CN113610735A - 一种面向电力设备红外图像的混合噪声去除方法 - Google Patents

Abstract

本发明公开了一种面向电力设备红外图像的混合噪声去除方法，包括步骤：S1)利用TWSC模型对含有混合噪声的电力设备红外图像进行初步去噪，滤除掉高斯噪声；S2)采用SGTD模型对滤除掉高斯噪声的电力设备红外图像进行结构纹理分解，得到结构部分和纹理部分；S3)采用中值滤波对纹理部分的剩余脉冲噪声进行滤除，在保护电力设备红外图像结构信息的同时实现混合噪声的去除；S4)对去噪后的纹理分量和结构分量进行重构，得到去噪后的电力设备红外图像。本发明结合TWSC模型、图像结构纹理分解以及中值滤波算法对含有混合噪声的电力设备红外图像的噪声进行滤除，达到在滤除混合噪声的同时较好地保持了图像的边缘信息与纹理特征。

Description

一种面向电力设备红外图像的混合噪声去除方法

技术领域

本发明涉及电力设备运行维护技术领域，特别是涉及一种面向电力设备红外图像的混合噪声去除方法。

背景技术

当前状态感知、目标识别等相关技术研究在基于物联网的电力设备运行维护领域受到了更为广泛的关注。其中，红外监测技术作为一种非接触性、高灵敏性、高准确性的设备状态诊断方法，在维护设备安全稳定运行中起着重要作用，其主要通过红外辐射检测设备的温度分布，及时掌握设备的温度变化，进而对设备的发热故障情况做出诊断分析。但电力设备的红外图像在采集、传输过程中，往往会受到噪声影响造成图像失真，破坏图像中的有用信息，因此，图像去噪是图像预处理领域不可或缺的重要步骤。其中，受传感器、传输信道以及环境因素影响而产生的高斯噪声和脉冲噪声是图像中的常见噪声污染，已有的去噪方法如均值滤波、中值滤波等大多仅针对单一噪声的滤除，而红外图像中的噪声往往以混合噪声的形式存在。

高斯噪声与脉冲噪声分别类属于加性噪声和乘性噪声，二者的产生原因以及特性存在区别，传统的滤波算法多针对某一种固定噪声模型而设，对某一种噪声的滤除效果较优，而对混合噪声的去噪效果不佳。

发明内容

本发明的目的是提供一种面向电力设备红外图像的混合噪声去除方法，结合TWSC模型、图像结构纹理分解以及中值滤波算法对含有混合噪声的电力设备红外图像的噪声进行滤除，达到在滤除混合噪声的同时较好地保持了图像的边缘信息与纹理特征。

为实现上述目的，本发明提供了如下方案：

一种面向电力设备红外图像的混合噪声去除方法，包括步骤：

S1)利用TWSC模型对含有混合噪声的电力设备红外图像进行初步去噪，滤除掉高斯噪声；

S2)采用SGTD模型对滤除掉高斯噪声的电力设备红外图像进行结构纹理分解，得到结构部分和纹理部分；

S3)采用中值滤波对纹理部分的剩余脉冲噪声进行滤除，在保护电力设备红外图像结构信息的同时实现混合噪声的去除；

S4)对去噪后的纹理分量和结构分量进行重构，得到去噪后的电力设备红外图像。

可选的，步骤S1)所述TWSC模型在传统的稀疏编码模型的数据保真度术语Y-DC中引入两个权重矩阵W₁、W₂，以自适应地表征不同通道不同电力设备红外图像块中的噪声统计数据；在正则化术语中引入权重矩阵W₃，以更好地利用电力设备红外图像的稀疏先验；TWSC模型表示为：

其中：权重矩阵W₁、W₂、W₃均设置为对角矩阵；W₁矩阵具有三个块，块中相同的对角元素用于描述相对应的电力设备红外图像R通道、G通道、B通道所具有的噪声特性；W₂矩阵中的每一个对角元素用于描述局部电力设备红外图像块的噪声方差，即分别用W₁和W₂矩阵来规范残差矩阵Y-DC的行差异和列差异；矩阵W₃基于系数矩阵C的稀疏先验来设置每个对角元素。

可选的，步骤S2)中所述SGTD模型包括数据保真度项、全变分正则化项以及SGTD正则化项三个组成部分：

式中：f为目标红外图像，x为结构分量，目标红外图像像素以n′n形式表示，i为红外图像某一像素点，f_i、x_i为f、x在i处分量，D_ix为一阶有限差分，μ、η分别为式中第一、二项的权重系数；

