Research on denoising of uneven lighting images in coal mine underground
-
摘要: 煤矿综采工作面空间小、照明环境复杂多变，采煤过程中伴随着大量的粉尘、大雾，导致采集的图像出现曝光、细节特征减弱等问题，难以对井下照明区域光照强度过大的图像进行有效的特征提取。针对上述问题，提出了一种煤矿井下非均匀照度图像去噪算法。首先，将视频截取为图像，判断图像是否需要进行光照抑制，将需要进行光照抑制的RGB图像拆分通道，并计算每个通道的光照调节因子，实现图像的整体光照调节；然后，将未进行整体光照抑制的图像和经整体光照抑制的图像进行反射分量提取，即将输入的图像转换为HSV空间图像，使用单尺度Retinex（SSR）算法对V通道图像中的光照分量进行单独处理，将V分量中的入射分量去除，保留反射分量，并对反射分量使用直方图均衡算法实现光照均衡化处理；最后，使用基于引导滤波的暗通道先验算法对经过光照处理后的图像进行去雾处理，并使用伽马校正函数重新调节亮度不均的图像。主观评价结果表明：提出的煤矿井下非均匀照度图像去噪算法有效抑制了因光照导致整体亮度较高的问题，且由于大雾、粉尘等因素导致图像模糊的部分更加清晰，图像的细节特征更加突出。采用信息熵、均值 、标准差 、空间频率4种评价指标对提出的算法效果进行客观评价，结果表明，提出的算法在信息熵、均值 、标准差 、空间频率上较多尺度Retinex（MSR）算法分别平均提升了21.87%，−56.06%，153.43%，294.45%，较基于颜色保持的多尺度视网膜增强（MSRCP）算法分别平均提升了1.18%，−39.56%，33.29%，−4.71%，较带色彩恢复的多尺度视网膜增强（MSRCR）算法分别平均提升了38.06%，−55.27%，462.10%，300.96%，说明提出的算法能更有效地增加图像信息量、抑制光照强度、提升边缘信息及图像清晰度。Abstract: The space of the fully mechanized working face is small, and the lighting environment is complex and variable. During the coal mining process, there is a large amount of dust and fog, which leads to problems such as exposure and weakened detail features in the collected images. It is difficult to effectively extract features from images with excessive lighting intensity in the underground lighting area. In order to solve the above problems, a denoising algorithm for uneven lighting images in coal mines is proposed. Firstly, the video is captured as an image to determine whether lighting suppression is necessary. The RGB image that requires lighting suppression is split into channels, and the lighting adjustment factor for each channel is calculated to achieve overall lighting adjustment of the image. Secondly, the images that have not undergone overall lighting suppression and those that have undergone overall lighting suppression are subjected to reflection component extraction. The input image is converted into an HSV spatial image, and the single scale Retinex (SSR) algorithm is used to separately process the illumination component in the V channel image. The incident component in the V component is removed, while the reflection component is retained. The histogram equalization algorithm is used to achieve illumination equalization for the reflection component. Finally, a dark channel prior algorithm with guided filtering is used to defog the light-processed image. The gamma correction function is used to readjust the image with uneven brightness. The subjective evaluation results indicate that the proposed denoising algorithm for uneven lighting images in coal mines effectively suppresses the problem of high overall brightness caused by lighting. The blurry parts of the original image are clearer due to factors such as fog and dust, and the detailed features of the image are more prominent. The effectiveness of the proposed algorithm is objectively evaluated using four evaluation indicators: information entropy, mean, standard deviation, and spatial frequency. The results showed that the proposed algorithm has achieved an average improvement of 21.87%, −56.06%, 153.43%, and 294.45% in terms of information entropy, mean, standard deviation, and spatial frequency compared to the multi-scale Retinex (MSR) algorithm. The proposed algorithm has achieved an average improvement of 1.18%, −39.56%, 33.29%, and −4.71% compared to the multi-scale Retinex with color preservation (MSRCR) algorithm. The proposed algorithm has achieved an average improvement of 38.06%, −55.27%, 462.10%, and 300.96% compared to the multi-scale Retinex with color restoration (MSRCR) algorithm. The results indicate that the proposed algorithm can more effectively increase image information, suppress lighting intensity, improve edge information, and image clarity.
