基于非下采樣輪廓波變換的礦井圖像增強(qiáng)算法

王滿利，田子建

(1.中國(guó)礦業(yè)大學(xué)(北京) 機(jī)電與信息工程學(xué)院,北京 100083; 2.河南理工大學(xué) 物理與電子信息學(xué)院，河南 焦作 454000)

隨著礦山信息化高速發(fā)展，“無(wú)人化開采”穩(wěn)步推進(jìn)，越來(lái)越多圖像、視頻技術(shù)投入礦山開采的各環(huán)節(jié)，實(shí)現(xiàn)視覺(jué)檢測(cè)功能。但是，礦井環(huán)境復(fù)雜，電磁干擾大，成像光照條件差，導(dǎo)致采集圖像噪聲大、照度低。低照度噪聲礦井圖像嚴(yán)重制約圖像、視頻技術(shù)在礦山開采中推廣應(yīng)用。礦井圖像增強(qiáng)技術(shù)，也因此成為建設(shè)智慧礦山需要攻克的關(guān)鍵技術(shù)之一。

礦井圖像增強(qiáng)的關(guān)鍵是解決對(duì)比度提高與噪聲抑制的矛盾，常規(guī)圖像增強(qiáng)技術(shù)側(cè)重增強(qiáng)圖像的細(xì)節(jié)，提高圖像的對(duì)比度，無(wú)法實(shí)現(xiàn)噪聲抑制，甚至還會(huì)引起噪聲放大。礦井圖像增強(qiáng)必須同時(shí)解決兩方面問(wèn)題:① 提高圖像的對(duì)比度，增強(qiáng)細(xì)節(jié);② 抑制噪聲，防止圖像增強(qiáng)過(guò)程中噪聲放大。

傳統(tǒng)圖像增強(qiáng)算法有:直方圖均衡化[1-3]、Retinex模型圖像增強(qiáng)[4,6,8-10,16,19]、多分辨幾何分析的圖像增強(qiáng)[12]、基于變分的圖像增強(qiáng)算法[17]等。針對(duì)礦井圖像增強(qiáng)的研究也在不斷深入，文獻(xiàn)[5]研究了低照度與非均勻光照?qǐng)D像的增強(qiáng)算法，文獻(xiàn)[7]研究了礦井圖像噪聲抑制方法，文獻(xiàn)[11]研究了霧、塵礦井圖像清晰化算法，上述算法各有側(cè)重，無(wú)法滿足井下低照度噪聲圖像的增強(qiáng)。

鑒于此，筆者提出基于輪廓波變換的礦井圖像增強(qiáng)算法(Mine Image Enhancement Algorithm Based on Nonsubsampled Contourlet Transform，MIECT)，實(shí)現(xiàn)礦井低照度噪聲圖像對(duì)比度的提高、細(xì)節(jié)增強(qiáng)和噪聲抑制。

1 增強(qiáng)算法框架

Retinex理論認(rèn)為顏色是光與物質(zhì)相互作用的結(jié)果，人眼感知的顏色與物體表面的反射特性密切相關(guān)，高反射率的物體看起來(lái)明亮，而低反射率的則暗淡，人們觀測(cè)到的圖像是光照分量和物體反射分量的乘積構(gòu)成，反射分量表征物體恒常圖像，Retinex理論圖像模型為

I(x,y)=L(x,y)·R(x,y)

(1)

式中，I(x,y)為觀測(cè)圖像;L(x,y)為光照分量;·為乘操作;R(x,y)為反射分量。

基于Retinex的圖像增強(qiáng)算法核心思想是反射分量決定物體本質(zhì)信息，消除觀測(cè)圖像中光照分量影響，獲得物體本質(zhì)的反射分量，即可實(shí)現(xiàn)增強(qiáng)圖像。

