第14卷第2期 智能系统学报 Vol.14 No.2 2019年3月 CAAI Transactions on Intelligent Systems Mar.2019 D0:10.11992/tis.201712024 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180507.0952.002.html 金属腐蚀区域图像增强算法研究 雷芳，熊建斌2，张磊，郭斯羽 (1.广东石油化工学院计算机与电子信息学院，广东茂名525000,2.广东技术师范学院自动化学院，广东广 州510665：3.湖南大学电气与信息工程学院，湖南长沙410082) 摘要：针对金属腐蚀区域图像中存在暗细节对比度不高、光照不均匀及颜色特征需保护的问题，提出一种在 HSI模型下的多尺度细节自适应增强与同态滤波的增强算法。首先，对RGB腐蚀图像进行色彩空间变换，保 留其中的色调和饱和度分量不变，对亮度分量进行增强。然后，通过小波变换进行多尺度细节自适应增强，提 升细节对比度并作分块同态滤波，改善光照不均的影响，获得增强后的腐蚀图像。实验结果表明，所提方法增 加了腐蚀暗细节的对比度，提高了金属腐蚀区域图像的整体亮度并保证了色彩信息的不失真。 关键词：金属腐蚀图像：HSI模型：多尺度：细节自适应增强；分块同态滤波 中图分类号：TP391文献标志码：A文章编号：1673-4785(2019)02-0385-08 中文引用格式：雷芳，熊建斌，张磊，等.金属腐蚀区域图像增强算法研究.智能系统学报，2019,14(2)：385-392. 英文引用格式：LEI Fang,XIONG Jianbin,.ZHANG Lei,.etal.Image enhancement algorithm in metal corrosion areaJ.CAAl transactions on intelligent systems,2019,14(2):385-392. Image enhancement algorithm in metal corrosion area LEI Fang',XIONG Jianbin',ZHANG Lei',GUO Siyu' (1.College of Computer and Electronic Information,Guangdong University of Petrochemical Technology,Maoming 525000,China; 2.School of Automation,Guangdong Polytechnic Normal University,Guangzhou 510665,China;3.School of Electrical and Inform- ation Engineering,Hu'nan University,Changsha 410082,China) Abstract:Considering the images of the metal corrosion areas,the dark details have low contrast,and the illumination is not uniform;meanwhile,the color characteristics need to be preserved.To solve these problems,an approach based on multi-scale detail-adaptive enhancement and homomorphic filtering is proposed on the basis of the HSI model.First,the RGB corrosion image was color-transformed,whereby the hue and saturation components were preserved,and the lu- minance component was enhanced.Then,wavelet transform was used to implement multi-scale detail-adaptive enhance- ment,increase the contrast of the detail,and apply block homomorphic filtering,so as to improve the impact of non-uni- form illumination.Consequently,the corrosion image was enhanced.Experimental results show that the proposed meth- od can increase the contrast of dark details and improve the overall brightness of the image of the metal corrosion area, ensuring that the color information is undistorted. Keywords:metal corrosion image;HSI model;multi-scale;detail-adaptive enhancement;block homomorphic filtering 金属材料受到环境因素的影响其腐蚀表面呈型-。