您好, 访客   登录/注册

基于RGB三原色分解的X射线液体图像分割

来源:用户上传      作者:张然, 汤全武,李明源, 刘东昌, 解波

  摘要:X射线物品安检是当今安全检查的主流,液体物品的安检成为现在安检的重点,安检图像的智能化分析是未来安检发展的趋势之一。安检图像中背景往往占据很大一部分,在智能分析之前,要进行图像分割,提取图像前景信息,同时,安检图像处理要求简单高效,基于此,提出一种基于RGB三原色分解的图像分割算法,先将彩色图像转换为二值图像,再将二值图像分别与彩色图像的RGB三通道做乘积,最后再合成彩色图像。同时将此算法和基于距离变换的分水岭分割算法、基于梯度的分水岭分割算法进行对比,通过相似系数DSC和耗时对比,结果优于相关算法。
  关键词:液体安检; RGB三原色分解; X射线液体图像; 图像分割;背景分离
  中图分类号:TP391 文献标识码:A
  文章编号:1009-3044(2021)32-0013-04
  X射线成像是当今物品安检的主要方法,安检图像的智能化分析是未来安检发展的趋势之一,在智能分析之前,要进行图像分割。张俊生[1]等提出一种动态阈值分割算法,首先对X射线原始图像进行平滑处理,然后用原始图像减去平滑图像,对得到的差图像设定阈值进行分割,实现目标区域的提取,但动态阈值选定范围缺乏定量衡量标准。刘蕊[2]等研究在阈值分割的基础上,提出先通过训练Softmax回归模型预测最佳阈值得到二值图像,再利用区域生长法提取完整手形,最后对手骨图像进行归一化处理的分割方法,但影响算法性能的特征参数的选定方法还有待改进。曹富强[3]等提出一种基于改进DeepLabv3+的工业铸件内部缺陷检测算法Effi-DeepLab,以提高小目标缺陷分割的精度,但网络结构较为复杂,耗时较长。
  考虑以上因素,提出一种基于RGB三原色分解的图像分割算法,先将彩色图像转换为二值图像,再将二值图像分别与彩色图像的RGB三通道做乘积,最后再合成彩色图像。本算法在X射线图像暗裂痕处理和图像抗噪方面效果优良,且算法简单耗时少,可以实现自动化的X射线图像分割。
  1 基于RGB三原色分解的X射线液体图像分割
  1.1 平台说明
  本研究基于Matlab R2018a平台进行图像间转换与分割。硬件环境:Intel(R)Core(TM)i7 -10750CPU@2.60GHz处理器,8GB内存,NVIDIA GeForce GTX 1660 Ti。GPU 软件环境:Windows10 64bit 系统,CUDA10.0,CUDNN7.4。
  1.2 RGB彩色图像二值化
  二值图像一般意义上是指只有纯黑(0)、纯白(255)两种颜色的图像。首先将RGB彩色图像转换为灰度图像,使用到的程序函数为:
  f = rgb2gray(RGB);
  rgb2gray函数通过消除色调和饱和度信息,同时保留亮度信息,将RGB图像转换为灰度图像。再把灰度图像转换为二值图像,使用到的程序函数为:
