基于引導(dǎo)濾波與LoG算子的安檢圖像增強算法

孫星星 鄭俊褒 曹志玲

摘 要：引導(dǎo)濾波是一種能保持圖像邊緣的濾波器，可用來減少圖像噪聲。高斯拉普拉斯算子（Laplacian of Gaussian，LoG）在去噪的同時能夠檢測到邊緣信息，并實現(xiàn)圖像邊緣增強。針對X光安檢圖像噪聲大、邊緣不清晰、對比度低等特點，提出一種基于引導(dǎo)濾波與LOG算子的安檢圖像增強算法。首先用引導(dǎo)濾波對圖像作平滑處理，然后用LoG算子檢測其邊緣并進行增強，最后用限制對比度自適應(yīng)局部直方均衡化（CLAHE）作對比度拉伸。實驗結(jié)果表明，該算法與改進CLAHE算法相比，平均梯度可提高50%左右，圖像清晰度較高。

關(guān)鍵詞：X光圖像; 引導(dǎo)濾波; LoG算子; CLAHE; 彩色圖像增強

DOI：10. 11907/rjdk. 192457 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP317.4 文獻標(biāo)識碼：A 文章編號：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射線安檢設(shè)備能讓安檢人員在不打開行李包裹的情況下得知其內(nèi)部物品，給人們的生活帶來了極大便利，但安檢圖片一般存在噪聲大、細節(jié)模糊、對比度低等缺點。因此，對圖像進行增強，使安檢人員更容易識別出其中物品，是一項很有必要的工作。

目前的安檢圖像增強主要針對灰度圖像，且近幾年相關(guān)研究較少。如文獻[1]提出通過對圖像進行背景去噪、邊緣增強、對比度拉伸等操作實現(xiàn)圖像增強;文獻[2]、[3]針對雙能量X射線系統(tǒng)提出先分別對高能和低能成分進行增強，之后再進行融合的算法。X射線圖像在其它領(lǐng)域的增強方法則比較多，如文獻[4]針對文物X光圖像提出高頻強調(diào)濾波自適應(yīng)直方圖增強算法;文獻[5]針對醫(yī)學(xué)X射線圖像提出結(jié)合小波與Curve let變換的增強算法等。

彩色圖像增強方法則主要集中在Retinex[6-8]、直方圖均衡化[9-10]、PCNN[11]等算法上。本文研究對象是彩色安檢圖像，由于其成像機制與一般圖像不同，顏色通常為黃綠藍等，對比度低，采用Retinex和PCNN算法處理時效果不理想。直方圖均衡化（Histogram equalization，HE）算法能改變圖像灰度，處理此類圖片效果很好。因此，結(jié)合HE算法，本文提出在HSV空間對亮度分量作對比度增強，不僅能提高安檢圖像對比度，還能減少顏色失真。

1 圖像增強算法

圖像增強基本方法可分為兩大類：空域法和頻域法?？沼蚍ㄊ侵苯訉ο袼攸c進行處理，頻域法則是先將圖像進行某種變換（如傅里葉變換），然后對變換后的系數(shù)進行調(diào)整，最后再進行逆變換得到空間域的增強圖像。本文的圖像增強算法主要在空間域完成。

1.1 引導(dǎo)濾波

引導(dǎo)濾波是一種基于局部線性模型的邊緣保持平滑濾波器[12]，其需要一張單獨的圖像或輸入圖像作為引導(dǎo)圖，并由此得名。

2.2.2 方法選擇

針對本文選取的濾波模型和邊緣檢測方法，以虎尾蘭綠蘿為對象，結(jié)合本文算法進行以下實驗。

（1）平滑濾波器選擇。保持邊緣的濾波器除引導(dǎo)濾波外，還有中值濾波和雙邊濾波。3種濾波器比較如表1所示。

由表1可知，引導(dǎo)濾波處理結(jié)果平均梯度最大，對應(yīng)清晰度最高;雙邊濾波處理結(jié)果峰值信噪比最高，與原圖最接近，但運行時間遠大于中值濾波和引導(dǎo)濾波的結(jié)果。綜合各種因素，本文選擇引導(dǎo)濾波器對圖像進行平滑處理。

（2）邊緣檢測算子選擇。選取幾種典型的邊緣檢測算子LOG、Laplacian、Prewitt、Sobel進行實驗，結(jié)果如表2所示。

由表2中的數(shù)據(jù)得知，LOG算子的平均梯度和標(biāo)準(zhǔn)差最好， Sobel算子的信息熵最好，但LOG算子信息熵與其相差不大。綜合3個標(biāo)準(zhǔn)來看，選擇LOG算子最為合適。

3 實驗結(jié)果分析

本文實驗圖像由黃埔海關(guān)技術(shù)中心提供，數(shù)據(jù)來源安全可靠，實驗平臺采用matlab（2015b）版本。

3.1 主觀分析

選取一幅“帶泥植物（虎尾蘭綠蘿）”，分別采用CLAHE算法、文獻[21]算法和本文算法進行圖像增強，實驗結(jié)果如圖2所示。

其中，圖2（a）為原始圖像;圖2（b）是CLAHE算法的結(jié)果，從圖中可以看出，圖像增強效果明顯，但顏色發(fā)生了較大改變，原來綠色的花盆變成了藍色，原因是在作直方均衡化時，顏色分量比例發(fā)生了改變，所以合成后的彩色圖顏色也會改變;圖2（c）是文獻[21]算法實現(xiàn)的增強效果，可以看到圖像細節(jié)的增強效果在3種方法中最為明顯，但同時也存在很多問題，如偽影、噪聲大（HE算法的缺點）等，且圖像背景呈灰色，整體上與原圖差別較大;圖2（d）是本文算法實現(xiàn)的增強效果，從圖中可以看出，本文算法處理后的圖像增強效果明顯，色彩失真度小，邊緣清晰，噪聲小，而且沒有改變原圖主要信息。

