CN112669239B - 一种工业x射线图像对比度增强方法 - Google Patents

一种工业x射线图像对比度增强方法 Download PDF

Info

Publication number
CN112669239B
CN112669239B CN202110055237.XA CN202110055237A CN112669239B CN 112669239 B CN112669239 B CN 112669239B CN 202110055237 A CN202110055237 A CN 202110055237A CN 112669239 B CN112669239 B CN 112669239B
Authority
CN
China
Prior art keywords
image
scale
industrial
ray
reflected light
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202110055237.XA
Other languages
English (en)
Other versions
CN112669239A (zh
Inventor
黄茜
陈清睿
胡志辉
师聪颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110055237.XA priority Critical patent/CN112669239B/zh
Publication of CN112669239A publication Critical patent/CN112669239A/zh
Application granted granted Critical
Publication of CN112669239B publication Critical patent/CN112669239B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于图像增强技术领域，公开一种工业X射线图像对比度增强方法。该方法首先利用不同尺度的高斯中心环绕函数估算原图的环境入射光分量和反射光分量，然后利用一复合函数对每个尺度的归一化反射光分量进行变换，接着对所有变换图进行加权平均并进行自适应拉伸、量化和截断，最后利用引导滤波减少噪声。本发明实现了工业X射线图像的快速增强，具有较好的稳定性，对工业X射线图像有不错的增强效果，能有效提高后续图像处理或识别的准确率和效率。

