基于MSR和融合理论的X射线安检图像增强算法

郑林涛，董永生，史恒亮

(河南科技大学 信息工程学院，河南 洛阳 471023)



基于MSR和融合理论的X射线安检图像增强算法

郑林涛，董永生，史恒亮

(河南科技大学 信息工程学院，河南 洛阳 471023)

针对X射线安检图像噪声大、对比度低和边缘不清晰等问题，提出一种结合多尺度Retinex算法(Multi-Scale Retinex，MSR)算法和图像灰度最大值融合的双重能量X射线图像增强算法。首先，应用MSR算法对高能和低能X射线图像进行处理得到初步增强结果，然后采用空域灰度值最大融合算法融合经过MSR算法初步增强后的高能和低能X射线图像从而得到最终增强X射线图像。实验结果表明该算法能更有效地提高双重能量X射线图像的对比度，显著改善图像质量。

X射线图像；图像增强；多尺度Retinex算法；图像融合

近年来世界范围内针对公共场所的恐怖袭击事件频发，公共安全成为世界各国关注的焦点。公共安全作为国家安全的重要组成部分，是政府履行社会管理和公共服务职能的重要内容，同时也是民众最为关注的焦点问题之一。X射线安全检查设备作为公共交通运输等领域最重要的安全检查常规手段之一，是公共安全防御的一道重要防线。X射线检测技术能够通过X射线透射的方法获取行李包裹等的内部物品图像，帮助安检人员在不需开包的情况下查看行李包裹的内容物。

目前安全检测系统中常见的是双能量X射线(Dual Energy X-ray)检测系统。该类系统使用的双能量X射线成像技术是一种非常有效的投影成像技术。双能量X射线成像系统的工作原理是基于同一物质对不同能量X射线的质量吸收系数不同，以及不同物质对相同能量的X射线的质量吸收系数也不相同的物理规律。双能量X射线系统产生高低两种不同能量级的X射线：高能量射线(100 kV左右)和低能量射线(80 kV左右)。在图像扫描时分别用高低两种能量X射线对同一行李进行照射得到同一行李在高低两种能量X射线下的图像。但是在图像采集过程中难免受外界各种因素的影响以及X射线成像系统自身特性所限，X射线图像的质量往往会出现噪声大、对比度低和边缘不清晰等缺点。因此在进行后续处理之前对原始X射线图像进行增强处理，改善图像的视觉效果，便于安检人员对检测图像进行快速判断分析。

现今X射线图像增强的报道主要集中在医学领域和工业检测领域，涉及安检X射线图像的增强处理的报道较少[1]。常见图像增强方法有：直方图均衡、灰度分组法[2]、正弦灰度变换[3]、离散小波模糊增强[4]、ICA和自适应正弦灰度变换相结合的二级增强[5]。

X射线图像噪声大，对比度低，细节丰富但模糊。因此在增强该类图像的过程中提高图像对比度及增强细节信息并同时抑制噪声是此类图像增强所要解决的重点问题[6-9]。国内外的众多研究者都致力于研究该类图像的增强方法，希望能改善图像质量，提高图像的可视性[10-13]。

1 基于MSR和融合理论的双能X射线图像增强方法

针对双能X射线安检图像的特点，本文提出一种增强新方法，该方法首先应用MSR算法分别对高能和低能X射线图像分别进行处理得到初步增强结果。然后将增强后的高能X射线图像和低能X射线图像进行融合操作。本方法提高了图像的整体对比度，又同时融合了高能和低能X射线图像的信息，对双能X射线图像具有明显的增强效果。

1.1 MSR算法

Retinex一词是由Retina(视网膜)和Cortex(大脑皮层)这两个词组合而成。Retinex理论首先由Edwin H.Land于1964年提出[14]，试图模拟和解释人眼感知亮度和色度的视觉模型。Retinex理论认为人眼感知目标的亮度和颜色由环境光照和目标表面的反射光照决定，保持目标的颜色恒常性主要就是估计环境光照，并去除环境光照的影响，就能得到准确的目标颜色和亮度信息。

