基于平稳小波的电气设备红外图像对比度增强方法

杜 喆,祁帅涛,王晓波

(东北电力大学 研究生院,吉林 吉林 132012)

基于平稳小波的电气设备红外图像对比度增强方法

杜 喆,祁帅涛,王晓波

(东北电力大学 研究生院,吉林 吉林 132012)

针对电气设备红外图像对比性较差、过渡较强,提出了一种改进的基于平稳小波的电气设备红外图像对比度增强方法。首先对电气设备红外图像进行平稳小波分解,对低频系数利用快速模糊理论增强；对于高频系数进行贝叶斯萎缩阈值法去噪,然后通过图像的局部对比度和模糊规则计算高频子带增益系数,从而增强高频子带,突出细节信息,最后由低频子带图像和高频子带图像重构得到增强后的图像。通过大量电气设备红外图像实验和增强效果定性评价得知,该方法的对比度增强强度和抗噪能力明显强于另外两种方法,但是边缘保持度略有不足,有待改进。

电气设备;红外图像;对比度增强;平稳小波

随着社会经济的发展和社会的进步,现代工业、农业、国防和科学实验等对供电可靠性的要求越来越高,而电力设备事故在全部事故中占的比率最高,高达92%[1],如锅炉、发电机、输变电各设备等分别在高温度、高压力、高速旋转、高电压、大电流的状态下运行,与热有着极其密切的关系,且因设备局部过热引起的停电检修时有发生。而红外技术用于诊断电气设备的热故障时具有效率高、判断准确、图像直观、安全可靠、不接触测温、不受电磁干扰、探测距离远和检测速度快等特点,因此近年来应用得越来越广泛[2-3]。红外热成像是通过探测物体表面热辐射来成像的,它在接收被测目标红外辐射的同时,还会受到大量非检测对象对辐射信息的干扰,比如环境温度、大气辐射、灰尘等,导致红外图像模糊;另外,红外图像本身对比度差。因此,为了突出图像细节使其更有利于人工判读,有必要增强电气设备红外图像的对比度[4]。

直方图均衡化[5]和同态滤波[6-7]是比较常用的图像增强方法,但在增强图像对比度的同时不可避免地放大了噪声。近年来,以小波变换为代表的多尺度分析方法在红外图像增强处理中获得广泛应用,相对于传统方法,小波分析在时域和频域上都具有良好的局部特性,可以有选择地增强某种尺度的图像特征,更适合人眼的视觉特性,在增强图像对比度的同时也能更好地抑制噪声。在1995年提出了平稳小波变换[8],它属于非正交小波变换,具有冗余性和平移不变性,更适合于处理相关性问题。由于红外图像的灰度间的相关性较大,因而对于红外图像的增强处理,采用平稳小波变换更为合适。文献[9]首次将平稳小波变换应用于图像增强中,对红外图像进行离散平稳小波变换后,分别对各分解层的高频子带进行非线性增强,有效地提高了红外图像对比度,同时,又能突出细节部分信息,但是忽略了噪声影响。文献[10]对高频子带进行非线性增强之前进行了去噪处理,在有效地提高红外图像对比度时,又能很好地抑制红外图像中的加性相关噪声、加性高斯白噪声和乘性噪声。但是这两种方法在进行非线性运算时,考虑的都是当前子带的全局信息,忽略了子带的局部信息,而且低频子带没有增强,增强后的结果在某些局部区域上会出现过增强或增强不足的现象。文献[11]对图像平稳小波分解后的低频子带进行多尺度Retinex增强,对高频子带根据局部对比度以及模糊规则关系确定增益系数后进行增强,在抑制噪声的同时获得了较好的图像增强整体效果。但是Retinex理论主要改善图像的亮度均匀性,在图像灰度偏低时增强效果不明显。文献[12]对低频子带进行模糊增强,对高频子带进行非线性增强,有效地增强了图像中的边缘以及细节信息和全局对比度,但是处理低频子带时的隶属函数和增强算子比较复杂,计算起来很繁琐,图像增强的处理速度较慢。综合上述存在的问题,本文提出了一种改进的基于平稳小波的电气设备红外图像对比度增强方法。首先对电气设备红外图像进行平稳小波分解,对低频系数利用快速模糊理论增强,对于高频系数利用贝叶斯萎缩阈值去噪,再根据模糊规则和局部对比度计算增益系数。最后由低频子带图像和高频子带图像重构得到增强后的图像。

1 基于平稳小波的红外图像对比度增强方法

基于平稳小波的电气设备红外图像对比度增强方法流程如图 1所示。为了对本文方法的增强效果进行有效评价,在实验结果和分析中,应从视觉效果和评价指标两个方面与直方图均衡化和同态滤波两种方法进行比较。

