CN113592727A - 基于nsst域的电力设备红外图像增强方法 - Google Patents

基于nsst域的电力设备红外图像增强方法 Download PDF

Info

Publication number
CN113592727A
CN113592727A CN202110740861.3A CN202110740861A CN113592727A CN 113592727 A CN113592727 A CN 113592727A CN 202110740861 A CN202110740861 A CN 202110740861A CN 113592727 A CN113592727 A CN 113592727A
Authority
CN
China
Prior art keywords
image
low
infrared image
nsst
frequency component
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
CN202110740861.3A
Other languages
English (en)
Inventor
张昕
于洋
朱佳祥
张家豪
胡波
李姗姗
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.)
Yanbian Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co
Original Assignee
Yanbian Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co
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 Yanbian Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co filed Critical Yanbian Power Supply Co Of State Grid Jilinsheng Electric Power Supply Co
Priority to CN202110740861.3A priority Critical patent/CN113592727A/zh
Publication of CN113592727A publication Critical patent/CN113592727A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于NSST域的电力设备红外图像增强方法，包括以下步骤：S1，采用NSST变换对原始红外图像进行多尺度多方向的变换，分解为高频分量和低频分量；S2，对低频分量采用海鸥优化算法改进Otsu进行阈值分割，分割为电力设备主体的前景和后景；S3，对分割后的前景采用线性增强，对分割后的后景采用直方图均衡，最后融合为增强后的低频分量图像；S4，经过NSST多尺度变换后得到的高频分量，采用Beeps滤波进行去噪处理；S5，将增强后的高、低频分量进行NSST逆变换，得到增强后的红外图像。本发明明显改善了电气设备红外图像本身质量和视觉效果。

