CN103839239A - 一种电缆瓷套终端红外图像自适应去噪方法 - Google Patents

一种电缆瓷套终端红外图像自适应去噪方法 Download PDF

Info

Publication number
CN103839239A
CN103839239A CN201410071698.6A CN201410071698A CN103839239A CN 103839239 A CN103839239 A CN 103839239A CN 201410071698 A CN201410071698 A CN 201410071698A CN 103839239 A CN103839239 A CN 103839239A
Authority
CN
China
Prior art keywords
mrow
wavelet
msubsup
layer
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410071698.6A
Other languages
English (en)
Inventor
吴炬卓
牛海清
吴倩
叶开发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201410071698.6A priority Critical patent/CN103839239A/zh
Publication of CN103839239A publication Critical patent/CN103839239A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种电缆瓷套终端红外图像自适应去噪方法,包括以下步骤:(1)输入待去噪的电缆瓷套终端红外图像;(2)将图像分解为R颜色分量图像、G颜色分量图像和B颜色分量图像;(3)得到最高分解层数上的近似小波系数和不同分解层数上三个方向上的细节小波系数;(4)得到图像的细节小波系数的Bayes最优估计;(5)得到去噪后的图像;(6)得到去噪后的结果图像。具有可以在不知红外图像先验信息的情况下,自适应逐层选择每一尺度上的能量最优基小波等优点。

