一种小波改进算法电力设备红外图像去噪方法

刘星洁,侯 娟,任秀敏

（郑州电力高等专科学校,郑州 450000）

一种小波改进算法电力设备红外图像去噪方法

刘星洁,侯 娟,任秀敏

（郑州电力高等专科学校,郑州 450000）

针对电力设备图像中的散斑噪声，提出一种小波改进算法电力设备超声图像去噪方法。红外图像质量下降的主要原因是噪声的污染，本文将红外图像转化到小波域，利用改进的阈值函数处理各小波系数。本文所用阈值函数较较以往方法有较好的连续性。处理断路器局部过热的红外图像结果表明，该方法在去除噪声的同时可以较好的保留边缘及部分细节。

电力设备红外图像；小波变换；贝叶斯；去噪；阈值函数

1 引言

目前，红外技术因其灵敏度高，实时性强等优势广泛应用于电力设备监测与故障诊断中。但在采集红外图像的过程中受探测器噪声、各种电子器件噪声的影响，获得图片的同时夹杂了很多噪声。由于噪声，严重到红外图像特征提取和人工识别的准确性。

传统的红外图像去噪技术主要可分为空域滤波和频域滤波。空域滤波主要用在空域上用模板或者卷积对图像进行处理。频域滤波是依据噪声多表现在高频的原理，通过去除或者处理高频部分来抑制噪声。传统处理方法不具有自适应性，滤除斑点噪声的同时，丢失图像中细节，边缘模糊。

近年来，小波变换在图像处理领域应用的较为广泛。因软阈值函数连续性好，依据贝叶斯软阈值去噪算法[7]比较有效。但是，小波系数的减少对边界有一定的模糊及失真。文献[1-2]改进了软阈值函数，文献[1]提出的线性滤波器，在阈值点处上升过快、不够平滑，处理后的红外图像会出现模糊或振铃现象；文献[2]阈值函数不具有自适应性，去噪效果不够理想。

基于此，本文提出一种小波改进算法的图像去噪方法。处理大量电力设备红外图像的结果显示该方法不仅有更好的红外图像去噪声能力，同时不会模糊边缘。

2 红外图像散斑噪声模型和小波变换

首先要建立噪声模型，Jain[3]提出如下模型描述：

因加性噪声对红外图像的影响很小，可以忽略aη，则：

使用对数变换将乘性噪声转化为加性噪声[4]，

对式（3）做小波变换：

3 贝叶斯软阈值去噪

图像处理学界，小波子带的系数分布通常用广义高斯分布[5]（GGD）来描述。可表达为：

其中：

Chang[6]等人在此基础上提出了BayesShrink阈值：

因在实际中子带图像一般为β值小于0.5的广义高斯分布[7]。将式（8）做改进[8]：

用Donoho提出的鲁棒中值来估计噪声方差2nσ：

4 改进的阈值函数

硬阈值函数处理后的图像易出现的振铃及伪吉布斯效应。软阈值函数，进行小波贝叶斯阈值去噪后，图像会相对平滑但因为参数值固定不具有自适应性，处理后的图像仍有偏差和不连续性。为了改善这些缺陷，本文将采用一种文献[9]提出的新阈值函数[9]，该阈值函数具有一定的自适应性。

其中，β为大于0，在实际的应用中β可取一个适中的值。

图1用图像展示了改进阈值函数与硬阈值函数和软阈值函数的曲线。易见改进的函数曲线在拐点处比较连续平滑且小波系数保留的更好[9]。

图1 新阈值函数与硬阈值、软阈值函数比较

5 去噪算法流程

步骤一：将实验图像做对数变换，变换后的结果做小波分解；

步骤二：保留低频小波系数，用新阈值函数处理各高频细节子带小波系数；

步骤三：将处理后的高频小波系数和低频的小波系数（未处理）进行小波逆变换；

步骤四：小波逆变换后的结果做指数变换，还原得去噪后的图像。

6 本文算法与其它去噪算法的比较分析

实验1：断路器局部过热图像去噪效果比较。小波处理时，采用sym4小波为4层，(16)式中β取5。

图2为原图及四种方法对比图，贝叶斯改进阈值处理的结果在去燥和边缘保持上明显优于前三种方法。

图2 断路器局部过热去噪效果比较

表1为实验1原始图像与去噪后的图像峰值信噪比和边缘保持度，表1结果显示：新方法信噪比高，图片边缘细节丢失较少。

表1 实验1断路器局部过热图像去噪后的评价指标

7 结论

本文运用新的阈值函数对小波系数处理，提出一种小波改进算法电力设备超声图像去噪方法研究了。该方法提高了图像的去噪能力，得到了更高的PSNR和β评价指标。本次研究具有一定的实用性但仍然有少量小细节丢失现象需进一步改进和研究。

[1]SAHRAEIAN S M,MARVASTI F,SADATI N.Wavelet image denoising based on Improved thresholding neural network and cycle spinning[C].IEEE International Conference on Acoustics,Speech and Signal Processing,2007(01):585-588．

[2]沙俊名,刘泽乾,庞帅等.改进的小波阈值算法在红外图像去噪中的应用[J].弹箭与制导学报,2012,32(03):35-38.

[3]JAIN A K.Fundamentals of digital image process-sing[M].Englewood Cliffs,NJ:Prentice Hall,1989.

[4]ASERNAUT H,APRIL G.Properties of speckle integrated with a finite aperture and logarithmically tr-ansform[J]. Journal of the Optical Society of America,1976,66(11):1160-1163.

[5]KHALED Z A,YOUSSEF M K,KADAH Y M.Realtime speckle reduction and coherence enhancement in ultrasound imaging via nonlinear an isotropic diffusion[J].IEEE Transactions on Biomedical Engineering,2002,49(09):997-1014.

[6]CHANG S G,YU B,Vetterli M. Adaptive wavelet thresholding for images denoising and compression[J].IEEE Trans Image Pro cessing,2000,9(09):1532-1546.

[7]万晟聪,杨新.基于自适应小波阈值的SAR图像降噪[J].信号处理,2009,25(06):874-881.

[8]刘春明,张相芬.基于小波的医学超声图像斑点噪声抑制方法[J].中国医学物理学杂志,2006,23(05):364-394.

[9]杨恢先,王绪四,谢鹏鹤等.改进阈值与尺度间相关的小波红外图像去噪[J].自动化学报,2011,37(10):1167-1174.

10.16640/j.cnki.37-1222/t.2018.01.101

郑州电力高等专科学校校内项目(15)。

刘星洁,女,讲师,主要研究方向:图像处理、模式识别、信号处理。