陳法法，潘瑞雪，楊蘊(yùn)鵬，肖文榮，陳保家

(三峽大學(xué)水電機(jī)械設(shè)備設(shè)計(jì)與維護(hù)湖北省重點(diǎn)實(shí)驗(yàn)室，宜昌 443002)

0 引言

水工鋼結(jié)構(gòu)[1]通常處于干濕交替環(huán)境，受各種酸、堿、鹽等腐蝕介質(zhì)影響，其結(jié)構(gòu)表面在涂層破損時(shí)往往會(huì)發(fā)生化學(xué)和電化學(xué)反應(yīng)，從而出現(xiàn)銹蝕現(xiàn)象。水工金屬結(jié)構(gòu)在出現(xiàn)嚴(yán)重銹蝕后，會(huì)直接導(dǎo)致構(gòu)件承載能力、剛度和穩(wěn)定性下降，從而直接影響著金屬結(jié)構(gòu)的使用壽命，威脅水工金屬結(jié)構(gòu)的安全運(yùn)行。傳統(tǒng)對(duì)水工金屬結(jié)構(gòu)的目視檢測(cè)其主觀性強(qiáng)、檢測(cè)效率低。隨著數(shù)字圖像技術(shù)的發(fā)展，通過視覺技術(shù)得到的金屬銹蝕表觀形貌，更能直觀地記錄銹蝕區(qū)域、蝕孔分布等特征。然而，通過CCD相機(jī)進(jìn)行銹蝕圖像[2]采集時(shí)，受限于水工金屬結(jié)構(gòu)的工作環(huán)境，采集到的圖像整體亮度較低、細(xì)節(jié)信息不明顯，銹蝕紋理特征模糊。為了從原始的低照度圖像中準(zhǔn)確獲取銹蝕紋理及銹蝕色彩等特征信息，采用圖像增強(qiáng)技術(shù)，有選擇地對(duì)原始圖像的細(xì)節(jié)、亮度等特征進(jìn)行改善，經(jīng)圖像增強(qiáng)處理后的圖像更符合機(jī)器學(xué)習(xí)的要求，擁有更好的圖像特征效果。

對(duì)于低照度圖像[3]的特征增強(qiáng)算法有直方圖均衡化[4]、同態(tài)濾波[5]以及Retinex模型[6]等，其中Retinex算法對(duì)低照度圖像的亮度改善效果明顯。Retinex原理主要是對(duì)物體圖像亮度的入射分量和反射分量進(jìn)行分離，獲得物體的本質(zhì)特征。目前，單尺度Retinex算法(SSR)[7]、多尺度Retinex算法(MSR)[8-9]等多種圖像增強(qiáng)算法被提出。田會(huì)娟等[10]結(jié)合Retinex與伽馬矯正對(duì)圖像進(jìn)行增強(qiáng)，存在細(xì)節(jié)信息丟失的問題。張立亞等[11]利用雙邊濾波的方法改進(jìn)Retinex算法，能夠有效地保留和改善圖像的邊緣信息。占必超等[12]提出了基于平穩(wěn)小波和Retinex的紅外圖像增強(qiáng)方法，該方法是將小波分解得到的低頻分量進(jìn)行Retinex增強(qiáng)。

小波變換也是在頻域內(nèi)對(duì)圖像進(jìn)行分析的一種方法，其在圖像處理領(lǐng)域也具有廣泛的應(yīng)用。在圖像處理過程中，對(duì)經(jīng)小波分解之后高頻分量與低頻分量進(jìn)行調(diào)整，可以實(shí)現(xiàn)圖像的細(xì)節(jié)優(yōu)化，但其對(duì)圖像整體亮度的改善效果不明顯。瑪利亞木古麗·麥麥提等[13]提出了針對(duì)醫(yī)學(xué)圖像增強(qiáng)的結(jié)合小波變換和同態(tài)濾波的增強(qiáng)算法，該算法對(duì)經(jīng)過小波分解后的圖像高頻分量進(jìn)行處理，然后使低頻分量與經(jīng)處理的高頻分量進(jìn)行重構(gòu)，對(duì)重構(gòu)后的圖像進(jìn)行同態(tài)濾波增強(qiáng)，此方法對(duì)圖像的邊緣信息有較好的處理效果。

