基于雙域分解的復雜環境下奶牛監測圖像增強算法

劉忠超 范靈燕 蓋曉華

摘要：針對天氣變化及光照不足導致的奶牛監測圖像降質問題，提出一種基于雙域分解的復雜環境下奶牛圖像增強算法。該算法首先采用雙域濾波圖像去噪，將輸入圖像分解為低頻圖像和高頻圖像;其次根據貝葉斯估計得到不同高頻圖像的小波閾值，利用改進的Garrote閾值函數進行小波去噪，并結合伽馬變換對去噪的高頻圖像進行矯正，實現對高頻圖像的濾波和對比度調整;再次通過暗通道先驗對低頻圖像進行去霧，并結合對比度受限自適應直方圖均衡化（contrast limited adaptive histogram equalization，CLAHE）算法對去霧后整體偏暗的低頻圖像進行增強，進一步提高圖像的對比度和整體亮度;最后將處理后的高頻圖像和低頻圖像進行重構，得到最終的增強圖像。以不同時段光照、復雜氣象條件下實地拍攝的奶牛場監測圖像為樣本，采用主觀視覺和客觀評價將該算法與現有算法進行試驗對比。結果表明，該算法能夠對復雜光照下奶牛圖像有效去噪、增強整體和細節信息、改善圖像視覺效果等，相比于HE算法、Retinex算法、CLAHE算法、自適應Retinex算法，標準差分別平均提高1.929 5、4.681 2、3.245 0、0.533 0，峰值信噪比平均分別提高0.526 0、-13.777 5、-0.469 0、1.197 5，信息熵值平均提高0.155 5、0.539 7、0.029 7、0.590 5，結構相似性平均提高0.005 2、-0.082 7、0.058 8、0.046 3，可實現不同時段和復雜氣象條件下的奶牛監測圖像增強，為基于機器視覺的奶牛行為自動識別奠定良好的基礎。

關鍵詞：奶牛監測圖像;雙域濾波;小波閾值;貝葉斯;伽馬變換;暗通道先驗

中圖分類號：TP391.41;S24 ??文獻標志碼： A

文章編號：1002-1302（2022）09-0203-08

近年來，隨著智慧畜牧業的不斷發展，視頻監控和視覺分析技術能夠克服接觸式傳感器監測的弊端，已成為奶牛精準養殖中的一個重要研究熱點。通過奶牛監測視頻、圖像信息的分析學習，可以實現奶牛個體識別[1]、行為識別[2]等。然而，由于奶牛生活環境變化較大，存在諸如夜間、雨天、霧天、光線不足等外界不利條件，監測圖像易受到自然環境下不同光照、氣象等影響，導致視頻圖像出現照度不足、光照突變、明暗區、高光部分偏多等問題[3]，使其監測圖像模糊、整體偏暗、噪聲過大、對比度差、光暈現象明顯、圖像色彩失真等。因此，探究一種適用于奶牛養殖場復雜環境條件的奶牛監測圖像增強方法，是目前視頻監控技術在奶牛養殖業應用中亟待解決的問題。當前奶牛養殖的自然環境受到天氣、光線等影響較大，能夠適用于奶牛養殖復雜光照條件下的圖像增強算法研究較少。部分學者對于復雜光照條件下的圖像增強進行研究并取得了一定進展，1997年Kim首次提出具有亮度保持雙直方圖均衡（brightness preserving bi-histogram equalization，BBHE）[4]，并被江巨浪等應用于動植物圖像增強處理[5]。文獻[6]所述的直方圖均衡化算法，通過先驗知識確定其顏色集，進而得到顏色分布直方圖，利用差分歸一化對大熊貓監測圖像進行增強，得到較好的視覺效果。但是這類直方圖均衡和改進的直方圖均衡算法無法抑制奶牛養殖環境中的霧霾、遮擋等對光散射導致圖像模糊的影響，以及光照突變、過曝光等導致的圖像噪聲較大等缺點。針對以上問題，本研究對奶牛養殖場實地監測采集的圖像進行分析，提出一種基于雙域分解的復雜環境下奶牛圖像增強算法。首先，對奶牛視頻圖像采用雙域濾波圖像去噪（dual domain image denoising，DDID）算法分解，獲得低頻圖像和高頻圖像;其次，通過改進的Garrote小波閾值函數模型和貝葉斯估計的小波收縮閾值方法，對不同照度下的高頻圖像進行小波去噪，并利用伽馬非線性變換函數對小波去噪后的高頻圖像進行矯正，實現對高頻圖像的濾波和增強;再次，采用暗通道先驗（dark channel prior，DCP）算法對低頻圖像進行去霧，并根據對比度受限自適應直方圖均衡化（CLAHE）算法進行低頻圖像增強，進一步提高其對比度和整體亮度;最后，將去噪、矯正的高頻圖像和去霧、增強的低頻圖像進行重構，使增強后的圖像質量更好，更符合視覺效果，便于機器視覺的進一步處理。

