鋼軌表面缺陷檢測系統(tǒng)中圖像增強預處理方法研究

岳彪，閔永智，馬宏鋒，肖本郁

?

鋼軌表面缺陷檢測系統(tǒng)中圖像增強預處理方法研究

岳彪1, 2，閔永智1, 3，馬宏鋒4，肖本郁1

(1. 蘭州交通大學 自動化與電氣工程學院，甘肅 蘭州 730070； 2. 蘭州交通大學 計算機科學與技術國家級實驗教學示范中心，甘肅 蘭州 730070； 3. 甘肅省人工智能與圖形圖像處理工程研究中心，甘肅 蘭州 730070； 4. 蘭州工業(yè)學院 電子信息工程學院，甘肅 蘭州 730050)

針對光照條件及軌道環(huán)境的變化會造成采集的鋼軌圖像嚴重降質，對后續(xù)缺陷檢測十分不利的情況，提出一種基于Retinex的鋼軌表面缺陷圖像增強方法。通過分析鋼軌表面特征的形成機理和成像特性，設計鋼軌圖像采集裝置。研究單尺度及多尺度Retinex方法并對其用于鋼軌圖像增強時存在的問題進行分析。在此基礎上，引入反射分量z-score 標準化環(huán)節(jié)改進傳統(tǒng)的Retinex圖像處理框架。通過理論推導和不同條件下的實驗驗證了改進方法的有效性。研究結果表明：該方法對光照變化具有較強的魯棒性，能在提高缺陷與背景對比度的同時有效克服陰影的干擾。對不同軌道環(huán)境下的鋼軌圖像增強后，信息熵、對比度和清晰度指標均優(yōu)于傳統(tǒng)方法，為進一步準確提取缺陷特征奠定了基礎。

鋼軌圖像增強；Retinex；反射分量；z-score 標準化

鋼軌是鐵路線路的重要部件，直接影響著鐵路運輸安全。隨著列車高速、重載、高密度的運行，由輪軌滾動接觸疲勞引起的鋼軌表面缺陷越來越常見。列車在有缺陷的鋼軌上行駛，會使車輪磨損加劇，甚至會導致斷軌和車輪脫軌，極大威脅列車及人員安全[1]。因此，及時有效地檢測出鋼軌表面缺陷并向鐵路部門提供維護數據對于保障鐵路運輸安全具有重要意義[2-3]。機器視覺技術以其速度快、精度高、非接觸式等優(yōu)勢，為鋼軌表面缺陷的無損檢測提供了新的發(fā)展方向[4-5]。然而，在鋼軌圖像采集過程中，光照條件及軌道環(huán)境的變化會造成圖像嚴重降質，具體表現(xiàn)為：1) 在隧道內或光照不佳的條件下，采集的圖像灰度值整體偏低，缺陷特征難以辨別；2) 軌面呈弧形，受自然光的影響，其表面的不均勻反射會使圖像中出現(xiàn)陰影及高光區(qū)域。這會大大增加后續(xù)缺陷識別的難度。因此，需要對鋼軌圖像進行有效地增強，以減弱自然環(huán)境的干擾。目前，常用的圖像增強方法主要有直方圖均衡化、gamma變換、線性拉伸等。直方圖均衡化 (Histogram Equalization, HE)利用圖像的直方圖信息拉伸灰度級的動態(tài)范圍，以提高整幅圖像的對比度[6]。由于該方法進行全局處理，會導致沒有針對性、局部細節(jié)丟失等問題[7]。gamma變換、線性拉伸等方法也只針對特定對象[8]，對鋼軌圖像難以保證適用性。Retinex理論是一種基于空域的圖像增強方法，該理論通過模擬人類大腦視覺皮層的成像原理，建立了包含照射分量和反射分量的簡化圖像形成模型，為光照變化條件下的圖像增強技術提供了一種新的思路[9-12]。在該理論的發(fā)展過程中，相繼出現(xiàn)了單尺度Retinex(Single scale Retinex, SSR)、多尺度Retinex(Multi-scale Retinex, MSR)等一系列增強方法[13?14]。然而，這些方法都是以圖像中的空間照度是緩慢變化的為假設前提，這與鐵路現(xiàn)場采集的鋼軌圖像特征不相符。此外，Retinex理論對圖像中照射分量的提取還沒有統(tǒng)一的理論模型，現(xiàn)有的各種Retinex算法都只是在實驗中驗證了其有效性[15]。如果照射分量的提取過程存在誤差，會對后續(xù)處理過程產生干擾。因此，將Retinex方法直接用于鋼軌圖像難以獲得理想的增強效果。為此，本文在分析鋼軌圖像特征的基礎上，提出一種基于Retinex的鋼軌圖像增強方法。根據鋼軌圖像具有沿列車運行方向空間照度變化穩(wěn)定、垂直于列車運行方向空間照度變化較大的特點，通過對傳統(tǒng)Retinex方法提取的反射分量在沿列車運行方向的線形窗口內進行z-score 標準化，以消除提取結果中殘留的照射分量，使圖像中只包含反映圖像內在屬性的反射分量，從而彌補傳統(tǒng)Retinex 方法中照射分量估計不準確的缺陷，并克服光照條件及軌道環(huán)境變化帶來的干擾。

