射線圖像的快速紋理提取算法

喬 雙，李 健，孫佳寧

（1.東北師范大學(xué) 物理學(xué)院，吉林 長(zhǎng)春 130024；2.東北師范大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，吉林 長(zhǎng)春 130024）

射線圖像的快速紋理提取算法

喬 雙1，李 健1，孫佳寧2，＊

（1.東北師范大學(xué) 物理學(xué)院，吉林 長(zhǎng)春 130024；2.東北師范大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，吉林 長(zhǎng)春 130024）

局部二值模式（LBP）可提取模糊的射線圖像紋理，但無(wú)法描述像素間灰度差異程度，不能有效區(qū)分冗余的微小灰度變化。針對(duì)上述問(wèn)題，本文提出了一新型的快速紋理提取算法C-LBP。新算法首先引入復(fù)沖擊濾波器對(duì)圖像進(jìn)行預(yù)處理，提取圖像虛部數(shù)據(jù)作為下一步紋理提取的輸入。然后嵌入相對(duì)光滑的比較函數(shù)來(lái)改進(jìn)LBP，并考慮圓域內(nèi)中心點(diǎn)和鄰點(diǎn)的灰度相似距離，區(qū)別對(duì)待圓域內(nèi)的灰度信息。最后，增加一計(jì)數(shù)策略，以淘汰冗余的微小灰度變化。實(shí)驗(yàn)證實(shí)C-LBP具有處理時(shí)間短和檢測(cè)效果好雙重優(yōu)勢(shì)，保留了對(duì)較大灰度的敏感性，增強(qiáng)了對(duì)灰度差異程度的描述能力，可有效增強(qiáng)圖像、提取邊緣和識(shí)別缺陷。

射線成像；紋理提取；復(fù)沖擊濾波器；局部二值模式

Key words：radiography；texture extraction；complex shock filter；local binary pattern

射線成像技術(shù)，如計(jì)算機(jī)斷層掃描（CT，computed tomography）成像技術(shù)、數(shù)字輻射（DR，digital radiography）成像技術(shù)以及中子成像技術(shù)（NIT，neutron imaging technology），可通過(guò)圖像展示被測(cè)物體的內(nèi)部結(jié)構(gòu)，已廣泛應(yīng)用于物質(zhì)的無(wú)損檢測(cè)［1］。但工業(yè)無(wú)損檢測(cè)尤其是批量實(shí)時(shí)檢測(cè)有一定的時(shí)間要求，且受鑄件厚度和射線強(qiáng)度等因素影響，很多射線圖像的灰度對(duì)比度和鑄件缺陷分布均呈現(xiàn)一定的局部特性［2］。現(xiàn)有的處理軟件通?；诨叶?、直方圖和濾波模板等傳統(tǒng)方法對(duì)圖像進(jìn)行處理［3］，很多方法因在檢測(cè)時(shí)間和圖像處理效果上難以平衡而具有較低的工業(yè)應(yīng)用價(jià)值。

基于以上分析，綜合考慮檢測(cè)時(shí)間和處理效果兩個(gè)方面，將紋理描述算子局部二值模式（LBP）用于射線圖像增強(qiáng)、邊緣提取和缺陷識(shí)別，然而LBP算子對(duì)噪聲敏感性較強(qiáng)，不能有效區(qū)分微小灰度變化和較大灰度變化（微小灰度變化通過(guò)圖像細(xì)節(jié)體現(xiàn)）。結(jié)合射線圖像的特點(diǎn)，本文提出新型紋理提取算法C-LBP，該算法增加圖像預(yù)處理環(huán)節(jié)，并從加權(quán)方式和比較函數(shù)等方面對(duì)傳統(tǒng)LBP做一系列改進(jìn)，擬充分發(fā)揮LBP計(jì)算方式簡(jiǎn)單性、信息提取局部性、單調(diào)灰度不變性等優(yōu)勢(shì)［4］，從圖像檢測(cè)效果和檢測(cè)時(shí)間兩個(gè)方面提高工業(yè)射線圖像的檢測(cè)效率。

1 C-LBP算法原理

在對(duì)圖像進(jìn)行紋理提取過(guò)程中，圖像本身通常存在模糊含噪降質(zhì)問(wèn)題，這給處理結(jié)果造成很大影響［5］，本文在對(duì)圖像進(jìn)行紋理提取前用復(fù)沖擊濾波器進(jìn)行預(yù)處理，基于圖像虛部數(shù)據(jù)在圖像處理中具有穩(wěn)定性更高、抗噪能力更強(qiáng)等特點(diǎn)［6］，將提取結(jié)果圖像虛部數(shù)據(jù)作為下一步紋理提取的輸入。

