吳芳，陶衛(wèi)，楊金峰，趙輝

(上海交通大學 儀器科學與工程系，上海 200240)*

0 引言

鐵路安全一直是國家交通安全的重中之重，尤其是在當今高速列車的飛速發(fā)展之際，鐵路安全的重要性尤為突出.繼溫州動車追尾事件后，鐵路安全再次刺激了人們視線，使我們?yōu)榇烁冻鰬K痛的代價.然而，當前高鐵的維護機制基本上還是舊有的模式，如鐵路扣件缺失的人工檢測(即靠巡道工人的沿線目視巡查)和落后的信號系統(tǒng)，這種方法已經(jīng)不能滿足高速列車的安全監(jiān)測要求.

目前，國際上普遍采用計算機視覺技術(shù)實現(xiàn)扣件自動探測，其中探測速度最快的當屬上海交通大學提出的基于模式識別和高速并行處理算法的實施在線探測系統(tǒng)［1-3］，即在檢測車體底部安裝高速工業(yè)相機，通過攝像機對軌道固定用扣件螺栓的緊固狀態(tài)進行圖像拍攝，再傳送給車上的處理裝置進行處理以判斷扣件的缺失狀況.在這個過程中，圖像質(zhì)量對扣件缺失的判斷起著關(guān)鍵作用，而光照條件是個不可忽視重要因素，特別是太陽光的直接和非直接照射，將造成鋼軌內(nèi)測號外側(cè)扣件區(qū)域的圖像照度出現(xiàn)明顯差異.圖1為不同光照條件下的扣件實時圖像及其相應(yīng)方向場圖.由圖可知，隨著光照的加強，圖像的直觀效果不斷改善，方向場的雜質(zhì)也在逐漸減少.在光照過亮時，方向場的雜質(zhì)最少，此時最有利于利用方向場來判斷扣件的缺失.

鑒于此，本文針對高速列車扣件檢測中光照不勻問題，提出了一種快速簡便多維灰度修正自適應(yīng)算法.這種算法不僅能較好地解決因光照不均而導(dǎo)致信息識讀的困難，而且具有較快的處理速度，明顯優(yōu)于經(jīng)典的同態(tài)濾波法和Retinex算法.

圖1 不同光照條件下的扣件實物圖及其方向場圖

1 光照不均勻傳統(tǒng)解決算法及其原理

1.1 同態(tài)濾波法

同態(tài)濾波是基于圖像的照度-反射模型，把頻率過濾和灰度變換結(jié)合起來，利用壓縮亮度范圍和增強對比度來改善圖像的.它將圖像表現(xiàn)為照明分量與反射分量的乘積形式:

式(1)中，i(x，y)是照明分量，在空間上變化緩慢，頻譜集中在低頻段;r(x，y)是反射分量，其頻譜集中在高頻段，反映圖像的細節(jié).當光照不均時，圖像上各部分的平均亮度會有起伏，相應(yīng)的暗區(qū)和高亮度區(qū)的圖像細節(jié)難以分辨.為了消除這種光照不均勻性，同態(tài)濾波通過在頻域上減弱照明分量部分，同時增加反射函數(shù)分量來增強圖像細節(jié).同態(tài)濾波的過程如下:

事實上，同態(tài)濾波頻域算法需經(jīng)過兩次傅立葉變換來實現(xiàn)其圖像增強效果，故其計算過程了占用很大的運算空間，很難滿足高速實時性要求.

1.2 Retinex算法

Retinex算法是由Land提出的一種基于光照補償?shù)膱D像增強法.在Retinex模型中，圖像I(x，y)由場景中物體的入射分量L(x，y)和反射分量R(x，y)組成［4］:

其中，L(x，y)是亮度分量，是變化緩慢的低頻信息.R(x，y)表示反射性質(zhì)，與光照無關(guān)，可理解為圖像的高頻信息.在顏色恒定的情況下，從圖像中分解出亮度圖像和反射圖像，就可以通過改變亮度圖像和反射圖像中的比例來達到增強圖像的目的.實際上，Retinex算法主要是通過對圖像進行高斯函數(shù)卷積運算，從圖像I中獲得物體的反射性質(zhì)R，即拋開入射光L的性質(zhì)來獲得物體本來面貌.因此導(dǎo)致其計算速度較為緩慢.

目前，為了降低Retinex算法的復(fù)雜度，以減少處理時間，人們主要采用代替法來解決，即通過先將卷積部分的兩個因子轉(zhuǎn)換到頻域中，然后再將乘積做逆轉(zhuǎn)換.Maylan等［5］利用自適應(yīng)高斯濾波器代替常規(guī)高斯濾波器，提出了改進的Retinex算法，但計算復(fù)雜度并沒有顯著的降低.劉家朋［6］采用一種基于單尺度Retinex算法的非線性圖像增強算法對512×384圖像進行處理，但是其計算速度并未得到明顯的提高.

2 多維灰度修正自適應(yīng)算法

通過分析上述同態(tài)濾波法與Retinex算法可知，這兩種算法都涉及到頻域的濾波，增大了算法復(fù)雜度，計算時間較長，不利于高速鐵路的實時檢測.為此，本文引進了一種快速便捷的灰度修正方法，并在其基礎(chǔ)上建立一種多維的灰度修正自適應(yīng)算法，期望能更好更實際地解決高速列車攝像機多光源導(dǎo)致的光照不均勻的問題.

若只考慮簡單光源和忽略CCD感光元件對反射光強度的感應(yīng)，可把光照成像模型簡化如圖2所示，楊杰在此基礎(chǔ)上建立了的快速自適應(yīng)灰度修正法［7］.