-
0. 引言
煤矿综采工作面环境恶劣，大雾、粉尘及光照对图像质量产生了较大干扰，影响视频信息的准确性[1]。煤矿井下图像的非均匀光照处理一直是行业研究热点。
当前非均匀光照图像的处理包括有参考的校正方法和无参考的校正方法2类[2]。有参考的校正方法需参照标样图像实施校正，实际应用过程中实现难度大。无参考的校正方法包括Retinex理论方法[3]、滤波法[4]、神经网络方法[5]、直方图均衡化方法[6]等。文献[7]提出了基于 Retinex 分解和多尺度调整的低光图像增强网络，以消除反射噪声、抑制颜色失真、保留图像细节并调整照明亮度，但其泛化能力难以适应所有复杂场景。文献[8]采用多尺度Retinex算法对V分量进行增强，有效调节了井下低照度图像光照信息，但在综采工作面亮度不均的情况下，仍存在过度增强及曝光的问题。文献[9]提出了改进同态滤波法来增强井下图像，虽可有效分离光照和细节分量，但对受到强光、高粉尘影响的图像中的噪声更加敏感，使用该方法会在一定程度上放大噪声，导致图像失真。文献[10] 通过基于生成对抗网络的单张图像高光去除方法准确提取图像特征。文献[11] 利用数据集提出联合高光检测和去除的多任务网络，实现高光检测和去除。文献[10-11]通过神经网络方法处理高光 ，但需大量数据用于学习图像特征，且太过依赖先验信息与假定设置、计算复杂、运行时间长，在煤矿井下很难找到相同场景下可供神经网络学习的高质量图像，人工标注往往会因个体差异导致模型学习差异，其结果不可避免地存在色彩失真、边缘不连续等问题[12]。文献[13]利用双直方图均衡校正的方法处理非均匀光照图像，有效增强了图像细节，但其作用范围是图像全局，存在色彩失真、噪声放大等问题[14]。
上述方法在一定程度上对非均匀光照图像进行了改善，但对煤矿井下工作场景的图像进行处理时，无法获取高质量对比图像或模型图像作为样本；难以对井下照明区域光照强度过大的图像进行有效的特征提取；因曝光、光照范围扩散、粉尘遮挡导致图像特征丢失和色彩失真等。因此，本文提出了一种融合整体光照抑制、入射光照去除及去雾的图像去噪算法。首先，根据图像的光照强度引入光照调节因子调节图像整体亮度；然后，采用Retinex算法分离光照分量并保留反射光照，以实现均衡光照；最后，采用基于引导滤波的暗通道先验算法去除图像粉尘、大雾，并引入伽马校正函数调节光照，实现非均匀照度图像的光照抑制和粉尘、大雾消除处理。
1. 总体方案
煤矿井下非均匀照度图像去噪算法主要由整体光照抑制、入射光照去除和图像去雾3个模块组成如图1所示。首先，从视频中截取图像，判断图像是否需要进行光照抑制，将需要进行光照抑制的RGB图像拆分通道，并计算每个通道的光照调节因子，实现图像的整体光照抑制。然后，将未进行整体光照抑制的图像和经整体光照抑制的图像进行反射分量提取，即将输入图像转换为HSV空间图像，使用单尺度Retinex（Single Scale Retinex，SSR）算法对V分量进行单独处理，将V分量中的入射分量去除，保留反射分量，并对反射分量使用直方图均衡算法实现光照均衡化处理。最后，使用改进引导滤波的暗通道先验去雾算法对经过光照处理后的图像进行去雾处理，并使用伽马校正函数重新调节亮度不均的图像。
![]()
图 1 煤矿井下非均匀照度图像去噪算法整体方案Figure 1. Overall scheme of denoising of uneven lighting images in coal mine underground algorithm2. 算法原理
2.1 整体光照抑制模块
受井下光照的影响，使得采集的图像整体亮度较高，容易出现反光、曝光等问题，导致有用特征丢失。为有效遏制该问题对后续图像使用的影响，对高照度图像进行抑制，光照调节流程如图2所示。
1） 将输入的RGB图像拆分为R，G，B通道。
2） 将图像的高光区域单独拆分，计算非高照度区域亮度均值，将结果作为阈值K。
3） 计算每个通道中所有像素的均值。
$$ \mu = \frac{1}{{wh}}\sum\limits_{i = 1}^w {\sum\limits_{j = 1}^h { {{p_{ij}}} } } $$ (1) 式中：$ \mu $为像素均值；w，h分别为图像的宽和高；i，j分别为图像的像素坐标索引；p为待计算的图像。
4） 将均值$ \mu $与阈值K进行比较，若$ \mu > K $，则计算调节因子。
