基于多尺度局部直方圖均衡化的礦井圖像增強(qiáng)方法

涂毅晗 汪普慶

摘要：針對當(dāng)前常用的直方圖均衡化、基于Retinex理論、基于同態(tài)濾波、基于小波分析等礦井圖像增強(qiáng)方法存在欠增強(qiáng)、過增強(qiáng)等問題，提出了一種基于多尺度局部直方圖均衡化的礦井圖像增強(qiáng)方法。根據(jù) HSI顏色空間圖像的顏色分量（色調(diào)分量、飽和度分量）與亮度分量相互獨(dú)立特性，將礦井低照度 RGB 圖像轉(zhuǎn)換到 HSI 顏色空間；采用雙邊濾波將亮度分量分解為光照圖像和反射圖像；對光照圖像進(jìn)行小、中、大3個尺度分塊，對圖像塊分別進(jìn)行局部直方圖均衡化處理，以提升圖像亮度和對比度；對反射圖像進(jìn)行8方向梯度增強(qiáng)，以豐富圖像的紋理邊緣；將經(jīng)多尺度局部直方圖均衡化的光照圖像和方向梯度增強(qiáng)的反射圖像進(jìn)行Retinex反變換，得到增強(qiáng)的亮度分量，將其與色調(diào)分量和飽和度分量轉(zhuǎn)換至 RGB顏色空間，得到增強(qiáng)的礦井圖像。采用煤礦井下實際監(jiān)控圖像對基于多尺度局部直方圖均衡化的礦井圖像增強(qiáng)方法進(jìn)行實驗驗證，對其增強(qiáng)效果進(jìn)行主客觀評價。結(jié)果表明：該方法與現(xiàn)有圖像增強(qiáng)方法相比，在圖像亮度和對比度方面均有更大的提升，細(xì)節(jié)信息更豐富，信息熵提升7.23%以上，平均梯度均值提升31.6%以上，具有更好的圖像增強(qiáng)效果。

關(guān)鍵詞：礦井監(jiān)控圖像；低照度圖像；圖像增強(qiáng)；雙邊濾波；局部直方圖均衡化；方向梯度算子中圖分類號： TD67??? 文獻(xiàn)標(biāo)志碼： A

Mine image enhancement method based on multi-scale local histogram equalization

TU Yihan， WANG Puqing

（School of Software and Blockchain， Jiangxi University of Applied Science， Nanchang 330100， China）

Abstract： There are problems of under-enhancement and over-enhancement in commonly mine image enhancement methods such as histogram equalization， Retinex theory， homomorphic filtering， wavelet analysis， etc. In order to solve the above problems， a mine image enhancement method based on multi-scale local histogram equalization is proposed. According to the independent features of color components （hue component and saturation component） and brightness component of image in HSI color space， the low-light RGB mine image is converted into the HSI color space. The method uses bilateral filtering to decompose the brightness component into lighted images and reflected images. The method divides the lighting image into small， medium， and large blocks， and performs local histogram equalization on each image block to improve image brightness and contrast. The method performs 8-direction gradient enhancement on the reflected image to enrich the texture edges of the image. The method performs Retinex inverse transformation on the light image after multi-scale local histogram equalization and reflection image after directional gradient enhancement to obtain the enhanced brightness component. Then the brightness， hue and saturation components are transformed into RGB color space to obtain an enhanced mine image. Experimental verification of the mine image enhancement method based on multi-scale local histogram equalization is conducted by using actual monitoring images of coal mines. The enhancementeffect is evaluated subjectively and objectively. The results show that compared with existing image enhancement methods， this method has a greater improvement in image brightness and contrast with richer detail information. The information entropy has increased by over 7.23%， and the mean average gradient has increased by over 31.6%. It has better image enhancement effects.

