融合彩色模型空間的電力設(shè)備紅外圖像增強(qiáng)

王 振，劉 磊

（安徽工業(yè)大學(xué) 電氣與信息工程學(xué)院，安徽 馬鞍山 243000）

0 引言

變電站電力設(shè)備由于長(zhǎng)期處于運(yùn)行工作狀態(tài)，因此易引起各種類型故障，進(jìn)而對(duì)電網(wǎng)的安全穩(wěn)定運(yùn)行造成一定威脅[1]。紅外熱成像技術(shù)可以檢測(cè)出物體的溫度，并且該技術(shù)存在非接觸、直觀化且無需對(duì)設(shè)備進(jìn)行斷電等優(yōu)點(diǎn)，使其成為電力設(shè)備熱故障檢測(cè)的有力手段[2-3]。但紅外熱圖像在形成的過程中因設(shè)備和環(huán)境的共同影響往往會(huì)存在一些問題，如對(duì)比度低、亮度暗、細(xì)節(jié)不突出等。這些缺點(diǎn)的存在會(huì)影響后續(xù)對(duì)圖像一系列的分析與處理，因此利用增強(qiáng)算法提高圖像的質(zhì)量十分必要[4]。

常見的圖像增強(qiáng)算法大致可劃分為空域算法及頻域算法兩大類[5]。空域算法是指對(duì)圖像中的像素灰度值按一定映射規(guī)則進(jìn)行轉(zhuǎn)變來增強(qiáng)圖像質(zhì)量，如直方圖均衡化算法、Retinex 理論算法等；頻域算法是指通過分析頻譜來改變圖像特征，進(jìn)而達(dá)到增強(qiáng)圖像的效果，如小波變換、傅里葉變換等[6-7]。這些算法在增強(qiáng)電力設(shè)備紅外圖像時(shí)會(huì)存在一些問題，如經(jīng)直方圖均衡化算法增強(qiáng)后的圖像，其內(nèi)部噪聲會(huì)被放大進(jìn)而導(dǎo)致細(xì)節(jié)丟失；經(jīng)Retinex 理論算法增強(qiáng)后的圖像有時(shí)會(huì)存在不同程度的“光暈”現(xiàn)象；經(jīng)頻域算法增強(qiáng)后的圖像其細(xì)節(jié)部分模糊[8]。針對(duì)傳統(tǒng)方法增強(qiáng)電力設(shè)備紅外圖像時(shí)會(huì)存在一些問題，許多學(xué)者提出了一些改進(jìn)算法。陳堯等將非下采樣輪廓波變換（nonsubsampled contourlet,NSCT）與Pal-King 模糊增強(qiáng)算法相結(jié)合實(shí)現(xiàn)了電力設(shè)備紅外圖像的增強(qiáng)[9]。朱穎等采取非下采樣剪切波變換（nonsubsampled shearlet transform,NSST）將圖像先分為高、低頻兩部分，然后對(duì)高低頻兩部分分別進(jìn)行處理，最后按照NSST 變換進(jìn)行合成實(shí)現(xiàn)紅外圖像的增強(qiáng)[10]。劉陳瑤等采取雙邊濾波將圖像分為基礎(chǔ)圖像和細(xì)節(jié)圖像，然后對(duì)基礎(chǔ)圖像采用對(duì)比度受限自適應(yīng)直方圖均衡法（contrast limited adaptive histogram equalization，CLAHE）進(jìn)行增強(qiáng)，對(duì)細(xì)節(jié)圖像采用分段線性變換結(jié)合拉普拉斯變換的方式進(jìn)行處理，并將處理后的兩圖像進(jìn)行疊加實(shí)現(xiàn)圖像的增強(qiáng)[11]。以上3 種算法雖實(shí)現(xiàn)了圖像的亮度提升與對(duì)比度增強(qiáng)，但是這些算法的輸入圖像為灰度圖像，沒有對(duì)原始的紅外圖像直接處理。譚宇璇等提出了一種參數(shù)自調(diào)整的Retinex 增強(qiáng)算法[12]，由該算法增強(qiáng)后的紅外圖像其亮度與對(duì)比度都得到了很大提升。陳基順等提出的增強(qiáng)算法其最大特點(diǎn)為可以區(qū)分出相近的灰度值，進(jìn)而直觀地看出設(shè)備溫度之間的具體細(xì)節(jié)變化[13]。

