電務軌旁設備外觀巡檢圖像增強算法

杜馨瑜

(中國鐵道科學研究院 基礎設施檢測研究所，北京　100081)

電務軌旁設備是構成鐵路電務系統的重要基礎設備，主要包括高柱信號機、矮柱信號機、信號標志牌、信號箱盒和隧道漏纜等。為了保證這些設備外觀的完整性，需對其進行周期性的巡檢。巡檢的方法是：在巡檢車上安裝各種圖像傳感器，在地面安裝高性能工作站；巡檢車在巡檢時對電務軌旁設備進行實時圖像采集、顯示，最后傳送到工作站進行后期離線分析。由于巡檢車一般是在夜間巡檢，而沿線環境又較為復雜，導致采集的圖像出現明暗不均等質量問題，嚴重時將影響圖像的瀏覽，甚至導致后期不能對圖像進行智能解析，因此需要對采集的原始圖像進行圖像增強處理。

常用的圖像增強算法包括基于全局像素處理的gamma校正、直方圖均衡等[1]，以及基于局部鄰域處理的一系列Retinex算法。Retinex算法是Land等模擬人類視覺系統(Human Vision System，HVS)提出的一種計算方法，用于解釋HVS是如何從外界光照變化的環境中提取有效的真實信息[2]。Retinex算法有多種表現形式，如Land等最早提出的Retinex算法，是將通過當前像素點的各隨機路徑像素的平均值作為當前像素點的新值[3]。Horn[4]，Hurlbert[5]，Funt[6]等采取類似的基于路徑比較的思想對Retinex算法做了改進。較為有影響力的是基于外周的Retinex算法，其思想在于處理后的像素值是其周邊像素值某種形式的加權平均，如Land等提出的單尺度Retinex算法(Single-Scale Retinex,SSR)[7]，Rahman等進而把該算法拓展到多尺度Retinex算法(Multi-Scale Retinex,MSR)[8]與多尺度多通道Retinex算法(Multi-scale and Multi-channel Retinex,MSMCR)[9]。另外還有變分形式的Retinex算法[10]。基于外周的Retinex算法，如上所述的SSR，MSR，MSMCR等算法，都是采取固定大小和形狀的濾波器計算外周像素對待處理像素(即中心像素)的作用，而忽略了圖像區域邊緣對實際處理效果的影響。另外，各類Retinex算法都存在光暈現象和灰度溢出現象，前者原因是假設光源均勻分布導致在鄰近區域亮度差異過大，從而引起處理后的圖像存在亮區出現暗紋以及暗區出現亮紋的現象；后者原因是局部濾波器導致低對比度的暗區與亮區在處理后形成灰色區域[11]。

正是基于上述分析，本文將變尺度思想引入Retinex算法中，提出變尺度Retinex(Varying-Scale Retinex,VSR)算法。該算法所用局部濾波器的尺度隨著原始圖像的邊緣變化而自適應改變，能在處理效果與抑制光暈及灰度溢出之間達到較為有效的平衡，校正圖像局部光照的不均勻，顯著提升圖像的顯示質量；通過與現有多種Retinex算法的比較，驗證本文方法的優勢。

1　VSR算法

VSR算法包括全局自適應、局部自適應和后處理3個子模塊。算法流程框圖如圖1所示。以高柱信號機圖像為例，原圖及VSR算法處理結果如圖2所示：圖2(a)為輸入的原圖Φ，圖2(b)為經過全局自適應處理后得到的灰度圖Φ′，圖2(c)為原圖的邊緣圖像，圖2(d)為由邊緣圖像得到的局部自適應模板圖像mask，圖2(e)為局部自適應處理后的圖像Φnew,圖2(f)為直方圖拉伸后得到的輸出圖像newI。

圖1　算法流程框圖

圖2　原圖及VSR算法處理結果

1.1　全局自適應子模塊

全局自適應子模塊處理對象為輸入的原始灰度圖像，且灰度變化范圍已經歸一化。其自適應體現為：當輸入圖像亮度不夠時，對其進行伽馬校正，當亮度足夠時則不進行調整。其目的在于對原始圖像進行全局亮度粗調，以供后續模塊精細處理。

全局自適應算法原理為

Φ′=Φ1/γ

(1)

其中

(2)

(3)

(4)

