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
随着智慧矿山的发展，利用图像对矿井安全进行监控得到了广泛应用[1]。然而受煤矿井下光源分布不均、整体光线弱等影响，监控图像呈亮度低、不清晰等特点，给后续的图像分析带来较大困难[2]。因此，增强矿井图像的亮度和清晰度对煤矿安全具有重要意义。
目前，针对矿井低照度图像增强大多采用Retinex算法，其中多尺度Retinex（Multi-Scale Retinex，MSR）算法对矿井图像亮度增强有较好的效果，但容易造成图像产生光晕和色彩失真等问题。张立亚等[3]提出了一种融合双边滤波和MSR算法的井下图像增强方法，能有效减少光晕模糊的现象，但图像边缘不够清晰。Hu Haokun等[4]提出了基于形态学Retinex算子的低照度图像增强算法，能有效提高图像清晰度，但算法较为复杂，需设置参数多。智宁等[5]采用引导滤波提取光照分量来对Retinex算法进行改进，但对光晕处理效果不佳。李晓宇等[6]通过引入快速引导滤波改进Retinex算法，实现了矿井图像的亮度增强，但对图像暗部细节增强不明显。Mu Qi等[7]在引导滤波的基础上提出了一种加权引导滤波（Weighted Guided Filtering，WGIF）算法，通过引入权重因子改进引导滤波的权重，降低了光晕的影响，然而WGIF算法中基于图像局部方差的权重估计[8]对于低照度图像的边缘增强效果并不明显。
针对上述算法存在的不足，本文提出了一种基于TopHat加权引导滤波（TopHat Weighted Guided Filtering，THWGIF）的Retinex算法（以下简称THWGIF−Retinex算法），并用于矿井图像增强。该算法通过引入TopHat变换改进WGIF的权重因子，实现光照分量提取，可提升图像边缘的清晰度，避免产生光晕现象；采用自适应Gamma校正函数对图像的光照分量和饱和度分量进行增强，可改善图像细节信息和色彩失真情况，有效提高矿井图像质量。
1. THWGIF−Retinex算法
采用THWGIF−Retinex算法对矿井图像进行增强，流程如图1所示，具体步骤如下：
![]()
图 1 基于THWGIF−Retinex算法的矿井图像增强流程Figure 1. Mine image enhancement process based on THWGIF-Retinex algorithm（1） 将输入图像从RGB空间转换到HSV空间[9]，并将其分离成色调（H）、饱和度（S）、亮度（V）3个通道分量。
（2） 通过THWGIF算法对亮度分量进行光照分量提取；分别对光照分量和饱和度分量进行自适应Gamma校正，得到校正后的光照分量和饱和度分量。
（3） 根据步骤（2）得到的校正后光照分量，采用Retinex算法求得反射分量。
（4） 将色调分量、校正后饱和度分量、反射分量进行通道合并后转回RGB空间，输出增强图像。
1.1 光照分量提取
引导滤波是一种能保持图像边缘的滤波技术[10]，将其应用到矿井图像增强中可保留图像细节。假设引导图像与输出图像存在局部线性关系：
$$ {q}_{i}{{ = a}}_{{k}}{I}_{i}{{+ b}}_{{k}}\;\; \forall i\in {\omega }_{{k}} $$ (1) 式中：
$ {q_i} $ 为输出图像中第$ i $ 个像素点的值；$ {{{a}}_{{k}}} $ ，$ {{{b}}_{{k}}} $ 为以像素$ {{k}} $ 为中心的滤波窗口$ {\omega _{{k}}} $ 的线性系数；$ {I_i} $ 为引导图像中第$ i $ 个像素点的值。采用最小二乘法对
$ {{{a}}_{{k}}} $ 和$ {{{b}}_{{k}}} $ 进行求解，代价函数为$$ { E}\left({{a}}_{{k}}，{{b}}_{{k}}\right)={\displaystyle \sum\limits_{i{ }\in { }{\omega }_{{k}}}\left[{\left({{a}}_{{k}}{I}_{i}{{+ b}}_{{k}}-{p}_{i}\right)}^{2}+\varepsilon {{a}}_{{k}}{}^{2}\right]} $$ (2) 式中：
