張旭輝，楊紅強(qiáng)，白琳娜，石 碩，杜昱陽(yáng)，張 超，萬(wàn)繼成，楊文娟，毛清華，董 征

(1.西安科技大學(xué) 機(jī)械工程學(xué)院，陜西 西安 710054；2.陜西省礦山機(jī)電裝備智能監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054)

煤炭作為我國(guó)的主體能源，是保障國(guó)家經(jīng)濟(jì)發(fā)展的重要基礎(chǔ)性能源[1]。煤礦智能化是煤炭工業(yè)高質(zhì)量發(fā)展的核心技術(shù)支撐，是煤礦發(fā)展的必由之路，煤礦智能化進(jìn)入加快發(fā)展階段[2]。掘進(jìn)工作面作為煤礦開(kāi)采最前沿、勞動(dòng)強(qiáng)度最大、危險(xiǎn)程度最高的場(chǎng)所，其智能化建設(shè)是煤礦智能化的重要環(huán)節(jié)，是實(shí)現(xiàn)礦井智能化、少人化高效開(kāi)采的關(guān)鍵。而視頻技術(shù)的應(yīng)用是煤礦安全高效生產(chǎn)、智能化建設(shè)的重要組成部分，其為掘進(jìn)工作面的目標(biāo)識(shí)別、目標(biāo)監(jiān)測(cè)、目標(biāo)跟蹤、圖像分割等提供了重要的信息支撐。但是，掘進(jìn)工作面粉塵濃度大、光照不足、雜光干擾等環(huán)境因素，直接導(dǎo)致視頻圖像存在亮度不均、細(xì)節(jié)紋理模糊不清、噪聲較多等問(wèn)題[3]，嚴(yán)重影響后續(xù)視頻的分析與決策。因此，研究適合煤礦掘進(jìn)工作面低照度視頻增強(qiáng)算法具有十分重要的實(shí)際意義。

針對(duì)煤礦井下視頻圖像增強(qiáng)技術(shù)，許多學(xué)者開(kāi)展了廣泛而深入的研究與實(shí)踐。袁明道等[4]采用限制對(duì)比度自適應(yīng)直方圖均化和同態(tài)濾波處理光照不均勻和對(duì)比度低的問(wèn)題，并通過(guò)非線性映射函數(shù)對(duì)管道探測(cè)圖像細(xì)節(jié)進(jìn)行增強(qiáng)，但是對(duì)噪聲的抑制效果不太明顯。智寧等[5]提出通過(guò)調(diào)整圖像的照度分量來(lái)實(shí)現(xiàn)圖像的增強(qiáng)的思路，并針對(duì)照度不均勻的特性，提出一種新的 “S”形曲線函數(shù)并對(duì)其進(jìn)行調(diào)整，但是沒(méi)有消除粉塵對(duì)于圖像的影響。Guo Xiaojie 等[6]提出了一種LIME(Local Interpretable Model-Agnostic Explanations,LIME)算法，通過(guò)對(duì)初始照度分量進(jìn)行細(xì)化，得到更為平滑的照度估計(jì)，利用伽馬變換將調(diào)整后的照度圖與反射圖相乘得到增強(qiáng)結(jié)果，該算法可以有效提升低照度視頻圖像的亮度，但在亮區(qū)容易過(guò)曝光。董靜薇等[7]針對(duì)視頻中的圖像增強(qiáng)問(wèn)題，從時(shí)頻分析的角度出發(fā)，增強(qiáng)了圖像的對(duì)比度，使圖像更具有可視性，但是局部增強(qiáng)效果不明顯。龔云等[8]針對(duì)煤礦井下圖像灰度偏暗和對(duì)比度低的問(wèn)題，提出一種在HSV 空間下結(jié)合加權(quán)分布自適應(yīng)伽馬校正的同態(tài)濾波方法，能夠在增強(qiáng)圖像的亮度和對(duì)比度的同時(shí)，還能保留圖像的細(xì)節(jié)信息，但存在一定的顏色失真現(xiàn)象。LI Zhi 等[9]通過(guò)小波融合將2 個(gè)提升過(guò)10 倍的V 分量進(jìn)行融合，可以很好地增強(qiáng)照度極低的視頻圖像，但對(duì)于每幅圖像都提升10 倍顯然不夠合理。郭伶俐等[10]將視頻分幀，對(duì)于每一幀圖像提取V 分量，并根據(jù)低照度大氣散射模型求解得到初步增強(qiáng)的V 分量，同時(shí)為了豐富圖像細(xì)節(jié)，提出細(xì)節(jié)優(yōu)化方法，得到增強(qiáng)圖像，合成每一幀增強(qiáng)圖像得到增強(qiáng)視頻。蔡利梅等[11]提出了一種基于改進(jìn)HSV (Hue,Saturation,Value)的空間顏色可恢復(fù)多尺度圖像增強(qiáng)算法，其對(duì)背景噪聲有效抑制，但增強(qiáng)后的圖像層次不夠清晰。He Kaiming 等[12]通過(guò)觀察和統(tǒng)計(jì)大量測(cè)試圖像估計(jì)出含霧圖像的粗略透射率圖與大氣光亮度等，再利用軟摳圖技術(shù)對(duì)粗略透射率圖進(jìn)行進(jìn)一步優(yōu)化，最后利用大氣散射模型復(fù)原得到無(wú)霧、清晰的圖像，但是處理過(guò)程復(fù)雜度較高。蔡秀梅等[13]基于模糊邏輯與模糊集理論將同態(tài)濾波中的傅里葉變換與反變換改進(jìn)為模糊與去模糊隸屬度函數(shù)變換，然后在圖像的HSV 空間中，僅在模糊特征平面上對(duì)亮度分量進(jìn)行改進(jìn)的同態(tài)濾波處理，在一定程度上增強(qiáng)了圖片的對(duì)比度。程德強(qiáng)等[14]提出了一種基于引導(dǎo)濾波的單尺度Retinex 算法，該算法在對(duì)比度提升、細(xì)節(jié)增強(qiáng)和去噪方面有較好的效果，但無(wú)法同時(shí)滿足圖像的動(dòng)態(tài)范圍壓縮和顏色高保真。

