一种矿井图像增强算法

(1.太原科技大学计算机科学与技术学院，山西太原 030024；2.中国科学院地理科学与资源研究所，北京 100101)

摘要：针对煤矿井下视频监控系统采集图像对比度低、光照不均、伴有大量噪声等问题，提出一种基于加权引导滤波同步去噪的单尺度Retinex算法对矿井图像进行增强。该算法首先采用加权引导滤波代替单尺度Retinex算法的高斯滤波对图像的低频分量进行照度估计，然后采用加权引导滤波对图像的高频分量进行去噪处理，最后由对数域转换到实数域得到增强后的图像。通过主观视觉效果和客观质量评价对该算法进行验证，结果表明该算法较传统图像增强算法可获得更好的图像视觉效果，且图像处理速度更快。

关键词：矿井图像；视频监控图像；图像增强；单尺度Retinex算法；加权引导滤波

0 引言

煤矿视频监控作为煤矿安全监控系统中不可缺少的环节，为煤矿安全生产提供了技术上的支持和保证。但由于煤矿井下环境特殊，光线差且粉尘较多，多数视频监控系统采集的图像存在对比度低、照度低、细节模糊不清、含有大量噪声等缺点，导致图像视觉效果差，严重影响视频分析结果，因此，有必要对矿井图像进行快速增强处理[1]。

目前低照度图像增强算法主要包括图像融合法、暗原色先验法、变换域法和空域法[2]。图像融合法效果较好，但无法实现实时处理。暗原色先验法获得的复原图像清晰度很高，但是复原过程中忽略了算法本身带来的噪声问题，可能会出现噪声放大现象。张谢华等[3]提出一种基于暗原色先验法与双边滤波器的去雾除尘和同步去噪算法，在获取复原图像的同时，实现噪声同步滤除。小波变化是目前较常用的变换域法。谢海波[4]提出一种基于提升小波域的矿井图像增强方法，可使井下低对比度图像获得较好的视觉效果，但需要预先定义小波基，导致该方法应用受限。空域法中的直方图均衡化法简单有效，处理速度快，但不考虑图像的细节信息，容易产生过增强现象，而且对噪声敏感。

近年来，有学者将Retinex理论引入图像增强领域，为解决光照变化问题提供了一种新的方法[5]。Retinex算法以颜色恒常性为基础，可在动态范围压缩、边缘增强和颜色恒常3个方面达到平衡，因此能对不同类型的图像进行自适应增强[6]，尤其适用于多尘雾和光照不足的煤矿井下环境。刘海波等[7]提出一种改进直方图均衡和Retinex算法的图像增强方法，可提高光照条件变化下的图像增强效果，但是处理效率和噪声问题没有得到有效解决。胡韦伟等[8]提出一种基于双边滤波的Retinex图像增强算法，利用双边滤波代替高斯滤波对光照进行估计，能有效抑制光晕和颜色失真现象，但是算法复杂度高，无法达到实时效果。程德强等[9]提出一种基于引导滤波的Retinex图像增强算法，利用引导滤波代替高斯滤波对光照进行估计，较好地解决了过增强、运算量大的问题，但仍存在伪边缘和光晕伪影问题。针对上述问题，本文提出一种基于加权引导滤波同步去噪的单尺度Retinex(Single Scale Retinex，SSR)算法对煤矿井下图像进行增强。该算法采用加权引导滤波对图像低频分量进行照度估计、对图像高频分量进行同步去噪，有效减少了算法运行时间，使图像获得了更好的视觉效果，同时解决了Retinex算法的噪声放大问题。

1 相关理论

Retinex理论是1963年由E. Land提出的一种颜色恒常知觉的色彩理论，其基本思想是人类感知到某点的颜色和亮度不仅取决于该点进入人眼的绝对光线，还与其周围的颜色和亮度有关。目前应用最广泛的Retinex算法是SSR算法和MSR(Multi Scale Retinex，多尺度Retinex)算法[10]。

根据Retinex算法，给定图像可看成是照度分量和反射分量的乘积，其原理如图1所示[11]。

式中：S(x,y)为摄像机拍摄的图像；(x,y)为图像中像素位置；R(x,y)为反射分量，包含图像的高频信息，决定一幅图像的本质属性；L(x,y)为照度分量，对应于图像的低频信息，直接决定图像中像素所能达到的动态范围[7]。

