王 焱，楊 威，王亞恒

WANG Yan,YANG Wei,WANG Yaheng

遼寧工程技術(shù)大學(xué) 電氣與控制工程學(xué)院，遼寧 葫蘆島 125105

School of Electrical and Control Engineering,Liaoning Technical University,Huludao,Liaoning 125105,China

1 引言

煤礦井下環(huán)境具有空間狹窄、風(fēng)大潮濕、空氣污濁、全天候人工照明、光照不均勻的特點(diǎn)，導(dǎo)致井下圖像光場(chǎng)不均勻、整體灰度值偏低、動(dòng)態(tài)范圍大、陰影區(qū)和高光區(qū)細(xì)節(jié)難以辨認(rèn)，對(duì)圖像識(shí)別和處理帶來相當(dāng)?shù)碾y度[1-2]。

針對(duì)煤礦井下圖像增強(qiáng)的研究，李文峰等[3]提出一種基于小波閾值去噪和直方圖均衡相結(jié)合的圖像增強(qiáng)算法，先利用小波變換法分離出圖像噪聲信號(hào)，再使用直方圖均衡化對(duì)圖像進(jìn)行全局對(duì)比度調(diào)整；劉毅等[4]提出一種基于同態(tài)濾波原理的井下圖像處理方法：先采用低通濾波函數(shù)抑制圖像低頻分量，再采用高通濾波函數(shù)增強(qiáng)高頻分量，之后對(duì)圖像低頻分量部分進(jìn)行細(xì)化處理，對(duì)不同低頻分量采用不同的處理策略；程德強(qiáng)等[5]結(jié)合引導(dǎo)濾波對(duì)圖像進(jìn)行照度估計(jì)，再采用單尺度Retinex算法提高圖像暗區(qū)對(duì)比度；朱立新、王平安等[6]提出一種面向彩色圖像的梯度域調(diào)整方法，首先對(duì)圖像梯度場(chǎng)進(jìn)行直方圖均衡化，再利用最小二乘原理重建出增強(qiáng)后的圖像，算法比較復(fù)雜。

本文以井下低照度圖像為研究對(duì)象，設(shè)計(jì)了一種基于人眼視覺感知原理的井下圖像對(duì)比度增強(qiáng)算法。該算法根據(jù)人眼在不同視覺區(qū)域的對(duì)比度感知特性對(duì)圖像進(jìn)行劃分并各自進(jìn)行亮度校正，并用校正結(jié)果重構(gòu)圖像。實(shí)驗(yàn)結(jié)果顯示，該方法能夠很好地保護(hù)圖像細(xì)節(jié)信息，有效地增強(qiáng)圖像對(duì)比度，提高井下圖像質(zhì)量。

2 人眼視覺感知特性

韋伯定律是德國(guó)實(shí)驗(yàn)生理學(xué)家韋伯在1831年研究人類能感受最小刺激變化時(shí)提出的理論，韋伯發(fā)現(xiàn)，同一刺激差別量必須達(dá)到一定比例，才能引起差別感覺，這一比例是常數(shù)，用公式表示為：

式中，I表示某一種刺激量的初始值，ΔI表示刺激的最小可察覺差別量（Just Noticeable Difference，JND），k為常數(shù)，稱為韋伯分?jǐn)?shù)或韋伯比，公式（1）稱為韋伯定律（Weber’s Law）。韋伯定律量化了人類感覺系統(tǒng)的JND：JND與刺激量的初始值I成正比，I值越大，JND越大。

人眼視覺系統(tǒng)可以由人眼對(duì)灰度圖像的分辨能力進(jìn)行描述，這是它的一個(gè)主要特性。將韋伯定律應(yīng)用于人眼亮度感知上，可得到公式（2）：

