基于多元重映射的γ辐射场景图像增强方法.pdf

第 49卷 第 11期2023年 11月Computer Engineering 计算机工程基于多元重映射的 辐射场景图像增强方法方琳琳1，邓豪1，张华1，赵俊琴2（1.西南科技大学 信息工程学院 特殊环境机器人技术四川省重点实验室，四川 绵阳 621010；2.中国空气动力研究与发展中心 空天技术研究所，四川 绵阳 621000）摘要：辐射场景下 CMOS图像传感器受高能光子影响，成像图像存在对比度不足、偏色等视觉退化问题，严重干扰 辐射场景的清晰化可视化效果。为提升场景视觉图像质量，提出一种基于多元重映射的 辐射场景图像增强方法，从提升图像对比度和消除颜色失真 2个方面实现 辐射场景的清晰可视化效果。针对 辐射场景图像对比度不足的问题，利用限制对比度直方图均衡方法在抑制图像结构信息过度增强的同时提升图像对比度。针对 辐射场景图像偏色的问题，采用颜色直方图重映射方法改善各颜色分量动态响应不均衡。通过分段非线性重映射对亮、暗区域进行不同程度的校正，解决在对比度提升及颜色校正过程中因亮暗像素同等尺度调节引起的图像局部过调问题。在真实 辐射场景图像上进行多组对比实验，结果表明，相比典型图像增强方法，该方法在颜色、对比度、信息熵量化指标及视觉呈现中均取得较优的效果，图像质量综合评价指标最高可为 3.140 76。关键词：辐射；图像增强；对比度提升；偏色校正；非线性重映射开放科学（资源服务）标志码（OSID）：源代码链接：https：/ 辐射场景图像增强方法 J.计算机工程，2023，49（11）：195-202.英文引用格式：FANG L L，DENG H，ZHANG H，et al.Image enhancement method for radiation scene based on multi-variate remapping J.Computer Engineering，2023，49（11）：195-202.Image Enhancement Method for Radiation Scene Based on Multi-Variate RemappingFANG Linlin1，DENG Hao1，ZHANG Hua1，ZHAO Junqin2（1.Robot Technology Used for Special Environment Key Laboratory of Sichuan Province，School of Information Engineering，Southwest University of Science and Technology，Mianyang 621010，Sichuan，China；2.Institute of Aerospace Technology，China Aerodynamics Research and Development Center，Mianyang 621000，Sichuan，China）【Abstract】In radiation scenarios，CMOS image sensors are susceptible to the influence of high-energy photons.This leads to visual degradation problems，including insufficient contrast and color distortion in the captured images，ultimately hindering clear visualization of radiation scenes.To improve the visual image quality of the scene，a method based on multi-variate remapping is proposed as a radiation scene image enhancement method.It is implemented from two aspects：improving image contrast and eliminating color distortion to ensure clear visualization of radiation scenes.This method utilizes a limited contrast histogram equalization method to suppress excessive enhancement of image structural information while improving radiation scene image contrast.To address the issue of color deviation in radiation scene images，a color histogram remapping method