CN108460736A - 一种低照度电力设备图像曲波域增强方法 - Google Patents

Abstract

本发明提出一种低照度电力设备图像曲波域增强方法，解决了低照度下电力设备图像降质严重的问题。首先将低照度电力图像转换至HSI空间，通过曲波变换分解亮度参量得到不同尺度、不同方向的子带分量，以此构建人眼视觉模型。然后利用模型的亮度遮蔽和亮度‑对比度遮蔽特性对高频分量进行非线性增强，同时对低频分量进行非线性拉伸。最后通过曲波逆变换重构亮度参量，结合原始图像的色度和饱和度分量将图像转换至原色彩空间，得到增强后的低照度电力设备图像。该方法可以有效提升低照度电力设备图像的对比度和亮度，保持图像的细节信息，抑制图像噪声。

Description

一种低照度电力设备图像曲波域增强方法

技术领域

本发明涉及图像增强技术领域，具体涉及一种低照度电力设备图像曲波域增强方法。

背景技术

计算机视觉系统在电力设备巡检中发挥着关键作用。高质量的数字图像是计算机视觉系统高效工作的必要前提。然而，由于电力设备大多位于野外，在阴雨、夜间以及人工光照不足等低照度条件下，采集到的电力设备图像存在对比度低、细节丢失严重等问题，图像的应用价值严重下降，极大影响了电力工作人员对设备险情的处理效率。因此，为了挖掘低照度电力设备图像中的信息，提高计算机视觉系统的可靠性，需要通过数字图像处理技术改善低照度电力图像的质量。

目前，对低照度图像进行增强是图像质量提升领域的研究热点。现有的低照度图像增强方法主要分为空域处理和变换域处理两大类。前者主要包括直方图均衡化和灰度变换。直方图均衡化可提升图像的整体对比度，使图像更加清晰，但容易出现“过增强”现象，对图像细节丢失严重。对此，CHANG等人提出一种改进的直方图均衡化图像增强方法，对图像细节的保留改进明显，但对噪声的抑制效果差，且该方法时间复杂度高。而基于灰度变换的图像增强方法同样存在对细节和噪声的处理效果欠佳的问题。

相比之下，基于变换域处理的增强方法以其良好的信号与噪声分离特性，在低照度图像增强领域具有更为广阔的应用前景。与傅里叶变换增强方法相比，离散小波变换增强方法在噪声抑制、细节表达上有很大的改进。DEMIREL等人利用离散小波变换将图像的高低频分量进行分离，对低频分量进行奇异值分解，再通过逆变换重构图像，达到增强原图的目的。但小波变换本身在平移不变性上的缺失影响了该方法的增强效果。张菲菲等提出一种人眼视觉感知驱动的梯度域低照度图像增强方法，利用视觉模型的超阈值特性，非线性地调整图像梯度场，通过在梯度域快速求解泊松方程获取增强的图像。能够有效保留图像的细节信息，但该算法也带来了图像色彩失真、对噪声的抑制欠佳等问题。

发明内容

鉴于此，本发明提出一种低照度电力设备图像曲波域增强方法，能够有效提升低照度电力图像的对比度与亮度，保持图像的细节信息，抑制图像噪声。

本发明的具体步骤如下：

1)将原始低照度电力图像由RGB色彩空间转换到HSI色彩空间；

2)利用曲波变换分解亮度参量，得到不同尺度、不同方向的高低频子带分量；

3)利用人类视觉系统(HVS，human visual system)的亮度遮蔽特性(LM，luminance masking)和亮度-对比度遮蔽特性(LCM，luminance and contrast masking)，计算曲波分解得的高低频系数的LCM参量，对LCM参量进行非线性增强，最后再逆向获取高频分量。具体增益表达式如下：

f(x)＝a{sigma[c(x-b)]-sigma[-c(x-b)]}

在上式中，0＜b＜1，b与c分别为用于调节增强范围和增强强度的系数。

4)利用非完全Beta函数对低频分量进行非线性增强，归一化的非完全Beta函数表达式如下所示：

亮度变换曲线。本发明的系数选取为z＝0，w＝10。

5)通过曲波逆变换重构亮度参量，结合原始图像的色度和饱和度分量将图像转换至原色彩空间，得到增强后的低照度图像。

本发明的有益效果：

本发明针对低照度下电力图像降质严重的问题，提出一种低照度电力设备图像曲波域增强方法。将人类视觉系统的两种特性：亮度遮蔽(LM)特性和亮度-对比度遮蔽(LCM)应用于经曲波变换分解亮度参量得到的高频子带系数的非线性增强，将非完全Beta函数应用于低频子带系数的增强，提升了低照度图像的对比度和亮度，并且使得图像的细节得到保持，有效提高了低照度电力图像的质量。

