張然， 湯全武，李明源， 劉東昌， 解波

摘要：X射線物品安檢是當(dāng)今安全檢查的主流，液體物品的安檢成為現(xiàn)在安檢的重點(diǎn)，安檢圖像的智能化分析是未來(lái)安檢發(fā)展的趨勢(shì)之一。安檢圖像中背景往往占據(jù)很大一部分，在智能分析之前，要進(jìn)行圖像分割，提取圖像前景信息，同時(shí)，安檢圖像處理要求簡(jiǎn)單高效，基于此，提出一種基于RGB三原色分解的圖像分割算法，先將彩色圖像轉(zhuǎn)換為二值圖像，再將二值圖像分別與彩色圖像的RGB三通道做乘積，最后再合成彩色圖像。同時(shí)將此算法和基于距離變換的分水嶺分割算法、基于梯度的分水嶺分割算法進(jìn)行對(duì)比，通過相似系數(shù)DSC和耗時(shí)對(duì)比，結(jié)果優(yōu)于相關(guān)算法。

關(guān)鍵詞：液體安檢; RGB三原色分解; X射線液體圖像; 圖像分割；背景分離

中圖分類號(hào)：TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）32-0013-04

X射線成像是當(dāng)今物品安檢的主要方法，安檢圖像的智能化分析是未來(lái)安檢發(fā)展的趨勢(shì)之一，在智能分析之前，要進(jìn)行圖像分割。張俊生[1]等提出一種動(dòng)態(tài)閾值分割算法，首先對(duì)X射線原始圖像進(jìn)行平滑處理，然后用原始圖像減去平滑圖像，對(duì)得到的差圖像設(shè)定閾值進(jìn)行分割，實(shí)現(xiàn)目標(biāo)區(qū)域的提取，但動(dòng)態(tài)閾值選定范圍缺乏定量衡量標(biāo)準(zhǔn)。劉蕊[2]等研究在閾值分割的基礎(chǔ)上，提出先通過訓(xùn)練Softmax回歸模型預(yù)測(cè)最佳閾值得到二值圖像，再利用區(qū)域生長(zhǎng)法提取完整手形，最后對(duì)手骨圖像進(jìn)行歸一化處理的分割方法，但影響算法性能的特征參數(shù)的選定方法還有待改進(jìn)。曹富強(qiáng)[3]等提出一種基于改進(jìn)DeepLabv3+的工業(yè)鑄件內(nèi)部缺陷檢測(cè)算法Effi-DeepLab，以提高小目標(biāo)缺陷分割的精度，但網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，耗時(shí)較長(zhǎng)。

考慮以上因素，提出一種基于RGB三原色分解的圖像分割算法，先將彩色圖像轉(zhuǎn)換為二值圖像，再將二值圖像分別與彩色圖像的RGB三通道做乘積，最后再合成彩色圖像。本算法在X射線圖像暗裂痕處理和圖像抗噪方面效果優(yōu)良，且算法簡(jiǎn)單耗時(shí)少，可以實(shí)現(xiàn)自動(dòng)化的X射線圖像分割。

1 基于RGB三原色分解的X射線液體圖像分割

1.1 平臺(tái)說(shuō)明

本研究基于Matlab R2018a平臺(tái)進(jìn)行圖像間轉(zhuǎn)換與分割。硬件環(huán)境：Intel（R）Core（TM）i7 -10750CPU@2.60GHz處理器，8GB內(nèi)存，NVIDIA GeForce GTX 1660 Ti。GPU 軟件環(huán)境：Windows10 64bit 系統(tǒng)，CUDA10.0，CUDNN7.4。

1.2 RGB彩色圖像二值化

二值圖像一般意義上是指只有純黑（0）、純白（255）兩種顏色的圖像。首先將RGB彩色圖像轉(zhuǎn)換為灰度圖像，使用到的程序函數(shù)為：

f = rgb2gray（RGB）；

rgb2gray函數(shù)通過消除色調(diào)和飽和度信息，同時(shí)保留亮度信息，將RGB圖像轉(zhuǎn)換為灰度圖像。再把灰度圖像轉(zhuǎn)換為二值圖像，使用到的程序函數(shù)為：

g = im2bw（f，graythresh（f））；

im2bw使用閾值（graythresh（f））變換法把灰度圖像轉(zhuǎn)換成二值圖像，graythresh函數(shù)選取閾值的準(zhǔn)則為通過選擇閾值來(lái)最小化黑白像素的類內(nèi)方差。