is used to improve the uneven dynamic response of each color component.This involves using segmented nonlinear remapping to correct bright and dark regions to varying degrees，thus resolving the problem of local image overshoot caused by adjusting the same scale of bright and dark pixels during contrast enhancement and color correction.In reality，multiple comparative experiments are conducted on radiation scene images.The experimental results indicate that，when compared to typical image enhancement methods，this method achieves superior results in terms of color，contrast，information entropy quantification indicators，and visual presentation.The highest comprehensive evaluation index for image quality can reach 3.140 76.【Key words】radiation；image enhancement；contrast improvement；color cast correction；nonlinear remappingDOI：10.19678/j.issn.1000-3428.0066322基金项目：国防基础科研计划（JCKY2020404C001）；国家自然科学基金（12175187）；四川省科技计划项目（2021YFG0376）。作者简介：方琳琳（1998），女，硕士研生，主研方向为图像降噪、图像增强；邓 豪，博士研究生；张 华（通信作者），教授、博士、博士生导师；赵俊琴，初级工程师、硕士。.收稿日期：2022-11-22 修回日期：2023-01-15 Email：图形图像处理文章编号：1000-3428（2023）11-0195-08 文献标志码：A 中图分类号：TP391.42023年 11月 15日Computer Engineering 计算机工程0概述 核能开发、核技术利用、核安全与核废物处理处置等工程应用常须对强辐射环境进行监测1-3。视觉监测最直观有效，但是核辐射中的 射线会对图像成像过程产生严重干扰，使成像图像存在对比度不足、偏色等视觉退化问题。因此，提高视觉质量是核辐射环境监测的关键。针对场景图像对比度不足的问题，研究人员从基 于 直 方 图 均 衡（Histogram Equalization，HE）4-6、Retinex7-9及深度学习10-12等方法入手，探索不同算法在对比度提升中的作用。HE4是图像对比度增强的典型算法，其在图像全局进行直方图调整，可能导致 图 像 局 部 欠 调 或 过 调。自 适 应 直 方 图 均 衡（Adaptive Histogram Equalization，AHE）5对图像局部亮度进行适应性调整，能够有效解决 HE中整体图像的欠调或过调，但是局部对比度过高会引起图像失真，同时放大图像中的噪声信息。限制对比度自适应直 方 图 均 衡（Contrast Limited Adaptive Histogram Equalization，CLAHE）6能有效解决 AHE 算法的图像局部对比度过高、噪声像素干扰问题，双线性插值会导致图像细节丢失。Retinex7理论认为颜色具有恒常性，通过对图像进行高斯滤波估计光照分量，对分 离 出 的 光 照 分 量 或 反 射 分 量 进 行 增 强。基 于Retinex 的快速算法（Retinex-Based Fast Algorithm，RBFA）8采用 Retinex模型增强图像亮度，在 Retinex模 型 的 基 础 上 进 一 步 加 快 算 法 速 度。多 尺 度Retinex9在多个高斯滤波尺度下提取图像光照分量，对不同光照分量进行增强和融合，以实现低照度图像增强。基于 Retinex 模型的方法主要通过提升图像亮度实现图像增强，被广泛应用于低照度图像增强中，在图像对比度提升中性能较差。在深度学习 图 像 增 强 中，生 成 对 抗 网 络（Generative Adversarial Network，GAN）10被用于学习待增强图像与目标图像之间的映射关系，采用训练的模型对图像进行增强。文献 11 采用 U-Net网络对特征金字塔的多个特征分量图像进行编解码，同时将卷积与残差块相融合以提升网络对图像特征的提取和表达能力，融合提取到的多个尺度特征即可获得增强后图像。