基于应变先验约束的裂纹分割方法及系统

1.本发明涉及图像处理的技术领域，具体地，涉及一种基于应变先验约束的裂纹分割方法及系统。


背景技术：

2.x射线计算机断层扫描(computed tomography，ct)利用x射线穿过不同物质的衰减信号，采用重建算法得到被测物体的内部密度分布，是一种较为先进的无损检测手段，在原位实验中被广泛应用于检测材料在不同实验条件下微观结构的演变。
3.为了更好的研究复合纤维材料的力学性能，需要使用ct技术观测其内部结构及演化。ct图像包含着丰富的微观结构信息，比如裂纹，孔洞等。其中，裂纹的位置、形貌特征以及扩展趋势对于后续的力学分析来说是很重要的分析依据，因此从ct图像中准确的分割出裂纹形状是定量分析的关键。
4.目前，图像分割已有诸多方法。传统分割方法有基于阈值的分割方法、基于区域的分割方法以及基于边缘检测的分割方法。后来，发展了一系列结合特定理论的图像分割算法，结合小波变换、主动轮廓模型等等。但是上述方法都需要人工设计特征，不够客观，所以基于卷积神经网络的分割迅猛发展，让计算机学习分割对象的特征并实现像素级分割，其中最经典的就是全卷积网络u-net及其一系列变种。
5.公开号为cn112991370a的中国发明专利文献公开了一种岩心ct裂纹识别与分割方法，属于图像处理技术领域。按1:6的比例将数据集分为测试集和训练集，并对所有图像进行自适应中值滤波与hessian矩阵线状滤波，以增强图像质量；再将训练集图像分割为若干尺寸一致的小图像，并对分割得到的子图提取hu不变矩特征、灰度共生矩阵特征以及灰度均值特征，并利用得到的特征矩阵训练svm预测模型；将测试集的图像分割为相同尺寸的图像块并提取相同的特征，利用得到的svm模型对图像块进行预测，完成裂纹的粗定位；最后利用活动轮廓分割方法对包含裂纹的图像块进行分割，得到最终的裂纹分割结果。
6.针对上述中的相关技术，发明人认为复合纤维材料ct图像中的裂纹对比度低，微小裂纹难以辨别，且裂纹与部分孔洞及内部纤维形貌特征相似，这就使得计算机也难以区分裂纹及其他内部结构，给裂纹的准确分割带来了障碍。


技术实现要素：

7.针对现有技术中的缺陷，本发明的目的是提供一种基于应变先验约束的裂纹分割方法及系统。
8.根据本发明提供的一种基于应变先验约束的裂纹分割方法，包括如下步骤：
9.ct图像采集步骤：采集待测样本的ct图像；
10.标签图像生成步骤：对待测样本的ct图像中的裂纹进行标注，生成对应的标签图像；
11.应变图谱获取步骤：根据待测样本的ct图像计算三维应变场信息，得到每张待测
样本的ct图像对应的应变图谱；
12.网络模型训练步骤：构建神经网络模型，将待测样本的ct图像及标签图像作为输入，应变图谱作为先验约束知识，引导神经网络模型进行训练；
13.分割结果获取步骤：将待分割ct图像及待分割ct图像的应变图谱输入到训练好的神经网络模型中，得到像素级分割结果。
14.优选的，在所述应变图谱获取步骤中，通过包括但不限于数字体积相关性分析，得到相邻拉伸状态间的三维应变体；对三维应变体进行切片，得到每张待测样本的ct图像对应的应变图谱。
15.优选的，在所述标签图像生成步骤中，采集待测样本的ct图像，对待测样本的ct图像进行尺寸预处理，对尺寸预处理后的图像中的裂纹进行标注，生成对应的标签图像。
16.优选的，在所述应变图谱获取步骤中，通过数字体积相关性分析处理通过体成像设备获得的同一物体内部在变形前后的体图像，将变形前体图像作为基准，为参考体图像，变形后体图像为目标体图像；跟踪体素点的三维位移，以该体素点为中心取预设区域为子区；
17.在目标体图像中逐像素搜索子区，找出与参考子区相似程度最大的目标子区，得到整像素位移，为初始形函数；
18.采用亚像素迭代算法对相关函数进行优化，进行形函数的迭代更新；
19.依次计算各个子区，获得三维位移场，从三维位移矢量场中采用差分法得到三维应变场信息。
20.优选的，在所述应变图谱获取步骤中，变形前后子区的相似程度通过零均值归一化互相关函数c
zncc
定量评价：
[0021][0022]
其中，f(xi,yi,zi)是参考子区中第i点的灰度；g(xi+u0,yi+v0,zi+w0)是目标子区中第i点的灰度；i＝1，2，3，
···
