融合改进自校准照明的掘进工作面图像增强方法

李长鹏; 戴振宇; 马天兵; 史瑞; 苏国用; 俞延庆; 史苘桧; 田翠薇

doi:10.12404/j.issn.1671-1815.2506964

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (16) :6966-6977 DOI: 10.12404/j.issn.1671-1815.2506964

自动化技术、计算机技术

融合改进自校准照明的掘进工作面图像增强方法

李长鹏 ¹^,²^,³ ,
戴振宇 ¹ ,
马天兵 ¹^,³^,^* ,
史瑞 ¹ ,
苏国用 ¹^,³ ,
俞延庆 ¹ ,
史苘桧 ¹ ,
田翠薇 ¹

作者信息 +

Image Enhancement Method for Excavation Face by Integrating Improved Self-calibration Illumination

LI Chang-peng ¹^,²^,³ ,
DAI Zhen-yu ¹ ,
MA Tian-bing ¹^,³^,^* ,
SHI Rui ¹ ,
SU Guo-yong ¹^,³ ,
YU Yan-qing ¹ ,
SHI Qing-hui ¹ ,
TIAN Cui-wei ¹

Author information +

文章历史 +

摘要

煤矿井下掘进工作面因黑暗、粉尘多、光照不均,采集图像存在清晰度低、对比度低、细节丢失问题。传统图像增强方法未考虑该场景图像亮度不均情况;现有基于深度学习的图像处理方法,在该场景应用中则面临高质量图像数据稀缺的挑战。为此,提出一种融合改进自校准照明(self-calibrated illumination,SCI)的掘进工作面图像增强方法。该方法首先对采集的掘进工作面图像采用暗区动态调整,减少图像过曝、噪点放大及细节丢失等问题。同时将图像输入SCI模块,以自校准模块为核心,对图像进行照度估计,并采取自校准照明学习。然后结合LAB白平衡矫正环境光导致的色偏,通过亮度增益调整与自适应对比度增强解决局部亮度失衡与对比度不足的问题,同时保护高光和阴影细节,构造自适应伽马校正函数平衡光照分量,并设计自适应饱和度非线性矫正函数优化色彩,使图像更符合人类视觉感知。结果表明:对比5种常用图像增强算法,所提方法处理的煤矿井下掘进工作图像,在均值、平均梯度、标准差、信息熵、空间频率等评价指标上有着较好表现,平均提升21.41%、50.50%、56.96%、6.60%和44.05%;实验表明,该方法有效解决了此类图像清晰度低、可见度低、对比度低、细节丢失的问题。

Abstract

An environment characterised by darkness, pervasive dust, and uneven light distribution is presented in underground coal mining excavation workfaces. Captured images are frequently suffered from low clarity, poor contrast, and detail loss. Traditional image enhancement techniques fail to address uneven brightness conditions encountered in this specific scenario’s imagery. Existing deep learning-based image processing methods, when applied in this scenario, face the challenge of scarce high-quality image data. Meanwhile, existing deep learning-based methods face the challenge of scarce high-quality image data when applied to underground coal mine excavation workfaces. Therefore, an image enhancement approach for excavation workfaces that integrated an improved self-calibrated illumination (SCI) technique was proposed. Dynamic adjustment was applied to dark areas of the collected excavation face images. Issues such as overexposure, noise amplification, and detail loss were mitigated. Moreover, the captured images were input into the SCI module. A self-calibration module was employed at its core to estimate image illuminance. Furthermore, self-calibrating illumination learning was adopted. Then, the LAB colour space was used to correct colour casts induced by ambient light during white balance adjustment. Local brightness imbalances and insufficient contrast were improved through brightness gain adjustments and adaptive contrast enhancement, whilst highlight and shadow details were preserved. An adaptive gamma correction function was constructed to balance illumination components. Meanwhile, an adaptive saturation nonlinear correction function was designed to optimise colour, rendering images more aligned with human visual perception. Research results demonstrate that, when compared to five commonly used image enhancement algorithms, the underground coal mining excavation workface images processed using the proposed method exhibit favourable performance across evaluation metrics, including mean value, mean gradient, standard deviation, information entropy, and spatial frequency. These metrics show average improvements of 21.41%、50.50%、56.96%、6.60% and 44.05%, respectively. It is confirmed that the problems of low clarity, low visibility, poor contrast, and detail loss are effectively solved in such images.

Graphical abstract

关键词

图像增强 / 自校准照明(SCI) / 低照度 / LAB白平衡 / 伽马矫正

Key words

image enhancement / self-calibrated illumination(SCI) / low illumination / LAB white balance / gamma correction

引用本文

引用格式 ▾

李长鹏, 戴振宇, 马天兵, 史瑞, 苏国用, 俞延庆, 史苘桧, 田翠薇. 融合改进自校准照明的掘进工作面图像增强方法[J]. 科学技术与工程, 2026, 26(16): 6966-6977 DOI:10.12404/j.issn.1671-1815.2506964

LI Chang-peng, DAI Zhen-yu, MA Tian-bing, SHI Rui, SU Guo-yong, YU Yan-qing, SHI Qing-hui, TIAN Cui-wei. Image Enhancement Method for Excavation Face by Integrating Improved Self-calibration Illumination[J]. Science Technology and Engineering, 2026, 26(16): 6966-6977 DOI:10.12404/j.issn.1671-1815.2506964

