陈法法，潘瑞雪，杨蕴鹏，肖文荣，陈保家

(三峡大学水电机械设备设计与维护湖北省重点实验室，宜昌 443002)

0 引言

水工钢结构[1]通常处于干湿交替环境，受各种酸、碱、盐等腐蚀介质影响，其结构表面在涂层破损时往往会发生化学和电化学反应，从而出现锈蚀现象。水工金属结构在出现严重锈蚀后，会直接导致构件承载能力、刚度和稳定性下降，从而直接影响着金属结构的使用寿命，威胁水工金属结构的安全运行。传统对水工金属结构的目视检测其主观性强、检测效率低。随着数字图像技术的发展，通过视觉技术得到的金属锈蚀表观形貌，更能直观地记录锈蚀区域、蚀孔分布等特征。然而，通过CCD相机进行锈蚀图像[2]采集时，受限于水工金属结构的工作环境，采集到的图像整体亮度较低、细节信息不明显，锈蚀纹理特征模糊。为了从原始的低照度图像中准确获取锈蚀纹理及锈蚀色彩等特征信息，采用图像增强技术，有选择地对原始图像的细节、亮度等特征进行改善，经图像增强处理后的图像更符合机器学习的要求，拥有更好的图像特征效果。

对于低照度图像[3]的特征增强算法有直方图均衡化[4]、同态滤波[5]以及Retinex模型[6]等，其中Retinex算法对低照度图像的亮度改善效果明显。Retinex原理主要是对物体图像亮度的入射分量和反射分量进行分离，获得物体的本质特征。目前，单尺度Retinex算法(SSR)[7]、多尺度Retinex算法(MSR)[8-9]等多种图像增强算法被提出。田会娟等[10]结合Retinex与伽马矫正对图像进行增强，存在细节信息丢失的问题。张立亚等[11]利用双边滤波的方法改进Retinex算法，能够有效地保留和改善图像的边缘信息。占必超等[12]提出了基于平稳小波和Retinex的红外图像增强方法，该方法是将小波分解得到的低频分量进行Retinex增强。

小波变换也是在频域内对图像进行分析的一种方法，其在图像处理领域也具有广泛的应用。在图像处理过程中，对经小波分解之后高频分量与低频分量进行调整，可以实现图像的细节优化，但其对图像整体亮度的改善效果不明显。玛利亚木古丽·麦麦提等[13]提出了针对医学图像增强的结合小波变换和同态滤波的增强算法，该算法对经过小波分解后的图像高频分量进行处理，然后使低频分量与经处理的高频分量进行重构，对重构后的图像进行同态滤波增强，此方法对图像的边缘信息有较好的处理效果。

本文针对低照度金属锈蚀图像存在的亮度不高和细节信息不明显的问题，提出了基于小波变换[14]和Retinex原理[15]的图像特征增强算法。首先将原始锈蚀图像的色彩空间转换HSI空间[16]，保持饱和度分量和色调分量不变，对亮度分量I进行小波分解；然后对分解后的高频分量和低频分量进行自适应增强，重构后的图像经多尺度Retinex原理进行增强改善图像亮度，达到对锈蚀图像细节信息进行修复和增强的目的。

1 小波图像增强原理

1.1 小波变换

对于任意信号f(t)∈L2(R)的一维离散小波变换可以表示为：

(1)

二维离散小波变换可以通过一维离散小波变换求得，可写成如下形式：

(2)

式中，CJ-1,k为低频近似系数；DJ,k为高频细节系数。其分解过程如图1所示。

图1 小波分解过程示意图

1.2 多尺度细节自适应图像特征增强

锈蚀图像经小波分解后获得近似图像以及不同尺度下的细节图像。对于不同尺度下的细节图像特征进行增强，采用局部对比度Clocalj及全局对比度Cglobalj确定细节图像的调节系数Kj。用h(x,y)表示锈蚀图像第j级的近似分量，确定任一像素点(p,q)的m×n范围内的邻域像素点，该邻域内的局部对比度[2]可表示为：

(3)

(4)

(5)

