基于引導濾波的多尺度自適應礦井低質圖像增強方法

王媛彬，李媛媛，齊景鋒，吳華英，段 譽

（1.西安科技大學 電氣與控制工程學院，陜西 西安 710054；2.陜西陜煤榆北煤業有限公司 榆林信息化運維分公司，陜西 榆林 719000）

0 引 言

隨著各行各業的智能化發展，視頻監控被普遍應用于礦井作業中，為工作人員的安全作業提供有利保障，避免造成巨大的經濟損失。但是煤礦井下存在較多粉塵干擾且光照環境復雜，往往導致采集到的礦井下圖像質量較差。主要表現為圖像整體亮度較低、邊緣輪廓模糊、細節大量丟失細節信息被隱藏，人眼難以辨別；局部光照過亮，圖像對比度差，噪聲較多。為了更好地監控礦井下的信息，增加工作人員對礦井信息判別的準確性，礦井下低質圖像增強具有十分重要的意義[1]。

目前，常見的增強方法往往能夠針對低質圖像的不同特質進行改善，但仍存在部分不足。例如：①對于礦井下亮度和對比度不足的圖像，基于空域變換的增強方法[2-4]能夠通過變換函數進行映射，重新調整像素。該類算法計算復雜度低、實現簡單，但是會放大原有的噪聲，并在圖像局部出現過增強、欠增強現象，模糊圖像特征；②對于局部細節模糊的圖像，基于圖像分層處理的方法[5-9]，例如雙邊濾波算法、引導濾波算法等，能夠有效增強弱細節，但是對圖像整體質量改善不明顯；③對于局部區域較暗的圖像，基于Retinex的相關方法[10-12]通過變換反射分量，有效調整圖像的灰度分布，但是容易造成邊緣模糊，對細節增強不足。并且在假設光照均勻的情況下，對礦井下圖像增強效果較差；④對于層次感不強的圖像，使用基于小波變換的增強方法[13-18]能夠調整頻域內分解出的高頻信息和低頻信息，通過不同尺度的系數調整，達到突出圖像細節的目的。但是該類算法普遍忽視低頻信息的增強處理，對圖像亮度改善不足。

針對上述各個方法存在的缺陷，提出一種基于引導濾波的多尺度自適應圖像增強方法。利用引導濾波分解圖像為高、低頻2個部分，通過對比度受限的自適應直方圖均衡（Contrast Limited Adaptive Histogram Equalization，CLAHE）對低頻部分的對比度進行整體調整，再利用梯度域內的改進直方圖增強整個高頻部分，并結合多尺度的細節增強算法增加高頻分量，擴展動態范圍。在進行線性重構時，引入灰狼算法（Grey Wolf Optimizer，GWO）自適應選擇最佳參數，提高算法效率。

1 圖像增強方法研究

1.1 基于引導濾波的圖像分解

引導濾波是一種局部的線性模型，該模型能夠保證圖像邊緣附近的梯度一致，有效克服梯度翻轉現象。且濾波時間復雜度與窗口大小無關，具有較高的運行效率[19]。因此，文中采用引導濾波將原始圖像分解為低頻和高頻2個部分，再分別進行后續不同處理。在一個以像素k為中心，半徑為r的二維窗口ωk中，引導圖像G和輸出圖像I1兩者間的線性關系滿足

I1（i）=akGi+bk,?i∈ωk

（1）

式中 （ak,bk）是在窗口ωk內的線性系數。在ωk內，利用線性擬合函數使得輸出圖像I1和原始圖像I差距最小，系數ak,bk最優解的求取見式（3）

（2）

（3）

計算輸出圖像時，單個像素i可能被多個不同窗口所包含，取值不唯一。因此，對包含同一像素的函數值取均值，即可得到輸出圖像。

（4）

I2=I-I1

（5）

1.2 自適應低頻分量改善

低頻圖像I1整體較暗且對比度較低，不便于人眼直接觀察，使用CLAHE能夠有效改善圖像對比度和整體亮度，同時避免噪聲的放大[20]。輸入圖像I1與輸出圖像I1′之間存在映射關系見式（6）。

