[发明专利]基于ResNet模型特征嵌入UNet的X射线图像分割识别系统及方法

说明书

本发明公开了一种基于ResNet模型特征嵌入UNet的X射线图像分割识别系统及方法，装置中X射线管、增感屏、CCD相机和旋转平台均放置于屏蔽罩中以隔绝屏蔽；X射线管、旋转平台、增感屏和CCD相机依次放置；所述旋转平台通过电机使其转动；所述CCD相机与PC端连接；所述X射线管发出X射线穿透放置于旋转平台上的物品后到增感屏上，并由CCD相机拍摄图片传输到PC端，生成X射线图像数据集。本发明像素级分割物品轮廓更加清晰，可以有效地去除背景干扰，提高识别的准确度；将ResNet的特征提取优势加入UNet中，有效地提高X射线图像的分割准确率。

技术领域

本发明属于图像处理领域，特别涉及一种基于ResNet模型特征嵌入UNet的X射线图像分割识别系统及方法。

背景技术

现今X射线图像的处理发展中，对物品的分类识别常用的一般是目标检测算法，目标检测使用位置窗的方式对检测结果进行展示。但检测框只能提供大致的位置和大小，对物品的具体形状姿态没有很好的描述。特别是当物品图像摆放混乱时，位置窗的重叠会导致物品信息无法区分，缺乏比较良好的直观参考性。因此若采用对图像进行分割的方法，则可以得到物品的准确位置和轮廓信息，并且可以进行物品类别的识别，功能上更加完善和全面。

现今X射线图像的处理发展领域已经形成了很多经典的不同类型的图像分割方法。从图像分割方法的类型而言，主要有基于图像灰度直方图，基于邻域和图像物理性质的分割方法。传统的图像分割技术都对图像的质量和分割目标有比较高的要求，对图像的普适性和鲁棒性较差。而X射线图像如果要得到精度较高的图片，需要现已广泛应用的安检机以及医学上的CT机等大型设备体积且成本较高。

经典的图像分割方法主要有是四种。第一类基于阈值的分割法，其原理主要是设定不同的阈值，将图像像素分为多类，方法实现简单、计算量小，但是当原始图像中包含的信息比较复杂时，得到的结果并不准确。第二类是基于区域的分割方法，主要是区域生长法，区域生长法根据事先定义的标准将像素或者子区域聚合成更大区域，从一个或若干个生长点开始，将与该生长点性质相似的相邻像素或者区域生长点合并，形成新的生长点，重复此过程直到无法继续更新为止。区域生长法有速度慢，计算量大，需要人为确定生长点等多种缺陷。第三类是基于边缘检测的方法，即确定图像边缘像素，即图像灰度发生空间突变的像素集合进行分类，受图像噪声和复杂信息影响较大。第四类为基于深度学习的卷积神经网络图像分割方法，现有的基于深度学习和卷积神经网络的图像分割方法中，使用全卷积网络，例如UNet通过下采样对图像进行特征提取，再上采样恢复图像到原始大小以达到分割目的，但在复杂图像中，特征提取时精度下降，分割效果也随之受到影响。

发明内容

有鉴于此，本发明为了解决传统X射线图像采集及处理的精度和效果不良问题，提供了一种基于ResNet模型特征嵌入UNet的X射线图像分割识别系统，包括X射线管、增感屏、CCD相机、旋转平台和PC端，其中，

所述X射线管、增感屏、CCD相机和旋转平台均放置于屏蔽罩中以隔绝屏蔽；X射线管、旋转平台、增感屏和CCD相机依次放置；所述旋转平台通过电机使其转动；所述CCD相机与PC端连接；所述X射线管发出X射线穿透放置于旋转平台上的物品后到增感屏上，并由CCD相机拍摄图片传输到PC端，生成X射线图像数据集。

基于上述目的，本发明还提供了一种基于ResNet模型特征嵌入UNet的X射线图像分割识别方法，采用上述系统，包括以下步骤：

S1，将图像分割识别系统采集到的数据集进行标注，并生成标签图片集；

S2，将原始的X射线图像进行图像增强，扩大原有的数据集；

S3，将S1与S2中的X射线图像和标签作为改进后的UNet图像分割模型的输入进行训练；

S4，将训练得到的模型参数作为预测模型，进行X射线图像分割。

优选地，所述S1具体包括以下步骤：