基于HSV空间的煤矿井下低光照图像增强方法

张亚邦，李佳悦，王满利

基于HSV空间的煤矿井下低光照图像增强方法

张亚邦1，李佳悦2，王满利2

（1. 平顶山天安煤业股份有限公司六矿，河南 平顶山 467000；2. 河南理工大学 物理与电子信息学院，河南 焦作 454000）

针对煤矿井下采集到的图像对比度低、光照不均和细节信息弱等问题，提出一种基于色相-饱和度-明度（Hue-Saturation-Value，HSV）颜色空间的煤矿井下低光照图像增强方法。该方法基于图像的HSV空间，通过对低光照图像的亮度通道V通道的主要结构和边缘细节分别进行对比度增强，这样可以更好地抑制图像细节丢失，同时可以较好地再现原图中的轮廓和纹理细节。首先，将输入的煤矿井下低光照图像转换到HSV空间，利用相对全变分滤波（RTV）与改进的边窗滤波（SWF），分别对提取的V通道图像进行主要结构提取和轮廓边缘保留，对其非线性灰度拉伸后利用主成分分析融合技术（PCA）重构V通道图像，即融合V通道图像的主要结构和精细结构，最后合成图像，完成图像增强。通过实验验证，提出的基于HSV空间的煤矿井下低光照图像增强方法，在色彩和边缘模糊处理等方面表现良好，在煤矿井下工作面等环境中，对图像进行定量和定性实验，结果表明，与6种方法相比，增强图像的对比度、自然度和图像细节方面表现更好。

图像增强；HSV空间；煤矿井；低光照图像；相对全变分滤波；边窗滤波

0 引言

煤矿井下的视频监控系统[1]是对井下工作人员和设备等目标的位置和状态等信息分析的重要手段，但是由于煤矿井下的复杂环境，使获取到的图像存在对比度低、光照不均、边缘细节模糊等问题，造成分析图像出现困难[2]。因此，对煤矿井下采集到的图像使用增强方面的预处理等技术研究具有极为重要的意义[3]。目前主流的煤矿井下的图像增强方法主要分为基于模型和深度学习两大类。

基于模型的方法分为直方图均衡化[4]和基于Retinex[5]理论两种方法。其中，基于直方图均衡化的方法[6]容易引起图像过增强和出现曝光现象。随着技术的不断发展，图像增强研究热点逐渐转移到基于Retinex理论的方法。基于Ritinex理论和光照图估计[7]的低光照增强图像方法[8]LIME（Low-light Image Enhancement via Illumination Map Estimation），先对光照图进行处理，最后将反射图的输出作为增强结果，但容易出现过增强的现象。NPE[9]（Naturalness Preserved Enhancement）在增强图像对比度的同时保持了照明的自然度，但没有考虑不同场景中照明的关系。用于图像增强的多曝光融合框架BIMEF（Bio-Inspired Multi-Exposure Fusion）[10]，采用双曝光融合方法，但结果亮度过低。RRM（Structure-Revealing Low-Light Image Enhancement Via Robust Retinex Model）[11]采用基于增广Lagrange乘子的ADM（Alternating direction methods）方法，对噪声进行预测，同时估计反射图和光照图进行图像增强，但增强结果不够清晰。基于去雾的方法[12]利用了雾天拍摄的图像与低光照图像之间的反向联系来达到图像增强的效果。

随着深度学习的飞速发展，基于深度学习的网络已被广泛应用于图像处理中。Lore等人[13]使用堆叠稀疏去噪自动编码器（A Deep Autoencoder Approach to Natural Low-light Image Enhancement，LLNet）增强图像和对图像去噪。LLCNN（A convolutional neural network for low-light image enhancement）[14]是一种基于超分辨率模型VDSR（Very Deep-Super Resolution）和残差网络ResNet的双分支残差学习网络，但其多尺度特征融合能力不足。为了克服这些困难，Wei C.等人提出一种基于Retinex理论分解的方法，建立了一个将图像分解和图像增强相结合的深度神经网络[15]，将原始图像分解为光照图和反射图，但忽略了红-绿-蓝色（Red-Green-Blue, RGB）空间的三个通道的相关性，结果出现严重失真。基于深度学习的方法[16-17]虽然有一定的有效性，但需要大量的数据集，同时网络的训练也需要复杂的设备支持，其运行时间也会随着网络的大小而增加。

