本发明涉及图像处理,特别是涉及一种dr图像重建方法、系统、电子设备及存储介质。
背景技术:
1、数字射线成像检测技术(digital radiography,dr)是指利用数字探测器接受x射线强度信号,并将模拟信号转为数字信号随之生成数字图像的一种无损检测方法。dr检测效率高、检测灵敏度高、可靠性强,可直接对检测结果进行评价与识别,现已被用于缺陷检测、残余应力测试、尺寸测量等领域。
2、dr检测图像的质量与其分辨率直接相关,当图像分辨率较高时,往往表示图像中所包含的结构、细节、特征信息越多,检测结果图像可靠性越强。在生产过程中,dr图像质量与所使用仪器设备、试验环境和试验方式等有较大联系。例如x射线机焦点尺寸、探测器单元像素尺寸等。当焦点尺寸和像素尺寸较大时,会导致dr图像细节不清晰、特征不明显、微小缺陷难以检测等问题。
3、气膜孔周微裂纹尺寸较小,为了精确检测出微裂纹,需要提高dr图像分辨率。为了提高dr图像质量,可以利用图像超分辨率(super resolution,sr)重建技术将不清晰的dr图像重建为清晰的具有更多细节的高分辨率图像。目前图像超分辨率技术已经成功应用于遥感卫星、视频图像、军事、医学等领域,成为了各大领域的研究热点。近年来,基于深度学习的方法在图像超分辨率任务上取得了显著进展。单图像超分辨率(sisr)旨在从单个低分辨率图像重建高分辨率图像。目前,超分辨率重建模型的数据集中,低分辨率图像大多是通过简单下采样而得到,但现实生活中的低分辨率图像的退化模式是复杂且未知的,其中包括忽略了光学系统的对图像模糊的影响,以及真实世界中图像模糊的特点,因此如何解决真实场景图像超分辨率问题,是超分辨率重建领域的一大挑战。
4、但是,由于超分辨率重建模型自身的结构特点,利用目前的大多超分辨率重建方法进行航空发动机涡轮叶片气膜孔周微裂纹dr图像的重建,重建结果过于平滑,细节粗糙,产生伪影和噪声,重建图像质量低,重建得到的dr图像的分辨率低。
技术实现思路
1、本发明的目的是提供一种dr图像重建方法、系统、电子设备及存储介质,提高了重建得到的dr图像的分辨率。
2、为实现上述目的,本发明提供了如下方案:
3、一种dr图像重建方法,包括:
4、获取待重建dr图像;所述待重建dr图像为目标航空发动机涡轮叶片气膜孔周微裂纹的dr图像;
5、将所述待重建dr图像和预设放大尺度输入至超分辨率重建模型中,得到重建后的dr图像;所述超分辨率重建模型是利用训练数据集对初始网络进行训练得到的,所述初始网络包括:浅层特征提取结构、深层特征提取结构、上采样结构和放大结构,所述训练数据集包括多张初始dr图像和对应的训练用dr图像以及放大尺度。
6、可选地,所述超分辨率重建模型的训练过程,包括:
7、获取多张初始dr图像;所述初始dr图像为训练用航空发动机涡轮叶片气膜孔周微裂纹的高分辨率dr图像,其中当当前dr图像的分辨率大于预设分辨率时,当前dr图像为高分辨率dr图像;
8、对各所述初始dr图像进行下采样,得到对应的训练用dr图像;
9、构建所述初始网络;
10、以各所述训练用dr图像为输入,以对应的初始dr图像为输出,对所述初始网络进行训练,得到所述超分辨率重建模型。
11、可选地,以所述训练用dr图像为输入,以对应的初始dr图像为输出,对所述初始网络进行训练,得到所述超分辨率重建模型,具体包括:
12、以所述初始网络作为初始的网络结构,基于各训练用dr图像和对应的初始dr图像对网络结构进行训练,得到所述超分辨率重建模型;其中,在任一当前训练次数下:
13、将各所述训练用dr图像输入至当前训练次数下的浅层特征提取结构中进行特征提取,得到对应的浅层特征;
14、将各所述浅层特征输入至当前训练次数下的深层特征提取结构中进行特征提取,得到对应的深层特征;
15、将各所述深层特征输入至当前训练次数下的上采样结构中进行上采样,得到上采样重建后的特征;
16、将各所述浅层特征和对应的上采样重建后的特征以及放大尺度输入至当前训练次数下的放大结构中,得到训练用dr图像对应的重建后的图像;
17、利用感知约束和l1约束,基于各训练用dr图像和对应的重建后的图像计算当前训练次数下的损失值;
18、当满足训练停止条件时,将当前训练次数下的网络结构确定为所述超分辨率重建模型;所述训练停止条件为当前训练次数下的损失值小于预设损失值或达到预设训练次数。
19、可选地,所述深层特征提取结构包括:多个形成残差结构的swin transformer层。
20、一种dr图像重建系统,包括:
21、待重建dr图像获取模块,用于获取待重建dr图像;所述待重建dr图像为目标航空发动机涡轮叶片气膜孔周微裂纹的dr图像;
22、图像重建模块,用于将所述待重建dr图像和预设放大尺度输入至超分辨率重建模型中,得到重建后的dr图像;所述超分辨率重建模型是利用训练数据集对初始网络进行训练得到的,所述初始网络包括:浅层特征提取结构、深层特征提取结构、上采样结构和放大结构,所述训练数据集包括多张初始dr图像和对应的训练用dr图像以及放大尺度。
23、一种电子设备,包括:
24、一个或多个处理器;
25、存储装置,其上存储有一个或多个程序;
26、当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述所述的dr图像重建方法。
27、一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述所述的dr图像重建方法。
28、根据本发明提供的具体实施例,本发明公开了以下技术效果:
29、本发明公开了一种dr图像重建方法、系统、电子设备及存储介质,首先,获取待重建dr图像;待重建dr图像为目标航空发动机涡轮叶片气膜孔周微裂纹的dr图像;然后,将待重建dr图像和预设放大尺度输入至超分辨率重建模型中,得到重建后的dr图像;其中,超分辨率重建模型是利用训练数据集对初始网络进行训练得到的,初始网络包括:浅层特征提取结构、深层特征提取结构、上采样结构和放大结构,本发明提高了重建得到的dr图像的分辨率。
1.一种dr图像重建方法,其特征在于,所述方法包括:
2.根据权利要求1所述的dr图像重建方法,其特征在于,所述超分辨率重建模型的训练过程,包括:
3.根据权利要求2所述的dr图像重建方法,其特征在于,以所述训练用dr图像为输入,以对应的初始dr图像为输出,对所述初始网络进行训练,得到所述超分辨率重建模型,具体包括:
4.根据权利要求1所述的dr图像重建方法,其特征在于,所述深层特征提取结构包括:多个形成残差结构的swintransformer层。
5.一种dr图像重建系统,其特征在于,所述系统包括:
6.一种电子设备,其特征在于,包括:
7.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的dr图像重建方法。