1.1 復(fù)沖擊濾波器

設(shè)I＝I（x，t）為t時(shí)刻的恢復(fù)圖像，令I(lǐng)t為I關(guān)于t的偏導(dǎo)數(shù)，Ix和Ixx分別為I關(guān)于x的一階和二階偏導(dǎo)數(shù)。于是，復(fù)沖擊濾波器的公式［7］為：

其中：a和θ為控制參數(shù)；λ為一復(fù)標(biāo)量，λ＝eiθ；ImI表示取I的虛部。式（1）的整個(gè)執(zhí)行過(guò)程基于相同的離散近似值。

復(fù)沖擊濾波器具有以下特點(diǎn)：在時(shí)域上衰減較緩慢，相對(duì)穩(wěn)定，沖擊點(diǎn)保留較好；一般僅調(diào)節(jié)λ、a兩個(gè)參數(shù)；由于整個(gè)處理過(guò)程是正則化的，所以只要θ足夠小，就不會(huì)對(duì)處理結(jié)果造成影響［8］；為正則化沖擊濾波器，添加一擴(kuò)散項(xiàng)，取圖像的虛部代替二階導(dǎo)數(shù)作為擴(kuò)散方向控制量。用圖像虛部數(shù)據(jù)接受反饋會(huì)使虛部被擴(kuò)散平滑，大部分較尖銳的拐點(diǎn)也被增強(qiáng)。同時(shí)，復(fù)沖擊濾波器的計(jì)算過(guò)程相對(duì)簡(jiǎn)單，區(qū)別于其他沖擊濾波器，復(fù)沖擊濾波器并不需在每次迭代中均加入卷積計(jì)算，卻仍可得到平滑的估計(jì)值，這亦可實(shí)現(xiàn)更好的保護(hù)圖像紋理細(xì)節(jié)。綜上所述，較基于二階導(dǎo)數(shù)的沖擊濾波器，復(fù)沖擊濾波器的處理效果更好，在去模糊方面表現(xiàn)穩(wěn)健，同時(shí)又可有效區(qū)分噪音和細(xì)節(jié)，在處理含噪圖像方面具有優(yōu)勢(shì)。

1.2 快速紋理提取

為描述圖像內(nèi)部像素之間的灰度差異，LBP算法引入了比較函數(shù)，即對(duì)于以fC（fC∈I）為中心的圓域內(nèi)鄰點(diǎn)像素值fi（i＝1，2，…，P，P為所取像素點(diǎn)數(shù)）與fC，考慮如下S函數(shù)：

通過(guò)對(duì)上述函數(shù)輸出進(jìn)行累加處理，LBP算法實(shí)現(xiàn)了對(duì)圖像的紋理提取［9］。然而上述階躍函數(shù)S也造成LBP算法對(duì)圖像中的微小變化（包括噪聲）十分敏感，同時(shí)由于無(wú)論鄰點(diǎn)像素對(duì)比中心點(diǎn)像素的差異為多少，S函數(shù)的輸出只取1或0，這也使得LBP不能體現(xiàn)像素間的差異程度。

本文通過(guò)式（1）中的復(fù)沖擊濾波器和Sigmoid函數(shù)，提出了全新的比較函數(shù)：

這里SC是一排序操作，表示將i按單調(diào)順序進(jìn)行排列，使得i越大，被賦予的權(quán)重越大。通過(guò)上述改進(jìn)，使得當(dāng)fi和fC差異程度不同時(shí)，得到不同的C-LBP值，提取不同的信息，最終得到的圖像處理結(jié)果也會(huì)有所改進(jìn)。

C-LBP利用計(jì)數(shù)策略濾除冗余微小灰度變化，即圖像細(xì)節(jié)部分得以區(qū)分，提取變化幅度較大的灰度，保留LBP對(duì)較大灰度變化的敏感性，克服噪聲、光照和復(fù)雜背景的影響。C-LBP可將邊緣和冗余的微小變化區(qū)別對(duì)待，提取對(duì)比度較大的鑄件強(qiáng)邊緣和對(duì)比度較小的缺陷弱邊緣，省去冗余微小變化，防止出現(xiàn)過(guò)提取現(xiàn)象。值得強(qiáng)調(diào)的是，這里引入~S函數(shù)的目的在于改進(jìn)比較函數(shù)的光滑性，增加對(duì)灰度差異程度的描述能力。

2 實(shí)驗(yàn)與分析

為評(píng)估上述算法，分別對(duì)模糊DR圖像、CT圖像、中子圖像及網(wǎng)上實(shí)際圖像進(jìn)行處理，并與其他紋理提取算法進(jìn)行比較。仿真實(shí)驗(yàn)在CPU Intel（R）Pentium（R）Dual T3200 2.00GHz 2GB的計(jì)算機(jī)上完成，運(yùn)行環(huán)境為Windows XP，編程語(yǔ)言為Matlab，其中參數(shù)θ＝0.001、λ＝0.1、a＝0.1。

