基于深度神经网络的煤矿井下低光照图像增强算法

由于煤矿井下空间环境的复杂性与恶劣的光照条件，视觉设备获取的图像容易存在对比度不足、纹理细节差等问题，严重影响了视觉设备的工作可靠性，限制了进一步的基于图像的智能视觉应用。为提高矿井下低照度图像的对比度，同时强化其纹理细节，提出一种基于深度神经网络的矿井下低光照图像增强模型，该模型包含有3个子网络，分别为分解网络、光照调整网络和反射重构网络。分解网络将煤矿井下图像分解为光照分量和反射分量；光照调整网络利用深度可分离卷积结构有效减少了模型的参数，强化了网络特征提取能力，此外，引入了MobileNet网络结构，进一步使光照调整网络轻量化，同时保持其特征提取精度，有效实现光照分量对比度调整；反射重构网络引入了残差网络结构，提升了网络特征学习性能与反射分量纹理细节恢复能力;最后，将处理过后的光照分量和反射分量基于Retinex理论融合，获得增强图像，实现矿井下图像的对比度提高与细节的增强，克服了现有增强算法中所存在的增强图像细节丢失、边缘模糊、对比度和清晰度不足等问题。数值试验表明，提出的模型能够在提高矿井下图像对比度的同时有效强化图像的纹理细节，并且具有良好的稳定性和鲁棒性，能够很好地满足煤...     

一种矿井监控视频图像增强处理方法研究

由于井下粉尘多,照度低,且光照不均匀,矿井监控图像往往噪点多,对比度低,容易产生雾化现象。针对上述问题,提出一种基于偏微分方程和引导滤波算法的图像增强方法。该方法通过构造偏微分方程对监控图像进行去噪;然后,利用引导滤波算法对去噪图像进行明暗增强处理。以山西省同煤集团马脊梁矿井监控图像为研究对象进行实验,结果表明,该方法能有效地去除监控图像的噪声和雾化现象,提升图像的整体质量,利于后期的安全监测。     

基于Transformer和自适应特征融合的矿井低照度图像亮度提升和细节增强方法

高质量矿井影像为矿山安全生产提供保障,也有利于提高后续图像分析技术的性能。矿井影像受低照度环境的影响,易出现亮度低,照度不均,颜色失真,细节信息丢失严重等问题。针对上述问题,提出一种基于Transformer和自适应特征融合的矿井低照度图像亮度提升和细节增强方法。基于生成对抗思想搭建生成对抗式主体模型框架,使用目标图像域而非单一参考图像驱动判别器监督生成器的训练,实现对低照度图像的充分增强;基于特征表示学习理论搭建特征编码器,将图像解耦为亮度分量和反射分量,避免图像增强过程中亮度与颜色特征相互影响从而导致颜色失真问题;设计CEM-Transformer Encoder通过捕获全局上下文关系和提取局部区域特征,能够充分提升整体图像亮度并消除局部区域照度不均;在反射分量增强过程中,使用结合CEM-Cross-Transformer Encoder的跳跃连接将低级特征与深层网络处特征进行自适应融合,能够有效避免细节特征丢失,并在编码网络中添加ECA-Net,提高浅层网络的特征提取效率。制作矿井低照度图像数据集为矿井低照度图像增强任务提供数据资源。试验显示,在矿井低照度图像数据集和公共数据集中...     

基于离散小波域深度残差学习的矿区遥感图像增强算法

实现矿区遥感图像增强处理,有助于提升后续图像判别以及相关监测分析效率。以往矿区遥感图像增强一般采用滤波、灰度变换等方法,往往会导致图像大量细节信息丢失,在很大程度上影响了后续判读分析。近年来,深度学习方法逐步应用于图像增强处理,但该方法很大程度上依赖于模型设计和参数合理取值,需要进行大量的试验和优化方可取得理想效果。将深度学习方法(Deep Learning,DL)与离散小波变换(Discrete Wavelet Transform,DWT)相结合,提出了一种基于离散小波域深度残差学习的矿区遥感图像增强算法。首先将图像进行单级二维离散小波变换,得到4个子带;然后将4个子带系数输入深度学习残差网络,预测相应的残差图像增加4个子带图像和残差图像作为二维小波变换的新子带;最后通过二维离散小波逆变换得到增强图像。试验结果表明:所提算法相对于直方图均衡化和超分辨率重建等方法而言,无论在图像视觉效果以及峰值信噪比、结构相似性、均方误差等评价指标上都具有较好优势,反映出将离散小波变换与深度学习方法相结合,有助于提升矿区遥感图像视觉效果,方便后续图像解译判读工作。     