鑒此，筆者針對(duì)煤礦掘進(jìn)工作面低照度視頻提出一種基于可分離高斯濾波、完美反射法白平衡、混合亮度圖像增強(qiáng)和改進(jìn)暗通道的視頻增強(qiáng)算法，以期快速、有效提升掘進(jìn)工作面低照度視頻圖像對(duì)比度，抑制噪聲、雜光干擾，使增強(qiáng)后的視頻具有更加豐富的細(xì)節(jié)信息。

1 總體方案

煤礦掘進(jìn)工作面低照度視頻增強(qiáng)技術(shù)總體方案如圖1 所示。

圖1 總體方案Fig.1 Overall scheme

首先對(duì)原始視頻進(jìn)行預(yù)處理操作，其主要步驟包括：使用可分離高斯濾波將視頻圖像進(jìn)行水平卷積與垂直卷積消除噪聲影響，基于完美反射法實(shí)現(xiàn)自動(dòng)白平衡，解決顏色失真問(wèn)題，再利用混合亮度增強(qiáng)方法提高圖像細(xì)節(jié)信息。然后通過(guò)改進(jìn)暗通道先驗(yàn)去霧算法與大氣散射模型實(shí)現(xiàn)視頻的快速去霧，其主要步驟包括：使用遞歸算法將視頻區(qū)域分割為高光區(qū)、中間調(diào)、暗調(diào)區(qū)，再利用3 個(gè)分區(qū)通道像素最大值的均值進(jìn)行大氣光照估算，并引入調(diào)節(jié)因子對(duì)透射率的估算進(jìn)行調(diào)整優(yōu)化。最后，通過(guò)大氣散射模型實(shí)現(xiàn)視頻圖像去霧，并對(duì)去霧后的圖像進(jìn)行空間銳化濾波，提高圖像清晰度，實(shí)現(xiàn)掘進(jìn)機(jī)工作面低照度視頻增強(qiáng)、去霧。

2 低照度視頻預(yù)處理

煤礦井下掘進(jìn)工作面受光照、粉塵、雜光等環(huán)境因素干擾，導(dǎo)致視頻存在光照不均勻、細(xì)節(jié)模糊不清、噪聲異常復(fù)雜等問(wèn)題[3]。為了獲取視頻更多細(xì)節(jié)信息，消除光照因素對(duì)于視頻質(zhì)量的影響，首先對(duì)拍攝到的原始視頻進(jìn)行預(yù)處理操作。

