改進MSRCR的電力設備圖像增強算法研究

束江++崔昊楊++劉晨斐

摘 要：針對傳統多尺度顏色恢復算法處理電力設備圖像時存在的光暈現象、顏色失真等問題，文中提出了一種改進的retinex圖像增強方法。通過傅里葉變換將原圖像轉換至頻域后進行卷積計算獲取原圖像反射分量，計算原圖像的亮度信息并與反射分量進行線性加權，采用直方圖均衡對合成后的圖像進行處理以增加圖像對比度。與傳統MSRCR算法相比，該算法處理后的圖片不存在光暈現象與顏色失真問題，顏色恢復能力得到加強。圖像評價函數指標表明，本算法在均值，標準差，信息熵，平均梯度上都表現較佳，運算速率更快，更利于電力設備圖像自動化處理與分析。

關鍵詞：圖像增強；MSRCR算法；光暈現象；圖像融合；線性加權

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2095-1302（2017）10-00-04

0 引 言

圖像增強技術是電力設備遠程視頻監控系統中的一種常見技術[1，2]，用以解決受光照環境不均勻和設備成像質量差產生的圖像色彩暗淡、對比度小、飽和度低等問題。retinex算法是基于人類視覺系統提出的一種圖像增強方法[3]，該理論提出人類視覺圖像由入射分量L（x，y）和反射分量R（x，y）合成得到，通過估計入射分量L（x，y）計算出反射分量R（x，y）。在傳統retinex算法的基礎上，逐漸發展出單尺度retinex（SSR）算法[3]、多尺度retinex（MSR）算法[4]、帶色彩恢復的多尺度retinex（MSRCR）算法[5]等方法。這類方法在實現色感一致性與動態壓縮等方面具備一定的優勢，但在處理飽和度低、圖像灰化與明暗對比強的圖片時，易出現噪聲增強，光暈和迭代求解效率低等問題[6]，從而給目標特征的檢測和提取造成了一定困難。

顏色失真、噪聲及光暈現象是retinex圖像增強處理過程中普遍存在的問題。為此，常戩等人[7]提出利用雙邊濾波對反射分量進行處理來解決光暈現象，占必超等人[8]提出了平穩小波變換結合retinex算法、吳一全等人[9]提出了Contourlet變換與retinex結合的算法，來解決光暈現象與顏色失真問題，李錦等人[10]提出采用直方圖均衡與retinex算法加權融和的方法，Petro等人[11]提出MSRCP算法（即對圖像的光度數據進行retinex處理，然后再把數據根據原始RGB的比例映射到每個通道）在保留原始顏色分布的基礎上增強圖像。上述方法可在一定程度上消除光暈現象，但算法的具體實現過程較復雜。由于電力設備的種類和數量眾多，特別是設備群多處于野外復雜、惡劣環境中，拍攝的電力設備圖像的光暈現象與顏色失真問題較為突出，這就對圖像增強技術的分析能力、增強效果、批量處理以及處理效率提出了更高的要求。

本文運用頻域變換與光照補償的方式對傳統MSRCR算法進行了改進，消除了MSRCR算法中的光暈現象，提高了算法效率。該方法將電力設備原圖像轉換到頻域內進行卷積計算，達到抑制新噪聲產生和消除光暈現象的目的。將處理后得到的反射分量與原圖像的亮度進行線性加權實現了原圖像色彩基調的還原。選用各通道的均值和方差來自適應拉伸范圍，對合成后的圖像進行直方圖均衡[12]以增加圖像對比度。實驗結果表明，經本文算法增強后的電力設備圖像細節清晰，較好地解決了顏色失真及光暈現象，相對于傳統MSRCR算法，圖像處理的運算速率得到較大提升。

1 retinex算法的改進

1.1 retinex算法基礎

retinex理論認為視覺圖像信號I（x，y）由環境光學分量L（x，y）和目標物體反射分量R（x，y）合成，通過估計入射分量L（x，y）計算出反射分量R（x，y） [3， 4]：