Description

基于NSST域的电力设备红外图像增强方法
技术领域
本发明涉及红外成像技术领域，特别涉及一种基于NSST域的电力设备红外图像增强方法。
背景技术
电力设备正常运转保证着整个电力系统稳定运行，电力设备运行异常或故障时都伴随着温升的现象。红外检测技术可以将人眼不可见的红外线以温度图谱的方式显示出来。在电力系统运行时电力设备不停运的情况下对其进行实时、非接触、无损检测。红外检测在电力设备温度检测中得到了广泛的应用，目的是提前设备故障缺陷、进而消除对整个电力系统进一步的危害。将红外测温技术应用于电力设备运行状态检测中具有非常重要的应用价值。现阶段、多家电力公司正在积极引进先进的国外红外检测设备，对多处电力设备进行巡检，通过大量的实践收集累积十分重要的实验数据。
由于红外焦平面生产工艺的局限，微弱信号在光电转换的过程中难以分辨，导致呈现出的红外图像模糊。电力设备种类繁多、结构复杂，电气设备间的金属连接部件、绝缘子、接头等温度异常部分相比于变压器、塔杆来说难以分辨，以及现阶段红外成像硬件生产工艺的局限性使得电力设备红外图像辨识度不高，此外红外传感器接收到物体的红外辐射本身受到传热，大气衰减以及热辐射等外界因素影响，导致红外图像本身存在分辨率低、细节模糊、含多种噪声等问题，难以对电力设备异常原因进行分析和故障定位。在数字图像处理部分图像增强和边缘检测是电力设备红外成像的问题所在。图像增强处理需要对图像的进行去噪，提高对比度，以及对目标物体纹理，边缘细节的提升。
电气设备在运行时会产生热量，电力设备区域温度要高于周围环境温度。但无论在正常运行或故障潜伏期，电气设备各个部分温度值相似，导致红外图像灰度值[Lmin，Lmax]局限在一个较小范围内。线性增强可以延展高温设备的灰度跨度，处理变换公式为：
Figure BDA0003141212500000011
式中：L为原低频分量灰度值；Lnew为增强后对应灰度值。经过线性拉伸仍可保持原低频图像灰度的分布规律，灰度范围由[Lmin，Lmax]扩展到了[Lmin，255]，对灰度范围进行了最大限度的延伸。灰度目标区域的电力设备视觉效果增强，加强了与背景对比度区分。保持Lmin不变，可以防止亮度较低的电力设备部分混入背景区域中。
直方图均衡化可以用于增强动态范围不大的图像对比度，通过扩展原始图像中灰度值集中在较窄部分来改善图像清晰度。设灰度值为l出现的概率密度为：
Figure BDA0003141212500000012
N为像素总量；nl为灰度值为l的像素数；图像的灰度分布函数为：
Figure BDA0003141212500000013
直方图均衡化算法对灰度分布函数乘以(L-1)来作为点新像素值，转换关系式为：
Figure BDA0003141212500000021
直方图均衡化通过将统计学知识应用到图像增强中。处理低频低温分量时有效地降低背景亮度，并且突出非电力设备主体部分目标像素值，加大了该部分与背景的灰度差，从而提高了原图像的辨识度。
在图像中，妨碍人们接收信息的因素称之为噪声。图像去噪分类为空域滤波、频域滤波、偏微分方程去噪和变分法。空域滤波法是对原图像矩阵进行运算，计算选取合适像素值替换原有噪点灰度值。常见空域去噪算法有领域滤波、低通滤波和中值滤波；频域滤波指将原图像从空间域变换到频域，对频域的变换系数进行处理，最后进行反变换以达到去噪的目的。常见的频域处理有傅里叶变换、小波变换等；偏微分方程去噪指对原含噪声图像建立偏微分方程，求解其中的非线性偏微分方程；变分发去噪指确定图像能量函数，通过对能量函数的最小化处理使得图像达到平滑状态。
频域增强是目前图像增强使用最为广泛的方法之一，频域处理从傅里叶变换开始发展，傅里叶变换将图像一般信号用不同频率的正弦信号表示，但傅里叶变换只包含频率信息，不包含时间信息，难以体现一副图像的完整信息。小波变换改进了傅里叶变换的基础波形，使得变换结果包含频率和时间参数，但小波变换各方向属性相同，不能保证图像的各向异性。
传统线性增强缺点：受红外焦平面制作工艺和外界因素影响，干扰信号混入实景信息中形成噪声。线性增强对图像整体像素值进行处理，处理过程中实景信息和噪声信息不做区分。线性算法处理可以增强物体与背景的对比度，相应的噪声信息也被相应地放大，导致电力设备红外图像的质量和视觉效果降低，对电力设备的异常分析和故障判断造成更多干扰。