1.3 RGB彩色圖像的三通道分解

將RGB彩色圖像進(jìn)行R、G、B三通道分解，使用到的程序函數(shù)為：

re = f1（：，：，1），gr = f1（：，：，2），bl = f1（：，：，3）；

1.4 二值圖像與彩色圖像的RGB三通道做乘積

首先，將二值圖像取非，原因是原始圖像經(jīng)過二值化處理后，背景變?yōu)榘咨?，目?biāo)前景變?yōu)楹谏?，取非后將其反置，再與彩色圖像的RGB三通道做乘積，這樣背景的像素值為0，前景的像素歸一化后為1，與彩色圖像的RGB三通道做乘積，保留了目標(biāo)前景的彩色圖像，背景變?yōu)楹谏?，使用到的程序函?shù)為：

re = immultiply（～g，f1（：，：，1））；

gr = immultiply（～g，f1（：，：，2））；

bl = immultiply（～g，f1（：，：，3））；

1.5合成彩色圖像

將做完乘積的RGB三通道合成彩色圖像，使用到的程序函數(shù)為：

g2 = cat（3，re，gr，bl）；

2? 實(shí)驗(yàn)數(shù)據(jù)

2.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)用5種液體：92號(hào)汽油、甲醇與30%硝基甲烷混合液、75%酒精、食用油、水的原始樣本各400份（模型識(shí)別按訓(xùn)練集和預(yù)測(cè)集3：1分配，即每種液體訓(xùn)練集300份樣本，預(yù)測(cè)集100份樣本），分別用玻璃、金屬、塑料、陶瓷共4種容器盛裝，容量均為500ml，進(jìn)行X射線圖像獲取實(shí)驗(yàn)。

2.2 實(shí)驗(yàn)設(shè)備及其參數(shù)

實(shí)驗(yàn)采用深圳市天和時(shí)代電子設(shè)備有限公司生產(chǎn)的安天下牌X射線安檢機(jī)，型號(hào)為AT6550，分辨力為直徑0.0787 mm金屬線，空間分辨力為水平：直徑1.0 mm，垂直：直徑1.0 mm，穿透分辨力為直徑0.254 mm，穿透力為34 mm鋼板，單次檢查劑量小于1μGy，射線束方向?yàn)榈渍帐?，管電流?.4mA～1.2mA（可調(diào)），管電壓為100kv～160kv（可調(diào)），射線束發(fā)散角為80°，X射線傳感器為L(zhǎng)形光電二極管陣列探測(cè)器 （多能量）。

2.3 圖像采集與數(shù)據(jù)獲取

將每個(gè)樣本依次經(jīng)過X射線安檢機(jī)并獲取樣本高、低能X射線圖像各8000張，原始圖像均為大小1024*640像素，水平和垂直分辨率為96dpi，位深度為RGB格式24位彩色圖像，圖1為部分樣本X射線圖像。

通過上述X射線原始圖片可知，圖片中目標(biāo)物體較小，背景所占面積較大，需進(jìn)行圖像分割，以此來(lái)提取前景圖像，通過上述基于RGB三原色分解的X射線液體彩色圖像分割，先將彩色圖像轉(zhuǎn)換為灰度圖像，如圖2所示，再將灰度圖像轉(zhuǎn)換為二值圖像，如圖3所示，再將二值圖像分別與彩色圖像的RGB三通道做乘積，最后再合成彩色圖像。分割后的樣本圖像均為大小94*131像素，水平和垂直分辨率為96dpi，位深度為RGB格式24位彩色圖像，分割后的部分樣本圖像如圖4所示。

