异常图像范文（精选4篇）

异常图像 第1篇

1 故障现象

图像读取成功后,后处理工作站中登记生成的文档里没有图像,状态栏提示未完成、处理过程中,同时计算机自动生成一个前一患者的文件档,图像传入其中。

2 故障原理

CR系统包括暗盒、登记工作站、ID打号台、扫描仪及后处理工作站等硬、软件,它们之间通过网络进行信号传输(见图1),任何环节出现异常都会影响系统的正常运行。图像传输异常可能原因有:(1)工作站软件系统故障;(2)扫描仪图像信息采集或输出异常;(3)暗盒登记故障。

3 故障分析与检修

针对此现象,我们首先排除软件系统出现故障的可能。对登记及后处理工作站进行杀毒并重装相关软件,试运行1周后,故障依旧,只是出现的频率相对减少。

排除工作站系统故障的可能性后,我们需要分析扫描仪是否存在故障。鉴于所有设备正常运行,均未出现任何错误提示,优先考虑暗盒登记打号时出现异常。我科有3套AGFA CR系统,它们之间只是打号台(ID Tablet)的配置不一样,其中2套为ID Tablet-5162/XXX型,另1套为ID Tablet-4406/8XX型(5162/XXX型为4406/8XX型打号台的升级版)。出现图像传输异常故障系统的打号台为5162/XXX型,其他2套未出现该异常现象。将3台打号台进行观察比较,我们发现5162/XXX型打号台除具有电源输入线和信号输入线外,还比4406/8XX型打号台多1根USB接口输入线;而2台5162/XXX型打号台的区别在于出现异常现象的打号台在电源输入线和信号输入线连接主机的基础上还将USB接口输入线与主机相连。鉴于3套系统每次都能正常标识数据,初步考虑是USB接口输入线的原因。我们将3根线随机组合连接实验后,只有当信号输入线与USB接口输入线同时连接时才出现上述现象,将出现异常现象的系统断开USB接口输入线的连接,观察3个月后,至今未出现上述现象。

后来详细查阅厂家提供的系统质量控制手册,5162/XXX型打号台当用于“向后兼容”时(即在原软件的基础上直接将打号台进行升级处理),只能使用电源输入线和信号输入线,避免USB接口输入线的双重作用对信号输入线的干扰。因此,我们认为5162/XXX型打号台只能同时使用电源输入线和信号输入线,USB接口输入线作为信号备用线。

4 小结

设备出现故障或异常现象时,尽量遵照“先简单后复杂,先软件后硬件”的原则,在设备无错误提示的情况下首先注意设备间的连接线路是否存在问题[1],将故障分析与检修的过程规律化、程序化。同时需要参照厂家提供的设备相关指导手册,按照提示进行分析和故障排除。而且应与院方工程师、厂家工程师及专业维修公司3方人员[2]进行积极沟通,避免盲目地拆卸,提高检修效率。

参考文献

[1]王英.浅谈医用电气设备的检修方法[J].医疗卫生装备,2007,28(9):89.

显微镜摄像系统图像异常故障的排除 第2篇

在显微镜摄像系统中, 常见的图像异常有以下几方面:

1 图像污点固定

1.1 故障现象

监视器、影像工作站的画面中某部位始终有污点且固定不动。

1.2 分析与排除

该类故障多由经常拆卸物镜以及CCD的光学接口, 导致静电吸附灰尘或血迹骨粉等脏物, 溅至显微镜的物镜或CCD光学接口而引起。用蘸有生理盐水的棉签擦拭相应部位后, 迅速用干棉签再次擦拭 (以防止水渍形成) , 即可排除该类故障。

2 图像太亮

2.1 故障现象

目镜中视野的亮度已非常低, 但监视器或影像工作站画面中的亮度仍然超过正常亮度。

2.2 分析与排除

引起该类故障的主要原因有: (1) 显微镜摄像系统的滤光片放在最高挡, 导致CCD进光太多; (2) 影像工作站视频参数中亮度的参数值设置过高。检查相应部位的设置并予以调整即可排除故障。

