礦井視頻監控圖像改進非局部均值濾波算法

郝愛語

(蘇州工業職業技術學院軟件與服務外包學院，江蘇 蘇州 215104)

礦井視頻監控圖像改進非局部均值濾波算法

郝愛語

(蘇州工業職業技術學院軟件與服務外包學院，江蘇 蘇州 215104)

礦井成像條件較為復雜，導致視頻監控系統所獲取的圖像往往具有對比度低、且參雜大量隨機噪聲的特點，給實時監控礦井生產狀況帶來了不便。為此，采用灰色關聯度法改進非局部均值濾波算法，提出了一種礦井視頻監控圖像改進非局部均值濾波算法。該算法首先對原始礦井視頻監控圖像采用均值濾波算法進行預處理，得到預濾波圖像，分別對原始礦井視頻監控圖像和預濾波圖像劃分為5×5大小的圖像塊，將該2幅圖像中對應位置圖像塊的像素點灰度值集合分別記為待比較序列和參考序列，計算其灰色關聯度值，將較小的灰色關聯度值對應的原始礦井視頻監控圖像中的圖像塊標記為疑似噪聲圖像塊；其次對每個疑似噪聲圖像塊分別統計其像素灰度極大、極小值，并將該類像素點標記為噪聲點；然后以每個噪聲點為中心取大小為3×3的圖像塊，進行非局部均值濾波；最后對濾波后的礦井視頻監控圖像采用直方圖均衡化方法進行對比度拉伸，改善圖像的視覺效果。試驗結果表明：本研究算法無需對圖像中每個像素點灰度值進行逐一濾波，提高了圖像處理效率，有助于實現礦井視頻監控圖像的高效處理。

礦井視頻監控系統 灰色關聯度 非局部均值濾波 均值濾波 圖像塊 直方圖均衡化

近年來，隨著礦山數字化建設進程加快，各類礦山視頻監控系統得到了廣泛應用，對于實時了解生產進度、及時發現并排除安全隱患具有重要作用[1-5]。實現對礦山各生產環節實時、有效監控的前提是獲取清晰度較高的圖像，然而礦井成像環境較為復雜，井下特別是開采工作面光線不足、照度低，粉塵較多，導致監控攝像頭鏡面容易不同程度地被粉塵覆蓋，因此有必要對該類圖像進行處理，盡可能恢復圖像所反映的礦井實際狀況信息。學者們對于該類圖像的處理研究，大體上有2種思路：①圖像去噪。李文峰等[6-7]通過對比分析小波硬、軟閾值去噪模型的性能，選用小波軟閾值模型進行井下圖像去噪，取得了較好的效果；針對煤礦監控圖像小波去噪過程中小波基函數的選擇問題，孫華東[8]對Daubechines族小波基函數的去噪效果進行了詳細分析；馮衛兵等[9]對脈沖耦合神經網絡進行適當改進，并應用于去除煤礦井下圖像中的噪聲，效果優于中值濾波、均值濾波等傳統方法。②圖像增強。劉曉陽等[10]對傳統脈沖耦合模型的鏈接強度、閾值進行了改進，并應用于增強礦工圖像，提高了圖像視覺效果；劉毅等[11]對井下光照不均勻情況下獲得的圖像采用同態濾波算法進行了對比度拉伸；王利娟等[12]將模糊熵理論與相似度測量方法相結合，有效提高了礦井圖像的清晰度。由此可見，現有的研究成果大都具有側重性，即側重于去噪或者增強，但事實上，礦井視頻監控圖像往往含有大量隨機噪聲、且圖像對比度不高，如果單獨對其進行去噪或者增強，會使得圖像處理效果大打折扣。

非局部均值濾波作為一種圖像整體濾波算法，通過在整個圖像區域內尋找與待濾波點相關性較強的像素點灰度值參與濾波，使得濾波結果與圖像中的結構信息較為符合，相對于傳統濾波算法而言，該算法能夠更為有效地保持圖像中結構信息的完整性[13]。但該算法對圖像中的每個像素點灰度值逐個進行濾波，計算量巨大，算法耗時較多，不適合于實時化處理批量的礦井視頻監控圖像。為此，采用了灰色關聯度方法[14-15]對其進行改進，通過預先檢測出圖像中受到噪聲污染的像素點并加以標記，從而提高濾波的針對性。對于去噪后的圖像，采用直方圖均衡化方法[16]進行增強，從而達到去除噪聲和提高圖像清晰度的目的。

