背散射X射线图像感兴趣边缘检测方法

公安部第一研究所 孔维武 邢羽

背散射X射线人体安检图像通常存在信噪比低、对比度弱的特点，不利于安检员观察判读，并且，直接利用原始图像进行人体安全检查，涉及个人隐私问题。为此，研究了一种图像感兴趣边缘检测方法:首先，利用一种基于中值的自适应混合滤波方法降低图像噪声，然后，对滤波图像进行线性灰度拉伸提高其对比度，接着，利用一种多方向灰度形态学边缘检测方法提取图像边缘信息并进行边缘图像分割，最后，利用连通区标记过滤方法，保留图像中感兴趣边缘。试验结果表明，方法能够有效提取人体图像感兴趣边缘，在不影响检查人员观察判读基础上，最大限度地保护了被检查人员隐私。

0 引言

近年来，贩毒、恐怖主义等活动越来越多地以隐藏于人体的形式出现，借助人体进行毒品走私、恐怖袭击使得威胁与危险更加隐蔽，严峻的形势对人体安全检查技术提出了更严格的要求。在这样的背景下，背散射成像技术因其非接触式、辐射剂量低、对低原子序数物质敏感等特点在人体安全检查领域受到越来越多地关注，它能够以类似相片的形式展现背散射图像，不仅可以有效地检测出金属物品，还能够检测出像陶瓷刀，塑料枪支，液体炸弹，混合武器，毒品等非金属物品及违禁物品[1-2]。

然而，背散射人体图像信号通常存在信噪比相对较低、对比度相对较弱的特点，不利于操作员直接观察，并且，直接利用背散射图像进行人体检查涉及个人隐私问题，对设备推广不利。为此，一种可取的做法是:只勾勒出人体及其携带的各种潜在威胁的轮廓，即感兴趣边缘图像，当安检员进行人体安全检查时，只对感兴趣边缘图像进行判读，解决被检查人员对个人隐私问题的顾虑。

有鉴于此，针对背散射X射线人体图像特点，本文首先利用一种基于中值的自适应混合滤波方法降低图像噪声，并对滤波图像进行线性灰度拉伸，提高其对比度，然后利用一种多方向灰度形态学边缘检测方法提取图像边缘信息并进行边缘图像分割，进而利用一种快速二值连通区标记方法，提取图像中感兴趣边缘。

1 图像感兴趣边缘提取方法

1.1 方法简介

边缘检测方法多基于空间运算，包括一阶微分的梯度法和二阶微分法，包括多个算子[3]，这些算子各有其针对性和特点，但普遍对噪声比较敏感，复杂环境处理能力相对不足。

一副典型的背散射人体（仿真体模）图像及其某行灰度曲线分布如图1所示，其中，仿真体模身穿一件夹克，其胸腹部夹藏了一瓶300ml可燃液体。

分析图1不难看出，图像中存在明显噪声，图2、图3分别给出了利用Sobel、Laplacian、Canny边缘检测方法对图1（a）以及经典Cameraman图像进行边缘提取的结果。对比图2、图3不难看出，基于常规边缘检测方法的背散射图像边缘检测结果效果不理想，不如理想灰度图像边缘检测结果，这主要是由于背散射图像中强烈噪声干扰导致的。

图1 背散射人体体模图像Fig.1 X-ray backscatter image of human phantom

图2 图1（a）边缘检测结果Fig. 2 Edge detection results of Fig.1（a）

图3 cameraman图像边缘检测结果Fig.3 Edge detection results of cameraman

考虑到形态学边缘检测方法可以通过构造合适的运算流程形成抗噪声能力较强的边缘检测算子[4]，为此，本文利用一种多方向灰度形态学边缘检测方法对背散射人体图像边缘进行检测，在此基础上，还基于一种快速连通区标记方法，对原始边缘检测图像进行净化处理，仅保留人体图像中的感兴趣特征边缘，提高边缘图像可读性。

需要说明，所谓感兴趣边缘图像，指的是除了人体本身如胸部、臀部、骨骼等形成的边缘轮廓以及通过肉眼可见的衣物拉链、纽扣等形成的边缘轮廓以外，人体所携带的、具有一定分量的物体所形成的边缘轮廓，这类轮廓是安检员需要关注的。

考虑到背散射图像信噪比低、对比度弱的特点，在进行边缘检测之前，还需要对原始背散射图像进行滤波与对比度增强工作。

具体的感兴趣边缘检测方法流程图如图4所示。

图4 背散射人体图像感兴趣边缘检测方法流程图Fig.4 Flow chart of interested edge detection method of X-ray backscatter human image

1.2 自适应滤波

考虑到均值滤波对高斯型噪声抑制效果较好、中值滤波保护边缘能力及去除脉冲型噪声能力相对较强的特点，特别考虑到算法应具有较高效率并易于工业应用的实际，设计一种基于中值的自适应混合滤波方法，抑制图像噪声。

