陳法法，潘瑞雪，楊蘊鵬，肖文榮，陳保家

(三峽大學(xué)水電機械設(shè)備設(shè)計與維護湖北省重點實驗室，宜昌 443002)

0 引言

水工鋼結(jié)構(gòu)[1]通常處于干濕交替環(huán)境，受各種酸、堿、鹽等腐蝕介質(zhì)影響，其結(jié)構(gòu)表面在涂層破損時往往會發(fā)生化學(xué)和電化學(xué)反應(yīng)，從而出現(xiàn)銹蝕現(xiàn)象。水工金屬結(jié)構(gòu)在出現(xiàn)嚴(yán)重銹蝕后，會直接導(dǎo)致構(gòu)件承載能力、剛度和穩(wěn)定性下降，從而直接影響著金屬結(jié)構(gòu)的使用壽命，威脅水工金屬結(jié)構(gòu)的安全運行。傳統(tǒng)對水工金屬結(jié)構(gòu)的目視檢測其主觀性強、檢測效率低。隨著數(shù)字圖像技術(shù)的發(fā)展，通過視覺技術(shù)得到的金屬銹蝕表觀形貌，更能直觀地記錄銹蝕區(qū)域、蝕孔分布等特征。然而，通過CCD相機進行銹蝕圖像[2]采集時，受限于水工金屬結(jié)構(gòu)的工作環(huán)境，采集到的圖像整體亮度較低、細(xì)節(jié)信息不明顯，銹蝕紋理特征模糊。為了從原始的低照度圖像中準(zhǔn)確獲取銹蝕紋理及銹蝕色彩等特征信息，采用圖像增強技術(shù)，有選擇地對原始圖像的細(xì)節(jié)、亮度等特征進行改善，經(jīng)圖像增強處理后的圖像更符合機器學(xué)習(xí)的要求，擁有更好的圖像特征效果。

對于低照度圖像[3]的特征增強算法有直方圖均衡化[4]、同態(tài)濾波[5]以及Retinex模型[6]等，其中Retinex算法對低照度圖像的亮度改善效果明顯。Retinex原理主要是對物體圖像亮度的入射分量和反射分量進行分離，獲得物體的本質(zhì)特征。目前，單尺度Retinex算法(SSR)[7]、多尺度Retinex算法(MSR)[8-9]等多種圖像增強算法被提出。田會娟等[10]結(jié)合Retinex與伽馬矯正對圖像進行增強，存在細(xì)節(jié)信息丟失的問題。張立亞等[11]利用雙邊濾波的方法改進Retinex算法，能夠有效地保留和改善圖像的邊緣信息。占必超等[12]提出了基于平穩(wěn)小波和Retinex的紅外圖像增強方法，該方法是將小波分解得到的低頻分量進行Retinex增強。

小波變換也是在頻域內(nèi)對圖像進行分析的一種方法，其在圖像處理領(lǐng)域也具有廣泛的應(yīng)用。在圖像處理過程中，對經(jīng)小波分解之后高頻分量與低頻分量進行調(diào)整，可以實現(xiàn)圖像的細(xì)節(jié)優(yōu)化，但其對圖像整體亮度的改善效果不明顯?，斃麃喣竟披悺滬溙岬萚13]提出了針對醫(yī)學(xué)圖像增強的結(jié)合小波變換和同態(tài)濾波的增強算法，該算法對經(jīng)過小波分解后的圖像高頻分量進行處理，然后使低頻分量與經(jīng)處理的高頻分量進行重構(gòu)，對重構(gòu)后的圖像進行同態(tài)濾波增強，此方法對圖像的邊緣信息有較好的處理效果。