式中，B表示圖像背景亮度，ΔBT表示在該背景亮度下對(duì)應(yīng)的JND。根據(jù)公式（2）的表述，可以總結(jié)為：在圖像平均亮度越大的地方，JND越大。在一個(gè)相當(dāng)寬的范圍內(nèi)，k值可視為常數(shù)，當(dāng)亮度很高或很低時(shí)，k值明顯升高。心理物理學(xué)中將JND隨背景變化而變化的現(xiàn)象稱為人眼亮度掩蔽特性，并根據(jù)此特性將一幅圖像分為4個(gè)區(qū)域，如圖1所示[7-8]。

圖1 基于人眼掩蔽特性的圖像區(qū)域劃分

圖1中，根據(jù)韋伯分?jǐn)?shù)（即曲線斜率）可將曲線分為4個(gè)區(qū)域：斜率約為1/2的區(qū)域稱為德弗里斯區(qū)域（Devries-Rose region），對(duì)應(yīng)于圖像的低等照度區(qū)域；中間段曲線斜率為1區(qū)域?yàn)轫f伯區(qū)域（Weber region），是一個(gè)刺激強(qiáng)度不大就可以明顯感覺有差別的區(qū)域，對(duì)應(yīng)于圖像的中等照度區(qū)域；圖像的高照度區(qū)域定義為飽和區(qū)域（Saturation region），是受刺激飽和影響的區(qū)域，該區(qū)域斜率通常大于1；剩余部分區(qū)域就是低對(duì)比度區(qū)域，在此區(qū)域人眼難以感覺到光照變化。

根據(jù)這種劃分，可將一幅圖像看做成暗區(qū)域、德弗里斯區(qū)域、韋伯區(qū)域和飽和區(qū)域的組合。其中德弗里斯區(qū)域?qū)?yīng)圖像中因亮度過暗，人眼能夠識(shí)別但不能夠準(zhǔn)確獲取圖像細(xì)節(jié)信息的部分（圖2（b））；韋伯區(qū)域?qū)?yīng)圖像中能夠正常、直觀地反映圖像信息，人眼能夠輕易覺察圖像細(xì)節(jié)的部分（圖2（c））；飽和區(qū)域?qū)?yīng)因過亮導(dǎo)致人眼不能準(zhǔn)確獲取圖像細(xì)節(jié)信息的圖像區(qū)域（圖2（d））；而暗區(qū)域?qū)?yīng)圖像中因亮度過低，人眼完全不能獲取信息的部分。由此可見，圖像中韋伯區(qū)域面積越大，圖像細(xì)節(jié)信息展現(xiàn)越清晰，圖像視覺效果越好。一幅圖像的不同區(qū)域劃分如圖2所示。

圖2 圖像不同區(qū)域劃分

根據(jù)圖1曲線，得到圖像中不同區(qū)域最小可覺差ΔBT與背景亮度B的分段關(guān)系式[9-10]：

式中，Bx1、Bx2、Bx3對(duì)應(yīng)圖1中不同區(qū)域分界處的背景亮度，K1、K2、K3為常數(shù)。圖像的動(dòng)態(tài)范圍BW定義為灰度最大值與灰度最小值的差值，即，在圖1中，各區(qū)域分界點(diǎn)處背景亮度可由下式表示：

其中，0≤α1≤α2≤α3＜1，通常將α1設(shè)置為0，通過實(shí)驗(yàn)發(fā)現(xiàn)，以大約3∶4∶3的劃分比例進(jìn)行德弗里斯區(qū)域、韋伯區(qū)域和飽和區(qū)域的劃分時(shí)，圖像能取得較好的增強(qiáng)效果，故本文中α2、α3的值分別設(shè)置為0.3和0.7，實(shí)驗(yàn)結(jié)果表明，這組參數(shù)對(duì)大部分井下圖像都能取得良好效果。

圖像中任意一點(diǎn)X(x,y)的背景亮度B(x,y)由其本身與周圍8點(diǎn)亮度加權(quán)平均得到：

利用以上信息，可推導(dǎo)出圖像各個(gè)區(qū)域的JND計(jì)算公式，見表1。

表1 圖像不同區(qū)域JND計(jì)算公式

在實(shí)際操作中，通常將低對(duì)比度區(qū)和飽和區(qū)合并為一個(gè)區(qū)域，對(duì)處理結(jié)果不會(huì)產(chǎn)生影響。