图1 方法流程图

1.1 离散平稳小波变换

离散平稳小波变换是一种非正交小波变换[8,13],具有冗余性和平移不变性的特点,由于信号经离散平稳小波变换时不对信号本身进行下抽样处理,而是在每两个滤波器系数间插入零值来实现滤波器的延展,因此,其分解后各层子带的小波系数个数等于原信号的个数,能有效避免因信号下抽样但小波基不具有平移不变性而造成重构信号产生Gibbs振荡的问题。离散平稳小波分解框图[14]如图2所示。

图2 离散平稳小波分解框图

若离散正交小波滤波器H、G的滤波系数分别为hj和gj,则离散平稳小波变换滤波器H[r]和G[r]的滤波系数分别为Zrh和Zrg,Z为插值补零算子,H[r-1]与H[r]以及G[r]与G[r]的关系如图3所示。

若xk为原始信号序列,令c0=xk,则信号的平稳小波分解为:

cj+1=H[j]cj

dj+1=G[j]cj

(1)

图3 滤波器的各个点补零插值过程

1.2 模糊理论图像增强算法

针对传统方法隶属函数和增强算子复杂计标繁琐这一问题，本方法采用线性隶属度函数为[15]

(2)

式中：xk(i,j)为 (i,j)点第k层的低频系数;xkmin和xkmax分别为第k层低频系数的最小值和最大值。

利用式(2)分别将每层低频系数变换到模糊平面内。

本文采用文献[16]提出的改进增强算子为

(3)

该增强算子中T的选取在(0,l)之间,可以根据不同的图像进行调节,从而获得不同的增强效果。

最后对μ′k(i,j)逆变换,得到增强后的低频系数:

(4)

1.3 贝叶斯去噪

红外图像经平稳小波变换后,噪声主要集中在高频子带中且随着分解尺度的增大,噪声下降很快。为了尽可能地降低噪声影响,要对高频子带图像去噪。而常用的小波去噪算法对小波系数截断式处理会造成图像细节模糊和信息丢失,因此本文采用Bayes估计信号的小波系数可以有效地解决这一问题[17],其估计表达式为

(5)

噪声的小波系数方差无法直接得到,需要对各尺度空间上的噪声方差进行估计,本文采取的估计方法为[17]

(6)

式中：median为求中值函数。

由概率论知识可知第k层、l方向上的带噪图像信号小波系数方差为

(7)

式中：E表示求期望函数。

由于红外图像的小波系数和噪声小波系数都服从高斯分布,且有

(8)

则第k层、l方向上图像信号的小波系数方差为

(9)

1.4 高频系数增强

针对传统增强方法在增强时忽略局部信息这一问题,本文通过图像的局部对比度和模糊从属规则计算高频子带增益系数,之后对高频系数进行增强。定义局部对比度为[11]

(10)

式中:xmin,xmax分别:以x(i,j)为中心的3×3窗口内的灰度最大值和最小值。

根据局部对比度的定义可知,图像中比较平坦的区域c(i,j)会比较小,细节区域c(i,j)会比较大。按模糊从属关系,可以将图像分为高、中、低细节三个区域,然后利用每点的局部对比度来判断该点对每个区域的隶属度。本文选取的隶属度函数为

(11)

式中:x=as(c(i,j)-bs);s=1,2,3分别代表高、中、低细节三个区域;ys(i,j)为(i,j)点对各个区域的隶属度;c(i,j)为各点的局部对比度;as、bs为各个区域的隶属度系数,根据隶属度函数的性质以及图像的局部对比度分别进行选取。通常中细节区域为重点增强区域,而中细节区域对应的b2可以控制每点对中细节区域的隶属度,它的选取对增强效果有很大影响,本文取局部对比度的均值。

为了有效地对图像进行增强同时避免放大噪声损害图像质量,本文对低、高细节区域适当增强,重点增强中细节区域。设置低、中、高细节区域的增强系数分别为λ1、λ2、λ3。通过式(11)计算的低、中、高细节区域的隶属度分别为y1、y2、y3。则该点的最终增益系数为

(12)

而增强后的高频系数为

(13)

通过实验发现,当λ1=1.5,λ2=3,λ3=1时,对于一般图像都有较好的增强效果。

2 评价指标

为了更准确地评价各种方法的增强效果,选用图像的对比度、峰值信噪比、边缘保持度作为指标来客观评价增强效果。定义图像对比度测量函数:

(14)

式中:M、N分别是图像的长度和宽度;C(m,n)为式(10)中求得的局部对比度;Cavg为图像对比度的衡量标准。

这里引入峰值信噪比PSNR(Peak Signal to Noise Ratio)作为图像抗噪声干扰能力的衡量标准:

(15)

其中MSE为整幅图像的均方误差为

(16)