在腐蚀无损检测的远程视觉检测(remote 现形貌纹理、灰度、颜色等不同特征。通过对这 vision inspection,RV)检测中，主要是使用视觉设 些特征的分析可识别材料腐蚀的程度和腐蚀的类 备来获取腐蚀信息。对于金属外部腐蚀，可以采 用摄像机或CCD相机获取腐蚀图像，设备内部腐 收稿日期：2017-12-26.网络出版日期：2018-05-09. 基金项目：国家自然科学基金项目(61473331,61471167,61571147)： 蚀图像的获取主要有管窥镜、自动爬行器等设 茂名市科技计划工业攻关项目(660509)：广东石油 化工学院自然科学青年基金项目(650150)， 备。通常为了提高腐蚀原图像质量，可以从内部 通信作者：张磊.E-mail:zhanglei@gdupt.edu.cn, 和外部两方面来进行实施)：1)对图像采集的外
DOI: 10.11992/tis.201712024 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180507.0952.002.html 金属腐蚀区域图像增强算法研究 雷芳1 ，熊建斌2 ，张磊1 ，郭斯羽3 （1. 广东石油化工学院 计算机与电子信息学院，广东 茂名 525000; 2. 广东技术师范学院 自动化学院，广东 广 州 510665; 3. 湖南大学 电气与信息工程学院，湖南 长沙 410082） 摘 要：针对金属腐蚀区域图像中存在暗细节对比度不高、光照不均匀及颜色特征需保护的问题，提出一种在 HSI 模型下的多尺度细节自适应增强与同态滤波的增强算法。首先，对 RGB 腐蚀图像进行色彩空间变换，保 留其中的色调和饱和度分量不变，对亮度分量进行增强。然后，通过小波变换进行多尺度细节自适应增强，提 升细节对比度并作分块同态滤波，改善光照不均的影响，获得增强后的腐蚀图像。实验结果表明，所提方法增 加了腐蚀暗细节的对比度，提高了金属腐蚀区域图像的整体亮度并保证了色彩信息的不失真。 关键词：金属腐蚀图像；HSI 模型；多尺度；细节自适应增强；分块同态滤波 中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2019)02−0385−08 中文引用格式：雷芳, 熊建斌, 张磊, 等. 金属腐蚀区域图像增强算法研究[J]. 智能系统学报, 2019, 14(2): 385–392. 英文引用格式：LEI Fang, XIONG Jianbin, ZHANG Lei, et al. Image enhancement algorithm in metal corrosion area[J]. CAAI transactions on intelligent systems, 2019, 14(2): 385–392. Image enhancement algorithm in metal corrosion area LEI Fang1 ，XIONG Jianbin2 ，ZHANG Lei1 ，GUO Siyu3 (1. College of Computer and Electronic Information, Guangdong University of Petrochemical Technology, Maoming 525000, China; 2. School of Automation, Guangdong Polytechnic Normal University, Guangzhou 510665, China; 3. School of Electrical and Information Engineering, Hu’nan University, Changsha 410082, China) Abstract: Considering the images of the metal corrosion areas, the dark details have low contrast, and the illumination is not uniform; meanwhile, the color characteristics need to be preserved. To solve these problems, an approach based on multi-scale detail-adaptive enhancement and homomorphic filtering is proposed on the basis of the HSI model. First, the RGB corrosion image was color-transformed, whereby the hue and saturation components were preserved, and the luminance component was enhanced. Then, wavelet transform was used to implement multi-scale detail-adaptive enhancement, increase the contrast of the detail, and apply block homomorphic filtering, so as to improve the impact of non-uniform illumination. Consequently, the