劉忠超 范靈燕 蓋曉華

摘要：針對(duì)天氣變化及光照不足導(dǎo)致的奶牛監(jiān)測(cè)圖像降質(zhì)問(wèn)題，提出一種基于雙域分解的復(fù)雜環(huán)境下奶牛圖像增強(qiáng)算法。該算法首先采用雙域?yàn)V波圖像去噪，將輸入圖像分解為低頻圖像和高頻圖像;其次根據(jù)貝葉斯估計(jì)得到不同高頻圖像的小波閾值，利用改進(jìn)的Garrote閾值函數(shù)進(jìn)行小波去噪，并結(jié)合伽馬變換對(duì)去噪的高頻圖像進(jìn)行矯正，實(shí)現(xiàn)對(duì)高頻圖像的濾波和對(duì)比度調(diào)整;再次通過(guò)暗通道先驗(yàn)對(duì)低頻圖像進(jìn)行去霧，并結(jié)合對(duì)比度受限自適應(yīng)直方圖均衡化（contrast limited adaptive histogram equalization，CLAHE）算法對(duì)去霧后整體偏暗的低頻圖像進(jìn)行增強(qiáng)，進(jìn)一步提高圖像的對(duì)比度和整體亮度;最后將處理后的高頻圖像和低頻圖像進(jìn)行重構(gòu)，得到最終的增強(qiáng)圖像。以不同時(shí)段光照、復(fù)雜氣象條件下實(shí)地拍攝的奶牛場(chǎng)監(jiān)測(cè)圖像為樣本，采用主觀視覺(jué)和客觀評(píng)價(jià)將該算法與現(xiàn)有算法進(jìn)行試驗(yàn)對(duì)比。結(jié)果表明，該算法能夠?qū)?fù)雜光照下奶牛圖像有效去噪、增強(qiáng)整體和細(xì)節(jié)信息、改善圖像視覺(jué)效果等，相比于HE算法、Retinex算法、CLAHE算法、自適應(yīng)Retinex算法，標(biāo)準(zhǔn)差分別平均提高1.929 5、4.681 2、3.245 0、0.533 0，峰值信噪比平均分別提高0.526 0、-13.777 5、-0.469 0、1.197 5，信息熵值平均提高0.155 5、0.539 7、0.029 7、0.590 5，結(jié)構(gòu)相似性平均提高0.005 2、-0.082 7、0.058 8、0.046 3，可實(shí)現(xiàn)不同時(shí)段和復(fù)雜氣象條件下的奶牛監(jiān)測(cè)圖像增強(qiáng)，為基于機(jī)器視覺(jué)的奶牛行為自動(dòng)識(shí)別奠定良好的基礎(chǔ)。

關(guān)鍵詞：奶牛監(jiān)測(cè)圖像;雙域?yàn)V波;小波閾值;貝葉斯;伽馬變換;暗通道先驗(yàn)

中圖分類(lèi)號(hào)：TP391.41;S24 ??文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2022）09-0203-08

近年來(lái)，隨著智慧畜牧業(yè)的不斷發(fā)展，視頻監(jiān)控和視覺(jué)分析技術(shù)能夠克服接觸式傳感器監(jiān)測(cè)的弊端，已成為奶牛精準(zhǔn)養(yǎng)殖中的一個(gè)重要研究熱點(diǎn)。通過(guò)奶牛監(jiān)測(cè)視頻、圖像信息的分析學(xué)習(xí)，可以實(shí)現(xiàn)奶牛個(gè)體識(shí)別[1]、行為識(shí)別[2]等。然而，由于奶牛生活環(huán)境變化較大，存在諸如夜間、雨天、霧天、光線不足等外界不利條件，監(jiān)測(cè)圖像易受到自然環(huán)境下不同光照、氣象等影響，導(dǎo)致視頻圖像出現(xiàn)照度不足、光照突變、明暗區(qū)、高光部分偏多等問(wèn)題[3]，使其監(jiān)測(cè)圖像模糊、整體偏暗、噪聲過(guò)大、對(duì)比度差、光暈現(xiàn)象明顯、圖像色彩失真等。因此，探究一種適用于奶牛養(yǎng)殖場(chǎng)復(fù)雜環(huán)境條件的奶牛監(jiān)測(cè)圖像增強(qiáng)方法，是目前視頻監(jiān)控技術(shù)在奶牛養(yǎng)殖業(yè)應(yīng)用中亟待解決的問(wèn)題。當(dāng)前奶牛養(yǎng)殖的自然環(huán)境受到天氣、光線等影響較大，能夠適用于奶牛養(yǎng)殖復(fù)雜光照條件下的圖像增強(qiáng)算法研究較少。部分學(xué)者對(duì)于復(fù)雜光照條件下的圖像增強(qiáng)進(jìn)行研究并取得了一定進(jìn)展，1997年Kim首次提出具有亮度保持雙直方圖均衡（brightness preserving bi-histogram equalization，BBHE）[4]，并被江巨浪等應(yīng)用于動(dòng)植物圖像增強(qiáng)處理[5]。文獻(xiàn)[6]所述的直方圖均衡化算法，通過(guò)先驗(yàn)知識(shí)確定其顏色集，進(jìn)而得到顏色分布直方圖，利用差分歸一化對(duì)大熊貓監(jiān)測(cè)圖像進(jìn)行增強(qiáng)，得到較好的視覺(jué)效果。但是這類(lèi)直方圖均衡和改進(jìn)的直方圖均衡算法無(wú)法抑制奶牛養(yǎng)殖環(huán)境中的霧霾、遮擋等對(duì)光散射導(dǎo)致圖像模糊的影響，以及光照突變、過(guò)曝光等導(dǎo)致的圖像噪聲較大等缺點(diǎn)。針對(duì)以上問(wèn)題，本研究對(duì)奶牛養(yǎng)殖場(chǎng)實(shí)地監(jiān)測(cè)采集的圖像進(jìn)行分析，提出一種基于雙域分解的復(fù)雜環(huán)境下奶牛圖像增強(qiáng)算法。首先，對(duì)奶牛視頻圖像采用雙域?yàn)V波圖像去噪（dual domain image denoising，DDID）算法分解，獲得低頻圖像和高頻圖像;其次，通過(guò)改進(jìn)的Garrote小波閾值函數(shù)模型和貝葉斯估計(jì)的小波收縮閾值方法，對(duì)不同照度下的高頻圖像進(jìn)行小波去噪，并利用伽馬非線性變換函數(shù)對(duì)小波去噪后的高頻圖像進(jìn)行矯正，實(shí)現(xiàn)對(duì)高頻圖像的濾波和增強(qiáng);再次，采用暗通道先驗(yàn)（dark channel prior，DCP）算法對(duì)低頻圖像進(jìn)行去霧，并根據(jù)對(duì)比度受限自適應(yīng)直方圖均衡化（CLAHE）算法進(jìn)行低頻圖像增強(qiáng)，進(jìn)一步提高其對(duì)比度和整體亮度;最后，將去噪、矯正的高頻圖像和去霧、增強(qiáng)的低頻圖像進(jìn)行重構(gòu)，使增強(qiáng)后的圖像質(zhì)量更好，更符合視覺(jué)效果，便于機(jī)器視覺(jué)的進(jìn)一步處理。

