一种基于反锐化掩模和NSCT算法的矿井图像增强方法与流程

本发明涉及图像增强领域，具体涉及一种煤矿井下图像增强的方法。

背景技术：

煤炭是我国最重要的能源，源于其经济的价格和丰富的储藏量，尤其是用于发电。我国80％的能源来自于燃煤。但是煤矿的开采确是有很大的难度，原因主要有：一、我国的自然灾害严重；二、生产工艺流程复杂；三、生产设备和方式落后。前两种原因基本上是不能改变的。第三种原因可以通过改进生产和使用先进设备来降低煤矿开采的难度。但是由于我国的煤矿生产的企业较多尤其是许多的小型企业管理技术欠缺，生产方式落后，从而导致了许多的煤矿事故的发生，事后更不能提供有用的监控信息以便于更好的实施救援。因此有必要煤矿井下的视频监控，这是矿井安全生产的重要保障和应急救援必要手段，在特殊的井下环境下，光照不均匀甚至全黑的环境，导致图像对比度小，图像模糊不清，而且在视频图像采集传输过程中混入大量的噪声，导致视频图像画面粗糙，质量低下，视频画面质量直接影响着矿难信息的及时获取，因此图像增强变的尤为重要。

图像增强方法主要包括空间域和变换域两大类。空间域算法直接在原始图像上进行运算。常用的方法有灰度变换法、直方图均衡化法、基于retinex理论的增强方法、梯度域图像增强方法、基于小波变换的图像增强方法、基于高通滤波器的图像增强方法、反锐化掩模图像增强方法。以上方法在图像的增强方向应用十分广泛。但由于煤矿井下拍摄环境恶劣，拍摄的图像存在着以下特点：(1)矿井下粉尘浓度大、湿度大，且相机难以实现自动聚焦。(2)矿井下中照度波动频繁，例如煤矿井下大型设备很多，电网扰动大，造成照度波动。(3)由于采集的图像是由光的反射形成，若照射到景物上的光照不均匀，在图像上将会得到光照较强的部分比较明亮，光照较弱的部分比较暗。因此，由于煤矿井下的特殊环境，常用的图像处理方法难以满足图像的真实性、可靠性的要求，使信息识读出现因难，不利于矿井下的安全、稳定的生产。为了克服以上问题，人们引人了变换域方法，比较有代表性的包括傅里叶变换、小波变换的方法等。傅里叶变换用信号的频谱特性解决了许多时域内难以解决的问题，但该变换不具有时频局部化的能力，容易造成图像细节信息丢失。而小波变换具备频谱特性的同时具有时频局部化特性，很好地解决了傅里叶变换存在的只具有频域处理能力不具备时域处理能力的单一特性，且图像的梯度提供了比直方图更直接、更多的空间信息。但小波变换对点奇异性比较敏感，且对边缘方向表达能力有限。do等人提出了一种多尺度几何分析工具-contourlet变换，它是一种多尺度分析方法，能有效地刻画高维信息的特征，但是由于存在采样操作，contourlet变换缺乏平移不变性，在进行图像去噪增强时会产生伪吉布斯现象。

因此，由于特殊的图像环境，采用普通的图像处理方式进行图像的方法难以满足图像的真实性、可靠性的要求，使信息识读出现因难，不利于矿井下的安全、稳定的生产。

技术实现要素：

本发明的目的在于提供一种煤矿井下增强图像的方法，用于解决现有煤矿井下图像增强方法中，反锐化掩模技术存在的对噪声非常敏感及过冲现象的问题，同时弥补高频部分得不到好的增强的问题。避免去噪带来的图像模糊同题，而且对图像的增强符合人眼视觉特性，既改善了煤矿井下低照度、低对比度的图像特征，又不会出现过冲，避免图像细节的损失，增强效果较好，且抑制了噪声的增强。

为实现上述目的，本发明的方案是：一种反锐化掩模法与nsct(非下采样的contourlet变换，non-subsampledcontourlettransform)相结合的图像增强方法，步骤如下：

