X光安檢圖像低對比度區域目標的分割與增強算法＊

季俊鵬，鄭俊褒

(浙江理工大學信息學院，浙江 杭州 310018)

0 引言

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

改善圖像質量的方法有很多，如直方圖均衡、同態濾波、Retinex等[2-4]。但這些方法直接對全局增強，可能改變圖像中的其他區域。若能先將目標區域分割出來，則可實現針對該區域的局部增強。常用的分割方法有閾值法、區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，但對特定復雜圖像欠缺針對性，如閾值法在圖像比較復雜或圖像目標和背景灰度比較接近時，分割效果并不理想。區域生長法在灰度不均時可能導致空洞和過度分割。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域中，都很難找到合適的分割閾值。對于同一目標對象，其像素具有灰度相似性，以及區域連通性。而區域生長方法適合將具有相似性的相鄰像素進行聚合。

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

1 基于區域生長的圖像分割方法

區域生長法就是依據事先擬定的準則，從一個像素點或者一小塊領域不斷聚集像素的過程?；镜乃惴ㄋ枷刖褪菑姆N子點或小區域開始，根據生長準則合并相鄰像素或其他具有相同屬性的區域到當前區域，直到沒有合適的點或區域為止。區域生長的一般步驟如下。

⑴ 在圖像中，選擇合適的種子點，用來初始化集合A。

⑵判斷集合A的領域像素是否符合生長準則，符合則合并。

⑶重復步驟⑵，直到沒有符和生長準則的領域像素，結束合并。最終，集合A即為區域生長的分割結果。

區域生長法算法的效果好壞，取決于種子點的選取和生長準則是否合適，其規則多根據圖像特點來進行設置。種子點的選取根據人機交互的不同形式，分為半自動分割法和自動分割法兩種。半自動分割方法在種子點選取過程中需要人工介入。但這并不能帶來更好的效果，且會導致每次的分割結果不同。因此，目前更多使用自動分割方法。如文獻[7]中，對于自然圖像，認為若直方圖有多個峰值，每個峰值對應一個區域，則可以將每個直方圖的峰值位置作為區域的種子點；文獻[8]對于腦部磁共振圖像，先使用k-means進行聚類劃分，再將聚類中心作為種子點；文獻[9]對于乳腺X 光圖，通過查找有關乳腺X 光圖像方向的信息，自動計算種子點。生長準則的制定可以是一個閾值，也可以是一個算法。文獻[10]對于遙感圖片中的河流分割，其將候選點與種子點差的絕對值作為生長準則，閾值使用最大和最小值的均值來初始化，然后根據后續分割出的前景與背景的均值對閾值進行迭代；文獻[11]使用經脈生長趨勢作為區域生長算法的生長準則，通過對每個像素的八個方向進行路徑算子運算，找到像素可能感興趣的方向，并通過對感興趣方向進行排序，得到像素的擴展方向。

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的選取和生長準則的制定。對于X光安檢圖像，低對比度區域目標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域極大值點，來實現種子點的自動選取。目標區域內外像素具有不同的灰度，則可以使用像素點鄰域灰度的乘積與閾值的比值作為生長準則。此外，為了應對不同圖像中，目標區域對比度不同所帶來的影響，本文制定了根據低對比度區域統計特性來確定閾值的方法。

2 低對比度區域目標分割增強算法

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

圖1 算法流程

首先將偽彩色圖像取負片后三通道相乘。然后使用OTSU 算法分割出低對比度區域。在低對比度區域中用均值偏移選取種子點后，再使用區域生長算法得到目標區域。最后在HSV 空間中根據隸屬度值對飽和度進行調整。

2.1 粗分割

X 光安檢圖片中，三個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，即背景區域，低對比度區域和其他區域。背景區域為空氣部分，在負片中灰度極低，可直接排除。低對比度區域與其他區域灰度相差較大,可以使用OTSU 算法將低對比度區域與其他區域區分開來。

具體方法為先將背景區域排除，然后假設剩余的像素有L個灰度級[1,2,…,L]，目標是找到一個閾值T，能夠以差異最大化的方式將剩余像素分為低對比度區域和其他區域兩個部分。設低對比度區域像素個數占圖像整體比例為w0，平均灰度為u0；設其他區域像素個數占圖像比例為w1，平均灰度為u0。根據上述條件可得：

最后使閾值T從1到L遍歷完整個灰階，取其中使類間方差最大的T作為分割閾值。

2.2 區域生長細搜索

⑴基于均值偏移種子點求取

如前所述，確定極大值點就能確定目標的大致區域。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域的極大值點：

Mh(x)表示偏移均值。g(xi,x)用來表示樣本點xi與中心點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。根據式⑵我們可以得出中心點x的迭代公式：

式⑶表示第t+1次偏移的中心點由t次中心點加上偏移向量所得。其中a為偏移系數，用來控制中心點在偏移均值方向上移動的步長。根據式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。最終本文設計了如下的迭代步驟來求出極大值點。

步驟1前小結提取出的低對比度區域記為集合A。

步驟2在圖像中隨機初始化一百個中心點。

步驟3對于某一個中心點，將其半徑h內的所有點記作集合Sh。

步驟4計算從中心點開始到集合Sh中每個元素xi的偏移向量，并根據式⑵計算中心點的偏移均值。

步驟5所有中心點沿著偏移均值方向移動，其移動的下一個位置由式⑶給出。

步驟6重復步驟3 到步驟5，直到所有偏移向量的模小于某個值，將最后這些中心點記為集合B。

通過前面六個步驟，就可以大致逼近灰度極大值點。將那些沒有落在集合A內的點清除后，其結果為A∩B。對于A∩B中的極大值點，有的不落在目標區域內，需對這些點做進一步區分。由于目標區域灰度較高，因此可以使用OTSU 將該點集分成兩部分，其中灰度較高的極值點為目標區域內的點。最終將目標區域內灰度最大的極值點作為種子點。

⑵區域生長準則

目標區域內灰度大于目標區域外，所以目標邊緣像素點鄰域灰度的乘積必然小于目標區域內非邊緣像素領域灰度的乘積。對于像素點xi，可以用Vxi和閾值進行比較。Vxi表示為：

其中，Gi表示待加入點像素的鄰域，xk為鄰域Gi內的像素。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分別表示區域中的最大值和最小值，β為系數。

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，目標區域對比度不同，簡單的將所有圖片的閾值設為同一值并不可取。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低對比度區域本身的特點自適應的選取閾值。在生長過程中如果待加入點的值Vxi大于等于閾值thre，則加入，直到沒有符合條件的點。最終生長出的區域為包含目標的感興趣區域。

2.3 模糊增強

前面提取出的感興趣區域中的點并不完全屬于目標區域。已知目標區域的灰度值在低對比度區域較高，所以，感興趣區域的像素點越接近極大值點，則屬于目標區域的可能性就越大。因此，對于感興趣區域內的點可以建立相應的模糊隸屬度，然后根據像素隸屬于目標的程度對像素進行調整。模糊隸屬度由式⑺表示：

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

最后，為了在像素調整過程中不過多改變像素原本的顏色，本文將原圖像轉化到HSV 空間，根據隸屬度值對飽和度分量S 進行調整，調整完后再將HSV 空間的圖像轉化回RGB空間。

3 實驗結果分析

3.1 圖像數據采集

⑴圖像采集方法

本文使用鐵片、樹葉作為實驗材料。其中葉片作為植物風險源，模擬可能處于低對比度區域的目標。實驗過程中將鐵片和葉片放入紙箱內，其擺放方式如圖2 所示。實驗中使用的X 光機為海康威視生產的NP-SC5030。

圖2 采集材料擺放示意圖

⑵采集結果

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張葉片的結果。可以看到葉片區域與紙箱區域對比度較低，很難將兩者區分開來。隨著葉片數量的減少，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 采集結果

3.2 粗分割結果分析

圖4 為使用OTSU 的粗分割結果，其中空氣部分的低灰度區域與鐵片部分的高灰度區域都被去除，實現了紙箱和葉片低對比度區域與其他區域的分離。

圖4 OTSU分割結果

3.3 細搜索結果分析

如圖5所示，子圖a中的點表示使用均值偏移后紙箱和葉片區域的極值點，可以看到葉片區域的灰度要大于紙箱部分。經過濾后，其結果如子圖b 所示。紙箱部分的極值點基本被濾除。對紙箱中剩下的孤立點，可根據極值點附近其他極值點的個數，濾除周圍點數較少的極值點。

圖5 極值點過濾結果

圖6 從上到下展示了葉片數量為4～7 不同對比度下目標的分割結果。其中左邊的圖像為原圖，右邊的圖像為分割結果。圖6中的黑點為生長種子點。可以看到區域生長算法的種子點均在葉片內。從右邊的分割結果上看，對于不同對比度的情況，本文算法能夠實現對目標區域較為完整的分割，為后續的像素增強奠定了良好基礎。

圖6 分割結果

3.4 模糊增強增結果

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

圖7 不同葉片數的增強結果

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結果。

圖8 不同算法的增強結果

圖8 中，子圖a、b、c、d 分別表示原圖、本文算法、CLAHE 及MSRCR 的增強結果?？梢钥吹饺N算法對原圖都有一定的增強效果。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為了藍色，紙箱部分變為了紅色，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，本文算法的增強結果在葉片的細節表現上要更清晰，且本文算法對圖片其他區域不會造成影響。

4 結束語

本文提出了先分割后增強的低對比度區域目標的分割增強算法。即先使用OTSU 的粗分割算法和區域生長的細搜索方法提取出低對比度區域的目標，然后根據隸屬度函數對目標區域進行模糊增強。實驗中使用葉片圖像對算法的分割增強效果進行了仿真驗證。結果表明，該算法可以實現對不同葉片張數，即不同對比度下目標的分割與增強。與CLAHE、MSRCR 兩種全局增強算法相比，本文算法在增強目標區域的同時，不會改變圖像中的其他區域。然而對于如一張葉片等對比度過低，目標與背景區域的灰度值過于接近的情況，本文算法還不能對其進行完整分割增強，在后續的研究中需做進一步改進。