本文針對(duì)低照度金屬銹蝕圖像存在的亮度不高和細(xì)節(jié)信息不明顯的問題，提出了基于小波變換[14]和Retinex原理[15]的圖像特征增強(qiáng)算法。首先將原始銹蝕圖像的色彩空間轉(zhuǎn)換HSI空間[16]，保持飽和度分量和色調(diào)分量不變，對(duì)亮度分量I進(jìn)行小波分解；然后對(duì)分解后的高頻分量和低頻分量進(jìn)行自適應(yīng)增強(qiáng)，重構(gòu)后的圖像經(jīng)多尺度Retinex原理進(jìn)行增強(qiáng)改善圖像亮度，達(dá)到對(duì)銹蝕圖像細(xì)節(jié)信息進(jìn)行修復(fù)和增強(qiáng)的目的。

1 小波圖像增強(qiáng)原理

1.1 小波變換

對(duì)于任意信號(hào)f(t)∈L2(R)的一維離散小波變換可以表示為：

(1)

二維離散小波變換可以通過一維離散小波變換求得，可寫成如下形式：

(2)

式中，CJ-1,k為低頻近似系數(shù)；DJ,k為高頻細(xì)節(jié)系數(shù)。其分解過程如圖1所示。

圖1 小波分解過程示意圖

1.2 多尺度細(xì)節(jié)自適應(yīng)圖像特征增強(qiáng)

銹蝕圖像經(jīng)小波分解后獲得近似圖像以及不同尺度下的細(xì)節(jié)圖像。對(duì)于不同尺度下的細(xì)節(jié)圖像特征進(jìn)行增強(qiáng)，采用局部對(duì)比度Clocalj及全局對(duì)比度Cglobalj確定細(xì)節(jié)圖像的調(diào)節(jié)系數(shù)Kj。用h(x,y)表示銹蝕圖像第j級(jí)的近似分量，確定任一像素點(diǎn)(p,q)的m×n范圍內(nèi)的鄰域像素點(diǎn)，該鄰域內(nèi)的局部對(duì)比度[2]可表示為：

(3)

(4)

(5)

高頻細(xì)節(jié)分量先經(jīng)過軟閾值去噪，再與調(diào)節(jié)系數(shù)Kj相乘，完成對(duì)細(xì)節(jié)分量的調(diào)整；低頻近似分量與亮度調(diào)節(jié)系數(shù)L0相乘，完成對(duì)近似分量的調(diào)整；隨后對(duì)第j級(jí)圖像進(jìn)行重構(gòu)。以此類推，對(duì)各級(jí)圖像均進(jìn)行調(diào)整與重構(gòu)，最終即得到了多尺度自適應(yīng)增強(qiáng)的銹蝕圖像。

2 Retinex理論

設(shè)原始圖像為P(x,y)，在Retinex理論中，原始圖像可以表示為：

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

(6)

式中，R(x,y)為物體反射分量，表示了物體自身的特性；L(x,y)為環(huán)境亮度分量。Retinex理論的核心思想是獲得物體的反射分量R(x,y)。

logR′(x,y)=logP(x,y)-logL′(x,y)

(7)

logR′(x,y)=logP(x,y)-log[P(x,y)*G(x,y)]

(8)

式中，R′(x,y)與L′(x,y)分別為估計(jì)的反射分量與亮度分量；G(x,y)為環(huán)境函數(shù)。

為了改善單一尺度選擇對(duì)圖像增強(qiáng)效果的限制，采用MSR算法增強(qiáng)圖像：

(9)

式中，Wi為不同尺度下增強(qiáng)圖像的權(quán)重系數(shù)；n為作用于圖像的尺度個(gè)數(shù)。

3 銹蝕圖像增強(qiáng)算法

銹蝕圖像增強(qiáng)算法流程如圖2所示。

圖2 銹蝕圖像增強(qiáng)算法流程圖

銹蝕圖像的處理過程主要由以下步驟組成：

(1)原始圖像由RGB空間轉(zhuǎn)換到HSI空間。與RGB空間相比，HSI空間將圖像P(x,y)分為飽和度分量S(x,y)、色調(diào)分量H(x,y)和亮度分量I(x,y)。

(2)對(duì)亮度分量I(x,y)進(jìn)行特征增強(qiáng)。

①亮度分量經(jīng)小波變換分解為低頻近似分量與高頻細(xì)節(jié)分量；

②根據(jù)同級(jí)近似圖像的局部對(duì)比度確定其全局對(duì)比度Cglobalj，之后確定同級(jí)細(xì)節(jié)圖像的調(diào)節(jié)系數(shù)Kj，即全局對(duì)比度權(quán)重因子；

③對(duì)高頻細(xì)節(jié)分量進(jìn)行軟閾值去噪，之后，將處理后的高頻細(xì)節(jié)分量利用全局對(duì)比度權(quán)重因子進(jìn)行進(jìn)一步調(diào)整；

