文摘

小说使用dual-domain-adaptive退化图像的小波增强算法和改进的模糊变换,提出了针对问题的监控录像退化造成的地下煤矿复杂的照明条件。首先,dual-domain过滤(DDF)用于将图像分解成基本图像和细节图像,和对比度自适应直方图增强有限(CLAHE)被用来调整图像的整体亮度和对比度基地。然后,离散小波变换(DWT)是用来获得低频子频带(LFS)和高频子频带(HFS)。接下来,小波收缩阈值用于计算小波在不同尺度阈值对应于HFS中。与此同时,一个新的Garrate阈值函数,介绍了调整因子和增强系数设计自适应de-noise系数,提高HFS,γ函数是用来纠正LFS系数。最后,朋友模糊增强算子改进和用于执行对比度增强和突出区域抑制重建图像获取一个增强的图像。实验结果表明,该算法不仅能显著改善退化图像的整体亮度和对比度,也抑制了噪声的尘埃和喷雾和增强了图像的细节。与类似的STFE算法相比,GTFE, CLAHE, SSR, MSR, DGR,和MSWT算法,该算法的综合性能的指标价值增加了205%,195%,200%,185%,185%,85%,140%,和215%,分别。此外,与其他七个算法相比,该算法具有较强的鲁棒性和更适合图像增强我在不同的环境中。

1。介绍

随着煤矿安全生产和经济效益之间的矛盾,相关的安全问题引起了国家和社会的广泛关注1,2]。的处理和分析智能监控视频在我是一个必要的先决条件研究移动物体的位置和状态,如地下人员、车辆和设备(3- - - - - -5]。然而,监控视频的图像容易受到灰尘和喷雾,低照度或不均匀照明的人工光源,以及其他环境因素的影响,导致图像质量差被相机(6,7]。这直接影响矿井调度中心的准确把握实际的地下情况和后续的数据分析。因此,为了更好的煤矿的现场信息,提高图像的视觉效果,并促进的应用地下煤矿安全生产视频监控系统和智能分析,具有重要意义,研究退化图像的增强煤矿。

目前,国内外一些学者研究这个问题不均匀照明或低照度条件下的图像增强,但很少有研究的问题退化图像增强在复杂光照条件下煤矿。如[7- - - - - -9),不均匀照明基于retinex理论实现图像增强,但这些方法有局部阻塞等问题影响,功能丧失,非线性失真,将导致模糊边缘特征。与此同时,这些方法有以下缺点:①传统的滤波器估计辐照组件(IC),它可以很容易地导致增强图像的边缘特征模糊;②边缘保持滤波器估计IC,但增强过程需要很长时间;③算法需要假设环境光均匀,不适合矿井下的人造光的场景。DWT是一种重要的图像增强方法,该方法具有更好的时频局部特性和多分辨率分析特性(10]。在[11,12),提出了一种增强方法利用DWT和圣,圣言会应用于DWT的LFS系数,逆DWT用于重建加工HFS和LFS系数。尽管改善效果好,增强图像的亮度和信噪比很小。DWT变换域的图像灰度校正提出了(13,14)有明显的增强效果在复杂光照条件下退化图像。然而,小波阈值函数可以很容易地导致的损失图像的细节和对比没有显著的改善;此外,手动调整伽玛值是乏味的过程。辛格et al。15)提出了一种分段伽马校正直方图均衡化框架使用粒子群优化(PSO)通过分析直方图和伽马变换的优点和缺点。该算法具有更好的增强效果在退化图像,但是参数迭代优化的过程需要很长时间,很容易落入局部最优解。