高频细节分量先经过软阈值去噪，再与调节系数Kj相乘，完成对细节分量的调整；低频近似分量与亮度调节系数L0相乘，完成对近似分量的调整；随后对第j级图像进行重构。以此类推，对各级图像均进行调整与重构，最终即得到了多尺度自适应增强的锈蚀图像。

2 Retinex理论

设原始图像为P(x,y)，在Retinex理论中，原始图像可以表示为：

P(x,y)=R(x,y)L(x,y)

(6)

式中，R(x,y)为物体反射分量，表示了物体自身的特性；L(x,y)为环境亮度分量。Retinex理论的核心思想是获得物体的反射分量R(x,y)。

logR′(x,y)=logP(x,y)-logL′(x,y)

(7)

logR′(x,y)=logP(x,y)-log[P(x,y)*G(x,y)]

(8)

式中，R′(x,y)与L′(x,y)分别为估计的反射分量与亮度分量；G(x,y)为环境函数。

为了改善单一尺度选择对图像增强效果的限制，采用MSR算法增强图像：

(9)

式中，Wi为不同尺度下增强图像的权重系数；n为作用于图像的尺度个数。

3 锈蚀图像增强算法

锈蚀图像增强算法流程如图2所示。

图2 锈蚀图像增强算法流程图

锈蚀图像的处理过程主要由以下步骤组成：

(1)原始图像由RGB空间转换到HSI空间。与RGB空间相比，HSI空间将图像P(x,y)分为饱和度分量S(x,y)、色调分量H(x,y)和亮度分量I(x,y)。

(2)对亮度分量I(x,y)进行特征增强。

①亮度分量经小波变换分解为低频近似分量与高频细节分量；

②根据同级近似图像的局部对比度确定其全局对比度Cglobalj，之后确定同级细节图像的调节系数Kj，即全局对比度权重因子；

③对高频细节分量进行软阈值去噪，之后，将处理后的高频细节分量利用全局对比度权重因子进行进一步调整；

④利用亮度因子L0对低频近似分量进行调整；

⑤增强后的近似分量与细节分量进行重构，得到该级自适应增强图像；

⑥依次逐级对图像进行自适应增强与重构，实现对原始锈蚀图像的细节增强。

(3)多尺度Retinex。根据Retinex原理对经小波自适应增强后图像进行处理，σ采用大中小三个尺度，分别为15、80、250，以得到反射图像IR(x,y)。

(4)对反射图像进行伽马校正[17]。

(10)

依据图像校正效果，γ取值为0.7。

4 实验结果与分析

4.1 实验设置

实验采用BS90C型盐雾试验箱对24块尺寸为160 mm×120 mm×5 mm(长×宽×高)的Q235钢板进行加速锈蚀，采用分辨率为500万像素的CCD相机采集钢板表面图像，图像采集平台如图3所示。由万向支架固定的CCD相机和5 mm镜头完成钢板锈蚀图像的采集，UCB连接线与PC端连接实现采集图像的传输与相机的控制。图像采集过程在实验室自然光照下进行。在所有采集图像中选取不同锈蚀阶段下低照度的锈蚀图像来进行分析。

1.钢板 2.5 mm镜头 3.CCD相机 4.万向支架 5.USB连接线

4.2 实验结果与分析

4.2.1 主观评价

为了验证本文方法对低照度锈蚀图像特征增强的有效性和优良性，选择直方图均衡化、小波自适应增强、单尺度Retinex、多尺度Retinex等方法进行对比分析。

各个方法对原始低光照锈蚀图像的特征增强效果如图4所示，可以看出，锈蚀图像经过直方图均衡化方法增强后，光照情况得到了较好改善，但同时也出现了严重的色彩失真，钢板边缘处有明显的蓝色伪影，而色彩又是锈蚀图像的一个重要特征，故增强效果并不能令人满意；小波自适应方法一定程度上能够调节光照分布情况，但由于整体亮度提升较小，锈蚀细节和轮廓仍然无法清晰地观察到；单尺度Retinex和多尺度Retinex增强后的锈蚀图像均出现了过曝现象，图像细节丢失，色彩失真，该增强图像不利于锈蚀特征提取与分析。本文方法在光照、色彩、以及细节方面均取得了较好的增强效果，增强后的锈蚀图像整体亮度得到明显提升，同时又很好地保留了原始图像的色彩，其表面锈蚀纹理清晰可见，与背景能够很好地区分，有利于进一步进行建模和分析。

