柏文豪

摘要： 針對高壓巡檢車視覺獲取路徑信息的問題。由于噪聲掩蓋了電線在圖像中的成像特征，給獲取路徑信息帶來了很大的困難且影響了循跡的精度，所以提出了一種基于灰度距離加權(quán)的自適應(yīng)中值濾波方法來濾除圖像噪聲。該方法經(jīng)預(yù)先濾波后，再通過噪聲檢測確定噪聲點及其個數(shù)，自適應(yīng)的調(diào)整稀疏分布模板，最后根據(jù)模板內(nèi)灰度距離而賦予各像素點不同的權(quán)重值而濾除噪聲。實驗結(jié)果表明，該算法所加權(quán)重值簡單易實現(xiàn)，在很好的濾除噪聲且較好的保護(hù)圖像細(xì)節(jié)，還能較好的濾除圖像隨機(jī)噪聲，使得其可很好的應(yīng)用于路徑圖像的噪聲濾除。

Abstract： In the process of repairing and maintaining high voltage transmission lines， the visual distance measuring system is used to obtain the distance information between people and high-voltage wires because of accidental electric shock caused by the workers crossing the safe distance. As the noise mask the image characteristics of the wire， it is very difficult to obtain the distance information and affects the accuracy of distance measuring， therefore， the weighting median filtering method of based on gray-scale distance is proposed to filter out image noise in this paper. In the algorithm， first by the pre-filter， and then， noise detection is utilized to determine the number of noise points. Base on the number of noise points to adaptively adjust sparse distribution templates. Finally， according to the gray-scale distance within the template to give each pixel a different weight value， and remove noise. The experiment shows that the weighted weight of the algorithm is simple and easy to achieve， and it can protect the detail of image well while removing the noise， and filter out random noise. So that it can be applied to actual image noise filtering based on visual distance measuring in power scene.

關(guān)鍵詞： 高壓輸電；灰度距離；加權(quán)；預(yù)濾波；稀疏分布模板；中值濾波

Key words： high voltage transmission；gray-scale distance；weighted；pre-filtering；sparse distribution template；median filter

中圖分類號：TN713；TP751.1 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2018）06-0166-03

1 概述

現(xiàn)今，電力已成為人們生活必不可缺的資源，高壓輸電線路的維護(hù)、檢修關(guān)乎著國計民生。在電力巡檢中使用機(jī)器人去代替人力進(jìn)行巡檢不僅保證了工作效率，還使得巡檢變得更加安全可靠。然而電力巡檢系統(tǒng)在圖像采集、傳輸?shù)冗^程中因成像系統(tǒng)不完善等原因?qū)е鲁上裥ЧＪ艿酵饨绮煌潭鹊脑肼曃廴?。所以，圖像噪聲濾除是實現(xiàn)智巡檢車巡檢的前提。噪聲在圖像中表現(xiàn)為灰度最大值或最小值。然而，高壓電線在圖像中的成像邊緣等高頻信號也表現(xiàn)為圖像灰度值的最大、最小值。為濾除噪聲且保護(hù)圖像細(xì)節(jié)特征，Tukey首先提出了中值濾波方法[1]，其可有效的消除如脈沖、椒鹽等長拖尾概率分布的噪聲。文獻(xiàn)[2-4]提出將像素判斷為噪聲點和信號點的開關(guān)中值濾波算法，但該濾波算法在窗口中的噪聲點超過像素點總數(shù)一半時將會失效。文獻(xiàn)[5]提出了分塊的自適應(yīng)快速加權(quán)中值濾波，該方法雖然能保持圖像細(xì)節(jié)的同時又能消除噪聲，但是該方法在噪聲污染濃度較大時對噪聲的濾除效果不佳。文獻(xiàn)[6]提出了一種自適應(yīng)的序號加權(quán)的中值濾波器，其雖巧妙地將分組序號作為像素點的賦予的權(quán)重值，但是，其容易使得濾除較大噪聲時易出現(xiàn)塊狀白斑。

基于此，本文提出了一種基于灰度距離加權(quán)的自適應(yīng)中值濾波算法。首先使用5×5的濾波窗口預(yù)先中值濾波后，之后根據(jù)3×3的檢測窗口內(nèi)噪聲點個數(shù)以確定二次濾波稀疏模板窗口的大小，并根據(jù)模板內(nèi)像素與中心點像素的相關(guān)性確定像素點灰度值所應(yīng)賦予的權(quán)重值而濾除噪聲。

