一種改進的BM3D 絕緣子圖像去噪算法

李俊杰，張曉龍，王 聰，張峻豪

（昆明理工大學機電工程學院，云南昆明 650500）

0 引言

隨著我國經濟的快速發展，我國電力系統也發展迅速，無論是民用還是工業用電量都大幅增加。絕緣子作為電力傳輸線路的重要組成部分之一，主要用于高壓線的絕緣和機械固定［1-4］。由于用電量增加導致電路負載增大，或因環境因素如風蝕、雷擊、冰雹等，輸電線路上的絕緣子時常受到損壞，給電力線路檢修帶來困難，同時造成經濟損失。為使電力系統更加穩定地運行，減少輸電線路故障帶來的停電問題，國家致力于提升電力系統的自動化水平。隨著輸電線路巡檢機器人與無人機巡檢技術的發展，絕緣子目標檢測是上述技術發展的一個重點，都需要對絕緣子圖像進行檢測與識別。目前對絕緣子圖像目標檢測大多基于深度學習的方法，一般的步驟是首先對拍攝到的圖片進行圖像去噪、圖像銳化、邊緣檢測等，提取圖像低層次特征［5-7］，然后用邊緣檢測算法提取圖像邊緣信息，最后訓練神經網絡對圖像進行分類與目標定位。

絕緣子圖像一般由輸電線路作業機器人自帶攝像頭拍攝或利用無人機進行拍攝，因高空和戶外環境及電磁場等因素影響，一般獲得的圖片比較模糊時常帶有噪點即圖像噪聲。圖像噪聲的存在會影響圖像質量，圖像的準確性、直觀性也會隨之下降，對于絕緣子的目標檢測有著負面影響，所以圖像去噪是絕緣子目標檢測中十分重要的一步，去噪效果直接影響著目標檢測效果［8-9］。圖像去噪的主要目的是去除圖像中存在的噪聲，且能最大限度地保存圖像特征信息。圖像去噪得到的高質量圖片可使后續圖像處理工作具有更高的起點，所以對絕緣子圖像的去噪是十分必要的。

圖像去噪有很多方法，有基于統計學、偏微分方程、線性以及非線性的濾波和波普，還有多尺度分析模型［10］。Tukey 提出的中值濾波通過平滑鄰域均值進行去噪等，是一種比較簡單的方法。雖然該方法能夠去噪，但是存在邊緣失真問題，容易造成圖像模糊，導致絕緣子識別精度下降［11］。小波閾值去噪也是圖像去噪的一種常用方法，首先對待處理圖像進行小波變換，變換后圖像和噪聲就有了不同特性。圖像噪聲主要存在于高頻子帶上，然后使用軟硬閾值去噪，因其具有多尺度多分辨分析以及時頻局部化的優點，比傳統去噪方法效果更佳［12］。但在噪聲多的圖片中，小波變化會給圖像分辨率造成損失，從而使圖像細節模糊。Dabov 提出的三維塊匹配協同濾波方法（BM3D）對圖像去噪有著很好的效果，但是BM3D 算法去噪效率較低、耗費時間長，且對高強度噪聲效果不太明顯［13］。為了解決BM3D 算法存在的問題，本文提出基于SFCM 聚類的改進BM3D 算法用于絕緣子圖像去噪，以提升算法效率、減少運行時間，并獲得更清晰的絕緣子圖像。最后通過實驗驗證了該算法的有效性，為絕緣子圖像去噪提供了一種新的可借鑒方法。

1 BM3D 去噪算法

1.1 算法原理

BM3D 算法降噪過程如下：首先將待處理圖像分成若干塊，將相似度較高的二維塊糅合成一個三維堆；然后對該三維堆作變換，在變換域中可得到本征信號和分離出來的噪聲；最后在該變換域中作閾值截斷或者濾波。使用這一系列方法對三維堆進行處理后，再將上述變換作逆變換，將處理后的結果返回原始圖像，即得到降噪后的圖像［14-17］。其算法流程如圖1 所示。

Fig.1 BM3D algorithm flow圖1 BM3D 算法流程

1.2 算法實現

BM3D 去噪主要分為兩步：第一步是將圖片分成許多小塊，然后搜索整個圖片中相似的小塊，將這些小塊構建成三維堆，對其進行3D 變換。之后使用閾值進行截斷，初步去除信號噪聲，此時的三維堆還需進行逆變換才能得到基本圖形。第二步操作與第一步類似，只是不需要第一步的閾值，而是用維納濾波函數進行濾波。

2 基于SFCM 聚類的BM3D 算法

雖然BM3D 算法對圖像的去噪效果很好，但由于該算法在分塊和匹配時要對整個圖片進行全局搜索找到相似的塊，效率非常低。且絕緣子圖像有時會帶有一定強度的噪聲，使用該算法得到相似塊的相似程度無法保證，從而影響絕緣子圖像去噪效果。因此，本文提出基于SFCM 聚類的BM3D 算法對絕緣子圖像噪聲進行聚類，先把圖像分為一些同質的區域，塊匹配過程就在這些同質區域內進行，從而縮小塊匹配時的搜索范圍，在加快匹配效率的同時也能提高匹配準確率［18］。

