CN102385745A - 单源伪双能探测器安检数据的伪彩配色方法 - Google Patents

Abstract

本发明公开了一种单源伪双能探测器安检数据的伪彩配色方法，包括用于提高采集数据信噪比的信号增强处理、用于隶属度划分的自动分类计算方法、用于饱和度调整与亮度调整的非线性映射方法、隶属度色彩融合。本发明能有效抑制单源伪双能探测器的噪声。通过伪彩处理，可在处理结果中观察到灰度图像中无法直接察觉的信息，取得了良好的伪彩配色视觉效果。为安检人员发现危险品与可疑品提供帮助。

Description

单源伪双能探测器安检数据的伪彩配色方法

技术领域：

本发明涉及彩色图像处理中的伪彩配色技术，具体是一种单源伪双能探测器安检数据的伪彩配色方法。

背景技术：

随着世界经济的发展的不均衡，人员流动成为常态，因而也带来了安全方面的问题。X光射线透射成像安全检查作为车站、码头、机场的常规手段得到了广泛的使用。当前X光射线透射成像安全检查系统设备性价比高，并且医学实验结果表明在合理的安全防护措施下可保证安检人员及包裹内物品的安全。

单源伪双能探测器是X光射线透射成像安全检查系统设备的核心部件。它在高低能探测器之间加铜片滤除低能光谱。沿着X线光路方向，它在铜片前端放置仅对低能X光子具有较高的转换效率的低能探测器，在铜片后端放置对所有能谱均有较高的转换效率的高能探测器。通过这种方式获取高低能信号的方式与真正的双能系统不同，因而被称为单源伪双能探测器。通过对双能探测器采集的数据进行成像即可得到安检设备的透射图像。

发明内容：

本发明通过伪彩处理，可在处理结果中观察到灰度图像中无法直接察觉的信息，增强配色后人眼对安检透射图像内容的辨别能力，使得最终配色结果更加通透，降低安检人员的视觉疲劳，为安检人员发现危险品与可疑品提供帮助。

为实现以上目标，本发明包括以下步骤：

(1)对采集的高低能信号进行增强处理：

应用局部统计模型对采集得到的高低能信号进行增强，抑制伪双能探测器的噪声，以提高图像信噪比。

(2)用于隶属度划分的隶属度向量计算方法：

结合高低能数据计算等效物质属性值R，通过采用EM算法实现稳健的混合高斯隶属度模型构建。通过建立的模型对单源伪双能探测器采集的每个数据点进行隶属度计算。

(3)用于饱和度调整与亮度调整的非线性映射方法：

对每个类别内的数据通过非线性变换映射函数进行饱和度调整与亮度调整实现伪彩调色。

(4)隶属度色彩融合：

根据步骤(2)计算所得隶属度值进行色彩融合，得到单源伪双能探测器安检数据的伪彩配色结果。

本配色方法的思想是，采用HSV色彩模型，应用局部统计模型对采集得到的高低能信号进行增强，采用EM算法进行混合高斯隶属度计算，对每个类别内的数据通过非线性变换映射函数进行饱和度调整与亮度调整使得颜色更加通透并使得最终配色结果中观察到原始数据中无法直接看到的信息。最终根据隶属度值进行色彩融合，得到单源伪双能探测器安检数据的伪彩配色结果。

由于透射图像是灰度图像，人类的视觉系统分辨色彩的能力远高于分辨灰度级的能力。因而采用伪彩方法可以为安检人员发现危险品与可疑品提供帮助。但是由单源伪双能探测器获得的高低能数据并不是来自于真正的高低能射线源，因而根据采集的高低能值计算的物质属性R值是一种等效值。该等效R值的物理计算公式为：

$R=\frac{{\mathrm{\μ}}_H}{{\mathrm{\μ}}_L}=\frac{\ln (I_0/I_H)}{\ln (I_0/I_L)}$

其中

I₀表示出射强度，d为X射线方向的物体厚度，μ_H和μ_L为同种物质在高能和低能X射线下的线性吸收系数。

附图说明：

图1是本发明的流程图。

图2是橙色与蓝色的非线性映射图。

图3是绿色的非线性映射图。

图4是伪彩配色前的灰度图。

图5说明经过伪彩配色可在处理结果中观察到灰度图像中无法直接察觉的信息(右侧黑块中可以观察到圆形物体，这在灰度图上无法直接观察到)。

具体实施方式：

下面结合附图和具体实施方式对本发明作进一步详细说明。

步骤一：对采集的单源伪双能探测器安检数据进行增强

通过对透射物体衰减后的X射线能量值采集后，取3×3的邻域，N代表x_i，j邻域R内的像素个数(3×3的邻域内N为8)，用Δx_i，j刻画去噪分量，Δx′_i，j刻画锐化分量，像素x_i，j经局部统计模型增强后的结y_i，j可表示为：

