基于分数阶改进Retinex低光图像增强的仪表检测算法

(石家庄铁道大学 a. 电气与电子工程学院，b. 机械工程学院，河北 石家庄 050043)

随着无人值守变电所的数量逐渐增多以及变电站巡检机器人的推广，利用巡检机器人搭载的可见光摄像头采集仪表图像，并结合机器视觉技术识别读数，可以大幅减少人工巡检工作量和巡检压力，巡检效率显著提升[1]。由于复杂环境因素(如光照不均、雾霾及雨水天气等)影响，致使采集到部分仪表巡检图像为低光照图像，不利于后续利用机器视觉识别仪表读数，因此增强低光仪表图像细节，提高仪表定位的精度和速度，精确识别目标仪表读数，进而完善基于变电站巡检机器人的表记识别系统，对促进变电所无人值守化意义重大[2]。

针对变电站仪表识别已有大量相关研究，如韩绍超[3]借助尺度不变特征变换(SIFT)的特征提取算法匹配定位仪表；施成燕[4]利用加速稳健特征-模式匹配(SURF-BF)算法将巡检机器人采集的不同时刻和状态的仪表配准到相同的模板，以较高的时间成本提升定位精度，但不能满足基于变电所巡检机器人巡检的实时要求。邢浩强等[5]用卷积神经网络(CNN)定位仪表，并结合双边滤波和带色彩恢复的多尺度视网膜增强(MSRCR)算法[6]增强仪表图像，但常常因没有充分提取低光图像的暗内容而出现误检。刘葵[7]利用更快区域卷积网络(Faster-RCNN)定位表盘、LeNet-5识别表盘刻度值的数值，尽管该算法适用于各种分度值、不同表盘的仪表，但需要大量带标签的训练集以及高性能的电脑配置才能得到训练好的模型。

分数阶微分算子作为包含全局相关性的非局部算子，在凸显纹理信息的同时也能保留平滑区域的细节信息，被广泛用于图像增强领域。如李青磊等[8]将分数阶微分用于光伏电池图像增强，能明显增强裂纹区域，提升缺陷检测精度。为了准确识别雾霾、光照不均等环境下牵引变电站室外低光照仪表图像，本文中提出一种基于分数阶微分改进的Retinex低光图像增强算法充分提取低光照仪表图像的暗内容并经相机响应函数(CRF)调整光照以得到曝光良好的目标仪表图像；然后，通过SURF算法提取特征向量，并采用快速最近邻逼近搜索函数库(FLANN)完成高维特征向量空间中的最近邻搜索以匹配定位目标仪表图像；最后，利用累积霍夫变换检测仪表指针并完成读数。

1 基于分数阶改进的Retinex低光图像增强

1.1 Retinex理论

Retinex理论早在20世纪70年代就已经被提出，直到80年代被美国国家航空航天局(NASA)用于增强外太空图像后才受到越来越多研究者的重视[9]。根据Retinex图像增强的基本思想，人眼感知目标物体的亮度取决于环境照明和物体表面对照射光的反射[10]，其数学表述为

S(x,y)=L(x,y)*R(x,y)，

(1)

式中：S(x,y)为观察的原始图像；L(x,y)为入射光的照射分量(即光照图L)；R(x,y)为保留图像细节信息的反射分量(反射图R)；*为卷积符号。对上式变形并取对数就能去除入射光得到物体的本来面貌，

lgR(x,y)=lgS(x,y)-lgL(x,y)。

(2)

基于Retinex的图像增强算法大都遵循同样的本质：通过对原图像进行平滑滤波处理，尽可能恢复照射图像，然后使用Γ变换调整光照；但是，由于Γ变换缺乏理论支持以及用整数阶微分约束反射图，不能从原始图像中充分提取暗内容，因此处理后的低光图像存在过度增强或失真等缺陷。

1.2 基于分数阶微分的Retinex增强

相比于整数阶微分，分数阶微分不仅能够有效地处理图像中的高频成分，还能够处理低频成分的纹理细节信息。由于分数阶微分在保持原始图像自然性的基础上还能有效保留纹理细节和抑制噪声，因此，本文中将分数阶微分引入到Retinex算法中反射图的约束项。除此之外，本文中还引入新的先验信息用于约束光照图。

1.2.1 反射图约束

(3)

式中υ1、υ2为目前常用的Grumwald-Letnikov(G-L)分数阶参数，比如υ阶的G-L分数阶微分定义为

(4)

1.2.2 照明先验约束

(5)

式中：x为感兴趣像素点；Ω(x)为像素x的领域；c为颜色通道。

另外，根据Retinex理论，L应该包含图像结构信息，不包含纹理细节[13]，因此，另设光照约束为

(6)

