本發(fā)明屬于核輻射圖像處理，具體涉及基于人工智能分析的核輻射圖像增強(qiáng)系統(tǒng)。

背景技術(shù)：

1、近年來(lái)，隨著核輻射監(jiān)測(cè)技術(shù)的發(fā)展，各類探測(cè)器及成像技術(shù)在核安全、環(huán)境監(jiān)測(cè)及醫(yī)學(xué)成像等領(lǐng)域的應(yīng)用得到了廣泛關(guān)注。特別是伽馬相機(jī)和中子成像儀的同步應(yīng)用，使得多模態(tài)核輻射成像成為可能，能夠同時(shí)獲取伽馬輻射與中子輻射的圖像數(shù)據(jù)，提供了對(duì)核輻射源得更為全面的分析。然而，現(xiàn)有技術(shù)中仍然面臨一些挑戰(zhàn)，例如圖像獲取過(guò)程中的噪聲問(wèn)題、圖像缺失區(qū)域的補(bǔ)全困難以及不同輻射源特征的融合問(wèn)題。這些問(wèn)題嚴(yán)重影響了輻射監(jiān)測(cè)的準(zhǔn)確性和實(shí)時(shí)性，阻礙了在實(shí)際應(yīng)用中的有效應(yīng)用。因此，發(fā)展一種高效的核輻射圖像增強(qiáng)系統(tǒng)，尤其是結(jié)合人工智能技術(shù)進(jìn)行圖像處理，以提高圖像質(zhì)量、增強(qiáng)輻射源的識(shí)別能力，成了亟待解決的重要課題。

2、在現(xiàn)有技術(shù)中，大多數(shù)圖像增強(qiáng)方法仍依賴于傳統(tǒng)圖像處理技術(shù)，如濾波、直方圖均衡化等，這些方法在處理具有強(qiáng)噪聲和缺失信息的核輻射圖像時(shí)，往往效果不佳。此外，現(xiàn)有的圖像增強(qiáng)系統(tǒng)缺乏對(duì)輻射強(qiáng)度區(qū)域的智能化動(dòng)態(tài)分區(qū)管理，這導(dǎo)致了高、中、低輻射區(qū)的處理不夠精細(xì)，可能引發(fā)對(duì)核輻射監(jiān)測(cè)的誤判。通過(guò)分析現(xiàn)有技術(shù)的不足之處，可以看出，基于人工智能的圖像增強(qiáng)方法能夠有效克服這些限制。

3、針對(duì)上述現(xiàn)有技術(shù)的不足，我方發(fā)明提供了一種創(chuàng)新的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問(wèn)題，本發(fā)明解決的技術(shù)問(wèn)題：在核輻射圖像中，由于探測(cè)器的限制和環(huán)境因素，常常會(huì)出現(xiàn)盲區(qū)和噪聲干擾，導(dǎo)致圖像信息不完整。

2、具體為：如何動(dòng)態(tài)劃分圖像中的輻射強(qiáng)度區(qū)域，并針對(duì)不同區(qū)域采用合適的處理方法，以確保圖像的準(zhǔn)確性和可靠性；如何有效融合來(lái)自不同成像設(shè)備的數(shù)據(jù)，提升圖像質(zhì)量，使得核素信息更清晰可辨，便于后續(xù)分析和判斷。

3、為解決上述技術(shù)問(wèn)題，提出了基于人工智能分析的核輻射圖像增強(qiáng)系統(tǒng)，包括數(shù)據(jù)采集模塊和圖像增強(qiáng)模塊；

4、數(shù)據(jù)采集模塊，采集多模態(tài)核輻射圖像數(shù)據(jù)，同步記錄伽馬相機(jī)與中子成像儀的物理參數(shù)元數(shù)據(jù)；

5、圖像增強(qiáng)模塊，包括圖像補(bǔ)全單元、圖像壓縮單元、圖像融合單元以及圖像矯正單元；

6、圖像補(bǔ)全單元，將采集的圖像輸入雙階段生成對(duì)抗網(wǎng)絡(luò)，首階段生成器補(bǔ)全缺失區(qū)域并輸出初始補(bǔ)全圖像，次階段生成器進(jìn)行紋理修復(fù)；

7、圖像壓縮單元，對(duì)輸出的初步完整圖像進(jìn)行輻射強(qiáng)度分區(qū)，動(dòng)態(tài)劃分高、中、低三個(gè)輻射強(qiáng)度區(qū)域，分別采用對(duì)數(shù)變換和局部直方圖均衡化組合策略進(jìn)行壓縮；

