一種改進(jìn)的鐵路扣件圖像校正算法

董 洋，李柏林

(西南交通大學(xué) 機(jī)械工程學(xué)院，成都 610031)

一種改進(jìn)的鐵路扣件圖像校正算法

董 洋，李柏林

(西南交通大學(xué) 機(jī)械工程學(xué)院，成都 610031)

基于HOG特征的鐵路扣件檢測算法中，各類扣件特征的可辨性易受光照不均勻因素影響，降低了檢測準(zhǔn)確率。針對此類光照不均勻圖像，將二維經(jīng)驗(yàn)?zāi)B(tài)分解（BEMD）理論與直方圖均衡化相結(jié)合，首先利用BEMD變換提取圖像的細(xì)節(jié)分量和照射分量，并通過直方圖均衡化增強(qiáng)細(xì)節(jié)分量；然后進(jìn)行光照判斷，據(jù)光照判斷對細(xì)節(jié)增強(qiáng)分量疊加調(diào)整后的照射分量，得到光照均勻、細(xì)節(jié)增強(qiáng)的扣件圖像。真實(shí)實(shí)驗(yàn)表明，與傳統(tǒng)方法相比，此方法能有效增強(qiáng)圖像對比度，提高鐵路扣件檢測精度。

圖像增強(qiáng)；光照不均勻；二維經(jīng)驗(yàn)?zāi)B(tài)分解；直方圖均衡化；光照補(bǔ)償

近年來，圖像處理技術(shù)越來越多地應(yīng)用于鐵軌缺陷的快速動態(tài)檢測中[1]。針對鐵路扣件的缺陷識別算法，國內(nèi)研究較少，其中檢測精度較高的是基于梯度直方圖（HOG）特征的扣件檢測算法[2]。梯度直方圖特征[3]是一種局部區(qū)域描述符，能夠?qū)D像中局部對象的外觀和形狀進(jìn)行特征化,有效地描述圖像的主體輪廓邊緣。基于HOG特征的鐵路扣件檢測算法主要是通過梯度算子計(jì)算扣件圖像水平方向和垂直方向的梯度，計(jì)算出梯度幅值和梯度方向，再將提取到的HOG特征輸入到分類器中，進(jìn)行扣件的分類識別。

對于圖像光照均勻、整體質(zhì)量較好的圖像，正?？奂﨟OG特征和非正常扣件的HOG特征具有較明顯的差別。但類似于圖1（b）所示的圖像，由于受陽光照射的影響，扣件圖像的鋼軌兩側(cè)光照強(qiáng)度有較明顯的差異，鋼軌向陽一側(cè)灰度值較高，另一側(cè)灰度值較低；同時(shí)由于光照強(qiáng)度的不均勻，導(dǎo)致鋼軌兩側(cè)的扣件圖像質(zhì)量也有較大差異。在這種情況下，上下扣件特征區(qū)域的HOG特征會被嚴(yán)重干擾，從而大大降低分類識別的可靠性，影響扣件檢測的精度。

圖1 鐵路扣件圖像

針對以上光照不均問題，國內(nèi)外文獻(xiàn)提出了許多解決辦法，代表性的有以直方圖均衡化為代表的灰度變換法，基于照明-反射模型的同態(tài)濾波法[4]，Retinex增強(qiáng)方法[5]等。但是直方圖均衡化主要適用于增強(qiáng)整體灰度值偏低的圖像，無法有效抑制高光區(qū)域；同態(tài)濾波方法對高光區(qū)、陰影增強(qiáng)效果差；Retinex方法對原圖像中較亮部分處理能力不足。因此，以上幾種典型方法都無法有效解決扣件的圖像質(zhì)量問題。

近年來，隨著經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）[6]在信號處理中的廣泛應(yīng)用，特別是在國外學(xué)者將一維EMD擴(kuò)展到二維EMD[7]之后，國內(nèi)一些學(xué)者開始探索將其應(yīng)用于圖像處理領(lǐng)域，并在圖像紋理分析[8～9]，圖像增強(qiáng)[10]，圖像分解[11]，圖像壓縮[12]等領(lǐng)域取得了一些成果。本文針對鐵路扣件檢測中光照分布不均及圖像部分區(qū)域細(xì)節(jié)不足的問題，將二維EMD理論與直方圖均衡化相結(jié)合，提出一種基于光照補(bǔ)償?shù)膱D像增強(qiáng)方案。

