基于改进分布估计的算法在井下监控系统中的应用研究

梁燕华，芦君珂，田训鹏

（黑龙江科技大学电气与控制工程学院，黑龙江 哈尔滨 150022）

0 引言

煤炭是我国的主要能源，约占一次能源的60%[1]，近几年我国煤炭产量约达全球总产量的二分之一。根据煤矿井下安全事故的研究统计，大部分煤矿存在监管工作不到位、防护意识不足等问题，因此，当矿灾真实发生时不能及时应对，并开展紧急营救工作。在智慧矿山技术飞速发展的当下，煤矿井下引入了智能监控系统，使得监管部门的繁重工作得到减轻，并且有效提升了工作质量[2]。虽然监控设备不能替代人工在矿井工作中的重要性，但其具有全天候对矿井进行监控的优势。视频监控系统作为矿山安全的重要组成部分，对于工矿领域的安全工作至关重要。高清数字化设备的普及，进一步促进了煤矿井下视频监控领域的发展。矿井视频监控有利于更好地了解井下人员分布和设备运行的状况，是煤矿实现高效安全生产的重要一环[3]。煤矿井下的工作性质和工作条件复杂，大多数区域没有均匀的光照，只能依靠矿灯照明，导致监控设备收集的图像大多出现了过曝光的问题，并且会在煤矿井下各类生产设备运行过程中导致空气中悬浮粉尘、水汽等杂质，这些因素都严重影响了视频监控设备在煤矿井下采集图像的质量[4]。图像质量的高低直接影响到后续对井下设备工作情况的分析与决策，因此，对复杂环境下收集的图像质量进行增强具有十分重要的实际意义。

由于传统的暗通道先验算法具有简单有效、修复速度快的优点，在井下图像去雾方面应用广泛。由于煤矿井下光照不均，该算法会导致透射率分布估计不准确，使图像出现严重失真的问题，因此，在暗通道先验算法的基础上，提出了改进透射率分布估计的去雾算法对暗通道先验算法的透射率进行进一步优化，通过融合暗通道可信度权值因子和最优暗通道去雾图像对透射率分布进行修正。实验结果表明，改进透射率分布估计的去雾算法在环境较暗处去雾效果好，适应煤矿井下特殊环境需求，较好地保留了图像的细节信息。

1 综采工作面环境分析

综采工作面指的是煤矿井下综合机械化设备的回采工作面。工作面的采煤设备是滚筒式采煤机，工作面的运输设备是可弯曲的刮板输送机，工作面顶板的支护使用的是液压支架，顺槽采用的是带式输送机。煤矿综采工作面环境复杂，主要存在以下三个方面的问题。

1）粉尘影响。滚筒式采煤机割煤是煤矿井下综采工作面粉尘产生的主要源头。由于采煤机的滚筒上安装了多个截齿，导致了每一个截齿在碰撞到煤体时会发生破碎，大碎块煤体掉落后，粉化核释放崩出形成粉尘。采煤工作面粉尘产生的另一个源头是采煤机割煤后煤块掉落，碎煤块掉落会与底板发生再次碰撞，产生大量粉尘，同时也会使底板本身残留的粉尘再次飞扬在空气中[5]。

2）水汽影响。在煤矿井下综采工作面粉尘防治技术的应用中，喷雾降尘可以最大程度地降低粉尘产生量，所以该项技术成为现阶段煤矿综采工作面中常用的降尘手段。同时，煤矿井下还会采用煤层注水技术进行粉尘防治。这些防治手段使综采工作面的空气中存在大量的水汽。

3）光照影响。综采工作面装备中包括照明设备，但是由于照明设备分布不均匀，导致井下综采工作面的光照分布不均匀，因此，视频监控系统采集的图像存在低照度或者过曝光的情况。

