綜采工作面監控圖像混合增強算法

徐榮鑫，　司壘,2，　魏英豪，　王如，　陳文鵬

(1.中國礦業大學 機電工程學院， 江蘇 徐州　221116；

2.中國礦業大學 信息與電氣工程學院， 江蘇 徐州　221116)

?

綜采工作面監控圖像混合增強算法

徐榮鑫1，司壘1,2，魏英豪1，王如1，陳文鵬1

(1.中國礦業大學 機電工程學院， 江蘇 徐州221116；

2.中國礦業大學 信息與電氣工程學院， 江蘇 徐州221116)

摘要：針對單尺度Retinex算法會產生較嚴重縱向條紋噪聲的問題，提出了一種混合圖像增強算法。該算法利用模板去噪算法減少常規單尺度Retinex算法產生的縱向條紋噪聲，并結合拉普拉斯算子增強圖像細節，提高圖像質量。采用實際綜采工作面不同工況下的監控圖像對該算法進行實驗驗證，結果表明，該算法具有圖像清晰度高、對比度大與圖像細節增強優的特點。

關鍵詞：綜采工作面； 圖像增強； 單尺度Retinex； 縱向條紋噪聲； 拉普拉斯算子

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160405.1127.009.html

0引言

煤炭生產是一個高危行業，任何一個煤炭生產環節出現問題都會引起重大事故，及時準確地對每一個生產過程進行監控將有效減少生產事故的發生。但是，由于煤礦生產的特殊工況，監控畫面常含有大量噪聲，畫面細節較差，這就要求對監控圖像進行增強。目前，已有學者對煤礦井下監控圖像增強技術進行研究。劉毅等[1]提出了基于同態濾波原理的井下光照不均圖像處理方法；應東杰等[2]使用小波變換和模糊理論對巷道圖像進行增強，取得了較好效果；張英俊等[3]將暗原色先驗用于煤礦井下圖像增強；楊勇等[4]提出一種動態圖像增強方法，消除了圖像“雪花”噪聲。然而，綜采工作面工作環境較惡劣，眩光、低照度與粉塵等工況使常規的圖像增強方法并不適用。針對上述情況，有學者提出了單尺度Retinex圖像增強算法，它通過從原圖像中去除光源的影響，達到增強圖像的目的[5]。目前，國內外學者對單尺度Retinex算法提出了許多改進方法，主要集中在光照估計方法的改進[6-8]，而對單尺度Retinex算法產生的縱向條紋噪聲問題則少有提及。

本文提出了一種混合圖像增強算法，用以對綜采工作面監控圖像進行增強。該算法使用模板去噪算法減少單尺度Retinex處理結果中的縱向條紋噪聲，使用拉普拉斯算子增強圖像細節，提高圖像質量。最后，通過實驗驗證了該算法可有效提高綜采工作面監控圖像質量。

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特征，通過去除亮度圖像對反射圖像的影響，達到增強圖像的目的[11]。

(1)

單尺度Retinex算法由Jobson等提出，他們證明了高斯函數可以從原圖像中有效地預估出亮度圖像，進而得到反射圖像[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，其可表示為

(3)

式中：σ為高斯函數的尺度參數，σ越小動態范圍壓縮越強，細節增強越明顯，但色彩容易失真;σ越大,動態范圍壓縮能力減弱，色彩保真度越高[13]。

單尺度Retinex算法對于霧化與低照度的圖像具有明顯的增強效果，然而，在實際應用過程中發現，當圖像中存在灰度明顯變化的區域時，單尺度Retinex算法會產生較嚴重的縱向條紋噪聲，對圖像質量影響較大，如圖1(b)所示。

(a)原圖(b)單尺度Retinex算法處理結果

圖1原圖與單尺度Retinex算法處理結果

2混合圖像增強算法

針對單尺度Retinex算法會產生較嚴重的縱向條紋噪聲的問題，本文提出了一種混合圖像增強算法，算法流程如圖2所示。

2.1模板去噪算法

模板去噪算法通過分析縱向條紋噪聲的特點，標記出噪聲區域，隨后將噪聲從原始圖像中剔除，實現去噪。模板去噪算法的具體步驟如下：

圖2　混合圖像增強算法流程

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

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列的網格，分別統計每個單元格Lrc內像素值不為0的像素點個數占單元格總像素點個數的比例，記為P(r,c)。將P(r,c)較大的k1×r×c個單元格標記為可疑干擾區域，其余單元格標記為噪聲區域，k1(0

Step4: 分別對可疑干擾區域單元格進行操作，統計每個單元格內每一列像素值不為0的像素點個數，記為Nl(l為單元格內像素的列數)，將Nl較大的k2×l列標記為噪聲列(k2(0

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

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)所得結果。對比圖1(b)與圖3(e)可以發現，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域，而且還包含了不希望在噪聲模板中保留的干擾區域，保留干擾區域將會使最終的處理結果模糊不清，因此，需要去除噪聲模板中的干擾區域。Step3和Step4為標記與去除干擾區域的步驟。為了減少Step1—Step4得到的噪聲模板中殘留的少量干擾，Step5對噪聲模板進行了縱向模糊。

上述步驟均為對單通道灰度圖像進行處理，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，它可以強調圖像中灰度突變的部分，起到銳化圖像邊緣、增強圖像細節的作用[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實驗與分析

3.1實驗準備

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

實驗參數設置如下：

(1) 單尺度Retinex算法：尺度參數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，噪聲模板網格劃分為10行、5列(r=10,c=5)，可疑干擾區域選擇比例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。

實驗軟件平臺為Microsoft Visual 2012 + OpenCV 2.4.11。

3.2主觀分析

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

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

(e) 本文算法

3.3客觀分析

本文選用對比度與信息熵2個客觀評價指標對圖像進行評價。一般來說，對比度越大，圖像越清晰，對比度越小，圖像越模糊，但對比度過大則會導致圖像細節丟失。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。

幾種算法的對比度對比結果見表1。從表1可看出，直方圖均衡導致對比度過大，會使得圖像過亮且細節丟失，而采用本文算法改善圖像對比度的效果最好。

(a)原圖(b)直方圖均衡算法(c)同態濾波算法(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比結果見表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，本文算法對綜采工作面監控圖像增強的結果更優。

表1　幾種算法的對比度對比結果

表2　幾種算法的信息熵對比結果

4結語

為了提高綜采工作面監控圖像質量，提出了一種混合圖像增強算法，通過模板去噪算法消除單尺度Retinex算法產生的縱向條紋噪聲，并結合拉普拉斯算子增強圖像細節。采用實際綜采工作面不同工況下的監控圖像對該算法進行實驗驗證，結果表明，該算法在增強圖像清晰度、對比度與圖像細節方面優于常規圖像增強算法，對綜采工作面監控圖像的增強效果較好。

參考文獻：

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

[2]應東杰,李文節.煤礦監控圖像增強算法的分析與實現[J].工礦自動化,2012,38(8):55-58.

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

[4]楊勇,岳建華,李玉良,等.一種礦井動態圖像增強方法[J].工礦自動化,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.改進單尺度Retinex的光照人臉識別[J].計算機工程與應用,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,吳亞東,張紅英,等.改進的單尺度Retinex霧天圖像增強算法[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理論的圖像增強恢復算法研究[D].上海：上海交通大學,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現[D].哈爾濱：哈爾濱工業大學,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：TD67

文獻標志碼：A網絡出版時間：2016-04-05 11:27

文章編號：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.綜采工作面監控圖像混合增強算法[J].工礦自動化，2016,42(4)：36-40.