2.1 可分離高斯濾波

圖像濾波是數(shù)字圖像處理和計(jì)算機(jī)視覺(jué)中廣泛使用的基礎(chǔ)圖像處理方法，由于煤礦井下環(huán)境較為復(fù)雜，所以采集到的視頻一般含有大量噪聲，圖像對(duì)比度不高，導(dǎo)致場(chǎng)景目標(biāo)模糊。因此，為了準(zhǔn)確識(shí)別圖像中的細(xì)節(jié)，對(duì)圖像進(jìn)行高斯濾波處理。

高斯濾波屬于線性平滑濾波范疇，適合消除圖像中含有的高斯噪聲，其被廣泛應(yīng)用于圖像處理過(guò)程中的降噪環(huán)節(jié)，高斯濾波有2 種實(shí)現(xiàn)方式：離散化滑窗卷積和傅里葉變換[15]。其中離散化滑窗卷積目前最常見(jiàn)，而在高斯卷積應(yīng)用中，可能會(huì)用到較大的卷積核，嚴(yán)重影響計(jì)算速度。

因此，為了降低卷積復(fù)雜度和計(jì)算量，利用卷積的可分離性實(shí)現(xiàn)可分離高斯濾波，即將圖像先與一維水平卷積核相卷積，再與一維垂直方向的卷積核相卷積。對(duì)于原始視頻圖像f(x,y)，則可分離高斯濾波表示為：

原始視頻圖像f(x,y)使用可分離高斯濾波前后對(duì)比效果如圖2 所示。

圖2 可分離高斯濾波前后效果對(duì)比Fig.2 Effect comparison before and after separable Gaussian filtering

由圖2 可知，由于低照度問(wèn)題，無(wú)法對(duì)視頻圖像的濾波效果進(jìn)行主觀評(píng)價(jià)。因此，引入信噪比(Signal-to-Noise Ratio,SNR)作為圖像濾波后衡量降噪程度的客觀評(píng)價(jià)指標(biāo)，其值越大，說(shuō)明視頻圖像中包含的噪聲越小，降噪效果越好；反之，降噪效果越差。通過(guò)對(duì)圖2中圖像SNR 的計(jì)算，得到圖2a 的SNR 為0.85，圖2b的SNR 為1.107。因此，原始視頻圖像f(x,y)經(jīng)可分離高斯濾波后噪聲明顯降低。

2.2 基于完美反射法的自動(dòng)白平衡

人眼在觀察物體的時(shí)候，可以根據(jù)不同光源的性質(zhì)調(diào)整被觀察到的物體顏色，而相機(jī)在不同色溫光源下拍攝到的圖像會(huì)產(chǎn)生偏色。為了解決這種顏色失真問(wèn)題，通常使用白平衡技術(shù)使受環(huán)境光影響的圖像和物體真實(shí)的顏色保持一致。

完美反射法作為自動(dòng)白平衡技術(shù)中的重要方法，其以圖像中最亮點(diǎn)作為白色點(diǎn)，并假設(shè)該點(diǎn)可以完美反射B、G、R三種顏色，并以此點(diǎn)為參考對(duì)圖像進(jìn)行自動(dòng)白平衡[16]。其算法具體計(jì)算過(guò)程如下：