$ {p_i} $ 为输入图像中第$ i $ 个像素点的值；$ \varepsilon $ 为正则化参数，其对滤波效果有较大影响。由于引导滤波对所有窗口均选取相同的
$ \varepsilon $ ，未考虑窗口的像素差异，导致图像边缘不清晰。WGIF选取窗口内的方差作为边缘权重因子，用于调节$ \varepsilon $ ，使有明显纹理区域的图像方差更大，对应的权值也更高，从而更好地保留图像边缘信息[11-12]。但方差大不代表图像的边缘信息强，对于井下低照度图像，仅通过计算方差很难得到合适的边缘权重因子。TopHat变换是图像处理中一种形态学变换方式，能够完成较暗背景图像中局部较亮区域的提取[13]。当光照较强时图像边缘有所模糊，通过TopHat变换处理后，光亮区域的边缘效果会有所提升[14]。
为进一步提高边缘检测的准确性，本文将TopHat变换融合到边缘权重因子计算中：
$$ {\varphi _n}{\text{ = }}\frac{1}{N}\sum\limits_{n = 1}^N {\frac{{T\left( m \right) + \alpha }}{{T\left( n \right) + \alpha }}} $$ (3) 式中：
$ {\varphi _n} $ 为边缘权重因子；N为引导图像的像素点个数；$ T\left( m \right) $ 为经过TopHat变换后的图像以像素点$ m $ 为窗口中心的均值；$ T\left( n \right) $ 为引导图像以像素点$ n $ 为窗口中心的均值；$ \alpha $ 为常数，取值$ 1 \times {10^{ - 4}} $ 。对于图像亮度较高的区域，边缘权重因子较大，则对应的
$ \varepsilon $ 较小，能更好地保留亮度较高区域的图像边缘信息。对于图像亮度较低的区域，边缘权重因子较小，则对应的$ \varepsilon $ 较大，对低照度区域有更好的平滑效果。THWGIF对应的代价函数为
$$ { E}\left( {{{{a}}_{{k}}}{{,}}{{{b}}_{{k}}}} \right){{ = }}\sum\limits_{i{{ }} \in {{ }}{\omega _{{k}}}} {\left[ {{{\left( {{{{a}}_{{k}}}{{{I}}_i}{{ + }}{{{b}}_{{k}}}} \right)}^2} + \frac{\varepsilon }{{{\varphi _n}}}{{{a}}_{{k}}}^2} \right]} $$ (4) THWGIF在保持WGIF优势的基础上，能有效减少图像光晕，具有更好的图像边缘保持效果。本文采用THWGIF对光照分量进行提取：
$$ {F}\left( {x,y} \right) = G\left( {I,{r_i},\varepsilon ,s} \right) $$ (5) 式中：
$ {F}\left( {x,y} \right) $ 为根据引导图像 I估计出的光照分量；$ G\left( \bullet \right) $ 为作用于引导图像I的THWGIF运算；$ {r_i} $ 为引导滤波窗口大小；$ s $ 为下采样倍数。WGIF和THWGIF算法对同一幅矿井图像的滤波效果对比如图2所示。可看出在平滑效果相近的前提下，THWGIF算法能更好地保留图像边缘信息。
1.2 光照分量及饱和度分量校正
煤矿大多采用矿灯对矿井进行照明，光源集中在某几处地方，使得图像部分区域过亮，难以观测到暗区域的信息，影响视觉效果。为解决该问题，本文采用自适应Gamma校正函数对光照分量进行增强，使图像不仅在亮度上有所提高，并保证亮度分布更加均匀[15-16]。
$$ Z\left( {x,y} \right) = 255{\left( {\frac{{F\left( {x,y} \right)}}{{255}}} \right)^\gamma } $$ (6) 式中：
