·386· 智能系统学报 第14卷 部环境进行改善；2)对采集的原图像质量进行 适应增强与同态滤波的金属腐蚀区域图像增强算 有效增强。而众所周知，在对金属设备的腐蚀自 法。本文算法具体如下：首先将腐蚀图像从RGB 动视觉检测中，其外部环境往往比较难以控制， 颜色空间转换至HSI颜色空间，提取亮度分量； 比如，距离、角度、光源等影响腐蚀图像质量的 利用小波变换的多尺度特点对腐蚀细节进行局部 因素都会受到所处环境的限制。所以，通常为了 对比度增强然后将细节增强后的图像作分块同态 后续腐蚀形貌的检测与识别工作，对采集的腐 滤波：最后，将新的亮度分量与原饱和度和色度 蚀原图像进行有目的性的增强就显得意义十分重 分量一起转换为RGB图像，得到增强后的腐蚀图 大4阿 像。实验结果表明，本文算法在不改变H分量和 当前，图像增强算法主要有直接针对像素灰 S分量的基础上，能很好地增强腐蚀缺陷细节并 度处理的增强算法-、基于色感一致性模型的单 且腐蚀色彩特征保持良好，增强后的图像有利于 尺度Retinex及多尺度Retinex(MSR)增强算法P-n 进一步的金属材料腐蚀损伤分析。 同态滤波增强算法21)、基于暗通道先验理论的 去雾增强算法49等。在上述图像增强算法中， 1本文方法 对像素值的直接处理可改善图像亮度动态范围但 腐蚀图像的增强问题主要是腐蚀暗细节的加 易丢失细节信息或色彩失真；Retinex增强和同态 强以及光照不均影响的消除。在保留腐蚀产物颜 滤波增强都进行了对数变换，前者是通过估计照 色特征的同时，能将腐蚀斑或腐蚀坑等腐蚀细节 度分量得到物体的反射分量，在图像亮度保持和 很好的显现出来。 细节这两方面的处理效果都比较好，但容易造成 本文方法整体流程如图1所示：选取H$I模 偏色等色彩失真现象，后者是利用同态滤波函 型提取金属腐蚀图像的亮度分量，然后再对细节 数压缩低频分量与增强高频分量来改善光照不均 进行多尺度增强后采用分块同态滤波的方式改善 的影响；而去雾增强算法是将每个颜色通道中接 图像的亮度。在整体处理中避免改变H分量和 近零的灰度值描述为暗通道并将其近似为图像中 S分量，只在I分量上做增强处理，因此不会改变 雾的浓度，通过去雾实现增强，但该算法对不满 原图像中的彩色种类，使最后图像在色彩上和原 足暗通道原理的图像增强效果并不理想”。在有 始图像保持一致。 关Retinex和基于暗通道原理的去雾彩色图像增 腐蚀原图像 强算法中，王建新等在HSI模型中建立了去雾 RGB至HSI 模型，秦绪佳等i在HSV模型中建立Retinex增 强模型，这两种模型都需要根据亮度分量的调 (I 整进而调整单一饱和度或同时调整色度与饱和 多尺度细节自适应增强 度分量，这使得色彩保真度在颜色恢复过程中将 分块同态滤波 受到对应分量调整的影响。小波变换具有时频与 多尺度特性，针对不同分辨率下的小波系数进行 HSI至RGB 非线性增强可以实现图像的增强1。文献[19] 增强后图像 中，孙慧贤等提出了基于小波变换和同态滤波的 图1提出方法流程图 内窥图像增强算法，该算法是在传统同态滤波中 Fig.1 Flow chart of proposed algorithm 用小波变换替代傅里叶变换，然后对不同分辨率 1.1 腐蚀处理中的HSI模型应用 下的小波系数进行非线性增强，该算法的不足是 原始获取的图像是RGB颜色空间，图像中像 在图像经过了对数运算后再对不同尺度下小波系 素的颜色采用红(R)、绿(G)、蓝(B)三原色的不同 数的非线性调整，因此重构图像易出现“伪像”的 比例来描述，该模型适合于人眼对上述3种颜色 问题。 的敏感性，但不适合解释颜色。HSI(色调、饱和 针对现有算法存在的问题，本文受到自适应 度、亮度)模型更加符合人眼视觉系统描述和颜 细节增强算法的启发，结合同态滤波具有全局 色的解释0，该模型能将颜色与亮度分开，更适合 性质的特点但同时存在局部对比度增强效果不理 腐蚀图像中的暗细节表示。 想的问题，提出一种HSI模型下的多尺度细节自 RGB模型转换为HSI模型的公式如式(1)：部环境进行改善；2) 对采集的原图像质量进行 有效增强。