3 基于人眼視覺感知特性的對(duì)比度增強(qiáng)

3.1 分區(qū)域亮度校正

當(dāng)人眼“看到”一幅圖像時(shí)，人眼首先會(huì)對(duì)圖像的整體亮度進(jìn)行評(píng)估[11]，然后再依據(jù)局部區(qū)域與其周圍區(qū)域的亮度相對(duì)關(guān)系確定局部區(qū)域亮度水平[12]。井下由于完全采用人工照明，圖像多呈現(xiàn)出光場(chǎng)分布不均勻，整體灰度值偏低的特點(diǎn)，圖像主要信息顯示部分大多落在暗區(qū)域和德弗里斯區(qū)域內(nèi)，但由于存在小面積人工光源，導(dǎo)致井下圖像動(dòng)態(tài)范圍很大，所以采用常用的線性圖像調(diào)整方法難以獲得理想的圖像質(zhì)量提升。為此，提出一種處理方法，對(duì)圖像的整體亮度進(jìn)行非線性調(diào)整，對(duì)過亮區(qū)和過暗區(qū)亮度進(jìn)行調(diào)節(jié)，達(dá)到壓縮圖像動(dòng)態(tài)范圍，增強(qiáng)圖像全局對(duì)比度，以便于后續(xù)運(yùn)算。本文利用的非線性亮度映射模型如下：

其中，I(x,y)表示歸一化后的原始圖像亮度，X(x,y)表示亮度調(diào)節(jié)后的圖像亮度，參數(shù)Δ用于控制曲線的形狀和位置。圖3顯示了Δ從0.001（最彎處）到1變化時(shí)對(duì)應(yīng)的函數(shù)曲線。

圖3 非線性亮度映射模型

由圖3可以看出，這是一種類似于傳統(tǒng)gamma曲線的映射模型，但是在低亮度區(qū)域坡度較低，呈現(xiàn)出比gamma校正更好的曲線特性，理論上更加適合處理存在大面積低照度區(qū)域的井下圖像。曲線定義域與值域相同，通過調(diào)節(jié)Δ參數(shù)可以對(duì)圖像暗區(qū)域進(jìn)行不同程度的非線性調(diào)整，具有很好的靈活性。

本文算法中，對(duì)圖像劃分的幾個(gè)區(qū)域選取不同的參數(shù)Δ進(jìn)行亮度調(diào)整，不僅能夠增強(qiáng)暗區(qū)的細(xì)節(jié)，又能夠避免亮區(qū)域的失真，優(yōu)于傳統(tǒng)的全局校正方法。

3.2 重建增強(qiáng)圖像

雖然本文算法在進(jìn)行圖像增強(qiáng)處理之前對(duì)圖像進(jìn)行了區(qū)域分割，但重建時(shí)只需在空間域上直接進(jìn)行拼接，無需考慮區(qū)域重疊和邊緣噪聲問題。這是因?yàn)椋菏紫仍诳臻g域上，圖像中每個(gè)像素點(diǎn)都只屬于一個(gè)區(qū)域，不同區(qū)域各自分立。其次，在區(qū)域劃分規(guī)則中，處理區(qū)域邊緣部分像素點(diǎn)時(shí)，與其相鄰但屬于臨近區(qū)域的像素點(diǎn)亮度參與背景亮度計(jì)算，區(qū)域邊界部分背景亮度信息包含臨近區(qū)域的像素點(diǎn)亮度信息，所以各個(gè)區(qū)域邊緣在亮度域是關(guān)聯(lián)的，邊界處的亮度變化也是自然平滑的。第三，盡管算法對(duì)不同區(qū)域進(jìn)行不同尺度的增強(qiáng)，理論上增強(qiáng)后圖像直接拼接會(huì)引入高頻噪聲，但實(shí)驗(yàn)發(fā)現(xiàn)，如果合理選擇增強(qiáng)策略，可以很大程度地降低該噪聲，使之不影響圖像觀感。綜合以上幾點(diǎn)，本文算法中可以直接將不同區(qū)域進(jìn)行空間域上的拼接，大大降低了算法復(fù)雜程度。

