高 強(qiáng), 陳裕通, 潘 俊

(廣州民航職業(yè)技術(shù)學(xué)院 航空港管理學(xué)院, 廣州 510403)

由于X射線技術(shù)具有對(duì)物品損害小、無(wú)需開(kāi)箱、安全可靠和易操作等優(yōu)點(diǎn), 它被廣泛地應(yīng)用于機(jī)場(chǎng)旅客安全檢查等場(chǎng)合. 不 同材質(zhì)物品對(duì)X射線吸收和散射衰減程度不同, 物品生成相應(yīng)X光圖像顏色也不同,結(jié)合邊緣、形狀等形態(tài)特征, 安檢人員可以識(shí)別行李、包裹中所攜帶的違禁物品, 如管制刀具、槍支、易燃易爆物品等. 由于行李、包裹中被檢物品種類繁雜且易出現(xiàn)相互重疊、遮擋、混放等現(xiàn)象; 另外, 物品在成X光圖像過(guò)程中容易受到各種干擾因素影響, 采集到的安檢X光圖像可能存在物品模糊、對(duì)比度低、背景噪聲等情況. 為了便于安檢人員識(shí)別X光圖像中的物品, 有必要對(duì)安檢X光圖像進(jìn)行增強(qiáng)處理, 突出圖像中不同物品的顏色及邊緣、形狀等細(xì)節(jié)信息, 以便安檢人員更加準(zhǔn)確、快速地識(shí)別被檢物品, 保障機(jī)場(chǎng)安全運(yùn)行.

目前, 國(guó)內(nèi)外與X光圖像增強(qiáng)的相關(guān)研究主要集中于醫(yī)學(xué)領(lǐng)域和工業(yè)檢測(cè)領(lǐng)域[1–5], 有關(guān)安檢X光圖像增強(qiáng)的文獻(xiàn)較少[6–8]. 直方圖均衡化(HE)是最常用的圖像增強(qiáng)方法, 具有原理簡(jiǎn)單、易于實(shí)現(xiàn)、實(shí)時(shí)性好的特點(diǎn). 對(duì)比度受限自適應(yīng)直方圖均衡化(contrast limited adaptive histogram equalization, CLAHE)是一種局部直方圖均衡增強(qiáng)算法, 該算法基于局部自適應(yīng)直方圖增強(qiáng)算法(adaptive histogram equalization, AHE),并采用固定閾值的限幅方法有效抑制局部對(duì)比度的過(guò)度增強(qiáng)及噪聲的放大, 特別適用于低對(duì)比度圖像. CLAHE算法結(jié)合了自適應(yīng)直方圖均衡化和對(duì)比度受限兩項(xiàng)技術(shù)的優(yōu)點(diǎn), 得到了研究人員廣泛的關(guān)注. 孫冬梅等[9]通過(guò)引入一個(gè)自適應(yīng)參數(shù)T來(lái)自動(dòng)調(diào)整圖像每個(gè)子塊的像素點(diǎn)重新分配的范圍, 從而達(dá)到增強(qiáng)圖像細(xì)節(jié)的目的. 王紅等[10]采用模糊增強(qiáng)算法實(shí)現(xiàn)全局霧天圖像的自適應(yīng)對(duì)比度增強(qiáng)后, 再采用有約束的局部直方圖算法對(duì)霧天圖像的亮度分量進(jìn)行處理, 提高了霧天圖像的亮度和對(duì)比度. 楊衛(wèi)中等[11]利用CLAHE算法對(duì)水下海參圖像進(jìn)行增強(qiáng)處理, 有效保持了海參圖像細(xì)節(jié)并提高了圖像質(zhì)量. 劉玉婷等[12]結(jié)合CLAHE算法和雙邊濾波算法, 有效增強(qiáng)了原始紅外圖像的對(duì)比度及邊緣細(xì)節(jié)信息. 上述文獻(xiàn)所提圖像增強(qiáng)算法均基于CLAHE, CLAHE通過(guò) “裁剪”圖像的直方圖、然后將“裁剪”得到的部分均勻地分在整個(gè)顏色空間上, 以保證直方圖總面積不變, 雖然在一定程度上使得減少了圖像失真, 但與原圖像還存在較大顏色差異, 而X光安檢圖像, 顏色是一項(xiàng)重要的識(shí)別指標(biāo). 因此, 上述文獻(xiàn)中所提方法對(duì)X光安檢彩色圖像增強(qiáng)效果均不理想.

