王永勝，宋子彬，校美玲，馬增強

(石家莊鐵道大學(xué) 電氣與電子工程學(xué)院，河北 石家莊 050043)

0 引言

貨車輪對踏面作為車輛與鋼軌直接接觸的部分，承擔(dān)著車輛與鋼軌間的所有作用力，工作環(huán)境復(fù)雜惡劣，使得輪對踏面缺陷成為了軌道主要故障之一［1-3］，因而加強輪對踏面狀態(tài)檢測對保障行車安全具有重要意義［4-5］。圖像檢測技術(shù)具有故障檢測速度快、實時性好和準(zhǔn)確性高的特點，成為了當(dāng)前踏面狀態(tài)檢測技術(shù)發(fā)展和應(yīng)用的重點。由于鐵路現(xiàn)場環(huán)境復(fù)雜，貨車踏面采集設(shè)備在低照度、霧霾等環(huán)境條件下，采集圖像質(zhì)量會發(fā)生退化，而依靠人工光源會產(chǎn)生光線分布不均，局部產(chǎn)生高光區(qū)造成圖像細(xì)節(jié)的缺失，從而對后續(xù)圖像分析與故障診斷產(chǎn)生不利影響。

圖像增強技術(shù)作為圖像檢測技術(shù)的關(guān)鍵環(huán)節(jié)，合理應(yīng)用可以增強輪對踏面檢測系統(tǒng)抗環(huán)境干擾能力，提高后續(xù)故障診斷結(jié)果的準(zhǔn)確性。文獻［6］提出了一種基于自適應(yīng)灰度變換和K鄰域中值濾波相結(jié)合的預(yù)處理方法來去除踏面圖像噪聲，保護圖像邊緣信息，但其并未針對踏面圖像光照環(huán)境特點對圖像弱光部分進行增強處理，使得處理后的踏面圖像輪廓不完整，不利于踏面缺陷精確分析與計算。文獻［7］采用快速中值濾波方法平滑車輪踏面圖像，其對斑點噪聲和椒鹽噪聲有很好的去除效果，同時一定程度上保持圖像邊緣特性，但其在處理過程中使用了大量的數(shù)值比較和排序運算，運算效率較低，難以滿足應(yīng)用需求。文獻［8］基于縱向區(qū)域直方圖與暗區(qū)域骨架檢測算法提取踏面魚鱗傷區(qū)域，其依據(jù)圖像灰度閾值自適應(yīng)對缺陷區(qū)域進行預(yù)處理，但過程中未考慮光照條件下帶有弧度的踏面區(qū)域圖像亮度分布特點，容易產(chǎn)生錯誤分割。針對上述研究存在的問題與輪對踏面檢測環(huán)境低照度的特點，在研究Retinex經(jīng)典算法的基礎(chǔ)上，提出了一種改進的Lab色彩空間的Retinex圖像增強算法。首先，傳統(tǒng)的踏面圖像預(yù)處理方法大多基于RGB色彩空間，其3個色彩分量與亮度沒有進行區(qū)分，分別處理RGB圖像3通道后融合圖像與原圖像相比色彩有了一定失真，尤其在低照度環(huán)境下更為突出，將具有圖像光照度估計與矯正的Retinex算法應(yīng)用于轉(zhuǎn)換后的Lab色彩空間L光照分量上并對a、b通道圖像自適應(yīng)調(diào)整，在恢復(fù)矯正圖像亮度的同時保持了圖像色彩，并將多尺度Retinex算法在空間域高斯函數(shù)與圖像卷積計算變?yōu)榇翱跓o關(guān)快速均值濾波(Fast mean filter，F(xiàn)MF)算法［9］處理，減少了計算量與處理時間。結(jié)合圖像平均梯度、信息熵和模糊熵的客觀評價標(biāo)準(zhǔn)，與SSR算法［10］和MSR算法［11］等進行對比，驗證了本算法優(yōu)越性，為后續(xù)圖像檢測打下了基礎(chǔ)。

