杜馨瑜 程雨 顧子晨 王登陽

中國鐵道科學研究院集團有限公司基礎(chǔ)設(shè)施檢測研究所，北京 100081

綜合巡檢車在高速鐵路夜間維護作業(yè)，對扣件和塞釘進行巡檢時，由于受外界環(huán)境影響，有時采集到的原始軌道巡檢圖像成像質(zhì)量較差，影響地面中心智能分析的準確性。對于此類問題，可以通過相應的圖像增強算法解決，如用于通用圖像增強的直方圖均衡（Histogram Equalization，HE）法［1］、用于電務軌旁設(shè)備巡檢圖像增強的改進Retinex算法［2］等。但軌道巡檢圖像在成像條件上不同于這兩類圖像，因此提出一種模仿視網(wǎng)膜神經(jīng)節(jié)細胞（Retinal Ganglion Cell，RGC）的非經(jīng)典感受野（non?Classical Receptive Field，nCRF）模型，模擬視覺機制對軌道巡檢圖像進行增強，進而提升智能分析的準確性。

對外部世界進行觀察時，視覺刺激首先到達視網(wǎng)膜，再將這些光信號轉(zhuǎn)換為生物信號，然后通過視交叉?zhèn)鬏數(shù)酵鈧?cè)膝狀核。最后，這些神經(jīng)信號到達視覺皮層，使我們產(chǎn)生視覺感知。作為感覺單元，RGC的感受野（Receptive Field，RF）是具有中心區(qū)和外周區(qū)的區(qū)域。具有該結(jié)構(gòu)的RF是經(jīng)典的感受野（Classic Receptive Field，CRF），其機制原理［3］如圖1所示。當光照射RF中心區(qū)時，RF的放電頻率會增加；當光照射RF外周區(qū)時，RF的放電頻率會降低。

圖1 CRF的機制原理

李朝義等［4］發(fā)現(xiàn)CRF的外周部分是由許多抑制性亞基組成的，這些抑制性亞基對中心區(qū)進行抑制，同時亞基之間相互抑制，將其命名為nCRF（圖2），并證明了當這種相互抑制作用發(fā)生在抑制性亞基之間時會引起外周區(qū)域的去抑制：隨著外周亞基相互抑制作用的增加，nCRF外周整體對中央?yún)^(qū)的抑制作用將被減弱，nCRF放電頻率增加。

圖2 nCRF模型結(jié)構(gòu)

由于這些抑制性亞基相互作用，nCRF外周減弱了對中心區(qū)的抑制作用，即去抑制作用導致低頻視覺信號沒有被阻斷，進而傳輸至RGC進行處理［5］。相比之下，CRF不會產(chǎn)生去抑制效果，因此描述CRF的DoG模型［6］一般用于提取圖像邊緣。

本文提出兩種基于nCRF的模型，通過軌道巡檢圖像增強試驗，并與其他算法對比，從邊緣增強、細節(jié)增強和灰度保持三個評價指標驗證模型的有效性。

1 nCRF模型的數(shù)學描述

為便于數(shù)字圖像處理的工程實現(xiàn)，將nCRF模型的圓形區(qū)域（參見圖2）轉(zhuǎn)換為正方形。為簡化計算，采用3×3模板。RGC的nCRF和抑制性亞基相互作用如圖3所示。模板建立在xOy坐標系中，（x0，y0）是中心點，（x+m，y+n）和（x，y）是子單元的點。從亞基（x+m，y+n）到亞基（x，y）、從亞基（x，y）到中心（x0，y0）的抑制作用分別用虛線、實線箭頭標記。

圖3 RGC的nCRF和抑制性亞基相互作用示意

坐標原點（0，0）是模板的中心。（x0，y0）處的中心區(qū)響應Tc表達式為

式中：C為中心點的集合；I(x0，y0)為點（x0，y0）處的光通量強度；A1為中心靈敏度；σ1為nCRF中心區(qū)的高斯核（nCRF中心區(qū)的半徑是3σ1）。

研究時，nCRF中心區(qū)縮小到一個點，即3×3模板中的點（x0=0，y0=0）。由于圖像中像素的灰度值可看作來自外界的刺激，因此I(x0，y0)可視為指向像素點的灰度值。當RF模板逐個像素地在圖像上滑動時，可以由模板在原始圖像中進行處理。對此處設(shè)計的具有抑制性亞基的nCRF，周圍點之間具有抑制作用。