另外, 也有部分學(xué)者將深度學(xué)習(xí)應(yīng)用在圖像增強(qiáng)領(lǐng)域, 如李華基等[13]提出了一種基于U-net++網(wǎng)絡(luò)的弱光圖像增強(qiáng)方法, 該方法在提高圖像亮度的同時(shí), 更好地恢復(fù)了弱光圖像的細(xì)節(jié)特征, 并且生成正常光圖像的顏色特征更接近自然. 文獻(xiàn)[14,15]將注意力機(jī)制引入圖像增強(qiáng)領(lǐng)域, 能實(shí)現(xiàn)自適應(yīng)圖像亮度增強(qiáng)、細(xì)節(jié)對(duì)比度提提升, 增強(qiáng)后圖像整體亮度自然沒(méi)有明顯光暈及偽影且色彩較豐富真實(shí). 基于深度學(xué)習(xí)的圖像增強(qiáng)算法對(duì)設(shè)備計(jì)算能力要求較高, 且實(shí)時(shí)性較差.

本文針對(duì)X光安檢圖像的特點(diǎn), 提出了一種基于三級(jí)圖像融合與CLAHE的X光安檢圖像增強(qiáng)算法,首先采用CLAHE對(duì)X光圖像進(jìn)行增強(qiáng). 然后將增強(qiáng)后的X光圖像進(jìn)行USM銳化處理, 進(jìn)一步突出圖像細(xì)節(jié). 最后將銳化處理后的圖像與原圖像融合, 降低增強(qiáng)后圖像顏色失真幅度, 更易于安檢人員辨識(shí)圖像中的物品. 實(shí)驗(yàn)結(jié)果表明, 本文方法對(duì)X光安檢圖像具有明顯的增強(qiáng)效果, 能夠有效提高圖像的清晰度.

1 基于三級(jí)圖像融合與CLAHE的X光安檢圖像增強(qiáng)算法

本節(jié)將詳細(xì)闡述安檢X光圖像增強(qiáng)算法過(guò)程:(1) CLAHE增強(qiáng). 首先將原圖像分別轉(zhuǎn)換成RGB圖像和HSV圖像, 然后分別對(duì)RGB、HSV圖像采用CLAHE算法增強(qiáng), 最后將增強(qiáng)后的RGB圖像、HSV圖像通過(guò)歐幾里得范數(shù)合并, 實(shí)現(xiàn)第一級(jí)圖像融合. (2) USM銳化. 本算法采用改進(jìn)的USM (unsharp mask)算法對(duì)CLAHE增強(qiáng)后的圖像進(jìn)行銳化操作, 以突出圖像邊緣、形狀等細(xì)節(jié)信息. USM算法將銳化圖像與原圖像按照疊加系數(shù)進(jìn)行第二級(jí)圖像融合. (3)圖像融合. 將原圖像和USM銳化后圖像進(jìn)行加權(quán)求和, 完成第三級(jí)圖像融合, 以降低圖像顏色失真幅度. 本文所提安檢X光圖像增強(qiáng)方法的實(shí)現(xiàn)流程如圖1所示.

圖1 本文算法流程

1.1 CLAHE增強(qiáng)

1.1.1 CLAHE介紹

圖像直方圖, 也稱為灰度級(jí)直方圖, 是用來(lái)表示圖像I(x,y)中每一灰度與該灰度級(jí)出現(xiàn)的頻數(shù)之間的統(tǒng)計(jì)關(guān)系. 直方圖定義如式(1)所示:

其中,nk為第k級(jí)灰度的像素?cái)?shù),N為該圖像的總像素?cái)?shù),rk為第k個(gè)灰度級(jí),L為灰度級(jí)數(shù),P(rk)為圖像I(x,y)中rk灰度級(jí)出現(xiàn)的概率.

