基于雙域和ILoG-CLAHE 的礦井紅外圖像增強算法

范偉強，李曉宇，翁智，劉斌，楊坤

（1.內蒙古大學 電子信息工程學院，內蒙古 呼和浩特 010021；2.中國礦業大學（北京）機電與信息工程學院，北京 100083；3.國家能源集團寧夏煤業有限責任公司 羊場灣煤礦，寧夏 銀川 750408；4.煤炭科學技術研究院有限公司，北京 100013）

0 引言

紅外圖像可反映監視區域內物體表面的溫度場分布特征，且具有抗干擾能力強、對物體溫度敏感等優點。目前，紅外圖像已被逐漸應用于礦井監控視頻分析和安全隱患監測，但由于井下環境中的目標與背景溫差偏小，紅外輻射傳輸衰減大[1]，導致采集的紅外圖像存在空間相關性強、灰度分布集中、細節分辨率差等缺點[2]。此外，由于礦井環境的隨機干擾和熱成像設備的自身擾動，導致礦井紅外圖像中充滿噪聲，使得紅外圖像的信噪比低于可見光圖像[3-4]。因此，對礦井紅外降質圖像進行增強已經成為智能礦山建設中的重要研究方向之一。

目前，紅外圖像增強已逐漸形成了以直方圖均衡化（Histogram Equalization,HE）和反銳化掩膜（Un-sharp Mask,UM）2 種算法為主，其他算法不斷涌現的局面[5-8]。HE 算法的復雜度低、實現過程簡單，但存在圖像細節特征丟失和易過度增強的缺點[9]。數字細節增強（Digital Detail Enhancement,DDE）算法可提高圖像的對比度，但存在信噪比低的問題[10]。基于梯度域的紅外圖像增強算法能夠在一定條件下消除過飽和、光暈、梯度反轉等問題，但對圖像中細節信息的改善效果不明顯。基于Retinex 的增強算法可凸顯出紅外圖像中暗區域的細節，降低亮區域的灰度，但增強后的圖像易出現光暈現象[11]。基于UM 策略的紅外細節圖像增強算法可有效克服灰度反轉和過沖現象，但存在信噪比低的問題[8]。基于自適應HE 算法耦合拉普拉斯變換的紅外圖像增強算法擴大了圖像的動態范圍，但易出現細節信息丟失和目標邊緣模糊的問題[12]。基于自適應引導濾波（Guided Filtering,GF）的圖像增強算法對紅外圖像中每個區域采用相同的線性模型和規整化因子，不適用于區域間存在較大紋理特征差異的礦井紅外圖像增強[13]。基于梯度域和Gamma 變換的紅外圖像增強算法可提升圖像的細節特征，但對顯著目標的強邊緣抑制效果不佳，易出現“偽邊緣”現象[14]。

針對上述紅外圖像增強算法在實現對比度提升的同時易丟失場景細節信息或造成目標邊緣模糊的問題，結合礦井實際環境，提出了一種基于雙域分解耦合改進的高斯-拉普拉斯（Improved Laplacian of Gaussian,ILoG）算子和對比度受限自適應直方圖均衡化（Contrast Limited Adaptive Histogram Equalization,CLAHE）的礦井紅外圖像增強算法。利用雙域分解模型將礦井紅外圖像分解為基礎子圖和細節子圖；采用CLAHE算法調整基礎子圖的亮度、對比度和清晰度；采用構造的ILoG 算子進行細節子圖的噪聲抑制和邊緣銳化；重構調整后的基礎子圖和細節子圖，并采用灰度重分布的Gamma 校正（Gamma Correction for Gray Redistribution,GCGR）函數調整重構圖像的亮度，得到紅外增強圖像。該算法可提高原圖像中大動態背景信息并突出小動態目標細節信息，實現礦井紅外圖像的目標與細節增強。