corrosion image was enhanced. Experimental results show that the proposed method can increase the contrast of dark details and improve the overall brightness of the image of the metal corrosion area, ensuring that the color information is undistorted. Keywords: metal corrosion image; HSI model; multi-scale; detail-adaptive enhancement; block homomorphic filtering 金属材料受到环境因素的影响其腐蚀表面呈 现形貌纹理、灰度、颜色等不同特征。通过对这 些特征的分析可识别材料腐蚀的程度和腐蚀的类 型 [1-2]。在腐蚀无损检测的远程视觉检测 (remote vision inspection，RVI) 检测中，主要是使用视觉设 备来获取腐蚀信息。对于金属外部腐蚀，可以采 用摄像机或 CCD 相机获取腐蚀图像，设备内部腐 蚀图像的获取主要有管窥镜、自动爬行器等设 备。通常为了提高腐蚀原图像质量，可以从内部 和外部两方面来进行实施[3] ：1) 对图像采集的外 收稿日期：2017−12−26. 网络出版日期：2018−05−09. 基金项目：国家自然科学基金项目 (61473331，61471167，61571147)； 茂名市科技计划工业攻关项目 (660509)；广东石油 化工学院自然科学青年基金项目 (650150). 通信作者：张磊. E-mail：zhanglei@gdupt.edu.cn. 第 14 卷第 2 期 智 能 系 统 学 报 Vol.14 No.2 2019 年 3 月 CAAI Transactions on Intelligent Systems Mar. 2019
·386· 智能系统学报 第14卷 部环境进行改善；2)对采集的原图像质量进行 适应增强与同态滤波的金属腐蚀区域图像增强算 有效增强。而众所周知，在对金属设备的腐蚀自 法。本文算法具体如下：首先将腐蚀图像从RGB 动视觉检测中，其外部环境往往比较难以控制， 颜色空间转换至HSI颜色空间，提取亮度分量； 比如，距离、角度、光源等影响腐蚀图像质量的 利用小波变换的多尺度特点对腐蚀细节进行局部 因素都会受到所处环境的限制。所以，通常为了 对比度增强然后将细节增强后的图像作分块同态 后续腐蚀形貌的检测与识别工作，对采集的腐 滤波：最后，将新的亮度分量与原饱和度和色度 蚀原图像进行有目的性的增强就显得意义十分重 分量一起转换为RGB图像，得到增强后的腐蚀图 大4阿 像。实验结果表明，本文算法在不改变H分量和 当前，图像增强算法主要有直接针对像素灰 S分量的基础上，能很好地增强腐蚀缺陷细节并 度处理的增强算法-、基于色感一致性模型的单 且腐蚀色彩特征保持良好，增强后的图像有利于 尺度Retinex及多尺度Retinex(MSR)增强算法P-n 进一步的金属材料腐蚀损伤分析。 同态滤波增强算法21)、基于暗通道先验理论的 去雾增强算法49等。在上述图像增强算法中， 1本文方法 对像素值的直接处理可改善图像亮度动态范围但 腐蚀图像的增强问题主要是腐蚀暗细节的加 易丢失细节信息或色彩失真；Retinex增强和同态 强以及光照不均影响的消除。在保留腐蚀产物颜 滤波增强都进行了对数变换，前者是通过估计照 色特征的同时，能将腐蚀斑或腐蚀坑等腐蚀细节 度分量得到物体的反射分量，在图像亮度保持和 很好的显现出来。 细节这两方面的处理效果都比较好，但容易造成 本文方法整体流程如图1所示：选取H$I模 偏色等色彩失真现象，后者是利用同态滤波函 型提取金属腐蚀图像的亮度分量，然后再对细节 数压缩低频分量与增强高频分量来改善光照不均 进行多尺度增强后采用分块同态滤波的方式改善 的影响；而去雾增强算法是将每个颜色通道中接 图像的亮度。在整体处理中避免改变H分量和 近零的灰度值描述为暗通道并将其近似为图像中 S分量，只在I分量上做增强处理，因此不会改变 雾的浓度，通过去雾实现增强，但该算法对不满 原图像中的彩色种类，使最后图像在色彩上和原 足暗通道原理的图像增强效果并不理想”。在有 始图像保持一致。 关Retinex和基于暗通道原理的去雾彩色图像增 腐蚀原图像 强算法中，王建新等在HSI模型中建立了去雾 RGB至HSI 模型，秦绪佳等i在HSV模型中建立Retinex增 强模型，这两种模型都需要根据亮度分量的调 (I 整进而调整单一饱和度或同时调整色度与饱和 多尺度细节自适应增强 度分量，这使得色彩保真度在颜色恢复过程中将 分块同态滤波 受到对应分量调整的影响。小波变换具有时频与 多尺度特性，针对不同分辨率下的小波系数进行 HSI至RGB 非线性增强可以实现图像的增强1。文献[19] 增强后图像 中，孙慧贤等提出了基于小波变换和同态滤波的 图1提出方法流程图 内窥图像增强算法，该算法是在传统同态滤波中 Fig.1 Flow chart of proposed algorithm 用小波变换替代傅里叶变换，然后对不同分辨率 1.1 腐蚀处理中的HSI模型应用 下的小波系数进行非线性增强，该算法的不足是 原始获取的图像是RGB颜色空间，图像中像 在图像经过了对数运算后再对不同尺度下小波系 素的颜色采用红(R)、绿(G)、蓝(B)三原色的不同 数的非线性调整，因此重构图像易出现“伪像”的 比例来描述，该模型适合于人眼对上述3种颜色 问题。 的敏感性，但不适合解释颜色。HSI(色调、饱和 针对现有算法存在的问题，本文受到自适应 度、亮度)模型更加符合人眼视觉系统描述和颜 细节增强算法的启发，结合同态滤波具有全局 色的解释0，该模型能将颜色与亮度分开，更适合 性质的特点但同时存在局部对比度增强效果不理 腐蚀图像中的暗细节表示。 想的问题，提出一种HSI模型下的多尺度细节自 RGB模型转换为HSI模型的公式如式(1)：
