劉 英

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

近年來，在計算機技術(shù)、自動化技術(shù)的支持下，礦山視頻監(jiān)控技術(shù)得到了快速發(fā)展，使得其在礦井火災識別［1-2］、機車定位與速度監(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致視頻監(jiān)控系統(tǒng)獲取的圖像對比度較低且含有大量的斑點(即噪聲)，在很大程度上降低了圖像質(zhì)量，影響了相關(guān)人員對監(jiān)控系統(tǒng)實時傳輸?shù)膱D像進行準確判讀。對此，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］等針對經(jīng)典四階偏微分方程(Partial Differential Equations，PDE)算法存在的不足，對其進行了適當改進，成功實現(xiàn)了對煤礦視頻監(jiān)控圖像的濾波處理;宋長喜等［12］針對較模糊的煤礦圖像，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，實現(xiàn)了對井下同一目標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］通過對獲取的低對比度的井下視頻監(jiān)控圖像進行增強處理，在此基礎(chǔ)上采用小波變換對圖像進行多尺度融合，實現(xiàn)了對低對比度圖像的有效增強;張謝華等［14］針對高濃度煤礦粉塵條件下獲取的監(jiān)控圖像，推導了煤礦霧塵圖像的退化模型，并采用雙邊濾波器進行處理，效果較好。本研究在對上述研究成果深入分析的基礎(chǔ)上，針對礦井機電設(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)劣程度進行分塊，對各圖像塊進行有針對性的濾波，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度較大的噪聲干擾，也有相當一部分的圖像區(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)進行分類，一方面能夠提高圖像處理的針對性，使得圖像處理效率得到較大提升，另一方面僅對一些噪聲干擾較嚴重的圖像區(qū)域進行處理，對于其余的圖像區(qū)域則直接保留或適當處理，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灰度值的大小;②標準差則能反映圖像中各像素點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。基于該2 種參數(shù)，設(shè)計了如下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)的像素點灰度均值和標準差。

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

于是，結(jié)合C0、C1、C2，對圖像進行分塊，步驟如下:

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

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

(3)若某區(qū)域內(nèi)像素點灰度值滿足C0＜C2＜C1，則認為該區(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)像素點灰度值滿足C2≥C1，則認為該區(qū)域灰度值基本代表圖像中的邊緣細節(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 變換可將圖像進行多尺度、多方向剖分，相對于小波變換而言，在圖像精細化分解方面優(yōu)勢更為明顯。對于任意一幅圖像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F 進行多尺度分解，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節(jié)信息的分布情況，要對該類分解系數(shù)進行有效去噪，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、對角等幾個基本方向分布，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(·)定義為取中值的計算方法，X、Y 分別為圖像長和寬。

很顯然，該閾值對所有的高頻分解系數(shù)采用統(tǒng)一的衡量標準，對于處理小波高頻分解系數(shù)來說，有一定的效果，但對于具有多方向、多尺度的高頻Shearlet分解系數(shù)而言，明顯不適用。這是因為，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，對其進行了改進，改進后的閾值計算公式為

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 算法實現(xiàn)流程

本研究算法實現(xiàn)流程見圖1。

2 試驗結(jié)果

采用MATLAB 語言分別對維納濾波(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)進行編程實現(xiàn)，對采集于內(nèi)蒙古北山地區(qū)某鐵礦井下機電設(shè)備2 幅視頻監(jiān)控圖像(記為圖像1、圖像2)進行試驗，結(jié)果見圖2、圖3。對圖像1、圖像2 分別加入了方差為5，10，15 dB 的隨機噪聲，模擬不同模糊程度的測試圖像，采用上述4類算法進行處理，進一步測試各算法的性能。分別計算上述各算法試驗結(jié)果的圖像峰值信噪比(Peak Signal Noise to Ratio，PSNR)［18－20］，來客觀評估各算法的性能(PSNR 值越大，對應(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，無法有效保持圖像細節(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 變換的礦井機電設(shè)備視頻監(jiān)控圖像處理算法。試驗結(jié)果表明:本研究算法對于該類圖像的處理效果較好，不足之處在于，算法耗時略高于同類算法，這主要是由于算法中的圖像塊劃分環(huán)節(jié)程序運行占用過長時間。進一步優(yōu)化圖像塊劃分方法，壓縮算法耗時，以更好地適應(yīng)于礦井批量圖像的實時化處理，是下一步的研究方向。

圖3 圖像2 試驗結(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. 基于圖像識別技術(shù)的露天煤礦火災視頻監(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.礦井紅外火災圖像處理方法研究［J］.煤炭科學技術(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)在煤礦井下機車定位中的應(yīng)用［J］.工礦自動化，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.基于圖像識別的煤礦井下機車速度監(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.機器視覺技術(shù)遠程煤塵顆粒在線檢測［J］. 遼寧工程技術(shù)大學學報:自然科學版，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］.煤炭學報，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］.黑龍江科技大學學報，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技術(shù)研究［J］.計算機測量與控制，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］.煤炭學報，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，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］.計算機應(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］.計算機工程與應(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，湯海燕. 一種高斯噪聲組合濾波方法［J］. 佳木斯大學學報:自然科學版，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.