基于改進(jìn)三維塊匹配的X射線絕緣子圖像去噪

何洪英 張夢(mèng)岑 羅滇生 王沖

關(guān)鍵詞： 盆式絕緣子; X射線圖像; 三維塊匹配; 小波閾值; 各向異性擴(kuò)散; 卡爾曼濾波

中圖分類號(hào)： TN144?34; TP391.4 ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）04?0138?05

X?ray insulator image denoising based on improved 3D lock matching

HE Hongying， ZHANG Mengcen， LUO Diansheng， WANG Chong

（School of Electrical and Information Engineering， Hunan University， Changsha 410082， China）

Abstract： Since the X?ray image noises are in various types and random distribution， a new method of X?ray basin?type insulator image denoising based on improved 3D block matching is proposed in this paper. In allusion to the pseudo Gibbs phenomenon caused by the wavelet hard threshold method adopted in the collaborative filtering of the 3D block matching （BM3D） algorithm， an improved wavelet threshold denoising method is proposed， which can overcome the pseudo Gibbs phenomenon， and maintain more image details. In allusion to the ringing effect caused by the Wiener filtering method adopted in the collaborative filtering of the BM3D algorithm， an improved Kalman filtering method based on anisotropic diffusion is proposed， which can avoid the ringing effect， and maintain clear edges and complete details. The experimental results show that the proposed method can greatly suppress image noises and improve the qualities of X?ray images， which provides a good image foundation for the subsequent failure recognition and greatly improves the accuracy of failure recognition.

Keywords： basin?type insulator; X?ray image; 3D block matching; wavelet threshold; anisotropic diffusion; Kalman filtering

0 ?引 ?言

氣體絕緣全封閉組合電器（Gas Insulated Metal?enclosed Switchgear，GIS）依靠其維護(hù)量小，設(shè)備集成性好及供電可靠性高的優(yōu)勢(shì)在國(guó)內(nèi)110 kV及以上高壓變電站的大型開關(guān)設(shè)備中占比高達(dá)90%，引起了國(guó)內(nèi)外很多學(xué)者的關(guān)注和討論，成為當(dāng)下研究的熱門領(lǐng)域[1?2]。將X射線可視化無損檢測(cè)技術(shù)運(yùn)用到變電站設(shè)備的檢測(cè)才剛剛起步，但其作為一種無損檢測(cè)方法，無需停電、操作方便且安全經(jīng)濟(jì)，因而引起廣泛關(guān)注。

盆式絕緣子射線圖像質(zhì)量直接影響著對(duì)盆式絕緣子的缺陷位置、大小及類型的準(zhǔn)確識(shí)別。X射線圖像在其采集、傳輸和記錄過程中往往會(huì)受X射線機(jī)內(nèi)部成像環(huán)境以及外部環(huán)境的干擾，使圖像受到多種噪聲的污染。X射線圖像噪聲在概率分布上呈現(xiàn)高斯分布，在功率譜上呈現(xiàn)白噪聲的特性，而細(xì)小的裂紋、氣泡等故障往往容易被噪聲覆蓋，無法識(shí)別[3?5]。因此，有必要對(duì)X射線盆式絕緣子圖像進(jìn)行有效的去噪。

關(guān)于圖像濾波，廣大科研人員進(jìn)行了大量研究，其中不乏很多優(yōu)秀的算法，但并不存在一種可以適用在所有圖像中的方法。小波理論采用時(shí)域與頻域相結(jié)合的方法，具有多分辨率的特點(diǎn)，其應(yīng)用在圖像處理的各個(gè)領(lǐng)域中均受到好評(píng)[6]。三維塊匹配（BM3D）算法由于具有高峰值信噪比，濾波效果良好而受到廣泛關(guān)注[7]。