1 鋼軌圖像特征分析

不同于自然圖像，鋼軌圖像中的目標固定且其特征具有普遍性，因此有必要從形成機理方面分析鋼軌圖像特征。車輪與鋼軌接觸時，鋼軌表面所受接觸應力示意圖如圖1。軌頭踏面主要受輪載垂直力的作用，軌距角表面除了受輪載垂直力，還受輪載側向力。在上述力的作用下，軌距角表面a處會產生接觸法向力和接觸切向力。當輪載作用力增大時，接觸應力相應增大，當其超過鋼軌接觸疲勞強度時，在接觸面上就會產生接觸疲勞缺陷，如圖2中區(qū)域S所示。在正常情況下輪軌接觸良好，沿列車運行方向軌頭踏面和軌距角表面磨損程度相同，因此這2部分區(qū)域較光滑。由于圖像采集系統(tǒng)中的相機垂直于軌面拍攝，而軌面呈弧形，受自然光的影響，其表面會產生不均勻反射，從而造成采集的鋼軌圖像在部分區(qū)域灰度值偏低，形成陰影區(qū)域，如圖2中軌面的下半部分區(qū)域；在反射較強的區(qū)域灰度值偏高，形成高光區(qū)域，如圖2中軌面的上半部分區(qū)域。

圖1 鋼軌表面接觸應力示意圖

圖2 采集系統(tǒng)獲取的鋼軌圖像

對圖2中的鋼軌區(qū)域分別進行橫向(沿列車運行方向)和縱向(垂直于列車運行方向)等分，并增加一條穿過缺陷的縱線B5作為對比。橫向等分線A1，A2，A3和A4上的像素灰度分布如圖3(a)所示，縱線B1，B2，B3，B4及B5上的像素灰度分布如圖3(b)。從圖中可以看出鋼軌圖像具有以下特征：

1) 在圖3(a)中，位于高光區(qū)域的橫線A1，A2和位于陰影區(qū)域的A3，A4灰度級差別較大，但由于沿列車運行方向鋼軌表面的反射特性基本不變，因此每條橫線上的灰度變化較穩(wěn)定；

2) 圖3(b)中，在垂直于列車運行方向鋼軌表面的反射特性變化較大，縱線B1，B2，B3和 B4的灰度分布接近但每條縱線上的灰度變化較大，陰影區(qū)域的灰度會接近甚至低于缺陷區(qū)域。

鋼軌圖像所具有的上述特征使得現(xiàn)有缺陷檢測算法的性能受到了一定限制。因此，在分割和缺陷特征提取之前，對鋼軌圖像進行增強十分必要。

(a) 橫向等分線上的像素灰度分布； (b) 縱向等分線上的像素灰度分布

2 基于Retinex理論的鋼軌圖像增強算法

2.1 Retinex理論的基本思想

Retinex理論是由Land等[16]提出的一種色彩恒常性感知計算理論和方法。該理論認為，一幅圖像(,)可看作是由照射分量和反射分量組成，且可以表示為二者的乘積，其表達式為：

其中：(,)表示照射分量，決定了圖像中的像素所能達到的動態(tài)范圍；(,)表示反射分量，決定了圖像中與光照無關的本質特征。將該理論用于圖像增強的機理是：通過一種數學方法計算圖像中的照射分量并將其去除，從而使圖像中只包含反映圖像內在性質的反射分量，以達到圖像增強的目的。然而，照射分量的計算在數學上是一個奇異問題，沒有統(tǒng)一的數學模型，只能通過近似估計[17-18]。