礦井下不僅成像環(huán)境光照條件差，而且電磁干擾大[20-21]，導(dǎo)致觀測(cè)圖像富含噪聲，致使常規(guī)基于Retinex圖像增強(qiáng)方法無(wú)法滿足礦井下低光照噪聲圖像的增強(qiáng)。式(1)中引入零均值高斯噪聲分量n(x,y)，將觀測(cè)圖像分寫為低頻分量Il(x,y)和高頻分量Ih(x,y)，相應(yīng)的反射分量也表示為低頻分量Rl(x,y)和高頻分量Rh(x,y)，則式(1)變?yōu)槭?2)，假如能夠由式(2)得到Rl(x,y)和Rh(x,y)，即可實(shí)現(xiàn)礦井下低照度噪聲圖像的增強(qiáng)。

I(x,y)=Il(x,y)+Ih(x,y)=L(x,y)·Rl(x,y)+

[L(x,y)·Rh(x,y)+n(x,y)]

(2)

其中，Il(x,y)=L(x,y)Rl(x,y)屬于觀測(cè)圖像的緩慢變化信息，決定圖像的對(duì)比度;Ih(x,y)=L(x,y)Rh(x,y)+n(x,y)屬于觀測(cè)圖像的高頻快速變化信息，決定圖像的紋理細(xì)節(jié)。式(2)中惟一已知I(x,y)，將其分解為Il(x,y)和Ih(x,y)后，Il(x,y)消除了n(x,y)的影響，若能由Il(x,y)獲得光照分量L(x,y);由Ih(x,y)分離n(x,y)得到L(x,y)·Rh(x,y)，則聯(lián)立兩條件獲得增強(qiáng)圖像為

R(x,y)=Rl(x,y)+Rh(x,y)=

(3)

式中，max()為取最大值;δ為小正數(shù)，避免分母為0。

根據(jù)式(3)，設(shè)計(jì)圖1所示的礦井圖像增強(qiáng)算法框架，圖1中紅、綠、藍(lán)邊框?yàn)閷?duì)應(yīng)的R，G，B顏色通道;符號(hào)LFI為低頻圖像;BCI為低頻圖像的亮通道圖像;RBCI為精細(xì)化的亮通道圖像。首先，采用非下采樣輪廓波變換(Nonsubsampled Contourlet Transform,NSCT)將輸入圖像分解為低頻圖像Il(x,y)和高頻圖像Ih(x,y);其次，在輪廓波變換域，利用Il(x,y)的亮通道估計(jì)光照?qǐng)D像L(x,y);再次，利用閾值收縮函數(shù)收縮Ih(x,y)的分解系數(shù)，抑制噪聲n(x,y)，利用收縮過(guò)后的高頻分解系數(shù)和原低頻分解系數(shù)實(shí)施非下采樣逆輪廓波變換，得到L(x,y)·(Rl(x,y)+Rh(x,y))，最后，由L(x,y)和L(x,y)·(Rl(x,y)+Rh(x,y))得到增強(qiáng)圖像R(x,y)。

圖1 基于輪廓波變換的礦井圖像增強(qiáng)框架

2 噪聲抑制與光照?qǐng)D像估計(jì)

2.1 非下采樣輪廓波變換

為便于表述，定義符號(hào)TNSCT()為NSCT變換，觀測(cè)圖像I(x,y)經(jīng)NSCT分解表述為

c∈{R,G,B}

(4)

2.2 光照?qǐng)D估計(jì)

(5)

圖2 NSCT的非下采樣分解與相應(yīng)的頻率切分圖

(6)

式中，Ω(x,y)為以(x,y)為中心(2n+1)×(2n+1)的濾波窗口;mean()為均值濾波操作;γ為(0,1)的正數(shù)，建議取值[0.5,0.8]。

分別采用式(5)，(6)估計(jì)光照?qǐng)D，根據(jù)不同的光照?qǐng)D估計(jì)值計(jì)算增強(qiáng)圖像，其結(jié)果對(duì)比如圖3所示，其中，圖3(a)為測(cè)試圖原圖，圖3(b)為式(5)得到基礎(chǔ)估計(jì)光照?qǐng)D和相應(yīng)的增強(qiáng)圖像，圖3(c)為式(6)最終估計(jì)光照?qǐng)D及相應(yīng)的增強(qiáng)圖像，由圖3知，基礎(chǔ)估計(jì)光照?qǐng)D對(duì)應(yīng)的灰度值偏小，增強(qiáng)圖像存在過(guò)度增強(qiáng)現(xiàn)象，而經(jīng)過(guò)γ校正和均值濾波的最終估計(jì)光照?qǐng)D更平滑、更亮，即灰度值相比基礎(chǔ)估計(jì)值更大，增強(qiáng)圖像更加清晰，色彩更加自然。

