小波變換在煤礦井下圖像增強(qiáng)的應(yīng)用研究

曹玉秋 梁慶秋 孟亦寒 張茗洋 李彥波

摘要：為了減小低照度圖像在圖像預(yù)處理過程中所造成的影響，使用小波變換方法對煤礦降質(zhì)圖像進(jìn)行增強(qiáng)處理。對低照度圖像進(jìn)行直方圖均衡化處理，再疊加高斯噪聲，采用“db4”小波對加噪圖像進(jìn)行3級分解，將一級高頻系數(shù)置0，重構(gòu)小波，并獲取最終增強(qiáng)圖像，實(shí)現(xiàn)了保持圖像細(xì)節(jié)信息，增強(qiáng)圖像的低亮度區(qū)域和抑制圖像的高亮度區(qū)域，提高了圖像的視覺效果。通過大量測試，驗(yàn)證了該方法的有效性。

關(guān)鍵詞：小波變換;圖像增強(qiáng);直方圖均衡化

煤礦井下能見度低且多采用點(diǎn)光源來輔助照明，形成了非均勻照度環(huán)境。在這樣的環(huán)境下，拍攝出的圖像亮度、對比度低;而且噪聲、細(xì)節(jié)信息丟失等一些問題突出。這不但會(huì)讓圖像的視覺效果變差，而且圖像質(zhì)量的好壞直接影響后續(xù)的圖像分析與決策，因此研究適合煤礦井下的低照度圖像增強(qiáng)算法具有十分重要的實(shí)際意義[1-2]。

目前，針對礦井降質(zhì)圖像的增強(qiáng)算法主要包括：

（1）基于單尺度Retinex（SSR）的圖像增強(qiáng)算法。通過引導(dǎo)濾波進(jìn)行照度估計(jì)，再與原圖像做卷積得出反射分量，最后用改進(jìn)的局部對比增強(qiáng)算法對圖像進(jìn)一步增強(qiáng)。使用引導(dǎo)濾波進(jìn)行照度估計(jì)，能較好的解決過增強(qiáng)、光暈偽影、細(xì)節(jié)不足等問題。但SSR算法對保持細(xì)節(jié)和顏色信息不能同時(shí)兼顧。

（2）基于多尺度Retinex（MSR）的圖像增強(qiáng)算法。MSR的Retinex增強(qiáng)是在SSR的基礎(chǔ)上發(fā)展而來的，其在保留了SSR對圖像壓縮增強(qiáng)的效果的同時(shí)，還實(shí)現(xiàn)了色彩增強(qiáng)，最終達(dá)到保持圖像高保真度和顏色恒常性，即當(dāng)照射物體表面的顏色光發(fā)生變化時(shí)，物體表面的知覺顏色保持不變。但是容易產(chǎn)生光暈，在處理色彩單一的煤礦井下圖像時(shí)，容易丟失色彩。

（4）基于小波變換（Wavelet Transform，WT）的圖像增強(qiáng)算法。在頻率域內(nèi)對小波分解的高頻和低頻子圖進(jìn)行系數(shù)調(diào)整，并實(shí)現(xiàn)圖像增強(qiáng)。但該類算法對代表圖像背景信息和整體特征的低頻信息未進(jìn)行增強(qiáng)處理，導(dǎo)致WT后的增強(qiáng)圖像亮度改善不明顯。

（5）基于模糊集域-DCP圖像增強(qiáng)算法[3]。該算法雖解決了礦井下濃霧、光照不均問題，但易放大圖像噪聲，導(dǎo)致降質(zhì)圖像部分區(qū)域過增強(qiáng)。

（6）基于NSCT的礦井圖像增強(qiáng)算法[4]。該算法計(jì)算過程復(fù)雜，且增強(qiáng)后的圖像仍存在光暈現(xiàn)象。針對現(xiàn)有基于光學(xué)成像原理、空域變換、照射-反射模型以及基于WT和改進(jìn)型WT等主流圖像增強(qiáng)算法所存在的缺陷，無法滿足未來煤礦視頻監(jiān)控系統(tǒng)智能化發(fā)展需求。

同時(shí)，根據(jù)小波變換在礦井降質(zhì)圖像增強(qiáng)及直方圖均衡化在增強(qiáng)圖像細(xì)節(jié)和對比度中所表現(xiàn)出的顯著優(yōu)勢，筆者提出了基于小波變換的煤礦降質(zhì)圖像直方圖均衡化增強(qiáng)算法。

