基于MSR和融合理論的X射線安檢圖像增強算法

鄭林濤，董永生，史恒亮

(河南科技大學 信息工程學院，河南 洛陽 471023)

?

基于MSR和融合理論的X射線安檢圖像增強算法

鄭林濤，董永生，史恒亮

(河南科技大學 信息工程學院，河南 洛陽 471023)

針對X射線安檢圖像噪聲大、對比度低和邊緣不清晰等問題，提出一種結合多尺度Retinex算法(Multi-Scale Retinex，MSR)算法和圖像灰度最大值融合的雙重能量X射線圖像增強算法。首先，應用MSR算法對高能和低能X射線圖像進行處理得到初步增強結果，然后采用空域灰度值最大融合算法融合經過MSR算法初步增強后的高能和低能X射線圖像從而得到最終增強X射線圖像。實驗結果表明該算法能更有效地提高雙重能量X射線圖像的對比度，顯著改善圖像質量。

X射線圖像；圖像增強；多尺度Retinex算法；圖像融合

近年來世界范圍內針對公共場所的恐怖襲擊事件頻發，公共安全成為世界各國關注的焦點。公共安全作為國家安全的重要組成部分，是政府履行社會管理和公共服務職能的重要內容，同時也是民眾最為關注的焦點問題之一。X射線安全檢查設備作為公共交通運輸等領域最重要的安全檢查常規手段之一，是公共安全防御的一道重要防線。X射線檢測技術能夠通過X射線透射的方法獲取行李包裹等的內部物品圖像，幫助安檢人員在不需開包的情況下查看行李包裹的內容物。

目前安全檢測系統中常見的是雙能量X射線(Dual Energy X-ray)檢測系統。該類系統使用的雙能量X射線成像技術是一種非常有效的投影成像技術。雙能量X射線成像系統的工作原理是基于同一物質對不同能量X射線的質量吸收系數不同，以及不同物質對相同能量的X射線的質量吸收系數也不相同的物理規律。雙能量X射線系統產生高低兩種不同能量級的X射線：高能量射線(100 kV左右)和低能量射線(80 kV左右)。在圖像掃描時分別用高低兩種能量X射線對同一行李進行照射得到同一行李在高低兩種能量X射線下的圖像。但是在圖像采集過程中難免受外界各種因素的影響以及X射線成像系統自身特性所限，X射線圖像的質量往往會出現噪聲大、對比度低和邊緣不清晰等缺點。因此在進行后續處理之前對原始X射線圖像進行增強處理，改善圖像的視覺效果，便于安檢人員對檢測圖像進行快速判斷分析。

現今X射線圖像增強的報道主要集中在醫學領域和工業檢測領域，涉及安檢X射線圖像的增強處理的報道較少[1]。常見圖像增強方法有：直方圖均衡、灰度分組法[2]、正弦灰度變換[3]、離散小波模糊增強[4]、ICA和自適應正弦灰度變換相結合的二級增強[5]。

X射線圖像噪聲大，對比度低，細節豐富但模糊。因此在增強該類圖像的過程中提高圖像對比度及增強細節信息并同時抑制噪聲是此類圖像增強所要解決的重點問題[6-9]。國內外的眾多研究者都致力于研究該類圖像的增強方法，希望能改善圖像質量，提高圖像的可視性[10-13]。

1 基于MSR和融合理論的雙能X射線圖像增強方法

針對雙能X射線安檢圖像的特點，本文提出一種增強新方法，該方法首先應用MSR算法分別對高能和低能X射線圖像分別進行處理得到初步增強結果。然后將增強后的高能X射線圖像和低能X射線圖像進行融合操作。本方法提高了圖像的整體對比度，又同時融合了高能和低能X射線圖像的信息，對雙能X射線圖像具有明顯的增強效果。

1.1 MSR算法

Retinex一詞是由Retina(視網膜)和Cortex(大腦皮層)這兩個詞組合而成。Retinex理論首先由Edwin H.Land于1964年提出[14]，試圖模擬和解釋人眼感知亮度和色度的視覺模型。Retinex理論認為人眼感知目標的亮度和顏色由環境光照和目標表面的反射光照決定，保持目標的顏色恒常性主要就是估計環境光照，并去除環境光照的影響，就能得到準確的目標顏色和亮度信息。

單尺度的Retinex(SSR)的數學描述如下

R(x,y)=lgI(x,y)-lg[F(x,y)*I(x,y)]

(1)

單尺度的Retinex算法中σ的大小非常關鍵，決定了Retinex算法的增強效果。σ較小的時候，算法的動態壓縮能力強，圖像中的細節部分能較好地凸現出來。σ較大的時候，算法的色感一致性較好，但會削弱動態壓縮能力。僅靠一個單一的σ值很難在動態壓縮能力和色感一致性之間取得平衡。為此，Jobson提出了多尺度Retinex算法[15-16]。多尺度的Retinex(Multiple Scale Retinex，MSR)可視為在不同尺度上SSR的加權組合結果。

MSR算法的公式可描述為

(2)

