基于暗通道引导滤波和光照校正的煤矿井下图像去雾算法

现有煤矿井下图像去雾方法在处理煤矿井下图像时未能在提取图像深层次特征信息的同时进行光照校正,处理后的图像存在细节信息丢失或图像偏暗的问题。提出一种基于暗通道引导滤波和光照校正的煤矿井下图像去雾算法。首先,井下原始图像通过图像分化模块(IDM)进行双边滤波、光照估计和暗原色处理后得到光照图、暗原色图和光照反射图。然后,对暗原色图进行预处理,作为权重引导参数对光照反射图进行引导滤波,以恢复图像细节特征信息。最后,将光照图作为权重参数对图像进行光照校正和特征提取,通过多次光照校正解决颜色失真问题,同时增加网络深度,进而去除黑暗区域的退化,实现图像细节的重构,从而得到清晰图像。主观评价结果表明:基于暗通道引导滤波和光照校正的煤矿井下图像去雾算法在去除雾气的同时,保留了更多的结构纹理及背景细节,使整个图像更加接近于对应的清晰图像。客观评价结果表明:与次优算法PMS-Net相比,在训练集和测试集上信息熵分别提高0.32和0.11,标准差分别提高3.58和1.89,平均梯度分别提高0.008和0.004,说明所提算法可有效降低煤矿井下图像的雾气。消融实验结果表明,所提算法在测试数据集上的信息熵、标准差、平均梯度均高于其他网络组成模型,说明所提算法去雾效果最好,且能有效保留图像细节和边缘信息。

Retinex算法在煤矿井下图像增强的应用研究

由于煤矿井下存在大量粉尘及光照强度不足,造成采集的图像不清晰、对比度不足、细节信息无法展现等问题,严重影响图像的观测效果及信息提取。Retinex算法作为一种颜色恒常性模型,在处理图像模糊、光照不足方面有很好的效果及广泛的应用。根据当前Retinex算法的研究现状,总结分析了目前Retinex算法应用于煤矿井下图像增强的研究,分析了每种算法的优缺点并提出了展望。

基于分布式压缩感知的煤矿井下图像采集方法研究

煤矿井下无线传感器网络存在着能量受限的问题,需要研究高效的数据压缩采集方法解决此问题。分布式压缩感知是一种高效的数据压缩采集方法。提出基于分布式压缩感知的煤矿井下图像压缩采集方法,将图像按列划分为多个图像块,对每个图像块单独压缩编码,在服务器上利用信号内相关性和信号间相关性联合解码。实验结果表明,在相同压缩率下,新方法与传统的压缩感知相比能够获得更好的图像质量,恢复图像所需的时间更少,实时性更强。

煤矿井下非均匀照度图像去噪研究

煤矿综采工作面空间小、照明环境复杂多变,采煤过程中伴随着大量的粉尘、大雾,导致采集的图像出现曝光、细节特征减弱等问题,难以对井下照明区域光照强度过大的图像进行有效的特征提取。针对上述问题,提出了一种煤矿井下非均匀照度图像去噪算法。首先,将视频截取为图像,判断图像是否需要进行光照抑制,将需要进行光照抑制的RGB图像拆分通道,并计算每个通道的光照调节因子,实现图像的整体光照调节;然后,将未进行整体光照抑制的图像和经整体光照抑制的图像进行反射分量提取,即将输入的图像转换为HSV空间图像,使用单尺度Retinex(SSR)算法对V通道图像中的光照分量进行单独处理,将V分量中的入射分量去除,保留反射分量,并对反射分量使用直方图均衡算法实现光照均衡化处理;最后,使用基于引导滤波的暗通道先验算法对经过光照处理后的图像进行去雾处理,并使用伽马校正函数重新调节亮度不均的图像。主观评价结果表明:提出的煤矿井下非均匀照度图像去噪算法有效抑制了因光照导致整体亮度较高的问题,且由于大雾、粉尘等因素导致图像模糊的部分更加清晰,图像的细节特征更加突出。采用信息熵、均值、标准差、空间频率4种评价指标对提出的算法效果进行客观评价,结果表明,提出的算法在信息熵、均值、标准差、空间频率上较多尺度Retinex(MSR)算法分别平均提升了21.87%,-56.06%,153.43%,294.45%,较基于颜色保持的多尺度视网膜增强(MSRCP)算法分别平均提升了1.18%,-39.56%,33.29%,-4.71%,较带色彩恢复的多尺度视网膜增强(MSRCR)算法分别平均提升了38.06%,-55.27%,462.10%,300.96%,说明提出的算法能更有效地增加图像信息量、抑制光照强度、提升边缘信息及图像清晰度。

煤矿井下图像增强算法研究

煤矿井下图像增强作为煤矿井下目标检测和识别的重要先决条件,一直受到研究者的关注。通过阐述多种图像增强算法的基本原理,对煤矿井下逆光源和顺光源图像进行了增强处理,用于提升图像的清晰度、对比度和可视性。通过6种图像质量评价方法对增强后的图像质量进行评价,分析了各个图像增强算法的优异性。