直方圖均衡化(HE)是一種利用灰度變換自動(dòng)調(diào)節(jié)圖像對(duì)比度質(zhì)量的方法, 基本思想是把原始圖像的灰度直方圖從比較集中的某個(gè)灰度區(qū)間拉伸成全部灰度范圍內(nèi)的均勻分布. 自適應(yīng)直方圖均衡化(AHE)與普通的HE方法不同, AHE算法通過(guò)計(jì)算圖像的局部直方圖, 然后重新分布亮度來(lái)改變圖像對(duì)比度, 可以有效改進(jìn)圖像的局部對(duì)比度及獲得更多的圖像細(xì)節(jié), 但AHE存在過(guò)度放大圖像中噪聲的問(wèn)題.

對(duì)比度受限自適應(yīng)直方圖均衡化(CLAHE)對(duì)自適應(yīng)直方圖均衡化方法進(jìn)行了改進(jìn), 通過(guò)限制每個(gè)區(qū)域中直方圖的高度, 從而可以限制AHE中噪聲放大的問(wèn)題.

CLAHE算法核心步驟如下:

(1)圖像子區(qū)域劃分: 將原圖像劃分成多個(gè)大小相等的子區(qū)域, 每個(gè)子區(qū)域互不重疊且相互連續(xù), 每個(gè)子區(qū)域包含的像素?cái)?shù)為C. 子區(qū)域越大, 增強(qiáng)效果越好,通?？筛鶕?jù)實(shí)際需要來(lái)進(jìn)行調(diào)整.

(2)計(jì)算直方圖: 用Hij(k)表示某個(gè)子區(qū)域的直方圖,k代表灰度級(jí), 其取值為[0,L–1],L為灰度級(jí)數(shù).

(3)計(jì)算限制值: 根據(jù)式(2)計(jì)算截?cái)嘞拗浦?

其中,β為計(jì)算得到的限制值;α為截?cái)嘞禂?shù), 其取值范圍為[0, 100];Smax為最大斜率, 用來(lái)決定對(duì)比度增強(qiáng)幅度, 其取值為1到4之間的整數(shù).

(4)重分配像素點(diǎn): 對(duì)每個(gè)子區(qū)域, 采用對(duì)應(yīng)的β值對(duì)Hij(k)進(jìn)行裁剪, 將裁剪下來(lái)的像素重新分配到直方圖的各灰度級(jí)中. 循環(huán)執(zhí)行上述分配過(guò)程, 直至將所有被裁剪的像素分配完畢.

(5)直方圖均衡: 對(duì)裁剪后的每個(gè)子區(qū)域的灰度直方圖分別進(jìn)行直方圖均衡化.

(6)重構(gòu)像素點(diǎn)灰度值: 把每個(gè)子區(qū)域的中心點(diǎn)作為參考點(diǎn), 獲取其灰度值, 采用雙線性插值方法對(duì)圖像中的每一個(gè)像素進(jìn)行灰度線性插值, 計(jì)算輸出圖像中各個(gè)像素點(diǎn)的灰度值.

1.1.2 圖像合并

為提高處理后圖像顏色保真程度, 將原圖像分別轉(zhuǎn)換為RGB、HSV圖像, 然后分別對(duì)RGB圖像和HSV圖像進(jìn)行CLAHE增強(qiáng), 增強(qiáng)后的圖像分別記為Irgbc、Ihsvc,最后采用歐幾里得范數(shù), 根據(jù)式(3)將Irgbc、Ihsvc進(jìn)行合并, 實(shí)現(xiàn)第1級(jí)圖像融合, 融合后的圖像將進(jìn)行USM銳化處理操作.

其中,Imerge為合并后的圖像;M、N分別為圖像的行、列數(shù), 下同.