3.3 本文算法

本文算法以人眼視覺感知特性為依托，按照?qǐng)D像背景亮度對(duì)圖像進(jìn)行區(qū)域劃分，再對(duì)不同區(qū)域進(jìn)行不同尺度的亮度調(diào)整，算法流程圖如圖4所示。

圖4 算法流程圖

本文算法中，對(duì)德弗里斯區(qū)域、韋伯區(qū)域和飽和區(qū)域的劃分比例為3∶4∶3，算法中涉及一組參數(shù)，即各區(qū)域的校正參數(shù)Δi。文獻(xiàn)[13]指出，視覺效果理想的圖像的亮度平均值收斂于圖像動(dòng)態(tài)范圍的灰度中值。因此，對(duì)各區(qū)域亮度調(diào)整參數(shù)Δi在[0.01,0.1]之間以0.01步長(zhǎng)取值。選取Δi時(shí)，既要觀察校正后圖像亮度均值是否接近與圖像動(dòng)態(tài)范圍中值，又要保證圖像不會(huì)出現(xiàn)細(xì)節(jié)過度削弱，根據(jù)上述兩條原則，獲取Δi的最優(yōu)解。在本文實(shí)驗(yàn)過程中，德弗里斯區(qū)域、韋伯區(qū)域和飽和區(qū)域各自對(duì)應(yīng)的調(diào)整參數(shù)Δi分別是0.01、0.02和0.03。本文通過大量實(shí)驗(yàn)確定以上參數(shù)值，實(shí)驗(yàn)結(jié)果表明其對(duì)于大部分圖像能取得良好效果。

4 實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證改進(jìn)后算法，本文選取8幅不同分辨率的井下圖片進(jìn)行實(shí)驗(yàn)，并從主觀視覺效果和客觀評(píng)價(jià)指數(shù)兩個(gè)方面，將本文算法處理結(jié)果與井下圖像處理常用的HE方法[14]和MSR方法[15]處理結(jié)果分析比較。實(shí)驗(yàn)環(huán)境為Matlab2010a，計(jì)算機(jī)CPU為酷睿i3-2350，內(nèi)存2.91 GB，操作系統(tǒng)為Windows XP SP3。實(shí)驗(yàn)結(jié)果如圖5～圖12所示。

圖5 圖像1實(shí)驗(yàn)結(jié)果

圖6 圖像2實(shí)驗(yàn)結(jié)果

圖7 圖像3實(shí)驗(yàn)結(jié)果

圖8 圖像4實(shí)驗(yàn)結(jié)果

圖9 圖像5實(shí)驗(yàn)結(jié)果

圖10 圖像6實(shí)驗(yàn)結(jié)果

圖11 圖像7實(shí)驗(yàn)結(jié)果

圖12 圖像8實(shí)驗(yàn)結(jié)果

4.1 主觀評(píng)價(jià)