1 奶牛監(jiān)測(cè)圖像分析

為了對(duì)真實(shí)的奶牛養(yǎng)殖場(chǎng)視頻圖像進(jìn)行增強(qiáng)處理，本研究采用實(shí)地監(jiān)測(cè)拍攝的奶牛養(yǎng)殖場(chǎng)圖像為樣本進(jìn)行分析。試驗(yàn)樣本取自西北農(nóng)林科技大學(xué)畜牧教學(xué)實(shí)驗(yàn)基地的奶牛養(yǎng)殖場(chǎng)，通過(guò)分析奶牛養(yǎng)殖區(qū)的功能劃分，奶牛有意義的行為活動(dòng)主要發(fā)生在養(yǎng)殖場(chǎng)的奶?；顒?dòng)區(qū)。采用CCD網(wǎng)絡(luò)攝像機(jī)（型號(hào)為YW7100HR09-SC62-TA12，生產(chǎn)商為深圳億維銳創(chuàng)科技有限公司）進(jìn)行圖像樣本采集，分辨率為1 920像素（水平）×1 080像素（垂直）（圖1、圖2）。

由圖2可知，清晨、傍晚時(shí)段的太陽(yáng)光照變?nèi)?，采集的圖像表面整體偏暗、光照突變、出現(xiàn)明暗區(qū)等;陰天、霧天、霾天時(shí)采集的圖像表面整體偏暗、模糊、對(duì)比度差、色彩污染等;夜間為了減少奶牛的應(yīng)激不適，夜間牛場(chǎng)光線較弱，攝像機(jī)一般在紅外模式下監(jiān)控，采集的圖像為紅外圖像，圖像整體模糊;晴朗的下午時(shí)段太陽(yáng)光照較強(qiáng)，采集的圖像表面存在強(qiáng)反射光或陰影區(qū)等。

2 本研究圖像增強(qiáng)算法

通過(guò)對(duì)奶牛場(chǎng)采集的不同光照、不同氣象條件的視頻圖像進(jìn)行分析，發(fā)現(xiàn)光照變化后圖像的高頻部分噪聲較大，低頻部分主要表現(xiàn)為亮度和對(duì)比度變化。因此，本研究提出基于雙域分解的圖像增強(qiáng)算法，首先采用雙域?yàn)V波替代傳統(tǒng)算法的高斯濾波，獲得圖像的高頻系數(shù)和低頻系數(shù);然后采用改進(jìn)的Garrote閾值法和伽馬變換對(duì)高頻圖像進(jìn)行濾波調(diào)整;同時(shí)采用DCP算法對(duì)低頻圖像進(jìn)行去霧，并根據(jù)CLAHE算法對(duì)低頻圖像進(jìn)行增強(qiáng);最后通過(guò)處理后的高頻圖像和低頻圖像重構(gòu)來(lái)生成增強(qiáng)后的視頻圖像，以克服不同氣象和光照條件對(duì)奶牛活動(dòng)區(qū)監(jiān)測(cè)圖像質(zhì)量的影響，進(jìn)而提高圖像的整體視覺(jué)效果。