MSR算法是通過結合多個尺度實現圖像動態范圍的調整而達到圖像增強的目的，MSR尤其適合于灰度圖像處理。

1.2 圖像融合

圖像融合是指綜合兩幅或多幅源圖像的相關信息，生成一幅新的圖像。這幅新圖像中蘊含著描述同一場景或者目標更為豐富、精確和可靠的有用信息。圖像融合充分利用被融合圖像中所包含的同一對象或場景的冗余和互補信息以達到方便人眼感知或計算機后續處理的目的。圖像融合的層次可分為：像素級、特征級和決策級。本文選擇在像素級層次上進行融合。像素級圖像融合作為最低層次的圖像融合，在該層次進行融合除了具有最高的融合準確性外，還能更多地保留場景的原始信息。而這些優點是特征級和決策級融合所無法提供的。

在雙能X射線增強處理過程中引入圖像融合的操作能夠很好地將源圖像中的有用信息提取并融入到融合圖像中，得到具有更好視覺效果和更優量化指標的融合圖像。

本文所采用的圖像融合規則是空域像素灰度值選大法。詳細的處理規則如下。

參與融合的圖像分別記為I1(x,y)和I2(x,y)，得到的融合圖像為I(x,y)，其中x,y為圖像中某一像素的坐標。則基于像素灰度值選大法表示為

I(x,y)=max{I1(x,y)，I2(x,y)}

(3)

即在融合處理時，首先比較I1(x,y)和I2(x,y)兩幅圖像中同一位置處像素灰度值的大小，取其中灰度值大者作為融合圖像在該像素點(x,y)處的像素灰度值。

1.3 基于MSR和灰度最大值融合規則的X射線圖像增強算法

在前面介紹的MSR算法和圖像融合理論的基礎上，本文提出一種基于圖像融合的雙重能量X射線圖像增強算法，算法的詳細流程圖如圖1所示。使用MSR算法對需要增強處理的高能量和低能量X射線圖像進行增強預處理，針對增強預處理后的圖像進行圖像融合，采用的融合規則是空域像素灰度值選大原則。算法在增強雙能X射線圖像的同時又有效抑制增強過程中產生的噪聲。

圖1 本文算法流程圖

算法執行步驟如下：

1)讀入待處理的高能X射線圖像和低能X射線圖像，分別用IL和IM表示。

2)使用式(2)分別對IL和IM進行處理，處理結果用IL_MSR和IH_MSR表示，步驟以IL為例。詳細參數如下：

(1)使用式(2)對IL進行計算，尺度個數N取3；

(2)高斯環繞函數Fn(x,y)中參數σn分別取σ1=5，σ2=20，σ3=240；

3)將IL_MSR和IH_MSR代入式(3)進行融合。最后得到增強圖像IEN。

2 實驗結果及分析

仿真實驗部分所采用數據是由美國Tennessee大學提供的雙能X射線行李圖像[9]。原圖像是灰度圖像，如圖2所示，灰度范圍是[0，255]。圖像的大小是358×390。為了驗證本文所提算法模型的實驗效果，分別將本文提出的算法與文獻提出的算法結果進行了比較。圖3中分別給出了經過MSR處理過的雙能X射線圖像以及文獻[5]和本文算法的增強結果圖像。

圖2 雙能X射線行李圖像

圖3 實驗結果

X射線行李圖像被劃分成4個區域，分別為左側方盒區域、中部電路板區域、右側遙控器區域及圖像的剩余區域。圖4是文獻[5]算法與本文算法結果圖中行李主體區域的細節比較，可以看出本文算法對應區域的圖像清晰度明顯優于前者。

圖4 圖像細節比較

人眼觀察是一種有效的直觀圖像質量評價標準，但它畢竟是一種主觀的評價標準。再從定量的角度比較本文算法和文獻[5]的算法結果。定量評估增強效果采用的測度分別是圖像均值、圖像熵(Information Entropy)、基于邊緣的對比度測度(EBCM)三種評價標準，其中圖像熵和基于邊緣的對比度測度的定義如下：

1)圖像的熵(Information Entropy)

圖像信息熵的定義為

(4)

式中：P(l)為某灰度值l在圖像中出現的概率；L為圖像的灰度等級，對于256灰度等級的圖像，L=255。圖像的熵是衡量該圖像包含信息量多少的度量。如果增強圖像的熵比原始圖像的熵大，說明增強后的圖像的信息量比原始圖像的信息量更加豐富，增強效果更好。

2)基于邊緣的對比度測度(Edge-Based Contrast Measure，EBCM)

(5)

式中：EBCM是一種基于邊緣的對比度圖像質量評價測度；c(i,j)是圖像中(i,j)坐標處的像素對比度。關于EMCM和c(i,j)的計算細節詳見文獻[17]。通常認為EBCM值較大者具有更好的圖像視覺質量。

根據以上量化的評價標準，對文獻[5]和本文算法進行實驗分析，結果如表1所示。

表1 兩種算法的評價指標比較結果

從結果可以看出，本文的算法同比較算法相比具有更理想的評價測度值。本文算法與比較算法相比，性能指標均優于比較算法，更好地改善了圖像質量。

3 結語

本文提出一種對雙能X射線圖像檢測系統進行圖像增強的算法，算法對雙能X射線圖像進行MSR變換和融合處理以達到增強圖像質量的目的，在增強興趣區域的同時，對圖像的細節也進行了顯著增強。并將該算法的結果從定性和定量的角度分別和其他算法進行了比較，仿真實驗結果表明本文算法能有效增強雙能X射線圖像的可視性，是一種行之有效的針對雙能X射線圖像的增強算法，具有較高的應用推廣價值。

[1]徐一鶴.X射線行李安檢機的檢測及其重要性[J].上海計量測試， 2010(1)：43-45.

