CN103279960B - 一种基于x射线背散射图像的人体隐藏物的图像分割方法 - Google Patents

Abstract

本发明公开了一种基于X射线背散射图像的人体隐藏物的图像分割方法，所述方法包括：采集X射线背散射图像，对X射线背散射图像进行预处理，获取预处理后图像；对所述预处理后图像进行统计，提取人体区域；求取所述人体区域的平均灰度u₀，通过K-mean算法和贝叶斯分类算法重新对所述人体区域进行分类，利用区域标记法提取出人体隐藏物。本方法在不影响效果的情况下尽量的减少数据量，从而减少计算时间，达到实时性的目的。可以较好的检测出那些与背景有较低对比度的物体。通过进行两次分割，利用人体这一中间背景达到区分物体与背景，较好的检测出隐藏物的目的，自动的标记出隐藏物，而非人工去标注。

Description

一种基于X射线背散射图像的人体隐藏物的图像分割方法

技术领域

本发明涉及人体探测及计算机图像处理领域，特别涉及一种基于X射线背散射图像的人体隐藏物的图像分割方法。

背景技术

随着公共安全越来越受到人们的关注，X射线背散射成像技术已用于安检领域，用来实现对人体隐藏物的检测。对扫描图像的图像分割是X射线背散射图像处理最基本的环节，它旨在从X射线背散射图像中将人体隐藏物从背景图像中提取出来。人体隐藏物的有效分割对于隐藏物的分类，特征提取及识别等后期处理非常重要。然而由于图像容易受到多种因素如光照，物体在人体上的位置，人体的姿势，衣服等影响，使得准确对图像中人体隐藏物的分割变成一件相当困难的工作。也因此引起了国内外许多研究者的浓厚兴趣，成为近年来安检扫描图像检测领域备受关注的前沿热点。

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。现有的图像分割方法主要分为以下几类：基于阈值的分割方法、基于区域的分割方法和基于边缘的分割方法。近年来研究人员不断改进原有的图像分割方法并把其他学科的一些新理论和新方法用于图像分割。

发明人在实现本发明的过程中，发现现有技术中至少存下以下缺点和不足：

现有技术中图像分割的方法众多，但对人体隐藏物进行分割所花费的时间都较长，不能有效的检测与背景有较低对比度的物体。

发明内容

本发明提供了一种基于X射线背散射图像的人体隐藏物的图像分割方法，本方法缩短了分割所花费的时间，提高了检测的效率，详见下文描述：

一种基于X射线背散射图像的人体隐藏物的图像分割方法，所述方法包括：

采集X射线背散射图像，对X射线背散射图像进行预处理，获取预处理后图像；

对所述预处理后图像进行统计，提取人体区域；

求取所述人体区域的平均灰度u₀，通过K-mean算法和贝叶斯分类算法重新对所述人体区域进行分类，利用区域标记法提取出人体隐藏物。

所述对预处理后图像进行统计，提取人体区域的过程具体为：

求出所述预处理后图像的平均像素值，将大于所述平均像素值的像素点放入第一集合V’中，否则放入第二集合V”中，分别求出两个集合的平均值和标准差，求出两个正态分布函数的交点；并利用所述交点作为背景与人体的分隔阈值，将大于所述分割阈值的部分作为所述人体区域。

所述求取所述人体区域的平均灰度u₀，通过K-mean算法和贝叶斯分类算法重新对所述人体区域进行分类，利用区域标记法提取出人体隐藏物的过程具体为：

1)计算所述人体区域中所有像素点到x^-和x⁺的距离，若像素点到x^-的距离小于它与x⁺的距离则将其放入集合V₁中，否则放入集合V₂中；x^-和x⁺分别为集合V₁和V₂的平均灰度；

2)分别计算集合V₁和V₂的平均像素值，若V₁的平均像素值与x^-的差的绝对值、V₂的平均像素值与x⁺的差的绝对值均小于设定值ε，则结束矢量量化，此时得到集合V₁和V₂中的像素；否则用V₁的均值替换x^-，用V₂的均值替换x⁺，清空V₁和V₂并重新对人体区域进行分类；

