改进MSRCR的电力设备图像增强算法研究

束江++崔昊杨++刘晨斐

摘 要：针对传统多尺度颜色恢复算法处理电力设备图像时存在的光晕现象、颜色失真等问题，文中提出了一种改进的retinex图像增强方法。通过傅里叶变换将原图像转换至频域后进行卷积计算获取原图像反射分量，计算原图像的亮度信息并与反射分量进行线性加权，采用直方图均衡对合成后的图像进行处理以增加图像对比度。与传统MSRCR算法相比，该算法处理后的图片不存在光晕现象与颜色失真问题，颜色恢复能力得到加强。图像评价函数指标表明，本算法在均值，标准差，信息熵，平均梯度上都表现较佳，运算速率更快，更利于电力设备图像自动化处理与分析。

关键词：图像增强；MSRCR算法；光晕现象；图像融合；线性加权

中图分类号：TP391.41 文献标识码：A 文章编号：2095-1302（2017）10-00-04

0 引 言

图像增强技术是电力设备远程视频监控系统中的一种常见技术[1，2]，用以解决受光照环境不均匀和设备成像质量差产生的图像色彩暗淡、对比度小、饱和度低等问题。retinex算法是基于人类视觉系统提出的一种图像增强方法[3]，该理论提出人类视觉图像由入射分量L（x，y）和反射分量R（x，y）合成得到，通过估计入射分量L（x，y）计算出反射分量R（x，y）。在传统retinex算法的基础上，逐渐发展出单尺度retinex（SSR）算法[3]、多尺度retinex（MSR）算法[4]、带色彩恢复的多尺度retinex（MSRCR）算法[5]等方法。这类方法在实现色感一致性与动态压缩等方面具备一定的优势，但在处理饱和度低、图像灰化与明暗对比强的图片时，易出现噪声增强，光晕和迭代求解效率低等问题[6]，从而给目标特征的检测和提取造成了一定困难。

颜色失真、噪声及光晕现象是retinex图像增强处理过程中普遍存在的问题。为此，常戬等人[7]提出利用双边滤波对反射分量进行处理来解决光晕现象，占必超等人[8]提出了平稳小波变换结合retinex算法、吴一全等人[9]提出了Contourlet变换与retinex结合的算法，来解决光晕现象与颜色失真问题，李锦等人[10]提出采用直方图均衡与retinex算法加权融和的方法，Petro等人[11]提出MSRCP算法（即对图像的光度数据进行retinex处理，然后再把数据根据原始RGB的比例映射到每个通道）在保留原始颜色分布的基础上增强图像。上述方法可在一定程度上消除光晕现象，但算法的具体实现过程较复杂。由于电力设备的种类和数量众多，特别是设备群多处于野外复杂、恶劣环境中，拍摄的电力设备图像的光晕现象与颜色失真问题较为突出，这就对图像增强技术的分析能力、增强效果、批量处理以及处理效率提出了更高的要求。

本文运用频域变换与光照补偿的方式对传统MSRCR算法进行了改进，消除了MSRCR算法中的光晕现象，提高了算法效率。该方法将电力设备原图像转换到频域内进行卷积计算，达到抑制新噪声产生和消除光晕现象的目的。将处理后得到的反射分量与原图像的亮度进行线性加权实现了原图像色彩基调的还原。选用各通道的均值和方差来自适应拉伸范围，对合成后的图像进行直方图均衡[12]以增加图像对比度。实验结果表明，经本文算法增强后的电力设备图像细节清晰，较好地解决了颜色失真及光晕现象，相对于传统MSRCR算法，图像处理的运算速率得到较大提升。

1 retinex算法的改进

1.1 retinex算法基础

retinex理论认为视觉图像信号I（x，y）由环境光学分量L（x，y）和目标物体反射分量R（x，y）合成，通过估计入射分量L（x，y）计算出反射分量R（x，y） [3， 4]：