部环境进行改善；2) 对采集的原图像质量进行 有效增强。而众所周知，在对金属设备的腐蚀自 动视觉检测中，其外部环境往往比较难以控制， 比如，距离、角度、光源等影响腐蚀图像质量的 因素都会受到所处环境的限制。所以，通常为了 后续腐蚀形貌的检测与识别工作，对采集的腐 蚀原图像进行有目的性的增强就显得意义十分重 大 [4-6]。 当前，图像增强算法主要有直接针对像素灰 度处理的增强算法[7-8] 、基于色感一致性模型的单 尺度 Retinex 及多尺度 Retinex(MSR) 增强算法[9-11] 、 同态滤波增强算法[12-13] 、基于暗通道先验理论的 去雾增强算法[14-15]等。在上述图像增强算法中， 对像素值的直接处理可改善图像亮度动态范围但 易丢失细节信息或色彩失真；Retinex 增强和同态 滤波增强都进行了对数变换，前者是通过估计照 度分量得到物体的反射分量，在图像亮度保持和 细节这两方面的处理效果都比较好，但容易造成 偏色等色彩失真现象[16] ，后者是利用同态滤波函 数压缩低频分量与增强高频分量来改善光照不均 的影响；而去雾增强算法是将每个颜色通道中接 近零的灰度值描述为暗通道并将其近似为图像中 雾的浓度，通过去雾实现增强，但该算法对不满 足暗通道原理的图像增强效果并不理想[17]。在有 关 Retinex 和基于暗通道原理的去雾彩色图像增 强算法中，王建新等[15]在 HSI 模型中建立了去雾 模型，秦绪佳等[16]在 HSV 模型中建立 Retinex 增 强模型，这两种模型都需要根据亮度分量的调 整进而调整单一饱和度或同时调整色度与饱和 度分量，这使得色彩保真度在颜色恢复过程中将 受到对应分量调整的影响。小波变换具有时频与 多尺度特性，针对不同分辨率下的小波系数进行 非线性增强可以实现图像的增强[18]。文献[19] 中，孙慧贤等提出了基于小波变换和同态滤波的 内窥图像增强算法，该算法是在传统同态滤波中 用小波变换替代傅里叶变换，然后对不同分辨率 下的小波系数进行非线性增强，该算法的不足是 在图像经过了对数运算后再对不同尺度下小波系 数的非线性调整，因此重构图像易出现“伪像”的 问题。 针对现有算法存在的问题，本文受到自适应 细节增强[19]算法的启发，结合同态滤波具有全局 性质的特点但同时存在局部对比度增强效果不理 想的问题，提出一种 HSI 模型下的多尺度细节自 适应增强与同态滤波的金属腐蚀区域图像增强算 法。本文算法具体如下：首先将腐蚀图像从 RGB 颜色空间转换至 HSI 颜色空间，提取亮度分量； 利用小波变换的多尺度特点对腐蚀细节进行局部 对比度增强然后将细节增强后的图像作分块同态 滤波；最后，将新的亮度分量与原饱和度和色度 分量一起转换为 RGB 图像，得到增强后的腐蚀图 像。实验结果表明，本文算法在不改变 H 分量和 S 分量的基础上，能很好地增强腐蚀缺陷细节并 且腐蚀色彩特征保持良好，增强后的图像有利于 进一步的金属材料腐蚀损伤分析。 1 本文方法 腐蚀图像的增强问题主要是腐蚀暗细节的加 强以及光照不均影响的消除。在保留腐蚀产物颜 色特征的同时，能将腐蚀斑或腐蚀坑等腐蚀细节 很好的显现出来。 本文方法整体流程如图 1 所示：选取 HSI 模 型提取金属腐蚀图像的亮度分量，然后再对细节 进行多尺度增强后采用分块同态滤波的方式改善 图像的亮度。在整体处理中避免改变 H 分量和 S 分量，只在 I 分量上做增强处理，因此不会改变 原图像中的彩色种类，使最后图像在色彩上和原 始图像保持一致。 腐蚀原图像 I 多尺度细节自适应增强 分块同态滤波 增强后图像 H S RGB至HSI HSI至RGB 图 1 提出方法流程图 Fig. 1 Flow chart of proposed algorithm 1.1 腐蚀处理中的 HSI 模型应用 原始获取的图像是 RGB 颜色空间，图像中像 素的颜色采用红 (R)、绿 (G)、蓝 (B) 三原色的不同 比例来描述，该模型适合于人眼对上述 3 种颜色 的敏感性，但不适合解释颜色。HSI(色调、饱和 度、亮度) 模型更加符合人眼视觉系统描述和颜 色的解释[20] ，该模型能将颜色与亮度分开，更适合 腐蚀图像中的暗细节表示。 RGB 模型转换为 HSI 模型的公式如式 (1)： ·386· 智 能 系 统 学 报 第 14 卷