2.1 雙域?yàn)V波模型

雙域?yàn)V波圖像去噪（dual domain image denoising，DDID）算法是一種非線性的二維信號(hào)濾波方法，是結(jié)合像素的空域距離鄰近度和像素間灰度值相似度的一種圖像處理方法。與高斯濾波器相比，DDID算法使用雙域?yàn)V波器和短時(shí)傅里葉變換對(duì)圖像進(jìn)行多尺度降噪[7]。因此，本研究選用雙域?yàn)V波器對(duì)奶?；顒?dòng)區(qū)監(jiān)測(cè)圖像進(jìn)行單尺度分解。雙域?yàn)V波器中，輸出圖像的像素值依賴于鄰域像素值的加權(quán)組合，其定義見(jiàn)公式（1）

f L（i，j）=∑ k，lf（k，l）w（i，j，k，l）∑ k，lw（i，j，k，l）。（1）

式中：f（k，l）表示原噪聲圖像f;w（i，j，k，l） 表示權(quán)重系數(shù);f L（i，j）表示輸出的低頻圖像f L。

權(quán)重系數(shù)w（i，j，k，l）取決于空間域核和像素值域核，空間域核定義見(jiàn)公式（2）

d（i，j，k，l）=exp-（i-k）2+（j-l）22σ2 d。（2）

式中：d（i，j，k，l）表示基于空間距離的高斯權(quán)重;（i，j）表示鄰域像素點(diǎn)位置坐標(biāo);（k，l）表示中心像素點(diǎn)坐標(biāo);σ2 d表示空間域方差。

像素值域核定義見(jiàn)公式（3）

r（i，j，k，l）=exp-‖f（i，j）-f（k，l）‖22σ2 r。（3）

式中：r（i，j，k，l）表示基于像素間相似程度的高斯權(quán)重;σ2 r表示值域方差。

權(quán)重系數(shù)w（i，j，k，l）為空間域核和像素值域核的乘積，表達(dá)式見(jiàn)公式（4）

w（i，j，k，l）=exp-（i-k）2+（j-l）22σ2 d-‖f（i，j）-f（k，l）‖22σ2 r。（4）

2.2 高頻降噪與增強(qiáng)模型

針對(duì)奶?；顒?dòng)區(qū)視頻圖像經(jīng)DDID算法濾波處理后仍含有大量的噪聲成分，需要對(duì)DDID算法濾波后獲得的高頻圖像f H增強(qiáng)之前進(jìn)行進(jìn)一步降噪，否則在增強(qiáng)圖像細(xì)節(jié)特征的同時(shí)將放大噪聲。f H由原噪聲圖像f與雙域?yàn)V波器分解出的低頻圖像f L差分得到。由于高頻圖像f H采用傳統(tǒng)空域?yàn)V波或值域?yàn)V波法很難將f H中的噪聲去除。因此，本研究采用改進(jìn)的Garrote小波閾值函數(shù)構(gòu)建高頻去噪模型。

2.2.1 小波閾值去噪模型 目前，針對(duì)傳統(tǒng)小波閾值去噪的硬閾值、軟閾值去噪模型存在的缺陷[8]，改進(jìn)后2類(lèi)典型的小波閾值去噪（wavelet threshold denoising，WTD）模型定義見(jiàn)公式（5）、公式（6）。

2.2.1.1 Semisoft去噪模型[9]

μ T（ω i，j）=0???????????? |ω i，j<T 1|

sgn（ω i，j）·T 2（|ω i，j-T 1|）T 2-T 1T 1<|ω i，j|<T 2

ω i，j|ω i，j|≥T 2。（5）

式中：μ T表示小波去噪后的高頻系數(shù);ω i，j表示第i層小波分解下的第j個(gè)高頻系數(shù);sgn（ω i，j）表示符號(hào)函數(shù);T 1、T 2表示小波閾值函數(shù)的2個(gè)閾值。

2.2.1.2 Garrote去噪模型[10]

μ T（ω i，j）=0????? |ω i，j|<T

ω i，j-T2ω i，j|ω i，j|≥T。（6）

式中：μ T表示小波去噪后的高頻系數(shù);ω i，j表示第i層小波分解下的第j個(gè)高頻系數(shù);T表示小波閾值。

Semisoft去噪模型能夠較好地兼顧軟、硬閾值函數(shù)的優(yōu)點(diǎn)，但該模型須要計(jì)算2個(gè)閾值，存在計(jì)算量大、算法實(shí)現(xiàn)困難等缺點(diǎn)。Garrote去噪模型能夠較好地保持圖像平滑，且在一定程度上能較好地保留圖像的邊緣特征信息，缺點(diǎn)是小波閾值T無(wú)法隨著小波分解層數(shù)的增加自適應(yīng)地實(shí)現(xiàn)閾值調(diào)整，進(jìn)而導(dǎo)致增強(qiáng)后的圖像出現(xiàn)模糊。

在采集的奶?；顒?dòng)區(qū)監(jiān)測(cè)圖像中，針對(duì)上述典型的2類(lèi)去噪模型進(jìn)行圖像增強(qiáng)后出現(xiàn)不同程度的缺點(diǎn)，無(wú)法改善夜間、陰暗天氣的奶牛視頻圖像效果。本研究引入了一種改進(jìn)的Garrote小波閾值去噪模型，該模型在整個(gè)定義域內(nèi)連續(xù)，同時(shí)避免了固定偏差的產(chǎn)生，計(jì)算較簡(jiǎn)便，能夠應(yīng)用于不同噪聲環(huán)境下的圖像去噪，其表達(dá)式見(jiàn)公式（7）。