$$ \left\{ \begin{gathered} a({\mathrm{R}}) = K/\mu {\text{(}}{\mathrm{R}}{\text{)}} \\ a({\mathrm{G}}) = K/\mu {\text{(}}{\mathrm{G}}{\text{)}} \\ a({\mathrm{B}}) = K/\mu {\text{(}}{\mathrm{B}}{\text{)}} \\ \end{gathered} \right. $$ (2) 式中：$a({\mathrm{R}})$，$a({\mathrm{G}})$，$a({\mathrm{B}})$分别为R，G，B通道的调节因子；$ \mu ({\mathrm{R}}) $，$ \mu ({\mathrm{G}}) $，$ \mu ({\mathrm{B}}) $分别为图像R，G，B通道的像素均值。
5） 根据调节因子的计算结果，将每个通道的调节因子反馈到对应的通道来调整每个通道的亮度。
6） 将调整后的R，G，B通道的图像重新合并成1张RGB图像。
2.2 入射光照去除模块
Retinex理论认为观测到的图像可分为入射分量和反射分量，入射分量描述了1幅图像所有像素点的动态范围大小，反射分量描述了物体自身固有不变的特性[15]。Retinex理论主要包含SSR、多尺度Retinex（Multi-Scale Retinex，MSR）及其他变种算法。SSR算法简单且计算效率高；MSR算法需处理多个尺度的图像并进行合成，计算复杂且合并权重难以控制；其他变种算法参数调整难、易受不同环境的干扰，导致适应性差。为有效提取光照分量、提高图像处理效率，本文使用SSR算法对经过光照抑制后的图像进行处理，最大程度保留反射特征$ R\left( {x,y} \right) $，尽可能去除入射光图像$ L\left( {x,y} \right) $，以保留原始图像的固有属性，有效观测图像的本来特性。
$$ S\left( {x,y} \right) = R\left( {x,y} \right)L\left( {x,y} \right) $$ (3) 式中$ S\left( {x,y} \right) $为原始图像。
V分量处理流程如图3所示。首先，将经过整体光照调整的图像转换到HSV空间，并对V分量进行分离。其次，使用SSR算法对V分量图像进行处理，保留反射分量，去除入射分量。然后，使用直方图均衡化算法对处理后的V分量进行处理，展开图像中像素个数多的灰度级，抑制图像中像素个数少的灰度级[16]，使图像整体亮度均匀化。最后，合并处理后的图像，并将图像重新转换到RGB空间。
2.3 基于改进暗通道先验算法的去雾模块
暗通道先验算法指出在1幅RGB图像中，某些像素至少有1个通道的值会很低，在有雾图像中暗通道的值会随着接近大气光的方向逐步增加 [17]。
$$ I(x) = J(x)t(x) + A(1 - t(x)) $$ (4) 式中：$ I(x) $为待去雾的图像；$ J(x) $为去雾后的图像；t（x）为透射率；A为全球大气光照。
暗通道先验算法在处理复杂场景中的大雾时，无法准确估计大雾分布，导致图像失真，因此，本文通过引入引导滤波保持图像边缘信息平滑，选取最小值作为大气光照值，并引入伽马校正调整光照来对暗通道先验算法进行改进，改进后的暗通道先验算法流程如图4所示。
1） 计算输入有雾图像的初始暗通道图像，使用一个较小的窗口在整张图上滑动，并取窗口中最小的像素作为该位置的暗通道像素值。
2） 采用引导滤波降低原始暗通道图像中的噪声，并增强图像细节。
3） 对平滑后的暗通道图像进行全局亮度估计，并选取合适的全局大气光照A。
4） 为保证去雾的有效性和图像的质量，将缩放后的大气光照限定在一个合理的范围内（通常是[0，255]），以获取最终的大气光照估计值。
5） 根据大气光照估计值，计算出透射率 t（x），最终求取无雾图像。
$$ J(x)=\frac{I(x)-A}{\mathrm{max}(t(x)\text{，}{t}_{0})}+A $$ (5) 式中t0为 t（x） 的下限阈值，$ {t_0} $=0.1。
6）为使图像光照均匀，引入伽马校正函数进一步调整去雾后图像的光照。
3. 实验结果及分析
3.1 实验条件
实验使用的图像主要是从煤矿井下综采工作面的视频中截取，为使实验数据具有普遍性，避免样本数据不均匀导致算法适用性差等问题，本文在验证过程中采用的数据来源于多个矿井、6个不同时间段综采工作面的工作场景，验证图像总计3 637张，包含了分辨率为856×480、1 920×1 080 的图像，且普遍受残影、反光、曝光及粉尘遮挡等因素的影响，导致图像整体质量较低。
3.2 主观评价
为验证本文算法的可行性，本文选取标号为P1—P6的原始图像和经过本文算法处理后的图像作为验证图像，通过引入灰度直方图将两者之间的灰度级分布更加直观地进行对比，结果如图5所示。
从图5可看出，原图的灰度分布频数为50～255，且集中在150～255的灰度分布频数较高，而经过处理后图像的灰度分布频数为0～255，且集中在150～255的灰度分布频数明显降低。说明针对非均匀灰度等级照度图像，本文算法具有良好的抑制效果。
