基于RGB三原色分解的X射線液體圖像分割
來源:用戶上傳
作者:張然， 湯全武，李明源， 劉東昌， 解波
摘要：X射線物品安檢是當今安全檢查的主流，液體物品的安檢成為現在安檢的重點，安檢圖像的智能化分析是未來安檢發展的趨勢之一。安檢圖像中背景往往占據很大一部分，在智能分析之前，要進行圖像分割，提取圖像前景信息，同時，安檢圖像處理要求簡單高效，基于此，提出一種基于RGB三原色分解的圖像分割算法，先將彩色圖像轉換為二值圖像，再將二值圖像分別與彩色圖像的RGB三通道做乘積，最后再合成彩色圖像。同時將此算法和基于距離變換的分水嶺分割算法、基于梯度的分水嶺分割算法進行對比，通過相似系數DSC和耗時對比，結果優于相關算法。
關鍵詞：液體安檢; RGB三原色分解; X射線液體圖像; 圖像分割；背景分離
中圖分類號：TP391 文獻標識碼：A
文章編號：1009-3044（2021）32-0013-04
X射線成像是當今物品安檢的主要方法，安檢圖像的智能化分析是未來安檢發展的趨勢之一，在智能分析之前，要進行圖像分割。張俊生[1]等提出一種動態閾值分割算法，首先對X射線原始圖像進行平滑處理，然后用原始圖像減去平滑圖像，對得到的差圖像設定閾值進行分割，實現目標區域的提取，但動態閾值選定范圍缺乏定量衡量標準。劉蕊[2]等研究在閾值分割的基礎上，提出先通過訓練Softmax回歸模型預測最佳閾值得到二值圖像，再利用區域生長法提取完整手形，最后對手骨圖像進行歸一化處理的分割方法，但影響算法性能的特征參數的選定方法還有待改進。曹富強[3]等提出一種基于改進DeepLabv3+的工業鑄件內部缺陷檢測算法Effi-DeepLab，以提高小目標缺陷分割的精度，但網絡結構較為復雜，耗時較長。
考慮以上因素，提出一種基于RGB三原色分解的圖像分割算法，先將彩色圖像轉換為二值圖像，再將二值圖像分別與彩色圖像的RGB三通道做乘積，最后再合成彩色圖像。本算法在X射線圖像暗裂痕處理和圖像抗噪方面效果優良，且算法簡單耗時少，可以實現自動化的X射線圖像分割。
1 基于RGB三原色分解的X射線液體圖像分割
1.1 平臺說明
本研究基于Matlab R2018a平臺進行圖像間轉換與分割。硬件環境：Intel（R）Core（TM）i7 -10750CPU@2.60GHz處理器，8GB內存，NVIDIA GeForce GTX 1660 Ti。GPU 軟件環境：Windows10 64bit 系統，CUDA10.0，CUDNN7.4。
1.2 RGB彩色圖像二值化
二值圖像一般意義上是指只有純黑（0）、純白（255）兩種顏色的圖像。首先將RGB彩色圖像轉換為灰度圖像，使用到的程序函數為：
f = rgb2gray（RGB）；
rgb2gray函數通過消除色調和飽和度信息，同時保留亮度信息，將RGB圖像轉換為灰度圖像。再把灰度圖像轉換為二值圖像，使用到的程序函數為：
g = im2bw（f，graythresh（f））；
im2bw使用閾值（graythresh（f））變換法把灰度圖像轉換成二值圖像，graythresh函數選取閾值的準則為通過選擇閾值來最小化黑白像素的類內方差。
1.3 RGB彩色圖像的三通道分解
將RGB彩色D像進行R、G、B三通道分解，使用到的程序函數為：
re = f1（：，：，1），gr = f1（：，：，2），bl = f1（：，：，3）；
1.4 二值圖像與彩色圖像的RGB三通道做乘積
首先，將二值圖像取非，原因是原始圖像經過二值化處理后，背景變為白色，目標前景變為黑色，取非后將其反置，再與彩色圖像的RGB三通道做乘積，這樣背景的像素值為0，前景的像素歸一化后為1，與彩色圖像的RGB三通道做乘積，保留了目標前景的彩色圖像，背景變為黑色，使用到的程序函數為：
re = immultiply（～g，f1（：，：，1））；
gr = immultiply（～g，f1（：，：，2））；
bl = immultiply（～g，f1（：，：，3））；
