《Entropy》:Colorization Algorithm for γ-Photon Flow Field Images Based on the HSCN Model
编辑推荐:
γ光子断层成像提供了一种非接触式的方法来重建和可视化流场参数。然而,由此产生的灰度图像通常表现出模糊的边界和较弱的纹理特征,导致DeOldify等传统彩色化方法出现跨区域颜色扩散和边界颜色溢出。为了解决这一问题,本文提出了一种基于混合Swin彩色化网络(Hyb
γ光子断层成像提供了一种非接触式的方法来重建和可视化流场参数。然而,由此产生的灰度图像通常表现出模糊的边界和较弱的纹理特征,导致DeOldify等传统彩色化方法出现跨区域颜色扩散和边界颜色溢出。为了解决这一问题,本文提出了一种基于混合Swin彩色化网络(Hybrid Swin Colorization Network, HSCN)的γ光子流场图像彩色化算法。该算法将Swin Transformer语义流与中心差分卷积(central difference convolution, CDC)梯度分支组成的混合双流编码器,与跨阶段梯度注入和空间门控自适应融合机制相结合,以增强对流场边界高频结构的感知并抑制颜色溢出。通过两个CFD模拟流型(大尺度涡旋尾流和水平尾流)的γ光子流场图像,从彩色化质量和流场温度参数反演两个方面评估了该算法的有效性。该方法实现的PSNR、SSIM、FID和MAE分别为38.7422、0.9372、10.7344和0.0085。与DeOldify相比,PSNR和SSIM分别提高了24.30%和11.89%,而FID和MAE分别降低了42.98%和60.47%。此外,HSCN在三个代表性样本的15个边界和温度过渡位置实现了12.65%的平均绝对百分比误差(MAPE),而DeOldify和DDColor分别为31.24%和28.70%。
**基于HSCN模型的γ光子流场图像彩色化算法:研究解读**
**1. 研究背景与问题提出**
γ光子断层成像(γ-photon tomography)是一种基于正电子湮灭辐射探测的非接触式流场诊断技术。当放射性核素发生β+衰变时释放正电子,正电子与周围电子湮灭后产生一对方向近似相反(约180°)的511 keVγ光子,其传播路径构成响应线(line of response, LoR)。环绕目标区域的探测器阵列通过能量窗和时间窗筛选符合条件的光子对,记录为符合事件。图像重建算法对这些符合事件进行统计分析和迭代重建(如有序子集期望最大化算法,ordered-subsets expectation maximization, OSEM),从而重建正电子湮灭位置的分布,并映射为图像像素值。当放射性标记的工作介质处于运动状态时,其流场可同时产生LoR符合数据,因此γ光子断层成像可建立流场密度与图像像素之间的对应关系,结合图像彩色化算法可将灰度γ光子断层图像恢复为包含流场参数信息的彩色图像。由于高能γ光子具有较强的穿透性和电中性,其探测不受高温、高压和电磁场的影响,这使γ光子断层成像在航空发动机环境流场参数反演领域具有重要的应用潜力[1,2]。
然而,γ光子流场图像本质上仅具有单一灰度强度维度,包含的视觉信息有限,难以直接用于工业状态监测。基于深度学习的方法(如DeOldify)已在自然图像彩色化上取得了良好效果[3],注意力增强的U-Net变体也进一步改善了特征选择和区域颜色一致性[4,5]。但这些方法主要针对自然图像设计,未充分考虑γ光子断层图像的概率性边界特征。自然图像中局部像素高度相关且颜色梯度平滑,而γ光子成像机制与这些假设存在根本冲突。在γ光子断层重建中,每条响应线由其穿过的像素按系统矩阵定义的概率权重共同生成,符合事件计数服从泊松统计。经过OSEM迭代重建后,正电子湮灭位置不对应图像中某个确定的像素,而是对应一个以实际湮灭点为中心的高斯分布状像素区域。因此,物理流场中原本清晰的温度边界被平滑为连续变化的概率密度过渡区,而非锐利的物理边界。以自然图像训练形成的感受野无法准确建模跨区域的远程温度依赖关系,当面对宽范围缓变概率密度过渡时,网络难以确定边界两侧颜色应保持一致的准确空间范围,导致相邻区域颜色在过渡区内相互侵入并向外扩散,产生边界颜色溢出,损害流场图像的结构完整性和视觉连续性。
**2. 研究方法**
针对上述问题,研究人员提出了基于HSCN(Hybrid Swin Colorization Network)的γ光子流场图像彩色化算法。该模型以条件生成对抗网络(conditional generative adversarial network, cGAN)为基本框架,其核心创新在于生成器编码器采用混合双流编码器模块。该编码器由两个并行分支组成:Swin Transformer语义流用于捕获全局上下文语义信息,CDC(central difference convolution,中心差分卷积)梯度分支用于提取局部高频边界结构信息。编码器通过跨阶段梯度注入策略实现梯度信息在编码器不同层级间的渐进传播,并通过空间门控自适应融合机制动态整合双分支特征,从而在架构层面解决了γ光子流场图像彩色化中的边界颜色溢出问题。判别器采用谱归一化(spectral normalization)约束的多尺度卷积架构,输出逐块(patch-level)真伪响应图。模型采用两阶段训练策略:先以边界感知重建损失进行预训练,再引入小权重的对抗损失进行对抗微调。