Description

一种电缆瓷套终端红外图像自适应去噪方法
技术领域
本发明涉及一种图像处理和在线监测技术,特别涉及一种电缆瓷套终端红外图像自适应去噪方法。
背景技术
基于红外图像的红外诊断技术已经被成功地运用于电气设备的状态检测和故障监测,并在发电机故障诊断、设备绝缘诊断等方面取得显著成效。电缆瓷套终端红外图像检测方法由于具有安全、准确、经济和实用等特点,近年来受到广泛关注。
电缆瓷套终端红外图像是否清晰,图像细节是否完整,特征是否明显,是能否对其进行正确诊断的关键。红外图像在生成过程中受探测器噪声和各种电子器件噪声的影响,具有高噪声、低对比度的特点。因此采用高效率的滤波方法对电缆瓷套终端红外图像去噪,提升图像质量,是进行正确诊断的前提。
针对红外图像的去噪,目前有很多算法,其中小波分析法由于其良好的时频局部化能力,具有较好的去噪效果。在小波去噪法中,基小波的选择对信号的畸变有着密切联系。常用的小波去噪方法是小波阈值法,即选定某个阈值对各尺度空间的小波系数进行截断处理,去除小于阈值的小波系数,保留大于阈值的小波系数并进行小波逆变换得到去噪后图像。小波阈值法虽然比常用的一些去噪方法对图像的模糊程度要小,但由于其是对小波系数进行截断式处理,这在一定程度上破坏了图像信息的完整性,造成部分有用信号的丢失。
本发明要解决的技术问题是,克服现有技术中的不足,提供一种电缆瓷套终端红外图像自适应去噪方法,解决中压电缆电缆瓷套终端红外图像含有噪声的问题。该方法在自适应逐层选择最优基小波并对红外图像进行二维小波分解基础上,引入基于Bayes估计对细节小波系数进行处理。该方法能更有效地去除噪声,并完整保留图像细节。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种电缆瓷套终端红外图像自适应去噪方法,该自适应去噪方法有效解决了中压电缆电缆瓷套终端红外图像含有噪声的问题,并在自适应逐层选择最优基小波并对红外图像进行二维小波分解基础上,引入基于Bayes估计对细节小波系数进行处理,使该方法能更有效地去除噪声,并完整保留图像细节。
本发明的目的通过下述技术方案实现:一种电缆瓷套终端红外图像自适应去噪方法,包括以下步骤:
(1)输入待去噪的电缆瓷套终端红外图像;
(2)将图像分解为将图像分解为R颜色分量图像、G颜色分量图像和B颜色分量图像;
(3)对于每个颜色分量图像,采用自适应小波选择算法逐层确定最优基小波并将确定的各层基小波对图像逐层进行二维一次小波分解,得到最高分解层数上的近似小波系数和不同分解层数上三个方向上的细节小波系数;
(4)对于每个颜色分量图像,保留近似小波系数,对不同分解层数上的三个方向上的细节小波系数进行自适应Bayes估计,得到图像的细节小波系数的Bayes最优估计;
(5)对于每个颜色分量图像,利用最高分解层数上的近似小波系数和不同分解层数上的细节小波系数的Bayes最优估计进行图像重构,得到去噪后的图像;
(6)利用去噪后的R、G、B3个颜色分量图像合成为原来的彩色图像,得到去噪后的结果图像。
本发明中,所述步骤(3)包括以下步骤:
(a)给定一个小波函数库{ψi:i=1,2,...,N}和小波分解层数K;
(b)从小波函数库中依次选择小波ψi,对红外图像信号s进行第一层小波分解,得到近似系数
Figure BDA0000470976540000021
和细节系数
Figure BDA0000470976540000022
l=1,2,3;
(c)依次计算小波ψi对应的近似系数
Figure BDA0000470976540000031
的能量百分比
Figure BDA0000470976540000032
直到i=N;
(d)比较计算得到的
Figure BDA0000470976540000033
如果
Figure BDA00004709765400000316
中最大值(i=1,2,...,N),则
Figure BDA0000470976540000035
对应的小波ψp为第一层小波分解的最优小波;
(e)对第k(k>1)层小波分解,令
Figure BDA0000470976540000036