（6）

式中 INT[]為取整符號；I1的灰度范圍為[0,L-1]，T為對應的累積分布函數。設子塊的總像素為P，μ為截斷系數，可得受限閾值C。

（7）

P=m×n

（8）

式中m和n分別為子區域的行數和列數；L為直方圖的總灰度級數256。

通過閾值C裁剪子區域直方圖，將超出閾值的像素點重新分配，從而達到限制放大幅度的目的。再將裁剪后的子直方圖均衡化，求得每一子區域的映射函數。最后，利用線性插值重構像素灰度值，能夠減少算法時間復雜度和避免塊狀效應的出現。CLAHE算法處理后的直方圖如圖1（b）所示，在局部直方圖均衡化的基礎上，對子區域的直方圖進行對比度限幅，有效抑制噪聲的放大，在提高I1對比度的同時有效緩解過增強、欠增強。

1.3 多尺度高頻分量增強

通過引導濾波得到的高頻圖像I2，對比度較低，細節信息大量丟失、邊緣模糊。針對上述特點，首先采用基于梯度域的直方圖均衡化提高整體的對比度，排除多余的背景干擾[21]。由于背景部分在圖像整體中的占比較大，該部分對應的直方圖嚴重限制了圖像整體對比度的拉伸。通過抑制低梯度區域的像素數量能夠可靠地增強整個高頻部分，但對局部細節的改善不足，仍存在一定局限性。在此基礎上，利用多尺度細節增強來提高局部細節可見性，算法的具體流程如下。

圖1 低頻部分的灰度直方圖對比Fig.1 Gray histogram comparison of image with low frequency

1）通過公式（9）對高頻圖像I2進行平滑運算

f（x,y）=I2（x,y）*G（x,y）

（9）

式中G為高斯函數；f為平滑后的圖像。

2）利用Canny算子計算像素點的梯度值

（10）

（11）

（12）

式中 dx和dy分別是像素點的水平和豎直梯度；g（i,j）像素點梯度的幅值。

3）將圖像的像素梯度依次排列，劃分為高梯度和低梯度2個區域。

4）依據圖像梯度最大值1/2處對應的像素點灰度值進行均衡化，得到整體增強的圖像I2′。

5）將I2′與不同尺度的高斯核函數進行卷積運算，不同平滑圖像S1，S2和S3求取見式（13）。

S1=G1*I2′,S2=G2*I2′,S3=G3*I2′

（13）

式中G1，G2和G3分別是標準差σ1=1.0，σ2=2.0和σ3=4.0的高斯核。

6）通過不同尺度平滑圖像之間相互做差，得到細節D1,中間細節D2和粗細節D3。

D1=I2′-S1,D2=S1-S2,D3=S2-S3

（14）

7）將3個包含不同層次邊緣信息的細節層合并，得到高頻分量見式（15）。

D′=[1-η1×sgn（D1）×D1+η2×D2+η3×D3

（15）

式中η1+η2+η3=1,0.2≤η2≤0.5。通過調節D1中的正、負分量來保持細節間的平衡。

圖2 高頻部分的灰度直方圖對比Fig.2 Gray histogram comparison of image with high frequency

1.4 基于灰狼算法的圖像重構

基于反銳化掩模（Unsharp Masking，UM）算法具有處理簡單，效果明顯的優勢[22]。因此，文章選擇基于反銳化掩模的線性融合方式完成圖像重構，原始的UM處理方法見式（16）。

fout=fin+α·[fin-Lp（fin）]

（16）

式中fout為處理后的圖像；fin為原始圖像；fin-Lp（fin）為將原始圖像與平滑后圖像做差后得到的高頻分量；α為高頻分量的調節因子。

在上述基礎上，利用雙變量合理調整融合參數ω1,ω2，來控制不同的融合效果能有效克服光暈產生，增強細節，處理方式如下所示。

Iout=ω1×I1′+ω2×I2″

（17）

GF[I]=I1,I-GF[I]=I2

（18）

I1′=Enhanced（I1）,I2″=Denoised[I2′]=Denoised[Enhanced（I1）]

