唐守鋒， 史可， 仝光明， 史經(jīng)燦， 李華爍

(中國礦業(yè)大學(xué) 信息與控制工程學(xué)院， 江蘇 徐州 221116)

0 引言

隨著礦山數(shù)字化、智能化水平逐步提高，礦山視頻監(jiān)控系統(tǒng)得到廣泛應(yīng)用，在井下生產(chǎn)狀況監(jiān)控、人員定位、災(zāi)害應(yīng)急救援等方面發(fā)揮了重大作用[1-2]。然而，煤礦井下環(huán)境具有光照較弱、空氣中浮游雜質(zhì)較多等特點(diǎn)，導(dǎo)致礦山視頻監(jiān)控系統(tǒng)采集的圖像存在照度低的問題。利用計(jì)算機(jī)圖像處理方法對(duì)礦井低照度圖像進(jìn)行增強(qiáng)[3]，對(duì)于提高圖像質(zhì)量具有一定作用。

目前處理低照度圖像的算法主要有四類：直方圖均衡化算法[4]、同態(tài)濾波算法[5]、基于Retinex理論相關(guān)算法[6]及小波變換算法[7]。直方圖均衡化算法操作簡單、時(shí)間復(fù)雜度低，但無法統(tǒng)籌部分細(xì)節(jié)信息，效果圖像容易放大噪聲且產(chǎn)生過度增強(qiáng)現(xiàn)象。同態(tài)濾波算法通過增強(qiáng)對(duì)比度與壓縮動(dòng)態(tài)范圍方式提升圖像質(zhì)量，但時(shí)間復(fù)雜度高、參數(shù)設(shè)置復(fù)雜?；赗etinex理論相關(guān)算法包括單尺度Retinex(Single Scale Retinex，SSR)算法[8]、多尺度Retinex(Multi-Scale Retinex，MSR)算法[9]、具有色彩恢復(fù)的多尺度Retinex(Multi-Scale Retinex with Color Restoration，MSRCR)算法[10]：SSR算法復(fù)雜度低，但亮度改善有限、噪聲抑制能力低及尺度參數(shù)選擇存在局限性；MSR算法可避免SSR算法尺度參數(shù)選取的不確定性，但會(huì)放大噪聲并出現(xiàn)光暈偽影現(xiàn)象；MSRCR算法可避免局部細(xì)節(jié)色彩失真和噪聲放大，但運(yùn)行速度較慢。小波變換算法在圖像去噪方面性能優(yōu)越，但在邊緣保持和細(xì)節(jié)處理方面無法保持平衡。針對(duì)上述問題，本文在小波變換的基礎(chǔ)上，提出了一種基于多尺度引導(dǎo)濾波的MSR算法對(duì)礦井低照度圖像進(jìn)行增強(qiáng)，可解決MSR算法的噪聲放大問題，有效保留圖像邊緣細(xì)節(jié)信息，避免產(chǎn)生光暈偽影現(xiàn)象，使處理后的圖像亮度和對(duì)比度增強(qiáng)。

1 礦井低照度圖像增強(qiáng)算法

礦井低照度圖像增強(qiáng)算法流程如圖1所示，具體步驟如下：

(1) 通過離散小波變換將原始低照度圖像分解為高頻分量和低頻分量。

(2) 由于噪聲主要集中在高頻分量，采用三段式閾值函數(shù)對(duì)高頻分量進(jìn)行去噪處理。

(3) 對(duì)于低頻分量，進(jìn)行非線性全局亮度校正以獲得全局亮度增強(qiáng)圖像，同時(shí)采用多尺度引導(dǎo)濾波函數(shù)估計(jì)照射分量，從而計(jì)算反射分量，之后利用主成分分析法對(duì)亮度增強(qiáng)圖像與反射分量進(jìn)行融合。

(4) 通過離散小波反變換對(duì)圖像高頻分量和低頻分量進(jìn)行小波重構(gòu)，并對(duì)小波重構(gòu)后的圖像進(jìn)行非線性變換，以提升圖像對(duì)比度。

圖1 礦井低照度圖像增強(qiáng)算法流程Fig.1 Flow of mine low illumination image enhancement algorithm

1.1 圖像高頻分量去噪

為了使去噪后的圖像更好地保留邊緣信息，同時(shí)避免出現(xiàn)振蕩現(xiàn)象，本文結(jié)合以上3種常見閾值函數(shù)，采用三段式閾值函數(shù)：

(1)

1.2 圖像低頻分量增強(qiáng)

1.2.1 非線性全局亮度校正

為增強(qiáng)原始圖像的亮度，同時(shí)壓縮圖像動(dòng)態(tài)范圍，對(duì)圖像進(jìn)行非線性全局亮度校正[13]，獲得全局亮度增強(qiáng)圖像。