1 算法原理及實現步驟

1.1 算法原理1.1.1 灰色關聯度法

灰色關聯度法是一種衡量參考序列與待比較序列間所含信息的相似程度、發展變化趨勢的方法[14-15]。將一幅圖像中的像素點灰度值作為比較序列，將與該圖像內容完全一致的另外一幅圖像(或圖像中的局部區域)中的像素點灰度值作為參考序列，若假定后一幅圖像清晰度較高且沒有任何噪聲，要衡量前一幅圖像的質量，則轉變為衡量分別由上述2幅圖像中像素點灰度值構成的待比較序列和參考序列的關聯程度。若關聯度較小，則說明圖像質量較差，反之則較高。基于這一思路，可將灰色關聯度分析法應用于對實地獲得的礦井視頻監控圖像的質量進行評估，記一幅礦井視頻監控圖像(較為模糊，且含有大量噪聲)大小為M×M(M為奇數)為待比較圖像，與之類內容完全一致且大小相同的礦井視頻監控圖像(清晰度較高，且無噪聲)記為參考圖像，由該2幅圖像中每個像素點灰度值可分別構成待比較序列和參考序列，兩者灰色關聯度值的計算公式為

(1)

式中，r(i,j)∈(0,1]；ξ(i,j)為待比較序列和參考序列的灰色關聯度系數；(i,j)為圖像中任意像素點的坐標值。

r(i,j)值越小則說明待比較圖像與參考圖像相似度越低，待比較圖像質量越差，但究竟r(i,j)小到何種程度才說明待比較圖像質量不佳，有必要設定必要的閾值t，若r(i,j)

1.1.2 非局部均值濾波算法

任意一幅礦井視頻監控圖像中任意一像素點A的非局部均值濾波結果為

(2)

式中，I表示圖像的坐標域；φ(A')為圖像中A'點的灰度值；W(A,A')為權重值，W(A,A')∈[0,1]，其作用在于衡量圖中像素點A'與待濾波點A的相似程度。該2點的相似程度分別由以各自為中心的圖像方形區域的灰度值矩陣NA'和NA的相似程度決定，于是，權重值W(A,A')可進行如下計算：

(3)

其中，D(A,A')為NA'和NA的灰度值向量的歐氏距離；h稱為調節因子，用于調節權重值W(A,A')相對于D(A,A')的衰減度；

非局部均值濾波算法從圖像整體的角度進行濾波，能夠有效去除圖像中的噪聲點，但是，圖像即便質量不高，也并非圖像中所有的像素點均被噪聲污染，如果逐個像素點進行濾波，則算法效率大大降低。為此，有必要預先對圖像進行噪聲的判別，對于被鑒別出的噪聲點進行非局部均值濾波，有助于提高算法的執行效率。

1.2 算法實現步驟

(1)采用模板尺寸為3×3的均值濾波算法對含有噪聲的礦井視頻監控圖像(大小為M×M)進行濾波，將濾波后的圖像作為參考圖像，將含有噪聲的礦井視頻監控圖像作為待比較圖像。

(2)分別將待比較圖像和參考圖像劃分成大小為5×5的圖像塊，從而得到待比較圖像塊L1,L2,L3,...,Lx(x=M/5)和參考圖像塊L'1,L'2,L'3,...,L'x(x=M/5)，(如M不能完全被5整除，余數為y，則剩余的圖像區域可劃分成大小為y×y的圖像塊)。

(3)計算圖像塊L1,L'1、L2,L'2、L3,L'3,...,Lx,L'x的r(i,j)值，得到序列{r(i,j)1,...,r(i,j)m,...,r(i,j)x}。

(4)對{r(i,j)}x中的每個r(i,j)值設定閾值0.3，若r(i,j)m(1≤m≤x)<0.3則認為第m個圖像塊是疑似噪聲圖像塊，并加以標記，重復執行該步驟將整幅圖像中的疑似噪聲圖像塊均標記出來。

(5)分別統計(4)中每個質量欠佳的圖像塊中像素點灰度極大值和極小值，并加以標記。

(6)以每個被標記的像素點為中心，分別取各自3×3大小的鄰域進行非局部均值濾波，對每個被標記的像素點逐個進行濾波。

(7)對濾波后的礦井視頻監控圖像采用直方圖均衡化方法進行增強，改善圖像的視覺效果。

2 算法試驗

對本研究算法采用C++語言進行編程實現，分別采用文獻[6]、文獻[9]、文獻[11]以及本研究算法(分別記為算法1、算法2、算法3、算法4)對一幅山西潞安王莊煤礦某綜采工作面視頻監控圖像進行試驗。為了進一步測驗文中各類算法對于模糊度較高的礦井視頻監控圖像的處理效果，對該試驗圖像加入了10%顆粒噪聲進行試驗(添加噪聲后的圖像記為模糊圖像)。相關試驗結果分別如圖1、圖2所示。