1.2 USM銳化

為了便于安檢人員觀測(cè)和識(shí)別X光圖像中物品的形狀, 有必要借助圖像銳化技術(shù)突出圖像細(xì)節(jié)部分, 特別是圖像的邊緣信息. 圖像銳化是使圖像邊緣更加清晰的一種圖像處理方法, 其原理是先將原圖像的高頻分量提取出來(lái), 再和原圖像按一定規(guī)則疊加, 最終得到銳化后的圖像. 傳統(tǒng)非銳化掩模(USM)操作可以去除圖像中一些細(xì)小的干擾細(xì)節(jié), 但得到的銳化圖像容易出現(xiàn)噪聲及偽邊緣, 因此, 本文采用結(jié)合閾值的USM算法, 其主要步驟如下:

(1)將原圖像I進(jìn)行高斯濾波, 得到濾波圖像Iblur.

(2)根據(jù)式(4)計(jì)算掩膜:

其中,Threshold為閾值; 掩膜Mask為M×N的二維矩陣.

(3)根據(jù)(5)計(jì)算高頻分量圖像Ihf:

(4)根據(jù)式(6)計(jì)算銳化圖像Isharp:

其中,k為疊加系數(shù);

(5)根據(jù)式(7)將原圖像融入銳化圖像Isharp, 實(shí)現(xiàn)第2級(jí)圖像融合:

1.3 圖像融合

經(jīng)過(guò)CLAHE增強(qiáng)及USM銳化后, 安檢X光圖像的邊緣、形狀等細(xì)節(jié)得到了加強(qiáng), 但處理后的圖像與原圖像色差較大, 不利于安檢人員辨識(shí)圖像中的物品.因此, 本文根據(jù)式(8)將銳化圖像與原圖像按系數(shù)進(jìn)行融合, 降低本文算法處理后所得圖像Ifinal較原圖像顏色失真幅度.

其中,Csharp、Corigin分別為USM銳化圖像、原圖像的融合系數(shù).

2 實(shí)驗(yàn)結(jié)果及分析

2.1 實(shí)驗(yàn)平臺(tái)及數(shù)據(jù)集

本實(shí)驗(yàn)所用硬件平臺(tái)為Huawei MateBook 13, 配置為CPU: Intel(R) Core(TM) i5-8265U、4核、主頻為1.6 GHz, 顯卡: Nvidia GeForce MX1502、顯存2 GB,內(nèi)存8 GB, 操作系統(tǒng): Windows 10 (64位). 軟件平臺(tái)采用Matlab R2016a.

人工將機(jī)場(chǎng)旅客安全檢查常見(jiàn)違禁品, 如仿真槍、手機(jī)、打火機(jī)、刀片、飲料瓶、折疊刀等, 以不同角度隨機(jī)置于行李箱、手提袋、背包等容器不同位置, 然后利用我校安檢實(shí)訓(xùn)室中的安檢X光機(jī)進(jìn)行圖像采集, X光機(jī)型號(hào)為公安一所FISCAN? CMEXB6550S, 共計(jì)采集到2 380副X光圖像, 以JPG格式存儲(chǔ)在計(jì)算機(jī)當(dāng)中, 這些圖像將作為開(kāi)展實(shí)驗(yàn)的數(shù)據(jù)集.采集X光圖像的設(shè)備及物品如圖2所示.

圖2 安檢X光圖像采集設(shè)備及物品

2.2 有效性驗(yàn)證

利用本文算法對(duì)數(shù)據(jù)集中的圖像進(jìn)行數(shù)據(jù)增強(qiáng),然后通過(guò)安檢員人工評(píng)測(cè)本文算法的有效性. 實(shí)驗(yàn)參數(shù)為: CLAHE算法中子區(qū)域大小8×8, 截?cái)嘞禂?shù)α為0.4, 最大斜率Smax為4. USM算法中高斯核大小3×3、方差36; 疊加系數(shù)9閾值30. 第3級(jí)圖像融合中USM銳化圖像、原圖像的融合系數(shù)分別為0.8、0.3. 實(shí)驗(yàn)結(jié)果表明, 本文算法對(duì)數(shù)據(jù)集中絕大多數(shù)X光圖像增強(qiáng)效果明顯, 部分圖像增強(qiáng)結(jié)果如圖3所示.

