一種改進的鐵路扣件圖像校正算法

董 洋，李柏林

(西南交通大學 機械工程學院，成都 610031)

一種改進的鐵路扣件圖像校正算法

董 洋，李柏林

(西南交通大學 機械工程學院，成都 610031)

基于HOG特征的鐵路扣件檢測算法中，各類扣件特征的可辨性易受光照不均勻因素影響，降低了檢測準確率。針對此類光照不均勻圖像，將二維經驗模態分解（BEMD）理論與直方圖均衡化相結合，首先利用BEMD變換提取圖像的細節分量和照射分量，并通過直方圖均衡化增強細節分量；然后進行光照判斷，據光照判斷對細節增強分量疊加調整后的照射分量，得到光照均勻、細節增強的扣件圖像。真實實驗表明，與傳統方法相比，此方法能有效增強圖像對比度，提高鐵路扣件檢測精度。

圖像增強；光照不均勻；二維經驗模態分解；直方圖均衡化；光照補償

近年來，圖像處理技術越來越多地應用于鐵軌缺陷的快速動態檢測中[1]。針對鐵路扣件的缺陷識別算法，國內研究較少，其中檢測精度較高的是基于梯度直方圖（HOG）特征的扣件檢測算法[2]。梯度直方圖特征[3]是一種局部區域描述符，能夠將圖像中局部對象的外觀和形狀進行特征化,有效地描述圖像的主體輪廓邊緣。基于HOG特征的鐵路扣件檢測算法主要是通過梯度算子計算扣件圖像水平方向和垂直方向的梯度，計算出梯度幅值和梯度方向，再將提取到的HOG特征輸入到分類器中，進行扣件的分類識別。

對于圖像光照均勻、整體質量較好的圖像，正常扣件HOG特征和非正常扣件的HOG特征具有較明顯的差別。但類似于圖1（b）所示的圖像，由于受陽光照射的影響，扣件圖像的鋼軌兩側光照強度有較明顯的差異，鋼軌向陽一側灰度值較高，另一側灰度值較低；同時由于光照強度的不均勻，導致鋼軌兩側的扣件圖像質量也有較大差異。在這種情況下，上下扣件特征區域的HOG特征會被嚴重干擾，從而大大降低分類識別的可靠性，影響扣件檢測的精度。

圖1 鐵路扣件圖像

針對以上光照不均問題，國內外文獻提出了許多解決辦法，代表性的有以直方圖均衡化為代表的灰度變換法，基于照明-反射模型的同態濾波法[4]，Retinex增強方法[5]等。但是直方圖均衡化主要適用于增強整體灰度值偏低的圖像，無法有效抑制高光區域；同態濾波方法對高光區、陰影增強效果差；Retinex方法對原圖像中較亮部分處理能力不足。因此，以上幾種典型方法都無法有效解決扣件的圖像質量問題。

近年來，隨著經驗模態分解（EMD）[6]在信號處理中的廣泛應用，特別是在國外學者將一維EMD擴展到二維EMD[7]之后，國內一些學者開始探索將其應用于圖像處理領域，并在圖像紋理分析[8～9]，圖像增強[10]，圖像分解[11]，圖像壓縮[12]等領域取得了一些成果。本文針對鐵路扣件檢測中光照分布不均及圖像部分區域細節不足的問題，將二維EMD理論與直方圖均衡化相結合，提出一種基于光照補償的圖像增強方案。

1 二維經驗模態分解

1.1 EMD算法

EMD算法是一種基于數據時域局部特征的、自適應的時頻分析工具，廣泛應用于信號分析領域。對于信號I（t），經EMD分解后可表示為：

式中，ci(t)-第i個模態分量，r(t)-殘余分量。對于模態分量，又稱內蘊模態函數（IMF），它滿足2個基本條件：極值點數量與過零點數量必須相等，或者最多相差一個；在任意時間，由極大值得到的上包絡線和由極小值得到的下包絡線的局部均值為零。