$ Z\left( {x,y} \right) $ 为经过校正后的光照分量；$ \gamma $ 为自适应Gamma校正系数。$ \gamma $ 是影响图像亮度的关键。选取不同$ \gamma $ 时的图像增强效果如图3所示。当$ \gamma $ =0.2时，图像出现亮度过饱和的现象；当$ \gamma $ =0.5时，图像暗区域的亮度有明显增强效果，且图像亮区域没有出现过度增强的现象；当$ \gamma $ =0.8时，图像整体亮度增强不明显。因此本文采用的光照分量校正系数为0.5。在HSV空间模型中，当亮度增加，饱和度就会有所降低。为保证图像的饱和度细节不丢失，在对光照分量进行增强后，图像的饱和度分量也要进行相应的增强。本文采用自适应Gamma校正函数对饱和度分量进行增强，经实验可得，当饱和度校正系数为1.1时，图像增强效果最佳。
1.3 反射分量获取
Retinex算法是一种以颜色恒常性为基础的图像增强方法。该算法认为物体的颜色不是由反射光的绝对值决定的，而是由物体的反射能力决定的。
$$ L(x,y) = R(x,y) * F(x,y) $$ (7) 式中：
$ L(x,y) $ 为原始图像；$ R(x,y) $ 为反射分量，通常具有大量的高频信息。为求解反射分量，一般先将式（7）转换到对数域，再移项使原始图像与光照分量相减：
$$ \ln R(x,y) = \ln L(x,y) - \ln F(x,y) $$ (8) 对
$ \ln R(x,y) $ 进行指数运算，得到最终的反射分量。2. 实验分析
选取煤矿井下低照度图像，从主观评价和客观评价2个方面对MSR算法、WGIF−Retinex算法及本文THWGIF−Retinex算法对图像增强效果进行对比。
2.1 主观评价
不同算法下无强光直射的矿井图像增强效果及灰度直方图分别如图4和图5所示，不同算法下有强光直射的矿井图像增强效果及灰度直方图分别如图6和图7所示。
![]()
图 4 不同算法下矿井图像1增强效果对比Figure 4. Comparison of enhancement effects of mine image 1 under different algorithms![]()
图 5 不同算法下矿井图像1灰度直方图对比Figure 5. Comparison of gray histogram of mine image 1 under different algorithms从图4可看出，对于无强光直射的矿井低照度原始图像1，经MSR算法增强后的图像亮度有所增强，但图像细节丢失，整体色彩偏浅；经WGIF−Retinex算法增强后的图像整体亮度较为均匀，在饱和度方面有较好的改善，但图像边缘较为模糊；经THWGIF−Retinex算法增强后的图像与经WGIF−Retinex算法增强后的图像相比，色彩还原度较高，且图像边缘更清晰，视觉效果明显增强。从图6可看出，对于有强光直射的矿井低照度原始图像2，经MSR算法增强后的图像在光源处存在光晕现象；经WGIF−Retinex算法和THWGIF−Retinex算法增强后的图像对光晕有很好的改善效果，且经THWGIF−Retinex算法增强后的图像在还原暗区域的细节信息和清晰度上优于WGIF−Retinex算法增强后的图像。
![]()
图 6 不同算法下矿井图像2增强效果对比Figure 6. Comparison of enhancement effects of mine image 2 under different algorithms从图5可看出，原始图像1的灰度级主要分布在0～100之间，经MSR算法增强后的图像直方图灰度级分布在100～250之间，经WGIF−Retinex算法和THWGIF−Retinex算法增强后的图像直方图灰度级分布在0～255之间，灰度级分布范围越广，表明图像对比度越高。从图7可看出，原始图像2的灰度级大多分布在在0～50之间；经MSR算法增强后的图像直方图灰度级分布在100～255之间，表明增强后图像亮度过强；经WGIF−Retinex和THWGIF−Retinex算法增强后的图像直方图灰度级在0～250范围内均匀分布，表明增强后图像的对比度较高；经THWGIF−Retinex算法增强后图像在100～200灰度级范围内的像素点个数大于经WGIF−Retinex算法增强后的图像，表明THWGIF−Retinex算法对图像整体亮度增强效果优于WGIF−Retinex算法。
![]()
