煤礦井下非均勻照度圖像去噪研究

張旭輝， 麻兵， 楊文娟， 董征， 李語陽

（1.西安科技大學 機械工程學院，陜西 西安 710054；2.陜西省礦山機電裝備智能檢測與控制重點實驗室，陜西 西安 710054）

0 引言

煤礦綜采工作面環境惡劣，大霧、粉塵及光照對圖像質量產生了較大干擾，影響視頻信息的準確性[1]。煤礦井下圖像的非均勻光照處理一直是行業研究熱點。

當前非均勻光照圖像的處理包括有參考的校正方法和無參考的校正方法2類[2]。有參考的校正方法需參照標樣圖像實施校正，實際應用過程中實現難度大。無參考的校正方法包括Retinex理論方法[3]、濾波法[4]、神經網絡方法[5]、直方圖均衡化方法[6]等。文獻[7]提出了基于 Retinex 分解和多尺度調整的低光圖像增強網絡，以消除反射噪聲、抑制顏色失真、保留圖像細節并調整照明亮度，但其泛化能力難以適應所有復雜場景。文獻[8]采用多尺度Retinex算法對V分量進行增強，有效調節了井下低照度圖像光照信息，但在綜采工作面亮度不均的情況下，仍存在過度增強及曝光的問題。文獻[9]提出了改進同態濾波法來增強井下圖像，雖可有效分離光照和細節分量，但對受到強光、高粉塵影響的圖像中的噪聲更加敏感，使用該方法會在一定程度上放大噪聲，導致圖像失真。文獻[10]通過基于生成對抗網絡的單張圖像高光去除方法準確提取圖像特征。文獻[11]利用數據集提出聯合高光檢測和去除的多任務網絡，實現高光檢測和去除。文獻[10-11]通過神經網絡方法處理高光 ，但需大量數據用于學習圖像特征，且太過依賴先驗信息與假定設置、計算復雜、運行時間長，在煤礦井下很難找到相同場景下可供神經網絡學習的高質量圖像，人工標注往往會因個體差異導致模型學習差異，其結果不可避免地存在色彩失真、邊緣不連續等問題[12]。文獻[13]利用雙直方圖均衡校正的方法處理非均勻光照圖像，有效增強了圖像細節，但其作用范圍是圖像全局，存在色彩失真、噪聲放大等問題[14]。

上述方法在一定程度上對非均勻光照圖像進行了改善，但對煤礦井下工作場景的圖像進行處理時，無法獲取高質量對比圖像或模型圖像作為樣本；難以對井下照明區域光照強度過大的圖像進行有效的特征提??；因曝光、光照范圍擴散、粉塵遮擋導致圖像特征丟失和色彩失真等。因此，本文提出了一種融合整體光照抑制、入射光照去除及去霧的圖像去噪算法。首先，根據圖像的光照強度引入光照調節因子調節圖像整體亮度；然后，采用Retinex算法分離光照分量并保留反射光照，以實現均衡光照；最后，采用基于引導濾波的暗通道先驗算法去除圖像粉塵、大霧，并引入伽馬校正函數調節光照，實現非均勻照度圖像的光照抑制和粉塵、大霧消除處理。

1 總體方案

煤礦井下非均勻照度圖像去噪算法主要由整體光照抑制、入射光照去除和圖像去霧3個模塊組成如圖1所示。首先，從視頻中截取圖像，判斷圖像是否需要進行光照抑制，將需要進行光照抑制的RGB圖像拆分通道，并計算每個通道的光照調節因子，實現圖像的整體光照抑制。然后，將未進行整體光照抑制的圖像和經整體光照抑制的圖像進行反射分量提取，即將輸入圖像轉換為HSV空間圖像，使用單尺度Retinex（Single Scale Retinex，SSR）算法對V分量進行單獨處理，將V分量中的入射分量去除，保留反射分量，并對反射分量使用直方圖均衡算法實現光照均衡化處理。最后，使用改進引導濾波的暗通道先驗去霧算法對經過光照處理后的圖像進行去霧處理，并使用伽馬校正函數重新調節亮度不均的圖像。

2 算法原理

2.1 整體光照抑制模塊

受井下光照的影響，使得采集的圖像整體亮度較高，容易出現反光、曝光等問題，導致有用特征丟失。為有效遏制該問題對后續圖像使用的影響，對高照度圖像進行抑制，光照調節流程如圖2所示。