式中:f(i,j)为增强后图像,f0(i,j)为原始图像。

PSNR值越大,说明抗噪声干扰能力越强。边缘保持度反映了图像处理前后边缘保持的能力,其值一般在0和1之间,越接近1说明边缘保持能力越强。

3 实验结果及分析

实验中分别利用直方图均衡法、同态滤波法、本文提出的方法对外部穿墙套管、电容器红外图像进行对比度增强,实验结果如图4、图5所示。

选取的两幅红外图像均有局部过热现象,但对比度较低,目标不明显,且整体灰度偏低。具体实验步骤如下:

图4 外部穿墙套管实验结果

图5 电容器实验结果

1) 读取待增强的电气设备红外图像。

2) 选取具有紧支性、近似对称性的小波基sym4对红外图像进行离散平稳小波分解,通过实验发现分解3层效果最佳。

3) 利用式(2)将图像分解后的低频系数变换到模糊域,再通过式(3)增强模糊域系数,最后利用式(4)进行逆变换,得到增强后的低频系数。

4) 利用式(6)估计高频系数中噪声的方差,再利用概率论知识通过式(7)～(9)求出图像信号的高频系数方差,最后利用式(5)得到去噪后的高频系数。

5) 通过式(10)求出图像的局部对比度,再利用式(11)计算每点相对于高、中、低细节三个区域的隶属度,并根据隶属度决定每点高频系数的增益系数,最后通过式(13)得到增强后的高频系数。

6) 将处理过的低频系数和高频系数,通过小波逆变换重构图像。

7) 分别利用直方图均衡法[18]、同态滤波法[19]处理电气设备红外图像,并根据视觉效果以及文中的评价指标与本文提出的方法进行比较。穿墙套管实验效果评价指标如表1所示。实验效果评价指标如表2所示。

表1 穿墙套管实验效果评价指标

表2 实验效果评价指标

Tab.2 Evaluation indexes of experimental effect

评价指标直方图均衡化同态滤波新方法对比度0.31960.03530.2790峰值信噪比11.32358.334616.2882边缘保持度0.90100.99950.8753

根据表1、表2给出的各项评价指标可以看出新方法的抗噪声干扰能力明显强于另外两种方法,直方图均衡法和新方法的对比度增强强度比较大。但从图4,图5可以看出直方图均衡法有些区域出现了过增强,同态滤波法则增强不足。新方法不足之处在于其边缘保持度略低于另外两种方法。

4 结 语

本文提出一种改进的基于平稳小波的电气设备红外图像对比度增强方法,基于离散平稳小波,结合模糊规则、贝叶斯去噪,对电气设备红外图像进行对比度增强。通过实验结果可知,此方法能有效地增强图像的细节信息以及全局对比度,并没有出现过增强或增强不足的现象,其增强效果优于传统的对比度增强方法,可用于电气设备故障诊断。进一步的研究重点在于如何增强此算法的边缘保持能力。

[1] 陈永辉,蔡葵,刘勇军,等.供电设备红外诊断技术[M].北京：中国水利水电出版社,2006. CHEN Yonghui, CAI Kui, LIU Yongjun, et al. Infrared diagnostic technology for power supply equipment [M]. Beijing:China Water & Power Press, 2006.

[2] 陈建明,梁德成.红外LED在温度监控中的应用[J].电力自动化设备,2009,29(5):139-141. CHEN Jianming, LIANG Decheng. [J]. Application of infrared LED in temperature monitoring system [J]. Electric Power Automation Equipment, 2009,29(5):139-141.

[3] 江礓,张富刚,樊越甫,等.110 kV变电站电压互感器故障原因分析[J].电力自动化设备,2010,30(10):139-140. JIANG Jiang, ZHANG Fugang, FAN Yuefu, et al. Fault analysis of 119kV substation PT [J]. Electric Power Automation Equipment, 2010,30(10):139-140.

[4] 黄庆华.红外图像处理算法的研究[D].西安:西安科技大学通信与信息工程学院,2008. HUANG Qinghua. Research on infrared image processing [D]. Xi’an: Communication and Information Engineering College of Xi’an University of Science and Technology, 2008.

[5] HUMMEL R. Image enhancement by histogram transformation[J]. Computer graphics and image processing,1977, 6(2):184-195.

[6] VOICU L I, MYLER H R, WEEKS A R. Practical considerations on color image enhancement using homomorphic filtering[J]. Journal of Electronic Imaging, 1997, 6(1): 108-113.

[7] PONOMAREV V I, POGREBNYAK O B. Image enhancement by homomorphic filters[C]. SPIE's 1995 International Symposium on Optical Science, Engineering, and Instrumentation. International Society for Optics and Photonics, 1995: 153-159.

[8] LANG M, GUO H, ODEGRD J E, etal. Nonlinear processing of a shift-invariant discrete wavelet transform (dwt) for noise reduction[C]. SPIE's 1995 Symposium on OE/Aerospace Sensing and Dual Use Photonics. International Society for Optics and Photonics, 1995: 640-651.

