融合深度学习与非局部均值权重迁移的双能X射线闪光照相材料分解算法OA

本文提出一种融合深度学习和非局部均值(non-local means,NLM)权重迁移的双能X射线闪光照相材料分解算法。该算法对图像的处理可分为两部分,第一部分为利用NLM权重迁移技术实现的图像去噪算法,提出利用“伪双能”法获取的高低能X射线图像的结构相似性,先后计算出高计数、低计数图像的NLM权重,利用这两个权重计算出新的低计数图像的去噪权重对低计数图像进行降噪;第二部分为基于深度学习实现的数十万电子伏双能X射线材料分解算法,利用一个具有残差结构的9层全连接神经网络,对输入的双能X射线图像进行材料分解后输出两种金属材料各自的厚度图像。然后,分别测试了两部分算法的性能,再用二者结合的完整算法对添加噪声后的碎片云体模双能X射线图像进行去噪与材料分解识别,测试完整算法的性能。研究结果表明:与NLM方法和BM3D方法相比,利用NLM权重迁移技术实现的图像去噪算法的均方根偏差(root mean square error,RMSE)、结构相似性(structural similarity,SSIM)和峰值信噪比(peak signal-tonoise ratio,PSNR)指标均为最优;基于深度学习实现的数十万电子伏双能X射线材料分解算法在有无噪声的条件下均优于传统的基于有理分式的双能X射线材料分解算法;二者结合的完整算法在有噪声条件下分解出的材料厚度图像的RMSE大幅降低,能够大幅提升材料分解质量。