圖2 光照調節流程Fig.2 Light adjustment flow

1） 將輸入的RGB圖像拆分為R，G，B通道。

2） 將圖像的高光區域單獨拆分，計算非高照度區域亮度均值，將結果作為閾值K。

3） 計算每個通道中所有像素的均值。

式中：μ為像素均值；w，h分別為圖像的寬和高；i，j分別為圖像的像素坐標索引；p為待計算的圖像。

4） 將均值μ與閾值K進行比較，若μ>K，則計算調節因子。

式中：a(R)，a(G)，a(B)分別為R，G，B通道的調節因子；μ(R)，μ(G)，μ(B)分別為圖像R，G，B通道的像素均值。

5） 根據調節因子的計算結果，將每個通道的調節因子反饋到對應的通道來調整每個通道的亮度。

6） 將調整后的R，G，B通道的圖像重新合并成1張RGB圖像。

2.2 入射光照去除模塊

Retinex理論認為觀測到的圖像可分為入射分量和反射分量，入射分量描述了1幅圖像所有像素點的動態范圍大小，反射分量描述了物體自身固有不變的特性[15]。Retinex理論主要包含SSR、多尺度Retinex（Multi-Scale Retinex，MSR）及其他變種算法。SSR算法簡單且計算效率高；MSR算法需處理多個尺度的圖像并進行合成，計算復雜且合并權重難以控制；其他變種算法參數調整難、易受不同環境的干擾，導致適應性差。為有效提取光照分量、提高圖像處理效率，本文使用SSR算法對經過光照抑制后的圖像進行處理，最大程度保留反射特征R(x,y)，盡可能去除入射光圖像L(x,y)，以保留原始圖像的固有屬性，有效觀測圖像的本來特性。

式中S(x,y)為原始圖像。

V分量處理流程如圖3所示。首先，將經過整體光照調整的圖像轉換到HSV空間，并對V分量進行分離。其次，使用SSR算法對V分量圖像進行處理，保留反射分量，去除入射分量。然后，使用直方圖均衡化算法對處理后的V分量進行處理，展開圖像中像素個數多的灰度級，抑制圖像中像素個數少的灰度級[16]，使圖像整體亮度均勻化。最后，合并處理后的圖像，并將圖像重新轉換到RGB空間。

圖3 V分量處理流程Fig.3 V component processing flow

2.3 基于改進暗通道先驗算法的去霧模塊

暗通道先驗算法指出在1幅RGB圖像中，某些像素至少有1個通道的值會很低，在有霧圖像中暗通道的值會隨著接近大氣光的方向逐步增加[17]。

式中：I(x)為待去霧的圖像；J(x)為去霧后的圖像；t（x）為透射率；A為全球大氣光照。

暗通道先驗算法在處理復雜場景中的大霧時，無法準確估計大霧分布，導致圖像失真，因此，本文通過引入引導濾波保持圖像邊緣信息平滑，選取最小值作為大氣光照值，并引入伽馬校正調整光照來對暗通道先驗算法進行改進，改進后的暗通道先驗算法流程如圖4所示。

圖4 改進暗通道先驗算法流程Fig.4 Improved dark channel prior algorithm flow

1） 計算輸入有霧圖像的初始暗通道圖像，使用一個較小的窗口在整張圖上滑動，并取窗口中最小的像素作為該位置的暗通道像素值。

2） 采用引導濾波降低原始暗通道圖像中的噪聲，并增強圖像細節。

3） 對平滑后的暗通道圖像進行全局亮度估計，并選取合適的全局大氣光照A。

4） 為保證去霧的有效性和圖像的質量，將縮放后的大氣光照限定在一個合理的范圍內（通常是[0，255]），以獲取最終的大氣光照估計值。

5） 根據大氣光照估計值，計算出透射率t（x），最終求取無霧圖像。

式中t0為t（x） 的下限閾值，t0=0.1。

6）為使圖像光照均勻，引入伽馬校正函數進一步調整去霧后圖像的光照。

3 實驗結果及分析

3.1 實驗條件

實驗使用的圖像主要是從煤礦井下綜采工作面的視頻中截取，為使實驗數據具有普遍性，避免樣本數據不均勻導致算法適用性差等問題，本文在驗證過程中采用的數據來源于多個礦井、6個不同時間段綜采工作面的工作場景，驗證圖像總計3 637張，包含了分辨率為856×480、1 920×1 080 的圖像，且普遍受殘影、反光、曝光及粉塵遮擋等因素的影響，導致圖像整體質量較低。