由于X射線圖像噪聲種類多樣且隨機(jī)分布，本文提出了一種基于改進(jìn)三維塊匹配的X射線盆式絕緣子圖像去噪新方法。針對(duì)三維塊匹配算法協(xié)同濾波中采用的小波硬閾值法造成的偽吉布斯現(xiàn)象，提出一種改進(jìn)的小波閾值去噪方法，克服了偽吉布斯現(xiàn)象，保留了更多的圖像細(xì)節(jié);針對(duì)三維塊匹配算法協(xié)同濾波中采用的維納濾波法造成的“振鈴效應(yīng)”，提出一種基于各向異性擴(kuò)散的改進(jìn)卡爾曼濾波方法，避免了“振鈴效應(yīng)”，邊緣清晰，細(xì)節(jié)完整。試驗(yàn)結(jié)果表明，該方法極大地抑制了圖像噪聲，提升了X射線圖像的質(zhì)量，為后續(xù)故障識(shí)別提供了良好的圖像基礎(chǔ)，極大地提升了故障識(shí)別的準(zhǔn)確率。

1 ?濾波原理

1.1 ?三維塊匹配算法

BM3D算法是一種協(xié)同濾波算法，能夠在保留圖像細(xì)節(jié)紋理的前提下，對(duì)高斯噪聲進(jìn)行抑制，去噪效果良好[8?10]。該算法的實(shí)現(xiàn)過程分為兩個(gè)步驟：

1） 基礎(chǔ)估計(jì)。該步驟主要采用小波硬閾值方法實(shí)現(xiàn)在三維空間進(jìn)行初次濾波。

2） 最終估計(jì)。在三維空間執(zhí)行小波去噪后，在小波域再執(zhí)行維納濾波。

1.2 ?小波閾值去噪

小波去噪方法是能夠?qū)r(shí)域和頻域的特點(diǎn)結(jié)合在一起的時(shí)頻分析方法，其具有多尺度分析的特點(diǎn)，因而得到廣泛應(yīng)用[11?12]。小波硬閾值法采用的是截?cái)嗍教幚恚崆霸O(shè)定一個(gè)閾值，然后將閾值與小波分解后的系數(shù)絕對(duì)值進(jìn)行大小比較。如果設(shè)定閾值比某系數(shù)的絕對(duì)值要大，則認(rèn)為該系數(shù)項(xiàng)為噪聲，將該系數(shù)置0;如果設(shè)定閾值不超過某系數(shù)的絕對(duì)值，則該系數(shù)的值維持原值。其函數(shù)表達(dá)式如下：

[ωλ=ω， ?ω≥λ0， ? ?ω<λ] ? ? ? ? ? ? ? （1）

式中：[ωλ]為經(jīng)過硬閾值法處理后的信號(hào);[ω]為小波變換處理后含噪聲圖像信號(hào);[λ]為設(shè)定閾值。

由式（1）可以看出，小波硬閾值函數(shù)在閾值點(diǎn)[ω=λ]處沒有保持連續(xù)，采用了截?cái)嗍教幚?，這樣很可能使得濾波后的圖像在奇異點(diǎn)周圍呈現(xiàn)明顯的偽吉布斯現(xiàn)象，視覺效果不佳。為了克服硬閾值函數(shù)在[ω=λ]處所導(dǎo)致的偽吉布斯現(xiàn)象，本文提出了一種改進(jìn)的小波閾值去噪法來替代協(xié)同濾波中的小波硬閾值去噪，使得去噪后的圖像視覺上連續(xù)性更好，既避免了偽吉布斯現(xiàn)象，又保留了更多的圖像細(xì)節(jié)。

1.3 ?維納濾波

維納（Wiener）濾波方法是一種經(jīng)典的濾波算法，該方法認(rèn)為圖像和噪聲均為平穩(wěn)隨機(jī)信號(hào)，并利用最小均方誤差準(zhǔn)則來求解最佳濾波器參數(shù)。維納濾波方法的缺點(diǎn)在于計(jì)算量比較大，易產(chǎn)生“振鈴效應(yīng)”，且在處理細(xì)節(jié)豐富和邊界復(fù)雜的圖像時(shí)常常造成重要的圖像特征信息損失。

X射線圖像故障識(shí)別的關(guān)鍵在于圖像故障細(xì)節(jié)是否突出，去噪目的是抑制噪聲，突出圖像的細(xì)節(jié)特征，從而更好地識(shí)別裂紋界線;故需要一種方法能夠在保留完整裂紋邊界的同時(shí)去除噪聲干擾。為了彌補(bǔ)維納濾波的上述不足，本文提出一種基于各向異性擴(kuò)散的改進(jìn)卡爾曼濾波方法作為BM3D方法中二次去噪的方法。該方法能有效避免“振鈴效應(yīng)”，使其更適用于X射線圖像的去噪。