（19）

式中Iout為輸出圖像；I為原始圖像；GF[]為引導濾波過程；系數ω1用于控制圖像的整體亮度，系數ω2調節圖像的細節增強程度。

圖3展示不同融合比例系數下圖像的灰度直方圖。固定系數ω2=0.5不變，ω1值越大圖像越亮，但易造成過增強，產生明顯光暈；ω1越小圖像整體較暗，視覺效果差。系數ω2取值過大，容易導致圖像過度銳化、噪聲被放大；ω2越小圖像趨于平滑，細節不足。

圖3 不同融合比例下，圖像的灰度直方圖Fig.3 Image histogram under different fusion coefficients

在實驗過程中，考慮到人工手動設置參數效率低下的問題，文中方法采用灰狼尋優算法[23]完成系數ω1,ω2的自適應選擇，獲取較佳的融合圖像增強效果。灰狼種群內部嚴格的等級制度，保證不同等級間的信息能夠有效地協調和反饋。算法中隨機參數向量以及個體間信息共享，為優化過程中及時更新參數，避免陷入局部最優奠定基礎。與其他優化算法相比，灰狼算法整體結構簡單、參數設置少、編碼易于實現，具有較強的收斂性能和空間搜索能力。參數尋優的具體步驟如下。

將灰狼狩獵時搜索得到最優的3個解依次命名為α,β,δ，其余則命名為γ。灰狼狩獵的行為模式見式（20），式（21）。

（20）

（21）

（22）

2）根據變量的上下界來隨機初始化灰狼個體的位置，即線性融合參數ω1,ω2的初值。利用該參數對增強后的低頻和高頻圖像進行線性融合見式（17），根據適應度函數Fitness評價結果圖像的增強效果，并作為當前目標獵物的適應度值。

（23）

（24）

（25）

5）判斷是否達到最大迭代次數200，若滿足則終止迭代，輸出此時相應的最優參數值ω1,ω2作為線性融合參數的最佳值；否則跳轉至步驟（3）繼續更新，直至最大迭代次數為止。

為了更客觀地評價增強后圖像質量，綜合考慮信息熵（Entropy）和峰值信噪比（Peak Signal to Noise Ratio，PSNR）2個評價指標的加權和作為適應度函數。

Entropy從信息論的角度反映圖像信息的豐富性。熵值越大，圖像的信息越豐富，質量越好，計算見式（26）。

（26）

式中g和G分別為圖像的像素灰度最小值和最大值；X為增強后圖像；p（Xi）為灰度值Xi的像素在圖像中出現的概率。

PSNR是一種衡量圖像質量的指標，定義為信號最大值與背景噪聲間的差值。該值越大，去噪效果越好，計算見式（28）。

（27）

（28）

式中I（i,j）和K（i,j）分別為原始圖像和對比圖像；MSE為原圖像和處理圖像間的均方誤差；H和W分別是圖像的高和寬。

針對同一幅圖像2個評價指標的數值相差較大的問題，選取對方指標數值所占指標數值之和的占比作為加權系數來平衡兩者的影響，達到較好的增強效果。適應度函數Fitness定義見式（29）。

（29）

式中θ1和θ2分別是信息熵和峰值信噪比的值。

2 方法流程

基于引導濾波的多尺度自適應增強方法具體實現步驟如下。

1）通過引導濾波，利用式（4）和（5）將原始圖像分解為低頻和高頻2部分。

2）利用限制對比度的自適應直方圖均衡提高低頻圖像的整體對比度，得到圖像I1′。

3）在梯度域內計算像素點見式（12），得到其分布特點。根據改進的直方圖調整細節層，排除多余的背景干擾，得到整體增強的高頻圖像I2′。

4）采用多尺度的細節增強算法添加高頻分量至I2′中見式（14），拓寬整體的動態范圍。選擇中值濾波抑制圖像中的噪聲，獲得最終高頻圖像I2″。

5）根據式（17）進行基于UM的線性融合。引入灰狼算法，對亮度調節系數和細節增強系數尋優。并構造適應度函數即式（29）評價融合后的最終圖像，取得最優增強效果。算法整體框架如圖4所示。