上述现有算法的缺点,提出了一种退化的图像增强方法,它结合了dual-domain-adaptive小波和改进的模糊变换,Garrate的阈值函数,介绍了自适应调整因子和增强系数设计,并提出一种改进的朋友模糊变换函数。首先,退化图像分解为基图像和细节图像的地区指定基金,基础形象代表了原始图像的整体信息,和细节图像代表了原始图像的详细信息。同时,采用CLAHE调整图像的亮度和对比度基地。然后,Garrate阈值函数设计系数自适应地de-noise,提高HFS细节图像。与此同时,LFS伽马变换系数调整。最后,改进的朋友模糊变换方法用于抑制的光环和调整突出区域重建图像,然后获得增强的图像。剩下的纸是组织如下。该算法的基本原理是描述的部分2。算法的实现过程中描述部分3。讨论了实验结果和分析部分4。一些结论进行了总结5。

2。图像增强算法建模

DWT可以将图像从空间域到频域,在不损失图像的原始信息,增加冗余信息(16];此外,它有完美的重建能力(17,18]。然而,现有的二维小波阈值函数和阈值选择模型应用范围有限。对于复杂的照明场景在我的,传统的小波增强算法容易失去或放大图像噪声,图像细节特征在HFS和未加工或不加工LFS系数包含图像轮廓特征。因此,图像经过小波重建(WR)出现不同程度的模糊。因此,有必要设计一个图像增强模型,满足复杂的照明条件。

2.1。小波增强模型设计

小波阈值函数的建设的关键是增强模型的设计。目前,使用小波变换的图像增强算法主要使用传统小波硬阈值函数,软阈值函数(19,20.),和改进的小波阈值函数模型:半软的阈值函数(21)和绞死阈值函数(22]。针对四种典型的小波阈值函数的缺陷在不同程度23在HFS中)和噪声信号的特征逐渐减少与小波分解(WD)规模的增加24),绞死阈值函数包括适应性因素是设计(如图1)。这个函数定义如下: 在哪里H小波去噪后是HFS系数;年代_我是一个自适应的因素我th规模,年代_我∈(0,1);是jth HFS的我WD th层,j= 1、2和3,分别对应于HL, LH, HH分解;是一个象征性的功能;和T_我小波阈值的吗我规模。

在模型中,年代_我可以动态地调整WD后根据噪声系数的分布,从而大大提高了模型的灵活性和实用性。年代_我方法如下(24]: 在哪里米的HFS的长度是我th规模和米是频率的HFS的数量吗我规模小于阈值。

一般来说,WD后HFS中不仅包含大量的细节信息,但也有一些噪音信息(15]。如果小波阈值函数的方程(1)直接用于增强图像细节信息,噪声信号也将被放大到相同的程度上,这将会影响图像的视觉效果。因此,本文介绍了自适应调整因素和自适应增强系数,实现自适应降噪和增强HFS系数在不同的尺度上。自适应小波阈值函数 在哪里是小波去噪和增强后HFS系数自适应增强系数j下th HFS中我规模。

WD的规模负相关的详细信息在相应的HFS中(15]。因此,可以通过以下方程: 在哪里μ和σ的平均值和标准偏差吗j下th HFS中我th规模,分别K是一种自适应调整参数。

WD之后,HH子图象在同一量表包含更多细节的原始图像,而HL和LH子图象没有详细的功能和更大的近似功能(25]。因此,当j= 1,2,k= 2我−1;当j= 3,k= 2我。

根据方程(3)- (4),自适应小波阈值函数是连续和光滑设计在整个域定义;没有恒定的偏差。WD的变化的基础上,它可以执行在每个尺度自适应阈值变换HFS,突出不同尺度的详细特性,抑制图像的噪声,提高图像的分层,大大提高小波阈值函数的灵活性和实用性。