为了进一步验证本文算法对煤矿井下非均匀照度图像处理的效果，本文选取6组对比图像进行有效性验证，所选对比图像标号为P7—P12将本文算法与MSR算法[18]、基于颜色保持的多尺度视网膜增强（Multi-Scale Retinex with Color Preservation，MSRCP）算法[19]、带色彩恢复的多尺度视网膜增强（Multi-Scale Retinex with Color Restoration，MSRCR）算法[20]进行对比，效果如图6所示。 可看出经过MSR算法、MSRCR算法处理后的图像明显失真，部分图像经2种算法处理后严重曝光；经过MSRCP算法处理后的图像直观上难以分辨图像质量的好坏；而经过本文算法处理后的图像亮度明显降低、细节特征更加突出。
3.3 客观评价
计算对比图像的均值及标准差，结果见表1。
从表1可看出，原图的均值及标准差分别为144～150、54～59，经过处理后的图像均值、标准差分别为84～102、72～75。说明经过本文算法对图像处理后，有效抑制了因光照导致整体亮度较高的问题，且由于大雾、粉尘等因素导致原图模糊的部分更加清晰，图像的细节特征更加突出。
表 1 均值、标准差对比Table 1. Comparison of mean and standard deviation标号 评价指标 均值 标准差 原图 本文算法处理后图像 原图 本文算法处理后图像 P1 146 98 59 73 P2 150 100 55 72 P3 145 102 57 74 P4 144 95 59 75 P5 148 84 59 73 P6 150 102 54 75 采用信息熵、均值 、标准差 、空间频率4种评价指标对经过各算法处理后的图像进行客观评价，结果见表2，指标对比如图7所示。其中，信息熵衡量图像中包含信息量的大小，值越大则图像包含的信息量越大[21]；均值为亮度评价指标；标准差为边缘信息清晰度评价指标，标准差越大则说明图像的边缘信息越好；空间频率用于对图像的清晰度进行评价，空间频率越大则表示图像越清晰。
表 2 不同算法处理后图像指标比较Table 2. Comparison of image indexes after processed by different algorithms标号 算法 评价指标 标号 算法 评价指标 信息熵 均值 标准差 空间频率 信息熵 均值 标准差 空间频率 P7 MSR算法 6.26 223.75 24.62 6.59 P10 MSR算法 6.80 211.18 44.18 9.01 MSRCP算法 7.62 161.77 56.39 26.6 MSRCP算法 7.72 141.76 62.85 30.89 MSRCR算法 5.54 216.56 12.94 6.12 MSRCR算法 5.69 203.26 14.70 7.31 本文算法 7.66 97.26 74.83 26.22 本文算法 7.66 88.43 72.84 29.68 P8 MSR算法 6.41 220.32 30.59 7.23 P11 MSR算法 6.07 227.16 25.55 7.27 MSRCP算法 7.72 160.59 60.29 28.83 MSRCP算法 7.45 167.66 49.98 34.65 MSRCR算法 5.92 196.57 16.82 8.03 MSRCR算法 5.28 216.14 10.63 7.42 本文算法 7.70 97.06 72.79 25.88 本文算法 7.61 101.50 78.06 32.11 P9 MSR算法 6.28 224.29 28.48 7.31 P12 MSR算法 6.05 229.81 24.22 6.80 MSRCP算法 7.60 167.65 55.68 31.61 MSRCP算法 7.50 172.20 52.63 30.93 MSRCR算法 5.45 218.15 11.94 6.85 MSRCR算法 5.53 217.19 13.08 7.69 本文算法 7.72 100.43 75.86 29.33 本文算法 7.76 102.58 75.84 31.66 由表2和图7可看出，在信息熵、均值 、标准差 、空间频率评价指标上，本文算法较MSR算法分别平均提升了21.87%，−56.06%，153.43%，294.45%，较MSRCP算法分别平均提升了1.18%，−39.56%，33.29%，−4.71%，较MSRCR算法分别平均提升了38.06%，−55.27%，462.10%，300.96%。信息熵的提升说明本文算法有效增加了图像信息量，均值的降低说明本文算法有效抑制了图像光照亮度，标准差的提升说明本文算法增强了图像的边缘信息，空间频率的提升说明本文算法有效增强了图像的清晰度。