1 奶牛監測圖像分析

為了對真實的奶牛養殖場視頻圖像進行增強處理，本研究采用實地監測拍攝的奶牛養殖場圖像為樣本進行分析。試驗樣本取自西北農林科技大學畜牧教學實驗基地的奶牛養殖場，通過分析奶牛養殖區的功能劃分，奶牛有意義的行為活動主要發生在養殖場的奶牛活動區。采用CCD網絡攝像機（型號為YW7100HR09-SC62-TA12，生產商為深圳億維銳創科技有限公司）進行圖像樣本采集，分辨率為1 920像素（水平）×1 080像素（垂直）（圖1、圖2）。

由圖2可知，清晨、傍晚時段的太陽光照變弱，采集的圖像表面整體偏暗、光照突變、出現明暗區等;陰天、霧天、霾天時采集的圖像表面整體偏暗、模糊、對比度差、色彩污染等;夜間為了減少奶牛的應激不適，夜間牛場光線較弱，攝像機一般在紅外模式下監控，采集的圖像為紅外圖像，圖像整體模糊;晴朗的下午時段太陽光照較強，采集的圖像表面存在強反射光或陰影區等。

2 本研究圖像增強算法

通過對奶牛場采集的不同光照、不同氣象條件的視頻圖像進行分析，發現光照變化后圖像的高頻部分噪聲較大，低頻部分主要表現為亮度和對比度變化。因此，本研究提出基于雙域分解的圖像增強算法，首先采用雙域濾波替代傳統算法的高斯濾波，獲得圖像的高頻系數和低頻系數;然后采用改進的Garrote閾值法和伽馬變換對高頻圖像進行濾波調整;同時采用DCP算法對低頻圖像進行去霧，并根據CLAHE算法對低頻圖像進行增強;最后通過處理后的高頻圖像和低頻圖像重構來生成增強后的視頻圖像，以克服不同氣象和光照條件對奶牛活動區監測圖像質量的影響，進而提高圖像的整體視覺效果。

2.1 雙域濾波模型

雙域濾波圖像去噪（dual domain image denoising，DDID）算法是一種非線性的二維信號濾波方法，是結合像素的空域距離鄰近度和像素間灰度值相似度的一種圖像處理方法。與高斯濾波器相比，DDID算法使用雙域濾波器和短時傅里葉變換對圖像進行多尺度降噪[7]。因此，本研究選用雙域濾波器對奶牛活動區監測圖像進行單尺度分解。雙域濾波器中，輸出圖像的像素值依賴于鄰域像素值的加權組合，其定義見公式（1）

