基于多元重映射的γ 輻射場景圖像增強方法

方琳琳，鄧 豪，張 華，趙俊琴

（1.西南科技大學 信息工程學院 特殊環境機器人技術四川省重點實驗室，四川 綿陽 621010；2.中國空氣動力研究與發展中心 空天技術研究所，四川 綿陽 621000）

0 概述

核能開發、核技術利用、核安全與核廢物處理處置等工程應用常須對強輻射環境進行監測［1-3］。視覺監測最直觀有效，但是核輻射中的γ 射線會對圖像成像過程產生嚴重干擾，使成像圖像存在對比度不足、偏色等視覺退化問題。因此，提高視覺質量是核輻射環境監測的關鍵。

針對場景圖像對比度不足的問題，研究人員從基于直方圖均衡（Histogram Equalization，HE）［4-6］、Retinex［7-9］及深度學習［10-12］等方法入手，探索不同算法在對比度提升中的作用。HE［4］是圖像對比度增強的典型算法，其在圖像全局進行直方圖調整，可能導致圖像局部欠調或過調。自適應直方圖均衡（Adaptive Histogram Equalization，AHE）［5］對圖像局部亮度進行適應性調整，能夠有效解決HE 中整體圖像的欠調或過調，但是局部對比度過高會引起圖像失真，同時放大圖像中的噪聲信息。限制對比度自適應直方圖均衡（Contrast Limited Adaptive Histogram Equalization，CLAHE）［6］能有效解決AHE 算法的圖像局部對比度過高、噪聲像素干擾問題，雙線性插值會導致圖像細節丟失。Retinex［7］理論認為顏色具有恒常性，通過對圖像進行高斯濾波估計光照分量，對分離出的光照分量或反射分量進行增強。基于Retinex 的快速算法（Retinex-Based Fast Algorithm，RBFA）［8］采用Retinex 模型增強圖像亮度，在Retinex模型的基礎上進一步加快算法速度。多尺度Retinex［9］在多個高斯濾波尺度下提取圖像光照分量，對不同光照分量進行增強和融合，以實現低照度圖像增強。基于Retinex 模型的方法主要通過提升圖像亮度實現圖像增強，被廣泛應用于低照度圖像增強中，在圖像對比度提升中性能較差。在深度學習圖像增強中，生成對抗網絡（Generative Adversarial Network，GAN）［10］被用于學習待增強圖像與目標圖像之間的映射關系，采用訓練的模型對圖像進行增強。文獻［11］采用U-Net 網絡對特征金字塔的多個特征分量圖像進行編解碼，同時將卷積與殘差塊相融合以提升網絡對圖像特征的提取和表達能力，融合提取到的多個尺度特征即可獲得增強后圖像。文獻［12］設計深度曲線估計網絡（DCE-Net）訓練并預測圖像像素和亮度的非線性映射曲線，通過該曲線對圖像亮度進行重映射實現圖像增強。此類方法能夠在具有較大數據集的基礎上對低照度圖像進行增強，應用場景廣泛但不具有針對性，在γ 輻射場景中圖像數據受γ 射線影響，成像質量較差且數據有限，無法為深度學習方法提供足夠的數據集，因此，此類方法在γ 輻射場景中應用受限。

針對場景圖像中的偏色問題，研究人員將自動白平衡（Automatic White Balance，AWB）［13-15］方法作為研究起點，積極探索圖像偏色校正的有效途徑。灰度世界先驗［13］認為顏色具有恒常性，基于各顏色通道均值相同這一假設，結合圖像光照估計可實現圖像恢復。傳統AWB 假設成像環境中僅存在1 個照明光源，在復雜光照環境下并不適用，改進AWB［14］對多光源場景下的圖像顏色校正進行探索。與單光源不同，改進AWB 需要估計多個光源白點，并將其作為參考白點校正圖像中的顏色失真。改進AWB 實質上還是基于光源估計對圖像進行顏色校正，而文獻［15］也對混合光場景下的圖像顏色校正進行探索，該方法采用預定義白平衡設置取代傳統AWB 中的光源估計，根據白平衡設置對圖像進行顏色渲染，使圖像顏色分布均勻。AWB 算法的偏色校正效果依賴于參考白點的選取，算法穩定性較差。除AWB 算法以外，研究人員嘗試從不同角度解決成像圖像偏色問題，近年來，光譜衰減分析備受關注［16-18］。文獻［16］基于光在特殊環境中的傳播、反射、折射原理，在偏色圖像中根據各顏色通道與顏色有損失的通道之間差異計算顏色補償分數，通過對各顏色通道進行增強改善整體顏色分布。文獻［17］同樣根據光照傳播模型和光散射原理，將彩色圖像分為投射和非投射圖像，將自適應模擬光照影響加入彩色投射圖像顏色重建中，同時結合顏色通道的非線性重映射，實現圖像顏色的恢復。文獻［18］根據顏色恒常性將圖像中的非均勻光照信息轉換為均勻光照信息，根據光在特定場景下的傳播方式分析圖像偏色特性，參考圖像中顏色分布較均勻的通道對其他通道顏色信息進行恢復，使整體顏色自然。