为了从原始图像中分离出照度分量和反射分量，需将原始图像转换到对数域，通常对式(1)两边取对数，得

SSR算法采用高斯卷积函数G(x,y)作为中心环绕函数对照度分量进行估计。估计后的照度分量为

大量文献表明，SSR算法在光照处理和去雾方面效果较好。但由于高斯滤波器为低通滤波器，在采用高斯卷积函数估计图像的照度分量时，将导致图像中灰度相差大的边缘处产生光晕现象，并使边缘变得模糊，影响对目标的识别。另外，SSR算法在图像处理过程中容易放大噪声。

引导滤波是2013年由K. He等提出的线性移变滤波器[12]，具有局部线性平滑边缘保持的性质。引导滤波包括导向图I、输入图像p和输出图像q。由于假设引导滤波的导向图I和输出图像q之间是局部线性关系，所以输出图像q是导向图I在窗口为ωk、以k为中心的线性变换，即

式中:qi为像素i的输出图像;Ii为像素i的导向图;ak，bk为窗口中心为k时该线性函数的系数。

为了更好地保留图像细节信息，需要求得ak和bk的最优解，使输入图像p和输出图像q之间的差值最小，则窗口ωk的代价函数可以表示为

式中:pi为像素i的输入图像;ε为规整化因子，用于防止ak过大。

式中：m为窗口ωk中像素的个数；

分别为导向图I在窗口ωk的均值和方差；

k为输入图像p在窗口ωk的平均值。

由于像素i与所有包含像素i的窗口ωk相关，在不同的窗口计算时，qi的值是不同的，需要对qi进行平均处理，得

式中

i为包含像素i的所有窗口的平均系数,

bk,ωi为以像素i为中心的窗口。

与传统滤波相比，引导滤波对灰度图像和高维图像的处理速度很快，仅有一个O(N)(N为图像像素总数)的时间复杂度，处理速度与滤波核的尺寸和亮度范围无关。

2 基于加权引导滤波同步去噪的SSR算法

由于SSR算法采用具有各向同性的低通滤波器进行照度估计，所以在光照突变区域会产生光晕现象。目前常用双边滤波进行照度估计。双边滤波在平滑图像的同时可以保留边缘信息，但是其计算复杂度较高，且存在梯度逆转伪影现象。引导滤波在图像细节增强上有优势，可以有效减少梯度逆转伪影现象，但由于文献[12]中提出的引导滤波器所采用的窗口都是固定的规整化因子，没有考虑不同窗口中像素处于边缘区域和平坦区域的差异，所以在图像边缘处会出现一定程度的模糊现象，并且在灰度值变化大的区域可能出现伪边缘。为了减少光晕，并使边缘不模糊，本文采用加权引导滤波代替高斯滤波对图像的低频分量进行照度估计。Z. Li等[13]提出将边缘权重加入引导滤波中形成加权引导滤波，即结合局部窗口内的方差对规整化因子进行自适应调整。像素i的边缘权重为

式中：M为导向图I中像素总数；

(j)分别为I在以像素i、像素j为中心的3×3邻域内的方差；γ为很小的常数，取值为(0.001l)2，l为输入图像的动态范围，本文处理的灰度图像深度为8位，则取l=256。

处于边缘的像素ΓI(i)大于1，而在平滑区域ΓI(i)小于1，因此窗口ωk的代价函数可以表示为

由式(13)可知，像素点i的边缘权重ΓI(i)越大，其对应的规整化因子越小，实现了对规整化因子的自适应调整，在平滑过程中可更好地保护图像边缘。通过式(14)求得的加权引导滤波最终表达式为

式中

i为经加权引导滤波处理后像素i的输出图像

i为加权后的导向图。

将式(4)、式(5)中的高斯卷积函数替换为式(15)的加权引导滤波函数，则SSR算法可表示为

当原始图像较复杂且存在噪声时，在Retinex算法中得到的反射图像会出现噪声放大现象。这是由于Retinex算法对图像暗区域拉伸的幅度比亮区域大很多，所以采用Retinex算法处理的图像中较暗区域被显著增强，而较亮区域基本保持不变。但较暗区域的噪声也被放大，即该区域的光照幅度被提高，导致区域中原先未被人眼发现的噪声变得明显[14],直接影响目标识别和特征提取的准确性。