针对以上煤矿井下图像增强中存在的问题，提出一种基于图像的HSV空间[18]，利用相对全变分（Relative Total Variation, RTV）滤波和改进的边窗滤波（Side Window Filtering, SWF）增强V通道图像并融合的方法，实现对图像的增强。该方法在不需要大量数据集支撑的前提下，能够有效解决低光照图像边缘细节模糊、细节丢失的现象，并且在保持图像原有的色彩的同时达到增强图像的亮度和对比度细节的效果。

1 低光照图像增强方法设计

由于彩色图像的光照并不与RGB模型的三通道中某一单一的通道有明确的联系，而RGB模型的三通道互相影响，相对而言，HSV模型中的三通道相对独立，且场景中的光照对图像的亮度通道V通道影响较大，针对亮度做校正方便快捷且计算简单，故本文选用在HSV空间中完成对煤矿井下低光照图像进行亮度的矫正。

方法的整体框架如图1所示。首先将低光照图像分为色调通道H、饱和度通道S和亮度通道V三个通道，利用RTV与SWF，对提取出来的V通道图像分别进行主要结构提取和轮廓边缘保留，之后对其进行非线性灰度拉伸以增强其对比度，非线性灰度拉伸参考了S通道图像，更好保留了图像的原结构。利用新的融合技术PCA得到增强后的V通道图像，最后将新的V通道与之前分离出来的S通道和H通道融合并由HSV空间转换到RGB空间，最后输出增强后的图像。

1）主要结构提取

主要结构采用结构约束优化方法提取，即相对全变分（RTV）[19]的方法，RTV采用像素加窗总变差度量项和窗口固有变化度量项构成目标函数正则项，和分别表示和水平和垂直方向度量值，定义如式(1)和式(2)：

图1 基于HSV空间的煤矿下低光照图像增强方法整体框架

Fig.1 Overall framework of low-light image enhancement method under coal mine based on HSV space

2）边缘细节保留

对V通道的边缘细节保留使用改进的边窗滤波技术（SWF）[20]，SWF具有显著的边缘保持能力，并在图像平滑与结构保留纹理去除、相互结构提取等应用中达到了最先进的性能。

基于局部的过滤器通常是根据像素的邻域来估计其输出。被处理的像素位于操作窗口的中心，而操作窗口中的其他像素与他相邻。一种常见的基于线性近似的图像滤波操作假设图像是分段线性的，并将像素近似为局部窗口上相邻像素的加权平均值：

式中：为以像素为中心的局部窗口（支撑域），其实就是局部窗口内的像素；为权重，o和I分别为输入图像和输出图像在位置的强度。

滤波器输出与原始图像之间的差异可以表述为以下代价函数：

利用泰勒展开，证明为了使用相邻像素的线性组合重建边缘像素，相邻像素必须来自边缘的一侧。SWF技术作为一种有效的保边滤波的方法，将每个目标像素视为一个潜在的边，并在其周围生成多个局部窗口，每个窗口都将目标像素与窗口的一个边或角对齐，SWF的输出是其中一个侧窗中的邻居的线性组合，可以最好地接近目标像素。