  g = im2bw(f,graythresh(f));
  im2bw使用阈值(graythresh(f))变换法把灰度图像转换成二值图像,graythresh函数选取阈值的准则为通过选择阈值来最小化黑白像素的类内方差。
  1.3 RGB彩色图像的三通道分解
  将RGB彩色D像进行R、G、B三通道分解,使用到的程序函数为:
  re = f1(:,:,1),gr = f1(:,:,2),bl = f1(:,:,3);
  1.4 二值图像与彩色图像的RGB三通道做乘积
  首先,将二值图像取非,原因是原始图像经过二值化处理后,背景变为白色,目标前景变为黑色,取非后将其反置,再与彩色图像的RGB三通道做乘积,这样背景的像素值为0,前景的像素归一化后为1,与彩色图像的RGB三通道做乘积,保留了目标前景的彩色图像,背景变为黑色,使用到的程序函数为:
  re = immultiply(~g,f1(:,:,1));
  gr = immultiply(~g,f1(:,:,2));
  bl = immultiply(~g,f1(:,:,3));
  1.5合成彩色图像
  将做完乘积的RGB三通道合成彩色图像,使用到的程序函数为:
  g2 = cat(3,re,gr,bl);
  2 实验数据
  2.1 实验材料
  实验用5种液体:92号汽油、甲醇与30%硝基甲烷混合液、75%酒精、食用油、水的原始样本各400份(模型识别按训练集和预测集3:1分配,即每种液体训练集300份样本,预测集100份样本),分别用玻璃、金属、塑料、陶瓷共4种容器盛装,容量均为500ml,进行X射线图像获取实验。
  2.2 实验设备及其参数
  实验采用深圳市天和时代电子设备有限公司生产的安天下牌X射线安检机,型号为AT6550,分辨力为直径0.0787 mm金属线,空间分辨力为水平:直径1.0 mm,垂直:直径1.0 mm,穿透分辨力为直径0.254 mm,穿透力为34 mm钢板,单次检查剂量小于1μGy,射线束方向为底照式,管电流为0.4mA~1.2mA(可调),管电压为100kv~160kv(可调),射线束发散角为80°,X射线传感器为L形光电二极管阵列探测器 (多能量)。
  2.3 图像采集与数据获取
  将每个样本依次经过X射线安检机并获取样本高、低能X射线图像各8000张,原始图像均为大小1024*640像素,水平和垂直分辨率为96dpi,位深度为RGB格式24位彩色图像,图1为部分样本X射线图像。
  通过上述X射线原始图片可知,图片中目标物体较小,背景所占面积较大,需进行图像分割,以此来提取前景图像,通过上述基于RGB三原色分解的X射线液体彩色图像分割,先将彩色图像转换为灰度图像,如图2所示,再将灰度图像转换为二值图像,如图3所示,再将二值图像分别与彩色图像的RGB三通道做乘积,最后再合成彩色图像。分割后的样本图像均为大小94*131像素,水平和垂直分辨率为96dpi,位深度为RGB格式24位彩色图像,分割后的部分样本图像如图4所示。