当系数η趋于0时，所述SGTD模型看作是加权的TV-L₁模型：

在上式形式下，模型看作是权重为w_i＝|f_i-x_i|的加权TV-L₁模型；

在权重为w_i＝|f_i-x_i|的加权TV-L₁模型基础上，引入增广的拉格朗日方法处理SGTD模型中的非线性问题。

可选的，所述在权重为w_i＝|f_i-x_i|的加权TV-L₁模型基础上，在引入增广的拉格朗日方法处理SGTD模型中的非线性问题，具体包括：

对于模型：

s.t.y_i＝D_ix,i＝1,…,n²

z＝f-x

式中：y、z、y_i、z_i为求解过程的辅助变量，y_i∈R²，利用增广拉格朗日方法求解，令

表达式为：

式中，λ₁、λ₂为拉格朗日乘子，T为转置，k代表迭代次数，β₁、β₂均为系数，分别设置为5和20；

通过不断迭代对y、z、x和λ依次进行更新，进而将非线性问题转化为一组易于求解的子问题。

可选的，步骤S2)中所述结构部分包含电力设备红外图像中较平滑的成分和慢变部分，所述纹理部分包含电力设备红外图像的快变部分。

可选的，步骤S3)中所述采用中值滤波对纹理部分的剩余脉冲噪声进行滤除，具体包括：

S301)选定窗口大小后，在电力设备红外图像中遍历模板，使模板中心和图中某个像素位置重合；

S302)选择模板对应的像素点的灰度值并将其按照升序排列；

S303)以中值替代模板中心对应的像素点，作为新的灰度值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明针对电力设备红外图像中的混合噪声问题，结合TWSC模型与中值滤波算法分别对高斯噪声和脉冲噪声的良好去噪特性来对噪声进行滤除；通过引入图像结构纹理分解，以避免多种滤波方法使图像结构信息模糊，使得在去除纹理部分残余噪声的同时，结构部分得到有效的保持，实现在滤除混合噪声的同时较好地保持图像边缘信息与纹理特征。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例面向电力设备红外图像的混合噪声去除方法的流程图；

图2为本发明实施例电力设备红外图像去噪结果的对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种面向电力设备红外图像的混合噪声去除方法，结合TWSC模型、图像结构纹理分解以及中值滤波算法对含有混合噪声的电力设备红外图像的噪声进行滤除，达到在滤除混合噪声的同时较好地保持了图像的边缘信息与纹理特征。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明实施例提供的面向电力设备红外图像的混合噪声去除方法，包括步骤：

S1)利用TWSC模型对含有混合噪声的电力设备红外图像进行初步去噪，滤除掉高斯噪声；

S2)采用SGTD模型对滤除掉高斯噪声的电力设备红外图像进行结构纹理分解，得到结构部分和纹理部分；

S3)采用中值滤波对纹理部分的剩余脉冲噪声进行滤除，在保护电力设备红外图像结构信息的同时实现混合噪声的去除；

S4)对去噪后的纹理分量和结构分量进行重构，得到去噪后的电力设备红外图像。

三方加权稀疏编码(trilateral weighted sparse coding,TWSC)是一种基于传统稀疏编码模型提出的面向真实图像去噪的方法，在高斯噪声滤除方面表现出较优的性能。传统的稀疏编码(sparse coding,SC)模型应用于图像去噪领域，根据稀疏编码框架，通过以下方法可以获得输入噪声矩阵Y的稀疏矩阵：

式中：λ为正则化参数，D为稀疏编码字典，C为稀疏矩阵，计算得到

后，通过

得到去噪后的图像

但在处理含有复杂噪声图像的去噪问题上，传统SC模型的效果并不理想，TWSC算法提出利用图像噪声的局部信号相关特性和通道统计特征，达到更好的去噪性能。

步骤S1)所述TWSC模型在传统的稀疏编码模型的数据保真度术语Y-DC中引入两个权重矩阵W₁、W₂，以自适应地表征不同通道不同电力设备红外图像块中的噪声统计数据；在正则化术语中引入权重矩阵W₃，以更好地利用电力设备红外图像的稀疏先验；TWSC模型表示为：