3 图像偏色

3.1 故障现象

图像严重偏色或呈黑白色。

3.2 分析与排除

导致该类故障的原因可能有: (1) 术前准备工作中没有调节CCD的自动白平衡; (2) 依据个人习惯, 多人多次随意调节监视器或影像工作站中的亮度、对比度及饱和度; (3) PAL/NTSC制式选择不对; (4) RGB信号线有断路[2]。依据上述可能产生偏色的原因, 解决的方法依次为: (1) 将显微镜对焦白纱布或白纸, 按下White balance键; (2) 将监视器或影像工作站中的亮度、对比度、饱和度恢复为出厂设置; (3) 选择相应的制式; (4) 更换RGB连接线。

4 图像显示不全

4.1 故障现象

监视器中的画面有图像但画面中的某部位显示为黑色。

4.2 分析与排除

该类故障是由于显微镜的放大倍数旋转轴、显微镜摄像模块中的滤光片没有归位, 阻碍部分光路而引起。将相应的部位归位即可排除故障。

5 图像黑屏

5.1 故障现象

监视器中的画面整体显示为黑色。

5.2 分析与排除

引起该类故障的原因可能有: (1) CCD模块无供电, 特别是显微镜内置CCD更不易观察; (2) 放大倍数旋钮不归位, 导致旋转轴完全阻碍光路; (3) 视频连接线与CCD、监视器等设备的输入/输出口接触不良或连接线损坏; (4) CCD损坏不工作, 特别是内窥镜CCD的光学接口至CCD主机的视频信号传送线损坏; (5) CCD主机视频信号经VideoS-Video视频连接线同时输出在监视器的A、B、RGB 3个信号通道中的某一通道; (6) 监视器、影像工作站中的视频通道选择不正确。解决该类故障的方法多为排除法, 逐一排除可能产生该故障的因素, 即可排除故障。

综上所述, 显微镜摄像系统图像异常的故障多发生在手术中, 维修人员还需要不断积累经验、不断学习, 才能快速地判断和排除故障, 尽可能减少对手术进程的影响。

参考文献

[1]郭玉军.手术显微镜的基本结构与使用保养[J].医疗装备, 2001, 14 (1) :31-32.

异常图像 第3篇

目前, 在铁路广泛应用的铁路车辆图像检测设备[1]主要是货车故障轨边图像检测系统 (TFDS) [2]和客车故障轨边图像检测系统 (TVDS) [3], 动车组故障轨边图像自动检测系统 (TEDS) 对运行中的动车组进行多方位多角度拍摄, 采集动车组底部可视部件、侧部可视部件图像, 采用图像自动识别技术, 实现故障自动报警[4,5]。

本文主要研究TEDS系统中对于动车底部的故障识别算法, 通过轮轴定位解决车底图像拉伸畸变问题, 运用SURF算法客服光照环境影响, 通过图像处理达到对车底故障检测识别的目的。

一、算法构成

本文研究TEDS系统中的图像处理过程, 通过TEDS系统采集到的动车底部图像设计算法, 进行故障识别。本文设计的故障识别算法由畸变处理、图像配准、比对及结果筛选四部分构成。

1.1 畸变处理。解决车速控制带来的图像畸变问题是整个系统的基础, 车底图像的故障主要是车速不均匀带来的图像拉伸和压缩。

考虑到每节车厢都有轮轴, 且分布在列车车厢的两端, 可以采用轮轴的位置信息与历史轮轴的位置信息比对, 来对每节车厢进行局部缩放以矫正畸变。

1.2 图像配准

1.2.1 配准方法选择。将畸变处理后的图像重新进行切割, 但编号相同的图像仍然存在一定的偏移, 即需要对图像进行配准。

常规的配准方法大致分为三类: (1) 基于图像灰度的配准算法; (2) 基于图像特征的配准算法; (3) 基于模型的匹配方法。基于图像特征提取了图像的显著特征, 大大压缩了图像的信息量, 使得计算量小, 速度较快, 而且它对图像灰度的变化不敏感。因此本算法中采用了基于特征点的配准算法。

基于图像特征的匹配算法中, SIFT和SURF对于度变化、旋转、缩放的不变性, 而SURF是经典的SIFT算法的加速版, 车底图像数量多, 为保证处理的实时性, 本算法采用了SURF算法, 它能在在适中的条件下完成两幅图像中物体的匹配, 基本实现实时处理。