传统去噪算法缺点：将各种传统去噪算法对比可以得出。基于空域的图像去噪计算量小，可以较好的保持图像细节，但无法对复杂滤波进行完全滤除，只适用于噪声信息简单的图像；频域去噪不受噪声特征限制，但是变换过程计算量大，运算时间过长。偏微分和变分法可以保持图像边缘信息，但在区分边缘信息和噪声能力上有所欠缺。
传统频域去噪算法缺点：早期傅里叶变换不包含时间信息，无法提现图像完整性；小波变换在傅里叶变换基础上将忽略图像各向异性；剪切波变换考虑了图像的方向性，且可以实现图像的最佳稀疏表示，在电力设备红外图像中边缘检测和图像增强有很好的效果，但进行尺度变换和方向变换的下采样操作容易使图像出现伪吉布斯现象。
发明内容
针对电气设备红外图像本身质量和视觉效果不佳，本发明提出了一种基于NSST域的电力设备红外图像增强方法。
为了解决上述技术问题，本发明的技术方案为：
一种基于NSST域的电力设备红外图像增强方法，包括以下步骤：
S1，采用NSST变换对原始红外图像进行多尺度多方向的变换，分解为高频分量和低频分量；
S2，对低频分量采用海鸥优化算法改进Otsu进行阈值分割，分割为电力设备主体的前景和后景；
S3，对分割后的前景采用线性增强，对分割后的后景采用直方图均衡，最后融合为增强后的低频分量图像；
S4，经过NSST多尺度变换后得到的高频分量，采用Beeps滤波进行去噪处理；
S5，将增强后的高、低频分量进行NSST逆变换，得到增强后的红外图像。
优选的，步骤S1包括以下步骤：
S11，多尺度分解通过非下采样金字塔滤波器组将原始图像分解成一个高频图像和低频图像，再基于分解得到的低频图像进行NSP分解，经过k次NSP分解后得到k个高频子带和1个低频子带图像；
S12，将标准Shearlet滤波器从伪极坐标系映射到笛卡尔坐标系，进行傅里叶逆变换，最后利用二维卷积完成最终处理。
优选的，步骤S2中所述海鸥优化算法改进Otsu进行阈值分割包括以下步骤：
S21，假设一个大小为M×N，灰度级为L的电力设备红外图像灰度级范围为[0，L-1]，在阈值分割中将灰度级[0，T]的像素点归为S0类，灰度级为[T，L-1]的为S1类，S0(T)和S1(T)分别为S0类和S1类的出现概率，u0(T)和u1(T)分别表示S0、S1的平均灰度级，则有：
Figure BDA0003141212500000031
Figure BDA0003141212500000032
Figure BDA0003141212500000033
Figure BDA0003141212500000034
其中Si为灰度级i在图像中出现概率；
图像平均灰度级表示为：u＝S0(T)u0(T)+S1(T)u1(T)；
图像的类间方差为：
Figure BDA0003141212500000035
当类间方差达到最大时的灰度级为最优的分割阈值，即：
Figure BDA0003141212500000036
S22，利用海鸥算法进行阈值的寻优，获得最佳阈值，经过海鸥算法优化的适应度函数为：
Figure BDA0003141212500000037
根据图像像素范围，设置寻优边界为0∶255。
优选的，步骤S3中所述对分割后的前景采用线性增强包括以下步骤：将设备区域的原灰度范围[Lmin，Lmax]进行拉伸，拉伸后的灰度范围为[Lmin，255]，灰度增强公式为
Figure BDA0003141212500000038
式中L为原低频分量灰度值，Lnew为增强后对应灰度值。
优选的，步骤S3中所述对分割后的后景采用直方图均衡包括以下步骤：灰度值为l出现的概率密度为
Figure BDA0003141212500000041
l＝0，1，...，L-1，
式中N为像素总量，nl为灰度值为l的像素数；
图像的灰度分布函数为
Figure BDA0003141212500000042
l＝0，1，...，L-1；
直方图均衡化算法对灰度分布函数乘以(L-1)来作为点新像素值，转换关系式为
Figure BDA00031412125000000416
l＝0，1，...，L-1。
优选的，步骤S4包括以下步骤：
S41，设x[k]表示红外图像的像素值，则具体算法原理如下：
φ[k]＝(1-p[k]λ)x[k]+[k]λφ[k-1]，
式中ρ[k]＝r(x[k]，φ[k-1])；
Figure BDA0003141212500000043
式中
Figure BDA0003141212500000044
经过上述两式递归运算后，将得到的k所对应的φ[k]和
Figure BDA0003141212500000045
值代入到以下公式：
Figure BDA0003141212500000046
以上所有式中