3.2 主觀評價

為驗證本文算法的可行性，本文選取標號為P1—P6的原始圖像和經過本文算法處理后的圖像作為驗證圖像，通過引入灰度直方圖將兩者之間的灰度級分布更加直觀地進行對比，結果如圖5所示。

圖5 灰度分布對比Fig.5 Comparison of gray level distribution

從圖5可看出，原圖的灰度分布頻數為50～255，且集中在150～255的灰度分布頻數較高，而經過處理后圖像的灰度分布頻數為0～255，且集中在150～255的灰度分布頻數明顯降低。說明針對非均勻灰度等級照度圖像，本文算法具有良好的抑制效果。

為了進一步驗證本文算法對煤礦井下非均勻照度圖像處理的效果，本文選取6組對比圖像進行有效性驗證，所選對比圖像標號為P7—P12將本文算法與MSR算法[18]、基于顏色保持的多尺度視網膜增強（Multi-Scale Retinex with Color Preservation，MSRCP）算法[19]、帶色彩恢復的多尺度視網膜增強（Multi-Scale Retinex with Color Restoration，MSRCR）算法[20]進行對比，效果如圖6所示。 可看出經過MSR算法、MSRCR算法處理后的圖像明顯失真，部分圖像經2種算法處理后嚴重曝光；經過MSRCP算法處理后的圖像直觀上難以分辨圖像質量的好壞；而經過本文算法處理后的圖像亮度明顯降低、細節特征更加突出。

圖6 算法對比Fig.6 Algorithms comparison

3.3 客觀評價

計算對比圖像的均值及標準差，結果見表1。

表1 均值、標準差對比Table 1 Comparison of mean and standard deviation

從表1可看出，原圖的均值及標準差分別為144～150、54～59，經過處理后的圖像均值、標準差分別為84～102、72～75。說明經過本文算法對圖像處理后，有效抑制了因光照導致整體亮度較高的問題，且由于大霧、粉塵等因素導致原圖模糊的部分更加清晰，圖像的細節特征更加突出。

采用信息熵、均值 、標準差 、空間頻率4種評價指標對經過各算法處理后的圖像進行客觀評價，結果見表2，指標對比如圖7所示。其中，信息熵衡量圖像中包含信息量的大小，值越大則圖像包含的信息量越大[21]；均值為亮度評價指標；標準差為邊緣信息清晰度評價指標，標準差越大則說明圖像的邊緣信息越好；空間頻率用于對圖像的清晰度進行評價，空間頻率越大則表示圖像越清晰。

表2 不同算法處理后圖像指標比較Table 2 Comparison of image indexes after processed by different algorithms

圖7 評價指標對比Fig.7 Comparison of evaluation indexs

由表2和圖7可看出，在信息熵、均值 、標準差 、空間頻率評價指標上，本文算法較MSR算法分別平均提升了21.87%，-56.06%，153.43%，294.45%，較MSRCP算法分別平均提升了1.18%，-39.56%，33.29%，-4.71%，較MSRCR算法分別平均提升了38.06%，-55.27%，462.10%，300.96%。信息熵的提升說明本文算法有效增加了圖像信息量，均值的降低說明本文算法有效抑制了圖像光照亮度，標準差的提升說明本文算法增強了圖像的邊緣信息，空間頻率的提升說明本文算法有效增強了圖像的清晰度。

4 結論

1） 通過分離RGB圖像的3個通道，分別引入光照調節因子以自適應調節不同亮度的圖像，并采用SSR算法保留圖像反射分量及圖像有效信息，有效緩解了礦燈、照明燈影響導致的圖像整體亮度過高問題。采用基于引導濾波的暗通道先驗算法處理圖像粉塵、水霧問題，并對處理后的圖像采用伽馬校正，進一步調節因去霧導致的光照不均問題。

2） 實驗結果表明，經過非均勻照度圖像去噪算法對非均勻照度圖像處理后，有效抑制了因光照導致整體亮度較高的問題，且由于大霧、粉塵等因素導致圖像模糊的部分更加清晰，圖像的細節特征更加突出。非均勻照度圖像去噪算法在信息熵、均值 、標準差 、空間頻率上較MSR算法分別平均提升了21.87%，-56.06%，153.43%，294.45%，較MSRCP算法分別平均提升了1.18%，-39.56%，33.29%，-4.71%，較MSRCR算法分別平均提升了38.06%，-55.27%，462.10%，300.96%。