在破煤、装煤、运煤等生产流程中，整个综采工作面的环境变得十分复杂，严重影响视频监控系统的图像采集质量。井下综采工作面设备如图1 所示。

图1 地下模拟矿井综采工作面Fig.1 Fully mechanized mining face in underground simulation mine

为了方便检测煤矿井下环境，保障施工安全，可利用图像去雾的方法，目前主要有两类方法应用比较广泛。第一类去雾算法是基于图像增强技术，如小波变换法、直方图均衡化算法、Retinex 算法等。范伟强等[6]采用多尺度的小波分析方法对煤矿浓烟影像进行了分析，利用贝叶斯方法对各个尺度上的高频子图的小波阈值进行了调节，然后利用小波重建的方法对各个尺度上的高频子图进行了各个尺度上的小波重建，获得一个强化的影像，通过调节影像的光度，获得一个没有浓烟的影像。郭瑞等[7]采用一种改良的单尺度Retinex 算法，对矿山中有雾的图像进行了增强去雾，实现了亮度增强与饱和度自适应线性延伸。周旺[8]提出了一种基于均值滤波分频的直方图均衡法对图像的高频区域、低频区域分别进行直方图均衡化处理和均值滤波处理，最后将低频和高频两个区域进行重构，该方法在解决均匀区域高增强问题方面效果显著，并且减少了噪声影响，但是会导致图像部分细节丢失。第二类是基于物理模型的图像去雾方法，通过对有雾环境下图像质量下降机制的研究，构建有雾环境下的图像散射建模，并充分发挥其对有雾环境的影响，实现有雾环境下的图像恢复。邱根莹[9]提出了暗通道先验算法，该算法通过观察统计大量有雾测试图像估算出粗略透射率以及大气光的亮度等，通过大气散射模型进行复原得到无雾的清晰图像。智宁等[10]将暗道的先验性和自适应的双边滤波器相结合，给出了一种新的算法，该算法在暗通道先验理论的基础上实现了效果更加明显的图像增强，但会出现由于井下光源分布不均匀导致图像亮度过暗以及细节丢失等问题。

对于井下复杂环境导致图像质量不佳的问题，解决途径是降低综采工作面生产设备所产生的雾气对数字视频监控收集的图像所造成的影响。改进透射率分布估计的去雾算法改进了暗通道先验去雾技术，对透射率分布进行了优化处理，更好地解决了井下图像的过曝光问题，使处理后的图像保留更多的图像细节。

2 暗通道先验去雾算法

在计算机视觉领域，大气散射模型广泛应用于图像去雾。MCCARTNEY 等[11]在对雾的生成原理进行研究之后，提出了成像设备接收的光线一部分来自于反射光经悬浮颗粒，光线散射衰减之后到达成像设备，而另一部分光线则直接进入成像设备。NARASIMHAN等[12-13]在此理论的基础上建立了大气散射模型（图2）。大气散射物理模型由两部分组成，第一部分是直接衰减项（Direct Attenuation），也称为直接传播，第二部分是大气光照（Airlight）[14]。表示公式见式（1）。

图2 大气散射模型示意图Fig.2 Schematic diagram of atmospheric scattering model

式中：I（x）为雾状影像；J（x）为清晰影像；x为像素点在影像中的位置[15]；A为大气光值；t（x）为介质传输图，在大气均匀的情况下为式（2）。

式中：β为大气散射系数；d（x）为场景与成像设备之间的距离，即场景深度。由式（2）可知，t（x）随场景深度的增大而减小。

大气散射光会导致图像对比度下降，以及颜色失真等问题，去雾的目的则是通过单个图像来准确估计大气光值A和介质传输图t（x），从而复原无雾图像J（x）。

暗通道原理认为无雾图像在众多浅色区域或明亮区域，R、G、B 三个颜色通道中最少会有一个颜色通道的亮度趋向于零，即式（3）。

式中：Jdark（x）为暗通道图像；Ω（x）为以x为中心的小图像块；c为图像的颜色通道[16]。根据暗通道先验理论得出式（4）。

式（4）的含义是：在三个通道窗口的位置上，以一个象素点x为圆心，取三个信道窗的极小值，并将这三个信道窗的极小值作为一个像素点x的黑暗信道的数值[17]，如图3 所示。

图3 暗通道原理Fig.3 Dark channel principle

假设大气光值A已知，局部区域 Ω（x）内透射率保持不变，记作t（x），对式（1）两边同时除以Ac,c∈{R,G,B} 为某一颜色通道，两边同时做变换，根据式（3），得到式（5）。

根据式（4），利用已知的t（x）、A和I（x）计算J（x），见式（6）。

图4 为暗通道先验算法执行流程。传统的暗通道先验算法在白天光照均匀时效果较好，由于煤矿井下光源分布不均匀，导致传统的暗通道先验去雾算法透射率分布估计不准，使图像出现色彩失真[18]、去雾效果差和过曝光等问题，因此，在暗通道先验算法的基础上提出了一种改进透射率分布的井下去雾算法，对透射率分布估计进行进一步优化。

图4 暗通道先验算法模型框架Fig.4 Model framework of dark channel apriori algorithm

3 改进透射率分布估计算法

3.1 暗态点光源模型

为了对有雾环境下的井下图像大气光分布A（x,y）进行估计，使用了暗态点光源[19]模型。暗态点光源模型是先对有雾图像I（x,y）进行最小值滤波，得到暗通道图像Id（x,y）,再利用伽马变换对其进行灰度矫正，伽马变换对于图像明暗对比的增强有显著效果，该过程处理公式见式（7）。

式中：γ为伽马变换中的伽马值；α为灰度缩放系数，对图像灰度进行整体拉伸，取值通常为1；Vp（x,y）为暗态点光源模型。对其进行高斯滤波后可以得到最终点光源模型。

有雾图像的亮度分布Ib（x,y）见式（8）。

传统的引导滤波会导致图像的边缘信息出现丢失，因此使用了联合双边滤波[20]替代传统引导滤波，既可以对目标图像进行引导滤波，又可以获得较好的边缘保持效果。将Vp（x,y）作为目标图像，Ib（x,y）作为引导图像，利用联合双边滤波对井下有雾图像的大气光分布A（x,y）进行估计。此时的大气光分布主要保留点光源和光线覆盖范围以内的信息，将其用于后续去雾处理可以改善图像过暗以及失真问题。

3.2 改进透射率分布

由于煤矿井下大环境是比较黑暗的，而且光线也非常不均匀，因此，在对影像的透射系数分布进行计算时，存在着对其进行t′（x,y）的估算值比较小的问题。为了解决这个问题，增加了暗通道可信度权值因子 ω以及最优暗通道图像来提高图像的透射率分布精度。

3.2.1 暗通道可信度权值因子获取

在HSV 彩色空间中，对井下有雾图像I（x,y）进行通道分割，得到饱和度图像S（x,y）与亮度图像V（x,y）影像，并对其进行最大值滤波Smax（x,y）与最小值滤波Vmin(x,y)处理，由于图像边缘信息损失严重，使用联合双边滤波对其细化得到。流程如图5 所示。

图5 暗通道可信度权值因子获取流程图Fig.5 Flow chart of obtaining dark channel credibility weight factors

再对暗通道可信度权值因子 ω进行求取，计算见式（9）和式（10）。

式中：ω1为饱和度系数；ω2为亮度系数；k1和k2为缩放系数。

3.2.2 最优暗通道去雾图像获取

构建扇形模型，如图6 所示，假定高斯平均衰减函数用于估计暗影区的极大值和极小值，利用几何平均不等式对其进行连续近似，从而得到最优暗通道去雾图像，记为J′（x,y）。

图6 扇形模型示意图Fig.6 Schematic diagram of sector model

为了防止逼近过程中产生溢出现象，使用相对剧烈的衰减 ρ1处理上边界 min（Icmax（x,y）），相对平缓的ρ2处理下边界 min（Icmin（x,y）），得到边界估值见式（11）。

使用不等式形式进行逼近，得到最优暗通道去雾图像J′（x,y），见式（12）。

3.2.3 改进透射率分布获取

结合井下大气光分布A（x,y），以暗通道可信度权值因子 ω和最优暗通道去雾图像J′（x,y）为修改参数，对透射率分布公式进行了修改，得出式（13）。

式中，ψ为雾层保留参数，用以保留有雾图像中的少量雾气，保证了图像的真实性，在井下环境较暗的图像处理中，一般取0.65。

在获得井下大气光分布A（x,y）和优化透射率t′（x,y）后，对式（6）进行改进得到式（14）。

4 算法流程设计

井下视频监控系统通过井下监控设备采集到实时的图像画面，由于视频监控中的图像画面存在大量雾气和水汽以及图像亮度较暗的问题，导致图像质量较差。为了解决这些问题，在暗通道先验理论的基础上，提出了改进透射率分布估计的井下去雾算法，该算法包括三个主要的模块，分别是井下环境光线分布估计、透射率分布估计和颜色校正。算法实现过程如图7 所示，具体过程如下所述。

图7 算法流程图Fig.7 Flow chart of algorithm

4.1 井下环境光分布估计

在计算煤矿井下环境光照分布估计值时，采用最小滤波器与伽马变换相结合的方法，建立出暗态点光源模型，以该模型作为目标图像，使用亮度分布作为引导函数，再经联合双边滤波估计井下有雾图像的环境光分布。

4.2 透射率分布估计

将HSV 通道分出亮度通道和饱和度通道，分别进行最大值滤波和最小值滤波处理，通过联合双边滤波器进行精细处理，获得最优暗通道去雾图像。建立一个扇形模型，并利用高斯均函数作为边界限制，得到最佳暗通道去雾图像。结合井下环境光分布，利用修正参数对透射率分布进行改进，再对有雾图像进行还原后获取无雾图像。

4.3 色彩校正

利用含雾图像G 通道的最大灰度值求出景深图像，与图像R 通道和B 通道的最大灰度值相减，得到景深差分图像，利用修正参数，对R 通道和B 通道进行色偏修正，将修正后的R 通道、G 通道、B 通道进行融合，获得颜色修正后的图像。

5 工作过程模拟仿真与分析

为了验证改进透射率分布估计的去雾算法的有效性，对煤矿井下大量的有雾图像进行了测试（由于篇幅有限，仅选择3 张井下图像进行测试），同时与Retinex 去雾算法、暗通道先验算法进行比较。仿真结果如图8 所示。

图8 仿真结果Fig.8 Results of simulation

由图8 可知，Retinex 去雾算法在整体亮度方面有所提升，但是图片清晰度不高，存在细节丢失问题，暗通道先验算法虽然达到了一定的去雾效果，但是在有点光源的图像中存在严重过曝光的问题。改进透射率分布估计的去雾算法在有点光源的图像中没有出现严重过曝光的现象，整体颜色没有出现失真，很好地保留了图像的细节，对有雾图像的处理优于其他算法，图像优化效果整体更好。

为了验证改进透射率分布估计去雾算法的优越性，采用了峰值信噪比[21]、均值、标准差、平均梯度四种指标对各类算法的去雾效果进行客观评价，结果见表1。其中，峰值信噪比表示去雾图像的失真性，数值越大，代表图像失真越小；信息熵表示图像含有的信息量，信息熵越大，表示图像细节越丰富；标准差表示图像对比度的高低，标准差值越大，图像的细节越丰富[22]；平均梯度数值用来表示图像的清晰度水平，平均梯度数值越大，图像的清晰度越高。

表1 算法质量对比Table 1 Comparison of algorithm quality

由表1 可知，基于峰值信噪比、均值、标准差、平均梯度的参数对比，虽然Retinex 算法和对数增强算法处理后的图像亮度明显增高，但是亮度过高导致了图像细节大量丢失，清晰度的提升也不够明显，而峰值信噪比和标准差的升高说明改进透射率分布估计的去雾算法显著提高了图像清晰度，并有效解决了图像的过曝光以及失真问题，更好地保留了图像的层次和细节。

6 结语

针对煤矿井下雾气水汽较大和光源分布不均的特殊环境，提出了一种基于暗通道先验算法的改进透射率分布估计井下图像去雾算法，解决了传统暗通道先验算法在光源分布不均的场景下存在的图像光源区域纹理损坏严重的问题，引入暗态点光源模型对井下有雾图像的大气光分布进行估计，在此基础上，采用暗通道可信度权值因子和最优暗通道去雾图像来改善图像的透射率分布。实验结果表明：改进透射率分布估计的井下图像去雾算法在煤矿井下尘雾严重，光源分布不均的特殊环境中表现出良好的去雾效果，有效减少了图像细节的丢失，去雾效果明显，同时对场景亮度做到了一定的保留，与Retinex 算法和暗通道先验算法相比，本文算法在峰值信噪比、信息熵和平均梯度等方面有较大幅度提高，使得复原后的无雾图像具有更加丰富的细节信息，去雾效果更好。