其中，F（x，y）为环绕函数，δ为高斯函数的标准值，它决定着retinex算法的增强效果。为进一步提升MSR算法的颜色恢复效果，对传统MSR算法进行改进得到MSRCR算法[5]：

其中，Ci（x，y）是色彩恢复函数，β为增益常数，α是受控制的非线性强度。利用MSRCR算法处理后的图像像素值一般会出现负值，进行修正后表示为[5]：

其中，G为增益常数，b为增益补偿，一般都为常数。

传统MSRCR的卷积计算在空域进行，在retinex理论框架内，光照是一種缓变因素而非突变因素，即照射光的变化呈现平滑性，在明暗对比度强烈的边缘区域容易产生光晕现象。

1.2 retinex算法的改进

1.2.1 光晕消除及效率提升

针对传统retinex算法存在的边缘光晕现象，本文利用快速傅里叶变换（FFT）将原图像频谱移频到圆心（FFTshift）分辨出图像频率分布，分离出包含光晕信息的低频部分并保留体现图像本质的高频信息，以此可以较好地解决光晕问题。

由公式（2）～（4）可以看出，在MSR算法中，L（x，y）的估算是利用高斯函数与原图像反复迭代计算得到，因而效率低且会引入不可调节的新噪声。采用FFT在频域内完成计算，缩小数据范围，可以使得计算过程中引入的额外噪声减小，原本的卷积计算简化为乘积计算且时间复杂度将降低logn/n倍，从而缩短运算时间。在算法的具体实现过程中，公式（4）利用图1方法进行简化：

图2以电力设备的绝缘子为例，对比了传统MSRCR与带FFT变换MSRCR（FFT-MSRCR）算法图像增强后的效果。从图2（a）可以看出，原图中因照度低产生的阴影导致设备视觉细节较为模糊。图2（b）所示为经过传统MSRCR处理后的设备图像增强效果图，尽管设备的部分细节信息较原图有所提升，但也出现了颜色失真以及绝缘子瓷瓶处的光晕现象。图2（c）所示为FFT-MSRCR算法处理后的图像增强效果，相对于原图及传统MSRCR处理后的图像而言，该图中绝缘子纹理则更为清晰，细节色彩分明且处理速度大幅提升。endprint

但该方法处理后图像仍存在部分构件边缘处的颜色失真问题。这是由于在RGB色彩空间的图像增强中，FFT虽然能提升处理速度，消除光晕影响，但估算光照分量被剔除的本质未变，从而在一定程度上导致了颜色失真。

1.2.2 色彩保真性改进

为保留原图的颜色基调，使图像色彩恢复得到提升，本文引入HSI颜色空间的亮度来补偿被剔除的光照分量[13]。HSI色彩空间的亮度信息与RGB色彩空间的转换关系如下[14]：

S（x，y）=[r（x，y）+g（x，y）+b（x，y）]/3 （8）

其中，S（x，y）为亮度信息，r（x，y），g（x，y），b（x，y）代表原图像的三色分量。将S（x，y）与三通道计算得到的反射分量RR（x，y），RG（x，y），RB（x，y）进行权重值为r的加权融合，得到改进后的反射分量RR'（x，y），RG'（x，y），RB'（x，y）。

图像的信息熵在很大程度上受r值选取的影响，图3所示为10幅不同图像的信息熵对比图，每幅图片取4个r值。对于图像编号为3，5，8的黑白图像，r值取0.7时信息熵最大，图像包含的细节较多。其它编号为彩色图像，r值取0.4时信息熵最大，但实际处理后的图像色调偏暗。仿真试验表明，对本文所处理的电力设备图像，r取0.6较为合理。

分别计算出反射分量RR'（x，y），R'G（x，y），RB'（x，y）各数据的均值Mean和均方差Var。通过公式Min=Mean-K×Var，Max=Mean+K×Var，K的取值一般为2～3，计算各通道的Min和Max值，利用如下公式对Log[R（x，y）]的每一个值Value进行线性映射：