线阵X射线钢丝绳芯输送带图像增强算法研究与实现

针对X射线钢丝绳芯输送带图像自动检测中检测效率低、不能实时处理的问题,提出一种钢丝绳芯输送带X射线图像增强方案。该方案对钢丝绳芯输送带X射线透射图像采用归一化、灰度线性变换、图像增强等处理方法进行预处理与增强,从而改善原始图像质量,为实时检测输送带的破损和接头识别创造了良好的条件。试验结果表明,该方法能够对图像数据进行有效增强,并有效抑制噪声,提高图像质量,执行效率足以保证实时处理的需求。     

基于HSV色彩空间及改进二维伽马函数的井下图像增强算法

为解决井下光照条件不足、光照不均引起的视频图像质量低下的问题，构造了一种改进二维伽马函数并以此提出了一种基于HSV色彩空间，作用于图像明度和饱和度分量的井下图像质量增强算法。以综采工作面以及井下泵房处图像为增强对象，将算法与目前主流的图像增强算法进行对比验证。结果表明，在井下环境下该算法对井下低亮度区域有着较好的增强效果，一定程度上满足了井下视频图像质量增强需求。     

煤矿井巷环境下机器人视觉图像增强及障碍识别研究

为解决煤矿救援机器人在发生灾害后光线不足、煤尘粉尘严重等造成视觉系统中图像不清晰、画面模糊以致障碍物形状无法识别问题,通过实验模拟煤矿井下光照条件,在光照充足、低照度以及零照度3种不同光照条件下采集机器人视觉图像。采用直方图均衡化方法对图像进行增强处理,使机器人显示的图像更加清晰,通过边缘检测算法以及基于风水岭分割改进的算法对障碍物信息进行提取,最终可以得到机器人前方主障碍物的形状特征信息。     

矿井复杂环境视频监控图像增强算法研究

针对井下环境亮度低,粉尘严重等造成监控视频图像光照不均匀以及模糊不清等问题,提出了基于二维伽马函数实现井下视频图像增强的算法。该算法运用具有边缘保持性的引导滤波提取光照分量,通过二维伽马函数自适应调整光照,并运用基于受限自适应的直方图均衡化调整全图的对比度,从而提高图像的清晰度以及信息量。提出的算法与经典算法相比,无论是在视觉效果上,还是在信息熵,平均梯度,标准差等方面都优于经典算法。结果表明该方法可有效提高图像的清晰度,信息量以及对比度,同时减轻井下光照不均匀以及粉尘造成的图像质量不高的问题,提高了井下视频监控图像中的整体的视觉效果。     

基于残差神经网络的矿井图像重构方法

针对煤矿井下噪声对可视化作业环境扰动影响,面向智能开采对井下作业目标的图像清晰化需求,研究基于机器视觉的矿井视频图像重构理论与方法,对提高矿井智能监控与安全开采技术具有重要意义。传统的视频监控系统采用经典的Nyquist采样定理来解决视频图像的信号采集、压缩和编解码问题,但矿井视频图像数据庞大,采用传统的编解码方法不仅浪费大量采样资源及增大系统开销,而且难以解决矿井视频图像重构时出现的信号保真度低、图像边缘模糊和视频传输时延等问题,其直接影响矿井智能监控系统性能与视频传输质量。针对矿井视频监控图像重构中存在的信号保真度不足及图像边缘模糊等问题,提出一种基于残差网络的图像压缩与重构方法。该方法通过建立一种新的残差神经网络结构,采用下采样矩阵将矿井图像进行压缩,再通过多次上采样将特征图变换为与原始图像相同大小的特征图,并使用残差网络块对其优化,最后利用优化后的重构网络将特征图聚合成重构图像。提出融合离散小波结构相似度损失与均方误差损失的损失函数方法,并据此训练网络参数。为评价本文所提出方法的有效性,实验选取了基于压缩感知的D-AMP,TVAL3算法和基于深度学习的ReconNet算法与之进行对比。结果表明,较小压缩比条件下对矿井图像重构,本文方法在结构相似度和峰值信噪比性能方面均优于其他算法;在噪声环境下,本文方法相较于其他方法,图像重构的峰值信噪比与结构相似度受噪声强度扰动较小,对噪声具有较强鲁棒性,较显著增强矿井重构图像的保真度和清晰度;在图像重构的时间复杂度方面,本文方法用时最短,有助于改善矿井视频监控系统的实时性。     