本文針對低照度金屬銹蝕圖像存在的亮度不高和細(xì)節(jié)信息不明顯的問題，提出了基于小波變換[14]和Retinex原理[15]的圖像特征增強算法。首先將原始銹蝕圖像的色彩空間轉(zhuǎn)換HSI空間[16]，保持飽和度分量和色調(diào)分量不變，對亮度分量I進行小波分解；然后對分解后的高頻分量和低頻分量進行自適應(yīng)增強，重構(gòu)后的圖像經(jīng)多尺度Retinex原理進行增強改善圖像亮度，達到對銹蝕圖像細(xì)節(jié)信息進行修復(fù)和增強的目的。

1 小波圖像增強原理

1.1 小波變換

對于任意信號f(t)∈L2(R)的一維離散小波變換可以表示為：

(1)

二維離散小波變換可以通過一維離散小波變換求得，可寫成如下形式：

(2)

式中，CJ-1,k為低頻近似系數(shù)；DJ,k為高頻細(xì)節(jié)系數(shù)。其分解過程如圖1所示。

圖1 小波分解過程示意圖

1.2 多尺度細(xì)節(jié)自適應(yīng)圖像特征增強

銹蝕圖像經(jīng)小波分解后獲得近似圖像以及不同尺度下的細(xì)節(jié)圖像。對于不同尺度下的細(xì)節(jié)圖像特征進行增強，采用局部對比度Clocalj及全局對比度Cglobalj確定細(xì)節(jié)圖像的調(diào)節(jié)系數(shù)Kj。用h(x,y)表示銹蝕圖像第j級的近似分量，確定任一像素點(p,q)的m×n范圍內(nèi)的鄰域像素點，該鄰域內(nèi)的局部對比度[2]可表示為：

(3)

(4)

(5)

高頻細(xì)節(jié)分量先經(jīng)過軟閾值去噪，再與調(diào)節(jié)系數(shù)Kj相乘，完成對細(xì)節(jié)分量的調(diào)整；低頻近似分量與亮度調(diào)節(jié)系數(shù)L0相乘，完成對近似分量的調(diào)整；隨后對第j級圖像進行重構(gòu)。以此類推，對各級圖像均進行調(diào)整與重構(gòu)，最終即得到了多尺度自適應(yīng)增強的銹蝕圖像。

2 Retinex理論

設(shè)原始圖像為P(x,y)，在Retinex理論中，原始圖像可以表示為：

P(x,y)=R(x,y)L(x,y)

(6)

式中，R(x,y)為物體反射分量，表示了物體自身的特性；L(x,y)為環(huán)境亮度分量。Retinex理論的核心思想是獲得物體的反射分量R(x,y)。

logR′(x,y)=logP(x,y)-logL′(x,y)

(7)

logR′(x,y)=logP(x,y)-log[P(x,y)*G(x,y)]

(8)

式中，R′(x,y)與L′(x,y)分別為估計的反射分量與亮度分量；G(x,y)為環(huán)境函數(shù)。

為了改善單一尺度選擇對圖像增強效果的限制，采用MSR算法增強圖像：

(9)

式中，Wi為不同尺度下增強圖像的權(quán)重系數(shù)；n為作用于圖像的尺度個數(shù)。

3 銹蝕圖像增強算法

銹蝕圖像增強算法流程如圖2所示。

圖2 銹蝕圖像增強算法流程圖

銹蝕圖像的處理過程主要由以下步驟組成：

(1)原始圖像由RGB空間轉(zhuǎn)換到HSI空間。與RGB空間相比，HSI空間將圖像P(x,y)分為飽和度分量S(x,y)、色調(diào)分量H(x,y)和亮度分量I(x,y)。

(2)對亮度分量I(x,y)進行特征增強。

①亮度分量經(jīng)小波變換分解為低頻近似分量與高頻細(xì)節(jié)分量；

②根據(jù)同級近似圖像的局部對比度確定其全局對比度Cglobalj，之后確定同級細(xì)節(jié)圖像的調(diào)節(jié)系數(shù)Kj，即全局對比度權(quán)重因子；

