Effiziente Merkmalsextraktion für eine Echtzeit- Bilddatenauswertung der ultraschnellen Röntgentomographie


Effiziente Merkmalsextraktion für eine Echtzeit- Bilddatenauswertung der ultraschnellen Röntgentomographie

Boesler, M.

In dieser Arbeit wurde eine Bildverarbeitungsstrategie entwickelt, die eine automatische Erkennung von Objekten in Bildern der ultraschnellen Elektronenstrahl Röntgentomographie ermöglicht. Diese basiert auf einer pixelorientierten Segmentierung des geglätteten dynamischen Bildanteils.
Dabei wurden in der Auswahl der Algorithmen die problemspezifischen Voraussetzungen und Anforderungen, insbesondere an den Rechenaufwand und die Parallelisierbarkeit, berücksichtigt. Die entwickelte Bildverarbeitungsstrategie wurde an simulierten Bildern validiert. Dabei wurde zuerst eine für den betrachteten Parameterbereich optimale Filtergröße von 2 in z-Richtung bestimmt, sodass Objekte im Rahmen des gewählten Parameterbereiches sicher detektiert werden. Schließlich wurde der Einfluss unterschiedlicher Signal-Rausch-Verhältnisse, realisiert durch verschiedene Rauschamplituden, untersucht. Dabei hat sich gezeigt, dass die automatische Auswahl des Algorithmus zur Schwellwertbestimmung und eine damit zusammenhängende Fehleinschätzung der Pixelzahlen erheblich vom Signal-Rausch-Verhältnis abhängt. Abschließend wurde der Einfluss der Bildqualität, hervorgerufen durch eine Anpassung der Rekonstruktionsparameter, auf die Funktionsfähigkeit der Bildverarbeitungsstrategie studiert. Hierbei wurde festgestellt, dass eine Änderung der Zahl virtueller Parallelprojektionen qualitativ mit der Variation der Rauschamplitude übereinstimmt. Des Weiteren konnte beobachtet werden, dass sich eine geringere Bildauflösung auswirkt, als würde man kleinere Objekte betrachten.

Keywords: ultrafast X-ray; computed tomography; image processing; segmentation

  • Bachelor thesis
    TU Chemnitz, 2018
    Mentor: Dominic Windisch, Martina Bieberle, Guido Juckeland, Sibylle Gemming
    35 Seiten

Permalink: https://www.hzdr.de/publications/Publ-28001
Publ.-Id: 28001