其特征在于，所述步骤(3)卷积化Phansalkar阈值算法并计算阈值矩阵，具体包括：

4.根据权利要求3所述的一种基于超小型神经网络模型的工业CT图像分割方法，其特征在于，所述步骤(2)将二值图像优化处理，作为神经网络阈值分割特征，具体包括...

【技术特征摘要】

1.一种基于超小型神经网络模型的工业ct图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于超小型神经网络模型的工业ct图像分割方法，其特征在于，所述步骤(1):对输入工业ct图像进行阈值处理，生成二值图像，具体包括；

3.根据权利要求2所述的一种基于超小型神经网络模型的工业ct图像分割方法，其特征在于，所述步骤(3)卷积化phansalkar阈值算法并计算阈值矩阵，具体包括：

4.根据权利要求3所述的一种基于超小型神经网络模型的工业ct图像分割方法，其特征在于，所述步骤(2)将二值图像优化处理，作为神经网络阈值分割特征，具体包括下述步骤：

5.根据权利要求1所述的一种基于超小型神经网络模型的工业ct图像分割方法，其特征在于，所述步骤(3)扩充阈值分割特征个数具体为：生成多个神经网络阈值分割特征，并将这些特征拼接在一起，拼接后层数与cnn特征个数相近。

6.根据权利要求1所述的一种基于超小型神经网络模型的工业ct图像分割方法，其特征在于，所述步骤(4):利用网络特征提取模块生成cnn特征，具体步骤为：采用简化多尺度空洞卷积模块提取cnn特征，简化多尺度空洞卷积模块包括不同空洞率的卷积模块，用来提取不同尺度下的特征，并且在空洞卷积后连接batchnor...

【专利技术属性】
技术研发人员：郑佳，唐川，罗蓉，罗志勇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：