第2期 雷芳，等：金属腐蚀区域图像增强算法研究 ·387· H= 0,B≤G 解为4个四分之一大小的图像。在小波逐级分 1360-A.B>G 解过程中，需选择合适的分解层数，如果分解级 3 S=1- [min(R,G,B)] 数太少则近似图像中将包含过多细节分量使得细 (R+G+B) 1 节增强不够，而分解级数过多会使得计算量增 1-j(R+G+B) (1) 大。本文对小波进行3级分解，可满足腐蚀细节 R-G)+(R-B] 增强要求。 6=arccos 为了对腐蚀图像的细节进行多尺度增强，需 [(R-G)+(R-B)(G-B]P 要调整不同尺度下细节分量的系数。关于各细节 由式(1)可以看出，H分量表示整体色调值， 分量系数的调整，若直接设置具体的数值，将会 其在0-2π之间变化。当像素只有R分量时，H值 使得算法受限不具备自适应性。根据文献[18]， 为0度；只有G分量时，H值对应120°；只存在 小波分解的细节图像的系数自适应调整，是通过 B分量时，其在240°。而S分量在0-1之间，如果 计算其相同尺度的近似图像的全局对比度得到。 当前像素缺少RGB中某一个分量，S值为1，即 如图2所示，为图像进行3级小波变换后近 S值越接近于1，表示颜色越纯。而在RGB成分 似分量中像素点P的3×3邻域。算法思路为：先 相同时，即为灰色时，S值为0。对于I值，它是原 计算近似分量中每个像素点邻域内的对比度（最 始图像RGB3个通道的平均，因此整体反映图像 大值与最小值之差)并归一化，再求所有像素点 亮度的信息。 的对比度之后，得到近似分量的全局对比度 针对腐蚀图像颜色特点，由文献[5]可知，对 Cad,最后由全局对比度计算出各细节分量的权 于金属腐蚀表面来说，其色调分量的值通常在黄 重调整因子K,并对细节增强图像进行重构。相 色和红色波长之间；由于金属表面通常以浅灰色 关公式及具体过程如下： 和白色涂覆，所以被腐蚀的金属表面的饱和度分 量的值通常更大，即颜色较深；而未腐蚀的表面 的颜色则倾向于高亮度的白色波长。本文选取 H$I模型对腐蚀颜色进行描述，保留腐蚀色彩的 色度分量和饱和度分量，只对亮度分量进行图像 增强处理。在最后将其还原回RGB空间表示，这 时由HSI模型转换为RGB模型的公式如式(2) 图2近似分量中像素点P的3x3邻域 所示： Fig.2 3x3 neighbor of pixel P in similar component (B=1(1-S) 1)计算图像f(x,y)的最大值fax和最小值fmm。 2)对每级分解图像近似分量进行非线性滤 R=1+ ScosH 0°≤H<120° cos(60°-0 波，fx,y)=(max(x）-min(x)》/f-fmm)。其中 G=3I-(B+R) max(x)和min(x)为滤波过程中心像素邻域内的 R=I(1-S) 最大值和最小值。 Scos(H-120° G=I1+ 120°≤H<240° cos(180°-H0 3)计算第i级图像近似分量的全局对比度， B=3I-(G+R) 其值为Cas=co·Lmm/um(f)。其中，Lumi为非线 R=3I-(G+B) 性滤波输出图像的像素值之和，num()为图像的 B=I1+ Scos(H-240° 120°≤H<240 像素点个数，。为对比度调节因子，一般取值范 cos(360°-) G=11-S) 围为1.0-1.1。 (2) 4)引入第i级全局对比度权重因子K,其中， 1.2多尺度细节自适应增强 由于腐蚀细节的尺寸大小不一，与背景的对 K=如s一+。将其与细节分量的系数相 比度也有强有弱，因此在不同分辨率下对腐蚀细 乘，调整细节图像。 节进行对比度分析比单一分辨率下分析更具优越 5)在调节细节分量的同时，也可根据实际需 性。小波分析具有很好的多尺度特性，选取合适 要将近似分量乘以亮度因子L,其一般取值范围 的小波基函数可以将图像分解为不同尺度的近似 为1.01.2. 图像和细节图像，在变换的每一层中图像都被分 6根据自适应细节增强系数，重构图像，g(x,y)=
H = { θ, B ⩽ G 360−θ, B > G S = 1− 3 (R+G + B) [min(R,G,B)] I = 1 3 (R+G + B) θ = arccos 1 2 [(R−G)+(R− B)] [(R−G) 2 +(R− B)(G − B)]1/2 (1) 由式 (1) 可以看出，H 分量表示整体色调值， 其在 0~2π 之间变化。当像素只有 R 分量时，H 值 为 0 度；只有 G 分量时，H 值对应 120°；只存在 B 分量时，其在 240°。而 S 分量在 0~1 之间，如果 当前像素缺少 RGB 中某一个分量，S 值为 1，即 S 值越接近于 1，表示颜色越纯。而在 RGB 成分 相同时，即为灰色时，S 值为 0。对于 I 值，它是原 始图像 RGB 3 个通道的平均，因此整体反映图像 亮度的信息。 针对腐蚀图像颜色特点，由文献[5]可知，对 于金属腐蚀表面来说，其色调分量的值通常在黄 色和红色波长之间；由于金属表面通常以浅灰色 和白色涂覆，所以被腐蚀的金属表面的饱和度分 量的值通常更大，即颜色较深；而未腐蚀的表面 的颜色则倾向于高亮度的白色波长。本文选取 HSI 模型对腐蚀颜色进行描述，保留腐蚀色彩的 色度分量和饱和度分量，只对亮度分量进行图像 增强处理。在最后将其还原回 RGB 空间表示，这 时由 HSI 模型转换为 RGB 模型的公式如式 (2) 所示： B = I(1−S ) R = I [ 1+ S cosH cos(60◦ − H) ] G = 3I −(B+R) , 0 ◦ ⩽ H < 120◦ R = I(1−S ) G = I [ 1+ S cos(H −120◦ cos(180◦ − H) ] B = 3I −(G +R) , 120◦ ⩽ H < 240◦ R = 3I −(G + B) B = I [ 1+ S cos(H −240◦ cos(360◦ − H) ] G = I(1−S ) , 120◦ ⩽ H < 240◦ (2) 1.2 多尺度细节自适应增强 由于腐蚀细节的尺寸大小不一，与背景的对 比度也有强有弱，因此在不同分辨率下对腐蚀细 节进行对比度分析比单一分辨率下分析更具优越 性。