1.降質(zhì)圖像增強(qiáng)算法建模

在礦井圖像的增強(qiáng)過程中，小波變換是實(shí)現(xiàn)圖像增強(qiáng)的一種重要方法。它能夠?qū)D像從空間域變換至頻率域，既不丟失圖像原有信息，也不會(huì)增加冗余信息，具有較完善的重構(gòu)能力。但單一的采用小波變換對圖像進(jìn)行增強(qiáng)處理仍有缺陷，因此，本文設(shè)計(jì)了基于小波變換的直方圖均衡化的圖像增強(qiáng)模型。

1.1小波函數(shù)

小波函數(shù)ψ（x）是本文圖像增強(qiáng)算法的關(guān)鍵內(nèi)容。小波變換的思想是利用尺度函數(shù)表示原始信號，小波函數(shù)可以由滿足特征的尺度函數(shù)來求出。對于一個(gè)信號f（x）可以分解為：

其中hψ（k）∈N+。

1.3小波閾值去噪原理

在小波域內(nèi)圖像中的噪聲部分分布在小波域存在的所有空間，而圖像中信號部分主要分布在固定的幾個(gè)系數(shù)當(dāng)中，所以在對圖像進(jìn)行小波分解的過程中，處理噪聲的小波系數(shù)要小于圖像信號的[6].我們可以選取一個(gè)適合的閾值.如果小波變換系數(shù)小于這個(gè)設(shè)置閾值，可以判斷這是噪聲的影響，如果小波變換系數(shù)大于閾值，則判斷為信號的影響.具體算法如下：

（1）采用多尺度方法對圖像信號進(jìn)行小波變換;

（2）用設(shè)定的閾值處理每個(gè)尺度小波系數(shù);

（3）將第 2 步處理后的小波系數(shù)重構(gòu)圖像信號.

1.4直方圖均衡化（CLAHE）算法

CLAHE是一種局部直方圖均衡化的方法，對HE和AHE的改進(jìn)，它具有更好的靈活性，在CLAHE中先選擇一個(gè)直方圖剪切閾值，超過這個(gè)閾值的灰度部分重新分配到其他灰度級，這樣得到均勻的效果，能避免過度增強(qiáng)或過度放大平滑區(qū)域的噪聲，可以減少偽影的邊界[7]。如下是CLAHE算法：

（1）將圖像劃分成若干小區(qū)域;

（2）計(jì)算局部直方圖映射函數(shù);

（3）確定直方圖的剪切閾值;

（4）直方圖映射函數(shù)用到各小區(qū)域;

（5）邊界部分線性插值處理。

2.算法流程

本文提出的基于小波變換的煤礦降質(zhì)圖像模糊增強(qiáng)算法，其實(shí)施的具體流程如下：

對煤礦降質(zhì)圖像I進(jìn)行直方圖均衡化。

為了盡可能還原圖像本身，驗(yàn)證算法的有效性，再給煤礦降質(zhì)圖像I疊加高斯噪聲。

在綜合考慮去噪效果和計(jì)算量的代價(jià)下，采用“db4”小波對加噪圖像進(jìn)行3級分解[8]。

對比把所有的高頻系數(shù)置0與把所有的高頻衰減一半，選擇將一級高頻系數(shù)置0，處理效果更加，圖像更清晰，增強(qiáng)了圖像細(xì)節(jié)。

重構(gòu)小波，并獲取最終增強(qiáng)圖像。

3.實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，選取煤礦井下光照分布不均的圖像。分別從主觀視覺和客觀指標(biāo)兩方面對本文算法和其他3種對比算法的增強(qiáng)效果進(jìn)行評價(jià)，對比算法分別為：單尺度Retinex（Single Scale Retinex，SSR）、多尺度Retinex（Multiscale Retinex，MSR）、色彩恢復(fù)多尺度Retinex（Multi-Scale Retinex with Color Restoration，MSRCR）[9]。

3.1主觀評價(jià)

實(shí)驗(yàn)1：對分辨率為400*600的煤礦井下圖像a進(jìn)行增強(qiáng)測試，實(shí)驗(yàn)結(jié)果如圖a所示。

實(shí)驗(yàn)2：對分辨率為400*600的煤礦井下圖像b進(jìn)行增強(qiáng)測試，實(shí)驗(yàn)結(jié)果如圖b所示。

根據(jù)圖a、b對不同增強(qiáng)算法的處理結(jié)果和灰度直方圖進(jìn)行對比分析可知，原圖像存在較多明暗區(qū)域、亮度分布不均、對比度差、細(xì)節(jié)信息不明顯等缺點(diǎn)，導(dǎo)致視覺上圖像不清晰、輪廓較模糊，不利于圖片信息的提取。