根據(jù)可分離高斯濾波圖像f(x,y)的像素尺寸，取其10%比例計(jì)算白色參考點(diǎn)T的取值：

式中：T為白色參考點(diǎn)；rows和cols分別為當(dāng)前視頻幀圖像的行和列數(shù)量。

以圖像左上角為起始點(diǎn)，右下角為終止點(diǎn)，按先行后列遍歷求取每個(gè)像素B、G、R最大值之和：

式中：CBGR為存放每個(gè)像素B、G、R通道值和的容器；PB(r,n)、PG(r,n)、PR(r,n)分 別為r行n列 像素B、G、R通道值。

遍歷容器CBGR中每個(gè)大于T的值，并將其對(duì)應(yīng)像素B、G、R的通道值累加求其平均值BAvg、GAvg、RAvg：

式中：m為CBGR中大于T的數(shù)量；PB(i)、PG(i)、PR(i)為i點(diǎn)處通道值。

以B、G、R通道最大值Bmax、Gmax、Rmax除 以BAvg、GAvg、RAvg作為補(bǔ)償系數(shù)Δb、Δg、Δr，具體表示為：

將每個(gè)像素B、G、R通道值量化到[0,255]，即某r行n列像素B、G、R乘以補(bǔ)償系數(shù) Δc，若其值大于255，則相應(yīng)通道值為255，反之則為0，獲得白平衡處理后圖像g(x,y)，具體效果如圖3 所示。

圖3 自動(dòng)白平衡前后效果對(duì)比Fig.3 Effect comparison before and after automatic white balance

由圖3 可以看出，使用完美反射法實(shí)現(xiàn)自動(dòng)白平衡后，圖像細(xì)節(jié)信息更加清晰可觀，物體顏色基本和實(shí)際保持一致，不存在顏色失真問(wèn)題。

2.3 混合亮度增強(qiáng)

由于煤礦井下低光照的影響，所以直接導(dǎo)致采集到的視頻中存在大量黑色區(qū)域，造成圖像特征信息丟失。因此，通過(guò)圖像混合的方法來(lái)增強(qiáng)視頻亮度，將更多的圖像細(xì)節(jié)信息顯現(xiàn)。其具體過(guò)程如下。

構(gòu)建一個(gè)與待處理圖像g(x,y)尺寸大小一樣的矩陣，并零填充為圖像h(x,y)，則混合亮度增強(qiáng)圖像k(x,y)生成過(guò)程可表示為：

式中：θ為權(quán)重系數(shù)，取值為0.9。

由圖4 可以看出，自動(dòng)白平衡圖像經(jīng)混合亮度增強(qiáng)后，圖像整體亮度有所改善，其局部細(xì)節(jié)信息也更加凸顯。

圖4 混合增強(qiáng)前后效果對(duì)比Fig.4 Effect comparison before and after mixed enhancement

當(dāng)煤礦掘進(jìn)工作面，掘進(jìn)裝備作業(yè)或人員活動(dòng)時(shí)，會(huì)產(chǎn)生各種巖礦飄散微粒。若其濃度越小，視頻圖像感興趣區(qū)域的背景越清晰；反之，視頻圖像感興趣區(qū)域的背景越不清晰。因此，粉塵直接影響特征信息的提取與感興趣區(qū)域的應(yīng)用。

針對(duì)大氣中細(xì)小顆粒物的散射作用，S.K.Nayar等[17]提出了著名的大氣散射模型，該模型可以表示為：

式中：I(x)為 觀測(cè)到的有霧圖像；t(x)為場(chǎng)景投射率；A為全局大氣光值；J(x)為所求的無(wú)霧圖像。

3 低照度視頻快速去霧

3.1 大氣散射模型

3.2 暗通道模型

He Kaiming 等[12]通過(guò)觀察大量室外無(wú)霧圖像的暗通道，研究發(fā)現(xiàn)在大多數(shù)室外無(wú)霧圖像的非天空區(qū)域內(nèi)，至少一個(gè)顏色通道上的像素強(qiáng)度非常低，并且像素值接近于0 或者等于0。因此，提出了經(jīng)典的暗通道先驗(yàn)方法，其具體過(guò)程表示為：

式中：Jd(x)為 無(wú)霧圖像J(x) 的暗通道；Jc(x)為無(wú)霧圖像J(x)的 第c個(gè)顏色通道，并且c∈{B,G,R}；? (y)為 以像素y為中心的窗口。由于無(wú)霧圖像J(x)非天空區(qū)域的暗通道灰度強(qiáng)度較低，因此，Jd(x)→0。

對(duì)于低照度圖像，Dong Xuan 等[18]研究發(fā)現(xiàn)，低照度圖像經(jīng)過(guò)求反操作后，與霧天圖像很相似，并且，在求反后的圖像中，背景區(qū)域的像素在B、G、R通道中的強(qiáng)度都很高，非背景區(qū)域的像素至少在1 個(gè)通道內(nèi)強(qiáng)度很低。因此，可以說(shuō)明暗通道先驗(yàn)理論同樣適用于低照度圖像的處理。