1.2 二維經驗模態分解（BEMD）

二維EMD算法是對一維EMD算法的擴展，對于二維m*n圖像信號f(x，y)：x=1,…, m；y=1,…, n；二維EMD的具體實現過程如下。

（1）設置待處理圖像

令待處理的圖像為：

I0(x，y)= f(x，y)；i=1。

（2）分解抽取第i個IMF

a.初始化圖像：h0(x, y)= (x, y)；k=1。

b.利用8鄰域像素算法計算 hk–2(x, y)中的極大值和極小值。

c.分別對極大值和極小值點進行插值，求出極大值包絡面 umax(x, y)，極小值包絡面umin(x, y)。

d.計算上下包絡面的均值：

e.從圖像中減去均值m(x, y)，得到：hk(x, y)= hk–2(x, y)– m(x, y)。

f.計算IMF終止條件，若滿足，則有：

否則令k=k+1，轉到b.步。

（3）求殘余分量

若 ri(x, y)中仍有不少于2個的極值點或者分解所得的IMF未達到要求數目，則將 ri(x, y)看作新的數據傳入（2），i=i+1。

（4）求得分解結果

針對二維EMD分解中存在的極值點選取，包絡面擬合以及邊界效應處理等問題，本文算法中采用鏡像延拓邊界處理，3次樣條插值的曲面插值方法以及SD的終止準則。

2 算法思路

利用二維經驗模態分解方法(BEMD)提取原始扣件圖像的光照分量和細節分量，通過直方圖均衡化對圖像細節分量進行增強，得到細節增強圖像。判斷是否需要對細節增強圖像進行光照補償，若需要，則采用調整光照強度灰度范圍的方式得到合適的光照補償分量；將需要光照補償的細節增強分量與修改后的光照分量進行疊加，得到增強后的扣件圖像。若不需要光照補償，則細節增強圖像即為最終處理結果。算法流程如圖2所示。

圖2 算法流程圖

2.1 原始圖像BWMD分解

在BEMD分解的過程中，首先會將高頻分量分解出來，再逐步篩選平滑區域和低頻信息。這和小波分解過程類似，但是小波分解要設置小波基，對于不同的小波基，分解結果不同，而BEMD是完全數據驅動的過程，只需要設定終止條件即可。

由于光照通常變化緩慢，在頻率域屬于低頻分量，而BEMD方法可以將一幅圖像分解成一系列代表不同頻率特性的圖像。因此，通過BEMD分解，最后得到的殘余分量L(x,y)即為光照強度分布圖像。圖3(b)(c)為圖像經過BEMD分解得到的殘余分量L(x,y)和細節分量R(x,y)的結果。

2.2 直方圖均衡化

扣件原始圖像I(x,y)經過BEMD分解后，得到的細節圖像R(x,y)已經基本去除了光照因素的影響，此時對細節圖像進行直方圖均衡化，得到細節增強的扣件圖像R'(x,y)，如圖3（d）所示。

圖3 算法中間結果

2.3 光照補償

不同的扣件細節圖像經過直方圖均衡化后得到的細節增強圖像R'(x,y) 與原細節圖像R(x,y)相比，雖然其整體灰度有所提高，但是仍有部分細節增強圖像R'(x,y)整體亮度仍然不足，因此首先應判斷圖像R'(x,y)是否需要進行光照補償，然后需根據光照分量L(x,y)對其進行適當的光照補償。

（1）判斷是否進行光照補償

當扣件原始圖像I(x,y)的圖像灰度均值與扣件細節圖像R'(x,y)的圖像灰度均值的比值c大于某一閥值時，進行光照補償，根據多次試驗，此閥值取1.5。

（2）當符合光照補償條件時，進行以下操作

b.計算出原始圖像I(x,y)與細節增強后的圖像R'(x,y)的平均灰度的差值，并將其補償給初始調整光照 Ltemp(x,y)。

c.最終調整后的光照分量L'(x,y)為：

經多次實驗，此處光照補償系數k取0.3，可適當進行調整。

2.4 最終結果

將得到的細節增強的扣件圖像R'(x,y)與調整后的光照分量L'(x,y)疊加，得到最終結果。

3 算法結果與分析

圖4為幾種經典算法與本文算法的增強結果及其圖像灰度直方圖對比。從對比結果可以看出直方圖均衡化和同態濾波兩種算法在對高光區域的抑制方面明顯不足。本文算法在對扣件圖像高光區域進行有效抑制的同時，對陰暗區域的光照也進行了有效的增強，提高了圖像的整體質量。