2 ?改進(jìn)的三維塊匹配算法

雖然BM3D算法對(duì)高斯噪聲的去噪效果良好，但也存在不足之處。BM3D算法的濾波功能主要取決于“協(xié)同濾波”的效果，“協(xié)同濾波”指的是基礎(chǔ)估計(jì)中的硬閾值濾波和最終估計(jì)中的維納濾波。而根據(jù)第1節(jié)的介紹，硬閾值濾波在奇異點(diǎn)附近易出現(xiàn)明顯的偽吉布斯現(xiàn)象，造成感官上不夠平滑;而普通維納濾波方法雖然有著眾多優(yōu)勢(shì)，但其并不適用于所有圖像，對(duì)于邊界的控制效果不佳，易損失邊緣像素信息，且易產(chǎn)生“振鈴效應(yīng)”。

本文針對(duì)以上不足，再結(jié)合X射線圖像的特點(diǎn)，對(duì)BM3D算法進(jìn)行了改進(jìn)，提出以下兩種改進(jìn)方法。

2.1 ?改進(jìn)小波閾值去噪

將小波硬閾值的函數(shù)表達(dá)式（1）進(jìn)行改進(jìn)之后，得：

[ωλ=ω， ? ? ? ? ? ? ? ?ω≥λ2ω-λ， ? ? λ2≤ω<λ0， ? ? ? ? ? ? ? ? ω<λ2] （2）

式中，[λ=σ2ln Nln（j+1）]，[j]為小波分解尺度。經(jīng)過式（2）改進(jìn)之后的小波閾值去噪處理函數(shù)在奇異點(diǎn)[ω=λ]和[ω=λ2]處均能保持連續(xù)性，不會(huì)出現(xiàn)突然截?cái)啵曈X效果更平滑，有用信息更豐富。改進(jìn)的小波閾值濾波不僅可以有效避免偽吉布斯現(xiàn)象，而且保留了更多的圖像細(xì)節(jié)，更有利于X射線圖像裂紋故障的識(shí)別。

2.2 ?基于各向異性擴(kuò)散的改進(jìn)卡爾曼濾波方法

卡爾曼（Kalman）濾波理論跳出了以往Wiener濾波理論和方法的限制，設(shè)計(jì)了一套離散系統(tǒng)的狀態(tài)變量和狀態(tài)空間的新思路，將狀態(tài)空間概念引入時(shí)域中。卡爾曼算法將遞推與反饋相結(jié)合，大大減少了計(jì)算開銷，節(jié)省了存儲(chǔ)空間，并且不再受限于平穩(wěn)隨機(jī)過程，從而獲得了廣泛應(yīng)用。但是卡爾曼濾波并沒有區(qū)分邊緣像素和中間像素，易使邊緣模糊。

本文采用的是非對(duì)稱的半平面模型，即NSHP模型（Non?Symmetric Half Plane），對(duì)卡爾曼濾波進(jìn)行建模，其b階公式為：

[f（a，b）=Rβklfa-k，b-l+na，b] （3）

式中：[f（a，b）]為二維圖像矩陣;[n]為加入到圖像中的高斯白噪聲;[R∈{k=0，0<l≤b}?{k>0，-b≤l≤b}];[βkl]是與圖像信息有關(guān)的系數(shù)，它的值能采用最小二乘法擬合得到。

從而可以推出圖像的卡爾曼濾波模型方程為：

[F（a，b）=AF（a，b-1）+N（a，b）Y（a，b）=CF（a，b）+M（a，b）] （4）

式中：第一個(gè)為狀態(tài)方程，第二個(gè)為觀測(cè)方程;[F（a，b）]為圖像狀態(tài)矢量;[Y（a，b）]為圖像觀測(cè)矢量;[N（a，b）]為過程噪聲;[M（a，b）]是觀測(cè)噪聲;A和C均為系統(tǒng)矩陣。

[C=[1…000]]

[A=β0β1β2……β（a+1）×b100……0010……0001……0??????000…10]

根據(jù)式（4）的卡爾曼濾波狀態(tài)空間模型可以進(jìn)行卡爾曼遞歸迭代，抑制噪聲，得到需要的原始圖像?？柭鼮V波的步驟為：

1） 導(dǎo)入初次濾波后的絕緣子圖像;

