针对神经网络训练存在解释能力差以及不稳定问题,提出一种基于CP (Chambolle-Pock)算法求解的全变分(TV)正则项展开去噪网络(CPTV-Net),用于解决低剂量计算机断层扫描(LDCT)图像去噪问题。首先,向L1正则项模型引入TV约束项,以保留图像的结构信息;其次,采用CP算法对去噪模型进行求解并得出具体迭代步骤,保证算法的收敛性;最后,借助浅层卷积神经网络学习线性操作的原始对偶变量迭代公式,用神经网络计算模型的解,并通过收集网络参数优化合并数据。在模拟和真实LDCT数据集上的实验结果表明,与残差编码器-解码器卷积神经网络(REDCNN)、TED-Net(Transformer Encoder-decoder Dilation Network)等五种先进的去噪方法相比,CPTV-Net具有较优的峰值信噪比(PSNR)、结构相似度(SSIM)和视觉信息保真度(VIF)评估值,能生成去噪效果明显和细节保留最为完整的LDCT图像。
针对采用时域滤波器解析重建后图像存在伪影和图像细节丢失等问题,提出了一种基于卷积神经网络(CNN)的时频域计算机断层扫描(CT)重建算法。首先,在频域中构建了基于卷积神经网络的滤波器网络,实现投影数据的频域滤波;其次,利用反投影操作算子对频域滤波后结果进行域转换得到重建图像;接着,在图像域构建网络对来自反投影层的图像进行处理;最后,在采用最小均方误差损失函数基础上引入多尺度结构相似度损失函数组成复合损失函数,减轻神经网络对结果图像的模糊效应,保留重建图像细节。图像域网络和投影域滤波网络联合作用,最终得到重建结果。在临床数据集上验证了所提算法的有效性,相较于滤波反投影(FBP)算法、全变分(TV)算法及图像域残差编解码CNN(RED-CNN)算法,当投影数目分别为180和90时,所提算法重建结果图像信噪比(PSNR)和结构相似度(SSIM)最高,且归一化均方根误差(NMSE)最小;当投影数目为360时,所提算法仅次于TV算法。实验结果表明,所提算法可以提高CT图像重建图像质量,是一种可行且有效的方法。
针对在球栅阵列(BGA)气泡检测中,由于图像干扰因素的多样性导致焊球存在边缘气泡与背景之间灰度级接近,从而造成焊球气泡分割结果不精确的问题,提出了一种结合全卷积神经网络(FCN)和K均值(K-means)聚类分割的焊球气泡分割方法。首先根据所制作的BGA标签数据集搭建FCN,通过训练该网络得到合适的网络模型,再对待测BGA图像进行预测处理得到图像的粗分割结果;然后对焊球区域映射提取,通过同态滤波法提高气泡区域辨识度,再使用K-means聚类分割对图像进行细分割处理,得到最终分割结果图;最后对原图焊球及气泡区域进行标注识别。将所提出的算法与传统BGA气泡分割算法进行对比,实验结果表明,所提出的算法对复杂BGA焊球的边缘气泡分割精确,图像分割结果与其真实轮廓高度匹配,准确度更高。