(a) 原始图像 (b) 直方图均衡化 (c) 小波自适应

(d) SSR (e) MSR (f) 本文方法

为更好地比较各种算法对锈蚀图像的作用效果，使用灰度直方图[18]进行进一步验证与分析。本文选用低照度锈蚀图像的各种算法增强图像进行对比，结果如图5所示。可以看到，原始图像的灰度值集中分布在两端，由于图像整体较暗，因此大部分像素灰度集中在左侧，而背景桌面为亮色且面积较大，故另一部分集中在右侧。直方图均衡化得到的锈蚀图像其直方图相较于原图明显变得更加均匀，所以图像亮度得到改善，但锈蚀色彩信息已经丢失。小波自适应方法对图像两端的像素分布做出了调整，使得图像极暗和极亮的像素灰度值向中间灰度方向调整，但总体分布情况并未发生较大改变，因此图像亮度仍然得不到很好的提升。单尺度Retinex和多尺度Retinex方法增强后得到的图像直方图主要集中在右侧，因此图像整体呈现出过曝效果；本文方法得到的图像直方图在保持右侧分布的同时，将左侧分布重新调整至中间灰度值范围内，因此图像亮度得到改善，并且由于其分布趋势并未发生较大改变，所以图像颜色也能得到较好的保持。

(a) 原始图像及灰度直方图

(b) 直方图均衡化及灰度直方图

(c) 小波自适应及灰度直方图

(d) SSR及灰度直方图

(e) MSR及灰度直方图

(f) 本文方法及灰度直方图图5 低照度锈蚀图像不同算法增强后灰度分布对比

综合分析可得，本文所提算法对低照度的锈蚀图像在色彩保持、亮度提升以及锈蚀细节信息保留等多个方面都具有比较明显的增强效果；锈蚀图像细节更加清晰，亮度得到改善，有利于对锈蚀特征进行识别、分析。

4.2.2 客观评价

为了对不同特征增强算法进行定量评价，本文选用常用的信息熵、均值等指标对图像特征增强效果进行客观评价。

(1)信息熵。信息熵是度量图像细节信息量的一个指标，其值越大，图像所包含的细节信息越多，图像拥有的信息量越大。

(11)

(2)均值。均值反映了图像的亮度情况，其值大小与亮度的强弱成正比，其值越大图像亮度越高。

(12)

由表1中的数据可知，与其他特征增强算法相比，本文方法在细节信息保留方面效果明显，经本文方法处理后的锈蚀图像的信息熵与原图像的信息熵数值最为接近，且高于其它4种方法增强后的信息熵值；在均值指标方面，由于SSR和MSR出现了过曝现象，因此计算得到的均值明显高于其他方法，但由前面的主观分析可知，该方法直观效果没有达到最优。而本文方法相较于其他两种方法而言，在获得较高的信息熵的同时，也能得到较高的均值，这些都是增强锈蚀图像特征的直接体现。因此，总体来说，本文方法增强效果无论从亮度、色彩、细节等方面均优于同类其他方法，能够满足低照度锈蚀图像的特征增强需求。

表1 客观评价指标值对比表

5 结论

本文结合小波变换和Retinex理论，对经盐雾试验中的不同试验阶段低照度Q235钢的锈蚀图像进行特征增强，以改善其亮度和细节信息。首先将金属锈蚀图像的色彩空间转换到HSI空间，然后对亮度分量进行多尺度自适应增强，最后转换到RGB空间得到增强后的图像，实现对低照度金属锈蚀图像的增强。

针对金属锈蚀图像存在亮度低和纹理特征不明显的问题，直方图均衡化、SSR和MSR对纹理特征等细节信息改善不明显；小波自适应算法对亮度增强不明显。对于低照度锈蚀图像，采用小波和 Retinex结合的算法图像增强效果明显，能较好地改善图像的整体亮度，对细节信息的保留和增强效果明显；同时，不会改变图像的色度和饱和度，对图像的色彩具有保真效果。