登录浏览全文

4963

注册一个新账户忘记密码

随着煤矿智能化的发展,井下图像处理与人工智能在智能矿山建设中得到了广泛应用^[1]。这对于保障煤矿安全生产、提高开采效率具有至关重要的作用^[2]。由于煤矿井下掘进工作面环境黑暗,粉尘弥漫且光照分布不均,容易造成采集的图像存在清晰度低、对比度低和细节丢失的问题,对人员识别、定位、设备远程操控等造成影响。因此,开展掘进工作面图像增强处理,具有重要的现实意义和应用价值。

现阶段,煤矿井下图像增强技术主要分为两种:传统方法增强和深度学习方法增强。传统方法图像增强以空域和频域两类方法为主^[3]。其中基于空域图像增强的方法包括Retinex方法^[4-5]和直方图均衡化方法^[6-7]等。基于频率域的方法包括同态滤波法^[8]。其中Retinex方法应用最为广泛,学者们在此基础上提出了很多改进方法。户子睿等^[9]提出了基于残差和多尺度注意力机制的Retinex低光图像增强算法,解决了传统Retinex算法纹理不清晰、适用光线单一、噪声放大及颜色失真问题。李正龙等^[10]提出了基于含噪Retinex模型的方法,解决低光照图像因噪声影响导致的对比度低、细节模糊等问题。顾文娟等^[11]提出了基于双边滤波MSR(multi-scale Retinex)与AutoMSRCR(automated multi-scale retinex with color restoration)融合的算法,解决低光照图像质量差的问题。这些算法对图像增强都有显著的效果。直方图均衡化方法在煤矿井下图像增强方面也得到了广泛的运用。但直方图均衡化算法在对图像进行增强处理后,灰度级会因合并而减少,导致细节丢失^[12]。同态滤波存在参数调节复杂、依赖经验、通用性差等问题,可能丢失低频信息,高频细节增强能力有限,分量融合易导致色彩失真^[13]。

基于深度学习方法的图像增强方法,需要通过大量的低光照图像来进行学习,以提高图像的亮度、对比度以及清晰度等。田博文等^[14]提出了 uMDCEAD-NET算法,融合零参考深度曲线,解决低照度图像噪声多、亮度低、细节模糊问题。Zhang等^[15]借鉴Retinex-Net的网络结构与思路,在具体参数设置与模块细节上进行优化改进,提出了一种低光照下的图像增强方法。隋涛等^[16]提出了基于改进循环生成对抗网络的低照度图像增强算法,解决配对数据集获取困难、增强图像质量不佳及泛化性不足的问题。Jiang等^[17]提出了的无监督生成对抗网络EnlightenGAN用于解决低光图像增强问题,无需低光和正常光图像对进行训练。Fu等^[18]提出了基于生成对抗网络(generative adversarial network,GAN)的无监督低光图像增强网络(low-light enhancement GAN,LE-GAN),设计含空间与全局照明注意力分支的光照感知注意力模块,利用上下文及全局信息提升图像视觉质量。Fu等^[19]提出了无监督低照度图像增强方法 PairLIE(low-light image enhancement),其核心是从低照度图像对中学习自适应先验,并将 Retinex 理论融入网络设计,以确保图像对应的两个反射率成分保持一致。Guo等^[20]提出了Zero-DCE(zero-reference deep curve estimation)算法,核心在于利用深度可学习的曲线映射函数实现自适应图像亮度增强。Ma等^[21]提出的自校准照明(self-calibrated illumination,SCI)方法实现了暗光环境下图像增强的轻量化处理。目前,在无监督深度学习领域,SCI为极差光照下的图像增强提供了高效且灵活的解决方案^[22]。但该方法效果不稳定,特别是在照度不均的井下掘进工作面,容易造成局部特征不清晰及严重曝光等现象。

为此,提出一种基于融合改进自校准照明的掘进工作面图像增强方法。该方法首先将采集的掘进工作面图像进行明暗区域分割,判断暗区域在图像中的占比,对自校准模块进行动态调整,以更好地提升不同图像的亮度值;再将图像通过SCI模块处理,以自校准模块为核心,对图像开展照度估计,进行自校准照明学习;然后,引入LAB白平衡图像处理技术(L通道代表亮度,A通道和B通道分别代表从绿色到红色、从蓝色到黄色的色彩信息),防止图像发生色偏;提出亮度增益调整和自适应对比度增强,保护图像细节信息;设计自适应伽马校正函数强化光照区域对比度,达成照度均衡效果;最后,建立自适应饱和度非线性矫正函数,提升图像色彩丰富度,使图片更适合人类的视觉感官系统。所提出的方法有效改善了矿井复杂环境下的图像质量,对提升煤矿环境感知能力与人员识别精度等方面具有重要的理论参考和工程实践意义。

1 SCI网络结构

SCI网络结构以级联学习与自校准机制为核心,通过轻量化设计实现高效低光图像增强。其网络结构图,如图1所示。

SCI图像增强算法以自校准模块为核心,以Retinex理论为基础,将弱光图像分解为反射率与光照分量,通过多阶段级联学习与自校准机制实现高效增强。算法采用3层3×3卷积层构成的权重共享网络,按照式(1)的迭代逻辑。

(1)$ F\left(x^{t}\right):\left\{\begin{array}{l}u^{t}=H_{\theta}\left(x^{t}\right), \quad x^{0}=y \\x^{t+1}=x^{t}+u^{t}\end{array}\right.$

式(1)中:x^t为第t阶段的光照图;u^t为残差项;H_θ为共享权重的网络模块;y为输入的低光照图像;x⁰=y为初始状态为原始图像。

引入自校准模块强化动态调节能力,如式(2)所示,通过残差映射函数生成残差项,借助残差连接在保留原始图像信息的同时注入增强特征,确保各阶段结果收敛于合理光照分布,实现像素级自适应校正。