文献 12 设计深度曲线估计网络（DCE-Net）训练并预测图像像素和亮度的非线性映射曲线，通过该曲线对图像亮度进行重映射实现图像增强。此类方法能够在具有较大数据集的基础上对低照度图像进行增强，应用场景广泛但不具有针对性，在 辐射场景中图像数据受 射线影响，成像质量较差且数据有限，无法为深度学习方法提供足够的数据集，因此，此类方法在 辐射场景中应用受限。针对场景图像中的偏色问题，研究人员将自动白平衡（Automatic White Balance，AWB）13-15方法作为研究起点，积极探索图像偏色校正的有效途径。灰度世界先验13认为颜色具有恒常性，基于各颜色通道均值相同这一假设，结合图像光照估计可实现图像恢复。传统 AWB 假设成像环境中仅存在 1 个照 明 光 源，在 复 杂 光 照 环 境 下 并 不 适 用，改 进AWB14对多光源场景下的图像颜色校正进行探索。与单光源不同，改进 AWB 需要估计多个光源白点，并将其作为参考白点校正图像中的颜色失真。改进AWB 实质上还是基于光源估计对图像进行颜色校正，而文献 15 也对混合光场景下的图像颜色校正进行探索，该方法采用预定义白平衡设置取代传统AWB 中的光源估计，根据白平衡设置对图像进行颜色渲染，使图像颜色分布均匀。AWB 算法的偏色校正效果依赖于参考白点的选取，算法稳定性较差。除 AWB 算法以外，研究人员尝试从不同角度解决成像 图 像 偏 色 问 题，近 年 来，光 谱 衰 减 分 析 备 受 关注16-18。文献 16 基于光在特殊环境中的传播、反射、折射原理，在偏色图像中根据各颜色通道与颜色有损失的通道之间差异计算颜色补偿分数，通过对各颜色通道进行增强改善整体颜色分布。文献 17同样根据光照传播模型和光散射原理，将彩色图像分为投射和非投射图像，将自适应模拟光照影响加入彩色投射图像颜色重建中，同时结合颜色通道的非线性重映射，实现图像颜色的恢复。文献 18 根据颜色恒常性将图像中的非均匀光照信息转换为均匀光照信息，根据光在特定场景下的传播方式分析图像偏色特性，参考图像中颜色分布较均匀的通道对其他通道颜色信息进行恢复，使整体颜色自然。本文提出基于多元重映射的 辐射场景图像增强方法。针对 辐射场景图像中对比度不足、偏色及局部过响应等问题，采用限制对比度直方图均衡、颜色分量重映射、分段非线性重映射的多元非线性重映射策略增强图像质量。1实现方法 针对 辐射场景图像中对比度不足、颜色失真等视觉退化问题，本文提出一种基于多元重映射的 辐射场景图像增强方法，整体流程如图 1所示。该方法主要包括对比度提升、偏色校正、分段非线性重映射 3个部分。1）在 辐射环境中因 CMOS 图像传感器满阱容量持续降低，导致图像对比度不足，将 辐射场景图像从 RGB色彩空间转换到 YUV 色彩空间，在 Y通道利用限制对比度直方图均衡方法提升图像对比度，并将对比度增强后的YUV图像转换到RGB色彩空间。图 1辐射场景图像增强流程Fig.1Image enhancement procedure of radiation scene196第 49卷 第 11期方琳琳，邓豪，张华，等：基于多元重映射的 辐射场景图像增强方法2）针对 辐射环境中由各颜色分量动态范围不一致引起图像偏色的问题，采用颜色分量重映射方法调整 R、G、B 3 个通道的色度分布，消除 辐射场景图像中的偏色现象。3）因图像对比度提升及偏色校正过程中过调导致图像局部过暗、过亮，采用分段非线性重映射方法对 辐射场景图像 Y 通道中的亮暗区域亮度进行校正，同时压缩亮区域。1.1对比度提升CMOS图像传感器受辐照后满阱容量持续降低的影响，导致成像图像对比度不足。传统直方图均衡导致图像对比度过调，CLAHE中分块对比度增强又容易导致图像细节损失。因此，本文在全局上采用限制对比度直方图均衡方法提升 辐射场景图像对比度。图像对比度不足的主要原因是亮度直方图分布不均衡，因此，本文仅对亮度图像进行直方图重映射，在提升图像对比度的基础上最大限度地保留图像颜色和细节。将输入图像I从 RGB 颜色空间转换到 YUV 颜色空间，并取出亮度 Y进行调节。对于采样位数为 8的数字图像，其亮度级k(k 0255)的概率密度函数f(k)如式（1）所示：f(k)=nk/n（1）其中：nk、n分别表示亮度级k的像素数量、像素总数量。限制对比度直方图均衡方法主要通过对亮度直方图进行裁剪和重分布实现，如式（2）所示：fnew(k)=t+m，f(k)tf(k)+m，f(k)t（2）其中：fnew为对比度限制后的概率密度分布函数；m为直方图剪枝后重平均部分；t=0.5fmax为直方图限制阈值，fmax表示最大概率密度函数。亮度直方图经裁剪及重分布后，亮度级l对应的累积分布函数f 1(l)及重映射值Iol计算式如下：f 1(l)=k=1lfnew(k)Iol=255f 1(l)（3）1.2偏色校正利用限制对比度直方图均衡方法能显著提升 辐射场景图像对比度，但是该方法无法有效解决 辐射场景图像中由颜色分量动态响应不均衡存在的偏色问题，还须对图像进行偏色校正。