8、圖像融合單元，將壓縮后的圖像輸入雙通道神經(jīng)網(wǎng)絡(luò)，所述雙通道神經(jīng)網(wǎng)絡(luò)包括物理特征通道和視覺(jué)特征通道，物理特征通道解析伽馬能譜特征峰位置，視覺(jué)特征通道提取紋理特征，通過(guò)空間對(duì)齊模塊融合兩通道特征圖；

9、圖像矯正單元，基于圖像融合單元輸出的融合兩通道特征圖，進(jìn)行空間特征解析，匹配預(yù)存的幾何畸變參數(shù)集進(jìn)行非線性校正；

10、圖像補(bǔ)全單元將校正后的圖像輸入雙階段生成對(duì)抗網(wǎng)絡(luò)的次階段生成器中，根據(jù)預(yù)訓(xùn)練的優(yōu)化紋理細(xì)節(jié)，輸出最終增強(qiáng)圖像。

11、作為本發(fā)明所述的基于人工智能分析的核輻射圖像增強(qiáng)系統(tǒng)的一種優(yōu)選方案，其中：所述數(shù)據(jù)采集模塊包括，采用伽馬相機(jī)與中子成像儀組成的同步采集裝置，同步采集生成時(shí)間戳對(duì)齊的伽馬輻射圖像和中子輻射圖像，同時(shí)獲取物理參數(shù)元數(shù)據(jù)；

12、將所述伽馬輻射圖像和所述中子輻射圖像進(jìn)行拼接，獲得拼接圖像數(shù)據(jù)輸入至圖像增強(qiáng)模塊中。

13、作為本發(fā)明所述的基于人工智能分析的核輻射圖像增強(qiáng)系統(tǒng)的一種優(yōu)選方案，其中：所述圖像補(bǔ)全單元包括，采用雙階段生成對(duì)抗網(wǎng)絡(luò)包含首階段生成器和次階段生成器；

14、首階段生成器接收伽馬輻射圖像與中子輻射圖像的拼接圖像數(shù)據(jù)，操作人員選擇待修復(fù)區(qū)域的置信度閾值，生成器根據(jù)閾值動(dòng)態(tài)調(diào)整補(bǔ)全區(qū)域的結(jié)構(gòu)生成強(qiáng)度進(jìn)行卷積核的選擇和選擇相鄰區(qū)域輻射強(qiáng)度梯度特征或中子輻射圖像進(jìn)行補(bǔ)全方法分配，首階段輸出初始補(bǔ)全圖像；

15、所述次階段生成器將首階段生成器生成的初始補(bǔ)全圖像進(jìn)行紋理補(bǔ)全的優(yōu)化。

16、作為本發(fā)明所述的基于人工智能分析的核輻射圖像增強(qiáng)系統(tǒng)的一種優(yōu)選方案，其中：所述圖像壓縮單元包括，對(duì)輸出的初始補(bǔ)全圖像進(jìn)行輻射強(qiáng)度分區(qū)，進(jìn)行線性歸一化，映射到標(biāo)準(zhǔn)輻射強(qiáng)度單位，生成與輸入圖像同尺寸的全圖輻射強(qiáng)度分布矩陣，根據(jù)全圖輻射強(qiáng)度分布矩陣計(jì)算全局基準(zhǔn)值和空間梯度；

17、當(dāng)將連續(xù)像素塊中滿足全圖輻射強(qiáng)度分布矩陣大于全圖像素標(biāo)準(zhǔn)差與全局基準(zhǔn)值之和時(shí)，將當(dāng)前區(qū)域標(biāo)記為高輻射區(qū)，對(duì)高輻射區(qū)采用自適應(yīng)對(duì)數(shù)變換壓縮；

18、當(dāng)全圖輻射強(qiáng)度分布矩陣小于等于全圖像素標(biāo)準(zhǔn)差與全局基準(zhǔn)值之和且大于等于全局基準(zhǔn)值與全圖像素標(biāo)準(zhǔn)差之差時(shí)，將當(dāng)前區(qū)域標(biāo)記為中輻射區(qū)；當(dāng)全圖輻射強(qiáng)度分布矩陣小于全局基準(zhǔn)值與全圖像素標(biāo)準(zhǔn)差之差時(shí)，將當(dāng)前區(qū)域標(biāo)記為低輻射區(qū)；對(duì)中低輻射區(qū)采用局部直方圖均衡化窗口尺寸根據(jù)輻射強(qiáng)度進(jìn)行壓縮；