侧窗的定义如图2所示，参数为窗与水平线的夹角，参数为窗的半径，Î{0,}，(,)是目标像素的位置，是一个用户定义的参数，它对于所有的侧窗都是固定的。通过改变和固定(,)，可以改变窗口的方向，同时使它的一侧与对齐。是窗口的半径，(a)是连续情况下侧窗的定义，(b)分为左（红色矩形）和后（蓝色矩形）侧窗，(c)分为上（红色矩形）和下（蓝色矩形）侧窗，(d)分为左上（红色矩形）、右上（蓝色矩形）、左下（绿色矩形）和右下（橙色矩形）侧窗。通过在每个边窗中应用滤波核，可以得到8个输出：

保持边缘意味着想要最小化输入和输出在边缘的距离，即滤波器的输出应该与输入在边缘相同或尽可能接近。因此，我们选择与输入强度2距离最小的侧窗输出作为最终输出：

如图3所示，第一行是从低光照图像中提取的V通道图。第二行是V通道使用RTV提取的主要结构图，可以有效提取出图像的主要结构，滤波整体结构良好，保存了V通道图像的主要结构特征，但在细节方面并未得到很好的区分，所以引入SWF技术，可以更好地区分纹理和细节。第三行是V通道经过SWF提取的边缘细节图，纹理边缘保持较好。采用特征值融合的方法，使两种滤波方法结合，保存图像整体结构良好的同时，精细结构能更加平滑，更好地区分纹理和结构。对比相应的增强图像可知，本文方法增强图像对比度更高，纹理细节及边缘保持相对更好一些。

(a) (x,y) coordinate diagram (b) East-West direction (c) North-South direction (d) NW-NE-SW-SE direction

图3 滤波结果图

3）主成分分析融合

为了充分利用RTV提取图像的主要结构和SWF保持的图像边缘细节，采用基于主成分分析（Principal Component Analysis，PCA）融合方法进行V通道融合，PCA融合是经典空间域融合方法，该方法利用主成分分解可以保留原数据之特征信息这一特点，由两源图像获取协方差矩阵及其特征值和特征向量，据此确定图像融合方法的加权系数和最终的融合图像。首先，将二维图像转化为一维向量，并由一维向量构造数据矩阵，然后，计算的协方差矩阵的特征向量矩阵和相应的特征值矩阵，据此计算相应的加权系数，最后加权融合获得优化的传输图。

将两幅图像转换为二维向量，对其协方差矩阵做特征值分解，获得2×2特征向量矩阵和特征值矩阵，其计算如式(8)：

式中：Cov表示协方差计算；Eig表示特征值分解操作。之后根据式(9)和式(10)计算融合权重系数。

式中：(,)表示的对角元素的第个元素；(:,)表示的第列＝1,2，1表示1维元素向量。

式中：W为加权系数；为融合结果分量；S为待融合的主要结构传输图和精细结构传输图。将两种结构传输图优化融合，获得增强后的V通道图。

2 低光照图像增强方法实现

根据图1所示方法框架，基于HSV空间的矿井下低光照图像增强方法实施步骤为：

1）获取低光照图像V通道图像

2）求解新的V通道图像1和2

对获得的V通道图像进行RTV主要结构提取，并根据S通道图像的像素值对V通道图像进行非线性灰度拉伸，得到新的V通道图像1；同时对V通道图像进行SWF的边缘细节提取，进行相同的非线性灰度拉伸，得到V通道图像2；

3）合成新的V通道分量

利用PCA融合方法进行V通道分量合成，计算融合权重系数W，根据式(11)融合策略，得到新的V通道分量。

3 实验结果与分析

实验开展分为2类，第1类是参数分析实验，调整参数值分析不同取值对方法影响；第2类是对比实验，将对煤矿井下低光照图像进行对比分析本文提出的方法与其他增强方法的增强性能差异，增强方法中传统方法包括Dong[12]、BIMEF[10]和LIME[6]，实验在8GB RAM和Windows 10操作系统的笔记本电脑上运行，软件采用MATLAB2016a；深度学习方法包括基于Retinex-Net[14]、MBLLEN（Multi-Branch Low-light Enhancement Network）[21]和Zero-DCE[22]，实验在Nvidia RTX3090 GPU工作站上运行。

