綜采工作面監(jiān)控圖像混合增強(qiáng)算法

徐榮鑫，　司壘,2，　魏英豪，　王如，　陳文鵬

(1.中國(guó)礦業(yè)大學(xué) 機(jī)電工程學(xué)院， 江蘇 徐州　221116；

2.中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院， 江蘇 徐州　221116)

?

綜采工作面監(jiān)控圖像混合增強(qiáng)算法

徐榮鑫1，司壘1,2，魏英豪1，王如1，陳文鵬1

(1.中國(guó)礦業(yè)大學(xué) 機(jī)電工程學(xué)院， 江蘇 徐州221116；

2.中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院， 江蘇 徐州221116)

摘要：針對(duì)單尺度Retinex算法會(huì)產(chǎn)生較嚴(yán)重縱向條紋噪聲的問(wèn)題，提出了一種混合圖像增強(qiáng)算法。該算法利用模板去噪算法減少常規(guī)單尺度Retinex算法產(chǎn)生的縱向條紋噪聲，并結(jié)合拉普拉斯算子增強(qiáng)圖像細(xì)節(jié)，提高圖像質(zhì)量。采用實(shí)際綜采工作面不同工況下的監(jiān)控圖像對(duì)該算法進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，該算法具有圖像清晰度高、對(duì)比度大與圖像細(xì)節(jié)增強(qiáng)優(yōu)的特點(diǎn)。

關(guān)鍵詞：綜采工作面； 圖像增強(qiáng)； 單尺度Retinex； 縱向條紋噪聲； 拉普拉斯算子

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160405.1127.009.html

0引言

煤炭生產(chǎn)是一個(gè)高危行業(yè)，任何一個(gè)煤炭生產(chǎn)環(huán)節(jié)出現(xiàn)問(wèn)題都會(huì)引起重大事故，及時(shí)準(zhǔn)確地對(duì)每一個(gè)生產(chǎn)過(guò)程進(jìn)行監(jiān)控將有效減少生產(chǎn)事故的發(fā)生。但是，由于煤礦生產(chǎn)的特殊工況，監(jiān)控畫面常含有大量噪聲，畫面細(xì)節(jié)較差，這就要求對(duì)監(jiān)控圖像進(jìn)行增強(qiáng)。目前，已有學(xué)者對(duì)煤礦井下監(jiān)控圖像增強(qiáng)技術(shù)進(jìn)行研究。劉毅等[1]提出了基于同態(tài)濾波原理的井下光照不均圖像處理方法；應(yīng)東杰等[2]使用小波變換和模糊理論對(duì)巷道圖像進(jìn)行增強(qiáng)，取得了較好效果；張英俊等[3]將暗原色先驗(yàn)用于煤礦井下圖像增強(qiáng)；楊勇等[4]提出一種動(dòng)態(tài)圖像增強(qiáng)方法，消除了圖像“雪花”噪聲。然而，綜采工作面工作環(huán)境較惡劣，眩光、低照度與粉塵等工況使常規(guī)的圖像增強(qiáng)方法并不適用。針對(duì)上述情況，有學(xué)者提出了單尺度Retinex圖像增強(qiáng)算法，它通過(guò)從原圖像中去除光源的影響，達(dá)到增強(qiáng)圖像的目的[5]。目前，國(guó)內(nèi)外學(xué)者對(duì)單尺度Retinex算法提出了許多改進(jìn)方法，主要集中在光照估計(jì)方法的改進(jìn)[6-8]，而對(duì)單尺度Retinex算法產(chǎn)生的縱向條紋噪聲問(wèn)題則少有提及。

本文提出了一種混合圖像增強(qiáng)算法，用以對(duì)綜采工作面監(jiān)控圖像進(jìn)行增強(qiáng)。該算法使用模板去噪算法減少單尺度Retinex處理結(jié)果中的縱向條紋噪聲，使用拉普拉斯算子增強(qiáng)圖像細(xì)節(jié)，提高圖像質(zhì)量。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證了該算法可有效提高綜采工作面監(jiān)控圖像質(zhì)量。

1單尺度Retinex算法

Retinex算法最早由Edwin Land提出，它解釋了物體在不同光源條件下色彩的恒常性[9-10]，其本質(zhì)是將原圖像I(x,y)分為亮度圖像L(x,y)與反射圖像R(x,y)，如式(1)所示。亮度圖像反映了光源特性，反射圖像包含圖像的本質(zhì)特征，通過(guò)去除亮度圖像對(duì)反射圖像的影響，達(dá)到增強(qiáng)圖像的目的[11]。

(1)