其中：权重矩阵W₁、W₂、W₃均设置为对角矩阵；W₁矩阵具有三个块，块中相同的对角元素用于描述相对应的电力设备红外图像R通道、G通道、B通道所具有的噪声特性；W₂矩阵中的每一个对角元素用于描述局部电力设备红外图像块的噪声方差，即分别用W₁和W₂矩阵来规范残差矩阵Y-DC的行差异和列差异；矩阵W₃基于系数矩阵C的稀疏先验来设置每个对角元素，正则化参数λ隐含于W₃内。

结构纹理分解可以将任意图像分解为结构部分和纹理部分，步骤S2)中所述结构部分包含电力设备红外图像中较平滑的成分和慢变部分，所述纹理部分包含电力设备红外图像的快变部分，如边缘部分和噪声。

TV-L₁模型是常用于图像分解的经典方法，基于TV-L₁模型，本发明实施例采用一种分解效果更优的结构梯度和纹理去相关(structure gradient and texturedecorrelating,SGTD)算法实现图像分解。

步骤S2)中所述SGTD模型包括数据保真度项、全变分正则化项以及SGTD正则化项三个组成部分：

式中：f为目标红外图像，x为结构分量，目标红外图像像素以n′n形式表示，i为红外图像某一像素点，f_i、x_i为f、x在i处分量，D_ix为一阶有限差分，μ、η分别为式中第一、二项的权重系数；

当系数η趋于0时，所述SGTD模型看作是加权的TV-L₁模型：

在上式形式下，模型看作是权重为w_i＝|f_i-x_i|的加权TV-L₁模型，SGTD模型继承了TV-L₁模型对比度保持等优势，同时由于SGTD模型采用了非线性公式，与TV-L1模型相比较，提高了模型的自由度和鲁棒性；在此基础上，引入增广的拉格朗日方法处理SGTD模型中的非线性问题。

所述在权重为w_i＝|f_i-x_i|的加权TV-L₁模型基础上，在引入增广的拉格朗日方法处理SGTD模型中的非线性问题，具体包括：

对于模型：

s.t.y_i＝D_ix,i＝1,…,n²

z＝f-x

式中：y、z、y_i、z_i为求解过程的辅助变量，y_i∈R²，利用增广拉格朗日方法求解，令

表达式为：

式中，λ₁、λ₂为拉格朗日乘子，T为转置，k代表迭代次数，β₁、β2均为系数，分别设置为5和20；

通过不断迭代对y、z、x和λ依次进行更新，进而将非线性问题转化为一组易于求解的子问题，迭代过程如下式：

式中：sgn、⊙分别代表符号函数和点积函数，β₁、β₂均为系数，F表示二维离散傅里叶变换。

通过增广的拉格朗日方法，进而将非线性问题转化为一组易于求解的子问题，提高了模型的处理效率，使SGTD算法可以有效处理各种复杂图像的分解问题。

中值滤波是一种可以有效滤除脉冲噪声的非线性滤波算法，并且在抑制噪声的同时可以较好地保护图像边缘特征。该方法的基本思想是用某像素点邻域窗口内所有像素点灰度值的中值来代替该像素点的灰度值。

步骤S3)中所述采用中值滤波对纹理部分的剩余脉冲噪声进行滤除，具体包括：

S301)选定窗口大小后，在电力设备红外图像中遍历模板，使模板中心和图中某个像素位置重合；

S302)选择模板对应的像素点的灰度值并将其按照升序排列；

S303)以中值替代模板中心对应的像素点，作为新的灰度值。

选取电力设备的实际红外监测图像对本发明实施例进行方法验证，向原图中添加均值为0，不同方差值的高斯噪声和不同噪声密度的脉冲噪声形成含有混合噪声的图像，运行本发明实施例所提方法实现噪声滤除，并利用BM3D、NLM以及小波阈值算法对添加的混合噪声进行去噪后与前述方法进行比较。

电力设备红外图像在添加混合噪声为(0.03,3)、(0.05,5)、(0.07,7)、(0.09,9)下运行本发明实施例电力设备红外图像去噪方法与PSNR、SSIM、小波阈值算法进行对比，其去噪结果定量评价见表1所示。

表1电力设备红外图像去噪结果定量评价表

其中添加方差为0.07的高斯噪声和噪声密度为7％的脉冲噪声时，运行不同去噪算法后的去噪结果如图2所示。根据实例，本发明实施例所提方法可以实现噪声的有效滤除，且评价指标优于其他对比方法。