μ T（ω i，j）=sgn（ω i，j）·（1-s）T·ω2 i，j |ω i，j|<T

ω i，j-s·T2|ω i，j||ω i，j|≥T。（7）

式中：s表示自適應(yīng)權(quán)值因子，s∈（0，1）。

該模型中自適應(yīng)權(quán)值因子s能夠根據(jù)小波分解后的噪聲系數(shù)分布情況自適應(yīng)調(diào)整，大幅度提高模型的靈活性和實(shí)用性，其s可由公式（8）計(jì)算得到

s=m/M。（8）

式中：M表示小波高頻系數(shù)長(zhǎng)度;m表示小波高頻系數(shù)中大于閾值的頻數(shù)。

2.2.2 閾值選取 針對(duì)采集的奶牛不同養(yǎng)殖環(huán)境下的視頻圖像，其噪聲系數(shù)不盡相同，若待處理圖像均采用相同的閾值，則閾值過(guò)大時(shí)，使得低于閾值的有效小波系數(shù)置0，造成圖像的細(xì)節(jié)體征模糊;而閾值選取太小時(shí)，導(dǎo)致在小波降噪中殘留較多的噪聲信號(hào)，降低高頻圖像f H小波去噪算法的去噪效果。因此，本研究采用貝葉斯估計(jì)的小波收縮閾值方法，自適應(yīng)調(diào)整小波閾值，具體計(jì)算過(guò)程如下。

（1）根據(jù)貝葉斯估計(jì)理論，DDID算法濾波后，高頻圖像f H服從均值位0，方差為σ2 x的廣義高斯分布。

Φ（x，σ2 x）=12πσ2 xexp-x22σ2 x。（9）

（2）對(duì)于給定的參數(shù)σ x，則根據(jù)貝葉斯風(fēng)險(xiǎn)估計(jì)函數(shù)r（T）尋找最優(yōu)化的閾值T[11]。由文獻(xiàn)[12]可知閾值計(jì)算表達(dá)式為

T i=σ2σ x。（10）

式中：σ2表示高頻圖像f H的噪聲方差;σ x表示高頻圖像f H的標(biāo)準(zhǔn)差。

（3）噪聲方差σ2采用Donoho提出的魯邦性中值估計(jì)[13]，見(jiàn)公式（11）。

σ=median（|ω i，j|）/0.674 5。（11）

式中：ω i，j表示高頻圖像f H的坐標(biāo)（i，j）系數(shù)值。

（4）采用最大似然估計(jì)（ML）方法得到每個(gè)含噪觀測(cè)子帶的方差估計(jì)，見(jiàn)公式（12）。

σ2 y=1n∑nj=1ω2 i，j。（12）

式中：n表示高頻圖像f H中像素總數(shù)。

（5）由σ2 y=σ2 x+σ2可得σ x的計(jì)算公式。

σ x=max（σ2 y-σ2，0）。（13）

通過(guò)公式（11）、（12）、（13）能夠計(jì)算不同小波尺度下的自適應(yīng)小波閾值T，并克服固定小波閾值的缺點(diǎn)。

2.3 低頻圖像去霧與增強(qiáng)模型

由于自然環(huán)境條件下奶牛養(yǎng)殖場(chǎng)環(huán)境復(fù)雜，導(dǎo)致攝像機(jī)采集的視頻圖像體現(xiàn)出多特征性。針對(duì)奶牛霧天或夜間紅外圖像中目標(biāo)景物各點(diǎn)溫度差別較小，表現(xiàn)為像素點(diǎn)鄰域像素灰度值相似度高，導(dǎo)致紅外圖像模糊，細(xì)節(jié)不清晰，與可見(jiàn)光圖像受霧氣影響圖像相似[14-15]。因此，本研究采用基于暗通道先驗(yàn)的去霧模型對(duì)低頻圖像f L進(jìn)行可見(jiàn)光或紅外圖像增強(qiáng)，同時(shí)針對(duì)去霧處理后圖像亮度較暗的情況，采用對(duì)比度受限的自適應(yīng)直方圖算法對(duì)處理后低頻圖像進(jìn)行增強(qiáng)，進(jìn)一步提升圖像的亮度與對(duì)比度。

2.3.1 暗通道先驗(yàn)去霧原理 目前，基于暗通道先驗(yàn)（dark channel prior，DCP）的典型去霧增強(qiáng)算法進(jìn)行多種改進(jìn)優(yōu)化，在低照度和夜晚紅外圖像增強(qiáng)方面已經(jīng)取得了較好的視覺(jué)效果[16]。在機(jī)器視覺(jué)領(lǐng)域中，光在霧天傳輸?shù)奈锢砟Ｐ蛷V泛采用如下公式。