圖1 原始圖像去噪結果比較

由圖1、圖2可知：圖1(c)、圖2(c)清晰度優于圖1(b)、圖2(b)，表明文獻[9]所提出的改進的簡化脈沖耦合神經網絡(算法2)對于不同模糊程度的礦井視頻監控圖像去噪效果優于文獻[6]所提出的小波閾值去噪算法(算法1)；單純對礦井視頻監控圖像采用同態濾波算法(算法3)進行增強處理，盡管圖像對比度得到提高，但圖像中的噪聲也被不同程度地放大，圖像處理效果不理想；圖1(e)、圖2(e)中綜采設備、礦工輪廓較為清晰，甚至礦工頭燈也能夠清晰辨認，其視覺效果優于其余3類算法。這表明，本研究算法(算法4)相對于其余算法而言，具有一定的優勢。

為了定量描述文中各類算法的去噪性能，采用峰值信噪比(Peak noise to ratio,PSNR)(PSNR值越大，則對應算法的去噪效果越佳)[17]和均方根誤差(Root mean square error,RMSE)(RMSE值越小，則對應算法的去噪效果越佳)[18]等指標對上述各類算法的去噪效果進行評估，結果見表1。

圖2 模糊圖像去噪結果比較

Table 1 Objective evaluation results of algorithms

dB

由表1可知：本研究算法(算法4)的PSNR值明顯高于其余算法，RMSE值小于其余算法，這表明，對不同模糊程度礦井視頻圖像首先進行去噪然后進行對比度拉伸的處理思路優于單純性的去噪和增強，這與上述分析結果基本一致。

3 結 語

采用灰色關聯度方法改進非局部均值濾波算法，提出了一種礦井視頻監控圖像改進非局部均值濾波算法，該算法通過將圖像濾波與圖像增強的處理思路相結合，對去噪后的圖像采用直方圖均衡化方法改善視覺效果，試驗結果表明，該算法有助于實現對礦井視頻監控圖像的高效處理。

[1] 吳立新，殷作如，鄧志毅，等.論21世紀的礦山——數字礦山[J].煤炭學報，2000，25(4)：337-342. Wu Lixin,Yin Zuoru,Deng Zhiyi,et al.Research on the mine in the 21st century:digital mine[J].Journal of China Coal Society,2000,25(4):337-342.

[2] 吳立新，殷作如，鐘亞平.再論數字礦山：特征、框架與關鍵技術[J].煤炭學報，2003，28(1)：1-7. Wu Lixin,Yin Zuoru,Zhong Yaping.Restudy on digital mine:characteristics,framework and key technologies[J].Journal of China Coal Society,2003,28(1):1-7.

[3] 吳立新，汪云甲，丁恩杰，等.三論數字礦山——接力物聯網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 for IoT[J].Journal of China Coal Society,2012,37(3):357-365.

[4] 孫繼平，田子健.礦井圖像視頻監視系統與關鍵技術[J].煤炭科學技術，2014，42(1)：65-68. Sun Jiping,Tian Zijian.Image monitoring system and key technology in underground mine[J].Coal Science and Technology,2014,42(1):65-68.

[5] 馬 兄，連民杰，盧才武，等.數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.

[6] 李文峰，趙 健，李志忠.井下視頻圖像的小波消噪加強方法[J].西北大學學報：自然科學版，2006，36(6)：882-886. Li Wenfeng,Zhao Jian,Li Zhizhong.Research on noise reduction and image intensification of mine-underground video picture based on wavelet transform[J].Journal of Northwest University:Natural Science Edition,2006,36(6):882-886.

[7] 李文峰，姜敏霞，徐克強，等.井下圖像增強的一種方法[J].現代礦業，2012(1)：42-44. Li Wenfeng,Jiang Minxia,Xu Keqiang,et al.A method to enhance the underground image[J].Modern Mining,2012(1):42-44.

[8] 孫華東.煤礦監測圖像去噪算法中小波基的選取[J].煤礦機械，2014，35(11)：271-272. Sun Huadong.Wavelet core selection to mine monitoring image denoising algorithm[J].Coal Mine Machinery,2014,35(11):271-272.

[9] 馮衛兵，胡俊梅，曹根牛.基于改進的簡化脈沖耦合神經網絡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.Underground image denoising method based on improved simplified pulse neural network[J].Industry and Automation,2014,40(5):54-58.

[10] 劉曉陽，劉 毅.改進的脈沖耦合神經網絡礦工圖像增強方法[J].煤炭學報，2011(S)：207-210. Liu Xiaoyang,Liu Yi.Method of Miners image enhancement based on improved pulse coupled neural network[J].Journal of China Coal Society,2011(S):207-210.