目前，研究人員采用較多的是基于中心環(huán)繞的SSR和MSR算法[19]。這類算法以圖像中的空間照度是緩慢變化的為假設前提，利用低通濾波器獲取照射分量的估計值，取得了較好的效果。其中，SSR利用一個尺寸固定的高斯函數與輸入圖像卷積估計照射分量。通常，為了更好地模擬人眼對亮度的感知能力并將乘法運算轉化為加減運算，將式1的圖像模型放入對數域處理，即SSR的數學模型為：

僅利用SSR方法對圖像進行增強不能實現(xiàn)細節(jié)保持和動態(tài)范圍壓縮之間的平衡，而通過將多個不同尺度的SSR線性加權所形成的MSR能改善這一問題[20]，MSR的數學模型為：

圖4 改進的Retinex圖像處理框架

2.2 反射分量z-score 標準化

設用MSR方法從鋼軌圖像中提取的反射圖像為(,)，其中任一像素點(,)位于長度為寬度為的窗口中。為了消除反射分量提取過程中混入的照射分量，對MSR方法提取的反射分量進行z-score 標準化，其轉換過程為：

1) 標準化后的反射分量與照射分量無關

因此，采用z-score 標準化后，所獲取的反射分量與照射分量無關，可以消除MSR反射分量提取結果中殘留的照射分量。

2) 標準化后的反射分量在局部窗口中具有零均值和單位標準差特性

3 實驗分析

本文設計的鋼軌圖像采集裝置如圖5所示，主要包括圖像采集系統(tǒng)、圖像處理系統(tǒng)、顯示器和電源等部分。圖像采集系統(tǒng)如圖6所示，主要由工業(yè)相機、鏡頭、輔助光源組成。其中，工業(yè)相機采用分辨率為640*480Pixel的GE680 高速面陣CCD相機，最大幀率205 fps，并安裝8 mm定焦鏡頭。圖像處理系統(tǒng)采用美國NI公司生產的IC3173型工業(yè)計算機，參數配置為Intel Core i7-620M，CPU 2.20 GHz，4 G內存。

圖5 鋼軌圖像采集裝置圖

圖6 圖像采集系統(tǒng)內部圖

實驗采集了不同軌道環(huán)境下的200幅鋼軌圖像進行測試，其中100幅為隧道內的鋼軌圖像，100幅為普通區(qū)間內的鋼軌圖像。為了定量評價本文方法的增強效果，采用信息熵、對比度和清晰度[13, 17]3個指標。其中，信息熵用于衡量圖像的信息量，其值越大表示圖像中包含的細節(jié)信息越豐富。

1) 信息熵

其中：表示灰度的量化級，總數為255級；p為像素值為的像素數與總像素數之比。

2) 對比度

其中：和分別為圖像的行數和列數，(,)為圖像中(,)點的灰度值，為圖像的灰度均值。

3) 清晰度

3.1 不同實驗條件對增強效果的影響

為了驗證增強方法在不同實驗條件下的有效性，本文針對光照變化和陰影的影響分別進行實驗。實驗中MSR的參數1，2和3分別取5，40和240。實驗結果如圖7所示。

3.1.1 光照變化的影響

圖7中，7(a)和7(b)分別為同一鋼軌區(qū)域在不同光照條件下的圖像。對比圖7(a)和7(b)可以看出，隨著光照強度的增大，圖7(b)中的像素灰度的動態(tài)范圍整體增大，但反映圖像內在性質的高頻細節(jié)部分和圖7(a)基本一致。由2.2節(jié)反射分量的特性1可知，對MSR方法提取的反射分量進行z-score 標準化后，可以去除反射分量中殘留的照射分量，只保留反映圖像本質屬性的反射分量。因此，增強效果基本不受光照變化的影響。圖7(a)和7(b)的增強效果分別如圖7(e)和7(f)所示。

3.1.2 陰影的影響

圖7中，7(c)和7(d)均為包含陰影的鋼軌缺陷圖像。在圖7中存在局部灰度值偏低的陰影區(qū)域，由于沿列車運行方向，在線形窗口中鋼軌表面的反射特性基本不變。由2.2節(jié)z-score 標準化后反射分量的特性2，在局部窗口中反射分量具有零均值和單位標準差的特性，這使得由不均勻反射(垂直于列車運行方向反射特性變化較大)造成灰度值存在顯著差異的陰影區(qū)域和高光區(qū)域，在經過標準化后2部分區(qū)域灰度值趨于相似。圖7(c)和7(d)的增強效果分別如圖7(g)和7(h)所示。