**3. 研究结果**
**3.1 模型预训练过程分析**:通过监测子集上的PSNR、SSIM和MAE指标随训练轮次的变化曲线,研究人员从稳定后期区域选择第260轮的检查点作为对抗微调的初始化。该检查点的PSNR保持在最高水平附近,SSIM趋于稳定,MAE接近最小值,且各指标曲线此前已进入相对稳定范围,排除了孤立瞬时波动的影响。
**3.2 定性对比分析**:在直射射流尾流和水平尾流两种工况下,DDColor生成图像的色彩过渡区出现明显颜色不连续和异常跳变,主射流与背景界面处存在颜色溢出。DeOldify在射流边界处出现颜色突变和跨区域颜色过渡不连续问题。SECN通过结构感知增强模块缓解了部分问题,但由于编码器仍采用受限感受野的ResNet101,射流末端和边界过渡区仍存在轻微颜色溢出。相比之下,HSCN生成图像的颜色过渡更平滑,结构边界重建精度更高,主射流与背景界面更清晰,残余溢出基本消除。
**3.3 定量指标对比**:在由946张验证图像构成的测试集上,HSCN在所有四项指标上均取得最优结果:PSNR为38.7422,SSIM为0.9372,FID为10.7344,MAE为0.0085。与DeOldify相比,PSNR和SSIM分别提高24.30%和11.89%,FID和MAE分别降低42.98%和60.47%。在对15个独立CFD案例进行病例水平配对统计检验时,HSCN与DeOldify之间的差异经Holm校正后仍具有统计学显著性(调整后p = 0.000183)。在模型初始化种子三重复现实验中,HSCN性能保持稳定,表明其性能优势并非特定于原始种子的偶然结果。
**3.4 温度反演对比**:利用标准热力学色标建立的RGB-温度三段线性映射关系,研究人员在三个代表性样本的15个边界和温度过渡采样点进行温度反演。HSCN在所有三个样本中均取得最低的MAPE,其总体平均MAPE为12.65%,DeOldify和DDColor分别为31.24%和28.70%,分别降低了18.59和16.05个百分点。边界采样点的温度反演误差显著降低,表明HSCN能更准确地恢复边界区域的色彩与结构信息。
**3.5 消融实验分析**:为验证各关键组件的有效性,研究人员设置了五组对照配置:完整模型、无CDC梯度分支(No-CDC)、无空间门控融合(No-Gate Fusion)、无跨阶段注入(No-Cross Stage)、双机制均去除(No-Fusion)。定量结果表明,去除任一组件均导致PSNR和SSIM下降、MAE升高。完整模型取得最高PSNR(38.7422)和SSIM(0.9372)以及最低MAE(0.0085)。No-CDC配置的FID虽然略低,但其PSNR从38.7422降至33.8580,SSIM从0.9372降至0.8839,MAE从0.0085升至0.0173,说明CDC梯度分支主要贡献于像素级重建精度和结构保持,而其对分布级FID的影响相对有限。No-Fusion配置的性能下降最为显著,表明梯度分支的引入必须配合适当的融合机制才能充分发挥双流架构的优势。在消融模型的温度反演中,完整模型取得最低的总体平均MAPE 12.65%,而无CDC、无门控融合、无跨阶段注入和无融合配置的MAPE分别为22.74%、15.38%、20.95%和16.28%,进一步验证了CDC梯度分支、跨阶段注入和空间门控融合对温度反演精度的互补贡献。
**4. 研究结论**
本文针对灰度γ光子流场图像彩色化中常见的边界颜色溢出问题,提出了基于HSCN的彩色化算法。该算法构建于条件生成对抗网络框架之上,在生成器中以Swin Transformer语义流和CDC梯度分支组成的混合双流编码器替代传统ResNet101骨干网络,判别器则采用受谱归一化约束的多尺度卷积架构。混合编码器内的跨阶段梯度注入策略使梯度信息在语义流和梯度分支间渐进传播,空间门控自适应融合机制动态整合双分支特征,使模型在保持全局语义建模能力的同时对高频流场边界结构保持敏感,有效缓解了跨区域颜色扩散。仿真实验结果表明,HSCN在γ光子流场彩色化评估中表现优异,取得PSNR、SSIM、FID和MAE分别为38.7422、0.9372、10.7344和0.0085。与DeOldify相比,PSNR和SSIM分别提高24.30%和11.89%,FID和MAE分别降低42.98%和60.47%。案例水平配对分析显示,在15个验证案例中PSNR和SSIM均显著提高,MAE显著降低。温度反演分析中,HSCN在三个代表性样本的15个边界和温度过渡位置取得12.65%的总体平均MAPE,显著优于DeOldify和DDColor。需要指出的是,本研究的结论仅涉及实验评估中验证的彩色化精度、边界重建和温度反演性能的提升,未对计算效率或部署成本提出比较性论断。该研究目前处于理论验证阶段,基于ANSYS Fluent和GATE(Geant4 Application for Tomographic Emission)仿真框架验证了HSCN的可行性和有效性。面向高温高压环境的实验室规模γ光子成像平台正在研制中,未来工作将首先利用该平台获取的数据验证HSCN,然后检验其在真实航空发动机流场监测中的适用性。