3.1 评估指标

本文选择了常用的3种图像质量评价指标：峰值信噪比（Peak Signal to Noise Ratio, PSNR）[23]、结构相似性（Structual Similarity, SSIM）[24]和自然图像质量评估（Natural Image Quality Evaluator，NIQE）[25]作为增强后图像的评价指标。

1）峰值信噪比（PSNR）

峰值信噪比用来评价两幅图像相对质量的好坏，其值越高，说明增强后的图像失真越小，质量越好。对于大小为×的两幅图像和（原图和增强后的结果图像），其均方差MSE（Mean Square Error）定义为：

则PSNR（dB）定义为：

式中：MAX为像素最大值。

2）结构相似性（SSIM）

图像的结构相似性（SSIM）可以衡量两个图像的相似程度，SSIM值的大小表示更符合人眼的直观感受。

SSIM指标的计算表达式，如式(17)所示：

SSIM(,)＝[(,)×(,)×(,)] (14)

和分别是原图和增强结果图，将，，设为1，可以得到：

式中：、、2、2分别为和的均值与方差，为和的协方差，1和2为常数，避免除数为零。图像的SSIM值越大，说明两幅图像的相似度越高，也就说明增强后的图像越接近真实图像。

3）自然图像质量评估（NIQE）

图像的自然图像质量评估值根据测试图像在特定高斯模型（multivariate Gaussian, MVG）上的分布差异对图像的质量进行评估，通过计算测试图像与参考图像拟合参数之间的距离来衡量图像质量。第一步，将提取的36个特征采用拟合MVG模型利用最大似然估计法计算得到参数和。之后再提取失真图像统计特征，进行模型拟合得到(¢,¢)，具体的计算公式如下：

式中：1和2表示参考图像和测试图像的MVG模型均值；1和2表示参考图像和测试图像的MVG模型方差矩阵。当测试图像与参考图像差距较大时，NIQE的值越大，图像质量越差。

3.2 实验结果分析

1）非线性灰度拉伸的参数取值分析

为分析非线性灰度拉伸的取值对增强方法的影响，选用不同测试图像实验，其中测试图像S1616，S1613和S881，在不同取值{0.3, 0.5, 0.8, 1, 1.2}的实验结果，如图4所示。

如图4中，第一行、第三行、第五行分别是测试图像增强后的V通道图像¢，第二行、第四行、第六行分别是最终的增强图像。从图4可以看出，随着取值逐渐增大，增强后的图像亮度越来越暗，当取值偏小时，增强图像整体偏亮，在原图灯光处出现过度曝光，在取值为0.8时才逐渐消失，但依旧过亮。而当取值为1.2时，增强图像偏暗，色彩不鲜明，细节不清晰。当取值为1时，增强图像的细节、整体色彩都比较好，图像整体最自然逼真，故设置方法中的取值为1。

图4 不同图像a值的增强结果

2）方法性能对比分析

为验证本文方法的有效性，将其与其他6种方法进行性能比较，比较方法中传统方法包括：基于去雾方法的低光照图像增强模型Dong[12]、基于融合模型的方法BIMEF[9]和基于Retinex模型的方法LIME[6]；深度学习方法包括：Retinex-Net[15]、MBLLEN[21]和Zero-DCE[22]。由主观视觉与客观指标两个方面评价7种方法增强图像质量，对比分析本文提出方法的性能与适用性。

为保证对比方法的性能，在保留原方法参数设置基础上开展对比实验，对比方法来源于作者网站下载的代码。图5展示了7种方法的部分对比实验结果，如图5中，从左到右、从上到下依次对应输入的矿井下低光照图像，Dong、BIMEF、LIME、Retinex-Net、MBLLEN、Zero-DCE和本文方法对应的增强图像。