3.3 算法改進(jìn)

針對(duì)煤礦掘進(jìn)工作面復(fù)雜環(huán)境工況，基于上述大氣散射模型與暗通道先驗(yàn)方法，通過(guò)算法的改進(jìn)，實(shí)現(xiàn)煤礦掘進(jìn)工作面低照度視頻的快速去霧。

3.3.1 大氣光值估計(jì)

煤礦掘進(jìn)工作面通常因設(shè)備照明燈光、工人佩戴頭燈直接導(dǎo)致視頻圖像光照分布不均勻且分布具有隨機(jī)性。因此，煤礦井下視頻圖像都可以以CMYK 網(wǎng)點(diǎn)百分比為基準(zhǔn)劃分為3 個(gè)區(qū)域：高光區(qū)、中間調(diào)、暗調(diào)區(qū)。

其中，高光區(qū)指圖像中最亮的部分，網(wǎng)點(diǎn)百分比為0%～25%；中間調(diào)指圖像中網(wǎng)點(diǎn)百分比在25%～75%區(qū)域；暗調(diào)區(qū)指圖像最暗或最黑部分，網(wǎng)點(diǎn)百分比為75%～100%。故圖像k(x,y)可表示為：

式中：kH(x,y) 為圖像高光區(qū)；kM(x,y)為圖像中間調(diào)；kS(x,y)為圖像暗調(diào)區(qū)。

雖然圖像具有高光區(qū)、中間調(diào)、暗調(diào)區(qū)之分，但是每個(gè)區(qū)之間沒(méi)有絕對(duì)的劃分界限。因此，本文采用遞歸分割算法進(jìn)行區(qū)域分割，得到高光區(qū)、中間調(diào)、暗調(diào)區(qū)。具體步驟如下。

以T1為 高光區(qū)區(qū)域下限，g為區(qū)域分割范圍大小系數(shù)，將圖像k(x,y)經(jīng) 壓縮后大于g的區(qū)域?yàn)楦吖鈪^(qū)：

以T2為區(qū)域下限，將圖像k(x,y)經(jīng) 壓縮后大于T2的區(qū)域?yàn)榘嫡{(diào)區(qū)：

將圖像k(x,y)壓 縮后大于T2小于T1的區(qū)域?yàn)橹虚g調(diào)：

對(duì)高光區(qū)、中間調(diào)、暗調(diào)區(qū)分別求取k通道像素最大值，并將其均值作為大氣光值估計(jì)值，即：

3.3.2 透射率估計(jì)

根據(jù)已知A且 暗通道先驗(yàn)理論Jd(x)→0，由大氣散射模型可求得透射率t(x,y)，即：

式中：Kc(x,y) 為圖像K(x,y)的第c個(gè)顏色通道，c∈{R,G,B}。

為了使去霧圖像更加自然，避免出現(xiàn)過(guò)度失真現(xiàn)象，引入?yún)?shù) ?，?取值0～1，對(duì)透射率進(jìn)行調(diào)整控制，一般取其值為0.95，透射率初步估計(jì)為：

為了避免采用軟摳圖、引導(dǎo)濾波等計(jì)算復(fù)雜度高且計(jì)算實(shí)時(shí)性差的問(wèn)題，引入δ調(diào)節(jié)因子，滿足0 ≤δ≤1，得到透射率最終估計(jì)：

根據(jù)求得的A和t1(x,y)，通過(guò)大氣散射模型可得去霧圖像J(x,y)為：

基于上述改進(jìn)算法，圖像J(x,y)去霧前后對(duì)比效果如圖5 所示。

圖5 去霧前后效果對(duì)比Fig.5 Comparison of effects before and after fog removal

由圖5 可知，有霧圖像K(x,y)經(jīng)去霧后，視頻圖像的背景更加清晰，增加了視頻圖像的可視度。

3.4 空間銳化濾波

由于視頻圖像在預(yù)處理、去霧過(guò)程會(huì)使圖像的邊緣或輪廓發(fā)生灰度突變，造成圖像的細(xì)節(jié)和邊緣信息的丟失問(wèn)題。因此，為了消除這種影響，采用拉普拉斯銳化處理，增加圖像高頻成分、抑制低頻成分來(lái)提高圖像對(duì)比度，使模糊的圖像變得更加清晰可觀。