颜色分量动态响应不均衡的常规解决思路是采用重映射方法校正颜色分量，一般将线性函数作为重映射描述式，但校正后的图像中存在整体偏暗或偏亮的问题，与人眼视觉严重不符。因此，本文提出基于颜色分量非线性重映射的偏色校正方法。颜色分量重映射方法通过对输入图像各颜色通道进行非线性重映射，以实现图像偏色校正，其数学描述如式（4）所示：Ioc=255f 1(c)（4）其中：Ioc为颜色校正结果；f 1(c)为色阶cc 0255的累积分布函数。f 1(c)计算式如式（5）所示：f 1(c)=k=0cf(k)（5）其中：f(k)为色阶k的概率密度函数。传统偏色校正方法采用线性函数对图像颜色进行一致性重映射，突出校正后图像中无意义的颜色细节，而感兴趣信息增强不明显。针对该问题，同时使校正后各颜色色阶分布更均匀，在校正过程中采用平方根映射方法，数学描述如式（6）所示：f(k)=nk/ssum，c 22nk/ssum，2 c Pm（8）其中：I(l)为亮度级l的非线性重映射结果；Pm为图像亮度均值；Pd、Pb分别为暗像素、亮像素重映射的数学表达式。Pd和Pb的计算式如式（9）和式（10）所示。图 2亮度分布曲线Fig.2Brightness distribution curve1972023年 11月 15日Computer Engineering 计算机工程本文使用该分段非线性重映射函数对图像中暗、亮区域进行不同程度的重映射，使增强后的图像更符合人眼视觉特性，且增强后图像亮度分布更均匀。Pd=lg()l/255l+1()Pmax/255l+1l=exp()1ntotallg()C+l/255（9）Pb=lg(l+1)=()-l-PminPmax-Pmin+（10）其中：l为图像亮度的对数均值；Pmax、Pmin为图像亮度的最大值和最小值；设置常数C=0.000 1可有效避免对数函数幂为 0 的情况；为校正系数；（，）为系数归一化范围。为实现亮区域亮度校正，取值范围应为（0，1）。本文通过控制变量实验确定最佳归一化范围为 （0.20.3），即取=0.2、=0.3。2实验与结果分析 为验证基于多元重映射的 辐射场景图像增强方法的增强效果，本文在真实 辐射场景图像上进行多组对比实验，同时通过消融实验确定算法的最佳参数取值。实验数据均来自 Co60 实验室所获取的场景图像，各图像均由 Stereo Labs 公司的 ZED 2双目相机的右侧 CMOS 图像传感器获取，当采集各图 像 时 ZED 2 受 到 的 辐 射 剂 量 分 别 为 20 Gy/h、20 Gy/h、100 Gy/h、50 Gy/h。针对 辐射环境图像对比度不足、偏色的问题，本文选取近年来图像增强领域的代表算法，采用文献 20-23 及本文所提的图像增强方法对 辐射场景图像进行增强处理，通过实验对比分析验证本文方法的有效性。各方法参数配置均按照其典型实验予 以 设 置，且 均 在 参 数 为 Intel CoreTM i5-6200U CPU2.30 GHz、4 GB 内存的实验平台上进行，程序开发平台 Visual Studio 2015OpenCV 4.2。仅依靠视觉对比难以准确评估实验中各算法在 辐射场景图像上的增强效果，因此，本文实验采用等效圆偏色检测24、改进 AME对比度检测25以及离散熵（Discrete Entropy，DE）图像细节检测263 种图像增强质量评价指标，并将这 3 个指标平均数作为衡量 辐射场景图像增强效果的参考值。等效圆偏色检测将图像平均色度与色度中心距之比作为衡量图像偏色程度的偏色因子，其值越大则偏色程度越严重，数学描述如式（11）所示：C=D/RD=d2a+d2b=i=0M-1j=0N-1a/MN+i=0M-1j=0N-1b/MNR=i=0M-1j=0N-1(a-da)2/MN+i=0M-1j=0N-1(b-db)2/MN（11）其中：C为图像偏色检测因子；R表示a-b色度平面上中心点为(dadb)的等效圆半径，表征图像色度中心距；D为等效圆中心点到色度平面原点（即a=0，b=0）的距离，表征图像平均色度；MN表示图像大小。改进 AME 对比度衡量指标根据人眼视觉特性及图像增强机制对图像中的k1k2个块分别计算对比度，将块对比度平均值作为衡量图像质量的标准，其值越大表明图像对比度越强，如式（12）所示：AAME c=1k1k2i=1k1j=1k2()lg()Imax ij+Imin ijImax ij-Imin ij-0.5（12）其中：AAME c为图像对比度指标；Imax ij、Imin ij分别表示中心点为(ij)的图像块中像素最大值和最小值。DE根据图像灰度分布计算，其值越大表明图像细节信息越多，如式（13）所示：DDE=-i=0255p(i)lg p(i)（13）其中：DDE为图像细节保留指标；p(i)为图像的全局归一化直方图。将上述 3 个指标的平均值作为评价 辐射场景图像增强质量的综合量化指标，如式（14）所示：Iq=()C-1+AAME c+DDE/3（14）其中：Iq为图像增强的综合评价指标，其值越大则图像增强效果越好。