X光安檢圖像低對比度區(qū)域目標(biāo)的分割與增強(qiáng)算法＊

季俊鵬，鄭俊褒

(浙江理工大學(xué)信息學(xué)院，浙江 杭州 310018)

0 引言

隨著X 射線透視技術(shù)的發(fā)展，X 光成像技術(shù)在安檢中得到了較為廣泛的應(yīng)用。而X 光安檢圖像中，常存在一些如動(dòng)植物等處于低對比度區(qū)域的目標(biāo)。低對比度區(qū)域具有灰度變化不明顯的特點(diǎn)，使得圖像中的目標(biāo)、背景等信息都包含在一個(gè)較窄的灰度范圍內(nèi)而難以區(qū)分[1]，從而給這類目標(biāo)的檢測和識別帶來困難。

改善圖像質(zhì)量的方法有很多，如直方圖均衡、同態(tài)濾波、Retinex等[2-4]。但這些方法直接對全局增強(qiáng)，可能改變圖像中的其他區(qū)域。若能先將目標(biāo)區(qū)域分割出來，則可實(shí)現(xiàn)針對該區(qū)域的局部增強(qiáng)。常用的分割方法有閾值法、區(qū)域生長法和聚類法等[5,6]。單一某種分割方法具有較好的泛用性，但對特定復(fù)雜圖像欠缺針對性，如閾值法在圖像比較復(fù)雜或圖像目標(biāo)和背景灰度比較接近時(shí)，分割效果并不理想。區(qū)域生長法在灰度不均時(shí)可能導(dǎo)致空洞和過度分割。因此對于特定圖像，使用多種分割方法結(jié)合的方式更為適合。安檢圖像中無論是對整張圖片還是在低對比度區(qū)域中，都很難找到合適的分割閾值。對于同一目標(biāo)對象，其像素具有灰度相似性，以及區(qū)域連通性。而區(qū)域生長方法適合將具有相似性的相鄰像素進(jìn)行聚合。

綜合以上分析，本文提出了先粗分割，后細(xì)搜索的模糊增強(qiáng)算法。該算法先在粗分割階段使用OTSU方法提取出低對比度區(qū)域。然后在細(xì)搜索階段使用區(qū)域生長方法在低對比度區(qū)域中提取出目標(biāo)對象。最后在HSV 空間中根據(jù)模糊隸屬度值對像素飽和度分量進(jìn)行調(diào)整。

1 基于區(qū)域生長的圖像分割方法

區(qū)域生長法就是依據(jù)事先擬定的準(zhǔn)則，從一個(gè)像素點(diǎn)或者一小塊領(lǐng)域不斷聚集像素的過程?；镜乃惴ㄋ枷刖褪菑姆N子點(diǎn)或小區(qū)域開始，根據(jù)生長準(zhǔn)則合并相鄰像素或其他具有相同屬性的區(qū)域到當(dāng)前區(qū)域，直到?jīng)]有合適的點(diǎn)或區(qū)域?yàn)橹埂^(qū)域生長的一般步驟如下。

⑴ 在圖像中，選擇合適的種子點(diǎn)，用來初始化集合A。

⑵判斷集合A的領(lǐng)域像素是否符合生長準(zhǔn)則，符合則合并。

⑶重復(fù)步驟⑵，直到?jīng)]有符和生長準(zhǔn)則的領(lǐng)域像素，結(jié)束合并。最終，集合A即為區(qū)域生長的分割結(jié)果。

區(qū)域生長法算法的效果好壞，取決于種子點(diǎn)的選取和生長準(zhǔn)則是否合適，其規(guī)則多根據(jù)圖像特點(diǎn)來進(jìn)行設(shè)置。種子點(diǎn)的選取根據(jù)人機(jī)交互的不同形式，分為半自動(dòng)分割法和自動(dòng)分割法兩種。半自動(dòng)分割方法在種子點(diǎn)選取過程中需要人工介入。但這并不能帶來更好的效果，且會導(dǎo)致每次的分割結(jié)果不同。因此，目前更多使用自動(dòng)分割方法。如文獻(xiàn)[7]中，對于自然圖像，認(rèn)為若直方圖有多個(gè)峰值，每個(gè)峰值對應(yīng)一個(gè)區(qū)域，則可以將每個(gè)直方圖的峰值位置作為區(qū)域的種子點(diǎn)；文獻(xiàn)[8]對于腦部磁共振圖像，先使用k-means進(jìn)行聚類劃分，再將聚類中心作為種子點(diǎn)；文獻(xiàn)[9]對于乳腺X 光圖，通過查找有關(guān)乳腺X 光圖像方向的信息，自動(dòng)計(jì)算種子點(diǎn)。生長準(zhǔn)則的制定可以是一個(gè)閾值，也可以是一個(gè)算法。文獻(xiàn)[10]對于遙感圖片中的河流分割，其將候選點(diǎn)與種子點(diǎn)差的絕對值作為生長準(zhǔn)則，閾值使用最大和最小值的均值來初始化，然后根據(jù)后續(xù)分割出的前景與背景的均值對閾值進(jìn)行迭代；文獻(xiàn)[11]使用經(jīng)脈生長趨勢作為區(qū)域生長算法的生長準(zhǔn)則，通過對每個(gè)像素的八個(gè)方向進(jìn)行路徑算子運(yùn)算，找到像素可能感興趣的方向，并通過對感興趣方向進(jìn)行排序，得到像素的擴(kuò)展方向。

