一种煤矿井下视频图像增强算法
改进Retinex-Net的露天矿低质图像增强算法
改进Retinex-Net的露天矿低质图像增强算法
孟保威;陈曦
【期刊名称】《金属矿山》
【年(卷),期】2024()3
【摘要】露天矿低质图像增强是无人驾驶宽体车感知系统的重要环节,单目相机获取的图像易受到矿区粉尘、雨雪雾、剧烈震动等多种因素影响。
针对传统图像增强算法在处理露天矿图像时存在噪声大、图像颜色失真等问题,提出了改进Retinex-Net算法对露天煤矿图像进行增强。
使用循环对抗生成网络和双通道残差网络来改进增强和去噪部分。
循环对抗生成网络通过学习低光照图像和正常光照图像之间的映射关系,生成更自然和真实的增强结果。
双通道残差网络通过同时处理亮度和色度信息,有效去除低光照图像中的噪声和伪影。
试验结果表明:该方法在客观和主观评价指标上均优于现有方法。
所提改进Retinex-Net算法为解决露天矿图像质量问题提供了一种有效方案。
【总页数】8页(P221-228)
【作者】孟保威;陈曦
【作者单位】国网能源哈密煤电有限公司大南湖二矿
【正文语种】中文
【中图分类】TD67;TP391
【相关文献】
1.改进Retinex-Net的低光照图像增强算法
2.基于明度分量的Retinex-Net图像增强改进方法
3.基于Retinex-Net的低照度图像增强算法研究
4.基于改进Retinex-Net的低照度图像增强算法
5.基于残差模块的Retinex-Net网络的低照度图像增强算法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于增强的煤矿井下尘雾图像渲染算法
基于增强的煤矿井下尘雾图像渲染算法
管少锋;孙艳玲;朱晨光;高敏;马永强;乔应旭;袁畅
【期刊名称】《能源与环保》
【年(卷),期】2024(46)4
【摘要】煤矿井下工作环境恶劣,受复杂光照及尘雾等影响监控图像模糊不清,很大程度上影响煤矿作业的安全性。
现有合成尘雾数据集方法假定大气光是均匀分布的前提条件在煤矿场景中并不成立,使得深度去雾算法在煤矿场景中泛化性能较差。
针对该问题,首先估计清晰图像深度信息,利用Retinex理论得到对应带雾图像空间变化的亮度信息,结合图像深度信息和亮度信息通过神经网络训练,在亮度一致性等损失约束下生成能够反映空间亮度变化的带雾图像。
另外,考虑到煤矿真实场景光照复杂的特点,对清晰图像进一步增强处理,消除图像去雾后过于昏暗的问题。
结合煤矿真实场景的对比实验,表明了本文方法的有效性。
【总页数】7页(P200-205)
【作者】管少锋;孙艳玲;朱晨光;高敏;马永强;乔应旭;袁畅
【作者单位】平高集团有限公司;河南理工大学
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于模糊理论的煤矿井下图像增强算法
2.基于暗原色理论和自适应双边滤波的煤矿尘雾图像增强算法
3.基于边界约束的煤矿井下尘雾图像去雾算法
4.基于深度神
经网络的煤矿井下低光照图像增强算法5.基于HSV空间的Retinex煤矿井下图像增强算法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于增强网格网络的井下尘雾图像清晰化算法
基于增强网格网络的井下尘雾图像清晰化算法目录1. 内容概要 (2)1.1 研究背景与意义 (3)1.2 国内外研究现状 (4)1.3 研究内容与方法 (5)2. 相关理论与技术 (6)2.1 增强网格网络 (7)2.1.1 AGN的原理与特点 (8)2.1.2 AGN的应用领域 (10)2.2 图像清晰化技术 (11)2.2.1 图像清晰化的基本原理 (12)2.2.2 常见的图像清晰化算法 (13)2.3 深度学习在图像处理中的应用 (14)2.3.1 深度学习的基本概念 (15)2.3.2 深度学习在图像清晰化中的研究进展 (15)3. 基于增强网格网络的井下尘雾图像清晰化算法 (16)3.1 算法框架 (18)3.1.1 数据预处理 (20)3.1.2 模型构建 (21)3.1.3 模型训练与优化 (22)3.1.4 结果后处理 (23)3.2 关键技术细节 (24)3.2.1 增强网格网络的构建 (26)3.2.2 损失函数的设计 (27)3.2.3 训练策略的选择 (28)3.3 实验结果与分析 (30)3.3.1 实验设置 (31)3.3.2 实验结果展示 (32)3.3.3 实验结果分析 (34)4. 结论与展望 (35)4.1 研究成果总结 (36)4.2 存在的问题与挑战 (38)4.3 未来研究方向与展望 (39)1. 内容概要本文档详细介绍了一种基于增强网格网络的井下尘雾图像清晰化算法。