定性分析: 在圖3上方X光圖像中, 塑料筐中放置有手機(jī)和手表, 手機(jī)和手表沒(méi)有相互重疊、遮擋, 圖像內(nèi)物品、干擾較少, 該圖像中物品成像較為簡(jiǎn)單. 在圖3下方X光圖像中, 電腦包中裝有跳刀、筆記本電腦、電源線及鑰匙, 且它們之間有相互遮擋、重疊, 圖像內(nèi)物品、干擾較多, 該圖像中物品成像較為復(fù)雜. 采用本文算法增強(qiáng)后, 無(wú)論是上方簡(jiǎn)單圖像, 還是下方復(fù)雜圖像, 感興趣物品(如手機(jī)、跳刀等)和載物容器(如塑料框、電腦包)都得到增強(qiáng), 圖像更加清晰、容易辨別.

圖3 增強(qiáng)結(jié)果示例

2.3 實(shí)時(shí)性驗(yàn)證

本文還對(duì)算法實(shí)時(shí)性進(jìn)行了驗(yàn)證. 具體的: 將數(shù)據(jù)集中2 380副圖像分成238組, 每組中包含10副圖像,然后分別記錄每組圖像算法處理的時(shí)間均值, 最后計(jì)算整個(gè)數(shù)據(jù)集圖像算法處理的平均時(shí)間, 得到結(jié)果如圖4所示.

圖4 算法處理時(shí)間

定性分析: 由圖4可知, 本文算法對(duì)各組圖像的處理時(shí)間均值介于0.8–2.1 s之間, 整個(gè)數(shù)據(jù)集的平均處理時(shí)間為1.5 s左右, 因此, 本文所提算法處理速度較快、實(shí)時(shí)性較好.

2.4 方法效果對(duì)比

為進(jìn)一步驗(yàn)證本文方法的有效性, 將本文方法與CLAHE算法、文獻(xiàn)[9]所提算法進(jìn)行增強(qiáng)效果對(duì)比,部分對(duì)比結(jié)果如圖5所示, CLAHE、文獻(xiàn)[9]算法及本文算法增強(qiáng)后圖像的圖像峰值信號(hào)比(PSNR)如表1.

定性分析: 由圖5可知, 由于沒(méi)有進(jìn)行銳化及圖像融合處理, CLAHE算法雖然對(duì)X光圖像有一定增強(qiáng),但增強(qiáng)后的圖像顏色失真嚴(yán)重且邊緣較為模糊. 采用本文算法增強(qiáng)后的圖像顏色保真、邊緣細(xì)節(jié)及背景噪聲方面都優(yōu)于CLAHE算法、文獻(xiàn)[9]所提算法. 另外,從表1可知, 采用本文算法對(duì)原圖像增強(qiáng), PSNR值高于CLAHE及文獻(xiàn)[9]所提算法, 且采用本文算法進(jìn)行圖像增強(qiáng), 數(shù)據(jù)集PSNR平均值較CLAHE、文獻(xiàn)[9]中算法分別提高了7 dB、5 dB, 證明了本文算法對(duì)數(shù)據(jù)集中X光圖像增強(qiáng)效果更好.

表1 增強(qiáng)圖像PSNR值 (dB)

圖5 增強(qiáng)效果對(duì)比

另外, CLAHE算法、文獻(xiàn)[9]中算法會(huì)放大原圖像中的背景噪聲, 本文算法可以有效減少原圖像中的背景噪聲, 但并不能完全消除, 如何在增強(qiáng)圖像的同時(shí)消除背景噪聲是本文算法今后的重要工作.

3 結(jié)論與展望

本文以Matlab為實(shí)驗(yàn)平臺(tái)對(duì)“機(jī)場(chǎng)安檢X光圖像增強(qiáng)”問(wèn)題進(jìn)行了研究, 提出了一種基于三級(jí)圖像融合與CLAHE的圖像增強(qiáng)算法. 該算法能夠顯著增強(qiáng)機(jī)場(chǎng)安檢常見(jiàn)物品的X光圖像, 并能有效抑制增強(qiáng)后圖像顏色失真及背景噪聲, 是一種有效的圖像增強(qiáng)算法.下一步將對(duì)本算法進(jìn)行優(yōu)化, 進(jìn)一步提高圖像顏色保真、消除背景噪聲.