2） 將圖像模型的各參數(shù)初始化;

3） 卡爾曼濾波器預(yù)測(cè);

4） 卡爾曼濾波器更新;

5） 重復(fù)步驟3）、步驟4），從而得出最終圖像估計(jì)值。

采用上述卡爾曼濾波可以濾除大部分噪聲，但是這種方法對(duì)整幅圖像的所有像素進(jìn)行統(tǒng)一濾波，對(duì)于低對(duì)比度，噪聲大的X射線圖像易使邊緣模糊。本文根據(jù)盆式絕緣子的X射線圖像既存在高對(duì)比度邊界又存在中間均勻?qū)掗焻^(qū)域，提出了一種基于各向異性擴(kuò)散的改進(jìn)卡爾曼濾波方法。各向異性擴(kuò)散，又稱P?M擴(kuò)散，假設(shè)有一幅灰度圖像[f（x，y）]，其各向異性擴(kuò)散方程為：

[?f（x，y）?t=div（c（x，y，t）?f（x，y）） ? ? ? ? ? ? ? ? ?=?c?f（x，y）+c（x，y，t）Δf（x，y）] （5）

式中：Δ為拉普拉斯算子;[?]為梯度算子;div表示散度;[c（x，y，t）]是擴(kuò)散系數(shù)。最常見的有兩種不同求法：一種用于高對(duì)比度的邊緣部分;一種用于圖像均勻平緩的寬闊部分。

[c?f（x，y）=e-α2， ? ? ? Edge pixels11+α2， Intermediate pixel] （6）

式中，[α=?f（x，y）K]，K為調(diào)控參數(shù)。當(dāng)像素處于邊界區(qū)域時(shí)，[?f（x，y）]的值較大，擴(kuò)散系數(shù)就會(huì)偏小，能夠使圖像的邊緣信息得以保留;當(dāng)像素處于中間均勻區(qū)域時(shí)，梯度值偏小，就會(huì)導(dǎo)致擴(kuò)散系數(shù)偏大，噪聲就會(huì)受到良好的平滑。將式（4）與式（6）相結(jié)合，令[A′=c?f（m，n）A]得：

[F（a，b）=A′F（a，b-1）+N（a，b）] ? ? ?（7）

從而使得卡爾曼濾波的狀態(tài)方程與各向異性擴(kuò)散系數(shù)具有相關(guān)性，即可用各向異性擴(kuò)散系數(shù)來控制卡爾曼濾波的結(jié)果估計(jì)值。各向異性擴(kuò)散方法可以保證卡爾曼濾波能夠作用在圖像的不同區(qū)域時(shí)，可以根據(jù)不同的擴(kuò)散系數(shù)獲取不同的去噪效果。

基于各向異性擴(kuò)散的改進(jìn)卡爾曼濾波的去噪過程如下：

1） 導(dǎo)入初次濾波后的絕緣子圖像;

2） 對(duì)圖像模型的各參數(shù)進(jìn)行初始化;

3） 計(jì)算圖像梯度，得出擴(kuò)散系數(shù);

4） Kalman濾波器預(yù)測(cè);

5） Kalman濾波器更新;

6） 重復(fù)步驟3）～步驟5），從而得出最終圖像估計(jì)值。

3 ?試驗(yàn)及結(jié)果分析

3.1 ?盆式絕緣子射線圖像獲取試驗(yàn)

本文試驗(yàn)場(chǎng)所及設(shè)備如圖1所示。設(shè)備采用的是丹東奧龍射線儀器集團(tuán)有限公司的X射線機(jī)檢測(cè)系統(tǒng)裝置（SH?RT?46）。本文試驗(yàn)采用110 kV盆式絕緣子，盆高30 cm左右，盆口直徑在46 cm左右，厚度在30 mm左右，盆式絕緣子盆壁上有放射狀裂紋如圖2所示。盆式絕緣子是由環(huán)氧樹脂和氧化鋁組成的復(fù)合材料，不易穿透，X射線圖像對(duì)比度低，噪聲強(qiáng)度大，故障難以識(shí)別。本文采用改進(jìn)的三維塊匹配圖像去噪方法來降低圖像噪聲，提升圖像質(zhì)量，提高裂紋識(shí)別率。