4. 结论
1） 通过分离RGB图像的3个通道，分别引入光照调节因子以自适应调节不同亮度的图像，并采用SSR算法保留图像反射分量及图像有效信息，有效缓解了矿灯、照明灯影响导致的图像整体亮度过高问题。采用基于引导滤波的暗通道先验算法处理图像粉尘、水雾问题，并对处理后的图像采用伽马校正，进一步调节因去雾导致的光照不均问题。
2） 实验结果表明，经过非均匀照度图像去噪算法对非均匀照度图像处理后，有效抑制了因光照导致整体亮度较高的问题，且由于大雾、粉尘等因素导致图像模糊的部分更加清晰，图像的细节特征更加突出。非均匀照度图像去噪算法在信息熵、均值 、标准差 、空间频率上较MSR算法分别平均提升了21.87%，−56.06%，153.43%，294.45%，较MSRCP算法分别平均提升了1.18%，−39.56%，33.29%，−4.71%，较MSRCR算法分别平均提升了38.06%，−55.27%，462.10%，300.96%。
-
![]()
图 1 煤矿井下非均匀照度图像去噪算法整体方案
Figure 1. Overall scheme of denoising of uneven lighting images in coal mine underground algorithm
表 1 均值、标准差对比
Table 1 Comparison of mean and standard deviation
标号 评价指标 均值 标准差 原图 本文算法处理后图像 原图 本文算法处理后图像 P1 146 98 59 73 P2 150 100 55 72 P3 145 102 57 74 P4 144 95 59 75 P5 148 84 59 73 P6 150 102 54 75 
下载: 导出CSV
表 2 不同算法处理后图像指标比较
Table 2 Comparison of image indexes after processed by different algorithms
标号 算法 评价指标 标号 算法 评价指标 信息熵 均值 标准差 空间频率 信息熵 均值 标准差 空间频率 P7 MSR算法 6.26 223.75 24.62 6.59 P10 MSR算法 6.80 211.18 44.18 9.01 MSRCP算法 7.62 161.77 56.39 26.6 MSRCP算法 7.72 141.76 62.85 30.89 MSRCR算法 5.54 216.56 12.94 6.12 MSRCR算法 5.69 203.26 14.70 7.31 本文算法 7.66 97.26 74.83 26.22 本文算法 7.66 88.43 72.84 29.68 P8 MSR算法 6.41 220.32 30.59 7.23 P11 MSR算法 6.07 227.16 25.55 7.27 MSRCP算法 7.72 160.59 60.29 28.83 MSRCP算法 7.45 167.66 49.98 34.65 MSRCR算法 5.92 196.57 16.82 8.03 MSRCR算法 5.28 216.14 10.63 7.42 本文算法 7.70 97.06 72.79 25.88 本文算法 7.61 101.50 78.06 32.11 P9 MSR算法 6.28 224.29 28.48 7.31 P12 MSR算法 6.05 229.81 24.22 6.80 MSRCP算法 7.60 167.65 55.68 31.61 MSRCP算法 7.50 172.20 52.63 30.93 MSRCR算法 5.45 218.15 11.94 6.85 MSRCR算法 5.53 217.19 13.08 7.69 本文算法 7.72 100.43 75.86 29.33 本文算法 7.76 102.58 75.84 31.66
下载: 导出CSV
-
[1] 孙林,陈圣,姚旭龙,等. 矿井智能监控目标识别的图像增强方法与应用[J/OL]. 煤炭学报:1-12[2023-11-02]. http://doi.org/10.13225/j.cnki.jccs.2023.0489. SUN Lin,CHEN Sheng,YAO Xulong,et al. Image enhancement methods and applications for target recognition in intelligent mine monitoring[J/OL]. Journal of China Coal Society:1-12[2023-11-02]. http://doi.org/10.13225/j.cnki.jccs.2023.0489.