Key words： mine monitoring images; low-light images; image enhancement; bilateral filtering; local histogram equalization; directional gradient operator

0 引言

礦井環(huán)境中依靠人工照明，監(jiān)控圖像亮度和對比度往往均較低，部分圖像亮度分布不均，近光源處較亮，遠(yuǎn)光源處較暗。因此，礦井圖像增強(qiáng)對實現(xiàn)礦井智能視頻監(jiān)控非常重要[1]。當(dāng)前常用的礦井圖像增強(qiáng)方法主要有直方圖均衡化[2]、基于Retinex理論方法[3]、基于同態(tài)濾波方法[4]、基于小波分析方法[5] 等。直方圖均衡化往往導(dǎo)致局部圖像欠增強(qiáng)和過增強(qiáng)問題。對此，S. F. Tan等[6]對圖像直方圖進(jìn)行閾值分割，再分別進(jìn)行直方圖均衡化處理；D. Singh 等[7] 提出雙平臺直方圖均衡化方法，在進(jìn)行直方圖均衡化之前，以閾值調(diào)整頻次較小和較大的灰度級，具有較好的魯棒性，但會產(chǎn)生部分顏色失真。在基于Retinex理論方法方面，Guo Xiaojie 等[8]采用三通道的最大值對光照圖像進(jìn)行估計，然后采用結(jié)構(gòu)先驗對估計值進(jìn)行優(yōu)化，以增強(qiáng)圖像亮度和對比度，但效果仍有待提升；李曉宇等[9]針對Retinex算法存在的色彩失真和光暈?zāi)：龁栴}，采用自適應(yīng)快速引導(dǎo)濾波將圖像分解為照度分量和反射分量，采用 Sigmoid 函數(shù)對照度分量進(jìn)行均衡化，對反射分量進(jìn)行非線性拉伸，但在亮區(qū)產(chǎn)生過增強(qiáng)問題[10]。基于同態(tài)濾波方法對暗區(qū)的亮度提升不夠，且圖像細(xì)節(jié)容易丟失。對此，邵小強(qiáng)等[11]將經(jīng)同態(tài)高通濾波和同態(tài)低通濾波的礦井圖像加權(quán)融合，并采用對比度受限的直方圖均衡化校正圖像亮度。龔云等[12]針對同態(tài)濾波涉及參數(shù)較多、難以適用于不同礦井圖像的問題，提出基于單一參數(shù)同態(tài)濾波的井下圖像增強(qiáng)方法，對圖像的亮度分量進(jìn)行自適應(yīng) Gamma校正，提高同態(tài)濾波對高光區(qū)和陰影區(qū)的適用性。基于小波分析方法具有多分辨率分析能力，但對邊緣保持和細(xì)節(jié)增強(qiáng)缺乏魯棒性。對此，唐守鋒等[13]將小波變換與基于多尺度引導(dǎo)濾波的Retinex算法結(jié)合，對圖像的高頻分量進(jìn)行小波閾值去噪，對低頻分量進(jìn)行非線性校正以提升亮度。

為了在有效提升礦井圖像亮度和對比度的同時，避免圖像欠增強(qiáng)和過增強(qiáng)，本文在上述研究基礎(chǔ)上，提出了基于多尺度局部直方圖均衡化的礦井圖像增強(qiáng)方法：將礦井低照度圖像由 RGB 顏色空間轉(zhuǎn)換到 HSI 顏色空間，采用雙邊濾波將亮度分量分解為光照圖像和反射圖像，對光照圖像進(jìn)行多尺度分塊并分別進(jìn)行局部直方圖均衡化，對反射圖像進(jìn)行方向梯度增強(qiáng)。實驗結(jié)果驗證了該方法的有效性和實用性。

1 礦井圖像增強(qiáng)方法

基于多尺度局部直方圖均衡化的礦井圖像增強(qiáng)流程如圖1所示。將礦井低照度 RGB 圖像轉(zhuǎn)換到 HSI 顏色空間，得到色調(diào)分量、飽和度分量和亮度分量；采用雙邊濾波對亮度分量進(jìn)行Retinex分解，得到光照圖像和反射圖像；對光照圖像進(jìn)行多尺度劃分，并對劃分出的各圖像塊分別進(jìn)行直方圖均衡化；采用方向梯度算子對反射圖像進(jìn)行邊緣提取，并將提取到的邊緣圖像與反射圖像融合；將增強(qiáng)后的光照圖像和反射圖像進(jìn)行Retinex反變換，得到增強(qiáng)后的亮度分量，并將其聯(lián)合色調(diào)分量和飽和度分量轉(zhuǎn)換至 RGB 顏色空間，生成最終的增強(qiáng)圖像。

1.1 顏色空間轉(zhuǎn)換與Retinex分解

HSI 顏色空間中的亮度分量與色彩信息（色調(diào)分量和飽和度分量）相互獨(dú)立，對亮度分量的處理不會影響顏色成分，因此將礦井 RGB 圖像轉(zhuǎn)換至 HSI 顏色空間更適于圖像處理[14]。二者轉(zhuǎn)換公式為[15]