示例1以DR圖像為例。圖1a、b、c為鑄件DR原圖像及相應(yīng)的LBP、C-LBP算法紋理提取結(jié)果圖像。

通過(guò)對(duì)比圖1的各算法圖像處理結(jié)果可知：LBP算法提取了大部分鑄件邊緣，但忽略了低對(duì)比度區(qū)域小缺陷，所得紋理邊界較粗，模糊不清晰；C-LBP算法提取了幾乎所有的紋理，包括鑄件邊緣、鑄件缺陷、鑄件批號(hào)（圖1c右上角B），尤其是圖像中下部分小圓圈中的紋理也得以提取。因此在工業(yè)缺陷識(shí)別時(shí)，先使用C-LBP提取圖像紋理，跟蹤缺陷邊緣，定位缺陷位置，再以缺陷位置為中心劃分需提取的缺陷紋理特征子圖。這可克服DR圖像模糊度的影響，避免將DR圖中的噪聲或偽影誤判為缺陷，造成識(shí)別效率的降低。值得強(qiáng)調(diào)的是，跟蹤缺陷邊緣可提取缺陷的長(zhǎng)寬比、圓度、面積、周長(zhǎng)等幾何特征，結(jié)合紋理特征一起作為識(shí)別的特征向量，從而提高工業(yè)缺陷識(shí)別效率。

示例2以CT圖像為例。圖2a、b、c為人腦CT原圖像及相應(yīng)的LBP、C-LBP算法紋理提取結(jié)果圖像。

圖1 模糊DR圖像紋理提取結(jié)果Fig.1 Texture extraction results of fuzzy DR image

從圖2可知：原圖紋理模糊用肉眼幾乎看不清楚且邊緣顏色偏暗，與背景顏色相近。LBP算法雖提取了一小部分肉眼看不清楚的紋理，但結(jié)果圖像十分模糊，所得紋理連成一片；C-LBP算法所得紋理邊緣較完整，未出現(xiàn)切片層間信息，能挖掘出原圖中肉眼看不見(jiàn)的人腦紋理，且所得圖像紋理清晰、準(zhǔn)確、連續(xù)、閉合。

示例3以中子圖像為例。圖3為兩幅中子原圖像及相應(yīng)的LBP、C-LBP算法紋理提取結(jié)果圖像。

圖2 人腦CT圖像紋理提取結(jié)果Fig.2 Texture extraction results of brain CT image

圖3 中子圖像紋理提取結(jié)果Fig.3 Texture extraction results of neutron image

從圖3可知，原圖受噪聲模糊干擾較大，整體較模糊。LBP算法紋理提取效果明顯很差，圖像受噪聲干擾較強(qiáng)，所得處理結(jié)果較模糊，紋理背景混為一體，邊緣無(wú)法清晰辨別；C-LBP算法可有效提取鑄件邊緣、灰度對(duì)比度較弱的小缺陷，所得紋理邊緣閉合、清晰。尤其是圖3a右上角，圖3d右下角偏暗，肉眼看不清楚繼電器及軟驅(qū)內(nèi)部具體細(xì)微構(gòu)造，C-LBP算法能捕捉缺陷邊緣，所得器件圖像紋理較明顯，可看清內(nèi)部的細(xì)微構(gòu)造，在實(shí)際生產(chǎn)中具有較好的應(yīng)用前景。

示例4以網(wǎng)站（http：∥www.engr.uconn.edu／～cmli）某圖像為例。圖4示出了背景復(fù)雜的實(shí)際原始圖像以及相應(yīng)的LBP、Canny、CLBP 3種算法紋理提取結(jié)果圖像。

從圖4可知，LBP算法受背景復(fù)雜程度影響，紋理提取結(jié)果較模糊，同時(shí)圖像中很多冗余背景也被提取出來(lái)，出現(xiàn)過(guò)提取現(xiàn)象；Canny算子受光照和背景復(fù)雜程度影響，除目標(biāo)邊緣外，同樣提取很多冗余的圖像信息；C-LBP算法因仍保留了對(duì)較大灰度變化的敏感性，無(wú)需二值化，能克服微小灰度變化和復(fù)雜背景影響，從而得到較好的目標(biāo)邊緣。尤其如圖4d左側(cè)所示，其他算法無(wú)法提取原圖像的左側(cè)小分支，但CLBP算法可較好地處理。這在實(shí)際應(yīng)用檢測(cè)中很可能是一至關(guān)重要的問(wèn)題。在處理時(shí)間上，C-LBP算法耗時(shí)0.022 0s，超過(guò)了Canny算子的0.017 0s和LBP算法的0.002 5s。但C-LBP算法處理效果明顯優(yōu)于二者，且未增加太多的時(shí)間消耗。因此，本文算法在實(shí)際檢測(cè)中具有更好的應(yīng)用性。