1.2.2 SURF算法优势。SURF算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理, 其快速的基础实际上只有一个——积分图像haar求导。

SIFT采用的是DOG图像, 而SURF采用的是Hessian矩阵行列式近似值图像。

图像中检测到的SURF特征点很多, 因此需要找出能够正确匹配的特征点, 利用这些特征点才能达到配准的效果。

经实验验证, 在对同样大小的车底图片进行配准的过程中, SIFT算法用时 (7.263s) 比SURF算法用时 (4.182s) 多;SIFT算法得到的匹配点中, 错误匹配点出现的概率比SURF多。因此, 本文选取了SURF算子作为匹配采用的特征检测算子。

1.2.3 针对车底图像的改进。针对动车底中间部特征点较少的情况, 还需要对上述的过程加入阈值的自适应过程。在K邻近法匹配阈值测试时, 若阈值过大, 则会产生较多的错误匹配点, 若阈值过小, 则会剔除太多匹配点, 尤其是在中间部特征点较少的情况下, 剔除的点对过多可能会导致后面的步骤中没有通过筛选的特征点对。因此在对称性测试之后应当加上一个空集检查, 如果已经剔除了所有特征点对, 即匹配集合是个空集时, 应当适当加大阈值, 重新进行匹配。

对所有匹配成功的特征点, 求出其y方向的偏移量, 经过分段缩放畸变校正后的图像直接利用这个偏移量对图像进行平移配准, 以便后面的比对步骤识别故障。

1.3 比对。经过畸变校正和配准之后的图像直接作差的结果会存在大量的噪点、微小形变带来的细条状区域等干扰因素, 因此不能直接用作差的图像来判定故障, 需要对其进行进一步的处理。通过作差、二值化、中值滤波和形态学闭运算一系列流程可以达到去噪的目的。

1.4 比对结果筛选

1.4.1 故障类型及特征分析。系统需要检测的故障主要有两类:①螺栓丢失;②盖板丢失。针对这两类故障, 将进行上述处理之后的图像进行连通域分析。螺栓丢失造成的连通域, 应当是面积较小, 且轮廓较圆, 即周长面积之比在近似同等面积的连通域中相对较大。盖板丢失造成的连通域, 一般来说面积比较大, 成块分布, 且纹理信息丰富。

除故障会带来差异之外, 还应当考虑光照带来的大块光斑和车底的风扇转动造成的干扰, 在大连通域的范围内剔除这两种干扰情况。

1.4.2 故障判定算法设计。对于风扇转动、光照变化和盖板丢失的情况, 可以根据其边缘点数目以及直方图相似度来加以区分。风扇附近的边缘非常丰富, 比螺栓和盖板的边缘点数目大1~2 个数量级, 因此可由边缘点数目将风扇剔除。

光照和盖板丢失的分辨, 可以采用直方图相似度分析的方法。历史图像和测试图像的光照变化局部区域明暗变化较大, 光照变化带来的直方图巴氏距离较大, 而相对来说盖板丢失前后的局部区域直方图巴氏距离较小, 因此可以将盖板丢失和光照变化区分开。

二、实验结果

按照本文所设计的算法流程, 采用C++ 和OPENCV平台对实地拍摄的轨边车底图像验证结果如下图:

三、结论

本文所描述的系统由畸变校正、图像配准、图像比对和比对结果筛查几个部分构成。经华兴公司实地拍摄的轨边车底图像验证, 本文所设计的故障检测系统可以检测到车底的螺栓丢失, 盖板丢失故障, 并且可以基本排除光照带来的光斑干扰和风扇转动带来的干扰。

参考文献

[1]刘瑞扬, 张运刚, 李百泉等.货车滚动轴承早期故障轨边声学诊断系统 (TADS) 的原理与应用[J].铁道车辆, 2004, 42 (10) :30-34.

[2]蒋利容.机车底部故障图像识别技术研究[D].西南交通大学, 2013.

[3]任艳玲.铁路货车运行故障动态图像检测系统 (TFDS) 的实际应用及检测方法[J].内蒙古科技与经济, 2013, 18:96-97.

[4]曹润国.线扫描客车故障轨边图像检测系统的研究与应用[J].铁道车辆, 2012, 50 (11) :40-42, 44.