1 Retinex理論及相關(guān)算法

1．1 Retinex理論

Retinex是retina(視網(wǎng)膜)和cortex(大腦皮層)的簡寫。Retinex理論是E．land等人提出的一種基于人類視覺的顏色恒常的計算模型［12］，其認(rèn)為人類視覺接收到的圖像I(x，y)的亮度和顏色由環(huán)境照明和物體表面對照射光的反射決定，包括亮度圖像L(x，y)和反射圖像R(x，y)兩部分，在RGB色彩空間3個顏色通道可表示為

式中，i∈(R，G，B)，Li(x，y)表示i通道在圖像(x，y)處入射光分量，其直接決定圖像中像素的動態(tài)范圍;Ri(x，y)表示i通道在圖像(x，y)處反射光分量，代表圖像的內(nèi)在屬性。此模型實現(xiàn)了對圖像灰度來源的區(qū)分，通過函數(shù)估計圖像亮度的入射光分量L(x，y)來計算反射光圖像R(x，y)，從而降低外界光照條件變化對圖像產(chǎn)生的干擾，保持圖像的真實色彩。為了簡化運算，常把式(1)兩邊取對數(shù)后表示為

由于無法直接從已知圖像I得到反射光圖像R(x，y)［13］，所以往往通過估計入射光圖像L后利用式(2)間接獲取。

1．2 Retinex相關(guān)算法

在Retinex理論基礎(chǔ)上，Ciurea et al［10］提出了SSR算法，即使用高斯濾波器對圖像入射光分量進行估計，可表示為

式中，*表示卷積運算，F(xiàn)(x，y，c)表示高斯濾波函數(shù)，c是高斯函數(shù)的參數(shù)。

為了改進SSR算法由于高斯濾波器參數(shù)單一導(dǎo)致的圖像色彩動態(tài)范圍和色感難以同時兼顧的問題，Rahman et al［11］提出了MSR算法，即使用多個不同的高斯函數(shù)參數(shù)c，通過加權(quán)不同尺度SSR算法計算反射亮度輸出結(jié)果得到多尺度Retinex輸出

式中，N是加權(quán)尺度個數(shù)，通常取N為3;ωn表示第n個尺度的權(quán)值，且∑Nn=1ωn=1，RMi(x，y)表示第i通道加權(quán)多尺度得到的圖像像素點(x，y)處反射亮度。

針對MSR算法圖像處理后色彩容易失真的問題，帶色彩恢復(fù)的Retinex算法(MSRCR)將MSR算法得到的反射亮度RMi(x，y)乘以色彩恢復(fù)因子Ci來調(diào)節(jié)RGB圖像的3個顏色通道的比例，具體表示為

式中，b為增益常數(shù);a為非線性變換強度參數(shù)［14］。

分析式(6)可知MSRCR算法是在對數(shù)空間用原圖像減去原圖像與高斯函數(shù)的卷積，因而高斯函數(shù)參數(shù)c越小，入射光分量減去的量越多，同時保持反射分量，使得圖像的細(xì)節(jié)更加突出，環(huán)境的干擾更小。但對于低照度應(yīng)用環(huán)境應(yīng)用雖然可以增強暗區(qū)域的細(xì)節(jié)，但是圖像整體偏亮，色彩對比原圖出現(xiàn)失真，降低了其應(yīng)用效果。同時此算法運算復(fù)雜，單幅圖像處理時間過長，難以適應(yīng)輪對踏面檢測應(yīng)用要求。

2 基于Lab空間的改進MSRCR圖像增強算法

2．1 Lab色彩空間及變換

圖1 Lab色彩空間模型

Lab色彩空間是一種基于生理特征的顏色系統(tǒng)，L分量表示像素的亮度，即從純黑到純白的變化范圍，a表示從紅色到綠色的變化范圍，b表示從黃色到藍色的變化范圍，如圖(1)所示，它的色域?qū)掗煟梢员憩F(xiàn)人眼所能感知的所有色彩，除了包含CMYK、RGB色彩空間的所有顏色外，還能彌補RGB色彩模型的不足:藍色與綠色間的過渡色太多，而綠色與紅色之間的過渡色太少［15］。