，n；n表示体素点数；fm为参考子区的平均灰度值；gm为目标子区的平均灰度值；u0表示参考子区到目标子区中心体素的x向位移；v0表示参考子区到目标子区中心体素的y向位移；w0为参考子区到目标子区中心体素的z向位移；xi表示参考子区第i点的x向坐标；yi表示参考子区第i点的y向坐标；zi表示参考子区第i点的z向坐标；
[0023]
当变形前子区的灰度和目标子区的灰度线性相关时，c
zncc
＝1；不相关时，c
zncc
＝0。
[0024]
优选的，在所述网络模型训练步骤中，构建卷积神经网络u-net，将ct图像和对应的应变图谱作为双通道输入，使用语义分割中的损失函数ce loss和dice loss反向传播，将标签图像作为真实标签对模型进行训练。
[0025]
根据本发明提供的一种基于应变先验约束的裂纹分割系统，包括如下模块：
[0026]
ct图像采集模块：采集待测样本的ct图像；
[0027]
标签图像生成模块：对待测样本的ct图像中的裂纹进行标注，生成对应的标签图像；
[0028]
应变图谱获取模块：根据待测样本的ct图像计算三维应变场信息，得到每张待测样本的ct图像对应的应变图谱；
[0029]
网络模型训练模块：构建神经网络模型，将待测样本的ct图像及标签图像作为输
入，应变图谱作为先验约束知识，引导神经网络模型进行训练；
[0030]
分割结果获取模块：将待分割ct图像及待分割ct图像的应变图谱输入到训练好的神经网络模型中，得到像素级分割结果。
[0031]
优选的，在所述应变图谱获取模块中，通过包括但不限于数字体积相关性分析，得到相邻拉伸状态间的三维应变体；对三维应变体进行切片，得到每张待测样本的ct图像对应的应变图谱。
[0032]
优选的，在所述标签图像生成模块中，采集待测样本的ct图像，对待测样本的ct图像进行尺寸预处理，对尺寸预处理后的图像中的裂纹进行标注，生成对应的标签图像。
[0033]
优选的，在所述应变图谱获取模块中，通过数字体积相关性分析处理通过体成像设备获得的同一物体内部在变形前后的体图像，将变形前体图像作为基准，为参考体图像，变形后体图像为目标体图像；
[0034]
跟踪体素点的三维位移，以该体素点为中心取预设区域为子区；
[0035]
在目标体图像中逐像素搜索子区，找出与参考子区相似程度最大的目标子区，得到整像素位移，为初始形函数；
[0036]
采用亚像素迭代算法对相关函数进行优化，进行形函数的迭代更新；
[0037]
依次计算各个子区，获得三维位移场，从三维位移矢量场中采用差分法得到三维应变场信息。
[0038]
与现有技术相比，本发明具有如下的有益效果：
[0039]
1、本发明通过引入应变作为先验约束信息，通过卷积神经网络得到良好的裂纹分割结果，提高分割结果的客观性及准确性；
[0040]
2、本发明，对难以分割的微小裂纹准确率很高；
[0041]
3、本发明大大减少了其他非裂纹组织结构的识别错误率。
附图说明
[0042]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0043]
图1为本发明涉及的算法流程图；
[0044]
图2为数字体积相关方法基本原理示意图；
[0045]
图3为分割结果展示图。
具体实施方式
[0046]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0047]
本发明实施例提供了一种基于应变先验约束的裂纹分割方法，参照图1所示，具体包括如下步骤：
[0048]
步骤s1：采集待测样本的ct图像，并对图像中的裂纹进行标注，生成对应的标签图像。为了分析复合纤维材料的力学性能，制作相关样本并采用ct技术扫描。采集待测样本的
ct图像，对其进行预处理，将大小统一至512像素x512像素，便于后续使用。对图像中的裂纹进行人工标注，生成对应的二值标签图像。
[0049]
步骤s2：计算三维应变场信息，得到每张ct图像对应的应变图谱。通过包括但不限于数字体积相关性分析(dvc)等方法，得到相邻拉伸状态间的三维应变。再对将三维应变体进行切片，得到每张ct图像对应的应变图谱。例如通过数字体积相关方法(dvc)，计算三维应变场信息，得到每张ct图像对应的应变图谱。步骤s2包括如下步骤：
