基于模糊理论的煤矿井下图像增强算法

乔陆　陈静

摘要：使用智能视频技术可以有效控制矿难的发生，矿井下图像具有光照不均匀、成像质量差的缺点，这样就会造成在井下无法正常使用智能视频技术。针对这种情况，文章提出了基于模糊理论的煤矿井下图像增强算法。此算法的核心思想是构造一个线性模糊化函数，这样就能很好的控制了高亮区，同时也增强了低亮区，所以就能实现调整模糊增强后的图像对比度。测试结果表明，此算法可以很好的解决煤矿井下图像光照不均匀的问题，具有广阔的应用空间。

关键词：矿井；图像增强；模糊理论

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）13-0177-03

Abstract： Using intelligent video technology can effectively control the occurrence of mine， mine images with uneven illumination， the shortcomings of poor image quality， this will result in the underground intelligent video technology does not work properly. To address this situation， the paper proposes coal mine based on fuzzy image enhancement algorithms. The core idea of this algorithm is to construct a linear blur function， so you can highlight good control， but also enhance the low-light district， so we can achieve adjusting Fuzzy enhanced image contrast. Test results show that the algorithm can solve the coal mine image problem of uneven illumination， and has broad application space.

Key words： mine； image enhancement； fuzzy theory

煤矿开采安全是国家非常重视的问题，通过监控系统可以有效减少矿难的发生。目前，视频监控系统被广泛的应用在煤矿企业，各个工作场所都能被实时监控，同时也能进行视频资料的备份。煤矿井下都是通过人工照明的，所以矿井下的图像的特点非常的明显：第一，照度低，和自然光照成像不同；第二，光照分布不均匀，因为使用的是人工照明，所以，离光源越近，照度越强，相反，离光源比较远的地方，照度比较弱；第三，图像没有任何色彩，图像主要是黑、灰、白色，在进行图像处理的时候，无法应用色彩信息[1]。因为这些图像特点的存在，所以煤矿安全监控中无法正常使用智能视频技术。只有把矿井下图像的可读性能提高，才能满足智能视频技术的要求。

所谓的图像增强技术就是通过改善图像的视觉效果，从而使其更适合人类的视觉。图像增强算法应用比较广泛的是模糊理论，效果非常明显[2]。模糊增强算法的基本思想是把图像数据模糊化，然后再把像素进行迭代运算，最后在把数据进行逆变换处理，从而实现图像的增强。传统的方法实现的目的主要是提高图像的对比，也就是说让高灰度更高、低灰度更低。但是，因为矿井下图像具有自身的特点，无法使用传统的模糊增强算法。针对这个问题，文章提出了基于模糊理论的煤矿井下图像增强算法，通过此算法的处理可以改善井下图像中光照分布严重不均匀现象，实用价值很高。

1 模糊算法基本原理

设一幅图像f的长宽分别为M和N，灰度级为L，M×N阶的模糊矩阵可表示为：

[F=x=1My=1N（μxy/fxy）] （1）

式（1）中，xy是隶属度，x，y表示像素点的坐标[3]。隶属函数，xy可表示成：

[μxy=[1+（L-1）-fxyFd]-Fe] （2）

式（2）中，Fd表示倒数型模糊因子，Fe表示指数型模糊因子，这些因子能通过过渡越点确定，通常情况下Fe=2。

把隶属函数进行非线性变换处理，变换的结果可表示为：

[I（μxy）=2（μxy）2 （0≤μxy≤0.5）1-2（1-μxy）2 （0.5<μxy<1.0）] （3）

式（3）中，为了能够减小模糊性，可以通过增大隶属度值实现[4]。如果把式（3）进行迭代运算，就能够得到一个新的隶属度，此隶属度可以表示为：

[μ'xy=Ir（μxy）=I（Ir-1（μxy）） （r=1，2，3，…）] （4）

式（4）中，Ir表示I的r次用。如果把新的隶属度进行逆变换，就可以实现把增强后的图像换回数据空间，这样就能得到模糊增强后的图像fˊ。

从模糊理论的基本原理可以看出来，式（2）和式（3）决定了模糊增强算法的效果和效率。通过改变隶属度的函数、参数的选取可以有效的提高图像的对比度。但是，这种方法在矿井下的图像无法正常的使用，所以必须对此算法进行改进[5]。

2 煤矿井下图像模糊增强算法

因为矿井下的图像具有自身的特点。所以，在使用基于模糊理论的增强算法的时候，最主要的是怎么样确定图像数据模糊化函数和模糊增强函数[6]。

2.1 模糊化函数

图像的模糊矩阵可以表示为：

[μxy=fxy-fminf-fmin （fxy≤f）fmax-fxyfmax-f （fxy>f） f是灰度平均值] （5）

式（5）中，fmin表示最大灰度值，fmax表示最小灰度值。如果灰度为平均值的时候，μxy为最大值1，如果灰度为最大值或者最小值的时候，μxy为最小值0，其它的情况，μxy值范围是0～1。隶属函数是线性函数，和传统的方法相比，大大减少了计算流程。

