基于多尺度梯度域引導濾波的煤礦井下圖像增強方法

摘要：煤礦井下圖像存在較嚴重的光照不均勻和噪聲干擾，現有基于Retinex 的方法直接應用于煤礦井下圖像增強易出現光暈偽影、邊緣模糊、過增強和噪聲放大等問題。針對上述問題，提出了一種基于多尺度梯度域引導濾波的煤礦井下圖像增強方法。首先，將多尺度思想引入梯度域引導濾波中，實現對非均勻光照的準確估計，有效解決了增強圖像時光暈偽影及邊緣模糊的問題。然后，利用Retinex 模型分離出光照分量和反射分量：對于光照分量，通過自適應伽馬校正函數逐像素地修正光照信息，實現對圖像暗區域增強的同時，抑制亮區域過增強，并使用限制對比度自適應直方圖均衡化方法調整圖像對比度；對于反射分量，將梯度域引導濾波與多尺度細節提升相結合，在準確去除噪聲后提升紋理細節，避免了增強圖像時噪聲放大的問題。最后，將處理后的光照分量及反射分量融合，計算圖像增益系數，并使用線性色彩恢復方法實現對原始RGB 圖像的逐像素增強，提升方法處理效率。實驗結果表明，從主客觀角度與現有方法相比，經所提方法處理后的圖像在色彩保持、對比度、噪聲抑制、細節保留等方面均取得了較好的增強效果，同時處理效率較高。

關鍵詞：井下圖像增強；低光照圖像；多尺度梯度域引導濾波；自適應伽馬校正；Retinex；線性色彩恢復

中圖分類號：TD67 文獻標志碼：A

0 引言

智能視頻監控是智能化煤礦安全生產的重要組成部分[1-3]。然而，煤礦井下無自然光照，人工照明易出現光照不均勻現象；由于周圍巖壁含煤量多，存在大量較暗區域；采煤設備的運行會產生粉塵及電磁干擾，導致圖像中伴有較多的噪聲。上述因素嚴重影響了煤礦井下圖像質量，對后續圖像智能分析產生不利影響。因此，有必要對煤礦井下圖像進行增強[4-5]。

現有的圖像增強方法可分為傳統方法和基于深度學習的方法。傳統方法中，基于Retinex 模型的方法得到廣泛應用[6-8]，如單尺度Retinex（Single ScaleRetinex， SSR） 方法[9]、多尺度Retinex（Multi ScaleRetinex， MSR）方法[10]和帶色彩恢復因子的多尺度Retinex（Multi Scale Retinex with Color Restoration，MSRCR）方法[11]等應用于煤礦井下圖像增強并取得了一定效果。但該類方法使用各向同性的高斯濾波器來估計光照分量，在處理有光照突變的圖像時易出現光暈偽影、邊緣模糊的問題。因此，一些學者采用各向異性的濾波器代替高斯濾波器來估計光照。

例如，程德強等[12]、智寧等[13]采用引導濾波（GuidedImage Filtering，GIF）[14]作為中心環繞函數來估計光照，較好地克服了光暈偽影。王星等[15]、洪炎等[16]采用加權引導濾波（Weighted Guided Image Filtering，WGIF）估計光照，在避免光暈偽影的同時相對完整地保留了圖像邊緣。蘇波等[17]使用梯度域引導濾波（Gradient Domain Guided Image Filtering， GDGIF） [18]估計光照，更好地解決了光暈偽影和邊緣模糊的問題。但上述方法仍會出現暗區域增強不足、亮區域增強過度的問題，且大多忽略了對圖像噪聲的處理，在增強過程中易導致噪聲放大，模糊圖像細節。

基于深度學習的方法具有較強的特征學習和泛化能力，在增強后的圖像光照調節和細節保持方面均能取得較好的性能[19]。受Retinex 理論的啟發，Wei Chen 等[20]設計了2 個子網絡分別提取光照分量與反射分量，并使用去噪模塊對反射分量去噪，在有效提升圖像亮度的同時保持細節； Zhang Yonghua等[21]構建了圖像分解、反射分量恢復及光照調節3 個子網絡，在亮度調整及細節保持方面得到了更好的效果。此外，一些學者[22-24]使用殘差的思想進行光照調節及細節提升。但基于深度學習的方法需要大規模數據集進行訓練，其增強效果對訓練數據集依賴性強，而煤礦井下具有有效標記的數據較少，且這類方法計算資源開銷大。

本文提出了一種基于多尺度GDGIF 的煤礦井下圖像增強方法。將多尺度思想引入GDGIF，從而更準確地估計光照并分離噪聲；利用自適應伽馬校正函數逐像素地修正圖像亮度，提升暗區域亮度并抑制亮區域過增強。該方法在處理煤礦井下非均勻低照度圖像時能有效避免光暈偽影、邊緣模糊、過增強和噪聲放大等問題。

1 方法原理

基于多尺度GDGIF 的煤礦井下圖像增強方法流程如圖1 所示。首先， 將原始RGB 圖像轉換到HSI 色彩空間， 對亮度通道圖像使用多尺度GDGIF 進行光照估計。然后，利用Retinex 模型分離出光照分量和反射分量：對于光照分量，通過自適應伽馬校正函數根據光照的局部亮度逐像素地修正光照信息，實現對圖像暗區域的增強，同時抑制亮區域過增強，并使用限制對比度自適應直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）方法[25]調整圖像的對比度；對于反射分量，使用GDGIF 進行去噪，再使用多尺度細節提升圖像紋理細節，避免增強過程中噪聲放大。最后，將處理后的光照分量及反射分量融合，得到增強后的亮度通道圖像，并計算增益系數，使用線性色彩恢復方法實現對原始RGB 圖像的逐像素增強，避免增強后的色彩失真，提高方法處理效率。