X射线透视成像技术已经被广泛应用于医疗、工业生产与制造、公共安全和食品安全等领域,随着计算机技术与硬件设备的发展,X射线图像处理已成为一个研究热点。本文主要研究两类X射线透视成像图像:心脏血管造影图像和安检仪图像,应用稀疏表示、字典学习和视觉词包等方法,对其进行目标提取与识别。论文主要研究成果及创新点为:(1)针对心脏血管造影图像中细小血管区域对比度差,难以辨认等问题,提出一种基于多字典与稀疏表示的血管增强算法。该算法先在训练数据集上使用血管图像生成稀疏表示字典(RepresentationDictionary RD),同时使用对应的血管区域手工提取结果二值图像生成增强字典(EnhancementDictionaryED),并根据ED字典单个原子中血管区域所占比例对RD和ED进行优化。在对测试数据集图像进行血管区域增强时,使用RD字典和正交匹配追踪算法(Orthogonal Matching Pursuit OMP)求解得到待增强图像中每个小块的稀疏解,再使用ED字典进行重建,得到增强后的图像,并使用灰度拉伸的方法,得到最终增强后血管图像。该算法不仅可以提高血管图像感兴趣区域的对比度,且能完善细小血管结构,增强细节信息,文中实验部分还将其应用于视网膜血管图像增强中。(2)为了实现血管区域自动提取,改善血管区域提取精度,本文提出了一种基于稀疏表示与字典学习的血管提取算法。在使用训练数据集生成分割字典时,先通过手工分割的方法提取得到训练数据集中所有血管区域(记为mask),根据mask信息生成分割字典集,将字典集中每个原子加入标签信息和字典中心点位置信息,再使用字典学习的方法,得到分割字典集。测试集血管图像进行分割时,根据小块所在位置信息,从分割字典集中选取部分字典,使用稀疏表示的方法求取稀疏解,并通过标签信息,判断小块是否为血管区域,最终实现血管区域自动提取。实验结果表明通过该算法提取得到的血管区域,其结构完整,提取精度高,与血管增强类似,同样将其应用于视网膜血管图像血管区域提取中。(3)针对另一类X射线透视成像图像——安检仪图像,提取图像中管制刀具、危险品等目标所在区域。本文提出了一种非局部活动轮廓模型目标提取算法,该算法使用非局部的方法计算输入图像的融合Gabor特征图,并引入水平集的方法,对图像中目标进行提取。实验结果表明,通过该算法提取得到的目标区域结构完整,轮廓信息与实际信息更加接近,且对初始化轮廓线不敏感,文中还将该算法应用于肝脏CT图像肿瘤目标区域提取中。(4)针对安检仪图像中不同类别目标识别难度大,准确率低等问题,本文提出了一种基于视觉词包和稀疏表示的安检仪图像目标识别方法。该方法分为识别字典生成部分和测试集图像识别部分,其主要将视觉词包与稀疏表示相结合,对安检仪图像中目标进行识别。识别字典生成部分主要通过SURF(Speeded Up Robust Features)算子提取得到视觉单词,并根据视觉单词出现的频率进行筛选,去除不同目标共有的特征和噪声带来的影响,再使用k-means级联聚类的方法生成视觉词包,最终得到带有标签信息的识别字典。测试集图像识别部分则将测试图像通过SURF算子提取得到视觉单词,使用识别字典进行稀疏表示求取稀疏解,并通过稀疏解和字典标签信息得到每个视觉单词识别结果,最后使用投票的方式,得到测试图像最终目标识别结果。实验结果表明,本文算法得到的安检仪图像目标识别准确率较高,且计算速度快,基本达到了安检仪图像目标识别的要求。