張 凡 張 倩

(河南經(jīng)貿(mào)職業(yè)學(xué)院信息管理系，河南 鄭州450018)

隨著數(shù)字礦山建設(shè)進(jìn)程的加快，視頻監(jiān)控系統(tǒng)在各煤礦得到了廣泛應(yīng)用［1-6］。由于礦井環(huán)境較為復(fù)雜，礦井視頻監(jiān)控系統(tǒng)所獲取的圖像在很大程度上不夠清晰，且有一定的噪聲，這極大影響了相關(guān)人員對圖像中的信息進(jìn)行準(zhǔn)確判讀。近年來，數(shù)學(xué)形態(tài)學(xué)［7］、同態(tài)濾波［8］、模糊理論［9］、偏微分方程［10］、輪廓波變換［11］、分?jǐn)?shù)建模法［12］、人工神經(jīng)網(wǎng)絡(luò)［13］等算法相繼被應(yīng)用于煤礦圖像處理研究，取得了較好的效果。但上述算法各有側(cè)重，即單純性的對圖像進(jìn)行去噪或增強(qiáng)處理，未能將二者作為一個有機(jī)整體進(jìn)行研究。

小波閾值去噪算法通過采用一種閾值去噪模型，對圖像的小波分解系數(shù)進(jìn)行適當(dāng)取舍，能夠較為有效地去除圖像中的噪聲，且易于編程實(shí)現(xiàn)。對于小波閾值去噪算法的研究，目前成果較多，如董雪等［14］對于小波軟閾值函數(shù)添加了1 個調(diào)節(jié)因子，通過該因子的靈活取值來對小波軟閾值函數(shù)進(jìn)行適當(dāng)修正;紀(jì)峰等［15］對傳統(tǒng)的小波軟閾值函數(shù)進(jìn)行改進(jìn)并添加了1個伸縮因子，使得改進(jìn)后的模型具有更好的靈活性，能夠根據(jù)不同幅值的小波系數(shù)自適應(yīng)地設(shè)定模型閾值;此外，王藝龍［16］、李雷等［17］也對小波閾值函數(shù)模型進(jìn)行了不同程度的改進(jìn)。盡管上述改進(jìn)取得了不錯的去噪效果，但存在著模型計算耗時較長，模型中相關(guān)調(diào)節(jié)系數(shù)無法實(shí)現(xiàn)自適應(yīng)取值等問題。為此，提出了一種結(jié)合邊緣檢測的小波域礦井視頻圖像去噪算法，通過將改進(jìn)的Prewitt 算子與基于自適應(yīng)閾值的改進(jìn)小波閾值去噪模型進(jìn)行有機(jī)結(jié)合，實(shí)現(xiàn)在去除噪聲的同時盡可能不丟失圖像的邊緣輪廓信息，力求實(shí)現(xiàn)圖像去噪和增強(qiáng)的有機(jī)結(jié)合。

1 改進(jìn)Prewitt 算子

Prewitt 算子［18］作為一種一階微分算子，采用水平和垂直的模板來實(shí)現(xiàn)對圖像中邊緣輪廓信息的有效檢測，該2 類模板見圖1。但對于礦井視頻圖像來說，圖像中的邊緣輪廓除了呈水平、垂直方向分布之外，還有相當(dāng)一部分信息呈多方向分布，因此，單純采用圖1 中的檢測模板，無法準(zhǔn)確提取出圖像中的邊緣輪廓。為此，在圖1 的基礎(chǔ)上設(shè)計了6 種新的檢測模板，見圖2。

采用圖1、圖2 中所涉及的8 個方向的檢測模板，能夠基本勝任含有復(fù)雜信息的礦井視頻圖像中邊緣輪廓的提取。一幅礦井視頻圖像中任意大小為3×3 區(qū)域可抽象表示成如圖3 所示的形式。

圖1 經(jīng)典Prewitt 算子邊緣檢測模板Fig.1 Edge detection templates of classical Prewitt operator

圖2 多方向邊緣檢測模板Fig.2 Multi-direction detection templates

圖3 礦井視頻圖像3 ×3 區(qū)域抽象表示Fig.3 Abstract representations of 3 ×3 area of mine video image