(2)$ G\left(x^{t}\right):\left\{\begin{array}{l}z^{t}=y \oslash x^{t} \\s^{t}=K_{\vartheta}\left(z^{t}\right) \\v^{t}=y+s^{t}\end{array}\right.$

式(2)中:G(x^t)表示对第t步光照图进行迭代优化;$ \oslash$表示将y和x^t融合成z^t;z^t为第t次迭代时的反射分量;K_ϑ为残差映射函数(如卷积神经网络);s^t为输出的残差项;v^t为最终增强结果,通过残差连接保留原始信息的同时注入增强后的特征。

光照优化单元按式(3)重构,持续整合前序信息迭代优化,进一步贴合自校准照明对局部光照特征的精准响应。

(3)$ F\left(x^{t}\right)=F\left[G\left(x^{t}\right)\right]$

式(3)中:F为对输入图像进行细节增强与特征提取的自校准网络。

训练阶段引入无监督训练损失,采用双损失函数约束模型,其中总损失函数为

(4)$ L_{\mathrm{t}}=\alpha L_{\mathrm{f}}+\beta L_{\mathrm{s}}$

式(4)中:α为监督损失权重系数;β为无监督损失权重系数;L_f为保真度;L_s为平滑损失,其计算公式分别为

(5)$ \left\{\begin{array}{l}L_{\mathrm{f}}=\sum_{t=1}^{T}\left\|x_{t}-\left(y+s^{t-1}\right)\right\| \\L_{\mathrm{s}}=\sum_{i=1}^{N} \sum_{j \in N(i)} w_{i, j}\left|X_{i}^{t}-X_{j}^{t}\right|\end{array}\right.$

式(5)中:s^t-¹为第t-1次迭代生成的残差项;T为总迭代次数;${X}_{i}^{t}$为第t次迭代时,像素i的光照值;${X}_{j}^{t}$为第t次迭代时,像素j的光照值;N(i)为像素i的邻域; w_i_,_j为权重。

2 图像增强方法

2.1 改进SCI图像增强模块

煤矿井下掘进工作面采集的图像存在清晰度低、可见度低、对比度低和细节丢失的问题,难以有效观察工作面信息。在对掘进工作环境图像增强过程中,由于不同图像的暗区分布差异大,有可能会造成图像过曝、噪点放大或细节丢失等问题。为避免破坏图像原有明暗层次,对暗区比例动态调整的方法进行改进。通过分析图像暗区的占比,让增强强度与图像本身的光照缺陷相匹配,实现暗区细节可见、亮区不过曝、整体自然协调的增强效果。这比固定参数的增强方法更具普适性,可处理多样化的低光场景。

首先,将原采集图像f(x,y)的RGB图像转换为灰度图像G(x, y),用于后续暗区比例计算,如式(6)所示。

(6)$ \begin{aligned}G(x, y)= & 0.299 I^{\mathrm{R}}(x, y)+0.587 I^{\mathrm{G}}(x, y)+ \\& 0.114 I^{\mathrm{B}}(x, y)\end{aligned}$

式(6)中:I^R、I^G、I^B分别为输入图像的红、绿、蓝通道像素;G(x,y)为对应位置的灰度值。

图2所示为明暗区分割图像与原图的对比。可以看出,图像的明暗区域的划分,暗区域在图中占有较大比例。

统计灰度值低于阈值的像素占比,量化图像的暗区程度。

(7)$ r_{\mathrm{d}}=\frac{\sum_{x=1}^{H} \sum_{y=1}^{W} I\left[G(X, Y)<T_{\mathrm{d}}\right]}{H W}$

式(7)中:T_d为暗区判断阈值,默认为0.2;I[G(X,Y)<T_d]为指示函数,条件为真时取1,否则取0;HW为图像的总像素数;r_d∈[0,1]为暗区比例。

得到暗区比例自适应调整增强因子(γ)的计算公式为

(8)$ \gamma=\left\{\begin{array}{ll}1.5 \gamma_{0}, & r_{\mathrm{d}}>0.6 \\1.2 \gamma_{0}, & r_{\mathrm{d}}<0.3 \\\gamma_{0}, & 0.3 \leqslant r_{\mathrm{d}} \leqslant 0.6\end{array}\right.$

式(8)中:γ₀为默认系数,通常取1。

同时,原采集图像f(x,y)经过SCI模块初步增强得到图像f_s,可表示为

(9)$ f_{\mathrm{s}}=R L$

式(9)中:L为光照图;R为反射率,其计算公式为

(10)$ R=\frac{f_{\mathrm{s}}}{L+\varepsilon}$

式(10)中:ε=10^-6,避免分母为0。

再将γ作用在经过SCI图像增强模块后输出图像的光照图L上,得到优化后的光照图L',可表示为

(11)$ L^{\prime}=L \gamma$

因此,可以得到优化后的增强图像f_e,可表示为

(12)$ f_{\mathrm{e}}=R L^{\prime}$

增强图像f_e暗区细节被有效提亮,但是煤矿井下掘进工作面图像的色偏源于特殊环境干扰:一是井下防爆灯多为暖黄色光源,易导致图像整体偏黄;二是设备外壳(如红色液压支架、蓝色管道)的反射光,易引发局部色偏;三是粉尘散射会降低色彩饱和度,进一步加剧色偏对细节识别的干扰。为此,引用LAB白平衡^[23]图像处理技术对增强图像f_e进行优化,选用LAB空间进行白平衡,而非RGB、HSV等其他色彩校正策略,核心逻辑在于其特性与煤矿井下图像色偏治理需求的高度匹配。

