基于TopHat加权引导滤波的Retinex矿井图像增强算法

Abstract

煤矿井下光源分布不均、整体光线弱导致图像亮度低、不清晰，传统Retinex算法在处理矿井低照度图像时存在细节丢失、边缘模糊和光晕等问题。针对上述问题，提出了一种基于TopHat加权引导滤波的Retinex算法（THWGIF−Retinex）对矿井图像进行增强。首先将图像从RGB空间转换到HSV空间，并将其分离成色调、饱和度、亮度3个通道分量。其次，利用TopHat变换改进加权引导滤波的权重因子，进而从亮度分量中提取出图像的光照分量，实现光照分量的边缘增强。然后，采用自适应Gamma校正函数校正光照分量和饱和度分量，并通过Retinex算法从光照分量中获取反射分量，进一步提升图像光源处的细节和色彩效果；最后，合并色调分量、校正后的饱和度分量、反射分量并转换到RGB空间，得到增强的矿井图像。从主观评价和客观评价2个方面对THWGIF−Retinex算法、多尺度Retinex（MSR）算法、加权引导滤波的Retinex（WGIF−Retinex）算法进行对比验证。主观评价结果表明：对于无强光直射的矿井低照度原始图像，经THWGIF−Retinex算法增强后的图像色彩还原度较高，且图像边缘更清晰，视觉效果明显增强。对于有强光直射的矿井低照度原始图像，THWGIF−Retinex算法对光晕有很好的改善效果，且在还原暗区域的细节信息和清晰度上优于WGIF−Retinex算法。客观评价结果表明：对于无强光直射的矿井低照度图像，经THWGIF−Retinex算法增强后的图像信息熵提高了12.50%，平均梯度提高了109.07%，标准差提高了52.44%，无参考结构清晰度（NRSS）提高了45.46%。对于有强光直射的矿井低照度图像，与MSR算法相比，经THWGIF−Retinex算法增强后的图像信息熵提高了1.24%，平均梯度提高了81.44%，标准差提高了18.23%，NRSS提高了36.67%；与WGIF−Retinex算法相比，THWGIF−Retinex算法在信息熵方面有所降低，但在平均梯度和NRSS方面有较大改善，分别提高了72.34%和23.87%。