基于倒置残差的井下无人车目标检测研究

对井下光线昏暗、光照不均、背景复杂等特殊工况环境的影响下,所形成的图像目标存在细节特征少、图像模糊等问题进行了研究,提出了一种基于倒置残差结构改进YOLOv5s模型的检测算法﹐以此解决井下目标检测精度低的问题。首先主干网络部分引入通道注意力神经网络模块(SE-Net),提高检测精度﹔颈部网络部分在 BottleneckCSP模块中引入倒置残差结构,将通道进行扩充,丰富特征数量,进一步提升检测精度。在自建井下数据集上进行检测试验,结果表明,基于倒置残差的模型平均检测精度均值(交并比为0.5)达84.4%,相比 YOLOv5s模型精度提高了16.7个百分点,参数量减少了17.1%,模型轻量化且精度高,可有效改善井下目标检测精度低的问题,基本满足井下无人车目标检测的需求。     

矿石图像受空间域图像增强算法的影响研究

图像增强算法是矿石图像处理系统中至关重要的环节，也是矿石图像处理算法中的重点和难点。仅对比增强后的矿石图像，无法对图像的好坏给出定量的评价。经过图像增强、二值化、形态学处理、颗粒识别等过程得到矿石颗粒参数，提出公式验证直方图均衡、灰度变换、滤波等算法对矿石图像的影响。结果表明，直方图均衡算法、低通滤波算法在矿石图像处理系统中表现较好。     

基于照度调整的矿井非均匀照度视频图像增强算法

由于煤矿井下空间环境受粉尘等因素的影响,视频监控系统获取的作业环境图像存在照度低、照度不均匀等问题,而且现有的算法在处理煤矿非均匀照度图像时会出现颜色失真或者过增强现象,这不利于对图像的判读和应用。结合煤矿的实际数据,提出了一种新的图像增强算法,克服了现有算法存在的问题:分析井下视频图像特点,采用具有边缘保持特性的多尺度引导滤波获取照度分量;基于Retinex理论,将图像分解为照度分量与反射分量;针对照度不均匀的特性,提出一种新的"S型"曲线函数对其进行调整;分析图像的特性,引入受限对比度自适应直方图对其对比度进行增强;提出新的图像增强模型,利用细节增强系数和照度增强系数实现对图像的综合增强。与其他4种算法的对比试验表明,本文算法在主观评价和客观评价方面都优于上述算法。实验证明,本算法具有有效提升图像整体亮度和对比度,同时避免光源附近亮区域的过增强现象的特点,能够满足矿山实际应用需求。     

提升小波变换域矿井光照不均匀图像双直方图均衡化增强

由于矿井光照不均匀,加之大量粉尘附着于监控摄像头表面,导致获取的视频图像对比度不高且含有大量随机分布的颗粒状噪声。为提高该类图像的对比度,充分发挥矿井视频监控系统的效能,基于提升小波变换（Lifting wavelet transform LWT）,提出了一种矿井不均匀光照图像的自适应增强算法。首先采用直方图规定化算法（Histogram specification,HS）对获取的矿井图像进行初步增强;其次对初步增强后的图像进行提升小波变换,由于图像中的随机噪声主要集中分布于高频小波分解系数中,低频小波分解系数基本不存在噪声,故保留低频小波分解系数,对高频小波分解系数提出了一种基于反正弦函数的改进阈值函数去噪模型进行噪声抑制;然后对低频小波分解系数和去噪后的高频小波分解系数进行重构,得到不含噪声的矿井图像;最后采用双直方图均衡化算法（Bi-histogram equalization,BHE）对去噪后的图像进行进一步增强。将所提算法分别与直方图规定化、反锐化掩膜、小波阈值去噪等算法进行性能对比,并采用峰值信噪比（Peak noise to ratio,PSNR）、均方根误差（Root mean square error,RMSE）以及边缘保持指数（Edge protection index,EPI）等指标对试验结果进行评价,结果表明：所提算法对于矿井光照不均匀图像的处理效果相对于其余算法而言效果较优,对于高效处理矿井视频图像有一定的参考价值。     

IPP图像增强技术在土微观结构研究中的应用

通过对现有用于土微观结构研究的图像处理软件进行对比分析,提出用IPP软件对压实土的CT扫描图像进行增强处理。分别介绍了直方图均衡化、锐化处理、高低帽变换三种图像增强技术,并对处理后的灰度图像及其直方图作了对比,在此基础上提出了锐化处理结合高、低帽变换这一图像增强技术。通过对比二值化分割图像,说明锐化处理结合高、低帽变换的图像增强技术是一种比较理想的图像处理方法。     