[2] 刘志成,王殿伟,刘颖,等. 基于二维伽马函数的光照不均匀图像自适应校正算法[J]. 北京理工大学学报,2016,36(2):191-196,214 . LIU Zhicheng,WANG Dianwei,LIU Ying,et al. Adaptive adjustment algorithm for non-uniform illumination images based on 2D damma function[J]. Transactions of Beijing Institute of Technology,2016,36(2):191-196,214.
[3] 李正龙,王宏伟,曹文艳,等. 基于含噪Retinex模型的煤矿低光照图像增强方法[J]. 工矿自动化,2023,49(4):70-77. LI Zhenglong,WANG Hongwei,CAO Wenyan,et al. A method for enhancing low light images in coal mines based on Retinex model containing noise[J]. Journal of Mine Automation,2023,49(4):70-77.
[4] 王小兵,姚雪晴,邱银国,等. 一种新型煤矿视频监控图像滤波算法[J]. 工矿自动化,2014,40(11):76-80. WANG Xiaobing,YAO Xueqing,QIU Yinguo,et al. A new filtering algorithm for video monitoring image of coal mine[J]. Industry and Mine Automation,2014,40(11):76-80.
[5] YI Renjiao,TAN Ping,LIN S. Leveraging multi-view image sets for unsupervised intrinsic image decomposition and highlight separation[C]. AAAI Conference on Artificial Intelligence,New York, 2020:12685-12692. DOI: 10.1609/aaai.v34i07.6961
[6] 涂毅晗,汪普庆. 基于多尺度局部直方图均衡化的矿井图像增强方法[J]. 工矿自动化,2023,49(8):94-99. TU Yihan,WANG Puqing. Mine image enhancement method based on multi-scale local histogram equalization[J]. Journal of Mine Automation,2023,49(8):94-99.
[7] LI Jiafeng,HAO Shuai,LI Tianshuo,et al. RDMA:low-light image enhancement based on retinex decomposition and multi-scale adjustment[J]. International Journal of Machine Learning and Cybernetics,2023. DOI: 10.1007/s13042-023-01991-7
[8] 张立亚,郝博南,孟庆勇,等. 基于HSV空间改进融合Retinex算法的井下图像增强方法[J]. 煤炭学报,2020,45(增刊1):532-540. ZHANG Liya,HAO Bonan,MENG Qingyong,et al. Method of image enhancement in coal mine based on improved retex fusion algorithm in HSV space[J]. Journal of China Coal Society,2020,45(S1):532-540.
[9] 龚云,颉昕宇. 基于同态滤波方法的煤矿井下图像增强技术研究[J]. 煤炭科学技术,2023,51(3):241-250. GONG Yun,XIE Xinyu. Research on coal mine underground image recognition technology based on homomorphic filtering method[J]. Coal Science and Technology,2023,51(3):241-250.
[10] 吴仲琦,王琛珑,郭建伟,等. 基于生成对抗网络的单张图像高光去除方法[J]. 中国科技论文,2023,18(3):265-274. DOI: 10.3969/j.issn.2095-2783.2023.03.006 WU Zhongqi,WANG Chenlong,GUO Jianwei,et al. Single image specular highlight removal based on a generative adversarial network[J]. China Sciencepaper,2023,18(3):265-274. DOI: 10.3969/j.issn.2095-2783.2023.03.006
[11] FU Gang,ZHANG Qing,ZHU Lei,et al. A multi-task network for joint specular highlight detection and removal[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition,Nashville,2021:7752-7761.