Figure BDA0003141212500000047
r∈[0，1]，r，λ共同控制着图像的平滑程度；
S42，x[k]从第二个像素值按照φ[k]＝(1-p[k]λ)x[k]+[k]λφ[k-1]进行横向递运算得到φ[k]1，再从倒数第二个值按照
Figure BDA0003141212500000048
进行横向递归运算得到
Figure BDA0003141212500000049
将φ[k]1和
Figure BDA00031412125000000410
带入到
Figure BDA00031412125000000411
运算得到y[k]1，将y[k]1代替原来的x[k]值；将y[k]1按照以上步骤，先按φ[k]＝(1-p[k]λ)x[k]+[k]λφ[k-1]进行纵向递归运算得到φ[k]3，再根据
Figure BDA00031412125000000412
从y[k]1倒数第二个值进行纵向递归运算得到
Figure BDA00031412125000000413
最后将
Figure BDA00031412125000000414
和φ[k]3代入
Figure BDA00031412125000000415
结果记为y[k]2；
S43，按照步骤S42进行先纵向后横向的递归值运算得到最终值y[k]4，取y[k]2和y[k]4的和的一半为图像最终输出像素值。
与现有技术相比，本发明的有益效果是：
本发明首先利用NSST交换将红外图像分解成高频和低频两部分，对含有大量目标设备信息的低频分量利用海鸥改进Otsu算法进行阈值分割，将其分解为背景区域和目标区域两个部分，再分别进行增强处理；对含有噪声和图像细节信息的高频分量，首先选取合适参数进行BEEPS滤波处理，后对处理后高频子带图像进行增强；最后将处理后的低频分量和高频分量进行NSST逆变换得到最终增强图像。本发明获得的图像噪声含量最小，对比度提升最为明显，极大地扩展了目标设备区域的灰度级，提高电力设备区域对比度，对电力设备红外图像增强最为显著。
附图说明
图1为本发明基于NSST域的电力设备红外图像增强方法的流程图；
图2为本发明BEEPS滤波算法的流程图；
图3为Otsu，灰狼自适应阈值分割和海鸥改进Otsu阈值分割图，其中图(a)为采用Otsu算法分割图，图(b)为采用灰狼自适应阈值分割算法分割图，图(c)为采用采用海鸥改进Otsu阈值分割图；
图4为本发明低频分量处理图，其中图(a)为低频分量后景处理图，图(b)为低频分量前景处理图；
图5为采用不同算法下的红外图像增强效果图，其中图(a)为采用BEEPS算法的红外图像增强效果图，图(b)为采用Histogram equalization算法的红外图像增强效果图，图(c)为采用NSST算法的红外图像增强效果图，图(d)为采用本发明算法的红外图像增强效果图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种基于NSST域的电力设备红外图像增强方法，包括以下步骤：
S1，采用NSST变换对原始红外图像进行多尺度多方向的变换，分解为高频分量和低频分量；
Guo、Labate等人通过几何分析和多分辨率分析理论相结合提出合成小波，当维数n＝2时，具有的合成膨胀仿射系统为：
Figure BDA0003141212500000051
式中
Figure BDA0003141212500000052
L为可积空间，R表示合集，Z表示整数集合。矩A和B均为2×2可逆矩阵，并且|detB|＝1。假设对于任意函数f∈L2(R2)，若
Figure BDA0003141212500000053
都满足Parseval框架(紧支撑条件)，即
Figure BDA0003141212500000054
Figure BDA0003141212500000055
表示合成小波。矩阵A控制尺度变换，矩阵B控制几何方向变换(平移、缩放、剪切等)。这样可以让
Figure BDA0003141212500000056
在每个方向和尺度上构造Parseval框架。当
Figure BDA0003141212500000057
时，合成小波即为剪切波。一般情况下，a＝4，b＝1。剪切波实际上是合成小波的一种特例。