2.1视觉对比为清晰对比各算法在 辐射场景图像上的增强效果，本文在真实 辐射场景图像上进行多组对比实验。各算法在典型数据上的增强效果如图 3图 6所示（彩色效果见 计算机工程 官网 HTML版）。从图 3图 6 可以看出，本文方法在典型 辐射场景图像增强中表现最佳，主要从图像对比度提升和颜色校正 2个方面增强图像信息。文献 20 提出的图像增强方法分别采用 CLAHE 和非锐化掩膜增强图像对比度和细节信息，从图像增强视觉效果图 3（b）、图 4（b）、图 5（b）和图 6（b）可以看出，文献 20 方法能够显著提升 辐射场景图像对比度，在一定程度上增强图像细节信息，但是无法解决 辐射场景图像 中 因 颜 色 分 量 动 态 响 应 不 均 衡 导 致 偏 色。文献 21 提出基于颜色具有恒常性的自动白平衡策略，在图像不同颜色通道中采用同一系数确定各颜色权重，受 辐射场景中颜色分量动态响应不均衡性的影响，导致单一颜色通道像素异常值增加，采用同一校正系数改善图像偏色的方法具有一定局限性，且文献 21 方法对图像对比度提升无明显效果。文献 22 基于 Retinex 模型和自引导滤波实现低照度图像增强，通过 Retinex 模型估计光照分量，同时采用迭代自引导滤波细化图像细节信息，从图 3（d）、图 4（d）、图 5（d）和图 6（d）可以看出，文献 22 方法在 辐射场景图像增强中表现较差，使 用 迭 代 自 引 导 滤 波 使 得 图 像 变 得 模 糊。文献 23 方法利用高斯滤波进行图像亮度分量提取，采用改进对数变换进行图像亮度分量重映射，198第 49卷 第 11期方琳琳，邓豪，张华，等：基于多元重映射的 辐射场景图像增强方法从图 3（e）、图 4（e）、图 5（e）和图 6（e）可以看出，使用文献 23 方法增强后的图像细节模糊且无法消除图像偏色。本文方法从图像对比度提升、偏色校正 2 个方面改善图像质量，采用分段非线性重映射抑制图像亮、暗像素校正过程中的过响应，进一步增强图像细节信息。2.2量化指标分析为准确评估各算法在 辐射场景图像增强中的性能，本文在视觉对比基础上对各算法性能进行量化指标分析，分别采用偏色因子的倒数C-1、对比度指标AMEc、图像细节保留指标DE及图像质量综合评价指标Iq衡量算法的增强性能。表 1 所示为各方法增强图像的质量评价指标，加粗表示最优数据。图 4辐射场景图像增强效果对比 2Fig.4Comparison 2 of radiation scene image enhancement effects图 3辐射场景图像增强效果对比 1Fig.3Comparison 1 of radiation scene image enhancement effects图 5辐射场景图像增强效果对比 3Fig.5Comparison 3 of radiation scene image enhancement effects图 6辐射场景图像增强效果对比 4Fig.6Comparison 4 of radiation scene image enhancement effects1992023年 11月 15日Computer Engineering 计算机工程从表 1可以看出，本文方法在典型 辐射场景图像的增强中表现最佳，图 3图 5的图像质量综合评价指标Iq分别领先第 2 名 0.748 41、0.405 82、1.118 91，图 6 的 质 量 评 价 指 标Iq领 先 第 2 名 0.921 89。文献 20 方法采用 CLAHE算法提升图像对比度，同时采用非锐化掩膜增强图像细节信息，文献 20 所提的方法在多个对比算法中对比度提升和细节保留效果最好，其对比度指标和细节保留指标与原图相比均有提升，但增强效果有限且对图像偏色不敏感，无 法 有 效 解 决 辐 射 场 景 图 像 中 的 偏 色 问 题。文献 21 方法采用偏色校正方法对图像进行颜色补偿时在各颜色通道中采用同一补偿系数，辐射场景图像中单一颜色通道异常像素值比例较高，因此经过颜色校正后的图像中仍然存在偏色现象，同时该方法无法解决 辐射场景图像对比度不足的问题，因 此 各 项 评 价 指 标 与 原 图 相 比 无 明 显 优 势。文献 22 方法将 Retinex 理论与迭代自引导滤波模型相结合完成低光照图像的亮度增强，基于光照估计的增强算法在 辐射场景图像增强中无明显效果，且自引导滤波使图像变得模糊，因此其对比度、颜色及图像细节保留指标均低于原图。文献 23 方法通过对亮度图像对数变换减少非均匀光照对图像的影响，该方法无法有效改善图像质量，故其量化评价指标与原图相比无明显提升。2.3消融实验针对图像中亮、暗区域同等映射存在局部亮度过调问题，本文通过对图像中亮、暗像素进行分段式重映射，实现局部亮度校正。本文通过对比实验确定亮区域校正系数取值范围()，分别取不同和值，根据图像增强视觉效果和量化指标评价确定参数，视觉效果如图 7和图 8所示（彩色效果见 计算机工程 官网 HTML 版），参数变化对图像增强量化指标的影响如表 2所示。