单尺度的Retinex(SSR)的数学描述如下

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

(1)

单尺度的Retinex算法中σ的大小非常关键，决定了Retinex算法的增强效果。σ较小的时候，算法的动态压缩能力强，图像中的细节部分能较好地凸现出来。σ较大的时候，算法的色感一致性较好，但会削弱动态压缩能力。仅靠一个单一的σ值很难在动态压缩能力和色感一致性之间取得平衡。为此，Jobson提出了多尺度Retinex算法[15-16]。多尺度的Retinex(Multiple Scale Retinex，MSR)可视为在不同尺度上SSR的加权组合结果。

MSR算法的公式可描述为

(2)

MSR算法是通过结合多个尺度实现图像动态范围的调整而达到图像增强的目的，MSR尤其适合于灰度图像处理。

1.2 图像融合

图像融合是指综合两幅或多幅源图像的相关信息，生成一幅新的图像。这幅新图像中蕴含着描述同一场景或者目标更为丰富、精确和可靠的有用信息。图像融合充分利用被融合图像中所包含的同一对象或场景的冗余和互补信息以达到方便人眼感知或计算机后续处理的目的。图像融合的层次可分为：像素级、特征级和决策级。本文选择在像素级层次上进行融合。像素级图像融合作为最低层次的图像融合，在该层次进行融合除了具有最高的融合准确性外，还能更多地保留场景的原始信息。而这些优点是特征级和决策级融合所无法提供的。

在双能X射线增强处理过程中引入图像融合的操作能够很好地将源图像中的有用信息提取并融入到融合图像中，得到具有更好视觉效果和更优量化指标的融合图像。

本文所采用的图像融合规则是空域像素灰度值选大法。详细的处理规则如下。

参与融合的图像分别记为I1(x,y)和I2(x,y)，得到的融合图像为I(x,y)，其中x,y为图像中某一像素的坐标。则基于像素灰度值选大法表示为

I(x,y)=max{I1(x,y)，I2(x,y)}

(3)

即在融合处理时，首先比较I1(x,y)和I2(x,y)两幅图像中同一位置处像素灰度值的大小，取其中灰度值大者作为融合图像在该像素点(x,y)处的像素灰度值。

1.3 基于MSR和灰度最大值融合规则的X射线图像增强算法

在前面介绍的MSR算法和图像融合理论的基础上，本文提出一种基于图像融合的双重能量X射线图像增强算法，算法的详细流程图如图1所示。使用MSR算法对需要增强处理的高能量和低能量X射线图像进行增强预处理，针对增强预处理后的图像进行图像融合，采用的融合规则是空域像素灰度值选大原则。算法在增强双能X射线图像的同时又有效抑制增强过程中产生的噪声。

图1 本文算法流程图

算法执行步骤如下：

1)读入待处理的高能X射线图像和低能X射线图像，分别用IL和IM表示。

2)使用式(2)分别对IL和IM进行处理，处理结果用IL_MSR和IH_MSR表示，步骤以IL为例。详细参数如下：

(1)使用式(2)对IL进行计算，尺度个数N取3；

(2)高斯环绕函数Fn(x,y)中参数σn分别取σ1=5，σ2=20，σ3=240；

3)将IL_MSR和IH_MSR代入式(3)进行融合。最后得到增强图像IEN。

2 实验结果及分析

仿真实验部分所采用数据是由美国Tennessee大学提供的双能X射线行李图像[9]。原图像是灰度图像，如图2所示，灰度范围是[0，255]。图像的大小是358×390。为了验证本文所提算法模型的实验效果，分别将本文提出的算法与文献提出的算法结果进行了比较。图3中分别给出了经过MSR处理过的双能X射线图像以及文献[5]和本文算法的增强结果图像。

