杜馨瑜

(中國鐵道科學(xué)研究院 基礎(chǔ)設(shè)施檢測研究所，北京　100081)

電務(wù)軌旁設(shè)備是構(gòu)成鐵路電務(wù)系統(tǒng)的重要基礎(chǔ)設(shè)備，主要包括高柱信號機(jī)、矮柱信號機(jī)、信號標(biāo)志牌、信號箱盒和隧道漏纜等。為了保證這些設(shè)備外觀的完整性，需對其進(jìn)行周期性的巡檢。巡檢的方法是：在巡檢車上安裝各種圖像傳感器，在地面安裝高性能工作站；巡檢車在巡檢時對電務(wù)軌旁設(shè)備進(jìn)行實(shí)時圖像采集、顯示，最后傳送到工作站進(jìn)行后期離線分析。由于巡檢車一般是在夜間巡檢，而沿線環(huán)境又較為復(fù)雜，導(dǎo)致采集的圖像出現(xiàn)明暗不均等質(zhì)量問題，嚴(yán)重時將影響圖像的瀏覽，甚至導(dǎo)致后期不能對圖像進(jìn)行智能解析，因此需要對采集的原始圖像進(jìn)行圖像增強(qiáng)處理。

常用的圖像增強(qiáng)算法包括基于全局像素處理的gamma校正、直方圖均衡等[1]，以及基于局部鄰域處理的一系列Retinex算法。Retinex算法是Land等模擬人類視覺系統(tǒng)(Human Vision System，HVS)提出的一種計(jì)算方法，用于解釋HVS是如何從外界光照變化的環(huán)境中提取有效的真實(shí)信息[2]。Retinex算法有多種表現(xiàn)形式，如Land等最早提出的Retinex算法，是將通過當(dāng)前像素點(diǎn)的各隨機(jī)路徑像素的平均值作為當(dāng)前像素點(diǎn)的新值[3]。Horn[4]，Hurlbert[5]，F(xiàn)unt[6]等采取類似的基于路徑比較的思想對Retinex算法做了改進(jìn)。較為有影響力的是基于外周的Retinex算法，其思想在于處理后的像素值是其周邊像素值某種形式的加權(quán)平均，如Land等提出的單尺度Retinex算法(Single-Scale Retinex,SSR)[7]，Rahman等進(jìn)而把該算法拓展到多尺度Retinex算法(Multi-Scale Retinex,MSR)[8]與多尺度多通道Retinex算法(Multi-scale and Multi-channel Retinex,MSMCR)[9]。另外還有變分形式的Retinex算法[10]?；谕庵艿腞etinex算法，如上所述的SSR，MSR，MSMCR等算法，都是采取固定大小和形狀的濾波器計(jì)算外周像素對待處理像素(即中心像素)的作用，而忽略了圖像區(qū)域邊緣對實(shí)際處理效果的影響。另外，各類Retinex算法都存在光暈現(xiàn)象和灰度溢出現(xiàn)象，前者原因是假設(shè)光源均勻分布導(dǎo)致在鄰近區(qū)域亮度差異過大，從而引起處理后的圖像存在亮區(qū)出現(xiàn)暗紋以及暗區(qū)出現(xiàn)亮紋的現(xiàn)象；后者原因是局部濾波器導(dǎo)致低對比度的暗區(qū)與亮區(qū)在處理后形成灰色區(qū)域[11]。

正是基于上述分析，本文將變尺度思想引入Retinex算法中，提出變尺度Retinex(Varying-Scale Retinex,VSR)算法。該算法所用局部濾波器的尺度隨著原始圖像的邊緣變化而自適應(yīng)改變，能在處理效果與抑制光暈及灰度溢出之間達(dá)到較為有效的平衡，校正圖像局部光照的不均勻，顯著提升圖像的顯示質(zhì)量；通過與現(xiàn)有多種Retinex算法的比較，驗(yàn)證本文方法的優(yōu)勢。