Figure BDA0000470976540000037
为最优小波ψp在尺度k-1上的近似系数。从小波库中依次选择小波ψi对新的信号s进行一层小波分解,得到近似系数
Figure BDA0000470976540000038
(f)依次计算小波ψi对应的近似系数
Figure BDA0000470976540000039
的能量百分比
Figure BDA00004709765400000310
直到i=N;
(g)寻找出
Figure BDA00004709765400000311
中最大的能量百分比值(i=1,2,...,N),其对应的小波ψi为第j层小波分解的最优小波;
(h)重复步骤(e)~(g),直到k=K,从而得到所有分解层数上的最优基小波;
(i)将确定的各层最优基小波对图像逐层进行二维一次小波分解,得到最高分解层数上的近似小波系数和不同分解层数上三个方向上的细节小波系数。
本发明中,所述的步骤(i)中,所述近似小波系数的能量百分比计算公式为:
E a = Σ i Σ j ( a ( i , j ) K ) 2 Σ i Σ j ( a ( i , j ) K ) 2 + Σ l Σ k Σ i Σ j ( W ( i , j ) k ( l ) ) 2 ,
式中,k=1,2,...,K,
Figure BDA00004709765400000313
为近似系数,
Figure BDA00004709765400000314
为细节系数,其中l表示方向。l=1,代表水平方向;l=2,代表竖直方向;l=3,代表对角线方向。K为小波分解层数。
本发明中,所述步骤(4)中,所述图像的细节小波系数的Bayes最优估计表达式为:
W ^ S ( i , j ) k ( l ) = σ S , k 2 ( l ) σ S , k 2 ( l ) + σ n , k 2 ( l ) W ( i , j ) k ( l ) ,
式中,l表示方向,l=1,代表水平方向;l=2,代表竖直方向;l=3,代表对角线方向,k代表分解层数;(i,j)代表小波系数的序号;代表第k层上,l方向上信号的小波系数方差;
Figure BDA0000470976540000042
代表第k层上,l方向上噪声的小波系数方差;
Figure BDA0000470976540000043
代表第k层上,l方向上带噪信号的小波系数;
Figure BDA0000470976540000044
代表第k层上,l方向上信号的小波估计。
本发明中,第所述的k层上,l方向上的噪声估计均方差计算公式为:
σ ^ n , k = median | ( W ( i , j ) k ( l ) ) 0.6745 ,
其中,
Figure BDA0000470976540000047
为k层上,l方向上带噪信号的小波系数
Figure BDA0000470976540000048
中值。
本发明中,第所述的k层上,l方向上的带噪信号的小波系数方差
Figure BDA0000470976540000049
计算公式为:
σ k 2 ( l ) = E { [ W ( i , j ) k ( l ) - E ] ( W ( i , j ) k ( l ) ) 2 } ,
其中,
Figure BDA00004709765400000411
为k层上,l方向上带噪信号的小波系数
Figure BDA00004709765400000412
的平均值。
本发明中,第所述的k层上,l方向上图像信号的小波系数估计方差
Figure BDA00004709765400000417
计算公式为:
σ ^ S , k 2 ( l ) = σ k 2 ( l ) - σ ^ n , k 2 ( l ) ,
其中,为第k层上,l方向上图像信号的小波系数估计方差,
Figure BDA00004709765400000415
为第k层上,l方向上的带噪信号的小波系数方差,
Figure BDA00004709765400000416
为第k层上,l方向上的噪声估计均方差。
本发明相对于现有技术具有如下的优点及效果:
1、本发明的基于小波分解尺度系数能量最大原则的基小波选择方法具有自适应性,可以在不知红外图像先验信息的情况下,自适应逐层选择每一尺度上的能量最优基小波。
2、本发明运用Bayes最优估计准则对带噪声的电缆瓷套终端红外图像在各个尺度空间,各个方向的小波系数进行估计,并利用估计的小波系数进行重构得到去噪后的图像。该方法在对电缆瓷套终端红外图像去噪的同时,能最大程度保留图像细节。
附图说明
图1为本发明的一种电缆瓷套终端红外图像自适应去噪方法的总体框图。
图2为基于每层小波分解尺度系数能量最大原则,逐层自适应选择最优基小波步骤图。
图3为含噪的电缆瓷套终端红外图像。
图4为用本发明方法去噪后得到的电缆瓷套终端红外图像。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
一种电缆瓷套终端红外图像自适应去噪方法,包括以下步骤:
1.将真彩色电缆瓷套终端图像分解为R、G、B3个颜色分量图像。
2.给定小波函数库为sym1-sym30,小波分解层数为3
3.对于每个颜色分量图像,采用自适应小波选择算法逐层确定最优基小波并将确定的各层基小波对图像逐层进行二维一次小波分解,得到最高分解层数上的近似小波系数和不同分解层数上三个方向上的细节小波系数。
4.对于每个颜色分量图像,保留步3得到的近似小波系数,对步3得到的三个方向上的细节小波系数进行自适应Bayes估计,得到图像的细节小波系数的Bayes最优估计。
5.对于每个颜色分量图像,利用步3得到的最高分解层数上的近似小波系数和步4得到的不同分解层数上的细节小波系数的Bayes最优估计进行图像重构,得到去噪后的图像。
6.利用步骤5得到的去噪后的R、G、B3个颜色分量图像合成为原来的彩色图像,得到去噪后的结果图像。
下面结合附图对本发明作进一步的详细说明。
本发明提出一种电缆瓷套终端红外图像自适应去噪方法,该方法首先将真彩色红外图像分解为R、G、B颜色分量图像。然后基于每层小波分解尺度系数能量最大原则,逐层自适应选择最优基小波并分别对每个颜色分量图像进行二维小波分解。基于Bayes估计对细节小波系数进行处理,重构新的细节小波系数分量和最高尺度的低频小波系数分量获得去噪后的R、G、B颜色分量图像。将去噪后的R、G、B颜色分量图像合成为原来的彩色图像,得到结果的去噪图像。该方法不仅去除了电缆瓷套终端红外图像中的噪声,还完整保留了图像细节。
如图1所示,为本发明的一种电缆瓷套终端红外图像自适应去噪方法的总体框图。
1.将真彩色电缆瓷套终端红外图像分解为R、G、B这3个颜色分量图像;
2.逐层自适应选择各个颜色分量图像最优小波基;
如图2所示,为基于每层小波分解尺度系数能量最大原则,逐层自适应选择最优基小波步骤图;
给定小波函数库为sym1-sym30,小波分解层数为3,
从小波函数库中依次选择小波ψi,分别对每个颜色分量图像进行第一层小波分解,得到近似系数
Figure BDA0000470976540000061
和细节系数l=1,2,3,依次计算小波ψi对应的近似系数
Figure BDA0000470976540000063
的能量百分比
Figure BDA0000470976540000064
近似系数的能量百分比计算公式为:
E a = Σ i Σ j ( a ( i , j ) K ) 2 Σ i Σ j ( a ( i , j ) K ) 2 + Σ l Σ k Σ i Σ j ( W ( i , j ) k ( l ) ) 2 ,
其中,k=1,2,…,K,
Figure BDA0000470976540000072
为近似系数,
Figure BDA0000470976540000073
为细节系数,其中l表示方向。l=1,代表水平方向;l=2,代表竖直方向;l=3,代表对角线方向。K为小波分解层数。
比较计算得到的
Figure BDA0000470976540000074
如果
Figure BDA0000470976540000075
中最大值(i=1,2,...,N),则
Figure BDA0000470976540000077
对应的小波ψp为第一层小波分解的最优小波。