Description

一种工业X射线图像对比度增强方法
技术领域
本发明涉及图像增强技术，具体涉及一种高动态范围的工业X射线图像对比度增强方法。
背景技术
X射线是工业无损检测中一种常用技术，现代X射线平板探测成像系统中，X射线图像基本都是16位，其包含丰富的图像细节信息，可供工人观察并判断工件质量。由于目前主流PC显示器的显示范围只能支持8位，图像内的大量信息在灰度范围从16位线性压缩到8位时都丢失了。为了使高灰度范围的图像适合人眼观察，最常见的解决办法是采用调窗的方式，将某一窗内的像素灰度值，线性映射到显示器能显示的范围来提高亮度与对比度。但由于工件材料、密度、厚度等原因各异，不同工件图像差异较大，并不能很好地确定合适的窗宽与窗位，而且对于一些结构复杂的工件，不同部位需要不同的窗宽与窗位，因此调窗无法提供快捷理想的工业X射线图像对比度增强效果。
多尺度Retinex是目前常用的图像对比度增强算法，但其是针对RGB彩色图像发展而来的理论体系，虽然在工业X射线图像中也可以起到一定的增强作用，但是有色偏严重，对比度拉伸不够，噪声抑制能力较差的缺点。本发明主要针对工业X射线图像的特点，对多尺度Retinex算法进行改进，为后续的图像分析识别提供快速、稳定、有效的图像对比度增强方法。
发明内容
为了克服现有技术的缺点与不足，本发明提供一种工业X射线图像对比度增强方法。
本发明采用以下技术方案实现：
一种工业X射线图像对比度增强方法，包括以下步骤：
(1)估算不同尺度下原工业X射线图像的环境入射光分量；
(2)计算不同尺度下原工业X射线图像的反射光分量；
(3)将反射光分量进行归一化；
(4)用复合函数对归一化反射光分量进行变换，得到不同尺度下的单尺度变换图像；
(5)对不同尺度下的单尺度变换图进行加权平均，得到多尺度变换图像；
(6)对多尺度变换图像进行自适应拉伸，得到拉伸图像；
(7)对拉伸图像进行量化和截断处理，得到量化图像；
(8)对量化图像进行引导滤波处理，滤除噪声，得到最终的对比度增强图像。
优选地，步骤(1)包括：使用N个尺度因子各不相同的高斯中心环绕函数Gi(x,y)分别与原工业X射线图像S(x,y)作卷积，其中：i＝1，2，…，N，从而得到N个不同尺度下原工业X射线图像的环境入射光分量Li(x,y)，i＝1，2，…，N；其中：σi表示尺度为i的高斯中心环绕函数的标准差；系数Ki表示归一化因子，Ki使归一化条件∫∫Gi(x,y)dxdy＝1得以成立；e表示自然对数；x表示原工业X射线图像像素点横坐标；y表示原工业X射线图像像素点纵坐标。
优选地，步骤(2)包括：将原工业X射线图像S(x,y)与N个环境入射光分量Li(x,y)分别做除法运算，还原出各个尺度的反射光分量i＝1，2，…，N。
优选地，将N个反射光分量Di(x,y)都归一化到[0,1]内，得到归一化图像Ii(x,y)，i＝1,2,…,N。
优选地，步骤(4)包括：使用幂函数为主的复合函数对N个归一化图像Ii(x,y)进行变换，得到单尺度变换图像i＝1，2，…，N；其中：α1、α2为常数，0＜α1＜1，α2＞1。
优选地，步骤(5)包括：把N个单尺度变换图像Mi(x,y)进行加权平均，得到多尺度变换图像M(x,y)＝∑iwi·Mi(x,y)，i＝1，2，…，N，wi为第i个单尺度变像图像的权重。
优选地，步骤(6)包括：对多尺度变换图像M(x,y)进行自适应拉伸，得到拉伸图像设M(x,y)的直方图为H，Hi为直方图中横坐标为i处的值，Hk为直方图的最大值，l1、l2由以下步骤确定：
6.1设m，n＝k；
6.2若n-1≥0，且Hn-Hn-1≥0，则令n＝n-1，然后重复步骤6.2，否则执行步骤6.3；
6.3若m+1≤255，且Hm-Hm+1≥0，则令m＝m+1，然后重复步骤6.3，否则执行步骤6.4；
6.4取l1＝n，l2＝m。
优选地，步骤(7)包括：对拉伸图像f(x,y)进行量化和截断处理，得到量化图像R(x,y)：
其中：Round表示四舍五入取整。
与现有技术相比，本发明具有以下优点和有益效果：
(1)本发明方法使得用平板探测器采集的高动态范围的工业X射线图像可以在线自动增强，确保后续图像分析识别工作可以高效和高质量地进行。
(2)本发明方法简单快捷，能满足在线检测的实时性要求，极大地减轻工人的工作负担。
(3)本发明方法稳定性较好，对各类图像都有不错的增强效果，能有效提高后续图像处理或识别的准确率和效率。
附图说明
图1为本发明一个实施例中工业X射线图像对比度增强方法流程图。
图2为本发明一个实施例中工业X射线图像对比度增强效果图。
具体实施方式
下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
本发明是一种基于多尺度Retinex改进的工业X射线图像对比度增强方法，首先利用不同尺度的高斯中心环绕函数估算原图的环境入射光分量和反射光分量，然后利用一复合函数对每个尺度的归一化反射光分量进行变换，接着对所有变换图进行加权平均并进行自适应拉伸、量化和截断，最后利用引导滤波减少噪声。
实施例
如图1所示，一种工业X射线图像对比度增强方法，包括以下步骤：
(1)估算不同尺度下原工业X射线图像的环境入射光分量。
