1.2 图像处理技术

20世纪60年代初期，人们就已经针对X射线数字图像进相关处理技术的研究，起初的研究只是针对医学检测的X射线图像。到了20世纪80年代中期，X射线数字图像处理技术才得到了广泛的实际应用，图像处理算法得到人们重视，X射线数字图像处理技术得到了快速发展。

在X射线图像处理领域，人们首要关心的是怎样提高分辨特定图像信息的能力，图像增强就是为了增强图像中用户感兴趣的某些特征。常用的图像增强的方法主要分为两大类：空间域方法和频域方法。空间域方法是直接对图像像素进行各类处理，频域方法则是以图像傅里叶变换为基础修改图像像素信息的。图像增强是为了提高图像清晰度，使专业人员能对图像进行初步判断，增强后的图像更利于图像的后续处理。

图像复原技术的最终目的也是改善图像的效果，利用某种先验知识重建退化图像，其处理过程大部分是一个客观过程，一般是将退化过程进行模型化，再利用相反的处理来恢复图像。图像复原的方法有逆滤波、维纳滤波、约束最小平方滤波、L-R算法、盲去卷积、几何变换等。

一般图像进行图像增强或者复原后就基本可以达到诊断缺陷的水平，如果需要对图像进行更加高级的处理，就需要对图像进行边缘检测、图像分割等处理了。边缘检测是高级图像处理的基础，它可以在带有噪声的图像中确定出目标边界的位置，将缺陷从整体图像中分离出来。常用的边缘检测方法有一阶导边缘、Canny算法、二阶导边缘等。图像分割的原理一般是依据图像亮度值的两个特性：不连续性和相似性。图像的边缘分割基于亮度值的不连续性，门限处理、区域生长、区域分离等基于亮度值的相似性。在实际应用中，边缘检测和图像分割两种方法往往结合起来使用。

近些年来，随着数学、计算机以及人工智能技术的迅速发展，新的图像处理方法不断涌现，新的算法不断开发新的工具与算子，力图尽量多地消除图像噪点、增强图像细节质量和多尺度地探测特征边缘，如数学形态学法、小波分析法、神经网络法等。

1）数学形态学法。该算法是从图像中提取对于表达和描述区域有用的图像分量。腐蚀和膨胀是形态学处理的基础，开、闭是形态学的两个重要操作，击中或不击中变换是形态学形状检测的基本工具。该方法最吸引人的地方就是根据形态学技术发展起来的广泛的集合论基础。

2）小波分析法。小波分析是对于各种图像处理均有很好效果的数学工具，可以在不同的尺度上得到信号的细节。由于小波分析独特的多尺度时频分析能力和局部特征提取能力，而且具有多分辨率的特点，使得人们对小波变换技术产生了浓厚的兴趣，它广泛应用于图像和信号处理的各个领域，已成为图像分析和处理中必不可少的有效手段之一。

3）神经网络法。神经网络是近几年来比较火、研究较多的一种信号、图像等的处理工具。其工作原理是：根据需要解决的问题，利用一定的先验知识选取某种神经网络方法，再对其进行一定的训练，直到其过程收敛为止。神经网络具有学习能力，并可以发展所学知识甚至超越设计者的水平。

图像数据信息的采集和初级图像处理技术已经比较成熟，能够解决大部分图像初级处理的需求，但图像的高级处理功能还有一定的难度，对于不同性质的图像，相应的高级处理算法差异也很大。

数字图像质量评价用来对数字图像的某一特性进行统计衡量的定义，其最终的评价结果不仅与所使用的算法有关，还与图像在获取过程中所受到的干扰有关。以X射线采集的数字图像来说，评判图像质量的优劣，最终是根据待测构件有效信息的显示程度来定的，评价方法和普通的数字图像评价方法相似，但这些方法在应用到X射线图像上时，难免存在一定的局限性。这种局限性不仅和构件本身结构的复杂性有关，还与采集过程中噪声等的干扰有关，因此给图像质量评价带来了一定的麻烦。

