基于Shearlet 變換的礦井機(jī)電設(shè)備視頻監(jiān)控圖像處理

劉 英

(內(nèi)蒙古機(jī)電職業(yè)技術(shù)學(xué)院信息管理系，內(nèi)蒙古 呼和浩特210000)

近年來，在計(jì)算機(jī)技術(shù)、自動(dòng)化技術(shù)的支持下，礦山視頻監(jiān)控技術(shù)得到了快速發(fā)展，使得其在礦井火災(zāi)識(shí)別［1-2］、機(jī)車定位與速度監(jiān)測［3-4］、井下煤塵監(jiān)測［5］等方面得到了廣泛應(yīng)用，對(duì)于提高礦山的數(shù)字化水平，確保礦山安全生產(chǎn)發(fā)揮了重大作用［6-9］。由于礦井光照不均勻、空氣中粉塵濃度高容易導(dǎo)致視頻監(jiān)控系統(tǒng)獲取的圖像對(duì)比度較低且含有大量的斑點(diǎn)(即噪聲)，在很大程度上降低了圖像質(zhì)量，影響了相關(guān)人員對(duì)監(jiān)控系統(tǒng)實(shí)時(shí)傳輸?shù)膱D像進(jìn)行準(zhǔn)確判讀。對(duì)此，趙艷芹等［10］將基于Wrapping 快速離散的二代曲波變換應(yīng)用于去除煤礦監(jiān)控圖像中的噪聲，圖像去噪效果優(yōu)于小波變換;鞏文迪［11］等針對(duì)經(jīng)典四階偏微分方程(Partial Differential Equations，PDE)算法存在的不足，對(duì)其進(jìn)行了適當(dāng)改進(jìn)，成功實(shí)現(xiàn)了對(duì)煤礦視頻監(jiān)控圖像的濾波處理;宋長喜等［12］針對(duì)較模糊的煤礦圖像，將Contourlet 變換與脈沖耦合神經(jīng)網(wǎng)絡(luò)算法(Pulse Coupled Neural Network，PCNN)相結(jié)合，實(shí)現(xiàn)了對(duì)井下同一目標(biāo)的多幅模糊圖像的有效融合，提高了圖像質(zhì)量;尚長春等［13］通過對(duì)獲取的低對(duì)比度的井下視頻監(jiān)控圖像進(jìn)行增強(qiáng)處理，在此基礎(chǔ)上采用小波變換對(duì)圖像進(jìn)行多尺度融合，實(shí)現(xiàn)了對(duì)低對(duì)比度圖像的有效增強(qiáng);張謝華等［14］針對(duì)高濃度煤礦粉塵條件下獲取的監(jiān)控圖像，推導(dǎo)了煤礦霧塵圖像的退化模型，并采用雙邊濾波器進(jìn)行處理，效果較好。本研究在對(duì)上述研究成果深入分析的基礎(chǔ)上，針對(duì)礦井機(jī)電設(shè)備視頻監(jiān)控圖像，將圖像塊劃分方法與Shearlet變換［15-17］相結(jié)合，根據(jù)圖像局部區(qū)域質(zhì)量的優(yōu)劣程度進(jìn)行分塊，對(duì)各圖像塊進(jìn)行有針對(duì)性的濾波，從而大幅度提高了圖像的視覺效果。

1 算法原理

1.1 圖像塊劃分方法

圖像受到不同程度的噪聲干擾后，大體呈現(xiàn)的特點(diǎn)有:①圖像的局部區(qū)域?qū)Ρ榷瘸霈F(xiàn)一定程度的變化，即圖像中局部區(qū)域整體上色調(diào)變亮或變暗;②噪聲并非均勻覆蓋于整幅圖像，因而即便圖像受到強(qiáng)度較大的噪聲干擾，也有相當(dāng)一部分的圖像區(qū)域不存在或存在較少的噪聲。因此，就圖像噪聲的污染程度來說，具有一定的局部性，如果采用一定方法，將圖像中的局部區(qū)域按其是否受到噪聲干擾(或受到噪聲干擾的程度)進(jìn)行分類，一方面能夠提高圖像處理的針對(duì)性，使得圖像處理效率得到較大提升，另一方面僅對(duì)一些噪聲干擾較嚴(yán)重的圖像區(qū)域進(jìn)行處理，對(duì)于其余的圖像區(qū)域則直接保留或適當(dāng)處理，勢必有助于避免圖像濾波后出現(xiàn)不同程度的“失真”現(xiàn)象。