2.2。阈值选择

在图像增强处理中基于DWT,小波阈值的选择是一个决定性因素在决定图像增强的效果。随着WD的规模增加,噪声系数在相应的HFS将变得越来越小26]。使用相同的阈值在不同的尺度,如果阈值过大,选择有效的小波系数低于阈值设置为零,导致图像细节和边缘特征的模糊;如果选择阈值太小,去噪后的小波系数仍然含有大量的噪声,这减少了图像增强算法的去噪效果。因此,本文使用基于贝叶斯估计的小波阈值收缩方法实现小波阈值的自适应调整。具体计算过程如下:(1)根据贝叶斯估计理论,每个HFS系数在小波去噪后服从广义高斯分布的均值为0,方差(27]: 在哪里x和是jth HFS系数和标准差我规模。(2)当参数,最优阈值T可以找到根据贝叶斯风险估计函数(28]。阈值方法如下(29日]: 在哪里阈值系数的HFS吗我th规模和噪声方差的吗jth HFS中系数的我层。在噪声估计,j通常设置为3。(3)使用强大的中位数估计噪声方差计算(30.]: (4)每个嘈杂的观察副环带的方差估计最大似然估计方法获得的(24]: 在哪里nHH子频带下的长度吗我层。(5)获得的 :

自适应小波阈值T在不同小波尺度计算方程(6)- (9)。

2.3。伽马变换

我退化图像的低亮度很容易导致LFS WD后系数小的作为一个整体,使图像轮廓特征或者说是不明显。摘要伽马变换是用于纠正LFS系数,突出重建图像的轮廓特征,改善退化图像的整体亮度。伽马变换由以下方程[完成31日]: 在哪里 LFS伽马变换后系数; LFS系数; LFS系数的最大值; LFS系数的最小值;和是一个可调参数,用于控制程度的增强或抑制图像的亮度。

一般来说,越大 ,增强程度越大,亮度越明显增加。越小 ,抑制程度越大,亮度越明显的抑制。我退化图像的亮度是整体的黑暗,只有部分地区具有较高的亮度,因为我的图像增强一般设置为2.5。

2.4。改进的朋友模糊增强算法

图像重建后,亮度和对比度的退化图像在一定程度上得到改善,但是抑制图像光环的影响引起的人工光源是不明显的。为了进一步提高退化图像的具体特征和抑制其形象光环,一种改进的朋友模糊增强算法设计实现模糊增强的重建图像。具体步骤如下:(1)设计一个隶属函数: 在哪里X_马克斯= max {},X_最小值最小值= {}的最大和最小值WR和后图像中所有的像素D是控制参数,D∈(1,2]。(2)计算重建图像中的元素的成员由方程(11),执行模糊操作通过构造模糊增强算子。模糊增强算子: (3)逆模糊变换进行模糊增强系数得到方程(12)。Antifuzzy变换功能: 改进的朋友模糊增强算法使用一个包含控制参数的隶属函数D将图像从空间域到模糊集域。根据模糊增强算子,设计图像晕抑制和增强执行低照明区域,最后antifuzzy获得增强图像的变换函数。通过调整的价值D的成员控制不同退化图像的灰度值,然后是我的视频监控图像在不同的照明区域增强,从而大大提高了算法的鲁棒性。

3所示。该算法的实现过程

本文提出使用dual-domain-adaptive退化图像的小波增强算法和改进的模糊变换。具体的实现步骤可以总结如下:

步骤1。执行地区指定基金(32三路)的退化图像f(例如,R、G和B)获得的基本图像和细节图像三个频道,分别。

步骤2。CLAHE算法用于调整三路获得基础的照明和对比图像。

步骤3。使用“db5跑车”小波基(33)执行WD - layer的细节图像获取LFS和HFS中在每个规模。

步骤4。计算小波阈值T和自适应权重因子年代相应规模HFS中。

第5步。计算自适应增强系数Wi, j为每个规模HFS中根据方程(4)。

步骤6。自适应加权因子年代自适应增强系数Wi, j,小波阈值T引入自适应小波阈值函数方程(3)来实现去噪和增强HFS中在不同的尺度。

步骤7。LFS系数γ转换执行,代为执行在每个规模HFS后去噪和增强LFS伽马变换。

步骤8。重复步骤3∼第七步得到三路后WR细节图像。

第9步。重构处理后三路三路基地形象和细节图像或者说是获得重建图像。

第10步。重建的图像从RGB颜色模型转换到HSV颜色模型,并利用改进的朋友模糊增强算法模糊了V频道形象,并获得最后的增强图像。
该算法实现的框图如图原则2。

4所示。实验和结果分析

为了验证该算法的实际应用效果,一些退化图像在不同的矿井监控视频。实验计算机配置:国米酷睿i7 - 10750 h CPU, 2.60 GHz, 16 GB RAM,编程工具:Matlab R2020a。增强算法的性能和其他七个比较算法进行了分析从两个方面:主观视觉和客观指标。七个半软的阈值函数比较算法增强(提出STFE) Garrate阈值功能增强(提出GTFE) CLAHE [9),单一尺度retinex (SSR) (8),多尺度retinex (MSR) [34)、双伽马retinex (DGR) [35),和对比度自适应直方图均衡化有限离散小波变换(CLAHE-DWT) [36]。上面的比较算法的参数设置如下:提出STFE和GTFE利用DWT de-noise和调整图像的对比,和小波阈值使用固定阈值(sqtwolog),增强系数W_我,我= 2,和其他参数设置为相同的算法。CLAHE使用默认参数和SSR使用高斯滤波器。多分辨率麦肯的MSR使用默认参数。DGR和CLAHE-DWT使用参数建议在原来的参考。

4.1。主观的分析

实验选择17图片3典型场景来测试该算法和7比较算法,包括低照度图像,灰尘和喷雾图像,和不均匀照明图像。针对文章的长度有限,本节只显示图像增强后的部分实验结果:(1)实验1:低照度图像增强实验:隧道的脸的图像分辨率355×568,和增强的结果如图所示3。(2)实验2:尘埃和喷雾图像增强实验:完全机械化开采的脸的图像分辨率520×920,和增强的结果如图所示4。(3)实验3:不均匀照明图像增强实验:辅助交通隧道的图像分辨率是520×920,和增强的结果如图所示5。

比较原始图像和图像增强的视觉效果(图3- - - - - -5),可以看出退化图像亮度和对比度较低,严重的灰尘和喷雾干扰,人工光源的亮度不均匀。不同的算法的增强效果是明显不同的。的对比数据3 (b)- - - - - -5 (b)和3 (c)- - - - - -5 (c)增强了该STFE GTFE显著提高,但图像的突出区域和光晕现象没有改善,和不同程度的模糊出现。图的亮度和对比度3 (d)- - - - - -5 (d)CLAHE增强的改进在一定程度上,但光环和突出的区域图像增强。数据3 (e)- - - - - -5 (e)增强了SSR显示over-enhancement现象。数据3 (f)- - - - - -5 (f)增强,MSR比STFE GTFE, CLAHE和苏维埃社会主义共和国,但它也有颜色失真。的亮度数据3 (g)- - - - - -5 (g)DGR是增强的显著提高,但在黑暗区域的图像和失真严重扭曲的不均匀的照明环境。的亮度数据3 (h)- - - - - -5 (h)增强CLAHE-DWT明显改善,但减少图像的对比和边缘模糊。对于上述三个场景,图像增强的算法有明显的改进整体亮度、对比度、颜色、边缘、视觉效果比其他七个对比算法。

4.2。客观的分析

为了客观地评价图像增强的影响,本文采用五项指标的意思(图像亮度)15),意味着当地的均方误差(MLMSE)(图片对比),峰值信噪比(PSNR)(噪声抑制水平),意味着当地信息熵(MLIE)(信息丰富性)31日),和结构相似性指数测量(SSIM)(图片失真度)37为绩效评估和比较。低照度的客观指标数据(实验1),尘埃和喷雾(实验2),和不均匀照明(实验3)地下煤矿如表所示1- - - - - -3。