19、對(duì)中輻射區(qū)和低輻射區(qū)在相鄰區(qū)域邊界生成寬度可調(diào)的過(guò)渡帶，對(duì)過(guò)渡帶處理采用半透明色帶標(biāo)注過(guò)渡帶范圍，對(duì)過(guò)渡帶內(nèi)像素的壓縮強(qiáng)度進(jìn)行線性插值。

20、作為本發(fā)明所述的基于人工智能分析的核輻射圖像增強(qiáng)系統(tǒng)的一種優(yōu)選方案，其中：所述圖像融合單元包括，將壓縮后的圖像輸入雙通道神經(jīng)網(wǎng)絡(luò)，包含物理特征、視覺(jué)特征通道，通過(guò)空間對(duì)齊模塊融合兩通道特征圖；

21、所述物理特征通道解析伽馬能譜特征峰位置，根據(jù)伽馬輻射圖像包含的放射性核素特征能譜數(shù)據(jù)選取特征峰位置，調(diào)用初始補(bǔ)全圖像的補(bǔ)全區(qū)域的結(jié)構(gòu)生成強(qiáng)度參數(shù)，對(duì)補(bǔ)全區(qū)域的能譜特征峰位置施加補(bǔ)償偏移量，生成補(bǔ)償后的物理特征圖；

22、所述視覺(jué)特征通道提取紋理特征，對(duì)補(bǔ)全區(qū)域的紋理特征設(shè)置提取權(quán)重，生成加權(quán)后的視覺(jué)特征圖；

23、在補(bǔ)償后的物理特征圖和加權(quán)后的視覺(jué)特征圖中構(gòu)建二維坐標(biāo)系，將補(bǔ)償后的物理特征圖的能譜峰位置坐標(biāo)與加權(quán)后的視覺(jué)特征圖的紋理質(zhì)心坐標(biāo)進(jìn)行匹配，對(duì)非補(bǔ)全區(qū)域采用剛性配準(zhǔn)，補(bǔ)全區(qū)域采用彈性形變配準(zhǔn)，輸出配準(zhǔn)誤差圖進(jìn)行人工復(fù)核，誤差超限區(qū)域返回圖像補(bǔ)全單元階段重新生成，輸出匹配后融合特征圖。

24、作為本發(fā)明所述的基于人工智能分析的核輻射圖像增強(qiáng)系統(tǒng)的一種優(yōu)選方案，其中：所述圖像校正單元包括，基于輸出的融合特征圖，進(jìn)行空間特征解析，提取畸變特征，在融合特征圖上疊加等間距正交線陣，跟蹤特征峰值的網(wǎng)格交點(diǎn)偏移量，識(shí)別徑向畸變和切向畸變；

25、通過(guò)擬合偏移量-半徑平方曲線計(jì)算徑向畸變系數(shù)；通過(guò)計(jì)算特征點(diǎn)切向偏移矢量的平均值確定切向畸變系數(shù)；

26、構(gòu)建包含徑向畸變敏感通道與切向畸變敏感通道的雙流卷積網(wǎng)絡(luò)；

27、建立幾何畸變參數(shù)知識(shí)庫(kù)，存儲(chǔ)典型工況下的校正參數(shù)組合，將特征解析層輸出的徑向畸變或切向畸變特征向量與知識(shí)庫(kù)進(jìn)行余弦相似度計(jì)算，選取相似度最高的前3組參數(shù)組合，對(duì)選取的參數(shù)組合進(jìn)行加權(quán)平均，權(quán)重由各組合的歷史校正成功率動(dòng)態(tài)調(diào)整，根據(jù)徑向畸變系數(shù)與切向畸變系數(shù)實(shí)行自動(dòng)校正策略，根據(jù)校正后的坐標(biāo)進(jìn)行調(diào)整，輸出校正后的圖像數(shù)據(jù)。

28、作為本發(fā)明所述的基于人工智能分析的核輻射圖像增強(qiáng)系統(tǒng)的一種優(yōu)選方案，其中：所述圖像補(bǔ)全單元還包括，圖像補(bǔ)全單元采用的雙階段生成對(duì)抗網(wǎng)絡(luò)中的次階段生成器接收矯正后的圖像數(shù)據(jù)；

29、建立共享紋理特征庫(kù)，存儲(chǔ)典型工況下的標(biāo)準(zhǔn)紋理模板，根據(jù)矯正后的圖像數(shù)據(jù)與共享紋理特征庫(kù)的關(guān)聯(lián)映射關(guān)系，自動(dòng)選擇匹配度最高的標(biāo)準(zhǔn)紋理模板，匹配過(guò)程依據(jù)以下優(yōu)先順序：