原始圖像IC(x,y)((x,y)為像素點(diǎn)坐標(biāo))中至少存在1個(gè)最大亮度的顏色通道，最大亮度可近似為IC(x,y)的亮度分量。本文取IC(x,y)在RGB顏色空間3個(gè)分量中每個(gè)像素點(diǎn)的最大亮度構(gòu)成最大值圖像I(x,y)。

I(x,y)=maxIC(x,y)

(2)

對(duì)I(x,y)進(jìn)行非線性全局亮度校正：

(3)

式中：S(x,y)為全局亮度增強(qiáng)圖像；a為變化率，用來控制非線性全局亮度校正曲線的曲率，本文取a=0.06。

1.2.2 基于多尺度引導(dǎo)濾波的MSR算法處理

傳統(tǒng)MSR算法大多采用高斯濾波函數(shù)作為中心環(huán)繞函數(shù)來估計(jì)圖像的照射分量[14]。雖然高斯濾波函數(shù)平滑了不同光照區(qū)域，但存在各向同性特征，無法較好地保留照射分量中的邊緣信息，導(dǎo)致分離出的反射分量邊緣產(chǎn)生光暈偽影現(xiàn)象。因此，本文采用多尺度引導(dǎo)濾波函數(shù)代替?zhèn)鹘y(tǒng)的高斯濾波函數(shù)來估計(jì)照射分量，從而有效避免光暈偽影現(xiàn)象，增強(qiáng)圖像邊緣細(xì)節(jié)。

原始圖像IC(x,y)可表示為

IC(x,y)=L(x,y)R(x,y)

(4)

式中：L(x,y)為照射分量；R(x,y)為反射分量。

以I(x,y)作為邊緣引導(dǎo)圖像，采用不同尺度的引導(dǎo)濾波函數(shù)對(duì)IC(x,y)進(jìn)行濾波處理，保持圖像平滑與邊緣細(xì)節(jié)信息的平衡狀態(tài)。

(5)

依據(jù)傳統(tǒng)MSR算法原理，結(jié)合引導(dǎo)濾波特點(diǎn)，計(jì)算反射分量R(x,y)。

log2R(x,y)=log2IC(x,y)-log2L(x,y)

(6)

log2(qn(x,y)*IC(x,y))]

(7)

1.2.3 基于主成分分析法的圖像融合

圖像融合主要是將若干個(gè)子圖像的核心信息疊加[15]，其原理是以保留源圖像中的重要信息為主，盡可能地將相互區(qū)別并互補(bǔ)的信息兼容，避免融入無用信息。為了克服傳統(tǒng)圖像融合中邊緣細(xì)節(jié)信息缺失的問題，本文對(duì)全局亮度增強(qiáng)圖像S(x,y)與反射分量R(x,y)進(jìn)行主成分分析，計(jì)算權(quán)重并疊加，最終得到融合圖像。

用矩陣表示待融合子圖像，先計(jì)算矩陣的協(xié)方差矩陣，再計(jì)算協(xié)方差矩陣的特征值λ1、λ2與特征向量ξ1、ξ2，并使用最大特征值對(duì)應(yīng)的特征向量計(jì)算加權(quán)系數(shù)：

(8)

根據(jù)加權(quán)系數(shù)計(jì)算融合圖像：

E(x,y)=ω1S(x,y)+ω2R(x,y)

(9)

1.3 非線性變換

經(jīng)小波重構(gòu)后的圖像出現(xiàn)一定程度的泛灰現(xiàn)象，本文采用非線性變換方法對(duì)小波重構(gòu)后圖像的不同區(qū)域進(jìn)行不同程度的處理。

(10)

式中：Q′(x,y)為非線性變換后的增強(qiáng)圖像；α為尺度比例系數(shù)；Q(x,y)為小波重構(gòu)后的圖像；Qmax為像素最大值；Qmin為像素最小值。

α較小時(shí)圖像非線性變換程度較平緩，暗區(qū)域增強(qiáng)效果明顯，而亮區(qū)域?qū)Ρ榷仍鰪?qiáng)效果較差；α較大時(shí)像素值較小區(qū)域非線性變換效果不明顯，像素值較低。因此，本文通過靈活調(diào)整α取值，獲得最優(yōu)增強(qiáng)圖像。通過大量實(shí)驗(yàn)證明，α取值范圍為[5，15]時(shí)圖像增強(qiáng)效果較好。

2 實(shí)驗(yàn)結(jié)果分析

利用Matlab軟件進(jìn)行實(shí)驗(yàn)，計(jì)算機(jī)配置為Intel(R) Core(TM) i5-4210U CPU、4 GB RAM、Windows 7操作系統(tǒng)。選取貴州盤江精煤股份有限公司山腳樹礦低照度圖像進(jìn)行增強(qiáng)處理，通過主觀評(píng)價(jià)和客觀評(píng)價(jià)對(duì)SSR算法、MSR算法、MSRCR算法及本文算法對(duì)圖像增強(qiáng)效果進(jìn)行對(duì)比。

