·390· 智能系统学报 第14卷 实验中，小波变换的基函数名称为db1,参数 表1各图像亮度分量的信息熵 co取1.0，L,取1.2；其中，c0作为图像的对比度调 Table 1 Entropy of intensity component in each image 节因子，用来调节图像的细节分量；而L。为图像 增强方法 图像1 图像2 图像3 的亮度因子，调节图像的亮度分量。在分块同态 原图像 5.6689 6.0152 5.7652 滤波中，其中的参数r4取1.2，r取0.5；它们分别 小波自适应 5.8979 6.3645 6.1096 用来调节图像的低频部分和高频部分；同态滤波 同态滤波 5.8545 5.8637 5.7515 器的阶数n=l,其中心截止频率D。=median MSR 6.3296 6.6208 6.7429 (median(D)). 暗通道去雾 5.4485 6.1971 6.0526 关于不同图像增强算法效果的评价，本文采 本文算法 6.4512 6.8879 6.4630 用人眼观察的主观评价和图像信息嫡的客观评价 表2图像集的信息熵指标对比 两种方式进行评价。主要包含两部分：1)根据人 Table 2 Entropy index comparison in image set 眼视觉主观感受去比较增强图像与原图像之间的 增强方法 信息嫡均值 信息嫡方差 区别：2)用度量图像信息量大小、图像细节丰富 原始图像 5.9183 0.4450 程度的指标熵对图像增强效果进行客观评价。 小波自适应 6.2555 0.4621 首先，从图7~9中的(a)图发现，金属腐蚀区 同态滤波 5.9672 0.3892 域图像均出现原图整体亮度偏暗的问题，造成图 MSR 6.5929 0.3045 像中某些部分的腐蚀暗细节根本无法从背景中被 暗通道去雾 5.6281 0.6594 识别出来，从而直接影响被检区域的腐蚀程度检 本文算法 6.6659 0.2995 测：图中的(b)为小波自适应增强算法后的结果 图，可以看出小波增强结果图相较于原图虽然对 从表1中数据发现，不同增强算法对腐蚀原 腐蚀细节分量有很强的增强效果，但由于无法提 图像亮度分量信息熵的影响不一样。对表1的每 高腐蚀图像整体亮度，从而使得腐蚀斑点或腐蚀 一列进行比较，发现小波自适应、MSR与本文算 坑区域更加不易从背景暗区域中被识别出；图中 法均增加了原图像亮度分量的信息熵；同态滤波 的（©）为同态滤波后的增强图，从对比实验中发现 和暗通道去雾算法并没有增加每幅图像的信息 对腐蚀原图像同态滤波后能很好的提升图像的整 嫡，甚至还出现了显著下降；在对图像信息熵有 体亮度，弥补了光照分布不均的缺陷，使得人眼 明显增加的3类算法中，MSR算法和本文算法的 能够很容易从图像中看出腐蚀斑点或腐蚀坑位 增加效果最为明显，其中，除了图3的熵值本文算 置，但不足之处是某些位置的暗细节被弱化了， 法低于MSR算法，图像1和图像2的熵值本文算 从而导致腐蚀坑等区域不被发现；图中的(d)为 法均高于MSR算法。从图9中可以看到图3的 MSR算法增强后图像，从图中可以看出增强后图 各算法效果增强图，MSR增强图虽然在细节凸显 像可以很好的将腐蚀缺陷细节显现出来，但是在 上高于本文算法，但色彩及纹理有失真，而本文 亮度改善上效果并不明显，而且在一些区域上出 算法既能凸显腐蚀细节又保证了腐蚀颜色特征的 现了色彩的失真；图中的（©）为暗通道去雾增强算 不失真。 法，去雾后的图像比较清晰，但很多腐蚀细节不 从表2中数据发现，在对腐蚀图像集应用本 能从背景中识别；图中的()即本文算法，从实验 文算法后得到的平均信息熵高于其它几种算法， 结果图发现本文算法在腐蚀细节显现、亮度改善 且本文算法的信息熵方差最小。因此，相较于其 及色彩保真上均优于上述几种算法。 它增强算法，本文算法增强效果的整体性与一致 表1为对图6所示的原图像亮度分量信息熵 性更好。 与采用不同增强算法后亮度分量的信息嫡。表2 根据腐蚀图像增强的实际应用要求，综合上 是在一个包含20幅腐蚀图像的数据集中计算图 述主客观分析可知，应用本文算法对金属腐蚀区 像信息嫡的均值与方差。嫡是衡量图像信息丰富 域图像进行增强可以得到较好的主观视觉效果， 程度的一个重要指标，嫡越大表示图像包含的信 同时还可以提高原图像的信息熵。 息量越多，信息越丰富则图像质量也越好232。 3结束语 因此，本文通过计算增强后亮度图像的信息熵来 对增强图像进行客观评价。 本文通过HSI模型提取金属腐蚀图像的亮度实验中，小波变换的基函数名称为 db1，参数 c0 取 1.0，L0 取 1.2；其中，c0 作为图像的对比度调 节因子，用来调节图像的细节分量；而 L0 为图像 的亮度因子，调节图像的亮度分量。