图 7 不同算法下矿井图像2灰度直方图对比Figure 7. Comparison of gray histogram of mine image 2 under different algorithms2.2 客观评价
采用信息熵[17]、平均梯度[18]、标准差[19]、无参考结构清晰度（No-Reference Structural Sharpness，NRSS）[20]作为图像质量客观评价指标。信息熵反映图像的信息量；平均梯度反映图像的清晰度；标准差反映图像的对比度；NRSS是衡量图像质量优劣的重要指标。上述指标的值越大，表明图像质量越好。
表 1 矿井图像1客观评价结果Table 1. Objective evaluation results of mine image 1图像 信息熵 平均梯度 标准差 NRSS 原始图像 6.427 9 3.599 5 26.060 7 0.428 2 MSR算法增强后图像 6.839 3 3.887 1 32.778 3 0.422 7 WGIF−Retinex算法增强后图像 7.311 7 5.347 2 40.859 0 0.551 2 THWGIF−Retinex算法增强后图像 7.231 6 7.525 6 39.728 8 0.622 9 表 2 矿井图像2客观评价结果Table 2. Objective evaluation results of mine image 2图像 信息熵 平均梯度 标准差 NRSS 原始图像 6.511 8 4.855 3 33.418 9 0.399 5 MSR算法增强后图像 7.263 5 4.984 2 36.312 5 0.442 0 WGIF−Retinex算法增强后图像 7.455 9 5.247 3 46.694 2 0.487 7 THWGIF−Retinex算法增强后图像 7.355 0 9.043 4 42.932 8 0.604 1 从表1可看出，对于无强光直射的矿井低照度图像，经MSR算法增强后的图像在NRSS方面略低于原始图像，而经WGIF−Retinex算法和THWGIF−Retinex算法增强后的图像在各指标上均有明显提高；与原始图像相比，经THWGIF−Retinex算法增强后的图像信息熵提高了12.50%，平均梯度提高了109.07%，标准差提高了52.44%，NRSS提高了45.46%；与经WGIF−Retinex算法增强后的图像相比，经THWGIF−Retinex算法增强后的图像在平均梯度和NRSS上分别提高了40.73%和13.00%，但在信息熵和标准差方面略小。从表2可看出，对于有强光直射的矿井低照度图像，3种算法增强后的图像在各指标上均有不同程度的改善；与经MSR算法增强后的图像相比，经THWGIF−Retinex算法增强后的图像信息熵提高了1.24%，平均梯度提高了81.44%，标准差提高了18.23%，NRSS提高了36.67%；与WGIF−Retinex算法相比，THWGIF−Retinex算法在信息熵方面有所降低，但在平均梯度和NRSS方面有较大改善，分别提高了72.34%和23.87%。
3. 结语
针对矿井低照度图像增强，提出了一种THWGIF−Retinex算法。首先，通过THWGIF算法提取图像光照分量，增强光照分量的边缘保持效果；其次，通过自适应Gamma校正函数增强图像光照分量和饱和度分量；然后，利用Retinex算法从增强后的光照分量中获取图像反射分量；最后，将色调分量、反射分量、校正后的饱和度分量合并，得到增强图像。实验结果表明：该算法能有效提高图像的亮度、清晰度和对比度，抑制亮度过饱和、光晕等现象，对抗色彩失真、边缘保持具有明显的作用；经该算法增强后的矿井图像在信息熵、平均梯度、标准差、NRSS方面均有明显提高，矿井图像增强效果好。
-
![]()
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(1)
1. 向光晖，李林蔚，王涛，毛良. 基于知识图谱的工控网络安全构建研究. 工程建设与设计. 2023(22): 95-97 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 857
- HTML全文浏览量: 68
- PDF下载量: 81
- 被引次数: 2
