射线图像的快速纹理提取算法

乔 双，李 健，孙佳宁

（1.东北师范大学 物理学院，吉林 长春 130024；2.东北师范大学 数学与统计学院，吉林 长春 130024）

射线图像的快速纹理提取算法

乔 双1，李 健1，孙佳宁2，＊

（1.东北师范大学 物理学院，吉林 长春 130024；2.东北师范大学 数学与统计学院，吉林 长春 130024）

局部二值模式（LBP）可提取模糊的射线图像纹理，但无法描述像素间灰度差异程度，不能有效区分冗余的微小灰度变化。针对上述问题，本文提出了一新型的快速纹理提取算法C-LBP。新算法首先引入复冲击滤波器对图像进行预处理，提取图像虚部数据作为下一步纹理提取的输入。然后嵌入相对光滑的比较函数来改进LBP，并考虑圆域内中心点和邻点的灰度相似距离，区别对待圆域内的灰度信息。最后，增加一计数策略，以淘汰冗余的微小灰度变化。实验证实C-LBP具有处理时间短和检测效果好双重优势，保留了对较大灰度的敏感性，增强了对灰度差异程度的描述能力，可有效增强图像、提取边缘和识别缺陷。

射线成像；纹理提取；复冲击滤波器；局部二值模式

Key words：radiography；texture extraction；complex shock filter；local binary pattern

射线成像技术，如计算机断层扫描（CT，computed tomography）成像技术、数字辐射（DR，digital radiography）成像技术以及中子成像技术（NIT，neutron imaging technology），可通过图像展示被测物体的内部结构，已广泛应用于物质的无损检测［1］。但工业无损检测尤其是批量实时检测有一定的时间要求，且受铸件厚度和射线强度等因素影响，很多射线图像的灰度对比度和铸件缺陷分布均呈现一定的局部特性［2］。现有的处理软件通常基于灰度、直方图和滤波模板等传统方法对图像进行处理［3］，很多方法因在检测时间和图像处理效果上难以平衡而具有较低的工业应用价值。

基于以上分析，综合考虑检测时间和处理效果两个方面，将纹理描述算子局部二值模式（LBP）用于射线图像增强、边缘提取和缺陷识别，然而LBP算子对噪声敏感性较强，不能有效区分微小灰度变化和较大灰度变化（微小灰度变化通过图像细节体现）。结合射线图像的特点，本文提出新型纹理提取算法C-LBP，该算法增加图像预处理环节，并从加权方式和比较函数等方面对传统LBP做一系列改进，拟充分发挥LBP计算方式简单性、信息提取局部性、单调灰度不变性等优势［4］，从图像检测效果和检测时间两个方面提高工业射线图像的检测效率。

1 C-LBP算法原理

在对图像进行纹理提取过程中，图像本身通常存在模糊含噪降质问题，这给处理结果造成很大影响［5］，本文在对图像进行纹理提取前用复冲击滤波器进行预处理，基于图像虚部数据在图像处理中具有稳定性更高、抗噪能力更强等特点［6］，将提取结果图像虚部数据作为下一步纹理提取的输入。

1.1 复冲击滤波器

设I＝I（x，t）为t时刻的恢复图像，令It为I关于t的偏导数，Ix和Ixx分别为I关于x的一阶和二阶偏导数。于是，复冲击滤波器的公式［7］为：

其中：a和θ为控制参数；λ为一复标量，λ＝eiθ；ImI表示取I的虚部。式（1）的整个执行过程基于相同的离散近似值。

复冲击滤波器具有以下特点：在时域上衰减较缓慢，相对稳定，冲击点保留较好；一般仅调节λ、a两个参数；由于整个处理过程是正则化的，所以只要θ足够小，就不会对处理结果造成影响［8］；为正则化冲击滤波器，添加一扩散项，取图像的虚部代替二阶导数作为扩散方向控制量。用图像虚部数据接受反馈会使虚部被扩散平滑，大部分较尖锐的拐点也被增强。同时，复冲击滤波器的计算过程相对简单，区别于其他冲击滤波器，复冲击滤波器并不需在每次迭代中均加入卷积计算，却仍可得到平滑的估计值，这亦可实现更好的保护图像纹理细节。综上所述，较基于二阶导数的冲击滤波器，复冲击滤波器的处理效果更好，在去模糊方面表现稳健，同时又可有效区分噪音和细节，在处理含噪图像方面具有优势。

1.2 快速纹理提取

为描述图像内部像素之间的灰度差异，LBP算法引入了比较函数，即对于以fC（fC∈I）为中心的圆域内邻点像素值fi（i＝1，2，…，P，P为所取像素点数）与fC，考虑如下S函数：

