基于通道拉伸和改進MSR的蝸輪副接觸斑點圖像增強算法*

鄭 永,顏 冬,陳 艷,劉堯平,張天恒

(1.重慶理工大學 時柵傳感及先進檢測技術重慶市重點實驗室,重慶 400054;2.重慶理工大學 機械工程學院,重慶 400054;3.重慶理工大學 機械檢測技術與裝備教育部工程研究中心,重慶 400054;4.重慶理工大學 電氣與電子工程學院,重慶 400054)

0 引 言

蝸輪副接觸斑點是蝸輪蝸桿精度判斷的指標之一[1],可以通過其面積、分布位置等信息判斷蝸輪蝸桿的嚙合是否合格,蝸輪蝸桿裝配時是否有安裝誤差[2],以及蝸輪加工時蝸輪精滾刀是否出現誤差[3]等。

作為傳統的檢測方法,目測法具有主觀性強、效率低等缺點。目前,機器視覺技術較為完善,它不僅克服了目測的缺點,還可做出更為快速、準確的檢測判斷。由于受涂色法中紅鉛粉、蝸輪齒面的反射性質以及低光強的影響,攝像頭所采集到的圖像整體亮度較低、對比度低,導致圖像檢測結果不夠理想,所以需使用圖像增強技術,對圖像的亮度、對比度等信息進行增強,使處理后的圖片更加符合視覺要求,擁有更好的圖像質量和特征。

圖像特征增強算法主要有小波變換算法[4]、直方圖均衡化[5]、Retinex模型[6]等。其中,Retinex模型增強效果明顯,它可以根據顏色恒常性的特點,對入射分量和反射分量進行分離,從而獲得物體的特征[7]。目前,已有單尺度Retinex、多尺度Retinex等多種改進Retinex算法。

任斌[8]根據Retinex的顏色恒常性的特點,對圖像進行了增強;但這樣的方法可能會導致光暈效應的產生。魏赟等人[9]基于快速亮通道雙邊濾波器的Retinex圖像增強算法,使用多層亮度先驗算法,對亮度進行了增強,再用多尺度的高斯濾波進行了圖像細節提升,避免了光暈效應的產生;但同時可能會出現增強過度或者增強不足等問題。張立亞等人[10]提出了在色調、飽和度和明度(hue,saturation,and value,HSV)空間變換條件下,用傳統雙邊濾波的方法改進Retinex算法,即先對亮度分量進行增強,再對飽和度分量進行校正;該方法增強了圖像的細節保持能力,抑制了圖像光暈、邊緣模糊現象,但可能會導致圖像顏色的失真。

上述研究結果表明:利用傳統雙邊濾波改進Retinex的算法具有較強的細節保持能力,解決了增強算法常見的圖像光暈、邊緣模糊等缺點;但有可能會導致圖像的顏色失真。

因此,筆者提出一種基于通道拉伸和改進多尺度Retinex的蝸輪副接觸斑點圖像增強算法。首先,對HSV顏色空間的飽和度和亮度通道進行拉伸,增加其飽和度和亮度,避免在圖像細節增強過程中出現顏色失真;同時,為避免丟失邊緣等細節數據,提出改進的MSR算法,使用自適應權重雙邊濾波替換高斯濾波,并使用tanh函數替換對數函數;最后,使用伽馬校正算法進一步調整圖像亮度,改善圖像的質量和特征信息。

1 基本理論

1.1 圖像特征

圖像特征是一幅圖區別于另一幅圖的基本信息,常用于識別圖像的內容。它一般分為表面特征和統計特征。表面特征一般分為物體的顏色、紋理、形狀、空間位置、亮度等。統計特征也可以認為是數據特征,指圖像數值之間的關系,例如均值、標準差以及熵等數據分布關系。

圖像特征的好壞會影響圖像特征提取效果的好壞,最終會影響后續圖像處理效果的好壞。

1.2 Retinex算法

Retinex算法的理論基礎是三色理論和和顏色恒常性[11]:即物體的顏色是由物體對長波(紅色)、中波(綠色)、短波(藍色)光線的反射能力來決定的,而不是由反射光強度的絕對值來決定的;物體的色彩不受光照非均勻性的影響,具有一致性,即Retinex是以色感一致性(顏色恒常性)為基礎的。

Retinex的反射模型如圖1所示[12]。

圖1 Retinex反射原理圖

根據Retinex理論,攝像頭所獲取圖片為入射光圖像與反射物體圖像相乘[13],可得下式:

I(x,y)=L(x,y)×R(x,y)

(1)

式中:I為相機所獲得的圖片;L為入射光圖片;R為反射物體的圖片。

入射光是一種低頻量,反射圖像是高頻量。因此,可以通過低通濾波的方式獲得L(x,y):

L(x,y)=I(x,y)*F

(2)

式中:F通常為高斯函數。

在實際計算中,為了消去入射光圖片,得到反射物體圖片,學者們會將圖像轉換到對數域進行處理,其表達式為:

logR(x,y)=logI(x,y)-log[I(x,y)*F]

(3)

式中:*為卷積符號。

上述算法為單尺度Retinex算法(single scale Retinex,SSR)。由于SSR具有高斯中心環繞函數的特點,增強后的圖片不能在保持圖像的高保真度的同時,對圖像動態范圍進行壓縮。

為此,學者們后續分別提出了多尺度Retinex[14]和帶色彩恢復的Retinex[15],對Retinex算法進行不斷完善,在提高圖像細節的同時,又保持了其顏色的保真度。

2 算法設計

基于傳統雙邊濾波的Retinex雖然在一定程度上解決了單尺度Retinex和多尺度Retinex的過度增強、顏色失真以及細節模糊等缺點,但在圖像增強過程中,其顏色失真和細節模糊問題可能依然存在。

針對這些問題,筆者提出了基于HSV通道拉伸和改進多尺度Retinex的蝸輪副接觸斑點增強算法。

算法流程如圖2所示。

圖2 圖像增強算法流程圖

該算法主要分為3個部分:

1)HSV通道拉伸,增強圖像的飽和度和亮度,避免基于雙邊濾波改進MSR算法對圖像進行增強后,出現顏色失真;

2)多尺度Retinex(MSR)算法改進,也可以稱為MSR算法融合,即將自適應權重雙邊濾波與其融合,提高算法的細節保留能力;tanh函數與其融合,避免對數函數出現數據丟失的問題;

3)使用自適應伽馬校正算法對圖像亮度進一步改善,以增加圖像的質量。

2.1 HSV通道拉伸

物體的顏色由物體表面物質的反射性質和光源共同決定。涂色法用的是紅丹粉,其主要成分是四氧化三鉛,使用時需混合機油,將其涂在金屬表面,使其呈橙紅色,嚙合后蝸輪接觸斑點邊緣呈淡橙紅色,而且圖像整體對比度較低。

由于在低亮度的環境下,圖像整體顏色較暗,筆者直接使用基于雙邊濾波改進的MSR算法對圖像進行增強。

原圖和雙邊濾波改進MSR增強對比圖,如圖3所示。

圖3 原圖和雙邊濾波改進MSR增強對比圖

由圖3可知:圖3(b)中出現了顏色失真,其原因是在圖像增強過程中,出現飽和度和亮度比例失調的問題,導致HSV圖像轉換為RGB圖像[16]時會出現R、G、B這3個通道不均勻的情況[17],從而導致圖像出現偏色、光暈、顏色失真等問題[18]。

因此,筆者先對其亮度和飽和度通道進行拉伸,其表達式為:

(4)

式中:vari(x,y)是圖像中S分量值;Min()為最小值函數;Max()為最大值函數;dst(x,y)為拉伸后的值。

筆者采用通道拉伸處理方式,先調整圖像的飽和度和對比度,提高圖像的鮮艷程度,避免增強過程中摻入過多白光,從而導致圖像的亮度和顏色飽和度比例不合理[19],轉換到R、G、B這3個通道時不均勻,最終出現顏色失真的情況。

2.2 MSR算法融合

2.2.1 自適應權重雙邊濾波與MSR融合

在SSR的基礎上進行改良可得到MSR。MSR的優點是可以保持圖像高保真度,并對圖像的動態范圍進行壓縮[20]。

傳統的MSR使用高斯濾波[21]作為中心環繞函數,其表達式為:

(5)

由式(2)可得光照圖像,然后通過式(5)可知:高斯濾波最大的不足是僅考慮了圖像空間的相關性,而忽略了像素域的相關性,從而不能有效地保持圖像的細節并對光照做出準確的判斷[22],導致增強后的圖像存在對比度不強、顏色失真、部分邊緣信息丟失等問題。

然而,筆者對接觸斑點圖片增強的目標是提高對斑點信息提取的準確度。因此,有效保留圖像細節信息至關重要。

在常見的濾波方式中,雙邊濾波以邊緣保持能力強而著稱。定義雙邊濾波為[23]:

(6)

式中:f(x,y)為雙邊濾波后的圖像;I(x,y)為原始圖像;s(i,j)為(i,j)為中心的(2N+1)2范圍的圖像域;W(x,y)為空間域和像素域的權值乘積。

W(x,y)公式如下:

(7)

(8)

W(x,y)=Ws×Wr

(9)

式中:σs為空域標準差;(x-k)+(y-l)為點(x,y)到點(y,l)的空間距離;σr為像素域標準差;f(x,y)-f(k,l)為(2N+1)2范圍內每個像素值與中心點像素值之差;Ws為空間距離權重系數;Wr為像素域權重系數。

由式(9)可得:雙邊濾波綜合考慮了距離和色彩的權重,既能有效過濾噪聲,又能較好地保護邊緣信息。但是,其中Ws本質上就是一個高斯函數,它對任何相同大小的區域都是一樣;而Wr不一樣,它對于平滑區域,其σr較小;對于邊緣等細節區域,σr較大,Wr具有細節敏感性[24]。

因此,在平滑地區和邊緣區域,不能把雙邊濾波中Ws和Wr在總權重比中的占比視為等同,這樣會導致圖像增強后缺乏魯棒性,需要體現出差異,來提升細節保持能力。

因此,權重W(x,y)為:

W(x,y)=βWr+(1-β)Ws

(10)

其中,由下式計算得到變量β,即:

(11)

式中:Information(I)為當前窗口的信息熵;Information(N)為圖像的信息熵。

信息熵代表一個圖像或圖像區域細節信息的豐富程度[25]。平滑區域的信息熵較小,對應β很小,因此,空間距離權重在總權重中占比大;而在細節區域,對應β較大,像素域權重在總權重中占比大。

改進后的雙邊濾波充分展現出不同區域的權重自適應,能夠提高雙邊濾波的細節保持能力。

2.2.2 tanh函數與MSR融合

由雙邊濾波替代高斯濾波作為中心環繞函數,可以提高MSR的細節保留能力。但是,傳統的MSR算法卻采用取對數的方法來分離出物體圖像。根據對數函數的定義域和值域的特點,筆者需要在取對數前,進行零替換或者轉化到對數域,然后進行加一處理。

加一處理表達式如下:

(12)

上述的2種轉化方式可以避免定義域出現零值的情況;但是會導致部分細節數據的丟失,從而破壞圖像數據的完整性。

為了避免數據的丟失,筆者采用tanh[26]函數代替log函數,tanh函數表達式為:

(13)

tanh函數的曲線與式(12)處理后的對數曲線如圖4所示。

圖4 tanh函數的曲線與log函數曲線圖

由圖4可知:2條曲線非常接近;同時,tanh具有更好的特性,如光滑性和動態壓縮能力等。

為了驗證融合后MSR圖像的有效性,筆者分別采用傳統雙邊濾波改進的MSR,以及所提算法處理圖像,然后對比它們的灰度分布頻率。

雙邊濾波改進Retinex和所提算法直方圖對比圖結果,如圖5所示。

圖5 雙邊濾波改進Retinex和所提算法直方圖對比圖

從圖5可知:筆者所提的融合MSR算法處理后的直方圖跨度最大,證明其有較大的對比度;而且其直方圖主要分布在灰度值比較大的位置,說明了在亮度的增強能力方面,該方法強于傳統雙邊濾波改進的MSR算法。

2.2.3 融合Retinex流程圖

融合Retinex流程圖如圖6所示。

圖6 融合Retinex算法流程

2.3 伽馬增強

為進一步提高圖像質量,筆者提取出HSV顏色空間中的亮度分量,進行伽馬變換[27],以改善圖像的亮度。

伽馬變換表達式為:

V(x,y)=C×V(x,y)γ

(14)

式中:V(x,y)為原圖亮度分量;C為灰度縮放系數,取1;γ為伽馬校正因子。

為達到在不同位置γ會自適應調節的目的,筆者使用文獻[9]1944-1949的算法調節方式,其表達式如下:

(15)

式中:Vmin(x,y)為亮度通道最小值;Vmax(x,y)為亮度通道最大值。

筆者經過式(15)計算,得到γ分布在0～1的范圍。最后,結合經過通道拉伸的S通道,可以起到自適應調節亮度的作用,使圖像質量更好、特征更明顯。

3 實驗及結果分析

為了驗證基于通道拉伸和改進多尺度Retinex算法的有效性,筆者取一組低光強的蝸輪副接觸斑點圖片,利用該算法與MSR、基于雙邊濾波改進的MSR,從主觀評價和客觀評價2個方面分別進行實驗驗證和結果對比分析。

