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

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{ψ_i: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ψ_i，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

l=1,2,3；

(c)依次计算小波ψ_i对应的近似系数

的能量百分比

直到i=N；

(d)比较计算得到的

如果

为中最大值(i=1,2,...,N)，则

对应的小波ψ_p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

为最优小波ψ_p在尺度k-1上的近似系数。从小波库中依次选择小波ψ_i对新的信号s进行一层小波分解，得到近似系数

(f)依次计算小波ψ_i对应的近似系数

的能量百分比

直到i=N；

(g)寻找出

中最大的能量百分比值(i=1,2,...,N)，其对应的小波ψ_i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：

$E_a=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(a_{(i,j)}^K\right)}^2}{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(a_{(i,j)}^K\right)}^2+\underset{l}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(W_{(i,j)}^k\left(l\right)\right)}^2},$

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。

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：

${\hat{W}}_{S(i,j)}^k\left(l\right)=\frac{{\mathrm{\σ}}_{S,k}^2\left(l\right)}{{\mathrm{\σ}}_{S,k}^2\left(l\right)+{\mathrm{\σ}}_{n,k}^2\left(l\right)}{W}_{(i,j)}^k\left(l\right),$

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；

代表第k层上，l方向上噪声的小波系数方差；

代表第k层上，l方向上带噪信号的小波系数；

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：

${\widehat{\mathrm{\σ}}}_{n,k}=\frac{\mathrm{median}|\left(W_{(i,j)}^k\left(l\right)\right)}{0.6745},$

其中，

为k层上，l方向上带噪信号的小波系数

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

计算公式为：

${\mathrm{\σ}}_k^2\left(l\right)=E\left\{{[W_{(i,j)}^k\left(l\right)-E]\left(W_{(i,j)}^k\left(l\right)\right)}^2\right\},$

其中，

为k层上，l方向上带噪信号的小波系数

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

计算公式为：

${\widehat{\mathrm{\σ}}}_{S,k}^2\left(l\right)={\mathrm{\σ}}_k^2\left(l\right)-{\widehat{\mathrm{\σ}}}_{n,k}^2\left(l\right),$

其中，为第k层上，l方向上图像信号的小波系数估计方差，

为第k层上，l方向上的带噪信号的小波系数方差，

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ψ_i，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

和细节系数l=1,2,3，依次计算小波ψ_i对应的近似系数

的能量百分比

近似系数的能量百分比计算公式为：

$E_a=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(a_{(i,j)}^K\right)}^2}{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(a_{(i,j)}^K\right)}^2+\underset{l}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(W_{(i,j)}^k\left(l\right)\right)}^2},$

其中，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。

比较计算得到的

如果

为中最大值(i=1,2,...,N)，则

对应的小波ψ_p为第一层小波分解的最优小波。

对第k(k＞1)层小波分解，令

为最优小波ψ_p在尺度k-1上的近似系数。从小波库中依次选择小波ψ_i对新的信号s进行一层小波分解，得到近似系数

依次计算小波ψ_i对应的近似系数的能量百分比

直到i=N。

寻找出

中最大的能量百分比值(i=1,2,...,N)，其对应的小波ψ_i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：

${\hat{W}}_{S(i,j)}^k\left(l\right)=\frac{{\mathrm{\σ}}_{S,k}^2\left(l\right)}{{\mathrm{\σ}}_{S,k}^2\left(l\right)+{\mathrm{\σ}}_{n,k}^2\left(l\right)}{W}_{(i,j)}^k\left(l\right),$

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；

代表第k层上，l方向上信号的小波系数方差；

代表第k层上，l方向上噪声的小波系数方差；

代表第k层上，l方向上带噪信号的小波系数；

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

计算公式为：

${\widehat{\mathrm{\σ}}}_{n,k}=\frac{\mathrm{median}|\left(W_{(i,j)}^k\left(l\right)\right)}{0.6745},$

其中，

为k层上，l方向上带噪信号的小波系数

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：

${\mathrm{\σ}}_k^2\left(l\right)=E\left\{{[W_{(i,j)}^k\left(l\right)-E]\left(W_{(i,j)}^k\left(l\right)\right)}^2\right\},$

其中，

为k层上，l方向上带噪信号的小波系数

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

计算公式为：

${\widehat{\mathrm{\σ}}}_{S,k}^2\left(l\right)={\mathrm{\σ}}_k^2\left(l\right)-{\widehat{\mathrm{\σ}}}_{n,k}^2\left(l\right),$

其中，

为第k层上，l方向上图像信号的小波系数估计方差，

为第k层上，l方向上的带噪信号的小波系数方差，

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{ψ_i: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ψ_i，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

l=1,2,3；

(c)依次计算小波ψ_i对应的近似系数

的能量百分比

直到i=N；

(d)比较计算得到的

如果为

中最大值，其中，i=1,2,...,N，则

对应的小波ψ_p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：

为最优小波ψ_p在尺度k-1上的近似系数，从小波库中依次选择小波ψ_i对新的信号s进行一层小波分解，得到近似系数

(f)依次计算小波ψ_i对应的近似系数的能量百分比

直到i=N；

(g)寻找出

中最大的能量百分比值，其中，i=1,2,...,N，其对应的小波ψ_i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：

$E_a=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(a_{(i,j)}^K\right)}^2}{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(a_{(i,j)}^K\right)}^2+\underset{l}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left(W_{(i,j)}^k\left(l\right)\right)}^2},$

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：

${\hat{W}}_{S(i,j)}^k\left(l\right)=\frac{{\mathrm{\σ}}_{S,k}^2\left(l\right)}{{\mathrm{\σ}}_{S,k}^2\left(l\right)+{\mathrm{\σ}}_{n,k}^2\left(l\right)}{W}_{(i,j)}^k\left(l\right),$

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；

代表第k层上，l方向上噪声的小波系数方差；

代表第k层上，l方向上带噪信号的小波系数；

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

计算公式为：

${\widehat{\mathrm{\σ}}}_{n,k}=\frac{\mathrm{median}|\left(W_{(i,j)}^k\left(l\right)\right)}{0.6745},$

其中，

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

计算公式为：

${\mathrm{\σ}}_k^2\left(l\right)=E\left\{{[W_{(i,j)}^k\left(l\right)-E]\left(W_{(i,j)}^k\left(l\right)\right)}^2\right\},$

其中，为k层上，l方向上带噪信号的小波系数

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：

${\widehat{\mathrm{\σ}}}_{S,k}^2\left(l\right)={\mathrm{\σ}}_k^2\left(l\right)-{\widehat{\mathrm{\σ}}}_{n,k}^2\left(l\right),$

其中，

为第k层上，l方向上图像信号的小波系数估计方差，

为第k层上，l方向上的带噪信号的小波系数方差，

为第k层上，l方向上的噪声估计均方差。

Images