其中，F（x，y）為環繞函數，δ為高斯函數的標準值，它決定著retinex算法的增強效果。為進一步提升MSR算法的顏色恢復效果，對傳統MSR算法進行改進得到MSRCR算法[5]：

其中，Ci（x，y）是色彩恢復函數，β為增益常數，α是受控制的非線性強度。利用MSRCR算法處理后的圖像像素值一般會出現負值，進行修正后表示為[5]：

其中，G為增益常數，b為增益補償，一般都為常數。

傳統MSRCR的卷積計算在空域進行，在retinex理論框架內，光照是一種緩變因素而非突變因素，即照射光的變化呈現平滑性，在明暗對比度強烈的邊緣區域容易產生光暈現象。

1.2 retinex算法的改進

1.2.1 光暈消除及效率提升

針對傳統retinex算法存在的邊緣光暈現象，本文利用快速傅里葉變換（FFT）將原圖像頻譜移頻到圓心（FFTshift）分辨出圖像頻率分布，分離出包含光暈信息的低頻部分并保留體現圖像本質的高頻信息，以此可以較好地解決光暈問題。

由公式（2）～（4）可以看出，在MSR算法中，L（x，y）的估算是利用高斯函數與原圖像反復迭代計算得到，因而效率低且會引入不可調節的新噪聲。采用FFT在頻域內完成計算，縮小數據范圍，可以使得計算過程中引入的額外噪聲減小，原本的卷積計算簡化為乘積計算且時間復雜度將降低logn/n倍，從而縮短運算時間。在算法的具體實現過程中，公式（4）利用圖1方法進行簡化：

圖2以電力設備的絕緣子為例，對比了傳統MSRCR與帶FFT變換MSRCR（FFT-MSRCR）算法圖像增強后的效果。從圖2（a）可以看出，原圖中因照度低產生的陰影導致設備視覺細節較為模糊。圖2（b）所示為經過傳統MSRCR處理后的設備圖像增強效果圖，盡管設備的部分細節信息較原圖有所提升，但也出現了顏色失真以及絕緣子瓷瓶處的光暈現象。圖2（c）所示為FFT-MSRCR算法處理后的圖像增強效果，相對于原圖及傳統MSRCR處理后的圖像而言，該圖中絕緣子紋理則更為清晰，細節色彩分明且處理速度大幅提升。endprint

但該方法處理后圖像仍存在部分構件邊緣處的顏色失真問題。這是由于在RGB色彩空間的圖像增強中，FFT雖然能提升處理速度，消除光暈影響，但估算光照分量被剔除的本質未變，從而在一定程度上導致了顏色失真。

1.2.2 色彩保真性改進

為保留原圖的顏色基調，使圖像色彩恢復得到提升，本文引入HSI顏色空間的亮度來補償被剔除的光照分量[13]。HSI色彩空間的亮度信息與RGB色彩空間的轉換關系如下[14]：

S（x，y）=[r（x，y）+g（x，y）+b（x，y）]/3 （8）

其中，S（x，y）為亮度信息，r（x，y），g（x，y），b（x，y）代表原圖像的三色分量。將S（x，y）與三通道計算得到的反射分量RR（x，y），RG（x，y），RB（x，y）進行權重值為r的加權融合，得到改進后的反射分量RR'（x，y），RG'（x，y），RB'（x，y）。

圖像的信息熵在很大程度上受r值選取的影響，圖3所示為10幅不同圖像的信息熵對比圖，每幅圖片取4個r值。對于圖像編號為3，5，8的黑白圖像，r值取0.7時信息熵最大，圖像包含的細節較多。其它編號為彩色圖像，r值取0.4時信息熵最大，但實際處理后的圖像色調偏暗。仿真試驗表明，對本文所處理的電力設備圖像，r取0.6較為合理。

分別計算出反射分量RR'（x，y），R'G（x，y），RB'（x，y）各數據的均值Mean和均方差Var。通過公式Min=Mean-K×Var，Max=Mean+K×Var，K的取值一般為2～3，計算各通道的Min和Max值，利用如下公式對Log[R（x，y）]的每一個值Value進行線性映射：

