林 洪,文 雷,牛健飛,穆明亮,李金林,李昊敏

(國(guó)網(wǎng)山東省電力公司 濱州供電公司,山東 濱州 256600)

無(wú)人值守變電站監(jiān)測(cè)由于受成像設(shè)備和拍攝環(huán)境等因素影響,直接獲得監(jiān)測(cè)高分辨率圖像存在一定難度[1-3]。而將低分辨率圖像轉(zhuǎn)換為高分辨率圖像是最直接,也是最簡(jiǎn)便的獲取監(jiān)測(cè)高分辨率圖像的方法。提出利用多感受野拉普拉斯生成對(duì)抗網(wǎng)絡(luò)完成圖像超分辨率重建[4]。將注意力機(jī)制與層次特征相融合,研究了一種適用于輕量化圖像的超分辨率重建算法[5]。以深度學(xué)習(xí)的生成對(duì)抗網(wǎng)絡(luò)為基礎(chǔ),通過(guò)將傳統(tǒng)殘差網(wǎng)絡(luò)改為密集殘差塊,結(jié)合判別器網(wǎng)絡(luò),實(shí)現(xiàn)圖像重建[6]。結(jié)合上述算法的優(yōu)缺點(diǎn),為了提高監(jiān)測(cè)圖像質(zhì)量,以深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)為基礎(chǔ),提出了一種全新的無(wú)人值守變電站監(jiān)測(cè)圖像超分辨率智能重建方法。

1 DCNN的無(wú)人值守變電站監(jiān)測(cè)圖像重建

1.1 無(wú)人值守變電站監(jiān)測(cè)圖像圖像預(yù)處理

通過(guò)降質(zhì)退化模型[7]分析無(wú)人值守變電站監(jiān)測(cè)圖像分辨率的影響因素,并預(yù)處理圖像。利用式(1)表示無(wú)人值守變電站監(jiān)測(cè)圖像降質(zhì)退化模型:

L=DBFH+N

(1)

式中:L、H分別表示無(wú)人值守變電站監(jiān)測(cè)的低分辨率圖像和高分辨率圖像;D表示降采樣矩陣[8];N表示加性噪聲;B、F分別表示模糊作用矩陣和運(yùn)動(dòng)變換矩陣。將硬閾值與軟閾值結(jié)合,去噪處理無(wú)人值守變電站監(jiān)測(cè)圖像加性噪聲。給定一個(gè)閾值χ,處理噪聲,在處理后,通過(guò)反變換重構(gòu)圖像。

硬閾值函數(shù)表達(dá)式為:

R(L)=?I(|L|?χ)

(2)

式中:?為Contourlet系數(shù);I(·)為邏輯判斷函數(shù)。

軟閾值函數(shù)表達(dá)式為:

R'(L)=(?-sgn(d)χ)I(|L|?χ)

(3)

將上述閾值結(jié)合,得到預(yù)處理后的無(wú)人值守變電站監(jiān)測(cè)圖像,公式為:

A=R(L)+R'(L)

(4)

式中:R為經(jīng)過(guò)去噪處理后的Contourlet系數(shù)。經(jīng)過(guò)上述閾值去噪后的圖像,完成了無(wú)人值守變電站監(jiān)測(cè)圖像預(yù)處理。

1.2 基于DCNN模型的特征提取

DCNN作為深度學(xué)習(xí)算法中最基礎(chǔ)的一種模型[9],作用與特征提取器類(lèi)似,具體如圖1所示。

圖1 DCNN基本結(jié)構(gòu)圖

在DCNN模型中,卷積層主要作用是輸出特征圖,該模型在不斷地訓(xùn)練過(guò)程中學(xué)習(xí)得到合適的權(quán)值[10]。池化功能是下采樣。在卷積層和池化層后面是全連接層。全連接層的最后一層為輸出層。特征提取可以得到與原始圖像對(duì)應(yīng)的特征圖。用DCNN模型訓(xùn)練獲得低分辨率圖像,并且獲得卷積核及特征圖,在此引入激活函數(shù)[11],經(jīng)過(guò)計(jì)算后得到無(wú)人值守變電站監(jiān)測(cè)特征圖,公式為:

(5)

引入了殘差網(wǎng)絡(luò)結(jié)構(gòu),使不同層次之間的卷積層建立聯(lián)系,通過(guò)這種聯(lián)系對(duì)特征圖的殘差實(shí)現(xiàn)擬合,并且將密集塊結(jié)構(gòu)添加到殘差網(wǎng)絡(luò)的中間層,使得所有層次都具有連接性。

1.3 無(wú)人值守變電站監(jiān)測(cè)圖像聯(lián)合重建

經(jīng)過(guò)特征提取后,將無(wú)人值守變電站監(jiān)測(cè)的高分辨率圖像與低分辨率圖像組成圖像對(duì)[12-14],對(duì)應(yīng)的邊緣圖像也組成圖像對(duì),2組圖像對(duì)(即4個(gè)特征圖)間有著相同的稀疏表示,即受同一個(gè)稀疏表示所約束。將聯(lián)合稀疏表示這一過(guò)程用多元線(xiàn)性回歸問(wèn)題描述,公式為:

(6)

式中:α為稀疏表示系數(shù);ε為一個(gè)極小的常數(shù);B為DCNN模型的深度[15];G為深度圖像;F2(·)表示DCNN第2層向量映射操作。深度圖像為:

(7)