对第k(k>1)层小波分解,令
Figure BDA0000470976540000078
Figure BDA0000470976540000079
为最优小波ψp在尺度k-1上的近似系数。从小波库中依次选择小波ψi对新的信号s进行一层小波分解,得到近似系数
Figure BDA00004709765400000710
依次计算小波ψi对应的近似系数的能量百分比
Figure BDA00004709765400000712
直到i=N。
寻找出
Figure BDA00004709765400000713
中最大的能量百分比值(i=1,2,...,N),其对应的小波ψi为第j层小波分解的最优小波。
得到所有分解层数上的最优基小波。
对每个颜色分量图像,用确定的各层最优基小波对图像进行二维小波分解,得到最高分解层数上的近似小波系数和不同分解层数上的三个方向上的细节小波系数。
3.对每个颜色分量图像,采用基于Bayes估计对不同分解层数上的三个方向上的细节小波系数进行处理。图像的细节小波系数的Bayes最优估计表达式为:
W ^ S ( i , j ) k ( l ) = σ S , k 2 ( l ) σ S , k 2 ( l ) + σ n , k 2 ( l ) W ( i , j ) k ( l ) ,
其中,l表示方向,l=1,代表水平方向;l=2,代表竖直方向;l=3,代表对角线方向,k代表分解层数;(i,j)代表小波系数的序号;
Figure BDA00004709765400000715
代表第k层上,l方向上信号的小波系数方差;
Figure BDA0000470976540000081
代表第k层上,l方向上噪声的小波系数方差;
Figure BDA0000470976540000082
代表第k层上,l方向上带噪信号的小波系数;
Figure BDA0000470976540000083
代表第k层上,l方向上信号的小波估计。
第k层上,l方向上的噪声估计均方差
Figure BDA0000470976540000084
计算公式为:
σ ^ n , k = median | ( W ( i , j ) k ( l ) ) 0.6745 ,
其中,
Figure BDA0000470976540000086
为k层上,l方向上带噪信号的小波系数
Figure BDA0000470976540000087
中值。
第k层上,l方向上的带噪信号的小波系数方差计算公式为:
σ k 2 ( l ) = E { [ W ( i , j ) k ( l ) - E ] ( W ( i , j ) k ( l ) ) 2 } ,
其中,
Figure BDA00004709765400000810
为k层上,l方向上带噪信号的小波系数
Figure BDA00004709765400000811
的平均值。
第k层上,l方向上图像信号的小波系数估计方差
Figure BDA00004709765400000812
计算公式为:
σ ^ S , k 2 ( l ) = σ k 2 ( l ) - σ ^ n , k 2 ( l ) ,
其中,
Figure BDA00004709765400000814
为第k层上,l方向上图像信号的小波系数估计方差,
Figure BDA00004709765400000815
为第k层上,l方向上的带噪信号的小波系数方差,
Figure BDA00004709765400000816
为第k层上,l方向上的噪声估计均方差。
4.对于每个颜色分量图像,利用最高分解层数上的近似小波系数和不同分解层数上的细节小波系数的Bayes最优估计进行图像重构,得到去噪后的图像。
5.利用去噪后的R、G、B3个颜色分量图像合成为原来的彩色图像,得到去噪后的结果图像。
如图3所示,为含噪的电缆瓷套终端红外图像,如图4所示,为本发明的方法去噪后得到的电缆瓷套终端红外图像,经对比,本发明采用的方法能有效地去除噪声,并且能最大程度保留图像细节。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (7)