2.3 高頻子帶噪聲抑制

得到光照?qǐng)D估計(jì)值后，抑制高頻子帶系數(shù)中的噪聲成為獲得高質(zhì)量增強(qiáng)圖像的關(guān)鍵。

圖3 不同的光照?qǐng)D估計(jì)值對(duì)比

NSCT變換能夠稀疏表達(dá)二維圖像，且具有平移不變性。因此，各方向子帶系數(shù)矩陣與原圖像大小相同，像素對(duì)應(yīng)系數(shù)空間位置不變。并且，NSCT各方向子帶系數(shù)具有區(qū)分圖像邊緣和噪聲的能力，噪聲對(duì)應(yīng)的所有方向子帶系數(shù)幅值都較小，而邊緣對(duì)應(yīng)的方向子帶系數(shù)較噪聲大了許多，根據(jù)這一情況，對(duì)各方向子帶系數(shù)做閾值收縮，即將高頻各方向子帶中小于閾值的系數(shù)置0，實(shí)現(xiàn)噪聲抑制。變換域閾值收縮常用方法包括硬閾值收縮和軟閾值收縮，硬閾值收縮能夠很好的提高圖像的峰值信噪比，突顯圖像的邊緣細(xì)節(jié)特征，而軟閾值法容易引起圖像邊緣損失，因此，本文選用硬閾值收縮函數(shù)，實(shí)現(xiàn)高頻子帶系數(shù)收縮，達(dá)到抑制噪聲目的。本文采用的硬閾值收縮原理為

j=1,2，…,J，s=1,2,…,Sj

(7)

式中，kj為分解尺度j對(duì)應(yīng)閾值比例系數(shù);σc為觀測(cè)圖像各顏色通道的噪聲方差;Tj,s為頻域中NSCT各方向子帶對(duì)應(yīng)的均方根，即

(8)

(9)

式中，σc由式(10)所示小波噪聲估計(jì)經(jīng)驗(yàn)公式計(jì)算得到:

(10)

由上述得到最終估計(jì)光照?qǐng)D和閾值收縮的高頻子帶系數(shù)，如果不考慮突顯部分高頻子帶細(xì)節(jié)的情況下，根據(jù)本文的增強(qiáng)框架可知，聯(lián)合低頻子帶系數(shù)和收縮的高頻子帶系數(shù)實(shí)施非下采樣輪廓波逆變換，之后按式(3)計(jì)算，可得到最終增強(qiáng)圖像。

2.4 增強(qiáng)圖像重構(gòu)

為算法更加靈活適用，不僅要求算法能提高礦井圖像的整體對(duì)比度，增強(qiáng)整體細(xì)節(jié)，還要求算法增強(qiáng)不同高頻方向子帶系數(shù)對(duì)應(yīng)的細(xì)節(jié)信息，因此，聯(lián)合式(3)，(6)～(7)，可得式(11)所示的增強(qiáng)圖像重構(gòu)規(guī)則為

(11)

3 增強(qiáng)算法

MIECT算法的4個(gè)主要環(huán)節(jié):① 礦井下低光照?qǐng)D像的非下采樣輪廓波分解;② 在輪廓波域內(nèi)，利用低頻子帶系數(shù)估計(jì)光照?qǐng)D;③ 為抑制噪聲，在輪廓波域內(nèi)收縮高頻方向子帶系數(shù);④ 根據(jù)估計(jì)的光照?qǐng)D和收縮的高頻子帶系數(shù)，實(shí)施NSCT逆變換得到增強(qiáng)圖像。設(shè)計(jì)MIECT算法如下:

(1)NSCT分解礦井下采集圖像I(x,y)的各顏色通道，得到各通道圖像的NSCT各尺度、方向子帶系數(shù)。

4 數(shù)值實(shí)驗(yàn)

為驗(yàn)證MIECT增強(qiáng)效果，開展3類實(shí)驗(yàn)從主觀視覺(jué)與客觀指標(biāo)數(shù)據(jù)評(píng)價(jià)其性能。

