礦井復雜環境視頻監控圖像增強算法研究

王誠聰，劉亞靜

(華北理工大學 礦業工程學院，河北 唐山 063210)

安全生產是煤礦企業發展的關鍵，為確保煤礦企業高效且快速的發展，井下視頻監控為煤礦安全生產提供有力的保障，設立井下視頻監控可將存在的安全隱患防范于未然，從而推進智慧礦山的建設與發展[1]。然而井下生產環境很明顯的特點就是光線差、亮度低、粉塵多，以及燈光照明不均勻，這些因素對礦井安全監控視頻圖像的視覺質量有很大的影響，導致不能拍攝出較高識別率的井下圖像，且對視頻圖像監控判別是否存在違規行為造成了一定的限制作用，如果由于光照以及粉塵的原因導致監控視頻沒有及時發現問題并解決問題[2]，將會造成巨大的人員傷亡和經濟損失，影響礦井的生產與發展，因此對視頻監控圖像增強處理是實現智能化礦山安全生產的前提條件[3]。

到目前為止，井下圖像增強處理中[4]，傳統的算法主要有Retinex算法，直方圖均衡化算法，同態濾波算法等。Retinex算法是以色彩一致性為基礎的，對于低頻圖像可以有效的對圖像自適應增強，但是對于亮度差異特別大的圖像[5]，會導致亮度大的區域出現光暈效應且圖像整體出現過增強現象；直方圖均衡化算法，高效且易于實現，被廣泛應用，但是通過均衡化處理后對比度過分增強，容易使某些細節消失[6]；同態濾波通過處理圖像的反射分量來達到增強圖像的目的，對光照不均勻的圖像補償效果明顯，但是對于選取濾波器的參數以及算法的實現上有一定的難度，不易實現[7，8]。通過對傳統算法的分析，在對礦井圖像處理的過程中大致存在以下兩點問題：①由于礦井圖像的特殊性，存在很明顯的明暗不均現象，高亮度區域若沒有極大程度的抑制，導致圖像整體出現過增強現象，且會存在色彩失真的現象；②礦井圖像由于粉塵以及光照不均勻的原因導致圖像模糊，檢測障礙等問題，致使圖像的清晰度以及信息量有一定的損失，而大多數論文沒有針對上述兩個問題同時進行解決。本文提出一種基于二維伽馬函數調整圖像光照分量的算法。依據引導濾波算法提取光照分量，而后通過二維伽馬函數對圖像的光照分量進行調整，并對圖像整體對比度進行自適應調整，以達到圖像增強的目的。

1 數據來源及算法介紹

1.1 引導濾波提取光照分量

引導濾波(Guided Filtering)是一種用于圖像重建并保持邊緣的濾波技術，準確的提取照度分量對于圖像的增強有重要的作用。通過引導圖I對初始圖像P進行濾波處理，從而有效的保持邊緣，實現邊緣平滑，減少梯度變形[9]。

假設該引導濾波函數在輸入與輸出二維圖像滿足線性關系，即：

qi=akIi+bk，?i∈ωk

(1)

式中，q是輸出圖像像素的值，I是輸入引導圖像像素的值，i，k是像素索引，a，b是當濾波窗口ω中心位置為k時線性函數的系數。當輸入的引導圖像I有梯度時，輸出的圖像q也有類似的梯度，即q=aI。

為求出線性函數的系數a，b，即通過線性擬合的函數使輸出值q與待濾波圖像p存在的差距最小，即求下式的最優解：

通過最小二乘法，局部線性系數可以通過下式來表示：

在計算輸出圖像的像素值時，每個像素點可能會包含在不同的濾波窗口內，因此a，b會隨著窗口的變化而變化，如若要求某一點的輸出值，只需將包含該像素點的函數值線性平均即可，計算公式如下：

為估計光照分量，因此通過計算圖像的亮通道圖像，即每個像素位置上在三通道中的最大值。

式中，L(x，y)代表原始圖像像素點在三個通道的最大值；Ic(x，y)表示原始圖像[10]。

為獲取圖像不同尺度上的信息，通過多尺度引導濾波來估計光照分量即：

K(x，y)，ri，eps)

(7)