小波分析具有很好的多尺度特性，选取合适 的小波基函数可以将图像分解为不同尺度的近似 图像和细节图像，在变换的每一层中图像都被分 解为 4 个四分之一大小的图像[21]。在小波逐级分 解过程中，需选择合适的分解层数，如果分解级 数太少则近似图像中将包含过多细节分量使得细 节增强不够，而分解级数过多会使得计算量增 大。本文对小波进行 3 级分解，可满足腐蚀细节 增强要求。 为了对腐蚀图像的细节进行多尺度增强，需 要调整不同尺度下细节分量的系数。关于各细节 分量系数的调整，若直接设置具体的数值，将会 使得算法受限不具备自适应性。根据文献[18]， 小波分解的细节图像的系数自适应调整，是通过 计算其相同尺度的近似图像的全局对比度得到。 Cglobal K 如图 2 所示，为图像进行 3 级小波变换后近 似分量中像素点 P 的 3×3 邻域。算法思路为：先 计算近似分量中每个像素点邻域内的对比度 (最 大值与最小值之差) 并归一化，再求所有像素点 的对比度之后，得到近似分量的全局对比度 ，最后由全局对比度计算出各细节分量的权 重调整因子 ，并对细节增强图像进行重构。相 关公式及具体过程如下： P 图 2 近似分量中像素点 P 的 3×3 邻域 Fig. 2 3×3 neighbor of pixel P in similar component 1) 计算图像 f(x, y) 的最大值 fmax 和最小值 fmin。 f(xi , yi) = (max(xi)−min(xi))/(fmax − fmin) max(xi) min(xi) 2) 对每级分解图像近似分量进行非线性滤 波 ， 。其中 和 为滤波过程中心像素邻域内的 最大值和最小值。 i Cglobali = c0 · Lsumi/num(fi) Lsumi num(fi) c0 3) 计算第 级图像近似分量的全局对比度， 其值为 。其中， 为非线 性滤波输出图像的像素值之和， 为图像的 像素点个数， 为对比度调节因子，一般取值范 围为 1.0~1.1。 i Ki Ki = 1 2 log( 1 Cglobali +1) 4) 引入第 级全局对比度权重因子 ，其中， 。将其与细节分量的系数相 乘，调整细节图像。 L0 5) 在调节细节分量的同时，也可根据实际需 要将近似分量乘以亮度因子 ，其一般取值范围 为 1.0~1.2。 6) 根据自适应细节增强系数，重构图像， g(x, y) = 第 2 期 雷芳，等：金属腐蚀区域图像增强算法研究 ·387·
·388· 智能系统学报 第14卷 LoLL+∑K(LH+HL+HH。 H>1,c为常数，在上述两个因子之间取值，通常 =3 取1.0。n为滤波器的阶数，Do为截止频率，它的 在步骤6)图像重构过程中，首先是对第3级 值与入射分量和反射分量有关，其值越小则意味 小波分解的细节分量和近似分量进行系数调整和 着滤波后留下的低频分量越多，图像越暗，相反 图像重构，然后依次调整第2级和第1级各分量 则图像越亮，其值的快速计算方法可通过对D(u,) 并重构，最后获得细节增强的亮度图像。 进行中值运算实现。D(u,)为点(u,)到傅里叶变 1.3分块同态滤波 换中心的距离。根据图像大小为M×N的傅里叶 对于金属腐蚀图像而言，由于大部分自然环 变换中心位置为M/2、N/2,可得D(u,)计算公式： 境中采集的腐蚀图像受到光照不均匀影响，使得 一些图像整体亮度不够，易导致经多尺度自适应 Du,)=Vu-M/2)2+(v-N/22 (4) 增强后的细节淹没在暗的背景中。腐蚀细节不能 图像的同态滤波可按整体的方式进行也可局 正常识别，将不利于对金属腐蚀状态进行诊断， 部或分块进行。由文献[13]的对比实验可知，对 分块同态滤波可以减少图像亮度的动态范围以及 图像进行同态滤波时，从整体的方式出发会导致 增强对比度从而使背景处的暗细节显示出来。 增强后的图像某些部分过亮，造成一些细节损 同态滤波的原理是将图像看作光源的人射光 失，而采用分块的方式则增强后的图像明暗适 分量和物体的反射分量的乘积，可用g(x,y)=i(x,y) 中，细节清晰。 (x,y)描述。其中，i(x,y)被视为图像的入射光分 根据上述分析，本文采用分块的方式进行同 量，它通常变化缓慢因此主要集中在低频带， 态滤波，如图4所示。考虑到滤波过程是在图像 (x,y)被视为反射分量，反射光通常变化快，主要 子块中进行，增强后的整体图像在子图像块之间 反映在高频带。对图像进行同态滤波的优点主要 的边界处不可避免地会产生块效应。图4中，粗 体现在它能压缩图像的低频成分并增加其高频成 线条表示产生块效应的子图像边界，灰颜色方格 分，从而减少光照变化，有效弥补光照不均对物 则表示需要修改像素值的像素位置。为此，在图 体的影响，同时还能锐化图像的边缘或细节四。 像按块方式同态滤波后还要从水平和垂直两个方 同态滤波算法的实现原理如图3所示，先对 向对图像进行块效应消除。为降低计算复杂度， 多尺度细节自适应增强图像取对数运算实现将其 本文采用邻域均值法去除块效应，即将块与块图 入射光分量和反射分量分开的目的：应用快速傅 像边界处的像素值取以边界像素为中心的3×3邻 里叶(DFT)算法，将其从空域变换至频域，接下来 域内的均值作为该位置的像素值，具体见式（⑤）(8)。 选择合适的同态滤波函数H(,v)对图像进行滤 波，然后对滤波后的图像进行傅里叶逆变换(D: FT),将图像从频域转换为空域，最后再取指数得 到增强后的亮度分量图像。 H(u,v) 图4同态滤波及其块效应 Fig.4 Homomorphic and block effect 图3。