非下采样剪切波变换包括多尺度分解和方向局部化两个过程。多尺度分解通过非下采样金字塔(Non-subsampled Pyramid，NSP)滤波器组将原始图像分解成一个高频图像和低频图像，再基于分解得到的低频图像进行NSP分解。经过k次NSP分解后得到k个高频子带和1个低频子带图像。方向局部化，NSST利用改进剪切波变换对分解图像进行局部化处理，首先将标准Shearlet滤波器从伪极坐标系映射到笛卡尔坐标，进行傅里叶逆变换。最后利用二维卷积完成最终处理。
S2，对低频分量采用海鸥优化算法改进Otsu进行阈值分割，分割为电力设备主体的前景和后景；
海鸥算法是根据迁徙和攻击行为而提出的新型智能优化算法。迁徙过程中(全局搜索)为了避免与其余海鸥碰撞，算法采用一个变量A计算海鸥新位置。
Cs(t)＝A*Ps(t) (7)
Cs(t)表示新位置，此位置不与其他海鸥位置冲突。Ps(t)表示当前海鸥所在位置，t表示当前迭代。A表示在给定空间中海鸥的运动行为。
A＝fc-(t*(fc/Maxiteration) (8)
fc控制变量A频率。在避免了与其他海鸥的位置重叠之后，海鸥，海鸥向着最佳位置方向移动。
Ms(t)＝B*(Pbs(t)-Ps(t)) (9)
Ms(t)代表最佳位置所在的方向，B是负责平衡全局和和局部搜索的随机数。
B＝2*A2*rd (10)
rd是[0，1]内的随机数。
当海鸥移动到不与其他海鸥相撞的位置后，就会朝着最佳位置所在方向移动，到达新的位置。
Ds(t)＝|Cs(t)+Ms(t)| (11)
Ds(t)表示海鸥新位置。攻击行为(局部搜索)，在迁徙过程中海鸥通过改变攻击的角度和速度。海鸥攻击猎物时在空中做螺旋状运动，其x、y和z方向的运动行为描述如下：
x＝r*cos(θ) (12)
y＝r*sin(θ) (13)
z＝r*θ (14)
Figure BDA0003141212500000061
r是每个螺旋的半径，θ是[0，2π]范围内的随机角度。u和v是螺旋形状的相关常数。
Otsu算法是目前应用最为广泛的图像分割算法之一，通过图像的类间方差达到最大时将其作为阈值分割的标准。根据Otsu原理，
假设一个大小为M×N，灰度级为L的电力设备红外图像灰度级范围为[0，L-1]。在阈值分割中将灰度级[0，T]的像素点归为S0类，灰度级为[T，L-1]的为S1类。S0(T)和S1(T)分别为S0类和S1类的出现概率。u0(T)和u1(T)分别表示S0、S1的平均灰度级。有：
Figure BDA0003141212500000071
Figure BDA0003141212500000072
Figure BDA0003141212500000073
Figure BDA0003141212500000074
其中Si为灰度级i在图像中出现概率。
图像平均灰度级表示为：
u＝S0(T)u0(T)+s1(T)u1(T) (20)
图像的类间方差为：
Figure BDA0003141212500000075
当类间方差达到最大时此时的灰度级即为最优的分割阈值。即：
Figure BDA0003141212500000076
为了使类间方差值达到最大，利用海鸥算法进行阈值的寻优从而获得最佳阈值，经过海鸥算法优化的适应度函数为：
Figure BDA0003141212500000077
根据图像像素范围，设置寻优边界为0 255。利用海鸥算法改进Otsu优化了Otsu阈值分割精度，同时大大提高了算法的运行速度。
S3，对分割后的前景采用线性增强，对分割后的后景采用直方图均衡，最后融合为增强后的低频分量图像；
经过海鸥改进Otsu分割得到的设备区域部分灰度值跨度小，可以利用线性增强的方法对原始灰度值进行拉伸增强目标设备区域。若设备区域的原灰度范围为[Lmin，Lmax]，拉伸后的灰度值范围为[Lmin，255]，灰度增强公式为：
Figure BDA0003141212500000078
式中：L为原低频分量灰度值；Lnew为增强后对应灰度值。
低频图像经过线性拉伸仍可保持原低频图像灰度的分布规律，同时目标区域的电力设备视觉效果增强，加强了与背景对比度区分。保持Lmin不变，可以防止亮度较低的电力设备部分混入背景区域中。
背景区域在红外检测范围之外，但在阈值分割时如导线等一些不属于电力设备主体的部分因为灰度值偏低容易混入背景，难以辨识。为了解决以上问题，本发明利用直方图均衡化算法处理背景区域。
灰度值为l出现的概率密度为：
Figure BDA0003141212500000081
N为像素总量；nl为灰度值为l的像素数；图像的灰度分布函数为：
Figure BDA0003141212500000082
直方图均衡化算法对灰度分布函数乘以(L-1)来作为点新像素值，转换关系式为：