由于Lab色彩空間中亮度分量L與色彩分量a、b是相互獨立的，僅對亮度分量L進行處理不會對圖像的色彩產(chǎn)生影響，避免了對RGB圖像3個分量通道分量不區(qū)分色彩和亮度直接處理導(dǎo)致的后期圖像融合產(chǎn)生的色彩失真，同時Retinex算法是在圖像亮度分量中估計和矯正初始圖像的反射分量，降低入射分量對圖像的影響，因而其在L分量上運行更具有明確的物理意義。首先將RGB圖像轉(zhuǎn)換到Lab空間，如式(7)所示，其中r，g，b為圖像像素的3個通道，M、Xn、Yn、Zn為常量。

2．2 Lab顏色空間的改進MSRCR算法

傳統(tǒng)方法應(yīng)用MSRCR算法直接對RGB圖像的3個通道分別進行增強，由于3個通道圖像增強尺度不一致導(dǎo)致其在后期圖像融合會產(chǎn)生顏色失真。通過上文對Lab色彩空間分析可知其亮度分量L與色彩分量a、b相互獨立，單獨對其進行MSRCR增強處理可以在恢復(fù)和調(diào)節(jié)圖像光照條件的同時保持圖像真實色彩，有利于后續(xù)圖像識別與分析的準(zhǔn)確性。

基于Lab色彩空間改進的MSRCR算法流程如圖2所示。

具體步驟主要包含:

(1)RGB→Lab空間轉(zhuǎn)換:RGB色彩空間圖像Ii(x，y)，i∈(R，G，B)代入式(7)轉(zhuǎn)化為Lab色彩空間圖像Ij(x，y)，j∈(L，a，b)。

(2)對Lab空間圖像亮度分量L進行MSR增強，由式(1)、式(4)可得

(3)帶色彩恢復(fù)的Retinex算法(MSRCR)的RMSR，i運算包含圖像Ii(x，y)與高斯函數(shù)Gj(x，y)在空間域的卷積Ii(x，y)*Gj(x，y)。在RMSR，i運算基礎(chǔ)上用FMF算法代替高斯濾波，即使用均值濾波利用濾波窗口與相鄰窗口間的遞歸關(guān)系來簡化計算。具體表示為

圖2 改進的MSRCR算法流程

其中，以圖像左上角為坐標(biāo)原點，像素坐標(biāo)自左向右、從上到下依次遞增。x∈(o，M－1)，y∈(o，N－1);M表示圖像像素點的總行數(shù)，N表示圖像像素點的總列數(shù);S(i，j)表示圖像中像素點p(i，j)的灰度值;Rxy表示均值濾波窗口中心點與圖像點Ii(x，y)重合時，窗口內(nèi)所有像素點的集合;D(x，y)表示濾波后圖像點Ii(x，y)的灰度值;Tp=U×V表示濾波窗口像素點總數(shù)，(u，v)為濾波窗口內(nèi)像素點。

與高斯濾波不同，F(xiàn)MF算法將不需要重復(fù)計算核窗口中心像素I(x，y)按行滑動到I(x，y+1)時的交集部分(對應(yīng)點集分別為Rx，y與Rx，y+1)，只需計算窗口中心點像素第一列時的窗口所有值之和，同行其后均可利用遞歸公式進行計算

式中，PLv(v∈［0，V－1］)為Rx，y最左邊一列像素點灰度之和，PRv(v∈［0，V－1］)為Rx，y+1最右邊一列像素點灰度之和。由遞歸公式(10)可知，濾波處理分辨率M×N的圖像只需要2V+2次加減法和一次除法運算，從而將計算的復(fù)雜度從高斯卷積的O(V*log V)降低為O(2V+2)，被處理圖像的分辨率越高則運算速度提升越明顯。

(4)Lab色彩空間的顏色校正:Lab色彩空間圖像的亮度分量L經(jīng)過改進MSRCR算法處理后得到圖像反射分量RML，根據(jù)新得到的亮度分量RML對原始圖像中的3個通道圖像進行校正。設(shè)RML的均值為μ和標(biāo)準(zhǔn)差為δ，且max=μ+δ，min=μ－δ，則Lab空間的3個通道顏色校正系數(shù)R'ML可表示為