基于中值的自适应混合滤波方法是兼备均值滤波和中值滤波的一种滤波方法，方法思想是:以图像每一像素为中心选取一个适当的滤波区域，确定区域内灰度中值、灰度峰值与灰度谷值，计算出该区域内去掉灰度峰值与灰度谷值后其余像素的灰度均值，并将灰度中值、灰度均值与中心像素灰度值进行比较，如果三者间的灰度差异不十分显著，则将灰度均值作为最终滤波结果输出；否则，将灰度中值作为滤波结果输出[5]。

图5给出了典型的背散射人体图像及其自适应混合滤波去噪后的结果，并给出了某行位置滤波前后的灰度曲线图。

图5 背散射人体图像自适应滤波结果Fig.5 Adaptive filtering of X-ray backscatter human image

图5所示滤波操作的具体实现步骤如下:

（1）设待处理像素f（m，n）灰度值为V，以（m，n）为中心，选取一个适当大小的滤波区域，求找出滤波区域内像素灰度中值Vmed、灰度峰值Vmax和灰度谷值Vmin；

（2）将滤波区域内所有像素与Vmax、Vmin进行比较，去掉等于Vmax或Vmin的像素点，如果滤波区域内剩余像素个数不为零，求出滤波区域内剩余像素灰度均值Vmean，并进入步骤（3）；如果滤波区域内剩余像素个数为零，直接输出Vmed为滤波结果，并进入步骤（5）；

（3）计算V、Vmed与Vmean三者的差值绝对值之和T，以及T与三者之和的比值R，其中

（4）如果T或R大于设定的参考阈值Tval或Rval，认为f（m，n）被脉冲型噪声污染或为边缘的可能性大，输出Vmed作为最终滤波结果；否则，认为f（m，n）被高斯型噪声污染的可能性大，输出Vmean作为最终滤波结果。

（5）重复步骤（1）～（4），直至完成所有像素点滤波处理。得到去除噪声后图像。

1.3 灰度变换

背散射人体图像对比度相对较低，对图像进行灰度变换，可以提高图像的对比度，使图像边缘细节更加突出。

灰度变换直接利用线性灰度拉伸实现，以12比特人体安检图像为例，具体实现方法是:首先通过灰度直方图分析，确定一个低灰度经验阈值lv与一个高灰度经验阈值hv，然后直接将滤波后的背散射人体安检图像中灰度介于lv与hv之间的像素灰度拉伸至lv-4095之间；低于lv部分保持不变；高于hv部分设置为4095。

公式如式（3）所示，其中，I（i，j）表示滤波后人体图像在（i，j）位置灰度；T（i，j）表示灰度变换后的像素灰度。

对图像进行灰度变换结果如图6所示。

1.4 多方向灰度形态学边缘检测

形态学图像处理应用于边缘检测基本思想[6]是:对图像用一定的结构元进行基本操作以后与原图像相减。—般来讲，结构元的尺寸大小和结构形状都会影响图像边缘检测效果。小尺寸结构元去噪声能力弱，但能检测到好的边缘细节，大尺寸结构元去噪声能力强，但所检测的边缘较粗，会丢失一些小的细节。考虑到图像经过自适应滤波去噪处理，为尽可能详尽地检测到边缘细节，选用小尺寸结构元3×3大小进行边缘检测处理。

首先介绍基本灰度形态学运算的定义。

腐蚀和膨胀是灰度形态学两种基本运算，由这两种基本运算可以组成多种复合运算，产生各种实用的形态学算法。

用结构元b对输入图像f进行灰度腐蚀记为fb，其定义为:

用结构元b对输入图像f进行灰度膨胀记为f+b，其定义为:

开启与闭合运算是腐蚀与膨胀运算的组合，用b开启f记为f○b，用b闭合f记为f●b，分别定义为:

腐蚀运算可以去掉图像中比结构元小的亮细节，膨胀运算可以去掉比结构元小的暗细节；开启运算可以消除比结构元小的暗细节，而保持图像整体灰度和大的亮区域基本不受影响，闭合运算可以消除比结构元小的暗细节，而保持图像整体灰度和大的暗区域基本不受影响。四种操作都对噪声具有一定的抑制作用。简言之，它们的基本特点是:对于灰度差异明显处如边缘附近，作用效果突出；对于没有明显灰度差异的非边缘处，作用效果微弱。因此，利用这种对不同区域作用效果间的差异就可以进行边缘检测。

一种典型的抗噪膨胀腐蚀型边缘检测算子[4]如下:

需要说明的是，形态学边缘检测不仅和使用的边缘检测算子有关，还取决于结构元的选择，如果只选择一种结构元，其输出边缘图像只包含一种几何信息，不利于图像细节的保持；采用不同方向的多个结构元，将每一结构元作为一种尺度对图像进行边缘检测，最后再将各尺度边缘结果加权求和，可以更加有效地检测出图像的各种细节。

定义多方向边缘检测算子如下:

式中，Edgei为不同结构元下的边缘，b和bi为结构元，b设计为固定不变的3×3正方形，bi设计为不同的结构元，b和bi如图7所示:

图7 多方向形态学边缘检测结构元Fig.7 Multi-directional structural element of morphological edge detection

多方向灰度形态学边缘检测算法具体步骤为:

（1）用结构元b对输入图像f做开启操作，然后再利用结构元b1对开启结果做膨胀操作，得到图像A；

（2）用结构元b对输入图像f做闭合操作，然后再利用结构元b1对闭合结果做腐蚀操作，得到图像B；

（3）Edge1=A-B，得到一个方向边缘检测结果；

（4）选择不同的结构元b2、b3、b4，重复过程（1）～（3），得到另外三个方向的边缘结果Edge2、Edge3、Edge4；

（5）最终边缘结果为:Edge=K×（Edge1＋Edge2＋Edge3＋Edge4），其中K为一比例系数，用于调节边缘强度值。

对于图1（a），基于上述方法的边缘检测结果如图8所示，其中，取K=2。

图8 多方向形态学边缘检测结果Fig.8 Multi-directional morphological edge detection results

1.5 感兴趣边缘保留

观察图8（e），图像中的感兴趣边缘包括:瓶装可燃液体、衣服拉链以及若干金属扣的边缘信息。从图8（g）可以看出，感兴趣的边缘都被检测了出来，但是，边缘图像中还充斥大量琐碎无关的其他边缘细节，这些无关边缘严重干扰对正常特征边缘的判读，特别是瓶装液体，其边缘几乎被琐碎边缘淹没。

为此，设计一种感兴趣边缘保留算法，对图5（g）所示边缘图像做进一步净化处理。实现步骤如下:

（1）确定一个边缘低值Vmin和边缘高值Vmax，统计人体区域内在Vmin和Vmax之间的边缘值均值Vmean，只保留边缘值大于para×Vmean的边缘信息，其中para为一个不小于1的参数，此参数决定保留下来的边缘信息强度；

（2）将剩余边缘二值化，统计每个边缘近似长度Li，其中，Li表示第i条边缘长度；

（3）确定一个经验边缘长度阈值Lseg，只保留Li长度大于Lseg的边缘，其中，在算法实现时，可以使用连通区面积近似表示Li。

以图5所示人体图像边缘检测结果为例，感兴趣边缘保留结果如图9所示。观察图9（b），包括瓶装液体、衣服拉链以及若干金属扣等感兴趣边缘都得到了较好地保留，同时，图像中的一些非感兴趣边缘被较好地消除。相对图9（a），边缘图像的干净度与可视性得到很好提高。

图9 感兴趣边缘保留结果Fig.9 Edge of interest result

2 试验验证

为更直观地比较本文方法感兴趣边缘检测效果，给出部分试验结果如图10所示，其中，图10（a）为对仿真体模穿上夹克并胸口夹带手枪的示意图及其感兴趣边缘检测结果；图10（b）为对仿真体模穿上夹克并腹部夹带薄塑性炸药模拟物的示意图及其感兴趣边缘检测结果；图10（c）为仿真体模穿上夹克并在腹部夹带匕首的示意图及其感兴趣边缘检测结果。不难看出，本文方法均取得了较好的感兴趣边缘检测结果。

图10 本文方法部分处理结果Fig.10 Some processing results of the method presented

图11给出了实际人体图像的感兴趣边缘检测结果，其中，被检查对象携带了如下物品:手腕上携带了手表；胸前口袋携带了公交卡；一只裤兜放了一部手机；另外一只裤兜放了一块塑性炸药模拟物；腰间佩戴了金属头腰带。观察图11（c），不难看出，被检查对象所携带的物体在感兴趣特征边缘图像中都有所体现，相对图11（b）近乎“裸体成像”的检查图像，其个人隐私得到了很好的保护。

图11 实际人体图像结果Fig.11 Human body image result

3 结论

背散射X射线人体安检图像通常存在信噪比相对较低、对比度相对较弱的特点，不利于操作员观察，并且，直接利用背散射图像进行人体安全检查涉及隐私问题。一种可取的做法是:改善原始背散射人体图像质量，使图像更加适合人眼观察，当远程判读时，直接观察人体图像；勾勒出图像中的感兴趣特征边缘，当本机判读时，只对特征边缘图像进行判读。

有鉴于此，本文背散射X射线人体图像感兴趣边缘检测方法:首先，利用一种基于中值的自适应混合滤波器降低图像噪声，并对滤波后图像进行线性灰度拉伸，提高其对比度，然后，利用一种多方向灰度形态学边缘检测方法提取图像边缘信息，接着，利用一种快速二值连通区标记方法，实现人体图像感兴趣边缘提取。

试验结果表明，本文研究的方法起到了人体图像感兴趣边缘提取目的，较好地解决了背散射X射线人体检查设备涉及的对被检查人员的隐私保护问题，无论是对于安检员判读图像，还是对于该类型设备的推广应用，都具有重大的现实意义。