Figure BDA0003141212500000083
经过直方图均衡化处理的低频分量有效地降低背景亮度，并且突出非电力设备主体部分目标像素值，加大了该部分与背景的灰度差，从而提高了原图像的辨识度。
S4，经过NSST多尺度变换后得到的高频分量，采用Beeps滤波进行去噪处理；
高频分量中包含了电力设备原图像中的大量目标细节信息和噪声[9]。目标设备细节信息灰度值较噪声部分灰度值低，视觉效果偏暗。本发明选用BEEPs滤波算法对各个高频系数子带进行滤波去噪处理。设x[k]表示红外图像的像素值，具体算法原理如下：
φ[k]＝(1-ρ[k]λ)x[k]+[k]λφ[k-1] (28)
其中，ρ[k]＝r(x[k]，φ[k-1])；
Figure BDA0003141212500000084
其中，
Figure BDA0003141212500000085
经过式(28)和式(29)递归运算后，将得到的k所对应的的φ[k]和
Figure BDA00031412125000000812
值代入到以下公式：
Figure BDA0003141212500000086
以上所有式子中，
Figure BDA0003141212500000087
其中r∈[0，1]，r，λ共同控制着图像的平滑程度。
x[k]根据图2从x[k]的第二个像素值按照公式(28)进行横向递归运算得到φ[k]1，在从倒数第二个值按照公式(29)进行横向递归运算得到
Figure BDA0003141212500000088
将φ[k]1和
Figure BDA0003141212500000089
代入到公式(30)运算得到y[k]1，将y[k]1代替x[k]值。将y[k]1按照以上步骤，先按公式(28)进行纵向递归运算得到φ[k]3，再根据公式(29)从y[k]1倒数第二个值进行纵向递归运算得到
Figure BDA00031412125000000810
最后将
Figure BDA00031412125000000811
和φ[k]3代入公式(30)，结果记为y[k]2。流程如图2上部分所示。
图2下部分流程，按照上述步骤进行先纵向后横向的递归值运算得到最终值y[k]4，取y[k]2和y[k]4和的一半为图像最终输出像素值。根据上文对BEEPS算法滤波的描述，可以看出该算法对红外图像分别先后进行了纵、横方向的处理，可以保持处理后红外图像的各项异性。
S5，将增强后的高、低频分量进行NSST逆变换，得到增强后的红外图像。
为验证本发明阈值分割算法，基于matlab软件对某变电站红外图像进行分割分析。
非下采样金字塔选取层数为3，每层的方向数为8。原图像经过NSST变换产生一个低频分量和三组方向系数不同的高频分量图像，Otsu算法、灰狼自适应阈值分割算法和海鸥改进Otsu算法对比如图3所示，三种图像算法和本发明算法进行比较，证明了本发明算法优越性。
通过海鸥改进Otsu过的阈值进行分割将原始低频图像分割成背景区域和前景区域两个部分，再分别利用直方图均衡化和线性增强对两部分进行处理。效果处理图4所示，对分割后的后景采用直方图均衡，获得图4(a)；对分割后的前景采用线性增强，获得图4(b)。
选取BEEPS算法、Histogram equalization算法和NSST算法三种算法来与本发明进行比较，各种算法增强效果图如图(5)所示，结果显示采用本发明算法的红外图像增强效果更为明显，证明了本发明算法的优越性。
为了对上述所示算法进行客观评价，验证本发明所示算法优越性。选取峰值信噪比(Peak Signal to Noise Ratio，PSNR)、信息熵(Information Entropy，IE)、对比度(Contrast Ratio，CR)、边缘强度(OV)、标准差(Standard Deviation，SD)5种评价指标来对以上算法处理效果进行质量评估。评价指标如表1。
表1红外图像增强的评价指标
Figure BDA0003141212500000091
根据评价表可以看出，本发明算法相较于其他四种算法从峰值信噪比、信息熵、对比度、边缘强度、标准差方面比较结果均为最高。这说明经过本发明算法处理的图像噪声含量最小，对比度提升最为明显，极大地扩展了目标设备区域的灰度级，提高电力设备区域对比度，对电力设备红外图像增强最为显著。实验数据表明，本发明算法根据电力设备红外图像的特征进行设计，具有广阔的应用前景。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (6)