對于圖1 所定義的區(qū)域的礦井視頻圖像采用Prewitt 算子(以圖1(a)為例)進(jìn)行邊緣提取，首先定義如下運(yùn)算:

于是，采用圖1(a)模板的檢測結(jié)果為

分別采用式(1)、式(2)定義的方法計算圖1 和圖2 中其余7 類檢測模板，得到如下集合:

分別計算集合Q 最值

于是，采用圖1 和圖2 所定義的8 個多方向檢測模板進(jìn)行邊緣檢測后，最終的檢測結(jié)果為

F = (Fmax+ Fmin)/2.

通過式(1)～式(4)檢測之后，獲得圖像中眾多的“疑似邊緣輪廓點(diǎn)”，要準(zhǔn)確提取出邊緣輪廓，關(guān)鍵還要對該類點(diǎn)進(jìn)行判別，即通過設(shè)定一定的閾值，將該類點(diǎn)逐個與之比較，將小于閾值的點(diǎn)予以舍棄，剩余點(diǎn)即為邊緣輪廓點(diǎn)。要提高Prewitt 算子的檢測精度，關(guān)鍵在于如何設(shè)置1 個合適的閾值，為此，提出一種自適應(yīng)閾值設(shè)定方法，以圖3 為例，步驟如下。

(1)計算圖像中局部區(qū)域像素點(diǎn)的灰度最值，

(2)計算剩余像素點(diǎn)灰度均值，

式中，集合W 為剩余7 個像素點(diǎn)灰度值所組成的集合;average{·}定義為求均值計算。

(3)結(jié)合式(5)、式(6)的計算結(jié)果，得出

式中，median{·}定義為求中間值計算。

2 自適應(yīng)改進(jìn)小波閾值函數(shù)模型

小波去噪最根本的是能夠根據(jù)圖像的特征構(gòu)建出較為實(shí)用的閾值函數(shù)模型，盡管經(jīng)典的小波硬、軟閾值函數(shù)模型有一定的去噪效果，但在大量的實(shí)踐中也暴露出一些不足:①硬閾值函數(shù)模型對于小于閾值的部分小波系數(shù)直接設(shè)定為0，而對于剩余部分的小波系數(shù)則全部予以保留，存在著對圖像信息“一刀切”的傾向;②小波軟閾值函數(shù)模型雖然對大于閾值的小波系數(shù)減去某一恒定值，相對于硬閾值函數(shù)模型來說去噪效果有所改善，但容易導(dǎo)致圖像出現(xiàn)不同程度的失真。

基于經(jīng)典小波硬、軟閾值存在的一些不足，近年來學(xué)者們提出了一些較為實(shí)用的模型，代表性的有2類。

(1)第1 類閾值函數(shù)模型。該類模型通過對經(jīng)典的閾值函數(shù)模型進(jìn)行適當(dāng)修正［14］而形成，表示為

式中，wj，k為小波系數(shù)幅值(j 為小波分解層數(shù)，k 為小波系數(shù)分布方向);s 為調(diào)節(jié)系數(shù)，s =［0.5，1］;T為小波閾值。

該類函數(shù)模型相對于經(jīng)典硬、軟閾值函數(shù)模型而言，具有了較大的靈活性，但調(diào)節(jié)因子基本是通過大量的試驗(yàn)獲得，并且因子取值的通用性不佳，且無法根據(jù)小波系數(shù)的特征以及噪聲的強(qiáng)度來進(jìn)行自適應(yīng)調(diào)節(jié)。

(2)第2 類閾值函數(shù)模型。該類模型一般來說引入指數(shù)(對數(shù))函數(shù)，通過大量的非線性運(yùn)算來提高函數(shù)模型的去噪效果［15］，表示為

式中，m 為調(diào)節(jié)系數(shù);sign(·)為符號函數(shù)。

該模型引入了指數(shù)函數(shù)計算方法，雖然去噪效果相對于經(jīng)典小波硬、軟閾值函數(shù)模型來說有了較大改善，但是函數(shù)模型計算的復(fù)雜度明顯提高，圖像處理時間大大延長，無法滿足高效率地處理圖像的要求。并且，式(9)與式(8)共同的不足之處在于，函數(shù)模型中的閾值T 無法根據(jù)小波分解的層數(shù)而自適應(yīng)地調(diào)整?；谝陨戏治?，提出了如下閾值函數(shù)模型:

式中，T1，T2為閾值。

大量試驗(yàn)結(jié)果表明，小波系數(shù)隨著小波分解層數(shù)的增大會呈現(xiàn)大幅度減小的趨勢，若采用經(jīng)典小波全局閾值則無法獲得較好的去噪效果，為此，對經(jīng)典小波閾值添加了1 個調(diào)節(jié)因子

式中，j 為小波分解層數(shù)，若進(jìn)行單層小波分解，則該閾值退化為經(jīng)典小波全局閾值;X，Y 為待去噪圖像尺寸。

將式(11)記為T1，經(jīng)典小波全局閾值記為T2，并分別代入式(10)可得

式中，σ 為圖像中的噪聲方差，為median(|wj，k|)/0.674 5。

式(12)所定義的小波閾值函數(shù)具有以下特點(diǎn):①將改進(jìn)閾值與經(jīng)典小波全局閾值相結(jié)合，通過采用雙閾值將小波系數(shù)分成3 類，對于大小波系數(shù)則保持不變，對于小小波系數(shù)則設(shè)置為0，對于其余部分小波系數(shù)則進(jìn)行自適應(yīng)濾波處理，能夠根據(jù)小波分解層數(shù)的變化自適應(yīng)調(diào)整閾值大小;②隨著小波分解層數(shù)的增大，對于介于大、小幅值小波系數(shù)間的部分，則通過減去1 個隨著小波分解層數(shù)的變化而自適應(yīng)變化的閾值，有效克服了經(jīng)典小波軟閾值函數(shù)模型所存在的缺陷。

3 試驗(yàn)仿真

3.1 算法步驟

(1)對礦井噪聲視頻圖像采用均值濾波算法(濾波窗口尺寸3×3)進(jìn)行預(yù)處理，獲得預(yù)處理后的圖像。

(2)對預(yù)處理后的圖像采用改進(jìn)Prewitt 算子進(jìn)行邊緣檢測，獲得邊緣輪廓圖像和非邊緣輪廓圖像。

(3)對于非邊緣輪廓圖像采用式(12)所定義的改進(jìn)小波閾值函數(shù)模型進(jìn)行去噪處理。

(4)將邊緣圖像和去噪后的非邊緣圖像進(jìn)行疊加，獲得高質(zhì)量去噪后的礦井視頻圖像。

3.2 試驗(yàn)結(jié)果與分析

采用2 幅礦井圖像作為測試圖像，一幅為山東某煤礦1301 綜采工作面圖，一幅為該礦井局部照明圖，2 幅圖像均較為模糊(分別記為圖像1 和圖像2)。在MATLAB 平臺上對本研究提出的算法進(jìn)行編程實(shí)現(xiàn)，并與小波硬、軟閾值函數(shù)模型、文獻(xiàn)［14］以及文獻(xiàn)［15］提出的小波閾值函數(shù)模型(分別將上述4 類模型記為模型1，模型2，模型3，模型4)進(jìn)行去噪效果對比。試驗(yàn)結(jié)果見圖4、圖5。

圖4 圖像1 去噪效果比較Fig.4 Comparison of the filtering effects of image one

圖5 圖像2 去噪效果比較Fig.5 Comparison of the filtering effects of image two

由圖4、圖5 可知，小波硬閾值函數(shù)模型(模型1)、小波軟閾值函數(shù)模型(模型2)去噪效果均不理想，圖像整體上比較偏暗，模糊較為嚴(yán)重，如圖4(b)、圖4(c)和圖5(b)、圖5(c)所示。相對而言，文獻(xiàn)［14］中提出的函數(shù)模型(模型3)和文獻(xiàn)［15］中提出的函數(shù)模型(模型4)的噪聲去除效果有所改善，圖中的“綜采設(shè)備”、“電線”、“日光燈”等輪廓基本能辨認(rèn)出來，如圖4(d)、圖4(e)和圖5(d)、圖5(e)所示，但圖像整體上仍較為模糊。圖4(f)和圖5(f)為本研究算法的處理結(jié)果，可以明顯看出，圖像中基本不存在噪聲，盡管圖中的“綜采設(shè)備”、“電線”、“日關(guān)燈”等目標(biāo)信息的邊緣仍存在一定程度的模糊，但基本不妨礙對它們進(jìn)行準(zhǔn)確識別。