1　VSR算法

VSR算法包括全局自適應(yīng)、局部自適應(yīng)和后處理3個子模塊。算法流程框圖如圖1所示。以高柱信號機(jī)圖像為例，原圖及VSR算法處理結(jié)果如圖2所示：圖2(a)為輸入的原圖Φ，圖2(b)為經(jīng)過全局自適應(yīng)處理后得到的灰度圖Φ′，圖2(c)為原圖的邊緣圖像，圖2(d)為由邊緣圖像得到的局部自適應(yīng)模板圖像mask，圖2(e)為局部自適應(yīng)處理后的圖像Φnew,圖2(f)為直方圖拉伸后得到的輸出圖像newI。

圖1　算法流程框圖

圖2　原圖及VSR算法處理結(jié)果

1.1　全局自適應(yīng)子模塊

全局自適應(yīng)子模塊處理對象為輸入的原始灰度圖像，且灰度變化范圍已經(jīng)歸一化。其自適應(yīng)體現(xiàn)為：當(dāng)輸入圖像亮度不夠時，對其進(jìn)行伽馬校正，當(dāng)亮度足夠時則不進(jìn)行調(diào)整。其目的在于對原始圖像進(jìn)行全局亮度粗調(diào)，以供后續(xù)模塊精細(xì)處理。

全局自適應(yīng)算法原理為

Φ′=Φ1/γ

(1)

其中

(2)

(3)

(4)

式中：1/γ為伽馬校正系數(shù)；Фal和AL為啞元變量，作為中間結(jié)果變量，用于避免公式過分復(fù)雜；p為圖像的某一像素點(diǎn)；Фp為p點(diǎn)的灰度；N為圖像像素?cái)?shù)。

式(4)表示對原圖像取對數(shù)后得到均值A(chǔ)L；式(3)表示對AL實(shí)施非線性變換后得到Фal，并且Фal的值在1/3～1之間；式(2)表示若原圖像亮度不夠，則伽馬校正系數(shù)1/γ限制在1/3～1之間，否則其值為1。全局自適應(yīng)子模塊輸出圖像如圖2(b)所示。

1.2　局部自適應(yīng)子模塊

對于得到的中間結(jié)果圖像Ф′，采用下式計(jì)算局部自適應(yīng)。

Φnew(x,y)=log(Φ′(x,y))-

β(x,y)log(mask(x,y))

(5)

其中，

(6)

(7)

(8)

式中：(x,y)為圖像坐標(biāo)；Φnew(x,y)為Φnew中坐標(biāo)(x,y)處的值；Ф′(x,y)為Ф′中坐標(biāo)(x,y)處的值；mask(x,y)為mask中坐標(biāo)(x,y)處的值；θ為mask中(x,y)點(diǎn)的濾波方向；r為濾波半徑；rmax為最大濾波半徑；σr,θ為高斯核大小；σ0和σ1為σr,θ的2個特定取值；β(x,y)為權(quán)重因子。

在式(5)中采用對數(shù)編碼圖像，其原因是為了模擬HVS特性曲線的對數(shù)特性，使之更加趨近人眼的視覺效果[12]；權(quán)重因子β(x,y)用來調(diào)節(jié)該式右邊2項(xiàng)的權(quán)重，以抑制經(jīng)典的基于周邊的Retinex算法的灰度溢出效應(yīng)。

進(jìn)一步的，式(6)可以使白色保持為白色，黑色保持為黑色，這樣保證了視覺效果的真實(shí)性。當(dāng)圖像較亮?xí)r，β(x,y)趨于0，使式(5)中的減項(xiàng)趨于0，從而保持圖像較亮；當(dāng)圖像較暗時，β(x,y)趨于1，使處理后的圖像也較暗。因此，β(x,y)可以使中等亮度的像素值與原像素值呈現(xiàn)近似正相關(guān)拉伸的變化，并同時保證原圖像的較亮區(qū)與較暗區(qū)基本不變，這樣就抑制了灰度溢出效應(yīng)。

經(jīng)典的基于周邊的Retinex算法的另一大缺點(diǎn)是光暈現(xiàn)象，其實(shí)質(zhì)是由增加局部對比度與更好地實(shí)現(xiàn)全局圖像繪制這兩者之間的矛盾產(chǎn)生的。處理周邊像素范圍越小，局部對比度提升越明顯，但在高對比度邊緣越容易產(chǎn)生光暈偽跡；反之亦然[13]。