异常图像 第4篇

在高光谱图像中, 图像具有高光谱分辨率和低空间分辨率, 也就造成了图像中可能含有大量的亚像元目标, 目前的检测算法主要是在假设图像数据服从某种几何模型或者统计模型的基础上构造算子, 如RX算子、KRX算子、约束能量最小算子等, 但是这些算法并没有考虑到亚像元目标的特殊性, 所以针对亚像元目标的检测效果并不理想。现针对高光谱图像中亚像元目标的特殊性, 提出了一种新的检测算法, 首先使用主成分分析构造投影矩阵算子, 将原始高光谱数据投影到背景空间, 实现抑制背景的目的, 然后使用正交子空间投影对投影后高光谱数据进行端元提取, 得到异常目标的端元光谱, 最后使用光谱角度匹配技术对图像进行异常检测, 最后将检测结果与其他方法比较, 验证本文方法的有效性。

1 基于端元提取的亚像元目标异常检测原理

1.1 背景抑制方法

在高光谱图像中, 背景对检测结果的影响较大, 为了尽可能消除背景对目标检测的影响, 现使用主成分分析法抑制背景[3]。主成分分析法又称K-L变换, 是一种数学变换方法, 其实质是均方差最小意义上的最佳正交变换, 该变换采用线性投影的方法将图像投影到新的坐标空间中, 使投影得到的成分按照信息量分布排列, 其中投影得到的第一主成分信息量最大, 第二主成分次之, 信息量依次减少。经过主成分变换后, 高光谱图像的海量数据将保存在前几个主成分之中。而且经过主成分变换后, 高光谱图像中的大部分背景信息可以得到抑制, 可以很好地表现亚像元目标信息。

具体步骤是对高光谱图像进行主成分分析, 计算高光谱图像的特征值和相应的特征向量, 取其中的前N个特征值对应的特征向量构成背景向量B作为原始高光谱图像的背景信息, 并利用B构造正交投影算子, 其公式为

式 (1) 中, I为p×p的单位矩阵, p为高光谱图像数据的波段数。

高光谱图像数据按照式 (2) 进行变换, 可以得到变换后高光谱图像数据。

式 (2) 中, X为原始高光谱图像数据, P为式 (1) 中构造的正交投影算子, Y为高光谱图像的变换后数据。经过变换后的数据中背景信息会获得抑制, 而亚像元目标信息也会得到增强, 更有利于下一步的端元提取, 并可以有效提高异常检测的效果。

1.2 正交子空间投影算法

线性光谱混合模型具有结构简单、物理意义明确的优点, 得到了广泛的应用。根据线性光谱混合模型可知[4], 混合像元是由图像中的不同地物的端元及其对应的丰度线性组成, 线性混合模型可以表示为

式 (3) 中, H是波段数为L的高光谱混合像元的图像, M是LP的光谱特征矩阵, 向量M=[M1, M2, ……, MP]为P个端元向量, 为端元列向量所对应的丰度向量, n为L维的噪声或者误差。

现使用正交子空间投影方法对投影后图像进行端元提取, 式 (3) 又可以分解为

式 (4) 中, d是感兴趣目标的光谱向量, F为不感兴趣的光谱向量, 也就是背景向量。设计一个投影算子PU, 投影算子PU按照式 (5) 求出

式 (5) 中, I为p×p的单位矩阵, U为投影后得到的高光谱数据。

将构造的投影算子PU应用到式 (4) , 得到模型如式 (6) 所示。

式 (6) 中, r为单个像素。通过对抑制背景后的高光谱数据再次进行背景抑制之后, 引入滤波算子T, 该算子为1×L大小的向量, 将T应用到模型中, 通过输出信号信噪比最大化实现端元向量的提取。

由式 (7) 得到信噪比函数为

式 (8) 中, 为噪声的标准差。通过计算信噪比的最大值可以得到OSP探测算法的算子, 表示为

1.3 光谱角度匹配方法

对高光谱图像数据端元提取之后, 使用光谱角度匹配方法进行异常检测[6]。光谱角度匹配方法是通过计算光谱向量之间的广义夹角来判断各个向量之间的相似程度。当计算出来的角度为0时, 说明两个光谱向量相同, 当角度为π/2时, 两个光谱向量的差别最大。光谱角度的计算公式为

算法流程图如图1所示。

2 实验结果与分析

2.1 数据描述

仿真实验所用的高光谱数据是由AVIRIS传感器获取的高光谱图像, 图像覆盖了从可见光到短波红外的光谱范围, 除去水的吸收带和噪声波段后, 共189波段, 每波段图像大小为100×100, 其中第7波段如图2 (a) 所示, 地面目标分布图如图2 (b) 所示。

