摘要：建筑工地采集的圖像通常會有色偏、對比度低和紋理模糊等問題，從而導(dǎo)致無法獲得良好的人眼視覺體驗和正確的機器視覺處理結(jié)果。為此，提出一種基于改進的多尺度融合和自適應(yīng)分?jǐn)?shù)階微分的工地圖像增強算法。針對工地圖像的紋理模糊特征對多尺度融合算法和自適應(yīng)分?jǐn)?shù)階微分算法進行改進，采用全局和局部對比度增強圖像替換兩幅輸入圖進行多尺度融合，進一步提高圖像的對比度；在HSV顏色空間下僅對V通道分量進行自適應(yīng)分?jǐn)?shù)階微分且與原始圖像進行加權(quán)融合，實現(xiàn)在不改變原本顏色的情況下進行紋理增強和弱化偽影現(xiàn)象。實驗結(jié)果表明，本文算法增強后的圖像擁有更自然的色調(diào)、更高的對比度和更強的細(xì)節(jié)表達能力，優(yōu)于其他圖像增強算法。由此，本文方法能夠快速且高效地增強低質(zhì)量的工地圖像，提高后續(xù)機器視覺處理的精度和速度，在解決工地圖像質(zhì)量欠佳的問題中發(fā)揮重要作用。

關(guān)鍵詞：圖像增強；多尺度融合；自適應(yīng)分?jǐn)?shù)階微分；工地圖像

中圖分類號：TP391文獻標(biāo)志碼：A數(shù)字化工地可以通過集成傳感器和數(shù)據(jù)分析等技術(shù)，對工地進行實時監(jiān)測和控制，提高工地的安全性、效率和質(zhì)量，同時減少人員和資源的浪費，是未來建筑行業(yè)發(fā)展的必然趨勢。其中，人眼監(jiān)控體驗的優(yōu)化和機器視覺技術(shù)的引入尤為重要。但工地?zé)o法保證能采集到高質(zhì)量的圖像，監(jiān)控人員的人眼視覺體驗和機器視覺處理精度較差。為此，必須采取有效的圖像增強處理，解決圖像的色彩失真和紋理模糊等問題，否則將會嚴(yán)重影響監(jiān)控人員的判斷和機器處理的結(jié)果。

圖像多尺度融合在背景建模［1］、邊緣檢測、去霧［2］、HDR imaging［3］和水下圖像增強等多個應(yīng)用場景都表現(xiàn)出了實用性，能有效增強圖像細(xì)節(jié)，創(chuàng)造更逼真、更流暢的視覺效果，但提高圖像對比度效果欠佳。分?jǐn)?shù)階微分不僅是純數(shù)學(xué)的一個重要分支［4］，也是圖像紋理增強的有力工具［5］。在圖像增強領(lǐng)域，與整數(shù)階微分方法相比，分?jǐn)?shù)階微分方法可以增強邊緣，使紋理更清晰，并保留平滑區(qū)域的細(xì)節(jié)信息。所以，本文提出一種基于改進的多尺度融合和自適應(yīng)分?jǐn)?shù)階微分的圖像增強算法，來解決工地圖像質(zhì)量欠佳的問題。

1工地圖像模糊模型和特征

1.1工地圖像模糊的表示方法

造成工地圖像紋理細(xì)節(jié)模糊的原因主要有兩點：第一，由于圖像拍攝時所使用的采集設(shè)備分辨率不夠，導(dǎo)致膠片檔案本身就存在模糊的問題；第二，在工地圖像的拍攝過程中，施工揚塵和天氣等引起的模糊和色彩偏差。

現(xiàn)對工地圖像紋理模糊的問題進行分析。如果紋理清晰的工地圖像為H，紋理模糊的工地圖像為L，引起降質(zhì)的卷積核為K，這一退化過程就可以用式（1）進行描述：

L=H×K（1）

工地圖像紋理增強的任務(wù)是保證原始退化圖像不增加其他額外信息的情況下，從模糊紋理圖像L還原出紋理清晰的工地圖像H，以提高圖像的質(zhì)量，達到機器視覺處理的圖像質(zhì)量標(biāo)準(zhǔn)。

1.2工地圖像的特征分析

在色偏方面，相較于水下和沙塵圖像增強，灰塵、雨水和大霧等因素對工地圖像的影響是有限的［6］。工地中非極端的揚塵條件和天氣因素更多地影響了工地圖像的對比度，使得圖像整體色調(diào)偏暗，細(xì)節(jié)表達能力差。

在紋理模糊方面，工地圖像的很多要素都有不同模糊程度的邊緣紋理，很容易導(dǎo)致處理時間過長和偽影的產(chǎn)生。因此，這對算法紋理增強的性能有較高的要求。最后，關(guān)于紋理增強的應(yīng)用大多都是針對灰度圖像進行，而本次的工地圖像紋理增強則是針對彩色圖像進行的。