在分块同态 滤波中，其中的参数 rH 取 1.2，rL 取 0.5；它们分别 用来调节图像的低频部分和高频部分；同态滤波 器的阶 数 n = 1 ，其中心截止频 率 D 0 =median (median(D))。 关于不同图像增强算法效果的评价，本文采 用人眼观察的主观评价和图像信息熵的客观评价 两种方式进行评价。主要包含两部分：1) 根据人 眼视觉主观感受去比较增强图像与原图像之间的 区别；2) 用度量图像信息量大小、图像细节丰富 程度的指标熵对图像增强效果进行客观评价。 首先，从图 7~9 中的 (a) 图发现，金属腐蚀区 域图像均出现原图整体亮度偏暗的问题，造成图 像中某些部分的腐蚀暗细节根本无法从背景中被 识别出来，从而直接影响被检区域的腐蚀程度检 测；图中的 (b) 为小波自适应增强算法后的结果 图，可以看出小波增强结果图相较于原图虽然对 腐蚀细节分量有很强的增强效果，但由于无法提 高腐蚀图像整体亮度，从而使得腐蚀斑点或腐蚀 坑区域更加不易从背景暗区域中被识别出；图中 的 (c) 为同态滤波后的增强图，从对比实验中发现 对腐蚀原图像同态滤波后能很好的提升图像的整 体亮度，弥补了光照分布不均的缺陷，使得人眼 能够很容易从图像中看出腐蚀斑点或腐蚀坑位 置，但不足之处是某些位置的暗细节被弱化了， 从而导致腐蚀坑等区域不被发现；图中的 (d) 为 MSR 算法增强后图像，从图中可以看出增强后图 像可以很好的将腐蚀缺陷细节显现出来，但是在 亮度改善上效果并不明显，而且在一些区域上出 现了色彩的失真；图中的 (e) 为暗通道去雾增强算 法，去雾后的图像比较清晰，但很多腐蚀细节不 能从背景中识别；图中的 (f) 即本文算法，从实验 结果图发现本文算法在腐蚀细节显现、亮度改善 及色彩保真上均优于上述几种算法。 表 1 为对图 6 所示的原图像亮度分量信息熵 与采用不同增强算法后亮度分量的信息熵。表 2 是在一个包含 20 幅腐蚀图像的数据集中计算图 像信息熵的均值与方差。熵是衡量图像信息丰富 程度的一个重要指标，熵越大表示图像包含的信 息量越多，信息越丰富则图像质量也越好[23-24]。 因此，本文通过计算增强后亮度图像的信息熵来 对增强图像进行客观评价。 表 1 各图像亮度分量的信息熵 Table 1 Entropy of intensity component in each image 增强方法 图像 1 图像 2 图像 3 原图像 5.668 9 6.015 2 5.765 2 小波自适应 5.897 9 6.364 5 6.109 6 同态滤波 5.854 5 5.863 7 5.751 5 MSR 6.329 6 6.620 8 6.742 9 暗通道去雾 5.448 5 6.197 1 6.052 6 本文算法 6.451 2 6.887 9 6.463 0 表 2 图像集的信息熵指标对比 Table 2 Entropy index comparison in image set 增强方法 信息熵均值 信息熵方差 原始图像 5.918 3 0.445 0 小波自适应 6.255 5 0.462 1 同态滤波 5.967 2 0.389 2 MSR 6.592 9 0.304 5 暗通道去雾 5.628 1 0.659 4 本文算法 6.665 9 0.299 5 从表 1 中数据发现，不同增强算法对腐蚀原 图像亮度分量信息熵的影响不一样。对表 1 的每 一列进行比较，发现小波自适应、MSR 与本文算 法均增加了原图像亮度分量的信息熵；同态滤波 和暗通道去雾算法并没有增加每幅图像的信息 熵，甚至还出现了显著下降；在对图像信息熵有 明显增加的 3 类算法中，MSR 算法和本文算法的 增加效果最为明显，其中，除了图 3 的熵值本文算 法低于 MSR 算法，图像 1 和图像 2 的熵值本文算 法均高于 MSR 算法。从图 9 中可以看到图 3 的 各算法效果增强图，MSR 增强图虽然在细节凸显 上高于本文算法，但色彩及纹理有失真，而本文 算法既能凸显腐蚀细节又保证了腐蚀颜色特征的 不失真。 从表 2 中数据发现，在对腐蚀图像集应用本 文算法后得到的平均信息熵高于其它几种算法， 且本文算法的信息熵方差最小。因此，相较于其 它增强算法，本文算法增强效果的整体性与一致 性更好。 根据腐蚀图像增强的实际应用要求，综合上 述主客观分析可知，应用本文算法对金属腐蚀区 域图像进行增强可以得到较好的主观视觉效果， 同时还可以提高原图像的信息熵。 3 结束语 本文通过 HSI 模型提取金属腐蚀图像的亮度 ·390· 智 能 系 统 学 报 第 14 卷