(1)驗(yàn)證MIECT算法是否與設(shè)計(jì)原理一致，能否在輪廓波變換域?qū)崿F(xiàn)光照?qǐng)D的估計(jì)和煤礦井下圖像的增強(qiáng)。

(2)驗(yàn)證MIECT抑制噪聲的能力,增強(qiáng)不同頻帶、不同方向細(xì)節(jié)信息的能力。

(3)比較 MIECT 與其他6種算法的增強(qiáng)性能，6種算法包括:文獻(xiàn)[9]的低光照?qǐng)D像增強(qiáng)算法1(LIME)、SSR、文獻(xiàn)[16]中的帶顏色恢復(fù)的多尺度Retinex(MSRCP)、文獻(xiàn)[17]的加權(quán)變分模型Retinex增強(qiáng)算法(SRIE)、文獻(xiàn)[18] 基于融合技術(shù)的單張圖像快速增強(qiáng)算法(MFIE)和文獻(xiàn)[19]的低光照?qǐng)D像魯棒Retinex增強(qiáng)算法(SRLIE)。

分別使用平均局部標(biāo)準(zhǔn)差、平均局部信息熵和Brenner梯度函數(shù)值分析評(píng)價(jià)圖像的對(duì)比度、細(xì)節(jié)信息豐富程度和清晰度。

當(dāng)局部窗口塊尺寸為(2d+1)×(2d+1)時(shí)，局部標(biāo)準(zhǔn)差定義如式(12)所示，整幅圖像的局部標(biāo)準(zhǔn)差的平均值即為平均局部標(biāo)準(zhǔn)差。

n=(2d+1)×(2d+1)

(12)

式中，Lstd為平均局部標(biāo)準(zhǔn)差;fE(x)為增強(qiáng)圖像的灰度值;x為(2d+1)×(2d+1)窗口內(nèi)的標(biāo)記序號(hào);d為1個(gè)選定的自然數(shù)。Brenner梯度函數(shù)定義為

(13)

式中，m,n為圖像f的行、列數(shù);Clty(f)為清晰度函數(shù)，Clty的值越大圖像f越清晰;thr為Brenner梯度函數(shù)的限值，本文thr=4。

平均局部信息熵指整幅圖像局部信息熵的均值，局部信息熵的定義為

(14)

式中，Lepy為平均局部信息熵;p(r)為局部窗口中像素取值r對(duì)應(yīng)的概率;rmax為像素取值的最大值。

實(shí)驗(yàn)使用Matlab R2014b 編寫算法代碼，在Dell Inspiron 14-7460 筆記本運(yùn)行所有算法，筆記本配備了i7-7500處理器，8G RAM，安裝Windows10 操作系統(tǒng)。

4.1 實(shí)驗(yàn)1

使用MIECT增強(qiáng)大小為512×512的礦井測(cè)試圖像集KJ10，KJ11，KJ12和KJ13，檢驗(yàn)其是否與設(shè)計(jì)初衷相一致，實(shí)驗(yàn)中，NSCT對(duì)測(cè)試圖像做3尺度分解，每個(gè)尺度對(duì)應(yīng)的方向?yàn)V波器數(shù)為2，4，8，δ=0.01，ε=0.05，γ=0.7，均值濾波的窗口半徑為5，各尺度閾值收縮的比例系數(shù)為2.5，2.5，3.5，高頻方向子帶增益設(shè)置為1，檢驗(yàn)MIECT的整體增強(qiáng)效果。

MIECT增強(qiáng)測(cè)試圖像KJ10的過(guò)程中，獲得光照?qǐng)D估計(jì)、增強(qiáng)圖像以及原圖與增強(qiáng)圖像的直方圖，如圖4所示，其中，圖4(a)為KJ10測(cè)試原圖，圖4(b)為算法估計(jì)出的光照?qǐng)D，圖4(c)為MIECT的增強(qiáng)圖像，圖4(d)為KJ10原圖對(duì)應(yīng)的三通道直方圖，圖4(e)為KJ10增強(qiáng)圖對(duì)應(yīng)的三通道直方圖。

