深立井井壁圖像的卷積神經網絡去噪方法

2019-06-13 02:19:20賈曉芬郭永存柴華榮趙佰亭黃友銳

西安交通大學學報 2019年6期

賈曉芬,郭永存,柴華榮,趙佰亭,黃友銳

(安徽理工大學省部共建深部煤礦采動響應與災害防控國家重點實驗室,232001,安徽淮南)

我國約有2.95萬億噸煤炭資源深埋在1 km以下,占煤炭資源總量的53%[1]。隨著社會經濟的不斷發展,在21世紀的煤炭開采中,我國將有大批礦井轉入深部開采[2]。深井的高溫高濕環境加上鹽堿水的侵蝕,井筒井壁砼會被慢慢地腐蝕。井壁承受的井筒周圍巖漿、泥漿膨脹引起的環壓會引起井壁上出現炸裂、鼓包等破損。必須及時檢測、修復破損才能有效保證井筒安全,防止井壁破裂的發生。

圖像是人類獲取、表達和傳遞信息的重要手段,人類獲取的外界信息中,約75%來自視覺[3]。美國哈佛商學院的最新研究數據表明,人的大腦接受的外部信息中約83%來自視覺。圖像含有豐富的信息,已經成為人類獲取知識和數據的重要來源,井壁圖像能很好地傳遞井壁上出現的缺陷信息。圖像在采集、形成與傳輸的過程中,會引入噪聲導致圖像質量的下降[4]。復雜的深井環境必然導致獲取的井壁圖像中含有噪聲,要想利用井壁圖像實現缺陷的分類、預測,必須先去噪。本文結合井壁圖像特點提出一種卷積神經網絡(CNN)去噪模型(ELU-CNN)。

1 井壁圖像去噪

立井多為鋼筋混凝土井壁,井壁圖像背景簡單,主要包括法蘭盤和砼,井壁檢測的主要目的是檢測砼上出現的裂縫,它是導致井壁破裂的主要因素。井壁裂縫一般有橫向、縱向、塊狀和網狀裂縫,表現為連續的線條型,由線段組成,具有一定的方向性。井壁裂縫顏色相對于背景的顏色較深,呈暗色特征,對應的圖像像素值較小。深井環境復雜,井壁上的灰塵、腐蝕、高溫高濕引起的水霧等因素都會降低圖像質量且增加去噪的難度。

利用圖像處理檢測井壁缺陷的研究較少,沒有專門針對井壁圖像去噪的方法,但是圖像去噪的思路相通、目的一致,只是不同應用領域的圖像具備不同特征。好的去噪方法應該具有通用性,可以處理不同背景、不同類型的含噪圖像。現有文獻中的去噪方法多利用標準圖像測試去噪效果,實際圖像中含有的噪聲并不單一,難以評估噪聲水平和類型,其去噪的難度遠高于去除標準圖像上加入的已知噪聲。因此,結合實際應用設計出具有普適性的去噪方法才是研究的根本。

高斯噪聲和椒鹽噪聲是兩種最常見的圖像噪聲,前者服從高斯分布,嚴重影響圖像質量,受到學者們關注。經典且被廣泛認可的去除高斯噪聲的方法,例如BM3D[5]、WNNM[6]、CSF[7]和TRND[8]等方法均取得了很好的去噪效果,但需要手動修改參數。為了解決上述問題,研究者開始利用CNN方法進行圖像去噪。例如,Zhang等提出了DnCNN去噪模型,將深層次的網絡體系結構、殘差學習算法和批量歸一化應用到圖像去噪中[9],在此基礎上Zhang又提出FFDNet模型實現盲高斯去噪[10];Isogawa等將軟收縮與deep-CNN結合,提出了SCNN高斯去噪模型[11]。

CNN去噪方法[9-11]能夠有效地利用圖像的全局特征,使去噪效果得到明顯提高,但隨著網絡深度的加深,CNN方法提取的特征越來越高級,會逐層丟失大量的低級特征。CNN的層越低提取的低級特征越原始,例如顏色和邊緣線條等;高層提取的則是紋理細節等高級特征。為了更好地提取井壁圖像中組成裂縫的線條及呈現裂縫開裂程度的紋理特征,本文利用跳躍連接將低級特征傳遞到高層與高級特征合并,提出了ELU-CNN井壁圖像去噪模型。

2 ELU-CNN去噪模型

2.1 模型結構

圖1 ELU-CNN去噪模型

2.2 特征提取模塊

井壁圖像中的噪聲無法準確衡量,應用ELU-CNN模型實現去噪的關鍵是充分提取井壁圖像中的各種特征信息并傳遞到模型的輸出端。受稠密連接[12]的啟發,設計了特征提取模塊,它能充分利用網絡的不同卷積層提取的不同特征信息。FEM模塊中包含5個卷積層和4個激活層,激活層的激活函數為ELU。每個FEM的輸出由其第1、3、5共3個卷積層的輸出及ELU-CNN模型的第1個卷積層的輸出串聯融合而成。