2 自適應(yīng)窗口加權(quán)中值濾波算法

2.1 圖像噪聲點的檢測endprint

其中，設(shè)定Nij為檢測窗口內(nèi)的噪聲標(biāo)記點矩陣元素。若Nij=0表示灰度值為的像素點為非噪聲點，Nij=1表示xij的點為疑似噪聲點。D[xij]為集合Dij中像素點的灰度值集合；R為疑似噪聲點的檢測門限，依據(jù)大量實驗得知R=5[7]時的檢測門限的噪聲點檢測效果較為理想。

設(shè)定gij為疑似噪聲點像素的集合。記集合Dij中除去灰度最值fmax、fmin的集合為Sij，求出集合Sij的灰度均值A(chǔ)（i，j），根據(jù)人眼視覺特性的噪聲敏感系數(shù)來確定噪聲點檢測閥值Tij，其定義為：

若疑似噪聲點（i，j）滿足上式，則記N（gij）=1，得到檢測窗口內(nèi)總的噪聲點總數(shù)Num（N（gij）），噪聲點的集合為（m，n）。

2.2 自適應(yīng)濾波窗口尺寸大小的確定

在檢測噪聲點之后，圖像濾波窗口的大小依據(jù)wD內(nèi)噪聲濃度自適應(yīng)確定。記k（w，p）為wD噪聲點個數(shù)和噪聲分布密度p的百分比函數(shù)，k（w，p）由Num（N（gij））與wD的比值確定。而當(dāng)k（w，p）較小時，應(yīng)選取較小的濾波窗口以保護(hù)圖像的細(xì)節(jié)；當(dāng)k（w，p）較大時，應(yīng)選擇較大的濾波窗口以增強圖像去噪能力。依據(jù)此原則再綜合多次試驗得到濾波窗口的尺寸W（i，j）如下：

2.3 噪聲點的濾波

經(jīng)確定濾波窗口大小之后，對于非噪聲點其灰度值按原值輸出；若為噪聲點，則使用加權(quán)的中值濾波將其濾除。加權(quán)的中值濾波方法為：根據(jù)濾波窗口的尺寸選擇特定的稀疏模板，以減少大尺寸濾波窗口對圖像細(xì)節(jié)的平滑程度且節(jié)省濾波時間。根據(jù)多次試驗，稀疏模板采用如圖1中標(biāo)黑的像素所組成集合，記稀疏模板的符號為W′（i，j）。圖1由左向右分別為W（i，j）為3×3、5×5、7×7所對應(yīng)的W′（i，j）。

2.3.1 基于距離確定稀疏模板內(nèi)像素灰度值與稀疏模板內(nèi)中心像素灰度值的相似性

設(shè)稀疏模板內(nèi)中心像素點（i，j）的灰度值為f（i，j）。稀疏模板內(nèi)的像素點由于與濾波窗口的中心點灰度值的距離不同而與其有著不同的相關(guān)性，而且這種相關(guān)性隨著離中心像素距離的增加而減弱。所以根據(jù)像素距離r值設(shè)計一個距離相關(guān)函數(shù)Q（r）來表征像素點與中心像素點f（i，j）的相似程度。考慮到最小距離集合MSD表征為像素點與未污染點的相關(guān)性。MSD值越小，則相關(guān)性越大[8]。所以可基于MSD定義構(gòu)造距離相關(guān)性函數(shù)Q（r），其定義為：

式中，h（s，k）表示稀疏模板內(nèi)像素點（s，k）的灰度值，f（i，j）表示中心像素的灰度值。r值表示灰度值距離。Q（r）表示相似性大小，其值越小，表明點（s，k）與中心點（i，j）的相似性越高。

3 計算機(jī)仿真結(jié)果及結(jié)果分析

為了驗證本文算法能夠濾除不同濃度噪聲的同時能夠保護(hù)圖像的細(xì)節(jié)信息，采用圖2a所示的512×512×8bit的標(biāo)準(zhǔn)測試圖像Lena作為原始測試圖像，在數(shù)值分析軟件上進(jìn)行了仿真實驗。圖2b為加入濃度為70%的脈沖噪聲。圖2c～圖2d分別為傳統(tǒng)中值濾波、自適應(yīng)中值濾波和本文的算法濾波后的Lena圖像。其中圖2c為使用傳統(tǒng)的5×5中值濾波算法，由圖可看出其殘留著大片的局部噪聲；圖2d為自適應(yīng)的中值濾波算法，其濾波效果較傳統(tǒng)中值濾波較好，但是也可很明顯的看出噪聲未濾除干凈，圖中局部亦殘留大片噪聲；圖2d為本文算法濾波后的Lena圖像，可看出本文算法雖然有些局部模糊，但是其可很干凈的濾除高濃度的脈沖噪聲，其相對于上述濾波算法得到了更好的濾波效果且較好的保持了圖像的細(xì)節(jié)。