式中，F(x，y)表示光照分量，G(L，K，r，eps)代表對圖像進行引導濾波計算，即式(5)中的q，K代表引導圖像，在本文算法中引導圖像為原圖像，ri表示濾波窗口的不同尺寸。

為計算不同尺度上的圖像包含的信息，因此選用不同的濾波器尺寸，設置如下：

式中，「*? 表示取整操作，h，w分別代表圖像的長和寬。尺寸越大更好的反映圖像的細節信息，而尺寸越小反映圖像的整體結構[11]。

井下生產環境粉塵現象嚴重，且陰暗潮濕，需要借助燈光來對井下環境提供照明，而由于粉塵和燈光的原因，會出現光暈效應和邊界模糊的現象，當使用引導濾波后，在處理礦井內細節部分，相對于其它算法可以最大限度的保持原圖像的邊緣特征，從而使提取效果越好。

1.2 二維伽馬函數光照校正

井下通常運用礦燈來實現照明，然而在使用礦燈照明的過程中很容易存在照明不均勻的弊端，導致暗部圖像不清晰，而亮部圖像曝光過度，影響圖像的視覺效果，基于此，通過調整圖像的光照分量來實現提高光照低區域的亮度，減少光照高區域的亮度[12]。

在提取光照分量后，依據光照分量對光照不均勻的圖像校正處理，通過光照的亮度值，構造局部gamma校正函數，從而實現圖像的調整[13]。因此，本文選用二維伽馬校正函數，通過光照分量的亮度值來自適應調整亮度分量的亮度值的參數，從而實現圖像整體的調整。二維伽馬函數的表達式為：

式中，F(x，y)表示計算出的光照分量；m為光照分量的均值；v(x，y)為原圖像的亮度分量，V(x，y)為校正后的亮度分量。

假設某礦井圖像的光照分量均值為80，且該圖像各像素點的值均在0～255之間，本文在區間內平均選取光照分量為0、64、128、192、255的值作為研究對象[14]，來觀察圖像校正后的變化情況，圖像的亮度值經過二維伽馬函數變換輸出的結果如圖1所示。

圖1 二維伽馬函數變換輸出結果

當圖像的某一像素點(x，y)的光照分量值小于該圖像的均值，二維伽馬函數會自適應的調整該像素的亮度值。在光照均值為80的圖像中，假設該圖像(x，y)處的光照分量值為50屬于低照度區，輸入圖像在該點處的亮度值為128，經過二維伽馬函數校正處理后的亮度值為150，在低光照強度的區域，表現為提高圖像的亮度值，尤其是在亮度值低的區域，提高的幅值越大。相反，當圖像的某一像素點(x，y)的光照分量值大于該圖像的均值，該函數會減小原圖像在該點處的亮度值。如該圖像(x，y)處的光照分量值為110屬于高照度區，輸入圖像在該點處的亮度值同樣為128，經過二維伽馬函數校正處理后的亮度值為104，尤其是相對于亮度值高的區域，降低的幅值越大[15]。通過上述數據，本文提出的算法可以依據全圖亮度值自動校正圖中亮度不均勻的區域，從而提高圖像的整體質量水平。

1.3 基于受限自適應直方圖均衡化的對比度增強

由于煤礦井下圖像色調簡單，若圖像的對比度低則更不易區分井下地物的細節，在影響圖片效果的因素中，對比度占有很大一部分比重[16]。基于此選用基于限制對比度直方圖均衡化自適應算法 (Contrast Limited Adaptive Histogram Equalization，CLAHE)。由于井下粉塵多，影響井下圖像的質量，造成視覺上對物體細節上的判斷，因此可以通過CLAHE有效的抑制噪聲放大并增強圖像的對比度，從而獲得圖像中所表達的信息[17]。

在圖像中圖像的像素點概率分布直方圖與對比度有直接關系，為限制對比度，因此通過CDF(累計分布直方圖)將一定閾值內的像素值平均分配到直方圖內其他區域[18]，從而達到限制斜率的目的。

2 算法實現

由于礦井環境的陰暗潮濕且光照強度不足或不均勻，都會導致視頻圖像在視覺上不足以讓監控人員觀察到井下工作人員是否存在違規行為[19]。井下視頻圖像主要針對亮度分量進行處理，選用一種較為直觀的顏色模型HSV，對亮度分量進行計算，因此在輸入視頻圖像后，將RGB轉為HSV，并將亮度V通過引導濾波提取光照分量，用二維伽馬函數對其進行調整，再將色調以及飽和度與處理后的亮度進行合成，并轉換為RGB形式，并通過CLAHE對圖像進行自適應調整，輸出圖像，算法流程如圖2所示。