圖2 ReLU與ELU函數

常用的激活函數有sigmoid[13]、tanh[14]和ReLU[15]等,其中ReLU函數的應用最廣泛。ELU[16]是改進型的ReLU函數,如圖2所示,超參數α取0.5,ELU融合了sigmoid和ReLU函數的特性,右側線性部分能夠緩解梯度消失,左側軟飽和性能使其對輸入噪聲更具魯棒性。ELU的輸出均值接近于零,收斂速度會更快。

2.3 數學模型

(1)

圖1所示ELU-CNN的數學模型如下,其中第1個卷積層的輸出為

(2)

(3)

式中:ELU()是激活函數,超參數α>0;xj和ωj分別表示式(2)中計算L1時局部感受野(3×3濾波窗口)內的圖像像素值和對應的權重系數。第2個特征提取模塊的輸入為

F2I=ELU(F1O)

(4)

(5)

(6)

(7)

F2O=concat[L7,L9,L11,L1]

(8)

式中:concat[]表示串聯融合。第3個特征提取模塊的輸入為

F3I=ELU(F2O)

(9)

(10)

(11)

ELU-CNN模型獲得式(11)的噪聲信息Γ后,

3 仿真實驗

3.1 數據集和模型訓練

為了驗證模型的去噪效果,訓練ELU-CNN和ELU-CNNB兩個模型,分別實現在標準圖像上去除已知濃度的高斯噪聲和對實際圖像的盲去噪。選用400幅180×180像素的灰度圖像構造訓練集。通過對400幅圖像進行隨機翻轉、任意角度旋轉后按照步長10裁剪成40×40像素的圖像,形成ELU-CNN模型的訓練集。以相同的方法將旋轉后的圖像裁剪成50×50像素的圖像塊,形成ELU-CNNB模型的訓練集。實驗環境是Keras,在CPU Intel(R) Core(TM)i5-8300H CPU2.30 GHz的PC上進行,利用Nvidia 1050 Ti GPU加速。

標準圖像測試選用的測試集為Berkeley的68幅圖像的BSD68圖像集[9-10]及如圖3所示被廣泛使用的12幅圖像的set12圖像集,其中圖3a～圖3g分辨率均為256×256像素,圖3h～圖3l分辨率均為512×512像素。在實際圖像上測試時選用深立井的井壁圖像。

圖3 set12圖像集中的12幅圖像

3.2 標準圖像的高斯去噪比較及分析

訓練ELU-CNN模型時的參數設置為:每64個樣本更新一次模型參數,迭代次數e=50,超參數α=0.1,Adam作為優化器,初始學習效率是0.01,每10個e后學習效率降低一半,每個e訓練2 000步。在標準圖像中加入濃度σ=(15,25,35,50,75)的高斯噪聲后,利用ELU-CNN模型與BM3D[5]、WNNM[6]、CSF[7]、TRND[8]、DnCNN-S[9]、FFDNet[10]和SCNN[11]7種被高度認可的方法比較去噪效果。

表1給出了在BSD68上的測試結果,粗體表示最高的峰值信噪比(設為rPSNR)。顯然,4種CNN去噪方法的rPSNR遠高于BM3D、WNNM、CSF和TRND方法,在各種噪聲濃度下,ELU-CNN模型均獲得了最高的rPSNR。σ=(15,25)時,DnCNN-S方法的rPSNR高于FFDNet方法,在高濃度σ=(35,50,75)時,FFDNet方法的去噪性能超越了DnCNN-S方法。

表2給出了ELU-CNN模型及各種去噪方法對圖3的12幅圖像的測試結果,可以看出,不同噪聲水平下,ELU-CNN模型在大多數圖像上都獲得最高的rPSNR,且均獲得了最高的平均rPSNR。DnCNN-S和FFDNet兩種網絡去噪模型獲得了較好的去噪結果,σ=(15,25)時,前者表現優秀,σ=(35,50,75)時后者獲勝,尤其對Parrot和Lena兩幅含有弧形特征的圖像表現優異,均略勝ELU-CNN模型。對House和Barbara兩幅由規則和重復性結構組成的圖像,ELU-CNN模型并不能總是獲得最高的rPSNR,而WNNM是一種非局部相似性去噪方法,它針對具有規則和重復紋理的圖像去噪具有優勢。基于非局部相似性的方法通常在具有規則和重復結構的圖像上去噪效果更好,而基于學習的方法通常在具有平滑區域或不規則紋理的圖像上產生更好的結果[17]。表2的結果與文獻[16]的理論相符。綜合表1、2的客觀指標可知,ELU-CNN模型具有較好的去噪效果。