通过对上述函数输出进行累加处理，LBP算法实现了对图像的纹理提取［9］。然而上述阶跃函数S也造成LBP算法对图像中的微小变化（包括噪声）十分敏感，同时由于无论邻点像素对比中心点像素的差异为多少，S函数的输出只取1或0，这也使得LBP不能体现像素间的差异程度。

本文通过式（1）中的复冲击滤波器和Sigmoid函数，提出了全新的比较函数：

这里SC是一排序操作，表示将i按单调顺序进行排列，使得i越大，被赋予的权重越大。通过上述改进，使得当fi和fC差异程度不同时，得到不同的C-LBP值，提取不同的信息，最终得到的图像处理结果也会有所改进。

C-LBP利用计数策略滤除冗余微小灰度变化，即图像细节部分得以区分，提取变化幅度较大的灰度，保留LBP对较大灰度变化的敏感性，克服噪声、光照和复杂背景的影响。C-LBP可将边缘和冗余的微小变化区别对待，提取对比度较大的铸件强边缘和对比度较小的缺陷弱边缘，省去冗余微小变化，防止出现过提取现象。值得强调的是，这里引入~S函数的目的在于改进比较函数的光滑性，增加对灰度差异程度的描述能力。

2 实验与分析

为评估上述算法，分别对模糊DR图像、CT图像、中子图像及网上实际图像进行处理，并与其他纹理提取算法进行比较。仿真实验在CPU Intel（R）Pentium（R）Dual T3200 2.00GHz 2GB的计算机上完成，运行环境为Windows XP，编程语言为Matlab，其中参数θ＝0.001、λ＝0.1、a＝0.1。

示例1以DR图像为例。图1a、b、c为铸件DR原图像及相应的LBP、C-LBP算法纹理提取结果图像。

通过对比图1的各算法图像处理结果可知：LBP算法提取了大部分铸件边缘，但忽略了低对比度区域小缺陷，所得纹理边界较粗，模糊不清晰；C-LBP算法提取了几乎所有的纹理，包括铸件边缘、铸件缺陷、铸件批号（图1c右上角B），尤其是图像中下部分小圆圈中的纹理也得以提取。因此在工业缺陷识别时，先使用C-LBP提取图像纹理，跟踪缺陷边缘，定位缺陷位置，再以缺陷位置为中心划分需提取的缺陷纹理特征子图。这可克服DR图像模糊度的影响，避免将DR图中的噪声或伪影误判为缺陷，造成识别效率的降低。值得强调的是，跟踪缺陷边缘可提取缺陷的长宽比、圆度、面积、周长等几何特征，结合纹理特征一起作为识别的特征向量，从而提高工业缺陷识别效率。

示例2以CT图像为例。图2a、b、c为人脑CT原图像及相应的LBP、C-LBP算法纹理提取结果图像。

图1 模糊DR图像纹理提取结果Fig.1 Texture extraction results of fuzzy DR image

从图2可知：原图纹理模糊用肉眼几乎看不清楚且边缘颜色偏暗，与背景颜色相近。LBP算法虽提取了一小部分肉眼看不清楚的纹理，但结果图像十分模糊，所得纹理连成一片；C-LBP算法所得纹理边缘较完整，未出现切片层间信息，能挖掘出原图中肉眼看不见的人脑纹理，且所得图像纹理清晰、准确、连续、闭合。

示例3以中子图像为例。图3为两幅中子原图像及相应的LBP、C-LBP算法纹理提取结果图像。

图2 人脑CT图像纹理提取结果Fig.2 Texture extraction results of brain CT image

图3 中子图像纹理提取结果Fig.3 Texture extraction results of neutron image

从图3可知，原图受噪声模糊干扰较大，整体较模糊。LBP算法纹理提取效果明显很差，图像受噪声干扰较强，所得处理结果较模糊，纹理背景混为一体，边缘无法清晰辨别；C-LBP算法可有效提取铸件边缘、灰度对比度较弱的小缺陷，所得纹理边缘闭合、清晰。尤其是图3a右上角，图3d右下角偏暗，肉眼看不清楚继电器及软驱内部具体细微构造，C-LBP算法能捕捉缺陷边缘，所得器件图像纹理较明显，可看清内部的细微构造，在实际生产中具有较好的应用前景。

示例4以网站（http：∥www.engr.uconn.edu／～cmli）某图像为例。图4示出了背景复杂的实际原始图像以及相应的LBP、Canny、CLBP 3种算法纹理提取结果图像。