圖2 算法流程

3 實驗結果與分析

為驗證本文算法對礦井圖像的適用性，運用MATLAB平臺對圖像進行處理，并搜集具有代表性的圖像，如在巷道內光照不均勻圖像以及作業期間具有嚴重粉塵影響的圖像，如圖3—圖5所示。選用retinex算法和二維伽馬函數算法，來驗證本文算法的性能。圖3—圖5中，(a)為原圖，(b)為伽馬函數校正，(c)為retinex增強算法，(d)為本文算法。

圖3 場景一圖像處理結果

圖4 場景二圖像處理結果

圖5 場景三圖像處理結果

針對處理的結果，本文從主觀以及客觀的角度對3中不同的方法進行評價及驗證。由圖3—圖5可以看出，針對gamma函數對3幅圖的圖像增強，可以看出，伽馬函數校正雖然可以有效地減弱光照過強導致的光暈，并且對光照弱的地方進行增強，如圖3中的燈光處和圖4中管道縫隙間處，但是對于人的衣服以及安全帽的增強卻不是很明顯，對于圖5的增強效果不是很明顯；而retinex增強算法在圖3和圖4中雖然在燈光處極大的抑制了燈光的亮度，但是出現整體泛白現象，對比度極低，在視覺效果上極差，然而對于有粉塵的環境如圖5，處理效果較好，但是亮度低；而本文提出的算法對3種不同場景的圖像增強都取得了較好的校正效果，不僅使光照過強的區域有較好的減弱，在燈光區域周圍幾乎沒有光暈現象，圖像效果清晰，而且提高了光照過低區域的亮度及對比度，使細節處更加明顯，針對有粉塵區域的圖像具有很好的去粉塵效果，且對圖片的色彩有很好的保持作用。

從客觀角度，本文選取信息熵，平均梯度，標準差來評價算法結果[13]。

信息熵表示度量圖像的豐富度，信息熵越大說明豐富度越大，圖像的效果越好，由于井下視頻亮度低，為更好的評估圖像的信息熵，因此選取灰度值大于50的為評判值域。

其中，xi為像素值為i的像素。

平均梯度，反映圖像細節對比的表達能力，它是圖像清晰度的重要表征，平均梯度越大表示圖像越清晰。

標準差是反映圖像整體的對比度特征。

為進一步對比三種算法的效果，本文對不同圖像的信息熵，平均梯度以及標準差進行計算見表1，由表1可知，經過處理后圖像的整體質量效果普遍提升。信息熵，在不同的場景下本文算法都是最高值，說明圖中所包含的信息量為最大值；對于平均梯度來說，尤其是場景二，清晰度有明顯的增加；對于標準差來說，通過本文算法處理的圖像對比度為最高，更好的保持了色彩的信息，通過上述三種定量標準來看，本文算法針對礦井下不同場景的圖像的校正處理取得了較好的效果。

表1 不同算法結果對比表

4 結 語

在井下視頻監控圖像采集過程中，由于井下經常受到不均勻的光照以及粉塵等因素，導致井下視頻監控圖像不易識別，嚴重影響了視頻監控人員的工作效率。針對煤礦井下圖像光照分布不均勻，使得圖像整體偏暗，且有光照的區域亮度過強，對比度極低，以及由于粉塵的因素噪聲太大這些問題，本文提出了一種針對礦井下惡劣的環境視頻監控圖像的自適應校正算法，可以同時將光照不均勻以及粉塵導致的圖像問題解決，將引導濾波與二維伽馬函數相結合，運用CLAHE調節圖像對比度，來提高圖像的整體質量。并且選取伽馬校正算法、retinex算法處理結果作為對照，實驗結果顯示可以有效的同時消除或減弱因光照不均勻和粉塵因素對圖像的影響，得到視覺效果更好的圖像，實用性更強，清晰度和對比度更高，圖像所帶的信息量更多，并且在主觀及客觀的方面都有明顯的優越性。