[0050]
步骤s2.1：dvc方法处理的是体成像设备所获得同一物体内部在变形前后的两幅体图像，其中作为基准的是变形前体图像，即参考体图像，变形后获得的体图像称为目标体图像，dvc基本原理示意图如图2所示。由于记录数字图像灰度范围的有限性，无法追踪单个体素点变形前后的三维位移矢量。所以为了跟踪某一体素点的三维位移，需要以该体素点为中心取一个立方体区域为子区，通过跟踪参考体图像中选定的子区在目标体图像中的精确位置来确定该子区中心点的整像素位移。
[0051]
通过数字体积相关性分析处理通过体成像设备获得的同一物体内部在变形前后的体图像，将变形前体图像作为基准，为参考体图像，变形后体图像为目标体图像。跟踪体素点的三维位移，以该体素点为中心取预设区域为子区。在目标体图像中逐像素搜索子区，找出与参考子区相似程度最大的目标子区，由此得到整像素位移，即初始形函数。采用亚像素迭代算法对相关函数进行优化，以实现形函数的迭代更新；依次计算各个子区，从而获得三维位移场，从三维位移矢量场中采用差分法得到三维应变场信息。
[0052]
任何一个子区都可以在变形后体图像中找到与其相似程度最高的目标子区来确定其整体素位移。变形前后子区的相似程度可以用零均值归一化互相关函数(zncc)c
zncc
来定量评价：
[0053][0054]
式中f(xi,yi,zi)和g(xi+u0,yi+v0,zi+w0)分别是变形前后子区中第i(i＝1,2,3
…
,n)点的灰度；fm，gm别为参考子区和目标子区的平均灰度值，u0，v0，w0为参考子区中心像素的位移。f(xi,yi,zi)是参考子区中第i点的灰度；g(xi+u0,yi+v0,zi+w0)是目标子区中第i点的灰度；i＝1，2，3，
···
，n；n表示体素点数；fm为参考子区的平均灰度值；gm为目标子区的平均灰度值；u0表示参考子区到目标子区中心体素的x向位移；v0表示参考子区到目标子区中心体素的y向位移；w0为参考子区到目标子区中心体素的z向位移；xi表示参考子区第i点的x向坐标；yi表示参考子区第i点的y向坐标；zi表示参考子区第i点的z向坐标。
[0055]
zncc函数具有很强的抗干扰性，当参考子区的灰度和目标子区的灰度线性相关时，c
zncc
＝1；两者不相关时，c
zncc
＝0。
[0056]
与参考子区相比，目标子区通常会发生一系列变形，包括平移、旋转、均匀变形、非均匀变形等等，因此需要采用形函数来描述参考子区到目标子区的位移及变形。最开始获得的整像素位移可以视为初始形函数，需要采用亚像素迭代算法实现形函数的更新迭代，从而得到亚像素精度的三维位移场。采用差分法从三维位移场得到三维应变场。
[0057]
这里为了减少计算量，将四周的背景信息去除一部分，图像体裁剪至1061像素x1101像素x1100像素大小。对参考体图像中多个像素点重复这一过程获得三维位移矢量场，再从三维位移矢量场中采用平移位移场差分法得到三维应变场。
[0058]
步骤s2.2：得到体图像的三维应变场后，需要对其进行切片操作。本实例采集的ct图像均为xz断层图，因此要找到与ct图像对应位置的应力图谱需要将三维应变场沿着y方向切割，将ct图像与应变图谱一一对应。
[0059]
步骤s3：构建神经网络模型，将ct图像及标签图像作为输入，应变图谱作为先验约束知识，引导模型进行训练。ct图像和应变图谱分别代表着图像灰度信息和力学应变信息，单纯依靠图像灰度信息，无法准确分割出微小裂纹，而且会导致材料内部其他结构的错误分割。由于应变大的地方萌生裂纹的概率也大，所以将应变信息以应变图谱的形式作为先验约束信息引入，可以引导网络训练。构建经典的卷积神经网络u-net，将ct图像和对应的应变图谱作为双通道输入，使用语义分割中最常用的两种损失函数交叉熵损失函数ce loss和dice损失函数dice loss反向传播，将标签图像作为真实标签对模型进行训练。
[0060]
步骤s4：将待分割ct图像及其应变图谱输入到训练好的网络模型中，得到像素级分割结果。将待分割图像及其应变图谱输入到训练好的u-net网络模型中，得到如图3所示的像素级分割结果。图3中的分割结果展示，从左至右分别为：ct图像、标签图像、应变图谱、分割结果。
[0061]
