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光圖像檢測違禁品的應(yīng)用日益廣泛，使用計算機輔助人工對違禁品進行檢測和分類的方法進入人們的視野。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X光圖像進行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，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)合特征向量對違禁品圖像分類。實驗結(jié)果證明，基于聯(lián)合特征分類的結(jié)果優(yōu)于單個特征的分類結(jié)果。

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

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1007-9416（2019）05-0076-02

0 引言

近年來，各種形式的恐怖事件時有發(fā)生，公共安全在很長時間內(nèi)成為國際社會關(guān)注的焦點之一。本文對違禁品X光圖像的自動識別分類進行研究。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模型對不同類違禁品建立模型并提取相應(yīng)的參數(shù)。本文采用隨機森林、貝葉斯網(wǎng)絡(luò)、決策樹和SVM分類器對違禁品圖像分類，并對不同分類器的分類結(jié)果進行對比，實驗表明隨機森林分類器的分類結(jié)果最好，同時基于聯(lián)合特征的分類效果比單個特征分類時的效果好。

1 系統(tǒng)總體框架

本文形成一個基于聯(lián)合特征的民航X光圖像違禁品分類識別系統(tǒng)，對民航機場乘客攜帶違禁物品的X光圖像自動檢測分類。違禁品檢測分類系統(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)的識別，需要提取X光圖像中的特征。我們首先對X光圖像進行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，采用隨機森林等分類器分別對違禁品圖像進行分類識別。

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，可以用相對較少的系數(shù)高效表示圖像的邊緣信息，因此本文首先對X光圖像進行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)方向濾波器組分解為個方向子帶（j為任意正整數(shù)），對低頻子帶進行相關(guān)處理實現(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別中的常用概念。其中，方向度、對比度、粗糙度對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光圖像違禁品識別中，是一個性能優(yōu)良的特征，因而將圖像直方圖作為分類特征可以有效對違禁品加以分類。

3 違禁品的分類判決

對違禁品的X光圖像提取特征后，下一步需對特征向量加以分類。本文使用多種分類器對不同的違禁品圖像加以分類識別。

實驗中訓(xùn)練圖像共276幅，分類測試圖像共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行組合。其中，使用的特征包括單個特征和聯(lián)合特征。單個特征包括共生矩陣特征、Taruma紋理特征和直方圖特征;而聯(lián)合特征為單個特征的線性組合。實驗中使用的分類器包括4種分類器。

實驗結(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)實驗結(jié)果可知對大多數(shù)分類器而言，Tamura紋理特征取得的識別結(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光異物識別中，是一個性能優(yōu)良的特征。對于大多數(shù)的分類器，共生矩陣、Taruma紋理和直方圖特征相結(jié)合時的正確識別率最高。這說明不同的特征之間具有一定的互補性。將不同特征進行聯(lián)合是一個正確的選擇。

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，并且其識別率對缺失的數(shù)據(jù)較敏感，因而正確識別率低。貝葉斯分類器假設(shè)屬性之間相互獨立，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。

隨機森林分類判決時能檢測特征間的相互影響，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，隨機森林分類算法比較符合本文的分類要求，因而正確識別率最高。

4 結(jié)語

本文對民航機場安檢時采集的違禁品X光圖像進行了分類識別。首先，本文提取X光圖像顏色直方圖特征;同時對原圖進行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，利用多種分類器識別特征向量。最后，實驗驗證了項目提出的聯(lián)合特征向量進行分類時的高效性。