式中：1/γ為伽馬校正系數；Фal和AL為啞元變量，作為中間結果變量，用于避免公式過分復雜；p為圖像的某一像素點；Фp為p點的灰度；N為圖像像素數。

式(4)表示對原圖像取對數后得到均值AL；式(3)表示對AL實施非線性變換后得到Фal，并且Фal的值在1/3～1之間；式(2)表示若原圖像亮度不夠，則伽馬校正系數1/γ限制在1/3～1之間，否則其值為1。全局自適應子模塊輸出圖像如圖2(b)所示。

1.2　局部自適應子模塊

對于得到的中間結果圖像Ф′，采用下式計算局部自適應。

Φnew(x,y)=log(Φ′(x,y))-

β(x,y)log(mask(x,y))

(5)

其中，

(6)

(7)

(8)

式中：(x,y)為圖像坐標；Φnew(x,y)為Φnew中坐標(x,y)處的值；Ф′(x,y)為Ф′中坐標(x,y)處的值；mask(x,y)為mask中坐標(x,y)處的值；θ為mask中(x,y)點的濾波方向；r為濾波半徑；rmax為最大濾波半徑；σr,θ為高斯核大小；σ0和σ1為σr,θ的2個特定取值；β(x,y)為權重因子。

在式(5)中采用對數編碼圖像，其原因是為了模擬HVS特性曲線的對數特性，使之更加趨近人眼的視覺效果[12]；權重因子β(x,y)用來調節該式右邊2項的權重，以抑制經典的基于周邊的Retinex算法的灰度溢出效應。

進一步的，式(6)可以使白色保持為白色，黑色保持為黑色，這樣保證了視覺效果的真實性。當圖像較亮時，β(x,y)趨于0，使式(5)中的減項趨于0，從而保持圖像較亮；當圖像較暗時，β(x,y)趨于1，使處理后的圖像也較暗。因此，β(x,y)可以使中等亮度的像素值與原像素值呈現近似正相關拉伸的變化，并同時保證原圖像的較亮區與較暗區基本不變，這樣就抑制了灰度溢出效應。

經典的基于周邊的Retinex算法的另一大缺點是光暈現象，其實質是由增加局部對比度與更好地實現全局圖像繪制這兩者之間的矛盾產生的。處理周邊像素范圍越小，局部對比度提升越明顯，但在高對比度邊緣越容易產生光暈偽跡；反之亦然[13]。

本文提出的VSR算法，能夠在圖像出現高對比度邊緣時自適應地改變濾波器的大小和形狀，從而最大限度地抑制光暈偽跡。這樣，當變尺度濾波器沿著邊緣處理時，圖像的亮區對鄰近的暗區產生較為微弱的作用。

式(8)表示：當環繞著待考察點(x,y)徑向像素值求和時，若在θ方向上沒有高對比度邊緣，則高斯核取σ0，反之取σ1。

值得注意的是，當判斷某點處有無高對比度邊緣時，采用Canny算子對圖像Ф′邊緣進行檢測、判斷[14]，得到的邊緣圖像如圖2(c)所示。模板mask的圖像如圖2(d)所示。局部自適應子模塊輸出圖像如圖2(e)所示。

1.3　后處理——直方圖截斷拉伸

通過上述步驟的處理，可能有些點的灰度值超出了[0,1]區間，因此采用直方圖截斷、拉伸的后處理方法進行處理。即首先不考慮最暗與最亮端的1%像素點，這是直方圖截斷；然后再進行傳統意義上的直方圖均衡[15]，這是直方圖拉伸；從而得到最終的輸出圖像newI，如圖2(f)所示。

2　基于實例的算法比較

2.1　客觀評價指標

到目前為止，并沒有一個統一的公認的圖像質量評價標準，這也說明圖像質量評價是一個主客觀相結合的過程[16]。針對電務軌旁設備外觀圖像采集的實際情況，并考慮到后續智能分析的需求，客觀評價指標選用局部對比度CL[17]，由式(9)計算；CL的值越大，表明局部對比度越好，表明圖像增強算法的處理效果越好，也就表明該算法越好。

(9)