[2]CHEN Z Y，ABIDI B R， PAGE D L.Gray-level grouping (GLG)：an automatic method for optimized image contrast enhancement-part i： the basic method[J].IEEE Trans.Image Processing，2006，15(8)：2290-2302.

[3]楊詞銀，黃廉卿.基于正弦灰度變換的X光圖像增強[J].光學技術， 2002， 28(5)：407-408.

[4]賀秀萍，韓萍，吳仁彪，等.一種新的X射線手提行李圖像增強方法[J].中國圖象圖形學報，2009，14(5)：866-870.

[5]韓萍，劉則徐，何煒琨.一種有效的機場安檢X 光手提行李圖像兩級增強方法[J].光電工程，2011，38(7)：99-105.

[6]PIZER S M，AMBURN E P，AUSTIN J D，et al.Adaptive histogram equalization and its variations[J].Computer Vision，Graphics and Image Processing，1987(39)：355-368.

[7]ZUIDERVELD K.Contrast limited adaptive histogram equalization[M].New York：Academic Press， 1994.

[8]PIZER S M，JOHNSTON R E，ERICKSEN J P，et al.Contrast-limited adaptive histogram equalization：speed and effectiveness[C]//Proc.1st Conference on Visualization in Biomedical Computing. Atlanta：IEEE Press，1990：337-345.

[9]CHEN Z Y，ZHENG Y，BESMA R，et al.A combinational approach to the fusion，de-noising and enhancement of dual-energy x-ray luggage images[C]//Proc.IEEE Conference on Computer Vision and Pattern Recognition.San Diego：IEEE Press，2005：198-206.

[10]楊曉剛，楊立瑞.X射線安檢圖像增強方法研究[J].CT理論與應用研究，2012(4)：705-712.

[11]楊振亞，陳裕泉，潘敏.基于Curvelet變換的X射線圖像增強[J].計算機科學，2010(3)：275-277.

[12]何勝宗.基于PCNN圖像因子分解的X線醫學圖像增強[J].中國圖象圖形學報， 2011(1)：21-26.

[13]韓得水，王明泉，王玉.基于同態濾波與直方圖均衡化的射線圖像增強[J].電視技術， 2013，37(7)：20-22.

[14]EDWIN H L，MCCANN J.Lightness and retinex theory[J].Journal of Optical Society of America，1971，61(1)：7-21.

[15]JOBSON D J，RAHMAN Z U，WOODELL G A.Properties and performance of a center/surround retinex[J].IEEE Trans.Image Processing，1997，6(3)：451-462.

[16]RAHMAN Z，JOBSON D J，WOODELL G A.Multi-scale retinex for color image enhancement[C]//Proc.International Conference on Image Processing.Lausanne.Switzerland：IEEE Press，1996：1003-1006.

[17]CELIK T，TJAHJADI T.Automatic image equalization and contrast enhancement using gaussian mixture modeling[J].IEEE Trans.Image Processing，2012，21(1)：145-156.

鄭林濤(1977— )，博士，主研數字圖像處理；

董永生(1979— )，博士，主研數字圖像處理；

史恒亮(1976— )，博士，主研人工智能與模式識別。

責任編輯：時 雯

X-ray Security Inspection Image Enhancement Algorithm Based on MSR and Fusion Theory

ZHENG Lintao，DONG Yongsheng，SHI Hengliang

(InformationEngineeringCollege，HenanUniversityofScienceandTechnology，HenanLuoyang471023，China)

Considering the characteristic of X-ray security inspection images such as much noise，low image contrast and blurred edges， a dual energy X-ray image enhancement algorithm is proposed.This algorithm is based on MSR(Multi-Scale Retinex) and image grayscale the maximum value integration.First of all， the high energy and low energy X-ray images is transformed with MSR as the initial enhanced result.Then the initial enhanced result is fused with spatial gray level value method and the fused result is the final enhanced image.Experimental results show that the algorithm can more effectively improve dual-energy X-ray image contrast and significantly improve image quality.

X-ray image；image enhancement；MSR；image fusion

國家自然科學基金項目(61301230)；河南省教育廳科學技術研究重點項目(13B520992)

TN911.73；TP391.41

A

10.16280/j.videoe.2015.07.008

2014-04-23

【本文獻信息】鄭林濤，董永生，史恒亮.基于MSR和融合理論的X射線安檢圖像增強算法[J].電視技術,2015，39(7).