附图说明

图1为本发明的算法流程图。

图2为人类视觉系统特性曲线图。

图3为高频系数非线性增强函数曲线图。

图4为低频系数非线性增强函数曲线图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

针对低照度电力图像，本发明的算法流程图如图1所示，其增强步骤如下：

(1)首先将原始的低照度电力图像进行色彩空间转换，由RGB空间转换至HSI空间。R、G、B以及S、I均在[0，1]范围内，转换公式如下：

其中：

(2)利用曲波变换分解亮度参量，获取低频分量系数和不同尺度、不同方向的高频子带系数。作为小波变换的一种改进算法，曲波变换具有小波变换的尺度特性，同时，还具有较强的方向选择性和线性特性。其计算速度较传统小波变换大幅提高，能很好的保留边缘和细节部分，图像更清晰。其主要原理是把曲线分割成多个小段，每段曲线都可用直线段来近似表示，接着采用脊波(Ridgelet)变换算法来进一步处理。整个变换流程包含子带分解、平滑分段、规范化以及Ridgelet分析等一系列步骤，其变换过程介绍如下。

设在二维空间R²中存在平滑非负的“半径窗”W(r)和“角窗”V(t)，满足容许性条件：

对所有尺度j≥j₀，定义傅里叶频域的频率窗U_j为

其中，表示j/2的整数部分，U_j为W与V限制的“楔形”窗口。

引入均匀旋转角序列l＝0,1,…，0≤θ_l≤2π，k＝(k₁,k₂)∈Z²。定义在尺度2^j，方向θ_l，平移参数(k₁,k₂)处的曲波为：

其中，R_θl表示以θ_l为弧度的旋转，为R_θl的转置。

在上述基础上，将连续曲波变换定义如下：

其中，为f和的内积，为的共轭复数。

(3)利用人类视觉系统(HVS，human visual system)的亮度遮蔽特性(LM，luminance masking)和亮度-对比度遮蔽特性(LCM，luminance and contrast masking)，计算曲波分解得的高低频系数的LCM参量，对LCM参量进行非线性增强。人类视觉系统中存在亮度遮蔽(LM)特性，主要表现为人类视觉的敏感度随所观察环境的亮度呈非线性变化，人眼对亮度的敏感程度随着环境亮度的增加而提高。这种特性符合心理学的韦伯-费希纳定律，方程如下所示：

ΔI/I＝K

其中，I为人眼受到的激励程度，DI为能察觉到的激励极小值，K为韦伯常量，一般为0.015左右。由于K不变，ΔI随I的增大而增大，但当I很小时，上式不成立，ΔI极小，两者呈非线性关系。研究表明，上式只在中等的亮度区才成立，人类视觉特性函数需分段表达，一般将它分为四个部分，如图2所示，其中，x轴表示刺激强度，y轴为人眼的最小可觉差，这里用可觉差的对数表示。第一部分为低对比度区域，该区域刺激强度过低，人眼无法感受其变化；第二部分为低亮度部分，斜率一般为0.5左右，定义为德弗里斯区；第三部分为中等亮度区域，曲线斜率为1，定义为韦伯区域；最后一部分为饱和区，该部分强度已呈现饱和状态，人类视觉感受失真。因此，只有在韦伯区域中人类视觉特性才有效。

亮度-对比度遮蔽(LCM，luminance and contrast masking)是人类视觉系统的另一重要特性，即人类视觉的敏感度与对比度的相对变化有关。在低对比度和过高对比度的环境中，人眼的视觉敏感度很低，当亮度处于中等对比度时，人眼的视觉敏感度最高。