③對高頻細(xì)節(jié)分量進行軟閾值去噪，之后，將處理后的高頻細(xì)節(jié)分量利用全局對比度權(quán)重因子進行進一步調(diào)整；

④利用亮度因子L0對低頻近似分量進行調(diào)整；

⑤增強后的近似分量與細(xì)節(jié)分量進行重構(gòu)，得到該級自適應(yīng)增強圖像；

⑥依次逐級對圖像進行自適應(yīng)增強與重構(gòu)，實現(xiàn)對原始銹蝕圖像的細(xì)節(jié)增強。

(3)多尺度Retinex。根據(jù)Retinex原理對經(jīng)小波自適應(yīng)增強后圖像進行處理，σ采用大中小三個尺度，分別為15、80、250，以得到反射圖像IR(x,y)。

(4)對反射圖像進行伽馬校正[17]。

(10)

依據(jù)圖像校正效果，γ取值為0.7。

4 實驗結(jié)果與分析

4.1 實驗設(shè)置

實驗采用BS90C型鹽霧試驗箱對24塊尺寸為160 mm×120 mm×5 mm(長×寬×高)的Q235鋼板進行加速銹蝕，采用分辨率為500萬像素的CCD相機采集鋼板表面圖像，圖像采集平臺如圖3所示。由萬向支架固定的CCD相機和5 mm鏡頭完成鋼板銹蝕圖像的采集，UCB連接線與PC端連接實現(xiàn)采集圖像的傳輸與相機的控制。圖像采集過程在實驗室自然光照下進行。在所有采集圖像中選取不同銹蝕階段下低照度的銹蝕圖像來進行分析。

1.鋼板 2.5 mm鏡頭 3.CCD相機 4.萬向支架 5.USB連接線

4.2 實驗結(jié)果與分析

4.2.1 主觀評價

為了驗證本文方法對低照度銹蝕圖像特征增強的有效性和優(yōu)良性，選擇直方圖均衡化、小波自適應(yīng)增強、單尺度Retinex、多尺度Retinex等方法進行對比分析。

各個方法對原始低光照銹蝕圖像的特征增強效果如圖4所示，可以看出，銹蝕圖像經(jīng)過直方圖均衡化方法增強后，光照情況得到了較好改善，但同時也出現(xiàn)了嚴(yán)重的色彩失真，鋼板邊緣處有明顯的藍色偽影，而色彩又是銹蝕圖像的一個重要特征，故增強效果并不能令人滿意；小波自適應(yīng)方法一定程度上能夠調(diào)節(jié)光照分布情況，但由于整體亮度提升較小，銹蝕細(xì)節(jié)和輪廓仍然無法清晰地觀察到；單尺度Retinex和多尺度Retinex增強后的銹蝕圖像均出現(xiàn)了過曝現(xiàn)象，圖像細(xì)節(jié)丟失，色彩失真，該增強圖像不利于銹蝕特征提取與分析。本文方法在光照、色彩、以及細(xì)節(jié)方面均取得了較好的增強效果，增強后的銹蝕圖像整體亮度得到明顯提升，同時又很好地保留了原始圖像的色彩，其表面銹蝕紋理清晰可見，與背景能夠很好地區(qū)分，有利于進一步進行建模和分析。

(a) 原始圖像 (b) 直方圖均衡化 (c) 小波自適應(yīng)

(d) SSR (e) MSR (f) 本文方法

為更好地比較各種算法對銹蝕圖像的作用效果，使用灰度直方圖[18]進行進一步驗證與分析。本文選用低照度銹蝕圖像的各種算法增強圖像進行對比，結(jié)果如圖5所示?？梢钥吹?，原始圖像的灰度值集中分布在兩端，由于圖像整體較暗，因此大部分像素灰度集中在左側(cè)，而背景桌面為亮色且面積較大，故另一部分集中在右側(cè)。直方圖均衡化得到的銹蝕圖像其直方圖相較于原圖明顯變得更加均勻，所以圖像亮度得到改善，但銹蝕色彩信息已經(jīng)丟失。小波自適應(yīng)方法對圖像兩端的像素分布做出了調(diào)整，使得圖像極暗和極亮的像素灰度值向中間灰度方向調(diào)整，但總體分布情況并未發(fā)生較大改變，因此圖像亮度仍然得不到很好的提升。單尺度Retinex和多尺度Retinex方法增強后得到的圖像直方圖主要集中在右側(cè)，因此圖像整體呈現(xiàn)出過曝效果；本文方法得到的圖像直方圖在保持右側(cè)分布的同時，將左側(cè)分布重新調(diào)整至中間灰度值范圍內(nèi)，因此圖像亮度得到改善，并且由于其分布趨勢并未發(fā)生較大改變，所以圖像顏色也能得到較好的保持。