f L（i，j）=∑ k，lf（k，l）w（i，j，k，l）∑ k，lw（i，j，k，l）。（1）

式中：f（k，l）表示原噪聲圖像f;w（i，j，k，l） 表示權重系數;f L（i，j）表示輸出的低頻圖像f L。

權重系數w（i，j，k，l）取決于空間域核和像素值域核，空間域核定義見公式（2）

d（i，j，k，l）=exp-（i-k）2+（j-l）22σ2 d。（2）

式中：d（i，j，k，l）表示基于空間距離的高斯權重;（i，j）表示鄰域像素點位置坐標;（k，l）表示中心像素點坐標;σ2 d表示空間域方差。

像素值域核定義見公式（3）

r（i，j，k，l）=exp-‖f（i，j）-f（k，l）‖22σ2 r。（3）

式中：r（i，j，k，l）表示基于像素間相似程度的高斯權重;σ2 r表示值域方差。

權重系數w（i，j，k，l）為空間域核和像素值域核的乘積，表達式見公式（4）

w（i，j，k，l）=exp-（i-k）2+（j-l）22σ2 d-‖f（i，j）-f（k，l）‖22σ2 r。（4）

2.2 高頻降噪與增強模型

針對奶牛活動區視頻圖像經DDID算法濾波處理后仍含有大量的噪聲成分，需要對DDID算法濾波后獲得的高頻圖像f H增強之前進行進一步降噪，否則在增強圖像細節特征的同時將放大噪聲。f H由原噪聲圖像f與雙域濾波器分解出的低頻圖像f L差分得到。由于高頻圖像f H采用傳統空域濾波或值域濾波法很難將f H中的噪聲去除。因此，本研究采用改進的Garrote小波閾值函數構建高頻去噪模型。

2.2.1 小波閾值去噪模型 目前，針對傳統小波閾值去噪的硬閾值、軟閾值去噪模型存在的缺陷[8]，改進后2類典型的小波閾值去噪（wavelet threshold denoising，WTD）模型定義見公式（5）、公式（6）。

2.2.1.1 Semisoft去噪模型[9]

μ T（ω i，j）=0???????????? |ω i，j<T 1|

sgn（ω i，j）·T 2（|ω i，j-T 1|）T 2-T 1T 1<|ω i，j|<T 2

ω i，j|ω i，j|≥T 2。（5）

式中：μ T表示小波去噪后的高頻系數;ω i，j表示第i層小波分解下的第j個高頻系數;sgn（ω i，j）表示符號函數;T 1、T 2表示小波閾值函數的2個閾值。

2.2.1.2 Garrote去噪模型[10]

μ T（ω i，j）=0????? |ω i，j|<T

ω i，j-T2ω i，j|ω i，j|≥T。（6）

式中：μ T表示小波去噪后的高頻系數;ω i，j表示第i層小波分解下的第j個高頻系數;T表示小波閾值。

Semisoft去噪模型能夠較好地兼顧軟、硬閾值函數的優點，但該模型須要計算2個閾值，存在計算量大、算法實現困難等缺點。Garrote去噪模型能夠較好地保持圖像平滑，且在一定程度上能較好地保留圖像的邊緣特征信息，缺點是小波閾值T無法隨著小波分解層數的增加自適應地實現閾值調整，進而導致增強后的圖像出現模糊。

在采集的奶牛活動區監測圖像中，針對上述典型的2類去噪模型進行圖像增強后出現不同程度的缺點，無法改善夜間、陰暗天氣的奶牛視頻圖像效果。本研究引入了一種改進的Garrote小波閾值去噪模型，該模型在整個定義域內連續，同時避免了固定偏差的產生，計算較簡便，能夠應用于不同噪聲環境下的圖像去噪，其表達式見公式（7）。

μ T（ω i，j）=sgn（ω i，j）·（1-s）T·ω2 i，j |ω i，j|<T

ω i，j-s·T2|ω i，j||ω i，j|≥T。（7）

式中：s表示自適應權值因子，s∈（0，1）。

該模型中自適應權值因子s能夠根據小波分解后的噪聲系數分布情況自適應調整，大幅度提高模型的靈活性和實用性，其s可由公式（8）計算得到

s=m/M。（8）

式中：M表示小波高頻系數長度;m表示小波高頻系數中大于閾值的頻數。

2.2.2 閾值選取 針對采集的奶牛不同養殖環境下的視頻圖像，其噪聲系數不盡相同，若待處理圖像均采用相同的閾值，則閾值過大時，使得低于閾值的有效小波系數置0，造成圖像的細節體征模糊;而閾值選取太小時，導致在小波降噪中殘留較多的噪聲信號，降低高頻圖像f H小波去噪算法的去噪效果。因此，本研究采用貝葉斯估計的小波收縮閾值方法，自適應調整小波閾值，具體計算過程如下。

