基于改進剪切波和Canny的故障區(qū)域檢測算法研究

任貴粉,劉增力

(昆明理工大學信息工程與自動化學院,云南 昆明 650500)

1 引 言

由于紅外熱像儀具有非接觸、測速快、準確率高、操作簡便等優(yōu)點[1],常被用來獲取一些故障檢測中的圖像[2]。在作為多學科綜合性技術的故障診斷中,紅外圖像識別技術也是該領域的一項重要研究,基于紅外圖像處理的故障診斷系統(tǒng)主要包括:圖像獲取、圖像預處理、圖像特征提取,其中圖像預處理包括圖像去噪、圖像增強、圖像分割及邊緣檢測。

在對故障區(qū)域的特征參數(shù)提取中,常常需要把紅外圖像轉化為灰度圖進行處理,灰度圖具有不僅能夠減少處理原始圖像的計算量,而且還能夠利用梯度信息反映出圖像的本質形態(tài)特征的特點。在對灰度圖去噪過程中,文獻[3]采用中值濾波與高斯迭代濾波的改進方法去噪；文獻[4]提出一種基于Meyer窗函數(shù)的剪切波算法以Meyer小波作為剪切波基函數(shù)進行去噪；文獻[5]提出基于模糊濾波的混合噪聲處理方法,通過對模糊濾波器的設計以及隸屬函數(shù)的訓練對混合噪聲進行處理；文獻[6]提出了一種基于信息冗余的小波去噪算法對高頻噪聲進行抑制；文獻[7]提出了一種基于梯度信息的結構相似性算法改進的紅外圖像非局部均值濾波方法。這些去噪算法都能夠有效地去除一些噪聲的干擾,但是在一些細節(jié)方面做得不夠完善。本文在圖像去噪環(huán)節(jié)采用剪切波變換與高階統(tǒng)計量相結合的改進剪切波算法,能夠在噪聲大小不同的情況下去除噪聲干擾和較好地保留圖像邊緣細節(jié)信息。在一些灰度圖中邊緣的提取常采用一些分割算法把目標和背景分離開,如文獻[8]提出了一種改進的分水嶺算法,能較好完成變壓器油枕油位的分割,并自動檢測出目標。由于故障區(qū)域的邊緣和其他圖像的邊緣有一定的不同之處,故障邊緣區(qū)域相對較小,提取難度相對較大。本文提出改進Canny算子的故障區(qū)域檢測方法,能夠在去除偽邊緣的同時比較精確的提取出故障邊緣。

因此,本文提出一種基于改進剪切波和Canny的故障區(qū)域檢測算法,該方法包括改進的去噪算法和邊緣檢測算法。改進的去噪算法首先對圖像進行剪切波(Shearlet)變換[9],其次對剪切波變換得到的高頻部分進行雙譜濾波、對雙譜濾波后的高頻和剪切波變換得到的低頻進行新型自適應中值濾波,最后對濾波后的系數(shù)進行剪切波逆變換重構得到去噪后的圖像；對去噪后的圖像進行自適應閾值分割；改進邊緣檢測算法首先將原圖像進行剪切波變換,然后運用Canny算子對剪切波變換得到的各個子圖實施邊緣檢測處理獲得各自對應的圖像,最后對各個圖像進行Shearlet反變換；對邊緣檢測后的圖像進行特征參數(shù)提取,根據(jù)提取的特征參數(shù)進行故障程度的判斷。仿真實驗結果表明該方法實現(xiàn)了故障區(qū)域特征參數(shù)的精確有效提取。圖1是本文內容的流程圖。

圖1 本文流程圖

2 研究方法

2.1 圖像去噪

2007年,Labate和Guo[10]等人提出的剪切波概念。剪切波是一種新的多維函數(shù)稀疏表示方法,Shearlet在每一個尺度上都能夠將方向分解成不同的數(shù)量,其緊支撐區(qū)間具有“各向異性”的特點[10],能夠使圖像得到最優(yōu)的表示,在圖像去噪處理領域發(fā)揮著重要作用。

定義[11]:函數(shù)的Shearlet變換定義為SHψf(a,s,t)=〈f,ψa,s,t〉,在實際應用中經常取:

(1)

(2)

所以Shearlet是L2(R2)合成小波的特例[11],Guo等人在文獻[10]中給出了滿足定義的函數(shù)的構造方法,如圖2所示。

圖2 函數(shù)的構造圖

高階譜包含了信號的振幅信息和相位信息,是高階累積量的多維傅里葉變換,是一種隨機過程中描述二階以上統(tǒng)計特性的數(shù)學工具。對高斯噪聲進行雙譜及以上的高階累積量計算其結果恒為零,能夠徹底地除去高斯噪聲提取出信號。

定義一隨機變量{x(n),x(n+τ1),…,x(n+τk-1)}的k階聯(lián)合矩c和k階累積量m記為:

mk(τ1,τ2,…,τk-1)

(3)

ck(τ1,τ2,…,τk-1)

(4)

平穩(wěn)高斯隨機過程k≥3時,ck(τ1,τ2,…,τk-1)=0,稱三階累積量的二維傅里葉變換為雙譜用B表示,即c3(τ1,τ2)=0,即雙譜為0。

雙譜濾波原理是先選擇任意像素點周圍的一個3×3窗口記為f(x,y),再把f(x,y)分成4個大小為2×2的窗口；計算出這4個窗口的雙譜值,選取最小的窗口求取其均值。

本文去噪算法實現(xiàn):

針對含有兩種噪聲(高斯噪聲和椒鹽噪聲)的紅外故障圖像本文采用基于剪切波和高階譜相結合的去噪算法,本文去噪算法的實現(xiàn)流程如下:

Step1:對含噪聲圖像進行剪切波變換,則圖像被分解成低頻子圖和高頻子圖。

Step2:對高頻子帶圖像用雙譜濾波器進行濾波。高斯噪聲的剪切波系數(shù)仍是高斯分布,因為高斯噪聲的雙譜為0,此時能夠去除圖像中的加性高斯噪聲。

Step3:對低頻子圖和Step2中得到的高頻子圖進行改進自適應中值濾波,去除圖像中的椒鹽噪聲。

Step4:對Step3中得到的圖像進行剪切波逆變換重構,最終得到去除噪聲后的圖像。

其中Step3中的改進自適應中值濾波是對RAMF算法[11]的改進,由于在濾波時選擇的窗口越小,越能較完整的保留圖像中的邊緣細節(jié),所以本文對RAMF算法中出現(xiàn)fmed不在[fmin,fmax]間時,則選擇在窗口盡可能小的情況下改變的RAMF自適應窗口。fmin、fmax以及fmed分別為窗口內灰度值的最小值、最大值以及中值。

2.2 圖像分割及邊緣檢測

圖像分割是特征參數(shù)提取的關鍵之一,閾值分割Otsu法將灰度圖分割,能夠減少處理的數(shù)據(jù)量和縮減處理步驟,從而實現(xiàn)故障區(qū)域的分割。

邊緣檢測是將圖像分割所產生的二值圖像的邊緣特征凸現(xiàn)出來,常見的邊緣檢測算子中Canny算子檢測效果最優(yōu),其中Canny算子檢測邊緣是尋找圖像梯度的局部極大值。但有時會把產生一些偽邊緣等細節(jié)信息,所以本文結合了剪切波變換具有多方向性的特點,提出了基于剪切波變換的邊緣檢測算法,得到圖像的精確邊緣。

2.3 特征提取

本文對故障區(qū)域特征參數(shù)的提取,重點關注的是邊緣的輪廓,對邊緣輪廓的面積、周長等重要參數(shù)進行提取計算。

(1)面積S,故障缺陷所占像素的個數(shù)來表示圖像所占的面積。

(2)周長L,用缺陷邊界所占像素的個數(shù)表示。

3 仿真及實驗驗證

3.1 典型圖像仿真

3.1.1 去噪仿真

本文選擇大小為256×256的典型圖像trees、rice、cameraman進行去噪仿真驗證,為了驗證本文去噪算法的優(yōu)越性,該算法與均值濾波算法、中值濾波算法、小波閾值算法、剪切波閾值算法對trees、rice、cameraman圖像分別進行去噪處理仿真,通過仿真對比圖和PSNR值可以可出本文算法的優(yōu)越性,由于篇幅的原因下面以trees圖像為例,其對比結果圖和峰值信噪比值表如圖3～6及表1所示。

其中：

(5)

式(5)中,fijo表示圖像去噪處理后的各點像素灰度值,fij表示原始圖像的各點像素灰度值,M和N分別表示圖像的長度和寬度。峰值信噪比的值越大則該算法去噪效果越好。

圖3 trees原圖像和trees灰度圖

圖4 噪聲方差為0.01時去噪效果對比圖

圖5 噪聲方差為0.02時去噪效果對比圖

圖6 噪聲方差為0.03時去噪效果對比圖

表1 去噪圖像PSNR值(單位：dB)

(續(xù)表)

3.1.2 圖像分割

本文選擇大小為300×246的典型圖像coins進行Otsu閾值分割,分割后的二值化圖像如圖7所示。

圖7 coins原圖和coins二值化

3.1.3 邊緣檢測

對圖像coins分別進行sobel、roberts、prewitt、log、canny、gaijin canny算子的邊緣檢測,結果如圖8所示。

圖8 邊緣檢測對比圖

3.2 故障程度實驗驗證

3.2.1 去噪仿真

對大小為256×256的3張不同故障程度的故障圖像依次加入不同程度的噪聲,分別對其進行小波閾值、剪切波閾值及本文算法去噪,通過去噪仿真圖及PSNR值可以看出本文算法的有效性和可行性,由于篇幅的原因下面以一張故障圖像為例,其仿真結果對比圖和評價指標(PSNR)如圖9～11及表2所示。

圖9 噪聲方差為0.01時去噪對比圖

圖10 噪聲方差為0.02時去噪對比圖

圖11 噪聲方差為0.03時去噪對比圖

表2 去噪圖像PSNR比較(單位:dB)

3.2.2 圖像分割

故障圖像分割原圖及二值化圖像如圖12所示。

3.2.3 邊緣檢測

故障邊緣檢測圖如圖13所示。

3.2.4 參數(shù)提取

圖12 故障圖像分割圖

圖13 故障邊緣檢測圖

表3 特征參數(shù)(單位：像素)

4 結 語

本文在基于改進剪切波和Canny的故障區(qū)域檢測方法研究中,針對在故障區(qū)域提取故障特征參數(shù)進行故障程度的檢測過程中的去噪部分提出一種基于剪切波和高階譜相結合的去噪新方法,通過典型圖像和故障圖像的仿真圖去噪效果對比以及用客觀評價指標—峰值信噪比(PSNR)來評價算法的去噪性能,結果顯示本文算法的去噪效果明顯好于傳統(tǒng)的算法；在圖像預處理中的分割環(huán)節(jié)使用Otsu自適應閾值分割得到目標和背景分離的二值圖；作為特征參數(shù)提取的一個比較關鍵的步驟—邊緣檢測,在邊緣檢測中對Canny算子檢測進行改進,實驗結果進一步驗證了改進的邊緣檢測算法在故障特征參數(shù)提取中的有效性,顯著提高了故障程度診斷的準確率,為工程作業(yè)提供了更可靠的判斷依據(jù)。