基于雙域分解的夜間車輛紅外圖像研究

魏 亮,王 炎,胡文浩,吳卓鴻,楊昊鈞

(1.云南云通司法鑒定中心,云南 昆明650255；2.國家市場監(jiān)督管理總局缺陷產(chǎn)品管理中心,北京 100101；3.北京航空航天大學(xué)交通科學(xué)與工程學(xué)院,北京100101)

1 引 言

交通監(jiān)控系統(tǒng)屬于智能交通的核心手段之一,通過交通監(jiān)控系統(tǒng)監(jiān)管車輛,能夠?qū)崿F(xiàn)車輛交通的全天候管理。在現(xiàn)實(shí)應(yīng)用中,交通監(jiān)控系統(tǒng)所采集的交通紅外偏振圖像受低能見度(夜間)條件限制,獲取的紅外偏振圖像清晰度較低,這對夜間車輛交通監(jiān)控存在干擾[1]。

目前已有大量學(xué)者專題研究圖像增強(qiáng)問題,王峰萍等人提出基于改進(jìn)Retinex的城市交通圖像增強(qiáng)方法,提高圖像具有色彩保真的優(yōu)勢,但增強(qiáng)的圖像存在光暈問題[2]；曹錦綱等人提出基于生成式對抗網(wǎng)絡(luò)的道路交通模糊圖像增強(qiáng)方法,增強(qiáng)后圖像細(xì)節(jié)性顯著,但是生成圖像和原始圖像相比存在差距,網(wǎng)絡(luò)結(jié)構(gòu)和調(diào)整參數(shù)還需優(yōu)化[3]。

為解決傳統(tǒng)方法存在的問題,提出基于雙域分解的夜間車輛交通紅外偏振圖像增強(qiáng)方法,以提升夜間車輛交通紅外偏振圖像質(zhì)量。

2 基于雙域分解的夜間車輛交通紅外偏振圖像增強(qiáng)方法

2.1 改進(jìn)的 Retinex 低照度圖像光照補(bǔ)償算法

因夜間車輛交通紅外偏振圖像采集于夜間,這對夜間車輛交通紅外偏振圖像增強(qiáng)效果存在一定影響[4-5]。為此,本文把原始的夜間車輛交通紅外偏振圖像在RGB空間變換至Lab顏色空間,色度分量a與b保持原始狀態(tài),使用改進(jìn)的Retinex算法處理亮度分量L,以此保證夜間車輛交通紅外偏振圖像色彩具有恒常性,優(yōu)化邊緣模糊性。通過全局矯正方法,對圖像完成線性拉伸,將拉伸后圖像變換至RGB空間實(shí)現(xiàn)光照補(bǔ)償[6]。

2.1.1 RGN空間和Lab空間變換

RGB空間無法直接變換至Lab空間,需先變換到XYZ空間后再變換至Lab,則RGB-XYZ-Lab。夜間車輛交通紅外偏振圖像自RGB至XYZ的變換方法為:

(1)

其中,

(2)

式中,N為變換矩陣。夜間車輛交通紅外偏振圖像自XYZ空間至Lab空間的轉(zhuǎn)換方法為:

(3)

式中,g代表變換函數(shù)；X1、Y1、Z1分別代表X、Y、Z分量歸一化值。

2.1.2 亮度分量估計(jì)

傳統(tǒng)Retinex算法利用高斯濾波估計(jì)圖像的亮度分量,圖像邊緣處將存在泛白、光暈問題[7]。本文使用引導(dǎo)濾波方法估計(jì)夜間車輛交通紅外偏振圖像亮度分量:

R(φ,φ)=lgL(φ,φ)-lgK(L(φ,φ))

(4)

式中,R(φ,φ)為亮度分量；L(φ,φ)為原始圖像變換至Lab空間后的反射分量；K為引導(dǎo)濾波函數(shù)。

變換后的輸出圖像pj為:

(5)

式中,J為圖像引導(dǎo)系數(shù);qj為輸入圖像；Vij表示權(quán)重。引導(dǎo)濾波可輸出局部線性算子:

G=φkpj

(6)

(7)

(8)

式中,Kj(L(φ,φ))為引導(dǎo)濾波函數(shù)處理后圖像。把式(8)導(dǎo)進(jìn)式(4)便可以獲取反射圖像R(φ,φ)。

2.1.3 全局矯正

使用式(9)對R(φ,φ)線性量化,讓圖像對比度變換至能夠顯示的區(qū)域中,實(shí)現(xiàn)圖像光照補(bǔ)償:

(9)

式中,R(φ,φ)即為光照補(bǔ)償矯正后夜間車輛交通紅外偏振圖像。

2.2 基于雙域分解的圖像增強(qiáng)算法

2.2.1 雙邊濾波器

與高斯濾波器對比,雙邊濾波器降噪性能顯著,邊緣輪廓留存性能顯著[9-10]。雙邊濾波器分解噪聲的方法為:

