基于聯(lián)合特征的X光圖像違禁品分類方法

蘇冰山　陳繼光　陳雨

摘要：近年來X光圖像檢測(cè)違禁品的應(yīng)用日益廣泛，使用計(jì)算機(jī)輔助人工對(duì)違禁品進(jìn)行檢測(cè)和分類的方法進(jìn)入人們的視野。本文提出一種新的民航違禁品X光圖像分類方法。首先文中對(duì)X光圖像進(jìn)行Contourlet變換，然后提取Contourlet變換后圖像的共生矩陣特征和Tamura紋理特征;同時(shí)，直接從X光圖像提取直方圖特征。最后將共生矩陣特征、Tamura紋理特征、直方圖特征三種特征的特征向量串聯(lián)起來得到聯(lián)合特征向量，依據(jù)聯(lián)合特征向量對(duì)違禁品圖像分類。實(shí)驗(yàn)結(jié)果證明，基于聯(lián)合特征分類的結(jié)果優(yōu)于單個(gè)特征的分類結(jié)果。

關(guān)鍵詞：X光圖像;聯(lián)合特征;分類;Contourlet變換;隨機(jī)森林

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）05-0076-02

0 引言

近年來，各種形式的恐怖事件時(shí)有發(fā)生，公共安全在很長(zhǎng)時(shí)間內(nèi)成為國(guó)際社會(huì)關(guān)注的焦點(diǎn)之一。本文對(duì)違禁品X光圖像的自動(dòng)識(shí)別分類進(jìn)行研究。違禁品的X光圖像可能呈現(xiàn)多種不規(guī)則的形狀，因此很難通過同一個(gè)模型對(duì)不同類違禁品建立模型并提取相應(yīng)的參數(shù)。本文采用隨機(jī)森林、貝葉斯網(wǎng)絡(luò)、決策樹和SVM分類器對(duì)違禁品圖像分類，并對(duì)不同分類器的分類結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)表明隨機(jī)森林分類器的分類結(jié)果最好，同時(shí)基于聯(lián)合特征的分類效果比單個(gè)特征分類時(shí)的效果好。

1 系統(tǒng)總體框架

本文形成一個(gè)基于聯(lián)合特征的民航X光圖像違禁品分類識(shí)別系統(tǒng)，對(duì)民航機(jī)場(chǎng)乘客攜帶違禁物品的X光圖像自動(dòng)檢測(cè)分類。違禁品檢測(cè)分類系統(tǒng)總體框圖如圖1所示。

圖1包括如下流程：

（1）圖像采集。通過安檢X光機(jī)采集乘客攜帶物品的X光圖像。

（2）違禁品的特征提取。為了后續(xù)的識(shí)別，需要提取X光圖像中的特征。我們首先對(duì)X光圖像進(jìn)行Contourlet變換，然后提取Contourlet變換后圖像的共生矩陣特征和Tamura紋理特征。另外由于直方圖能夠有效的表示X光圖像的色彩信息，可直接從原始的X光圖像提取。最后我們將共生矩陣、Tamura紋理特征、直方圖特征三種特征的特征向量串聯(lián)起來得到聯(lián)合特征向量。

（3）違禁品的分類判決。根據(jù)提取的特征，采用隨機(jī)森林等分類器分別對(duì)違禁品圖像進(jìn)行分類識(shí)別。

2 違禁品的特征提取

違禁品X光圖像的特征提取是分類判決的重要前提，對(duì)系統(tǒng)具有關(guān)鍵的意義。由于Contourlet變換具有多方向、多尺度、和各向異性的特點(diǎn)，可以用相對(duì)較少的系數(shù)高效表示圖像的邊緣信息，因此本文首先對(duì)X光圖像進(jìn)行Contourlet變換，然后提取特征。

2.1 違禁品X光圖像的Contourlet變換

Contourlet將圖像高頻子帶經(jīng)方向?yàn)V波器組分解為個(gè)方向子帶（j為任意正整數(shù)），對(duì)低頻子帶進(jìn)行相關(guān)處理實(shí)現(xiàn)圖像的多方向和多尺度分解。

系統(tǒng)采集到的違禁品圖像是偽彩色圖像，本文首先將采集到的偽彩色圖像轉(zhuǎn)換成灰度圖像，然后再采用Contourlet變換處理灰度圖像，再提取圖像的共生矩陣特征和Taruma紋理特征，分別得到共生矩陣特征向量和Taruma紋理特征向量。

2.2 共生矩陣

共生矩陣能反映出圖象灰度關(guān)于變化方向、幅度、相鄰間隔的信息，它是分析圖象的排列規(guī)則和它們局部模式的基礎(chǔ)。由于共生矩陣在表示圖像紋理方面良好的性能，因此我們采用其表示Contourlet變換后的系數(shù)圖像特征。