（1）根據貝葉斯估計理論，DDID算法濾波后，高頻圖像f H服從均值位0，方差為σ2 x的廣義高斯分布。

Φ（x，σ2 x）=12πσ2 xexp-x22σ2 x。（9）

（2）對于給定的參數σ x，則根據貝葉斯風險估計函數r（T）尋找最優化的閾值T[11]。由文獻[12]可知閾值計算表達式為

T i=σ2σ x。（10）

式中：σ2表示高頻圖像f H的噪聲方差;σ x表示高頻圖像f H的標準差。

（3）噪聲方差σ2采用Donoho提出的魯邦性中值估計[13]，見公式（11）。

σ=median（|ω i，j|）/0.674 5。（11）

式中：ω i，j表示高頻圖像f H的坐標（i，j）系數值。

（4）采用最大似然估計（ML）方法得到每個含噪觀測子帶的方差估計，見公式（12）。

σ2 y=1n∑nj=1ω2 i，j。（12）

式中：n表示高頻圖像f H中像素總數。

（5）由σ2 y=σ2 x+σ2可得σ x的計算公式。

σ x=max（σ2 y-σ2，0）。（13）

通過公式（11）、（12）、（13）能夠計算不同小波尺度下的自適應小波閾值T，并克服固定小波閾值的缺點。

2.3 低頻圖像去霧與增強模型

由于自然環境條件下奶牛養殖場環境復雜，導致攝像機采集的視頻圖像體現出多特征性。針對奶牛霧天或夜間紅外圖像中目標景物各點溫度差別較小，表現為像素點鄰域像素灰度值相似度高，導致紅外圖像模糊，細節不清晰，與可見光圖像受霧氣影響圖像相似[14-15]。因此，本研究采用基于暗通道先驗的去霧模型對低頻圖像f L進行可見光或紅外圖像增強，同時針對去霧處理后圖像亮度較暗的情況，采用對比度受限的自適應直方圖算法對處理后低頻圖像進行增強，進一步提升圖像的亮度與對比度。

2.3.1 暗通道先驗去霧原理 目前，基于暗通道先驗（dark channel prior，DCP）的典型去霧增強算法進行多種改進優化，在低照度和夜晚紅外圖像增強方面已經取得了較好的視覺效果[16]。在機器視覺領域中，光在霧天傳輸的物理模型廣泛采用如下公式。

I（x）=t（x）J（x）+[1-t（x）]A。（14）

式中：I表示輸入（觀測到的）有霧圖像;t表示目標與攝像機之間的大氣透射率;A表示大氣環境光;J表示待恢復的無霧圖像;x表示圖像空間坐標。

可見光或紅外圖像去霧的目標就是由已知的I求得未知參數J、A、t。由于公式（14）中已知項數量少于未知項數量，須增加一些假設和先驗等約束條件來求解。

暗通道先驗是基于大量戶外無霧圖像觀察到的一條統計規律：在絕大多數戶外無霧圖像的每個局部區域至少存在某個顏色通道的強度值很低[17]。對戶外無霧圖像J進行分塊，將每個像素塊定義暗通道為

Jdark（x）=minc∈{r，g，b}{miny∈Ω（x）[J c（y）]}。（15）

式中：Ω（x）表示以x為中心的正方形鄰域;J c表示J三原色中的1個通道;Jdark（x）表示圖像J在這個鄰域的暗通道，觀察統計表明Jdark趨于0。

假設每一個像素塊的大氣光透射率t（x）相同，且大氣環境光A已知。因此，計算圖像中每個像素塊的大小對透射率進行估計。根據公式（14）即可求取每個像素塊的最小值，為公式（16）。

minx[miny∈Ω（x）（I c（y）A c）]=t（x）minc[miny∈Ω（x）（J c（y）A c）]+[1-t（x）]。（16）

根據暗通道先驗無霧圖像的暗通道趨于0，故由公式（16）可得大氣透射率t（x）預估值為公式（17）。

t（x）=1-mincminy∈Ω（X）I c（y）A c。（17）

由于帶霧圖像在x鄰域的暗通道值[公式（17）中的第2項]能夠由圖像得到。因此，局部區域的t值可以求得，并得到整幅圖的透射率t（x）。但當 t（x） 的值很小并趨于0時，會導致J的值偏大，從而使圖像整體趨于白場，因此設置一個透射率的下限t 0（通常設置為0.1）。