而众所周知，在对金属设备的腐蚀自 动视觉检测中，其外部环境往往比较难以控制， 比如，距离、角度、光源等影响腐蚀图像质量的 因素都会受到所处环境的限制。所以，通常为了 后续腐蚀形貌的检测与识别工作，对采集的腐 蚀原图像进行有目的性的增强就显得意义十分重 大 [4-6]。 当前，图像增强算法主要有直接针对像素灰 度处理的增强算法[7-8] 、基于色感一致性模型的单 尺度 Retinex 及多尺度 Retinex(MSR) 增强算法[9-11] 、 同态滤波增强算法[12-13] 、基于暗通道先验理论的 去雾增强算法[14-15]等。在上述图像增强算法中， 对像素值的直接处理可改善图像亮度动态范围但 易丢失细节信息或色彩失真；Retinex 增强和同态 滤波增强都进行了对数变换，前者是通过估计照 度分量得到物体的反射分量，在图像亮度保持和 细节这两方面的处理效果都比较好，但容易造成 偏色等色彩失真现象[16] ，后者是利用同态滤波函 数压缩低频分量与增强高频分量来改善光照不均 的影响；而去雾增强算法是将每个颜色通道中接 近零的灰度值描述为暗通道并将其近似为图像中 雾的浓度，通过去雾实现增强，但该算法对不满 足暗通道原理的图像增强效果并不理想[17]。在有 关 Retinex 和基于暗通道原理的去雾彩色图像增 强算法中，王建新等[15]在 HSI 模型中建立了去雾 模型，秦绪佳等[16]在 HSV 模型中建立 Retinex 增 强模型，这两种模型都需要根据亮度分量的调 整进而调整单一饱和度或同时调整色度与饱和 度分量，这使得色彩保真度在颜色恢复过程中将 受到对应分量调整的影响。小波变换具有时频与 多尺度特性，针对不同分辨率下的小波系数进行 非线性增强可以实现图像的增强[18]。文献[19] 中，孙慧贤等提出了基于小波变换和同态滤波的 内窥图像增强算法，该算法是在传统同态滤波中 用小波变换替代傅里叶变换，然后对不同分辨率 下的小波系数进行非线性增强，该算法的不足是 在图像经过了对数运算后再对不同尺度下小波系 数的非线性调整，因此重构图像易出现“伪像”的 问题。 针对现有算法存在的问题，本文受到自适应 细节增强[19]算法的启发，结合同态滤波具有全局 性质的特点但同时存在局部对比度增强效果不理 想的问题，提出一种 HSI 模型下的多尺度细节自 适应增强与同态滤波的金属腐蚀区域图像增强算 法。本文算法具体如下：首先将腐蚀图像从 RGB 颜色空间转换至 HSI 颜色空间，提取亮度分量； 利用小波变换的多尺度特点对腐蚀细节进行局部 对比度增强然后将细节增强后的图像作分块同态 滤波；最后，将新的亮度分量与原饱和度和色度 分量一起转换为 RGB 图像，得到增强后的腐蚀图 像。实验结果表明，本文算法在不改变 H 分量和 S 分量的基础上，能很好地增强腐蚀缺陷细节并 且腐蚀色彩特征保持良好，增强后的图像有利于 进一步的金属材料腐蚀损伤分析。 1 本文方法 腐蚀图像的增强问题主要是腐蚀暗细节的加 强以及光照不均影响的消除。在保留腐蚀产物颜 色特征的同时，能将腐蚀斑或腐蚀坑等腐蚀细节 很好的显现出来。 本文方法整体流程如图 1 所示：选取 HSI 模 型提取金属腐蚀图像的亮度分量，然后再对细节 进行多尺度增强后采用分块同态滤波的方式改善 图像的亮度。在整体处理中避免改变 H 分量和 S 分量，只在 I 分量上做增强处理，因此不会改变 原图像中的彩色种类，使最后图像在色彩上和原 始图像保持一致。 腐蚀原图像 I 多尺度细节自适应增强 分块同态滤波 增强后图像 H S RGB至HSI HSI至RGB 图 1 提出方法流程图 Fig. 1 Flow chart of proposed algorithm 1.1 腐蚀处理中的 HSI 模型应用 原始获取的图像是 RGB 颜色空间，图像中像 素的颜色采用红 (R)、绿 (G)、蓝 (B) 三原色的不同 比例来描述，该模型适合于人眼对上述 3 种颜色 的敏感性，但不适合解释颜色。HSI(色调、饱和 度、亮度) 模型更加符合人眼视觉系统描述和颜 色的解释[20] ，该模型能将颜色与亮度分开，更适合 腐蚀图像中的暗细节表示。 RGB 模型转换为 HSI 模型的公式如式 (1)： ·386· 智 能 系 统 学 报 第 14 卷