ICT辅助涡轮叶片内冷通道多余物检测方法

为了实现涡轮叶片内冷通道多余物的无损检测与高精度提取,以工业计算机断层扫描技术为检测手段,基于刚性变换与正弦投影之间的关系,求得待测试件与标准试件断层图像方位上的位移参数,对测试件断层正弦图与标准件对应断层正弦图进行配准,提取出多余物正弦图并重建出多余物断层图像.实验证明该方法能有效识别出叶片内冷通道内的多余物,相比传统的基于CT(computed tomography)图像的多余物提取算法,该算法在投影域内进行,不受投影数据不完全、扫描系统偏差以及重建伪影的影响,具有更高的准确性.      

ART算法几种重建模型的研究和比较

代数重建法(AlgebraicReconstructionTechniques,ART)适合于不完全投影数据的图像重建;其缺点是重建时间长,因而提高该算法的重建速度一直是研究的热点。本文对影响ART算法的几种重建模型进行了研究,并通过仿真数据分别对几种重建模型进行了成像数值实验。分析和比较了各种重建模型的重建速度和重建质量。     

有限角度CT重建方法

计算机断层成像技术(Computed Tomography,CT)技术已经被广泛应用于医学诊断、工业无损探伤以及安全检查等领域.然而在实际应用中,很多情况下并不能采集到完全角度下的投影数据,例如成像系统设计的限制等.利用有限角度下的投影数据进行图像重建被称为X射线成像有限角度重建.本文介绍了两种有限角度CT迭代重建方法...     

固体火箭发动机CT图像条状伪影校正

为了校正窄角扇束工业CT扫描重建的固体火箭发动机图像中的条状伪影,分析了条状伪影的产生原因.针对条状伪影是由重排和数据对齐后固体火箭发动机投影数据的非光滑连续性引起的,提出了条状伪影校正的两种算法.两种算法均以中间平移步数的投影数据为基准进行投影数据的重排,一种将重排和数据对齐过程分开处理;另一种将重排和数据对齐过程合并处理.为了验证两种条状伪影校正算法的有效性,采用窄角扇束工业CT对某型固体火箭发动机进行3种不同扫描步长的扫描和重建.结果表明重排和数据对齐过程分开处理的校正算法只有在小步长扫描的情况下重建效果较好,条状伪影较少;而重排和数据对齐过程合并处理的校正算法在3种不同的扫描步长下图像重建质量均较好,条状伪影较少.      

一种用于CT空间分辨率增强的图像重建方法

为在既有硬件条件下提高工业计算机层析成像(computed tomography,CT)系统空间分辨率,分析了提高采样频率的半像素错位工业CT扫描方法,提出了一种基于代数迭代技术的直接重建算法,以面积权值对采集到的投影数据进行交替迭代,实现高分辨率图像重建.利用星型空间分辨率模型开展了计算机仿真分析,重建图像截止频率处的调制度达到0.8,表明了该方法提高空间分辨率的潜力.标准空间分辨率测试卡工业CT扫描重建实验结果进一步验证了其可行性和有效性.该方法简单、易行,在工业CT系统中有良好工程应用前景.      

固体火箭发动机局部缺陷检测研究

针对投影数据不完整的情况,提出了固体火箭发动机局部缺陷检测的方法,实现了局部图像重建和发动机脱粘层与壳体间的图像重建,并利用局部图像重建的检测方法,扩大发动机检测的范围,提高现有ICT的检测功能和效率.     

适用于爆炸物CT检测重建图像去噪新算法

场旅客行李爆炸物CT检测成像过程中不可避免地受到噪声影响,对重建图像的去噪处理是爆炸物CT检测技术中的一个重要环节。针对机场旅客行李隐藏爆炸物快速检测、重建图像质量要求和引入的噪声特点,提出了一种有效的图像去噪算法将小波包分析与快速中值滤波相结合,并且对小波包系数运用一种新的阈值去噪方法。实验结果表明,该算法能更有效地去除重建图像的噪声并保持图像的边缘细节。     

机载SAR反投影图像自聚焦处理方法

反投影算法(BPA)是一种经典的时间域合成孔径雷达(SAR)成像处理方法。BPA对回波数据插值累加得到图像,运动误差导致的目标散焦沿不同的倾斜角度存在,无法直接应用现有的自聚焦算法。为此,提出了一种新颖的BPA图像运动补偿方案。基于反投影数据运动相位误差和距离徙动分析,研究了修正投影栅格成像,从而去除重建图像中目标散焦方向的空变特性。在中低分辨率配置下,重建SAR图像能够直接应用相位梯度自聚焦(PGA)等进行运动补偿。点目标仿真实验和实测数据结果验证了该算法的有效性。     

小张角扇形射线束CT检测固体发动机局部缺陷

针对小张角扇形射线束CT的特点及提高固体火箭发动机缺陷检测效率，本文在滤波反投影(FBP)算法的基础上，提出了局部区域的图像重建方法，采用感兴趣的局部区域(ROI)的采样数据，实现了固体火箭发动机局部图像重建。与整体图像重建算法一样，FBP局部重建的图像清晰，缺陷分辨率高，重建速度快，具有很好的应用价值。     