根據估計大氣環境光A和公式（17）求得的大氣透射率t（x），最終可得到J的求解公式為

J（x）=I（x）-Amax（t（x），t 0）+A。（18）

基于暗通道先驗去霧能夠克服大氣光對奶牛活動區監測成像環境的影響，消除由水蒸氣、霧霾等環境光造成的圖像模糊。

2.3.2 對比度受限的自適應直方圖均衡化算法 基于暗通道先驗去霧后的低頻圖像紋理清晰，邊緣突出，細節信息增強明顯。由于采用均值估計大氣環境光，去霧處理后圖像整體偏暗，需進一步進行全局對比度增強，以獲取更好的視覺效果。因此，本研究采用對比度受限的自適應直方圖均衡化（CLAHE）算法提高其對比度和亮度，其快速算法實現過程見文獻[17]。

2.4 本研究算法實現過程

本研究提出的基于雙域分解的復雜光照下奶牛圖像增強算法，其算法具體實現流程如下：（1）將原噪聲圖像f進行DDID算法濾波處理，輸出低頻圖像f L，原噪聲圖像f與低頻圖像f L差分后的圖像為高頻圖像f H。（2）通過公式（8）計算自適應權值因子，并根據貝葉斯理論計算小波閾值T。（3）采用改進的Garrote小波閾值去噪（WTD）模型對高頻圖像f H進行小波去噪處理，得到高頻圖像去噪圖像f HW。（4）由公式（14）計算去噪后高頻圖像f HW的對比度矯正后圖像f HWG。（5）通過DCP估計大氣環境光A和大氣透射率t，并利用DCP快速算法對f L去霧處理，得到去霧低頻圖像f LD。（6）根據CLAHE算法對f LD進行增強，得到對比度和整體亮度提高的圖像f LDC。（7）將濾波和增強處理后的低頻圖像和高頻圖像進行系數重構，得到增強后的圖像f E。

本研究改進的Garrote小波閾值函數與Garrote閾值函數、Semisoft閾值函數、軟硬閾值函數對比見圖3，所提出的基于雙域分解的復雜環境下奶牛圖像增強算法實現方案見圖4。

3 試驗結果與分析

3.1 試驗測試平臺及參數選取

為了驗證本研究所述一種復雜光照條件下奶牛監測圖像增強算法的有效性，通過對直方圖均衡算法（histogram equalization，HE）、Retinex算法、CLAHE算法[17]、自適應Retinex算法以及本研究所述算法進行對比試驗分析，并根據試驗結果分別對其進行主觀視覺和客觀評價與分析。

本試驗所用計算機配置：CPU為Inter Core i3-6100CPU，3.70 GHz，RAM 4 GB;運行環境為MATLAB R2017b版本。根據奶牛養殖場的實際監測環境，并分析優化對比算法中的控制參數，控制參數設置如下：CLAHE算法中的子塊大小為8×8，對比度增強的限制參數取0.02;自適應Retinex算法的濾波器平滑因子為ε=0.01，窗口大小為5×5，拉伸因子α為1.05，尺度為300。結合上述對比算法的參數設置，為了突出本研究所述算法的優越性，算法中濾波器參數為σ r=25、σ d =0.2，低頻部分對比度調整子塊大小為8×8，對比度增強的限制參數取0.02（與CLAHE算法中子塊參數設置一樣）。

3.2 試驗數據及主客觀評價與分析

為驗證本研究所述算法的去霧性能、噪聲抑制性能、增強性能以及算法的魯棒性能。奶牛養殖場活動區復雜環境下采集的圖像劃分為清晨、中午、傍晚、夜間、霧天、雨天等，并對其進行試驗驗證。

為了說明本研究算法的有效性以及更加直觀和客觀地對不同算法的增強效果進行評價，采用圖像增強效果圖和直方圖對其進行主觀評價，采用增強圖像與原始圖像之間的標準差（standard deviation，SD）、峰值信噪比（peak signal to noise ratio，PSNR）、信息熵（information entropy，IE）、結構相似性（structural similarity index measurement，SSIM）4個客觀評價指標分別對增強效果圖像的亮度、對比度、細節信息、噪聲水平、失真程度等進行衡量。其中，SD值越大，代表圖像差異范圍也越大，圖像的對比度也越大;PSNR值越大，則表示圖像增強后的保真程度越好，圖像增強效果也越好;IE值越高，說明圖像中蘊含的信息量越多，表示增強后的圖像信息越豐富;SSIM值越大，表示結構相似度越高，增強效果越好，其最大值為1。清晨和中午監測的奶牛視頻圖像處理結果及分析如下。