1.一种电缆瓷套终端红外图像自适应去噪方法,其特征在于,包括以下步骤:
(1)输入待去噪的电缆瓷套终端红外图像;
(2)将图像分解为R颜色分量图像、G颜色分量图像和B颜色分量图像;
(3)对于R颜色分量图像、G颜色分量图像和B颜色分量图像均采用自适应小波选择算法逐层确定最优基小波并将确定的各层基小波对图像逐层进行二维一次小波分解,得到最高分解层数上的近似小波系数和不同分解层数上三个方向上的细节小波系数;
(4)对于R颜色分量图像、G颜色分量图像和B颜色分量图像均保留步骤(2)得到的近似小波系数,对步骤(2)得到的细节小波系数进行自适应Bayes估计,得到图像的细节小波系数的Bayes最优估计;
(5)对于每个颜色分量图像,利用步骤(2)得到的最高分解层数上的近似小波系数和步骤(4)得到的不同分解层数上的细节小波系数的Bayes最优估计进行图像重构,得到去噪后的图像;
(6)利用步骤(5)得到的去噪后的R颜色分量图像、G颜色分量图像和B颜色分量图像合成为原来的彩色图像,得到去噪后的结果图像。
2.根据权利要求1所述的电缆瓷套终端红外图像自适应去噪方法,其特征在于,所述步骤(3)包括以下步骤:
(a)给定一个小波函数库{ψi:i=1,2,...,N}和小波分解层数K;
(b)从小波函数库中依次选择小波ψi,对红外图像信号s进行第一层小波分解,得到近似系数和细节系数
Figure FDA0000470976530000012
l=1,2,3;
(c)依次计算小波ψi对应的近似系数
Figure FDA0000470976530000021
的能量百分比
Figure FDA0000470976530000022
直到i=N;
(d)比较计算得到的
Figure FDA0000470976530000023
如果
Figure FDA0000470976530000024
中最大值,其中,i=1,2,...,N,则
Figure FDA0000470976530000025
对应的小波ψp为第一层小波分解的最优小波;
(e)对第k层小波分解,其中,k>1,令:
Figure FDA0000470976530000026
Figure FDA0000470976530000027
为最优小波ψp在尺度k-1上的近似系数,从小波库中依次选择小波ψi对新的信号s进行一层小波分解,得到近似系数
Figure FDA0000470976530000028
(f)依次计算小波ψi对应的近似系数的能量百分比
Figure FDA00004709765300000210
直到i=N;
(g)寻找出
Figure FDA00004709765300000211
中最大的能量百分比值,其中,i=1,2,...,N,其对应的小波ψi为第j层小波分解的最优小波;
(h)重复步骤(e)~(g),直到k=K,从而得到所有分解层数上的最优基小波;
(i)将确定的各层最优基小波对图像逐层进行二维一次小波分解,得到最高分解层数上的近似小波系数和不同分解层数三个方向上的细节小波系数。
3.根据权利要求2所述的电缆瓷套终端红外图像自适应去噪方法,其特征在于,所述的步骤(i)中,所述近似小波系数的能量百分比的计算公式为:
E a = Σ i Σ j ( a ( i , j ) K ) 2 Σ i Σ j ( a ( i , j ) K ) 2 + Σ l Σ k Σ i Σ j ( W ( i , j ) k ( l ) ) 2 ,
式中,k=1,2,…,K,为近似系数,为细节系数,其中l表示方向,l=1,代表水平方向;l=2,代表竖直方向;l=3,代表对角线方向,K为小波分解层数。
4.根据权利要求1所述的电缆瓷套终端红外图像自适应去噪方法,其特征在于,所述步骤(4)中,所述图像的细节小波系数的Bayes最优估计表达式为:
W ^ S ( i , j ) k ( l ) = σ S , k 2 ( l ) σ S , k 2 ( l ) + σ n , k 2 ( l ) W ( i , j ) k ( l ) ,
式中,l表示方向,l=1,代表水平方向;l=2,代表竖直方向;l=3,代表对角线方向,k代表分解层数;(i,j)代表小波系数的序号;
Figure FDA0000470976530000031
代表第k层上,l方向上信号的小波系数方差;
Figure FDA0000470976530000032
代表第k层上,l方向上噪声的小波系数方差;
Figure FDA0000470976530000033
代表第k层上,l方向上带噪信号的小波系数;
Figure FDA0000470976530000034
代表第k层上,l方向上信号的小波估计。
5.根据权利要求4所述的电缆瓷套终端红外图像自适应去噪方法,其特征在于,第所述的k层上,l方向上的噪声估计均方差
Figure FDA0000470976530000035
计算公式为:
σ ^ n , k = median | ( W ( i , j ) k ( l ) ) 0.6745 ,
其中,
Figure FDA0000470976530000037
为k层上,l方向上带噪信号的小波系数中值。
6.根据权利要求4所述的电缆瓷套终端红外图像自适应去噪方法,其特征在于,第所述的k层上,l方向上的带噪信号的小波系数方差
Figure FDA0000470976530000039
计算公式为:
σ k 2 ( l ) = E { [ W ( i , j ) k ( l ) - E ] ( W ( i , j ) k ( l ) ) 2 } ,
其中,为k层上,l方向上带噪信号的小波系数
Figure FDA00004709765300000312
的平均值。
7.根据权利要求4所述的电缆瓷套终端红外图像自适应去噪方法,其特征在于,第所述的k层上,l方向上图像信号的小波系数估计方差计算公式为:
σ ^ S , k 2 ( l ) = σ k 2 ( l ) - σ ^ n , k 2 ( l ) ,
其中,
Figure FDA00004709765300000315
为第k层上,l方向上图像信号的小波系数估计方差,
Figure FDA00004709765300000316
为第k层上,l方向上的带噪信号的小波系数方差,
Figure FDA00004709765300000317
为第k层上,l方向上的噪声估计均方差。
CN201410071698.6A 2014-02-28 2014-02-28 一种电缆瓷套终端红外图像自适应去噪方法 Pending CN103839239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410071698.6A CN103839239A (zh) 2014-02-28 2014-02-28 一种电缆瓷套终端红外图像自适应去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410071698.6A CN103839239A (zh) 2014-02-28 2014-02-28 一种电缆瓷套终端红外图像自适应去噪方法