首先将增强图像f_e,转换到LAB颜色空间(L通道代表亮度,A通道和B通道分别代表从绿色到红色、从蓝色到黄色的色彩信息)。计算A、B通道的均值,判断是否偏离中性值(128),确定色偏方向和程度。计算当前A、B通道的均值与128的偏差,计算公式为

(13)$ \left\{\begin{array}{l}\Delta a=A_{\text {mean }}-128 \\\Delta b=B_{\text {mean }}-128\end{array}\right.$

式(13)中:A_mean为A通道所有像素的平均值(绿—红通道);B_mean为B通道所有像素的平均值(蓝—黄通道);Δa为色差中的红绿分量差值,当Δa>0时表示偏红,Δa<0时表示偏绿;Δb为色差中的黄蓝分量差值,Δb>0时表示偏黄,Δb<0时表示偏蓝。

然后对色彩进行纠偏,对 A、B 通道进行偏移补偿,A、B 通道的每个像素减去偏移量,消除色偏,使中性色恢复真实。

(14)$ \left\{\begin{array}{l}A_{\mathrm{c}}(i, j)=A(i, j)-\Delta a \\B_{\mathrm{c}}(i, j)=B(i, j)-\Delta b\end{array}\right.$

式(14)中:A_c(i, j)为校正后的 A 通道像素值;B_c(i, j)为校正后的 B 通道像素值;A(i, j)为校正前的原始 A 通道像素值;B(i, j)为校正前的原始 B 通道像素值。

为避免像素值溢出(超出 0~255 范围),通常会进行截断处理,即

(15)$ \left\{\begin{array}{l}A_{\mathrm{c}}=\max \left[0, \min \left(A_{\mathrm{c}}, 255\right)\right] \\B_{\mathrm{c}}=\max \left[0, \min \left(B_{\mathrm{c}}, 255\right)\right]\end{array}\right.$

最后,将校正后的LAB空间转换回RGB图像,得到图像g(x,y),完成白平衡。其流程如图3所示。图4为经过改进SCI图像增强模块处理的图片与原图的对比。由图4可知,处理后的图像亮度更亮,图像细节得到提升。

2.2 亮度增益调整和自适应对比度拉伸

上述改进的SCI图像增强模块聚焦于低光图像的整体光照校正,LAB白平衡解决色偏问题,但仍难以解决局部亮度失衡对比度不足的问题。

为此对增强图像进行亮度均值补偿操作。将RGB色彩空间转换为HSV色彩空间,计算增强图像g(x,y)亮度分量V的全局均值μ_g,μ为图像每个像素块的亮度均值,对均值归一化处理,得到亮度补偿因子δ,可表示为

(16)$\delta=\frac{\mu}{\mu_{g}}$

将亮度补偿因子δ与g(x,y)相乘,得到亮度补偿后的图像g'(x,y),即

(17)$g^{\prime}(x, y)=g(x, y) \delta$

经过改进SCI图像增强模块对图像处理后,亮度值若局限于狭窄区间,图像将整体显得灰暗。为此对对比度进行拉伸。但固定对比度拉伸可能导致高光过曝,暗区欠曝的现象。因此采用一种自适应对比度拉伸方法,通过统计像素分布,确定实际有效动态范围,避免受极端离群值影响,保护高光和阴影细节。

(18)$V_{\mathrm{R}}(x, y)=\frac{g^{\prime}(x, y)-P_{1}}{P_{99}-P_{1}}$

式(18)中:V_R(x, y)为自适应对比度拉伸后的亮度像素值;P₁为亮度分量的1%分位数;P₉₉为亮度分量的99%分位数。

2.3 自适应伽马校正

亮度增益调整和自适应对比度增强,仅能解决动态范围不足、细节模糊的问题,无法优化亮度的非线性分布,并且有可能放大局部过亮或过暗的问题。伽马校正^[24]作为一种经典的非线性图像增强方法,通过可调参数λ对图像像素值进行非线性调整,从而有效优化图像整体亮度。伽马校正的局限性在于其调整过程仅依赖于单一参数λ,煤矿井下图像的亮度分布具有显著的非线性、极端不均衡特征:一是局部强光(如掘进机照明灯、设备反光)与大范围黑暗区域(如未照明的巷道深处)共存,光暗对比激烈;二是粉尘散射导致亮度随距离呈指数衰减,形成近亮远暗的梯度分布。当图像的光暗分布不均时,该单一参数调节方式易引发过度增强现象,损害图像的自然视觉效果,缺乏对图像亮度分布的自适应能力。因此,引入一种自适应伽马校正方法,在保留对比度增强效果的基础上,进一步优化图像的亮度分布,抑制高光过曝,提升暗部细节,提高图片的舒适度。自适应伽马校正公式为

(19)$\lambda=1-\theta \mu_{\mathrm{C}}$

(20)$V_{\mathrm{G}}(x, y)=V_{\mathrm{C}}(x, y)^{\lambda}$

式中:θ为亮度调节因子,取值为[0,1],较大会使伽马校正更偏向于增强整体亮度,但可能削弱对局部亮度分布的自适应调整能力,较小的θ使细节减少,因此设定θ=0.5,在亮度增强的同时可以保留更多细节;μ_C为经过亮度增益调整和自适应对比度拉伸过后图片的全局亮度均值;V_C(x,y)为经过亮度增益调整和自适应对比度拉伸处理过后图片的亮度;V_G(x,y)为经过自适应伽马校正的最终图像亮度标量。

