基于USM的改進Retinex算法安檢圖像增強*

孫星星 鄭俊褒 曹志玲

（1.浙江理工大學信息學院 杭州 310018）（2.黃埔海關技術中心 廣州 510000）

1 引言

安檢圖像是由X射線照射產生的。由于X射線照度低，安檢圖像往往存在細節模糊、對比度低等缺點，直接影響安檢人員的檢測速度與精確度［1］，因此對安檢圖像進行增強是至關重要的。近年來對安檢圖像增強方法的研究有很多：韓萍［2］等提出采用小波變換和灰度級分組相結合的方式處理雙能X射線圖像，相比直方圖均衡（Histogram equal?ization，HE）算法，提高了圖像的清晰度；鄭林濤［3］等提出一種結合多尺度Retinex算法（Multi-Scale Retinex，MSR）和圖像灰度最大值融合的雙能X射線安檢圖像增強算法，進一步改善圖像質量；文獻［4］中鄧文鋒提出將模糊理論的知識用于安檢圖像增強，在提高圖像對比度同時減少噪聲。

本文采用Retinex算法對安檢圖像進行增強。Retinex算法通過模擬人眼的觀察方式，能去除場景中入射光的影響，得到反映物體本質屬性的反射屬性［5］，廣泛應用于紅外圖像［6］、夜間圖像［7］、霧霾圖像［8］等光照條件有限的圖像增強中，正適用于本文待處理的光照不均勻的X射線圖像。實驗結果表明，傳統Retinex算法對本文圖像增強效果并不理想，因此提出改進算法來達到本文增強目標。

2 Retinex算法

Retinex理論主要包含了兩個方面的內容：物體的顏色是由物體對長波、中波和短波光線的反射能力決定的，而不是由反射光強的絕對值決定的；物體的色彩不受光照非均勻性的影響，具由一致性［9］。因此，Retinex圖像增強的基本思想就是去除照射光的影響，保留物體自身的反射屬性［10］。

2.1 單尺度Retinex（Single-Scale Retinex，SSR）算法

一副給定的圖像S(x，y)可以看作是由物體反射圖像R(x，y)和入射光圖像L(x，y)組成的，它們之間可以表示為

對式（1）兩邊同時取對數，有下式：

其中L（x，y）可以通過對圖像數據S（x，y）進行高斯模糊得到：

上式中*為卷積運算符，G（x，y）代表高斯核函數，表達式為

其中c為高斯濾波的尺度常量，尺度常量越大，灰度動態范圍壓縮的越多，意味著圖像銳化的越多［11］。λ必須保證下式成立：

2.2 MSR算法

MSR算法是在SSR算法的基礎上，加入多個不同參數的高斯模板（一般為三個，分別代表低、中、高），最后將多個SSR加權求和的過程。公式表示如下：

模糊綜合評價指標體系是進行綜合評價的前提，窖泥評價指標的選取是否適宜，將直接影響評價的準確性。為了科學確定窖泥質量評價體系，我們對四川省內濃香型白酒主要產區的幾十家企業進行調查走訪，同企業技術、經營、生產管理人員及行業專家進行溝通、交流，并隨機采集不同質量等級的窖泥樣品。結果見表1。