Publications (1)

Publication Number Publication Date
CN103839239A true CN103839239A (zh) 2014-06-04

Family

ID=50802709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410071698.6A Pending CN103839239A (zh) 2014-02-28 2014-02-28 一种电缆瓷套终端红外图像自适应去噪方法

Country Status (1)

Country Link
CN (1) CN103839239A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260990A (zh) * 2015-09-18 2016-01-20 新疆医科大学第一附属医院 染噪红外光谱信号的去噪方法
CN106950475A (zh) * 2017-03-23 2017-07-14 广东电网有限责任公司珠海供电局 一种基于小波变换的局部放电信号提取方法及装置
CN107133931A (zh) * 2017-05-03 2017-09-05 广东电网有限责任公司珠海供电局 一种电缆瓷套终端红外图像去噪方法及装置
CN111610407A (zh) * 2020-05-18 2020-09-01 国网江苏省电力有限公司电力科学研究院 基于朴素贝叶斯的电缆老化状态评估方法和装置
US12092526B2 (en) 2019-03-07 2024-09-17 Abb Schweiz Ag Apparatus for monitoring a switchgear

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1006476A2 (en) * 1998-11-18 2000-06-07 Ncr International Inc. Method of enhancing characters in an original binary image of a document
CN102590716A (zh) * 2012-02-11 2012-07-18 广东电网公司电力科学研究院 一种基于小波分析的电力电缆局部放电信号去噪方法
CN103576060A (zh) * 2013-10-11 2014-02-12 华南理工大学 基于小波自适应阈值的局部放电信号去噪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1006476A2 (en) * 1998-11-18 2000-06-07 Ncr International Inc. Method of enhancing characters in an original binary image of a document
CN102590716A (zh) * 2012-02-11 2012-07-18 广东电网公司电力科学研究院 一种基于小波分析的电力电缆局部放电信号去噪方法
CN103576060A (zh) * 2013-10-11 2014-02-12 华南理工大学 基于小波自适应阈值的局部放电信号去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何洪英等: "一种基于Bayes估计的小波自适应绝缘子红外图像去噪方法", 《电工技术学报》 *
李化等: "基于小波分解尺度系数能量最大原则的GIS局部放电超高频信号自适应小波去噪", 《电工技术学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260990A (zh) * 2015-09-18 2016-01-20 新疆医科大学第一附属医院 染噪红外光谱信号的去噪方法
CN105260990B (zh) * 2015-09-18 2018-10-09 新疆医科大学第一附属医院 染噪红外光谱信号的去噪方法
CN106950475A (zh) * 2017-03-23 2017-07-14 广东电网有限责任公司珠海供电局 一种基于小波变换的局部放电信号提取方法及装置
CN107133931A (zh) * 2017-05-03 2017-09-05 广东电网有限责任公司珠海供电局 一种电缆瓷套终端红外图像去噪方法及装置
US12092526B2 (en) 2019-03-07 2024-09-17 Abb Schweiz Ag Apparatus for monitoring a switchgear
CN111610407A (zh) * 2020-05-18 2020-09-01 国网江苏省电力有限公司电力科学研究院 基于朴素贝叶斯的电缆老化状态评估方法和装置
CN111610407B (zh) * 2020-05-18 2022-10-18 国网江苏省电力有限公司电力科学研究院 基于朴素贝叶斯的电缆老化状态评估方法和装置

Similar Documents

Publication Publication Date Title
CN110378844B (zh) 基于循环多尺度生成对抗网络的图像盲去运动模糊方法
CN105913393B (zh) 一种自适应小波阈值图像去噪方法及装置
CN108805059B (zh) 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法
CN101950414B (zh) 自然图像非局部均值去噪方法
CN110688964A (zh) 一种基于稀疏分解的小波阈值与emd联合降噪方法
CN101482617B (zh) 基于非下采样轮廓波的合成孔径雷达图像去噪方法
CN103839239A (zh) 一种电缆瓷套终端红外图像自适应去噪方法
CN101944230B (zh) 基于多尺度的自然图像非局部均值去噪方法
CN101477681B (zh) 基于自适应滑窗邻域阈值的小波图像降噪方法
CN106846268A (zh) 一种高斯‑脉冲混合图像噪声去除方法
CN104103041B (zh) 超声图像混合噪声自适应抑制方法
CN107784638A (zh) 一种优化的东巴古籍图像增强方法
CN107729845B (zh) 一种基于子空间特征值分解的实测频响函数降噪方法
CN110830043B (zh) 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法
CN112084845B (zh) 基于多尺度小波系数自相关的低频1/f噪声消除方法
CN107356843A (zh) 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法
CN112991199A (zh) 一种基于残差密集网络的图像高低频分解噪声去除方法
Ashraf et al. Underwater ambient-noise removing GAN based on magnitude and phase spectra
CN104915930A (zh) 对图像进行灰度补偿和噪声抑制的方法及装置
CN106023103B (zh) 一种基于精确局部方差先验建模的自适应正交小波图像去噪方法
CN104732498A (zh) 一种基于非下采样Contourlet变换的阈值化图像去噪方法
CN103745442B (zh) 基于非局部小波系数收缩的图像去噪方法
Dong Adaptive image denoising using wavelet thresholding
CN116109519B (zh) 图像去噪方法
CN104502820A (zh) 基于二维小波变换的变压器局部放电图谱去噪方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20140604

RJ01 Rejection of invention patent application after publication