單尺度Retinex算法由Jobson等提出，他們證明了高斯函數(shù)可以從原圖像中有效地預(yù)估出亮度圖像，進(jìn)而得到反射圖像[12]。單尺度Retinex算法可表示為

lnR(x,y)=lnI(x,y)-lnI(x,y)?G(x,y)

(2)

G(x,y)為高斯函數(shù)，其可表示為

(3)

式中：σ為高斯函數(shù)的尺度參數(shù)，σ越小動(dòng)態(tài)范圍壓縮越強(qiáng)，細(xì)節(jié)增強(qiáng)越明顯，但色彩容易失真;σ越大,動(dòng)態(tài)范圍壓縮能力減弱，色彩保真度越高[13]。

單尺度Retinex算法對(duì)于霧化與低照度的圖像具有明顯的增強(qiáng)效果，然而，在實(shí)際應(yīng)用過(guò)程中發(fā)現(xiàn)，當(dāng)圖像中存在灰度明顯變化的區(qū)域時(shí)，單尺度Retinex算法會(huì)產(chǎn)生較嚴(yán)重的縱向條紋噪聲，對(duì)圖像質(zhì)量影響較大，如圖1(b)所示。

(a)原圖(b)單尺度Retinex算法處理結(jié)果

圖1原圖與單尺度Retinex算法處理結(jié)果

2混合圖像增強(qiáng)算法

針對(duì)單尺度Retinex算法會(huì)產(chǎn)生較嚴(yán)重的縱向條紋噪聲的問(wèn)題，本文提出了一種混合圖像增強(qiáng)算法，算法流程如圖2所示。

2.1模板去噪算法

模板去噪算法通過(guò)分析縱向條紋噪聲的特點(diǎn)，標(biāo)記出噪聲區(qū)域，隨后將噪聲從原始圖像中剔除，實(shí)現(xiàn)去噪。模板去噪算法的具體步驟如下：

圖2　混合圖像增強(qiáng)算法流程

Step1: 使用m×n的均值濾波器對(duì)輸入圖像進(jìn)行橫向模糊(m，n分別為濾波器的列數(shù)與行數(shù)，且m>n)。圖3(a)為將圖1(b)作為輸入圖像，對(duì)其使用31×1的均值濾波器橫向模糊化的結(jié)果。

Step2: 輸入圖像減去Step1所得圖像，可得到包含縱向條紋噪聲的噪聲模板。圖3(b)為圖1(b)的噪聲模板。

Step3: 將Step1所得噪聲模板劃分為r行、c列的網(wǎng)格，分別統(tǒng)計(jì)每個(gè)單元格Lrc內(nèi)像素值不為0的像素點(diǎn)個(gè)數(shù)占單元格總像素點(diǎn)個(gè)數(shù)的比例，記為P(r,c)。將P(r,c)較大的k1×r×c個(gè)單元格標(biāo)記為可疑干擾區(qū)域，其余單元格標(biāo)記為噪聲區(qū)域，k1(0

Step4: 分別對(duì)可疑干擾區(qū)域單元格進(jìn)行操作，統(tǒng)計(jì)每個(gè)單元格內(nèi)每一列像素值不為0的像素點(diǎn)個(gè)數(shù)，記為Nl(l為單元格內(nèi)像素的列數(shù))，將Nl較大的k2×l列標(biāo)記為噪聲列(k2(0

Step5: 使用m×n的均值濾波器對(duì)Step4所得的噪聲模板進(jìn)行縱向模糊。圖3(d)為對(duì)如圖3(c)使用1×11均值濾波器縱向模糊的結(jié)果。

Step6: 輸入圖像減去Step5所得的噪聲模板，得到輸出圖像。圖3(e)為圖1(b)減去圖3(d)所得結(jié)果。對(duì)比圖1(b)與圖3(e)可以發(fā)現(xiàn)，模板去噪算法較好地減少了縱向條紋噪聲。

其中，Step1和Step2得到的噪聲模板不僅包含了需要在噪聲模板中保留的噪聲區(qū)域，而且還包含了不希望在噪聲模板中保留的干擾區(qū)域，保留干擾區(qū)域?qū)?huì)使最終的處理結(jié)果模糊不清，因此，需要去除噪聲模板中的干擾區(qū)域。Step3和Step4為標(biāo)記與去除干擾區(qū)域的步驟。為了減少Step1—Step4得到的噪聲模板中殘留的少量干擾，Step5對(duì)噪聲模板進(jìn)行了縱向模糊。

