李龍海 郭華鋒 于 萍 劉 磊 陸興華

(徐州工程學院機電工程學院,江蘇 徐州 221018)

礦山遠程視頻監(jiān)控技術通過通信系統(tǒng)將工作面信息傳輸到順槽或地面,實現了對礦井生產的實時監(jiān)控,對于實現綜采工作面智能化、無人化開采起到了重要作用[1-2]。但是,由于開采工作面處于不斷推移和復雜多變的工作環(huán)境中,視頻監(jiān)控設備在井下的工況十分復雜,煤塵、水霧、光線不足、電壓不穩(wěn)定等因素易導致視頻監(jiān)控畫面存在大量噪聲,影響了對圖像的實時、準確判讀。近年來,學者們引入了不少技術方法來改善該類圖像質量。呂振雷等[3]通過離散小波變換和改進的中值濾波算法來實現圖像去噪,結果表明降噪效果良好;趙艷芹等[4]提出了一種空間域中值濾波算法,再通過自適應直方圖均衡方法進行圖像增強處理,有效地提升了井下圖像質量;黃晶晶[5]提出了一種投票中值濾波算法,有效提高了濾波效率,改善了圖像質量;孫繼平等[6]提出一種視頻壓縮感知方法,通過對監(jiān)控視頻進行降噪、濾波、識別等處理可以有效實現采煤機狀態(tài)的實時跟蹤;劉英[7]提出了一種基于Shearlet 變換的視頻監(jiān)控圖像去噪算法,有效提高了圖像質量;張凡等[8]提出了一種基于改進 Prewitt 算子的小波閾值去噪算法,該算法去噪效果優(yōu)于傳統(tǒng)算法,但是運行時間上沒有明顯的優(yōu)勢;何晨陽等[9]利用中值濾波算法首先對井下圖像進行降噪,然后通過BP 神經網絡識別礦井火災隱患,正確率達到了95%。

通過已有成果分析可知,現有算法難以有效兼顧去噪效果與實時性這兩個因素。為此,本研究在經典非局部均值濾波算法的基礎上,提出了一種基于積分圖像的快速非局部均值濾波算法,試驗表明,該算法不僅降噪效果理想,而且算法運行耗時較少。

1 算法原理

1.1 非局部均值濾波算法(Non-Local Means(NLM))

圖像去噪最經典的兩種算法為中值濾波算法和均值濾波算法。前者是將固定區(qū)域內的圖像像素點灰度值進行排序,取中間值代替噪聲點的灰度值;后者則是將固定鄰域內像素點的灰度值取平均實現降噪。這兩種算法均是利用像素點灰度值的相似性進行降噪,但是降噪效果均不理想,無法有效保留圖像細節(jié),甚至會丟失信息[10]。非局部均值濾波算法(NLM)優(yōu)勢在于可以在整個圖像像素空間內對相似像素進行加權平均,而非局限于某個鄰域,不僅可以有效降噪,而且可以保留細節(jié),銳化邊緣[11-14]。王志明等[15]研究表明,NLM 算法優(yōu)于目前多數降噪算法,僅有CHO 等[16]提出的基于復小波變換(CWT)算法在特定情況下其降噪效果優(yōu)于NLM 算法。但是NLM 算法空間尺寸設置不具有普遍性,缺乏統(tǒng)一的設置標準,依賴于人工經驗。

式中,A為圖像二維搜索空間;a,b為在搜索空間A內的任意像素點;ν(b)為噪聲圖像灰度值;w(a,b)為像素a與像素b之間的相似度(高斯加權歐式距離)權值,滿足0≤w(a,b)≤1 且∑bw(a,b) =1;C(a)為歸一化常數。

w(a,b)與C(a)可分別進行如下計算:

1.2 基于積分圖的快速非局部均值濾波算法

NLM 算法每次運算均需遍歷整個相似域,再逐個計算像素點之間的歐氏距離,因而運行時間長、效率低。本研究在經典NLM 算法基礎上提出一種基于積分圖像的快速NLM 算法,積分圖原理如圖1所示。

圖1 積分圖原理Fig.1 Principle of integral diagram

圖像本質上是由一系列的離散像素點組成,因此對于圖像的積分實質上就是對像素點灰度值求和。因此,圖像中任意一點(a,b)的積分值等于灰度圖的左上角與當前點所圍成的矩形區(qū)域內所有像素點灰度值之和。