式中：G(·)为高斯滤波；ε为防止分母为0的极小正数。根据文献[14]中的理论分析，由于高斯滤波导致细节的丢失，因此在图像纹理区域，|Dx/yG(L)|<|Dx/yL|，从而使El(L)≥2；在图像整体结构区域，|Dx/yG(L)|≈|Dx/yL|，使得El(L)≈2。

综上所述，通过结合光照先验、反射约束以及保真项，可得图像的总能量函数为

(7)

1.3 基于CRF的光照调整

不论是传统方法还是本文中提出的方法，在求得L、R后都需要调整光照射图的光照强度，得到曝光良好的目标图像。传统方法大都采用Γ变换来调整光照，

(8)

由于Γ变换在增加可视性时不可避免地引入颜色和亮度失真，因此引入文献[14]中提出的相机响应函数(CRF)来调整照射图L的光照强度，减少失真度。CRF通过研究2种不同曝光图像之间的关系，获得精确的相机响应模型，并采用照明估计技术来估计曝光比率图，最后就能使用相机响应模型并根据估计的曝光比率图将每个像素调整到所需的曝光程度。变换方程定义为

(9)

式中：P为输入图像即照射图像L；ke为曝光比；a、b为根据响应函数数据库 (DORF) 中仅光照不同的图像对试验设定的参数，即a=-0.329 3，b=1.125 8。由于本文中所用图像数据集以及先验条件不同，因此经调参试验将参数调整为a=-0.267 8，b=1.125 8。

2 基于改进SURF的仪表检测

2.1 SURF算法原理

SIFT算法被认为是最有效、最常用的特征提取算法；但是其运行时间随图像分辨率的提升急剧增加，无法满足变电所巡检的实时要求，因此，不仅具有SIFT算法尺度不变性、旋转不变性等特性，而且运算速度更快的SURF算法可被用于基于变电站巡检机器人的目标仪表图像的特征提取[15]。SURF算法速度提升的原因主要有以下2个。

图1为积分图像计算示意图。可以看出，不论窗口W的大小如何，均可通过积分图像的4个顶点求得窗口内像素灰度和的计算表达式，即

∑Wii(i4,j4)-ii(i2,j2)-ii(i3,j3)+ii(i1,j1)。

(10)

W—窗口；(i,j)—点的位置。图1 积分图像计算示意图

另外SURF借鉴SIFT简化的思想，将Hessian矩阵行列式(DOH)中高斯二阶微分模板进行了近似简化，使得模板对图像的滤波只需要进行几个简单的加减法运算，并且运算与滤波器的大小无关，如图2所示。

(a)高斯二阶微分卷积Lxx的简化

(b)高斯二阶微分卷积Lxy的简化图2 高斯二阶微分模板及简化

SURF采用快速Hessian算法检测关键点，设在图像x(i,j)处，尺度为σ的Hessian矩阵为

(11)

(12)

det(Happrox)=DxxDyy-(0.9Dxy)2。

通过积分图像和不同尺寸盒子滤波模板求得Hessian矩阵的响应图像后，可利用最大值抑制原理得到不同尺度的特征点，最后通过对矩形区域内计算积分图像的Harr小波响应获得SURF特征描述子。SURF描述子不仅具有尺度和旋转不变性，而且对光照的变化也具有不变性，因此尤其适用于本文中处理的低光照目标仪表图像。

2.2 基于SURF-FLANN的仪表检测算法

由于SURF算法可提取大量的特征向量，因此解决高维特征向量空间中的最近邻搜索问题是完成图像匹配的关键点。本文中采用最有效的FLANN的多重随机K-维(KD)树完成基于SURF特征向量的匹配定位[16]。值得注意的是，FLANN作为一个执行快速最近邻搜索函数库，包含一系列查找算法，可以通过接口函数完成目标特征点匹配。对仅包含仪表的子图进行累积霍夫变换(PPHT)算法[17]检测表盘和指针，并计算指针在表盘中与零刻线的夹角，最终根据角度量程和读数量程换算关系得到仪表读数结果。

3 结果与分析

3.1 低光目标图像增强

以高铁某牵引变电所主变压器油温表为实验对象，所有实验均在Windows 10，12 GB随机存储器(RAM)和1.7～2.4 GHz中央处理器(CPU)的计算机上借助MATLAB 2018a软件进行。为了验证本文中提出的基于分数阶改进的Retinex低光图像增强算法的有效性，分别与基于形态学的对比度增强算法[18]、全局低照度增强算法[19]、传统的Retinex增强算法[20]以及高动态范围(HDR)算法[21]进行增强效果的对比，取2张实验样本Ⅰ、Ⅱ进行测试，结果如图3、4所示。