I（x）=t（x）J（x）+[1-t（x）]A。（14）

式中：I表示輸入（觀測(cè)到的）有霧圖像;t表示目標(biāo)與攝像機(jī)之間的大氣透射率;A表示大氣環(huán)境光;J表示待恢復(fù)的無(wú)霧圖像;x表示圖像空間坐標(biāo)。

可見(jiàn)光或紅外圖像去霧的目標(biāo)就是由已知的I求得未知參數(shù)J、A、t。由于公式（14）中已知項(xiàng)數(shù)量少于未知項(xiàng)數(shù)量，須增加一些假設(shè)和先驗(yàn)等約束條件來(lái)求解。

暗通道先驗(yàn)是基于大量戶外無(wú)霧圖像觀察到的一條統(tǒng)計(jì)規(guī)律：在絕大多數(shù)戶外無(wú)霧圖像的每個(gè)局部區(qū)域至少存在某個(gè)顏色通道的強(qiáng)度值很低[17]。對(duì)戶外無(wú)霧圖像J進(jìn)行分塊，將每個(gè)像素塊定義暗通道為

Jdark（x）=minc∈{r，g，b}{miny∈Ω（x）[J c（y）]}。（15）

式中：Ω（x）表示以x為中心的正方形鄰域;J c表示J三原色中的1個(gè)通道;Jdark（x）表示圖像J在這個(gè)鄰域的暗通道，觀察統(tǒng)計(jì)表明Jdark趨于0。

假設(shè)每一個(gè)像素塊的大氣光透射率t（x）相同，且大氣環(huán)境光A已知。因此，計(jì)算圖像中每個(gè)像素塊的大小對(duì)透射率進(jìn)行估計(jì)。根據(jù)公式（14）即可求取每個(gè)像素塊的最小值，為公式（16）。

minx[miny∈Ω（x）（I c（y）A c）]=t（x）minc[miny∈Ω（x）（J c（y）A c）]+[1-t（x）]。（16）

根據(jù)暗通道先驗(yàn)無(wú)霧圖像的暗通道趨于0，故由公式（16）可得大氣透射率t（x）預(yù)估值為公式（17）。

t（x）=1-mincminy∈Ω（X）I c（y）A c。（17）

由于帶霧圖像在x鄰域的暗通道值[公式（17）中的第2項(xiàng)]能夠由圖像得到。因此，局部區(qū)域的t值可以求得，并得到整幅圖的透射率t（x）。但當(dāng) t（x） 的值很小并趨于0時(shí)，會(huì)導(dǎo)致J的值偏大，從而使圖像整體趨于白場(chǎng)，因此設(shè)置一個(gè)透射率的下限t 0（通常設(shè)置為0.1）。

根據(jù)估計(jì)大氣環(huán)境光A和公式（17）求得的大氣透射率t（x），最終可得到J的求解公式為

J（x）=I（x）-Amax（t（x），t 0）+A。（18）

基于暗通道先驗(yàn)去霧能夠克服大氣光對(duì)奶?；顒?dòng)區(qū)監(jiān)測(cè)成像環(huán)境的影響，消除由水蒸氣、霧霾等環(huán)境光造成的圖像模糊。

2.3.2 對(duì)比度受限的自適應(yīng)直方圖均衡化算法 基于暗通道先驗(yàn)去霧后的低頻圖像紋理清晰，邊緣突出，細(xì)節(jié)信息增強(qiáng)明顯。由于采用均值估計(jì)大氣環(huán)境光，去霧處理后圖像整體偏暗，需進(jìn)一步進(jìn)行全局對(duì)比度增強(qiáng)，以獲取更好的視覺(jué)效果。因此，本研究采用對(duì)比度受限的自適應(yīng)直方圖均衡化（CLAHE）算法提高其對(duì)比度和亮度，其快速算法實(shí)現(xiàn)過(guò)程見(jiàn)文獻(xiàn)[17]。

2.4 本研究算法實(shí)現(xiàn)過(guò)程

本研究提出的基于雙域分解的復(fù)雜光照下奶牛圖像增強(qiáng)算法，其算法具體實(shí)現(xiàn)流程如下：（1）將原噪聲圖像f進(jìn)行DDID算法濾波處理，輸出低頻圖像f L，原噪聲圖像f與低頻圖像f L差分后的圖像為高頻圖像f H。（2）通過(guò)公式（8）計(jì)算自適應(yīng)權(quán)值因子，并根據(jù)貝葉斯理論計(jì)算小波閾值T。（3）采用改進(jìn)的Garrote小波閾值去噪（WTD）模型對(duì)高頻圖像f H進(jìn)行小波去噪處理，得到高頻圖像去噪圖像f HW。（4）由公式（14）計(jì)算去噪后高頻圖像f HW的對(duì)比度矯正后圖像f HWG。（5）通過(guò)DCP估計(jì)大氣環(huán)境光A和大氣透射率t，并利用DCP快速算法對(duì)f L去霧處理，得到去霧低頻圖像f LD。（6）根據(jù)CLAHE算法對(duì)f LD進(jìn)行增強(qiáng)，得到對(duì)比度和整體亮度提高的圖像f LDC。（7）將濾波和增強(qiáng)處理后的低頻圖像和高頻圖像進(jìn)行系數(shù)重構(gòu)，得到增強(qiáng)后的圖像f E。