具体地：使用N个尺度因子各不相同的高斯中心环绕函数Gi(x,y)分别与原工业X射线图像S(x,y)作卷积，其中：i＝1,2,…,N，从而得到N个不同尺度下原工业X射线图像的环境入射光分量Li(x,y)，i＝1,2,…,N。其中：σi表示尺度为i的高斯中心环绕函数的标准差；系数Ki表示归一化因子，Ki使归一化条件∫∫Gi(x,y)dxdy＝1得以成立；e表示自然对数；x表示原工业X射线图像像素点横坐标；y表示原工业X射线图像像素点纵坐标。本实施例中，N取3，σ1＝15，σ2＝80，σ3＝250。
(2)将原工业X射线图像S(x,y)与N个环境入射光分量Li(x,y)分别做除法运算，还原出各个尺度下原工业X射线图像的反射光分量i＝1，2，…，N。
(3)将N个反射光分量Di(x,y)都归一化到[0,1]内，得到归一化图像Ii(x,y)，i＝1，2，…，N。
(4)使用幂函数为主的复合函数对N个归一化图像Ii(x,y)进行变换，得到单尺度变换图i＝1，2，…，N。其中：α1、α2为常数；0＜α1＜1，α2＞1。本实施例中，α1＝0.1，α2＝1.5。
(5)把N个单尺度变换图像Mi(x,y)进行加权平均，得到多尺度变换图像M(x,y)＝∑iwi·Mi(x,y)，i＝1，2，…，N，wi为第i个单尺度变像图像的权重。
(6)对多尺度变换图像M(x,y)进行自适应拉伸，得到拉伸图像 设M(x,y)的直方图为H，Hi为直方图中横坐标为i处的值，Hk为直方图的最大值，l1、l2由以下步骤确定：
6.1设m，n＝k；
6.2若n-1≥0，且Hn-Hn-1≥0，则令n＝n-1，然后重复步骤6.2，否则执行步骤6.3；
6.3若m+1≤255，且Hm-Hm+1≥0，则令m＝m+1，然后重复步骤6.3，否则执行步骤6.4；
6.4取l1＝n，l2＝m。
(7)对拉伸图像f(x,y)进行量化和截断处理，得到量化图像R(x,y)：
其中：Round表示四舍五入取整。
(8)对量化图像R(x,y)进行引导滤波处理，滤除噪声，得到最终对比度增强图像，如图2第2列所示。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种工业X射线图像对比度增强方法，其特征在于，包括以下步骤：
(1)估算不同尺度下原工业X射线图像的环境入射光分量；
(2)计算不同尺度下原工业X射线图像的反射光分量；
(3)将反射光分量进行归一化；
(4)用复合函数对归一化反射光分量进行变换，得到不同尺度下的单尺度变换图像；
(5)对不同尺度下的单尺度变换图进行加权平均，得到多尺度变换图像；
(6)对多尺度变换图像进行自适应拉伸，得到拉伸图像；
(7)对拉伸图像进行量化和截断处理，得到量化图像；
(8)对量化图像进行引导滤波处理，滤除噪声，得到最终的对比度增强图像；
其中：
步骤(4)包括：使用幂函数为主的复合函数对N个归一化图像Ii(x,y)进行变换，得到单尺度变换图像其中：α1、α2为常数，0<α1<1，α2>1；
步骤(6)包括：对多尺度变换图像M(x,y)进行自适应拉伸，得到拉伸图像设M(x,y)的直方图为H，Hi为直方图中横坐标为i处的值，Hk为直方图的最大值，l1、l2由以下步骤确定：
6.1设m，n＝k；
6.2若n-1≥0，且Hn-Hn-1≥0，则令n＝n-1，然后重复步骤6.2，否则执行步骤6.3；
6.3若m+1≤255，且Hm-Hm+1≥0，则令m＝m+1，然后重复步骤6.3，否则执行步骤6.4；
6.4取l1＝n，l2＝m；
步骤(7)包括：对拉伸图像f(x,y)进行量化和截断处理，得到量化图像R(x,y)：
其中：Round表示四舍五入取整。
2.根据权利要求1所述的图像对比度增强方法，其特征在于，步骤(1)包括：使用N个尺度因子各不相同的高斯中心环绕函数Gi(x,y)分别与原工业X射线图像S(x,y)作卷积，其中：从而得到N个不同尺度下原工业X射线图像的环境入射光分量Li(x,y)，i＝1，2，…，N；其中：σi表示尺度为i的高斯中心环绕函数的标准差；系数Ki表示归一化因子，Ki使归一化条件∫∫Gi(x,y)dxdy＝1得以成立；e表示自然对数；x表示原工业X射线图像像素点横坐标；y表示原工业X射线图像像素点纵坐标。
3.根据权利要求2所述的图像对比度增强方法，其特征在于，步骤(2)包括：将原工业X射线图像S(x,y)与N个环境入射光分量Li(x,y)分别做除法运算，还原出各个尺度的反射光分量
4.根据权利要求3所述的图像对比度增强方法，其特征在于，将N个反射光分量Di(x,y)都归一化到[0,1]内，得到归一化图像Ii(x,y)，i＝1,2,…,N。
5.根据权利要求1所述的图像对比度增强方法，其特征在于，步骤(5)包括：把N个单尺度变换图像Mi(x,y)进行加权平均，得到多尺度变换图像M(x,y)＝∑iwi·Mi(x,y)，i＝1，2，…，N，wi为第i个单尺度变像图像的权重。
CN202110055237.XA 2021-01-15 2021-01-15 一种工业x射线图像对比度增强方法 Expired - Fee Related CN112669239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110055237.XA CN112669239B (zh) 2021-01-15 2021-01-15 一种工业x射线图像对比度增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110055237.XA CN112669239B (zh) 2021-01-15 2021-01-15 一种工业x射线图像对比度增强方法