3)通过贝叶斯分类算法对集合V₁和V₂中的像素进行修正；

4)求取修正后集合V₁所占的比例P(V₁)，并求得P(V₁)对应的像素值；在人体区域像素集合中将小于该像素值的像素点看作是人体隐藏物。

本发明提供的技术方案的有益效果是：本发明以提高安检速度和质量，帮助人们更加方便，容易的检测出人体隐藏物为目的，该方法预期达到如下效果：解决现有方法处理图像速度慢的问题。通过对数据进行压缩提取，对数据结构进行优化；在不影响效果的情况下尽量的减少数据量，从而减少计算时间，达到实时性的目的。可以较好的检测出那些与背景有较低对比度的物体。通过进行两次分割，利用人体这一中间背景达到区分物体与背景，较好的检测出隐藏物的目的，自动的标记出隐藏物，而非人工去标注。

附图说明

图1为一种基于X射线背散射图像的人体隐藏物的图像分割方法的示意图；

图2为两个正态密度分布函数的示意图；

图3a为X射线背散射图像；

图3b为最佳阈值图像分割结果图；

图3c为本方法图像分割结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了缩短分割所花费的时间，提高检测的效率，本发明实施例提供了一种基于X射线背散射图像的人体隐藏物的图像分割方法，本方法通过进行两次分割，利用人体这一中间背景达到区分物体与背景，较好的检测出隐藏物，参见图1，详见下文描述：

101：采集X射线背散射图像，对X射线背散射图像进行预处理，获取预处理后图像；

通过对X射线背散射图像进行灰度化和去除噪声处理，保证后续处理的质量。在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，R=G=B的值叫灰度值。因此，灰度图像中的每个像素只需一个字节存放灰度，灰度的取值范围为0-255，本方法需要将X射线背散射图像进行灰度化。本方法采用DIB(设备无关位图)结构提取X射线背散射图像的RGB像素值，然后采用加权平均法将三个分量以不同的权值进行加权平均，求出灰度化后图像各个位置所对应的像素值得到灰度化图像Q。例如，设一个像素点的R像素值为a，权重为x；G像素值为b，权重为y；B像素值为c，权重为z，则灰度化后该像素点的像素值为P=a*x+b*y+c*z。一般情况下提取红色像素的30%，绿色像素的59%，及蓝色像素的11%。

图像噪声是指图像中各种妨碍人们对其信息接受的因素，图像噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”，因此可以将图像噪声看成是多维随机过程，可以借用概率分布函数和概率密度分布函数来描述图像噪声。从实践中发现X射线背散射图像中的噪声主要包括随机噪声和盐椒噪声，因此在去除噪声时利用高斯滤波和中值滤波进行串行化的去噪。

在本方法中利用高斯滤波与中值滤波的串行化方法去除噪声。其中高斯滤波，应首先构建高斯模板，在此构造一3*3的高斯模板，即通过如下的高斯公式构建：

$G(x;y,\mathrm{\σ})=\frac{1}{{2\mathrm{\π\σ}}^2}\mathrm{ex}{p}^{-(x^2+y^2)/{2\mathrm{\σ}}^2}$

其中σ是尺度参数，用于决定滤波的平滑程度。以模板中心为原点，x，y是模板各位置相对于原点的坐标。例如：一个3*3高斯模板从上到下、从左到右的坐标分别为(-1，-1)，(-1,0)，(-1,1)，(0，-1)，(0,0)，(0,1)，(1，-1)，(1，0)，(1,1)。通过高斯公式可以得到高斯模板中每个位置对应的像素值，设其权值分别为x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈，x₉。然后，将灰度化图像Q做一个副本图像Q₁(即申请一个与灰度化图像Q空间大小相同的DIB结构，并且将图像Q中的所有数据全部复制到刚申请的DIB结构中，该结构便存储了副本图像Q₁)，将该高斯模板的中心与图像Q₁的第二行第二列对齐。此时，高斯模板便与灰度化图像Q₁中的一个3*3的位置相对齐。设灰度化图像Q₁中的3*3区域内从左到右、从上到下的像素值分别为p₁，p₂，p₃，p₄，p₅，p₆，p₇，p₈，p₉。将灰度化图像Q₁中的3*3区域与高斯模板进行卷积得到一个最终值，即，

