以中子管为源的中子照相无参考图像质量评价方法研究

Nowadays, compact neutron radiographic (NR) is a developing trend and research hotspot at home and abroad. As the compact NR leads a degradation in imaging quality, the no-reference image quality assessment can promote the scientific development of this technology. For the direct output image and the post-processing image, the method of combining theory, simulation and experiment are adopted to explore the assessment method step by step. On the one hand, a direct model based on neutron image noise and unsharpness parameters is presented for the direct output image according to mathematical statistics method. It can be employed to improve the quality of neutron image by feeding back the design deficiency (such as structure, materials, and dimensions) of the compact NR referencing to the generation mechanism of the noise and unsharpness. On the other hand, we introduce the deep learning technique into this project. A new quality assessment model is proposed for the processed neutron digital image based on the low-level features learning. By amplifying real neutron image data, the optimal depth regression model and its parameters can be obtained through training method. The final image processing algorithms can be further improved by the objective feedback obtained from the second quality evaluation process. This research not only plays a significant role in enriching the theory and technical system of compact NR system but also has scientific and realistic meaning.

中子照相小型化是当今国内外发展的趋势和研究热点。而小型化会导致成像质量的下降，因此，开展对降质中子图像的无参考质量评价方法研究，能够促进该项技术的科学发展。针对小型中子照相系统的直接输出图像和后期处理图像，采用理论、仿真和实验相结合的方法，逐层递进地开展其评价方法的探索工作。一方面针对直接输出图像，根据数理统计工具，构建基于图像噪声和模糊参数估计的直接质量评价模型，并结合噪声和模糊的成像产生机理，利用直接质量评价反馈小型中子照相系统存在的结构、材料和尺寸上的设计缺陷，改善直接输出图像质量。另一方面针对增强、复原图像，借助深度学习技术，通过扩增真实中子图像数据，训练获取最优深度回归模型及参数，建立基于中子图像低层特征学习的质量评价方法，进一步为后期图像处理算法的好坏提供客观评判依据，最终达到提高输出图像质量的目的。该项目的开展对丰富小型中子照相系统的理论和技术体系，具有重要的科学和现实意义。

中子照相小型化是当今国内外发展的趋势和研究热点。而小型化会导致成像质量的下降。因此，开展对降质中子照相图像的无参考质量评价方法研究，能够促进该项技术的科学发展。针对小型中子照相系统的直接输出图像和后期处理图像，采用理论、仿真和实验相结合的方法，逐层递进地开展其评价方法的探索性研究工作。以东北师范大学自主研发的DSNH型长寿命D-T中子管为中子源，针对其低通量图像的混合噪声和模糊等多种失真类型，开展了基于双线性卷积神经网络的无参考评价框架设计工作，通过构建大规模近场图像预训练数据集、真实中子照相微调数据集和测试数据集，使所提评价模型在系列真实中子照相图像和增强、复原后的中子数字图像质量预测上表现出很好的可信度和应用潜力。这项工作开创了中子照相图像无参考质量评价的先河，不仅实现了对真实中子照相图像的客观质量评价，还为降质中子照相图像处理算法的设计工作提供了必要的反馈依据。在不增加中子源产额的前提下，通过有客观评价反馈的后期图像处理，实现有效提高最终输出图像质量的目的，为小型中子照相技术的软硬件均衡发展起到了一定的促进作用。同时，鉴于小型中子照相装置的准直慢化器设计可以使源发射的中子形成平行的或小角度发散的中子束，以提高中子照相的图像质量。通过结合中子照相的成像机理和降质中子照相图像的特点，进一步设计了基于MCNP的核仿真实验，为以中子管为源的小型中子照相装置设计工作提供了宝贵的结构、材料和尺寸仿真实验数据。以上研究成果在核科学与技术、信息处理领域的高水平期刊上发表论文14篇，其中SCI检索12篇，申请发明专利3项（实质审查阶段），培养和协助培养硕士研究生10名。