基于自適應顏色紋理特征的安檢圖像檢測及分類

王伊琳

(西北政法大學，陜西 西安 710122)

公共場所由于空間限制和人流密度容易頻發安全事故，因此做好提前的安全檢查非常重要。通常，安檢工作需要安檢員對乘客及其所攜帶的物品在X光安檢成像系統上進行監督檢查，但這樣對于整個安檢機制來說摻雜太多的主觀性，可能造成違禁物品的錯檢或漏檢[1]。另外，隨著安檢技術的應用普及，安檢領域獲得的X光安檢圖像越來越多，由于缺少行之有效的自動化管理方法，使大量的安檢圖像變成了閑置資源。所以，利用圖像處理與模式識別的方法讓機器輔助人工實現自動檢測分類有著重要的研究價值和實際意義。

絕大多數安檢設備都是通過X射線源發出的X射線穿透物體，并反映到探測器上，所以安檢圖像與普通的可見光譜圖像完全不同。不同材質的物體在安檢成像系統中會呈現出特殊的顏色分布，如水、酒精、皮革等物體呈橙色，金屬、食鹽等呈藍色，聚氯乙烯等混合物呈綠色。另外，X射線具有很好的透射性，被檢測物體的細微結構均可以在成像系統中清晰地顯示出來，因此X光安檢圖像同時具有豐富的局部細節信息。

基于上述內容，筆者利用描述圖像局部細節變化的紋理特征結合顏色特征來對X光安檢圖像進行描述，構建圖像的自適應模糊顏色模板，然后結合高斯金字塔和中值二值模式(Median Binary Pattern， MBP)算子[2]，以求讓機器有效利用X光安檢圖像的顏色信息、紋理特征和多尺度等特點對輸入的測試圖像進行檢測分類。

1 本文算法

1.1 中值二值模式算子

傳統的局部二值模式(Local Binary Pattern， LBP)算子是以中心像素作為閾值與鄰域像素進行比較，在一定程度上忽略了鄰域像素之間的灰度變化規律。針對這一問題，本文利用以鄰域像素的中位數作為閾值的MBP算子。MBP算子仍使用傳統LBP算子3×3的像素鄰域，它是將鄰域像素的中位數作為閾值，并逐一與鄰域像素進行比較，鄰域像素灰度值大于閾值的記為“1”，小于閾值的記為“0”，其公式定義如下：

式中，L表示鄰域像素的個數，gp表示像素的灰度值。由此可以得到一串二進制編碼，將獲得的二進制編碼轉化為十進制數作為中心像素的MBP值。以此類推，可以得到整幅圖像的MBP模式。

1.2 多尺度特征提取及融合

金字塔是一種非常直觀的圖像多尺度的表達形式，可以通過構建圖像金字塔實現對圖像多尺度的表達[3]。金字塔模型一般包括兩個步驟：①用一個低通濾波器對圖像進行平滑；②對平滑后的圖像進行抽樣或插值，這樣可以得到一系列尺寸放大或縮小的圖像。靠近金字塔底層的圖像尺寸較大，分辨率較高，對應精細的尺度，能夠反映圖像中的細節；隨著金字塔的逐層上移，圖像的尺寸和分辨率都在降低，對應粗的尺度，包含圖像中的主要特征信息。在構造圖像金字塔的過程中，常用的濾波器有高斯濾波器、高斯差分濾波器和小波多尺度濾波器，本文實驗將采用高斯濾波器。

X光安檢圖像往往會因為物體的擺放位置、物體之間的遮擋造成同一物體存在多尺度的圖像，所以為了對圖像特征進行多尺度的表達，本文將在安檢圖像上提取包含3個尺度的高斯金字塔，然后在每一層的圖像上提取MBP特征，進而得到安檢圖像的多尺度特征。