具体求解中同时需要增加溢出判断条件进行限定，即Value>255，R（x，y）=255；Value<0，R（x，y）=0。

为进一步增强图像对比度及视觉效果，本文在上述算法的基础上增加了直方图均衡。通过直方图均衡截取反射分量两端各1%的像素再进行压缩，增加了图像对比度。在对原电力设备图像的颜色修复工作中，先通过亮度与三色通道的反射分量进行加权叠加，然后对三色通道合成后的图像进行直方图均衡。通过此方式可以较好地保留原图的颜色基调，并有较强的对比度。

1.3 本文算法具体步骤

为实现设备图像的自动增强，在具体算法的实现过程中采用如下步骤：

（1）输入图像，并将其分解到R、G、B三色数据通道上，依次将其数据类型转换为double型。通过公式（8），计算图像亮度S（x，y）；

（2）MSRCR参数设为β=46；G=192；α=125；b=-30。设定高斯模板小、中、大的尺寸为（15，80，250），利用高斯函数计算出相应高斯模板；

（3）将原始图像转换到对数域后进行FFT变换，在频域内，用三个不同尺度的高斯模板与图像做乘积运算。将频域中心转移至零点位置，进行IFFT变换，得到三个入射图像；

（4）用原图像的对数分别减去上述步骤获得的入射图像对数，得到三个反射图像。用公式（7）计算得到RMSRCRI（x，y），通过公式（9）与亮度函数进行加权融合得到RR'（x，y），RG'（x，y），RB'（x，y）；

（5）分别计算出反射分量RR'（x，y），RG'（x，y），RB'（x，y）各数据的Mean和Var，对其进行动态压缩，最后利用直方图均衡截取反射分量两端各1%的像素以增加对比度。上述具体步骤流程如图4所示。

2 实验结果分析

2.1 增强效果对比

为体现本文方法的有效性，对比了多种电力设备图像在不同算法下的增强效果。测试所用计算机配置为InterCore i7-6700 CPU@2.60 GHz， 2.60 GHz，8.00 GB 内存。测试使用的软件环境为Matlab R2014a，操作系统为Windows 10。图5～8中（a）～（f）图像分别为设备原始图像、传统MSRCR算法[3]、对反射分量进行动态压缩的MSRCR算法（DTYS-MSRCR）[14]、MSRCP算法[11]与本文算法处理的图像。

不同算法处理后的设备效果图像表明：传统MSRCR算法在处理低分辨率、颜色单调、对比度小的图像时具备一定优势，但处理其它类型的图像時色彩泛白，颜色失真较为严重，如图6（b）、图8（b）所示，绝缘子瓷瓶出现了明显的光晕现象，底座部分颜色明显不符合设备实际色彩。而经DTYS-MSRCR算法处理过的图像虽在光晕和颜色失真问题处理效果上优于传统MSRCR算法，但并未从根本上解决这些问题，增强效果较差，如图6（c）与图8（c）所示。经MSRCP算法处理的图像虽未出现光晕现象，且对细节的增强效果较好，但图像整体色彩还原效果一般，如图8（d）所示，绝缘子瓷瓶的颜色还原有所欠缺，图像对比度不鲜明。与上述方法相比，本文算法图像增强后的效果图不存在光晕现象，且在色彩保真性、对比度、细节恢复等方面表现效果良好，如图8（e）所示。图像的光线明亮，色彩恢复与其它效果图相比更完善。

2.2 图像评价对比

为进一步对比本文算法与传统算法的图像增强效果，采用图像评价函数进行评价。所采用的图像评价指标包括反映图像细节信息的标准差、反映图像亮度的亮度均值、反映图像信息量的信息熵以及反映图像清晰程度的平方梯度。表1所列为图5～图8所示图像评价结果。