本文提出了一種融合彩色模型空間的紅外圖像增強(qiáng)算法，該算法分別在RGB 與HSV 兩彩色模型空間中對(duì)圖像做增強(qiáng)處理。RGB 空間中，結(jié)合低照度的電力設(shè)備紅外圖像其R、G、B三分量圖的灰度級(jí)普遍分布在中低等級(jí)處的特點(diǎn)，提出了一種增強(qiáng)函數(shù)來提升圖像的整體亮度。HSV 空間中，對(duì)V分量圖采取伽馬變換結(jié)合CLAHE 算法的方式來綜合增強(qiáng)其亮度，并采取一種非線性色調(diào)矯正函數(shù)處理S分量圖。處理完畢后，首先提取由RGB 空間增強(qiáng)圖像轉(zhuǎn)換到HSV空間后的三分量圖，然后將提取的三分量圖與在HSV空間中處理后的三分量圖分別進(jìn)行對(duì)應(yīng)的加權(quán)融合，最后將融合結(jié)果轉(zhuǎn)換至RGB 空間中得到紅外圖像的增強(qiáng)圖像。實(shí)驗(yàn)結(jié)果顯示，增強(qiáng)后的紅外圖像其亮度與對(duì)比度的提升無論從主觀視覺還是客觀評(píng)價(jià)上都取得了較好結(jié)果。

1 本文算法

HSV 彩色模型空間中的色彩三分量彼此相互獨(dú)立，因此對(duì)其中任意分量處理時(shí)都不會(huì)影響到其他兩個(gè)分量，即在該空間處理后的圖像具備色彩失真度小、顏色更加逼真的特點(diǎn)[14]。根據(jù)該空間特性，提出了一種與HSV 彩色模型空間相融合的圖像增強(qiáng)算法，其具體步驟如圖1所示。

1.1 RGB 彩色空間圖像增強(qiáng)

RGB 彩色空間也稱紅、綠、藍(lán)三原色彩色空間，其通過使用紅、綠、藍(lán)三原色不同比例的分量組合來顯示某種色彩及亮度[15]。目前電力設(shè)備紅外圖像的采集主要靠攝像頭完成，即設(shè)備的紅外熱圖像一般表示在RGB 彩色模型空間中。圖2 為某幅電力設(shè)備的紅外圖像及其R、G、B三分量的灰度直方圖，當(dāng)圖像整體亮度偏低時(shí)，其三分量各自的灰度級(jí)均分布于中低等級(jí)處。

圖2 原始圖像及其RGB 空間分量的灰度直方圖Fig.2 Original image and its RGB space component gray histogram

為進(jìn)一步突顯設(shè)備故障區(qū)域的亮度，在對(duì)圖像R、G、B三分量進(jìn)行增強(qiáng)處理之前，采用公式(1)對(duì)圖像的高灰度級(jí)進(jìn)行預(yù)處理。

式中：f(i,j)、f(i,j)*分別為輸入圖像、輸出圖像在灰度級(jí)(i,j)處的灰度值。

對(duì)圖像灰度級(jí)預(yù)處理后，采取中值濾波結(jié)合雙邊濾波的方法實(shí)現(xiàn)圖像的保邊抑噪。紅外圖像在成像過程中，因設(shè)備性能及環(huán)境的共同影響會(huì)導(dǎo)致圖像中存在一定的椒鹽噪聲和高斯噪聲[16]。針對(duì)椒鹽噪聲，中值濾波算法對(duì)其有較好的抑制作用。該算法采用模板的方式，將模板內(nèi)像素點(diǎn)的灰度值進(jìn)行排序，并使用中值代替模板中心處的灰度值。其計(jì)算公式如下：

式中：M為模板大小；X(i,j)為模板內(nèi)的灰度值；Med為求中值函數(shù)。

針對(duì)高斯噪聲，本文選取雙邊濾波算法對(duì)其進(jìn)行抑制。該算法在抑制噪聲的同時(shí)，對(duì)圖像的空間鄰近度和灰度相似度進(jìn)行了綜合考慮，使其可以較好地保護(hù)圖像的邊緣信息。其計(jì)算公式如下：

