矿井复杂环境视频监控图像增强算法研究

王诚聪，刘亚静

(华北理工大学 矿业工程学院，河北 唐山 063210)

安全生产是煤矿企业发展的关键，为确保煤矿企业高效且快速的发展，井下视频监控为煤矿安全生产提供有力的保障，设立井下视频监控可将存在的安全隐患防范于未然，从而推进智慧矿山的建设与发展[1]。然而井下生产环境很明显的特点就是光线差、亮度低、粉尘多，以及灯光照明不均匀，这些因素对矿井安全监控视频图像的视觉质量有很大的影响，导致不能拍摄出较高识别率的井下图像，且对视频图像监控判别是否存在违规行为造成了一定的限制作用，如果由于光照以及粉尘的原因导致监控视频没有及时发现问题并解决问题[2]，将会造成巨大的人员伤亡和经济损失，影响矿井的生产与发展，因此对视频监控图像增强处理是实现智能化矿山安全生产的前提条件[3]。

到目前为止，井下图像增强处理中[4]，传统的算法主要有Retinex算法，直方图均衡化算法，同态滤波算法等。Retinex算法是以色彩一致性为基础的，对于低频图像可以有效的对图像自适应增强，但是对于亮度差异特别大的图像[5]，会导致亮度大的区域出现光晕效应且图像整体出现过增强现象；直方图均衡化算法，高效且易于实现，被广泛应用，但是通过均衡化处理后对比度过分增强，容易使某些细节消失[6]；同态滤波通过处理图像的反射分量来达到增强图像的目的，对光照不均匀的图像补偿效果明显，但是对于选取滤波器的参数以及算法的实现上有一定的难度，不易实现[7，8]。通过对传统算法的分析，在对矿井图像处理的过程中大致存在以下两点问题：①由于矿井图像的特殊性，存在很明显的明暗不均现象，高亮度区域若没有极大程度的抑制，导致图像整体出现过增强现象，且会存在色彩失真的现象；②矿井图像由于粉尘以及光照不均匀的原因导致图像模糊，检测障碍等问题，致使图像的清晰度以及信息量有一定的损失，而大多数论文没有针对上述两个问题同时进行解决。本文提出一种基于二维伽马函数调整图像光照分量的算法。依据引导滤波算法提取光照分量，而后通过二维伽马函数对图像的光照分量进行调整，并对图像整体对比度进行自适应调整，以达到图像增强的目的。

1 数据来源及算法介绍

1.1 引导滤波提取光照分量

引导滤波(Guided Filtering)是一种用于图像重建并保持边缘的滤波技术，准确的提取照度分量对于图像的增强有重要的作用。通过引导图I对初始图像P进行滤波处理，从而有效的保持边缘，实现边缘平滑，减少梯度变形[9]。

假设该引导滤波函数在输入与输出二维图像满足线性关系，即：

qi=akIi+bk，∀i∈ωk

(1)

式中，q是输出图像像素的值，I是输入引导图像像素的值，i，k是像素索引，a，b是当滤波窗口ω中心位置为k时线性函数的系数。当输入的引导图像I有梯度时，输出的图像q也有类似的梯度，即q=aI。

为求出线性函数的系数a，b，即通过线性拟合的函数使输出值q与待滤波图像p存在的差距最小，即求下式的最优解：

通过最小二乘法，局部线性系数可以通过下式来表示：

在计算输出图像的像素值时，每个像素点可能会包含在不同的滤波窗口内，因此a，b会随着窗口的变化而变化，如若要求某一点的输出值，只需将包含该像素点的函数值线性平均即可，计算公式如下：

为估计光照分量，因此通过计算图像的亮通道图像，即每个像素位置上在三通道中的最大值。

式中，L(x，y)代表原始图像像素点在三个通道的最大值；Ic(x，y)表示原始图像[10]。

为获取图像不同尺度上的信息，通过多尺度引导滤波来估计光照分量即：

K(x，y)，ri，eps)

(7)