圖像是否存在噪聲，最客觀的體現(xiàn)是圖像的灰度值是否發(fā)生劇烈變化。圖像灰度值均值和方差是衡量各像素點(diǎn)灰度值是否發(fā)生劇烈變化的關(guān)鍵參數(shù):①均值能夠反映圖像中整體像素點(diǎn)灰度值的大小;②標(biāo)準(zhǔn)差則能反映圖像中各像素點(diǎn)的灰度值與灰度均值的總體差異程度。若圖像中某一局部區(qū)域內(nèi)像素點(diǎn)均值較大，且均方差也較大，則說明該區(qū)域內(nèi)極有可能存在大量噪聲?；谠? 種參數(shù)，設(shè)計(jì)了如下2 種閾值參數(shù):

其中，μx，σx分別為圖像中任意區(qū)域(該區(qū)域被稱為x 區(qū)域)內(nèi)的像素點(diǎn)灰度均值和標(biāo)準(zhǔn)差。

令C2= μx/σx，稱C2為圖像x 區(qū)域內(nèi)像素點(diǎn)的灰度值變化系數(shù)。

于是，結(jié)合C0、C1、C2，對(duì)圖像進(jìn)行分塊，步驟如下:

(1)將圖像分割成多個(gè)大小為5 × 5 的區(qū)域，分別計(jì)算各圖像區(qū)域內(nèi)的μ，σ 值。

(2)將μ，σ 值代入式(1)計(jì)算得到各區(qū)域內(nèi)的參數(shù)C0，C1，C2。

(3)若某區(qū)域內(nèi)像素點(diǎn)灰度值滿足C0＜C2＜C1，則認(rèn)為該區(qū)域受到噪聲干擾的程度較大，可稱之為非同質(zhì)圖像塊。

(4)若某區(qū)域內(nèi)像素點(diǎn)灰度值滿足C2≥C1，則認(rèn)為該區(qū)域灰度值基本代表圖像中的邊緣細(xì)節(jié)信息，可稱之為邊緣圖像塊。

(5)將其余區(qū)域視為受到噪聲干擾的程度較小，稱之為同質(zhì)圖像塊。

1.2 Shearlet 變換域去噪

1.2.1 圖像Shearlet 變換步驟

K. Guo 和G. Easley 等基于合成小波基本理論，將具有合成膨脹特點(diǎn)的放射系統(tǒng)與多尺度分析方法相結(jié)合構(gòu)造了Shearlet 變換的基本框架［15-17］。Shearlet 變換可將圖像進(jìn)行多尺度、多方向剖分，相對(duì)于小波變換而言，在圖像精細(xì)化分解方面優(yōu)勢更為明顯。對(duì)于任意一幅圖像F 而言，Shearlet 變換步驟如下:

(1)多尺度分解。采用Haar 小波基函數(shù)對(duì)F 進(jìn)行多尺度分解，得到該圖像的低頻分解系數(shù)f，以及各分解尺度下的高頻分解系數(shù)f1，f2，f3，…，fi(i 為分解尺度)。

(2)方向局部化處理。將上述各尺度下的高頻分解系數(shù)f1，f2，f3，…，fi采用具有方向和尺度變化特征的窗函數(shù)進(jìn)行多方向剖分。

(3)方向分解系數(shù)重構(gòu)。將經(jīng)過方向局部化剖分后的各Shearlet 分解系數(shù)進(jìn)行逆方向重構(gòu)，得到各分解尺度下的高頻分解系數(shù)f'1，f'2，f'3，…，f'j，將該類系數(shù)進(jìn)行相加，得到總的Shearlet 高頻分解系數(shù)f' 。

(4)圖像重構(gòu)。將低頻Shearlet 分解系數(shù)f 與方向分解系數(shù)重構(gòu)后得到的高頻Shearlet 分解系數(shù)f'進(jìn)行重構(gòu)，得到重構(gòu)圖像F' 。