圖4 方法整體框架Fig.4 Overall framework of the methods

針對文中方法，有證明過程如下。

由上文中引導濾波原理可得出以下關系式

I2=I-I1

式中I,I1,I2意義同前。分別對高頻和低頻分量進行針對性的增強處理，再通過線性融合得到最終結果圖像Iout

Iout=ω1×Enhancced[GF（I）]+ω2×Deennced{Enhancced[I-GF（I）]}

式中Iout為最終結果圖像；I為原始圖像；GF（I）為引導濾波處理部分；ω1,ω2為線性調節因子。構造一個適應度函數Fitness來評價結果圖像。

θ1=Entropy（Iout）,θ2=PSNR（Iout）

式中θ1和θ2分別是結果圖像的信息熵值和峰值信噪比值。灰狼算法根據變量A,C不斷更新個體位置，直至循環結束得到Fitness最大值，此刻對應的ω1,ω2值，即為尋找得到的參數最優值。

3 實驗及分析

為有效驗證文中圖像增強方法性能，以4幅礦井下低質圖像KJ1，KJ2，KJ3和KJ4為例進行增強實驗。采用的編程工具為：Matlab R2016 b。分別從主觀視覺和定性定量的客觀評價指標2個方面將文中方法與5種經典的增強方法進行性能比較，同時完成參數的最優選擇。對比算法及其參數設置如下：引導濾波方法（GF，濾波器參數設置：窗口半徑r=16，正則化參數ε=0.12）、CLAHE（裁剪閾值：clipLimit=0.01）、基于模糊的增強方法（Fuzzy，參數設置：指數型模糊因子Fe=0.8，倒數型模糊因子Fd=125）、Single-scale Retinex（SSR，參數設置：高斯函數的標準偏差σ=100）、Multi-scale Retinex（MSR，參數設置：3個尺度的加權系數為ω1=ω2=ω3=1/3，3個高斯函數的標準偏差分別為σ1=15,σ2=80,σ=200）。

3.1 主觀分析

從圖5可以直觀地看出，原圖像整體較暗且對比度較低，導致人眼觀察圖像輪廓模糊，不利于檢測識別。而采用實驗中的算法均能夠改善圖像視覺效果，增強細節但是各個方法均不能達到理想的增強效果，實驗結果如圖6～11所示。

引導濾波處理后的圖像整體亮度提升不明顯，信息豐富的邊緣區域出現不同程度的模糊。CLAHE會在對比強烈處產生光暈，圖像局部區域有過增強、欠增強現象。并且由于均衡化后圖像灰度級的減少，圖像中的部分區域甚至會發生細節消失。基于模糊集的算法能有效抑制圖像噪聲，但是缺少細節增強措施，圖像整體偏暗，且暗區域的細節難以分辨。SSR算法采用高斯算子估計光照，導致圖像在過渡區出現光暈現象，圖像清晰度不足。MSR算法在局部出現塊效應，圖像包含較多噪聲。而文中方法在一定程度上克服上述增強算法中存在的不足，在增強局部細節信息的同時有效改善整體亮度，更加符合人眼的視覺特征。

圖5 不同場景下的礦井低質圖像Fig.5 Mine low-quality images in different scenarios

圖6 引導濾波算法增強后Fig.6 Enhanced results by Guided Filter

圖7 CLAHE算法增強后Fig.7 Enhanced results by CLAHE

圖8 模糊集算法增強后Fig.8 Enhanced results by Fuzzy enhancement algorithm

圖9 SSR算法增強后Fig.9 Enhanced results by SSR

圖10 MSR算法增強后Fig.10 Enhanced results by MSR

圖11 文中方法增強后Fig.11 Enhanced results by the proposed algorithm

3.2 客觀分析

對不同場景KJ1,KJ2,KJ3和KJ4的線性融合系數ω1,ω2進行尋優，參數尋優值見表1。

表1 參數尋優值

尋優過程中適應度函數值的變化趨勢如圖12所示。實驗設置最大迭代次數為200次，4幅圖像的適應度函數分別在迭代次數為40次、48次、51次和43次時達到收斂。此時，獲得的融合系數值能產生最好的圖像增強效果。