安檢人員在根據(jù)安檢圖像辨別包裹內(nèi)物體時，顏色是一個重要依據(jù)，因此在RGB空間做CLAHE并不合適;文獻[21]算法處理后的安檢圖像雖然細節(jié)清晰，但圖像亮度降低，且噪聲明顯，容易對安檢人員造成干擾;本文算法不僅沒有以上缺點，而且實現(xiàn)了邊緣和對比度增強的效果。因此，綜合以上分析，在對彩色安檢圖像作對比度增強時，本文算法結(jié)果從直觀上看優(yōu)于在RGB空間做CLAHE以及文獻[21]算法結(jié)果。

3.2 客觀分析

僅通過視覺分析圖像處理效果不夠客觀、科學(xué)，根據(jù)2.2.1節(jié)的客觀評價指標(biāo)，對以上實驗結(jié)果進行評價，如表3所示。

從表3可以看出，本文算法的平均梯度和峰值信噪比在3種算法中都是最大的，且圖像清晰度最高，圖像質(zhì)量最好，對應(yīng)圖2（d）經(jīng)圖像增強后，效果與原圖最為接近。綜合以上分析，可得出結(jié)論：本文算法比CLAHE和文獻[21]算法處理后的圖像更清晰，噪聲更小。

4 結(jié)語

本文提出一種基于引導(dǎo)濾波與LoG算子的彩色安檢圖像增強算法，集去噪以及邊緣和對比度增強于一體，能很好地解決目前安檢圖像存在的問題。與改進CLAHE算法相比，本文算法峰值信噪比提高了約28%，增強后的圖像與原圖更為接近、圖像噪聲更小。但是安檢圖像噪聲種類很多，本文只是去除了其中一部分，還存在其它類型的噪聲，這也是今后需要改進的地方。

參考文獻：

[1] 楊曉剛，楊立瑞. X射線安檢圖像增強方法研究[J]. CT理論與應(yīng)用研究，2012，21（4）：705-712.

[2] 鄭林濤，董永生，史恒亮. 一種新型X射線安檢圖像增強算法[J]. 科學(xué)技術(shù)與工程，2014，14（23）：252-256.

[3] 鄭林濤，董永生，史恒亮. 基于MSR和融合理論的X射線安檢圖像增強算法[J]. 電視技術(shù)，2015，39（7）：34-37.

[4] 相建凱，吳萌，王展，等. 圖像增強在文物X光圖像中的應(yīng)用[J]. 激光與光電子學(xué)進展，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] 諶貽會. 基于灰度補償與多尺度Retinex算法的彩色圖像增強方法研究[J]. 電子技術(shù)與軟件工程， 2019（14）：72-73.

[7] 李昌利，孫亞偉，閆敬文，等. 基于多通道均衡化的水下彩色圖像增強算法[J]. 華中科技大學(xué)學(xué)報（自然科學(xué)版），2019，47（6）：1-5，29.

[8] 沈海洋. 基于改進Retinex的圖像增強算法[J]. 微型電腦應(yīng)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. 直方圖受限的窄動態(tài)范圍彩色圖像細節(jié)增強[J]. 計算機應(yīng)用與軟件，2019，36（5）：187-193，248.

[11] 徐敏敏，寇光杰，馬云艷，等. 基于PCNN內(nèi)部活動項的彩色圖像增強算法[J]. 計算機科學(xué)，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] 劉振國，潘崢嶸，朱翔. 基于導(dǎo)向濾波器的超像素分割[J]. 自動化與儀表，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] 劉元寧，劉帥，朱曉冬，等. 基于高斯拉普拉斯算子與自適應(yīng)優(yōu)化伽柏濾波的虹膜識別[J]. 吉林大學(xué)學(xué)報（工學(xué)版），2018，48（5）：1606-1613.

[16] 韓美林，楊琳. 基于同態(tài)濾波的彩色圖像增強算法的改進與實現(xiàn)[J]. 科技經(jīng)濟市場，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，鄭夢敬，侯向丹，等. 基于局部二進制模式方差的分數(shù)階微分醫(yī)學(xué)圖像增強算法[J]. 激光與光電子學(xué)進展，2019，56（9）：116-124.

[19] 王體春. 基于保真性準(zhǔn)則的圖像智能增強和圖像質(zhì)量評價的理論和方法[D]. 重慶：重慶醫(yī)科大學(xué)，2018.

[20] 盧瑋，高濤，王翠翠，等. Retinex理論下基于融合思想的低照度彩色圖像增強算法[J]. 科學(xué)技術(shù)與工程，2019，19（13）：151-157.

[21] 魏德志， 梁光明. 基于改進的CLAHE顯微細胞圖像增強算法[J]. 計算機技術(shù)與發(fā)展，2018，28（10）：111-114.

（責(zé)任編輯：黃 ?。?/p>