2020年第22期
信19与电10
China Computer&Communication
基于局部自适应对比度增强算法的木板条纹识别
虞成俊彭文刚
（三峡大学机械与动力学院，湖北宜昌443002）
摘要：为了满足对木板条纹识别准确性与速度性的要求，针对由于光照不均或摄像头硬件清晰度达不到要求而导致的木板图像对比度差，不利于人工与机器识别的现象，本文采用基于局部自适应对比度增强（ACE）的算法对采集到的木板图像进行图像增强.首先，对原图像进行gamma校正使图像像素集中区域得到扩展；其次，采用低通滤波得到图像的低频图像，通过原图减去低频图像从而得到图像中的高频部分，接着对高频部分进行增益，并与低频部分合并从而得到增强后的图像；最后，通过双边滤波达到去噪作用，且结合均方误差（MSE）、结构相似性（SSIM）及平均梯度法（Average gradient）等评价指标，将本文算法与直方图均衡化（HE）和多尺度Ret inex（MSR）对比.结果分析表明，该算法在提高对比度以及保留图像细节等方面表现出可靠的性能.
关键词：机器识别；图像增强；木板条纹；ACE算法；双边滤波
中图分类号：TP301.6文献标识码：A文章编号：1003-9767（2020）22-057-03
Wood Stripe Recognition Based on Local Adaptive Contrast Enhancement
Algorithm
YU Chengjun,PENG Wengang
(School of Mechanics and Power,China Three Gorges University,Yichang Hubei 443002,China) Abstract：In order to meet the requirements of accuracy and speed of wood stripe recognition,aiming at the phenomenon of poor contrast of wood plate image caused by uneven illumination or camera hardware definition,which is not conducive to manual and machine recognition,this paper adopts an algorithm based on local adaptive contrast enhancement(ACE)to enhance the image of the collected board.Firstly,gamma correction is applied to the original image to expand the pixel concentration area of the image; secondly,the low-pass filter is used to obtain the low-frequency image of the image,and the high-frequency part of the image is obtained by subtracting the low-frequency image from the original image,and then the high-frequency part is add
ed and combined with the low-frequency part to obtain the enhanced image;finally,the bilateral filtering is used to achieve the denoising effect, Combined with MSE,SSIM and average gradient,the algorithm is compared with histogram equalization(he)and multi-scale Retinex (MSR).The results show that the algorithm has reliable performance in improving contrast and preserving image details.
Keywords:machine recogn让ion;image enhancement;wood stripe;ACE algorithm;bilateral filtering
0引言
