国网江苏省电力有限公司盐城供电分公司 邮编:224000
摘要:电缆管道内部空间狭小、纵深长,导致光源传播距离近,不利于管道内部的异常状态检测。为解决该问题,提出一种基于双曝光融合的电缆管道内部巡检图像增强方法。根据原图像生成一张欠曝光的图像和一张过曝光的图像,根据照明估计技术来计算图像融合的权重矩阵,利用先验的相机响应模型来合成曝光图像,计算曝光迭代公式找到最佳曝光率,使合成图像在原始图像曝光不足的区域曝光良好,最后根据权重矩阵将输入图像与合成图像融合得到增强结果。根据实验结果,本文的图像增强方法在电缆管道内部巡检图像上可以取得较好的效果,可显著提升电缆管道内部巡检的可视距离。
关键词:图像增强;自适应图像增强;曝光图像融合
1、引言
随着地下电缆管道系统的广泛应用,城市电网的可靠性得到提高,也增加了电网的传输方式。然而到安装电缆时可能遇到管道漏水、管道中存在异物等问题,易造成安全隐患,因此有必要对管道进行定期检测维修和清理[1]。而传统的管道检测方法例如三维激光扫描法、潜望镜检测法,检测成本较大,其方法的效率低下也不再适合检测日渐复杂的地下电缆管道系统[2]。针对此问题,本文提出一种基于双曝光融合的管道不均匀光照图像增强算法。根据原图像生成一张相对欠曝光的图像和一张过曝光的图像,然后按照一个合适的比例融合,产生增强的图像。
2、双曝光融合方法
管道图像的中心是偏暗的,需要生成一个曝光适当的图像。双曝光融合的方法,在原图像的基础上调整亮度生成一张相对欠曝光图像和一张相对过曝光图像,使用欠曝光图像和过曝光图像进行融合,具体利用原图像、求解出的曝光率
以及先验的相机响应模型
[3]来求出最佳曝光图像,再根据对应权重矩阵
进行融合,最终融合图像
的公式定义为(1)。
(1)
根据公式(1),双曝光融合方法的核心在于处理权重矩阵、相机响应模型
,曝光率
,之后便可以根据图像融合公式进行求解得到曝光恰当的图像。
权值矩阵是选择增强区域的重点,它能增强曝光不足区域的低对比度,同时保持曝光良好区域的对比度。给曝光良好的像素分配大的权重值,给曝光不足的像素分配小的权重值,因此权值矩阵与图像亮度呈正相关。计算权值矩阵
的公式为(2)。
(2)
其中为平滑光照图,
为增强强度。
求解得出的权重矩阵,代表了对比度高的地方权重高,对比度低的地方权重低,实现欠曝光的区域进行图像增强,曝光良好区域保持的效果。
相机响应模型[3]是一种亮度增强模型,可以看为一个gamma模型,建议参数a=-0.3293,b=1.1258。
(3)
根据原图像和曝光率
即可得到适合的曝光图。
为了估计得到最佳的曝光率,需要得到原图像中过曝光的区域和欠曝光的区域,这里认为平滑光照图的就是曝光不足,从而获得全局曝光不足的区域。
(4)
在估计曝光率的时候,通常只考虑亮度分量。这里将亮度分量定义为三个通道的几何平均值。
(5)
式中,、
、
分别为输入图像
的红、绿、蓝通道。
在得到亮度分量后,曝光良好的图像其蕴含的信息量更大。蕴含的信息量表示如公式(6)所示。
(6)
为了求得最佳曝光率,来使得图像所能蕴含的信息量最大,这个过程可以写为迭代优化方程。
(7)
3、实验结果和分析
为了验证本文提出方法的有效性,本次实验数据采用三张实际拍摄的管道内部图像,采用CLAHE、Retinex增强方法进行对比实验。这里设置本文方法的增强强度参数为0.15,以达到最佳曝光的目的。为了更好地观测实验结果,对管道中心部分进行实验观察,实验结果如图1所示。
本文采用PSNR、SSIM和LOE指标三种参考图像质量评价指标对本文算法和对比算法进行客观评价,采用三张实际拍摄的管道图像,客观评价指标结果如表1所示。可以看到本文提出的方法在PSNR、SSIM和LOE三个指标都取得了更好的结果,证明了本文提出的方法在处理电缆管道内部巡检图像的图像增强有一定的优势。
图1 管道图像的实验结果
表1 实验结果指标
方法 | PSNR | SSIM | LOE |
原图像 | - | - | - |
CLAHE | 17.65 | 0.7322 | 357.44 |
Retinex | 18.22 | 0.7328 | 331.21 |
提出的方法 | 23.02 | 0.8726 | 34.78 |
4、结论
本文提出了一种基于双曝光融合的电缆管道内部巡检图像增强方法,计算出自适应区域来实现电缆管道内部巡检图像的增强。实验展示了本文提出的方法与其他几种图像增强方法相比的结果,证明了基于双曝光融合的电缆管道内部巡检图像增强方法的有效性。
参考文献
[1]李甲振, 余弘婧, 郭新蕾, 郭永鑫, 王涛, 付辉, 黄伟. 管道系统泄漏的可控低强度瞬变流检测法[J]. 应用基础与工程科学学报, 2022,30(04): 873-882.
[2]李夷进, 闫睿, 杨峰, 乔旭, 李梵若, 刘文. 排水管道图像雾气及光斑干扰去除方法研究[J]. 科学技术与工程, 2022, 22(16): 6599-6606.
[3]Ying, Z., Li, G., Ren, Y., Wang, R., Wang, W. (2017). A New Image Contrast Enhancement Algorithm Using Exposure Fusion Framework. In: Felsberg, M., Heyden, A., Krüger, N. (eds) Computer Analysis of Images and Patterns. CAIP 2017. Lecture Notes in Computer Science(), vol 10425. Springer, Cham.