2.2 实验结果与分析

首先对高光谱数据进行归一化处理, 然后将其投影到背景空间中, 抑制其背景信息。在实验中, 取N=3, 也就是取占图像总信息量99%的前三个特征向量构造所需要的投影算子。投影后图像第7波段如图3所示。

由图3可知, 经过主成分分析之后, 图像背景信息可以得到抑制, 但是并没有被完全抑制, 大面积的背景仍然存在, 对亚像元目标的检测结果仍然会有影响。然后使用正交子空间投影对高光谱图像进行端元提取, 由于端元数目从2之后所得到的端元曲线都与前两个端元曲线重复, 所以不再给出[7]。该高光谱图像的端元光谱曲线如图4所示。

然后使用光谱角度匹配方法对高光谱图像进行异常检测, 得到一幅灰度图像, 灰度越低代表相似度越高, 也就是光谱角度越小[6], 将光谱角度匹配结果融合成一幅图像, 然后使用阈值分割方法将灰度图转化为二值图, 检测结果图如图5所示。

为证明方法的有效性, 将该方法与KRX算法[8]和将图像进行主成分分析投影之后进行KRX检测 (PCA-KRX) [9]进行比较。后两种方法的二值图如图6所示。三种方法的ROC曲线如图7所示。

从图中经过主成分分析法抑制背景之后进行检测得到的异常检测结果要略好于未经过抑制背景处理的检测方法, 而且可以看出方法明显好于其他两种方法。

3 结论

提出了首先对高光谱图像数据使用主成分分析法进行投影处理, 达到背景抑制的目的, 然后对抑制后的图像进行基于端元提取的异常检测, 可以有效解决图像背景复杂、存在亚像元目标的问题, 并对亚像元目标具有较好的检测结果。该方法的计算简单, 耗时较短, 在高光谱图像异常检测方面具有较好的应用。

参考文献

[1] 罗文斐, 钟亮, 张兵, 等.高光谱遥感图像端元提取的零空间光谱投影算法.红外与毫米波学报, 2010;29 (4) :307—311Luo Wenfei, Zhong Liang, Zhang Bing, et al.Null space spectral projection algorithm for hyperspectral image endmember extraction.J Infrared Millim Waves, 2010;29 (4) :307—311

[2] Ma L, Crawford M M, Tian J W.Anomaly detection for hyperspectral images based on robust locally linear embedding.Journal of Infrared, Millimeter, and Terahertz Waves, 2010;31 (6) :753—762

[3] Wang Yulei, Zhao Chunhui, Wang Ying.Anomaly detection using subspace band section based RX algorithm.IEEE International Conference on Digital Object Identifier, 2011:3436—3439

[4] Li Huali, Zhang Liangpei.A hybrid automatic endmember extraction algorithm based on a local window.Transactions on Geoscience and Remote Sensing, 2011;49 (11) :4223—4238

[5] Jia S, Qian Y.Constrained nonnegative matrix faetorization for hyperspeetral unmixing.IEEE Trans.Geosci Remote sens, 2009;47 (1) :161 —173

[6] 寻丽娜, 方勇华, 李新.高光谱图像中基于端元提取的小目标检测算法.光学学报, 2007;27 (7) :1178—1182Xun Lina, Fang Yonghua, Li Xin.A small target detection approach based on endmember extraction in hyperspectral image.Acta Optica Sinica, 2007;27 (7) :1178—1182

[7] 李娜, 赵慧洁.基于形态学与正交子空间投影的端元提取方法.北京航空航天大学学报, 2010;36 (12) :1457—1460Li Na, Zhao Huijie.Endmember extraction method based on morphology and orthogonal subspace projection.Journal of Beijing University of Aeronautics and Astronautics, 2010;36 (12) :1457—1460

[8] 赵春晖, 李杰, 梅锋.核加权RX高光谱图像异常检测算法.红外与毫米波学报, 2010;29 (5) :378—392Zhao Chunhui, Li Jie, Mei Feng.A kneral weighted RX algorithm for anomaly detection in hyperspectral imagery.J Infrared Millim Waves, 2010;29 (5) :378—392