图 7当参数变化时场景 1的图像增强效果Fig.7Image enhancement effects of scene 1 when parameters change表 1不同方法增强图像的质量评价指标 Table 1Quality evaluation indicators for image enhancement using different methods图像图 3图 4图 5图 6评价指标C-1AMEcDEIqC-1AMEcDEIqC-1AMEcDEIqC-1AMEcDEIq辐射场景图像0.519 930.553 694.683 911.919 170.462 240.571 374.601 331.878 310.268 240.573 484.617 691.819 800.769 890.608 504.897 802.092 06文献20方法0.558 170.641 515.225 792.141 820.486 500.661 985.180 692.109 720.305 670.665 355.094 552.021 850.440 620.711 765.344 922.165 77文献21方法0.570 000.560 994.782 481.971 150.492 600.582 484.720 691.931 920.334 120.585 504.742 191.887 270.647 540.617 975.018 102.094 54文献22方法0.518 000.491 534.673 421.894 310.459 680.502 944.574 101.845 570.265 730.484 324.542 701.764 250.755 030.491 254.896 742.047 67文献23方法0.518 840.540 365.102 632.053 940.459 720.554 344.979 931.998 000.268 350.527 435.035 511.943 760.762 740.556 205.285 022.201 32本文方法2.428 540.834 215.407 942.890 231.315 810.811 505.419 332.515 543.216 030.874 685.331 563.140 763.275 930.738 205.355 493.123 21200第 49卷 第 11期方琳琳，邓豪，张华，等：基于多元重映射的 辐射场景图像增强方法从图 7 和图 8 可以看出，仅当=0.1、=0.3和=0.2、=0.3时增强后的图像不存在失真问题。参数变化对图像增强量化指标的影响如表 2所示。从表 2可以看出，上述 2组参数的图像质量综合评价指标Iq均优于其他参数，但是当=0.1、=0.3时，图像呈现的整体效果较亮。当=0.1、=0.3时图像的对比度指标比=0.2、=0.3略低，后者视觉效果和图像质量综合评价指标最佳，辐射场景图像增强效果最佳。当=0.1、=0.2时，系数过小导致图像亮度校正不充分，图像整体偏白且存在细节损失问题，该参数下图像颜色指标较优，但是图像对比度和图像细节保留指标均较差。当=0.1、=0.4时，图像整体偏白的问题得到改善，但由于图像亮度过校正，因此图像中亮区域细节信息丢失，亮度过校正使图像对比度指标提升，但是该参数下图像颜色指标、细节保留指标及综合质量评价指标较低。当=0.2、=0.4时进一步加剧了图像锐化程度，故图像对比度指标增大，但 图 像 存 在 细 节 损 失，其 他 指 标 较 低。当=0.2、=0.5时，图像锐化程度最严重，图像中亮区域的过度增强使重映射后图像暗区域更暗，图像细节严重丢失，表 2数据表明其图像对比度指标最高，但其他指标与其他参数指标相比最低。因此本文选取=0.2、=0.3作为系数的范围。3结束语 针对 辐射场境下视觉监测图像对比度不足、图像偏色的问题，本文提出一种基于多元重映射的 辐射场景图像增强方法，该方法包括图像亮度重映射、图像色度重映射及分段非线性重映射，从对比度提升、偏色校正和过响应抑制 3 个方面完成图像增强。对多组真实 辐射场景图像增强进行实验，结果表明，该方法在对比度提升、偏色校正、细节保留各单项指标中均表现最佳，有效解决 辐射场景图像对比度不足、偏色、局部过调等问题。下一步将对辐射场景图像中的亮斑抑制进行研究，以达到改善图像视觉质量和丰富图像细节信息的效果。参考文献 1 管嘉焕，任旭平，邵伟恒，等.核电厂核辐射监测系统电磁敏感性研究 J.核电子学与探测技术，2021，41（6）：1103-1109.GUAN J H，REN X P，SHAO W H，et al.Study on electromagnetic sensitivity of nuclear radiation monitoring system in nuclear power plant J.Nuclear Electronics&Detection Technology，2021，41（6）：1103-1109.