射线图像处理与分析

7.3.3　X射线图像处理与分析

系统经过标定以后，就可以进行试验研究，并对样品进行算法设计和处理程序编制。X射线图像处理和分析的主要步骤如图7－21所示。

杨涛教授领导的课题组成功地研制具有实时检测能力的禽肉中碎骨剔除系统。该系统采用多线程框架，X射线和激光成像系统可以通过两台CCD摄像机和一台线扫描X射线成像机同时抓拍图像，执行复杂的图像处理工作，并且在没有任何图像信息丢失的情况下，实时输出检测结果。整个系统生产能力主要取决于系统计算能力、输入/输出的带宽、所需的空间分辨率、被检测危险物的类型、X射线能量的设定以及数字X射线成像的物理学特性等。

图7－21　X射线图像处理与分析步骤

由于应用程序中需要检测的物理性危害是各种各样的，从软而薄的骨头碎片到硬而锋利的金属夹子都在检测范围之内。因此，该系统所显示出来的危害性物质的特征也是非常多样化的，这样，如果要研发一个通用的分类器去从正常的肌肉组织中区分各种各样的有害物品是很难做到的。所以杨涛教授采纳了一套基于规则的方案，根据预定义的决策树或者一组逻辑规则，系统能够做出复杂的分类判断。

首先，需对每一张鸡胸脯肉的X射线图像进行厚度补偿，阈值分割补偿的图像，然后进行斑点分析。如果没有斑点，就可以说明这块样品不含物理性危害物品。否则，需计算每一块斑点具有的特征并使用这些特征制定一组特征向量。特征向量的组成是很灵活的，决策树的组织和参数也一样。一个典型的实现例子如图7－22所示，注意图中的参数是可以调整的。本例只包含了有限的信息，而在实践中，特征向量包括了更加丰富的斑点特征，比如形状、位置和方向等。

图7－22　基于规则的鸡胸脯分类框图

AG—平均灰度值；SD—标准偏差；A—面积

利用该系统对150块鸡胸脯样品做了试验。样品是由一家禽肉加工厂提供的。大多数（约2/3）的样品没有碎骨存在，剩下的样品含有各种各样类型的骨头，包括风扇骨、肋骨、滑轮骨等。存在碎骨的样品中，肋骨和滑轮骨易于高度钙化，所以它们有类似于X射线图像的特征。风扇骨不易钙化，具有薄而宽的形状特征，就像扇子一样。

下面通过两种典型样本的分析来说明该系统的工作性能。样本1是一块内部不含骨头碎片的鸡胸。如图7－23（b）所示，样品凹凸不平的厚度外形使得在X射线图像中的灰度变化很明显。如果在检测过程中只考虑X射线图像，一些凹凸不平的区域，比如图中画圈的区域将可能被误分为是骨头碎片或者其他物理性危害。如果通过激光图像方法可以获取样本的厚度信息（见图7－23（a）），由此得到一个虚拟的X射线图像（见图7－23（c）），它与真实的X射线图像相类似。经过厚度补偿后的图像如图7－23（d）所示，除了在样本边缘有轻微的噪声外，整个图像是平坦的。因为在补偿后的图像中找不到合适的斑点，所以基于规则的分类器在样本内部没有找到异常物质，图像7－23（e）是空的，检测标记都为零。

图7－23　典型样本1检测分析过程

样本2是内部有两个骨头碎片的一块鸡胸脯，如图7－24（e）所示。三角形块是薄的风扇骨（厚度＜0.5mm），靴形块是滑轮骨。检测过程与上一个样本类似。通过激光图像构造一个虚拟的X射线图像（见图7－24（c）），并获得了一个补偿图像（见图7－24（d））。在图7－24（d）中肉厚的区域得到消除，而骨头区域得以显现出来。当然，在补偿后的图像中仍然存在一些噪声。这些噪声可以通过滤波器和数学形态学操作去除，然后基于规则的分类器将会消除剩下的噪声并识别出真正的异物（骨头）。在图像图7－24（e）中可看出，两个骨头碎片得到高亮显示，并且能成功去除。

图7－24　典型样本2检测分析过程