為了客觀評價不同算法在圖像去噪聲、細(xì)節(jié)信息的保護(hù)等性能的優(yōu)劣。選擇峰值信噪比PSNR和歸一化均方誤差NMSE作為濾波性能的客觀評價標(biāo)準(zhǔn)。PSNR值越大，表明圖像去噪能力越強；NMSE值越小，表明處理圖像越接近原圖像。設(shè)f（i，j）為圖像去噪前圖像灰度值，g（i，j）為濾波后圖像灰度值；PSNR和NMSE的定義分別為：

式中，M和N分別為圖像的高度和寬度；MAX為f（i，j）的最大值，其值為255。分別在標(biāo)準(zhǔn)測試圖中加入5%、10%、20%、40%、60%、7%的噪聲濃度，以得到各算法在不同噪聲濃度下的PSNR和NMSE值，其結(jié)果如表1，圖3為各種算法PSNR值對比圖。

由表1和圖3可明顯看出，在不同濃度的噪聲污染下，本文算法所得到的PSNR值都要較其余三種算法所得到的PSNR值要大，且NMSE值相較于其余三種濾波算法所得到的值要小，這表明，本文算法在抑制噪聲、保護(hù)細(xì)節(jié)方面的能力和在客觀評價結(jié)果上有著較傳統(tǒng)的中值濾波算法有著更好的效果。同時由圖3可以很明顯的看出，本文算法在濾除逐步增大的噪聲時，PSNR值在平緩的減小，這直觀的表明了本算法濾波性能的良好穩(wěn)定性。

4 結(jié)束語

①本文在采用復(fù)合中值濾波的基礎(chǔ)上，結(jié)合了小尺寸濾波窗口具有良好的細(xì)節(jié)保護(hù)能力和大尺寸濾波窗口具有較強的去噪能力，自適應(yīng)的調(diào)整稀疏濾波模板窗口的大小。相比于傳統(tǒng)的中值濾波算法，本文算法不僅具有良好的去噪能力還能較好的保護(hù)圖像細(xì)節(jié)。②本文算法使用了稀疏匹配模板來減少濾波的時間，還根據(jù)稀疏模板內(nèi)與中心像素點的灰度距離來賦予各像素點不同權(quán)重值而濾除噪聲，利用較簡單的算法解決了圖像加權(quán)中值濾波難以確定權(quán)重值的問題，在易于實現(xiàn)的同時還取得了較好的濾波效果。但是，本文算法所耗時間較長，下一步可優(yōu)化濾波算法，以加快濾波速度，同時使用MK60微處理器來實現(xiàn)本文濾波算法，以實現(xiàn)在巡檢車中系統(tǒng)中實時地濾除圖像噪聲。

參考文獻(xiàn)：

[1]TUKEY J W.Nonlinear （Nonsuperposable） methods for smoothing data[C]// Proceedings of the IEEE Electronics and Aerospace Systems Conference.New York：IEEE.1974： 673-681.

[2]WANG ZHOU，ZHANG D.Progressive switching median filter for the removal of impulse noise from highly corrupted images[J].IEEE Transactions on Circuits and Systems，1999，46（1）：78-80.

[3]KENNYKVT， NORAMI. Noise adaptive fuzzy switching median filter for salt-and-pepper noise reduction[J]. IEEE Signal Processing Letters， 2010， 17（3）： 281-284.

[4]初俠，丁勇，劉櫟莉.去除椒鹽噪聲的自適應(yīng)開關(guān)加權(quán)均值濾波[J].計算機(jī)工程，2010，36（4）：210-212.

[5]旭明，徐濱士，董世運.用于圖像處理的自適應(yīng)中值濾波[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2005，17（2）：295-299.

[6]鄧秀勤，熊勇.用于圖像處理的加權(quán)中值濾波算法[J].計算機(jī)技術(shù)與發(fā)展，2009，19（3）：46-48.

[7]李曉龍，王江安，吳榮華.基于細(xì)節(jié)保留的椒鹽噪聲自適應(yīng)濾波算法[J].紅外技術(shù)，2010，32（3）：129-132.

[8]衛(wèi)保國.一種改進(jìn)的自適應(yīng)中值濾波方法[J].計算機(jī)應(yīng)用， 2008，28（7）：1732-1734.

[9]Shepard R N.Toward a universal law of generalization for psychological science[J].Science， 1987， 237（4820）： 1317-1323.endprint