圖2 簡化的光照成像模型

其中，X0為光線到物體的直射點位置;Xi為斜射點位置;X1為CCD正對的位置;di和d1分別為點Xi和X1到點X0的距離.設(shè)I為光源發(fā)光強度;R0為光線到物體的距離;θ為入射角與法線的夾角.根據(jù)照度與灰度的近似正比關(guān)系得到兩點的灰度比

對式(3)進行泰勒展開得到

di由各像素點坐標獲得，再通過式(4)便可計算出R0.即經(jīng)過以下處理過程:①獲取直射點位置;②根據(jù)樣本，可獲得其中一些像素點到直射點的距離及它們像素值的比li，代入式(4)獲得R0;③把di和R0代入(4)式，獲得li，把所有像素點的li存儲為一查詢表;④根據(jù)查詢表li，進行灰度修正.

作者采用楊杰的快速自適應(yīng)灰度修正法對圖1(a)進行處理，并得到其相應(yīng)的灰度模板，如圖3所示.圖3(b)所示的灰度模板表現(xiàn)明顯灰度失衡，這主要是由于快速自適應(yīng)灰度修正算法只考慮了一個光源和一個直射點.

圖3 經(jīng)快速自適應(yīng)灰度修正法處理后(a)及其相應(yīng)的灰度模板(b)

在實際的扣件檢測過程中，往往會通過在相機周圍安裝多個照明光源，以增加有效區(qū)域的照度.由此可見，快速自適應(yīng)灰度修正法并不能直接應(yīng)用于實際情況.

圖4 簡化的多光源光照成像模型

因此本文提出了基于多光源的多維自適應(yīng)灰度修正法.此時兩點的灰度比為:

其中(a1，a2，…，an)為各點灰度值與不同直射點的權(quán)重比.具體算法如下:

(1)首先，通過先驗知識獲得成像性質(zhì)相同的n個區(qū)域;

(2)其次，分別用3×3的窗將(1)分解成的區(qū)域Dn遍歷一遍，獲得平均值最大的3×3區(qū)域，并將該區(qū)域的中心點設(shè)為直射點Xn0;

(3)根據(jù)直射點與其余已知像素點的灰度值比，代入(4)式獲得相應(yīng)的Rn;

(4)由din和Rn計算出灰度比查詢表li;

(5)查表修正灰度.

圖5 本文的算法處理結(jié)果

由于所要檢測的扣件位于攝像機視場中間部位鋼軌的兩側(cè)，也就是說扣件在圖像上的橫向位置是基本保持不變的，所以本文還對除扣件所在區(qū)域的部分進行飽和處理.處理效果如圖5所示.

從處理結(jié)果來看，本文算法所得扣件圖像的方向場相對于原圖像更干凈，減少了許多與扣件無關(guān)的干擾方向場.為做比較，本文對原圖也分別做了同態(tài)濾波處理、單尺度retinex［8］處理和雙邊retinex濾波［9］處理，各自效果如圖6所示.用不同算法處理一幅320*240圖像，所得計算時間分別為:本文算法:0.011 4;同態(tài)濾波:0.086 9;SSR算法:0.206 6;雙邊濾波reinex算法:1.504 9.

圖6 其余處理方法及相應(yīng)方向場

可以看出，相較于原圖像，本文算法和同態(tài)濾波及retinex算法都有較好的處理結(jié)果.但是同態(tài)濾波及retinex算法處理后的方向場效果并未有多少改觀.而且從表一所記錄來看，本文算法用時較少，要少于其他算法用時的1/5以上.所以總體來說，本文算法對實時扣件檢測還是有很好的效果.

3 結(jié)論

本文在現(xiàn)有快速自適應(yīng)灰度修正的基礎(chǔ)上，提出來一種多光源自適應(yīng)灰度修正算法.由于算法所基于的光照模型非常簡單，不涉及頻域的計算過程，因此適合對實時性要求高的高速鐵路檢測.雖然算法對圖像所做恢復(fù)并不精確，但這并不影響算法的適用性.

［1］王夢雪，陶衛(wèi)，楊金峰，等.基于GPU的高速鐵路扣件實時探測技術(shù)［J］.大連交通大學學報，2011，32(6):63-67.

［2］YANG Jinfeng，TAO Wei，LIU Manhua，et al.An Efficient Direction Field-Based Method for the Detection of Fasteners on High-Speed Railways［J］.Sensors，2011，11(8):7364-7381.

［3］ZHANG Haibo，YANG Jinfeng，TAO Wei，et al.Low-Cost Fastener Inspection System on High-Speed Railway［C］.The international conference on test and measurement，2011.

［4］LAND E.Recent advances in Retinex theory and some implications for cortical computations:color vision and the natural images［J］.Proceedings of National Academy of Sciences，1983，80(16):5163-5169.

［5］DOO H C，ICK H J，MI H K.Color image enhancement using single-scale retinex based on an improved image formation model［C］.6th European Signal Processing Conference，2008:25-29.

［6］劉家朋，趙宇朋，胡福喬.基于單尺度Reinex算法的非線性圖像增強算法［J］.上海交通大學學報，2007，41(5):685-688.

［7］楊杰，付中良，阮波.照度不均勻圖像的快速自適應(yīng)灰度修正［J］.計算機應(yīng)用，2005，25(3):598-602.

［8］Z RAHMAN，DJ JOBSON，GA WOODELL.Multi-Scale Retinex for Color Image Enhancement［J］.Image Pro-cessing，1996(3):1003-1006.

［9］紀則軒，陳強，孫權(quán)森，等.基于雙邊濾波的單尺度Retinex圖像增強算法［J］.微電子學與計算機，2009，26(10):598-602.