该算法和7比较算法进行了测试在17图像三种典型场景,和客观指标的平均值数据如表所示4。

根据表中的数据1- - - - - -4五项指标的值,我们知道不同的算法都有自己的最高价和最低价。为了分析不同算法的全面增强性能更直观地,综合指标F用于计算的累计值正常化的五个指标。假设原始图像的PSNR和SSIMf分别为10和1呢F表所示5: 在哪里是五个指标的最大值;是五个指标的最小值;是我th指标的价值一定的算法;p评价指标的数量, ;和W是重量。指标的均值,MLMSE PSNR, MLIE,和SSIM纸是相互独立的,和= 0.25。

根据三种实验条件下的综合性能评价数据表5折线图的综合指标F所有的算法如图6。

根据综合评价数据、图和表实验1,实验2,实验3,在表17图像4和图6可以看出,在三种不同的实验条件下,与其他七个算法相比,F价值的算法往往是更稳定的,和鲁棒性也更强。灰尘和喷雾环境,提出STFE更高F价值比算法,但在低照度和不均匀的照明环境中,该算法有更好的F值比提出STFE GTFE,验证提出STFE和GTFE利用DWT有优秀的去噪能力。在尘埃和喷雾环境中,该算法不仅de-noise还可以改善图像对比度和增加细节信息。根据F17在三种典型场景中图像的价值,可以看出该算法的综合性能优于其他七个比较算法。

根据F值在表17的图像4我们画出折线图,计算出该算法的相对比例和7比较算法与原始图像相比,画出直方图的相对比例,如图7。

根据表中的数据4和曲线变化趋势图7,在三种不同的实验条件下,相比F价值的源图像,STFE GTFE, CLAHE, SSR, MSR, DGR, MSWT,该算法提高了205%,195%,200%,185%,185%,85%,140%,和215%,分别。与STFE提出的算法相比,提出GTFE, CLAHE, SSR, MSR, DGR, MSWT,该算法的总体性能指标提高了3.28%,6.78%,5.00%,10.53%,10.53%,70.27%,和31.25%,分别。在三种典型的视觉场景中,与其他七个算法相比,该算法的综合性能更好,也就是说,该算法具有最好的全面增强性能和鲁棒性,更适合图像增强在不同的环境下我的。

5。结论

煤矿的照明环境是复杂的,如低照度、灰尘和喷雾,不均匀照明。这些因素将导致我的可怜的视觉效果图像,不利于图像的分析和处理的监控视频。为了满足煤矿的实际应用,本文提出了一种使用dual-domain-adaptive退化图像增强小波的图像增强算法和改进的模糊变换。Garrate阈值函数与自适应调整因子和增强系数设计,和一种改进的朋友构造模糊增强算法。同时,结合地区指定基金的优势,CLAHE,γ,贝叶斯估计,和其他方法在图像增强的应用程序中,该算法的实现原理。最后,该算法的去噪和增强效应分析了我在不同的环境中,和主观和客观与其他算法进行比较和分析。

结果表明,该算法可以提高整体图像的亮度和对比度,减少图像中的噪声,并使清晰的边缘和细节信息,其视觉效果优于其它算法。与原来的退化图像相比,STFE的综合性能,GTFE, CLAHE, SSR, MSR, DGR, MSWT,和该算法增加了205%,195%,200%,185%,185.00%,85%,140%,和215%,分别。与STFE算法相比,GTFE, CLAHE, SSR, MSR, DGR, MSWT,该算法的综合性能已增加了3.28%,6.78%,5.00%,10.53%,10.53%,70.27%,和31.25%,分别。在不同的实验条件下,全面提高该算法的性能是最好的,鲁棒性是最好的,在不同环境中更适合图像增强在地下矿山。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家重点研发项目(批准号2017 yfc0804302)和中国国家重点研发项目(批准号2016 yfc0801800)。