2.1 FCM 算法原理

聚類分析方法是將圖像像素點作為樣本，然后按某種方法將其劃分成一些類，相似樣本存在于同一類中，不在同一類則認為不相似。FCM 是一種基于劃分的聚類算法，不同類的樣本相似度很低。設一個樣本集X={x1,x2,…xN}可以劃分成C 個樣本簇，每個樣本簇都會有對應的質心，使得不相似指標的目標函數可以取最小值，具體如式（1）所示。

式中，vi表示第i個樣本質心，uij表示目前樣本xj對vi的隸屬度，m表示隸屬度因子，表示當前xj與vi的歐式距離。這里的質心代表樣本簇的平均特征，可用該點代表當前樣本簇。

2.2 SFCM 算法原理

空間模糊C 均值算法（SFCM）與FCM 算法相似，目標函數如式（2）所示。

與FCM 算法相似，SFCM 目標函數也要進行多次迭代才能求得最小值。

空間域中圖像鄰近像素點之間的相關性很高，所以相鄰像素點之間隸屬度相同。這些相鄰像素點劃分為同一樣本簇，第j個像素點空間中的隸屬度函數如下：

式中，Nj表示空間集合，即目前像素點與鄰近像素點的集合。Nk表示集合樣本個數，uik表示空間全部樣本的隸屬度。把式（3）代入式（2）得到更新后的隸屬度：

由式（4）可知，p、q 直接影響著隸屬度，對于噪聲圖像的像素點，其所屬樣本簇一定不會與附近圖像的像素點屬于同一樣本簇。所以需要減少噪聲圖像的像素點所屬樣本簇權重，才能使因噪聲干擾而被錯誤歸類的圖像像素點聚類到正確的樣本簇中，從而提高降噪性能［19-20］。基于SFCM 聚類的BM3D 算法流程如圖2 所示。

Fig.2 BM3D algorithm flow based on SFCM clustering圖2 基于SFCM 聚類的BM3D 算法流程

3 實驗結果與分析

為測試基于SFCM 的BM3D 圖像去噪算法的有效性，對絕緣子圖像采用兩種算法進行對比實驗。實驗選用的絕緣子圖像來自百度AI Studio 開放數據集，該數據集包含6 000 張絕緣子圖像，選取一張清晰的絕緣子圖像。實驗采用的操作系統為Windows10 64、雙核CPU，算法基于MAT?LAB 實現。為對比幾種算法對絕緣子圖像的處理效果，本文以峰值信噪比（PSNR）作為評判的客觀標準，算法效率用算法運行時間來衡量。

SFCM 算法需要設置3 個參數，分別是樣本簇數量C、隸屬度p 和q，這3 個參數的選取直接影響著算法效果。經過測試，最終選取聚類數為6，p、q 均為1，隨機確定初始質心。圖3 是絕緣子在添加不同強度噪聲下的去噪結果對比，第一列為添加不同方差噪聲的圖像，第二列為BM3D 算法去噪結果，第三列為SFCM 算法去噪結果。因為絕緣子圖像一般不會有過高強度的高斯噪聲，因此選擇給圖像添加均值為0，方差分別為0.01、0.02、0.03、0.04 的噪聲作為對比。

表1 是絕緣子圖像分別添加方差σ2為0.01、0.02、0.03、0.04 的噪聲時，使用BM3D 算法與基于SFCM 改進的BM3D算法去噪得到的峰值信噪比（PSNR）及所用時間。為了確保準確性、避免誤差，所消耗的時間主要是對絕緣子圖像重復去噪30 次并取平均值。

Table 1 Comparison of two denoising methods表1 兩種去噪方法結果對比

由上述實驗結果可知，無論是主觀評價的降噪效果，還是客觀評價的峰值信噪比，SFCM 都比傳統BM3D 算法的效果更好，且效率更高。改進算法得到的PSNR 提高了0.51～1.59dB，平均提高1.002 5dB，同時也可減少識別所消耗的時間，減少時間為1.96～3.84s，平均減少了2.6s。

4 結語

絕緣子圖像噪聲是影響圖像質量的重要因素之一，絕緣子圖像去噪在輸電線路障礙檢測研究中是不可或缺的。本文針對傳統BM3D 算法去噪消耗時間過長且去噪效果不佳的問題，提出基于SFCM 改進的BM3D 算法對絕緣子圖像進行去噪。基于同質區像素點相似特性，利用SFCM 聚類方法能有效提高搜索效率、提高塊匹配效果，并添加不同強度的噪聲進行對比實驗。研究結果表明，基于SFCM改進的BM3D 去噪算法有著較好效果，能有效提高PSNR，同時也能加快去噪速度、減少消耗時間。該方法對基于圖像的輸電線路障礙檢測研究具有一定意義，同時也提供了一種用于圖像降噪的新方法。

雖然本文算法在一般情況下有著較好的去噪效果，但是未對高強度噪聲（σ≥40）情況下的絕緣子圖像進行研究。在采集絕緣子圖像時有可能獲取到帶有高強度噪聲的圖像，因此后續工作主要需要對高強度噪聲進行處理。