2算法改進

2.1多尺度融合改進

多尺度融合算法［7］能夠增強圖像紋理的色彩鮮艷度，優(yōu)化邊緣紋理的視覺效果，這與本文目標(biāo)任務(wù)不謀而合。它建立在兩個輸入圖像的融合之上，這兩個圖像分別是原始退化圖像的色彩補償和白平衡版本。在定義了待融合的兩幅圖像及其拉普拉斯對比度、顯著性、飽和度和歸一化權(quán)重圖之后，將輸入圖像和權(quán)重圖分別分解為三層的拉普拉斯金字塔和高斯金字塔，用對應(yīng)層進行融合。但這種輸入策略無法有效增強提高圖像對比度和紋理細(xì)節(jié)，它更多是增強紋理的色彩鮮艷度和優(yōu)化邊緣紋理的視覺效果。于是，文中把輸入的兩個待融合圖像替換成原始退化圖像的全局對比度增強和局部對比度增強版本，以促進邊緣和顏色對比度向輸出圖像轉(zhuǎn)移。

全局對比度增強是通過直方圖拉伸來實現(xiàn)的：拉伸原始圖像的RGB三通道像素強度，擴大RGB三通道灰度的范圍，提高圖像的亮度和全局對比度。其中，直方圖拉伸算法如下：

2.2自適應(yīng)分?jǐn)?shù)階微分改進

2.3本文方法流程

3實驗與結(jié)果分析

3.1實驗環(huán)境

實驗在具有5.20 GHz英特爾酷睿i5-12490F、16 GB RAM和NVIDIA GeForce RTX 3080的PC上進行。實驗中所有圖像來自真實的建筑工地。

3.2評估指標(biāo)

3.3性能比較

由于我們的方法主要用于建筑工地的圖像增強，需要與沙塵圖像增強算法進行比較。我們選擇光暈減少暗通道先驗灰塵圖像增強算法（halo-reduced dark channel prior，HRDCP）［15］來進行比較。此外，由于在施工工地很少使用基于神經(jīng)網(wǎng)絡(luò)的圖像增強算法，我們還選擇與基于面向目標(biāo)的感知對抗融合網(wǎng)絡(luò)的水下圖像增強算法（target oriented perceptual adversarial，TOPAL）［16］進行對比。各方法評估指標(biāo)對比見表1，各方法實驗效果圖如圖6所示。

圖6中，HRDCP在圖像顏色恢復(fù)中存在顏色失真的問題，在沙土和紋理的低光區(qū)域有黑色陰影，某些紋理細(xì)節(jié)丟失。TOPAL圖像顏色恢復(fù)相當(dāng)出色，整體顏色符合人眼的感覺，但圖像紋理增強效果、細(xì)節(jié)信息和圖像清晰度增強不明顯。本文算法圖像整體色彩的豐富性得到提高，對比度明顯增強。相比之下，基于主觀感知進行評估時，本文方法整體效果更好。表1中，本文算法的圖像熵、梯度和方差均優(yōu)于其他方法，其中平均梯度有著明顯的優(yōu)勢。由此可見，本文提出的方法能夠較好地滿足工地圖像增強的需求。

3.4消融實驗

為了分析改進后的多尺度融合和自適應(yīng)分?jǐn)?shù)階微分對于圖像增強的積極作用，本節(jié)將單獨的多尺度融合和直接融合+分?jǐn)?shù)階微分與完整的算法進行對比。各方法評估指標(biāo)對比見表2，增強效果分別如圖7所示。

圖7中，與完整算法相比，圖7（b）的整體顏色較暗，對色偏的恢復(fù)效果不明顯，局部紋理增強的效果減弱，對比度較差，整體清晰度下降。圖7（c）的紋理細(xì)節(jié)不夠突出，其紋理銳化不夠顯著，清晰度略差，整體色彩的恢復(fù)比較完善。表2中，兩組的評估指標(biāo)對于完整算法均有明顯下降。由此能夠證明，改進的多尺度融合算法對顏色恢復(fù)有著顯著的貢獻，對后續(xù)的紋理增強有積極作用。改進的自適應(yīng)分?jǐn)?shù)階微分算法能有效地增強圖像紋理特征，提高圖像清晰度。

4結(jié)論

為解決工地圖像質(zhì)量欠佳的問題，提出基于多尺度融合和自適應(yīng)分?jǐn)?shù)階微分的工地圖像增強方法，并根據(jù)實際應(yīng)用場景和實際需求對方法作出改進。本文改進了多尺度融合算法，采用全局對比度增強圖像和局部對比度增強圖像作為融合的兩個輸入，提高了對比度增強和色彩恢復(fù)的效果，解決了多尺度融合算法在工地圖像對比度增強效果不佳的問題；通過把工地圖像從RGB顏色空間轉(zhuǎn)到HSV顏色空間，僅對圖像的V通道進行自適應(yīng)分?jǐn)?shù)階微分增強且采取加權(quán)融合的策略，解決了彩色圖像紋理增強的顏色畸變問題和偽影加重問題，基本滿足工地圖像增強的清晰度和紋理豐富性的要求，對于優(yōu)化監(jiān)控人員的視覺體驗和提高機器視覺處理的精度起到了重要作用。但在圖像質(zhì)量非常差的圖像中，紋理特征將更加模糊，這種類型的建筑工地圖像可以通過超分辨率來增強。如何在保持圖像真實性的同時，應(yīng)用超分辨率增強圖像的紋理，將是本文未來的重要研究內(nèi)容。參考文獻：

[1]ZHANG Z， WANG C H， XIAO B H， et al. Multi-scale fusion of texture and color for background modeling［C］//2012 IEEE International Conference on Advanced Video and Signal-Based Surveillance （AVSS）. Beijing：IEEE，2012：154-159.