本文提出的VSR算法，能夠在圖像出現(xiàn)高對比度邊緣時自適應(yīng)地改變?yōu)V波器的大小和形狀，從而最大限度地抑制光暈偽跡。這樣，當(dāng)變尺度濾波器沿著邊緣處理時，圖像的亮區(qū)對鄰近的暗區(qū)產(chǎn)生較為微弱的作用。

式(8)表示：當(dāng)環(huán)繞著待考察點(diǎn)(x,y)徑向像素值求和時，若在θ方向上沒有高對比度邊緣，則高斯核取σ0，反之取σ1。

值得注意的是，當(dāng)判斷某點(diǎn)處有無高對比度邊緣時，采用Canny算子對圖像Ф′邊緣進(jìn)行檢測、判斷[14]，得到的邊緣圖像如圖2(c)所示。模板mask的圖像如圖2(d)所示。局部自適應(yīng)子模塊輸出圖像如圖2(e)所示。

1.3　后處理——直方圖截?cái)嗬?/h3>

通過上述步驟的處理，可能有些點(diǎn)的灰度值超出了[0,1]區(qū)間，因此采用直方圖截?cái)?、拉伸的后處理方法進(jìn)行處理。即首先不考慮最暗與最亮端的1%像素點(diǎn)，這是直方圖截?cái)?；然后再進(jìn)行傳統(tǒng)意義上的直方圖均衡[15]，這是直方圖拉伸；從而得到最終的輸出圖像newI，如圖2(f)所示。

2　基于實(shí)例的算法比較

2.1　客觀評價指標(biāo)

到目前為止，并沒有一個統(tǒng)一的公認(rèn)的圖像質(zhì)量評價標(biāo)準(zhǔn)，這也說明圖像質(zhì)量評價是一個主客觀相結(jié)合的過程[16]。針對電務(wù)軌旁設(shè)備外觀圖像采集的實(shí)際情況，并考慮到后續(xù)智能分析的需求，客觀評價指標(biāo)選用局部對比度CL[17]，由式(9)計(jì)算；CL的值越大，表明局部對比度越好，表明圖像增強(qiáng)算法的處理效果越好，也就表明該算法越好。

(9)

2.2　指標(biāo)對比

對電務(wù)軌旁設(shè)備的巡檢圖像，采用VSR算法進(jìn)行圖像增強(qiáng)處理，然后計(jì)算其局部對比度CL及其相對于原始圖像局部對比度CL增大的百分比，并與若干具有代表性的方法進(jìn)行對比，評價本文提出的VSR算法的合理性與優(yōu)越性。這些代表性的方法包括：限制對比度自適應(yīng)直方圖均衡(Contrast-limited Adaptive Histogram Equalization, CLAHE)[18]，引導(dǎo)濾波(Guided Filter, GF)[19]，迭代Retinex(Iterative Retinex, IR)[11]，SSR[12]，MSR[13]和MSMCR[14]。計(jì)算結(jié)果見表1。從表1可以看到，對于典型的電務(wù)軌旁設(shè)備，VSR算法表現(xiàn)出最好的效果，CL增量高達(dá)106%～1 285%，見表1中黑色字體部分。

表1　軌旁各設(shè)備原圖及各算法處理圖的局部對比度及其增量CL

2.3　圖像對比

1)高柱信號機(jī)

巡檢車車頂面陣相機(jī)拍攝的高柱信號機(jī)圖像具有如下特點(diǎn)：由于背景較為空曠，導(dǎo)致背景區(qū)基本無反射面；高柱信號機(jī)作為目標(biāo)物體具有較強(qiáng)的反射面。圖3(a)—(h)依次為高柱信號機(jī)的原圖像及CLAHE，GF，IR，SSR，MSR，MSMCR和VSR算法處理圖。由表1和圖3可知，VSR算法處理圖的局部對比度和清晰度均明顯優(yōu)于其他算法。這是因?yàn)椋篤SR算法消除了光照不均衡、光暈效應(yīng)，并最大限度地抑制了灰度溢出效應(yīng)；而CLAHE與GF算法沒有消除局部的光照不均衡；IR算法產(chǎn)生了明顯的光暈效應(yīng)；SSR、MSR和MSMCR算法整體上消除了光照不均衡，但產(chǎn)生了灰度溢出效應(yīng)。由此說明本文提出的VSR算法最優(yōu)。