1.2.2 Shearlet 變換域閾值去噪函數(shù)模型

圖像經(jīng)Shearlet 多方向分解后，得到不同方向高頻細(xì)節(jié)信息的分布情況，要對(duì)該類分解系數(shù)進(jìn)行有效去噪，有必要充分考慮圖像的多方向性特征。傳統(tǒng)小波硬、軟閾值去噪的前提是，圖像高頻信息僅僅呈水平、垂直、對(duì)角等幾個(gè)基本方向分布，因而無法適用于處理具有多方向特征的Shearlet 高頻分解系數(shù)。為此，本研究吸收了傳統(tǒng)小波硬、軟閾值去噪函數(shù)模型的優(yōu)勢，提出了一種Shearlet 變換域新型閾值去噪函數(shù)模型:

經(jīng)典小波閾值去噪一般采用全局閾值

其中，median(·)定義為取中值的計(jì)算方法，X、Y 分別為圖像長和寬。

很顯然，該閾值對(duì)所有的高頻分解系數(shù)采用統(tǒng)一的衡量標(biāo)準(zhǔn)，對(duì)于處理小波高頻分解系數(shù)來說，有一定的效果，但對(duì)于具有多方向、多尺度的高頻Shearlet分解系數(shù)而言，明顯不適用。這是因?yàn)?，該閾值未能有效顧及各高頻分解系數(shù)所具有的多方向特性。為此，對(duì)其進(jìn)行了改進(jìn)，改進(jìn)后的閾值計(jì)算公式為

將T'/2 、T' 分別替換式(2)中的T1、T2，從而使得本研究提出的改進(jìn)閾值去噪函數(shù)模型可隨著Shearlet 分解方向、分解尺度的不斷變化而自適應(yīng)調(diào)整閾值。

1.3 算法實(shí)現(xiàn)流程

本研究算法實(shí)現(xiàn)流程見圖1。

2 試驗(yàn)結(jié)果

采用MATLAB 語言分別對(duì)維納濾波(算法1)、小波硬閾值去噪函數(shù)模型(算法2)、小波軟閾值去噪函數(shù)模型(算法3)以及本研究算法(算法4)進(jìn)行編程實(shí)現(xiàn)，對(duì)采集于內(nèi)蒙古北山地區(qū)某鐵礦井下機(jī)電設(shè)備2 幅視頻監(jiān)控圖像(記為圖像1、圖像2)進(jìn)行試驗(yàn)，結(jié)果見圖2、圖3。對(duì)圖像1、圖像2 分別加入了方差為5，10，15 dB 的隨機(jī)噪聲，模擬不同模糊程度的測試圖像，采用上述4類算法進(jìn)行處理，進(jìn)一步測試各算法的性能。分別計(jì)算上述各算法試驗(yàn)結(jié)果的圖像峰值信噪比(Peak Signal Noise to Ratio，PSNR)［18－20］，來客觀評(píng)估各算法的性能(PSNR 值越大，對(duì)應(yīng)算法的性能越優(yōu))，結(jié)果見表1。

圖1 本研究算法流程Fig.1 Flow of the algorithm in this paper

由圖2、圖3 及表1 可知:①算法1、算法2、算法3 的PSNR 值相差較小，表明維納濾波、小波硬閾值去噪函數(shù)模型以及小波軟閾值去噪函數(shù)模型的性能較接近，但三者處理后的圖像細(xì)節(jié)信息(如圖像1 中的“燈泡及其電線”、圖像2 中的“管線”)較模糊，特別是圖2(d)和圖3(d)，盡管噪聲殘留程度較低，但圖像整體模糊，反應(yīng)出小波軟閾值去噪函數(shù)模型在去除噪聲的同時(shí)，無法有效保持圖像細(xì)節(jié)信息的完整性。②圖2(e)和圖3(e)的清晰度明顯優(yōu)于其余圖像，反應(yīng)出本研究算法具有較優(yōu)的去噪效果。③對(duì)于含有不同方差噪聲的模糊圖像處理，本研究算法的PSNR 值明顯高于其余3 類算法，進(jìn)一步證明了該算法的優(yōu)越性能。