图3(a)、4(a)所示为巡检机器人在某雾霾严重、阴天的条件下拍摄得到的主变油温表及其表盘图。由图3、4可知：由于仪表图像全局灰度较低，因此基于形态学的对比度增强算法导致曝光严重不足；全局低照度增强算法在这种情况下过度曝光图像，产生很多高亮区域。如前所述，传统Retinex算法不仅曝光效果不好，而且存在颜色失真；基于HDR的增强算法尽管没有太多亮度失真，但丢失了绝大部分的颜色信息，不能区分2种不同颜色的指针。相比于上述算法。本文中提出的基于分数阶改进的Retinex低光图像增强算法大幅减少了颜色和亮度失真，使仪表部分的细节更清晰的同时，也保存了目标图像的颜色细节。

图3 样本Ⅰ低光图像增强对比试验结果

为了客观评价增强效果，引入评估图像自然保持度的亮度顺序误差(LOE)、无参考图像清晰度评估(ARISM)[22]以及相似性评估(FSIM)[23]这3种图像质量评价指标。

LOE可以测量原始图像与增强图像之间的自然保持度Le，定义为

(13)

(14)

式中：m为像素总数；L、L′分别为原始图像和增强图像颜色通道的最大值。一般来说，Le数值越小，增强效果越自然，但并不能充分反映增强效果，原因是当算法并无任何增强效果时，Le值为0。

ARSIM是在自回归参数空间中同时考虑图像的亮度和颜色信息来评估增强的效果，其值越小表示图像越清晰；FSIM都是结构相似性度(SSIM)的变种，认为边缘像素点比背景像素点更重要，因此结合梯度相似性和颜色相似性评估增强效果，值越大表示与曝光力良好的图像越相似。基于巡检机器人采集的仪表图像角度大都相同，表1所示为各种对比算法及本文中提出的算法对部分主变压器油温表样本增强评价指标的统计结果。

由表中数据可知，本文中提出的基于分数阶改进的Retinex低光图像增强算法在LOE、ARISM、FSIM的评价指标都取得了较好的结果，即在图像的自然保持度、图像清晰度以及梯度相似性和颜色相似性各方面都优于其他对比算法。

图4 样本Ⅱ低光图像增强对比试验结果

表1 图像质量评估结果

3.2 仪表检测结果

运用本文中提出的算法增强低光照仪表后图像，需要在复杂的环境中准确定位目标仪表。为了突出本文中提出的基于SURF-FLANN的仪表检测算法，分别进行基于SIFT、SURF算法的对比实验。图5所示为仪表检测实验结果。

表2所示为3种对比算法匹配的实验数据。经过分析可知，SIFT算法检测出的相似特征点数最多，但运行时间约为SURF的3倍且内存消耗更大。本文中的改进算法不仅检测出较多特征点，还应用交叉验证精匹配筛选剔除了SURF算法粗匹配中的误匹配点，得到更少的交叉验证精匹配特征点，使得检测更为准确。

图6所示为依据SURF-FLANN算法定位得到的目标检测仪表和利用累积霍夫变换(PPHT)算法检测到的目标仪表表盘和指针。根据PPHT函数输出的线段端点与圆心坐标关系计算可得到指针角度，即仪表示数。本文中对所采集的包含50张恶劣天气下主变压器油箱油温表的数据集进行人眼和算法对照读数，无漏检，误检率仅为0.5%。

图5 基于不同算法的仪表检测结果

表2 不同仪表检测算法的效果对比

图6 2种不同算法的仪表检测结果

4 结论

为了完善基于变电所巡检机器人的仪表巡检系统，本文中着重处理因雾霾、光照不均等环境因素而导致的低光照目标仪表巡检图像的表记识别。

1)提出一种基于分数阶改进的Retinex图像增强算法，借助于分数阶微分更好地保留纹理细节、抑制噪声的优势，以及更凸显相机真实曝光的CRF模型去增强低光照图像，获得更清晰的仪表图像。

2)利用SURF算法提取图像的特征点，并结合FLANN匹配算法从较复杂的环境中定位目标仪表图像。

3)采用PPHT检测仪表指针并完成读数。实验结果表明，该算法针对室外变电所低光照仪表图像能减少颜色和亮度的失真，显著增强图像细节；在兼顾较快速度的基础上表记识别准确率也有明显提升，而且对复杂的室外变电所环境也具有良好的稳定性和鲁棒性。