$y_{i,j}=x_{i,j}\⊕(\mathrm{\Δ}{x^{\′}}_{i,j}-\mathrm{\Δ}{x}_{i,j})$

$\mathrm{\Δ}{x^{\′}}_{i,j}=\frac{2(L-1)}{N}[\underset{x_{m,n}\∈R}{\mathrm{\Σ}}\mathrm{MAX}(1-\frac{|x_{i,j}-x_{m,n}-L+1|}{2(L-1)},0)-\underset{x_{m,n}\∈R}{\mathrm{\Σ}}\mathrm{MAX}(1-\frac{|x_{i,j}-x_{m,n}+L-1|}{2(L-1)},0)]$

$\mathrm{\Δ}{x}_{i,j}=\frac{\mathrm{\α}}{N}[\underset{x_{m,n}\∈R}{\mathrm{\Σ}}\mathrm{MAX}(1-\frac{|x_{i,j}-x_{m,n}-\mathrm{\α}|}{2\mathrm{\α}},0)-\underset{x_{m,n}\∈R}{\mathrm{\Σ}}\mathrm{MAX}(1-\frac{|x_{i,j}-x_{m,n}+\mathrm{\α}|}{2\mathrm{\α}},0)]$

其中N＝8，0≤α≤L-1；x_i，j，x_m，n分别表示当前处理的像素与它的邻域像素，MAX操作表示取最大值。运算符表示有上限求和，避免输出像素值超出灰度范围。

对于有噪声的输入图像，在计算增强结y_i，j时需要控制α值，以便于实现平衡去除噪声和保护细节这两个目标，通常α值大，会在增强噪声抑制效果的同时损失信号的细节信息。在该步骤中α值设置范围为55～65。单源伪双能探测器安检数据因光子涨落原因存在随机噪声，因而需要同时进行噪声抑制与信号增强(尤其是边界区域)，使得图像的结构特征更加突出。

步骤二：隶属度模型构建与逐个像素隶属度计算

为了自动实现稳健的隶属度模型构建。需要分别估计无机物、混合物、有机物的R值均值μ_Org，μ_Al，μ_Fe及R值方差σ_Org，σ_Al，σ_Fe。为此结合EM(ExpectationMaximization)算法。提出一种单源伪双能探测器安检数据的隶属度模型构建算法，其具体流程如下：

1.记t＝0次迭代中p_Org＝p_Al＝p_Fe＝1/3。通过对已知样品包裹通过安检机后得到的成像数据进行手工类别标注，可以计算得到标注数据中有机物、混合物、无机物的R值均值μ_Org，μ_Al，μ_Fe及R值方差σ_Org，σ_Al，σ_Fe。将以上参数值作为t＝0次迭代时三类物质的估计参数θ⁽⁰⁾，简记为：

${\mathrm{\θ}}^{\left(0\right)}=(({\mathrm{\μ}}_{\mathrm{Org}}^{\left(0\right)},{\mathrm{\σ}}_{\mathrm{Org}}^{\left(0\right)},p_{\mathrm{Org}}^{\left(0\right)}),({\mathrm{\μ}}_{\mathrm{Al}}^{\left(0\right)},{\mathrm{\σ}}_{\mathrm{Al}}^{\left(0\right)},p_{\mathrm{Al}}^{\left(0\right)}),({\mathrm{\μ}}_{\mathrm{Fe}}^{\left(0\right)},{\mathrm{\σ}}_{\mathrm{Fe}}^{\left(0\right)},p_{\mathrm{Fe}}^{\left(0\right)}))$