这些年来，随着科学技术的发展，人们对数字图像质量评价的研究也越来越多。对传统的数字图像质量评价方法，如基于对数字图像中的随机误差分布进行统计的客观方法，就是从信噪比的方法演变而来的。最具有代表性的方法有峰值信噪比（PSNR）、均方误差（MSE）及加权均方误差（WMSE）等，这些方法只是从客观上对图像进行了计算对比，并没有考虑人类的主观适应能力。这里的主观适应能力即现在较为流行的人类视觉感知特性。由于没有考虑到人是图像的最终受用者，仅从图像本身对其进行对比，这样造成的后果便是上述方法求出的结果往往并不能被观察者接受。另外一种为主观评价方法，这种方法是完全依照人的主观意愿进行的。由于人是图像的最终受用者，因此基于人的主观质量评价是最为可靠、准确的影像质量评价方法，但其弊端也很明显，如受评价者的知识水平及喜好影响、评价过程时间较长、评价过程易受外部实验环境影响等，最终使得评价结果往往不太稳定，且这种方法对于实时评价系统并不适用，从而使得这一方法也仅限于小范围内使用，并不能将其推广。

近几年，随着研究的深入，科研人员将以上两种方法结合起来提出了新的图像质量评价方法——人眼视觉模型（HVS），这是当前研究图像质量评价最流行的概念。HVS能够模拟人类视觉感知的三大特性，即幅度非线性衰减、二维视觉敏感度带通（MTF过程）、视觉多通道效应，这些效应与图像质量是紧密相关的。针对HVS这一模型，研究者们往往去构造一种特定的失真模型，然后以此模型进行研究。例如，S. Karunasekera和N. Kinsbery提出了针对块效应的失真模型进行图像质量评价，块效应失真常见于离散余弦变换（Discrete Cosine Transform, DCT）的编码过程中。具体过程为：S. Karunasekera和N. Kinsbery先使用人工合成的测试图像进行实验，结果通过人的主观判定进行评判，实验过程中S. Karunasekera和N. Kinsbery通过调整不同参数的数值，以此来测出观察者对于边缘损伤的视觉灵敏度，从而构建了一个视觉上的模型。这些参数包括背景亮度、背景活动性、边缘幅度和边缘长度。模拟实验结束后，S. Karunasekera和N. Kinsbery在实际自然图像的检测中构建了若干个方块结构分布不同但平均均方误差相同的图像，实验结果和主观测试基本吻合。这个实验表明，平均均方误差对于图像质量评价来说不是很好的方法。Wen Xu和G. Hauske提出基于误差分割（Segmentation-based ErrorMeasure，SEM）的评价方法，该方法的基本思想是根据人类视觉感知差异将误差分为三类：表示奇异性的误差、表示边缘的误差及剩余误差。其求解的具体过程如下：首先根据图像求出这些误差，然后将误差按照上述分类法进行分类，分类完毕后对各自不同误差分别进行视觉掩盖效应处理，再然后对各自误差求和，得出这些和之后与模式输出统计方法（Model Output Statistics，MOS）进行回归分析。最终分析的结果表明这种方法比PSNR求出的效果好很多。

20世纪80年代，国外开始对图像质量评价算法进行研究，如美国得克萨斯大学奥斯丁分校图像与视频工程实验室（LIVE）、国际电信联盟的视频质量专家小组（VQEG）、美国Sarnoff公司等研究机构都有长期的研究。另外，其他企业像IBM、韩国SK等对视频图像质量评价也展开了深入研究。目前，国内的一些高校和相关的科研机构，如上海交通大学、复旦大学、中国空间技术研究院、微软亚洲研究院等都正对图像质量评价进行深入研究。与此同时，数字图像质量评价算法层见叠出，其中比较典型的模型有基于结构相似度（Structural Similarity Image Measurement，SSIM）的评价模型，基于人类视觉系统（Human Vision System，HVS）的图像质量评价模型等。就在最近，联合视频专家组（Joint Video Team，JVT）将SSIM算法引入视频编码标准H. 264的校验模型中，并将其作为图像质量评价。从长远来看，数字图像质量评价仍有许多问题需要研究。