nlc202301131529



  3 图像分割结果对比与分析
  本研究选取基于距离变换的分水岭分割算法[4]、基于梯度的分水岭分割算法[4、5]进行对比与分析。
  3.1 基于距离变换的分水岭分割结果
  可以看出,基于距离变换的分水岭分割方法在本研究的X射线图像应用中出现欠分割[6]现象,X射线图像背景和前景由于X射线因素可能形成不易看出的暗裂痕[7],本分割方法对此误分割。
  3.2 基于梯度的分水岭分割结果
  可以看出,基于梯度的分水岭分割方法在本研究的X射线图像应用中出现过分割现象,由于噪声[8]造成的多余“谷底”,无噪声或误差时,有两个目标,一个分水岭;当出现了噪声,则会有过分割[9]现象发生。
  3.3 客观分析
  为了客观地评价三种算法的分割效果,采取定量的方式计算分割图像的性能指标。分割准确率采用相似系数DSC(Dice Similarity Coefficient)[2]进行定量评价,分割标准图像为液体的X射线GT(Ground Truth)图像。
  DSC值衡量GT图像与分割图像的相似度,公式如下:
  [DSC=2|X∩Y|X+|Y|] (1)
  其中X代表GTD像,Y表示分割结果图像。
  通过本文提出一种基于RGB三原色分解的图像分割算法分割结果(图4)与基于距离变换的分水岭分割[10]结果(图5)、基于梯度的分水岭分割[11]结果(图6)进行对比,本文算法相似系数最高,在X射线图像暗裂痕处理和图像抗噪[12-13]方面明显优于后两种算法。
  3.4 三种分割算法耗时对比
  三种算法耗时比较如表2所示。
  由表2可知,模型在本实验的软硬件环境下,基于距离变换的分水岭分割算法平均单个样本耗时0.422607秒,基于梯度的分水岭分割算法平均单个样本耗时0.453777秒,基于RGB三原色分解的图像分割算法平均单个样本耗时0.317453秒,从消耗时间[14]来看,也是基于RGB三原色分解的图像分割算法最佳。
  4 结束语
  本文提出一种基于RGB三原色分解的图像分割算法,并成功应用于X射线液体图像前景与背景的分割,为安检中液体的智能识别[15-16]提供前期处理基础。本算法先将彩色图像转换为二值图像,再将二值图像分别与彩色图像的RGB三通道做乘积,最后再合成彩色图像。最大的亮点在于将图像分割问题转化为归一化二值0和1与图像的乘积问题,从而高效准确地选择出1所对应的前景区域,且去除0所对应的背景区域。本文算法与传统分割算法,例如基于距离变换的分水岭分割算法和基于梯度的分水岭分割算法进行对比,在X射线图像暗裂痕处理和图像抗噪方面明显优于后两种算法;与深度学习[3-6]的方法相比,本文算法更加简单快捷,算法复杂程度低,耗时大大降低,易于迁移,对复杂背景图像有一定的鲁棒性。
  本文算法的不足之处在于个别与X射线液体图像相似的有机物可能无法识别并分割出去,例如皮革、肥皂等有机物。下一步尝试加入形态学[17]图形约束框来区分出非液体相似有机物,进一步提升分割准确率。
  参考文献:
  [1] 张俊生,王明泉,郭晋秦,等.BGA焊点气泡缺陷X射线图像的动态阈值分割方法[J].火力与指挥控制,2018,43(10):113-116.
  [2] 刘蕊,贾媛媛,贺向前,等.基于Softmax回归模型的骨龄X射线图像手骨分割[J].重庆大学学报,2019,42(9):74-84.
  [3] 曹富强,王明泉,张俊生,等.基于深度学习的铸件X射线图像分割研究[J].应用光学,2021,42(6):1025-1033.
  [4] Gonzalez R C,Woods R E. 数字图像处理(MATLAB版)[M].阮秋琦,等译.北京:电子工业出版社,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] 王增硕,刘溢文,关子昂,等.基于自适应多重欧氏距离变换的分水岭粘连颗粒分割方法[J].电脑知识与技术,2022,18(3):93-96.
  [7] 康利娟,陈先桥.基于多级直方图形状分割的图像对比度增强技术[J].计算机应用与软件,2022,39(3):207-212,321.
  [8] 张然,汤全武,史崇升.基于递推最小二乘自适应滤波算法的图像去噪[J].计算机应用与软件,2014,31(4):193-196.
  [9] 陈科尹,吴崇友,关卓怀,等.基于统计直方图k-means聚类的水稻冠层图像分割[J].江苏农业学报,2021,37(6):1425-1435.
  [10] 张文飞,韩建海,郭冰菁,等.改进的分水岭算法在粘连图像分割中的应用[J].计算机应用与软件,2021,38(6):243-248.
  [11] 洪梦霞,梁少华.基于RGB颜色空间的彩色图像分割[J].电脑知识与技术,2020,16(34):225-227.
  [12] 许晓丽,赵明涛,高玲.一种基于超像素的快速聚类图像分割算法[J].电脑知识与技术,2019,15(25):235-236.
  [13] 王帅,贾鹤鸣.基于改进共生生物搜索算法的植物冠层图像分割研究[J].计算机应用与软件,2020,37(9):152-159,182.
  [14] 杨梦,雷博,赵强,等.基于改进粒子群的二维模糊散度多阈值图像分割[J].计算机应用与软件,2020,37(9):133-138.
  [15] 汤哲君,汤全武,张然,等.基于高光谱成像技术和SVM神经网络的马铃薯外部损伤识别[J].湖北农业科学,2014,53(15):3634-3638.
  [16] 张然.基于高光谱成像技术的马铃薯外部损伤识别研究[D].银川:宁夏大学,2013.
  [17] 徐祥,陈洪,叶文华.基于阈值分割和形态学相结合的金属废料X射线图像轮廓提取方法[J].机械与电子,2022,40(4):31-36.
  【通联编辑:唐一东】

nlc202301131529




转载注明来源:https://www.xzbu.com/8/view-15444099.htm

相关文章

服务推荐