p=x₁*p₁+x₂*p₂+x₃*p₃+x₄*p₄+x₅*p₅+x₆*p₆+x₇*p₇+x₈*p₈+x₉*p₉。

将灰度化图像Q中的第二行第二列像素的像素值的大小改为p。然后将高斯模板中心向右平移一个像素继续计算出一个p值并将灰度化图像Q中第二行第三列上的像素值改为p。当平移到该行倒数第二列时，则将高斯模板的中心转到图像Q₁的第三行第二列继续执行上述过程，直至高斯模板中心运动到图像Q₁的倒数第二行倒数第二列为止。

在此，修改后像素值的灰度化图像Q便为高斯滤波后的图像，接着对修改后像素值的灰度化图像Q进行中值滤波，首先将修改后像素值的图像Q做一个副本Q₂，然后做一个大小为3*3的模板。将该模板移到Q₂的第二行第二列，此时在图像Q₂中找到了与模板相对应的一个3*3区域，共9个像素点。对这9个像素值按照由大到小的顺序进行排序，并将处于第五个位置的值作为修改后像素值的图像Q中第二行第二列的值。然后继续将模板右移一个像素继续计算，当移动到该行倒数第二列时将模板中心移到图像Q₂的第三行第二列继续计算。直到模板中心运动到图像Q₂的倒数第二行倒数第二列为止，此时得到的最终图像Q为中值滤波后的图像。

102：对预处理后图像进行统计，提取人体区域V；

在本过程中，首先统计经预处理后的图像中每个像素所占的比例，并根据比例绘制预处理后图像的灰度直方图，参见图2，经过研究发现该灰度直方图近似于两个正态分布。因此，利用两个正态分布函数(其通式为其中μ为均值，σ'为标准差)如附图2所示，来分别模拟背景和人体区域像素的分布情况。

求出预处理后图像的平均像素值，将大于该平均像素值的像素点放入第一集合V’中，否则放入第二集合V”中，分别求出两个集合的平均值和标准差，在此便得到了两个正态分布函数中的均值和标准差，然后求出两个正态分布函数的交点。并利用两个函数的交点来作为背景与人体的分隔阈值。研究发现，背景区域的像素值普遍的比人体区域像素值小，因此，将小于该分割阈值的部分作为背景区域，否则作为人体区域，记为V。

103：求取人体区域V的平均灰度u₀，通过K-mean算法和贝叶斯分类算法重新对人体区域进行分类，利用区域标记法提取出人体隐藏物。

其中，该步骤具体为：

1)利用K-mean算法，首先计算上步中得到的人体区域V，求出人体区域V中像素的个数n，并求出人体区域V的平均像素值u₀。将人体区域分为两个数据集V₁和V₂，将其各自的元素个数分别记为N_-和N₊。在此，设x^-=u₀-δ，x⁺=u₀+δ，分别为集合V₁和V₂的平均灰度，δ为一个随机变量，(0<δ<min(u₀，255-u₀)。设v_i和v_j为任意两个像素的像素值，记d(v_i,v_j)=||v_i-v_j||为两个像素的距离函数，ε为终止条件。

计算人体区域V中所有像素点到x^-和x⁺的距离，若像素点到x^-的距离小于它与x⁺的距离则将其放入集合V₁中，否则放入集合V₂中；

分别计算集合V₁和V₂的平均像素值，若V₁的平均像素值与x^-的差的绝对值、V₂的平均像素值与x⁺的差的绝对值均小于ε，则结束矢量量化，此时得到集合V₁和V₂中的像素。否则用V₁的均值替换x^-，用V₂的均值替换x⁺，清空V₁和V₂并重新对人体区域进行分类。

2)求期望最大值和贝叶斯分类；

在本过程中首先求出集合V_k(k=1,2)所占的比例p(V_k)。利用概率分布函数 $N(x;k)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_k}{\exp }^{-{\left(x{-\mathrm{\&mu;}}_k\right)}^2{{/2\mathrm{\&sigma;}}_k}^2}$ (k=1,2)和公式 $p\left(V_k\right|x_j)=\frac{N(x;k)*p\left(V_k\right)}{\underset{k=1}{\overset{2}{\mathrm{\&Sigma;}}}N(x;k)*p\left(V_k\right)}$ 来计算像素点属于集合V_k(k=1,2)的期望概率记p(V_k|x_j)，μ_k为期望，σ_k为标准差。