视觉分析图5(a)可以看出，增强图像为S102时，本文方法增强的结果亮度改善最为明显，图像较为清晰，并且增强图像的整体色调和细节恢复程度最佳，Dong和Retinex-Net方法出现明显的失真；BIMEF和MBLLEN增强后的图像亮度增强效果不明显，在细节和角落处出现对比度增强不足的问题；而LIME方法相对来说效果较好，但在图像细节增强处略微出现不足；Zero-DCE出现整体图像颜色过曝光，失去原有图像真实色调。图5(b)可以看出，增强图像为S106时，传统方法中，LIME相较于Dong和BIMEF增强效果表现较好，但它在墙壁处和地板处增强了噪声，导致图像整体视觉较差，Dong增强后的图像在灯光等较亮处出现了部分失真现象，BIMEF整体图像亮度增强不足，丢失图像部分细节；在深度学习方法中，Retinex-Net增强后，整张图像出现了较为严重的颜色失真，MBLLEN同样出现亮度增强不足的问题，Zero-DCE方法增强后，灯光处的明亮区域被过度增强。分析图5(c)知，增强图像为S6351时，LIME相对其他方法视觉效果表现较好，但它增强过后灯光处出现过度增强，导致图像上方出现颜色失真，Dong和Retinex-Net方法增强后出现较为严重的颜色失真，丢失原图细节信息，BIMEF和MBLLEN相较于本文提出方法图像增强不足，原图中的黑暗部分并未得到很好的增强，Zero-DCE方法在S6351中的灯光处出现过度曝光，而本文方法增强后的图像总体来说较为清晰，并且增强后的图像整体色调和细节恢复程度较为理想。

从图6可以直观地看出，本文方法在图5测试图像的NIQE值数值最低，表明其增强后图像最自然，亮度及色调恢复得最好。

图7展示了煤矿下数据集（Mine-data）中的部分测试图像的各个方法的增强结果。从图7中可以看出各个方法在矿井下测试图像增强中出现的问题，在煤矿数据集（Mine-data）中同样存在，由于Mine-data中有对应的正常光照下的图像进行参考，所以可以计算出它们的PSNR和SSIM值，并使用竖状图的形式列出，如图8所示，可以更加清晰地看出，在Mine-data的测试图像T812、T865、T1628和T1683中，本文提出的方法在PSNR和SSIM值上都表现优秀。

为了防止抽取图像的随机性和偶然性，又对煤矿数据集（Mine-data）中所有图像进行测试，并将它们的PSNR、SSIM和NIQE均值在表1中列出，表中加粗字体为该组数据的最优值（PSNR、SSIM越高越好，NIQE越低越好），蓝色字体为其次。从表1可以明显看出本文提出的方法在Mine-data中的低光照图像的PSNR值和SSIM值的都最大，位居第一，并且NIQE值也最小，同样是位居第一。综合分析，本文提出的方法在煤矿数据集（Mine-data）上表现良好，无论是从视觉效果上还是指标分析上都表现出较大的优势，从而证实了此方法的适应性、可行性和优越性。

图6 煤矿井下低光照图像的NIQE值折线图

图7 煤矿数据集（Mine-data）部分图像增强效果

图8 Mine-data测试图像各方法增强结果的PSNR和SSIM

表1 Mine-data矿井下图像质量指标数据比较

Note：Bold data is optimal. Blue data is suboptimal.

4 结语

针对煤矿井下的特殊低光照环境，本文提出了一种基于HSV空间的煤矿井下低光照图像增强方法，该方法在HSV空间变换的条件下，利用相对全变分滤波和改进的边窗滤波对提取出的亮度通道V通道图像分别进行对比度增强处理并使用PCA技术进行融合，相对全变分滤波提取出V通道图像的主要结构，改进的边窗滤波对V通道图像进行轮廓边缘保留，使之最后的增强结果既保持了图像原有的细节和边缘轮廓，又能提高图像整体的亮度和对比度。最后将图像的三通道图像合成并由HSV空间转换到RGB空间，完成整体图像增强。实验表现，本文方法与6种先进的增强方法相比，增强煤矿下低光照图像时，无论是主观视觉还是客观指标都具有一定的优势，其更加适合煤矿井下低光照图像的增强。

[1] 钱鸣高, 许家林, 王家臣. 再论煤炭的科学开采[J]. 煤炭学报, 2018, 43(1): 1-13.