2.4 自适应饱和度非线性矫正

饱和度增强能够提升图像的色彩强度,使处理后图像色彩更加符合人眼视觉特性。常见方法有线性拉伸、直方图均衡等,但此类方法可能引发图像失真问题。因此,提出一种自适应饱和度非线性矫正策略。通过提取S通道,对通道进行非线性矫正,具体如式(21)和式(22)所示。

(21)$\alpha=\min \left(\frac{S_{\mathrm{o}}}{S_{\mathrm{m}}}, 1.5\right)$

(22)$S^{\prime}(x, y)=\min [S(x, y) \alpha, 1]$

式中:α为饱和度矫正因子;1.5为α最大调整系数;S_o为目标饱和度均值,取0.6;S_m为原图饱和度均值;S'(x,y)为增强后的饱和度分量。

2.5 整体流程

为此,针对煤矿井下掘进工作环境采集图像存在照度不均、细节丢失及对比度低等问题,同时现有增强算法易引发颜色失真、光晕伪影等缺陷。所提出的增强方法具体步骤如下。

步骤1 对低光照图像进行明暗区域分割,计算暗区域在整幅图像中的占比(r_d),根据暗区动态调整因子γ。

步骤2 将图像输入SCI模块,该模块以自校准模块为核心,首先对图片的照度估计,再通过自校准照明学习动态优化校正,其中自校准照明学习为权重共享的照明学习,分成多阶段逐渐优化,得到增强图像f_s。再将γ作用在图像f_s的光照图L,得到增强图像f_e。

步骤3 再对图像f_e进行LAB白平衡处理,得到增强图像g(x,y)。

步骤4 将增强图像g(x,y)由RGB色彩空间转换为HSV色彩空间,分离出色调(H)、饱和度(S)和亮度(V)分量,提取V通道,再进行亮度增益调整得到图像g'(x,y),最后采用自适应对比度拉伸技术,对增强后的亮度分量实施校正,得到增强后的亮度分量V_R(x,y)。

步骤5 构建自适应伽马校正函数增强V_C(x,y),得到增强亮度分量V_G(x,y)。

步骤6 设计饱和度修正函数矫正饱和度分量S(x,y),得到增强后的饱和度分量S'(x,y)。然后融合V_G(x,y)、S'(x,y)和色调分量H,并将融合后的HSV色彩空间转换回RGB色彩空间,得到最终煤矿井下增强图像f'(x,y)。

本文方法的具体流程如图5所示。图6为经过上述图像后处理的最终增强图像与原图像的对比图。由对比图像可知,最终增强图像的亮度更亮,图片清晰度以及暗区细节得到很大的提升,图像饱和度更丰富。

3 实验结果与分析

实验数据集来源安徽省阜阳市口孜东矿井下西翼掘进工作面。口孜东矿始建于2007年,矿井资源储量达7.3亿t,可开采100年以上。口孜东矿作为安徽省开采最深的矿井,在两淮矿区乃至全国深井矿区建设中都具有代表性^[25]。西翼作为口孜东煤矿重要的开采区,已进入深部开采阶段。该区域煤层地质条件复杂、开采环境恶劣、灾害问题突出,在全国具有典型性。因此,对西翼掘进工作面进行实时监控,开展图像增强处理,具有重要的现实意义和应用价值。

实验采用VIVO Y3隔爆相机进行拍摄,涵盖掘进作业面、巷道等多个场景。最终,采集得到120张掘进工作面图像。为了验证本文算法的可行性,以井下掘进工作面、掘进工作环境以及掘进巷道机器工作场景为分析对象,开展图像增强研究。其中,部分采集图像如图7所示。实验硬件平台采用Intel(R) Core(TM) i7-10875H CPU,主频2.30 GHz,GPU NVIDIA GeForce GTX 1650,内存16 G、Windows 11操作系统。采用Python语言编写算法代码,其中SCI图像增强方法是基于PyTorch框架实现的。通过主观评价和客观评价指标对本文算法和其他5种对比算法在3种不同场景下的增强效果进行比较。5种对比算法分别为:保持图像自然性的增强算法(naturalness preserved enhancement, NPE)^[26]和对比受限直方图均衡化算法(contrast limited adaptive histogram equalization, CLAHE)^[27]、自适应光照估计SCI图像增强技术、零参考深度曲线估计Zero-DCE低光照增强算法和基于无监督学习的EnlightenGAN算法。

3.1 主观评价

主观评价是一种基于人类感知的图像质量评估方法,其核心在于通过观察者的主观感受来衡量图像的视觉效果是否符合预期标准。这种方法直接反映了人类视觉系统对图像质量的真实感受,因此在多媒体处理、图像工程和视觉等领域有着不可替代的重要价值。

选取3种场景进行实验验证,其中,场景一为井下巷道作业环境图像,场景二为掘进工作环境图像,场景三为掘进巷道机器工作场景图像。结果如图8所示。通过对比实验可以看出,本文算法和其他算法都能在一定程度上提升图像的清晰度、亮度和暗区细节。NPE算法对图像有一定的增强效果,但是对亮度的提升不够明显,色彩丰富度不够,且暗区模糊部分细节丢失,在场景一中尤为明显。CLAHE算法虽然在图像增强上有一定效果,但是增强的图像,暗区细节提升不够,且在场景一和场景二方面暗区出现明显发黑现象,亮度提升不够明显。SCI算法在清晰度和亮度提升、暗区细节增强以及图像颜色色彩方面都有着不错的表现,但在场景一和场景二中可以看出,暗区细节和清晰度提升不够明显。Zero-DCE算法能有效地提升图像的亮度,但图像整体画质比较模糊,出现了光晕伪影现象,尤其在场景一和场景三中问题尤为严重。在场景二中可以看出,图像色彩出现了一定的偏差,图像整体泛红,影响视觉感官。EnlightenGAN算法在几种对比算法中表现优异,无论是在亮度,暗区细节提升图像清晰度以及色彩方面都有着优异的表现。但在场景二中可以看出,图像仍存在轻微泛红色偏。在场景一中,对图像色彩有着过度的提升,颜色失真。相比较原图以及其他5种对比算法,本文算法在场景一、场景二和场景三中没有出现颜色失真和光晕伪影现象。同时在图像整体亮度和清晰度得到了明显的提升,在暗区细节上有所增强,并且图像的色彩丰富度上有着不错的表现,使得图像细节信息更加丰富。