本文提出基于多元重映射的γ 輻射場景圖像增強方法。針對γ 輻射場景圖像中對比度不足、偏色及局部過響應等問題，采用限制對比度直方圖均衡、顏色分量重映射、分段非線性重映射的多元非線性重映射策略增強圖像質量。

1 實現方法

針對γ 輻射場景圖像中對比度不足、顏色失真等視覺退化問題，本文提出一種基于多元重映射的γ輻射場景圖像增強方法，整體流程如圖1 所示。

圖1 γ 輻射場景圖像增強流程Fig.1 Image enhancement procedure of γ radiation scene

該方法主要包括對比度提升、偏色校正、分段非線性重映射3 個部分。

1）在γ 輻射環境中因CMOS 圖像傳感器滿阱容量持續降低，導致圖像對比度不足，將γ 輻射場景圖像從RGB 色彩空間轉換到YUV 色彩空間，在Y通道利用限制對比度直方圖均衡方法提升圖像對比度，并將對比度增強后的YUV 圖像轉換到RGB 色彩空間。

2）針對γ 輻射環境中由各顏色分量動態范圍不一致引起圖像偏色的問題，采用顏色分量重映射方法調整R、G、B 3 個通道的色度分布，消除γ 輻射場景圖像中的偏色現象。

3）因圖像對比度提升及偏色校正過程中過調導致圖像局部過暗、過亮，采用分段非線性重映射方法對γ 輻射場景圖像Y通道中的亮暗區域亮度進行校正，同時壓縮亮區域。

1.1 對比度提升

CMOS 圖像傳感器受輻照后滿阱容量持續降低的影響，導致成像圖像對比度不足。傳統直方圖均衡導致圖像對比度過調，CLAHE 中分塊對比度增強又容易導致圖像細節損失。因此，本文在全局上采用限制對比度直方圖均衡方法提升γ 輻射場景圖像對比度。圖像對比度不足的主要原因是亮度直方圖分布不均衡，因此，本文僅對亮度圖像進行直方圖重映射，在提升圖像對比度的基礎上最大限度地保留圖像顏色和細節。

將輸入圖像I從RGB 顏色空間轉換到YUV 顏色空間，并取出亮度Y進行調節。對于采樣位數為8的數字圖像，其亮度級k(k?[0,255])的概率密度函數f(k)如式（1）所示：

其中：nk、n分別表示亮度級k的像素數量、像素總數量。限制對比度直方圖均衡方法主要通過對亮度直方圖進行裁剪和重分布實現，如式（2）所示：

其中：fnew為對比度限制后的概率密度分布函數；m為直方圖剪枝后重平均部分；t=0.5·fmax為直方圖限制閾值，fmax表示最大概率密度函數。亮度直方圖經裁剪及重分布后，亮度級l對應的累積分布函數f1(l)及重映射值計算式如下：

1.2 偏色校正

利用限制對比度直方圖均衡方法能顯著提升γ輻射場景圖像對比度，但是該方法無法有效解決γ輻射場景圖像中由顏色分量動態響應不均衡存在的偏色問題，還須對圖像進行偏色校正。顏色分量動態響應不均衡的常規解決思路是采用重映射方法校正顏色分量，一般將線性函數作為重映射描述式，但校正后的圖像中存在整體偏暗或偏亮的問題，與人眼視覺嚴重不符。因此，本文提出基于顏色分量非線性重映射的偏色校正方法。

