融合彩色模型空間的電力設備紅外圖像增強

王 振，劉 磊

（安徽工業大學 電氣與信息工程學院，安徽 馬鞍山 243000）

0 引言

變電站電力設備由于長期處于運行工作狀態，因此易引起各種類型故障，進而對電網的安全穩定運行造成一定威脅[1]。紅外熱成像技術可以檢測出物體的溫度，并且該技術存在非接觸、直觀化且無需對設備進行斷電等優點，使其成為電力設備熱故障檢測的有力手段[2-3]。但紅外熱圖像在形成的過程中因設備和環境的共同影響往往會存在一些問題，如對比度低、亮度暗、細節不突出等。這些缺點的存在會影響后續對圖像一系列的分析與處理，因此利用增強算法提高圖像的質量十分必要[4]。

常見的圖像增強算法大致可劃分為空域算法及頻域算法兩大類[5]?？沼蛩惴ㄊ侵笇D像中的像素灰度值按一定映射規則進行轉變來增強圖像質量，如直方圖均衡化算法、Retinex 理論算法等；頻域算法是指通過分析頻譜來改變圖像特征，進而達到增強圖像的效果，如小波變換、傅里葉變換等[6-7]。這些算法在增強電力設備紅外圖像時會存在一些問題，如經直方圖均衡化算法增強后的圖像，其內部噪聲會被放大進而導致細節丟失；經Retinex 理論算法增強后的圖像有時會存在不同程度的“光暈”現象；經頻域算法增強后的圖像其細節部分模糊[8]。針對傳統方法增強電力設備紅外圖像時會存在一些問題，許多學者提出了一些改進算法。陳堯等將非下采樣輪廓波變換（nonsubsampled contourlet,NSCT）與Pal-King 模糊增強算法相結合實現了電力設備紅外圖像的增強[9]。朱穎等采取非下采樣剪切波變換（nonsubsampled shearlet transform,NSST）將圖像先分為高、低頻兩部分，然后對高低頻兩部分分別進行處理，最后按照NSST 變換進行合成實現紅外圖像的增強[10]。劉陳瑤等采取雙邊濾波將圖像分為基礎圖像和細節圖像，然后對基礎圖像采用對比度受限自適應直方圖均衡法（contrast limited adaptive histogram equalization，CLAHE）進行增強，對細節圖像采用分段線性變換結合拉普拉斯變換的方式進行處理，并將處理后的兩圖像進行疊加實現圖像的增強[11]。以上3 種算法雖實現了圖像的亮度提升與對比度增強，但是這些算法的輸入圖像為灰度圖像，沒有對原始的紅外圖像直接處理。譚宇璇等提出了一種參數自調整的Retinex 增強算法[12]，由該算法增強后的紅外圖像其亮度與對比度都得到了很大提升。陳基順等提出的增強算法其最大特點為可以區分出相近的灰度值，進而直觀地看出設備溫度之間的具體細節變化[13]。

本文提出了一種融合彩色模型空間的紅外圖像增強算法，該算法分別在RGB 與HSV 兩彩色模型空間中對圖像做增強處理。RGB 空間中，結合低照度的電力設備紅外圖像其R、G、B三分量圖的灰度級普遍分布在中低等級處的特點，提出了一種增強函數來提升圖像的整體亮度。HSV 空間中，對V分量圖采取伽馬變換結合CLAHE 算法的方式來綜合增強其亮度，并采取一種非線性色調矯正函數處理S分量圖。處理完畢后，首先提取由RGB 空間增強圖像轉換到HSV空間后的三分量圖，然后將提取的三分量圖與在HSV空間中處理后的三分量圖分別進行對應的加權融合，最后將融合結果轉換至RGB 空間中得到紅外圖像的增強圖像。實驗結果顯示，增強后的紅外圖像其亮度與對比度的提升無論從主觀視覺還是客觀評價上都取得了較好結果。

1 本文算法

HSV 彩色模型空間中的色彩三分量彼此相互獨立，因此對其中任意分量處理時都不會影響到其他兩個分量，即在該空間處理后的圖像具備色彩失真度小、顏色更加逼真的特點[14]。根據該空間特性，提出了一種與HSV 彩色模型空間相融合的圖像增強算法，其具體步驟如圖1所示。

1.1 RGB 彩色空間圖像增強

RGB 彩色空間也稱紅、綠、藍三原色彩色空間，其通過使用紅、綠、藍三原色不同比例的分量組合來顯示某種色彩及亮度[15]。目前電力設備紅外圖像的采集主要靠攝像頭完成，即設備的紅外熱圖像一般表示在RGB 彩色模型空間中。圖2 為某幅電力設備的紅外圖像及其R、G、B三分量的灰度直方圖，當圖像整體亮度偏低時，其三分量各自的灰度級均分布于中低等級處。

圖2 原始圖像及其RGB 空間分量的灰度直方圖Fig.2 Original image and its RGB space component gray histogram

為進一步突顯設備故障區域的亮度，在對圖像R、G、B三分量進行增強處理之前，采用公式(1)對圖像的高灰度級進行預處理。

式中：f(i,j)、f(i,j)*分別為輸入圖像、輸出圖像在灰度級(i,j)處的灰度值。

對圖像灰度級預處理后，采取中值濾波結合雙邊濾波的方法實現圖像的保邊抑噪。紅外圖像在成像過程中，因設備性能及環境的共同影響會導致圖像中存在一定的椒鹽噪聲和高斯噪聲[16]。針對椒鹽噪聲，中值濾波算法對其有較好的抑制作用。該算法采用模板的方式，將模板內像素點的灰度值進行排序，并使用中值代替模板中心處的灰度值。其計算公式如下：

式中：M為模板大??；X(i,j)為模板內的灰度值；Med為求中值函數。

針對高斯噪聲，本文選取雙邊濾波算法對其進行抑制。該算法在抑制噪聲的同時，對圖像的空間鄰近度和灰度相似度進行了綜合考慮，使其可以較好地保護圖像的邊緣信息。其計算公式如下：

式中：(x,y)、(i,j)分別為當前處理像素點及其鄰域內像素點；ω(x,y,i,j)為加權系數；d(x,y,i,j)、r(x,y,i,j)分別為空域核函數和灰度核函數。

當紅外圖像的整體亮度偏低時，其R、G、B三分量圖的灰度級將普遍分布在中低等級，本文提出了一種灰度級增強函數，如式(5)所示。圖3 為由此函數增強后的紅外圖像及其三分量的灰度直方圖，可以看出各分量的灰度級分布得到拉升，并且圖像整體亮度被提高。

圖3 增強圖像及其RGB 空間分量的灰度直方圖Fig.3 Enhanced image and its RGB space component gray histogram

式中：X(i,j)為像素點(i,j)處歸一化后的灰度值；Y(i,j)為輸出灰度值。

1.2 HSV 彩色空間圖像增強

HSV 是在RGB 彩色模型空間的基礎上進行歸一化操作演化而來的一種色彩模型空間，其中H、S、V分別代表圖像的色調、飽和度和亮度[17]。與RGB 空間相比，HSV 空間的3 個分量都彼此獨立，即當對圖像亮度調整時只需對V分量單獨處理，而不影響圖像的色調和飽和度；當對圖像飽和度處理時只需對S分量單獨處理，而不影響圖像的亮度及色調。

由圖4(a)顯示，當紅外圖像的整體亮度偏低時，其V分量圖的亮度也較低。針對該特點，對V分量圖進行兩步亮度增強處理，分別為Gamma 變換增強和CLAHE 算法增強。首先采取伽馬變換實現V分量圖的全局增強，提升圖像背景的整體亮度。伽瑪變換的一般表達式為：

圖4 V 分量處理結果對比Fig.4 Comparison of V component processing results

式中：x為歸一化后的像素灰度值；c、γ分別為補償系數和伽瑪系數，γ＞1 時，增強的為圖像中的亮區域；γ＜1 時，增強的則為圖像中的暗區域。

由于各紅外圖像本身的亮度不同，所以γ值的選取需要根據不同圖像而適當改變，本文中選取的γ值范圍為0.4～0.6。圖4(c)為伽馬變換增強后的V分量圖。

由于伽馬變換是全局增強，所以增強后的圖像亮度得到了整體性地提高，但沒有突出設備與背景之間的亮度差。因為CLAHE 算法將圖像先分成若干個小子塊，然后對每一個子塊的直方圖進行限幅，所以可以有效地抑制局部灰度值過度增強的問題，于是本文進一步采取CLAHE 算法來改善V分量圖的增強效果。圖4 中的(e)、(f)分別為增強后的V分量圖及其灰度直方圖，從中可以看出對伽馬變換增強后的圖像再采取CLAHE 算法增強，可以有效地抑制背景亮度并提升設備區域的亮度，使亮區域的灰度級分布比較均勻，突出了設備與背景之間的亮度差。

電力設備紅外圖像除了整體亮度偏低外，還存在對比度低的問題，這是由于紅外熱成像儀的成像是依靠物體之間的溫度差，當設備與環境之間的溫差不大時，此時就會造成紅外熱圖像的對比度偏低。針對此問題，本文對色彩飽和度S分量圖進行矯正處理，采用的矯正函數為公式(7)，圖5 為該函數處理后的效果圖。

圖5 S 分量處理結果對比Fig.5 Comparison of S component processing results

式中：S*(x,y)為處理后的圖像色彩飽和度分量；S(x,y)為原圖像的色彩飽和度分量。

1.3 RGB 與HSV 空間圖像融合

由圖6(a)、(b)顯示，在RGB 空間中增強的圖像其特點為色彩飽和度高及背景亮度大，而在HSV 空間中增強的圖像其特點為設備與背景之間的對比度高。結合兩空間增強圖像各自的特點，按公式(8)融合兩圖像的H、S、V三分量圖，并將融合結果轉回到RGB 彩色空間中得到最終的輸出圖像，如圖6(c)所示。

圖6 兩空間圖像融合結果Fig.6 Two space image fusion result

式中：H、S、V分別為融合后的三分量圖；HRGB、SRGB、VRGB分別為RGB 空間增強圖像轉到HSV 空間后的三分量圖；HHSV、SHSV、VHSV分別為在HSV 空間中處理后的三分量圖；α1、α2、α3、β1、β2、β3為融合系數。本文對H、S兩分量采取等量加權融合的方式，即α1、α2、β1、β2都取值為0.5，對V分量采取等量融合的方式，即α3、β3取值為1。

2 實驗結果與分析

為了驗證本文算法可以實現紅外圖像的亮度增強與對比度提升，選取3 張對比度較低的電力設備紅外圖像作圖像增強對比實驗，測試圖像如圖7所示（紅外圖像取自網絡）。首先對圖像采取直方圖均衡化（histogram equalization,HE）、同態濾波、多尺度Retinex 算法（multi-scale Retinex,MSR）、CLAHE 算法、加權分布自適應伽馬校正算法（adaptive gamma correction with weighting distribution,AGCWD）、文獻[12]算法及本文算法進行增強處理；接著對各算法增強后的圖像進行主觀和客觀上的評價，來驗證本文增強算法的優越性。

圖7 用于測試的電力設備紅外圖像Fig.7 Infrared images of power equipments for test

2.1 主觀評價

本文對選擇的3 張紅外圖像進行不同算法的增強對比實驗，實驗結果如圖8～圖10所示。從中可以看出，HE 算法雖提升了紅外圖像的亮度，但同時放大了圖中噪聲導致視覺效果較差，并且存在嚴重的顏色畸變問題。同態濾波、MSR 及AGCWD 算法總體對紅外圖像的增強表現不是很明顯，且MSR 算法有時會出現光暈現象。CLAHE 算法突顯出了設備區域，但該算法放大了圖中噪聲，導致增強后的圖像普遍存在模糊問題。文獻[12]及本文算法都可以很大幅度地提升圖像亮度和對比度，但文獻[12]的增強效果受原始圖像的質量影響較大，當圖中的背景信息復雜時，則增強后的圖像其視覺效果會出現一些偏差，如圖8(g)所示，并且增強圖像中有時也會伴隨光暈問題，如圖9(g)、圖10(g)所示?？傮w從主觀評價上而言，本文算法可以較好地提升紅外圖像的亮度與對比度，并且增強圖像中沒有出現光暈及模糊等問題。

圖8 紅外圖像1 的增強對比圖Fig.8 Enhanced contrast images of infrared image 1

圖9 紅外圖像2 的增強對比圖Fig.9 Enhanced contrast images of infrared image 2

2.2 客觀評價

為進一步確認本文算法在提升圖像亮度與對比度方面優于所選取的對比算法，選取灰度均值及標準差兩種圖像質量評價標準對增強后的圖像質量進行客觀上的評價。

灰度均值大小可以反映圖像整體亮度，其值越大說明圖像亮度越高。其計算公式如下：

式中：M和N分別為圖像在x軸和y軸方向上的像素點數目；f(i,j)為像素點(i,j)處的灰度值。

標準差值大小可以反映圖像灰度值相對于灰度均值的離散程度，值越大說明灰度級分布越分散，則圖像對比度越高。其計算公式如下：

式中：μ為圖像灰度均值。

圖8～圖10 的客觀評價結果如表1所示，對比表中數據可知，由文獻[12]及本文算法增強后的紅外圖像其灰度均值和標準差兩種指標值都相對提升較為明顯，且相比之下本文算法略勝一籌。計算表中數據可得，本文算法增強后的3 張圖像其灰度均值和標準差兩種指標的平均值分別高達115.94 和78.65，相比3 張原始圖像的兩指標平均值分別提升了81.59 和36.17。由此說明，本文的增強算法可以實現紅外圖像的亮度增強與對比度提升。

表1 客觀評價結果Table 1 Objective evaluation results

3 結論

針對電力設備紅外圖像普遍存在亮度暗、對比度低等問題，提出了一種基于顏色空間的圖像增強算法。該方法首先分別在RGB 與HSV 兩彩色模型空間中對圖像做不同方式的增強處理，然后將在RGB 空間中的增強圖像轉換至HSV 空間中，最后將兩種空間各自增強圖像的H、S、V分量進行不同比例的對應融合，并將融合圖像由HSV 空間轉回RGB 空間中得到最終的輸出紅外圖像。為了驗證該算法可以有效地提升紅外圖像的亮度與對比度，與6 種不同的增強算法進行了對比實驗。據實驗結果顯示，從主觀上看，由本文算法增強后的紅外圖像其亮度和對比度得到了很大提升，并且沒有出現圖像模糊及光暈現象等問題；從圖像質量評價標準的數據上看，由本文算法增強后的紅外圖像其灰度均值和標準差值較高，即也客觀說明了與其他算法相比，本文算法在提升紅外圖像亮度與對比度方面具備一定優勢。