1 二維經(jīng)驗(yàn)?zāi)B(tài)分解

1.1 EMD算法

EMD算法是一種基于數(shù)據(jù)時(shí)域局部特征的、自適應(yīng)的時(shí)頻分析工具，廣泛應(yīng)用于信號分析領(lǐng)域。對于信號I（t），經(jīng)EMD分解后可表示為：

式中，ci(t)-第i個(gè)模態(tài)分量，r(t)-殘余分量。對于模態(tài)分量，又稱內(nèi)蘊(yùn)模態(tài)函數(shù)（IMF），它滿足2個(gè)基本條件：極值點(diǎn)數(shù)量與過零點(diǎn)數(shù)量必須相等，或者最多相差一個(gè)；在任意時(shí)間，由極大值得到的上包絡(luò)線和由極小值得到的下包絡(luò)線的局部均值為零。

1.2 二維經(jīng)驗(yàn)?zāi)B(tài)分解（BEMD）

二維EMD算法是對一維EMD算法的擴(kuò)展，對于二維m*n圖像信號f(x，y)：x=1,…, m；y=1,…, n；二維EMD的具體實(shí)現(xiàn)過程如下。

（1）設(shè)置待處理圖像

令待處理的圖像為：

I0(x，y)= f(x，y)；i=1。

（2）分解抽取第i個(gè)IMF

a.初始化圖像：h0(x, y)= (x, y)；k=1。

b.利用8鄰域像素算法計(jì)算 hk–2(x, y)中的極大值和極小值。

c.分別對極大值和極小值點(diǎn)進(jìn)行插值，求出極大值包絡(luò)面 umax(x, y)，極小值包絡(luò)面umin(x, y)。

d.計(jì)算上下包絡(luò)面的均值：

e.從圖像中減去均值m(x, y)，得到：hk(x, y)= hk–2(x, y)– m(x, y)。

f.計(jì)算IMF終止條件，若滿足，則有：

否則令k=k+1，轉(zhuǎn)到b.步。

（3）求殘余分量

若 ri(x, y)中仍有不少于2個(gè)的極值點(diǎn)或者分解所得的IMF未達(dá)到要求數(shù)目，則將 ri(x, y)看作新的數(shù)據(jù)傳入（2），i=i+1。

（4）求得分解結(jié)果

針對二維EMD分解中存在的極值點(diǎn)選取，包絡(luò)面擬合以及邊界效應(yīng)處理等問題，本文算法中采用鏡像延拓邊界處理，3次樣條插值的曲面插值方法以及SD的終止準(zhǔn)則。

2 算法思路

利用二維經(jīng)驗(yàn)?zāi)B(tài)分解方法(BEMD)提取原始扣件圖像的光照分量和細(xì)節(jié)分量，通過直方圖均衡化對圖像細(xì)節(jié)分量進(jìn)行增強(qiáng)，得到細(xì)節(jié)增強(qiáng)圖像。判斷是否需要對細(xì)節(jié)增強(qiáng)圖像進(jìn)行光照補(bǔ)償，若需要，則采用調(diào)整光照強(qiáng)度灰度范圍的方式得到合適的光照補(bǔ)償分量；將需要光照補(bǔ)償?shù)募?xì)節(jié)增強(qiáng)分量與修改后的光照分量進(jìn)行疊加，得到增強(qiáng)后的扣件圖像。若不需要光照補(bǔ)償，則細(xì)節(jié)增強(qiáng)圖像即為最終處理結(jié)果。算法流程如圖2所示。

圖2 算法流程圖

2.1 原始圖像BWMD分解

在BEMD分解的過程中，首先會將高頻分量分解出來，再逐步篩選平滑區(qū)域和低頻信息。這和小波分解過程類似，但是小波分解要設(shè)置小波基，對于不同的小波基，分解結(jié)果不同，而BEMD是完全數(shù)據(jù)驅(qū)動的過程，只需要設(shè)定終止條件即可。

