بهينه سازي تفكيك مواد در تصاوير حاصل از اشعه ايكس دو انرژي با استفاده از الگوريتمKNN مبتني بر منحني هاي H-L

Optimization of H-L Curves Based Material Separation in Dual Energy X-Ray Images Using KNN Algorithm

يكي از پركاربردترين ابزار مورد استفاده در تفكيك مواد آلي از مواد غيرآلي، استفاده از منحني H-L ( نسبت اشعه ايكس عبوري از جسم در تصوير حاصل از انرژي بالا به تصوير حاصل از انرژي پايين) مي باشد. با اين وجود چگونگي استفاده از اين منحني و الگوريتم بكارگيري آن، از موضوعات مورد علاقه محققان در حوزه‌ي تصويربرداري اشعه ايكس مي باشد. در اين پژوهش، روشي نوين با بهره گرفتن از رويه‌ي شبكه‌ي عصبي و بر اساس نزديكترين ضريب همسايگي (KNN) براي استفاده از اين منحني ها در تفكيك بهينه‌ي مواد ارائه شده است. بدين منظور، در ابتدا منحني‌هاي H-L براي سه الگوي استاندارد پله‌اي ساخته شده از چوب، آلومينيوم و فولاد (به عنوان نماينده سه دسته مواد ارگانيك، غيرارگانيك و فلزات) رسم شده و از آنها به عنوان داده‌هاي آموزش استفاده گرديد. سپس به منظور افزايش دامنه‌ي تشخيص مواد، افزايش نسبت سيگنال به نويز، كاهش تشخيص اشتباه و افزايش راندمان الگوريتم، داده‌هاي مربوط به ساير مواد نيز به عنوان ورودي بانك اطلاعاتي الگوريتم استفاده شدند. نتايج حاصل از اين الگوريتم نشان از بهبود عملكرد صحيح بيش از 93 درصد در تفكيك مواد و متمايز نمودن مواد آلي از غيرآلي را نشان داد.

Using H-L curves is a common way to material discrimination and separation of organic from inorganic materials. However, different algorithms that can utilize the H-L curves, is a favorite question for x-ray imaging researcher. In this research, we presented a novel method by using KNN algorithm for material discrimination. For this purpose, first the H-L curves for three standard stepped-wedge of wood, aluminum and stainless steel drowned and used as train data. Then, in order to increasing the efficiency of the algorithm, we tested other materials data sets. Experimental Results showed an efficiency further more than 93 percents to discriminate the different materials from each other.