本发明涉及x射线计算机断层扫描(computed tomography，ct)、卷积神经网络(convolutional neural network，cnn)以及数字体积相关方法(digital volume correlation，dvc)。裂纹萌生的位置往往对应着高应变值，所以应变图谱与裂纹的位置分布存在密切的关联性。因此将应变图谱作为先验约束引入，进行卷积神经网络的训练，可以准确快速的实现ct图像裂纹的像素级分割。
[0062]
本发明能够引入应变场信息作为先验约束信息，并结合神经网络的像素级分割能力，在保持裂纹形状的情况下，去除错误识别信息，能够准确快速的分割出复合纤维材料ct图像中的裂纹，并且对微小裂纹更加敏感。
[0063]
本发明还提供一种基于应变先验约束的裂纹分割系统，所述基于应变先验约束的裂纹分割系统可以通过执行所述基于应变先验约束的裂纹分割方法的流程步骤予以实现，即本领域技术人员可以将所述基于应变先验约束的裂纹分割方法理解为所述基于应变先验约束的裂纹分割系统的优选实施方式。
[0064]
该系统，包括如下模块：
[0065]
ct图像采集模块：采集待测样本的ct图像。
[0066]
标签图像生成模块：对待测样本的ct图像中的裂纹进行标注，生成对应的标签图像。采集待测样本的ct图像，对待测样本的ct图像进行尺寸预处理，对尺寸预处理后的图像中的裂纹进行标注，生成对应的标签图像。
[0067]
应变图谱获取模块：根据待测样本的ct图像计算三维应变场信息，得到每张待测样本的ct图像对应的应变图谱。通过包括但不限于数字体积相关性分析，得到相邻拉伸状态间的三维应变体；对三维应变体进行切片，得到每张待测样本的ct图像对应的应变图谱。
[0068]
通过数字体积相关性分析处理通过体成像设备获得的同一物体内部在变形前后的体图像，将变形前体图像作为基准，为参考体图像，变形后体图像为目标体图像；跟踪体素点的三维位移，在参考体图像中以该体素点为中心取预设区域为子区；在目标体图像中逐像素搜索子区，找出与参考子区相似程度最大的目标子区，由此得到整像素位移，即初始形函数；采用亚像素迭代算法对相关函数进行优化，以实现形函数的迭代更新；依次计算各
个子区，从而获得三维位移场，从三维位移矢量场中采用差分法得到三维应变场信息。
[0069]
网络模型训练模块：构建神经网络模型，将待测样本的ct图像及标签图像作为输入，应变图谱作为先验约束知识，引导神经网络模型进行训练。
[0070]
分割结果获取模块：将待分割ct图像及待分割ct图像的应变图谱输入到训练好的神经网络模型中，得到像素级分割结果。
[0071]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0072]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。

技术特征：
1.一种基于应变先验约束的裂纹分割方法，其特征在于，包括如下步骤：ct图像采集步骤：采集待测样本的ct图像；标签图像生成步骤：对待测样本的ct图像中的裂纹进行标注，生成对应的标签图像；应变图谱获取步骤：根据待测样本的ct图像计算三维应变场信息，得到每张待测样本的ct图像对应的应变图谱；网络模型训练步骤：构建神经网络模型，将待测样本的ct图像及标签图像作为输入，应变图谱作为先验约束知识，引导神经网络模型进行训练；分割结果获取步骤：将待分割ct图像及待分割ct图像的应变图谱输入到训练好的神经网络模型中，得到像素级分割结果。2.根据权利要求1所述的基于应变先验约束的裂纹分割方法，其特征在于，在所述应变图谱获取步骤中，通过包括但不限于数字体积相关性分析，得到相邻拉伸状态间的三维应变体；对三维应变体进行切片，得到每张待测样本的ct图像对应的应变图谱。3.根据权利要求1所述的基于应变先验约束的裂纹分割方法，其特征在于，在所述标签图像生成步骤中，采集待测样本的ct图像，对待测样本的ct图像进行尺寸预处理，对尺寸预处理后的图像中的裂纹进行标注，生成对应的标签图像。4.根据权利要求1所述的基于应变先验约束的裂纹分割方法，其特征在于，在所述应变图谱获取步骤中，通过数字体积相关性分析处理通过体成像设备获得的同一物体内部在变形前后的体图像，将变形前体图像作为基准，为参考体图像，变形后体图像为目标体图像；跟踪体素点的三维位移，以该体素点为中心取预设区域为子区；在目标体图像中逐像素搜索子区，找出与参考子区相似程度最大的目标子区，得到整像素位移，为初始形函数；采用亚像素迭代算法对相关函数进行优化，进行形函数的迭代更新；依次计算各个子区，获得三维位移场，从三维位移矢量场中采用差分法得到三维应变场信息。5.根据权利要求4所述的基于应变先验约束的裂纹分割方法，其特征在于，在所述应变图谱获取步骤中，变形前后子区的相似程度通过零均值归一化互相关函数c