30、第一優(yōu)先級(jí)為當(dāng)前處理圖像中已識(shí)別核素對(duì)應(yīng)的標(biāo)準(zhǔn)紋理，第二優(yōu)先級(jí)為相似輻射強(qiáng)度分布的歷史案例紋理，第三優(yōu)先級(jí)為通用放射性物質(zhì)基礎(chǔ)紋理；

31、次階段生成器接收校正后的圖像數(shù)據(jù)及匹配的紋理模板，對(duì)補(bǔ)全區(qū)域的邊緣銜接帶進(jìn)行梯度檢測(cè)，當(dāng)檢測(cè)到灰度躍變超過(guò)相鄰區(qū)域平均梯度值時(shí)，自動(dòng)啟動(dòng)過(guò)渡平滑處理；

32、根據(jù)劃分的輻射強(qiáng)度區(qū)域，動(dòng)態(tài)調(diào)整紋理生成強(qiáng)度，高輻射區(qū)采用高頻紋理增強(qiáng)，低輻射區(qū)保持基礎(chǔ)紋理分辨率，調(diào)用校正后的坐標(biāo)數(shù)據(jù)，確保生成紋理的方向性與實(shí)際輻射分布模式一致。

33、本發(fā)明的另外一個(gè)目的是提供了基于人工智能分析的核輻射圖像增強(qiáng)方法。

34、作為本發(fā)明所述的基于人工智能分析的核輻射圖像增強(qiáng)方法的一種優(yōu)選方案，包括，

35、數(shù)據(jù)采集模塊采集多模態(tài)核輻射圖像數(shù)據(jù)，同步記錄伽馬相機(jī)與中子成像儀的物理參數(shù)元數(shù)據(jù)；

36、圖像補(bǔ)全單元將采集的圖像輸入雙階段生成對(duì)抗網(wǎng)絡(luò)，首階段生成器補(bǔ)全缺失區(qū)域并輸出初始補(bǔ)全圖像，次階段生成器進(jìn)行紋理修復(fù)；

37、圖像壓縮單元對(duì)輸出的初步完整圖像進(jìn)行輻射強(qiáng)度分區(qū)，動(dòng)態(tài)劃分高、中、低三個(gè)輻射強(qiáng)度區(qū)域，分別采用對(duì)數(shù)變換和局部直方圖均衡化組合策略進(jìn)行壓縮；

38、圖像融合單元將壓縮后的圖像輸入雙通道神經(jīng)網(wǎng)絡(luò)，所述雙通道神經(jīng)網(wǎng)絡(luò)包括物理特征通道和視覺(jué)特征通道，物理特征通道解析伽馬能譜特征峰位置，視覺(jué)特征通道提取紋理特征，通過(guò)空間對(duì)齊模塊融合兩通道特征圖；

39、圖像矯正單元基于輸出的融合特征圖，進(jìn)行空間特征解析，匹配預(yù)存的幾何畸變參數(shù)集進(jìn)行非線性校正；

40、圖像補(bǔ)全單元將校正后的圖像輸入雙階段生成對(duì)抗網(wǎng)絡(luò)的次階段生成器中，根據(jù)預(yù)訓(xùn)練的優(yōu)化紋理細(xì)節(jié)，輸出最終增強(qiáng)圖像。

41、本發(fā)明的有益效果：通過(guò)多個(gè)模塊高效協(xié)作，實(shí)現(xiàn)了高質(zhì)量的核輻射監(jiān)測(cè)與分析。數(shù)據(jù)采集模塊利用伽馬相機(jī)和中子成像儀的同步采集，確保了數(shù)據(jù)的準(zhǔn)確性和完整性；圖像增強(qiáng)模塊中的圖像補(bǔ)全單元通過(guò)雙階段生成對(duì)抗網(wǎng)絡(luò)動(dòng)態(tài)優(yōu)化圖像補(bǔ)全和紋理修復(fù)，提升了視覺(jué)品質(zhì)；圖像壓縮單元根據(jù)輻射強(qiáng)度區(qū)分壓縮策略，提高圖像可讀性；圖像融合單元在雙通道神經(jīng)網(wǎng)絡(luò)中整合物理和視覺(jué)特征，確保信息完整；圖像矯正單元通過(guò)幾何畸變修復(fù)增強(qiáng)了圖像精度；次階段補(bǔ)全單元?jiǎng)t利用共享紋理特征庫(kù)優(yōu)化紋理匹配，提升細(xì)節(jié)表現(xiàn)。整體而言，該系統(tǒng)在每個(gè)環(huán)節(jié)的優(yōu)化不僅提高了圖像質(zhì)量和分析精確度，也為核輻射監(jiān)測(cè)與安全防護(hù)提供了有力支持。