基于USM的改进Retinex算法安检图像增强*

2021-12-01孙星星郑俊褒曹志玲

计算机与数字工程 2021年11期

孙星星郑俊褒曹志玲

（1.浙江理工大学信息学院杭州 310018）（2.黄埔海关技术中心广州 510000）

1 引言

安检图像是由X射线照射产生的。由于X射线照度低，安检图像往往存在细节模糊、对比度低等缺点，直接影响安检人员的检测速度与精确度［1］，因此对安检图像进行增强是至关重要的。近年来对安检图像增强方法的研究有很多：韩萍［2］等提出采用小波变换和灰度级分组相结合的方式处理双能X射线图像，相比直方图均衡（Histogram equal⁃ization，HE）算法，提高了图像的清晰度；郑林涛［3］等提出一种结合多尺度Retinex算法（Multi-Scale Retinex，MSR）和图像灰度最大值融合的双能X射线安检图像增强算法，进一步改善图像质量；文献［4］中邓文锋提出将模糊理论的知识用于安检图像增强，在提高图像对比度同时减少噪声。

本文采用Retinex算法对安检图像进行增强。Retinex算法通过模拟人眼的观察方式，能去除场景中入射光的影响，得到反映物体本质属性的反射属性［5］，广泛应用于红外图像［6］、夜间图像［7］、雾霾图像［8］等光照条件有限的图像增强中，正适用于本文待处理的光照不均匀的X射线图像。实验结果表明，传统Retinex算法对本文图像增强效果并不理想，因此提出改进算法来达到本文增强目标。

2 Retinex算法

Retinex理论主要包含了两个方面的内容：物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强的绝对值决定的；物体的色彩不受光照非均匀性的影响，具由一致性［9］。因此，Retinex图像增强的基本思想就是去除照射光的影响，保留物体自身的反射属性［10］。

2.1 单尺度Retinex（Single-Scale Retinex，SSR）算法

一副给定的图像S(x，y)可以看作是由物体反射图像R(x，y)和入射光图像L(x，y)组成的，它们之间可以表示为

对式（1）两边同时取对数，有下式：

其中L（x，y）可以通过对图像数据S（x，y）进行高斯模糊得到：

上式中*为卷积运算符，G（x，y）代表高斯核函数，表达式为

其中c为高斯滤波的尺度常量，尺度常量越大，灰度动态范围压缩的越多，意味着图像锐化的越多［11］。λ必须保证下式成立：

2.2 MSR算法

MSR算法是在SSR算法的基础上，加入多个不同参数的高斯模板（一般为三个，分别代表低、中、高），最后将多个SSR加权求和的过程。公式表示如下：

模糊综合评价指标体系是进行综合评价的前提，窖泥评价指标的选取是否适宜，将直接影响评价的准确性。为了科学确定窖泥质量评价体系，我们对四川省内浓香型白酒主要产区的几十家企业进行调查走访，同企业技术、经营、生产管理人员及行业专家进行沟通、交流，并随机采集不同质量等级的窖泥样品。结果见表1。

其中n是尺度数量，σ={σ1，σ2，…，σn}是高斯模糊系数的向量，wk是与第k个尺度相关的权重，并且

2.3 带色彩恢复因子的多尺度Retinex（Multi-Scale Retinex with Color Restoration，MSR⁃CR）算法

MSRCR算法引入彩色恢复因子C到MSR算法中，弥补由于图像局部区域对比度增强而导致颜色失真的缺陷［12］，整体表达式为

其中Il为原始图像中(x，y)这个点的像素值。

3 改进Retinex算法

3.1 USM算法

USM是在原始图像的基础上，加上一定比例的图像高频成分，以期达到边缘和细节信息增强的效果［13］。基本思路如图1所示。

图1 反锐化掩模原理图

线性反锐化掩模的数学表达式：

f（x，y）、g（x，y）、s（x，y）分别为输入、输出、高通滤波后图像，K为增强系数，Q（x，y）为低通模板，表达式为

3.2 CLAHE算法

相比于HE算法，CLAHE算法采用分块均衡的思想调节图像亮度，设置阈值防止放大噪声，并采用双线性插值的方法提高算法效率，具体描述如下。

1）对图像进行分块，以块为单位，先计算直方图，然后修剪直方图，最后均衡［14］。其中直方图修剪如下所示。

图2 直方图修剪示意图

这个重新分布的过程可能会导致那些被裁剪掉的部分又重新超过了裁剪值，但超出的值很小，可以忽略不计。

2）块间线性插值，需要遍历、操作各个子图像块，一般采用效率高的双线性插值法，计算公式如下：

其中G(i)为点(x，y)处的灰度值，Gzs(i)、Gzx(i)、Gyx(i)、Gys(i)分别为G(i)左上角、右上角、右下角、左下角的样本点。边缘部分灰度值用临近两个样本点进行插值计算，四个顶点用临近一个样本点进行计算［15］。

3.3 本文算法

基于USM的Retinex改进算法在得到高频分量后，拟对其进行放大，并用CLAHE算法做对比度增强，主要过程如下

1）对高频成分做放大，并加入低频成分：

其中G是高斯核函数，s是待处理图像，r是高频增强图像。K1是低频叠加系数，K2为高频增强因子。

2）做CLAHE处理增强对比度。

算法流程图如下。

图3 本文算法流程图

4 实验结果分析

4.1 Retinex算法实验

选取图像“带泥植物（虎尾兰绿萝）”进行实验，首先对图像直接做Retinex处理，结果如图4。

图4 Retinex处理结果

从图4中可看出SSR和MSR算法对安检图像几乎没有什么作用，增强后图像跟原来几乎一样；MSRCR效果明显，原来看不清的枝叶部分在增强后清晰可见，但观察图中边框圈住的内容，根据原图它应该是花盆边缘，在这里已经完全看不出来了，由此看出MSRCR算法作用于安检图像时会因过度增强而导致图像局部信息的缺失，这是我们不希望看到的。

4.2 改进Retinex算法实验

4.2.1 实验结果

用改进算法对图像“带泥植物（虎尾兰绿萝）”进行增强处理，并与其他图像增强算法比较，结果如图5所示。

图5 不同图像增强算法实验结果

从上述实验结果中我们可以直观看到，几个算法对原图都有增强效果，并且没有MSRCR算法丢失局部信息的缺陷，达到了本文增强的目的。但几种算法增强结果是有区别的：小波增强效果最不明显；高频强调滤波算法对边缘增强效果最好，细节增强不太明显；CLAHE算法细节增强比较明显；本文算法部分增强细节最明显。

4.2.2 数据分析

用平均梯度、信息熵和标准差来继续评价几种算法，其中平均梯度反映图像清晰度，信息熵反映图像包含的信息量，标准差反映图像质量，三个值都是越大越好。结果如表1所示。

表1 各算法数据比较

从上表中可以分析到，高频强调滤波算法增强后图像平均梯度最大，清晰度最高，跟图像直观分析结果一样；信息熵和标准差的大小依次为本文算法大于CLAHE大于高频强调滤波大于小波变换，对应图5中本文算法增强后图像包含的信息量和质量在几种算法中都是最好的。由于本文增强的主要目的是细节增强，因此本文算法得到了预期结果，图像信息熵比CLAHE算法约提高6%左右，当然还可以在清晰度方面做进一步改进。