Multiskalen Bildverarbeitungsmethoden zur Rauschunterdr¨uckung an industriellen Computer-Tomographie Daten
Publikation
Outline
M. Reiter - Multiskalen Bildverarbeitungsmethoden zur Rauschunterdr¨uckung an industriellen Computer-Tomographie Daten - Master/Diploma Thesis, FH OÖ Fakultät Wels, Österreich, 2006, pp. 1-150
Abstract
Mit 3-dimensionaler R¨ontgen-Computertomographie ist es m¨oglich zerst¨orungsfrei und
ber¨uhrungslos sowohl den ¨außeren als auch den inneren Aufbau von Pr¨ufobjekten in
digitalen 3-dimensionalen Grauwert-Datens¨atzen darzustellen. In diesen k¨onnen Abmessungen
¨uberpr¨uft oder Fehlstellen beziehungsweise Risse detektiert werden, um nur einige
Anwendungen anzuf¨uhren. Diese Daten unterliegen immer einem Grauwert-Rauschen,
zum Teil tritt dieses sehr stark auf und behindert weiterverarbeitende Anwendungen.
Diese Diplomarbeit befasst sich im ersten Abschnitt mit der genauen Charakterisierung
dieses Systemrauschen. Die zu erwartenden gauß- und poissonverteilten Rauschkomponenten
eines solchen Aufnahmesystems werden in diesem Abschnitt detailiert betrachtet.
Weiters wurden bildverarbeitende rauschreduzierende Filteralgorithmen realisiert und an
k¨unstlichen sowie realen Computertomographie Daten erprobt, um diesem Rauschen entgegenzuwirken.
Dabei handelt es sich um einen auf linearer Faltung basierenden Gauß-
Filter, einen Filter basierend auf der Wavelet-Transformation, einen weiteren basierend
auf der Curvelet-Transformation und um eine Platelet-Ann¨aherung. Diese 2-dimensional
realisierten Filter werden genau erl¨autert und sind sowohl an Projektionsbildern als auch
an axialen Schnittbildern der bereits rekonstruierten Daten anwendbar.
Die Untersuchungen bez¨uglich des Systemrauschens ergaben wie erwartet eine Kombination
aus gauß- und poissonverteiltem Rauschen, dass heißt die Rauschst¨arke - gemessen
in einer Standardabweichung - h¨angt vom lokalen Grauwert im Bild ab.
Bei den get¨atigten Untersuchungen bez¨uglich Rauschreduktion konnten Wavelet- beziehungsweise
Curvelet-Filter den Erwartungen gegen¨uber einem Gauß-Filter nicht gerecht
werden, da sie nur auf einem gaußschen Rauschmodell basieren. Curvelet-Filter lohnen
zus¨atzlich auf Grund ihres enormen Berechnungsaufwandes kaum.
Die Platelet-Ann¨aherung hingegen basierend auf einem realit¨atsnahen Rauschmodell und
erzielt deshalb durchwegs die besten Filterergebnisse. Das Signal-Rausch-Verh¨altnis (PSNR)
kann bei 16Bit Daten mittels Platelet-Ann¨aherung um bis zu 12dB verbessert werden.
F¨ur Datens¨atze die sowohl in den Projektionsbildern als auch in den rekonstruierten
Daten f¨ur Pr¨uflingsmaterial und Luft nur einen Grauwert-Peak im Histogramm aufweisen
ist eine Platelet-Ann¨aherung in den Projektionsbildern am erfolgversprechendsten,
wenn die durch die Rekonstruktion verursachten Artefakte in Grenzen gehalten werden
können. Für die meisten anderen Anwendungen empfiehlt sich eine Platelet-Ann¨aherung
in den rekonstruierten Daten, da die Parametrierung des Filters ohne den Umweg über
die Rekonstruktion einfach zu optimieren ist und die Ergebnisse besser sind.
Cookies helfen uns bei der Bereitstellung unserer Dienste. Durch die Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies setzen.