2.2 模糊增强

由式（5）可知，当图像灰度小于等于平均灰度值的时候，μxy随着灰度值的增大而增大。当图像灰度大于平均灰度值的时候，μxy随着灰度值的减小而增大。矿井下的图像需要进行减小高亮度，增大低亮度的处理，只需要把μxy的值增大就能实现[7]。所以可以进行以下的变换：

[μ'xy=sqrt（μxy） μxy∈[0.1]，μ'xy∈[0，1]且μ'xy≥μxy] （6）

通过式（6）的变换可以实现增大低亮度，降低高亮度。可是，同时会对图像的对比度产生不好的影响。所以，在不进行迭代运算的时候，可以把对比度的降低控制在一定范围内。

增强后的图像可以通过对式（5）进行逆变换得到： [f'xy=μ'xy（f-fmin）+fmin （fxy≤f）fmax-μ'xy（fmax-f） （fxy>f） 其中f'xy是图像f'中像素（x，y）的灰度]（7）

2.3 调整对比度

高灰度的降低和低灰度的增大，会对对比度造成很大的影响，影响的结果是对比度降低，这样就会把图像变得非常的模糊，所以为了不影响图像的视觉效果，就必须调整图像的对比度。调整的过程可分三步进行：

第一步，对原始图像进行卷积运算， 这个过程是通过3个不同尺寸二维高斯滤波器实现，设gi（i=1，2，3）是高斯滤波器。经过处理的图像灰度可表示为：

[fxy，i=f*xy gi，xy] （8）

高斯滤波器gi各个元素的取值为：

[gi，xy=K?exp（-（x2+y2）2σ2i）] （9）

式（9）中Ki的值必须要满足：

[Ki?exp（-（x2+y2）2σ2i）dxdy=1] （10）

式（10）中，σi表示滤波器的标准差，其值分别是5，20，240。

第二步，求像素点的比值，必须把滤波后图像和原亮度图像所有的像素点比值都要求出来，方法是：

[γi，xy=fi，xy/fxy] （11）

第三步，调整模糊增强后图像的对比度，得到新的图像，此图像可表示为：

[f''xy=i=13wif'γi，xyxy 其中f''xy是图像f''中像素（x，y）的灰度] （12）

式（12）中，wi表示的是权系数。

2.4 煤矿井下图像模糊增强算法步骤

此算法过程分四步进行：

第一步，把图像数据进行模糊化处理，这一步的目的是把每个像素点的隶属值都算出来[8]。

第二步，模糊增强，这一步的目的是要实现对每个像素点的隶属值进行增强。

第三步，去模糊，这一步的目的是把像素点增强后的隶属值转换为灰度值。

第四步，调整对比度。

3 测试结果

为了验证此算法正确性，文章通过Matlab对两幅图像通过此算法进行了处理，同时要使用直方图均衡化算法进行了处理，两种方法处理的结果如图1和图2所示。

由图1可知，通过文章所述算法处理的结果是，暗区变亮，同时对整体的对比度没有任何的影响，处理效果很好。但是通过直方图均衡化的方法处理的图像有些细节看不清楚。

由图2可知，经过文章中所述算法的处理，暗区得到了很好的增强，亮区得到了很好的控制，但是通过直方图均衡化的方法处理的图像，暗区没有得到有效的增强。

4 结论

为了能够在矿井下能够正常使用智能监控系统，针对井下图像自身的缺点，文章提出了基于模糊理论的煤矿井下图像增强算法。文章论述了此算法的基本理论和具体的实现步骤，为了验证此算法的正确性和有效性，文章还对两幅不同的井下图像使用本文算法和直方图均衡化的方法分别进行了处理，把结果进行对比分析，测试结果表明，此算法效果很好，具有广阔的应用空间。

参考文献：

[1] 马祖长， 孙怡宁， 梅涛. 无线传感器网络综述[J]. 通信学报， 2004， 25（4）： 114-124.

[2] 李长青， 朱世松， 赵建贵. 煤矿安全和生产监控系统的现状与未来发展趋势[J]. 焦作工学院学报（自然科学版）， 2000，（2）： 44-48.

[3] 梁美玉， 李莉， 陈坤. 基于蚁群算法的井下无线传感器网络节点定位研究[J]. 煤矿机械， 2010，31（12）： 48-50.

[4] 张素兵， 刘泽民. 基于蚂蚁算法的分级 QOS 路由调度方法[J]. 北京邮电大学学报， 2000，23（4）： 11-15.

[5] 刘立东. 改进蚁群优化算法的研究[D]. 成都： 西南交通大学， 2007.

[6] 孙改平， 郭红. 改进蚁群算法及其在煤炭运输中的应用[J]. 煤矿机械， 2012，33（7）： 208-209.

[7] 梁美玉， 李莉， 陈坤. 基于蚁群算法的井下无线传感器网络节点定位研究[J]. 煤矿机械， 2010，31（12）： 48-50.

[8] 陈珏. 大型带式输送机动态分析用输送带参数的测定[J]. 煤矿机械， 2008，（11）： 3-6.