基于边界约束的煤矿井下尘雾图像去雾算法

现有煤矿井下图像去雾算法主要有基于图像增强的去雾算法、基于CNN的去雾算法和基于物理模型的去雾算法。前两者去雾效果差,易出现过曝光。基于物理模型的去雾算法依据大气散射模型对尘雾进行处理,但将基于暗通道的大气光值估计方法应用到煤矿井下环境中,选取的大气光值会较小,易造成图像过曝光、无法抑制点光源照射等问题。针对上述问题,将基于暗原色先验的图像去雾算法(He算法)与基于边界约束及上下文正则化的去雾算法(Meng算法)进行融合,提出了一种基于边界约束的煤矿井下尘雾图像去雾算法。首先,对输入的图像进行伽马校正,对校正后的图像进行颜色通道开运算处理,得到低分辨率的像素块,并从中选取最大亮度值作为煤矿井下的大气光值。其次,分别用He算法与Meng算法对伽马校正后的图像进行处理,对采用Meng算法得到的边界约束图进行引导滤波,得到更为清晰的边界约束图,并将Meng算法与He算法的粗透射率差值进行比较再融合。最后,对融合后的粗透射率进行上下文正则化得到细化透射率,根据得出的大气光值与细化后的透射率,通过大气散射模型得到去雾后的图像。仿真结果表明,基于边界约束的煤矿井下尘雾图像去雾算法没有出现过曝光等问题,且对浓雾图像的去雾效果更好,去雾后的图像也更明亮,颜色更加接近原图。采用峰值信噪比(PSNR)、结构相似性指标(SSIM)、特征相似性指标(FSIM)3种指标对去雾效果进行客观评价,结果表明,提出的算法在PSNR,SSIM,FSIM上相较于He算法平均提升了61.52%,36.51%,24.57%,相较于文献[9]算法平均提升了15.51%,19.27%,-0.30%,相较于Meng算法平均提升了18.93%,7.19%,1.21%,相较于文献[11]算法平均提升了18.29%,10.54%,1.19%,说明提出的算法在煤矿井下环境中去雾效果更好、图像更加明亮、细节信息保留更多。

煤矿井下高清图像快速去雾算法研究

针对暗原色先验去雾算法在大幅图像(960P以上)运算速度缓慢,提出使用缩放插值法快速获取暗通道图和粗透射图,并利用CANNY边缘检验和引导滤波获得边缘强化引导图,改善因缩放导致的粗透射图边缘丢失,并针对井下环境进行了大气光值限定.实验结果表明,该算法在井下高清图像去雾处理中,可以有效缩短运算时间,并且获得比He算法更好的边缘效果.

煤矿井下视频雾浓度检测及实时去雾方法

煤矿井下工作面在生产状态下由于喷雾除尘操作引起雾气浓度动态变化,导致视频图像画面模糊不清,严重影响煤矿井下可视化远程干预性采煤控制及操作。针对上述问题,提出了一种煤矿井下工作面视频雾浓度检测及实时去雾方法。首先利用颜色衰减先验计算含雾视频图像亮度值和饱和度值差异,实现雾浓度检测,进一步识别含雾图像和无雾图像。其次,使用颜色衰减先验和场景变化概率模型对视频时间连续代价函数进行矫正,减小视频相邻帧之间的透射率误差,减轻去雾后视频图像画面的闪烁影响。最后,分别利用煤矿井下工作面视频雾浓度检测及实时去雾方法和Kim方法对煤矿井下场景有雾视频进行处理。实验结果表明:①雾浓度检测方法可以准确地计算出图像场景中的雾浓度分布,提取到的雾浓度最大连通区域占总图像像素的38.693%,大于雾浓度阈值20%,为含雾图像。根据含雾图像识别结果自动忽略无雾图像,有选择性地对有雾图像进行去雾处理。②采用煤矿井下工作面视频雾浓度检测及实时去雾方法对煤矿井下工作面的不同区域(支架区域和煤壁区域)及不同雾浓度(中等雾浓度和较高雾浓度)的生产视频进行去雾处理,去雾后视频图像对比度明显增强,视觉效果也更加明亮清晰。③实时去雾方法的均方误差曲线在Kim方法的均方误差曲线下方,说明其对连续场景视频去雾后,视频相邻帧的均方误差值减小,有效抑制了去雾视频的闪烁现象;使用对比度代价函数和颜色信息损失代价函数估计含雾图像的透射率值,可在变化场景取得理想的去雾效果。④实时去雾方法的去雾视频相邻帧之间的均方误差均值较Kim实时方法减小4.26,提高了相邻帧之间的相似性,进一步抑制了相邻帧之间的图像闪烁现象。在运行时间方面,实时去雾方法每帧处理时间较Kim方法增加了2 ms,但是其每帧处理时间小于40 ms,满足实时性要求。

基于生成对抗网络的煤矿井下视频图像超分辨率复原方法研究

图像超分辨率复原(Super-resolution Reconstruction, SR)可以使用计算机对低分辨率图像进行处理,获取高分辨率图像。针对煤矿井下视频图像采集环境复杂、亮度不均、图像模糊等问题,本文采用深度学习的思想对煤矿井下视频图像进行超分辨率复原,使用生成对抗网络(GAN),对图像超分辨率算法进行了测试。实验证明,该方法可以实现煤矿井下视频图像的超分辨率复原,为后续更好地进行煤矿井下图像应用研究提供了前期支持。

基于融合边缘优化的煤矿图像语义分割方法

由于煤矿井下环境恶劣,使得煤矿井下视频获取的图像严重降质,而现有的基于深度学习的语义分割模型在图片清晰化后存在边缘分割模糊的问题,提出了一种采用融合边缘优化模块处理边界信息并运用门控卷积层连接传统特征提取模块并行处理信息的方法;为监督学习轮廓信息,采用二元交叉熵损失函数提高学习效果,并与常规分支的损失函数共同优化模型分割效果。试验结果表明:对已完成清晰化的煤矿井下图像进行语义分割任务时,基于融合边缘优化模块的方法与其他方法相比整体语义分割精度得到提升并且边缘分割精度更高。