LM的函数定义如下：

为避免分母为0，将分母加上一个常数a₂，利用γ₂调节亮度受周围刺激程度，y₀为低频系数，为高频系数，i为分解的方向数，n为层数。

LCM函数的定义如下：

同理，为避免分母为0，在分母上添加常数a₂，利用γ₂调节亮度受周围环境的刺激程度。经非线性增强的LCM参量可反向得到处理后的LM参量：

对增益后LM参量进行反向变换，得到曲波变换的高频系数：

增益函数如下：

f(x)＝a{sigma[c(x-b)]-sigma[-c(x-b)]}

在上式中，0＜b＜1，b与c分别为用于调节增强范围和增强强度的系数。非线性增强系数曲线如图3所示。HVS反变换得到增强后的高频分量，为避免增强边缘的同时也增强噪声，由于图像噪声大多分布于最细子带，为了避免噪声对边缘信息增强的影响，本文的增强算法对高频分量的最细子带进行阈值化处理，阈值设定如下：

上式中，ρ表示高频子带微调系数，δ＝median[abs(c)]/0.6745，c为分解完成后的最细子带分量。

(4)图像的亮度分量经曲波分解得到的低频子带表示其的概貌信息，低照度电力图像整体对比度低，低频子带各系数差不大。因此，若将低频信息带入拉伸函数进行处理，能有效增强低照度图像的亮度和对比度。本文通过非完全Beta函数^[15]获取亮度变换拟合曲线。归一化的非完全Beta函数如下所示：

其中，为Beta函数，z≥0，w≥0，调整z和w可拟合得到任意亮度变换曲线。当z＝0，w＝10时，代入上述公式进行函数拟合，得到的亮度变换曲线如图4所示。

(5)通过曲波逆变换重构亮度参量，结合原始图像的色度和饱和度分量将图像转换至原色彩空间，得到增强后的低照度图像。从RGB模型转换至HSI模型，R、G、B以及S、I均在[0，1]范围内，根据H将公式分为3段：

当0°≤H≤120°时：

当120°≤H≤240°时：

当240°≤H≤360°时：

进而得到增强后的低照度电力图像。实验证明，本发明对低照度电力图像的亮度和对比度的提升明显，抑制了图像噪声，并且使得图像的细节得到保持，有效提高了低照度电力图像的质量。

综上所述，以上仅为本发明的实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种低照度电力设备图像曲波域增强方法，其特征在于，主要包括如下步骤：

1)将原始低照度电力设备图像由RGB色彩空间转换到HSI色彩空间；

2)利用曲波变换分解亮度参量，得到不同尺度、不同方向的高低频子带分量；

3)通过人类视觉系统HVS的亮度遮蔽特性LM和亮度-对比度遮蔽特性LCM对高频分量进行对比度增强；

4)利用非完全Beta函数对低频分量进行非线性增强；

5)通过曲波逆变换重构亮度参量，结合原始图像的色度和饱和度分量将图像转换至原色彩空间，得到增强后的电力设备低照度图像。

2.根据权利要求1所述的一种低照度电力设备图像曲波域增强方法，其特征在于，在步骤3)中，利用LM和LCM对高频分量进行对比度增强的具体增益表达式如下：

f(x)＝a{sigma[c(x-b)]-sigma[-c(x-b)]}

在上式中，0＜b＜1，b与c分别为用于调节增强范围和增强强度的系数。

3.根据权利要求1所述的一种低照度电力设备图像曲波域增强方法，其特征在于，在步骤4)中，利用非完全Beta函数对低频系数进行非线性增强的具体表达式如下：

其中，为Beta函数，z≥0，w≥0，调整z和w可拟合得到任意亮度变换曲线。

4.根据权利要求1和2所述的一种低照度电力设备图像曲波域增强方法，其特征在于，在步骤3)中，利用LM和LCM对高频分量进行对比度增强的同时，为避免增强边缘的同时也增强噪声，对高频分量的最细子带进行阈值化处理，阈值设定如下：

上式中，ρ表示高频子带微调系数，δ＝median[abs(c)]/0.6745，c为分解完成后的最细子带分量。

5.根据权利要求1和3所述的一种低照度电力设备图像曲波域增强方法，其特征在于，在步骤4)中，利用非完全Beta函数对低频系数进行非线性增强时，表达式系数的选取为z＝0,w＝10。