上述步驟均為對(duì)單通道灰度圖像進(jìn)行處理，為了便于人眼觀察，圖3(b)—(d)的像素值被放大了5倍。

(a)輸入圖像橫向模糊(b)噪聲模板(c)去除干擾區(qū)域后的噪聲模板(d)噪聲模板縱向模糊

(e) 輸出圖像

2.2拉普拉斯算子

拉普拉斯算子是一種微分算子，它可以強(qiáng)調(diào)圖像中灰度突變的部分，起到銳化圖像邊緣、增強(qiáng)圖像細(xì)節(jié)的作用[14]。離散拉普拉斯算子可以表示為

f(x,y+1)-f(x,y-1)

(4)

使用拉普拉斯算子增強(qiáng)圖像的基本方法可以表示為

(5)

式中：g(x,y)為銳化后的圖像；f(x,y)為輸入圖像。

3實(shí)驗(yàn)與分析

3.1實(shí)驗(yàn)準(zhǔn)備

為驗(yàn)證本文提出的混合圖像增強(qiáng)算法對(duì)綜采工作面監(jiān)控圖像的增強(qiáng)效果，筆者從某煤礦22210綜采工作面的監(jiān)控視頻中選擇眩光、低照度與粉塵3種工況下的原始圖像進(jìn)行實(shí)驗(yàn)，分別如圖4(a)、圖5(a)與圖6(a)所示。

實(shí)驗(yàn)參數(shù)設(shè)置如下：

(1) 單尺度Retinex算法：尺度參數(shù)σ=50，高斯核尺寸為401。

(2) 模板去噪算法：橫向模糊均值濾波器尺寸為31×1，噪聲模板網(wǎng)格劃分為10行、5列(r=10,c=5)，可疑干擾區(qū)域選擇比例k1=0.5，噪聲列選擇比例k2=0.2，縱向模糊均值濾波器尺寸為1×11。

實(shí)驗(yàn)軟件平臺(tái)為Microsoft Visual 2012 + OpenCV 2.4.11。

3.2主觀分析

本文提出的混合圖像增強(qiáng)算法與幾種常用圖像增強(qiáng)算法的對(duì)比結(jié)果如圖4—圖6所示，由圖4—圖6可以看出，經(jīng)直方圖均衡與同態(tài)濾波算法處理后的圖像存在亮度不均、較暗區(qū)域中物體難以辨識(shí)的缺點(diǎn)；單尺度Retinex算法處理后的圖像亮度更加均勻，圖像清晰度與對(duì)比度得到加強(qiáng)，但圖像中存在縱向條紋噪聲、物體輪廓模糊的問(wèn)題；本文提出的混合圖像增強(qiáng)算法不僅具有Retinex算法的優(yōu)點(diǎn)，且減少了圖像中的縱向條紋噪聲，物體輪廓更清晰了。因此，利用本文算法對(duì)綜采工作面監(jiān)控圖像進(jìn)行增強(qiáng)，人眼主觀效果更優(yōu)。

(a)原圖(b)直方圖均衡算法(c)同態(tài)濾波算法(d)單尺度Retinex算法

(e) 本文算法

3.3客觀分析

本文選用對(duì)比度與信息熵2個(gè)客觀評(píng)價(jià)指標(biāo)對(duì)圖像進(jìn)行評(píng)價(jià)。一般來(lái)說(shuō)，對(duì)比度越大，圖像越清晰，對(duì)比度越小，圖像越模糊，但對(duì)比度過(guò)大則會(huì)導(dǎo)致圖像細(xì)節(jié)丟失。圖像的信息熵可反映圖像所包含的信息量，圖像的信息熵越大，則包含的信息量也越大。

幾種算法的對(duì)比度對(duì)比結(jié)果見(jiàn)表1。從表1可看出，直方圖均衡導(dǎo)致對(duì)比度過(guò)大，會(huì)使得圖像過(guò)亮且細(xì)節(jié)丟失，而采用本文算法改善圖像對(duì)比度的效果最好。

(a)原圖(b)直方圖均衡算法(c)同態(tài)濾波算法(d)單尺度Retinex算法

(e) 本文算法

(a)原圖(b)直方圖均衡算法(c)同態(tài)濾波算法(d)單尺度Retinex算法

(e) 本文算法

幾種算法的信息熵對(duì)比結(jié)果見(jiàn)表2。從表2可看出，本文算法在提高圖像信息熵方面的效果最好。因此，本文算法對(duì)綜采工作面監(jiān)控圖像增強(qiáng)的結(jié)果更優(yōu)。

表1　幾種算法的對(duì)比度對(duì)比結(jié)果

表2　幾種算法的信息熵對(duì)比結(jié)果

4結(jié)語(yǔ)