3.2.1 清晨時段采集圖像增強處理（圖5） 清晨時段，不同增強算法的客觀評價參數對比見表1。

由圖5的視覺效果可知，清晨時段原始噪聲圖像中，圖像存在對比度低、整體亮度偏暗以及紋理信息模糊等缺點，導致視覺效果較差。在經過上述不同圖像增強算法處理后，圖5-a中的原始噪聲圖像整體視覺效果得到不同程度的改善。

由圖5和表1綜合分析可知，圖5-b采用HE算法對圖像進行直方圖均衡化增強，該算法能夠增強圖像對比度，改善圖像的整體亮度，并使得圖像更加清晰化，但也存在部分圖像細節信息丟失，圖像失真較嚴重;圖5-c采用Retinex算法進行圖像增強后，對比度有所提高，圖像去噪效果明顯，圖像整體失真較小，但圖像整體偏暗，對比度較差，信息熵較小，視覺效果改善不明顯;圖5-d采用改進的CLAHE算法進行圖像增強后，圖像整體亮度有所改善，灰度動態范圍擴大，但存在圖像對比度過高，圖像邊緣細節信息保持較差等問題;圖5-e采用自適應Retinex算法對圖像進行增強后，圖像灰度動態范圍擴大，但也存在圖像亮度過高，圖像邊緣細節保持不好，圖像失真嚴重等問題;圖5-f采用本研究提出的增強算法對圖像進行處理后，該算法能夠很好地實現低照度圖像增強，提高圖像的整體亮度和對比度，并突出原有的細節特征，使增強后的圖像更加符合人眼視覺特征。

3.2.2 中午時段采集圖像增強處理（圖6） 中午時段不同增強算法的客觀評價參數對比見表2。

由圖6的視覺效果可知，中午時段原始噪聲圖像中，圖像存在光照不均勻和紋理信息模糊等缺點，導致視覺效果較差。在經過上述不同圖像增強算法進行處理后，圖6-a中的原始噪聲圖像整體視覺效果得到不同程度的改善。圖6-b采用HE算法對圖像進行直方圖均衡化增強，該算法能夠改善圖像的整體亮度，信息熵值較高，但存在圖像過增強，導致原圖像高亮部分細節信息丟失，圖像失真較嚴重;圖6-c采用Retinex算法進行圖像增強后，圖像去噪效果明顯，圖像整體失真較小，但圖像對比度和亮度改善效果不明顯，信息熵較小;圖6-d采用改進的CLAHE算法進行圖像增強后，圖像對比度得到部分提高，信息熵值較大，但圖像亮度改善不明顯，去噪效果較差，且存在圖像邊緣信息丟失等問題;圖6-e采用自適應Retinex算法對圖像進行增強后，圖像去噪效果較好，但圖像亮度過高，圖像邊緣細節保持較差，并存在圖像過增強等缺點;圖6-f采用本研究提出的增強算法對圖像進行處理后，該算法能夠有效改善光照不均勻導致的圖像視覺效果較差的問題，提高圖像的整體亮度和對比度，無引入新的噪聲信號，能夠很好地保持圖像原有的細節特征信息，且圖像整體飽和自然，更加符合人眼視覺特征。

3.3 綜合測試與分析

為了進一步驗證本研究所提圖像增強算法的魯棒性，從奶牛場活動區域的攝像機監測視頻中隨機選取3個月內清晨、上午、中午、下午、傍晚、夜間、陰天、霧天的8個光照、氣象變化的圖像各50張，共計400張圖像樣本。將本研究算法與已有的HE算法、Retinex算法、CLAHE算法、自適應Retinex算法進行試驗比對，同時選取SD、PSNR、IE、SSIM等4個指標來對本研究算法與其他5種增強方法進行客觀評價。

根據6種算法對比的客觀評價指標可知，本研究算法相比于HE算法、Retinex算法、CLAHE算法、自適應Retinex算法，SD值平均分別提高1.929 5、4.681 2、3.245 0、0.533 0，PSNR值平均分別提高0.526 0、-13.777 5、-0.469 0、1.197 5，IE值平均分別提高0.155 5、0.539 7、0.029 7、0.590 5，SSIM值平均分別提高0.005 2、-0.082 7、0.058 8、0.046 3。采用本研究提出的增強算法對圖像進行處理后，該算法能夠有效改善不同時段光照、復雜氣象條件下的圖像視覺效果，提高圖像的整體亮度和對比度，無引入新的噪聲信號，能夠很好地保持圖像原有的細節特征信息，且圖像更加飽和自然，更加符合人眼視覺特征。