同态滤波流程图 Fig.3 Flow chart of homomorphic Lm,n-)+Rm,0 0 0 在图像同态滤波过程中，对于能否达到理想 L(m,n)= 0≤m≤7，n=7(5) 的滤波效果，滤波函数的选取至关重要。一般同 元Lm.7-0+觉Rm.n+) 态滤波函数均选择能减少低频分量和增加高频分 0 R(m.n)= N 0≤m≤7，n=0 量的滤波器，其中最常用的滤波器有高斯型同态 (6) 滤波器和巴特沃斯型同态滤波器。本文同态滤波 U0m-.m+2'Di.m 传递函数选用高斯型同态滤波器，如式(3)所示： U(m,n)= 0 0 0≤n≤7，m=7 M Hu,=(a-nl-e≈j]+n (3) (7) 式中：H、为亮度调节因子，H增强高频分量， U7-i.m+2D0m+i.) D(m,n)= 0 0 其值越大图像越亮，而，抑制低频分量，其值在 0≤n≤7，m=0 M 不超过rH时，对增强效果影响不大。一般r<1, (8)
L0 · LL3 + ∑1 i=3 Ki ·(LHi + HLi + HHi)。 在步骤 6) 图像重构过程中，首先是对第 3 级 小波分解的细节分量和近似分量进行系数调整和 图像重构，然后依次调整第 2 级和第 1 级各分量 并重构，最后获得细节增强的亮度图像。 1.3 分块同态滤波 对于金属腐蚀图像而言，由于大部分自然环 境中采集的腐蚀图像受到光照不均匀影响，使得 一些图像整体亮度不够，易导致经多尺度自适应 增强后的细节淹没在暗的背景中。腐蚀细节不能 正常识别，将不利于对金属腐蚀状态进行诊断， 分块同态滤波可以减少图像亮度的动态范围以及 增强对比度从而使背景处的暗细节显示出来。 g(x, y) = i(x, y)· r(x, y) i(x, y) r(x, y) 同态滤波的原理是将图像看作光源的入射光 分量和物体的反射分量的乘积，可用 描述。其中， 被视为图像的入射光分 量，它通常变化缓慢因此主要集中在低频带， 被视为反射分量，反射光通常变化快，主要 反映在高频带。对图像进行同态滤波的优点主要 体现在它能压缩图像的低频成分并增加其高频成 分，从而减少光照变化，有效弥补光照不均对物 体的影响，同时还能锐化图像的边缘或细节[22]。 H(u, v) 同态滤波算法的实现原理如图 3 所示，先对 多尺度细节自适应增强图像取对数运算实现将其 入射光分量和反射分量分开的目的；应用快速傅 里叶 (DFT) 算法，将其从空域变换至频域，接下来 选择合适的同态滤波函数 对图像进行滤 波，然后对滤波后的图像进行傅里叶逆变换 (IDFT)，将图像从频域转换为空域，最后再取指数得 到增强后的亮度分量图像。 DFT ln exp 1 H (u,v) rH rL DFT−1 图 3 同态滤波流程图 Fig. 3 Flow chart of homomorphic 在图像同态滤波过程中，对于能否达到理想 的滤波效果，滤波函数的选取至关重要。一般同 态滤波函数均选择能减少低频分量和增加高频分 量的滤波器，其中最常用的滤波器有高斯型同态 滤波器和巴特沃斯型同态滤波器。本文同态滤波 传递函数选用高斯型同态滤波器，如式 (3) 所示： H(u, v) = (rH −rL)[1−e −c[ D0 n (D(u,v))n ] 2 ]+rL (3) rH rL rH rL rH rL < 1 式中： 、 为亮度调节因子， 增强高频分量， 其值越大图像越亮，而 抑制低频分量，其值在 不超过 时，对增强效果影响不大。一般 ， rH > 1 c n D0 D(u, v) D(u, v) (u, v) M ×N M/2 N/2 D(u, v) ， 为常数，在上述两个因子之间取值，通常 取 1.0。 为滤波器的阶数， 为截止频率，它的 值与入射分量和反射分量有关，其值越小则意味 着滤波后留下的低频分量越多，图像越暗，相反 则图像越亮，其值的快速计算方法可通过对 进行中值运算实现。 为点 到傅里叶变 换中心的距离。根据图像大小为 的傅里叶 变换中心位置为 、 ，可得 计算公式： D(u, v) = √ (u− M/2)2 +(v−N/2)2 (4) 图像的同态滤波可按整体的方式进行也可局 部或分块进行。由文献[13]的对比实验可知，对 图像进行同态滤波时，从整体的方式出发会导致 增强后的图像某些部分过亮，造成一些细节损 失，而采用分块的方式则增强后的图像明暗适 中，细节清晰。 根据上述分析，本文采用分块的方式进行同 态滤波，如图 4 所示。考虑到滤波过程是在图像 子块中进行，增强后的整体图像在子图像块之间 的边界处不可避免地会产生块效应。图 4 中，粗 线条表示产生块效应的子图像边界，灰颜色方格 则表示需要修改像素值的像素位置。为此，在图 像按块方式同态滤波后还要从水平和垂直两个方 向对图像进行块效应消除。为降低计算复杂度， 本文采用邻域均值法去除块效应，即将块与块图 像边界处的像素值取以边界像素为中心的 3×3 邻 域内的均值作为该位置的像素值，具体见式 (5)~(8)。 图 4 同态滤波及其块效应 Fig. 4 Homomorphic and block effect L(m,n) = ∑n0 i=0 L(m,n−i)+ n∑0−1 i=0 R(m,i) N 0 ⩽ m ⩽ 7,n = 7 (5) R(m,n) = ∑n0 i=0 L(m,7−i)+ ∑n0 i=0 R(m,n+i) N 0 ⩽ m ⩽ 7,n = 0 (6) U(m,n) = ∑m0 i=0 U(m−i,n)+ m∑0−1 i=0 D(i,n) M 0 ⩽ n ⩽ 7,m = 7 (7) D(m,n) = m∑0−1 i=0 U(7−i,n)+ ∑m0 i=0 D(m+i,n) M 0 ⩽ n ⩽ 7,m = 0 (8) ·388· 智 能 系 统 学 报 第 14 卷