采用SSR、MSR算法均能夠增強(qiáng)圖像對比度，提升整體亮度，改善圖像視覺效果，采用MSRCR算法能減少圖像因局部對比度增強(qiáng)而導(dǎo)致的圖像失真。但三種算法增強(qiáng)后的圖像仍存在一些問題。SSR中亮區(qū)域出現(xiàn)過增強(qiáng)現(xiàn)象，暗區(qū)域細(xì)節(jié)信息不明顯;MSR中突出了圖像輪廓和細(xì)節(jié)信息，但視覺效果較差，且高亮區(qū)域存在光暈現(xiàn)象，圖像清晰化效果欠佳;MSRCR算法對比度減弱，圖像失真度較高，圖像細(xì)節(jié)信息不明顯。

綜合分析，本文算法在一定程度上克服了上述增強(qiáng)算法存在的缺點(diǎn)，較明顯地提高了圖像的整體亮度、對比度、清晰度，并消除了圖像亮區(qū)域的光暈現(xiàn)象，實(shí)現(xiàn)了保持圖像細(xì)節(jié)信息的同時(shí)，增強(qiáng)圖像的低亮度區(qū)域和抑制圖像的高亮度區(qū)域，主觀上提高了圖像的視覺效果。

3.2客觀評價(jià)

為了更加客觀地分析不同算法的增強(qiáng)效果，本文分別選用峰值信噪比（Peak Signal to Noise Ratio，RPSN）、結(jié)構(gòu)相似度（Structural Similarity Index，MSSI）、平均絕對誤差（Mean Absolute Error，MAE）、均方誤差（Mean Squared Error，MSE）4種評價(jià)指標(biāo)對本文算法及對比算法進(jìn)行評價(jià)。

根據(jù)表1、2可知，綜合分析，在低照度情況下，MSR算法的RPSN，MSSI最小，即對光照不足情況下的圖像增強(qiáng)效果差。SSR算法與MSRCR算法的RPSN，MSSI值均較高但是MAE與MSE過高，說明該兩類算法容易出現(xiàn)過度去噪，使得圖像特征信息大量丟失乃至失真，與原圖誤差過大。相比之下本文算法的RPSN、MSSI，尤其是MAE、MSE值均表現(xiàn)較好，對提高圖像亮度、對比度、清晰度、圖像保真方面均有較大的提升和改善。

4 結(jié)論

（1）采用小波變換的方法在添加高斯噪聲后將圖像分解為高頻信息和低頻信息，去除一級高頻重構(gòu)后不僅更好地促使了信噪分離，同時(shí)也避免了噪聲過強(qiáng)導(dǎo)致圖像特征信息大量丟失乃至失真，使得增強(qiáng)后的圖像與原圖誤差更小，圖像更具有真實(shí)性與實(shí)用性。

（2）對煤礦井下不同場景的降質(zhì)圖像進(jìn)行增強(qiáng)處理，綜合主客觀分析得出本文算法的魯棒性更強(qiáng)，綜合指標(biāo)較SSR，MSR，MSRCR算法表現(xiàn)更好。本文算法能夠更好克服煤礦井下因光線差、粉塵、照度不均而引起的圖像質(zhì)量低的問題。

參考文獻(xiàn)

[1]趙謙.煤礦井下動(dòng)態(tài)目標(biāo)視頻監(jiān)測圖像處理研究 [D].西安：西安科技大學(xué)，2014.ZHAO Qian.Study on video monitoring and image processing of coal mine dynamic targets[D].Xi’an：Xi’an University of Science and Technology，2014.

[2]CHENG H D， SHI X J. A simple and effective histogram equalization approach to image enhancement[J]. Digital Signal Processing， 2004， 14（2）：158-170

[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.ZHANG Yingjun，LEI Yaohua，PAN Lihu.Enhancement technique of underground image based on dark channel prior[J].Industry and Mine Automation，2015，41（ 3） ： 80-83.

[4]王滿利，田子建.基于非下采樣輪廓波變換的礦井圖像增強(qiáng)算 法[J].煤炭學(xué)報(bào)，2020，45（ 9） ： 3351-3362.WANG Manli，TIAN Zijian. Mine image enhancement algorithm based on nonsubsampled contourlet transform[J].Journal of China 4259 Coal Society，2020，45（ 9） ： 3351-3362.

[5]田磊，張苗苗，徐燕凌.基于小波變換的圖像技術(shù)應(yīng)用研究.學(xué)位論文（D）：8～10

[6]王彥青，魏連鑫.一種改進(jìn)的小波閾值去噪方法[J].上海理工大學(xué)學(xué)報(bào)，2011，22（ 4） ： 405 - 408

[7]Rajshree Singh.A review of histogram equalization based image contrast enhancement methods[J]. International Journal of Innovative Research & Growth，2017，5（3）：152-156.

[8]蔡利梅. MATLAB 圖像處理[M]. 清華大學(xué)出版社， 2020.