式中，系數(shù)100為Lab色彩空間L分量的取值范圍。

設(shè)SL，Sa，Sb分別為Lab色彩空間3個通道的值，對Lab空間圖像3個通道校正得

最后將校正后的Lab圖像轉(zhuǎn)換至RGB色彩空間得到增強圖像。

3 實驗結(jié)果及分析

實驗軟件環(huán)境:window7-64、MATLAB 2014;硬件環(huán)境:計算機(內(nèi)存8 G，cpu3．4 GHz)、采集卡(SOL2MEVCLF)、CCD工業(yè)相機(JAI-5000C-PMCL，分辨率2 560×2 048)、理光鏡頭(25 mm F/1．4)、相機支架(QZSD-620)、轉(zhuǎn)向架試驗臺。為了檢驗本方法在低照度與霧霾環(huán)境下對輪對踏面圖像的增強效果，將本文算法與MSR算法、MSRCR算法、暗通道算法［16］、自適應(yīng)直方圖均衡算法［17］對輪對踏面圖像進行處理，結(jié)果如圖3～圖6所示。

圖3 低照度環(huán)境1各個算法增強效果(400-500lx)

圖4 低照度環(huán)境2各個算法增強效果(100-200lx)

圖5 霧霾環(huán)境1各個算法增強效果(PM 2．5=300～500μg/m3)

圖6 霧霾環(huán)境2各個算法增強效果(PM 2．5=700～1 000μg/m3)

3．1 主觀圖像質(zhì)量評價

直觀分析圖3～圖6可知，本算法對比其它算法在低照度與霧霾環(huán)境下具有處理圖像清晰度高，細(xì)節(jié)與輪廓更加明顯，易于特征識別的優(yōu)點。MSR算法雖然改善了圖像光照效果，提高了圖像細(xì)節(jié)清晰度，但其色彩明顯失真，不利于圖像特征識別。標(biāo)準(zhǔn)MSRCR算法提高了圖像亮度，但圖像細(xì)節(jié)丟失嚴(yán)重，不能恢復(fù)踏面的基本輪廓。暗通道法由圖5和圖6可知其具有良好的去霧效果，但不能改善圖3與圖4的灰度特征，顯示效果過于昏暗。自適應(yīng)直方圖均衡化算法改善了圖像的亮度與清晰度，但圖像對比度過高，色調(diào)失真，尤其影響對圖5與圖6條件下踏面區(qū)域色斑的判斷。

采用的圖像分辨率均為2 560×2 048，對比各算法在各個環(huán)境條件下的處理時間，結(jié)果如表1所示。

表1 各算法處理時間對比 s

由表1可知在保證圖像增強效果的前提下，本文算法相較MSRCR算法處理時間明顯減少，增強了算法的實用性。

3．2 客觀圖像質(zhì)量評價

平均梯度用來描述圖像特征邊界的灰度變化，反映圖像區(qū)域細(xì)節(jié)變化的速率，用來表現(xiàn)圖像的清晰度，一般情況下平均梯度值越大表明圖像清晰度越高，圖像邊緣特性越好。應(yīng)用平均梯度對上述算法在各個環(huán)境下的處理效果進行分析，結(jié)果如表2所示。

表2 各算法處理結(jié)果的平均梯度對比

由表2可知，MSRCR算法與暗通道算法對于改善圖像清晰度無明顯效果，MSR算法處理結(jié)果平均梯度值最大，但其對比度與色調(diào)明顯失真，出現(xiàn)了類似圖像銳化的效果。自適應(yīng)直方圖均衡化算法處理圖平均梯度值在暗光與中霧條件下增加不大，在弱光與薄霧條件下增加有限。本文算法處理圖平均梯度值是原圖3倍左右且顯示效果趨近于真實色彩。

信息熵用于表征圖像灰度分布的聚集特性，但不能反映圖像灰度分布的空間特性。信息熵越大表明圖像灰度分布越分散，圖像紋理越復(fù)雜。應(yīng)用信息熵對上述算法在各個環(huán)境下的處理效果進行分析，結(jié)果如表3所示。