具體求解中同時需要增加溢出判斷條件進行限定，即Value>255，R（x，y）=255；Value<0，R（x，y）=0。

為進一步增強圖像對比度及視覺效果，本文在上述算法的基礎上增加了直方圖均衡。通過直方圖均衡截取反射分量兩端各1%的像素再進行壓縮，增加了圖像對比度。在對原電力設備圖像的顏色修復工作中，先通過亮度與三色通道的反射分量進行加權疊加，然后對三色通道合成后的圖像進行直方圖均衡。通過此方式可以較好地保留原圖的顏色基調，并有較強的對比度。

1.3 本文算法具體步驟

為實現設備圖像的自動增強，在具體算法的實現過程中采用如下步驟：

（1）輸入圖像，并將其分解到R、G、B三色數據通道上，依次將其數據類型轉換為double型。通過公式（8），計算圖像亮度S（x，y）；

（2）MSRCR參數設為β=46；G=192；α=125；b=-30。設定高斯模板小、中、大的尺寸為（15，80，250），利用高斯函數計算出相應高斯模板；

（3）將原始圖像轉換到對數域后進行FFT變換，在頻域內，用三個不同尺度的高斯模板與圖像做乘積運算。將頻域中心轉移至零點位置，進行IFFT變換，得到三個入射圖像；

（4）用原圖像的對數分別減去上述步驟獲得的入射圖像對數，得到三個反射圖像。用公式（7）計算得到RMSRCRI（x，y），通過公式（9）與亮度函數進行加權融合得到RR'（x，y），RG'（x，y），RB'（x，y）；

（5）分別計算出反射分量RR'（x，y），RG'（x，y），RB'（x，y）各數據的Mean和Var，對其進行動態壓縮，最后利用直方圖均衡截取反射分量兩端各1%的像素以增加對比度。上述具體步驟流程如圖4所示。

2 實驗結果分析

2.1 增強效果對比

為體現本文方法的有效性，對比了多種電力設備圖像在不同算法下的增強效果。測試所用計算機配置為InterCore i7-6700 CPU@2.60 GHz， 2.60 GHz，8.00 GB 內存。測試使用的軟件環境為Matlab R2014a，操作系統為Windows 10。圖5～8中（a）～（f）圖像分別為設備原始圖像、傳統MSRCR算法[3]、對反射分量進行動態壓縮的MSRCR算法（DTYS-MSRCR）[14]、MSRCP算法[11]與本文算法處理的圖像。

不同算法處理后的設備效果圖像表明：傳統MSRCR算法在處理低分辨率、顏色單調、對比度小的圖像時具備一定優勢，但處理其它類型的圖像時色彩泛白，顏色失真較為嚴重，如圖6（b）、圖8（b）所示，絕緣子瓷瓶出現了明顯的光暈現象，底座部分顏色明顯不符合設備實際色彩。而經DTYS-MSRCR算法處理過的圖像雖在光暈和顏色失真問題處理效果上優于傳統MSRCR算法，但并未從根本上解決這些問題，增強效果較差，如圖6（c）與圖8（c）所示。經MSRCP算法處理的圖像雖未出現光暈現象，且對細節的增強效果較好，但圖像整體色彩還原效果一般，如圖8（d）所示，絕緣子瓷瓶的顏色還原有所欠缺，圖像對比度不鮮明。與上述方法相比，本文算法圖像增強后的效果圖不存在光暈現象，且在色彩保真性、對比度、細節恢復等方面表現效果良好，如圖8（e）所示。圖像的光線明亮，色彩恢復與其它效果圖相比更完善。

2.2 圖像評價對比

為進一步對比本文算法與傳統算法的圖像增強效果，采用圖像評價函數進行評價。所采用的圖像評價指標包括反映圖像細節信息的標準差、反映圖像亮度的亮度均值、反映圖像信息量的信息熵以及反映圖像清晰程度的平方梯度。表1所列為圖5～圖8所示圖像評價結果。