(a) 原始圖像及灰度直方圖

(b) 直方圖均衡化及灰度直方圖

(c) 小波自適應(yīng)及灰度直方圖

(d) SSR及灰度直方圖

(e) MSR及灰度直方圖

(f) 本文方法及灰度直方圖圖5 低照度銹蝕圖像不同算法增強后灰度分布對比

綜合分析可得，本文所提算法對低照度的銹蝕圖像在色彩保持、亮度提升以及銹蝕細(xì)節(jié)信息保留等多個方面都具有比較明顯的增強效果；銹蝕圖像細(xì)節(jié)更加清晰，亮度得到改善，有利于對銹蝕特征進行識別、分析。

4.2.2 客觀評價

為了對不同特征增強算法進行定量評價，本文選用常用的信息熵、均值等指標(biāo)對圖像特征增強效果進行客觀評價。

(1)信息熵。信息熵是度量圖像細(xì)節(jié)信息量的一個指標(biāo)，其值越大，圖像所包含的細(xì)節(jié)信息越多，圖像擁有的信息量越大。

(11)

(2)均值。均值反映了圖像的亮度情況，其值大小與亮度的強弱成正比，其值越大圖像亮度越高。

(12)

由表1中的數(shù)據(jù)可知，與其他特征增強算法相比，本文方法在細(xì)節(jié)信息保留方面效果明顯，經(jīng)本文方法處理后的銹蝕圖像的信息熵與原圖像的信息熵數(shù)值最為接近，且高于其它4種方法增強后的信息熵值；在均值指標(biāo)方面，由于SSR和MSR出現(xiàn)了過曝現(xiàn)象，因此計算得到的均值明顯高于其他方法，但由前面的主觀分析可知，該方法直觀效果沒有達到最優(yōu)。而本文方法相較于其他兩種方法而言，在獲得較高的信息熵的同時，也能得到較高的均值，這些都是增強銹蝕圖像特征的直接體現(xiàn)。因此，總體來說，本文方法增強效果無論從亮度、色彩、細(xì)節(jié)等方面均優(yōu)于同類其他方法，能夠滿足低照度銹蝕圖像的特征增強需求。

表1 客觀評價指標(biāo)值對比表

5 結(jié)論

本文結(jié)合小波變換和Retinex理論，對經(jīng)鹽霧試驗中的不同試驗階段低照度Q235鋼的銹蝕圖像進行特征增強，以改善其亮度和細(xì)節(jié)信息。首先將金屬銹蝕圖像的色彩空間轉(zhuǎn)換到HSI空間，然后對亮度分量進行多尺度自適應(yīng)增強，最后轉(zhuǎn)換到RGB空間得到增強后的圖像，實現(xiàn)對低照度金屬銹蝕圖像的增強。

針對金屬銹蝕圖像存在亮度低和紋理特征不明顯的問題，直方圖均衡化、SSR和MSR對紋理特征等細(xì)節(jié)信息改善不明顯；小波自適應(yīng)算法對亮度增強不明顯。對于低照度銹蝕圖像，采用小波和 Retinex結(jié)合的算法圖像增強效果明顯，能較好地改善圖像的整體亮度，對細(xì)節(jié)信息的保留和增強效果明顯；同時，不會改變圖像的色度和飽和度，對圖像的色彩具有保真效果。