1.一种基于NSST域的电力设备红外图像增强方法，其特征在于，包括以下步骤：
S1，采用NSST变换对原始红外图像进行多尺度多方向的变换，分解为高频分量和低频分量；
S2，对低频分量采用海鸥优化算法改进Otsu进行阈值分割，分割为电力设备主体的前景和后景；
S3，对分割后的前景采用线性增强，对分割后的后景采用直方图均衡，最后融合为增强后的低频分量图像；
S4，经过NSST多尺度变换后得到的高频分量，采用Beeps滤波进行去噪处理；
S5，将增强后的高、低频分量进行NSST逆变换，得到增强后的红外图像。
2.根据权利要求1所述的一种基于NSST域的电力设备红外图像增强方法，其特征在于，步骤S1包括以下步骤：
S11，多尺度分解通过非下采样金字塔滤波器组将原始图像分解成一个高频图像和低频图像，再基于分解得到的低频图像进行NSP分解，经过k次NSP分解后得到k个高频子带和1个低频子带图像；
S12，将标准Shearlet滤波器从伪极坐标系映射到笛卡尔坐标系，进行傅里叶逆变换，最后利用二维卷积完成最终处理。
3.根据权利要求2所述的一种基于NSST域的电力设备红外图像增强方法，其特征在于，步骤S2中所述海鸥优化算法改进Otsu进行阈值分割包括以下步骤：
S21，假设一个大小为M×N，灰度级为L的电力设备红外图像灰度级范围为[0，L-1]，在阈值分割中将灰度级[0，T]的像素点归为S0类，灰度级为[T，L-1]的为S1类，S0(T)和S1(T)分别为S0类和S1类的出现概率，u0(T)和u1(T)分别表示S0、S1的平均灰度级，则有：
Figure FDA0003141212490000011
Figure FDA0003141212490000012
Figure FDA0003141212490000013
Figure FDA0003141212490000014
其中Si为灰度级i在图像中出现概率；
图像平均灰度级表示为：u＝S0(T)u0(T)+S1(T)u1(T)；
图像的类间方差为：
Figure FDA0003141212490000015
当类间方差达到最大时的灰度级为最优的分割阈值，即：
Figure FDA0003141212490000016
S22，利用海鸥算法进行阈值的寻优，获得最佳阈值，经过海鸥算法优化的适应度函数为：
Figure FDA0003141212490000021
根据图像像素范围，设置寻优边界为0：255。
4.根据权利要求3所述的一种基于NSST域的电力设备红外图像增强方法，其特征在于，步骤S3中所述对分割后的前景采用线性增强包括以下步骤：将设备区域的原灰度范围[Lmin，Lmax]进行拉伸，拉伸后的灰度范围为[Lmin，255]，灰度增强公式为
Figure FDA0003141212490000022
式中L为原低频分量灰度值，Lnew为增强后对应灰度值。
5.根据权利要求4所述的一种基于NSST域的电力设备红外图像增强方法，其特征在于，步骤S3中所述对分割后的后景采用直方图均衡包括以下步骤：灰度值为l出现的概率密度为
Figure FDA0003141212490000023
式中N为像素总量，nl为灰度值为l的像素数；
图像的灰度分布函数为
Figure FDA0003141212490000024
直方图均衡化算法对灰度分布函数乘以(L-1)来作为点新像素值，转换关系式为
Figure FDA0003141212490000025
6.根据权利要求5所述的一种基于NSST域的电力设备红外图像增强方法，其特征在于，步骤S4包括以下步骤：
S41，设x[k]表示红外图像的像素值，则具体算法原理如下：
φ[k]＝(1-ρ[k]λ)x[k]+[k]λφ[k-1]，
式中ρ[k]＝r(x[k]，φ[k-1])；
Figure FDA0003141212490000026
式中
Figure FDA0003141212490000027
经过上述两式递归运算后，将得到的k所对应的φ[k]和
Figure FDA0003141212490000028
值代入到以下公式：
Figure FDA0003141212490000029
以上所有式中
Figure FDA00031412124900000210
r∈[0，1]，r，λ共同控制着图像的平滑程度；
S42，x[k]从第二个像素值按照φ[k]＝(1-p[k]λ)x[k]+[k]λφ[k-1]进行横向递运算得到φ[k]1，再从倒数第二个值按照
Figure FDA00031412124900000211
进行横向递归运算得到
Figure FDA00031412124900000212
将φ[k]1和
Figure FDA00031412124900000213
带入到
Figure FDA00031412124900000214
运算得到y[k]1，将y[k]1代替原来的x[k]值；将y[k]1按照以上步骤，先按φ[k]＝(1-p[k]λ)x[k]+[k]λφ[k-1]进行纵向递归运算得到φ[k]3，再根据
Figure FDA00031412124900000215
从y[k]1倒数第二个值进行纵向递归运算得到
Figure FDA0003141212490000031
最后将
Figure FDA0003141212490000032
和φ[k]3代入
Figure FDA0003141212490000033
结果记为y[k]2；
S43，按照步骤S42进行先纵向后横向的递归值运算得到最终值y[k]4，取y[k]2和y[k]4的和的一半为图像最终输出像素值。
CN202110740861.3A 2021-06-30 2021-06-30 基于nsst域的电力设备红外图像增强方法 Pending CN113592727A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110740861.3A CN113592727A (zh) 2021-06-30 2021-06-30 基于nsst域的电力设备红外图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110740861.3A CN113592727A (zh) 2021-06-30 2021-06-30 基于nsst域的电力设备红外图像增强方法