然后利用公式(n_k=2)求得每个像素点的期望概率p(x_j)。最终计算所有像素点的期望概率对数(n_p为人体区域内像素的个数，i用来标记进行到第几次循环)，若(ε为终止变量，10^-50＜ε＜10^-5)则结束该过程，否则根据贝叶斯分类将人体区域中的像素重新分到集合V₁和V₂中(分配规则如下所述)，然后再重复上述过程。

在贝叶斯分类过程中判断若p(V₁|x_j)＞p(V₂|x_j)，则将像素x_j放入集合V₁中，否则放入集合V₂中。

3)对人体区域进行再分类。

在得到最终的两个集合后可以求得集合V₁所占的比例P(V₁)。然后根据P(V₁)的值，利用概率分布函数求得P(V₁)对应的像素值。在人体区域像素集合中将小于该像素值的像素点看作是人体隐藏物。至此，将图像分割完毕，然后利用区域标记法提取出人体隐藏物。

下面以具体的试验来验证本发明实施例提供的一种基于X射线背散射图像的人体隐藏物的图像分割方法的可行性，详见下文描述：

由附图3可知，附图3a为X射线背散射人体图像。在进行区域标记时，将上述过程中得到的人体隐藏物提取出来并单独做成一副背景为黑，隐藏物为白色的图片。附图3b为利用最佳阈值分割提取出的人体隐藏物。从图中可以看出利用最佳阈值分割方法得到的结果，图像中有噪音点，并且得到的人体隐藏物(锤子)是不连续的，在对物体进行识别时会大大的影响识别的准确性。附图3c为利用本发明方法得到的结果。从图中可以看出，人体隐藏物边缘清晰，连通，且图像中无噪音点。与附图3(b)相比，提高了分割的效果。

本发明实施例方法中应用到的等均为数据处理方法中的公知技术，本发明实施例在此不做赘述。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于X射线背散射图像的人体隐藏物的图像分割方法，其特征在于，所述方法包括：

采集X射线背散射图像，对X射线背散射图像进行预处理，获取预处理后图像；

对所述预处理后图像进行统计，提取人体区域；

求取所述人体区域的平均灰度u₀，通过K-mean算法和贝叶斯分类算法重新对所述人体区域进行分类，利用区域标记法提取出人体隐藏物；

其中，所述对预处理后图像进行统计，提取人体区域的过程具体为：

求出所述预处理后图像的平均像素值，将大于所述平均像素值的像素点放入第一集合V’中，否则放入第二集合V”中，分别求出两个集合的平均值和标准差，求出两个正态分布函数的交点；并利用所述交点作为背景与人体的分隔阈值，将大于所述分割阈值的部分作为所述人体区域。

2.根据权利要求1所述的一种基于X射线背散射图像的人体隐藏物的图像分割方法，其特征在于，所述求取所述人体区域的平均灰度u₀，通过K-mean算法和贝叶斯分类算法重新对所述人体区域进行分类，利用区域标记法提取出人体隐藏物的过程具体为：

1)计算所述人体区域中所有像素点到x^-和x⁺的距离，若像素点到x^-的距离小于它与x⁺的距离则将其放入集合V₁中，否则放入集合V₂中；x^-和x⁺分别为集合V₁和V₂的平均灰度；

2)分别计算集合V₁和V₂的平均像素值，若V₁的平均像素值与x^-的差的绝对值、V₂的平均像素值与x⁺的差的绝对值均小于设定值ε，则结束矢量量化，此时得到集合V₁和V₂中的像素；否则用V₁的均值替换x^-，用V₂的均值替换x⁺，清空V₁和V₂并重新对人体区域进行分类；

3)通过贝叶斯分类算法对集合V₁和V₂中的像素进行修正；

4)求取修正后集合V₁所占的比例P(V₁)，并求得P(V₁)对应的像素值；在人体区域像素集合中将小于该像素值的像素点看作是人体隐藏物。