2.1 主觀評(píng)價(jià)

不同算法下礦井圖像增強(qiáng)效果對(duì)比如圖2、圖3所示。

圖2 不同算法下礦井圖像1增強(qiáng)效果對(duì)比Fig.2 Comparison of enhancement effects of mine image 1 under different algorithms

圖3 不同算法下礦井圖像2增強(qiáng)效果對(duì)比Fig.3 Comparison of enhancement effects of mine image 2 under different algorithms

從圖2(a)和圖3(a)可看出，原始圖像整體偏暗，視覺效果較差，人眼很難分辨圖像中的細(xì)節(jié)信息。從圖2(b)和圖3(b)可看出，經(jīng)SSR算法處理后的圖像在一定程度上提升了高亮區(qū)域的亮度，但提升亮度及抑制噪聲的能力有限，并且因?yàn)槌叨葏?shù)選擇的局限性，SSR算法很難在動(dòng)態(tài)范圍壓縮與顏色細(xì)節(jié)信息之間保持平衡。從圖2(c)和圖3(c)可看出，經(jīng)MSR算法處理后的圖像整體視覺效果較SSR算法明顯提升，圖像細(xì)節(jié)信息更加豐富，但放大了圖像噪聲，圖像整體偏白，出現(xiàn)顏色失真現(xiàn)象，且高亮區(qū)域出現(xiàn)光暈偽影現(xiàn)象。從圖2(d)和圖3(d)可看出，經(jīng)MSRCR算法處理后的圖像色彩保真性能優(yōu)越，但抑制噪聲的能力有限，圖像整體清晰度還需要進(jìn)一步加強(qiáng)。從圖2(e)和圖3(e)可看出，經(jīng)本文算法處理后的圖像亮度和對(duì)比度有明顯提升，去噪性能突出，圖像邊緣細(xì)節(jié)保持較好，有效避免了光暈偽影和顏色失真現(xiàn)象，更加符合人眼觀察特性。

2.2 客觀評(píng)價(jià)

選取信息熵、峰值信噪比、對(duì)比度、結(jié)構(gòu)相似性等作為圖像質(zhì)量評(píng)價(jià)指標(biāo)。信息熵越大，表明圖像信息量越豐富。峰值信噪比越大，表明噪聲對(duì)圖像的干擾越小，圖像失真程度越小。對(duì)比度越大，表明圖像明暗漸變層次越多，圖像細(xì)節(jié)越突出，圖像越清晰。結(jié)構(gòu)相似性越大，表明原始圖像與處理后圖像之間的結(jié)構(gòu)相似度越高，圖像處理效果越好。

以圖2和圖3中圖像為例，客觀評(píng)價(jià)結(jié)果見表1—表3?？煽闯霰疚乃惴ㄔ谶\(yùn)行時(shí)間方面稍差，但經(jīng)本文算法處理后的圖像信息熵、峰值信噪比、對(duì)比度和結(jié)構(gòu)相似性最高。

表1 礦井圖像1客觀評(píng)價(jià)結(jié)果Table 1 Objective evaluation results of mine image 1

表2 礦井圖像2客觀評(píng)價(jià)結(jié)果Table 2 Objective evaluation results of mine image 2

表3 不同算法運(yùn)行時(shí)間對(duì)比Table 3 Comparison of running time of different algorithms s

3 結(jié)語

提出了一種礦井低照度圖像增強(qiáng)算法。首先，通過對(duì)礦井低照度圖像進(jìn)行小波分解得到高頻分量和低頻分量。然后，對(duì)高頻分量使用三段式閾值函數(shù)進(jìn)行小波去噪；對(duì)低頻分量采用非線性全局亮度校正以增強(qiáng)圖像亮度，同時(shí)采用多尺度引導(dǎo)濾波函數(shù)代替MSR算法的高斯濾波函數(shù)來估計(jì)照射分量，進(jìn)而求取反射分量，并運(yùn)用主成分分析法對(duì)反射分量與非線性全局亮度校正的圖像進(jìn)行融合，有效提升了圖像邊緣細(xì)節(jié)保持效果。最后，對(duì)圖像高頻分量和低頻分量進(jìn)行小波重構(gòu)，并采用非線性變換對(duì)小波重構(gòu)后的圖像進(jìn)行對(duì)比度調(diào)整。實(shí)驗(yàn)結(jié)果表明，該算法能有效去除圖像噪聲，提高了圖像亮度和對(duì)比度，使圖像邊緣保持性能和細(xì)節(jié)信息豐富度得到有效平衡，避免了圖像出現(xiàn)光暈偽影和顏色失真。