[11] 劉 毅，賈旭芬，田子建.一種基于同態濾波原理的井下光照不均勻圖像處理方法[J].工礦自動化，2013，39(1)：9-12. Liu Yi,Jia Xufen,Tian Zijian.A processing method for underground image of uneven illumination based on homomorphic filtering therory[J].Industry and Automation,2013,39(1):9-12.

[12] 王利娟.基于相似度測量和模糊熵的礦井圖像增強方法[J].計算機工程與設計，2012，33(7)：2696-2700. Wang Lijuan.Image enhancement algorithm of underground mine image based on homogeneity measurement[J].Computer Engineering and Design,2012,33(7):2696-2700.

[13] 張 宇，王向陽.頻域小波矩的非局部均值圖像去噪[J].小型微型計算機系統，2012(9)：2079-2082. Zhang Yu,Wang Xiangyang.Non-local means algorithm for image denoising based on wavelet moment in domain[J].Journal of Chinese Computer System,2012(9):2079-2082.

[14] 吳安兵，郭 科，柳炳利.基于灰色-模糊理論的礦產資源地質勘查評價——以藏中地區為例[J].金屬礦山，2015(3)：133-137. Wu Anbing,Guo Ke,Liu Bingli.Evaluation of geological exploration of mineral resources based on grey-fuzzy theory:a case study in central Tibet[J].Metal Mine,2015(3):133-137.

[15] 趙蒙生，周 敏，代永新，等.基于灰色關聯分析法的采礦方法優選[J].金屬礦山，2012(10)：130-133. Zhao Mengsheng,Zhou Min,Dai Yongxin,et al.Prediction and analysis of slope stability by grey correlation[J].Metal Mine,2012(10):130-133.

[16] 王小兵，姚雪晴，邱銀國，等.一種新型煤礦視頻監控圖像濾波算法[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 Automation,2014,40(11):76-80.

[17] 南 棟，畢篤彥，馬時平，等.一種基于參數估計的自適應雙邊濾波算法[J].中南大學學報：自然科學版，2014，45(11)：3840-3845. Nan Dong,Bi Duyan,Ma Shiping,et al.An adaptive bilateral filtering method based on parameter estimation[J].Journal of Central South University:Science and Technology Edition,2014,45(11):3840-3845.

[18] 王智文，李紹滋.基于多元統計模型的分形小波自適應圖像去噪[J].計算機學報，2014，37(6)：1380-1389. Wang Zhiwen,Li Shaozi.Adaptive fractal-wavelet image denoising based on multivariate statistical model[J].Chinese Journal of Computers,2014,37(6):1380-1389.

(責任編輯 王小兵)

Improved Non-local Means Filtering Algorithm of Mine Video Monitoring Image

Hao Aiyu

(SchoolofSoftwareandServiceOutsourcing，SuzhouInstituteofIndustrialTechnology，Suzhou215104，China)

The mine imaging condition is relatively complex，which results that the images obtained by the video monitoring system has the characteristics of low contrast and mixed with large number of random noise，which brought inconvenience to monitoring the mine production conditions in real-time.So，the grey correlation method is adopted to improve the non-local means filtering algorithm，and an improved non-local means filtering algorithm of mine video monitoring image is proposed.Firstly，the original mine video monitoring image is processed by the average filtering algorithm to obtain the filtering image，and the original mine video monitoring image and filtering image are divided into images blocks with the size of 5×5,the grey value collections of the pixies in the image bocks with the corresponding position in the above two images are regarded as the compare sequence and reference sequence respectively to calculate the grey correlation value of the compare sequence and reference sequence，and the image blocks with smaller grey correlation values in the original mine video monitoring image can be marked with suspected noise image blocks；secondly，the maximum and minimum grey values of the pixels in the suspected noise image blocks are marked as noise pixels；then，the image blocks with the size of 3×3 centered with the noise pixels are processed with the non-local means filtering algorithm；finally,the contrast of mine video monitoring image after filtering can be stretched by using the histogram equalization method to improve the image visual effects.The experimental results show that the algorithm proposed in this paper dose not need to filter the noise pixels one by one，therefore，the filtering efficiency of image processing is improved.It contributes to realize the goal of processing the mine video monitoring image with high efficiency.

Mine video monitoring system，Grey correlation，Non-local means filtering，Average filtering，Image block，Histogram equalization

2015-06-02

蘇州工業職業技術學院基金項目(編號：SGKB201411)。

郝愛語(1980—)，女，講師，碩士。

TD672，TP391.41

A

1001-1250(2015)-10-135-05