一种基于CT图像的大豆茎秆内部结构辨识方法和系统

专利主权项内容

1.一种基于CT图像的大豆茎秆内部结构辨识方法，其特征在于，包括以下步骤：(1)将大豆盆栽放入植物CT采集设备，利用micro-CT设备对大豆植株进行从上而下的扫描，得到采集的大豆茎秆CT图像数据；(2)将普通扫描模式下采集到的图片进行增强处理，将扩散模型引入到图像超分辨网络中，将采集到的图片输入到基于扩散模型的CT图像超分辨网络进行增强处理，获得高分辨率的组织图像；(3)将处理好的增强图像进行数据增广处理，然后输入到图像分割网络进行植株区域分割，得到掩膜图像，将掩膜图像与对应的CT图像进行像素点乘得到植株区域的图像；(4)将分割后的CT图像进行体积重建，获得网格化数据，精准获取植株内部表型数据；步骤(1)，具体包括：(1.1)采集训练数据；对植株分别采用普通放大倍数和高精度模式放大倍数进行采集，将普通放大倍数图片和高精度模式放大倍数图片进行处理，得到对应的茎秆结构，作为茎秆结构的高低分辨率图像对；(1.2)采集测试数据；对植株扫描获取大面积较低分辨率的采集图像；步骤(2)，具体包括以下子步骤：(2.1)基于去噪扩散模型进行超分辨网络训练；低分辨率CT输入图片为LR，HR是对应的原始高分辨率CT图片，将LR经过一个预训练编码器模型后得到初始预测高分辨率图片，输入到Unet网络中；UP(LR)是直接对低分辨率进行bicubic双三次上采样后的图片，在扩散过程中数据初始状态/>为HR图像与上采样图片UP(LR)的差值，包含了高频信息；扩散过程直接基于/>来对任意/>步的/>进行采样, 通过扩散过程的特性，即采样时间步为/>时的方差/>，实际采样噪声/>，直接获得/>的噪声图，其中/>属于均匀分布，即，/>, 其中，其中/>为每一步所采用的方差，介于0到1之间；在训练过程中，将/>，/>与/>一样输入到Unet网络中，得到估计噪声/>，并与实际采样噪声/>进行比较，通过估计噪声计算损失/>，对噪声估计网络进行训练优化，最小化损失函数，最终得到满足收敛条件的估计噪声/>；(2.2)对低分辨率图像进行超分辨推断，获得高分辨率图片；每步的仅能由上一步过程获得；将LR图像通过Encoder获得的隐变量/>加入条件噪声预测器，来引导对应的HR信息生成，同时初始随机采样的噪声图/>和/>作为Unet的输入，计算获得第/>步估计得到的噪声/>，然后加入随机采样的扰动，通过下式计算得到/>的噪声图：，其中，以此循环直至得到/>，最后/>和LR经过上采样的图像UP(LR)进行相加最后得到高分率CT图片SR；步骤(3)，具体包括：(3.1)将处理好的高分辨率图像进行数据增广处理，用对比度增强手段模拟不同的扫描参数，利用随机旋转来模拟扫描时的不同摆位姿势，加入随机上下翻转和归一化操作，归一化表达式为：，其中/>为输入图像，/>为归一化后的图像，/>和/>分别是输入图像的最大像素值和最小像素值；(3.2)获取大豆茎秆CT图像的不同组织分割；将处理后的图像输入到开源的基于深度学习的预训练图像分割网络中进行训练调优，以适配大豆茎秆的CT图像，通过训练调优的分割网络获取大豆茎秆CT图像的不同组织分割；步骤(4)，具体包括：(4.1)获取连续的网格化三维曲面；汇集分割后的CT图像区域，获取大豆茎秆组织的三维体数据，使用二次函数采样方式对三维体数据内部重采样和数据压缩；使用MarchingCubes算法提取等值面，计算表面法线，获取三角面片，将三角面片拼接起来形成连续的网格化三维曲面；(4.2)计算表型参数；对网格化三维曲面进行厚度、夹角、表面积、体积参数计算，获取分割区域的表型参数，精准获取植株内部表型数据。 百度搜索马 克 数 据 网