從以上8組圖片可以看出，原井下圖片多處光線不足，整體較暗，且存在單一光源，導(dǎo)致圖像整體光線分布不均勻，但亮度動(dòng)態(tài)范圍很寬，不利于后續(xù)目標(biāo)跟蹤和識(shí)別。對(duì)比不同方法處理效果，不難發(fā)現(xiàn)，HE方法能較好地調(diào)整圖像整體亮度，但其處理后的圖像往往出現(xiàn)明顯的過增強(qiáng)現(xiàn)象和細(xì)節(jié)丟失現(xiàn)象，如圖5工人身后支柱部位光暈、圖7、圖10的照明燈光暈以及圖11底部亮斑區(qū)域，經(jīng)HE方法增強(qiáng)后邊界變得更為模糊。MSR方法處理后的圖像效果較HE方法有較大提升，可以較好地增強(qiáng)暗區(qū)細(xì)節(jié)，但在亮區(qū)域仍存在不同程度的“光暈偽影”現(xiàn)象和細(xì)節(jié)丟失現(xiàn)象，如圖5工人身后支柱光暈出現(xiàn)灰化現(xiàn)象，圖6的墻壁、屋頂部分細(xì)節(jié)紋理信息被破壞，圖7～圖10中點(diǎn)光源部分邊緣模糊，難以識(shí)別。

對(duì)比上述實(shí)驗(yàn)結(jié)果，本文算法既能夠?qū)崿F(xiàn)低照度區(qū)域的對(duì)比度增強(qiáng)，又能夠很好地保持圖像細(xì)節(jié)和邊緣信息，有效改善HE方法和MSR方法存在的圖像灰化、亮區(qū)域過增強(qiáng)、邊緣細(xì)節(jié)增強(qiáng)效果差和光暈偽影等問題。經(jīng)本文算法增強(qiáng)后的井下圖像可以取得較好的視覺效果，圖像質(zhì)量明顯優(yōu)于HE方法和MSR方法。

4.2 客觀評(píng)價(jià)

本文采用信息熵（Entropy）、峰值信噪比（PSNR）、均方誤差（MSE）和運(yùn)行時(shí)間作為增強(qiáng)算法的評(píng)價(jià)指標(biāo)。信息熵表示圖像的混亂程度，通常來說，熵值越小，表明圖像所包含信息越少[16]，其表達(dá)式為：

峰值信噪比（PSNR）和均方誤差（MSE）利用處理后圖像與原圖像的偏差程度來衡量圖像質(zhì)量，反映了重構(gòu)圖像與原圖像之間的差距。PSNR值越大，MSE值越小，說明圖像失真越小，質(zhì)量越高，MSE和PSNR表達(dá)式為：

式中f(i,j)為原圖像，g(i,j)為處理后的圖像，m和n分別為圖像的長(zhǎng)寬尺寸。

8組實(shí)驗(yàn)圖像的客觀評(píng)價(jià)指標(biāo)結(jié)果統(tǒng)計(jì)如表2～表5所示。

表2 實(shí)驗(yàn)圖像PSNR結(jié)果統(tǒng)計(jì)

表3 實(shí)驗(yàn)圖像MSE結(jié)果統(tǒng)計(jì)

表4 實(shí)驗(yàn)圖像信息熵結(jié)果統(tǒng)計(jì)

表5 實(shí)驗(yàn)圖像處理速度結(jié)果統(tǒng)計(jì) s

由以上統(tǒng)計(jì)結(jié)果可以看出，三種算法都在一定程度上增強(qiáng)了圖像質(zhì)量，圖像的信息熵、PSNR和MSE指標(biāo)均有不同程度的改善，這說明圖像動(dòng)態(tài)范圍增大，對(duì)比度增強(qiáng)，清晰度增加。從數(shù)據(jù)上看，MSR算法和本文算法均優(yōu)于HE方法，且本文算法的PSNR、MSE指標(biāo)均為最優(yōu)，信息熵指標(biāo)與MSR方法接近。處理速度一項(xiàng)體現(xiàn)了本文算法的高效性。由于HE方法只是對(duì)圖像進(jìn)行線性計(jì)算，所以其速度最快，MSR算法需要先對(duì)圖像進(jìn)行多個(gè)尺度的劃分、卷積和合成，處理速度最慢。本文算法處理速度雖弱于HE方法，但對(duì)MSR方法有約300%～600%的速度提升。