3 圖像分割結(jié)果對(duì)比與分析

本研究選取基于距離變換的分水嶺分割算法[4]、基于梯度的分水嶺分割算法[4、5]進(jìn)行對(duì)比與分析。

3.1 基于距離變換的分水嶺分割結(jié)果

可以看出，基于距離變換的分水嶺分割方法在本研究的X射線圖像應(yīng)用中出現(xiàn)欠分割[6]現(xiàn)象，X射線圖像背景和前景由于X射線因素可能形成不易看出的暗裂痕[7]，本分割方法對(duì)此誤分割。

3.2 基于梯度的分水嶺分割結(jié)果

可以看出，基于梯度的分水嶺分割方法在本研究的X射線圖像應(yīng)用中出現(xiàn)過分割現(xiàn)象，由于噪聲[8]造成的多余“谷底”，無(wú)噪聲或誤差時(shí)，有兩個(gè)目標(biāo)，一個(gè)分水嶺；當(dāng)出現(xiàn)了噪聲，則會(huì)有過分割[9]現(xiàn)象發(fā)生。

3.3 客觀分析

為了客觀地評(píng)價(jià)三種算法的分割效果，采取定量的方式計(jì)算分割圖像的性能指標(biāo)。分割準(zhǔn)確率采用相似系數(shù)DSC（Dice Similarity Coefficient）[2]進(jìn)行定量評(píng)價(jià)，分割標(biāo)準(zhǔn)圖像為液體的X射線GT（Ground Truth）圖像。

DSC值衡量GT圖像與分割圖像的相似度，公式如下：

[DSC=2|X∩Y|X+|Y|]? ? ? ? ? ? ? ? ? ? ? ? ? （1）

其中X代表GT圖像，Y表示分割結(jié)果圖像。

通過本文提出一種基于RGB三原色分解的圖像分割算法分割結(jié)果（圖4）與基于距離變換的分水嶺分割[10]結(jié)果（圖5）、基于梯度的分水嶺分割[11]結(jié)果（圖6）進(jìn)行對(duì)比，本文算法相似系數(shù)最高，在X射線圖像暗裂痕處理和圖像抗噪[12-13]方面明顯優(yōu)于后兩種算法。

3.4 三種分割算法耗時(shí)對(duì)比

三種算法耗時(shí)比較如表2所示。

由表2可知，模型在本實(shí)驗(yàn)的軟硬件環(huán)境下，基于距離變換的分水嶺分割算法平均單個(gè)樣本耗時(shí)0.422607秒，基于梯度的分水嶺分割算法平均單個(gè)樣本耗時(shí)0.453777秒，基于RGB三原色分解的圖像分割算法平均單個(gè)樣本耗時(shí)0.317453秒，從消耗時(shí)間[14]來(lái)看，也是基于RGB三原色分解的圖像分割算法最佳。

4 結(jié)束語(yǔ)

本文提出一種基于RGB三原色分解的圖像分割算法，并成功應(yīng)用于X射線液體圖像前景與背景的分割，為安檢中液體的智能識(shí)別[15-16]提供前期處理基礎(chǔ)。本算法先將彩色圖像轉(zhuǎn)換為二值圖像，再將二值圖像分別與彩色圖像的RGB三通道做乘積，最后再合成彩色圖像。最大的亮點(diǎn)在于將圖像分割問題轉(zhuǎn)化為歸一化二值0和1與圖像的乘積問題，從而高效準(zhǔn)確地選擇出1所對(duì)應(yīng)的前景區(qū)域，且去除0所對(duì)應(yīng)的背景區(qū)域。本文算法與傳統(tǒng)分割算法，例如基于距離變換的分水嶺分割算法和基于梯度的分水嶺分割算法進(jìn)行對(duì)比，在X射線圖像暗裂痕處理和圖像抗噪方面明顯優(yōu)于后兩種算法；與深度學(xué)習(xí)[3-6]的方法相比，本文算法更加簡(jiǎn)單快捷，算法復(fù)雜程度低，耗時(shí)大大降低，易于遷移，對(duì)復(fù)雜背景圖像有一定的魯棒性。