綜上所述，對于不同種類的圖像，會采用不同方法用于種子點(diǎn)的選取和生長準(zhǔn)則的制定。對于X光安檢圖像，低對比度區(qū)域目標(biāo)對象在其鄰域中灰度值較高。因此，可以通過尋找低對比度區(qū)域極大值點(diǎn)，來實(shí)現(xiàn)種子點(diǎn)的自動(dòng)選取。目標(biāo)區(qū)域內(nèi)外像素具有不同的灰度，則可以使用像素點(diǎn)鄰域灰度的乘積與閾值的比值作為生長準(zhǔn)則。此外，為了應(yīng)對不同圖像中，目標(biāo)區(qū)域?qū)Ρ榷炔煌鶐淼挠绊?，本文制定了根?jù)低對比度區(qū)域統(tǒng)計(jì)特性來確定閾值的方法。

2 低對比度區(qū)域目標(biāo)分割增強(qiáng)算法

X 光安檢圖像中，低對比度區(qū)域與其他區(qū)域灰度相差較大，且低對比度區(qū)域中的目標(biāo)灰度值較大。根據(jù)上述特點(diǎn)，本文提出了如圖1所示的分割增強(qiáng)算法。

圖1 算法流程

首先將偽彩色圖像取負(fù)片后三通道相乘。然后使用OTSU 算法分割出低對比度區(qū)域。在低對比度區(qū)域中用均值偏移選取種子點(diǎn)后，再使用區(qū)域生長算法得到目標(biāo)區(qū)域。最后在HSV 空間中根據(jù)隸屬度值對飽和度進(jìn)行調(diào)整。

2.1 粗分割

X 光安檢圖片中，三個(gè)顏色通道做相乘處理后一般存在較為明顯的三段灰度層級，即背景區(qū)域，低對比度區(qū)域和其他區(qū)域。背景區(qū)域?yàn)榭諝獠糠?，在?fù)片中灰度極低，可直接排除。低對比度區(qū)域與其他區(qū)域灰度相差較大,可以使用OTSU 算法將低對比度區(qū)域與其他區(qū)域區(qū)分開來。

具體方法為先將背景區(qū)域排除，然后假設(shè)剩余的像素有L個(gè)灰度級[1,2,…,L]，目標(biāo)是找到一個(gè)閾值T，能夠以差異最大化的方式將剩余像素分為低對比度區(qū)域和其他區(qū)域兩個(gè)部分。設(shè)低對比度區(qū)域像素個(gè)數(shù)占圖像整體比例為w0，平均灰度為u0；設(shè)其他區(qū)域像素個(gè)數(shù)占圖像比例為w1，平均灰度為u0。根據(jù)上述條件可得：

最后使閾值T從1到L遍歷完整個(gè)灰階，取其中使類間方差最大的T作為分割閾值。

2.2 區(qū)域生長細(xì)搜索

⑴基于均值偏移種子點(diǎn)求取

如前所述，確定極大值點(diǎn)就能確定目標(biāo)的大致區(qū)域。為此，本文使用如下形式的均值偏移方法來尋找低對比度區(qū)域的極大值點(diǎn)：

Mh(x)表示偏移均值。g(xi,x)用來表示樣本點(diǎn)xi與中心點(diǎn)x灰度的差值，也就是說這里的均值偏移方向表示為灰度值增加的方向。根據(jù)式⑵我們可以得出中心點(diǎn)x的迭代公式：

式⑶表示第t+1次偏移的中心點(diǎn)由t次中心點(diǎn)加上偏移向量所得。其中a為偏移系數(shù)，用來控制中心點(diǎn)在偏移均值方向上移動(dòng)的步長。根據(jù)式⑶可以通過逐步迭代的方式將x逼近圖像中灰度極大值點(diǎn)。最終本文設(shè)計(jì)了如下的迭代步驟來求出極大值點(diǎn)。