3.1 主觀評價

主觀評價是從亮度和對比度2個方面進行比較。

由圖像的亮度可以直觀地發現,基于通道拉伸和改進多尺度Retinex的蝸輪副接觸斑點圖像增強算法與MSR、基于傳統的雙邊濾波改進的MSR和原圖的亮度對比圖,如圖7所示。

圖7 亮度對比圖

由圖7可知:原圖的整體亮度較低,通過各個算法增強后,其亮度都有所改善。

采用MSR算法后,亮度增強過度,導致圖像出現了光暈和顏色失真的問題;采用基于傳統雙邊濾波改進的MSR后,解決了MSR產生光暈的問題,由于增強后圖像在R、G、B這3個通道有輕微的不均勻問題,圖片依然出現了顏色失真;而相比于其他算法,筆者所提算法在亮度、適宜程度和圖片的自然程度上,更有優勢。

圖像的對比度是指圖像暗與亮的落差值,灰度圖表現為灰度值的反差,可以利用sobel算子檢測邊緣的原理[28]去檢查灰度值的變化,從而表明圖像對比度。

sobel邊緣檢測對比圖如圖8所示。

圖8 sobel邊緣檢測對比圖

由圖8可知:利用sobel算子檢查原圖的灰度值,其變化位置少,而且較淺,說明了原圖對比度較低。

經過了各種算法的增強后,筆者檢查出圖像的灰度值變化位置增加,該位置的明亮程度也有所增加。相比于其他2種算法,筆者所提算法的檢查效果最強,表明了這個圖像的對比度最大。

3.2 客觀評價

此處,筆者將均值[29]、標準差[30]、信息熵[31]、對比度[32]等客觀指標作為圖像增強的判斷依據[33]。均值可描述圖像的亮度,均值越大,圖像越亮;標準差可描述灰度值與灰度均值的離散程度,值越大,說明灰度級分布越廣,反映的圖像信息越多;信息熵反映了圖像中各像素點的分布復雜情況,是評價圖像質量的重要指標,信息熵越大,說明圖像的細節表達越好[34]。

以上各類客觀數據的對比表如表1所示。

由表1數據可知:原圖的均值、標準差、對比度和信息熵都較低;采用傳統的MSR算法時,由于出現了顏色失真和亮度增強過度的情況,均值過大,表明了增強后的圖像出現均值增強過度的問題;基于傳統雙邊濾波改進MSR的各個數據都有所增加。

相比而言,采用基于通道拉伸和改進多尺度Retinex的蝸輪副接觸斑點圖像增強算法,在保持圖像質量的同時,亮度和對比度增強效果是最好的;與原圖的均值、標準差、信息熵、對比度相比,其分別提高了48.3%、61.6%、7.1%、91.3%。

以上從客觀的角度證明了該算法具有有效性和較強的魯棒性,進而表明了增強后的圖片具有更好的圖像特征。

4 結束語

筆者提出了一種基于通道拉伸和改進多尺度Retinex的蝸輪副接觸斑點圖像增強算法。

首先,對HSV顏色空間的飽和度和亮度通道進行了拉伸,增加其飽和度和亮度,避免了圖像增強過程中細節出現顏色失真的問題;同時,為了避免邊緣等細節數據的丟失,提出了一種改進的MSR算法,使用自適應權重雙邊濾波替換高斯濾波,并使用tanh函數替換對數函數;最后,使用自適應伽馬校正算法對圖像亮度做了進一步調整,并利用主觀評價和客觀評價結果進行了驗證。

研究結果表明:

1)與傳統雙邊濾波改進的多尺度Retinex算法相比,基于通道拉伸和改進多尺度Retinex的蝸輪副接觸斑點圖像增強算法解決了其顏色失真的問題;

2)采用基于通道拉伸和改進多尺度Retinex的蝸輪副接觸斑點圖像增強算法增強圖像后,相比于原圖,其均值、標準差、信息熵、對比度分別提高了48.3%、61.6%、7.1%、91.3%,這表明了圖像的質量和特征信息相比于原圖有很大的提高和改善。

下一階段,筆者將利用其他算法對增強后的圖片進行處理,以便更好地判斷蝸輪副接觸斑點分布和位置所表達的信息。