唐守鋒， 史可， 仝光明， 史經(jīng)燦， 李華爍

(中國礦業(yè)大學 信息與控制工程學院， 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)得到廣泛應用，在井下生產(chǎn)狀況監(jiān)控、人員定位、災害應急救援等方面發(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，導致礦山視頻監(jiān)控系統(tǒng)采集的圖像存在照度低的問題。利用計算機圖像處理方法對礦井低照度圖像進行增強[3]，對于提高圖像質(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理論相關算法[6]及小波變換算法[7]。直方圖均衡化算法操作簡單、時間復雜度低，但無法統(tǒng)籌部分細節(jié)信息，效果圖像容易放大噪聲且產(chǎn)生過度增強現(xiàn)象。同態(tài)濾波算法通過增強對比度與壓縮動態(tài)范圍方式提升圖像質(zhì)量，但時間復雜度高、參數(shù)設置復雜?；赗etinex理論相關算法包括單尺度Retinex(Single Scale Retinex，SSR)算法[8]、多尺度Retinex(Multi-Scale Retinex，MSR)算法[9]、具有色彩恢復的多尺度Retinex(Multi-Scale Retinex with Color Restoration，MSRCR)算法[10]：SSR算法復雜度低，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，但會放大噪聲并出現(xiàn)光暈偽影現(xiàn)象；MSRCR算法可避免局部細節(jié)色彩失真和噪聲放大，但運行速度較慢。小波變換算法在圖像去噪方面性能優(yōu)越，但在邊緣保持和細節(jié)處理方面無法保持平衡。針對上述問題，本文在小波變換的基礎上，提出了一種基于多尺度引導濾波的MSR算法對礦井低照度圖像進行增強，可解決MSR算法的噪聲放大問題，有效保留圖像邊緣細節(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比度增強。

1 礦井低照度圖像增強算法

礦井低照度圖像增強算法流程如圖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)對高頻分量進行去噪處理。

(3) 對于低頻分量，進行非線性全局亮度校正以獲得全局亮度增強圖像，同時采用多尺度引導濾波函數(shù)估計照射分量，從而計算反射分量，之后利用主成分分析法對亮度增強圖像與反射分量進行融合。

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

圖1 礦井低照度圖像增強算法流程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，同時避免出現(xiàn)振蕩現(xiàn)象，本文結合以上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

1.2.1 非線性全局亮度校正

為增強原始圖像的亮度，同時壓縮圖像動態(tài)范圍，對圖像進行非線性全局亮度校正[13]，獲得全局亮度增強圖像。

原始圖像IC(x,y)((x,y)為像素點坐標)中至少存在1個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個分量中每個像素點的最大亮度構成最大值圖像I(x,y)。

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

(2)

對I(x,y)進行非線性全局亮度校正：

(3)

式中：S(x,y)為全局亮度增強圖像；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濾波函數(shù)代替?zhèn)鹘y(tǒng)的高斯濾波函數(shù)來估計照射分量，從而有效避免光暈偽影現(xiàn)象，增強圖像邊緣細節(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)作為邊緣引導圖像，采用不同尺度的引導濾波函數(shù)對IC(x,y)進行濾波處理，保持圖像平滑與邊緣細節(jié)信息的平衡狀態(tài)。

(5)

依據(jù)傳統(tǒng)MSR算法原理，結合引導濾波特點，計算反射分量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)圖像融合中邊緣細節(jié)信息缺失的問題，本文對全局亮度增強圖像S(x,y)與反射分量R(x,y)進行主成分分析，計算權重并疊加，最終得到融合圖像。

用矩陣表示待融合子圖像，先計算矩陣的協(xié)方差矩陣，再計算協(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應的特征向量計算加權系數(shù)：

(8)

根據(jù)加權系數(shù)計算融合圖像：

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小波重構后圖像的不同區(qū)域進行不同程度的處理。

(10)

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

α較小時圖像非線性變換程度較平緩，暗區(qū)域增強效果明顯，而亮區(qū)域?qū)Ρ榷仍鰪娦Ч^差；α較大時像素值較小區(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)增強圖像。通過大量實驗證明，α取值范圍為[5，15]時圖像增強效果較好。

2 實驗結果分析

利用Matlab軟件進行實驗，計算機配置為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行增強處理，通過主觀評價和客觀評價對SSR算法、MSR算法、MSRCR算法及本文算法對圖像增強效果進行對比。

2.1 主觀評價

不同算法下礦井圖像增強效果對比如圖2、圖3所示。

圖2 不同算法下礦井圖像1增強效果對比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增強效果對比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，并且因為尺度參數(shù)選擇的局限性，SSR算法很難在動態(tài)范圍壓縮與顏色細節(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一步加強。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比度有明顯提升，去噪性能突出，圖像邊緣細節(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 客觀評價

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

以圖2和圖3中圖像為例，客觀評價結果見表1—表3?？煽闯霰疚乃惴ㄔ谶\行時間方面稍差，但經(jīng)本文算法處理后的圖像信息熵、峰值信噪比、對比度和結構相似性最高。

表1 礦井圖像1客觀評價結果Table 1 Objective evaluation results of mine image 1

表2 礦井圖像2客觀評價結果Table 2 Objective evaluation results of mine image 2

表3 不同算法運行時間對比Table 3 Comparison of running time of different algorithms s

3 結語

提出了一種礦井低照度圖像增強算法。首先，通過對礦井低照度圖像進行小波分解得到高頻分量和低頻分量。然后，對高頻分量使用三段式閾值函數(shù)進行小波去噪；對低頻分量采用非線性全局亮度校正以增強圖像亮度，同時采用多尺度引導濾波函數(shù)代替MSR算法的高斯濾波函數(shù)來估計照射分量，進而求取反射分量，并運用主成分分析法對反射分量與非線性全局亮度校正的圖像進行融合，有效提升了圖像邊緣細節(jié)保持效果。最后，對圖像高頻分量和低頻分量進行小波重構，并采用非線性變換對小波重構后的圖像進行對比度調(diào)整。實驗結果表明，該算法能有效去除圖像噪聲，提高了圖像亮度和對比度，使圖像邊緣保持性能和細節(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。