[9] 张长江,付梦印,金梅,等.基于离散平稳小波变换的红外图像对比度增强[J].激光与红外,2003,33(3):221-224. ZHANG Changjiang, FU Mengyin, JIN Mei, et al. Contrast enhancement of infrared image based on discrete stationary wavelet transform [J]. Laser & Infrared, 2003,33(3):221-224.

[10] 张长江, 付梦印, 金梅,等.一种红外图像对比度增强的小波变换法[J].红外与毫米波学报,2004,23(2)：0119-0124. ZHANG Changjiang, FU Mengyin, JIN Mei, et al. Approach to enhance infrared image based on wavelet transform[J]. Journal of Infrared and Millimeter Waves, 2004,23(2)：0119-0124.

[11] 占必超, 吴一全, 纪守新.基于平稳小波变换和 Retinex 的红外图像增强方法[J].光学学报,2010 (10):2788-2793. ZHAN Bichao, WU Yiquan, JI Shouxin. Infrared image enhancement method based on stationary wavelet transformation and retinex [J]. Acta Optica Sinica, 2010 (10):2788-2793.

[12] 刘国军,唐降龙,黄剑华,刘家峰.基于模糊小波的图像对比度增强算法[J].电子学报,2005,04:643-646. LIU Guojun, TANG Xianglong, HUANG Jianhua, LIU Jiafeng. An image contrast enhancement approach based on fuzzy wavelet [J]. Acta Electronica Sinica, 2005,04:643-646.

[13] PESQUET J C, KRIM H, CARFANTAN H. Time-invariant orthonormal wavelet representations [J].Signal Processing, IEEE Transactions on, 1996, 44(8): 1964-1970.

[14] NASON G P, SILVERMAN B W. The stationary wavelet transform and some statistical applications[M].Wavelets and statistics. Springer New York, 1995: 281-299.

[15] 李刚. 数字图像的模糊增强方法[D].武汉:武汉理工大学,2005.LI Gang. Fuzzy enhancement method of digital image [D]. Wuhan: Wuhan University of Technology, 2005.

[16] 姜庆伟.基于模糊理论的图像增强技术研究与实现[D].上海：华东师范大学,2009. JIANG Qingwei. Study and implementation of image enhancement technology based on fuzzy theory [D]. Shanghai:East China Normal University, 2009.

[17] 季虎,刘钦磊,郑永煌,等.基于离散平稳小波变换和Bayes估计的红外图像去噪方法[J].激光与红外,2009,39(6):677-680. JI Hu, LIU Qinlei, ZHENG Yonghuang, et al. De-noising of infrared images based on stationary wavelet transform and Bayes estimation [J]. Laser & Infrared, 2009,39(6):677-680.

[18] 汪志云,黄梦为,胡钋,等.基于直方图的图像增强及其MATLAB实现[J].计算机工程与科学,2006,28(2):54-56. WANG Zhiyun, HUANG Mengwei, HU Po, et al. Image enhancement based on histograms and its realization with MATLAB [J]. Computer Engineering and Science, 2006,28(2):54-56.

[19] 陈春宁,王延杰.在频域中利用同态滤波增强图像对比度[J].微计算机信息,2007,23(6):264-266. CHEN Chunning, WANG Yanjie. Image contrast enhancement by homomorphic filtering in frequency field [J]. Microcomputer Information, 2007,23(6):264-266.

(责任编辑 郭金光)

Contrast enhancement method for electrical equipment infrared image based on stationary wavelet

DU Zhe, QI Shuaitao, WANG Xiaobo

(Northeast Dianli University, Graduate School, Jilin 132012, China)

For electrical equipment infrared image contrast is poor with strong transition, this paper presents an improved electrical equipment infrared image contrast enhancement method, which is based on stationary wavelet. Firstly, decompose electrical equipment infrared image by stationary wavelet, then use fast fuzzy theory to enhance low-frequency coefficients. For high-frequency coefficients, firstly, it is denoised by Bayesian shrinkage method, then calculate the high frequency sub-band gain coefficient by fuzzy rules and the local contrast of images to enhance high frequency sub-band and highlight details. Finally, the enhanced image is reconstructed by the low

Electrical equipment; infrared image; contrast enhancement; stationary wavelet

2015-02-19。

杜 喆(1990—),男,在读硕士研究生。

TN219

A

2095-6843(2015)04-0321-05

frequency sub-band and high-frequency sub-bands. Experiments with enhancement quantitative evaluation are carried out for a lot of electrical equipment infrared image. Comparing with histogram equalization method and homomorphic filtering method, the experimental results show that contrast enhanced strength and anti noise ability of the new method is stronger than the other two methods, but the ability of keeping edge is slightly low, which needs to be improved.