该算法旨在解决井下复杂环境下的尘雾图像模糊和失真问题，通过先进的深度学习技术，提高图像的清晰度和可读性。
首先，我们概述了井下环境的特点及其对图像质量的影响，指出了尘雾图像清晰化的重要性和挑战性。
接着，介绍了增强网格网络的基本原理和结构，以及其在图像处理领域的应用潜力。
在算法部分，我们详细描述了算法的各个组成部分，包括数据预处理、增强网格网络构建、训练过程以及图像清晰化输出。
数据预处理部分主要对原始图像进行去噪、归一化等操作，以提高模型的训练效果。
基于暗通道模型的农业用机井水下图像增强算法
基于暗通道模型的农业用机井水下图像增强算法作者：田煜衡来源：《广东蚕业》 2020年第3期DOI：10.3969/j.issn.2095-1205.2020.03.47田煜衡（衡水学院电子信息工程学院河北衡水 053000）作者简介：田煜衡(1986- )，男，汉族，河北衡水人，硕士，讲师，研究方向：数字图像处理、模式识别研究。
摘要利用井下成像系统对损坏的农用机井进行探测、维修对于农业生产具有重要意义。
由于受到恶劣成像环境的影响，通过井下电视获得的水下图像往往存在对比度低、成像模糊等问题。
文章提出了一种基于暗通道模型的井下图像增强算法。
分析了井下图像的退化原因，并以此建立井下图像退化模型；运用先验信息对该模型中的关键参数进行估计，并通过反演计算以达到图像增强的目的。
实验结果表明，文章提出的井下图像增强算法，能有效地恢复图像细节，图像对比度、饱和度等指标均得到一定程度的提升。
关键词井下图像增强；暗通道；农业用机井中图分类号:TP391.41 文献标识码:A 文章编号:2095-1205(2020)03-80-02对于水资源缺乏的地区，农用机井在农田灌溉、人畜饮水等领域发挥着重要作用，对农用机井的检测、保养、维修成了保障农业生产活动顺利进行的关键环节。
井下电视测井技术是现代测井技术的研究热点，由于其具有观测直观、实时性好的优点，因而在机井检测、维修等领域扮演了重要角色[1]。
然而，由于农用机井成像环境十分恶劣，如光线不充足、泥沙颗粒等漂浮物较多等因素，导致农用机井井下电视获得的图像往往存在对比度低、图像模糊等问题。
因而，井下图像增强作为成像测井技术的一个关键问题逐渐受到广泛关注。
近年来，随着图像处理技术的不断发展，相关研究人员提出了多种水下图像增强算法，其中根据经典图像去雾模型——暗通道模型的改进算法，在诸多水下图像增强领域取得了良好效果，并以此衍生出多种改进算法[2]。
该类方法以大气散射模型为基础，根据光线在水中传播的特性，建立水下图像退化模型，并对相关参数进行估计、反演以达到图像增强的目的。
矿井井下非均匀照度图像增强实用性探讨
矿井井下非均匀照度图像增强实用性探讨矿井井下非均匀照度图像增强实用性探讨矿井是地下采矿作业的重要场所，而井下的照度非均匀问题常常给矿工的工作带来一定的困扰。
为了提高矿工的工作效率和安全性，对矿井井下非均匀照度图像进行增强处理可以起到积极的作用。
下面将逐步探讨如何实现矿井井下非均匀照度图像增强的实用性。
第一步，了解矿井井下非均匀照度图像的特点。
矿井井下的光照通常受到诸多因素的影响，例如井道的曲折程度、井壁的粗糙程度以及矿石的光反射等。
这些因素造成了井下照度的不均匀性，导致图像细节不清晰，难以识别重要的矿石信息。
因此，需要对这些特点进行深入分析，为后续的图像增强方法选择提供依据。
第二步，选择合适的图像增强方法。
根据矿井井下非均匀照度图像的特点，可以考虑使用适应性直方图均衡化、伽马校正或者多尺度变换等方法来对图像进行增强。
适应性直方图均衡化可以根据图像的局部区域对亮度进行调整，以增强图像的对比度。
伽马校正则可以通过调整图像的亮度曲线来提高图像的亮度和清晰度。
多尺度变换可以提取图像的不同频率信息，从而增强细节和纹理。
根据实际需求和矿井的特点选择合适的方法进行图像增强。
第三步，实施图像增强算法。
将选择的图像增强方法应用到矿井井下非均匀照度图像上，并进行实际操作。
可以使用计算机视觉或者图像处理软件来实现图像增强算法。
在实施过程中，需要根据图像的具体特点进行参数的调整，以达到最佳的增强效果。
同时，需要注意算法的计算复杂度和实时性，以确保图像增强的实用性。
第四步，评估图像增强效果。
对增强后的图像进行评估，可以使用主观评价和客观评价两种方法。
主观评价可以由矿工或者专家进行，根据对图像质量的感受进行评估。
客观评价可以使用图像质量评价指标，例如峰值信噪比（PSNR）和结构相似性指标（SSIM）等来衡量图像的清晰度和保真度。
通过评估图像增强效果，可以对算法进行改进和优化，提高增强的实用性。