步驟1前小結(jié)提取出的低對比度區(qū)域記為集合A。

步驟2在圖像中隨機(jī)初始化一百個(gè)中心點(diǎn)。

步驟3對于某一個(gè)中心點(diǎn)，將其半徑h內(nèi)的所有點(diǎn)記作集合Sh。

步驟4計(jì)算從中心點(diǎn)開始到集合Sh中每個(gè)元素xi的偏移向量，并根據(jù)式⑵計(jì)算中心點(diǎn)的偏移均值。

步驟5所有中心點(diǎn)沿著偏移均值方向移動(dòng)，其移動(dòng)的下一個(gè)位置由式⑶給出。

步驟6重復(fù)步驟3 到步驟5，直到所有偏移向量的模小于某個(gè)值，將最后這些中心點(diǎn)記為集合B。

通過前面六個(gè)步驟，就可以大致逼近灰度極大值點(diǎn)。將那些沒有落在集合A內(nèi)的點(diǎn)清除后，其結(jié)果為A∩B。對于A∩B中的極大值點(diǎn)，有的不落在目標(biāo)區(qū)域內(nèi)，需對這些點(diǎn)做進(jìn)一步區(qū)分。由于目標(biāo)區(qū)域灰度較高，因此可以使用OTSU 將該點(diǎn)集分成兩部分，其中灰度較高的極值點(diǎn)為目標(biāo)區(qū)域內(nèi)的點(diǎn)。最終將目標(biāo)區(qū)域內(nèi)灰度最大的極值點(diǎn)作為種子點(diǎn)。

⑵區(qū)域生長準(zhǔn)則

目標(biāo)區(qū)域內(nèi)灰度大于目標(biāo)區(qū)域外，所以目標(biāo)邊緣像素點(diǎn)鄰域灰度的乘積必然小于目標(biāo)區(qū)域內(nèi)非邊緣像素領(lǐng)域灰度的乘積。對于像素點(diǎn)xi，可以用Vxi和閾值進(jìn)行比較。Vxi表示為：

其中，Gi表示待加入點(diǎn)像素的鄰域，xk為鄰域Gi內(nèi)的像素。將原灰度除以d，是為了使Vxi落在0 到1 附近。值d通過式⑸確定：

其中，max v和min v分別表示區(qū)域中的最大值和最小值，β為系數(shù)。

一般的閾值法直接使用與固定閾值比較來作為生長條件。但對于不同圖像，目標(biāo)區(qū)域?qū)Ρ榷炔煌?，簡單的將所有圖片的閾值設(shè)為同一值并不可取。為此，本文制定式⑹所示的閾值確定方法：

通過該方法可以根據(jù)低對比度區(qū)域本身的特點(diǎn)自適應(yīng)的選取閾值。在生長過程中如果待加入點(diǎn)的值Vxi大于等于閾值thre，則加入，直到?jīng)]有符合條件的點(diǎn)。最終生長出的區(qū)域?yàn)榘繕?biāo)的感興趣區(qū)域。

2.3 模糊增強(qiáng)

前面提取出的感興趣區(qū)域中的點(diǎn)并不完全屬于目標(biāo)區(qū)域。已知目標(biāo)區(qū)域的灰度值在低對比度區(qū)域較高，所以，感興趣區(qū)域的像素點(diǎn)越接近極大值點(diǎn)，則屬于目標(biāo)區(qū)域的可能性就越大。因此，對于感興趣區(qū)域內(nèi)的點(diǎn)可以建立相應(yīng)的模糊隸屬度，然后根據(jù)像素隸屬于目標(biāo)的程度對像素進(jìn)行調(diào)整。模糊隸屬度由式⑺表示：

其中，value(xi)表示像素點(diǎn)xi的灰度值，max為感興趣區(qū)域中的最大值，n為大于1的實(shí)數(shù)。

最后，為了在像素調(diào)整過程中不過多改變像素原本的顏色，本文將原圖像轉(zhuǎn)化到HSV 空間，根據(jù)隸屬度值對飽和度分量S 進(jìn)行調(diào)整，調(diào)整完后再將HSV 空間的圖像轉(zhuǎn)化回RGB空間。

3 實(shí)驗(yàn)結(jié)果分析

3.1 圖像數(shù)據(jù)采集

⑴圖像采集方法

本文使用鐵片、樹葉作為實(shí)驗(yàn)材料。其中葉片作為植物風(fēng)險(xiǎn)源，模擬可能處于低對比度區(qū)域的目標(biāo)。實(shí)驗(yàn)過程中將鐵片和葉片放入紙箱內(nèi)，其擺放方式如圖2 所示。實(shí)驗(yàn)中使用的X 光機(jī)為?？低暽a(chǎn)的NP-SC5030。

圖2 采集材料擺放示意圖

⑵采集結(jié)果

采集的圖片如圖3 所示。圖片中子圖a、b、c、d 分別是1張、3張、5張和7張葉片的結(jié)果?？梢钥吹饺~片區(qū)域與紙箱區(qū)域?qū)Ρ榷容^低，很難將兩者區(qū)分開來。隨著葉片數(shù)量的減少，其可見程度更低，也就是說，不同的葉片厚度，在圖像中會有不同的對比度。