2.3 Taruma紋理特征

紋理是圖像分析和識(shí)別中的常用概念。其中，方向度、對(duì)比度、粗糙度對(duì)于提取紋理信息尤為重要。由于Taruma紋理在表示圖像紋理方面的重要特性，因此我們采用其表示Contourlet變換后的系數(shù)圖像特征。

2.4 圖像直方圖特征

顏色特征是圖像的一種全局特征。如圖2所示，圖中（a）和（b）為兩把不同彈簧刀的X光圖像，屬于利器類違禁品，（c）為丙酮的X光圖像，屬于易燃易爆類違禁品，從圖中可以看出相同類違禁品的X光圖像的直方圖分布差異較小。不同類別違禁品X光圖像的直方圖分布差異較大。從上述分析可知，在X光圖像違禁品識(shí)別中，是一個(gè)性能優(yōu)良的特征，因而將圖像直方圖作為分類特征可以有效對(duì)違禁品加以分類。

3 違禁品的分類判決

對(duì)違禁品的X光圖像提取特征后，下一步需對(duì)特征向量加以分類。本文使用多種分類器對(duì)不同的違禁品圖像加以分類識(shí)別。

實(shí)驗(yàn)中訓(xùn)練圖像共276幅，分類測(cè)試圖像共159幅，包括利器類、彈藥類、槍支類和易燃易爆類四種違禁品類別的X光圖像。在訓(xùn)練和測(cè)試X光圖像之前，將圖像做歸一化處理，得到分辨率為256×256的X光圖像。

本文將不同特征和不同分類器進(jìn)行組合。其中，使用的特征包括單個(gè)特征和聯(lián)合特征。單個(gè)特征包括共生矩陣特征、Taruma紋理特征和直方圖特征;而聯(lián)合特征為單個(gè)特征的線性組合。實(shí)驗(yàn)中使用的分類器包括4種分類器。

實(shí)驗(yàn)結(jié)果見表1所示，共生矩陣的特征向量維度為12，Tamura紋理特征的特征向量維度為12，直方圖特征向量維度為256，聯(lián)合特征即為將共生矩陣、Tamura紋理和直方圖的特征向量串聯(lián)起來構(gòu)成的特征向量，維度為280。

根據(jù)實(shí)驗(yàn)結(jié)果可知對(duì)大多數(shù)分類器而言，Tamura紋理特征取得的識(shí)別結(jié)果效果較差，這是由于Tamura紋理特征即方向度及規(guī)則度等不能夠表示有效的區(qū)分不同種類的違禁品圖像。對(duì)多數(shù)分類器而言，共生矩陣特征單一特征中效果較好，這是由于共生矩陣能夠有效地提取和區(qū)分不同種類的違禁品的圖像特征。直方圖特征的效果優(yōu)于共生矩陣特征，這是由于圖像直方圖特征不受圖像旋轉(zhuǎn)和平移變化的影響，在X光異物識(shí)別中，是一個(gè)性能優(yōu)良的特征。對(duì)于大多數(shù)的分類器，共生矩陣、Taruma紋理和直方圖特征相結(jié)合時(shí)的正確識(shí)別率最高。這說明不同的特征之間具有一定的互補(bǔ)性。將不同特征進(jìn)行聯(lián)合是一個(gè)正確的選擇。

在分類器性能方面，決策樹分類器推廣性差，SVM適用于比較大的訓(xùn)練集，并且其識(shí)別率對(duì)缺失的數(shù)據(jù)較敏感，因而正確識(shí)別率低。貝葉斯分類器假設(shè)屬性之間相互獨(dú)立，本文中屬性之間相關(guān)性較大，所以貝葉斯網(wǎng)絡(luò)分類正確率較低。

隨機(jī)森林分類判決時(shí)能檢測(cè)特征間的相互影響，并且適合高維度的特征分類，本文中將共生矩陣、Taruma紋理特征和直方圖特征結(jié)合起來，特征向量的維度為280，隨機(jī)森林分類算法比較符合本文的分類要求，因而正確識(shí)別率最高。

4 結(jié)語

本文對(duì)民航機(jī)場(chǎng)安檢時(shí)采集的違禁品X光圖像進(jìn)行了分類識(shí)別。首先，本文提取X光圖像顏色直方圖特征;同時(shí)對(duì)原圖進(jìn)行Contourlet變換，然后提取共生矩陣特征、Tamura紋理特征。然后，本文將共生矩陣、Tamura紋理和顏色直方圖特征相結(jié)合，得到聯(lián)合特征向量，利用多種分類器識(shí)別特征向量。最后，實(shí)驗(yàn)驗(yàn)證了項(xiàng)目提出的聯(lián)合特征向量進(jìn)行分類時(shí)的高效性。