圖3　高柱信號機(jī)的原圖及不同算法處理圖

2)矮柱信號機(jī)

當(dāng)位于巡檢車車頂?shù)拿骊囅鄼C(jī)拍攝矮柱信號機(jī)時，由于矮柱信號燈本身發(fā)光且周圍場景較暗，因此圖像具有較強(qiáng)的亮度不均勻性。圖4(a)—(h)依次為矮柱信號機(jī)的原圖及CLAHE，GF，IR，SSR，MSR，MSMCR，VSR算法處理圖。由表1和圖4可知，VSR算法明顯優(yōu)于其他算法。其原因與高柱信號機(jī)的相同，另外需要補(bǔ)充的是，VSR算法在圖像的高光區(qū)(矮柱信號機(jī)發(fā)光區(qū))與暗區(qū)均進(jìn)行了較好的增強(qiáng)，并且有效地抑制了灰度溢出效應(yīng)和光暈效應(yīng)。

圖4　矮柱信號機(jī)的原圖及不同算法處理圖

3)信號標(biāo)志牌

信號標(biāo)志牌的成像環(huán)境與高柱信號機(jī)類似，也表現(xiàn)為空曠的背景、標(biāo)志牌較為平整的反射面易導(dǎo)致光照不均勻成像。圖5(a)—(h)依次為信號標(biāo)志牌的原圖及CLAHE，GF，IR，SSR，MSR，MSMCR，VSR算法處理圖。由表1和圖5可知，VSR算法明顯優(yōu)于其他算法。其原因與高柱信號機(jī)的相同，這里就不再贅述。

4)信號箱盒

當(dāng)位于巡檢車車體下部的線陣相機(jī)拍攝軌旁信號箱盒時，圖像的一部分背景為遠(yuǎn)端場景，信號箱盒部分為近端場景，且路面或信號箱盒會有反射，這時就有可能會出現(xiàn)光照不均勻現(xiàn)象。圖6(a)—(h)依次為信號箱盒的原圖及CLAHE，GF，IR，SSR，MSR，MSMCR，VSR算法處理圖。由表1和圖6可知，VSR算法明顯優(yōu)于其他算法。其原因與高柱信號機(jī)的相同，另外需要補(bǔ)充的是，VSR算法在圖像的遠(yuǎn)端暗區(qū)與近端兩區(qū)均對原圖像進(jìn)行了較好的增強(qiáng)，使遠(yuǎn)端暗區(qū)的樹木清晰可見，近端亮區(qū)的信號箱盒邊緣與導(dǎo)線更為明顯，并且有效地抑制了灰度溢出效應(yīng)和光暈效應(yīng)。

5)隧道漏纜

巡檢車車頂面陣相機(jī)拍攝隧道漏纜時，會出現(xiàn)圖像較暗并有不均勻光照的情況。圖像較暗的原因是拍攝漏纜與拍攝高柱信號機(jī)、接觸網(wǎng)桿信號標(biāo)志牌共用同一個面陣相機(jī)，這樣在對焦與外加光源方面要有綜合考慮；不均勻光照的原因是隧道壁具有較強(qiáng)的反射面，因此某些區(qū)域會出現(xiàn)鏡面反射效應(yīng)，尤其對圖像全局增強(qiáng)處理后會更為明顯。圖7(a)—(h)依次為隧道漏纜的原圖及CLAHE，GF，IR，SSR，MSR，MSMCR，VSR算法處理圖。