3.2 客观评价

使用常见的均值、平均梯度、标准差、信息熵和空间频率5个评价标准对本文算法和5种对比算法进行评价,结果如表1所示。其中均值反映了图像的明亮程度,均值越大,说明图像的亮度越高;平均梯度体现了图像的清晰度和纹理变化,平均梯度越大,说明图像的细节信息越丰富、清晰度越高;标准差反映像素亮度的离散程度,数值越大,通常表明图像对比度越高;信息熵是一种衡量图像所含信息量的评价指标,信息熵越大,表示图像所包含的信息越丰富;空间频率代表图像的像素灰度在空间中变化的情况,空间频率数值越大说明质量越好。

由表1可知,在场景一中,本文算法的平均梯度、标准差、信息熵和空间频率均最优,与原图相比分别提升233.01%、129.46%、26.83% 和129.09%。相比较于其他5种对比算法,分别平均提高了55.69%、66.59%、8.01%和49.19%。而均值取得了第二的表现,相比较原图有了很大的提升,为190.99%。相比较于其他5种算法,平均提高了21.56%。在场景二中,标准差和空间频率取得了最优值,而平均梯度和信息熵取得了次优值的表现。相比较于原图,分别提高了94.70%和76.90%,以及214.89%和23.65%。相比较于其他5种对比算法,分别平均提高了47.74%和34.40%,以及44.73%和4.87%。均值也有着不错的表现,相对于原图有了较大的提升,提高了180.02%。在场景三中,本文算法在均值,平均梯度、标准差、信息熵和空间频率上都取得了最优的表现。相比较于原图,分别提高了181.26%、187.46%、126.74%、18.25%和137.06%。相比较于其他5种对比算法,分别平均提高了28.68%、51.09%、56.55%、6.91%和48.56%。

3.3 综合分析

通过表1进行可视化对比,得到的结果如图9所示。综合3种场景分析,本文算法相比较于原图和其他5种对比算法,均值和空间频率总体有着不错的提升,说明了经过本文算法增强后的图像的亮度更高,质量更好。平均梯度同样有着很好的表现,说明增强后的图像细节信息更多,清晰度更高。标准差表现优异,说明增强后的图像对比度高,质量更好。信息熵也有着不错的表现,证明增强后的图像融合效果较好。均值、平均梯度、标准差、信息熵和空间频率相对于5种对比算法平均提高了21.41%、50.50%、56.96%、6.60%和44.05%。

3.4 消融实验

为了达到更好的图像增强效果,本文算法运用了三个必要的步骤,分别是暗区动态调整、LAB白平衡和图像后处理。为了验证每一个步骤的必要性,进行了消融实验。具体内容包括:仅对某一项步骤进行处理,其他两个步骤不处理,以及对某一个步骤不进行处理,其他两个步骤按照所提算法进行处理。以场景三为例进行实验,得到每个场景的5个评价标准指标,与本文算法进行对比,结果如表2所示。消融实验可视化对比图,如图10所示。

由表2可知,仅进行暗区动态调整操作,未取得最优值与次优值;仅进行LAB白平衡处理,未取得最优值与次优值;仅进行图像后处理,未取得最优值与次优值;不采用图像后处理,未取得最优值与次优值。不采用LAB白平衡,均值指标取得最优值,平均梯度、标准差、信息熵和空间频率取得次优值;不采取暗区动态调整,未取得最优值与次优值。同时执行暗区动态调整、LAB白平衡处理、图像后处理三个步骤,平均梯度、标准差、信息熵和空间频率取得最优值,均值差取得次优值。

后处理中的亮度增益与对比度拉伸为自适应伽马校正提供均衡亮度基底,伽马参数随亮度均值动态调整,无过曝欠曝,这些步骤不干扰饱和度通道,饱和度矫正有双重约束,可以防止过饱和。客观指标与消融实验均证明多步骤协同提升质量,无负增益。

综上所述,各项评价标准对图像增强均有积极意义,因此三个步骤缺一不可。

3.5 泛化实验

为了验证本文算法的泛化能力,在LOL低光照图像数据集中选取三种经典场景图片,展开了对比实验。实验结果,如图11和表3所示。

由图11可知,本文算法在三种场景中,与原图比较,图像亮度有所提升,色彩丰富度更饱和,暗区细节明显增强。由表3可知,三种场景的本文算法,相比较于原图,在均值、平均梯度、标准差、信息熵和空间频率上都有着明显的提升。场景一分别提高了48.683 2、4.712 0、40.549 7、1.555 1和10.534 2;场景二分别提高了37.699 1、4.067 3、24.783 9、1.472 2和7.844 0;场景三分别提高了20.275 3、4.654 0、21.105 7、1.625 3和12.554 3。可知,本文算法相对于LOL数据集,达到了图像增强的效果,并在各项数据方面保持着较高的提升。验证了本文算法具有良好的泛化能力。