(a) 光照條件1；(b) 光照條件2；(c) 含陰影圖像；(d) 含陰影圖像；(e) 圖(a)的增強結果； (f) 圖(b)的增強結果；(g) 圖(c)的增強結果；(h) 圖(d)的增強結果

3.2 與其他方法比較

將本文方法分別與HE方法、MSR方法[19]的增強效果進行對比，部分實驗結果如圖8所示。圖8(a)為不同軌道環(huán)境下采集的鋼軌圖像。其中，圖8(a1)和8(a2)為隧道鋼軌圖像，2幅圖像的灰度整體偏低且都包含疤痕缺陷。圖8(a3)和8(a4)為普通區(qū)間鋼軌圖像，2幅圖像都包含疤痕缺陷和反射不均產生的陰影。

(a1) 隧道鋼軌圖像；(a2) 隧道鋼軌圖像；(a3) 普通區(qū)間鋼軌圖像；(a4) 普通區(qū)間鋼軌圖像； (b1) 圖(a1)的增強結果；(b2) 圖(a2)的增強結果；(b3) 圖(a3)的增強結果；(b4) 圖(a4)的增強結果； (c1) 圖(a1)的增強結果；(c2) 圖(a2)的增強結果；(c3) 圖(a3)的增強結果；(c4) 圖(a4)的增強結果； (d1) 圖(a1)的增強結果；(d2) 圖(a2)的增強結果；(d3) 圖(a3)的增強結果；(d4) 圖(a4)的增強結果 (a) 不同軌道環(huán)境下采集的鋼軌圖像；(b) HE方法增強結果；(c) MSR方法增強結果；(d) 本文方法增強結果

HE方法對圖8(a)中各鋼軌圖像的增強結果如圖8(b)所示。該方法將原始圖像的直方圖變換為均勻分布的形式，以達到增強對比度的效果。對圖8(a)中各鋼軌圖像不同程度地出現(xiàn)了過增強現(xiàn)象，這主要是由于圖8(a1)和8(a2)的直方圖峰值較高，而圖8(a3)和8(a4)中存在光照突變過于強烈的特征。

MSR方法對圖8(a)中各鋼軌圖像的增強結果如圖8(c)所示。從圖8可以看出，采用MSR方法對圖8(a1)和8(a2)增強后缺陷區(qū)域的對比度顯著提高。而對于圖8(a3)所示的含高光區(qū)域的鋼軌圖像，雖然較好的保留了圖像的細節(jié)部分，但在高光區(qū)域邊界處出現(xiàn)偽影(如圖8(c3)中橢圓內的區(qū)域)，且難以去除圖8(a4)中局部灰度偏低的陰影區(qū)域。這主要是因為MSR方法假設圖像中各個方向的空間照度是緩慢變化的，隧道內采集鋼軌圖像由于灰度整體偏低且變化范圍較小，與假設前提較吻合。而圖8(a3)中的高光區(qū)域和圖8(a4)中的陰影區(qū)域，在垂直于列車運行方向空間照度產生了突變，因此，增強效果不理想。

本文方法增強結果如圖8(d)所示。從圖8可以看出，本文方法對圖8(a1)和8(a2)的增強效果更加清晰，圖8(d2)中的細節(jié)展示方面優(yōu)于MSR方法。主要由于本文方法在MSR方法的處理框架中加入反射分量z-score 標準化環(huán)節(jié)，該過程去除了反射分量中混入的照射分量，得到了更加準確的反射分量。對圖8(a3)和8(a4)增強后缺陷與背景的對比度顯著提高，有效去除了圖像中的陰影區(qū)域且不會出現(xiàn)偽影。這主要是由于z-score 標準化后的反射分量在沿列車運行方向的線形窗口內具有零均值和單位標準差的特性，使得圖中的陰影區(qū)域、高光區(qū)域和正常軌面區(qū)域具有均一的背景，因此可以去除陰影區(qū)域，使整幅圖像的亮度均勻。

采用3種方法對不同軌道環(huán)境下采集所有測試圖像增強后，信息熵、對比度和清晰度的平均值如表1所示。從表1可以看出，本文方法增強結果的3個指標均高于HE方法和MSR方法，說明本文方法可以有效提高鋼軌圖像的對比度和清晰度，同時較好地保持圖像細節(jié)信息。但由于增加了z-score 標準化環(huán)節(jié)，本文方法的運算時間略高于MSR 方法。