3.2 ?仿真結(jié)果分析

采用本文提出的改進(jìn)三維塊匹配方法對(duì)獲取的盆式絕緣子射線圖像進(jìn)行了不同的隨機(jī)噪聲水平下的去噪處理。以殘差圖像和峰值信噪比（PSNR）為評(píng)價(jià)指標(biāo)，將本文方法和小波硬閾值、維納濾波、BM3D等算法進(jìn)行比較分析。將殘差圖像作為定量分析的手段，其可由原始圖像[Iorigin]和去噪圖像[Idenoise]像素之差獲得，公式如下：

[Iresidual=Iorigin-Idenoise] ? ? ? ? ? ? （8）

當(dāng)殘差圖像沒有明顯的結(jié)構(gòu)時(shí)，說明去除的部分僅為噪聲，也就是說殘差圖像為噪聲的隨機(jī)分布時(shí)，認(rèn)為去噪效果良好，否則，認(rèn)為效果不佳。

PSNR是用來表征圖像經(jīng)處理前后的質(zhì)量變化情況的良好標(biāo)準(zhǔn)。PSNR的原理與均方誤差MSE類似，均方誤差的計(jì)算公式為：

[MSE=1MNi=0M-1j=0N-1fi，j-fi，j2] （9）

式中：[f（i，j）]和[f（i，j）]分別代表結(jié)果圖像與原始圖像在[（i，j）]處的像素灰度;M，N分別表示圖像本身的行數(shù)和列數(shù)。

[PSNR=10lg256×256MSE] ?（10）

圖3為小波硬閾值法、維納濾波法、BM3D法和本文方法進(jìn)行去噪后的圖像。圖4為小波硬閾值法、維納濾波法、BM3D法和本文方法去噪之后的殘差圖像。表1為采用小波硬閾值法、維納濾波法、BM3D法和本文方法對(duì)不同噪聲水平的盆式絕緣子射線圖像去噪后的PSNR。

由圖3可以看出：小波硬閾值法對(duì)噪聲的去除不徹底，圖中有大量噪聲點(diǎn)停留，且邊緣模糊，陰影部位幾乎看不到裂紋;維納濾波法對(duì)噪聲的去除效果比小波硬閾值要好，但仍有噪聲殘留，且對(duì)陰影部位的噪聲去除效果不明顯;BM3D法對(duì)噪聲的去除相對(duì)前兩種方法要好，但是邊緣較模糊，陰影部位裂紋依然不清晰;而本文方法既對(duì)噪聲進(jìn)行了良好的去除，而且突出了圖像細(xì)節(jié)，使陰影部位的裂紋也能清晰呈現(xiàn)，是一種較理想的去噪方法。

由圖4可以看出：小波硬閾值法的殘差圖像呈現(xiàn)一定的規(guī)律，中間黑點(diǎn)外圍白點(diǎn)，說明殘差圖像中噪聲少，也就是說噪聲去除不徹底，去噪后圖像的質(zhì)量改善很少;維納濾波法的殘差圖像中有明顯的圓形和裂紋曲線，說明維納濾波法在去噪過程中去除了大量邊緣有用信息，去噪過度;BM3D法的殘差圖像中間有隱約的圓形輪廓，說明去噪時(shí)把圖像的邊緣信息去除了，丟失了部分有用信息;而本文方法的殘差圖像沒有任何結(jié)構(gòu)，即無明顯圖形，隨機(jī)分布，說明去除的僅是噪聲，且最大限度地保留了圖像的細(xì)節(jié)，再次驗(yàn)證了本文方法去噪效果良好。

由表1可以看出，對(duì)不同方差水平下的噪聲，文中所提的改進(jìn)三維塊匹配方法均有良好去噪效果，優(yōu)于其他三種方法，提升了圖像質(zhì)量。綜上可得，本文方法不僅去除了圖像噪聲，而且保留了圖像細(xì)節(jié)，使X射線圖像的裂紋故障能夠準(zhǔn)確識(shí)別。