2.2　指標對比

對電務軌旁設備的巡檢圖像，采用VSR算法進行圖像增強處理，然后計算其局部對比度CL及其相對于原始圖像局部對比度CL增大的百分比，并與若干具有代表性的方法進行對比，評價本文提出的VSR算法的合理性與優越性。這些代表性的方法包括：限制對比度自適應直方圖均衡(Contrast-limited Adaptive Histogram Equalization, CLAHE)[18]，引導濾波(Guided Filter, GF)[19]，迭代Retinex(Iterative Retinex, IR)[11]，SSR[12]，MSR[13]和MSMCR[14]。計算結果見表1。從表1可以看到，對于典型的電務軌旁設備，VSR算法表現出最好的效果，CL增量高達106%～1 285%，見表1中黑色字體部分。

表1　軌旁各設備原圖及各算法處理圖的局部對比度及其增量CL

2.3　圖像對比

1)高柱信號機

巡檢車車頂面陣相機拍攝的高柱信號機圖像具有如下特點：由于背景較為空曠，導致背景區基本無反射面；高柱信號機作為目標物體具有較強的反射面。圖3(a)—(h)依次為高柱信號機的原圖像及CLAHE，GF，IR，SSR，MSR，MSMCR和VSR算法處理圖。由表1和圖3可知，VSR算法處理圖的局部對比度和清晰度均明顯優于其他算法。這是因為：VSR算法消除了光照不均衡、光暈效應，并最大限度地抑制了灰度溢出效應；而CLAHE與GF算法沒有消除局部的光照不均衡；IR算法產生了明顯的光暈效應；SSR、MSR和MSMCR算法整體上消除了光照不均衡，但產生了灰度溢出效應。由此說明本文提出的VSR算法最優。

圖3　高柱信號機的原圖及不同算法處理圖

2)矮柱信號機

當位于巡檢車車頂的面陣相機拍攝矮柱信號機時，由于矮柱信號燈本身發光且周圍場景較暗，因此圖像具有較強的亮度不均勻性。圖4(a)—(h)依次為矮柱信號機的原圖及CLAHE，GF，IR，SSR，MSR，MSMCR，VSR算法處理圖。由表1和圖4可知，VSR算法明顯優于其他算法。其原因與高柱信號機的相同，另外需要補充的是，VSR算法在圖像的高光區(矮柱信號機發光區)與暗區均進行了較好的增強，并且有效地抑制了灰度溢出效應和光暈效應。

圖4　矮柱信號機的原圖及不同算法處理圖

3)信號標志牌

信號標志牌的成像環境與高柱信號機類似，也表現為空曠的背景、標志牌較為平整的反射面易導致光照不均勻成像。圖5(a)—(h)依次為信號標志牌的原圖及CLAHE，GF，IR，SSR，MSR，MSMCR，VSR算法處理圖。由表1和圖5可知，VSR算法明顯優于其他算法。其原因與高柱信號機的相同，這里就不再贅述。

4)信號箱盒

當位于巡檢車車體下部的線陣相機拍攝軌旁信號箱盒時，圖像的一部分背景為遠端場景，信號箱盒部分為近端場景，且路面或信號箱盒會有反射，這時就有可能會出現光照不均勻現象。圖6(a)—(h)依次為信號箱盒的原圖及CLAHE，GF，IR，SSR，MSR，MSMCR，VSR算法處理圖。由表1和圖6可知，VSR算法明顯優于其他算法。其原因與高柱信號機的相同，另外需要補充的是，VSR算法在圖像的遠端暗區與近端兩區均對原圖像進行了較好的增強，使遠端暗區的樹木清晰可見，近端亮區的信號箱盒邊緣與導線更為明顯，并且有效地抑制了灰度溢出效應和光暈效應。

5)隧道漏纜

巡檢車車頂面陣相機拍攝隧道漏纜時，會出現圖像較暗并有不均勻光照的情況。圖像較暗的原因是拍攝漏纜與拍攝高柱信號機、接觸網桿信號標志牌共用同一個面陣相機，這樣在對焦與外加光源方面要有綜合考慮；不均勻光照的原因是隧道壁具有較強的反射面，因此某些區域會出現鏡面反射效應，尤其對圖像全局增強處理后會更為明顯。圖7(a)—(h)依次為隧道漏纜的原圖及CLAHE，GF，IR，SSR，MSR，MSMCR，VSR算法處理圖。