表1 所有測試圖像的平均指標

4 結論

1) 在傳統(tǒng)的MSR處理框架中加入反射分量z-score 標準化環(huán)節(jié)，去除了反射分量提取結果中殘留的照射分量，從而彌補傳統(tǒng)Retinex 模型中照射分量估計不準確的缺陷，提高了缺陷與背景對 比度。

2) z-score 標準化后的反射分量在沿列車運行方向的線形窗口內具有零均值和單位標準差的特性，使得圖中的陰影區(qū)域、高光區(qū)域和正常軌面區(qū)域具有均一的背景，可使整幅圖像的亮度均勻。

3) 該方法對光照變化具有較強的適應性，能夠適應軌檢現(xiàn)場復雜的光照條件。

[1] 王軍. 基于視覺注意力和 PLSA 模型的鋼軌表面缺陷檢測[J]. 鐵道科學與工程學報, 2015, 12(3): 509?514. WANG Jun. Rail surface defect detection based on visual attention and PLSA model[J]. Journal of Railway Science and Engineering, 2015, 12(3): 509?514.

[2] Molodova M, LI Z, Nunez A, et al. Automatic detection of squats in railway infrastructure[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(5): 1980?1990.

[3] Gibert X, Patel V M, Chellappa R. Deep multitask learning for railway track inspection[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(1): 153?164.

[4] LI Q, REN S. A real-time visual inspection system for discrete surface defects of rail heads[J]. IEEE Transactions on Instrumentation and Measurement, 2012, 61(8): 2189?2199.

[5] Resendiz E, Hart J M, Ahuja N. Automated visual inspection of railroad tracks[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(2): 751? 760.

[6] 楊萬挺, 汪榮貴, 方帥, 等. 濾波器可變的Retinex霧天圖像增強算法[J]. 計算機輔助設計與圖形學學報, 2010, 22(6): 965?971. YANG Wanting, WANG Ronggui, FANG Shuai, et al. Variable filter Retinex algorithm for foggy image enhancement[J]. Journal of Computer-Aided Design & Computer Graphics, 2010, 22(6): 965?971.

[7] 李東航. 基于不均勻光照圖像增強算法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2011. LI Donghang. Image enhancement algorithms based on non-uniform lighting conditions[D]. Harbin: Harbin Institute of Technology, 2011.

[8] 李錦, 王俊平, 萬國挺, 等. 一種結合直方圖均衡化和MSRCR的圖像增強新算法[J]. 西安電子科技大學學報, 2014, 41(3): 103?109. LI Jin, WANG Junping, WAN Guoting, et al. Novel algorithm for image enhancement with histogram equalization and MSRCR[J]. Journal of Xidian University, 2014, 41(3): 103?109.

[9] 肖進勝, 單姍姍, 段鵬飛, 等. 基于不同色彩空間融合的快速圖像增強算法[J]. 自動化學報, 2014, 40(4): 697?705. XIAO Jinsheng, SHAN Shanshan, DUAN Pengfei, et al. A fast image enhancement algorithm based on fusion of different color spaces[J]. Acta Automatica Sinica, 2014, 40(4): 697?705.

[10] Park S, Yu S, Moon B, et al. Low-light image enhancement using variational optimization-based Retinex model[J]. IEEE Transactions on Consumer Electronics, 2017, 63(2): 178?184.

[11] Choi D H, Jang I H, Mi H K, et al. Color image enhancement using single-scale Retinex based on an improved image formation model[C]// Signal Processing Conference. Piscataway, NJ: IEEE, 2015: 1?5.

[12] 余金棟, 張憲民, 陳忠. 尺度優(yōu)化的Retinex增強算法與微視覺圖像增強[J]. 華南理工大學學報(自然科學版), 2013, 41(2): 7?11. YU Jindong, ZHANG Xianmin, CHEN Zhong. Retinex enhancement algorithm with scale optimization and micro vision image enhancement[J]. Journal of South China University of Technology (Natural Science Edition), 2013, 41(2): 7?11.

[13] 李驁, 李一兵, 劉丹丹, 等. 基于非下采樣輪廓波的多曝光工件圖像Retinex增強方法[J]. 吉林大學學報, 2012, 42(6): 1592?1596. LI Ao, LI Yibing, LIU Dandan, et al. Retinex enhancement method of multi-exposure workpiece images based on NSCT[J]. Journal of Jilin University, 2012, 42(6): 1592?1596.