zncc
定量评价：其中，f(x
i
,y
i
,z
i
)是参考子区中第i点的灰度；g(x
i
+u0,y
i
+v0,z
i
+w0)是目标子区中第i点的灰度；i＝1，2，3，
···
，n；n表示体素点数；f
m
为参考子区的平均灰度值；g
m
为目标子区的平均灰度值；u0表示参考子区到目标子区中心体素的x向位移；v0表示参考子区到目标子区中心体素的y向位移；w0为参考子区到目标子区中心体素的z向位移；x
i
表示参考子区第i点的x向坐标；y
i
表示参考子区第i点的y向坐标；z
i
表示参考子区第i点的z向坐标；当变形前子区的灰度和目标子区的灰度线性相关时，c
zncc
＝1；不相关时，c
zncc
＝0。6.根据权利要求1所述的基于应变先验约束的裂纹分割方法，其特征在于，在所述网络模型训练步骤中，构建卷积神经网络u-net，将ct图像和对应的应变图谱作为双通道输入，使用语义分割中的损失函数ce loss和dice loss反向传播，将标签图像作为真实标签对模型进行训练。
7.一种基于应变先验约束的裂纹分割系统，其特征在于，包括如下模块：ct图像采集模块：采集待测样本的ct图像；标签图像生成模块：对待测样本的ct图像中的裂纹进行标注，生成对应的标签图像；应变图谱获取模块：根据待测样本的ct图像计算三维应变场信息，得到每张待测样本的ct图像对应的应变图谱；网络模型训练模块：构建神经网络模型，将待测样本的ct图像及标签图像作为输入，应变图谱作为先验约束知识，引导神经网络模型进行训练；分割结果获取模块：将待分割ct图像及待分割ct图像的应变图谱输入到训练好的神经网络模型中，得到像素级分割结果。8.根据权利要求1所述的基于应变先验约束的裂纹分割系统，其特征在于，在所述应变图谱获取模块中，通过包括但不限于数字体积相关性分析，得到相邻拉伸状态间的三维应变体；对三维应变体进行切片，得到每张待测样本的ct图像对应的应变图谱。9.根据权利要求1所述的基于应变先验约束的裂纹分割系统，其特征在于，在所述标签图像生成模块中，采集待测样本的ct图像，对待测样本的ct图像进行尺寸预处理，对尺寸预处理后的图像中的裂纹进行标注，生成对应的标签图像。10.根据权利要求1所述的基于应变先验约束的裂纹分割系统，其特征在于，在所述应变图谱获取模块中，通过数字体积相关性分析处理通过体成像设备获得的同一物体内部在变形前后的体图像，将变形前体图像作为基准，为参考体图像，变形后体图像为目标体图像；跟踪体素点的三维位移，以该体素点为中心取预设区域为子区；在目标体图像中逐像素搜索子区，找出与参考子区相似程度最大的目标子区，得到整像素位移，为初始形函数；采用亚像素迭代算法对相关函数进行优化，进行形函数的迭代更新；依次计算各个子区，获得三维位移场，从三维位移矢量场中采用差分法得到三维应变场信息。

技术总结
本发明提供了一种基于应变先验约束的裂纹分割方法及系统，包括：采集待测样本的CT图像；对待测样本的CT图像中的裂纹进行标注，生成对应的标签图像；根据待测样本的CT图像计算三维应变场信息，得到每张待测样本的CT图像对应的应变图谱；构建神经网络模型，将待测样本的CT图像及标签图像作为输入，应变图谱作为先验约束知识，引导神经网络模型进行训练；将待分割CT图像及待分割CT图像的应变图谱输入到训练好的神经网络模型中，得到像素级分割结果。本发明通过引入应变作为先验约束信息，通过卷积神经网络得到良好的裂纹分割结果，提高分割结果的客观性及准确性。分割结果的客观性及准确性。分割结果的客观性及准确性。


技术研发人员：许峰 仓娇青 肖宇 胡小方
受保护的技术使用者：中国科学技术大学
技术研发日：2023.04.12
技术公布日：2023/7/12