2.基于t次迭代时的参数和观察x_n计算t次迭代的观察x_n属于类属ω_k的期望

$P\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})=\frac{P\left(x_n\right|{\mathrm{\ω}}_k,{\mathrm{\θ}}^{\left(t\right)})P\left({\mathrm{\ω}}_k\right|{\mathrm{\θ}}^{\left(t\right)})}{P\left(x_n\right|{\mathrm{\θ}}^{\left(t\right)})}=\frac{P\left(x_n\right|{\mathrm{\ω}}_k,{\mathrm{\θ}}^{\left(t\right)})P\left({\mathrm{\ω}}_k\right|{\mathrm{\θ}}^{\left(t\right)})}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}P\left(x_n\right|{\mathrm{\ω}}_k,{\mathrm{\θ}}^{\left(t\right)})P\left({\mathrm{\ω}}_k\right|{\mathrm{\θ}}^{\left(t\right)})}$

其中P(x_n|ω_k，θ^(t))是基于当前模型参数得到观察x_n的概率，P(ω_k|θ^(t))使用t次迭代的参数模型计算当前观察x_n属于类属ω_k的概率。

3.使用t次迭代时观察x_n属于ω_k的概率，更新模型参数至t+1次迭代，更新t+1时刻样例x_n属于ω_k的概率。

${\mathrm{\μ}}_i^{(t+1)}=\frac{{\mathrm{\Σ}}_{n}p\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})x_n}{{\mathrm{\Σ}}_{n}p\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})}$

${\mathrm{\σ}}_i^{(t+1)}=\frac{{\mathrm{\Σ}}_{n}p\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})[x_n-{\mathrm{\μ}}_i^{(t+1)}]{[x_n-{\mathrm{\μ}}_i^{(t+1)}]}^T}{{\mathrm{\Σ}}_{n}p\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})}$

P(x_n|ω_k，θ^(t+1))＝(1/N)∑_nP(x_n|ω_k，θ^(t+1))

4.如果模型参数的变化小于一个给定的阈值(设置范围为0.0001～0.001)则退出算法，否则转步骤2。

5.根据构建的隶属度模型(R值均值μ_i和R值方差σ_i)，计算每个像素属于无机物、混合物、有机物的归一化概率值：

$g_i(x;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}\exp (-\frac{1}{2}{\left(\frac{(x-{\mathrm{\μ}}_i)}{{\mathrm{\σ}}_i}\right)}^2)$

$g_i^{\′}(x;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)=\frac{g_i(x;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)}{{\mathrm{\Σ}}_i{g}_i(x;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)}$

步骤三：对饱和度与亮度进行非线性映射调整

1.对单源伪双能探测器安检数据的每个位置进行归一化对数变换，防止数据过饱和。计算公式为：normLogV＝log(x+1)/log(3951)

2.在对数归一化调整的基础上，对橙色与蓝色分别采用如下公式进行非线性映射：

$\mathrm{MaLEOB}=\left\{\begin{array}{cc}\frac{32}{63}(1-{(x-1)}^6)& 0\≤x\≤0.5\\ 1-0.5\sqrt{1-4{(x-0.5)}^2}& 0.5\≤x\≤1\end{array}\right.$

该变换函数可实现橙色灰度值范围的拉伸(接近1附近的值)与蓝色灰度值范围的拉伸(接近0附近的值)。

3.在对数归一化调整的基础上，对绿色采用如下公式进行非线性映射：

$\mathrm{MaLEG}=1-\sqrt{{1-x}^2},0\≤x\≤1$

该变换函数可实现绿色灰度值范围的拉伸(接近0.5附近的值)

4.对每一种颜色分为三类：对于蓝色分为深蓝，中蓝，浅蓝。蓝色色度H值分别设为213，217，221，蓝色饱和度S采用步骤2中获得的NaLEOB的值。蓝色亮度V值取步骤1中获得的normLogV值。对于橙色分为深橙，中橙，浅橙。橙色色度H值分为设为21，25，30，橙色饱和度S采用步骤2中获得的NaLEOB的值。橙色亮度V值取步骤1中获得的normLogV值。对于绿色分为深绿，中绿，浅绿。绿色色度H值分为设为115，126，140，绿色饱和度S采用步骤3中获得的NaLEG的值。绿色亮度V值取步骤1中获得的normLogV值。对于超过满度值的量(超过3950)记为黑色，低于本底值的量(低于20)记为白色。

5.对每一个待配色位置，在配置橙色H分量时，如果normLogV值小于0.73，判为深橙，如果介于0.73与0.85，判为中橙，如果大于0.85判为浅橙。橙色的S分量与V分量根据步骤4进行计算。在配置蓝色H分量时，如果normLogV值大于0.5，判为浅蓝，如果介于0.25与0.5，判为中蓝，如果小于0.25判为深蓝。蓝色的S分量与V分量根据步骤4进行计算。在配置绿色H分量时，如果normLogV值小于0.73，判为深绿，如果介于0.73与0.85，判为中绿，如果大于0.85判为浅绿。绿色的S分量与V分量根据步骤4进行计算。

步骤四：隶属度色彩融合

1.计算每一个待配色位置的归一化隶属度向量：(P_org，P_green，P_blue)

2.将“步骤三：对饱和度与亮度进行非线性映射调整”中得到的蓝色、绿色、橙色分量由HSV空间转换为RGB空间。转换公式为：

$\begin{array}{cccc}R=\frac{V}{\sqrt{3}}[1+\frac{S\cos H}{\cos (60-H)}]& B=\frac{V}{\sqrt{3}}[1-S]& G=\sqrt{3}V-R-B& 0\≤H\≤\mathrm{\π}/3\\ R=\frac{V}{\sqrt{3}}[1+\frac{S\cos (H-120)}{\cos (180-H)}]& B=\frac{V}{\sqrt{3}}[1-S]& G=\sqrt{3}V-R-B& \mathrm{\π}/3\≤H\≤2\mathrm{\π}/3\\ R=\frac{V}{\sqrt{3}}[1+\frac{S\cos (H-240)}{\cos (300-H)}]& B=\frac{V}{\sqrt{3}}[1-S]& G=\sqrt{3}V-R-B& 2\mathrm{\π}/3\≤H\≤\mathrm{\π}\end{array}$

3.根据步骤1计算所得的隶属度向量，对蓝色、绿色、橙色RGB值进行加权组合得到该位置的伪彩值：(R_final，G_final，B_final)

R_final＝P_orgR_org+P_greenR_green+P_blueR_blue

G_final＝P_orgG_org+P_greenG_green+P_blueG_blue

B_final＝P_orgB_org+P_greenB_green+P_blueB_blue

经实验，对比采用本方法伪彩配色前/后的图片，可以在处理结果中观察到灰度图像中无法直接察觉的信息。

Claims (9)

1.单源伪双能探测器安检数据的伪彩配色方法，步骤是对单源伪双能探测器采集的每个数据点，对应地先分别采集高能探测器和低能探测器的高低能信号；再依据该高低能信号进行配色处理，其特征在于该处理步骤包括：

1)对采集的高低能信号进行增强处理；

2)计算每个数据点的隶属度：

结合高低能数据计算等效物质属性值R，通过采用EM算法实现稳健的混合高斯隶属度模型构建；通过建立的隶属度模型对每个数据点进行隶属度计算；隶属度区分的隶属类别是无机物、混合物以及有机物；

3)对每个类别内的数据，调整对比度和亮度：

对每个类别内的数据通过非线性变换映射函数进行饱和度调整与亮度调整实现伪彩调色；

4)隶属度色彩融合：

根据隶属度值进行色彩融合，得到单源伪双能探测器安检数据的伪彩配色结果。

2.根据权利要求1所述的单源伪双能探测器安检数据的伪彩配色方法，其特征在于步骤1)中，应用局部统计模型对采集得到的高低能信号进行增强，

像素x_i，j经局部统计模型增强后的结y_i，j表示为：

$y_{i,j}=x_{i,j}\⊕(\mathrm{\Δ}{x^{\′}}_{i,j}-\mathrm{\Δ}{x}_{i,j})$

$\mathrm{\Δ}{x^{\′}}_{i,j}=\frac{2(L-1)}{N}[\underset{x_{m,n}\∈R}{\mathrm{\Σ}}\mathrm{MAX}(1-\frac{|x_{i,j}-x_{m,n}-L+1|}{2(L-1)},0)-\underset{x_{m,n}\∈R}{\mathrm{\Σ}}\mathrm{MAX}(1-\frac{|x_{i,j}-x_{m,n}+L-1|}{2(L-1)},0)]$