為了提高綜采工作面監(jiān)控圖像質(zhì)量，提出了一種混合圖像增強(qiáng)算法，通過(guò)模板去噪算法消除單尺度Retinex算法產(chǎn)生的縱向條紋噪聲，并結(jié)合拉普拉斯算子增強(qiáng)圖像細(xì)節(jié)。采用實(shí)際綜采工作面不同工況下的監(jiān)控圖像對(duì)該算法進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，該算法在增強(qiáng)圖像清晰度、對(duì)比度與圖像細(xì)節(jié)方面優(yōu)于常規(guī)圖像增強(qiáng)算法，對(duì)綜采工作面監(jiān)控圖像的增強(qiáng)效果較好。

參考文獻(xiàn)：

[1]劉毅,賈旭芬,田子建.一種基于同態(tài)濾波原理的井下光照不均圖像處理方法[J].工礦自動(dòng)化,2013,39(1):9-12.

[2]應(yīng)東杰,李文節(jié).煤礦監(jiān)控圖像增強(qiáng)算法的分析與實(shí)現(xiàn)[J].工礦自動(dòng)化,2012,38(8):55-58.

[3]張英俊,雷耀花,潘理虎.基于暗原色先驗(yàn)的煤礦井下圖像增強(qiáng)技術(shù)[J].工礦自動(dòng)化,2015,41(3):80-83.

[4]楊勇,岳建華,李玉良,等.一種礦井動(dòng)態(tài)圖像增強(qiáng)方法[J].工礦自動(dòng)化,2015,41(11):48-52.

[5]CHEN Chao. Application of improved single-scale Retinex algorithm in image enhancement[J]. Computer Applications & Software, 2013, 30(4):55-57.

[6]陳薇,趙方田,陳侃,等.改進(jìn)單尺度Retinex的光照人臉識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(12):151-154.

[7]GE Wei, LI Guiju, CHENG Yuqi,etal. Face image illumination processing based on improved Retinex[J]. Optics & Precision Engineering, 2010, 18(4):1011-1020.

[8]張賽楠,吳亞?wèn)|,張紅英,等.改進(jìn)的單尺度Retinex霧天圖像增強(qiáng)算法[J].激光與紅外,2013,43(6):698-702.

[9]MOORE A, ALLMAN J, GOODMAN R M. A real-time neural system for color constancy[J]. IEEE Transactions on Neural Networks, 1991, 2(2): 237-247.

[10]LAND E, MCCANN J J. Lightness and Retinex theory[J]. Journal of the Optical Society of America, 1971,61(1):1-11.

[11]肖燕峰.基于Retinex理論的圖像增強(qiáng)恢復(fù)算法研究[D].上海：上海交通大學(xué),2007.

[12]FUNT B, CIUREA F. Turning Retinex parameters[J]. Journal of Electronic Imaging, 2004,13(1):58-64.

[13]張銳.霧天或背光條件下圖像清晰化算法研究及硬件實(shí)現(xiàn)[D].哈爾濱：哈爾濱工業(yè)大學(xué),2008.

[14]RAFAEL C G， RICHARD E W. Digital image processing[M]. 3nd. Upper Saddle River, NJ: Prentice Hall, 2007.

A mixed enhancement algorithm of video monitoring image on

fully-mechanized coal mining face

XU Rongxin1,SI Lei1,2,WEI Yinghao1,WANG Ru1,CHEN Wenpeng1

(1.School of Mechatronic Engineering, China University of Mining and Technology, Xuzhou 221116,

China; 2.School of Information and Electrical Engineering , China University of Mining and

Technology, Xuzhou 221116, China)

Abstract:In view of problem of longitudinal stripe noise existed in single dimension Retinex algorithm, a mixed enhancement algorithm of image was proposed. The algorithm uses template denoising algorithm to reduce longitudinal stripe noise of conventional single scale Retinex algorithm, and adopts Laplace operator to enhance image details, so as to improve image quality. The method was verified by experiment using actual monitoring images under different working conditions of fully-mechanized coal mining face. The results show that the algorithm has characteristics of high image resolution, big contrast and optimal image detail enhancement.

Key words:fully-mechanized coal mining face; image enhancement; single dimension Retinex; longitudinal stripe noise; Laplacian operator

中圖分類號(hào)：TD67

文獻(xiàn)標(biāo)志碼：A網(wǎng)絡(luò)出版時(shí)間：2016-04-05 11:27

文章編號(hào)：1671-251X(2016)04-0036-05

DOI:10.13272/j.issn.1671-251x.2016.04.009

徐榮鑫，司壘，魏英豪，等.綜采工作面監(jiān)控圖像混合增強(qiáng)算法[J].工礦自動(dòng)化，2016,42(4)：36-40.