一种适用于快速分解后向投影聚束SAR成像的自聚焦方法

基于孔径分解和图像递归融合的快速分解后向投影(FFBP)算法具备接近频域算法的运算复杂度和媲美后向投影(BP)算法的聚焦性能。但与频域成像算法不同,使用FFBP算法重建的直角坐标系图像或极坐标系图像均无法满足传统自聚焦方法的使用条件。为了解决这个问题,首先,提出了虚拟极坐标系作为FFBP算法的图像重建平面,为自聚焦方法的使用奠定了基础;其次,以基于回波数据的运动补偿为目标,充分利用FFBP算法多孔径递归融合的特点,将多孔径图像偏移(MAM)的相位估计方法嵌套到FFBP算法的各个阶段,从而实现MAM与FFBP算法的紧密相容;最后,通过实测数据处理验证了该方法的可行性和有效性。     

一种新型层析成像重建算法

针对直接反投影重建的伪迹现象,提出了一种新型射线反投影重建算法。该方法基于反投影数据的“求交”运算,不同于常规反投影相叠加方法,可以较好地克服图像部分伪迹。仿真结果证明了该方法的有效性。     

ICT图像重建并行处理技术

在ICT图像重建中一般采用的并行系统有阵列处理机、基于多个PC机的MIMD系统、由多个DSP和反投影专用处理器组成的多处理器系统和工作站机群。     

基于滤波反投影算法的TDLAS温度测量研究-流场诊断特别专栏

为提高二维重建温度场的抗噪声、抗干扰能力,本文研究了基于滤波反投影算法的可调谐激光吸收光谱二维层析成像系统。首先,通过数值模拟研究了滤波反投影算法的重建质量与影响因素,结果表明,随机噪声达到10%时,重建图像仍能较好地反映原温度场特征;滤波函数能明显改善重建质量;三次样条曲线插值的重建质量最高。然后通过基于滤波反投影算法的二维层析成像系统对弱旋流燃烧室出口温度场进行重建,将重建结果与热电偶测量结果进行对比,相对误差范围为1.4%-8.9%,较好地反映出温度场的特征,验证了滤波反投影算法的层析成像系统的可行性。     

基于Kinect三维重建的地下井室可视化方法研究

针对现有地下井室病害探测与维护方法的不足,提出了一种基于Kinect三维重建的地下井室可视化方法,以实现其三维可视化探测与维护.还提出了一种基于多项式曲面拟合的Kinect深度测量误差修正方法,利用联合双边滤波算法对深度图像数据进行预处理;结合SIFT特征匹配和改进的RANSAC算法获取相邻点云间的初始位姿,并利用基于...     

压缩感知下梯度投影在图像去噪中的应用

图像传输和接收的过程中不可避免地受到多种因素的影响而产生噪声,这样通常使得图像模糊不清难以辨识。针对去除图像高斯白噪声对图像辨识的干扰,提出利用压缩感知最优化求解思想,运用一种快速计算方法将高维数的图像信号投影在低维空间上,从而类比于压缩感知理论进行重构处理,并实现对含噪声信号的图像进行还原。实验结果证明,梯度投影法能较好地去除图像高斯白噪声,尤其对于图像中物体边界的辨识效果明显,为图像去除噪声提供了新的思路和方法。     

自适应强杂波抑制与点状动目标检测

研究了基于自适应图像杂波抑制的微弱点状动目标检测技术。首先利用四叉树算法,将原始的非平稳图像分割成多个准平稳的图像子块,然后对各子块进行LS自适应背景杂波估计与抑制,从而获得准高斯白噪声背景;再利用目标运动连续性假设,将目标在相邻多帧上的位置状态模型化为高阶马尔可夫数据链,建立轨迹状态空间;根据该模型采用多帧沿轨迹非线性集成算法进行检测。既克服了传统的三维匹配算法造成搜索次数巨大的弱点,同时也避免了二维投影检测带来的信噪比下降。理论分析和大量仿真实验证明了其有效性。     

航拍高光谱图像中基于投影的自动目标检测算法

针对未知环境条件下的高光谱图像目标检测问题进行了研究，提出了一种基于投影的自动目标检测算法。该算法通过构造正交投影算子预先对部分干扰物信息进行削弱，再以无监督的自动目标搜寻方法找到场景中可能的目标物，将图像数据向可能目标物所张成的子空间投影以增强目标物的信息，然后用匹配的方法完成检测。有效减弱了干扰物对目标检测的影响，缩小了目标搜索的范围。应用此算法对实验采集数据进行处理，取得了较好的结果。     

SRS-Net: Training object detectors from scratch for remote sensing images without pretraining

Most of the current object detection algorithms use pretrained models that are trained on ImageNet and then fine-tuned in the network, which can achieve good performance in terms of general object detectors. However, in the field of remote sensing image object detection, as pretrained models are significantly different from remote sensing data, it is meaningful to explore a train-from-scratch technique for remote sensing images. This paper proposes an object detection framework trained from scratch, SRS-Net, and describes the design of a densely connected backbone network to provide integrated hidden layer supervision for the convolution module. Then, two necessary improvement principles are proposed: studying the role of normalization in the network structure, and improving data augmentation methods for remote sensing images. To evaluate the proposed framework, we performed many ablation experiments on the DIOR, DOTA, and AS datasets. The results show that whether using the improved backbone network, the normalization method or training data enhancement strategy, the performance of the object detection network trained from scratch increased. These principles compensate for the lack of pretrained models. Furthermore, we found that SRS-Net could achieve similar to or slightly better performance than baseline methods, and surpassed most advanced general detectors.