图2 双能X射线行李图像

图3 实验结果

X射线行李图像被划分成4个区域，分别为左侧方盒区域、中部电路板区域、右侧遥控器区域及图像的剩余区域。图4是文献[5]算法与本文算法结果图中行李主体区域的细节比较，可以看出本文算法对应区域的图像清晰度明显优于前者。

图4 图像细节比较

人眼观察是一种有效的直观图像质量评价标准，但它毕竟是一种主观的评价标准。再从定量的角度比较本文算法和文献[5]的算法结果。定量评估增强效果采用的测度分别是图像均值、图像熵(Information Entropy)、基于边缘的对比度测度(EBCM)三种评价标准，其中图像熵和基于边缘的对比度测度的定义如下：

1)图像的熵(Information Entropy)

图像信息熵的定义为

(4)

式中：P(l)为某灰度值l在图像中出现的概率；L为图像的灰度等级，对于256灰度等级的图像，L=255。图像的熵是衡量该图像包含信息量多少的度量。如果增强图像的熵比原始图像的熵大，说明增强后的图像的信息量比原始图像的信息量更加丰富，增强效果更好。

2)基于边缘的对比度测度(Edge-Based Contrast Measure，EBCM)

(5)

式中：EBCM是一种基于边缘的对比度图像质量评价测度；c(i,j)是图像中(i,j)坐标处的像素对比度。关于EMCM和c(i,j)的计算细节详见文献[17]。通常认为EBCM值较大者具有更好的图像视觉质量。

根据以上量化的评价标准，对文献[5]和本文算法进行实验分析，结果如表1所示。

表1 两种算法的评价指标比较结果

从结果可以看出，本文的算法同比较算法相比具有更理想的评价测度值。本文算法与比较算法相比，性能指标均优于比较算法，更好地改善了图像质量。

3 结语

本文提出一种对双能X射线图像检测系统进行图像增强的算法，算法对双能X射线图像进行MSR变换和融合处理以达到增强图像质量的目的，在增强兴趣区域的同时，对图像的细节也进行了显著增强。并将该算法的结果从定性和定量的角度分别和其他算法进行了比较，仿真实验结果表明本文算法能有效增强双能X射线图像的可视性，是一种行之有效的针对双能X射线图像的增强算法，具有较高的应用推广价值。

[1]徐一鹤.X射线行李安检机的检测及其重要性[J].上海计量测试， 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]杨词银，黄廉卿.基于正弦灰度变换的X光图像增强[J].光学技术， 2002， 28(5)：407-408.

[4]贺秀萍，韩萍，吴仁彪，等.一种新的X射线手提行李图像增强方法[J].中国图象图形学报，2009，14(5)：866-870.

[5]韩萍，刘则徐，何炜琨.一种有效的机场安检X 光手提行李图像两级增强方法[J].光电工程，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]杨晓刚，杨立瑞.X射线安检图像增强方法研究[J].CT理论与应用研究，2012(4)：705-712.

[11]杨振亚，陈裕泉，潘敏.基于Curvelet变换的X射线图像增强[J].计算机科学，2010(3)：275-277.

[12]何胜宗.基于PCNN图像因子分解的X线医学图像增强[J].中国图象图形学报， 2011(1)：21-26.

[13]韩得水，王明泉，王玉.基于同态滤波与直方图均衡化的射线图像增强[J].电视技术， 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.

郑林涛(1977— )，博士，主研数字图像处理；

董永生(1979— )，博士，主研数字图像处理；

史恒亮(1976— )，博士，主研人工智能与模式识别。

责任编辑：时 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

国家自然科学基金项目(61301230)；河南省教育厅科学技术研究重点项目(13B520992)

TN911.73；TP391.41

A

10.16280/j.videoe.2015.07.008

2014-04-23

【本文献信息】郑林涛，董永生，史恒亮.基于MSR和融合理论的X射线安检图像增强算法[J].电视技术,2015，39(7).