其中n是尺度數量，σ={σ1，σ2，…，σn}是高斯模糊系數的向量，wk是與第k個尺度相關的權重，并且

2.3 帶色彩恢復因子的多尺度Retinex（Multi-Scale Retinex with Color Restoration，MSR?CR）算法

MSRCR算法引入彩色恢復因子C到MSR算法中，彌補由于圖像局部區域對比度增強而導致顏色失真的缺陷［12］，整體表達式為

其中Il為原始圖像中(x，y)這個點的像素值。

3 改進Retinex算法

3.1 USM算法

USM是在原始圖像的基礎上，加上一定比例的圖像高頻成分，以期達到邊緣和細節信息增強的效果［13］。基本思路如圖1所示。

圖1 反銳化掩模原理圖

線性反銳化掩模的數學表達式：

f（x，y）、g（x，y）、s（x，y）分別為輸入、輸出、高通濾波后圖像，K為增強系數，Q（x，y）為低通模板，表達式為

3.2 CLAHE算法

相比于HE算法，CLAHE算法采用分塊均衡的思想調節圖像亮度，設置閾值防止放大噪聲，并采用雙線性插值的方法提高算法效率，具體描述如下。

1）對圖像進行分塊，以塊為單位，先計算直方圖，然后修剪直方圖，最后均衡［14］。其中直方圖修剪如下所示。

圖2 直方圖修剪示意圖

這個重新分布的過程可能會導致那些被裁剪掉的部分又重新超過了裁剪值，但超出的值很小，可以忽略不計。

2）塊間線性插值，需要遍歷、操作各個子圖像塊，一般采用效率高的雙線性插值法，計算公式如下：

其中G(i)為點(x，y)處的灰度值，Gzs(i)、Gzx(i)、Gyx(i)、Gys(i)分別為G(i)左上角、右上角、右下角、左下角的樣本點。邊緣部分灰度值用臨近兩個樣本點進行插值計算，四個頂點用臨近一個樣本點進行計算［15］。

3.3 本文算法

基于USM的Retinex改進算法在得到高頻分量后，擬對其進行放大，并用CLAHE算法做對比度增強，主要過程如下

1）對高頻成分做放大，并加入低頻成分：

其中G是高斯核函數，s是待處理圖像，r是高頻增強圖像。K1是低頻疊加系數，K2為高頻增強因子。

2）做CLAHE處理增強對比度。

算法流程圖如下。

圖3 本文算法流程圖

4 實驗結果分析

4.1 Retinex算法實驗

選取圖像“帶泥植物（虎尾蘭綠蘿）”進行實驗，首先對圖像直接做Retinex處理，結果如圖4。

圖4 Retinex處理結果

從圖4中可看出SSR和MSR算法對安檢圖像幾乎沒有什么作用，增強后圖像跟原來幾乎一樣；MSRCR效果明顯，原來看不清的枝葉部分在增強后清晰可見，但觀察圖中邊框圈住的內容，根據原圖它應該是花盆邊緣，在這里已經完全看不出來了，由此看出MSRCR算法作用于安檢圖像時會因過度增強而導致圖像局部信息的缺失，這是我們不希望看到的。

4.2 改進Retinex算法實驗

4.2.1 實驗結果

用改進算法對圖像“帶泥植物（虎尾蘭綠蘿）”進行增強處理，并與其他圖像增強算法比較，結果如圖5所示。

圖5 不同圖像增強算法實驗結果

從上述實驗結果中我們可以直觀看到，幾個算法對原圖都有增強效果，并且沒有MSRCR算法丟失局部信息的缺陷，達到了本文增強的目的。但幾種算法增強結果是有區別的：小波增強效果最不明顯；高頻強調濾波算法對邊緣增強效果最好，細節增強不太明顯；CLAHE算法細節增強比較明顯；本文算法部分增強細節最明顯。

4.2.2 數據分析

用平均梯度、信息熵和標準差來繼續評價幾種算法，其中平均梯度反映圖像清晰度，信息熵反映圖像包含的信息量，標準差反映圖像質量，三個值都是越大越好。結果如表1所示。

表1 各算法數據比較

從上表中可以分析到，高頻強調濾波算法增強后圖像平均梯度最大，清晰度最高，跟圖像直觀分析結果一樣；信息熵和標準差的大小依次為本文算法大于CLAHE大于高頻強調濾波大于小波變換，對應圖5中本文算法增強后圖像包含的信息量和質量在幾種算法中都是最好的。由于本文增強的主要目的是細節增強，因此本文算法得到了預期結果，圖像信息熵比CLAHE算法約提高6%左右，當然還可以在清晰度方面做進一步改進。

5 結語

通過對安檢圖像特點和Retinex算法的分析，提出將Retinex算法應用到安檢圖像增強上，并結合USM算法對其做出改進，使之更符合安檢圖像增強處理的要求。最后通過實驗驗證改進算法的可行性，對安檢圖像增強研究有一定促進作用。