由于光照通常變化緩慢，在頻率域?qū)儆诘皖l分量，而BEMD方法可以將一幅圖像分解成一系列代表不同頻率特性的圖像。因此，通過BEMD分解，最后得到的殘余分量L(x,y)即為光照強(qiáng)度分布圖像。圖3(b)(c)為圖像經(jīng)過BEMD分解得到的殘余分量L(x,y)和細(xì)節(jié)分量R(x,y)的結(jié)果。

2.2 直方圖均衡化

扣件原始圖像I(x,y)經(jīng)過BEMD分解后，得到的細(xì)節(jié)圖像R(x,y)已經(jīng)基本去除了光照因素的影響，此時(shí)對細(xì)節(jié)圖像進(jìn)行直方圖均衡化，得到細(xì)節(jié)增強(qiáng)的扣件圖像R'(x,y)，如圖3（d）所示。

圖3 算法中間結(jié)果

2.3 光照補(bǔ)償

不同的扣件細(xì)節(jié)圖像經(jīng)過直方圖均衡化后得到的細(xì)節(jié)增強(qiáng)圖像R'(x,y) 與原細(xì)節(jié)圖像R(x,y)相比，雖然其整體灰度有所提高，但是仍有部分細(xì)節(jié)增強(qiáng)圖像R'(x,y)整體亮度仍然不足，因此首先應(yīng)判斷圖像R'(x,y)是否需要進(jìn)行光照補(bǔ)償，然后需根據(jù)光照分量L(x,y)對其進(jìn)行適當(dāng)?shù)墓庹昭a(bǔ)償。

（1）判斷是否進(jìn)行光照補(bǔ)償

當(dāng)扣件原始圖像I(x,y)的圖像灰度均值與扣件細(xì)節(jié)圖像R'(x,y)的圖像灰度均值的比值c大于某一閥值時(shí)，進(jìn)行光照補(bǔ)償，根據(jù)多次試驗(yàn)，此閥值取1.5。

（2）當(dāng)符合光照補(bǔ)償條件時(shí)，進(jìn)行以下操作

b.計(jì)算出原始圖像I(x,y)與細(xì)節(jié)增強(qiáng)后的圖像R'(x,y)的平均灰度的差值，并將其補(bǔ)償給初始調(diào)整光照 Ltemp(x,y)。

c.最終調(diào)整后的光照分量L'(x,y)為：

經(jīng)多次實(shí)驗(yàn)，此處光照補(bǔ)償系數(shù)k取0.3，可適當(dāng)進(jìn)行調(diào)整。

2.4 最終結(jié)果

將得到的細(xì)節(jié)增強(qiáng)的扣件圖像R'(x,y)與調(diào)整后的光照分量L'(x,y)疊加，得到最終結(jié)果。

3 算法結(jié)果與分析

圖4為幾種經(jīng)典算法與本文算法的增強(qiáng)結(jié)果及其圖像灰度直方圖對比。從對比結(jié)果可以看出直方圖均衡化和同態(tài)濾波兩種算法在對高光區(qū)域的抑制方面明顯不足。本文算法在對扣件圖像高光區(qū)域進(jìn)行有效抑制的同時(shí)，對陰暗區(qū)域的光照也進(jìn)行了有效的增強(qiáng)，提高了圖像的整體質(zhì)量。

為了驗(yàn)證實(shí)驗(yàn)結(jié)果,從廣通到大理鐵路線上實(shí)際采集的圖片中選取2 000張光照不均勻圖片，其中，扣件完好無損圖像1 000張，扣件缺陷圖像1 000張。選取500張完好圖像，500張缺陷圖像為訓(xùn)練集；剩余500張完好圖像，500張缺陷圖像為測試集。

對訓(xùn)練集與測試集均不進(jìn)行任何處理，用HOG特征算法對其進(jìn)行檢測，得到原始圖像檢測結(jié)果。采用傳統(tǒng)直方圖均衡化，同態(tài)濾波，分別對訓(xùn)練集和測試集進(jìn)行處理，之后采用HOG特征算法對測試集進(jìn)行檢測，實(shí)驗(yàn)結(jié)果如表1所示。