式中，F(x，y)表示光照分量，G(L，K，r，eps)代表对图像进行引导滤波计算，即式(5)中的q，K代表引导图像，在本文算法中引导图像为原图像，ri表示滤波窗口的不同尺寸。

为计算不同尺度上的图像包含的信息，因此选用不同的滤波器尺寸，设置如下：

式中，「*⎤ 表示取整操作，h，w分别代表图像的长和宽。尺寸越大更好的反映图像的细节信息，而尺寸越小反映图像的整体结构[11]。

井下生产环境粉尘现象严重，且阴暗潮湿，需要借助灯光来对井下环境提供照明，而由于粉尘和灯光的原因，会出现光晕效应和边界模糊的现象，当使用引导滤波后，在处理矿井内细节部分，相对于其它算法可以最大限度的保持原图像的边缘特征，从而使提取效果越好。

1.2 二维伽马函数光照校正

井下通常运用矿灯来实现照明，然而在使用矿灯照明的过程中很容易存在照明不均匀的弊端，导致暗部图像不清晰，而亮部图像曝光过度，影响图像的视觉效果，基于此，通过调整图像的光照分量来实现提高光照低区域的亮度，减少光照高区域的亮度[12]。

在提取光照分量后，依据光照分量对光照不均匀的图像校正处理，通过光照的亮度值，构造局部gamma校正函数，从而实现图像的调整[13]。因此，本文选用二维伽马校正函数，通过光照分量的亮度值来自适应调整亮度分量的亮度值的参数，从而实现图像整体的调整。二维伽马函数的表达式为：

式中，F(x，y)表示计算出的光照分量；m为光照分量的均值；v(x，y)为原图像的亮度分量，V(x，y)为校正后的亮度分量。

假设某矿井图像的光照分量均值为80，且该图像各像素点的值均在0～255之间，本文在区间内平均选取光照分量为0、64、128、192、255的值作为研究对象[14]，来观察图像校正后的变化情况，图像的亮度值经过二维伽马函数变换输出的结果如图1所示。

图1 二维伽马函数变换输出结果

当图像的某一像素点(x，y)的光照分量值小于该图像的均值，二维伽马函数会自适应的调整该像素的亮度值。在光照均值为80的图像中，假设该图像(x，y)处的光照分量值为50属于低照度区，输入图像在该点处的亮度值为128，经过二维伽马函数校正处理后的亮度值为150，在低光照强度的区域，表现为提高图像的亮度值，尤其是在亮度值低的区域，提高的幅值越大。相反，当图像的某一像素点(x，y)的光照分量值大于该图像的均值，该函数会减小原图像在该点处的亮度值。如该图像(x，y)处的光照分量值为110属于高照度区，输入图像在该点处的亮度值同样为128，经过二维伽马函数校正处理后的亮度值为104，尤其是相对于亮度值高的区域，降低的幅值越大[15]。通过上述数据，本文提出的算法可以依据全图亮度值自动校正图中亮度不均匀的区域，从而提高图像的整体质量水平。

1.3 基于受限自适应直方图均衡化的对比度增强

由于煤矿井下图像色调简单，若图像的对比度低则更不易区分井下地物的细节，在影响图片效果的因素中，对比度占有很大一部分比重[16]。基于此选用基于限制对比度直方图均衡化自适应算法 (Contrast Limited Adaptive Histogram Equalization，CLAHE)。由于井下粉尘多，影响井下图像的质量，造成视觉上对物体细节上的判断，因此可以通过CLAHE有效的抑制噪声放大并增强图像的对比度，从而获得图像中所表达的信息[17]。

在图像中图像的像素点概率分布直方图与对比度有直接关系，为限制对比度，因此通过CDF(累计分布直方图)将一定阈值内的像素值平均分配到直方图内其他区域[18]，从而达到限制斜率的目的。