QIAN M, XU J, WANG J. Further on the sustainable mining of coal[J]., 2018, 43(1): 1-13.

[2] 王满利, 张航, 李佳悦, 等.基于深度神经网络的煤矿矿井下低光照图像增强算法[J/OL]. 煤炭科学技术: 1-13. [2023-03-27]. https://doi.org/10.13199/j.cnki.cst.2022-1626.

WANG M, ZHANG H, LI J, et al. Deep neural network-based image enhancement algorithm for low-illumination images underground coal mines [J/OL].: 1-13. [2023-03-27]. https://doi.org/10.13199/j.cnki.cst.2022-1626.

[3] 田子建, 王满利, 张元刚. 基于双域分解的图像增强算法[J]. 电子学报, 2020, 48(7): 1311-1320.

TIAN Z, WANG M, ZHANG Y. Image enhancement algorithm based on dual domain decomposition[J]., 2020, 48(7): 1311-1320.

[4] 李少荣. 基于改进直方图均衡化的红外图像增强技术的研究[J]. 工业控制计算机, 2022, 35(12): 52-53, 56.

LI S. Infrared image enhancement technology based on improved histogram equalization[J]., 2022, 35(12): 52-53, 56.

[5] 黄辉先, 陈凡浩. 基于注意力机制和Retinex的低照度图像增强方法[J]. 激光与光电子学进展, 2020, 57(20): 53-60.

HUANG H, CHEN F. Low-illumination image enhancement method based on attention mechanism and retinex[J]., 2020, 57(20): 53-60.

[6] 吕侃徽, 张大兴. 基于自适应直方图均衡化耦合拉普拉斯变换的红外图像增强算法[J]. 光学技术, 2021, 47(6): 747-753.

LV K, ZHANG D. Infrared image enhancement algorithm based on adaptive histogram equalization coupled with Laplace transform[J]., 2021, 47(6): 747-753.

[7] HUANG H X, CHEN F H. Low-illumination image enhancement method based on attention mechanism and Retinex[J]., 2020, 57(20): 53-60.

[8] GUO X J, LI Y, LING H B. LIME: Low-light image enhancement via illumination map estimation[J]., 2016, 26(2): 982-993.

[9] WANG S H, ZHANG J, HU H M, et al. Naturalness preserved enhancement algorithm for non-uniform illumination images[J]., 2013, 22(9): 3538-3548.

[10] YING Z Y, LI G, GAO W. A bio-inspired multi-exposure fusion framework for low-light image enhancement[EB/OL].: 1711.00591, 2017. https://arxiv.org/abs/1711.00591.

[11] LI M D, LIU J Y, YANG W H, et al. Structure-revealing low-light image enhancement via robust Retinex model[J]., 2018, 27(6): 2828-2841.

[12] DONG X, GUAN W, YI P, et al. Fast efficient algorithm for enhancement of low lighting video[C]//, 2011: 1-6.

[13] Kin Gwn Lore, Adedotun Akintayo, Soumik Sarkar. LLNet: a deep autoencoder approach to natural low-light image enhancement[J]., 2017, 61: 650-662.

[14] TAO L, ZHU C, XIANG G Q, et al. LLCNN: A convolutional neural network for low-light image enhancement[C]//, 2017: 10-13.

[15] WEI C, WANG W J, YANG W H, et al. Deep Retinex decomposition for low-light enhancement[C]//, 2018: 1-12.