式中:E1、Eh分別表示無(wú)人值守變電站監(jiān)測(cè)的低、高分辨率圖像集;λ1、λ2、λ3、λ4表示權(quán)重的超參數(shù)。

將式(6)約束問(wèn)題利用拉格朗日法轉(zhuǎn)換為無(wú)約束問(wèn)題,公式為:

(8)

利用梯度算子結(jié)合聯(lián)合稀疏表示從無(wú)人值守變電站監(jiān)測(cè)低分辨率圖像中提取邊緣信息,組成邊緣圖像對(duì),這里需要用到目標(biāo)函數(shù)[16]:

(9)

(10)

綜上所述,完成基于DCNN[18-19]的無(wú)人值守變電站監(jiān)測(cè)圖像超分辨率智能重建方法設(shè)計(jì)。

2 實(shí)驗(yàn)測(cè)試

2.1 實(shí)驗(yàn)準(zhǔn)備

為了驗(yàn)證所提方法是否可以取得理想的無(wú)人值守變電站監(jiān)測(cè)圖像重建效果,開(kāi)展實(shí)驗(yàn)測(cè)試。操作系統(tǒng)為Ubuntu14.04,圖像來(lái)源為某無(wú)人值守變電站監(jiān)測(cè)圖像。隨機(jī)選取一幅圖像為重建效果對(duì)比對(duì)象。

2.2 圖像超分辨率智能重建方法參數(shù)設(shè)置

為了保障實(shí)驗(yàn)的準(zhǔn)確性,設(shè)置無(wú)人值守變電站監(jiān)測(cè)圖像超分辨率智能重建方法參數(shù),如表1所示。

表1 圖像超分辨率智能重建方法參數(shù)

按照上述表1中的數(shù)值,設(shè)置基于DCNN的無(wú)人值守變電站監(jiān)測(cè)圖像超分辨率智能重建方法參數(shù)數(shù)值。

2.3 性能分析

為了分析所提方法的性能,采用直觀地觀察重建后的圖像、峰值信噪比(PSNR)和結(jié)構(gòu)相似性(SSIM)3個(gè)性能評(píng)價(jià)指標(biāo)客觀評(píng)價(jià)重建無(wú)人值守變電站監(jiān)測(cè)圖像質(zhì)量。利用降質(zhì)退化模型得到一幅對(duì)應(yīng)的無(wú)人值守變電站監(jiān)測(cè)低分辨率圖像,將其作為輸入,分別利用所提方法、多感受野拉普拉斯生成對(duì)抗網(wǎng)絡(luò)(文獻(xiàn)1)與注意力機(jī)制(文獻(xiàn)2)重建圖像,結(jié)果如圖2所示。

(a)注意力機(jī)制

由圖2可以看出,經(jīng)過(guò)所提方法重建后的無(wú)人值守變電站監(jiān)測(cè)圖像,其質(zhì)量和結(jié)構(gòu)與原始圖像都非常接近,細(xì)節(jié)表現(xiàn)的非常豐富,同時(shí)邊緣信息保留完整。反觀其他2種方法,重建后的圖像均出現(xiàn)了邊緣模糊和的情況,細(xì)節(jié)保留的并不完整,局部區(qū)域較為模糊圖像整體質(zhì)量不高。

為了進(jìn)一步分析所提方法的性能,分析3種重建算法重建圖像的峰值信噪比和結(jié)構(gòu)相似性,評(píng)價(jià)結(jié)果如圖3所示。

(a)3種算法PSNR值對(duì)比

由圖3可知,所提方法的PSNR值和SSIM值曲線(xiàn)整體均高于對(duì)比方法,并且PSNR值達(dá)到了47.5 dB,SSIM值達(dá)到了0.97,對(duì)比多感受野拉普拉斯生成對(duì)抗網(wǎng)絡(luò)和注意力機(jī)制的PSNR值45.7、45.1 dB和SSIM值0.78、0.64,所提方法的PSNR值和SSIM值提高了1.5 dB和0.20以上,說(shuō)明所提方法重建的無(wú)人值守變電站監(jiān)測(cè)圖像具較高的質(zhì)量。

3 結(jié)語(yǔ)

為了有效改善無(wú)人值守變電站監(jiān)測(cè)低分辨率圖像峰值信噪比和結(jié)構(gòu)相似性低問(wèn)題,提出基于DCNN的無(wú)人值守變電站監(jiān)測(cè)圖像超分辨率智能重建方法。分析導(dǎo)致無(wú)人值守變電站監(jiān)測(cè)圖像分辨率降低的影響因素,引入DCNN模型,輸入低分辨率圖像,獲取特征圖和局部特征,使高、低分辨率圖像以圖像對(duì)的形式組合,同時(shí)生成圖像對(duì)的邊緣圖像對(duì),聯(lián)合圖像后,實(shí)現(xiàn)無(wú)人值守變電站監(jiān)測(cè)圖像超分辨率智能重建。

實(shí)驗(yàn)結(jié)果表明,該方法的細(xì)節(jié)保留最完整,邊緣處理理想。同時(shí),在PSNR和SSIM 兩個(gè)方面,均取得較好的表現(xiàn),其中PSNR值達(dá)到了47.5 dB,SSIM值達(dá)到了0.97,比文獻(xiàn)方法提高了1.5 dB和0.20以上,進(jìn)一步驗(yàn)證了所提方法在無(wú)人值守變電站監(jiān)測(cè)圖像超分辨率重建方面的有效性。