文献[14]采用双边滤波器作为去噪滤波器加入Retinex算法中，以应对噪声放大问题。双边滤波器可以在保持边缘的同时去除噪声，与一般滤波器相比，其处理效果更好。但是双边滤波器在强度突变位置会出现明显的伪影，同时双边滤波器的时间复杂度为O(Nβ2),在窗口半径β较大或者处理高分辨率图像时计算时间过长，导致其同步去噪效率较低。本文采用具有保边去噪功能的加权引导滤波器作为去噪滤波器加入Retinex算法中，实现对高频信息同步去噪。与双边滤波器相比，加权引导滤波器的时间复杂度仅有一个O(N)，且不受梯度逆转伪影的影响，执行速度也与窗口大小无关，因此去噪效率较高。在1.2节中确定线性函数系数ak和bk时，加权引导滤波算法假设噪声模型为

Retinex算法将输入图像分解为照度图像和反射图像，由于噪声一般处于图像的高频部分，所以原图像的噪声基本在反射图像中。将2.1节得到的反射图像r(x,y)作为输入图像代入式(15)，得到像素i去噪后的反射图像：

由于煤矿井下图像色彩单一，所以采用基于加权引导滤波同步去噪的SSR算法对灰度图像进行增强，不仅可以减少计算复杂度，而且可以大大缩短处理时间。该算法具体步骤：① 读入待处理的原始图像S(x,y)。② 将S(x,y)从彩色图像转换为灰度图像Sgray(x,y)。③ 对灰度图像Sgray(x,y)取对数，从中分离出照度分量L(x,y)和反射分量R(x,y)。④ 应用式(16)，采用加权引导滤波代替SSR算法的高斯卷积函数对图像进行照度估计，得到估计后的照度分量L′(x,y)。⑤ 根据估计的照度分量L′(x,y)，利用式(17)得到实数域的反射分量r(x,y)。⑥ 应用式(19)，利用具有保边去噪功能的加权引导滤波器对图像的高频分量进行去噪处理，得到去噪后的图像r′(x,y)。⑦ 输出图像。

3 实验结果及分析

为了验证本文算法的有效性，使用操作系统为Windows7、CPU为Core i5、内存为4 GB的计算机进行了实验，分别选取低照度图像和矿井视频监控图像在OpenCV 2.4.9上进行增强处理,采用主观评价和客观评价2种图像质量评价方法对直方图均衡化算法、SSR算法、文献[8]算法、文献[9]算法及本文算法进行比较，实验结果如图2和图3所示。

从图2(a)、图3(a)可看出，处理前图像照度低，几乎看不到图像背景的具体信息，如图3(a)中位于图像左上角的灭火器几乎无法辨别，而且图像的对比度低，含有噪声。从图2(b)、图3(b)可看出，采用直方图均衡化算法后，图像的对比度和亮度得到改善，但是亮的区域特别亮，暗的区域特别暗，产生了过增强现象。从图2(c)、图3(c)可看出，采用SSR算法后，图像整体亮度和清晰度得到提高，视觉效果明显优于原图，但是光晕现象明显，且图3(c)中带式输送机出现了曝光过度现象。从图2(d)、图3(d)可看出，采用文献[8]算法后，虽然图像的清晰度有所改善，但细节信息得不到体现，并且在暗区域存在噪声放大问题。从图2(e)、图3(e)可看出，采用文献[9]算法后，虽然图像的边缘和细节信息得到突出，但是依然存在一定的噪声和光晕。从图2(f)、图3(f)可看出，采用本文算法后，图像亮度得到明显增强，环境清晰度得到提高，强光区域的光晕现象得以消除，噪声放大现象也得到一定程度的抑制，较其他算法处理的图像具有更好的视觉效果。

采用均值、标准差、信息熵、峰值信噪比(PSNR)和平均运行时间作为评价指标对各图像增强算法进行客观评价。均值用于评价图像平均亮度的变化，其值越大，表示图像亮度越高；标准差反映图像的对比度，其值越大，表示对比度越大；信息熵用于衡量图像的信息量，其值越大，表示图像包含的信息越多；PSNR用于评价图像的逼真度，其值越大，表示抑制噪声能力越强。以图2和图3中的图像为例，各算法的客观评价结果见表1—表3。

从表1和表2可以看出，经过算法处理后图像的均值、标准差和信息熵均高于原始图像。由于经过直方图均衡化算法、SSR算法和文献[8]算法处理后图像的部分区域存在曝光过度现象，所以这3种算法的标准差偏高。本文算法处理图像的标准差虽然没有上述3种算法高，但是与原图相比，对比度有了一定程度的增强，且没有过增强现象。本文算法处理图像的信息熵和PSNR比其他算法高，且各个评价指标均高于文献[9]算法处理图像，表明经过本文算法处理的图像包含了更多细节信息，且抑制噪声能力强。