1 基于雙域分解的紅外圖像增強建模

由熱成像原理可知[1]，礦井紅外圖像可反映井下監視場景中的溫度分布規律，場景中物體細節特征和噪聲主要分布于高頻部分，而場景的概貌特征主要分布于低頻部分[4,15]。因此，在基于雙域和ILoGCLAHE 的礦井紅外圖像增強算法中，首先利用雙域分解模型將紅外圖像分解為包含高頻信息的細節子圖和包含低頻信息的基礎子圖。然后采用CLAHE算法對基礎子圖進行亮度和對比度調整，用以突出監視場景的概貌特征；同時通過構造的ILoG 算子對細節子圖進行噪聲抑制和邊緣銳化，用以改善監視場景中物體的細節特征。最后重構調整后的基礎子圖和細節子圖，并采用GCGR 函數調整重構圖像的亮度，得到紅外增強圖像。

1.1 雙域分解模型

相比于Gaussian 濾波器，雙邊濾波器（Bilateral Filtering,BF）是一種采用加權平均策略的邊緣保持、降噪平滑濾波器[16]。該濾波器由幾何空間距離決定的濾波器系數和像素差值決定的濾波器系數構成[8]，其核心思想是將任意像素點與部分鄰近像素點定義為線性關系，依次進行局部濾波處理后，將所有局部濾波結果累加，進而推導出全局濾波結果。結合礦井實際監視環境，本文采用BF 分離紅外圖像的不同圖層，得到代表場景概貌特征的基礎子圖。將紅外圖像減去基礎子圖，得到代表目標細節特征的細節子圖。雙邊濾波后的基礎子圖中任意系數依賴于鄰域系數的加權組合，定義為

式中：fB(k,l)為 濾波后的基礎子圖fB在中心像素點坐標 (k,l) 處的像素值；f(p,q)為紅外圖像f在滑動窗內坐標 (p,q) 處的像素值，(p,q)為鄰域像素點的坐標；w(p,q,k,l)為權重系數。

權重系數w(p,q,k,l)為空域核和值域核的乘積，其表達為

通過式（1）求得雙邊濾波后的基礎子圖fB，則細節子圖fD在 中心像素點坐標 (k,l)處的像素值由下式得到：

式中：f(k,l)為 紅外圖像f在中心像素點坐標 (k,l)處的像素值；ξ為估計系數，ξ ∈（0,1），為避免紅外圖像中小動態目標的細節信息丟失，本文取ξ=0.8。

1.2 基于CLAHE 的基礎子圖對比度調整

傳統HE 算法不僅可以改善圖像的對比度，還能夠調整圖像的動態范圍。因此，降質圖像廣泛采用HE 算法進行增強處理。但礦井紅外圖像中目標物的細節特征較少[17]，使得紅外灰度直方圖存在不均勻分布的特點，直接采用HE 算法易導致增強圖像出現過度均衡現象。自適應直方圖均衡化（Adaptive Histogram Equalization,AHE）算法采用局部直方圖均衡策略，克服了HE 算法的缺點，提升了圖像平滑區域的概貌特征，但易過度調整均勻區域的對比度[18]。CLAHE 算法是AHE 算法的一種變體，該算法將區域對比度的改善程度與灰度直方圖的曲線傾斜度相關聯，在獲取每一區域的累積分布函數前，對呈尖狀的灰度直方圖進行適當裁剪，并將裁剪掉的像素數在灰度直方圖中進行平均分配，從而克服了AHE 算法易引起均勻區域的對比度過度調整的問題[19]。為此，本文采用CLAHE 算法對基礎子圖進行亮度和對比度調整。

對基礎子圖進行分塊后，由下式可計算出每一區域中第i級灰度的統計概率：

式中：ni為第i級灰度的像素總數；n為每一區域的像素總數；M為單通道圖像中灰度級的總數，通常M=256。

根據統計概率繪制相應區域的灰度直方圖，并對灰度直方圖的峰值進行剪裁，使其幅值低于閾值上限。此外，將裁剪掉的像素點均勻分布在原灰度直方圖中，以確保沒有丟失像素點。峰值裁剪及像素點重分布過程如圖1 所示。

圖1 峰值裁剪及像素點重分布過程Fig.1 Peak clipping and pixel redistribution process

由圖1 可知，像素點重分布后裁剪掉的部分又重新超過了裁剪閾值（藍色區域），為此每個區域可結合對應的灰度直方圖分布進行重復裁剪，進而通過多次迭代處理，直至忽略不計超出部分。