對圖像1 和圖像2 分別加入了方差分別為5，10，15 的高斯噪聲形成模糊圖像，進(jìn)一步測試上述4類模型以及本研究算法的有效性，引入峰值信噪比(Peak signal noise to ratio，PSNR)［7］(PSNR 值越大，則說明算法的去噪效果越好)作為各模型去噪效果的定量評價指標(biāo)，結(jié)果見表1。

表1 2 幅礦井視頻圖像去噪結(jié)果的PSNR 值Table 1 PSNR values of the filtering results of two coal video images dB

由表1 可知，本研究算法的PSNR 值明顯高于其余4 類模型，這說明，該算法處理后的圖像清晰度較高。

此外，對上述各模型(算法)分別對不同模糊程度的礦井視頻圖像去噪過程中的程序平均耗時進(jìn)行了統(tǒng)計，結(jié)果見表2。由表2 可知，本研究算法的執(zhí)行時間略低于模型1 ～模型4，這說明該算法在提高去噪效果的同時，在算法耗時方面也略占優(yōu)勢。

表2 去噪模型(算法)的平均耗時Table 2 The average time of the filtering models (algorithms) s

4 結(jié) 語

為了實(shí)現(xiàn)對礦井視頻圖像的高效去噪處理，分別對經(jīng)典Prewitt 算子以及經(jīng)典小波閾值函數(shù)去噪模型進(jìn)行了適當(dāng)改進(jìn)，提出了一種結(jié)合邊緣檢測的小波閾值去噪算法。試驗(yàn)結(jié)果表明，該算法的去噪效果優(yōu)于經(jīng)典小波硬、軟閾值函數(shù)模型以及2 類已有的改進(jìn)型小波閾值函數(shù)模型，且算法耗時較小，對于提高礦井視頻監(jiān)控圖像的清晰度具有一定的借鑒價值。

［1］ 吳立新，殷作如，鄧智毅，等. 論21 世紀(jì)的礦山——數(shù)字礦山［J］.煤炭學(xué)報，2000，25(4):337-342.

Wu Lixin，Yin Zuoru，Deng Zhiyi，et al.Research to the mine in the 21st century:digital mine［J］. Journal of China Coal Society，2000，25(4):337-342.

［2］ 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，2012，37(3):357-365.

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

［3］ 吳立新.數(shù)字礦山技術(shù)［M］.長沙:中南大學(xué)出版社，2009.

Wu Lixin.Technology for Digital Mine［M］.Changsha:Central South University Press，2009.

［4］ 王履華，孫在宏，曾洪云，等. 三維數(shù)字礦山信息集成管理系統(tǒng)設(shè)計與實(shí)現(xiàn)［J］.金屬礦山，2013(1):116-120.

Wang Luhua，Sun Zaihong，Zeng Hongyun，et al. Design and construction of the three-dimensional integrated information management system for digital mine［J］.Metal Mine，2013(1):116-120.

［5］ 王月軍，王建華，李勝輝.數(shù)字礦山技術(shù)在生產(chǎn)中的應(yīng)用［J］.現(xiàn)代礦業(yè)，2013(5):72-75.

Wang Yuejun，Wang Jianhua，Li Shenghui. Application of digital mine technology in mine production［J］. Modern Mine，2013(5):72-75.

［6］ 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):115-140.

Ma Xiong，Lian Minjie，Lu Caiwu，et al.Conceptual model of digital mine information integration［J］.Metal Mine，2014(7):115-140.

［7］ 王小兵，姚雪晴，邱銀國，等. 一種新型煤礦視頻監(jiān)控圖像濾波算法［J］.工礦自動化，2014，40(11):76-80.

Wang Xiaobing，Yao Xueqing，Qiu Yinguo，et al.A new filtering algorithm for video monitoring image of coal mine［J］. Industry and Mine Automation，2014，40(11):76-80.