3 結(jié) 語

為有效改善礦井機(jī)電設(shè)備視頻監(jiān)控圖像的質(zhì)量，提出了一種基于Shearlet 變換的礦井機(jī)電設(shè)備視頻監(jiān)控圖像處理算法。試驗(yàn)結(jié)果表明:本研究算法對(duì)于該類圖像的處理效果較好，不足之處在于，算法耗時(shí)略高于同類算法，這主要是由于算法中的圖像塊劃分環(huán)節(jié)程序運(yùn)行占用過長時(shí)間。進(jìn)一步優(yōu)化圖像塊劃分方法，壓縮算法耗時(shí)，以更好地適應(yīng)于礦井批量圖像的實(shí)時(shí)化處理，是下一步的研究方向。

圖3 圖像2 試驗(yàn)結(jié)果Fig.3 Experimental results of second image

表1 4 類算法的PSNR 值Table.1 PSNR values of four algorithms dB

［1］ 魯家皓，張 捷. 基于圖像識(shí)別技術(shù)的露天煤礦火災(zāi)視頻監(jiān)控系統(tǒng)［J］.煤炭技術(shù)，2014，33(1):129-131.

Lu Jiahao，Zhang Jie. Fire video monitoring system based on image recognition technology in open-pit coal mine［J］. Coal Technology，2014，33(1):129-131.

［2］ 孫繼平，任 慧，呂朝輝.礦井紅外火災(zāi)圖像處理方法研究［J］.煤炭科學(xué)技術(shù)，2007，35(6):64-66.

Sun Jiping，Ren Hui，Lu Zhaohui.Study on mine infrared fire disaster image processing process method［J］.Coal Science and Technology，2007，35(6):64-66.

［3］ 王 猛，李玉良，王慶飛.視頻測速技術(shù)在煤礦井下機(jī)車定位中的應(yīng)用［J］.工礦自動(dòng)化，2011(4):104-106.

Wang Meng，Li Yuliang，Wang Qingfei. Application of speed-measured technology by video in locomotive location of coal mine underground［J］.Industry and Mine Automation，2011(4):104-106.

［4］ 張 波.基于圖像識(shí)別的煤礦井下機(jī)車速度監(jiān)測系統(tǒng)研究［J］.煤炭技術(shù)，2013，32(5):98-99.

Zhang Bo. Research of coal mine locomotive speed monitor system based on image recognition［J］.Coal Technology，2013，32(5):98-99.

［5］ 劉尹霞，馬 恒.機(jī)器視覺技術(shù)遠(yuǎn)程煤塵顆粒在線檢測［J］. 遼寧工程技術(shù)大學(xué)學(xué)報(bào):自然科學(xué)版，2012，31(6):822-825.

Liu Yinxia，Ma Heng.Remote on-line detection system for coal dust particle based on machine vision technology［J］.Journal of Liaoning Technical University:Natural Science Edition，2012，31(6):822-825.

［6］ 吳立新，汪云甲，丁恩杰，等. 三論數(shù)字礦山——借力物聯(lián)網(wǎng)保障礦山安全與智能采礦［J］.煤炭學(xué)報(bào)，2012，37(3):357-365.

Wu Lixin，Wang Yunjia，Ding Enjie，et al. Thirdly study on digital mine:serve for mine safety and intellimine with support from LoT［J］.Journal of China Coal Society，2012，37(3):357-365.

［7］ 馬 兄，連民杰，盧才武，等. 數(shù)字礦山信息集成概念模型［J］.金屬礦山，2014(7):135-140.

Ma Xiong，Lian Minjie，Lu Caiwu，et al.Conceptual model of digital mine information integration［J］.Metal Mine，2014(7):135-140.

［8］ 張夏林，吳沖龍，翁正平，等. 數(shù)字礦山軟件架構(gòu)與關(guān)鍵技術(shù)研究［J］.金屬礦山，2009(S):552-559.

Zhang Xialin，Wu Chonglong，Weng Zhengping，et al. Key technical research and framework of digital mine software［J］. Metal Mine，2009(S):552-559.

［9］ 李東東，王作棠，辛 林，等. 數(shù)字礦山及關(guān)鍵技術(shù)［J］. 煤炭技術(shù)，2015，34(2):269-271.

Li Dongdong，Wang Zuotang，Xin Lin，et al. Digital mine and key technology［J］.Coal Technology，2015，34(2):269-271.