Publications (2)

Publication Number Publication Date
CN112669239A CN112669239A (zh) 2021-04-16
CN112669239B true CN112669239B (zh) 2023-07-18

Family

ID=75415335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110055237.XA Expired - Fee Related CN112669239B (zh) 2021-01-15 2021-01-15 一种工业x射线图像对比度增强方法

Country Status (1)

Country Link
CN (1) CN112669239B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066789A (zh) * 2021-11-01 2022-02-18 无锡日联科技股份有限公司 一种X-Ray高动态范围图像的增强算法
CN114298916B (zh) * 2021-11-11 2023-04-18 电子科技大学 一种基于灰度拉伸和局部增强的X-Ray图像增强方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574293A (zh) * 2014-11-28 2015-04-29 中国科学院长春光学精密机械与物理研究所 基于有界运算的多尺度Retinex图像清晰化算法
CN105426847A (zh) * 2015-11-19 2016-03-23 北京理工大学 低质量自然光虹膜图像非线性增强方法
CN105654433A (zh) * 2015-12-28 2016-06-08 桂林电子科技大学 基于改进多尺度Retinex的彩色图像增强方法
CN108122213A (zh) * 2017-12-25 2018-06-05 北京航空航天大学 一种基于YCrCb的低对比度图像增强方法
CN111986120A (zh) * 2020-09-15 2020-11-24 天津师范大学 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574293A (zh) * 2014-11-28 2015-04-29 中国科学院长春光学精密机械与物理研究所 基于有界运算的多尺度Retinex图像清晰化算法
CN105426847A (zh) * 2015-11-19 2016-03-23 北京理工大学 低质量自然光虹膜图像非线性增强方法
CN105654433A (zh) * 2015-12-28 2016-06-08 桂林电子科技大学 基于改进多尺度Retinex的彩色图像增强方法
CN108122213A (zh) * 2017-12-25 2018-06-05 北京航空航天大学 一种基于YCrCb的低对比度图像增强方法
CN111986120A (zh) * 2020-09-15 2020-11-24 天津师范大学 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法

Also Published As

Publication number Publication date
CN112669239A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
Wang et al. Biologically inspired image enhancement based on Retinex
CN103049892B (zh) 基于相似块矩阵秩最小化的非局部图像去噪方法
CN107392866B (zh) 一种光照鲁棒的人脸图像局部纹理增强方法
Khan et al. Contrast enhancement of low-contrast medical images using modified contrast limited adaptive histogram equalization
CN111476725A (zh) 一种基于梯度域导向滤波和多尺度Retinex理论的图像去雾增强算法
CN102567973B (zh) 基于改进的形状自适应窗口的图像去噪方法
CN104574293B (zh) 基于有界运算的多尺度Retinex图像清晰化算法
CN110428379B (zh) 一种图像灰度增强方法及系统
CN106530244B (zh) 一种图像增强方法
CN109919859B (zh) 一种户外场景图像去雾增强方法、计算设备及其存储介质
CN105654433A (zh) 基于改进多尺度Retinex的彩色图像增强方法
CN111968065B (zh) 一种亮度不均匀图像的自适应增强方法
CN105931201A (zh) 一种基于小波变换的图像主观视觉效果增强方法
WO2021114564A1 (zh) 一种低对比度红外图像的增强方法
CN110503617A (zh) 一种基于高、低频信息融合的水下图像增强方法
Yang et al. Low-light image enhancement based on Retinex theory and dual-tree complex wavelet transform
CN115908155B (zh) Nsst域结合gan及尺度相关系数的低照度图像增强及去噪方法
CN104657951A (zh) 图像乘性噪声移除方法
CN114359083B (zh) 一种面向干扰环境的高动态热红外图像自适应预处理方法
CN107203980B (zh) 自适应多尺度暗通道先验的水下目标探测图像增强方法
CN110223253B (zh) 一种基于图像增强的去雾方法
CN109584182A (zh) 一种图像处理方法和系统
CN103700077B (zh) 一种基于人眼视觉特性的自适应图像增强方法
CN112669239A (zh) 一种工业x射线图像对比度增强方法
Mi et al. A generalized enhancement framework for hazy images with complex illumination

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230718