基于雙域分解的夜間車輛紅外圖像研究

魏 亮,王 炎,胡文浩,吳卓鴻,楊昊鈞

(1.云南云通司法鑒定中心,云南 昆明650255；2.國家市場監督管理總局缺陷產品管理中心,北京 100101；3.北京航空航天大學交通科學與工程學院,北京100101)

1 引 言

交通監控系統屬于智能交通的核心手段之一,通過交通監控系統監管車輛,能夠實現車輛交通的全天候管理。在現實應用中,交通監控系統所采集的交通紅外偏振圖像受低能見度(夜間)條件限制,獲取的紅外偏振圖像清晰度較低,這對夜間車輛交通監控存在干擾[1]。

目前已有大量學者專題研究圖像增強問題,王峰萍等人提出基于改進Retinex的城市交通圖像增強方法,提高圖像具有色彩保真的優勢,但增強的圖像存在光暈問題[2]；曹錦綱等人提出基于生成式對抗網絡的道路交通模糊圖像增強方法,增強后圖像細節性顯著,但是生成圖像和原始圖像相比存在差距,網絡結構和調整參數還需優化[3]。

為解決傳統方法存在的問題,提出基于雙域分解的夜間車輛交通紅外偏振圖像增強方法,以提升夜間車輛交通紅外偏振圖像質量。

2 基于雙域分解的夜間車輛交通紅外偏振圖像增強方法

2.1 改進的 Retinex 低照度圖像光照補償算法

因夜間車輛交通紅外偏振圖像采集于夜間,這對夜間車輛交通紅外偏振圖像增強效果存在一定影響[4-5]。為此,本文把原始的夜間車輛交通紅外偏振圖像在RGB空間變換至Lab顏色空間,色度分量a與b保持原始狀態,使用改進的Retinex算法處理亮度分量L,以此保證夜間車輛交通紅外偏振圖像色彩具有恒常性,優化邊緣模糊性。通過全局矯正方法,對圖像完成線性拉伸,將拉伸后圖像變換至RGB空間實現光照補償[6]。

2.1.1 RGN空間和Lab空間變換

RGB空間無法直接變換至Lab空間,需先變換到XYZ空間后再變換至Lab,則RGB-XYZ-Lab。夜間車輛交通紅外偏振圖像自RGB至XYZ的變換方法為:

(1)

其中,

(2)

式中,N為變換矩陣。夜間車輛交通紅外偏振圖像自XYZ空間至Lab空間的轉換方法為:

(3)

式中,g代表變換函數；X1、Y1、Z1分別代表X、Y、Z分量歸一化值。

2.1.2 亮度分量估計

傳統Retinex算法利用高斯濾波估計圖像的亮度分量,圖像邊緣處將存在泛白、光暈問題[7]。本文使用引導濾波方法估計夜間車輛交通紅外偏振圖像亮度分量:

R(φ,φ)=lgL(φ,φ)-lgK(L(φ,φ))

(4)

式中,R(φ,φ)為亮度分量；L(φ,φ)為原始圖像變換至Lab空間后的反射分量；K為引導濾波函數。

變換后的輸出圖像pj為:

(5)

式中,J為圖像引導系數;qj為輸入圖像；Vij表示權重。引導濾波可輸出局部線性算子:

G=φkpj

(6)

(7)

(8)

式中,Kj(L(φ,φ))為引導濾波函數處理后圖像。把式(8)導進式(4)便可以獲取反射圖像R(φ,φ)。

2.1.3 全局矯正

使用式(9)對R(φ,φ)線性量化,讓圖像對比度變換至能夠顯示的區域中,實現圖像光照補償:

(9)

式中,R(φ,φ)即為光照補償矯正后夜間車輛交通紅外偏振圖像。

2.2 基于雙域分解的圖像增強算法

2.2.1 雙邊濾波器

與高斯濾波器對比,雙邊濾波器降噪性能顯著,邊緣輪廓留存性能顯著[9-10]。雙邊濾波器分解噪聲的方法為:

(10)

(11)

圖像R(φ,φ)通過雙邊濾波器濾波后,可獲取低頻圖像gL與高頻圖像gH,具體如下式所示:

(12)

2.2.2 低頻圖像去霧

使用霧霾天氣退化模型抑制低頻圖像基礎層的霧氣,獲取無霧的低頻圖像gL:

gL=go×Rx+B[1-Rx]

(13)

式中,go、Rx、B依次為去霧后低頻圖像、透射率、周圍環境大氣光。

無霧的低頻圖像里存在某個顏色通道灰度值為較小[11]。因此,無霧的低頻圖像存在式(14)的暗原色Idark:

(14)

式中,d為顏色通道；Id為顏色通道的顏色向量。

(15)

(16)

去霧后低頻圖像的顏色通道的顏色向量Id為:

(17)

如果去霧后低頻圖像灰度最大值為gLDHmax;最小灰度值為gLDHmin,那么利用Gamma變換方法實現低頻圖像增強。增強后低頻圖像為:

(18)

2.2.3 高頻降噪與增強

夜間車輛交通紅外偏振圖像存在大量噪聲,增強高頻圖像gH之前需要去噪,若不去噪,直接增強將會放大噪聲[12-14]。

采用非下采樣剪切波變換分解高頻圖像gH。獲取gH剪切波變換域的分解系數gHCj,l,對gHCj,l收縮處理,獲取基礎收縮系數gHC1:

(19)

且噪聲點標準方差ρ的計算方法為:

(20)

式中,Vd1是高頻子帶系數。

將gHB完成分解,通過gHB的分解系數矩陣集CEC2將gHCj,l完成最終收縮,獲取噪聲抑制后收縮系數集gHC2,將gHC2進行非下采樣的剪切變換,獲取去噪后高頻圖像gHD:

(21)

gHD的高頻紋理細節增強和邊緣檢測算子存在顯著關聯性,一階微分算子提取的邊緣信息效果顯著,但不具有明確方向性,無法獲取非規則邊緣[15]。為有效獲取非規則邊緣信息,使用二階微分算子,獲取gHD邊緣信息并增強。

(ao-1,bo)-gHDj,l(ao-1,bo-1)-gHDj,l(ao+1,bo-1)-4gHDj,l(ao+1,bo)-gHDj,l(ao+1,bo+1)

(22)

式中,ao,bo依次是分解系數矩陣行數與列數。

2.2.4 圖像合成與模糊抑制

聯合gLE、gHD合成增強圖像gOE,使用模糊抑制算子,抑制gOE模糊性,獲取最終增強圖像gDE:

gDE=(gOE)Ωd+ψd

(23)

式中,Ωd,ψd分別為顏色比例因子、色彩調整因子。

3 實驗分析

實驗環境為Matlab R2019a編程,電腦配置為:處理器Inter(R)Core(TM)i7,主頻與內存依次是3.0 GHz、8 GB,實驗對象為某停車場夜間車輛。

3.1 圖像光照補償效果

圖1為某停車場夜間車輛紅外偏振圖像,從視覺角度分析可直觀看出,此圖像光照不足,圖像細節信息不顯著,使用本文方法對其進行圖像光照補償,補償效果如圖2所示。

圖1 某停車場夜間車輛紅外偏振圖像Fig.1 Infrared polarization image of vehicles in a parking lot at night

圖2 本文方法應用后Fig.2 After the application of the proposed method

從主觀視覺角度分析圖1與圖2可知,本文方法對圖1進行光照補償后,該停車場夜間車輛紅外偏振圖像視覺效果更佳,可清晰看出各個車輛停靠位置。

3.2 圖像增強效果

使用本文方法對夜間車輛紅外偏振圖像進行圖像增強,以圖2為例,為驗證本文方法增強效果,以文獻[2]方法提出的基于改進Retinex的城市交通圖像增強方法、文獻[3]提出的基于生成式對抗網絡的道路交通模糊圖像增強方法為對比方法,對比三種方法對夜間車輛交通紅外偏振圖像的增強效果,結果如圖3所示。