表1 BSD68圖像集上不同方法的平均峰值信噪比對比

表2 set12圖像集上每幅圖像的峰值信噪比

圖4給出了在set12圖像集的Couple圖像上隨機加入σ=25的高斯噪聲后,不同方法對其去噪后的局部放大結果。由圖4可知:CSF和TNRD方法的視覺效果最差,門框的左側豎直邊緣和墻面上的橫向紋理均模糊不清;BM3D、WNNM和DnCNN-S方法的紋理細節有所改善,對邊緣保護能力有所提高,但并不理想;FFDNet方法呈現出了邊緣的輪廓,視覺效果較好;ELU-CNN模型獲得了最好的去噪效果,能清晰地體現線條紋理,對線條特征的保護能力較強,并能很好地呈現出圖像的輪廓特征。

(b)噪聲圖

(c)BM3D方法(rPSNR=29.72 dB)

(d)WNNM方法(rPSNR=29.82 dB)

(e)CSF方法(rPSNR=29.46 dB)

(f)TNRD方法(rPSNR=29.71 dB)

(g)DnCNN-S方法(rPSNR=30.12 dB)

(h)FFDNet方法(rPSNR=30.18 dB)

(i)FLU-CNN方法(rPSNR=30.25 dB)

3.3 井壁圖像盲去噪

ELU-CNNB模型的超參數α=0.05,其他的參數設置與ELU-CNN模型相同。圖像獲取、傳輸時有多種噪聲來源,無法準確估計實際噪聲圖像的噪聲水平,且真實噪聲圖像對應的干凈圖像也是未知的,無法衡量去噪后的客觀指標。為了驗證去噪效果,在井壁圖像上加入高斯噪聲,通過去噪后的視覺圖像衡量ELU-CNNB模型的盲去噪效果。

圖5給出了ELU-CNNB模型對含不同濃度高斯噪聲的井壁圖像去噪的結果,可以看出,各幅圖像在去除噪聲的同時,均很好地保留了井壁上的裂縫、腐蝕、破損及法蘭盤等特征信息。ELU-CNNB模型在保護圖像紋理特征的同時,能很好地保留圖像中的線條特征,是一種有效的盲去噪模型,可以用于實際井壁圖像去噪,為井壁裂縫檢測、定位等工作做好鋪墊。

(a)噪聲圖

(b)去噪結果

圖5 ELU-CNNB方法對含高斯噪聲井壁圖像的去噪結果

大霧伴有小雨的實際天氣,接近井下高溫高濕的自然環境,此環境下拍攝混凝土路面的圖像來模擬含水霧的井壁圖像,加入σ=(15,25,50)的高斯噪聲后,使用ELU-CNNB模型和DnCNN-B[9]方法去噪,結果如圖6所示,其中σ=50時噪聲圖里的方框內顯示的是原圖的放大結果。由圖6可以看出,低噪聲時兩者的去噪效果相當,在高噪聲濃度σ=50時,圓圈內的裂縫在原圖中往上延伸,ELU-CNNB模型很好地保留了此特性,DnCNN-B方法丟失了這條向上延伸的線條特征。可見,在深立井的井壁圖像上,ELU-CNNB模型的去噪效果較好,能有效去除井壁圖像中含有的各種濃度的高斯噪聲,同時很好地保留井壁的破損特征,從而為缺陷檢測奠定了基礎。

3.4 運行效率

CPU運行時間是衡量去噪方法優劣的重要方面。表3給出了不同方法對加入σ=25的高斯噪聲的圖像去噪需要的CPU運行時間。分辯率為321×481像素(BSD68)、256×256像素(set12)和512×512像素(set12)的圖像是3幅標準圖像,640×480像素的圖像是井壁圖像,對應盲去噪的運行時間。顯然,3種CNN去噪方法的運行速度高于BM3D、WNNM、CSF和TRND方法。與DnCNN-S和ELU-CNN模型相比,FFDNet方法的網絡深度最淺,運行時間最短,但盲去噪時對紋理的保護能力稍弱。ELU-CNN模型沒有獲得最好的去噪效率,但是能夠滿足井壁圖像去噪的需要,也可以使用高性能的GPU來提高去噪效率。

4 結論

井壁是深立井的咽喉,井壁圖像去噪是對井壁缺陷實現自動檢測的關鍵步驟。本文提出的ELU-CNN模型是一種全卷積網絡模型,除最后一個卷積層外的每個卷積層均用64個大小為3×3的濾波器提取不同類型、不同層次的特征。模型中的5個特征提取模塊FEM與跳躍連接的結合能夠將淺層提取的低級圖像特征傳遞到高層,保證充分提取輸入圖像中的噪聲特征,確保模型通過端到端的訓練后有效建立輸入和輸出之間的非線性映射。含噪圖像中的噪聲包含的信息量遠小于信號的信息量,殘差學習的引入使得訓練后的模型學習到的是噪聲,能夠降低模型的學習困難。激活函數ELU的軟飽和特性及輸出均值接近于零的特性,能夠提高模型的魯棒性、加速模型收斂。