式中：(x,y)、(i,j)分別為當(dāng)前處理像素點(diǎn)及其鄰域內(nèi)像素點(diǎn)；ω(x,y,i,j)為加權(quán)系數(shù)；d(x,y,i,j)、r(x,y,i,j)分別為空域核函數(shù)和灰度核函數(shù)。

當(dāng)紅外圖像的整體亮度偏低時(shí)，其R、G、B三分量圖的灰度級(jí)將普遍分布在中低等級(jí)，本文提出了一種灰度級(jí)增強(qiáng)函數(shù)，如式(5)所示。圖3 為由此函數(shù)增強(qiáng)后的紅外圖像及其三分量的灰度直方圖，可以看出各分量的灰度級(jí)分布得到拉升，并且圖像整體亮度被提高。

圖3 增強(qiáng)圖像及其RGB 空間分量的灰度直方圖Fig.3 Enhanced image and its RGB space component gray histogram

式中：X(i,j)為像素點(diǎn)(i,j)處歸一化后的灰度值；Y(i,j)為輸出灰度值。

1.2 HSV 彩色空間圖像增強(qiáng)

HSV 是在RGB 彩色模型空間的基礎(chǔ)上進(jìn)行歸一化操作演化而來的一種色彩模型空間，其中H、S、V分別代表圖像的色調(diào)、飽和度和亮度[17]。與RGB 空間相比，HSV 空間的3 個(gè)分量都彼此獨(dú)立，即當(dāng)對(duì)圖像亮度調(diào)整時(shí)只需對(duì)V分量單獨(dú)處理，而不影響圖像的色調(diào)和飽和度；當(dāng)對(duì)圖像飽和度處理時(shí)只需對(duì)S分量單獨(dú)處理，而不影響圖像的亮度及色調(diào)。

由圖4(a)顯示，當(dāng)紅外圖像的整體亮度偏低時(shí)，其V分量圖的亮度也較低。針對(duì)該特點(diǎn)，對(duì)V分量圖進(jìn)行兩步亮度增強(qiáng)處理，分別為Gamma 變換增強(qiáng)和CLAHE 算法增強(qiáng)。首先采取伽馬變換實(shí)現(xiàn)V分量圖的全局增強(qiáng)，提升圖像背景的整體亮度。伽瑪變換的一般表達(dá)式為：

圖4 V 分量處理結(jié)果對(duì)比Fig.4 Comparison of V component processing results

式中：x為歸一化后的像素灰度值；c、γ分別為補(bǔ)償系數(shù)和伽瑪系數(shù)，γ＞1 時(shí)，增強(qiáng)的為圖像中的亮區(qū)域；γ＜1 時(shí)，增強(qiáng)的則為圖像中的暗區(qū)域。

由于各紅外圖像本身的亮度不同，所以γ值的選取需要根據(jù)不同圖像而適當(dāng)改變，本文中選取的γ值范圍為0.4～0.6。圖4(c)為伽馬變換增強(qiáng)后的V分量圖。

由于伽馬變換是全局增強(qiáng)，所以增強(qiáng)后的圖像亮度得到了整體性地提高，但沒有突出設(shè)備與背景之間的亮度差。因?yàn)镃LAHE 算法將圖像先分成若干個(gè)小子塊，然后對(duì)每一個(gè)子塊的直方圖進(jìn)行限幅，所以可以有效地抑制局部灰度值過度增強(qiáng)的問題，于是本文進(jìn)一步采取CLAHE 算法來改善V分量圖的增強(qiáng)效果。圖4 中的(e)、(f)分別為增強(qiáng)后的V分量圖及其灰度直方圖，從中可以看出對(duì)伽馬變換增強(qiáng)后的圖像再采取CLAHE 算法增強(qiáng)，可以有效地抑制背景亮度并提升設(shè)備區(qū)域的亮度，使亮區(qū)域的灰度級(jí)分布比較均勻，突出了設(shè)備與背景之間的亮度差。