本文算法的不足之處在于個(gè)別與X射線液體圖像相似的有機(jī)物可能無(wú)法識(shí)別并分割出去，例如皮革、肥皂等有機(jī)物。下一步嘗試加入形態(tài)學(xué)[17]圖形約束框來(lái)區(qū)分出非液體相似有機(jī)物，進(jìn)一步提升分割準(zhǔn)確率。

參考文獻(xiàn)：

[1] 張俊生，王明泉，郭晉秦，等.BGA焊點(diǎn)氣泡缺陷X射線圖像的動(dòng)態(tài)閾值分割方法[J].火力與指揮控制，2018，43（10）：113-116.

[2] 劉蕊，賈媛媛，賀向前，等.基于Softmax回歸模型的骨齡X射線圖像手骨分割[J].重慶大學(xué)學(xué)報(bào)，2019，42（9）：74-84.

[3] 曹富強(qiáng)，王明泉，張俊生，等.基于深度學(xué)習(xí)的鑄件X射線圖像分割研究[J].應(yīng)用光學(xué)，2021，42（6）：1025-1033.

[4] Gonzalez R C，Woods R E. 數(shù)字圖像處理（MATLAB版）[M].阮秋琦，等譯.北京：電子工業(yè)出版社，2005：315-318.

[5] Hinojosa S.Entropy-based imagery segmentation for breast histology using the Stochastic Fractal Search[J].Neurocomputing，2018，321：201-215.

[6] 王增碩，劉溢文，關(guān)子昂，等.基于自適應(yīng)多重歐氏距離變換的分水嶺粘連顆粒分割方法[J].電腦知識(shí)與技術(shù)，2022，18（3）：93-96.

[7] 康利娟，陳先橋.基于多級(jí)直方圖形狀分割的圖像對(duì)比度增強(qiáng)技術(shù)[J].計(jì)算機(jī)應(yīng)用與軟件，2022，39（3）：207-212，321.

[8] 張然，湯全武，史崇升.基于遞推最小二乘自適應(yīng)濾波算法的圖像去噪[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（4）：193-196.

[9] 陳科尹，吳崇友，關(guān)卓懷，等.基于統(tǒng)計(jì)直方圖k-means聚類的水稻冠層圖像分割[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2021，37（6）：1425-1435.

[10] 張文飛，韓建海，郭冰菁，等.改進(jìn)的分水嶺算法在粘連圖像分割中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2021，38（6）：243-248.

[11] 洪夢(mèng)霞，梁少華.基于RGB顏色空間的彩色圖像分割[J].電腦知識(shí)與技術(shù)，2020，16（34）：225-227.

[12] 許曉麗，趙明濤，高玲.一種基于超像素的快速聚類圖像分割算法[J].電腦知識(shí)與技術(shù)，2019，15（25）：235-236.

[13] 王帥，賈鶴鳴.基于改進(jìn)共生生物搜索算法的植物冠層圖像分割研究[J].計(jì)算機(jī)應(yīng)用與軟件，2020，37（9）：152-159，182.

[14] 楊夢(mèng)，雷博，趙強(qiáng)，等.基于改進(jìn)粒子群的二維模糊散度多閾值圖像分割[J].計(jì)算機(jī)應(yīng)用與軟件，2020，37（9）：133-138.

[15] 湯哲君，湯全武，張然，等.基于高光譜成像技術(shù)和SVM神經(jīng)網(wǎng)絡(luò)的馬鈴薯外部損傷識(shí)別[J].湖北農(nóng)業(yè)科學(xué)，2014，53（15）：3634-3638.

[16] 張然.基于高光譜成像技術(shù)的馬鈴薯外部損傷識(shí)別研究[D].銀川：寧夏大學(xué)，2013.

[17] 徐祥，陳洪，葉文華.基于閾值分割和形態(tài)學(xué)相結(jié)合的金屬?gòu)U料X射線圖像輪廓提取方法[J].機(jī)械與電子，2022，40（4）：31-36.

【通聯(lián)編輯：唐一東】