表1 图2质量客观评价结果

表2 图3质量客观评价结果

表3 各算法的运行时间 s

从表3可看出，直方图均衡化算法、SSR算法和文献[8]算法、文献[9]算法处理每帧图像的时间过长，应用在煤矿视频监控中势必会造成卡顿现象；本文算法运算速度较其他算法具有很大优势，满足煤矿视频监控实时处理要求。

4 结语

提出的基于加权引导滤波同步去噪的SSR算法在常规SSR算法基础上，采用加权引导滤波代替高斯滤波对光照进行估计，同时采用加权引导滤波对图像高频分量进行同步去噪。实验结果表明，该算法能够有效增强煤矿井下低照度图像的亮度和对比度，将低照度图像的平均亮度提高3倍以上；在保留细节的同时抑制了噪声，解决了SSR算法的噪声放大问题，整体效果优于同类算法；具有很高的运行效率，满足煤矿视频监控实时处理要求。

[1] 李新锋.煤矿视频监控图像增强方法的研究[D].哈尔滨：黑龙江科技大学,2010.

[2] 王小元,张红英,吴亚东,等.基于物理模型的低照度图像增强算法[J].计算机应用,2015,35(8):2301-2304.

[3] 张谢华,张申,方帅,等.煤矿智能视频监控中雾尘图像的清晰化研究[J].煤炭学报,2014,39(1):198-204.

[4] 谢海波.提升小波变换域矿井光照不均匀图像双直方图均衡化增强[J].金属矿山,2016(5):153-157.

[5] 李权合,毕笃彦,马时平,等.基于Retinex和视觉适应性的图像增强[J].中国图象图形学报,2010,15(12):1728-1732.

[6] TANG L,CHEN S,LIU W,et al.Improved Retinex image enhancement algorithm[J].Procedia Environmental Sciences,2011,11:208-212.

[7] 刘海波,汤群芳,杨杰.改进直方图均衡和Retinex算法在灰度图像增强中的应用[J].量子电子学报,2014,31(5):525-532.

[8] 胡韦伟,汪荣贵,方帅,等.基于双边滤波的Retinex图像增强算法[J].工程图学学报,2010,31(2):104-109.

[9] 程德强,郑珍,姜海龙.一种煤矿井下图像增强算法[J].工矿自动化,2015,41(12):31-34.

[10] HAO W,HE M,GE H,et al.Retinex-like method for image enhancement in poor visibility conditions[J].Procedia Engineering,2011,15:2798-2803.

[11] 马忠丽,文杰.融合边缘信息的单尺度Retinex海雾去除算法[J].计算机辅助设计与图形学学报,2015,27(2):217-225.

[12] HE K, SUN J, TANG X. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013,35(6):1397-1409.

[13] LI Z, ZHENG J, ZHU Z, et al. Weighted guided image filtering[J]. IEEE Transactions on Image Processing: A Publication of the IEEE Signal Processing Society, 2015, 24(1):120-128.

[14] 沈丰,赵宇明.基于实时Retinex与双边滤波的图像增强算法[J].计算机应用与软件,2009,26(11):234-238.

(1.Department of Computer Science and Technology, Taiyuan University of Science and Technology,Taiyuan 030024, China; 2.Institute of Geographic Science and Natural Resource Research,Chinese Academy of Science, Beijing 100101, China)

Abstract：For poor images captured by coal mine video monitoring system with low contrast, uneven illumination and a lot of noise, a single scale Retinex algorithm based on simultaneous denoising of weighted guided filtering was proposed for underground image enhancement. Firstly, low-frequency components of an image are estimated by the weighted guided filter, which replaces Gaussian filter in single scale Retinex algorithm. Secondly, high-frequency components of the image are denoised by the weighted guided filter. Finally, an enhanced image is obtained through conversion from log domain to real field. The subjective visual effect and objective evaluation results show the algorithm has better visual effect and higher image processing speed than traditional image enhancement algorithms.

Key words：mine image; video monitoring image; image enhancement; single scale Retinex algorithm; weighted guided filtering

基金项目：“十二五”山西省科技重大专项项目(20121101001);山西省中科院科技合作项目(20141101001);山西省科技攻关项目(20141039)。

作者简介：王星(1992-)，女，山西晋城人，硕士研究生，主要研究方向为图像处理、计算机视觉，E-mail:363681087@qq.com。

网络出版地址：http://kns.cnki.net/kcms/detail/32.1627.TP.20170301.1514.011.html

王星，白尚旺，潘理虎,等.一种矿井图像增强算法[J].工矿自动化，2017,43(3)：48-52.