排除原图像效果较差但数据反应良好的影响因素后，从表1可以看出，本文算法在标准差、亮度均值、信息熵、平均梯度等指标中排名靠前，综合水平最佳。由表2可知，本文算法具有计算时间最短，对图像的颜色恢复更为完善等优点，在保证增强效果的基础上提升图像的处理效率。图6与图8的处理时间显示较高，因图像分辨率过高导致运算时间过长。结合表1所列指标，说明本算法增强效果较好，运算速率较快，更利于批量图像自动化处理与分析。endprint

3 结 语

针对MSRCR增强图像中存在的颜色失真、光晕现象、对比度低等不足，提出了一种新MSRCR图像增强算法。不同分辨率及对比度的电力设备图像增强效果表明，本文算法增强后的设备图像细节清晰，色彩自然，光照度良好，较好地解决了颜色失真及光晕现象。对于低照度的电力设备图片增强效果明显。图像评价函数指标表明，本文算法相对于其他几種算法在均值、均方差、计算效率等方面具备一定优势。本文所提出的理论和技术可进一步提升已有图像增强算法的图像处理效果及效率，为电力设备图像识别技术、电力智能巡检机器人技术以及电力设备故障诊断技术奠定了基础，因此具有较好的现实意义。

参考文献

[1]潘夏清.变电站无线视频监控系统的技术研究与实现[D].成都：电子科技大学，2012.

[2]崔昊杨，许永鹏，孙岳，等.基于自适应遗传算法的变电站红外图像模糊增强[J].高电压技术，2015， 41（3）：902-908.

[3] D J Jobson，Z U Rahman，G A Woodell. Properties and performance of a center/surround retinex[J].IEEE Trans on Image Processing，1997，6 （3）： 451-462.

[4] D J Jobson，Z Rahman，G A Woodell. A multiscale retinex for bridging the gap between color images and the human observation ofscenes[J].IEEE Trans on Image Processing ： Special Issue on ColorProcessing，1997，6（7）： 965-976.

[5] Z Rahman，D J Jobson，G A Woodell. A multiscale Retinex for color rendition and dynamic range compression. SPIE International Sympo-sium on Optical Science[J]Engineering and Instrumentation，1996： 183-191.

[6]周扬，孙瑾，牛犇.一种基于改进Mean Shift滤波的retinex彩色图像增强算法[J].计算机科学，2014， 41（S1）：160-163.

[7]常戬， 白佳弘.基于回转对称双边滤波的Retinex图像增强算法[J]. 计算机工程， 2016，42（6）：265-273.

[8]占必超， 吴一全， 纪守新.基于平稳小波变换和Retinex的红外图像增强方法[J].光子学报，2010， 30（10）：2788-2793.

[9]吴一全，史骏鹏.基于多尺度Retinex的非下采样Contourlet域图像增强[J].光学学报，2015，35（3）：79-88.

[10]李锦，王俊平，万国挺，等.一种结合直方图均衡化和MSRCR的图像增强新算法[J].西安电子科技大学学报（自然科学版）， 2014， 41（3）：103-109.

[11] Ana Belén Petro， Catalina Sbert， Jean-Michel Morel. Multiscale Retinex[J].Image Processing On Line， 2014

（4）：71-88.

[12]吴成茂.直方图均衡化的数学模型研究[J].电子学报， 2013， 41 （3）：598- 602.

[13]李垚峰，何小海，吴小强.改进的带色彩恢复的多尺度Retinex雾天图像增强算法[J].计算机应用，2014， 34（10）：2996-2999.

[14]肖进胜， 单姗姗， 段鹏飞， 等.基于不同色彩空间融合的快速图像增强算法[J].自动化学报， 2014， 40（4）：697-705.

[15]闫钧宣， 张科. HSI空间亮度信息的多尺度Retinex图像增强研究[J].计算机工程与应用， 2010， 46（23）：31-33.endprint