Sparse regression unmixing of X-ray hyperspectral images

X-ray imaging is an established method for the characterization of the observed objects. The 2-D radiography and 3-D computed tomography, which use the scintillation detectors, are very successful in many fields. However, limitations exist in both modes because their spectral resolutions are low. Thus a priori knowledge of evaluating the images are needed to interpret the results. The new emerged multi-energy detectors open very promising applications in X-ray imaging. These detectors, for example, energy-resolving photon-counting conductors, can acquire data in different energy bins with a good energy resolution. At each pixel, the spectral features form a vector whose elements correspond to the narrow energy bins covering X-ray spectrum range. A conventional X-ray radiographic image consists of shadows from different objects that are superimposed and overlapped, which make it difficult to identify the objects. This thesis proposes a new approach named “X-ray spectral unmixing” to identify the endmembers (materials) and their abundances (thickness) in the X-ray hyperspectral imagery. After background correction and logarithm transformation, the mixing model is converted from Post-nonlinear model to the linear model, which has been intensively researched in recent years. The algorithms, Non-Negative Orthogonal Matching Pursuit (NNOMP) and L1-Regularized Least Squares (l1-ls) with nonnegativity constraints, were first employed to solve the X-ray object separation problem. This new approach has been tested on toy dataset and practical baggage dataset, whose results demonstrate the effectiveness of the proposed approach. A user-friendly MATLAB based software tool was implemented to do the per-pixel unmixing and sub-pixel classification. The proposed approach and software can be applied to the spheres such as inspection systems, non-destructive testing (NDT), medical industry and planetary science.

Le tecnologie a raggi X sono al giorno d'oggi ampiamente utilizzate per analizzare oggetti nei controlli non distruttivi. La radiografia e la tomografia computerizzata (CT-tomography) permettono di ricostruire immagini 2D ed oggetti 3D, rispettivamente, e sono ampiamente utilizati in diversi ambiti applicativi. I sensori utilizzati nella maggior parte dei sistemi attualmente in commercio sono basati su scintillatori, e forniscono una bassa risoluzione spaziale. Tuttavia, per il riconoscimento di materiali che sono tra loro simili sarebbe auspicabile una maggiore risoluzione spaziale: tutti gli algoritmi di analisi di immagini a raggi X sopperisono a questa mancanza utilizzando diversi prior (informazioni a priori), quali la regolarita locale. Recentemente sono stati prodotti dei sensori in grado di suddividere lo spettro della radiazione incidente su diverse bande spettrali. In questo modo l'energia della sorgente viene suddivisa ed acquisita in alcuni intervalli significatvi, fino a 64 nei sensori che abbiamo utilizato per gli esperimenti di questa tesi. A differenza delle tecniche radiografiche convenzionali, che restituiscono solo componenti per ogni immagine, questi sensori restituiscono 64 piani immagine e hanno un grande potenziale per il riconoscimento dei materiali. La migliore risoluzione spaziale non si traduce tuttavia direttamente in un migliore riconoscimento dei materiali durante i controlli di sicurezza aeroportuali. Il principale ostacolo è il fatto che gli oggetti compaiono all'interno di bagagli, e possono anche essere sovrapposti tra loro. In questo momento infatti non esistono soluzioni algoritmiche in grado di identificare materiali occlusi da altri oggetti, o comunque all'interno di bagagli, a partire da dati acquisiti da sensori multispettrali. La mia tesi propone un nuovo approccio denominato "spectral unmixing a raggi X" per identificare il tipo di bagagli ed lo spessore attraversato lungo ogni raggio incidente. In particolare ho: i) studiato le tecniche di pre-processing del segnale, dimostrando che la correzione dello sfondo e la trasformazione logaritmica, pongono il segnale in una condizione ideale per poi eseguire la separazione degli spettri 2) studiato algoritmi per eseguire lo spectral unmixing risolvendo un problema di calcolo di una rappresentazione sparsa, penalizzate sia in norma $l_0$ (utilizzando l'algorimo NNOMP per imporre vincoli di positività della soluzione) che in norma $l_1$ (utilizzando anche qui un vincolo di non negativita per la soluzione). Questo approccio è stato validato in condizioni semplificate, dove ha permesso di separare due oggetti semplici di spessore noto, e in condizioni reali, dove l'esatta composizione della scena rimane nota. È stato implementato quindi un'interfaccia MATLAB di facile utilizzo per eseguire in maniera interattiva la separazione degli assorbimenti. L’approccio e il software realizzati si sono dimostrati molto incorraggianti e possono trovare ampia applicazione nell'ambito dei controlli distruttivi (NDT), l’industria medica e dello spazio.