迭代處理可最大限度地減少非相鄰區域中灰度強度分布性質截然不同引起的圖像“塊”效應。此外，迭代處理可更好地保留細微的場景概貌特征，避免在對比度增強過程中被吞沒。通過灰度直方圖裁剪，獲取基礎子圖的累積分布函數，并通過灰度重映射獲取對比度調整后的基礎子圖FB。

1.3 基于ILoG 變換的細節子圖去噪與銳化

礦井紅外圖像經過BF 分解后獲取的細節子圖中不僅包含物體的細節特征，還包含了場景中大量的高頻噪聲。為了實現細節子圖中高頻噪聲的抑制和細節特征的增強，通常采用低通濾波器對細節子圖進行降噪處理。但低通濾波過程采用加權平均的濾波策略，易導致細節子圖的邊緣、輪廓出現局部模糊現象[20]。從頻域角度分析來看，紅外圖像中細節特征模糊的實質是高頻分量衰減和梯度反轉。因此，需要通過微分運算或高通濾波對圖像進行清晰化處理。鑒于此，本文采用基于ILoG 變換的細節子圖去噪與銳化策略實現對細節特征的增強和高頻噪聲的抑制。首先采用Gaussian 濾波器對細節子圖進行去噪，然后采用Laplacian 算子對去噪后圖像進行邊緣銳化，最后通過構造單位階躍函數來消除梯度反轉。該策略不僅可以提高細節子圖的信噪比，還能夠有效提升細節子圖的邊緣和紋理等細節特征的顯著度。

2D Gaussian 濾波器與細節子圖進行卷積，得到去噪后的平滑圖像P。Gaussian 濾波過程為[4]

式中：P(x,y)為平滑圖像P在坐標（x,y）處的像素值；G(x,y)為Gaussian 核函 數，G(x,y)=exp((-x2+y2)/為Gaussian 核函數的方差；*為卷積運算符；fD(x,y)為細節子圖fD在坐標（x,y）處的像素值。

假設2D Gaussian 核大小為（2r+1）×（2r+1），r為Gaussian 核半徑，用于控制Gaussian 核的大小，則離散化的G(x,y)表示為

式中α，β為任意整數，α∈ [-r,r]，β∈ [-r,r]。

Laplacian 算子是具有各向同性特征的微分算子，具有旋轉不變性。一個2D 圖像函數的Laplacian變換是各向同性的二階導數，定義為

式中：?2為 Laplacian 算子；L(x,y)為Laplacian 核函數。

將式（5）中的Gaussian 核函數代入式（7），推導得到高斯-拉普拉斯（Laplacian of Gaussian，LoG）算子：

式中：ELoG(x,y)為LoG 核函數；σg為Gaussian 核函數的標準差，σg值越大，濾波效果越好。

將式（5）的平滑圖像P與式（8）的LoG 算子進行卷積，得到細節子圖中灰度突變的特征圖像：

由式（9）得到的特征圖像存在梯度反轉，若直接對特征圖像與細節子圖執行數值運算，則得到的銳化圖像易出現局部模糊。為此，本文采用基于ILoG變換的細節子圖去噪與銳化策略，采用單位階躍函數抑制銳化圖像中的局部模糊。

式中：FD(x,y)為銳化圖像FD在坐標（x,y）處的像素值；usf(·)為單位階躍函數[21]。

1.4 圖像重構與校正模型

細節子圖采用ILoG 算子降噪和銳化處理后，得到的銳化圖像整體偏暗，直接將銳化圖像FD和對比度調整后的基礎子圖FB進行重構，得到的重構圖像中暗區域細節特征不明顯。為此，本文采用GCGR函數來調節重構圖像的亮度，并突出圖像暗區域的細節特征[22]。

式中：F(x,y)為紅外增強圖像F在坐標（x，y）處的像素值；R(x,y)為重構圖像R在坐標（x，y）處的像素值，且R(x,y)=FB(x,y)+FD(x,y)，FB(x,y)為對比度調整后的基礎子圖FB在坐標（x，y）處的像素值；Rmax為重構圖像R的最大像素值；Rmin為重構圖像R的最小像素值；ε為調節因子，ε∈（0,1），用于調節重構圖像的亮度。