圖5　信號標(biāo)志牌的原圖及不同算法處理圖

圖6　信號箱的原圖及不同算法處理圖

圖7　隧道漏纜的原圖及不同算法處理圖

由表1和圖7可知，VSR算法明顯優(yōu)于其他算法。其原因與高柱信號機(jī)的相同，在此就不贅述。

3　結(jié)　論

本文將變尺度思想引入Retinex算法中，提出VSR算法，用于對電務(wù)軌旁設(shè)備外觀巡檢圖像進(jìn)行圖像增強(qiáng)處理。選取高柱信號機(jī)、矮柱信號機(jī)、信號標(biāo)志牌、信號箱盒、漏纜等電務(wù)軌旁設(shè)備的巡檢圖像，用VSR算法進(jìn)行處理，并與具有類似功能的CLAHE，GF，IR，SSR，MSR，MSMCR算法的處理結(jié)果進(jìn)行主客觀對比。結(jié)果表明：無論是圖像清晰度，還是局部對比度， VSR算法明顯優(yōu)于其他算法。VSR算法能有效校正巡檢圖像亮度局部不均勻現(xiàn)象，并最大限度地抑制灰度溢出效應(yīng)與光暈效應(yīng)，展示出由于圖像局部亮度反差所掩飾的圖像有用信息，提升圖像顯示質(zhì)量。圖像經(jīng)過VSR算法增強(qiáng)處理后，有利于瀏覽及后續(xù)的智能分析。

[1]GONZALEZ R C, WOODS R E. Digital Image Processing [M].2nd ed. Beijing: Publishing House of Electronics Industry, 2003: 75-75.

[2]LAND E H. The Retinex [J]. American Scientist, 1964, 52(2): 247-264.

[3]LAND E H, MCCANN J J. Lightness and Retinex Theory [J]. Journal of the Optical Society of America, 1971, 61(1): 1-11.

[4]HORN B K P. Determining Lightness from an Image [J]. Computer Graphics and Image Processing, 1974, 3(4): 277-299.

[5]HURLBERT A. Formal Connections between Lightness Algorithms [J]. Journal of the Optical Society of America A, 1986, 3(10): 1684-1693.

[6]FUNT B, CIUREA F, MCCANN J. Retinex in MATLABTM[J]. Journal of Electronic Imaging, 2004，13(1): 48-57.

[7]LAND E H. An Alternative Technique for the Computation of the Designator in the Retinex Theory of Color Vision [J]. National Academy of Sciences of the United States of America, 1986， 83(10): 3078-3080.

[8]RAHMAN Z, JOBSON D, WOODELSS G.Retinex Processing for Automatic Image Enhancement [J]. Journal of Electronic Imaging, 2004， 13(1): 100-110.

[9]JOBSON D, RAHMAN A, WOODELL G. A Multiscale Retinex for Bridging the Gap between Color Images and the Human Observation of Scenes [J]. IEEE Transactions on Image Processing, 1997， 6(7): 965-976.

[10]KIMMEL R, ELAD E, SHAKED D, et al. A Variational Framework for Retinex [J]. International Journal of Computer Vision, 2003， 52(1): 7-23.

[11]MEYLAN L, SUSSTRUNK S. High Dynamic Range Image Rendering with a Retinex-Based Adaptive Filter [J]. IEEE Transactions on Image Processing, 2005， 15(9): 2820-2830.

[12]杜馨瑜. 模擬視覺機(jī)制的圖像處理若干問題研究[D]. 成都: 電子科技大學(xué), 2012.

(DU Xinyu. Research on Several Image Processing Problems [D]. Chengdu: University of Electronic Science and Technology of China, 2012. in Chinese)

[13]MAJUMDAR J, NANDI M, NAGABHUSHAN P. Retinex Algorithm with Reduced Halo Artifacts [J]. Defence Science Journal, 2011， 61(6): 559-566.

[14]CANNY J. A Computational Approach to Edge Detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986， 8(6): 679-698.

[15]GONZALEZ R C, WOODS R E. Digital Image Processing[M]. 2nd ed. Beijing: Publishing House of Electronics Industry, 2003: 88-94.

[16]PANETTA K A, WHARTON E J, AGAIAN S S. Human Visual System-Based Image Enhancement and Logarithmic Contrast Measure [J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 2008, 38(1): 174-188.

[17]ARSLAN F T, GRIGORYAN A M. Fast Splitting α-Rooting Method of Image Enhancement: Tensor Representation [J]. IEEE Transactions on Image Processing, 2006, 15(11): 3375-3384.

[18]ZUIDERVELD K. Graphics Gems IV [M]. San Diego: Academic Press Professional Inc, 1994: 474-485.

[19]HE K, SUN J, TANG X. Guided Image Filtering [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.