2 算法实现

由于矿井环境的阴暗潮湿且光照强度不足或不均匀，都会导致视频图像在视觉上不足以让监控人员观察到井下工作人员是否存在违规行为[19]。井下视频图像主要针对亮度分量进行处理，选用一种较为直观的颜色模型HSV，对亮度分量进行计算，因此在输入视频图像后，将RGB转为HSV，并将亮度V通过引导滤波提取光照分量，用二维伽马函数对其进行调整，再将色调以及饱和度与处理后的亮度进行合成，并转换为RGB形式，并通过CLAHE对图像进行自适应调整，输出图像，算法流程如图2所示。

图2 算法流程

3 实验结果与分析

为验证本文算法对矿井图像的适用性，运用MATLAB平台对图像进行处理，并搜集具有代表性的图像，如在巷道内光照不均匀图像以及作业期间具有严重粉尘影响的图像，如图3—图5所示。选用retinex算法和二维伽马函数算法，来验证本文算法的性能。图3—图5中，(a)为原图，(b)为伽马函数校正，(c)为retinex增强算法，(d)为本文算法。

图3 场景一图像处理结果

图4 场景二图像处理结果

图5 场景三图像处理结果

针对处理的结果，本文从主观以及客观的角度对3中不同的方法进行评价及验证。由图3—图5可以看出，针对gamma函数对3幅图的图像增强，可以看出，伽马函数校正虽然可以有效地减弱光照过强导致的光晕，并且对光照弱的地方进行增强，如图3中的灯光处和图4中管道缝隙间处，但是对于人的衣服以及安全帽的增强却不是很明显，对于图5的增强效果不是很明显；而retinex增强算法在图3和图4中虽然在灯光处极大的抑制了灯光的亮度，但是出现整体泛白现象，对比度极低，在视觉效果上极差，然而对于有粉尘的环境如图5，处理效果较好，但是亮度低；而本文提出的算法对3种不同场景的图像增强都取得了较好的校正效果，不仅使光照过强的区域有较好的减弱，在灯光区域周围几乎没有光晕现象，图像效果清晰，而且提高了光照过低区域的亮度及对比度，使细节处更加明显，针对有粉尘区域的图像具有很好的去粉尘效果，且对图片的色彩有很好的保持作用。

从客观角度，本文选取信息熵，平均梯度，标准差来评价算法结果[13]。

信息熵表示度量图像的丰富度，信息熵越大说明丰富度越大，图像的效果越好，由于井下视频亮度低，为更好的评估图像的信息熵，因此选取灰度值大于50的为评判值域。

其中，xi为像素值为i的像素。

平均梯度，反映图像细节对比的表达能力，它是图像清晰度的重要表征，平均梯度越大表示图像越清晰。

标准差是反映图像整体的对比度特征。

为进一步对比三种算法的效果，本文对不同图像的信息熵，平均梯度以及标准差进行计算见表1，由表1可知，经过处理后图像的整体质量效果普遍提升。信息熵，在不同的场景下本文算法都是最高值，说明图中所包含的信息量为最大值；对于平均梯度来说，尤其是场景二，清晰度有明显的增加；对于标准差来说，通过本文算法处理的图像对比度为最高，更好的保持了色彩的信息，通过上述三种定量标准来看，本文算法针对矿井下不同场景的图像的校正处理取得了较好的效果。

表1 不同算法结果对比表

4 结 语

在井下视频监控图像采集过程中，由于井下经常受到不均匀的光照以及粉尘等因素，导致井下视频监控图像不易识别，严重影响了视频监控人员的工作效率。针对煤矿井下图像光照分布不均匀，使得图像整体偏暗，且有光照的区域亮度过强，对比度极低，以及由于粉尘的因素噪声太大这些问题，本文提出了一种针对矿井下恶劣的环境视频监控图像的自适应校正算法，可以同时将光照不均匀以及粉尘导致的图像问题解决，将引导滤波与二维伽马函数相结合，运用CLAHE调节图像对比度，来提高图像的整体质量。并且选取伽马校正算法、retinex算法处理结果作为对照，实验结果显示可以有效的同时消除或减弱因光照不均匀和粉尘因素对图像的影响，得到视觉效果更好的图像，实用性更强，清晰度和对比度更高，图像所带的信息量更多，并且在主观及客观的方面都有明显的优越性。