$\mathrm{\Δ}{x}_{i,j}=\frac{\mathrm{\α}}{N}[\underset{x_{m,n}\∈R}{\mathrm{\Σ}}\mathrm{MAX}(1-\frac{|x_{i,j}-x_{m,n}-\mathrm{\α}|}{2\mathrm{\α}},0)-\underset{x_{m,n}\∈R}{\mathrm{\Σ}}\mathrm{MAX}(1-\frac{|x_{i,j}-x_{m,n}+\mathrm{\α}|}{2\mathrm{\α}},0)]$

其中，N代表x_i，j邻域内的像素个数，用Δx_i，j刻画去噪分量，Δx′_i，j刻画锐化分量，0≤α≤L-1；x_u，j，x_m，n分别表示当前处理的像素与它的邻域像素，MAX操作表示取最大值；运算符

表示有上限求和。

3.根据权利要求2所述的单源伪双能探测器安检数据的伪彩配色方法其特征在于采用3×3邻域，3×3的邻域内N为8；α值设置范围为55～65。

4.根据权利要求1所述的单源伪双能探测器安检数据的伪彩配色方法其特征在于所述步骤2)的过程包括：隶属度模型构建、逐个像素隶属度计算，具体步骤包括：

21)记t＝0次迭代中p_Org＝p_Al＝p_Fe＝1/3。通过对已知样品包裹通过安检机后得到的成像数据进行手工类别标注，可以计算得到标注数据中有机物、混合物、无机物的R值均值μ_Org，μ_Al，μ_Fe及R值方差σ_Org，σ_Al，σ_Fe。将以上参数值作为t＝0次迭代时三类物质的估计参数θ⁽⁰⁾，简记为：

${\mathrm{\θ}}^{\left(0\right)}=(({\mathrm{\μ}}_{\mathrm{Org}}^{\left(0\right)},{\mathrm{\σ}}_{\mathrm{Org}}^{\left(0\right)},p_{\mathrm{Org}}^{\left(0\right)}),({\mathrm{\μ}}_{\mathrm{Al}}^{\left(0\right)},{\mathrm{\σ}}_{\mathrm{Al}}^{\left(0\right)},p_{\mathrm{Al}}^{\left(0\right)}),({\mathrm{\μ}}_{\mathrm{Fe}}^{\left(0\right)},{\mathrm{\σ}}_{\mathrm{Fe}}^{\left(0\right)},p_{\mathrm{Fe}}^{\left(0\right)}));$

22)基于t次迭代时的参数和观察x_n，计算t次迭代的观察x_n属于类属ω_k的概率：

$P\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})=\frac{P\left(x_n\right|{\mathrm{\ω}}_k,{\mathrm{\θ}}^{\left(t\right)})P\left({\mathrm{\ω}}_k\right|{\mathrm{\θ}}^{\left(t\right)})}{P\left(x_n\right|{\mathrm{\θ}}^{\left(t\right)})}=\frac{P\left(x_n\right|{\mathrm{\ω}}_k,{\mathrm{\θ}}^{\left(t\right)})P\left({\mathrm{\ω}}_k\right|{\mathrm{\θ}}^{\left(t\right)})}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}P\left(x_n\right|{\mathrm{\ω}}_k,{\mathrm{\θ}}^{\left(t\right)})P\left({\mathrm{\ω}}_k\right|{\mathrm{\θ}}^{\left(t\right)})}$

其中P(x_n|ω_k，θ^(t))是基于当前模型参数得到观察x_n的概率，P(ω_k|θ^(t))使用t次迭代的参数模型计算当前观察x_n属于类属ω_k的概率；

23)使用t次迭代时观察x_n属于ω_k的概率，更新模型参数至t+1次迭代，更新t+1时刻样例x_n属于ω_k的概率；

${\mathrm{\μ}}_i^{(t+1)}=\frac{{\mathrm{\Σ}}_{n}p\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})x_n}{{\mathrm{\Σ}}_{n}p\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})}$

${\mathrm{\σ}}_i^{(t+1)}=\frac{{\mathrm{\Σ}}_{n}p\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})[x_n-{\mathrm{\μ}}_i^{(t+1)}]{[x_n-{\mathrm{\μ}}_i^{(t+1)}]}^T}{{\mathrm{\Σ}}_{n}p\left({\mathrm{\ω}}_k\right|x_n,{\mathrm{\θ}}^{\left(t\right)})}$

P(x_n|ω_k，θ^(t+1))＝(1/N)∑_nP(x_n|ω_k，θ^(t+1))