(10)

(11)

圖像R(φ,φ)通過雙邊濾波器濾波后,可獲取低頻圖像gL與高頻圖像gH,具體如下式所示:

(12)

2.2.2 低頻圖像去霧

使用霧霾天氣退化模型抑制低頻圖像基礎(chǔ)層的霧氣,獲取無霧的低頻圖像gL:

gL=go×Rx+B[1-Rx]

(13)

式中,go、Rx、B依次為去霧后低頻圖像、透射率、周圍環(huán)境大氣光。

無霧的低頻圖像里存在某個(gè)顏色通道灰度值為較小[11]。因此,無霧的低頻圖像存在式(14)的暗原色I(xiàn)dark:

(14)

式中,d為顏色通道；Id為顏色通道的顏色向量。

(15)

(16)

去霧后低頻圖像的顏色通道的顏色向量Id為:

(17)

如果去霧后低頻圖像灰度最大值為gLDHmax;最小灰度值為gLDHmin,那么利用Gamma變換方法實(shí)現(xiàn)低頻圖像增強(qiáng)。增強(qiáng)后低頻圖像為:

(18)

2.2.3 高頻降噪與增強(qiáng)

夜間車輛交通紅外偏振圖像存在大量噪聲,增強(qiáng)高頻圖像gH之前需要去噪,若不去噪,直接增強(qiáng)將會(huì)放大噪聲[12-14]。

采用非下采樣剪切波變換分解高頻圖像gH。獲取gH剪切波變換域的分解系數(shù)gHCj,l,對gHCj,l收縮處理,獲取基礎(chǔ)收縮系數(shù)gHC1:

(19)

且噪聲點(diǎn)標(biāo)準(zhǔn)方差ρ的計(jì)算方法為:

(20)

式中,Vd1是高頻子帶系數(shù)。

將gHB完成分解,通過gHB的分解系數(shù)矩陣集CEC2將gHCj,l完成最終收縮,獲取噪聲抑制后收縮系數(shù)集gHC2,將gHC2進(jìn)行非下采樣的剪切變換,獲取去噪后高頻圖像gHD:

(21)

gHD的高頻紋理細(xì)節(jié)增強(qiáng)和邊緣檢測算子存在顯著關(guān)聯(lián)性,一階微分算子提取的邊緣信息效果顯著,但不具有明確方向性,無法獲取非規(guī)則邊緣[15]。為有效獲取非規(guī)則邊緣信息,使用二階微分算子,獲取gHD邊緣信息并增強(qiáng)。

(ao-1,bo)-gHDj,l(ao-1,bo-1)-gHDj,l(ao+1,bo-1)-4gHDj,l(ao+1,bo)-gHDj,l(ao+1,bo+1)

(22)

式中,ao,bo依次是分解系數(shù)矩陣行數(shù)與列數(shù)。

2.2.4 圖像合成與模糊抑制

聯(lián)合gLE、gHD合成增強(qiáng)圖像gOE,使用模糊抑制算子,抑制gOE模糊性,獲取最終增強(qiáng)圖像gDE:

gDE=(gOE)Ωd+ψd

(23)

式中,Ωd,ψd分別為顏色比例因子、色彩調(diào)整因子。

3 實(shí)驗(yàn)分析

實(shí)驗(yàn)環(huán)境為Matlab R2019a編程,電腦配置為:處理器Inter(R)Core(TM)i7,主頻與內(nèi)存依次是3.0 GHz、8 GB,實(shí)驗(yàn)對象為某停車場夜間車輛。

3.1 圖像光照補(bǔ)償效果

圖1為某停車場夜間車輛紅外偏振圖像,從視覺角度分析可直觀看出,此圖像光照不足,圖像細(xì)節(jié)信息不顯著,使用本文方法對其進(jìn)行圖像光照補(bǔ)償,補(bǔ)償效果如圖2所示。

圖1 某停車場夜間車輛紅外偏振圖像Fig.1 Infrared polarization image of vehicles in a parking lot at night

圖2 本文方法應(yīng)用后Fig.2 After the application of the proposed method

從主觀視覺角度分析圖1與圖2可知,本文方法對圖1進(jìn)行光照補(bǔ)償后,該停車場夜間車輛紅外偏振圖像視覺效果更佳,可清晰看出各個(gè)車輛停靠位置。

3.2 圖像增強(qiáng)效果

使用本文方法對夜間車輛紅外偏振圖像進(jìn)行圖像增強(qiáng),以圖2為例,為驗(yàn)證本文方法增強(qiáng)效果,以文獻(xiàn)[2]方法提出的基于改進(jìn)Retinex的城市交通圖像增強(qiáng)方法、文獻(xiàn)[3]提出的基于生成式對抗網(wǎng)絡(luò)的道路交通模糊圖像增強(qiáng)方法為對比方法,對比三種方法對夜間車輛交通紅外偏振圖像的增強(qiáng)效果,結(jié)果如圖3所示。