1.3 基于自適應顏色模板的紋理特征提取方法

紅、綠、藍是三原色，圖像處理中的其他顏色空間都是通過RGB顏色空間轉換而來的，生活中用到的電子顯示屏、監控器等硬件顯示設備也都是通過RGB顏色空間的方法來顯示，可見在圖像處理中RGB顏色空間是最為基本的顏色空間，任何一幅圖像的顏色信息都可以通過不同權重的R、G、B分量來顯示，所以本文將R、G、B三個通道的分量作為表征安檢圖像顏色信息的模板。

顏色直方圖能夠反映在一個圖像區域中各種顏色所占的比例，首先對X光安檢圖像在RGB顏色空間中進行顏色直方圖分析，顏色直方圖的縱軸代表顏色分量中像素點出現的頻數，橫軸代表RGB顏色空間[0，255]的亮度范圍，在顏色直方圖中選取亮度較大的范圍[150，255]，分別統計R、G、B三個通道在這個亮度范圍的像素個數，不同材質物體的X光安檢圖像可以得到不同的頻數值，這個頻數值能夠反映圖像中哪種通道的顏色占的比例大，例如在手機、電腦的安檢圖像中G通道和B通道所占的比例更大，而在液體的安檢圖像中R和G通道所占的比例更大。最后從大到小為每個通道分配權重值來構造自適應模糊顏色模板，經過大量實驗，權重值依次取為0.45，0.35，0.2時，效果最好。

自適應模糊顏色模板能夠在圖像檢測分類時自動分析并利用主要的顏色信息，在得到X光安檢圖像的自適應模糊顏色模板后，首先在自適應模板上提取包含3個尺度的高斯金字塔構成圖像的多尺度空間，然后提取圖像在每一個尺度上的MBP特征，對高斯金字塔進行MBP特征提取的同時也獲得了圖像在不同尺度下的紋理特征，以一幅液體的X光安檢圖像為例，實驗的總算法框圖如圖1所示。

圖1 基于自適應模糊顏色模板的多尺度紋理提取算法框圖

下一步對圖像進行8×8分塊，然后統計每一個子塊上的MBP算子直方圖，級聯所有子塊的直方圖特征輸入詞袋模型中，構造特征詞典，統計并生成視覺單詞直方圖，最后訓練SVM分類器進行檢測分類實驗。

(a)標記為“手機”的X光安檢圖像

(b)標記為“液體”的X光安檢圖像

(c)標記為“電腦”的X光安檢圖像

2 實驗結果及分析

整個實驗過程包含訓練和測試兩個階段，從現有的X光安檢圖像數據庫中選擇3類圖像作為實驗樣本，分別是手機安檢圖像、液體安檢圖像和電腦安檢圖像，共435幅圖像。將它們的尺寸大小統一轉化為200×200，其中285幅作為訓練樣本，人工標記分為3類：手機、液體、電腦，每類95幅圖像，剩下的150幅圖像作為測試樣本，同樣包含3類：手機、液體、電腦，每類50幅圖像。圖2給出部分訓練樣本的示例圖像。

為驗證本文算法的有效性，實驗結果給出了分類的混淆矩陣，如圖3所示，從矩陣中可以看出，“液體”的分類識別率達到1，沒有錯誤的分類；“電腦”正確的分類識別率為0.98，其中0.02被分類為“手機”；“手機”正確的分類識別率為0.94，其中0.06被分類為“電腦”。

圖3 混淆矩陣

同樣地，將混淆矩陣中錯誤的分類識別率對應到測試圖像中，如圖4所示，其中圖4(a)、圖4(b)、圖4(c)是“手機”圖像，但被錯誤地分類為“電腦”圖像，圖4(d)是“電腦”圖像，但被錯誤地分類為“手機”圖像。通過分析錯分的實驗結果可以看出，由于“手機”和“電腦”X光安檢圖像的顏色特征與紋理特征比較相似，從而造成了機器的錯分。

(a)手機 (b)手機 (c)手機 (d)電腦

3 結束語

通過實驗分析，本文算法利用X光安檢圖像的顏色、紋理、多尺度等特點，有效地對包含不同類別物體的X光安檢圖像進行自動檢測分類，且算法能夠獲得較高的檢測分類率。