24)如果模型参数的变化小于一个给定的阈值，则退出算法，否则转步骤22)；

25)根据构建的隶属度模型，即R值均值μ_i和R值方差σ_i，计算每个像素属于无机物、混合物和有机物的归一化概率值：

$g_i(x;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}\exp (-\frac{1}{2}{\left(\frac{(x-{\mathrm{\μ}}_i)}{{\mathrm{\σ}}_i}\right)}^2)$

$g_i^{\′}(x;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)=\frac{g_i(x;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)}{{\mathrm{\Σ}}_i{g}_i(x;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)}.$

5.根据权利要求4所述的单源伪双能探测器安检数据的伪彩配色方法，其特征在于在步骤24)中，阈值的设置范围为0.0001～0.001。

6.根据权利要求1所述的单源伪双能探测器安检数据的伪彩配色方法，其特征在于在步骤3)中，先对采集到的每个数据点进行归一化对数变换，计算公式为：normLogV＝log(x+1)/log(3951)；再进行配色；

在配色过程中，

对蓝色与橙色采用如下公式进行非线性映射：

$\mathrm{MaLEOB}=\left\{\begin{array}{cc}\frac{32}{63}(1-{(x-1)}^6)& 0\≤x\≤0.5\\ 1-0.5\sqrt{1-4{(x-0.5)}^2}& 0.5\≤x\≤1\end{array}\right.$

对绿色采用如下公式进行非线性映射：

$\mathrm{MaLEG}=1-\sqrt{{1-x}^2},0\≤x\≤1.$

7.根据权利要求6所述的单源伪双能探测器安检数据的伪彩配色方法，其特征在于在步骤3)中，将每一种颜色分为三类：

对于蓝色，分为深蓝，中蓝，浅蓝；蓝色色度H值分别设为213，217，221，蓝色饱和度S采用NaLEOB的值；蓝色亮度V值取normLogV值；

对于橙色，分为深橙，中橙，浅橙；橙色色度H值分为设为21，25，30，橙色饱和度S采用NaLEOB的值；橙色亮度V值取normLogV值；

对于绿色，分为深绿，中绿，浅绿；绿色色度H值分为设为115，126，140，绿色饱和度S采用NaLEG的值；绿色亮度V值取normLogV值；

对于超过满度值的量即超过3950，记为黑色；低于本底值的量即低于20，记为白色。

8.根据权利要求1所述的单源伪双能探测器安检数据的伪彩配色方法，其特征在于在步骤4)中，在根据隶属度进行色彩融合，先将HSV颜色空间转换为RGB颜色空间，然后在RGB颜色空间内根据隶属度向量进行伪彩计算。

9.根据权利要求8所述的单源伪双能探测器安检数据的伪彩配色方法，其特征在于步骤4)的步骤包括：

41)计算每一个待配色位置的归一化隶属度向量：(P_org，P_green，P_blue)；

42)将步骤3)中得到的蓝色、绿色、橙色分量由HSV空间转换为RGB空间，转换公式为：

$\begin{array}{cccc}R=\frac{V}{\sqrt{3}}[1+\frac{S\cos H}{\cos (60-H)}]& B=\frac{V}{\sqrt{3}}[1-S]& G=\sqrt{3}V-R-B& 0\≤H\≤\mathrm{\π}/3\\ R=\frac{V}{\sqrt{3}}[1+\frac{S\cos (H-120)}{\cos (180-H)}]& B=\frac{V}{\sqrt{3}}[1-S]& G=\sqrt{3}V-R-B& \mathrm{\π}/3\≤H\≤2\mathrm{\π}/3\\ R=\frac{V}{\sqrt{3}}[1+\frac{S\cos (H-240)}{\cos (300-H)}]& B=\frac{V}{\sqrt{3}}[1-S]& G=\sqrt{3}V-R-B& 2\mathrm{\π}/3\≤H\≤\mathrm{\π}\end{array};$

43)根据隶属度向量，对蓝色、绿色、橙色RGB值进行加权组合得到该位置的伪彩值：(R_final，G_final，B_final)

R_final＝P_orgR_org+P_greenR_green+P_blueR_blue

G_final＝P_orgG_org+P_greenG_green+P_blueG_blue

B_final＝P_orgB_org+P_greenB_green+P_blueB_blue。

Images