基于噪声检测的矿井视频监控图像投票中值滤波

矿井视频监控由于受到井下光照不均匀、高浓度粉尘、成像器件电压不稳定等因素的影响,导致实时获取的图像对比度不高且含有大量的颗粒状噪声,严重影响对图像的准确判读与分析。为此,对经典中值滤波算法进行了改进,提出了一种融合噪声检测策略与投票统计学原理的改进型中值滤波算法。首先对获取的原始矿井视频监控图像采用双平台直方图均衡化算法(Double platform histogram equalization,DPHE)进行处理,该算法通过对图像各灰度级对应的像素点数目设定2个阈值(平台值)对图像背景信息进行抑制,对图像细节信息进行增强;然后将增强后的图像划分为多个规则图像块,根据各图像块内像素点灰度值的分布特征设计了一种噪声图像块自适应检测方法,若某图像块内的灰度值异常点数目超过一定限值,则该图像块被标记为噪声图像块;最后,对噪声图像块进行投票中值滤波。采用C++语言对所提算法进行了编程,并采用2幅采集于某煤矿井下综采工作面的视频监控图像进行试验,结果表明:所提算法对于不同失真程度的矿井视频监控图像的处理效果优于中值滤波、直方图均衡化等算法,对于最大限度地发挥矿井视频监控系统的作用有一定的参考价值。     

煤矿工业电视图像增强技术的应用研究

根据目前煤矿工业电视监视系统的现状,提出并研究了利用图像增强技术改善视频图像质量的方法．分析了图像增强的关键技术,给出了实现图像增强技术的算法,并通过Ｃ语言编程实现了对煤矿静止视频图像的增强处理,取得了改善图像质量的应用目的．     

基于灰度差分的改进K-means算法在煤矿图像分割的应用

煤矿图像由于其特殊环境造成的非均匀低光照特点,给图像分割带来了困难.针对非均匀低光照的煤矿图像分割问题,提出一种基于灰度差分的改进 KＧmeans图像聚类分割算法.首先计算图像的灰度差分统计特征,包括对比度、熵和平均值,用灰度差分统计特征描述煤矿图像的纹理特征,建立特征向量;然后建立基于纹理特征向量的样本与聚类中心的距离函数,通过 KＧmeans算法的准则函数构建优化问题;最后根据优化问题的聚类结果实现煤矿图像的目标分割.两组煤矿图像分割试验结果的评价指标平均提升了１２％,结合分割视觉效果,说明了改进方法能够实现煤矿图像的有效分割,可得到较好的分割效果.     

基于Retinex的X光钢丝绳芯输送带图像校正和增强方法研究

在矿用钢丝绳芯输送带X光图像采集过程中,由于点光源到线阵探测器的各像素点的距离不同,以及每一像素点的物理特性存在差异,造成图像不均匀。采用Butterworth低通滤波器对X光图像滤波,经过去噪、平滑处理,得到去除噪声后的图像;结合Retinex理论建立了基于基函数的不均匀光照背景估计模型,利用该模型对去除噪声后的图像灰度校正,得到校正后的图像;利用拉伸图像对比度的方法增强校正后的图像对比度,从而去除原始图像的不均匀光照的影响,得到增强后的图像。试验结果表明,该算法能有效校正不均匀X光图像,提高了图像对比度,为进一步矿用输送带的检测和图像处理奠定了基础。     

小样本下结合X射线透射技术的数据增强型矿石分类方法

摘 要：目的 针对工业领域利用深度学习模型对矿石进行在线分选时,矿石样本稀少导致的模型过拟合、分类准确率低等问题,提出一种结合X射线透射成像技术的矿石数据增强分类方法。该方法基于改进辅助生成对抗网络（Enhance-based Classification ACGAN-gp, EC-ACGAN-gp）,可实现对矿石品位的精准预测。方法 首先,在模型架构上,判别器和生成器采用卷积和连续残差块构建,引入注意力机制捕捉矿石细节特征,并使用Wasserstein距离和梯度惩罚重构判别器的损失函数,以提高对抗训练的稳定性,避免模式崩溃。其次,在算法上,增加辅助分类器与生成器协同训练,生成高质量样本并扩充原始数据集。最后利用判别器对矿石样本进行类别预测。结果 实验结果表明,模型分类准确率可达89.62%。结论 所提方法可有效提高小样本条件下矿石品位的分类精度,模型生成的矿石样本泛化性良好,对提高其他识别网络在矿石品位预测方面的性能均适用。     

基于格林函数边缘检测的焊缝信息获取

格林函数边缘检测算法受噪声和阈值干扰较大,针对这一问题,采用各向异性扩散方程对图像进行去噪处理,并用改进的粒子群算法优化指数熵来确定高低阈值,将改进的格林函数边缘检测算法引入焊缝图像的处理过程,有效解决了边缘检测技术在抗噪声能力和精确定位能力间的矛盾。仿真结果表明,改进的算法检测的边缘细、连贯,受噪声的干扰小,将改进的算法应用于焊缝图像处理起到了很好的效果。