圖3 三種方法增強(qiáng)效果視覺對比圖Fig.3 Visual contrast of three methods for enhancing effect

三種方法對同一個(gè)夜間車輛交通紅外偏振圖像增強(qiáng)后,差異較為明顯。對比之下,本文方法增強(qiáng)后圖像的視覺效果最好,夜間車輛交通紅外偏振圖像中細(xì)節(jié)清晰,文獻(xiàn)[2]方法增強(qiáng)后圖像存在光暈問題,文獻(xiàn)[3]方法雖然不存在光暈問題,但是增強(qiáng)后圖像的視覺效果劣于本文方法。由此可知,從視覺角度分析,本文方法增強(qiáng)后夜間車輛交通紅外偏振圖像更具優(yōu)勢。

為深入驗(yàn)證本文方法增強(qiáng)效果,通過亮度均值O1、標(biāo)準(zhǔn)差O2、信息熵O3測試三種方法應(yīng)用性能。已知某夜間車輛交通紅外偏振圖像亮度均值是50。

(1)亮度均值

(24)

式中,L(i,j)、ao、bo分別為夜間車輛交通紅外偏振圖像像素點(diǎn)(i,j)亮度、行數(shù)、列數(shù)。

三種方法增強(qiáng)后夜間車輛交通紅外偏振圖像的亮度均值越大,代表圖像整體偏亮；亮度均值較小,代表夜間車輛交通紅外偏振圖像整體偏暗。亮度均值越大,代表圖像增強(qiáng)效果越好。三種方法增強(qiáng)后,夜間車輛交通紅外偏振圖像的亮度均值對比結(jié)果如圖4所示。

圖4 亮度均值對比結(jié)果Fig.4 Comparison results of brightness mean

根據(jù)圖4可知,三種方法增強(qiáng)后夜間車輛交通紅外偏振圖像的亮度均值之間差異顯著,本文方法增強(qiáng)后的夜間車輛交通紅外偏振圖像亮度均值高達(dá)115,文獻(xiàn)[2]方法、文獻(xiàn)[3]方法增強(qiáng)后的夜間車輛交通紅外偏振圖像亮度均值均低于80,文獻(xiàn)[2]方法、文獻(xiàn)[3]方雖然也提高了原始夜間車輛交通紅外偏振圖像亮度,但是提升效果沒有本文方法顯著。

(2)標(biāo)準(zhǔn)差

(25)

標(biāo)準(zhǔn)差能夠描述夜間車輛交通紅外偏振圖像的對比度,標(biāo)準(zhǔn)差較大,夜間車輛交通紅外偏振圖像對比度顯著,圖像增強(qiáng)效果較好。三種方法增強(qiáng)后,夜間車輛交通紅外偏振圖像的標(biāo)準(zhǔn)差對比結(jié)果如圖5所示。

圖5 標(biāo)準(zhǔn)差對比結(jié)果Fig.5 Standard deviation comparison results

圖5中,三種方法對比之下,本文方法對夜間車輛交通紅外偏振圖像增強(qiáng)后,標(biāo)準(zhǔn)差大于40,文獻(xiàn)[2]方法、文獻(xiàn)[3]方法增強(qiáng)效果不如本文方法,標(biāo)準(zhǔn)差低于40,對比之下,本文方法增強(qiáng)下,夜間車輛交通紅外偏振圖像對比度得以提升,效果更佳。

(3)信息熵

(26)

式中,gHI為灰度級(jí)概率值。

信息熵可描述圖像信息量,信息熵較大,表示圖像信息量較多,信息熵較小,表示圖像信息較小；信息熵較小,則增強(qiáng)圖像后信息出現(xiàn)流失,增強(qiáng)效果較差。三種方法增強(qiáng)后,夜間車輛交通紅外偏振圖像信息熵對比結(jié)果如圖6所示。

圖6 信息熵對比結(jié)果Fig.6 Comparison results of information entropy

圖6中本文方法對夜間車輛交通紅外偏振圖像增強(qiáng)后,圖像信息熵大于9,相比之下,文獻(xiàn)[2]方法、文獻(xiàn)[3]方法增強(qiáng)后,夜間車輛交通紅外偏振圖像的信息熵較小,本文方法增強(qiáng)效果更佳,圖像細(xì)節(jié)信息更豐富。

4 結(jié) 論

本文針對夜間車輛交通紅外偏振圖像,提出基于雙域分解的夜間車輛交通紅外偏振圖像增強(qiáng)方法,此方法可以有效實(shí)現(xiàn)夜間車輛交通紅外偏振圖像增強(qiáng)。通過實(shí)驗(yàn)測試,本文方法相比于傳統(tǒng)方法,可以更好地保持圖像細(xì)節(jié)信息,對夜間車輛交通紅外偏振圖像具有更顯著的增強(qiáng)效果,使用價(jià)值顯著。