4 ?結(jié) ?語

本文提出一種基于改進(jìn)三維塊匹配的X射線盆式絕緣子圖像去噪新方法。針對(duì)三維塊匹配算法協(xié)同濾波中采用的小波硬閾值法造成的偽吉布斯現(xiàn)象，提出一種改進(jìn)的小波閾值去噪方法，克服了偽吉布斯現(xiàn)象，保留了更多的圖像細(xì)節(jié);針對(duì)三維塊匹配算法協(xié)同濾波中采用的維納濾波法造成的“振鈴效應(yīng)”，提出一種基于各向異性擴(kuò)散的改進(jìn)卡爾曼濾波方法，避免了“振鈴效應(yīng)”，邊緣清晰，細(xì)節(jié)完整。從去噪圖像比對(duì)可知，本文提出的方法極大地抑制了圖像噪聲;從殘差圖像對(duì)比可知，本文方法既保留了圖像細(xì)節(jié)基礎(chǔ)，又很好地抑制了噪聲;從峰值信噪比表可知，本文方法獲取了較高的峰值信噪比，大幅提升了X射線圖像的質(zhì)量。結(jié)果表明，所提方法為后續(xù)故障識(shí)別提供了良好的圖像基礎(chǔ)，極大地提升了故障識(shí)別的準(zhǔn)確率。

參考文獻(xiàn)

[1] WEN W， SHI Y， LI M， et al. Effect of the surface charge on the flashover voltage for GIS basin insulator under switching impulse voltage [C]// Proceedings of IEEE Conference on Electrical Insulation and Dielectric Phenomenon. Fort Worth： IEEE， 2017： 798?801.

[2] FU Q， LI H， WANG Y， et al. Influence of thermal shock on the mechanical behavior of Si?SiC coated carbon/carbon composites [J]. Journal of materials science & technology， 2009， 25（2）： 251?253.

[3] 李漢志，趙寶升，李偉.一種新的X射線圖像增強(qiáng)算法[J].現(xiàn)代電子技術(shù)，2010，33（10）：105?107.

LI Hanzhi， ZHAO Baosheng， LI Wei. A new algorithm X?ray image enhancement [J]. Modern electronics technique， 2010， 33（10）： 105?107.

[4] WANG Fuliang， WANG Feng. Void detection in TSVs with X?ray image multithreshold segmentation and artificial neural networks [J]. IEEE transactions on components， packaging and manufacturing technology， 2014， 4（7）： 1245?1250.

[5] 呂楠楠，王國(guó)宇.基于迭代濾波盲復(fù)原算法的水下圖像噪聲去除[J].現(xiàn)代電子技術(shù)，2011，34（17）：110?112.

L? Nannan， WANG Guoyu. Underwater image denoising based on iterative filtering blind restoration algorithm [J]. Modern electronics technique， 2011， 34（17）： 110?112.

[6] GOSWAMI J C， CHAN A K. Fundamentals of wavelets： theory， algorithms， and applications [M]. Hoboken： Wiley， 2011.

[7] DABOV K， FOI A， KATKOVNIK V， et al. Image denoising by sparse 3?D transform?domain collaborative filtering [J]. IEEE transactions on image processing， 2007， 16（8）： 2080?2095.

[8] LIU L， LI X， JIA G， et al. Facial adaptive BM3D filter： a method for compressed face image deblocking [C]// Proceedings of 13th International Conference on Signal Processing. Chengdu： IEEE， 2017： 389?393.

[9] CHEN L L， GOU S P， YAO Y， et al. Denoising of low dose CT image with context?based BM3D [C]// Proceedings of Region 10 Conference. Singapore： IEEE， 2017： 682?685.

[10] METZLER C A， MALEKI A， BARANIUK R G. BM3D?PRGAMP： compressive phase retrieval based on BM3D denoising [C]// Proceedings of IEEE International Conference on Image Processing. Phoenix： IEEE， 2016： 1?2.

[11] YAN R， QIAN Y， HU S， et al. Wind turbine gearbox fault diagnosis based on wavelet domain stationary subspace analysis [J]. Journal of mechanical engineering， 2014， 50（11）： 15?22.

[12] ALI M A， SHEMI P M. An improved method of audio denoising based on wavelet transform [C]// Proceedings of International Conference on Power， Instrumentation， Control and Computing. Thrissur： IEEE， 2016： 1?6.