［8］ 劉 毅，賈旭芬，田子健.一種基于同態(tài)濾波原理的井下光照不均圖像處理方法［J］.工礦自動化，2013，39(1);9-12.

Liu Yi，Jia Xufeng，Tian Zijian.A processing method for underground image of uneven illumination based on homomorphic filtering theory［M］.Industry and Mine Automation，2013，39(1):9-12.

［9］ 蔡利梅，錢建生，趙 杰，等. 基于模糊理論的煤礦井下圖像增強(qiáng)算法［J］.煤礦科學(xué)技術(shù)，2009(8):94-96.

Cai Limei，Qian Jiansheng，Zhao Jie，et al.Enhancement algorithm of underground mine image based on fuzzy theory［J］.Coal Science and Technology，2009(8):94-96.

［10］ 王震威，馮 瑾，盧兆林.基于耦合偏微分方程的煤礦圖像去噪算法［J］.工礦自動化，2013，39(10):81-85.

Wang Zhenwei，F(xiàn)eng Jin，Lu Zhaolin.Coal mine image filtering algorithm based on coupled partial differential equation［J］.Industry and Mine Automation，2013，39(10):81-85.

［11］ 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 controulet transform and PCNN［J］.Coal Mine Machinery，2013，34(6):239-241.

［12］ 王 征，馬憲民. 分?jǐn)?shù)階建模在煤位圖像去噪處理中的研究［J］.煤礦機(jī)械，2013，34(7):82-84.

Wang Zheng，Ma Xianmin.Application of fractional modeling in filtering the noise image of coal level［J］. Coal Mine Machinery，2013，34(7):82-84.

［13］ 馮衛(wèi)兵，胡俊梅，曹根牛.基于改進(jìn)的簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)的煤礦井下圖像去噪方法［J］.工礦自動化，2014，40(5):54-58.

Feng Weibing，Hu Junmei，Cao Genniu.Coal image filtering method based on improved simplified pulse couple neural network［J］. Industry and Mine Automation，2014，40(5):54-58.

［14］ 董 雪，林志賢，郭太良. 基于LoG 算子改進(jìn)的自適應(yīng)閾值小波去噪算法［J］.液晶與顯示，2014，29(2):275-280.

Dong Xue，Lin Zhixian，Guo Tailiang. Improved self-adaptive threshold wavelet denoising analysis based on LoG Operator［J］.Chinese Journal of Liquid Crystals and Displays，2014，29(2):275-280.

［15］ 紀(jì) 峰，李 翠，常 霞，等.基于改進(jìn)閾值函數(shù)的自適應(yīng)圖像去噪方法［J］.傳感技術(shù)學(xué)報，2014，27(3):351-354.

Ji Feng，Li Cui，Chang Xia，et al.Image adaptive filtering algorithm based on improved threshold function［J］. Chinese Journal of Sensors and Actuators，2014，27(3):351-354.

［16］ 王藝龍，楊守志.基于連續(xù)閾值函數(shù)的小波去噪方法［J］.汕頭大學(xué)學(xué)報:自然科學(xué)版，2013，28(4):66-74.

Wang Yilong，Yang Shouzhi. Filtering algorithm based on continuous threshold function［J］. Journal of Shantou University:Natural Science Edition，2013，28(4):66-74.

［17］ 李 雷，魏連鑫.自適應(yīng)小波閾值函數(shù)的指紋圖像去噪［J］.上海理工大學(xué)學(xué)報，2014，36(2):154-162.

Li Lei，Wei Lianxin.Adaptive wavelet threshold function for fingerprint denoising［J］. Journal of University of Shanghai for Science and Technology，2014，36(2):154-162.

［18］ 魏國劍，侯志強(qiáng)，李 武，等.基于邊緣差分的運(yùn)動目標(biāo)檢測方法［J］.計算機(jī)工程與設(shè)計，2013，34(10):3530-3534.

Wei Guojian，Hou Zhiqiang，Li Wu，et al. Moving object detection algorithm based on edge substraction［J］. Computer Engineering and Design，2013，34(10):3530-3534.