[12] 王若状,臧景峰,张朋朋. 基于模拟曝光融合的非均匀光照图像增强[J]. 吉林大学学报(理学版),2023,61(3):601-611. WANG Ruozhuang,ZANG Jingfeng,ZHANG Pengpeng. Non-uniform illumination image enhancement based on simulated exposure fusion[J]. Journal of Jilin University(Science Edition),2023,61(3):601-611.
[13] 马鸿涛. 局部强光干扰下失真图像特征还原技术研究[D]. 大连:大连工业大学,2021. MA Hongtao. Research on feature restoration technology of distorted image under strong light interference[D]. Dalian:Dalian Polytechnic University,2021.
[14] 栗文静,刘静雪,周瑞云,等. 非均匀光照彩色图像的改进双直方图均衡校正[J]. 宜宾学院学报,2022,22(6):33-36,78. LI Wenjing,LIU Jingxue,ZHOU Ruiyun,et al. Improved bi-histogram equalization for color image under non-uniform illumination[J]. Journal of Yibin University,2022,22(6):33-36,78.
[15] 李灿林,朱金娟,刘金华,等. 一种自适应SSR的雾天低照度图像增强方法[J]. 计算机应用与软件,2022,39(9):233-239,268. DOI: 10.3969/j.issn.1000-386x.2022.09.035 LI Canlin,ZHU Jinjuan,LIU Jinhua,et al. An adaptive SSR method for foggy low illumination image enhancement[J]. Computer Applications and Software,2022,39(9):233-239,268. DOI: 10.3969/j.issn.1000-386x.2022.09.035
[16] 徐辉,贺耀宜. 一种煤矿井下监控视频图像预处理方法[J]. 工矿自动化,2016,42(1):32-34. XU Hui,HE Yaoyi. An image preprocessing method for underground monitoring video[J]. Industry and Mine Automation,2016,42(1):32-34.
[17] 孙希延,陶堃,黄建华,等. 基于暗通道的自适应图像去雾算法[J]. 计算机仿真,2022,39(6):359-364. DOI: 10.3969/j.issn.1006-9348.2022.06.071 SUN Xiyan,TAO Kun,HUANG Jianhua,et al. Adaptive image dehazing algorithm based on dark channel[J]. Computer Simulation,2022,39(6):359-364. DOI: 10.3969/j.issn.1006-9348.2022.06.071
[18] 刘安强,祝菁,郭少帅,等. MSR在矿井图像增强研究中的应用[J]. 煤炭技术,2023,42(9):255-257. LIU Anqiang,ZHU Jing,GUO Shaoshuai,et al. Application of MSR in mine image enhancement[J]. Coal Technology,2023,42(9):255-257.
[19] 阮顺领,刘丹洋,白宝军,等. 基于自适应MSRCP算法的煤矿井下图像增强方法[J]. 矿业研究与开发,2021,41(11):186-192. RUAN Shunling,LIU Danyang,BAI Baojun,et al. Image enhancement method for underground coal mine based on the adaptive MSRCP algorithm[J]. Mining Research and Development,2021,41(11):186-192.
[20] 王利娟,常霞,张伯妍. 基于MSRCR的自适应低照度图像增强[J]. 现代电子技术,2022,45(2):155-161. WANG Lijuan,CHANG Xia,ZHANG Boyan. Adaptive low-illumination image enhancement based on MSRCR[J]. Modern Electronics Technique,2022,45(2):155-161.
[21] 徐望明,刘召,伍世虔,等. 基于虚拟多曝光融合的不均匀光照图像增强方法[J]. 华中科技大学学报(自然科学版),2020,48(8):79-84,90. XU Wangming,LIU Zhao,WU Shiqian,et al. Non-uniform illumination image enhancement method based on virtual multi-exposure fusion[J]. Journal of Huazhong University of Science and Technology(Natural Science Edition),2020,48(8):79-84,90.
-
期刊类型引用(2)
1. 张旭辉，解彦彬，杨文娟，张超，万继成，董征，王彦群，蒋杰，李龙. 煤矿井下采掘工作场景非均质图像去雾与增强技术. 煤田地质与勘探. 2025(01): 245-256 . 
百度学术
2. 盖勇刚. 基于暗通道引导滤波和光照校正的煤矿井下图像去雾算法. 工矿自动化. 2024(06): 89-95 . 本站查看
其他类型引用(0)
计量
- 文章访问数: 850
- HTML全文浏览量: 68
- PDF下载量: 79
- 被引次数: 2