4 結論

通過引入自適應調節因子的小波去噪模型對高頻圖像進行濾波處理，并采用貝葉斯估計方法得到高頻圖像的小波閾值，能夠去除奶牛視頻圖像中的大部分噪聲信號;結合伽馬變換能夠較好地實現對去噪的高頻圖像的對比度矯正，改善圖像的細節特征，減小圖像失真程度。通過暗通道先驗能夠對低頻圖像進行有效去霧，增強圖像的細節信息，改善圖像的視覺效果;采用CLAHE算法對去霧后整體偏暗的低頻圖像增強后，可以極大地提高圖像的對比度和整體亮度;經過重構后的特征圖像較原始圖像的對比度、信噪比、清晰度、亮度方面都有較好的改善。本研究增強算法能夠適應奶牛養殖場的復雜氣象和光照條件，實現對奶牛監測圖像的有效去噪，有效增強圖像的整體和細節信息、改善圖像視覺效果等，實現不同時段和復雜氣象條件下的奶牛監測圖像增強，進而為基于機器視覺的奶牛行為自動識別奠定良好的基礎。

參考文獻：

[1]劉杰鑫，姜 波，何東健，等. 基于高斯混合模型與CNN的奶牛個體識別方法研究[J]. 計算機應用與軟件，2018，35（10）：159-164.

[2]顧靜秋，王志海，高榮華，等. 基于融合圖像與運動量的奶牛行為識別方法[J]. 農業機械學報，2017，48（6）：145-151.

[3]范偉強，劉 毅.基于自適應小波變換的煤礦降質圖像模糊增強算法[J]. 煤炭學報，2020，45（12）：4248-4260.

[4]Kim Y T. Contrast enhancement using brightness preserving bi-histogram equalization[J]. IEEE Transactions on Consumer Electronics，1997，43（1）：1-8.

[5]江巨浪，張佑生，薛 峰，等. 保持圖像亮度的局部直方圖均衡算法[J]. 電子學報，2006，34（5）：861-866.

[6]曾陳穎.面向珍稀野生動物保護的圖像監測與識別技術研究[D]. 北京：北京林業大學，2015.

[7]艾玲梅，任陽紅.基于雙域濾波與引導濾波的快速醫學MR圖像去噪[J]. 光電子·激光，2018，29（7）：787-796.

[8]霍躍華，范偉強.一種煤礦井下復雜光照條件下的人臉識別方法[J]. 激光與光電子學進展，2019，56（1）：108-115.

[9]Chen Y，Han C.Adaptive wavelet thresholding for image denoising[J]. Electronics Letters，2005，41（10）：586-587.

[10]覃愛娜，戴 亮，李 飛，等. 基于改進小波閾值函數的語音增強算法研究[J]. 湖南大學學報（自然科學版），2015，42（4）：136-140.

[11]胡海平，莫玉龍.基于貝葉斯估計的小波閾值圖像降噪方法[J]. 紅外與毫米波學報，2002，21（1）：74-76.

[12]王泉德，肖繼來，謝 晟.BOLD效應fMRI圖像的自適應閾值小波去噪方法[J]. 計算機工程與應用，2017，53（8）：170-173，239.

[13]Donoho D L.De-noising by soft-thresholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[14]李賡飛.自適應圖像實時增強算法的技術研究[D]. 長春：中國科學院大學（中國科學院長春光學精密機械與物理研究所），2017.

[15]李 毅，張云峰，張 強，等. 基于去霧模型的紅外圖像對比度增強[J]. 中國激光，2015，42（1）：0113004.

[16]Zhang X D，Shen P Y，Luo L L，et al. Enhancement and noise reduction of very low light level images[C]//Proceedings of the 21st International Conference on Pattern Recognition，Tsukuba，2012：2034-2037.

[17]Zhang L B，Wang S Y，Wang X H.Saliency-based dark channel prior model for single image haze removal[J]. IET Image Processing，2018，12（6）：1049-1055.