由式（11）可知：ε值越小，圖像亮度提升越明顯；ε值越大，圖像亮度抑制越明顯。由于銳化圖像的亮度整體偏暗，只有邊緣輪廓亮度較高，為使重構圖像的亮度調整效果最佳，本文中ε取0.6。

2 算法實現過程

基于雙域和ILoG-CLAHE 的礦井紅外圖像增強算法實現原理如圖2 所示，具體實施步驟如下：

圖2 基于雙域和ILoG-CLAHE 的礦井紅外圖像增強算法實現原理Fig.2 Implementation principle of mine infrared image enhancement algorithm based on dual domain and improved Gaussian Laplacian（ILoG）and contrast limited adaptive histogram equalization（CLAHE）

（1）選用5×5 滑動窗的BF 將礦井紅外圖像f分解為基礎子圖fB和細節子圖fD。

（2）采用CLAHE 算法提升基礎子圖fB的對比度，并得到對比度調整后的基礎子圖FB。

（3）采用ILoG 算子對細節子圖fD進行降噪和銳化處理，并獲取銳化圖像FD。

（4）將步驟（2）和步驟（3）得到的新基礎子圖FB和銳化圖像FD進行圖像重構，得到重構圖像R。

（5）采用GCGR 函數調節重構圖像R的亮度，并得到紅外增強圖像F。

3 實驗與結果分析

為了驗證基于雙域和ILoG-CLAHE 的礦井紅外圖像增強算法的有效性，通過對不同監控場景中的礦井紅外圖像（原圖像，分辨率為384×288）進行測試，并從主觀視覺和客觀指標2 個方面對該算法和6 種對比算法的增強性能進行評價。實驗計算機配置：Intel Core i7-10750H CPU，2.60 GHz，RAM 16 GB，GTX 1650；編程工具：Matlab R2020a。6 種對比算法分別為CLAHE 算法、BF 分解與基礎子圖的CLAHE增強（BF-CLAHE）算法、BF 分解與Gamma 變換（BF-Gamma）算法[23]、引導濾波與Gamma 變換（GFGamma）[14]算法、AHE 耦合拉普拉斯變換（AHE-LP）[12]算法、基于UM 的圖層融合（LF-UM）[8]算法。本文ILOG 算子中的Gaussian 濾波器采用大小為5×5 的模板，標準差σg=1.2，Gaussian 核半徑r=3。對比算法參數設置：CLAHE 算法的對比度增強限制參數為0.02，其他參數采用Matlab 工具箱中adapthisteq 函數的默認值；BF-CLAHE 算法中BF 和CLAHE 算法的參數設置與本文算法相同；BF-Gamma、GF-Gamma和AHE-LP 算法均采用原文獻中推薦的參數；LFUM 算法中BF 的參數設置與本文算法相同，其他參數采用原文獻中推薦的參數。

3.1 主觀視覺評價

（1）實驗1：對采煤工作面回風巷道的紅外圖像進行增強處理，實驗結果如圖3 所示。

圖3 采煤工作面回風巷道的紅外圖像增強Fig.3 Infrared image enhancement of the return air roaduay of coal mining face

（2）實驗2：對井下輔運大巷的紅外圖像進行增強處理，實驗結果如圖4 所示。

圖4 井下輔運大巷的紅外圖像增強Fig.4 Infrared image enhancement of underground auxiliary transportation lane