電力設(shè)備紅外圖像除了整體亮度偏低外，還存在對(duì)比度低的問題，這是由于紅外熱成像儀的成像是依靠物體之間的溫度差，當(dāng)設(shè)備與環(huán)境之間的溫差不大時(shí)，此時(shí)就會(huì)造成紅外熱圖像的對(duì)比度偏低。針對(duì)此問題，本文對(duì)色彩飽和度S分量圖進(jìn)行矯正處理，采用的矯正函數(shù)為公式(7)，圖5 為該函數(shù)處理后的效果圖。

圖5 S 分量處理結(jié)果對(duì)比Fig.5 Comparison of S component processing results

式中：S*(x,y)為處理后的圖像色彩飽和度分量；S(x,y)為原圖像的色彩飽和度分量。

1.3 RGB 與HSV 空間圖像融合

由圖6(a)、(b)顯示，在RGB 空間中增強(qiáng)的圖像其特點(diǎn)為色彩飽和度高及背景亮度大，而在HSV 空間中增強(qiáng)的圖像其特點(diǎn)為設(shè)備與背景之間的對(duì)比度高。結(jié)合兩空間增強(qiáng)圖像各自的特點(diǎn)，按公式(8)融合兩圖像的H、S、V三分量圖，并將融合結(jié)果轉(zhuǎn)回到RGB 彩色空間中得到最終的輸出圖像，如圖6(c)所示。

圖6 兩空間圖像融合結(jié)果Fig.6 Two space image fusion result

式中：H、S、V分別為融合后的三分量圖；HRGB、SRGB、VRGB分別為RGB 空間增強(qiáng)圖像轉(zhuǎn)到HSV 空間后的三分量圖；HHSV、SHSV、VHSV分別為在HSV 空間中處理后的三分量圖；α1、α2、α3、β1、β2、β3為融合系數(shù)。本文對(duì)H、S兩分量采取等量加權(quán)融合的方式，即α1、α2、β1、β2都取值為0.5，對(duì)V分量采取等量融合的方式，即α3、β3取值為1。

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法可以實(shí)現(xiàn)紅外圖像的亮度增強(qiáng)與對(duì)比度提升，選取3 張對(duì)比度較低的電力設(shè)備紅外圖像作圖像增強(qiáng)對(duì)比實(shí)驗(yàn)，測(cè)試圖像如圖7所示（紅外圖像取自網(wǎng)絡(luò)）。首先對(duì)圖像采取直方圖均衡化（histogram equalization,HE）、同態(tài)濾波、多尺度Retinex 算法（multi-scale Retinex,MSR）、CLAHE 算法、加權(quán)分布自適應(yīng)伽馬校正算法（adaptive gamma correction with weighting distribution,AGCWD）、文獻(xiàn)[12]算法及本文算法進(jìn)行增強(qiáng)處理；接著對(duì)各算法增強(qiáng)后的圖像進(jìn)行主觀和客觀上的評(píng)價(jià)，來驗(yàn)證本文增強(qiáng)算法的優(yōu)越性。

圖7 用于測(cè)試的電力設(shè)備紅外圖像Fig.7 Infrared images of power equipments for test

2.1 主觀評(píng)價(jià)

本文對(duì)選擇的3 張紅外圖像進(jìn)行不同算法的增強(qiáng)對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖8～圖10所示。從中可以看出，HE 算法雖提升了紅外圖像的亮度，但同時(shí)放大了圖中噪聲導(dǎo)致視覺效果較差，并且存在嚴(yán)重的顏色畸變問題。同態(tài)濾波、MSR 及AGCWD 算法總體對(duì)紅外圖像的增強(qiáng)表現(xiàn)不是很明顯，且MSR 算法有時(shí)會(huì)出現(xiàn)光暈現(xiàn)象。CLAHE 算法突顯出了設(shè)備區(qū)域，但該算法放大了圖中噪聲，導(dǎo)致增強(qiáng)后的圖像普遍存在模糊問題。文獻(xiàn)[12]及本文算法都可以很大幅度地提升圖像亮度和對(duì)比度，但文獻(xiàn)[12]的增強(qiáng)效果受原始圖像的質(zhì)量影響較大，當(dāng)圖中的背景信息復(fù)雜時(shí)，則增強(qiáng)后的圖像其視覺效果會(huì)出現(xiàn)一些偏差，如圖8(g)所示，并且增強(qiáng)圖像中有時(shí)也會(huì)伴隨光暈問題，如圖9(g)、圖10(g)所示。總體從主觀評(píng)價(jià)上而言，本文算法可以較好地提升紅外圖像的亮度與對(duì)比度，并且增強(qiáng)圖像中沒有出現(xiàn)光暈及模糊等問題。

