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(fā)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(qū)域的目標。低對比度區(qū)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(qū)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(tài)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(qū)域。若能先將目標區(qū)域分割出來，則可實現(xiàn)針對該區(qū)域的局部增強。常用的分割方法有閾值法、區(qū)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(qū)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(qū)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(qū)域連通性。而區(qū)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(qū)域。然后在細搜索階段使用區(qū)域生長方法在低對比度區(qū)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(qū)域生長的圖像分割方法

區(qū)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(qū)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(qū)域到當前區(qū)域，直到沒有合適的點或區(qū)域為止。區(qū)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(qū)域生長的分割結果。

區(qū)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(guī)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(qū)域，則可以將每個直方圖的峰值位置作為區(qū)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(xù)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(qū)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(qū)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(qū)域極大值點，來實現(xiàn)種子點的自動選取。目標區(qū)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(qū)域對比度不同所帶來的影響，本文制定了根據低對比度區(qū)域統(tǒng)計特性來確定閾值的方法。

2 低對比度區(qū)域目標分割增強算法

X 光安檢圖像中，低對比度區(qū)域與其他區(qū)域灰度相差較大，且低對比度區(qū)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(qū)域。在低對比度區(qū)域中用均值偏移選取種子點后，再使用區(qū)域生長算法得到目標區(qū)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(qū)域，低對比度區(qū)域和其他區(qū)域。背景區(qū)域為空氣部分，在負片中灰度極低，可直接排除。低對比度區(qū)域與其他區(qū)域灰度相差較大,可以使用OTSU 算法將低對比度區(qū)域與其他區(qū)域區(qū)分開來。

具體方法為先將背景區(qū)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(qū)域和其他區(qū)域兩個部分。設低對比度區(qū)域像素個數占圖像整體比例為w0，平均灰度為u0；設其他區(qū)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(qū)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(qū)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(qū)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(qū)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(qū)域內，需對這些點做進一步區(qū)分。由于目標區(qū)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(qū)域內的點。最終將目標區(qū)域內灰度最大的極值點作為種子點。

⑵區(qū)域生長準則

目標區(qū)域內灰度大于目標區(qū)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(qū)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(qū)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(qū)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(qū)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(qū)域為包含目標的感興趣區(qū)域。

2.3 模糊增強

前面提取出的感興趣區(qū)域中的點并不完全屬于目標區(qū)域。已知目標區(qū)域的灰度值在低對比度區(qū)域較高，所以，感興趣區(qū)域的像素點越接近極大值點，則屬于目標區(qū)域的可能性就越大。因此，對于感興趣區(qū)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(qū)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(qū)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(qū)域與紙箱區(qū)域對比度較低，很難將兩者區(qū)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(qū)域與鐵片部分的高灰度區(qū)域都被去除，實現(xiàn)了紙箱和葉片低對比度區(qū)域與其他區(qū)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(qū)域的極值點，可以看到葉片區(qū)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?？梢钥吹絽^(qū)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(xiàn)對目標區(qū)域較為完整的分割，為后續(xù)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。可以看到葉片區(qū)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(qū)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?yōu)榱怂{色，紙箱部分變?yōu)榱思t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(jié)表現(xiàn)上要更清晰，且本文算法對圖片其他區(qū)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(qū)域目標的分割增強算法。即先使用OTSU 的粗分割算法和區(qū)域生長的細搜索方法提取出低對比度區(qū)域的目標，然后根據隸屬度函數對目標區(qū)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(xiàn)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(qū)域的同時，不會改變圖像中的其他區(qū)域。然而對于如一張葉片等對比度過低，目標與背景區(qū)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(xù)的研究中需做進一步改進。