［2］ ANCUTI C O， ANCUTI C， BEKAERT P， et al. Effective single image dehazing by fusion［C］//2010 IEEE International Conference on Image Processing. Hong Kong：IEEE，2010：3541-3544.

［3］ MERTENS T， KAUTZ J， VAN REETH F. Exposure fusion： a simple and practical alternative to high dynamic range photography ［J］. Computer Graphics Forum， 2009， 28（1）： 161-171.

［4］ ENGHETA N. On the role of fractional calculus in electromagnetic theory ［J］. IEEE Antennas and Propagation Magazine， 1997， 39（4）： 35-46.

［5］ GAO C， ZHOU J. Image enhancement based on improved fractional differentiation ［J］.Journal of Computational Information Systems， 2011，7（1）： 257-264.

［6］ YANG M， SOWMYA A. An underwater color image quality evaluation metric ［J］. IEEE Transactions on Image Processing， 2015， 24（12）： 6062-6071.

［7］ ANCUTI C O， ANCUTI C， VLEESCHOUWER C D， et al. Color balance and fusion for underwater image enhancement ［J］. IEEE Transactions on Image Processing， 2017， 27（99）： 379-393.

［8］ SONAL I，SAHU S，SINGH A K，et al.An approach for de-noising and contrast enhancement of retinal fundus image using CLAHE[J].Optics and Laser Technology，2019，110：87-98.

［9］ YANG S， OH J H， PARK Y， et al. Contrast enhancement using histogram equalization with bin underflow and bin overflow［C］//2003 International Conference on Image Processing. Barcelona：IEEE，2003：881-884.

［10］LI B，XIE W. Adaptive fractional differential approach and its application to medical image enhancement ［J］. Computers and Electrical Engineering， 2015， 45： 324-335.

［11］ZHANG T Y， HU H M， LI B. A naturalness preserved fast dehazing algorithm using HSV color space ［J］. IEEE Access， 2018， 6： 10644-10649.

［12］SHANNON， C E J B S T J. A mathematical theory of communication ［J］. Bell Systems Technical Journal， 1948， 27（4）： 623-656.

［13］GROENEWALD A M， BARNARD E， BOTHA E C. Related approaches to gradient-based thresholding ［J］. Pattern Recognition Letters， 1993， 14（7）： 567-572.

［14］CHE J， GUAN Q，WANG X et al. Image denoising based on adaptive fractional partial differential equations［C］//The 6th International Congress on Image and Signal Processing （CISP）. Hangzhou：IEEE，2013：288-292.

［15］SHI Z H， FENG Y N， ZHAO M H， et al. Let you see in sand dust weather： a method based on halo-reduced dark channel prior dehazing for sand-dust image enhancement ［J］. IEEE Access， 2019， 7： 116722-116733.

［16］JIANG Z Y， LI Z X， YANG S Z， et al. Target oriented perceptual adversarial fusion network for underwater image enhancement ［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（10）： 6584-6598.

（責(zé)任編輯：曾晶）

Construction Site Image Enhancement Based on Multi-scale Fusion

and Fractional Differential

LIN Xianlei CHEN Guodong SHE Minglei MU Honglin LIN Jinxun

（1.School of Physics and Information Engineering， Fuzhou University， Fuzhou 350108， China;2.Nanping Wusha Expressway

Co.，Ltd.，Nanping 353000，China;2.Fujian Shuboxun Information Technology Co.，Ltd.， Fuzhou 350002， China）Abstract： Images from construction sites often have color bias， low contrast and blurred texture， making it impossible to obtain a good human visual experience and correct machine vision processing results. Therefore， an image enhancement algorithm based on multiscale fusion and adaptive fractional differentiation is proposed. In this paper， the multi-scale fusion algorithm and the adaptive fractional differential algorithm are improved according to the texture fuzzy feature of the site image， in the HSV color space， only the V-channel components are differentiated by adaptive fractional order and fused with the original image， it can enhance and weaken the artifacts without changing the original color. The experimental results show that the enhanced image has more natural hue， higher contrast and better detail expression ability， which is better than other image enhancement algorithms. The method proposed in this article can quickly and efficiently enhance low-quality construction site images， thereby improving the accuracy and speed of subsequent machine vision processing， and playing an important role in solving the problem of poor construction site image quality.

Key words： image enhancement; multi-scale fusion; adaptive fractional differential; site image