Publications (1)

Publication Number Publication Date
CN113592727A true CN113592727A (zh) 2021-11-02

Family

ID=78245331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110740861.3A Pending CN113592727A (zh) 2021-06-30 2021-06-30 基于nsst域的电力设备红外图像增强方法

Country Status (1)

Country Link
CN (1) CN113592727A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897745A (zh) * 2022-07-14 2022-08-12 荣耀终端有限公司 一种扩展图像动态范围的方法及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7840066B1 (en) * 2005-11-15 2010-11-23 University Of Tennessee Research Foundation Method of enhancing a digital image by gray-level grouping
KR20160002517A (ko) * 2014-06-30 2016-01-08 성균관대학교산학협력단 디지털 이미지 향상 방법 및 장치와, 이를 이용한 영상 처리 장치
CN109035166A (zh) * 2018-07-16 2018-12-18 国网四川省电力公司巴中供电公司 基于非下采样剪切波变换的电气设备红外图像增强方法
US20190068865A1 (en) * 2017-08-30 2019-02-28 Gopro, Inc. Local Tone Mapping

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7840066B1 (en) * 2005-11-15 2010-11-23 University Of Tennessee Research Foundation Method of enhancing a digital image by gray-level grouping
KR20160002517A (ko) * 2014-06-30 2016-01-08 성균관대학교산학협력단 디지털 이미지 향상 방법 및 장치와, 이를 이용한 영상 처리 장치
US20190068865A1 (en) * 2017-08-30 2019-02-28 Gopro, Inc. Local Tone Mapping
CN109035166A (zh) * 2018-07-16 2018-12-18 国网四川省电力公司巴中供电公司 基于非下采样剪切波变换的电气设备红外图像增强方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TRENT1985: "图像保边滤波算法集锦--BEEP滤波算法与实现", pages 0001, Retrieved from the Internet <URL:https://blog.csdn.net/Trent1985/article/details/80772571> *
小糊糊: "OTSU算法详解", pages 0001, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/111101737?utm_id=0> *
朱颖，王昕，王爱平，粟莲: "基于MVOtsu 和对数型模糊隶属度函数的电力设备NSST, 域红外图像增强", 高压电器, vol. 56, no. 9, 16 September 2020 (2020-09-16), pages 0179 *
王海龙，张宏伟，张文: "基于SOA-Otsu 的图像多阈值分割算法研究", 信息与电脑, vol. 2021, no. 2, 25 January 2021 (2021-01-25), pages 0065 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897745A (zh) * 2022-07-14 2022-08-12 荣耀终端有限公司 一种扩展图像动态范围的方法及电子设备
CN114897745B (zh) * 2022-07-14 2022-12-20 荣耀终端有限公司 一种扩展图像动态范围的方法及电子设备

Similar Documents

Publication Publication Date Title
CN109035166B (zh) 基于非下采样剪切波变换的电气设备红外图像增强方法
CN113870135A (zh) 一种基于天牛须优化算法的nsst域红外图像增强方法
CN109636766B (zh) 基于边缘信息增强的偏振差分与光强图像多尺度融合方法
CN100550978C (zh) 一种保持边缘的自适应图像滤波方法
CN113837974B (zh) 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法
CN111986098B (zh) 一种含固定背景的被动式太赫兹图像增强方法
CN111507913B (zh) 一种基于纹理特征的图像融合算法
CN102750705A (zh) 基于图像融合的光学遥感图像变化检测
Luo et al. Infrared and visible image fusion based on visibility enhancement and hybrid multiscale decomposition
CN113592729A (zh) 基于nsct域的电力设备红外图像增强方法
CN112150386B (zh) 基于对比度均值的sar图像相干斑非局部平均抑制方法
CN112666426A (zh) 基于多光谱三合一图像的设备故障检测方法及系统
CN104103041A (zh) 超声图像混合噪声自适应抑制方法
CN112669249A (zh) 结合改进nsct变换和深度学习的红外与可见光图像融合方法
CN111179208A (zh) 基于显著图与卷积神经网络的红外-可见光图像融合方法
Patel et al. Mammogram of breast cancer detection based using image enhancement algorithm
CN105427255A (zh) 一种基于grhp的无人机红外图像细节增强方法
Mu et al. Low and non-uniform illumination color image enhancement using weighted guided image filtering
CN113592727A (zh) 基于nsst域的电力设备红外图像增强方法
CN106530277B (zh) 一种基于小波方向相关系数的图像融合方法
Ein-shoka et al. Quality enhancement of infrared images using dynamic fuzzy histogram equalization and high pass adaptation in DWT
CN112819739B (zh) 一种扫描电子显微镜图像处理方法和系统
Luo et al. Multi-focus image fusion through pixel-wise voting and morphology
Bhattacharya et al. Brain image segmentation technique using Gabor filter parameter
CN111461999A (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination