孫星星 鄭俊褒 曹志玲

（1.浙江理工大學(xué)信息學(xué)院 杭州 310018）（2.黃埔海關(guān)技術(shù)中心 廣州 510000）

1 引言

安檢圖像是由X射線照射產(chǎn)生的。由于X射線照度低，安檢圖像往往存在細(xì)節(jié)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(jìn)行增強是至關(guān)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(jié)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(jié)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(jìn)一步改善圖像質(zhì)量；文獻(xiàn)［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(jìn)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(zhì)屬性的反射屬性［5］，廣泛應(yīng)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(jié)果表明，傳統(tǒng)Retinex算法對本文圖像增強效果并不理想，因此提出改進(jìn)算法來達(dá)到本文增強目標(biāo)。

2 Retinex算法

Retinex理論主要包含了兩個方面的內(nèi)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(shù)，有下式：

其中L（x，y）可以通過對圖像數(shù)據(jù)S（x，y）進(jìn)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(shù)，表達(dá)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(tài)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(chǔ)上，加入多個不同參數(shù)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(quán)求和的過程。公式表示如下：

模糊綜合評價指標(biāo)體系是進(jìn)行綜合評價的前提，窖泥評價指標(biāo)的選取是否適宜，將直接影響評價的準(zhǔn)確性。為了科學(xué)確定窖泥質(zhì)量評價體系，我們對四川省內(nèi)濃香型白酒主要產(chǎn)區(qū)的幾十家企業(yè)進(jìn)行調(diào)查走訪，同企業(yè)技術(shù)、經(jīng)營、生產(chǎn)管理人員及行業(yè)專家進(jìn)行溝通、交流，并隨機采集不同質(zhì)量等級的窖泥樣品。結(jié)果見表1。

其中n是尺度數(shù)量，σ={σ1，σ2，…，σn}是高斯模糊系數(shù)的向量，wk是與第k個尺度相關(guān)的權(quán)重，并且

2.3 帶色彩恢復(fù)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(fù)因子C到MSR算法中，彌補由于圖像局部區(qū)域?qū)Ρ榷仍鰪姸鴮?dǎo)致顏色失真的缺陷［12］，整體表達(dá)式為

其中Il為原始圖像中(x，y)這個點的像素值。

3 改進(jìn)Retinex算法

3.1 USM算法

USM是在原始圖像的基礎(chǔ)上，加上一定比例的圖像高頻成分，以期達(dá)到邊緣和細(xì)節(jié)信息增強的效果［13］?；舅悸啡鐖D1所示。

圖1 反銳化掩模原理圖

線性反銳化掩模的數(shù)學(xué)表達(dá)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(shù)，Q（x，y）為低通模板，表達(dá)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(diào)節(jié)圖像亮度，設(shè)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(jìn)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(dǎo)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(jìn)行插值計算，四個頂點用臨近一個樣本點進(jìn)行計算［15］。

3.3 本文算法

基于USM的Retinex改進(jìn)算法在得到高頻分量后，擬對其進(jìn)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(shù)，s是待處理圖像，r是高頻增強圖像。K1是低頻疊加系數(shù)，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(jié)果分析

4.1 Retinex算法實驗

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

圖4 Retinex處理結(jié)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(nèi)容，根據(jù)原圖它應(yīng)該是花盆邊緣，在這里已經(jīng)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(dǎo)致圖像局部信息的缺失，這是我們不希望看到的。

4.2 改進(jìn)Retinex算法實驗

4.2.1 實驗結(jié)果

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

圖5 不同圖像增強算法實驗結(jié)果

從上述實驗結(jié)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(dá)到了本文增強的目的。但幾種算法增強結(jié)果是有區(qū)別的：小波增強效果最不明顯；高頻強調(diào)濾波算法對邊緣增強效果最好，細(xì)節(jié)增強不太明顯；CLAHE算法細(xì)節(jié)增強比較明顯；本文算法部分增強細(xì)節(jié)最明顯。

4.2.2 數(shù)據(jù)分析

用平均梯度、信息熵和標(biāo)準(zhǔn)差來繼續(xù)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(biāo)準(zhǔn)差反映圖像質(zhì)量，三個值都是越大越好。結(jié)果如表1所示。

表1 各算法數(shù)據(jù)比較

從上表中可以分析到，高頻強調(diào)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(jié)果一樣；信息熵和標(biāo)準(zhǔn)差的大小依次為本文算法大于CLAHE大于高頻強調(diào)濾波大于小波變換，對應(yīng)圖5中本文算法增強后圖像包含的信息量和質(zhì)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(xì)節(jié)增強，因此本文算法得到了預(yù)期結(jié)果，圖像信息熵比CLAHE算法約提高6%左右，當(dāng)然還可以在清晰度方面做進(jìn)一步改進(jìn)。

5 結(jié)語

通過對安檢圖像特點和Retinex算法的分析，提出將Retinex算法應(yīng)用到安檢圖像增強上，并結(jié)合USM算法對其做出改進(jìn)，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(jìn)算法的可行性，對安檢圖像增強研究有一定促進(jìn)作用。