[16] CHEN Y S, WANG Y C, KAO M H , et al. Deep photo enhancer: unpaired learning for image enhancement from photographs with GANs[C]//, 2018: 6306-6314.

[17] ZHANG Y H, GUO X J, MA J Y, et al. Beyond brightening low-light images[J]., 2021, 129: 1013-1037.

[18] CUI J X. Image style migration algorithm based on HSV color model[C]//(AEECA), 2022: 111-114.

[19] XU L, YAN Q, XIA Y, et al. Structure extraction from texture via relative total variation[J]., 2012, 31(6): 1-10.

[20] YIN H, GONG Y H, QIU G P. Side window filtering[J].(CVPR), 2019: 8750-8758.

[21] LV F F, LU F, WU J H, et al. MBLLEN: low-light image/video enhancement using CNNs[C]//, 2018: 220-233.

[22] LI C Y, GUO C L, Chen C L . Learning to enhance low-light image via zero-reference deep curve estimation[J]., 2022,44(8): 4225-4238.

[23] Mahmou A. Single image super-resolution algorithm using PSNR in the wavelet domain[J]., 2020, 12: 677-691.

[24] 朱新山, 姚思如, 孙彪, 等. 图像质量评价：融合视觉特性与结构相似性指标[J]. 哈尔滨工业大学学报, 2018, 50(5): 121-128.

ZHU X, YAO S, SUN B, et al. Image quality assessment: Combining the characteristics of HVS and structural similarity index[J]., 2018, 50(5): 121-128.

[25] 孙彦景, 杨玉芬, 刘东林, 等. 基于内在生成机制的多尺度结构相似性图像质量评价[J]. 电子与信息学报, 2016, 38(1): 127-134. SUN Y, YANG Y, LIU D, et al. Multiple-scale structural similarity image quality assessment based on internal generative mechanism[J]., 2016, 38(1): 127-134.

An Algorithm for Low-Light Image Enhancement in Coal Mines Based on HSV Space

ZHANG Yabang1，LI Jiayue2，WANG Manli2

(1. Pingdingshan Tian'an Coal Industry Co., Ltd. Sixth Mine, Pingdingshan 467000, China;2.School of Physics and Electronic Information, Henan Polytechnic University, Jiaozuo 454000, China)

A low light image enhancement method based on HSV space is proposed to address the issues of low contrast, uneven lighting, and weak detail information in images collected underground in coal mines. This method is based on the Hue-Saturation-Luminance(HSV) color space of the image, and enhances the contrast of the main structure and edge details of the brightness channel V channel in low light images. This can better suppress image detail loss and reproduce the contour and texture details in the original image. Firstly, the input low light image of the coal mine underground is converted into HSV space, and the main structure and contour edges of the extracted V-channel image are extracted and preserved using relative total variation filtering (RTV) and improved side window filtering (SWF). After nonlinear grayscale stretching, principal component analysis fusion technology (PCA) is used to reconstruct the V-channel image, which fuses the main structure and fine structure of the V-channel image. Finally, the image is synthesized, Complete image enhancement. Through experimental verification, the proposed low light image enhancement method for coal mine underground based on HSV space performs well in color and edge blur processing. Quantitative and qualitative experiments were conducted on images in environments such as coal mine underground working faces. The results show that compared with the six algorithms, the proposed method performs better in improving image contrast, enhancing image naturalness, and restoring image details.

image enhancement, HSV space, coal mine, low-light image, relative total variational, side window filtering

TP391.41、TD67

A

1001-8891(2024)01-0074-10

2023-05-12；

2023-08-07.

张亚邦（1981-），男，硕士，高级工程师，主要从事电气工程方面的研究。E-mail：zhangyabang1981@163.com。

李佳悦（1999-），女，硕士研究生，主要从事图像处理，人工智能方面的研究。E-mail：lijiayue0827@163.com。

国家自然科学基金资助项目（52074305）；河南理工大学博士基金资助项目（B2021-64）。