1.5合成彩色圖像
將做完乘積的RGB三通道合成彩色圖像，使用到的程序函數為：
g2 = cat（3，re，gr，bl）；
2 實驗數據
2.1 實驗材料
實驗用5種液體：92號汽油、甲醇與30%硝基甲烷混合液、75%酒精、食用油、水的原始樣本各400份（模型識別按訓練集和預測集3：1分配，即每種液體訓練集300份樣本，預測集100份樣本），分別用玻璃、金屬、塑料、陶瓷共4種容器盛裝，容量均為500ml，進行X射線圖像獲取實驗。
2.2 實驗設備及其參數
實驗采用深圳市天和時代電子設備有限公司生產的安天下牌X射線安檢機，型號為AT6550，分辨力為直徑0.0787 mm金屬線，空間分辨力為水平：直徑1.0 mm，垂直：直徑1.0 mm，穿透分辨力為直徑0.254 mm，穿透力為34 mm鋼板，單次檢查劑量小于1μGy，射線束方向為底照式，管電流為0.4mA～1.2mA（可調），管電壓為100kv～160kv（可調），射線束發散角為80°，X射線傳感器為L形光電二極管陣列探測器 （多能量）。
2.3 圖像采集與數據獲取
將每個樣本依次經過X射線安檢機并獲取樣本高、低能X射線圖像各8000張，原始圖像均為大小1024*640像素，水平和垂直分辨率為96dpi，位深度為RGB格式24位彩色圖像，圖1為部分樣本X射線圖像。
通過上述X射線原始圖片可知，圖片中目標物體較小，背景所占面積較大，需進行圖像分割，以此來提取前景圖像，通過上述基于RGB三原色分解的X射線液體彩色圖像分割，先將彩色圖像轉換為灰度圖像，如圖2所示，再將灰度圖像轉換為二值圖像，如圖3所示，再將二值圖像分別與彩色圖像的RGB三通道做乘積，最后再合成彩色圖像。分割后的樣本圖像均為大小94*131像素，水平和垂直分辨率為96dpi，位深度為RGB格式24位彩色圖像，分割后的部分樣本圖像如圖4所示。
nlc202301131529
3 圖像分割結果對比與分析
本研究選取基于距離變換的分水嶺分割算法[4]、基于梯度的分水嶺分割算法[4、5]進行對比與分析。
3.1 基于距離變換的分水嶺分割結果
可以看出，基于距離變換的分水嶺分割方法在本研究的X射線圖像應用中出現欠分割[6]現象，X射線圖像背景和前景由于X射線因素可能形成不易看出的暗裂痕[7]，本分割方法對此誤分割。
3.2 基于梯度的分水嶺分割結果
可以看出，基于梯度的分水嶺分割方法在本研究的X射線圖像應用中出現過分割現象，由于噪聲[8]造成的多余“谷底”，無噪聲或誤差時，有兩個目標，一個分水嶺；當出現了噪聲，則會有過分割[9]現象發生。
3.3 客觀分析
為了客觀地評價三種算法的分割效果，采取定量的方式計算分割圖像的性能指標。分割準確率采用相似系數DSC（Dice Similarity Coefficient）[2]進行定量評價，分割標準圖像為液體的X射線GT（Ground Truth）圖像。
DSC值衡量GT圖像與分割圖像的相似度，公式如下：
[DSC=2|X∩Y|X+|Y|] （1）
其中X代表GTD像，Y表示分割結果圖像。
通過本文提出一種基于RGB三原色分解的圖像分割算法分割結果（圖4）與基于距離變換的分水嶺分割[10]結果（圖5）、基于梯度的分水嶺分割[11]結果（圖6）進行對比，本文算法相似系數最高，在X射線圖像暗裂痕處理和圖像抗噪[12-13]方面明顯優于后兩種算法。
3.4 三種分割算法耗時對比
三種算法耗時比較如表2所示。
由表2可知，模型在本實驗的軟硬件環境下，基于距離變換的分水嶺分割算法平均單個樣本耗時0.422607秒，基于梯度的分水嶺分割算法平均單個樣本耗時0.453777秒，基于RGB三原色分解的圖像分割算法平均單個樣本耗時0.317453秒，從消耗時間[14]來看，也是基于RGB三原色分解的圖像分割算法最佳。
4 結束語