(1)对输入图像的细节程度进行判断，把图像分为高、中、低三个细节程度；

(2)采用基于加权替代中值滤波方法对所述低细节区域的图像进行去噪处理；

(3)采用基于反锐化掩膜法对所述高、中、低三个细节区域进行不同程度的图像增强，即：对低细节区域不做增强或增强很小，对高细节区域做中等程度的增强，对中细节区域做较大程度的增强；

(4)对步骤(3)得到的图像进行nsct变换，对分解后的高频子带系数通过像素点的平均值和最大值采用基于bayes阈值(贝叶斯阈值)进行系数分类，将高频子带分为噪声、强边缘和弱边缘，通过修正函数对噪声、强边缘和弱边缘进行增强。

进一步地，所述的步骤(1)中对图像细节程度进行判断的方法为：

首先计算各像素点的局部方差v(i，j)，并设置两个阈值t1和t2，且t1＜t2，局部方差即代表像素点的细节程度；然后，根据v(i，j)的大小把图像划分为低、中、高三个细节区，即：若v(i，j)＜t1则为低细节区域；若t1＜v(i，j)＜t2则为中细节区域；若v(i，j)＞t2则为高细节区域。

进一步地，所述各像素点的局部方差v(i，j)计算方法为：

所述的局部方差定义为一个给定的窗口内所有像素的方差，即一个(2n+1)×(2n+1)窗口，f(i，j)为窗口中心像素点的灰度值，像素点(i，j)的局部方差为：

其中，f(k，l)为像素点(k，l)处的灰度值，表示像素点(i，j)的局部均值，n表示整数。

进一步地，步骤(2)所述的加权替代中值滤波方法为：

(1)设窗口尺寸为(2n+1)×(2n+1)，向右沿着列方向滑动，滑动到下一个像素时，窗口左边一列将会去除，窗口右边一列加入新的像素值，设左边一列的像素值为a1，a2，a3.....a2n+1，右边一列新加入的像素值为b1，b2，b3.....b2n+1；

(2)如果像素值满足a1＝b1，a2＝b2，a3＝b3.....a2n+1＝b2n+1的关系，则该窗口的中值为原中值；否则，将新加入的值替代不等值，计算该窗口的均值和中值；

(3)对步骤(2)得到的中值和均值进行加权，其中，中值的权重为0.3，均值的权重为0.7，将加权后的值作为输出值，替代为窗口中心的值；

(4)滑动窗口，按照步骤(1)-(3)完成整个图像的去噪。

进一步地，步骤(3)所述的反锐化掩模算法的计算公式为：y(i，j)＝x(i，j)+γz(i，j)，其中，x(i，j)为输入图像信号；z(i，j)为去噪后信号的输出(只对低细节区域进行去噪)，γ是一个正比例因子，可以控制图像增强的强度，y(i，j)是增强后的图像。

进一步地，步骤(4)所述的方法为：计算同一层内，不同子带在同一位置像素点的平均值以及所有像素点的最大值pmax，选取一个合适的阈值可把nstc高频系数进行分类：其中，nose代表噪声，ste代表强边缘，wke代表弱边缘，tij采用基于bayes阈值估计法计算，c为调节参数；

所述的基于bayes阈值估计法为：其中σ是第一层子带上的噪声方差估计，可用公式表示。

修正函数为：

其中，t为输入原始图像的变换系数，f(t)为弱边缘的增强函数，采用改进的sigmoid函数(s型生长曲线)进行系数处理：

其中，a取[0，1]之间的参数，k为增强因子。

本发明达到的有益效果：由于去噪一般会使图像变模糊，损失图像的细节，而使去噪和增强二者之间难以达到较优化的效果，本发明采用一种把小波去噪和反锐化掩模增强法相结合的新的处理方法，把图像根据细节程度分为低、中、高三个区域，只在图像的低细节区域(亦即平坦区域)进行去噪处理，因为根据人眼视觉特性，人眼对图像平坦区域的噪声比细节部分的噪声更敏感，且一般情況下图像的部分区域是平坦的，这样图像的噪声被相对“去除”了，而细节区域被完好的保留，同时引入nsct算法，弥补上述方法对高频图像增强不足。该方法避免去噪带来的图像模糊同题，而且对图像的增强符合人眼视觉特性，既改善了煤矿井下低照度、低对比度的图像特征，又不会出现过冲，避免图像细节的损失，增强效果较好，且抑制了噪声的增强。

