基于引导滤波与LoG算子的安检图像增强算法

孙星星 郑俊褒 曹志玲

摘 要：引导滤波是一种能保持图像边缘的滤波器，可用来减少图像噪声。高斯拉普拉斯算子（Laplacian of Gaussian，LoG）在去噪的同时能够检测到边缘信息，并实现图像边缘增强。针对X光安检图像噪声大、边缘不清晰、对比度低等特点，提出一种基于引导滤波与LOG算子的安检图像增强算法。首先用引导滤波对图像作平滑处理，然后用LoG算子检测其边缘并进行增强，最后用限制对比度自适应局部直方均衡化（CLAHE）作对比度拉伸。实验结果表明，该算法与改进CLAHE算法相比，平均梯度可提高50%左右，图像清晰度较高。

关键词：X光图像; 引导滤波; LoG算子; CLAHE; 彩色图像增强

DOI：10. 11907/rjdk. 192457 开放科学（资源服务）标识码（OSID）：

中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2020）008-0226-04

Abstract： Guided filter is a kind of filter that can keep the edge of the image， which can be used to reduce image noise. Laplacian of Gaussian（LoG） can detect edge information while de-noising， it can realize image edge enhancement. Aiming at the characteristics of X-ray security image such as high noise， unclear edge and low contrast， we propose a security image enhancement algorithm based on guided filter and LOG operator. Firstly， the image is smoothed by guided filter， then the edge is detected by LoG operator， and finally， the contrast is stretched by contrast limited adaptive histogram equalization（CLAHE）. The experimental results show that compared with the improved CLAHE algorithm， the average gradient of the algorithm can be improved by about 50%， and the image clarity can be improved.

Key Words： X-ray image; guided image filtering; LoG operator; CLAHE; color image enhancement

0 引言

X射線安检设备能让安检人员在不打开行李包裹的情况下得知其内部物品，给人们的生活带来了极大便利，但安检图片一般存在噪声大、细节模糊、对比度低等缺点。因此，对图像进行增强，使安检人员更容易识别出其中物品，是一项很有必要的工作。

目前的安检图像增强主要针对灰度图像，且近几年相关研究较少。如文献[1]提出通过对图像进行背景去噪、边缘增强、对比度拉伸等操作实现图像增强;文献[2]、[3]针对双能量X射线系统提出先分别对高能和低能成分进行增强，之后再进行融合的算法。X射线图像在其它领域的增强方法则比较多，如文献[4]针对文物X光图像提出高频强调滤波自适应直方图增强算法;文献[5]针对医学X射线图像提出结合小波与Curve let变换的增强算法等。

彩色图像增强方法则主要集中在Retinex[6-8]、直方图均衡化[9-10]、PCNN[11]等算法上。本文研究对象是彩色安检图像，由于其成像机制与一般图像不同，颜色通常为黄绿蓝等，对比度低，采用Retinex和PCNN算法处理时效果不理想。直方图均衡化（Histogram equalization，HE）算法能改变图像灰度，处理此类图片效果很好。因此，结合HE算法，本文提出在HSV空间对亮度分量作对比度增强，不仅能提高安检图像对比度，还能减少颜色失真。

1 图像增强算法

图像增强基本方法可分为两大类：空域法和频域法。空域法是直接对像素点进行处理，频域法则是先将图像进行某种变换（如傅里叶变换），然后对变换后的系数进行调整，最后再进行逆变换得到空间域的增强图像。本文的图像增强算法主要在空间域完成。

1.1 引导滤波

引导滤波是一种基于局部线性模型的边缘保持平滑滤波器[12]，其需要一张单独的图像或输入图像作为引导图，并由此得名。

2.2.2 方法选择

针对本文选取的滤波模型和边缘检测方法，以虎尾兰绿萝为对象，结合本文算法进行以下实验。

（1）平滑滤波器选择。保持边缘的滤波器除引导滤波外，还有中值滤波和双边滤波。3种滤波器比较如表1所示。

由表1可知，引导滤波处理结果平均梯度最大，对应清晰度最高;双边滤波处理结果峰值信噪比最高，与原图最接近，但运行时间远大于中值滤波和引导滤波的结果。综合各种因素，本文选择引导滤波器对图像进行平滑处理。

（2）边缘检测算子选择。选取几种典型的边缘检测算子LOG、Laplacian、Prewitt、Sobel进行实验，结果如表2所示。

由表2中的数据得知，LOG算子的平均梯度和标准差最好， Sobel算子的信息熵最好，但LOG算子信息熵与其相差不大。综合3个标准来看，选择LOG算子最为合适。

3 实验结果分析

本文实验图像由黄埔海关技术中心提供，数据来源安全可靠，实验平台采用matlab（2015b）版本。

3.1 主观分析

选取一幅“带泥植物（虎尾兰绿萝）”，分别采用CLAHE算法、文献[21]算法和本文算法进行图像增强，实验结果如图2所示。

其中，图2（a）为原始图像;图2（b）是CLAHE算法的结果，从图中可以看出，图像增强效果明显，但颜色发生了较大改变，原来绿色的花盆变成了蓝色，原因是在作直方均衡化时，颜色分量比例发生了改变，所以合成后的彩色图颜色也会改变;图2（c）是文献[21]算法实现的增强效果，可以看到图像细节的增强效果在3种方法中最为明显，但同时也存在很多问题，如伪影、噪声大（HE算法的缺点）等，且图像背景呈灰色，整体上与原图差别较大;图2（d）是本文算法实现的增强效果，从图中可以看出，本文算法处理后的图像增强效果明显，色彩失真度小，边缘清晰，噪声小，而且没有改变原图主要信息。