本文提出一種基于RGB三原色分解的圖像分割算法，并成功應用于X射線液體圖像前景與背景的分割，為安檢中液體的智能識別[15-16]提供前期處理基礎。本算法先將彩色圖像轉換為二值圖像，再將二值圖像分別與彩色圖像的RGB三通道做乘積，最后再合成彩色圖像。最大的亮點在于將圖像分割問題轉化為歸一化二值0和1與圖像的乘積問題，從而高效準確地選擇出1所對應的前景區域，且去除0所對應的背景區域。本文算法與傳統分割算法，例如基于距離變換的分水嶺分割算法和基于梯度的分水嶺分割算法進行對比，在X射線圖像暗裂痕處理和圖像抗噪方面明顯優于后兩種算法；與深度學習[3-6]的方法相比，本文算法更加簡單快捷，算法復雜程度低，耗時大大降低，易于遷移，對復雜背景圖像有一定的魯棒性。
本文算法的不足之處在于個別與X射線液體圖像相似的有機物可能無法識別并分割出去，例如皮革、肥皂等有機物。下一步嘗試加入形態學[17]圖形約束框來區分出非液體相似有機物，進一步提升分割準確率。
參考文獻：
[1] 張俊生，王明泉，郭晉秦，等.BGA焊點氣泡缺陷X射線圖像的動態閾值分割方法[J].火力與指揮控制，2018，43（10）：113-116.
[2] 劉蕊，賈媛媛，賀向前，等.基于Softmax回歸模型的骨齡X射線圖像手骨分割[J].重慶大學學報，2019，42（9）：74-84.
[3] 曹富強，王明泉，張俊生，等.基于深度學習的鑄件X射線圖像分割研究[J].應用光學，2021，42（6）：1025-1033.
[4] Gonzalez R C，Woods R E. 數字圖像處理（MATLAB版）[M].阮秋琦，等譯.北京：電子工業出版社，2005：315-318.
[5] Hinojosa S.Entropy-based imagery segmentation for breast histology using the Stochastic Fractal Search[J].Neurocomputing，2018，321：201-215.
[6] 王增碩，劉溢文，關子昂，等.基于自適應多重歐氏距離變換的分水嶺粘連顆粒分割方法[J].電腦知識與技術，2022，18（3）：93-96.
[7] 康利娟，陳先橋.基于多級直方圖形狀分割的圖像對比度增強技術[J].計算機應用與軟件，2022，39（3）：207-212，321.
[8] 張然，湯全武，史崇升.基于遞推最小二乘自適應濾波算法的圖像去噪[J].計算機應用與軟件，2014，31（4）：193-196.
[9] 陳科尹，吳崇友，關卓懷，等.基于統計直方圖k-means聚類的水稻冠層圖像分割[J].江蘇農業學報，2021，37（6）：1425-1435.
[10] 張文飛，韓建海，郭冰菁，等.改進的分水嶺算法在粘連圖像分割中的應用[J].計算機應用與軟件，2021，38（6）：243-248.
[11] 洪夢霞，梁少華.基于RGB顏色空間的彩色圖像分割[J].電腦知識與技術，2020，16（34）：225-227.
[12] 許曉麗，趙明濤，高玲.一種基于超像素的快速聚類圖像分割算法[J].電腦知識與技術，2019，15（25）：235-236.
[13] 王帥，賈鶴鳴.基于改進共生生物搜索算法的植物冠層圖像分割研究[J].計算機應用與軟件，2020，37（9）：152-159，182.
[14] 楊夢，雷博，趙強，等.基于改進粒子群的二維模糊散度多閾值圖像分割[J].計算機應用與軟件，2020，37（9）：133-138.
[15] 湯哲君，湯全武，張然，等.基于高光譜成像技術和SVM神經網絡的馬鈴薯外部損傷識別[J].湖北農業科學，2014，53（15）：3634-3638.
[16] 張然.基于高光譜成像技術的馬鈴薯外部損傷識別研究[D].銀川：寧夏大學，2013.
[17] 徐祥，陳洪，葉文華.基于閾值分割和形態學相結合的金屬廢料X射線圖像輪廓提取方法[J].機械與電子，2022，40（4）：31-36.
【通聯編輯：唐一東】
nlc202301131529
轉載注明來源:http://www.hailuomaifang.com/8/view-15444099.htm