④利用亮度因子L0對(duì)低頻近似分量進(jìn)行調(diào)整；

⑤增強(qiáng)后的近似分量與細(xì)節(jié)分量進(jìn)行重構(gòu)，得到該級(jí)自適應(yīng)增強(qiáng)圖像；

⑥依次逐級(jí)對(duì)圖像進(jìn)行自適應(yīng)增強(qiáng)與重構(gòu)，實(shí)現(xiàn)對(duì)原始銹蝕圖像的細(xì)節(jié)增強(qiáng)。

(3)多尺度Retinex。根據(jù)Retinex原理對(duì)經(jīng)小波自適應(yīng)增強(qiáng)后圖像進(jìn)行處理，σ采用大中小三個(gè)尺度，分別為15、80、250，以得到反射圖像IR(x,y)。

(4)對(duì)反射圖像進(jìn)行伽馬校正[17]。

(10)

依據(jù)圖像校正效果，γ取值為0.7。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)采用BS90C型鹽霧試驗(yàn)箱對(duì)24塊尺寸為160 mm×120 mm×5 mm(長×寬×高)的Q235鋼板進(jìn)行加速銹蝕，采用分辨率為500萬像素的CCD相機(jī)采集鋼板表面圖像，圖像采集平臺(tái)如圖3所示。由萬向支架固定的CCD相機(jī)和5 mm鏡頭完成鋼板銹蝕圖像的采集，UCB連接線與PC端連接實(shí)現(xiàn)采集圖像的傳輸與相機(jī)的控制。圖像采集過程在實(shí)驗(yàn)室自然光照下進(jìn)行。在所有采集圖像中選取不同銹蝕階段下低照度的銹蝕圖像來進(jìn)行分析。

1.鋼板 2.5 mm鏡頭 3.CCD相機(jī) 4.萬向支架 5.USB連接線

4.2 實(shí)驗(yàn)結(jié)果與分析

4.2.1 主觀評(píng)價(jià)

為了驗(yàn)證本文方法對(duì)低照度銹蝕圖像特征增強(qiáng)的有效性和優(yōu)良性，選擇直方圖均衡化、小波自適應(yīng)增強(qiáng)、單尺度Retinex、多尺度Retinex等方法進(jìn)行對(duì)比分析。

各個(gè)方法對(duì)原始低光照銹蝕圖像的特征增強(qiáng)效果如圖4所示，可以看出，銹蝕圖像經(jīng)過直方圖均衡化方法增強(qiáng)后，光照情況得到了較好改善，但同時(shí)也出現(xiàn)了嚴(yán)重的色彩失真，鋼板邊緣處有明顯的藍(lán)色偽影，而色彩又是銹蝕圖像的一個(gè)重要特征，故增強(qiáng)效果并不能令人滿意；小波自適應(yīng)方法一定程度上能夠調(diào)節(jié)光照分布情況，但由于整體亮度提升較小，銹蝕細(xì)節(jié)和輪廓仍然無法清晰地觀察到；單尺度Retinex和多尺度Retinex增強(qiáng)后的銹蝕圖像均出現(xiàn)了過曝現(xiàn)象，圖像細(xì)節(jié)丟失，色彩失真，該增強(qiáng)圖像不利于銹蝕特征提取與分析。本文方法在光照、色彩、以及細(xì)節(jié)方面均取得了較好的增強(qiáng)效果，增強(qiáng)后的銹蝕圖像整體亮度得到明顯提升，同時(shí)又很好地保留了原始圖像的色彩，其表面銹蝕紋理清晰可見，與背景能夠很好地區(qū)分，有利于進(jìn)一步進(jìn)行建模和分析。

(a) 原始圖像 (b) 直方圖均衡化 (c) 小波自適應(yīng)

(d) SSR (e) MSR (f) 本文方法

為更好地比較各種算法對(duì)銹蝕圖像的作用效果，使用灰度直方圖[18]進(jìn)行進(jìn)一步驗(yàn)證與分析。本文選用低照度銹蝕圖像的各種算法增強(qiáng)圖像進(jìn)行對(duì)比，結(jié)果如圖5所示?？梢钥吹?，原始圖像的灰度值集中分布在兩端，由于圖像整體較暗，因此大部分像素灰度集中在左側(cè)，而背景桌面為亮色且面積較大，故另一部分集中在右側(cè)。直方圖均衡化得到的銹蝕圖像其直方圖相較于原圖明顯變得更加均勻，所以圖像亮度得到改善，但銹蝕色彩信息已經(jīng)丟失。小波自適應(yīng)方法對(duì)圖像兩端的像素分布做出了調(diào)整，使得圖像極暗和極亮的像素灰度值向中間灰度方向調(diào)整，但總體分布情況并未發(fā)生較大改變，因此圖像亮度仍然得不到很好的提升。單尺度Retinex和多尺度Retinex方法增強(qiáng)后得到的圖像直方圖主要集中在右側(cè)，因此圖像整體呈現(xiàn)出過曝效果；本文方法得到的圖像直方圖在保持右側(cè)分布的同時(shí)，將左側(cè)分布重新調(diào)整至中間灰度值范圍內(nèi)，因此圖像亮度得到改善，并且由于其分布趨勢(shì)并未發(fā)生較大改變，所以圖像顏色也能得到較好的保持。