圖5　信號標志牌的原圖及不同算法處理圖

圖6　信號箱的原圖及不同算法處理圖

圖7　隧道漏纜的原圖及不同算法處理圖

由表1和圖7可知，VSR算法明顯優于其他算法。其原因與高柱信號機的相同，在此就不贅述。

3　結　論

本文將變尺度思想引入Retinex算法中，提出VSR算法，用于對電務軌旁設備外觀巡檢圖像進行圖像增強處理。選取高柱信號機、矮柱信號機、信號標志牌、信號箱盒、漏纜等電務軌旁設備的巡檢圖像，用VSR算法進行處理，并與具有類似功能的CLAHE，GF，IR，SSR，MSR，MSMCR算法的處理結果進行主客觀對比。結果表明：無論是圖像清晰度，還是局部對比度， VSR算法明顯優于其他算法。VSR算法能有效校正巡檢圖像亮度局部不均勻現象，并最大限度地抑制灰度溢出效應與光暈效應，展示出由于圖像局部亮度反差所掩飾的圖像有用信息，提升圖像顯示質量。圖像經過VSR算法增強處理后，有利于瀏覽及后續的智能分析。

[1]GONZALEZ R C, WOODS R E. Digital Image Processing [M].2nd ed. Beijing: Publishing House of Electronics Industry, 2003: 75-75.

[2]LAND E H. The Retinex [J]. American Scientist, 1964, 52(2): 247-264.

[3]LAND E H, MCCANN J J. Lightness and Retinex Theory [J]. Journal of the Optical Society of America, 1971, 61(1): 1-11.

[4]HORN B K P. Determining Lightness from an Image [J]. Computer Graphics and Image Processing, 1974, 3(4): 277-299.

[5]HURLBERT A. Formal Connections between Lightness Algorithms [J]. Journal of the Optical Society of America A, 1986, 3(10): 1684-1693.

[6]FUNT B, CIUREA F, MCCANN J. Retinex in MATLABTM[J]. Journal of Electronic Imaging, 2004，13(1): 48-57.

[7]LAND E H. An Alternative Technique for the Computation of the Designator in the Retinex Theory of Color Vision [J]. National Academy of Sciences of the United States of America, 1986， 83(10): 3078-3080.

[8]RAHMAN Z, JOBSON D, WOODELSS G.Retinex Processing for Automatic Image Enhancement [J]. Journal of Electronic Imaging, 2004， 13(1): 100-110.

[9]JOBSON D, RAHMAN A, WOODELL G. A Multiscale Retinex for Bridging the Gap between Color Images and the Human Observation of Scenes [J]. IEEE Transactions on Image Processing, 1997， 6(7): 965-976.

[10]KIMMEL R, ELAD E, SHAKED D, et al. A Variational Framework for Retinex [J]. International Journal of Computer Vision, 2003， 52(1): 7-23.

[11]MEYLAN L, SUSSTRUNK S. High Dynamic Range Image Rendering with a Retinex-Based Adaptive Filter [J]. IEEE Transactions on Image Processing, 2005， 15(9): 2820-2830.

[12]杜馨瑜. 模擬視覺機制的圖像處理若干問題研究[D]. 成都: 電子科技大學, 2012.

(DU Xinyu. Research on Several Image Processing Problems [D]. Chengdu: University of Electronic Science and Technology of China, 2012. in Chinese)

[13]MAJUMDAR J, NANDI M, NAGABHUSHAN P. Retinex Algorithm with Reduced Halo Artifacts [J]. Defence Science Journal, 2011， 61(6): 559-566.

[14]CANNY J. A Computational Approach to Edge Detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986， 8(6): 679-698.

[15]GONZALEZ R C, WOODS R E. Digital Image Processing[M]. 2nd ed. Beijing: Publishing House of Electronics Industry, 2003: 88-94.

[16]PANETTA K A, WHARTON E J, AGAIAN S S. Human Visual System-Based Image Enhancement and Logarithmic Contrast Measure [J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 2008, 38(1): 174-188.

[17]ARSLAN F T, GRIGORYAN A M. Fast Splitting α-Rooting Method of Image Enhancement: Tensor Representation [J]. IEEE Transactions on Image Processing, 2006, 15(11): 3375-3384.

[18]ZUIDERVELD K. Graphics Gems IV [M]. San Diego: Academic Press Professional Inc, 1994: 474-485.

[19]HE K, SUN J, TANG X. Guided Image Filtering [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.