第2期 雷芳，等：金属腐蚀区域图像增强算法研究 ·389· 式中：L和R为水平方向上的子图像，U和D为垂 转换为RGB图像，最后得到增强的金属腐蚀图 直方向上的子图像，M和N为邻域模板的大小， 像。具体实验结果见图7~9。 no floor(N/2),mo floor(M/2). 2实验结果与分析 本文对金属腐蚀区域图像的增强算法进行了 研究，提出了HSI模型下多尺度细节自适应增强 (a)原始图像(b)小波自适应 (c)同态滤波 与同态滤波的腐蚀图像增强算法，并将算法应用 于金属管道腐蚀图像的增强。为了研究金属管道 材料在特定环境下自然腐蚀的情况，实验中使用 的腐蚀图像均采集于某输油站场内暴露于自然环 境下已经被腐蚀的金属管道材料，图5为现场实 物图，从图中可以看出金属管道的许多区域已经 (d)MSR (e)暗通道去雾 (①本文 受到了自然环境的腐蚀。 图7腐蚀图像1增强效果比较 Fig.7 Enhancement results comparison in corrosion image 1 (a)金属管道 (b)管外壁腐蚀(c)管接口腐蚀 图5自然环境下受到腐蚀的金属管道 Fig.5 Corrosion metal pipeline in natural environment 为了验证提出算法的增强效果，本文选取 (a)原始图像 (b)小波自适 (c)同态滤波 3幅腐蚀形态相异，亮度不均匀、腐蚀细节对比度 低的腐蚀原图像作为实验图像，腐蚀原图及其亮 度分量如图6所示。 (d)MSR (e)暗通道去雾 ()本文 图8腐蚀图像2增强效果比较 Fig.8 Enhancement results comparison in corrosion (a)腐蚀图像1 (b)腐蚀图像2 (c)腐蚀图像3 image 2 (a)原始图像 b)小波自适应 (c)同态滤波 (a)图像1的分量b)图像2的分量(c)图像3的分量 图6腐蚀原图像及1分量 Fig.6 Corrosion image and I component 在对管道腐蚀图像增强算法的对比实验上， 采用小波自适应增强算法、同态滤波算法、MSR 增强算法、暗通道去雾增强算法以及本文算法作 (d)MSR (e)暗通道去雾 (田本文 比较。上述所有算法在实验中都只针对金属腐蚀 图9腐蚀图像3增强效果比较 图像的I分量进行增强，再将增强后的I分量图 Fig.9 Enhancement results comparison in corrosion 像与原图像的H分量、S分量进行色彩空间变换 image 3
n0 = floor(N/2) m0 = floor(M/2) 式中：L 和 R 为水平方向上的子图像，U 和 D 为垂 直方向上的子图像，M 和 N 为邻域模板的大小， ， 。 2 实验结果与分析 本文对金属腐蚀区域图像的增强算法进行了 研究，提出了 HSI 模型下多尺度细节自适应增强 与同态滤波的腐蚀图像增强算法，并将算法应用 于金属管道腐蚀图像的增强。为了研究金属管道 材料在特定环境下自然腐蚀的情况，实验中使用 的腐蚀图像均采集于某输油站场内暴露于自然环 境下已经被腐蚀的金属管道材料，图 5 为现场实 物图，从图中可以看出金属管道的许多区域已经 受到了自然环境的腐蚀。 (a) 金属管道 (b) 管外壁腐蚀 (c) 管接口腐蚀 图 5 自然环境下受到腐蚀的金属管道 Fig. 5 Corrosion metal pipeline in natural environment 为了验证提出算法的增强效果，本文选取 3 幅腐蚀形态相异，亮度不均匀、腐蚀细节对比度 低的腐蚀原图像作为实验图像，腐蚀原图及其亮 度分量如图 6 所示。 (a) 腐蚀图像1 (b) 腐蚀图像2 (c) 腐蚀图像3 (a) 图像1的I分量 (b) 图像2的I分量 (c) 图像3的I分量 图 6 腐蚀原图像及 I 分量 Fig. 6 Corrosion image and I component 在对管道腐蚀图像增强算法的对比实验上， 采用小波自适应增强算法、同态滤波算法、MSR 增强算法、暗通道去雾增强算法以及本文算法作 比较。上述所有算法在实验中都只针对金属腐蚀 图像的 I 分量进行增强，再将增强后的 I 分量图 像与原图像的 H 分量、S 分量进行色彩空间变换 转换为 RGB 图像，最后得到增强的金属腐蚀图 像。具体实验结果见图 7~9。 (a) 原始图像 (b) 小波自适应 (c) 同态滤波 (d) MSR (e) 暗通道去雾 (f) 本文 图 7 腐蚀图像 1 增强效果比较 Fig. 7 Enhancement results comparison in corrosion image 1 (a) 原始图像 (b) 小波自适 (c) 同态滤波 (d) MSR (e) 暗通道去雾 (f) 本文 图 8 腐蚀图像 2 增强效果比较 Fig. 8 Enhancement results comparison in corrosion image 2 (a) 原始图像 (b) 小波自适应 (c) 同态滤波 (d) MSR (e) 暗通道去雾 (f) 本文 图 9 腐蚀图像 3 增强效果比较 Fig. 9 Enhancement results comparison in corrosion image 3 第 2 期 雷芳，等：金属腐蚀区域图像增强算法研究 ·389·