图像增强是图像处理中非常重要的一环，目的是使处理后的图像更适合被人眼观察与机器识别[1]o郝志成等采用基于双边滤波的图像细节增强方法对图像进行细节增强，通过对图像进行多尺度纹理滤波分解得到一幅基本图与一系列细节纹理图，并对细节图像采用多尺度自适应增强方法，进行重构得到增强图像何。郭锤璐等使用引导滤波将原始图像分解为基础图像与细节图像，并分别使用对比度限制直方图均衡（CLAHE）和Gamma校正处理后融合，并与经过自适应直方图均衡（AHE）和拉普拉斯锐化滤波的原始图像进行线性加权融合重建图像，较好地提升了原始图像的对比度P]o 任崇巍采用双边滤波和Retinex算法相结合，以达到最佳的图像视觉效果。
本文针对木板作为对象的特殊问题，ACE算法可以较好地突出木板纹路的细节，并且处理速度快，易于实现，可达到实时性的要求，基于一般的ACE算法，对其做出了改进，
作者简介：虞成俊（1996—），男，江苏盐城人，硕士研究生。研究方向：图像处理。
算眩语睿2020年第22期
信慝与电
IS China  Computer  & Communication 得到了较为满意的效果。1图像增强算法1.1算法步骤本文的算法流程：首先对木板图像进行灰度化，接着对 图像进行gamma 校正，然后将进行gamma 校正后的图像进 行局部自适应对比度增强，最后对得到的图像进行双边滤波, 从而得到增强后的图像。1.2 gamma  校正
gamma 校正是一种非线性补偿函数，目的是校正图像
的亮度偏差，方法是对输入图像的灰度值进行指数变换。 gamma 校正的表达式：s=c ” （ 1）其中，C 为常数，7为原图像，s 为校正后的图像，V 为 校正值。1.3局部自适应对比度增强（ACE ）ACE 算法采用了反锐化掩膜技术，主要内容是将图像 分为低频的反锐化掩膜和图像的高频部分，其中高频部分可 以通过原图减去反锐化掩膜获得。接着对高频部分加上适当 的增益系数CG 并与反锐化掩膜相结合，从而获得增强后的 图像。（1） 求取图像的反锐化掩膜，即图像的低频部分。可 以通过求取以图像中各像素点为中心的局部区域的像素平均 值求得，在图像中若以（方）为中心像素点，所选局部区域窗 口的大小为（2n+l ）（2h +1）（其中n 为整数），该点的像素低频 部分的像素值可以通过下式计算:1 i+n  j+n 必沪阴点広严‘） ⑵其中亿力、&1）分别指像素点和像素点周围邻域的坐标。（2） 边界扩展。若以亿力为中心的边长为（2»+1），局 部区域超出该图像边界，可以对图像进行边界扩展。本文对 木板条纹增强的特定情况，选用围绕边界进行镜像反射来扩 展较为合适，图像的每个边界向外扩展n 个像素值。（3） 确定增益系数。由算法原理可知，CG 的值总是大 于1，这样高频部分［x （i,j ）-mx （i,j ）］就能得到增强。其中x （i,j ） 为原图像的像素值，为式（2）中求得的局部平均值。 CG 使用式（4）求得：i+n  j+n £ X  （3）
=i-n  1=j-n
其中，D 为一个常数，它的值一般可以选择全局平均值 或是全局均方差。本文使用全局均方差。其中，（7（〃）为局 部均方差，可由式（3）求得，由式（4）可知，CG 的值与
局部直方图均衡化
局部均方差成反比，可知在图像变化剧烈的地方，局部均方 差比较大，CG 的值就比较小，这样就不会出现图像过增强
的现象。相反，在平滑的区域，局部均方差就比较小，CG
的值就比较大，就可以得到适当的增强，但同时也会引起噪
声的放大，所以要对CG 的最大值做一定的限制，在此基础 上又增加了一个大于0的系数a，用于进一
步控制高频增强 的程度。若取CG max 为CG 的最大值，则CG 的选择过程可 用以下方法表示：
if  CG<1
CG  = l if  CG>CG 喚 （5）cg  = cg 喚（4滌素点（万）进行局部自适应对比度增强的公式如下:
= (i,j) + a  ? - m x  (zj)]
以，力
if  门，力<0门，力=0if  GJ) >255
（6）
/（/,；） = 255
AU ）的值为像素点（/J ）经过局部自适应对比度增强后的 结果。2实验结果及分析实验样本为宜昌金宝乐器制造有限公司的木板材料，
通过USB 工业摄像头（3 Mega  Pixels  ）获取木板图像，所 有的实验均在内存为4G 、处理器为酷睿i7、操作系统为 Windows  10的PC 机上运行，编译环境为Python  3.6.5。为 了验证算法的有效性，将
其与HE 算法、MSR 算法进行比较。图1为细纹、中纹以及粗纹的样本图片以及实验使用的工业
摄像头。
图la 细纹木板图lb 中纹木板 图lc 粗纹木板图1样本及设备
图Id 摄像头
2.1主观图像质量评价
使用Python  3.6.5对其进行仿真，验证本文算法对木板 图像的增强效果，得到HE 算法、MSR 算法与本文算法（其中， gamma 校正参数尸1.2，参数c=l, ACE 窗口选择〃=5、