从图4可知，LBP算法受背景复杂程度影响，纹理提取结果较模糊，同时图像中很多冗余背景也被提取出来，出现过提取现象；Canny算子受光照和背景复杂程度影响，除目标边缘外，同样提取很多冗余的图像信息；C-LBP算法因仍保留了对较大灰度变化的敏感性，无需二值化，能克服微小灰度变化和复杂背景影响，从而得到较好的目标边缘。尤其如图4d左侧所示，其他算法无法提取原图像的左侧小分支，但CLBP算法可较好地处理。这在实际应用检测中很可能是一至关重要的问题。在处理时间上，C-LBP算法耗时0.022 0s，超过了Canny算子的0.017 0s和LBP算法的0.002 5s。但C-LBP算法处理效果明显优于二者，且未增加太多的时间消耗。因此，本文算法在实际检测中具有更好的应用性。

图4 复杂背景的实际图像纹理提取结果Fig.4 Texture extraction results of complex background image

3 结语

本文引入复冲击滤波器，以局部二值模式为基础，提出一新型的C-LBP算法。将该算法用于模糊DR图像、CT图像、中子图像及其他实际图像的纹理特征提取。实验结果证实，C-LBP算法提高了描述像素间灰度差异程度的能力，降低了对噪声和微小灰度变化的敏感性，能将图像噪音和纹理加以区分，深化了对信息提取局部性和单调灰度不变性的理解，实现了更为有效的图像纹理提取。实验处理时间和效果验证了该算法的有效性和实用性，为提升低剂量射线环境下无损检测技术的实用性提供了可行性保证。

［1］ VOORHEES H，POGGIO T.Detecting textons and texture boundaries in natural images［C］∥Proceedings of the First International Conference on Computer Vision.London：［s.n.］，1987：250-258.

［2］ TOMITA F，TSUJI S.Computer analysis of vis-ual textures［M］.London：Kluwer Academic Publishers，1990：100-103.

［3］ SCHILLINGER B，LEHMANN E，VONTOBEL P.3Dneutron computed tomography：Requirements and applications［J］.Phys B，2000，276：59-62.

［4］ OJALA T，PIETIKAINEN M，MAENPAA T.Multi-resolution gray-scale and rotation invariant texture classification with local binary patterns［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

［5］ TAKEDA H，FARSIU S，MILANFAR P.Kernel regression for image processing and reconstruction［J］.IEEE Trans Image Processing，2007，16（2）：349-366.

［6］ HE L H，ZOU C R，ZHAO L，et al.An enhanced LBP feature based on facial expression recognition［C］∥Annual International Conference of the IEEE Engineering in Medicine and Biology Society.US：［s.n.］，2005：3 300-3 303.

［7］ GILBOA G，SOCHEN N A，ZEEVI Y Y.Regularized shock filters and complex diffusion［M］∥Lecture Notes in Computer Science.US：Springer，2002：399-413.

［8］ WANG Y，WEI X Y，XIAO S.LBP texture analysis based on the local adaptive Niblack algorithm［C］∥International Conference of Congress on Image and Signal Processing.Hainan：［s.n.］，2008：777-780.

［9］ AHONEN T，HADID T A，PIETIKAINEN M.Face recognition with local binary patterns［M］∥Lecture Notes in Computer Science.US：Springer，2004：469-481.

［10］PENG S H，KIM D H，LEE S L，et al.Texture feature extraction based on uniformity estimation method for local brightness and structure in chest CT images［J］.Compute Biol Med，2010，40（11-12）：931-942.

Fast Texture Extraction Algorithm for Radiographic Image

QIAO Shuang1，LI Jian1，SUN Jia-ning2，＊
（1.School of Physics，Northeast Normal University，Changchun130024，China；2.Mathematics ＆Statistics School，Northeast Normal University，Changchun130024，China）

The local binary pattern（LBP）can extract fuzzy radiographic image texture，but is unable to describe the degree of grayscale difference and distinguish redundant micro-changes.To settle this problem，a new kind of rapid texture extraction algorithm-C-LBP was put forward.First of all，the complex shock filter was used to preprocess our image.And then the imaginary data were extracted as the next step input.The LBP was improved by a smooth compare function.In order to describe the grayscale informations distinctively，the similarity distances between surrounding points and centric point were considered.Besides，a counting scheme was utilized to eliminate redundant microchanges.The experimental results show that the C-LBP has advantages in both processing time and detecting vision.It can keep the sensitivity to the large gray level and enhance the description capacity of the grayscale difference.The C-LBP is feasible for image enhancement，edge extraction and defect classification.

TP391

：A

：1000-6931（2015）05-0939-05

10.7538／yzk.2015.49.05.0939

2014-01-10；

2014-04-08

国家自然科学基金资助项目（11275046，11405027）；国家重大科学仪器设备专项资助项目（2013YQ040861）；吉林省博士后科研项目启动经费资助项目（RB201331）

乔 双（1963—），男，吉林大安人，教授，博士，从事图像处理、核技术及应用研究

＊通信作者：孙佳宁，E-mail：sunjn118＠nenu.edu.cn