本研究改進(jìn)的Garrote小波閾值函數(shù)與Garrote閾值函數(shù)、Semisoft閾值函數(shù)、軟硬閾值函數(shù)對(duì)比見(jiàn)圖3，所提出的基于雙域分解的復(fù)雜環(huán)境下奶牛圖像增強(qiáng)算法實(shí)現(xiàn)方案見(jiàn)圖4。

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)測(cè)試平臺(tái)及參數(shù)選取

為了驗(yàn)證本研究所述一種復(fù)雜光照條件下奶牛監(jiān)測(cè)圖像增強(qiáng)算法的有效性，通過(guò)對(duì)直方圖均衡算法（histogram equalization，HE）、Retinex算法、CLAHE算法[17]、自適應(yīng)Retinex算法以及本研究所述算法進(jìn)行對(duì)比試驗(yàn)分析，并根據(jù)試驗(yàn)結(jié)果分別對(duì)其進(jìn)行主觀視覺(jué)和客觀評(píng)價(jià)與分析。

本試驗(yàn)所用計(jì)算機(jī)配置：CPU為Inter Core i3-6100CPU，3.70 GHz，RAM 4 GB;運(yùn)行環(huán)境為MATLAB R2017b版本。根據(jù)奶牛養(yǎng)殖場(chǎng)的實(shí)際監(jiān)測(cè)環(huán)境，并分析優(yōu)化對(duì)比算法中的控制參數(shù)，控制參數(shù)設(shè)置如下：CLAHE算法中的子塊大小為8×8，對(duì)比度增強(qiáng)的限制參數(shù)取0.02;自適應(yīng)Retinex算法的濾波器平滑因子為ε=0.01，窗口大小為5×5，拉伸因子α為1.05，尺度為300。結(jié)合上述對(duì)比算法的參數(shù)設(shè)置，為了突出本研究所述算法的優(yōu)越性，算法中濾波器參數(shù)為σ r=25、σ d =0.2，低頻部分對(duì)比度調(diào)整子塊大小為8×8，對(duì)比度增強(qiáng)的限制參數(shù)取0.02（與CLAHE算法中子塊參數(shù)設(shè)置一樣）。

3.2 試驗(yàn)數(shù)據(jù)及主客觀評(píng)價(jià)與分析

為驗(yàn)證本研究所述算法的去霧性能、噪聲抑制性能、增強(qiáng)性能以及算法的魯棒性能。奶牛養(yǎng)殖場(chǎng)活動(dòng)區(qū)復(fù)雜環(huán)境下采集的圖像劃分為清晨、中午、傍晚、夜間、霧天、雨天等，并對(duì)其進(jìn)行試驗(yàn)驗(yàn)證。

為了說(shuō)明本研究算法的有效性以及更加直觀和客觀地對(duì)不同算法的增強(qiáng)效果進(jìn)行評(píng)價(jià)，采用圖像增強(qiáng)效果圖和直方圖對(duì)其進(jìn)行主觀評(píng)價(jià)，采用增強(qiáng)圖像與原始圖像之間的標(biāo)準(zhǔn)差（standard deviation，SD）、峰值信噪比（peak signal to noise ratio，PSNR）、信息熵（information entropy，IE）、結(jié)構(gòu)相似性（structural similarity index measurement，SSIM）4個(gè)客觀評(píng)價(jià)指標(biāo)分別對(duì)增強(qiáng)效果圖像的亮度、對(duì)比度、細(xì)節(jié)信息、噪聲水平、失真程度等進(jìn)行衡量。其中，SD值越大，代表圖像差異范圍也越大，圖像的對(duì)比度也越大;PSNR值越大，則表示圖像增強(qiáng)后的保真程度越好，圖像增強(qiáng)效果也越好;IE值越高，說(shuō)明圖像中蘊(yùn)含的信息量越多，表示增強(qiáng)后的圖像信息越豐富;SSIM值越大，表示結(jié)構(gòu)相似度越高，增強(qiáng)效果越好，其最大值為1。清晨和中午監(jiān)測(cè)的奶牛視頻圖像處理結(jié)果及分析如下。

3.2.1 清晨時(shí)段采集圖像增強(qiáng)處理（圖5） 清晨時(shí)段，不同增強(qiáng)算法的客觀評(píng)價(jià)參數(shù)對(duì)比見(jiàn)表1。

由圖5的視覺(jué)效果可知，清晨時(shí)段原始噪聲圖像中，圖像存在對(duì)比度低、整體亮度偏暗以及紋理信息模糊等缺點(diǎn)，導(dǎo)致視覺(jué)效果較差。在經(jīng)過(guò)上述不同圖像增強(qiáng)算法處理后，圖5-a中的原始噪聲圖像整體視覺(jué)效果得到不同程度的改善。