顏色分量重映射方法通過對輸入圖像各顏色通道進行非線性重映射，以實現圖像偏色校正，其數學描述如式（4）所示：

其中：f(k)為色階k的概率密度函數。傳統偏色校正方法采用線性函數對圖像顏色進行一致性重映射，突出校正后圖像中無意義的顏色細節，而感興趣信息增強不明顯。針對該問題，同時使校正后各顏色色階分布更均勻，在校正過程中采用平方根映射方法，數學描述如式（6）所示：

其中：nk為色階k的像素數量；ssum為圖像中像素總數的替換值。ssum數學描述如式（7）所示：

其中：n0、n1、n255分別表示顏色級為0、1、255 的像素數量。該方法能夠有效改善圖像中各顏色分量動態響應的不均衡，使顏色分布更加均勻。

1.3 分段非線性重映射

限制對比度直方圖均衡和顏色分量重映射解決γ 輻射場景圖像中對比度不足、偏色的問題。但是在上述對比度提升、偏色校正過程中，由于對圖像中亮、暗區域進行相同程度的映射，因此根據韋伯定律［19］，人眼對于視覺信息的最佳感知在各個區域上并不一致，在偏色校正后的圖像存在過響應的問題，嚴重影響圖像視覺質量。為使重映射后圖像質量更佳，本文通過設計符合人眼視覺特性的重映射函數校正圖像局部亮度。圖2 所示為人眼視覺特性曲線和本文提出的分段非線性重映射曲線。

圖2 亮度分布曲線Fig.2 Brightness distribution curve

本文采用分段非線性重映射方法分別對圖像暗區域和亮區域進行不同程度的亮度拉伸，使圖像細節更豐富，其數學表達式如下：

其中：I(l)為亮度級l的非線性重映射結果；Pm為圖像亮度均值；Pd、Pb分別為暗像素、亮像素重映射的數學表達式。Pd和Pb的計算式如式（9）和式（10）所示。本文使用該分段非線性重映射函數對圖像中暗、亮區域進行不同程度的重映射，使增強后的圖像更符合人眼視覺特性，且增強后圖像亮度分布更均勻。

其中：lˉ為圖像亮度的對數均值；Pmax、Pmin為圖像亮度的最大值和最小值；設置常數C=0.000 1 可有效避免對數函數冪為0 的情況；λ為校正系數；（α，β）為λ系數歸一化范圍。為實現亮區域亮度校正，λ取值范圍應為（0，1）。本文通過控制變量實驗確定最佳歸一化范圍為λ?（0.2,0.3），即取α=0.2、β=0.3。

2 實驗與結果分析

為驗證基于多元重映射的γ 輻射場景圖像增強方法的增強效果，本文在真實γ 輻射場景圖像上進行多組對比實驗，同時通過消融實驗確定算法的最佳參數取值。實驗數據均來自Co60 實驗室所獲取的場景圖像，各圖像均由Stereo Labs 公司的ZED 2雙目相機的右側CMOS 圖像傳感器獲取，當采集各圖像時ZED 2 受到的輻射劑量分別為20 Gy/h、20 Gy/h、100 Gy/h、50 Gy/h。

針對γ 輻射環境圖像對比度不足、偏色的問題，本文選取近年來圖像增強領域的代表算法，采用文獻［20-23］及本文所提的圖像增強方法對γ 輻射場景圖像進行增強處理，通過實驗對比分析驗證本文方法的有效性。各方法參數配置均按照其典型實驗予以設置，且均在參數為Intel?CoreTMi5-6200U CPU@2.30 GHz、4 GB 內存的實驗平臺上進行，程序開發平臺Visual Studio 2015@OpenCV 4.2。

僅依靠視覺對比難以準確評估實驗中各算法在γ 輻射場景圖像上的增強效果，因此，本文實驗采用等效圓偏色檢測［24］、改進AME 對比度檢測［25］以及離散熵（Discrete Entropy，DE）圖像細節檢測［26］3 種圖像增強質量評價指標，并將這3 個指標平均數作為衡量γ 輻射場景圖像增強效果的參考值。

等效圓偏色檢測將圖像平均色度與色度中心距之比作為衡量圖像偏色程度的偏色因子，其值越大則偏色程度越嚴重，數學描述如式（11）所示：

其中：C為圖像偏色檢測因子；R表示a-b色度平面上中心點為(da,db)的等效圓半徑，表征圖像色度中心距；D為等效圓中心點到色度平面原點（即a=0，b=0）的距離，表征圖像平均色度；M·N表示圖像大小。

改進AME 對比度衡量指標根據人眼視覺特性及圖像增強機制對圖像中的k1·k2個塊分別計算對比度，將塊對比度平均值作為衡量圖像質量的標準，其值越大表明圖像對比度越強，如式（12）所示：

其中：AAMEc為圖像對比度指標；Imax,i,j、Imin,i,j分別表示中心點為(i,j)的圖像塊中像素最大值和最小值。

DE 根據圖像灰度分布計算，其值越大表明圖像細節信息越多，如式（13）所示：

其中：DDE為圖像細節保留指標；p(i)為圖像的全局歸一化直方圖。將上述3 個指標的平均值作為評價γ輻射場景圖像增強質量的綜合量化指標，如式（14）所示：

其中：Iq為圖像增強的綜合評價指標，其值越大則圖像增強效果越好。

2.1 視覺對比

為清晰對比各算法在γ 輻射場景圖像上的增強效果，本文在真實γ 輻射場景圖像上進行多組對比實驗。各算法在典型數據上的增強效果如圖3～圖6所示（彩色效果見《計算機工程》官網HTML 版）。從圖3～圖6 可以看出，本文方法在典型γ 輻射場景圖像增強中表現最佳，主要從圖像對比度提升和顏色校正2 個方面增強圖像信息。文獻［20］提出的圖像增強方法分別采用CLAHE 和非銳化掩膜增強圖像對比度和細節信息，從圖像增強視覺效果圖3（b）、圖4（b）、圖5（b）和圖6（b）可以看出，文獻［20］方法能夠顯著提升γ 輻射場景圖像對比度，在一定程度上增強圖像細節信息，但是無法解決γ 輻射場景圖像中因顏色分量動態響應不均衡導致偏色。文獻［21］提出基于顏色具有恒常性的自動白平衡策略，在圖像不同顏色通道中采用同一系數確定各顏色權重，受γ 輻射場景中顏色分量動態響應不均衡性的影響，導致單一顏色通道像素異常值增加，采用同一校正系數改善圖像偏色的方法具有一定局限性，且文獻［21］方法對圖像對比度提升無明顯效果。文獻［22］基于Retinex 模型和自引導濾波實現低照度圖像增強，通過Retinex 模型估計光照分量，同時采用迭代自引導濾波細化圖像細節信息，從圖3（d）、圖4（d）、圖5（d）和圖6（d）可以看出，文獻［22］方法在γ 輻射場景圖像增強中表現較差，使用迭代自引導濾波使得圖像變得模糊。文獻［23］方法利用高斯濾波進行圖像亮度分量提取，采用改進對數變換進行圖像亮度分量重映射，從圖3（e）、圖4（e）、圖5（e）和圖6（e）可以看出，使用文獻［23］方法增強后的圖像細節模糊且無法消除圖像偏色。本文方法從圖像對比度提升、偏色校正2 個方面改善圖像質量，采用分段非線性重映射抑制圖像亮、暗像素校正過程中的過響應，進一步增強圖像細節信息。

圖3 γ 輻射場景圖像增強效果對比1Fig.3 Comparison 1 of γ radiation scene image enhancement effects

圖5 γ 輻射場景圖像增強效果對比3Fig.5 Comparison 3 of γ radiation scene image enhancement effects

圖6 γ 輻射場景圖像增強效果對比4Fig.6 Comparison 4 of γ radiation scene image enhancement effects

2.2 量化指標分析

為準確評估各算法在γ 輻射場景圖像增強中的性能，本文在視覺對比基礎上對各算法性能進行量化指標分析，分別采用偏色因子的倒數C-1、對比度指標AMEc、圖像細節保留指標DE 及圖像質量綜合評價指標Iq衡量算法的增強性能。表1 所示為各方法增強圖像的質量評價指標，加粗表示最優數據。

表1 不同方法增強圖像的質量評價指標Table 1 Quality evaluation indicators for image enhancement using different methods