4 结论

(1)针对井下掘进环境黑暗、开采粉尘和光照不均的影响,容易造成采集图像的清晰度低、细节丢失和对比度低的问题,提出一种融合改进自校准照明的煤矿井下掘进工作环境图像增强方法。

(2)该方法首先将RGB图转灰度图统计暗区像素占比,生成自适应增强因子动态匹配增强强度,规避固定参数缺陷,减少过曝、噪点与细节丢失;再改进自校准照明模块,构建暗区评估-SCI照度估计-光照图优化协同流程,轻量化前提下优化光照分量,解决原始SCI适配性问题;随后通过LAB白平衡技术量化A/B通道偏差并自适应补偿,校正SCI增强后的色偏;最后经HSV空间亮度增益、自适应对比度增强及伽马校正优化照度均衡,结合饱和度非线性矫正,实现局部亮度平衡与细节保护。

(3)实验结果表明,该图像增强方法在处理煤矿井下掘进工作环境图像方面具有显著效果,能够有效提升图像对比度,减少局部过曝现象,图像细节增强,防止光晕效应及边缘模糊的产生,从而提高井下掘进工作环境视觉信息的清晰度与可靠性。本文算法不仅对煤矿井下环境作用,对其他黑暗低光照环境同样有着图像增强效果,表明其有良好的适用性和广泛应用能力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	王国法, 张良, 李首滨, 等. 煤矿无人化智能开采系统理论与技术研发进展[J]. 煤炭学报, 2023, 48(1): 34-53.

[2]	Wang Guofa, Zhang Liang, Li Shoubin, et al. Progresses in theory and technological development of unmanned smart mining system[J]. Journal of China Coal Society, 2023, 48(1): 34-53.

[3]	程德强, 钱建生, 郭星歌, 等. 煤矿安全生产视频AI识别关键技术研究综述[J]. 煤炭科学技术, 2023, 51(2): 349-365.

[4]	Cheng Deqiang, Qian Jiansheng, Guo Xingge, et al. Review on key technologies of AI recognition for videosin coal mine[J]. Coal Science and Technology, 2023, 51(2): 349-365.

[5]	智宁, 毛善君, 李梅. 基于照度调整的矿井非均匀照度视频图像增强算法[J]. 煤炭学报, 2017, 42(8): 2190-2197.

[6]	Zhi Ning, Mao Shanjun, Li Mei. Enhancement algorithm based on illumination adjustment for non-uniform illuminance video images in coal mine[J]. Journal of China Coal Society, 2017, 42(8): 2190-2197.

[7]	林森, 周天飞. 双透射率成像模型与Retinex融合的水下图像清晰化[J]. 科学技术与工程, 2021, 21(18): 7627-7634.

[8]	Lin Sen, Zhou Tianfei. Underwater image clarity based on the fusion of dual-transmittance imaging model and Retinex[J]. Science Technology and Engineering, 2021, 21(18): 7627-7634.

[9]	Yu Z, Sun B Y, Liu D, et al. STRASS dehazing: spatiotemporal Retinex-inspired dehazing by an averaging of stochastic samples[J]. Journal of Renewable Materials, 2022, 10(5): 1381-1395.

[10]	张发军, 彭文刚, 虞成俊, 等. 对比度受限下直方图均衡化处理的木板纹路图像增强算法[J]. 科学技术与工程, 2020, 20(21): 8629-8636.

[11]	Zhang Fajun, Peng Wengang, Yu Chengjun, et al. Image enhancement algorithm for wood grain image under contrast limited histogram equalization[J]. Science Technology and Engineering, 2020, 20(21): 8629-8636.

[12]	寇旗旗, 张恒, 吴泉霖, 等. 矿井低照度环境下图像增强方法研究综述与展望[J]. 煤炭科学技术, 2025, 53(11): 82-100.

[13]	Kou Qiqi, Zhang Heng, Wu Quanlin, et al. Review and prospect of image enhancement methods in low illumination environment of coal mine[J]. Coal Science and Technology, 2025, 53(11): 82-100.

[14]	龚云, 颉昕宇. 基于同态滤波方法的煤矿井下图像增强技术研究[J]. 煤炭科学技术, 2023, 51(3): 241-250.

[15]	Gong Yun, Jie Xinyu. Research on coal mine underground image enhancement technology based on homomorphic filtering method[J]. Coal Science and Technology, 2023, 51(3): 241250.

[16]	户子睿, 丁建伟, 田博文. 基于残差和多尺度注意力机制的Retinex 低光图像增强算法[ J]. 科学技术与工程, 2024, 24(35): 15118-15125.

[17]	Hu Zirui, Ding Jianwei, Tian Bowen. Retinex low-light image enhancement algorithm based on residual and multi-scale attention mechanism[J]. Science Technology and Engineering, 2024, 24(35): 15118-15125.

[18]	李正龙, 王宏伟, 曹文艳, 等. 基于含噪Retinex模型的煤矿低光照图像增强方法[J]. 工矿自动化, 2023, 49(4): 70-77.

[19]	Li Zhenglong, Wang Hongwei, Cao Wenyan, et al. A method forenhancinglow light images in coal mines based on Retinex model containing noise[J]. Journal of Mine Automation, 2023, 49(4): 70-77.

[20]	顾文娟, 丁灿, 魏金, 等. 基于双边滤波MSR与AutoMSRCR融合的低光照图像增强[J]. 光学精密工程, 2023, 31(24): 3606-3617.