圖4 實(shí)驗(yàn)結(jié)果及對比

4 結(jié)束語

本文提出一種將二維EMD與直方圖均衡化相結(jié)合的圖像預(yù)處理算法。與傳統(tǒng)圖像增強(qiáng)算法相比較，本文算法結(jié)果在有效抑制高光區(qū)域、使得圖像整體亮度趨于均勻的同時(shí)，可以提高光照不足區(qū)域的圖像質(zhì)量，增強(qiáng)圖像對比度，從而提高了扣件檢測的識別精度。同時(shí)，也可適用于鐵路扣件之外的其他光照不均勻圖像。但是其在BEMD分解得到細(xì)節(jié)圖像方面仍存在計(jì)算不夠精確的問題，在后續(xù)研究中可以考慮做適當(dāng)改進(jìn)。

表1 實(shí)驗(yàn)結(jié)果

責(zé)任編輯 徐侃春

[1]張 霞，黨建武，馬宏鋒.基于雙結(jié)構(gòu)元素形態(tài)學(xué)的鐵軌圖像邊緣檢測方法[J].鐵路計(jì)算機(jī)應(yīng)用，2011，20（5）：28-31.

[2]李永波，李柏林，熊 鷹.基于HOG特征的鐵路扣件狀態(tài)檢測[J].傳感器與微系統(tǒng)，2013，32（10）：110-113.

[3] Dalal N, Triggs B. Histograms of oriented graients for human detection[A]. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition[C], San Diego, CA, USA, 2005,1: 886-893.

[4]肖 俊，宋壽鵬，丁麗鵑. 空域同態(tài)濾波算法研究[J].中國圖像圖形學(xué)報(bào)，2008，13（12）：2302-2306.

[5]李權(quán)合，畢篤彥，馬時(shí)平.基于Retinex和視覺適應(yīng)性的圖像增強(qiáng)[J].中國圖像圖形學(xué)報(bào)，2010，15（12）：1728-1732.

[6] Huang N E,Shen Z.The empirical mode decomposition and the Hibert spectrum for nonlinear non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A,1998.454:903-995.

[7] J.C.Nunes,Y.Bouaoune,EDelechelle. Image analysis by bidimensional empirical mode decomposition [J].Image and Vision Computing, 2003, 21(12):1019-1026.

[8]劉忠軒，彭思龍.方向EMD分解與其在紋理分割中的應(yīng)用 [J].中國科學(xué)：E輯，2005，35（2）：113-123.

[9]鄭碧波，陳偉清，田配云.基于Radon和EMD的旋轉(zhuǎn)不變紋理分類[J].計(jì)算機(jī)與現(xiàn)代化，2013（6）：67-70.

[10]梁靈飛，平子良.基于窗口經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)圖像增強(qiáng) [J].Journal of. Optoelectronics, Laser, 2010,21(9):1421-1425. [11]秦 勃，時(shí) 鵬.經(jīng)驗(yàn)?zāi)Ｊ蕉喑叨葓D像分解 [J].工程圖學(xué)學(xué)報(bào)，2002（4）：73-78.

[12] Yan Tian,Ying Huang,Li Yongjiang. Imagezooming method using 2D EMD technique [J]. JEEE. 2006. 4244: 10036-10040.

An improved correction algorithm for railway fasteners image

DONG Yang, LI Bailin
( School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China )

Railway fastener recognition algorithm based on Hierarchical Histograms of Oriented Gradients(HOG) was affected by the illumination factor easily. For this case, this paper presented an algorithm which was combined the bidimensional empirical mode decomposition(BEMD) with histogram equalization. Firstly, the illumination component and detail component were extracted by BEMD. Detail component was enhanced by histogram equalization, and illumination component was revised based on illumination judgment, this algorithm would get the satisfactory fastener image for the further detection. Compared to the traditional algorithm, experimental results showed that this algorithm could improve image contrast and recognition accuracy.

image enhancement; non-uniform illumination; BEMD; histogram equalization; light compensation

U213.53∶TP39

A

1005-8451（2014）09-0001-04

2014-03-10

四川省科技支撐計(jì)劃項(xiàng)目 （2012GZ0102）；西南交通大學(xué)牽引動力國家重點(diǎn)實(shí)驗(yàn)室自主課題（2012TPL_T10）。

董 洋，在讀碩士研究生；李柏林，教授。