圖1(a)中ii(a,b)表示坐標點i(a,b)位于左上角矩形區(qū)域的所有像素點灰度值之和,可表示為

式中,i(x,y)為陰影矩形區(qū)域中任意一個像素點所對應的灰度值。

同理,如圖1(b)所示,i(x,y)表示4個坐標點所圍成矩形區(qū)域中任一像素點所對應的灰度值。因此,基于以上原理可以計算出任意大小矩形區(qū)域的積分值ii,公式為

由式(5)可知:該算法僅需使用4 次計算便可獲得積分值,從而大大減少計算量,節(jié)省運算時間。

1.3 評價指標

本研究結合主觀評價法和客觀評價法對監(jiān)控圖像質量進行評價。前者依據個人經驗,通過肉眼直觀感受圖像畫面質量并對其做出評價。很顯然,這種評價方法主觀性較強,不同的人對于圖像的感受也是不同的,因此評價結果準確性不高。基于此,本研究結合客觀評價法,采用程序運行時間、峰值信噪比(PSNR)、結構相似性(SSIM)和相關系數(CORR)這4個指標作為圖像質量評估指標。峰值信噪比PSNR表達式為[20]

式中,f′(a,b)和f(a,b)分別表示待評價圖像和原始圖像;M和N分別為圖像尺寸(長與寬);MSE為方差。

結構相似性指標(SSIM)是一種全參考圖像質量評價指標,用于衡量兩幅圖像之間的相似度,并且從亮度、對比度和結構3個方面來衡量圖像的相似性[21-22],公式為

式中,μa為圖像a的均值;μb為圖像b的均值;為圖像x的方差;為圖像y的方差;σab為圖像a、b的協(xié)方差;c1、c2和c3為常數。

相似性指標SSIM表征降噪后圖像與原始圖像間的結構信息相似程度,取值為0～1,其值越大表示保留的細節(jié)信息越多,失真越少。相關系數CORR反映了兩幅圖像(即原始圖像和降噪后圖像)之間的相關性,相關系數越大,表示兩幅圖像的相似程度越高,對于圖像相似度的相關系數分析,從一定程度上也反映出圖像的細節(jié)信息。

2 算法試驗驗證

采用Matlab 語言分別編寫算法程序,對均值濾波算法、中值濾波算法、經典NLM 算法以及本研究所提算法(積分圖像NLM 算法)性能進行對比分析。為對于對比分析,對采集的2 幅礦井視頻監(jiān)控圖像分別添加了均值為0、方差為1 的噪聲,試驗結果如圖2、圖3所示,相關去噪質量評價指標取值見表1。

圖2 圖片1 試驗結果Fig.2 Test results of image 1

圖3 圖片2 試驗結果Fig.3 Test results of image 2

表1 不同算法對應的評價指標值Table 1 Evaluation index values of different algorithms

由圖2、圖3 及表1 可知:中值濾波算法和均值濾波算法降噪效果均不理想,圖像存在較多的噪聲,甚至出現過度降噪,細節(jié)丟失較為嚴重,導致圖像比較模糊;經典NLM 算法和所提算法的降噪效果較好,并且兩者濾波效果較接近。

經典NLM 算法及本研究算法的詳細評價指標對比如圖4所示。

圖4 不同濾波參數下的經典NLM 算法與所提算法指標對比Fig.4 Comparison between the classical NLM algorithm and the proposed algorithm with different filtering parameters

結合表1、圖4 分析可知:圖像濾波效果總體上隨著濾波參數的增大先提升后降低,并且在h=22 時指標值達到最大,此時降噪效果最佳;經典NLM 算法與積分圖像NLM 算法的PSNR、CORR、SSIM指標值比較接近,但后者運算效率優(yōu)勢明顯,前者運算耗時約為后者的40 倍。由此可見,本研究提出的積分圖像NLM 算法在保持較好去噪效果的同時,能在很大程度上提升圖像處理效率。

3 結 語

針對礦井遠程監(jiān)控圖像效果不佳的問題,在經典

非局部均值濾波算法的基礎上,提出了一種基于積分圖像的非局部均值濾波算法。與中值濾波、均值濾波以及經典NLM 算法對比試驗表明,該算法不僅降噪效果較好,而且在運行時間上具有明顯優(yōu)勢,有助于實現對礦井視頻監(jiān)控圖像的實時性處理,對于推動綜采工作面的無人化、少人化、智能化發(fā)展具有重要意義。