综上所述，通过逐步的思考和实践，可以有效实现矿井井下非均匀照度图像的增强。
图像处理中的图像增强算法使用方法
图像处理中的图像增强算法使用方法图像增强算法是一种图像处理技术，旨在改善或恢复图像质量，使得图像更加鲜明、清晰、易于理解。
图像增强算法在许多应用领域都有广泛的应用，例如医学图像处理、监控摄像头图像增强、卫星遥感图像处理等。
在本文中，我们将介绍几种常见的图像增强算法以及它们的使用方法。
一、直方图均衡化直方图均衡化是一种常见的图像增强算法，通过重新分布图像的灰度级，使得图像的对比度得到增强。
其基本思想是将原始图像的像素值映射到一个新的灰度级上，使得图像的累积直方图均匀分布。
下面是一种使用直方图均衡化算法的方法：1. 读取原始图像并将其转换为灰度图像；2. 计算灰度图像的直方图；3. 计算直方图的累积分布函数（CDF）；4. 根据CDF将原始图像像素值映射到新的灰度级上；5. 计算新的图像的直方图；6. 显示增强后的图像。
二、滤波器增强在图像增强中，滤波器是一种常用的工具，用于去除图像中的噪声、增强图像的边缘和细节。
滤波器能够对图像进行平滑、锐化或者增强某种频率下的特征。
下面是一种使用滤波器增强算法的方法：1. 读取原始图像并将其转换为灰度图像；2. 设计一个适当的滤波器，例如高通、低通或者中值滤波器；3. 将滤波器应用于原始图像；4. 显示增强后的图像。
三、边缘增强边缘是图像中的重要特征，能够提供物体的轮廓和结构信息。
因此，边缘增强算法被广泛应用于目标检测、图像分割等领域。
下面是一种使用边缘增强算法的方法：1. 读取原始图像并将其转换为灰度图像；2. 使用梯度算子（如Sobel、Prewitt等）计算图像的梯度；3. 对梯度图像进行非极大值抑制，以提取出边缘细节；4. 应用双阈值处理，将边缘分为强边缘和弱边缘；5. 使用边缘连接算法将弱边缘连接到强边缘上；6. 显示增强后的图像。
四、对比度增强对比度是图像中亮度变化的范围，对图像质量和视觉感知有重要影响。
对比度增强算法可以通过调整图像的亮度和对比度来改善图像质量。
图像增强技术原理及在安防领域的应用
图像增强技术原理及在安防领域的应用摘要：基于安防领域中的视频监控系统,在大雾、雨雪阴霾天气、光线不足的情况下监控图像效果不理想的问题,阐述了通过图像增强技术进行改善的方法,对常用的几种增强算法原理进行推导,并对图像增强技术在视频监控系统的前端摄像机、系统平台和后端监视器三个环节的应用特点进行分析。
关键词：视频监控图像增强直方图同态滤波小波变换Retinex随着近几年安防行业的快速发展,视频监控系统已经在交通系统、银行系统、森林防火、煤矿行业等多个领域内得到了广泛的应用。
在交通系统、森林系统等特殊领域,当出现大雾、雨雪阴霾等天气时,监控图像的对比度和颜色明显变差,给视觉系统带来很大的干扰,降低了监控效率;当在光线不足的情况下,监控图像亮度低,细节无法分辨,不能对目标进行有效的监控。
这些特殊的监控情况的出现,在实际使用时是不可避免的,我们只能通过技术手段对其进行处理,目前可以通过图像增强技术对监控图像进行增强,使图像的细节,对比度等得到提升,满足监控要求。
本文将对图像增强技术的原理和在安防领域的应用进行探讨。
1 图像增强技术的原理图像增强技术是一个多学科的研究课题,涉及到高等数学、计算机科学、信号处理技术等学科领域。
该技术主要是通过对图像信号进行分析,有目的地强调图像的整体或局部特性,抑制不感兴趣的特征,使之提高图像质量、提高图像识别效果。
该技术最早是应用于航空航天领域,对航拍的图像数据进行处理。
60年代初期美国喷气推进实验室的科研人员使用计算机采用灰度变换、去噪声、傅里叶变换以及二维线性滤波等方法对航天探测器“徘徊者7号”发回的几千张月球照片成功的进行了处理。
随后在生物医学领域、工业生产领域、安防领域等得到广泛的应用。
图像增强技术在安防领域的应用,是在近几年才发展起来的,在视频监控中的功能有去雾、夜增强、图像智能分析、车辆识别、视频检索等。
目前行业内有许多增强方法,如直方图均衡法、同态滤波、小波变换、Retinex等,现对这些方法的原理进行探讨。
基于含噪Retinex模型的煤矿低光照图像增强方法
基于含噪Retinex 模型的煤矿低光照图像增强方法李正龙1，2， 王宏伟2，3，4， 曹文艳1，2， 张夫净1，2， 王宇衡1，2（1. 太原理工大学 矿业工程学院，山西 太原 030024；2. 太原理工大学 山西省煤矿智能装备工程研究中心，山西 太原 030024；3. 太原理工大学 机械与运载工程学院，山西 太原 030024；4. 山西焦煤集团有限责任公司 博士后工作站，山西 太原 030024）摘要：低光照图像会导致许多计算机 视觉任务达不到预期效果，影响后续图像分析与智能决策。
针对现有煤矿井下低光照图像增强方法未考虑图像现实噪声的问题，提出一种基于含噪Retinex 模型的煤矿低光照图像增强方法。
建立了含噪Retienx 模型，利用噪声估计模块（NEM ）估计现实噪声，将原图像和估计噪声作为光照分量估计模块（IEM ）和反射分量估计模块（REM ）的输入，生成光照分量与反射分量并对二者进行耦合，同时对光照分量进行伽马校正等调整，对耦合后的图像及调整后的光照分量进行除法运算，得到最终的增强图像。
NEM 通过3层CNN 对含噪图像进行拜耳采样，然后重构生成与原图像大小一致的三通道特征图。
IEM 与REM 均以ResNet −34作为图像特征提取网络，引入多尺度非对称卷积与注意力模块（MACAM ），以增强网络的细节过滤能力及重要特征筛选能力。
定性和定量评估结果表明，该方法能够平衡光源与黑暗环境之间的关系，降低现实噪声的影响，在图像自然度、真实度、对比度、结构等方面均具有良好性能，图像增强效果优于Retinex −Net ，Zero −DCE ，DRBN ，DSLR ，TBEFN ，RUAS 等模型。
通过消融实验验证了NEM 与MACAM 的有效性。
关键词：煤矿低光照图像；图像增强；含噪 Retinex 模型；噪声估计；拜耳采样；多尺度非对称卷积；注意力模块中图分类号：TD67 文献标志码：AA method for enhancing low light images in coal mines based on Retinex model containing noiseLI Zhenglong 1,2, WANG Hongwei 2,3,4, CAO Wenyan 1,2, ZHANG Fujing 1,2, WANG Yuheng 1,2(1. College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China ； 2. Center of Shanxi Engineering Research for Coal Mine Intelligent Equipment, Taiyuan University of Technology, Taiyuan 030024,China ； 3. College of Mechanical and Vehicle Engineering, Taiyuan University of Technology, Taiyuan 030024,China ； 4. Postdoctoral Workstation, Shanxi Coking Coal Group Co., Ltd., Taiyuan 030024, China)Abstract : The low light images can lead to many computer vision tasks not achieving the expected results.This can affect subsequent image analysis and intelligent decision-making. The existing low light image enhancement methods for underground coal mines do not consider the real noise of the image. In order to solve this problem, a coal mine low light image enhancement method based on Retinex model containing noise is proposed. The Retienx model containing noise is established. The noise estimation module (NEM) is used to estimate real noise. The original image and estimated noise are used as inputs to the illumination component收稿日期：2022-08-16；修回日期：2023-03-29；责任编辑：胡娴。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种煤矿井下视频图像增强算法付燕;李瑶;严斌斌【摘要】煤矿井下视频图像存在亮度不均、细节纹理模糊不清、噪声较多等问题,而常用的图像增强算法在处理煤矿井下视频图像时会出现图像失真、图像层次不清、处理效率低等缺点.针对上述问题,提出了一种基于对比度受限函数和反馈函数的煤矿井下视频图像增强算法.该算法首先结合加权平均法和中值滤波对图像进行灰度化和去噪预处理;然后通过对比度受限函数对图像对比度进行限幅增强;最后通过反馈函数调节图像的灰度级,对图像层次进行增强.实验结果表明,该算法可有效改善煤矿井下视频图像失真情况,图像层次分明,且具有较快的处理速度.【期刊名称】《工矿自动化》【年(卷),期】2018(044)007【总页数】4页(P80-83)【关键词】矿井视频图像;图像增强;对比度受限;灰度级调整【作者】付燕;李瑶;严斌斌【作者单位】西安科技大学计算机科学与技术学院,陕西西安 710054;西安科技大学计算机科学与技术学院,陕西西安 710054;西安科技大学计算机科学与技术学院,陕西西安 710054【正文语种】中文【中图分类】TD670 引言煤矿井下复杂环境导致视频图像存在亮度不均、细节纹理模糊不清、噪声较多等问题[1-4]，因此，有必要对煤矿井下视频图像进行增强处理[5-6]。
李新锋[7]提出了一种基于灰度变换和自适应中值滤波的煤矿监控图像去噪增强方法，很好地保留了图像细节，但处理时间较长。
赵艳芹等[8]提出了一种中值滤波和自适应直方图均衡相结合的煤矿视频监控图像增强方法，较好地提高了图像对比度，但增强后图像出现失真。
程德强等[9]针对矿井图像增强提出了一种基于引导滤波的单尺度Retinex算法，该算法在对比度提升、细节增强和去噪方面有较好的效果，但无法同时满足图像的动态范围压缩和颜色高保真。
蔡利梅等[10]提出了一种改进的HSV (Hue, Saturation, Value，色调、饱和度、明度)空间颜色可恢复的多尺度Retinex图像增强算法，有效抑制了背景噪声，但增强后图像层次不清。
鉴此，本文提出一种基于对比度受限函数和反馈函数的煤矿井下视频图像增强算法，可有效提高图像整体对比度，对噪声抑制能力强，使增强后图像更符合人眼视觉特性，同时具有较高的处理效率。
1 算法原理煤矿井下视频图像多为黑白图像，但均为RGB模型图像[11-12]。
为便于图像的进一步处理，采用加权平均法对图像进行灰度化。
由于人眼对绿色的敏感度最高，红色次之，蓝色最低[13]，所以将红、绿、蓝3个颜色通道分量R(x,y)，G(x,y)，B(x,y)((x,y)为图像中像素位置)的加权系数分别设置为0.3，0.59，0.11，得到灰度图像：Igray(x,y)=0.3R(x,y)+0.59G(x,y)+0.11B(x,y)(1)煤矿井下视频图像含有大量脉冲噪声，而中值滤波能很好地滤除脉冲噪声，同时能保护目标图像边缘，因此利用中值滤波对图像进行去噪处理：(2)式中：Imed(x,y)为去噪后图像；为中值滤波器；i，j为像素点的坐标增量；A为滤波窗口，本文选取滤波窗口大小为3×3。
为了增强图像对比度，将经过灰度化和去噪的图像划分成若干大小相等且不重叠的子图像，每个子图像的像素点数为NsubI(0≤NsubI≤85)，子图像直方图为h(k)(k 为灰度级，0≤k≤L-1，L为最大灰度级)。
对每个子图像进行直方图剪切，计算剪切阈值：(3)式中C为常量，可决定对比度增强的程度。
对于每个子图像，使用相对应的剪切阈值δ对子图像直方图h(k)进行剪切，再将超过剪切阈值的像素点均匀地重新分配到直方图各灰度级中：(4)Nsub=Ntotal/L(5)μ=δ-Nsub(6)式中：Ntotal为超过剪切阈值δ的像素点数；Nsub为每个灰度级增加的平均像素点数；μ为分配阈值。
为避免过度增强而引入噪声，通过对比度受限函数对图像对比度增强的程度进行限制。
通过对比度受限函数得到重新分配图像像素点后的直方图：(7)为了对图像层次进行增强，根据代价因子ω(50≤ω≤100)定义转换函数，将图像灰度值转换到[0，1]区间：(8)(9)(10)Itrans(k)=1/(1+t(k))(11)式中：为灰度值均值；N为转换前图像的像素点数；f(x,y)为转换前图像的灰度值；为最大灰度值；t(k)为转换函数；Itrans(k)为转换后图像。
图像层次的增强需要使图像亮的地方更亮，暗的地方更暗。
为避免过拟合调整，需要对图像像素点的灰度级进行反馈调节。
因此定义反馈因子：P(k)=nk/N(12)(13)β=Itrans(k)-Pmean(14)式中：P(k)为第k级灰度出现的概率；nk为第k级灰度的像素点数；Pmean为归一化后灰度级出现概率均值；β为反馈因子。
越靠近反馈因子的像素值变化越小，反之，像素值变化越大。
通过反馈函数得到灰度级调整后图像：(15)2 实验结果及分析为验证本文算法的有效性，选取煤矿井下视频图像进行增强处理，通过主观评价和客观评价2种图像质量评价方法对文献[8]算法、文献[10]算法及本文算法进行对比，实验结果如图1所示。
2.1 主观评价从图1(a)可看出，原始图像光照不均匀、对比度低，几乎看不到细节信息。
从图1(b)可看出，采用文献[8]算法后，图像亮度得到提升，但图像亮度异常且细节信息不明显。
从图1(c)可看出，采用文献[10]算法后，图像清晰度提高，但增强过度。
从图1(d)可看出，采用本文算法后，图像亮度及对比度得到有效提升，并保留了部分细节信息，使图像失真度小且层次分明。
(a) 原始图像(b) 文献[8]算法(c) 文献[10]算法(d) 本文算法图1 煤矿井下视频图像增强效果对比Fig.1 Comparison of enhancement effect of underground video image2.2 客观评价采用均值、方差、峰值信噪比、信息熵和运行时间作为评价指标对各图像增强算法进行客观评价[14-15]。
均值反映图像的明亮程度，均值越高，表示图像越亮；方差反映图像灰度值分散情况，方差越大，表示灰度值分布范围越广，灰度级越丰富；峰值信噪比反映图像的逼真度，峰值信噪比越大，表示抑制噪声能力越强；信息熵反映图像的信息量，信息熵越大，表示图像包含的信息越多。
以图1中的图像为例，各算法的客观评价结果见表1。
表1 煤矿井下视频监控图像质量客观评价结果Table 1 Objective evaluation results of underground video image quality图像均值方差峰值信噪比信息熵运行时间/s原始图像89.592 05 009.327 1—7.179 4—文献[8]算法处理图像104.497 03 576.700 042.597 87.368 00.31文献[10]算法处理图像0.35710.048 516.142 37.462 91.80本文算法处理图像106.387 75 784.000 038.136 56.707 60.25从表1可看出，文献[8]算法提升了图像亮度，从峰值信噪比和信息熵可发现图像噪声小且细节保留较好，但方差较小导致图像灰度级降低；文献[10]算法在信息熵方面表现良好，但处理后图像亮度和灰度级大幅度降低，去噪效果也不理想；本文算法对图像的亮度和灰度级均有很好的提升效果，处理后图像峰值信噪比较高，且算法运行时间最短，虽然信息熵偏低，但整体增强效果最好。
3 结语基于对比度受限函数和反馈函数的煤矿井下视频图像增强算法在对图像进行灰度化和去噪预处理的基础上，通过对比度受限函数对图像对比度进行限幅增强，通过反馈函数对图像层次进行增强。
实验结果表明，该算法可有效提升煤矿井下视频图像的亮度和灰度级，使增强后图像更加逼真和层次分明，同时具有很高的运行效率，满足煤矿井下视频监控图像实时处理需求。
参考文献(References)：【相关文献】[1] 王星,白尚旺,潘理虎,等.一种矿井图像增强算法[J].工矿自动化,2017,43(3):48-52.WANG Xing,BAI Shangwang,PAN Lihu,et al.A mine image enhancementalgorithm[J].Industry and Mine Automation,2017,43(3):48-52.[2] 杨勇,岳建华,李玉良,等.一种矿井动态图像增强方法[J].工矿自动化,2015,41(11):48-52. YANG Yong,YUE Jianhua,LI Yuliang,et al.A dynamic image enhancement method for mine[J].Industry and Mine Automation,2015,41(11):48-52.[3] 赵谦,王奕婷,曾召华,等.一种矿井巷道图像边缘检测算法[J].工矿自动化,2013,39(2):71-75. ZHAO Qian,WANG Yiting,ZENG Zhaohua,et al.An edge detection algorithm for mine roadway image[J].Industry and Mine Automation,2013,39(2):71-75.[4] 王焱,关南楠,刘海涛.改进的多尺度Retinex井下图像增强算法[J].辽宁工程技术大学学报(自然科学版),2016,35(4):440-443.WANG Yan,GUAN Nannan,LIU Haitao.An improved multi-scale Retinex algorithm for mine image enhancement[J].Journal of Liaoning Technical University(NaturalScience),2016,35(4):440-443.[5] PIZER S M,AMBURN E P,AUSTIN J D,et al.Adaptive histogram equalization and its variations[J].Computer Vision Graphics & Image Processing,1987,39(3):355-368.[6] KIMMEL R,ELAD M,SHAKED D,et al.A variational framework for Retinex[J].International Journal of Computer Vision,2003,52(1):7-23.[7] 李新锋.一种煤矿监控图像的去噪增强方法[J].中国仪器仪表,2010(4):48-49.LI Xinfeng.A de-noising and enhancing method for monitor image in coal mine[J].China Instrumentation,2010(4):48-49.[8] 赵艳芹,王振翀,付喜辉.基于煤矿视频监控系统的图像增强方法研究[J].煤矿机械,2012,33(5):63-65.ZHAO Yanqin,WANG Zhenchong,FU Xihui.Research on image enhancement based on coal mine video monitoring system[J].Coal Mine Machinery,2012,33(5):63-65.[9] 程德强,郑珍,姜海龙.一种煤矿井下图像增强算法[J].工矿自动化,2015,41(12):31-34.CHENG Deqiang,ZHENG Zhen,JIANG Hailong.An image enhancement algorithm for coal mine underground[J].Industry and Mine Automation,2015,41(12):31-34.[10] 蔡利梅,向秀华,李紫阳.自适应HSV空间Retinex煤矿监控图像增强算法[J].电视技术,2017,41(4/5):11-15.CAI Limei,XIANG Xiuhua,LI Ziyang.Adaptive Retinex algorithm at HSV space for coal mine monitoring image enhancement[J].Video Engineering,2017,41(4/5):11-15.[11] 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.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.[12] WU Xiaofeng,HU Shigang,ZHAO Jin,et parative analysis of different methods for image enhancement[J].Journal of Central South University,2014,21(12):4563-4570. [13] TANG Ling,CHEN Shunling,LIU Weijun,et al.Improved Retinex image enhancement algorithm[J].Procedia Environmental Sciences,2011,11:208-212.[14] 刘晓阳,乔通,乔智.基于双边滤波和Retinex算法的矿井图像增强方法[J].工矿自动化,2017,43(2):49-54.LIU Xiaoyang,QIAO Tong,QIAO Zhi.Image enhancement method of mine based on bilateral filtering and Retinex algorithm[J].Industry and Mine Automation,2017,43(2):49-54.[15] 王鸿南,钟文,汪静,等.图像清晰度评价方法研究[J].中国图象图形学报,2004,9(7):828-831. WANG Hongnan,ZHONG Wen,WANG Jing,et al.Research of measurement for digital image definition[J].Journal of Image and Graphics,2004,9(7):828-831.。