学位论文 > 优秀研究生学位论文题录展示

基于多能量X射线成像的图像融合与辅助分析技术研究

作　者: 张健
导　师: 王学武
学　校: 清华大学
专　业: 核科学与技术
关键词: X射线图像融合神经网络识别难度估计模型图像因子
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 51次
引　用: 0次
阅　读: 论文下载

内容摘要

当前航空安全形势十分严峻，所有国家都在逐步加强安全检查力度，大量安检设备在各国机场投入应用。尽管基于计算机的智能图像分析技术已经能给安检人员提供一定帮助，但是精准的决策仍然离不开检测人员的主观判断。检测人员的判断主要依赖于他们对相应危险物品在X射线图像中表观特征的先验知识，例如危险物品的形状特征，材料特征。基于计算机的培训是帮助安检人员增强对危险物品X射线图像敏感度的一种有效方式。X射线图像融合技术是其中的核心组成部分，其主要功能是将危险物品X射线图像投放到不同的行李包的X射线图像中，从而模拟出各种在实际安检过程中可能出现的情形。如果融合算法过于粗糙，将导致危险物品的仿真效果严重偏离实际情况，无法达到培养安检人员对相应危险物品敏感度的目的。在本论文中，首先对X射线图像融合的物理过程进行了分析，提取出影响融合精度的F和Q函数。然后基于实验数据利用神经网络模型对F和Q函数进行建模，从而建立融合前后相应像素点的有效原子序数和灰度值之间的映射关系。由于神经网络模型的结构参数和学习算法的效率与所要解决的问题有着紧密的联系，因而为了选择最佳参数在本论文中详细分析了不同学习算法、学习速率以及隐层神经元数目对F和Q函数拟合精度的影响。最后对神经网络模型和传统的插值模型进行了实验对比分析，结果表明神经网络模型在图像融合精度方面拥有巨大优势。危险物品X射线图像识别难度估计模型是培训系统的一个辅助部件，其主要功能在于评估利用融合算法所得到的图像中危险物品的识别难易程度。在本论文中，引入了三种影响危险物品X射线图像识别难度的图像因子——视角复杂度、重叠效应和纹理干扰，并且详细分析了三种图像因子影响检测人员识别的原因。依赖于在研究中所建立的软件平台，采集了测试人员对65幅X射线图像中的危险物品识别难度的主观评价数据。然后通过线性回归分析建立起三种图像因子与识别难度主观评价数据之间的关系，即识别难度统计模型。

全文目录

摘要  3-4
Abstract  4-8
第1章引言  8-13
  1.1 X 射线图像分析的意义  8-9
    1.1.1 X 射线图像融合技术研究意义  8-9
    1.1.2 X 射线图像识别难度研究意义  9
  1.2 现有 X 射线图像融合技术概述  9-10
  1.3 现有 X 射线图像识别难度研究概述  10-11
  1.4 论文研究工作概述  11-13
第2章基于人工神经网络的 X 射线图像融合  13-47
  2.1 人工神经网络基本结构与算法  13-25
    2.1.1 基本组成结构  13-14
    2.1.2 神经网络权重学习算法  14-19
    2.1.3 学习速率的自适应算法  19-20
    2.1.4 人工神经网络结构优化  20-24
    2.1.5 人工神经网络特点及应用范围  24-25
  2.2 人工神经网络在 X 射线图像融合中的应用  25-45
    2.2.1 物理过程分析  25-26
    2.2.2 对于 X 射线图像融合人工神经网络结构设计  26-28
    2.2.3 训练及测试样本采集  28-31
    2.2.4 神经网络学习算法性能比较  31-34
    2.2.5 OWO-HWO 学习速率优化  34-36
    2.2.6 神经网络结构优化设计  36-40
    2.2.7 融合模型的稳定性分析  40-42
    2.2.8 人工神经网络算法与传统算法融合效果比较  42-45
  2.3 本章小结  45-47
第3章基于统计模型的 X 射线图像识别难度分析  47-84
  3.1 影响 X 射线图像识别难度的图像因子设计  47-60
    3.1.1 视角复杂度  47-49
    3.1.2 重叠效应  49-50
    3.1.3 纹理干扰  50-60
  3.2 X 射线图像识别难度主观评价实验  60-63
  3.3 基于方差分析检验图像因子对于识别难度影响的显著性  63-73
    3.3.1 方差分析技术  63-69
    3.3.2 三种图像因子显著性检验  69-73
  3.4 X 射线图像识别难度回归模型  73-82
    3.4.1 回归分析技术  73-75
    3.4.2 X 射线图像识别难度模型  75-82
  3.5 本章小结  82-84
第4章论文研究总结与展望  84-87
  4.1 基于神经网络的 X 射线图像融合模型研究总结  84-85
  4.2 X 射线图像识别难度模型研究总结  85
  4.3 前景展望  85-87
参考文献  87-90
致谢  90-91
个人简历、在学期间发表的学术论文与研究成果  91

基于多能量X射线成像的图像融合与辅助分析技术研究

内容摘要

全文目录

相似论文