圖4 MIECT增強(qiáng)KJ10的效果

由圖4(b)知，在非下采樣輪廓波變換域內(nèi)，利用亮通道得到的估計(jì)光照?qǐng)D，移除了原圖的高頻紋理細(xì)節(jié)，符合光照?qǐng)D變換緩慢的特征。由圖4(c)可知，KJ10經(jīng)MIECT增強(qiáng)過(guò)后，圖像的對(duì)比度、清晰度得到極大提高，原圖增強(qiáng)后“黑暗區(qū)域”基本都能清晰的顯示，整體增強(qiáng)效果良好。由圖4(e)和(d)對(duì)比知，KJ10原圖各通道灰度值分布在100以下，而增強(qiáng)圖像灰度值分布更加均勻，布滿0～255的值域，表明增強(qiáng)圖像的對(duì)比度和紋理細(xì)節(jié)更加明顯。

由表1數(shù)據(jù)對(duì)比可知，4幅測(cè)試圖像經(jīng)MIECT增強(qiáng)后，相比原圖像，增強(qiáng)圖像的平均局部標(biāo)準(zhǔn)差Lstd和Brenner梯度提高了近1.5倍，平均局部信息熵Lepy也都有不同程度的提高，表明增強(qiáng)圖像的對(duì)比度、清晰度以及紋理細(xì)節(jié)都有不同程度提高。

表1 原圖像與增強(qiáng)圖像指標(biāo)數(shù)據(jù)對(duì)比

通過(guò)視覺(jué)分析和客觀數(shù)據(jù)對(duì)比可知，MIECT與設(shè)計(jì)原理一致，利用輪廓波低頻子帶系數(shù)的亮通道能夠?qū)崿F(xiàn)彩色圖像光照?qǐng)D的估計(jì)，根據(jù)估計(jì)的光照?qǐng)D能夠?qū)崿F(xiàn)礦井圖像增強(qiáng)。

4.2 實(shí)驗(yàn)2

驗(yàn)證MIECT增強(qiáng)含噪聲低光照?qǐng)D像的性能以及抑制噪聲的能力，使用MIECT增強(qiáng)20幅512×512礦井測(cè)試圖像，其中，測(cè)試圖像包含均值為0，方差分別為5，10和15的高斯噪聲，測(cè)試圖像增強(qiáng)前后噪聲方差估計(jì)的曲線，如圖5所示。

圖5中，青色曲線、洋紅曲線和藍(lán)色曲線分別對(duì)應(yīng)方差5，10和15噪聲測(cè)試圖像的噪聲方差，分析圖5曲線可知，隨著噪聲方差的增加，增強(qiáng)后圖像噪聲略有增加，但是全部方差小于1.2，由此可知，MIECT算法具有較好的噪聲抑制能力且性能穩(wěn)定。

圖5的噪聲方差曲線表明MIECT的噪聲抑制性能良好，下面視覺(jué)分析MIECT增強(qiáng)噪聲圖像的性能。方差為15的高斯噪聲礦車1和礦車2測(cè)試圖像增強(qiáng)效果如圖6所示，圖6(a)，(c)為原噪聲圖像，圖6(b)，(d)為MIECT增強(qiáng)圖像，增強(qiáng)圖像的噪聲方差為1.0和1.1，由視覺(jué)分析圖6知，噪聲低照度圖像經(jīng)MIECT增強(qiáng)后，原“黑暗”區(qū)域能夠清晰顯示，且增強(qiáng)算法很好的抑制了噪聲，增強(qiáng)圖像視覺(jué)效果良好。

圖5 增強(qiáng)圖像的噪聲方差曲線

圖6 MIECT增強(qiáng)噪聲圖像對(duì)比

圖7 不同的頻率方向子帶增益系數(shù)的增強(qiáng)圖像

為驗(yàn)證MIECT增強(qiáng)不同頻帶、不同方向細(xì)節(jié)信息的能力，設(shè)置不同的高頻方向子帶增益系數(shù)，分析MIECT增強(qiáng)效果。512×512測(cè)試圖像TC1的不同高頻方向子帶增益系數(shù)對(duì)應(yīng)的增強(qiáng)圖像如圖7所示，圖7中，除標(biāo)注的高頻方向子帶增益系數(shù)外，其他子帶增益系數(shù)均為1。

圖7(b)中，由各增強(qiáng)圖像的局部放大圖對(duì)比可知，第2分解尺度不同的方向子帶增益系數(shù)凸顯的圖像紋理細(xì)節(jié)方向也不相同，對(duì)應(yīng)的方向?yàn)閳D7(b)第2行方向子帶系數(shù)圖像所指示的方向。圖7(b)的局部放大圖和圖7(a)中“全1”子圖的局部放大圖比較可知，圖7(b)各增強(qiáng)圖像凸顯了第2分解尺度對(duì)應(yīng)的不同方向的紋理細(xì)節(jié)。

由上述分析可知，MIECT具有良好的增強(qiáng)不同頻帶、不同方向細(xì)節(jié)信息的能力。

4.3 實(shí)驗(yàn)3

比較SSR，MSRCP，LIME，SRIE，MFIE，SRLIE和MIECT幾種增強(qiáng)算法，進(jìn)一步驗(yàn)證MIECT的增強(qiáng)性能。使用7種算法，分別增強(qiáng)不同噪聲含量的測(cè)試圖像KJ14-KJ16，噪聲含量KJ14

圖8 7種算法增強(qiáng)效果對(duì)比

視覺(jué)分析圖8(a)知，增強(qiáng)KJ14時(shí)，MFIE產(chǎn)生嚴(yán)重的色彩失真，SSR和MSRCP也引起了一定程度的顏色不均與失真，較 LIME，SRLIE和MIECT，SRIE增強(qiáng)圖像的對(duì)比度較低，增強(qiáng)效果不明顯，LIME，SRLIE和MIECT增強(qiáng)圖像整體效果接近，由局部放大圖知，MIECT較LIME紋理細(xì)節(jié)更加豐富，增強(qiáng)KJ14，MIECT和SRLIE的增強(qiáng)效果最好，其次是LIME。

分析圖8(b)知，增強(qiáng)KJ15時(shí)，MFIE，SSR和MSRCP引起一定程度的顏色不均與失真,SRIE增強(qiáng)效果不明顯，LIME，SRLIE和MIECT增強(qiáng)圖像整體效果接近，由局部放大圖知,LIME增強(qiáng)圖像噪聲含量大，增強(qiáng)KJ15也是MIECT和SRLIE的增強(qiáng)效果最好。

分析圖8(c)中各局部放大圖知，隨著測(cè)試圖像噪聲含量增加，SSR，LIME，SRIE和SRLIE放大噪聲嚴(yán)重，而MFIE引起了大的色差，并且對(duì)比度提高不明顯，MSRCP和MIECT相比，MSRCP增強(qiáng)圖像對(duì)比更大，但是MSRCP增強(qiáng)圖像的噪聲含量遠(yuǎn)大于MIECT增強(qiáng)圖像，綜合對(duì)比，增強(qiáng)KJ16時(shí)，MIECT的增強(qiáng)效果最好。

圖8由視覺(jué)角度對(duì)比分析7種算法的增強(qiáng)性能，下面由圖像質(zhì)量指標(biāo)數(shù)據(jù)分析7種算法的增強(qiáng)性能。KJ14，KJ15和KJ16增強(qiáng)圖像的質(zhì)量指標(biāo)數(shù)據(jù)統(tǒng)計(jì)見表2，其中列出了原圖像的指標(biāo)數(shù)據(jù)和7種算法增強(qiáng)圖像的指標(biāo)數(shù)據(jù)，σ2，Lstd，Lepy和Clty分別為圖像的噪聲方差估計(jì)、平均局部標(biāo)準(zhǔn)差、平均局部信息熵和Brenner梯度，表中黑體字表示該組數(shù)據(jù)的最值，斜體字為MIECT排在第3的指標(biāo)數(shù)據(jù)。

分析表2數(shù)據(jù)可知，對(duì)噪聲較小的KJ14增強(qiáng)時(shí)，7種算法都不同程度的放大了噪聲，增強(qiáng)KJ15時(shí)，7種算法表現(xiàn)出了一定的噪聲抑制能力，隨著測(cè)試圖像KJ16噪聲方差的增加，SSR,LIME,SRIE,SRLIE算法的增強(qiáng)性能發(fā)生較大的改變，放大噪聲明顯，MSRCP和MEFIE仍然有部分抑制噪聲能力，但是增強(qiáng)圖像噪聲殘余較大，是MIECT的3倍多，增強(qiáng)圖像噪聲方差對(duì)比中，MIECT抑制噪聲性能最優(yōu)。

根據(jù)不同的增強(qiáng)圖像的指標(biāo)分析幾種算法，增強(qiáng)KJ14時(shí)，MIECT增強(qiáng)圖像的Lstd和Lepy指標(biāo)第3，僅低于SSR和MSRCP，Clty指標(biāo)第4，鑒于噪聲方差因素，MIECT增強(qiáng)圖像的綜合指標(biāo)最優(yōu)。

增強(qiáng)KJ15時(shí)，MIECT增強(qiáng)圖像的Lstd指標(biāo)第3，低于SSR和LMIE，Lepy指標(biāo)第3，低于SSR和MSRCP，Clty指標(biāo)第4，小于SSR，MSRCP和LMIE，但是SSR，MSRCP和LMIE增強(qiáng)圖像的噪聲方差是MIECT增強(qiáng)圖像噪聲方差的2倍多，而Lstd，Lepy和Clty指標(biāo)數(shù)據(jù)相差不多，綜合分析，MIECT增強(qiáng)KJ15時(shí)指標(biāo)最優(yōu)。

增強(qiáng)KJ16時(shí)，SSR，LIME，SRIE，SRLIE放大噪聲嚴(yán)重，增強(qiáng)效果相對(duì)較差，MSRCP和MFIE的增強(qiáng)圖像的噪聲殘余是MIECT的3倍多，除了噪聲方差其他指標(biāo)數(shù)據(jù)可比性較差，但鑒于視覺(jué)對(duì)比知，MIECT增強(qiáng)KJ16時(shí)效果最好。

MIECT算法復(fù)雜度分析:MIECT分解、重構(gòu)圖像的計(jì)算復(fù)雜度由NSCT的NSP和NSDFB決定。與NSP相比，NSDFB的運(yùn)算占據(jù)了NSCT的運(yùn)算主體。因此，MIECT分解、重構(gòu)圖像具有NSDFB同量級(jí)的計(jì)算復(fù)雜度。

為比較7種增強(qiáng)算法的計(jì)算耗時(shí)，分別使用7種算法增強(qiáng)30幅512×512的測(cè)試圖像，統(tǒng)計(jì)其增強(qiáng)圖像耗時(shí)的平均值，如圖9所示。

圖9 7種算法的平均耗時(shí)

由圖9知，MIECT增強(qiáng)平均耗時(shí)大于SSR，LIME，MSRCP和MFIE，小于SRIE和SRLIE。

綜合分析圖8，9和表2的數(shù)據(jù)可知，增強(qiáng)含噪聲低光照?qǐng)D像時(shí)，MIECT適應(yīng)最強(qiáng)，且抑制噪聲和增強(qiáng)性能相對(duì)最穩(wěn)定，計(jì)算速度介于幾種算法之間。

5 結(jié) 論

(1)基于非下采樣輪廓波變換的礦井圖像增強(qiáng)算法，能夠在輪廓波變換域，根據(jù)低頻子帶系數(shù)的亮通道實(shí)現(xiàn)光照?qǐng)D的估計(jì)，消除了噪聲對(duì)估計(jì)光照?qǐng)D的干擾。

(2)MIECT通過(guò)NSCT分解的高頻方向子帶系數(shù)閾值收縮和低頻子帶系數(shù)的光照?qǐng)D估計(jì)，同步實(shí)現(xiàn)了圖像的增強(qiáng)和噪聲抑制，避免了圖像增強(qiáng)過(guò)程中噪聲放大的風(fēng)險(xiǎn)。實(shí)驗(yàn)表明，MIECT具有很強(qiáng)的適應(yīng)性和穩(wěn)定性，更加適合礦井下低光照噪聲圖像的增強(qiáng)。