本发明针对电力设备红外图像中的混合噪声问题，结合TWSC模型与中值滤波算法分别对高斯噪声和脉冲噪声的良好去噪特性来对噪声进行滤除；通过引入图像结构纹理分解，以避免多种滤波方法使图像结构信息模糊，使得在去除纹理部分残余噪声的同时，结构部分得到有效的保持，实现在滤除混合噪声的同时较好地保持图像边缘信息与纹理特征。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种面向电力设备红外图像的混合噪声去除方法，其特征在于，包括步骤：

S1)利用TWSC模型对含有混合噪声的电力设备红外图像进行初步去噪，滤除掉高斯噪声；

S2)采用SGTD模型对滤除掉高斯噪声的电力设备红外图像进行结构纹理分解，得到结构部分和纹理部分；

S3)采用中值滤波对纹理部分的剩余脉冲噪声进行滤除，在保护电力设备红外图像结构信息的同时实现混合噪声的去除；

S4)对去噪后的纹理分量和结构分量进行重构，得到去噪后的电力设备红外图像。

2.根据权利要求1所述的面向电力设备红外图像的混合噪声去除方法，其特征在于，步骤S1)所述TWSC模型在传统的稀疏编码模型的数据保真度术语Y-DC中引入两个权重矩阵W₁、W₂，以自适应地表征不同通道不同电力设备红外图像块中的噪声统计数据；在正则化术语中引入权重矩阵W₃，以更好地利用电力设备红外图像的稀疏先验；TWSC模型表示为：

其中：权重矩阵W₁、W₂、W₃均设置为对角矩阵；W₁矩阵具有三个块，块中相同的对角元素用于描述相对应的电力设备红外图像R通道、G通道、B通道所具有的噪声特性；W₂矩阵中的每一个对角元素用于描述局部电力设备红外图像块的噪声方差，即分别用W₁和W₂矩阵来规范残差矩阵Y-DC的行差异和列差异；矩阵W₃基于系数矩阵C的稀疏先验来设置每个对角元素。

3.根据权利要求1所述的面向电力设备红外图像的混合噪声去除方法，其特征在于，步骤S2)中所述SGTD模型包括数据保真度项、全变分正则化项以及SGTD正则化项三个组成部分：

式中：f为目标红外图像，x为结构分量，目标红外图像像素以n′n形式表示，i为红外图像某一像素点，f_i、x_i为f、x在i处分量，D_ix为一阶有限差分，μ、η分别为式中第一、二项的权重系数；

当权重η趋于0时，所述SGTD模型看作是加权的TV-L₁模型：

在上式形式下，模型看作是权重为w_i＝|f_i-x_i|的加权TV-L₁模型；

在权重为w_i＝|f_i-x_i|的加权TV-L₁模型基础上，引入增广的拉格朗日方法处理SGTD模型中的非线性问题。

4.根据权利要求3所述的面向电力设备红外图像的混合噪声去除方法，其特征在于，所述在权重为w_i＝|f_i-x_i|的加权TV-L₁模型基础上，在引入增广的拉格朗日方法处理SGTD模型中的非线性问题，具体包括：

对于模型：

s.t.y_i＝D_ix,i＝1,…,n²

z＝f-x

式中：y、z、y_i、z_i为求解过程的辅助变量，y_i∈R²，利用增广拉格朗日方法求解，令

表达式为：

式中，λ₁、λ₂为拉格朗日乘子，T为转置，k代表迭代次数，β₁、β₂均为系数，分别设置为5和20；

通过不断迭代对y、z、x和λ依次进行更新，进而将非线性问题转化为一组易于求解的子问题。

5.根据权利要求1所述的面向电力设备红外图像的混合噪声去除方法，其特征在于，步骤S2)中所述结构部分包含电力设备红外图像中较平滑的成分和慢变部分，所述纹理部分包含电力设备红外图像的快变部分。

6.根据权利要求1所述的面向电力设备红外图像的混合噪声去除方法，其特征在于，步骤S3)中所述采用中值滤波对纹理部分的剩余脉冲噪声进行滤除，具体包括：

S301)选定窗口大小后，在电力设备红外图像中遍历模板，使模板中心和图中某个像素位置重合；

S302)选择模板对应的像素点的灰度值并将其按照升序排列；

S303)以中值替代模板中心对应的像素点，作为新的灰度值。

Images