（in Chinese）2 王蕾，王晓芬，赵顺平.核电基地周围辐射环境监督性监测概况 J.辐射防护，2019，39（2）：118-123.WANG L，WANG X F，ZHAO S P.Environmental monitoring of radiation level around NPP bases in China J.Radiation Protection，2019，39（2）：118-123.（in Chinese）3 白晗，董正鹏，崔誉文.某核电厂大修期间弱贯穿辐射监测评价 J.辐射防护通讯，2021，41（2）：29-31.BAI H，DONG Z P，CUI Y W.Observation on monitoring of weak penetration radiation during overhaul of a nuclear power plant J.Radiation Protection Bulletin，2021，41（2）：29-31.（in Chinese）4 MUSTAFA W A，ABDUL KADER M M M.A review of 图 8当参数变化时场景 2的图像增强效果Fig.8Image enhancement effects of scene 2 when parameters change表 2参数变化对图像增强量化指标的影响 Table 2The impact of parameter changes on image enhancement quantification metrics图像图 7图 8指标C-1AMEcDEIqC-1AMEcDEIq=0.1=0.22.722 130.767 775.248 102.912 661.414 630.761 895.246 492.474 34=0.1=0.32.709 910.770 185.373 002.951 031.405 170.757 085.367 772.510 01=0.1=0.42.650 810.792 515.282 112.908 481.393 130.788 085.285 652.488 96=0.2=0.32.666 980.788 685.413 222.956 291.361 840.776 485.406 642.514 99=0.2=0.42.647 740.826 975.320 922.931 881.359 000.820 935.323 692.501 21=0.2=0.52.624 400.845 535.193 202.887 711.350 930.844 635.202 802.466 122012023年 11月 15日Computer Engineering 计算机工程histogram equalization techniques in image enhancement application EB/OL.2022-10-20.https：/iopscience.iop.org/article/10.1088/1742-6596/1019/1/012026/pdf.5 THANH L T，THANH D N H，HUE N M，et al.Single image dehazing based on adaptive histogram equalization and linearization of gamma correction C/Proceedings of the 25th Asia-Pacific Conference on Communications.Washington D.C.，USA：IEEE Press，2020：36-40.6 CHANG Y K，JUNG C，KE P，et al.Automatic contrast-limited adaptive histogram equalization with dual gamma correction J.IEEE Access，2018，6：11782-11792.7 WANG P，WANG Z W，LV D，et al.Low illumination color image enhancement based on Gabor filtering and Retinex theory J.Multimedia Tools and Applications，2021，80（12）：17705-17719.8 LIU S X，LONG W，HE L，et al.Retinex-based fast algorithm for low-light image enhancement J.Entropy，2021，23（6）：746.9 侯利霞，聂丰英，万里勇.多尺度自适应 Gamma矫正的低照图像增强 J.云南大学学报（自然科学版），2023，45（1）：57-66.HOU L