拉普拉斯是一種基于歐幾里得空間的二階微分線性算子，具有旋轉(zhuǎn)不變特性[19]，其通過(guò)對(duì)圖像鄰域中心像素的多方向求取梯度，并將梯度和相加來(lái)判斷中心像素灰度與鄰域內(nèi)其他像素灰度的關(guān)系，并用梯度運(yùn)算的結(jié)果對(duì)像素灰度進(jìn)行調(diào)整[20]。針對(duì)去霧圖像J(x,y)，現(xiàn)定義拉普拉斯算子表示為：

則拉普拉斯銳化圖像e(x,y)可表示為：

將視頻圖像進(jìn)行拉普拉斯銳化后，為了提高視頻主觀感受，創(chuàng)建與拉普拉斯銳化圖像e(x,y)尺寸與類型一致的模板圖像r(x,y)，再對(duì)其進(jìn)行圖像加權(quán)混合操作，即：

式中：β為權(quán)重值，為了降低圖像領(lǐng)域中心像素梯度，一般取?0.5。

如圖6 所示，混合增強(qiáng)圖像經(jīng)改進(jìn)的大氣散射模型去霧、拉普拉斯銳化處理后，圖像更加清晰、自然，符合人眼視覺(jué)特性。

圖6 拉普拉斯銳化前后效果對(duì)比Fig.6 Comparison of effects before and after Laplacian sharpening

4 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證本文算法的有效性，以某煤礦掘進(jìn)工作面寬、高分別為6.24、4.55 m 的矩形斷面為數(shù)據(jù)來(lái)源工況，通過(guò)MV-EM510C 工業(yè)照相機(jī)和BT-23C0814MP5照相機(jī)鏡頭采集分辨率為2 456×2 058，像素尺寸為3.45 μm×3.45 μm 的掘進(jìn)工作面視頻，并離線分別使用Retinex 算法、ALTM 算法、暗通道先驗(yàn)算法和本文算法進(jìn)行增強(qiáng)處理，并對(duì)增強(qiáng)后的視頻圖像進(jìn)行主觀評(píng)價(jià)和客觀評(píng)價(jià)，再結(jié)合主觀評(píng)價(jià)和客觀評(píng)價(jià)進(jìn)行綜合評(píng)價(jià)。

4.1 主觀評(píng)價(jià)

不同算法得到的視頻圖像增強(qiáng)效果如圖7 所示。

由圖7a 可知，掘進(jìn)工作面原始視頻圖像由于光照不足，圖像整體暗淡，且背景大多數(shù)為黑色區(qū)域，其中包含的信息量較少；圖7b 可以看出Retinex 算法增強(qiáng)和去霧效果比較明顯，圖像細(xì)節(jié)信息也比較豐富，但是放大了圖像噪聲，局部出現(xiàn)顏色失真現(xiàn)象；圖7c 可以看出ALTM 算法去霧效果比較明顯，但是在高亮區(qū)域出現(xiàn)光暈偽影現(xiàn)象，顏色失真現(xiàn)象比較明顯；圖7d 中暗通道先驗(yàn)算法增強(qiáng)效果一般，圖像整體偏暗，導(dǎo)致暗光區(qū)細(xì)節(jié)信息丟失，且局部出現(xiàn)顏色突變現(xiàn)象；本文算法增強(qiáng)效果比較明顯，圖像細(xì)節(jié)信息也比較清晰，且色彩更加真實(shí)自然，不存在失真現(xiàn)象。

圖7 不同算法增強(qiáng)效果Fig.7 Different algorithm enhancement effect

4.2 客觀評(píng)價(jià)

信息熵作為圖像信息量的度量標(biāo)準(zhǔn)，其數(shù)值越大，則圖像包含信息越豐富，圖像顯示細(xì)節(jié)效果越好；標(biāo)準(zhǔn)差反映了圖像像素值與均值的離散程度，其數(shù)值越大說(shuō)明圖像質(zhì)量越好；平均梯度表征了圖像邊緣兩側(cè)灰度值的變化率大小，其值主要衡量圖像細(xì)節(jié)精細(xì)度，其數(shù)值越大說(shuō)明圖像越清晰[21]；處理速度代表了算法的計(jì)算量以及實(shí)時(shí)性問(wèn)題，其數(shù)值越小則說(shuō)明此類算法信息量更新越快。

