基于小波变换的电力设备红外监控图像滤波算法

2015-01-17姚雪晴

现代矿业 2015年10期

关键词：双树电力设备小波

姚雪晴

(安徽省电力公司检修公司)

基于小波变换的电力设备红外监控图像滤波算法

姚雪晴

(安徽省电力公司检修公司)

针对电力设备红外监控图像，提出了一种改进型的半软半硬阈值去噪函数模型。该模型首先对经典的半软半硬阈值去噪函数模型添加了1个小波分解系数相关性因子，使得改进后的模型能够更好的保持图像细节信息的连续性；然后在对传统全局统一阈值的基础上融入了小波分解层数因素，并结合反正弦函数对其进行了改进，使得改进后的阈值能够根据小波分解层数的变化而快速、灵活地调整。为了验证该模型的有效性，对实地获取的电力设备红外监控图像进行去噪试验，结果表明，本研究提出的阈值去噪函数模型的性能明显优于经典小波软、硬阈值函数模型、半软半硬阈值函数模型，对于高效处理电力设备红外监控图像具有一定的参考价值。

电力设备红外监控图像双树复小波变换阈值函数模型阈值

随着红外视频监控技术的飞速发展，使得对电力设备进行实时监控成为可能。但由于成像环境的不确定性、空气中大量粉尘的存在，以及成像系统电压不稳定等诸多因素，导致所获取的红外电力设备监控图像较为模糊，且存在大量噪声。因此在对该类图像进行判读与分析之前，有必要进行适当的预处理。近年来，数学形态学[1]、小波变换[2]、轮廓波变换[3]等在图像处理方面得到了广泛应用，取得了较好的效果。在对上述研究成果分析的基础上，采用双树复小波变换[4]这一新型图像分析方法，提出了一种改进半软半硬阈值去噪函数模型，为高效处理电力设备红外监控图像提供参考。

1 双树复小波变换原理

小波变换在对图像进行处理与分析过程中，通过灵活选择不同的小波基函数实现对图像的多方向、多尺度的刻画，对于图像中大量的细节信息具有较强的表达能力。小波变换大体上将图像中的细节信息划分成3类：即呈45°、90°、135°方向分布的细节信息，经过大量研究发现，这对于细节信息较少的图像而言，经过小波分解与重构后，图像的信息丢失很少；而对于大量细节信息丰富的电力设备红外监控图像而言，经过小波分解与重构后，图像信息丢失较为严重。双树复小波变换继承了小波变换所具有的优势，采用二叉树结构(树结构1和数结构2)与离散小波变换相结合的方式实现对信号的处理，具体来说：①首先采用树结构1和树结构2分别生成小波系数的实部和虚部；②对小波系数的实部和虚部分别采用不同的滤波器进行离散小波变换和重构，进行图像处理与分析。

2 改进半软半硬阈值函数模型

2.1 经典半软半硬阈值函数模型

大量实验表明，硬阈值函数模型对于小波分解系数的处理过于绝对化，经过该模型处理后的图像平滑程度较低；而按照软阈值函数模型的思路，保留下来的小波分解系数总是与原始小波分解系数存在固定的偏差，这导致该模型处理后的图像边缘存在严重的失真现象。对此，Burce、Gao等提出了小波半软半硬阈值函数模型[5]

(1)

2.2 改进的去噪函数模型

对于电力设备红外监控图像而言，图像中存在大量连续性的目标信息，图像被进行双树复小波变换后，各小波分解系数间具有较高的相关性。而式(1)所定义的半软半硬阈值函数模型尽管充分结合了传统的软、硬阈值函数模型的优势，但没有充分利用图像小波分解系数间的相关性，导致在去噪过程中，容易丢失大量的图像细节信息。为此，对其进行改进，改进后的模型为

(2)

经典的全局统一阈值定义为

(3)

式中，σ为噪声信号标准差；N为图像尺寸(长、宽)。

该阈值对于不同幅值、不同方向的小波分解系数均采用统一标准进行处理，无法顾及各小波分解系数的特征，因此，将小波分解层数融入其中，并结合反正弦函数对其进行改进，改进后的阈值计算方法为

(4)

式中，α∈(0,1)；i为小波分解层数。

考虑到式(2)中存在2个阈值，于是，将式(4)所定义的阈值作为式(2)中的“T2”。式(2)中的“T1”则可定义为

(5)

3 算法试验

本研究算法步骤：①对电力设备红外监控图像进行双树复小波分解，获得2个低频和6个高频小波分解系数；②采用式(4)、式(5)计算6个高频小波分解系数阈值；③采用式(2)所提出的改进型阈值函数去噪模型对6个高频小波分解系数进行处理；④对低频小波分解系数和去噪后的高频小波分解系数进行逆双树复小波变换获得去噪后图像。采用MATLAB编程语言对本研究改进型去噪模型进行实现，引入了小波硬、软阈值函数模型、经典小波半软半硬阈值函数模型与本研究去噪模型进行去噪效果对比，采用峰值信噪比[6]对上述4种模型的去噪效果评估，结果如表1所示。

表1 4种模型去噪效果总体性评价 dB