從表1 可以看出，本文方法在典型γ 輻射場景圖像的增強中表現最佳，圖3～圖5 的圖像質量綜合評價指標Iq分別領先第2 名0.748 41、0.405 82、1.118 91，圖6 的質量評價指標Iq領先第2 名0.921 89。文獻［20］方法采用CLAHE 算法提升圖像對比度，同時采用非銳化掩膜增強圖像細節信息，文獻［20］所提的方法在多個對比算法中對比度提升和細節保留效果最好，其對比度指標和細節保留指標與原圖相比均有提升，但增強效果有限且對圖像偏色不敏感，無法有效解決γ 輻射場景圖像中的偏色問題。文獻［21］方法采用偏色校正方法對圖像進行顏色補償時在各顏色通道中采用同一補償系數，γ 輻射場景圖像中單一顏色通道異常像素值比例較高，因此經過顏色校正后的圖像中仍然存在偏色現象，同時該方法無法解決γ 輻射場景圖像對比度不足的問題，因此各項評價指標與原圖相比無明顯優勢。文獻［22］方法將Retinex 理論與迭代自引導濾波模型相結合完成低光照圖像的亮度增強，基于光照估計的增強算法在γ 輻射場景圖像增強中無明顯效果，且自引導濾波使圖像變得模糊，因此其對比度、顏色及圖像細節保留指標均低于原圖。文獻［23］方法通過對亮度圖像對數變換減少非均勻光照對圖像的影響，該方法無法有效改善圖像質量，故其量化評價指標與原圖相比無明顯提升。

2.3 消融實驗

針對圖像中亮、暗區域同等映射存在局部亮度過調問題，本文通過對圖像中亮、暗像素進行分段式重映射，實現局部亮度校正。本文通過對比實驗確定亮區域校正系數取值范圍(α,β)，分別取不同α和β值，根據圖像增強視覺效果和量化指標評價確定參數，視覺效果如圖7 和圖8 所示（彩色效果見《計算機工程》官網HTML 版），參數變化對圖像增強量化指標的影響如表2 所示。

表2 參數變化對圖像增強量化指標的影響Table 2 The impact of parameter changes on image enhancement quantification metrics

圖7 當參數變化時場景1 的圖像增強效果Fig.7 Image enhancement effects of scene 1 when parameters change

圖8 當參數變化時場景2 的圖像增強效果Fig.8 Image enhancement effects of scene 2 when parameters change

從圖7 和圖8 可以看出，僅當α=0.1、β=0.3 和α=0.2、β=0.3 時增強后的圖像不存在失真問題。參數變化對圖像增強量化指標的影響如表2 所示。從表2 可以看出，上述2 組參數的圖像質量綜合評價指標Iq均優于其他參數，但是當α=0.1、β=0.3 時，圖像呈現的整體效果較亮。當α=0.1、β=0.3 時圖像的對比度指標比α=0.2、β=0.3 略低，后者視覺效果和圖像質量綜合評價指標最佳，γ 輻射場景圖像增強效果最佳。當α=0.1、β=0.2 時，λ系數過小導致圖像亮度校正不充分，圖像整體偏白且存在細節損失問題，該參數下圖像顏色指標較優，但是圖像對比度和圖像細節保留指標均較差。當α=0.1、β=0.4 時，圖像整體偏白的問題得到改善，但由于圖像亮度過校正，因此圖像中亮區域細節信息丟失，亮度過校正使圖像對比度指標提升，但是該參數下圖像顏色指標、細節保留指標及綜合質量評價指標較低。當α=0.2、β=0.4 時進一步加劇了圖像銳化程度，故圖像對比度指標增大，但圖像存在細節損失，其他指標較低。當α=0.2、β=0.5 時，圖像銳化程度最嚴重，圖像中亮區域的過度增強使重映射后圖像暗區域更暗，圖像細節嚴重丟失，表2 數據表明其圖像對比度指標最高，但其他指標與其他參數指標相比最低。因此本文選取α=0.2、β=0.3 作為λ系數的范圍。

3 結束語

針對γ 輻射場境下視覺監測圖像對比度不足、圖像偏色的問題，本文提出一種基于多元重映射的γ輻射場景圖像增強方法，該方法包括圖像亮度重映射、圖像色度重映射及分段非線性重映射，從對比度提升、偏色校正和過響應抑制3 個方面完成圖像增強。對多組真實γ 輻射場景圖像增強進行實驗，結果表明，該方法在對比度提升、偏色校正、細節保留各單項指標中均表現最佳，有效解決γ 輻射場景圖像對比度不足、偏色、局部過調等問題。下一步將對γ 輻射場景圖像中的亮斑抑制進行研究，以達到改善圖像視覺質量和豐富圖像細節信息的效果。