圖3 采集結(jié)果

3.2 粗分割結(jié)果分析

圖4 為使用OTSU 的粗分割結(jié)果，其中空氣部分的低灰度區(qū)域與鐵片部分的高灰度區(qū)域都被去除，實(shí)現(xiàn)了紙箱和葉片低對比度區(qū)域與其他區(qū)域的分離。

圖4 OTSU分割結(jié)果

3.3 細(xì)搜索結(jié)果分析

如圖5所示，子圖a中的點(diǎn)表示使用均值偏移后紙箱和葉片區(qū)域的極值點(diǎn)，可以看到葉片區(qū)域的灰度要大于紙箱部分。經(jīng)過濾后，其結(jié)果如子圖b 所示。紙箱部分的極值點(diǎn)基本被濾除。對紙箱中剩下的孤立點(diǎn)，可根據(jù)極值點(diǎn)附近其他極值點(diǎn)的個(gè)數(shù)，濾除周圍點(diǎn)數(shù)較少的極值點(diǎn)。

圖5 極值點(diǎn)過濾結(jié)果

圖6 從上到下展示了葉片數(shù)量為4～7 不同對比度下目標(biāo)的分割結(jié)果。其中左邊的圖像為原圖，右邊的圖像為分割結(jié)果。圖6中的黑點(diǎn)為生長種子點(diǎn)?？梢钥吹絽^(qū)域生長算法的種子點(diǎn)均在葉片內(nèi)。從右邊的分割結(jié)果上看，對于不同對比度的情況，本文算法能夠?qū)崿F(xiàn)對目標(biāo)區(qū)域較為完整的分割，為后續(xù)的像素增強(qiáng)奠定了良好基礎(chǔ)。

圖6 分割結(jié)果

3.4 模糊增強(qiáng)增結(jié)果

圖7 中子圖a、b、c、d 分別為葉片張數(shù)為四張、五張、六張、七張的增強(qiáng)結(jié)果?？梢钥吹饺~片區(qū)域的成像被改善，同時(shí)對于圖像的其余部分沒有做出改變。雖然在子圖a 中葉片區(qū)域較為零碎，但并不妨礙對葉片內(nèi)容的識別。

圖7 不同葉片數(shù)的增強(qiáng)結(jié)果

3.5 與其他算法的比較

本文算法和CLAHE[12]、MSRCR[13]兩種算法進(jìn)行了比較。CLAHE 只能用在灰度圖像上，為此將CLAHE作用于HSV 空間中的飽和度分量上。圖8 以七張葉片為例，展示了使用三種算法的增強(qiáng)結(jié)果。

圖8 不同算法的增強(qiáng)結(jié)果

圖8 中，子圖a、b、c、d 分別表示原圖、本文算法、CLAHE 及MSRCR 的增強(qiáng)結(jié)果?？梢钥吹饺N算法對原圖都有一定的增強(qiáng)效果。本文提出的算法和CLAHE 算法對原圖的改變較小，MSRCR 對原圖的改變較大。子圖d 中表示空氣的白色部分變?yōu)榱怂{(lán)色，紙箱部分變?yōu)榱思t色，說明MSRCR 雖適用于自然圖像，但并不適用于X 光圖像。與CLAHE 相比，本文算法的增強(qiáng)結(jié)果在葉片的細(xì)節(jié)表現(xiàn)上要更清晰，且本文算法對圖片其他區(qū)域不會造成影響。

4 結(jié)束語

本文提出了先分割后增強(qiáng)的低對比度區(qū)域目標(biāo)的分割增強(qiáng)算法。即先使用OTSU 的粗分割算法和區(qū)域生長的細(xì)搜索方法提取出低對比度區(qū)域的目標(biāo)，然后根據(jù)隸屬度函數(shù)對目標(biāo)區(qū)域進(jìn)行模糊增強(qiáng)。實(shí)驗(yàn)中使用葉片圖像對算法的分割增強(qiáng)效果進(jìn)行了仿真驗(yàn)證。結(jié)果表明，該算法可以實(shí)現(xiàn)對不同葉片張數(shù)，即不同對比度下目標(biāo)的分割與增強(qiáng)。與CLAHE、MSRCR 兩種全局增強(qiáng)算法相比，本文算法在增強(qiáng)目標(biāo)區(qū)域的同時(shí)，不會改變圖像中的其他區(qū)域。然而對于如一張葉片等對比度過低，目標(biāo)與背景區(qū)域的灰度值過于接近的情況，本文算法還不能對其進(jìn)行完整分割增強(qiáng)，在后續(xù)的研究中需做進(jìn)一步改進(jìn)。