例如，亞基（x，y）與其他亞基之間的抑制作用II(x，y)（參見圖3中的虛線箭頭）表達式為

式中：N（x，y）為3×3模板中環(huán)繞點的集合，不包括點（x，y）；A3為亞基之間的抑制敏感性指標；σ3為抑制區(qū)域的高斯核（抑制區(qū)域的半徑是3σ3）。

從亞基（x，y）到中心的總抑制作用III(x，y)（參見圖3中的實線箭頭）表達式為

式中：A2為亞基與中心之間的抑制敏感性指標；σ2為總抑制區(qū)的高斯核（總抑制區(qū)的半徑是3σ2）；采用max函數(shù)以保持抑制作用為非負作用。

因此，8個周圍點對中心點的總抑制作用TN為

nCRF的最終響應T的表達式為

RGC的RF根據(jù)局部圖像的對比度和空間尺度呈現(xiàn)出一種局部適應性［7-8］。相應地，在nCRF模型中，尺度特性由高斯核σ1、σ2、σ3表示。特別地，假設(shè)σ2可以隨亞基和中心之間照明強度的變化而自適應地改變。將潛在功能D（x，y）定義為

式中：p為范數(shù)。

設(shè)p=1，即本文中的1范數(shù)值。設(shè)計D（x，y）的變化率k（x，y），其表達式為

因此，每個抑制性亞基（x，y）的核σ2隨著勢函數(shù)的變化而變化。用σ′2代替σ2，轉(zhuǎn)換公式為

從nCRF的變尺度模型（Mutative Scale Model of non?Classic Receptive Field，mnCRF）發(fā)現(xiàn)亞基和中心區(qū)之間的灰度值差異導致高斯核σ2的增加，即從亞基到中心的抑制作用也將增加。因此，在這種變尺度模型中，不僅考慮了亞基之間的相互作用，還考慮了一個亞基與中心之間的自適應相互作用。

由于增強的質(zhì)量具有主觀性［9］，圖像增強目前沒有公認的標準性能度量指標。本文采用三種量化方法來評估不同圖像增強算法的性能。

1）參考文獻［10］中的指標，通過邊緣對比度（Edge Contrast，EC）指數(shù)來度量邊緣增強效果。EC指數(shù)QEC的表達式為

式中：Gr和Gc為行和列Sobel梯度（3×3）；η為邊緣像素的數(shù)量；（i，j）為圖像上的像素。

顯然，QEC越大，增強后邊緣保持得越好。

2）利用細節(jié)增強（Detail Enhancement，DE）指數(shù)來度量細節(jié)保持效果［11］。DE指數(shù)QDE的表達式為

式中：k1、k2分別為從縱向和橫向劃分圖像的塊數(shù)；Imax；k，l和Imin；k，l分別為圖像像素塊（k，l）的最大灰度值和最小灰度值。

把圖像分為64塊，即k1=k2=8。顯然，QDE越大，說明圖像增強后細節(jié)保持得越好。

3）亮度一致性對保持視覺舒適度很重要，尤其在巡檢圖像那樣的序列圖像中［12］。因此，設(shè)計了一個灰度保持（Maintain Gray，MG）指數(shù)來度量原始圖像和已處理圖像之間的亮度差異。MG指數(shù)QMG的表達式為

式中：Ip和Io分別為處理后圖像與原始圖像。

顯然，QMG越趨于0，表示處理前后圖像的整體灰度保持得越好。

在nCRF和mnCRF模型中，參數(shù)σ1、σ2、σ3由作為統(tǒng)計標準的3σ準則確定。由于使用了3×3模板，且在此模板中將中心和子單元定義為一個點，所以σ1=0.5/3≈0.1，σ2= 2/3≈0.5，σ3=2 2/3≈1.0。另外三個待確定的參數(shù)為A1、A2、A3。可以先將A3固定為1.0，將A1從1.0遍歷到10，將A2從1.0遍歷到20，以選擇最優(yōu)的A1和A2。

2 試驗結(jié)果及分析

2.1 圖像處理標準測試庫結(jié)果

圖4從左到右依次為圖像處理標準測試庫的部分源圖像（選自CVG圖像測試庫，http：//decsai.ugr.es/cvg/dbimagenes/）、HE算法［1］處理結(jié)果、Retinex算法［2］處理結(jié)果、本文提出的nCRF模型和mnCRF模型處理結(jié)果（上下排各為一組示例）。標準測試庫中194張圖像不同模型增強處理結(jié)果的三種量化指標見表1。