CG 叫=7、a  =0.58 ）的效果对比图如图2、图3、图4所示。
信慝与电H
China Computer&Communication算倣语言2020年第22期
图3a原始图像图3b HE图像图3c MSR图像图3d本文算法
图3中纹不同算法对原始图像的增强效果
图4a原始图像图4b HE图像图4c MSR图像图4d本文算法
图4粗纹不同算法对原始图像的增强效果
由图2可知，原始灰度图整体较亮，且有轻微光照不
均匀的现象，凭借人眼很难看见其纹路。而经过HE变换后
的图像，出现过增强的现象，整体失真程度较大，下半部灰
度值过低，而上半部灰度值又过大，很难从视觉上分辨出其
纹路特征，对于MSR变换后的图像，由于区域适应性差，
MSR算法的图像对比度较差，使图像整体向高灰度值转变，
不能达到较好的效果。而本文算法相对于前面两种算法，首
先拓宽了灰度值的范围，使图像的亮度值得到调整，其次增
大了图像的对比度，使纹路能够较为清晰地表现出来。对于
图3所示的中纹木板，其增强的效果更加明显，并且可以看
出对光照不均匀的木板具有一定的抑制作用。对于图4所示
的粗纹木板，其对光照的抑制作用更明显，所以本文算法对
于后期木板条纹识别具有良好的改进作用。
2.2客观图像质量评价
为了更客观地评价图像的增强效果，本文采用均方误
差(MSE)、结构相似性(SSIM)和平均灰度(Average
Gradient)3种图像质量客观评价指标对图2、图3、图4的
实验结果进行评价。
2.2.1MSE方法
对于大小为M*N的原始图像I(x,y)，图像增强后的图像
为则MSE的表达式为：
MSE=^X£[I(x^)-/'(x^)]2(7)
其中，MSE反映了增强后图像与原图像的差异程度，
MSE越小说明两幅图的差异越小，表明图像的失真程度也就
越小。
2.2.2SSIM方法
结构相似性，通过计算失真图像与原图像在亮度、对
比度和结构信息方面的相似程度来衡量两幅图像的相似性。
SS2M的表达式为：
SSIM(x,y)=
(2角冷+9)(2空+。2)
(“纽；+9)(成+穴+。2)
(8)
其中，代是％的平均值，冷是y的平均值，处是x的方差，水是歹的方差，◎是X和y的协方差。C]=(局厶)气C2=(©厶丫是用来维持稳定的常数，厶是像素值的动态范围。局=0.01，上2=0.03。
2.2.3平均梯度法
图像平均梯度法属于非参考图像的质量评价，它描述了图像灰度变化率的大小，灰度变换率越大，表明图像细节丰富的程度越高。图像平均梯度的表达式为：
口闫___________________________________(9)
(M-1)(N-1)
其中，M和N分别代表图像的高和宽，/表示像素点的灰度值。
表1列出了图2、图3、图4中图像的MSE值、SSIM 值和平均灰度值。结果表明，本文的算法在保证图像不过分失真的同时能够增强图像的对比度，在图像增强方面具有较好的效果。
表1不同算法的客观评价结果
图像处理算法均方误差结构相似性平均梯度法
HE101.3580.5332  6.7578细纹MSR72.4250.9819  1.7169本文算法86.8000.6273  6.3450
HE99.1960.51257.8550中纹MSR114.1620.9796  2.1533本文算法78.0330.642  6.7720
HE92.9150.7216  3.3308粗纹MSR96.7120.9884  1.5208本文算法84.93340.8068  3.6335从表1可以看出，HE算法的平均梯度较高，增加了图像的对比度，但是失真程度较大，MSR算法与原始灰度图较为相似，结构相似性很高，但是未有效提高图像的对比度，综合考虑，本文算法有较低的均方误差以及较高的结构相似性与平均梯度值，达到了较好的图像增强效果。
3结语
针对木板图像受光照不均匀以及摄像机精度不高等因素导致对比度不高、纹路无法清晰识别的问题，采用了基于局部自适应对比度增强的算法对木板进行图像增强，通过主观以及客观参数的方式验证了算法的有效性。该方法为处理同类图像提供了一种可行的思路，为工业上的木板检测工作提供了一定的帮助。
参考文献
[1]王浩，张叶，沈宏海，等•图像增强算法综述[J].中国光学,2017,10(4):438-448.
[2]郝志成，吴川，杨航，等•基于双边纹理滤波的图像细节增强方法[J].中国光学,2016,9(4):423-431.
[3]郭饪璐，董丽丽，许文海.融合边缘信息的对比度增强算法[J].红外技术,2019,41(7):616-622.

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。