安检人员在根据安检图像辨别包裹内物体时，颜色是一个重要依据，因此在RGB空间做CLAHE并不合适;文献[21]算法处理后的安检图像虽然细节清晰，但图像亮度降低，且噪声明显，容易对安检人员造成干扰;本文算法不仅没有以上缺点，而且实现了边缘和对比度增强的效果。因此，综合以上分析，在对彩色安检图像作对比度增强时，本文算法结果从直观上看优于在RGB空间做CLAHE以及文献[21]算法结果。

3.2 客观分析

仅通过视觉分析图像处理效果不够客观、科学，根据2.2.1节的客观评价指标，对以上实验结果进行评价，如表3所示。

从表3可以看出，本文算法的平均梯度和峰值信噪比在3种算法中都是最大的，且图像清晰度最高，图像质量最好，对应图2（d）经图像增强后，效果与原图最为接近。综合以上分析，可得出结论：本文算法比CLAHE和文献[21]算法处理后的图像更清晰，噪声更小。

4 结语

本文提出一种基于引导滤波与LoG算子的彩色安检图像增强算法，集去噪以及边缘和对比度增强于一体，能很好地解决目前安检图像存在的问题。与改进CLAHE算法相比，本文算法峰值信噪比提高了约28%，增强后的图像与原图更为接近、图像噪声更小。但是安检图像噪声种类很多，本文只是去除了其中一部分，还存在其它类型的噪声，这也是今后需要改进的地方。

参考文献：

[1] 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，2012，21（4）：705-712.

[2] 郑林涛，董永生，史恒亮. 一种新型X射线安检图像增强算法[J]. 科学技术与工程，2014，14（23）：252-256.

[3] 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）：34-37.

[4] 相建凯，吴萌，王展，等. 图像增强在文物X光图像中的应用[J]. 激光与光电子学进展，2019，56（6）：265-270.

[5] ZHU W， JIANG H， WANG E， et al. X-ray image global enhancement algorithm in medical image classification[J].  Clarivate Analytics Web of Science， 2019， 12（4-5）： 1297-1309.

[6] 谌贻会. 基于灰度补偿与多尺度Retinex算法的彩色图像增强方法研究[J]. 电子技术与软件工程， 2019（14）：72-73.

[7] 李昌利，孙亚伟，闫敬文，等. 基于多通道均衡化的水下彩色图像增强算法[J]. 华中科技大学学报（自然科学版），2019，47（6）：1-5，29.

[8] 沈海洋. 基于改进Retinex的图像增强算法[J]. 微型电脑应用，2019，35（6）：144-146.

[9] GOPINATH P，PALANISAMY P，VARUN P G. An improved luminosity and contrast enhancement framework for feature preservation in color fundus images[J].  Signal， Image and Video Processing，2019.

[10] 王海峰，章怡，杜卓明. 直方图受限的窄动态范围彩色图像细节增强[J]. 计算机应用与软件，2019，36（5）：187-193，248.

[11] 徐敏敏，寇光杰，马云艳，等. 基于PCNN内部活动项的彩色图像增强算法[J]. 计算机科学，2019，46（S1）：259-262.

[12] HE K， SUN J， TANG X. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2013， 35 （6） ：1397-1409.

[13] 刘振国，潘峥嵘，朱翔. 基于导向滤波器的超像素分割[J]. 自动化与仪表，2018，33（8）：26-29.

[14] OMAR M S，AHMED S. Automatic arrival time detection for earthquakes based on modified Laplacian of Gaussian filter[J].  Computers and Geosciences，2018.

[15] 刘元宁，刘帅，朱晓冬，等. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报（工学版），2018，48（5）：1606-1613.

[16] 韩美林，杨琳. 基于同态滤波的彩色图像增强算法的改进与实现[J]. 科技经济市场，2018（8）：14-15.

[17] SONALI，SIMA S，AMIT K S，et al. An approach for de-noising and contrast enhancement of retinal fundus image using CLAHE[J].  Optics and Laser Technology，2018（110）：87-98.

[18] 劉洪普，郑梦敬，侯向丹，等. 基于局部二进制模式方差的分数阶微分医学图像增强算法[J]. 激光与光电子学进展，2019，56（9）：116-124.

[19] 王体春. 基于保真性准则的图像智能增强和图像质量评价的理论和方法[D]. 重庆：重庆医科大学，2018.

[20] 卢玮，高涛，王翠翠，等. Retinex理论下基于融合思想的低照度彩色图像增强算法[J]. 科学技术与工程，2019，19（13）：151-157.

[21] 魏德志， 梁光明. 基于改进的CLAHE显微细胞图像增强算法[J]. 计算机技术与发展，2018，28（10）：111-114.

（责任编辑：黄 健）