圖4 標準測試庫圖像增強處理結(jié)果

從圖4和表1可以看出：①對于QEC指標，mnCRF模型的性能優(yōu)于其他方法，在增強處理中更完美地保留了邊緣；Retinex算法有時會產(chǎn)生“暈輪”現(xiàn)象［13］；HE算法會產(chǎn)生一些較高的亮或暗區(qū)域，這是由于該算法是對圖像的全局進行處理。②對于QDE指標，mnCRF模型的性能也優(yōu)于其他方法；Retinex算法的性能比nCRF模型差，這是因為Retinex算法使用高斯平滑處理；自適應是mnCRF的關(guān)鍵功能，因此mnCRF模型可以比nCRF模型更好地增強圖像局部細節(jié)。③對于QMG指標，nCRF模型的性能最好，而HE算法和Retinex算法的性能遠不如nCRF和mnCRF模型。表明這兩個模型可以在序列圖像處理中產(chǎn)生較好的視覺一致性。

表1 標準測試庫中圖像增強處理結(jié)果的三種量化指標

顯然，參數(shù)A1和A2影響nCRF和mnCRF模型的性能。對多個圖像進行測試試驗，發(fā)現(xiàn)A1/A2=3可以產(chǎn)生最佳結(jié)果。因此，在nCRF模型中將A1和A2分別設(shè)置為4和12，在mnCRF模型中分別設(shè)置為5和15。

2.2 軌道巡檢圖像測試結(jié)果

使用綜合巡檢車測試時，采用線陣相機連續(xù)采集軌道巡檢圖像。采集系統(tǒng)的構(gòu)造及其在綜合巡檢車上的安裝實例見圖5。

圖5 采集系統(tǒng)的構(gòu)造及安裝實例

高鐵軌道板扣件（Slab Track Fastening，STF）是用于緊固軌道和軌道板的重要組件。在鐵路基礎(chǔ)設(shè)施巡檢工作中，安裝在綜合巡檢車上的相機有時無法直接清晰地拍攝到故障STF，因此需要進行圖像增強以明確顯示這些故障。通過上述方法處理了789個故障STF。圖6從左到右依次為故障STF原始圖像及HE算法、Retinex算法、nCRF模型、mnCRF模型的處理結(jié)果（上下排各為一組示例）。

圖6 故障STF原始圖像及圖像增強處理結(jié)果

高速鐵路軌道塞釘（Track Plug，TP）是傳輸軌道電流的重要組件。在鐵路基礎(chǔ)設(shè)施巡檢工作中，由于TP尺寸小，安裝在綜合巡檢車上的相機有時無法直接清晰地顯示TP的細節(jié)，需要進行圖像增強。通過上述方法處理了5 200個TP。圖7從左到右依次為不同形態(tài)TP的原始圖像及HE算法、Retinex算法、nCRF模型、mnCRF模型的處理結(jié)果（上下排各為一組示例）。

圖7 TP原始圖像及圖像增強處理結(jié)果

789個故障STF和5 200個TP的圖像增強統(tǒng)計結(jié)果的三種量化指標見表2。從圖6、圖7、表2可以看出，nCRF和mnCRF模型的性能更好。

表2 軌道巡檢圖像增強結(jié)果的三種量化指標

3 結(jié)語

針對高速鐵路綜合巡檢車軌道巡檢原始采集圖像有時不能清晰呈現(xiàn)小部件的情況，基于視覺系統(tǒng)神經(jīng)電生理試驗提出了RGC的nCRF模型，然后將該模型改進為mnCRF模型。根據(jù)QEC、QDE、QMG三個圖像增強測量指標，利用nCRF、mnCRF模型對圖像處理標準測試庫的圖像進行加強處理，并與HE算法和Retinex算法的處理結(jié)果進行對比，結(jié)果表明本文提出的兩個模型優(yōu)于對比算法的結(jié)果。通過對綜合巡檢車采集到的高速鐵路軌道巡檢圖像進行處理，同樣得到本文的兩個模型優(yōu)于對比算法的結(jié)論。本文的兩個模型可以使軌道巡檢圖像上的小部件如STF、TP等得到圖像增強，同時具有邊緣增強、細節(jié)增強和灰度保持的圖像處理功能，更有利于后續(xù)的智能分析處理。