因此，為了更全面地分析本文算法的圖像增強(qiáng)效果和清晰度，采用信息熵、標(biāo)準(zhǔn)差、平均梯度以及算法處理時(shí)間對(duì)各類算法的增強(qiáng)效果進(jìn)行客觀評(píng)價(jià)[22]，其結(jié)果見(jiàn)表1。

表1 不同算法評(píng)價(jià)指標(biāo)結(jié)果Table 1 Evaluation results of different algorithms

由表1 可以看出，本文算法的信息熵、標(biāo)準(zhǔn)差、平均梯度、處理時(shí)間均高于其他3 種算法。其中，本文算法的處理時(shí)間高于暗通道先驗(yàn)算法3 倍，足以表明視頻圖像經(jīng)本文算法處理后可比暗通道先驗(yàn)算法具有更高的圖像細(xì)節(jié)信息，雖然本文算法處理時(shí)間與Retinex 算法相差無(wú)幾，但是相對(duì)于信息熵、標(biāo)準(zhǔn)差、平均梯度，本文算法均遠(yuǎn)勝于Retinex 算法，圖像細(xì)節(jié)更加豐富，具有更好的視覺(jué)效果。因此，本文算法具有較快的處理速度，更好的實(shí)時(shí)性。

4.3 綜合性能分析

為了更加清晰地驗(yàn)證算法的綜合性能，將表1 中信息熵、標(biāo)準(zhǔn)差、平均梯度作為綜合指標(biāo)進(jìn)行性能分析，其具體結(jié)果如圖8 所示。

由圖8 中可知，當(dāng)掘進(jìn)工作面視頻照度為5～10 LX時(shí)，針對(duì)圖像序列綜合指標(biāo)平均值，本文算法相對(duì)于Retinex 算法、ALTM 算法和暗通道先驗(yàn)算法分別提高了12.3%、10.8%、45.6%。整體上，本文算法綜合性能更好，對(duì)煤礦掘進(jìn)工作面低照度視頻圖像改善效果更佳。但是，針對(duì)照度為5～10 LX 范圍以外的視頻增強(qiáng)技術(shù)，仍需進(jìn)一步研究與測(cè)試。

圖8 綜合指標(biāo)柱狀圖Fig.8 Comprehensive index histogram

5 結(jié)論

a.利用卷積的可分離性進(jìn)行圖像水平與垂直方向的卷積濾波，并設(shè)定白色參考點(diǎn)，利用完美反射法解決圖像偏色、失真問(wèn)題，同時(shí)以圖像混合方式增強(qiáng)亮度，提高對(duì)比度，凸顯更多圖像細(xì)節(jié)信息。

b.基于大氣散射模型與暗通道先驗(yàn)方法，通過(guò)遞歸分割將圖像區(qū)域分割為高光區(qū)、中間調(diào)、暗調(diào)區(qū)進(jìn)行大氣光照估計(jì)值計(jì)算。并引入調(diào)節(jié)因子對(duì)透射率進(jìn)行調(diào)整優(yōu)化，通過(guò)拉普拉斯銳化處理，增加圖像高頻成分，抑制圖像低頻成分，實(shí)現(xiàn)掘進(jìn)工作面低照度視頻快速去霧。

c.通過(guò)對(duì)掘進(jìn)工作面低照度視頻的增強(qiáng)處理，結(jié)的主、客觀綜合分析得出，本文提出的關(guān)于煤礦掘進(jìn)工作面低照度視頻增強(qiáng)算法，其魯棒性、實(shí)時(shí)性較強(qiáng)。結(jié)果表明，該算法能夠?qū)蜻M(jìn)工作面低照度視頻進(jìn)行實(shí)時(shí)增強(qiáng)，能夠?yàn)榫蜻M(jìn)工作面的目標(biāo)識(shí)別、目標(biāo)跟蹤、圖像分割等任務(wù)提供優(yōu)質(zhì)、可靠的信息支撐。