圖3 三種方法增強效果視覺對比圖Fig.3 Visual contrast of three methods for enhancing effect

三種方法對同一個夜間車輛交通紅外偏振圖像增強后,差異較為明顯。對比之下,本文方法增強后圖像的視覺效果最好,夜間車輛交通紅外偏振圖像中細節清晰,文獻[2]方法增強后圖像存在光暈問題,文獻[3]方法雖然不存在光暈問題,但是增強后圖像的視覺效果劣于本文方法。由此可知,從視覺角度分析,本文方法增強后夜間車輛交通紅外偏振圖像更具優勢。

為深入驗證本文方法增強效果,通過亮度均值O1、標準差O2、信息熵O3測試三種方法應用性能。已知某夜間車輛交通紅外偏振圖像亮度均值是50。

(1)亮度均值

(24)

式中,L(i,j)、ao、bo分別為夜間車輛交通紅外偏振圖像像素點(i,j)亮度、行數、列數。

三種方法增強后夜間車輛交通紅外偏振圖像的亮度均值越大,代表圖像整體偏亮；亮度均值較小,代表夜間車輛交通紅外偏振圖像整體偏暗。亮度均值越大,代表圖像增強效果越好。三種方法增強后,夜間車輛交通紅外偏振圖像的亮度均值對比結果如圖4所示。

圖4 亮度均值對比結果Fig.4 Comparison results of brightness mean

根據圖4可知,三種方法增強后夜間車輛交通紅外偏振圖像的亮度均值之間差異顯著,本文方法增強后的夜間車輛交通紅外偏振圖像亮度均值高達115,文獻[2]方法、文獻[3]方法增強后的夜間車輛交通紅外偏振圖像亮度均值均低于80,文獻[2]方法、文獻[3]方雖然也提高了原始夜間車輛交通紅外偏振圖像亮度,但是提升效果沒有本文方法顯著。

(2)標準差

(25)

標準差能夠描述夜間車輛交通紅外偏振圖像的對比度,標準差較大,夜間車輛交通紅外偏振圖像對比度顯著,圖像增強效果較好。三種方法增強后,夜間車輛交通紅外偏振圖像的標準差對比結果如圖5所示。

圖5 標準差對比結果Fig.5 Standard deviation comparison results

圖5中,三種方法對比之下,本文方法對夜間車輛交通紅外偏振圖像增強后,標準差大于40,文獻[2]方法、文獻[3]方法增強效果不如本文方法,標準差低于40,對比之下,本文方法增強下,夜間車輛交通紅外偏振圖像對比度得以提升,效果更佳。

(3)信息熵

(26)

式中,gHI為灰度級概率值。

信息熵可描述圖像信息量,信息熵較大,表示圖像信息量較多,信息熵較小,表示圖像信息較小；信息熵較小,則增強圖像后信息出現流失,增強效果較差。三種方法增強后,夜間車輛交通紅外偏振圖像信息熵對比結果如圖6所示。

圖6 信息熵對比結果Fig.6 Comparison results of information entropy

圖6中本文方法對夜間車輛交通紅外偏振圖像增強后,圖像信息熵大于9,相比之下,文獻[2]方法、文獻[3]方法增強后,夜間車輛交通紅外偏振圖像的信息熵較小,本文方法增強效果更佳,圖像細節信息更豐富。

4 結 論

本文針對夜間車輛交通紅外偏振圖像,提出基于雙域分解的夜間車輛交通紅外偏振圖像增強方法,此方法可以有效實現夜間車輛交通紅外偏振圖像增強。通過實驗測試,本文方法相比于傳統方法,可以更好地保持圖像細節信息,對夜間車輛交通紅外偏振圖像具有更顯著的增強效果,使用價值顯著。