附图说明

图1是本发明基于反锐化掩模法和nsct的煤矿井下图像增强方法流程图。

图2是本发明反锐化掩模增强图像的流程图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

1、判断图像细节

(1)计算各像素点的局部方差v(i，j)，即一个(2n+1)×(2n+1)窗口，f(i，j)为窗口中心像素点的灰度值，像素点(i，j)的局部方差为：

其中，f(k，l)为像素点(k，l)处的灰度值，表示像素点(i，j)的局部均值，n表示整数。

像素的局部均值为：

v(i，j)就代表了像素点(i，j)的细节程度。

(2)设置两个阈值t1和t2，且t1＜t2；

(3)根据v(i，j)的大小把图像划分为低、中、高三个细节区，即：若v(i，j)＜t1则为低细节区域；若t1＜v(i，j)＜t2则为中细节区域；若v(i，j)＞t2则为高细节区域。

2、加权代替中值滤波算法

运算方法为：

(1)设窗口尺寸为(2n+1)×(2n+1)，向右沿着列方向滑动，滑动到下一个像素时，窗口左边一列将会去除，窗口右边一列加入新的像素值，设左边一列的像素值为a1，a2，a3.....a2n+1，右边一列新加入的像素值为b1，b2，b3.....b2n+1；；

(2)如果像素值满足a1＝b1，a2＝b2，a3＝b3.....a2n+1＝b2n+1的关系，则该窗口的中值为原中值；否则，将新加入的值替代不等值，计算该窗口的均值和中值；

(3)对步骤(2)得到的中值和均值进行加权，其中，中值的权重为0.3，均值的权重为0.7，将加权后的值作为输出值，替代为窗口中心的值；

(4)滑动窗口，按照步骤(1)-(3)完成整个图像的去噪

该方法在处理噪声方面极大地提高了运算速度，降低了运算复杂度，对实时图像噪声处理具有更大的意义。

3、反锐化掩模法

反锐化掩模算法的计算公式为：y(i，j)＝x(i，j)+γz(i，j)

其中，x(i，j)为输入图像信号；z(i，j)为去噪后信号的输出(只对低细节区域进行去噪)，γ是一个正比例因子，可以控制图像增强的强度，y(i，j)是增强后的图像。

设输入图像x(i，j)经中值滤波算法处理后得到图像m(i，j)。

增强因子γ可定义为图像细节程度的非线性函数γ(i，j)，即：

式中，γ1，γ2，γ3分别是图像低、中、高细节区域的增强因子，且0＜γ1γ2γ3＜1。

设输入图像x(i，j)经中值滤波算法处理后得到图像m(i，j)。

最后，得到去噪增强后的图像，式(1)可改写为y(i，j)＝m(i，j)+γ(i，j)z(i，j)，如图2所示。

4、基于nsct的高频部分增强法

对上述方法得到的图像进行nsct分解，对分解后的各高频子带系数，计算同一层内，不同子带在同一位置像素点的平均值以及所有像素点的最大值pmax，选取一个合适的阈值可把nstc高频系数进行分类：

其中，nose代表噪声，ste代表强边缘，wke代表弱边缘，tij代表第i层、j方向上的子带阈值。c为是一个[1，5]之间的调节参数。σ是第一层子带上的噪声方差估计，可用公式表示。

其中，median表示取中值，x表示一次高通滤波系数。x表示为输入图像在nsct域内最小尺度(分解第一层)的系数。

其中tij的计算，采用样本估计，得到一个随尺度能够自适应调整的bayes阈值估计公式：

煤矿井下图像增强的目标是放大弱边缘等细节信息，同时抑制噪声，故获得非下采样contourlet变换系数的修正函数为：

其中，t为输入原始图像的变换系数，f(t)为弱边缘的增强函数，采用改进的sigmoid函数进行系数处理：

其中，a取[0，1]之间的参数，k为增强因子。