排除原圖像效果較差但數據反應良好的影響因素后，從表1可以看出，本文算法在標準差、亮度均值、信息熵、平均梯度等指標中排名靠前，綜合水平最佳。由表2可知，本文算法具有計算時間最短，對圖像的顏色恢復更為完善等優點，在保證增強效果的基礎上提升圖像的處理效率。圖6與圖8的處理時間顯示較高，因圖像分辨率過高導致運算時間過長。結合表1所列指標，說明本算法增強效果較好，運算速率較快，更利于批量圖像自動化處理與分析。endprint

3 結 語

針對MSRCR增強圖像中存在的顏色失真、光暈現象、對比度低等不足，提出了一種新MSRCR圖像增強算法。不同分辨率及對比度的電力設備圖像增強效果表明，本文算法增強后的設備圖像細節清晰，色彩自然，光照度良好，較好地解決了顏色失真及光暈現象。對于低照度的電力設備圖片增強效果明顯。圖像評價函數指標表明，本文算法相對于其他幾種算法在均值、均方差、計算效率等方面具備一定優勢。本文所提出的理論和技術可進一步提升已有圖像增強算法的圖像處理效果及效率，為電力設備圖像識別技術、電力智能巡檢機器人技術以及電力設備故障診斷技術奠定了基礎，因此具有較好的現實意義。

參考文獻

[1]潘夏清.變電站無線視頻監控系統的技術研究與實現[D].成都：電子科技大學，2012.

[2]崔昊楊，許永鵬，孫岳，等.基于自適應遺傳算法的變電站紅外圖像模糊增強[J].高電壓技術，2015， 41（3）：902-908.

[3] D J Jobson，Z U Rahman，G A Woodell. Properties and performance of a center/surround retinex[J].IEEE Trans on Image Processing，1997，6 （3）： 451-462.

[4] D J Jobson，Z Rahman，G A Woodell. A multiscale retinex for bridging the gap between color images and the human observation ofscenes[J].IEEE Trans on Image Processing ： Special Issue on ColorProcessing，1997，6（7）： 965-976.

[5] Z Rahman，D J Jobson，G A Woodell. A multiscale Retinex for color rendition and dynamic range compression. SPIE International Sympo-sium on Optical Science[J]Engineering and Instrumentation，1996： 183-191.

[6]周揚，孫瑾，牛犇.一種基于改進Mean Shift濾波的retinex彩色圖像增強算法[J].計算機科學，2014， 41（S1）：160-163.

[7]常戩， 白佳弘.基于回轉對稱雙邊濾波的Retinex圖像增強算法[J]. 計算機工程， 2016，42（6）：265-273.

[8]占必超， 吳一全， 紀守新.基于平穩小波變換和Retinex的紅外圖像增強方法[J].光子學報，2010， 30（10）：2788-2793.

[9]吳一全，史駿鵬.基于多尺度Retinex的非下采樣Contourlet域圖像增強[J].光學學報，2015，35（3）：79-88.

[10]李錦，王俊平，萬國挺，等.一種結合直方圖均衡化和MSRCR的圖像增強新算法[J].西安電子科技大學學報（自然科學版）， 2014， 41（3）：103-109.

[11] Ana Belén Petro， Catalina Sbert， Jean-Michel Morel. Multiscale Retinex[J].Image Processing On Line， 2014

（4）：71-88.

[12]吳成茂.直方圖均衡化的數學模型研究[J].電子學報， 2013， 41 （3）：598- 602.

[13]李垚峰，何小海，吳小強.改進的帶色彩恢復的多尺度Retinex霧天圖像增強算法[J].計算機應用，2014， 34（10）：2996-2999.

[14]肖進勝， 單姍姍， 段鵬飛， 等.基于不同色彩空間融合的快速圖像增強算法[J].自動化學報， 2014， 40（4）：697-705.

[15]閆鈞宣， 張科. HSI空間亮度信息的多尺度Retinex圖像增強研究[J].計算機工程與應用， 2010， 46（23）：31-33.endprint