[21]	Gu Wenjuan, Ding Can, Wei Jin, et al. Low-light image enhancement based on bilateral filtering MSR and AutoMSRCR fusion[J]. Optical Precision Engineering, 2023, 31(24): 3606-3617.

[22]	王媛彬, 何东阳, 樊红卫, 等. 基于多尺度快速双边滤波和小波变换的矿井图像增强算法[J]. 煤炭科学技术, 2025, 53(10): 237-250.

[23]	Wang Yuanbin, He Dongyang, Fan Hongwei, et al. Mine image enhancement algorithm based on multi-scale fast bilateral filtering and wavelet transform[J]. Coal Science and Technology, 2025, 53(10): 237-250.

[24]	张雅荔, 丁少博, 李昌禄, 等. 基于同态频分聚合的低照度图像增强算法[J]. 激光与光电子学进展, 2023, 60(14): 93-102.

[25]	Zhang Yali, Ding Shaobo, Li Changlu, et al. Low-light imageenhancement algorithm based on homomorphic frequency division aggregation[J]. Laser & Optoelectronics Progress, 2023, 60(14): 93-102.

[26]	田博文, 丁建伟, 户子睿. 融合零参考深度曲线的低照度图像增强与去噪算法[J]. 科学技术与工程, 2025, 25(2): 704-712.

[27]	Tian Bowen, Ding Jianwei, Hu Zirui. Low illumination image enhancement and denoising algorithm based on zero reference depth curve[J]. Science Technology and Engineering, 2025, 25(2): 704-712.

[28]	Zhang Y H, Zhang J W, GUO X J. Kindling the darkness: a practical low-light image enhancer[C]// Proceedings of the 27th ACM International Conference on Multimedia. New York: ACM, 2019: 1632-1640.

[29]	隋涛, 吴森炜, 贾浩, 等. 基于改进循环生成对抗网络的低照度图像增强[J]. 科学技术与工程, 2024, 24(14): 5911-5919.

[30]	Sui Tao, Wu Senwei, Jia Hao, et al. Low-light image enhancement based on improved cycle generative adversarial network[J]. Science Technology and Engineering, 2024, 24(14): 5911-5919.

[31]	Jiang Y F, Gong X Y, Liu D, et al. EnlightenGAN: deep light enhancement without paired supervision[J]. IEEE Transactions on Image Processing, 2021, 30: 2340-2349.

[32]	Fu Y, Hong Y, Chen L W, et al. LE-GAN: unsupervised low-light image enhancement network using attention module and identity invariant loss[J]. Knowledge-Based Systems, 2022, 240: 108010.

[33]	Fu Z Q, Yang Y, Tu X T, et al. Learning a simple low-light image enhancer from paired low-light instances[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver: IEEE, 2023: 22252-22261.

[34]	Guo C L, Li C Y, Guo J C, et al. Zero-reference deep curve estimation for low-light image enhancement[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2020: 1780-1789.

[35]	Ma L, Ma T B, Liu R, et al, Toward fast, flexible, and robust low-light image enhancement[C]// IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2022: 5627-5636.

[36]	刘小庆, 黄福珍. 双光照估计自校准照明学习[J]. 激光与光电子学进展, 2026, 63(4): 486-493.

[37]	Liu Xiaoqing, Huang Fuzhen. Dual-illumination estimation self-calibrated illumination learning[J]. Progress in Laser and Optoelectronics, 2026, 63(4): 486-493.

[38]	何昱, 彭伟. 基于HLS的自动白平衡算法实现[J]. 计算技术与自动化, 2025, 44(1): 25-28.

[39]	He Yu, Peng Wei. Implementation of automatic white balance algorithm based on HLS[J]. Computing Technology and Automation, 2025, 44(1): 25-28.

[40]	张旭辉, 解彦彬, 杨文娟, 等. 煤矿井下采掘工作场景非均质图像去雾与增强技术[J]. 煤田地质与勘探, 2025, 53(1): 245-256.

[41]	Zhang Xuhui, Xie Yanbin, Yang Wenjuan, et al. Nonho-mogeneous image defogging and enhancement technology for underground mining work scenes in coal mines[J]. Coal Geology & Exploration, 2025, 53(1): 245-256.

[42]	王建锋. 厚表土层千米埋深口孜东矿井开拓设计研究[J]. 煤炭工程, 2020, 52(7): 28-31.

[43]	Wang Jianfeng. Research on development design of Kouzidong mine with buried depth of 1 000 m in thick topsoil[J]. Coal Engineering, 2020, 52(7): 28-31.

[44]	Wang S H, Jin Z, Bo L, et al. Naturalness preserved enhancement algorithm for non-uniform illumination images[J]. IEEE Transactions on Image Processing, 2013, 22(9): 3538-3548.

[45]	Huang L D, Zhao W, Wang J, et al. Combination of contrast limited adaptive histogram equalisation and discrete wavelet transform for image enhancement[J]. IET Image Processing, 2015, 9(10): 908-915.

基金资助

安徽理工大学引进人才科研启动基金(2022yjrc63)

安徽省高校自然科学研究重点项目(2023AH051196)

国家自然科学基金联合基金重点支持项目(U25B20135)

国家自然科学基金(52574189)

国家自然科学基金(52304166)

深部煤矿采动响应与灾害防控国家重点实验室开放基金(SKLMRDPC22KF26)

安徽省智能矿山技术与装备工程实验室开放基金(AIMTEEL202202)

安徽理工大学研究生创新基金(2025cx2143)

PDF (37580KB)

访问

被引

详细

导航

Received	Published	Revised
2025-09-29	2026-06-08	2025-12-18
Online Date
2026-08-07

摘要