小波变换在煤矿井下图像增强的应用研究

2022-07-07 14:49曹玉秋梁庆秋孟亦寒张茗洋李彦波
科技研究·理论版 2022年11期
关键词:图像增强小波变换

曹玉秋 梁庆秋 孟亦寒 张茗洋 李彦波

摘要:为了减小低照度图像在图像预处理过程中所造成的影响,使用小波变换方法对煤矿降质图像进行增强处理。对低照度图像进行直方图均衡化处理,再叠加高斯噪声,采用“db4”小波对加噪图像进行3级分解,将一级高频系数置0,重构小波,并获取最终增强图像,实现了保持图像细节信息,增强图像的低亮度区域和抑制图像的高亮度区域,提高了图像的视觉效果。通过大量测试,验证了该方法的有效性。

关键词:小波变换;图像增强;直方图均衡化

煤矿井下能见度低且多采用点光源来辅助照明,形成了非均勻照度环境。在这样的环境下,拍摄出的图像亮度、对比度低;而且噪声、细节信息丢失等一些问题突出。这不但会让图像的视觉效果变差,而且图像质量的好坏直接影响后续的图像分析与决策,因此研究适合煤矿井下的低照度图像增强算法具有十分重要的实际意义[1-2]。

目前,针对矿井降质图像的增强算法主要包括:

(1)基于单尺度Retinex(SSR)的图像增强算法。通过引导滤波进行照度估计,再与原图像做卷积得出反射分量,最后用改进的局部对比增强算法对图像进一步增强。使用引导滤波进行照度估计,能较好的解决过增强、光晕伪影、细节不足等问题。但SSR算法对保持细节和颜色信息不能同时兼顾。

(2)基于多尺度Retinex(MSR)的图像增强算法。MSR的Retinex增强是在SSR的基础上发展而来的,其在保留了SSR对图像压缩增强的效果的同时,还实现了色彩增强,最终达到保持图像高保真度和颜色恒常性,即当照射物体表面的颜色光发生变化时,物体表面的知觉颜色保持不变。但是容易产生光晕,在处理色彩单一的煤矿井下图像时,容易丢失色彩。

(4)基于小波变换(Wavelet Transform,WT)的图像增强算法。在频率域内对小波分解的高频和低频子图进行系数调整,并实现图像增强。但该类算法对代表图像背景信息和整体特征的低频信息未进行增强处理,导致WT后的增强图像亮度改善不明显。

(5)基于模糊集域-DCP图像增强算法[3]。该算法虽解决了矿井下浓雾、光照不均问题,但易放大图像噪声,导致降质图像部分区域过增强。

(6)基于NSCT的矿井图像增强算法[4]。该算法计算过程复杂,且增强后的图像仍存在光晕现象。针对现有基于光学成像原理、空域变换、照射-反射模型以及基于WT和改进型WT等主流图像增强算法所存在的缺陷,无法满足未来煤矿视频监控系统智能化发展需求。

同时,根据小波变换在矿井降质图像增强及直方图均衡化在增强图像细节和对比度中所表现出的显著优势,笔者提出了基于小波变换的煤矿降质图像直方图均衡化增强算法。

1.降质图像增强算法建模

在矿井图像的增强过程中,小波变换是实现图像增强的一种重要方法。它能够将图像从空间域变换至频率域,既不丢失图像原有信息,也不会增加冗余信息,具有较完善的重构能力。但单一的采用小波变换对图像进行增强处理仍有缺陷,因此,本文设计了基于小波变换的直方图均衡化的图像增强模型。

1.1小波函数

小波函数ψ(x)是本文图像增强算法的关键内容。小波变换的思想是利用尺度函数表示原始信号,小波函数可以由满足特征的尺度函数来求出。对于一个信号f(x)可以分解为:

其中hψ(k)∈N+。

1.3小波阈值去噪原理

在小波域内图像中的噪声部分分布在小波域存在的所有空间,而图像中信号部分主要分布在固定的几个系数当中,所以在对图像进行小波分解的过程中,处理噪声的小波系数要小于图像信号的[6].我们可以选取一个适合的阈值.如果小波变换系数小于这个设置阈值,可以判断这是噪声的影响,如果小波变换系数大于阈值,则判断为信号的影响.具体算法如下:

(1)采用多尺度方法对图像信号进行小波变换;

(2)用设定的阈值处理每个尺度小波系数;

(3)将第 2 步处理后的小波系数重构图像信号.

1.4直方图均衡化(CLAHE)算法

CLAHE是一种局部直方图均衡化的方法,对HE和AHE的改进,它具有更好的灵活性,在CLAHE中先选择一个直方图剪切阈值,超过这个阈值的灰度部分重新分配到其他灰度级,这样得到均匀的效果,能避免过度增强或过度放大平滑区域的噪声,可以减少伪影的边界[7]。如下是CLAHE算法:

(1)将图像划分成若干小区域;

(2)计算局部直方图映射函数;

(3)确定直方图的剪切阈值;

(4)直方图映射函数用到各小区域;

(5)边界部分线性插值处理。

2.算法流程

本文提出的基于小波变换的煤矿降质图像模糊增强算法,其实施的具体流程如下:

对煤矿降质图像I进行直方图均衡化。

为了尽可能还原图像本身,验证算法的有效性,再给煤矿降质图像I叠加高斯噪声。

在综合考虑去噪效果和计算量的代价下,采用“db4”小波对加噪图像进行3级分解[8]。

对比把所有的高频系数置0与把所有的高频衰减一半,选择将一级高频系数置0,处理效果更加,图像更清晰,增强了图像细节。

重构小波,并获取最终增强图像。

3.实验结果与分析

为了验证本文算法的有效性,选取煤矿井下光照分布不均的图像。分别从主观视觉和客观指标两方面对本文算法和其他3种对比算法的增强效果进行评价,对比算法分别为:单尺度Retinex(Single Scale Retinex,SSR)、多尺度Retinex(Multiscale Retinex,MSR)、色彩恢复多尺度Retinex(Multi-Scale Retinex with Color Restoration,MSRCR)[9]。

3.1主观评价

实验1:对分辨率为400*600的煤矿井下图像a进行增强测试,实验结果如图a所示。

实验2:对分辨率为400*600的煤矿井下图像b进行增强测试,实验结果如图b所示。

根据图a、b对不同增强算法的处理结果和灰度直方图进行对比分析可知,原图像存在较多明暗区域、亮度分布不均、对比度差、细节信息不明显等缺点,导致视觉上图像不清晰、轮廓较模糊,不利于图片信息的提取。

采用SSR、MSR算法均能够增强图像对比度,提升整体亮度,改善图像视觉效果,采用MSRCR算法能减少图像因局部对比度增强而导致的图像失真。但三种算法增强后的图像仍存在一些问题。SSR中亮区域出现过增强现象,暗区域细节信息不明显;MSR中突出了图像轮廓和细节信息,但视觉效果较差,且高亮区域存在光晕现象,图像清晰化效果欠佳;MSRCR算法对比度减弱,图像失真度较高,图像细节信息不明显。

综合分析,本文算法在一定程度上克服了上述增强算法存在的缺点,较明显地提高了图像的整体亮度、对比度、清晰度,并消除了图像亮区域的光晕现象,实现了保持图像细节信息的同时,增强图像的低亮度区域和抑制图像的高亮度区域,主观上提高了图像的视觉效果。

3.2客观评价

为了更加客观地分析不同算法的增强效果,本文分别选用峰值信噪比(Peak Signal to Noise Ratio,RPSN)、结构相似度(Structural Similarity Index,MSSI)、平均绝对误差(Mean Absolute Error,MAE)、均方误差(Mean Squared Error,MSE)4种评价指标对本文算法及对比算法进行评价。

根据表1、2可知,综合分析,在低照度情况下,MSR算法的RPSN,MSSI最小,即对光照不足情况下的图像增强效果差。SSR算法与MSRCR算法的RPSN,MSSI值均较高但是MAE与MSE过高,说明该两类算法容易出现过度去噪,使得图像特征信息大量丢失乃至失真,与原图误差过大。相比之下本文算法的RPSN、MSSI,尤其是MAE、MSE值均表現较好,对提高图像亮度、对比度、清晰度、图像保真方面均有较大的提升和改善。

4 结论

(1)采用小波变换的方法在添加高斯噪声后将图像分解为高频信息和低频信息,去除一级高频重构后不仅更好地促使了信噪分离,同时也避免了噪声过强导致图像特征信息大量丢失乃至失真,使得增强后的图像与原图误差更小,图像更具有真实性与实用性。

(2)对煤矿井下不同场景的降质图像进行增强处理,综合主客观分析得出本文算法的鲁棒性更强,综合指标较SSR,MSR,MSRCR算法表现更好。本文算法能够更好克服煤矿井下因光线差、粉尘、照度不均而引起的图像质量低的问题。

参考文献

[1]赵谦.煤矿井下动态目标视频监测图像处理研究 [D].西安:西安科技大学,2014.ZHAO Qian.Study on video monitoring and image processing of coal mine dynamic targets[D].Xi’an:Xi’an University of Science and Technology,2014.

[2]CHENG H D, SHI X J. A simple and effective histogram equalization approach to image enhancement[J]. Digital Signal Processing, 2004, 14(2):158-170

[3]张英俊,雷耀花,潘理虎.基于暗原色先验的煤矿井下图像增强 技术[J].工矿自动化,2015,41( 3) : 80-83.ZHANG Yingjun,LEI Yaohua,PAN Lihu.Enhancement technique of underground image based on dark channel prior[J].Industry and Mine Automation,2015,41( 3) : 80-83.

[4]王满利,田子建.基于非下采样轮廓波变换的矿井图像增强算 法[J].煤炭学报,2020,45( 9) : 3351-3362.WANG Manli,TIAN Zijian. Mine image enhancement algorithm based on nonsubsampled contourlet transform[J].Journal of China 4259 Coal Society,2020,45( 9) : 3351-3362.

[5]田磊,张苗苗,徐燕凌.基于小波变换的图像技术应用研究.学位论文(D):8~10

[6]王彦青,魏连鑫.一种改进的小波阈值去噪方法[J].上海理工大学学报,2011,22( 4) : 405 - 408

[7]Rajshree Singh.A review of histogram equalization based image contrast enhancement methods[J]. International Journal of Innovative Research & Growth,2017,5(3):152-156.

[8]蔡利梅. MATLAB 图像处理[M]. 清华大学出版社, 2020.

猜你喜欢
图像增强小波变换
通过图像增强与改进Faster-RCNN网络的重叠鱼群尾数检测
基于非下采样剪切波变换与引导滤波结合的遥感图像增强
基于双树四元数小波变换的图像降噪增强
MATLAB在《数字图像处理》课程中的辅助教学
基于互信息和小波变换的图像配准的研究
图像增强技术研究
心电信号压缩方法研究
雾天图像增强中Retinex算法的细节信息优化
环形稀疏孔径结构的研究