式中：I，S，H 分別為 HSI 顏色空間的亮度、飽和度、色調(diào)分量；R，G，B 分別為 RGB 顏色空間的紅、綠、藍(lán)三原色分量。

Retinex理論認(rèn)為，圖像顏色不受光照條件的影響，而取決于物體對光照的反射特性，因此，可將圖像看作是光照與物體對光照的反射相互作用的結(jié)果[16]，即

式中：L 為光照圖像； F 為反射圖像。

為了簡化計算和方便提取反射圖像 F，將式（5）轉(zhuǎn)換到對數(shù)域，即

光照圖像 L 可用濾波器f進(jìn)行估計：

對式（6）進(jìn)行恒等變換，得到反射圖像：

傳統(tǒng)的Retinex算法采用高斯濾波估計光照圖像，但高斯濾波的各向同性難以表示圖像的邊緣信息。雙邊濾波能自動識別圖像的平滑區(qū)域和細(xì)節(jié)區(qū)域，能更有效地保持圖像的紋理邊緣信息，使后續(xù)的圖像增強(qiáng)效果更優(yōu)。令gi為亮度分量圖像中像素i的灰度，Ni（d）為以像素i為中心、大小為 d×d 的鄰域，則雙邊濾波定義為[17]

式中 W（i，j）為加權(quán)系數(shù)，由基于空間鄰近測度的權(quán)值和基于像素相似測度的權(quán)值組成。

式中：Di，j 為像素i和像素 j 的空間距離；σd，σr 分別為鄰域像素在空間距離上的標(biāo)準(zhǔn)差和在灰度上的標(biāo)準(zhǔn)差。

高斯濾波與雙邊濾波效果對比如圖2所示。可看出高斯濾波能平滑圖像的邊緣，而雙邊濾波能自動識別平滑區(qū)域和細(xì)節(jié)區(qū)域，實現(xiàn)平滑區(qū)域平滑處理和細(xì)節(jié)區(qū)域邊緣保持的雙重目標(biāo)。

1.2 多尺度局部直方圖均衡化

直接對圖像進(jìn)行直方圖均衡化會合并部分頻次較小的灰度級，而過度放大頻次較大的灰度級，導(dǎo)致圖像欠增強(qiáng)和過增強(qiáng)現(xiàn)象[18]。因此，提出多尺度局部直方圖均衡化方法，對光照圖像進(jìn)行22k（k 為分解尺度）等分，然后分別進(jìn)行直方圖均衡化。參考文獻(xiàn)[19]中多尺度小波分解思想，采用小、中、大3個尺度對圖像進(jìn)行劃分，即 k=2，1，0，分別代表小、中、大尺度。這3個尺度足以表達(dá)圖像的局部與全局特征，尺度過多，對增強(qiáng)效果的提升很微小，但會指數(shù)級地增加計算復(fù)雜度，尺度過少則不足以表達(dá)圖像的細(xì)微特征。

假設(shè)光照圖像為 n 位圖像，共有2n 個灰度級，多尺度局部直方圖均衡化方法步驟如下。

1）對光照圖像 L 進(jìn)行24等分，得到圖像塊 L1t（t=1，2，…，24），對 L1t 進(jìn)行直方圖均衡化。

獲取圖像塊 L1t 的直方圖：

式中 sum（L1t ＝r）為統(tǒng)計圖像塊 L1t 中灰度級為 r 的像素頻次。

對直方圖 h1t 進(jìn)行歸一化和均衡化：

式中：h1（′）t為 L1t 的直方圖歸一化結(jié)果；s1t 為 L1t 的直方圖均衡化結(jié)果。

根據(jù) s1t 進(jìn)行灰度級映射，得到增強(qiáng)圖像塊：

式中 round（·）為四舍五入取整函數(shù)。

2）將上述增強(qiáng)的光照圖像進(jìn)行22等分，得到圖像塊 L2t（t=1，2，3，4），對 L2t 進(jìn)行直方圖均衡化。

獲取圖像塊 L2t 的直方圖：

對直方圖 h2t 進(jìn)行歸一化和均衡化，得

式中：h2（′）t為 L2t 的直方圖歸一化結(jié)果；s1t 為 L2t 的直方圖均衡化結(jié)果。

根據(jù) s2t 進(jìn)行灰度級映射，得到增強(qiáng)圖像塊：

3）對上述局部直方圖均衡化的光照圖像進(jìn)行全局直方圖均衡化，得到多尺度局部直方圖均衡化的增強(qiáng)光照圖像 Le。

對圖像進(jìn)行上述逐尺度的直方圖均衡化操作，能夠保護(hù)頻次較小的灰度級不被合并，且對其進(jìn)行灰度級空間的拉伸，同時對頻次較大的灰度級進(jìn)行控制，避免產(chǎn)生過增強(qiáng)和噪聲放大。

1.3 方向梯度增強(qiáng)

井下光照不足，導(dǎo)致圖像照度低，且部分暗處的細(xì)節(jié)信息不能正常獲取。為了進(jìn)一步提升圖像對比度，豐富圖像的紋理細(xì)節(jié)，提出8方向梯度算子，如圖3所示，可基本識別和表示圖像中所有的紋理方向。

分別用8個方向的梯度算子提取反射圖像 F 的方向梯度，然后求其均值梯度，并與反射圖像 F 融合，得到細(xì)節(jié)增強(qiáng)的反射圖像 Fe。

式中：?為卷積運(yùn)算符號；Om 為方向梯度算子，m=1，2，…，8，分別代表0，45，90，135，180，225，270，315°方向。

將經(jīng)多尺度局部直方圖均衡化的光照圖像 Le 和經(jīng)方向梯度增強(qiáng)的反射圖像 Fe 轉(zhuǎn)換到對數(shù)域并進(jìn)行Retinex反變換，得到增強(qiáng)的亮度分量Ie。

將Ie與色調(diào)分量 H、飽和度分量 S 轉(zhuǎn)換至 RGB 顏色空間，得到增強(qiáng)礦井圖像。

2 實驗與結(jié)果分析

為了驗證本文方法的有效性和實用性，采用本文方法對礦井圖像進(jìn)行增強(qiáng)，并與文獻(xiàn)[6]、文獻(xiàn)[8]、文獻(xiàn)[12]和文獻(xiàn)[13]方法進(jìn)行對比。實驗硬件為 Intel（R）Core（TM）i9?10900 CPU 和16 GiB 內(nèi)存，軟件為 Windows 10和Matlab 2021a。以煤礦井下實際監(jiān)控圖像（圖4）為素材，根據(jù)增強(qiáng)圖像的視覺效果（亮度、對比度和清晰度）進(jìn)行主觀評價，以信息熵[20]和平均梯度[21]為指標(biāo)進(jìn)行客觀評價。

式中：e 為圖像的信息熵；PJ 為像素取值為 J的概率； Ag 為圖像的平均梯度；l1，l2分別為圖像的高度和寬度；Ac，x，Ac，y分別為通道圖像 c 在 x 方向（水平方向）和 y 方向（垂直方向）的梯度。

信息熵度量圖像的有效信息量，信息熵越大，表示圖像的細(xì)節(jié)信息越豐富；平均梯度度量圖像的局部灰度變化，平均梯度越大，表示局部灰度變化越大，圖像的對比度越高。

2.1 主觀評價

不同方法對礦井低照度圖像的增強(qiáng)效果如圖5所示。可看出各方法均能在一定程度上改善礦井圖像的視覺效果，提升圖像的亮度、對比度和清晰度。文獻(xiàn)[6]方法對直方圖均衡化進(jìn)行了改進(jìn)，但經(jīng)該方法增強(qiáng)的圖像強(qiáng)光部分仍產(chǎn)生過增強(qiáng)現(xiàn)象，部分暗處的細(xì)節(jié)信息未能清晰顯示。經(jīng)文獻(xiàn)[8]方法增強(qiáng)的圖像亮度不足，隱藏于暗處的部分細(xì)節(jié)信息未正常顯示，同時出現(xiàn)顏色失真，色彩偏淡。文獻(xiàn)[12]方法的圖像增強(qiáng)效果相對較好，圖像保真度較高，但個別區(qū)域的光照分布依然不均。經(jīng)文獻(xiàn)[13]方法增強(qiáng)的圖像亮度較暗，對比度稍低，部分細(xì)節(jié)出現(xiàn)輕微的模糊現(xiàn)象。而本文方法一方面借助 HSI 顏色空間的顏色信息與亮度分量的獨(dú)立性來保持圖像顏色信息不變，另一方面通過小、中、大3個尺度的局部直方圖均衡化提升圖像亮度和對比度，通過方向梯度增強(qiáng)圖像細(xì)節(jié)信息，使得增強(qiáng)圖像亮度充足，避免了過增強(qiáng)問題，且隱藏于暗處的圖像信息得以正常顯示，對比度較高，細(xì)節(jié)信息較豐富。

2.2 客觀評價

經(jīng)不同方法增強(qiáng)的礦井低照度圖像信息熵和平均梯度分別見表1和表2。

從表1可看出，經(jīng)不同方法增強(qiáng)的礦井圖像的信息熵均有所提升。經(jīng)文獻(xiàn)[6]方法增強(qiáng)的圖像信息熵稍低，與該方法產(chǎn)生過增強(qiáng)、破壞部分圖像信息相對應(yīng)。經(jīng)文獻(xiàn)[8]和文獻(xiàn)[13]方法增強(qiáng)的圖像信息熵大致相同，均因亮度不足限制了信息熵的提高。經(jīng)文獻(xiàn)[12]方法增強(qiáng)的圖像信息熵相對較高，增強(qiáng)圖像的細(xì)節(jié)信息較豐富。經(jīng)本文方法增強(qiáng)的圖像信息熵較其他方法高，其中較文獻(xiàn)[12]方法高7.23%，驗證了本文方法能顯著提升圖像的有效信息量。

從表2可知，經(jīng)不同方法增強(qiáng)的礦井圖像平均梯度均有所提高。其中經(jīng)文獻(xiàn)[13]方法增強(qiáng)的圖像平均梯度提升最小，結(jié)合圖5可知該方法的增強(qiáng)圖像亮度不足，且圖像存在模糊問題，因此對比度較低。經(jīng)本文方法增強(qiáng)的圖像平均梯度提升最大，平均梯度均值較其他方法高31.6%以上，驗證了本文方法可顯著提升圖像對比度和清晰度。

3 結(jié)論

1）基于多尺度局部直方圖均衡化的礦井圖像增強(qiáng)方法充分利用 HSI 顏色空間中顏色分量與亮度分量相互獨(dú)立的特性，將亮度分量分解為光照圖像和反射圖像，分別對其進(jìn)行多尺度局部直方圖均衡化和多方向的梯度增強(qiáng)。

2）實驗結(jié)果表明，該方法可在避免圖像欠增強(qiáng)和過增強(qiáng)的同時，有效提升圖像的亮度和對比度，豐富圖像的細(xì)節(jié)信息，較現(xiàn)有圖像增強(qiáng)方法具有更優(yōu)的增強(qiáng)效果。

參考文獻(xiàn)（References）：

[1] 程德強(qiáng)，鄭珍，姜海龍.一種煤礦井下圖像增強(qiáng)算法[J].工礦自動化，2015，41（12）：31-34.

CHENG Deqiang，ZHENG Zhen，JIANG Hailong. An image? enhancement? algorithm? for? coal? mineunderground[J]. Industry and Mine Automation，2015，41（12）：31-34.

[2] CHENG Hong，LONG Wei，LI Yanan，et al. Two low illuminance image enhancement algorithms based on grey level mapping[J]. Multimedia Tools and Applications，2021，80（5）：1-24.

[3] GU Zhihao，LI Fang，F(xiàn)ANG Faming，et al. A novel Retinex-based fractional-order variational model for images with severely low light[J]. IEEE Transactions on Image Processing，2019，29：3239-3253.

[4] YUGANDER P，TEJASWINI C H，MEENAKSHI J. MR image enhancement using adaptive weighted mean filtering and homomorphic filtering[J]. Procedia Computer Science，2020，167：677-685.

[5] 范凌云，梁修榮.基于小波分解子帶直方圖匹配的礦井視頻圖像增強(qiáng)方法[J].金屬礦山，2016（6）：130-133.

FAN Lingyun，LIANG Xiurong. Mine video images enhancement method based on the histogram matching method of the sub-bands of wavelet transform[J]. Metal Mine，2016（6）：130-133.

[6] TAN S F，MAT ISA N A. Exposure based multi- histogram equalization contrast enhancement for non- uniform illumination images[J]. IEEE Access，2019，7：70842-70861.

[7] SINGH D，KUMAR S. Infrared image enhancement using differential evolution based on double plateau histogram equalization[J]. Soft Computing for Problem Solving，2021，1392：757-770.

[8] GUO Xiaojie，LI Yu，LING Haibin. LIME：low-light image enhancement via illumination map estimation[J]. IEEE Transactions on Image Processing，2017，26（2）：982-993.

[9] 李曉宇，呂進(jìn)來，郝曉麗.一種改進(jìn)的Retinex礦井圖像增強(qiáng)算法[J].科學(xué)技術(shù)與工程，2020，20（29）：12028-12034.

LI Xiaoyu，LYU Jinlai，HAO Xiaoli. An improved enhancement algorithm of mine image based on Retinex[J]. Science Technology and Engineering，2020，20（29）：12028-12034.

[10] GUO Yanhui，KE Xue，MA Jie，et al. A pipeline neural network for low-light image enhancement[J]. IEEE Access，2019，7：13737-13744.

[11] 邵小強(qiáng)，楊濤，衛(wèi)晉陽，等.改進(jìn)同態(tài)濾波的礦井監(jiān)控視頻圖像增強(qiáng)算法[J].西安科技大學(xué)學(xué)報，2022，42（6）：1205-1213.

SHAO Xiaoqiang，YANG Tao，WEI Jinyang，et al. Image enhancement algorithm of mine surveillance video using improved homomorphic filtering[J]. Journalof Xi'an University of Science and Technology，2022，42（6）：1205-1213.

[12] 龔云，頡昕宇.一種改進(jìn)同態(tài)濾波的井下圖像增強(qiáng)算法[J/OL].煤炭科學(xué)技術(shù)：1-8[2023-01-03]. https：//doi. org/10.13199/j.cnki.cst.2021-0774. DOI：10.13199/j.cnki. cst.2021-0774.

GONG Yun， XIE Xinyu. A downhole image enhancement? algorithm? based? on? improved homomorphic filtering[J/OL]. Coal Science and Technology：1-8[2023-01-03]. https：//doi.org/10.13199/j. cnki.cst.2021-0774. DOI：10.13199/j.cnki.cst.2021-0774.

[13] 唐守鋒，史可，仝光明，等.一種礦井低照度圖像增強(qiáng)算法[J].工礦自動化，2021，47（10）：32-36.

TANG Shoufeng，SHI Ke，TONG Guangming，et al. A mine low illumination image enhancement algorithm[J]. Industry and Mine Automation，2021，47（10）：32-36.

[14] KAMIYAMA M，TAGUCHI A. HSI color space with same gamut of RGB color space[J]. IEICE Transactions on Fundamentals of Electronics，Communications and Computer Sciences，2017，E100-A（1）：341-344.

[15] KAMIYAMA M， TAGUCHI A. Color conversion formula with saturation correction from HSI color space to RGB color space[J]. IEICE Transactions on Fundamentals of Electronics ，Communications and Computer Sciences，2021，E104-A（7）：1000-1005.

[16] JOBSON D，RAHMAN Z，WOODELL G. Properties and performance of a center/surround retinex[J]. IEEE Transactions on Image Processing，1997，6（3）：451-462.

[17] CHEN Bohao， TSENG Y S，YIN Jiali. Gaussian- adaptive bilateral filter[J]. IEEE Signal Processing Letters，2020，27：1670-1674.

[18] KRISHNA G，ARUNITA D，SWARNAJIT R，et al. Histogram? equalization variants? as optimization problems： a review[J]. Archives of Computational Methods in Engineering，2021，28（3）：1471-1496.

[19] KAR M，RAVICHANDRAN G，ELANGOVAN P， et al. Analysis of diagnostic features from fundus image using multiscale wavelet decomposition[J]. ICIC Express Letters，2019，10（2）：175-184.

[20] CHEN Jiayi，ZHAN Yinwei，CAO Huiying. Adaptive sequentially weighted median filter for image highly corrupted by impulse noise[J]. IEEE Access，2019，7：158545-158556.

[21] 喬佳偉，賈運(yùn)紅. Retinex算法在煤礦井下圖像增強(qiáng)的應(yīng)用研究[J].煤炭技術(shù)，2022，41（3）：193-195.

QIAO Jiawei，JIA Yunhong. Research on application of Retinex algorithm in image enhancement in coal mine[J]. Coal Technology，2022，41（3）：193-195.