［10］ 趙艷芹，廉龍潁，高殿武，等.基于Curvelet 變換的煤礦監(jiān)控圖像降噪算法［J］.黑龍江科技大學(xué)學(xué)報(bào)，2015，25(2):229-232.

Zhao Yanqin，Lian Longying，Cao Dianwu，et al. Research on coal mine monitoring image denoising algorithm based on Curvelet transform［J］.Journal of Hielongjiang University of Science ＆ Technology，2015，25(2):229-232.

［11］ 鞏文迪，劉佳毅，盧兆林.基于四階PDE 的去噪方法在煤礦井下視頻監(jiān)控圖像中的應(yīng)用［J］.煤炭技術(shù)，2013，32(11):42-45.

Gong Wendi，Liu Jiayi，Lu Zhaolin. Denoising method for application in coal mine monitoring image based on fourth-order partial differential equations［J］.Coal Technology，2013，32(11):42-45.

［12］ 宋長喜.基于非下采樣Contourlet 變換和PCNN 的煤礦圖像融合［J］.煤礦機(jī)械，2013，34(6):239-241.

Song Changxi.Coal image fusion based on Contourlet transform and PCNN［J］.Coal Mine Machinery，2013，34(6):239-241.

［13］ 尚長春，馬宏偉，張 奇.煤礦井下及其視覺圖像增強(qiáng)技術(shù)研究［J］.計(jì)算機(jī)測量與控制，2013，21(10):2777-2779.

Shang Changchun，Ma Hongwei，Zhang Qi. Research on coal mine machine vision image enhancement technology［J］.Computer Measurement ＆ Control，2013，21(10):2777-2779.

［14］ 張謝華，張 申，方 帥，等.煤礦智能化視頻監(jiān)控中霧塵圖像的清晰化研究［J］.煤炭學(xué)報(bào)，2014，39(1):198-204.

Zhang Xiehua，Zhang Shen，F(xiàn)ang Shuai，et al.Clearing research on fog and dust images in coal mine intelligent video surveillance［J］.Journal of China Coal Society，2014，39(1):198-204.

［15］ 陳 燁，鮑 捷，池 慶.基于礦山井下視頻監(jiān)控系統(tǒng)的圖像增強(qiáng)方法研究［J］.電視技術(shù)，2014，38(3):190-192.

Chen Ye，Bao Jie，Chi Qing.Research on image enhancement based on coal mine video monitoring system［J］. Video Engineering，2014，38(3):190-192.

［16］ 李根強(qiáng)，黃永東，蔣 肖.基于小波變換和脊波變換的自適應(yīng)圖像去噪算法［J］.計(jì)算機(jī)應(yīng)用研究，2012，29(8):3192-3194.

Li Genqiang，Huang Yongdong，Jiang Xiao.Adaptive image denoising method based on wavelet transform and ridgelet transform［J］.Application Research of Computers，2012，29(8):3192-3194.

［17］ 蔡 政，陶少華.一種小波和脊波聯(lián)合去噪方法［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48(9):201-204.

Cai Zheng，Tao Shaohua.Image-denoising method combing wavelet with ridgelet transforms［J］. Computer Engineering and Applicaitons，2012，48(9):201-204.

［18］ 王小兵，孫久運(yùn)，湯海燕. 一種高斯噪聲組合濾波方法［J］. 佳木斯大學(xué)學(xué)報(bào):自然科學(xué)版，2011，29(5):696-698.

Wang Xiaobing，Sun Jiuyun，Tang Haiyan.A mixed filter method on gaussian noise［J］. Journal of Jiamusi University:Natural Science Edition，2011，29(5):696-698.

［19］ 高 巖，安浩平，吳順麗，等.維納濾波在地震資料噪聲消除種的應(yīng)用［J］.石油儀器，2011(6):16-17.

Gao Yan，An Haoping，Wu Shunli，et al.Application of wiener filter in removing random noises in seismic data［J］. Petroleum Instruments，2011(6):16-17.

［20］ 張 凡，張 倩.基于改進(jìn)Prewitt 算子的礦井視頻圖像小波閾值去噪［J］.金屬礦山，2015(8):131-136.

Zhang Fan，Zhang Qian. Mine video image wavelet threshold denoising algorithm based on improved Prewitt operator［J］. Metal Mine，2015(8):131-136.