由圖5和表1綜合分析可知，圖5-b采用HE算法對(duì)圖像進(jìn)行直方圖均衡化增強(qiáng)，該算法能夠增強(qiáng)圖像對(duì)比度，改善圖像的整體亮度，并使得圖像更加清晰化，但也存在部分圖像細(xì)節(jié)信息丟失，圖像失真較嚴(yán)重;圖5-c采用Retinex算法進(jìn)行圖像增強(qiáng)后，對(duì)比度有所提高，圖像去噪效果明顯，圖像整體失真較小，但圖像整體偏暗，對(duì)比度較差，信息熵較小，視覺(jué)效果改善不明顯;圖5-d采用改進(jìn)的CLAHE算法進(jìn)行圖像增強(qiáng)后，圖像整體亮度有所改善，灰度動(dòng)態(tài)范圍擴(kuò)大，但存在圖像對(duì)比度過(guò)高，圖像邊緣細(xì)節(jié)信息保持較差等問(wèn)題;圖5-e采用自適應(yīng)Retinex算法對(duì)圖像進(jìn)行增強(qiáng)后，圖像灰度動(dòng)態(tài)范圍擴(kuò)大，但也存在圖像亮度過(guò)高，圖像邊緣細(xì)節(jié)保持不好，圖像失真嚴(yán)重等問(wèn)題;圖5-f采用本研究提出的增強(qiáng)算法對(duì)圖像進(jìn)行處理后，該算法能夠很好地實(shí)現(xiàn)低照度圖像增強(qiáng)，提高圖像的整體亮度和對(duì)比度，并突出原有的細(xì)節(jié)特征，使增強(qiáng)后的圖像更加符合人眼視覺(jué)特征。

3.2.2 中午時(shí)段采集圖像增強(qiáng)處理（圖6） 中午時(shí)段不同增強(qiáng)算法的客觀評(píng)價(jià)參數(shù)對(duì)比見(jiàn)表2。

由圖6的視覺(jué)效果可知，中午時(shí)段原始噪聲圖像中，圖像存在光照不均勻和紋理信息模糊等缺點(diǎn)，導(dǎo)致視覺(jué)效果較差。在經(jīng)過(guò)上述不同圖像增強(qiáng)算法進(jìn)行處理后，圖6-a中的原始噪聲圖像整體視覺(jué)效果得到不同程度的改善。圖6-b采用HE算法對(duì)圖像進(jìn)行直方圖均衡化增強(qiáng)，該算法能夠改善圖像的整體亮度，信息熵值較高，但存在圖像過(guò)增強(qiáng)，導(dǎo)致原圖像高亮部分細(xì)節(jié)信息丟失，圖像失真較嚴(yán)重;圖6-c采用Retinex算法進(jìn)行圖像增強(qiáng)后，圖像去噪效果明顯，圖像整體失真較小，但圖像對(duì)比度和亮度改善效果不明顯，信息熵較小;圖6-d采用改進(jìn)的CLAHE算法進(jìn)行圖像增強(qiáng)后，圖像對(duì)比度得到部分提高，信息熵值較大，但圖像亮度改善不明顯，去噪效果較差，且存在圖像邊緣信息丟失等問(wèn)題;圖6-e采用自適應(yīng)Retinex算法對(duì)圖像進(jìn)行增強(qiáng)后，圖像去噪效果較好，但圖像亮度過(guò)高，圖像邊緣細(xì)節(jié)保持較差，并存在圖像過(guò)增強(qiáng)等缺點(diǎn);圖6-f采用本研究提出的增強(qiáng)算法對(duì)圖像進(jìn)行處理后，該算法能夠有效改善光照不均勻?qū)е碌膱D像視覺(jué)效果較差的問(wèn)題，提高圖像的整體亮度和對(duì)比度，無(wú)引入新的噪聲信號(hào)，能夠很好地保持圖像原有的細(xì)節(jié)特征信息，且圖像整體飽和自然，更加符合人眼視覺(jué)特征。

3.3 綜合測(cè)試與分析

為了進(jìn)一步驗(yàn)證本研究所提圖像增強(qiáng)算法的魯棒性，從奶牛場(chǎng)活動(dòng)區(qū)域的攝像機(jī)監(jiān)測(cè)視頻中隨機(jī)選取3個(gè)月內(nèi)清晨、上午、中午、下午、傍晚、夜間、陰天、霧天的8個(gè)光照、氣象變化的圖像各50張，共計(jì)400張圖像樣本。將本研究算法與已有的HE算法、Retinex算法、CLAHE算法、自適應(yīng)Retinex算法進(jìn)行試驗(yàn)比對(duì)，同時(shí)選取SD、PSNR、IE、SSIM等4個(gè)指標(biāo)來(lái)對(duì)本研究算法與其他5種增強(qiáng)方法進(jìn)行客觀評(píng)價(jià)。

根據(jù)6種算法對(duì)比的客觀評(píng)價(jià)指標(biāo)可知，本研究算法相比于HE算法、Retinex算法、CLAHE算法、自適應(yīng)Retinex算法，SD值平均分別提高1.929 5、4.681 2、3.245 0、0.533 0，PSNR值平均分別提高0.526 0、-13.777 5、-0.469 0、1.197 5，IE值平均分別提高0.155 5、0.539 7、0.029 7、0.590 5，SSIM值平均分別提高0.005 2、-0.082 7、0.058 8、0.046 3。采用本研究提出的增強(qiáng)算法對(duì)圖像進(jìn)行處理后，該算法能夠有效改善不同時(shí)段光照、復(fù)雜氣象條件下的圖像視覺(jué)效果，提高圖像的整體亮度和對(duì)比度，無(wú)引入新的噪聲信號(hào)，能夠很好地保持圖像原有的細(xì)節(jié)特征信息，且圖像更加飽和自然，更加符合人眼視覺(jué)特征。

4 結(jié)論

通過(guò)引入自適應(yīng)調(diào)節(jié)因子的小波去噪模型對(duì)高頻圖像進(jìn)行濾波處理，并采用貝葉斯估計(jì)方法得到高頻圖像的小波閾值，能夠去除奶牛視頻圖像中的大部分噪聲信號(hào);結(jié)合伽馬變換能夠較好地實(shí)現(xiàn)對(duì)去噪的高頻圖像的對(duì)比度矯正，改善圖像的細(xì)節(jié)特征，減小圖像失真程度。通過(guò)暗通道先驗(yàn)?zāi)軌驅(qū)Φ皖l圖像進(jìn)行有效去霧，增強(qiáng)圖像的細(xì)節(jié)信息，改善圖像的視覺(jué)效果;采用CLAHE算法對(duì)去霧后整體偏暗的低頻圖像增強(qiáng)后，可以極大地提高圖像的對(duì)比度和整體亮度;經(jīng)過(guò)重構(gòu)后的特征圖像較原始圖像的對(duì)比度、信噪比、清晰度、亮度方面都有較好的改善。本研究增強(qiáng)算法能夠適應(yīng)奶牛養(yǎng)殖場(chǎng)的復(fù)雜氣象和光照條件，實(shí)現(xiàn)對(duì)奶牛監(jiān)測(cè)圖像的有效去噪，有效增強(qiáng)圖像的整體和細(xì)節(jié)信息、改善圖像視覺(jué)效果等，實(shí)現(xiàn)不同時(shí)段和復(fù)雜氣象條件下的奶牛監(jiān)測(cè)圖像增強(qiáng)，進(jìn)而為基于機(jī)器視覺(jué)的奶牛行為自動(dòng)識(shí)別奠定良好的基礎(chǔ)。

參考文獻(xiàn)：

[1]劉杰鑫，姜 波，何東健，等. 基于高斯混合模型與CNN的奶牛個(gè)體識(shí)別方法研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2018，35（10）：159-164.

[2]顧靜秋，王志海，高榮華，等. 基于融合圖像與運(yùn)動(dòng)量的奶牛行為識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（6）：145-151.

[3]范偉強(qiáng)，劉 毅.基于自適應(yīng)小波變換的煤礦降質(zhì)圖像模糊增強(qiáng)算法[J]. 煤炭學(xué)報(bào)，2020，45（12）：4248-4260.

[4]Kim Y T. Contrast enhancement using brightness preserving bi-histogram equalization[J]. IEEE Transactions on Consumer Electronics，1997，43（1）：1-8.

[5]江巨浪，張佑生，薛 峰，等. 保持圖像亮度的局部直方圖均衡算法[J]. 電子學(xué)報(bào)，2006，34（5）：861-866.

[6]曾陳穎.面向珍稀野生動(dòng)物保護(hù)的圖像監(jiān)測(cè)與識(shí)別技術(shù)研究[D]. 北京：北京林業(yè)大學(xué)，2015.

[7]艾玲梅，任陽(yáng)紅.基于雙域?yàn)V波與引導(dǎo)濾波的快速醫(yī)學(xué)MR圖像去噪[J]. 光電子·激光，2018，29（7）：787-796.

[8]霍躍華，范偉強(qiáng).一種煤礦井下復(fù)雜光照條件下的人臉識(shí)別方法[J]. 激光與光電子學(xué)進(jìn)展，2019，56（1）：108-115.

[9]Chen Y，Han C.Adaptive wavelet thresholding for image denoising[J]. Electronics Letters，2005，41（10）：586-587.

[10]覃愛(ài)娜，戴 亮，李 飛，等. 基于改進(jìn)小波閾值函數(shù)的語(yǔ)音增強(qiáng)算法研究[J]. 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，42（4）：136-140.

[11]胡海平，莫玉龍.基于貝葉斯估計(jì)的小波閾值圖像降噪方法[J]. 紅外與毫米波學(xué)報(bào)，2002，21（1）：74-76.

[12]王泉德，肖繼來(lái)，謝 晟.BOLD效應(yīng)fMRI圖像的自適應(yīng)閾值小波去噪方法[J]. 計(jì)算機(jī)工程與應(yīng)用，2017，53（8）：170-173，239.

[13]Donoho D L.De-noising by soft-thresholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[14]李賡飛.自適應(yīng)圖像實(shí)時(shí)增強(qiáng)算法的技術(shù)研究[D]. 長(zhǎng)春：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所），2017.

[15]李 毅，張?jiān)品?，?強(qiáng)，等. 基于去霧模型的紅外圖像對(duì)比度增強(qiáng)[J]. 中國(guó)激光，2015，42（1）：0113004.

[16]Zhang X D，Shen P Y，Luo L L，et al. Enhancement and noise reduction of very low light level images[C]//Proceedings of the 21st International Conference on Pattern Recognition，Tsukuba，2012：2034-2037.

[17]Zhang L B，Wang S Y，Wang X H.Saliency-based dark channel prior model for single image haze removal[J]. IET Image Processing，2018，12（6）：1049-1055.