基于亮度与对比度改进的煤矿图像增强算法研发

基于亮度与对比度改进的煤矿图像增强算法研发智能视频监控作为煤矿安全生产系统的重要组成部分为井下安全生产提供支持与保障是了解井下人员分布和设备运行状况的有效工具¹用受工作面生产环境潮湿、存在大量扬尘、光照严重不足等因素影响开设备采集到的图像呈低亮度、低对比度、高噪点特点开低质量图像信息使图像分析与决策受到极大影响开导致工作面生物自动识别效果不甚理想低照度图像广泛存在于工业视频、监控摄像及图像开照度不足严重影响对图像中重要信息的判断用对低照度图像进行增强是各行各业普遍面临的技术难题[2-3用图像增强可以提升在复杂环境中识别目标图像的准确率近年来州国内外诸多学者开展大量研究开亮度提升与对比度补偿是图像增强领域的关键技术可以提高输入图像的质量用但是开煤矿井下环境以点光源为主现有资料欠缺研究有待分析优化用本文提出基于Retinex理论的高动态范围图像色调映射技术算法包括两个步骤：全局适应和人类视觉系统的局部适应全局自适应类似人类视觉系统初步阶段开由此可建立数学模型：为输入图像在(xy)点亮度Lmx为输入图像最大式中N为图像尺寸δ为防止遇到图像中亮度为0的黑点的情况而设置的参数可取0.01#全局自适应过程结束后应用基于视网膜理论的局部适应使用视网膜算法引导滤波器用该滤波器类似双边滤波以欧氏距离和亮度差异两个维度确定权重局部适应方程如下：b(xHy)=μ(ζxHξy)-a(xfy)(ξxHy)(5)的自适应非线性偏移β:式中η为对比度控制参数PLx为全局自适应输出的最大亮度入为非线性控制参数L为全局适应输出的对数平均亮度用对其转换然后分别测试RGB、HSV两种颜色模型下算法的表现#8RGB颜色模型L通过如下方式计算：HSV颜色模型L通过如下方式计算：对于各点亮度增强输出结果还要对取值进行判断防止由越值造成图像信息错误用算法流程图如图1所示转换颜色模型、计算图像尺寸生出输出图像两种颜色模型都对低照度图片实现较好的亮度增强但也带来图片过饱和问题用因此开本文在HSV颜色模型的试验中对S通道进行二次调整改善用图像对比度指图像灰度反差差异范围越大代表对比越大差异范围越小代表对比越小用通过基于Retinex理论的全局自适应亮度提升方法可以使井下低照度视频图像亮度得到显著增强田但图像对比度小并未得到改善图像存在亮部/暗部细节丢失现象用采用传统线性对比度拉升方法对井下视频图像进行对比度补偿存在高亮部分过曝以及对比度过强现象处理效果不甚理想#因此本文提出局部对比度增强算法用常见的局部对比度增强算法有自适应直方图均衡化(AHE和自适应对比度增强(ACE)AHE算法通过计算图像的局部直方图重新分布亮度改变图像对比度开适用于改进图像局部对比度以及获得更多的图像细节但计算量庞大#ACE算法采用反锐化掩模技术通过图像的低通滤波和原图减去反锐化掩模的方法分别获取图像的低频反锐化掩模和高频部分开然后对高频部分进行放大并加入反锐化掩模最后得到增强图像用在ACE算法中开放大系数(即对比度增益CG计算尤为关键#下面对使用ACE算法进行煤矿井下视频图像对比度补偿过程中CG的取值进行讨论用假定x(ij)是图像中某点的灰度将局部区域的定义为以x(ij)为中心窗口大小为(2n+1×(2n+1的区域则局部灰度平均值x(i开j)、局部灰度方差x(i#j)对应的增强后的像素灰度则ACE算法可表示为：若n取值过大由于图像中所有高频部分被同等放大有些高频部分会出现过增现象开图像锐化严重开应令对比度增益CG=G(ij)在图像不同区域自适应取值开实现算法对不同区域进行不同程度、不同级别的对比度补偿用为了达到上述效果开可令G(x开局部灰度标准差(LSD#在图像平滑区域由于局部灰度方差均值较小开CG值可能过大要对CG最大值进行限制引入参数CG代表图像最大对比度增益值用通过调整参数n开进而调整窗口大小(2n+1)×(2n+1)和对比度增益CG可带来不同的增益效果选取煤矿采集图片数据经过基于Retinex理论的全局自适应亮度提升处理验与参数调优田试验结果如图2所示用从中可以看出开度直接产生白点以及噪声对n=3545时州图像较好用9进一步对n=35、45,CG=2、3、4、5的8个试验结果进行图像灰度分析用通过灰度曲线可以发现，当n=35、45,CG=3时尖峰数量最少，ACE算法取得较好的试至此，针对井下低照度图片的亮度自适应提升与图2验证试验结果图像针对煤矿井下视频图像模糊、照度低且不均匀、对比度低等特点，本文提出一种新的煤矿井下视频图像亮度提升与对比度补偿的图像增强方法采用基于Retinex理论的高动态范围图像色调映射技术，在局部自适应过程中，采用视网膜算法引导滤波器代替传统Retinex算法中的高斯滤波器以减少晕圈伪影用采用ACE