(a) 原始圖像及灰度直方圖

(b) 直方圖均衡化及灰度直方圖

(c) 小波自適應(yīng)及灰度直方圖

(d) SSR及灰度直方圖

(e) MSR及灰度直方圖

(f) 本文方法及灰度直方圖圖5 低照度銹蝕圖像不同算法增強(qiáng)后灰度分布對(duì)比

綜合分析可得，本文所提算法對(duì)低照度的銹蝕圖像在色彩保持、亮度提升以及銹蝕細(xì)節(jié)信息保留等多個(gè)方面都具有比較明顯的增強(qiáng)效果；銹蝕圖像細(xì)節(jié)更加清晰，亮度得到改善，有利于對(duì)銹蝕特征進(jìn)行識(shí)別、分析。

4.2.2 客觀評(píng)價(jià)

為了對(duì)不同特征增強(qiáng)算法進(jìn)行定量評(píng)價(jià)，本文選用常用的信息熵、均值等指標(biāo)對(duì)圖像特征增強(qiáng)效果進(jìn)行客觀評(píng)價(jià)。

(1)信息熵。信息熵是度量圖像細(xì)節(jié)信息量的一個(gè)指標(biāo)，其值越大，圖像所包含的細(xì)節(jié)信息越多，圖像擁有的信息量越大。

(11)

(2)均值。均值反映了圖像的亮度情況，其值大小與亮度的強(qiáng)弱成正比，其值越大圖像亮度越高。

(12)

由表1中的數(shù)據(jù)可知，與其他特征增強(qiáng)算法相比，本文方法在細(xì)節(jié)信息保留方面效果明顯，經(jīng)本文方法處理后的銹蝕圖像的信息熵與原圖像的信息熵?cái)?shù)值最為接近，且高于其它4種方法增強(qiáng)后的信息熵值；在均值指標(biāo)方面，由于SSR和MSR出現(xiàn)了過曝現(xiàn)象，因此計(jì)算得到的均值明顯高于其他方法，但由前面的主觀分析可知，該方法直觀效果沒有達(dá)到最優(yōu)。而本文方法相較于其他兩種方法而言，在獲得較高的信息熵的同時(shí)，也能得到較高的均值，這些都是增強(qiáng)銹蝕圖像特征的直接體現(xiàn)。因此，總體來說，本文方法增強(qiáng)效果無論從亮度、色彩、細(xì)節(jié)等方面均優(yōu)于同類其他方法，能夠滿足低照度銹蝕圖像的特征增強(qiáng)需求。

表1 客觀評(píng)價(jià)指標(biāo)值對(duì)比表

5 結(jié)論

本文結(jié)合小波變換和Retinex理論，對(duì)經(jīng)鹽霧試驗(yàn)中的不同試驗(yàn)階段低照度Q235鋼的銹蝕圖像進(jìn)行特征增強(qiáng)，以改善其亮度和細(xì)節(jié)信息。首先將金屬銹蝕圖像的色彩空間轉(zhuǎn)換到HSI空間，然后對(duì)亮度分量進(jìn)行多尺度自適應(yīng)增強(qiáng)，最后轉(zhuǎn)換到RGB空間得到增強(qiáng)后的圖像，實(shí)現(xiàn)對(duì)低照度金屬銹蝕圖像的增強(qiáng)。

針對(duì)金屬銹蝕圖像存在亮度低和紋理特征不明顯的問題，直方圖均衡化、SSR和MSR對(duì)紋理特征等細(xì)節(jié)信息改善不明顯；小波自適應(yīng)算法對(duì)亮度增強(qiáng)不明顯。對(duì)于低照度銹蝕圖像，采用小波和 Retinex結(jié)合的算法圖像增強(qiáng)效果明顯，能較好地改善圖像的整體亮度，對(duì)細(xì)節(jié)信息的保留和增強(qiáng)效果明顯；同時(shí)，不會(huì)改變圖像的色度和飽和度，對(duì)圖像的色彩具有保真效果。