綜上所述，本文算法克服了傳統(tǒng)MSR算法的過增強(qiáng)現(xiàn)象和細(xì)節(jié)丟失現(xiàn)象，對(duì)HE方法和MSR方法的“光暈偽影”現(xiàn)象有一定改善，運(yùn)算速度相較于MSR方法有約300%～600%的提升，結(jié)合主觀感受和客觀指標(biāo)，本文方法實(shí)現(xiàn)了增強(qiáng)圖像暗區(qū)細(xì)節(jié)的同時(shí)調(diào)整圖像對(duì)比度，處理結(jié)果優(yōu)于HE方法和MSR方法。

5 結(jié)語

本文依據(jù)人眼視覺感知特性對(duì)圖像進(jìn)行劃分，之后構(gòu)造增強(qiáng)函數(shù)，對(duì)不同區(qū)域的圖像進(jìn)行不同尺度的對(duì)比度增強(qiáng)，然后將增強(qiáng)后的各區(qū)域重新整合成一幅圖像。實(shí)驗(yàn)證明，本文算法可以很好地保留圖像暗區(qū)域細(xì)節(jié)，同時(shí)避免過增強(qiáng)現(xiàn)象和“光暈偽影”現(xiàn)象，處理效果由于傳統(tǒng)HE方法和MSR方法，適用于煤礦井下圖像的增強(qiáng)處理，同時(shí)適用于其他需要對(duì)低照度圖像進(jìn)行增強(qiáng)的應(yīng)用場(chǎng)合。

參考文獻(xiàn)：

[1]牛聚粉，程五一，王成彪.可視化煤礦安全信息共享平臺(tái)的構(gòu)建[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，29（3）：381-384.

[2]王焱，劉海濤.一種改進(jìn)椒鹽去噪方法在井下圖像中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（17）：177-180.

[3]李文峰，姜敏霞，徐克強(qiáng)，等.井下圖像增強(qiáng)的一種方法[J].現(xiàn)代礦業(yè)，2012（1）：42-44.

[4]劉毅，賈旭芬，田子建.一種基于同臺(tái)濾波原理的井下光照不勻圖像處理方法[J].工況自動(dòng)化，2013，39（1）：9-12.

[5]程德強(qiáng)，鄭珍，姜海龍.一種煤礦井下圖像增強(qiáng)算法[J].工況自動(dòng)化，2015，41（12）：31-34.

[6]朱立新，王平安，夏德深.基于梯度場(chǎng)均衡化的圖像對(duì)比度增強(qiáng)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2007，19（12）：1546-1552.

[7]陳亞妮.基于視覺特性與圖像模型的增強(qiáng)算法與性能分析[D].南京：南京理工大學(xué)，2012.

[8]張新龍，汪榮貴，張璇，等.基于視覺區(qū)域劃分的霧天圖像清晰化方法[J].電子測(cè)量與儀器學(xué)報(bào)，2010，24（8）：754-762.

[9]Kundu M K，Pal S K.Threshholding for edge detection using human psychovisual phenomena[J].Pattern Recognition Letters，1986，4（6）：433-441.

[10]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.

[11]Meylan L，Susstrunk S.High dynamic range image rendering with a Retinex-based adaptive filter[J].IEEE Transactions on Image Processing，2006，15（9）：2820-2830.

[12]王守覺，丁興號(hào)，廖英豪，等.一種新的仿生彩色圖像增強(qiáng)方法[J]電子學(xué)報(bào)，2008，36（10）：1970-1973.

[13]鄭婷.基于人眼視覺感知圖像對(duì)比度增強(qiáng)算法的研究[D].成都：電子科技大學(xué)，2015.

[14]岡薩雷斯.數(shù)字圖像處理[M].3版.阮秋琦，譯.北京：電子工業(yè)出版社，2011.

[15]黃向東，鄭莉潔.一種基于Retinex的礦井非均勻照度圖像增強(qiáng)算法[J].科學(xué)技術(shù)與工程，2014，14（5）：141-144.

[16]盧健，彭嫚，盧昕.遙感圖像相關(guān)性及其熵計(jì)算[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2006（6）：476-480.