礦山遠程監控圖像的改進非局部均值濾波算法

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)

礦山遠程視頻監控技術通過通信系統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境中,視頻監控設備在井下的工況十分復雜,煤塵、水霧、光線不足、電壓不穩定等因素易導致視頻監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的實時跟蹤;劉英[7]提出了一種基于Shearlet 變換的視頻監控圖像去噪算法,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,該算法去噪效果優于傳統算法,但是運行時間上沒有明顯的優勢;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,甚至會丟失信息[10]。非局部均值濾波算法(NLM)優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,銳化邊緣[11-14]。王志明等[15]研究表明,NLM 算法優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于NLM 算法。但是NLM 算法空間尺寸設置不具有普遍性,缺乏統一的設置標準,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勢,有助于實現對礦井視頻監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、智能化發展具有重要意義。