為了驗證實驗結果,從廣通到大理鐵路線上實際采集的圖片中選取2 000張光照不均勻圖片，其中，扣件完好無損圖像1 000張，扣件缺陷圖像1 000張。選取500張完好圖像，500張缺陷圖像為訓練集；剩余500張完好圖像，500張缺陷圖像為測試集。

對訓練集與測試集均不進行任何處理，用HOG特征算法對其進行檢測，得到原始圖像檢測結果。采用傳統直方圖均衡化，同態濾波，分別對訓練集和測試集進行處理，之后采用HOG特征算法對測試集進行檢測，實驗結果如表1所示。

圖4 實驗結果及對比

4 結束語

本文提出一種將二維EMD與直方圖均衡化相結合的圖像預處理算法。與傳統圖像增強算法相比較，本文算法結果在有效抑制高光區域、使得圖像整體亮度趨于均勻的同時，可以提高光照不足區域的圖像質量，增強圖像對比度，從而提高了扣件檢測的識別精度。同時，也可適用于鐵路扣件之外的其他光照不均勻圖像。但是其在BEMD分解得到細節圖像方面仍存在計算不夠精確的問題，在后續研究中可以考慮做適當改進。

表1 實驗結果

責任編輯 徐侃春

[1]張 霞，黨建武，馬宏鋒.基于雙結構元素形態學的鐵軌圖像邊緣檢測方法[J].鐵路計算機應用，2011，20（5）：28-31.

[2]李永波，李柏林，熊 鷹.基于HOG特征的鐵路扣件狀態檢測[J].傳感器與微系統，2013，32（10）：110-113.

[3] Dalal N, Triggs B. Histograms of oriented graients for human detection[A]. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition[C], San Diego, CA, USA, 2005,1: 886-893.

[4]肖 俊，宋壽鵬，丁麗鵑. 空域同態濾波算法研究[J].中國圖像圖形學報，2008，13（12）：2302-2306.

[5]李權合，畢篤彥，馬時平.基于Retinex和視覺適應性的圖像增強[J].中國圖像圖形學報，2010，15（12）：1728-1732.

[6] Huang N E,Shen Z.The empirical mode decomposition and the Hibert spectrum for nonlinear non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A,1998.454:903-995.

[7] J.C.Nunes,Y.Bouaoune,EDelechelle. Image analysis by bidimensional empirical mode decomposition [J].Image and Vision Computing, 2003, 21(12):1019-1026.

[8]劉忠軒，彭思龍.方向EMD分解與其在紋理分割中的應用 [J].中國科學：E輯，2005，35（2）：113-123.

[9]鄭碧波，陳偉清，田配云.基于Radon和EMD的旋轉不變紋理分類[J].計算機與現代化，2013（6）：67-70.

[10]梁靈飛，平子良.基于窗口經驗模式分解的醫學圖像增強 [J].Journal of. Optoelectronics, Laser, 2010,21(9):1421-1425. [11]秦 勃，時 鵬.經驗模式多尺度圖像分解 [J].工程圖學學報，2002（4）：73-78.

[12] Yan Tian,Ying Huang,Li Yongjiang. Imagezooming method using 2D EMD technique [J]. JEEE. 2006. 4244: 10036-10040.

An improved correction algorithm for railway fasteners image

DONG Yang, LI Bailin
( School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China )

Railway fastener recognition algorithm based on Hierarchical Histograms of Oriented Gradients(HOG) was affected by the illumination factor easily. For this case, this paper presented an algorithm which was combined the bidimensional empirical mode decomposition(BEMD) with histogram equalization. Firstly, the illumination component and detail component were extracted by BEMD. Detail component was enhanced by histogram equalization, and illumination component was revised based on illumination judgment, this algorithm would get the satisfactory fastener image for the further detection. Compared to the traditional algorithm, experimental results showed that this algorithm could improve image contrast and recognition accuracy.

image enhancement; non-uniform illumination; BEMD; histogram equalization; light compensation

U213.53∶TP39

A

1005-8451（2014）09-0001-04

2014-03-10

四川省科技支撐計劃項目 （2012GZ0102）；西南交通大學牽引動力國家重點實驗室自主課題（2012TPL_T10）。

董 洋，在讀碩士研究生；李柏林，教授。