圖8 紅外圖像1 的增強(qiáng)對(duì)比圖Fig.8 Enhanced contrast images of infrared image 1

圖9 紅外圖像2 的增強(qiáng)對(duì)比圖Fig.9 Enhanced contrast images of infrared image 2

2.2 客觀評(píng)價(jià)

為進(jìn)一步確認(rèn)本文算法在提升圖像亮度與對(duì)比度方面優(yōu)于所選取的對(duì)比算法，選取灰度均值及標(biāo)準(zhǔn)差兩種圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)對(duì)增強(qiáng)后的圖像質(zhì)量進(jìn)行客觀上的評(píng)價(jià)。

灰度均值大小可以反映圖像整體亮度，其值越大說明圖像亮度越高。其計(jì)算公式如下：

式中：M和N分別為圖像在x軸和y軸方向上的像素點(diǎn)數(shù)目；f(i,j)為像素點(diǎn)(i,j)處的灰度值。

標(biāo)準(zhǔn)差值大小可以反映圖像灰度值相對(duì)于灰度均值的離散程度，值越大說明灰度級(jí)分布越分散，則圖像對(duì)比度越高。其計(jì)算公式如下：

式中：μ為圖像灰度均值。

圖8～圖10 的客觀評(píng)價(jià)結(jié)果如表1所示，對(duì)比表中數(shù)據(jù)可知，由文獻(xiàn)[12]及本文算法增強(qiáng)后的紅外圖像其灰度均值和標(biāo)準(zhǔn)差兩種指標(biāo)值都相對(duì)提升較為明顯，且相比之下本文算法略勝一籌。計(jì)算表中數(shù)據(jù)可得，本文算法增強(qiáng)后的3 張圖像其灰度均值和標(biāo)準(zhǔn)差兩種指標(biāo)的平均值分別高達(dá)115.94 和78.65，相比3 張?jiān)紙D像的兩指標(biāo)平均值分別提升了81.59 和36.17。由此說明，本文的增強(qiáng)算法可以實(shí)現(xiàn)紅外圖像的亮度增強(qiáng)與對(duì)比度提升。

表1 客觀評(píng)價(jià)結(jié)果Table 1 Objective evaluation results

3 結(jié)論

針對(duì)電力設(shè)備紅外圖像普遍存在亮度暗、對(duì)比度低等問題，提出了一種基于顏色空間的圖像增強(qiáng)算法。該方法首先分別在RGB 與HSV 兩彩色模型空間中對(duì)圖像做不同方式的增強(qiáng)處理，然后將在RGB 空間中的增強(qiáng)圖像轉(zhuǎn)換至HSV 空間中，最后將兩種空間各自增強(qiáng)圖像的H、S、V分量進(jìn)行不同比例的對(duì)應(yīng)融合，并將融合圖像由HSV 空間轉(zhuǎn)回RGB 空間中得到最終的輸出紅外圖像。為了驗(yàn)證該算法可以有效地提升紅外圖像的亮度與對(duì)比度，與6 種不同的增強(qiáng)算法進(jìn)行了對(duì)比實(shí)驗(yàn)。據(jù)實(shí)驗(yàn)結(jié)果顯示，從主觀上看，由本文算法增強(qiáng)后的紅外圖像其亮度和對(duì)比度得到了很大提升，并且沒有出現(xiàn)圖像模糊及光暈現(xiàn)象等問題；從圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)的數(shù)據(jù)上看，由本文算法增強(qiáng)后的紅外圖像其灰度均值和標(biāo)準(zhǔn)差值較高，即也客觀說明了與其他算法相比，本文算法在提升紅外圖像亮度與對(duì)比度方面具備一定優(yōu)勢(shì)。