圖12 灰狼算法尋優迭代過程Fig.12 Optimization iteration process of GWO

為更客觀地分析不同算法的增強效果，分別選擇信息熵、峰值信噪比、結構相似度（Structural Similarity，SSIM）和梯度相似度（Gradient Similarity，GSIM）[24]這4種評價指標進行定性和定量的評價，結果見表2～5和如圖13所示。

SSIM充分考慮到人體視覺，從圖像的整體結構失真的角度來評價圖像質量。結構相似度越高，即圖像細節損失越少，信息保留越完整，計算見式（30）。

（30）

式中x，y為進行比較的2幅圖像；μx,μy分別為x和y的均值；σx,σy分別為x和y的標準差；C1和C2是常量，避免當均值接近0時產生波動，通常取C1=（K1L）2，C2=（K2L）2，默認K1=0.01，K2=0.03，L=255。

表2 場景KJ1的客觀評價結果

表3 場景KJ2的客觀評價結果

表4 場景KJ3的客觀評價結果

表5 場景KJ4的客觀評價結果

GSIM根據圖像的梯度特征來評價邊緣的損失情況，進而更好地評價圖像質量。梯度相似度越大，圖像質量越好。在實際應用中，一般選擇平均GSIM（MGSIM）來評價整幅圖像質量。該評價指標包括3個部分，即亮度比較函數、對比度比較函數和清晰度比較函，計算見式（31）。

圖13 不同算法的客觀評價值Fig.13 Objective evaluation values of different algorithms

（31）

式中M×N為圖像大小；l（x,y）,c（x,y）,d（x,y）分別為亮度比較函數，對比度比較函數和清晰度比較函數；α>0,β>0,γ>0，用于調整3個部分的相對重要性，α=β=γ=1。

由表2～5和圖13中數據可知，針對礦井下低質圖像的增強，各算法表現均有優劣。由于引導濾波固定參數ε值，導致算法增強效果不穩定、細節紋理突出不足。該算法僅PSNR值略高于文中方法，其余各項指標普遍較低。CLAHE在處理過程中直接對圖像全局處理，增加背景干擾，放大噪聲，所得PSNR值最低。基于模糊集的增強算法抑噪能力較強，處理后的圖像PSNR值較高。但對圖像的細節提升能力不足，圖像質量提升不明顯。而SSR算法采用對數處理操作壓縮了圖像亮區域的顯示范圍，所以圖像Entropy較低，細節模糊甚至丟失。MSR在SSR的基礎上，以犧牲SSIM和PSNR值來提高圖像中的細節信息量，提升Entropy的同時不可避免的產生多余噪聲。綜合分析，文中方法在4個客觀指標上均有較好的表現，各個指客觀指標值與主觀視覺效果基本保持一致，在豐富細節的同時能夠保持較好的PSNR值。

4 結 論

1）采用引導濾波分解圖像，較好地保留圖像邊緣特征。對高頻和低頻分別采取針對性的處理措施，自適應提高低頻圖像對比度。利用高頻圖像的梯度特點，有效排除無關背景的影響，豐富局部細節信息。通過灰狼算法對自適應的圖像融合策略參數進行尋優，獲得較好的增強效果。

2）將研究提出的方法與5種經典的圖像增強算法進行主觀和客觀兩方面的對比，該方法在主觀視覺與客觀評價指標上保持一致，能夠有效改善圖像質量，提高整體亮度和對比度。對礦井下整體亮度較低，對比度較差和細節信息量不足的問題均有所改善。

3）實驗結果證明，文中方法在豐富圖像細節的同時保持較高的PSNR值，更符合人眼視覺。例如，在場景KJ4中，相較于引導濾波、模糊集和SSR算法，信息熵分別提高3.58%，21.78%，3.33%；相較于CLAHE，SSR和MSR算法，PSNR值分別提高8.05%，15.59%，5.72%。