[14] Jang J H, Bae Y, Ra J B. Contrast-enhanced fusion of multisensor images using subband-decomposed multiscale Retinex[J]. IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society, 2012, 21(8): 3479?90.

[15] 蔣永馨, 王孝通, 徐曉剛, 等. 一種基于光照補償的圖像增強算法[J]. 電子學報, 2009, 37(增1): 151?155. JIANG Yongxin, WANG Xiaotong, XU Xiaogang, et al. A method for image enhancement based on light compensation[J]. Acta Electronica Sinica, 2009, 37(Suppl 1): 151?155.

[16] 吳壯志, 齊立娜, 駱沛. 基于分片光滑照度估計的Retinex圖像處理框架[J]. 國防科技大學學報, 2011, 33(3): 83?88. WU Zhuangzhi, QI Lina, LUO Pei. A Retinex image processing framework based on estimation of piecewise smooth illumination[J]. Journal of National University of Defense Technology, 2011, 33(3): 83?88.

[17] 畢國玲, 續(xù)志軍, 趙建, 等. 基于照射_反射模型和有界運算的多譜段圖像增強[J]. 物理學報, 2015, 64(10): 74?82. BI Guoling, XU Zhijun, ZHAO Jian, et al. Multispectral image enhancement based on irradiation-reflection model and bounded operation[J]. Acta Physica Sinica, 2015, 64(10): 74?82.

[18] 馬時平, 張明, 畢篤彥, 等. 一種細節(jié)保持的Retinex圖像增強算法[J]. 西安電子科技大學學報(自然科學版), 2010, 37(3): 541?546. MA Shiping, ZHANG Ming, BI Duyan, et al. Novel detail preserving Retinex algorithm for image enhancement[J]. Journal of Xidian University (Natural Science), 2010, 37(3): 541?546.

[19] Gunawan A A S, Setiadi H. Handling illumination variation in face recognition using multiscale Retinex[C]// International Conference on Advanced Computer Science and Information Systems. Piscataway, NJ: IEEE, 2017:470-475.

[20] WU H, YANG G, XU Z, et al. Remote sensing image enhancement method based on multi-scale Retinex[C]// International Conference of Information Technology, Computer Engineering and Management Sciences. Piscataway, NJ: IEEE, 2011: 15?18.

(編輯 蔣學東)

Research on image enhancement preprocessing method in rail surface defects detection system

YUE Biao1, 2, MIN Yongzhi1, 3, MA Hongfeng4, XIAO Benyu1

(1. School of Automation and Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China; 2. Introduction of Computer Science and Technology Experimental Teaching Demonstration Center of National, Lanzhou 730070, China; 3. Gansu Provincial Engineering Research Center for Artificial Intelligence and Graphics & Image Processing, Lanzhou 730070, China; 4. School of Electronic Information Engineering, Lanzhou Institute of Technology, Lanzhou 730050, China)

The change of illumination condition and track environment can result in serious degradation of the acquired rail images, which is very detrimental to subsequent defects detection. Therefore, an enhancement method for rail surface defects image was proposed based on Retinex. Firstly, the rail image acquisition device was designed by analyzing the formation mechanism and imaging characteristics of rail surface characteristics. Secondly, the single-scale and multi-scale Retinex methods were studied and the problems existed when it was used in rail image enhancement were analyzed, and the z-score standardization link of reflection component was introduced to improve traditional Retinex image processing framework on this basis. Finally, the validity of the improved method was verified by theoretical derivation and experiments under different conditions. The results show that this method is robust to illumination changes, and can improve the contrast between the defects and background while overcoming the interference of shadow effectively. After enhancing the rail image in different track environments, the information entropy, contrast and clarity index are better than traditional method, which lays the foundation for further accurate extraction of defect characteristics.

rail image enhancement; Retinex; reflected component; z-score standardization

10.19713/j.cnki.43?1423/u.2018.12.030

TP391.4

A

1672 ? 7029(2018)12 ? 3248 ? 09

2017?11?06

國家自然科學基金資助項目(61663022, 61461023)；長江學者和創(chuàng)新團隊發(fā)展計劃資助項目(IRT_16R36)；甘肅省自然科學基金資助項目(18JR3RA105)；蘭州交通大學優(yōu)秀科研團隊資助項目(201701)

閔永智(1975?)，男，陜西城固人，教授，博士，從事智能測試及機器視覺方面的研究；E?mail：minyongzhi@mail.lzjtu.cn