（3）實驗3：對巷道災害現場的紅外圖像進行增強處理，實驗結果如圖5 所示。

從圖3-圖5 可看出：紅外圖像（圖3（a）-圖5（a））的亮度、對比度和清晰度均偏低，且存在粉塵和噪聲干擾，導致視覺效果較差。6 種對比算法的增強效果存在部分差異，其中經CLAHE 算法增強的圖像（圖3（b）-圖5（b））的對比度和亮度明顯提高，但圖像中粉塵和噪聲干擾影響也被放大，驗證了CLAHE 算法容易增強圖像的噪聲。經BF-CLAHE算法處理后的圖像（圖3（c）-圖5（c））的亮度、對比度和清晰度均得到了改善，噪聲也得到一定程度的抑制，驗證了本文選用的BF 具有較好的保邊濾波效果，通過CLAHE 算法可以提高基礎子圖的亮度和對比度，且不會放大高頻噪聲。經BF-Gamma 算法和GF-Gamma 算法處理后的圖像（圖3（d）-圖5（d）和圖3（e）-圖5（e））的亮度和對比度改善不明顯，且存在部分細節特征丟失。經AHE-LP 算法處理后的圖像（圖3（f）-圖5（f））的對比度和清晰度均得到了較大提高，但同時也存在嚴重的失真。經LF-UM算法處理后的圖像（圖3（g）-圖5（g））的對比度、清晰度和細節特征均得到了較大提高，但圖像中的高頻噪聲抑制效果不明顯。經本文算法處理后的圖像（圖3（h）-圖5（h））的亮度、對比度、清晰度和細節特征均得到了較大提升，整體視覺效果優于其他6 種對比算法，表明本文算法適用于礦井紅外圖像的增強處理。

圖5 巷道災害現場的紅外圖像增強Fig.5 Infrared image enhancement of roadway disaster scene

3.2 客觀指標分析

為了更加客觀評價圖像的增強效果，本文采用均值（Mean）、平均局部均方誤差（Mean Local Mean Square Error,MLMSE）、平均梯度（Average Gradient,AG）、平均局部信息熵（Mean Local Information Entropy,MLIE）、結構相似性（Structural Similarity Index Measurement,SSIM）5 種指標來進行性能評估和分析。Mean 用于評價圖像的亮度，MLMSE 用于評價圖像的對比度[24]，AG 用于評價圖像的清晰程度，MLIE 用于評價圖像的信息豐富程度[24]，SSIM用于評價圖像的失真程度[25]。主觀評價中圖3-圖5 對應的客觀指標數據見表1-表3。

表1 實驗1 中不同算法的客觀評價指標值Table 1 Objective evaluation indicator values of different algorithms in experiment 1

表2 實驗2 中不同算法的客觀評價指標值Table 2 Objective evaluation indicator values of different algorithms in experiment 2

表3 實驗3 中不同算法的客觀評價指標值Table 3 Objective evaluation indicator values of different algorithms in experiment 3

從表1-表3 可看出：本文算法與6 種對比算法的5 個評價指標值各有高低，其中CLAHE、BFCLAHE 和LF-UM 算法的5 個評價指標值均未出現最差和最優；BF-Gamma 算法的SSIM 最優，但MLMSE、AG 和MLIE 最差；GF-Gamma 算法的Mean最差，AHE-LP 算法的MLMSE、AG 和MLIE 最優，但SSIM 最差；本文算法的Mean 最優。

為了更直觀地分析不同算法的綜合增強性能，本文采用指標歸一化累加值[24]分別計算本文算法與6 種對比算法的綜合評價指標值：

式中：wt為第t（t=1，2，…，m，m為評價指標總數，本文中m=5）個評價指標的權重；Yt為某一算法的第t個評價指標值；Ymax為不同算法第t個評價指標的最大值；Ymin為不同算法第t個評價指標的最小值。

由于評價指標Mean、MLIE 和SSIM 之間相互獨立，而MLMSE 和AG 之間關聯性較強，導致不同評價指標的權重不同，為此本文采用加權平均規則為不同評價指標分配權重，即Mean、MLIE 和SSIM 的權重取0.25，MLMSE 和AG 的權重取0.125[22]。假設紅外圖像的SSIM 為1，則由式（12）可得實驗1-實驗3 中紅外圖像和不同算法的綜合評價指標值。同時，為進一步驗證本文算法的有效性，另隨機選取多個礦井場景下的40 幅紅外圖像進行增強處理，并計算對應的平均綜合評價指標值。不同算法的綜合評價指標值見表4，可看出本文算法的綜合評價指標值優于其他對比算法。