表3 各算法處理結(jié)果的信息熵對比

本文算法處理結(jié)果的信息熵增加值在3～4之間，可以對比看出處理后原圖的灰度變化增加，圖像紋理更加清晰且色彩接近人的視覺感受。MSRCR算法處理結(jié)果僅在圖4條件下信息熵略有增加，在圖3、圖5和圖6條件下信息熵均變小，圖像灰度變化較少，整體呈現(xiàn)高曝光狀態(tài)，踏面圖像細(xì)節(jié)不可分辨。暗通道算法處理圖5、圖6的信息熵均增加2左右，圖像清晰度獲得一定改善，但在弱光圖3、圖4條件下幾乎沒有變化，未能改變圖像亮度。MSR算法和自適應(yīng)直方圖均衡化算法處理結(jié)果信息熵都得到了很大提升，特別對于MSR算法在弱光情況下圖4增加值高于6，局部灰度變化呈顆粒狀且色彩失真，而自適應(yīng)直方圖均衡化算法處理與本文算法接近，但從4幅圖對比發(fā)現(xiàn)其局部區(qū)域亮度并未增加，部分區(qū)域灰度劇增，色彩整體失真。

模糊熵描述圖像對應(yīng)的二階鄰域系統(tǒng)像素集構(gòu)成的模糊集的模糊性程度。人的視覺感知對圖像信息存在許多模糊不確定性引入模糊集理論描述模糊不確定性大小客觀評價，使主觀感受與客觀評價相一致。圖像邊緣、邊界、區(qū)域與紋理等定義具有模糊性，各算法處理后的圖像的模糊熵相較于原圖增加越大則圖像越模糊，圖像變化越大。應(yīng)用模糊熵對上述算法在各個環(huán)境下的處理效果進行分析，結(jié)果如表4所示。

表4 各算法處理結(jié)果的模糊熵對比

由表4可知本文算法模糊度增加最大，則相較于原圖邊界紋理細(xì)節(jié)變化最大。暗通道算法處理圖像后模糊度反而減小，自適應(yīng)直方圖均衡化算法增大圖像模糊熵在1左右相對較小，MSR算法與MSRCR算法可以增大處理后圖像模糊熵，改變圖像細(xì)節(jié)的復(fù)雜度。

3．3 改進算法的穩(wěn)定性與適用性評價

為了進一步檢驗本算法在低照度與霧霾環(huán)境下對輪對踏面圖像增強效果的穩(wěn)定性和適用性，在光照100～500lx，可見度PM2．5=300～1 000μg/m3條件下隨機選取30張?zhí)っ鏄颖緢D像運用平均值、標(biāo)準(zhǔn)差和A類不確定度(貝塞爾)分析各個圖像評價指標(biāo)值的變化，結(jié)果如表5所示。

表5 改進算法的穩(wěn)定性與適用性分析

通過表5中數(shù)據(jù)可知本算法處理樣本圖像的各個評價指標(biāo)的平均值較為理想，運用標(biāo)準(zhǔn)差、A類不確定度(貝塞爾)分析數(shù)據(jù)分布較為集中，算法的穩(wěn)定性較高，可以適應(yīng)光照100-500lx，可見度PM2．5=300～1 000μg/m3低照度環(huán)境下的圖像增強要求。

4 結(jié)論

基于Lab空間亮度分量與色彩分量相獨立的特點將RGB空間圖像轉(zhuǎn)換為Lab色彩空間圖像，提出了一種基于Lab色彩空間的改進Retinex踏面圖像增強算法。該算法將僅對亮度分量L進行多尺度Retinex變換并根據(jù)L通道反射分量對a、b通道圖像自適應(yīng)調(diào)整，使增強后的圖像顏色得到保持，同時在亮度分量Retinex變換過程中將空間域高斯函數(shù)與圖像的卷積運算轉(zhuǎn)換為頻域方法處理來減少算法的運算量。實驗結(jié)果表明，本文改進的算法較好地解決了貨車輪對踏面圖像在低照度和霧霾環(huán)境產(chǎn)生的圖像清晰度差、色彩失真問題，提高了處理圖像色彩的保真度，增強了圖像處理速度，為后續(xù)踏面圖像檢測分析打下了基礎(chǔ)。