圖4 復(fù)雜背景的實(shí)際圖像紋理提取結(jié)果Fig.4 Texture extraction results of complex background image

3 結(jié)語(yǔ)

本文引入復(fù)沖擊濾波器，以局部二值模式為基礎(chǔ)，提出一新型的C-LBP算法。將該算法用于模糊DR圖像、CT圖像、中子圖像及其他實(shí)際圖像的紋理特征提取。實(shí)驗(yàn)結(jié)果證實(shí)，C-LBP算法提高了描述像素間灰度差異程度的能力，降低了對(duì)噪聲和微小灰度變化的敏感性，能將圖像噪音和紋理加以區(qū)分，深化了對(duì)信息提取局部性和單調(diào)灰度不變性的理解，實(shí)現(xiàn)了更為有效的圖像紋理提取。實(shí)驗(yàn)處理時(shí)間和效果驗(yàn)證了該算法的有效性和實(shí)用性，為提升低劑量射線環(huán)境下無(wú)損檢測(cè)技術(shù)的實(shí)用性提供了可行性保證。

［1］ VOORHEES H，POGGIO T.Detecting textons and texture boundaries in natural images［C］∥Proceedings of the First International Conference on Computer Vision.London：［s.n.］，1987：250-258.

［2］ TOMITA F，TSUJI S.Computer analysis of vis-ual textures［M］.London：Kluwer Academic Publishers，1990：100-103.

［3］ SCHILLINGER B，LEHMANN E，VONTOBEL P.3Dneutron computed tomography：Requirements and applications［J］.Phys B，2000，276：59-62.

［4］ OJALA T，PIETIKAINEN M，MAENPAA T.Multi-resolution gray-scale and rotation invariant texture classification with local binary patterns［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

［5］ TAKEDA H，F(xiàn)ARSIU S，MILANFAR P.Kernel regression for image processing and reconstruction［J］.IEEE Trans Image Processing，2007，16（2）：349-366.

［6］ HE L H，ZOU C R，ZHAO L，et al.An enhanced LBP feature based on facial expression recognition［C］∥Annual International Conference of the IEEE Engineering in Medicine and Biology Society.US：［s.n.］，2005：3 300-3 303.

［7］ GILBOA G，SOCHEN N A，ZEEVI Y Y.Regularized shock filters and complex diffusion［M］∥Lecture Notes in Computer Science.US：Springer，2002：399-413.

［8］ WANG Y，WEI X Y，XIAO S.LBP texture analysis based on the local adaptive Niblack algorithm［C］∥International Conference of Congress on Image and Signal Processing.Hainan：［s.n.］，2008：777-780.

［9］ AHONEN T，HADID T A，PIETIKAINEN M.Face recognition with local binary patterns［M］∥Lecture Notes in Computer Science.US：Springer，2004：469-481.

［10］PENG S H，KIM D H，LEE S L，et al.Texture feature extraction based on uniformity estimation method for local brightness and structure in chest CT images［J］.Compute Biol Med，2010，40（11-12）：931-942.

Fast Texture Extraction Algorithm for Radiographic Image

QIAO Shuang1，LI Jian1，SUN Jia-ning2，＊
（1.School of Physics，Northeast Normal University，Changchun130024，China；2.Mathematics ＆Statistics School，Northeast Normal University，Changchun130024，China）

The local binary pattern（LBP）can extract fuzzy radiographic image texture，but is unable to describe the degree of grayscale difference and distinguish redundant micro-changes.To settle this problem，a new kind of rapid texture extraction algorithm-C-LBP was put forward.First of all，the complex shock filter was used to preprocess our image.And then the imaginary data were extracted as the next step input.The LBP was improved by a smooth compare function.In order to describe the grayscale informations distinctively，the similarity distances between surrounding points and centric point were considered.Besides，a counting scheme was utilized to eliminate redundant microchanges.The experimental results show that the C-LBP has advantages in both processing time and detecting vision.It can keep the sensitivity to the large gray level and enhance the description capacity of the grayscale difference.The C-LBP is feasible for image enhancement，edge extraction and defect classification.

TP391

：A

：1000-6931（2015）05-0939-05

10.7538／yzk.2015.49.05.0939

2014-01-10；

2014-04-08

國(guó)家自然科學(xué)基金資助項(xiàng)目（11275046，11405027）；國(guó)家重大科學(xué)儀器設(shè)備專項(xiàng)資助項(xiàng)目（2013YQ040861）；吉林省博士后科研項(xiàng)目啟動(dòng)經(jīng)費(fèi)資助項(xiàng)目（RB201331）

喬 雙（1963—），男，吉林大安人，教授，博士，從事圖像處理、核技術(shù)及應(yīng)用研究

＊通信作者：孫佳寧，E-mail：sunjn118＠nenu.edu.cn