根據不同算法的綜合評價指標值繪制對應的綜合評價指標折線，如圖6 所示。

從表4 和圖6 可看出：在不同的礦井環境中，相較于其他6 種對比算法，本文算法的綜合評價指標值最優，且更趨于穩定，表明本文算法的圖像增強效果最好，魯棒性最強；BF-Gamma 和GF-Gamma 算法的綜合評價指標值低于紅外圖像f，表明BF 和引導濾波模型可以很好地抑制圖像噪聲并保持邊緣特征，但基礎子圖和細節子圖經過Gamma 變換后，極易導致圖像亮度降低和細節特征丟失；AHE-LP 算法的綜合評價指標值高于其他對比算法，表明AHELP 算法采用的AHE 方法對提高紅外圖像的對比度和清晰度具有較好的作用，但拉普拉斯銳化易引起紅外增強圖像失真；CLAHE 和BF-CLAHE 算法的綜合評價指標值波動較大，表明CLAHE 可較好地提高紅外圖像的亮度和對比度，但也易引起部分高亮區域的過度增強；LF-UM 算法的綜合評價指標值更接近于本文算法，表明采用UM 策略的紅外圖像增強效果更優。這進一步表明本文采用雙域分解模型，并耦合CLAHE 算法和ILoG 算子的紅外圖像增強算法不僅可以較好地提高紅外圖像的亮度和對比度，還能夠很好地消除圖像噪聲并提升圖像的細節特征。

圖6 不同算法的綜合評價指標值折線圖Fig.6 Line chart of comprehensive evaluation indicator of different algorithms

表4 不同算法的綜合評價指標值Table 4 Comprehensive evaluation indictor values of different algorithms

根據表4 中隨機實驗對應的平均綜合評價指標值，計算本文算法的綜合評價指標值相較于紅外圖像f和6 種對比算法的相對提高值，并繪制對應的直方圖，如圖7 所示。可看出本文算法相較于紅外圖像f、CLAHE、BF-CLAHE、BF-Gamma、GF-Gamma、AHE-LP 和LF-UM 算法，其綜合評價指標值分別提高了0.28，0.11，0.23，0.38，0.57，0.04，0.10。

圖7 本文算法綜合評價指標值相較于紅外圖像f 和對比算法的相對提高值Fig.7 Relative improvement of the comprehensive evaluation indicator value of the proposed algorithm compared to the infrared image f and the comparison algorithms

綜上可得，相較于其他6 種對比算法，本文算法的綜合評價指標值更優，即本文算法的綜合增強性能和魯棒性更好。同時也表明本文算法更適用于礦井和隧道環境中的紅外圖像增強。

4 結論

（1）采用具有保邊濾波作用的BF，并結合CLAHE、ILoG 算子和Gamma 變換函數的各自優點，提出了基于雙域和ILoG-CLAHE 的礦井紅外圖像增強算法。采用BF 實現了紅外降質圖像的分解，并得到了基礎子圖和細節子圖；采用CLAHE 算法提高了基礎子圖的亮度、對比度和清晰度，構造的ILoG 算子實現了細節子圖的噪聲抑制和邊緣銳化；對處理后的基礎子圖和細節子圖進行重構，得到了重構圖像；設計GCGR函數對重構圖像的亮度進行調整，得到了圖像質量改善的紅外增強圖像。

（2）通過主觀視覺和客觀指標對算法進行性能分析。結果表明：經基于雙域和ILoG-CLAHE 的礦井紅外圖像增強算法增強后的紅外圖像，其亮度、清晰度和對比度均得到了較大提升，并且實現了噪聲抑制和邊緣銳化，整體視覺效果優于紅外圖像f、CLAHE、BF-CLAHE、BF-Gamma、GF-Gamma、AHELP 和LF-UM 算法。相較于紅外圖像f和其他6 種對比算法，基于雙域和ILoG-CLAHE 的礦井紅外圖像增強算法的綜合評價指標值分別提高了0.28，0.11，0.23，0.38，0.57，0.04，0.10，這進一步表明該算法的綜合增強性能和魯棒性更好，可滿足礦井復雜作業環境中紅外降質圖像的目標與細節增強。