带式输送机红外图像去噪方法研究

摘" 要：红外热成像测温技术可以实现非接触式测量，在带式输送机故障诊断中逐步应用，其优点是直观、高效，且不受环境条件的影响，但红外图像在采集传输的过程中会受到多种噪声的干扰，从而产生图像模糊等问题，进而对后续故障诊断系统的图像分割、特征提取等产生影响。为解决图像模糊问题，研究几种经典去噪的算法，提出一种改进阈值函数的小波阈值红外图像去噪算法，仿真实验结果表明，相较于经典算法具有更好的去噪效果。

关键词：红外图像;带式输送机;去噪算法;阈值函数;小波阈值

中图分类号：TP391" " " 文献标志码：A" " " " " 文章编号：2095-2945（2024）26-0138-04

Abstract： Infrared thermal imaging temperature measurement technology can achieve non-contact measurement and is gradually used in belt conveyor fault diagnosis. Its advantages are intuitive， efficient， and not affected by environmental conditions. However， infrared images will be affected by the process of collection and transmission. The interference of various noises causes problems such as image blur， which in turn affects the image segmentation and feature extraction of subsequent fault diagnosis systems. In order to solve the image blur problem， several classic denoising algorithms were studied and an improved threshold was proposed. Functional wavelet threshold infrared image denoising algorithm， simulation experimental results show that it has better denoising effect than the classicalgorithm.

Keywords： infrared image; belt conveyor; denoising algorithm; threshold function; wavelet threshold

近年来，带式输送机在工业生产中扮演着越来越重要的角色，其应用领域涵盖煤矿、矿山、港口等多个行业，如果发生故障，将会对整个线路造成影响，进而引发严重的事故，为减少带式运输机的故障率，红外图像诊断系统逐渐运用到带式输送机的故障诊断中[1]，红外图像在采集、传输和存储过程中，受外部环境以及电子元件等多种干扰因素的影响，会受到各种噪声的干扰，其中高斯噪声，椒盐噪声将严重影响红外图像的质量[2]，进而影响到带式输送机红外图像的分割和识别，因此有必要将带式输送机红外图像进行去噪处理，有效的去噪算法是当前红外图像处理领域的热点。

本文针对带式运输机红外图像的特点，对比分析几种不同的去噪算法，其中就小波阈值去噪的阈值函数选取进行了详细的分析，对阈值函数进行改进，提出了一种新的阈值函数，同时对阈值进行适当的调整，经过仿真验证，去噪效果得到提升。

1" 带式输送机红外图像特点分析

带式输送机红外图像受一些干扰因素影响会产生噪声，影响带式输送机红外图像质量的因素有以下几个方面。

1.1" 热噪声

热噪声是由于设备本身或其周围环境的温度变化而产生的，这种噪声会在红外图像中表现为随机的亮度波动。即使设备处于稳定状态，也会有微小的温度变化，导致热噪声的存在。

1.2" 信号传输噪声

在信号传输过程中，比如从红外摄像机到显示设备或存储设备的传输过程中，可能会引入一些干扰或失真，导致图像质量下降[3]。

带式输送机红外图像的噪声类型主要有2种：高斯噪声和椒盐噪声。高斯噪声是指通过在输入数据中加入具有零均值和特定标准差的正态分布随机值而产生的噪声。正态分布，又称为高斯分布，是一种连续概率分布，用于描述随机变量的分布情况，由其概率密度函数p（x）定义

，" " （1）

式中：x是图像灰度值，μ是均值，σ是标准差。椒盐噪声作为一种图像中常见的噪声类型，它表现为在图像中随机出现黑白相间的亮或暗像素点[4]，就像图像中掺杂了盐和胡椒一样，因此得名，会导致图像出现突然的明亮或暗淡区域，影响图像质量和可读性。

2" 带式输送机红外图像去噪算法

2.1" 图像灰度化

在红外图像去噪中，灰度化作为重要的预处理步骤，有助于简化图像，使得去噪算法更易于处理;同时，通过将图像转换为灰度图像，可以提高算法的计算效率，加快处理速度，此外，灰度化还能够突出图像的结构和特征，有助于噪声的定位和处理，并且减少了彩色图像中可能存在的信息冗余，使得去噪过程更加精确有效。

RGB彩色图像在计算机中存储的形式为

。（2）

从公式（2）中可以看出，RGB图像就是以m×n×3的数组构成的彩色图像，灰度化的原理就是将原彩色图像数组转换为m×n×1数组的灰度图像，RGB红外图像转为灰度图像通常采用加权平均法如式（3）所示

Gray=0.299R+0.587G+0.114B，" （3）

式中：Gray为像素点的灰度值;R、G、B分别表示红、绿、蓝三通道像素点的灰度值。

2.2" 中值滤波

中值滤波的核心原理是通过取邻域内的像素值中间值来取代当前像素值，是一种非线性信号处理技术。中值滤波算法会先对一个给定像素点周围的像素值进行排序，再将经过排序后的中间值选定为一个新的像素点数值[5]，以达到消除噪声的效果。去噪过程：①对于每一个像素点，定义一个滑动窗口覆盖该像素点及其周围的邻域。②将滑动窗口内的像素值进行排序，计算其中值。③将该中值作为当前像素点的新值。滑动窗口一般为3×3和5×5，根据噪声的情况选择合适的滑动窗口取得理想的去噪效果。

2.3" 均值滤波

均值滤波是数字图像处理中常用的一种去噪技术。其原理简单、直观，通过对图像中的像素进行平均处理消除噪声，从而改善图像质量。首先，均值滤波采用滑动窗口的方式在图像上进行操作，窗口常见的大小包括3×3、5×5等，滑动窗口在图像上移动，对每个窗口内的像素灰度值进行平均计算，用来取代窗口中心的原像素值[6]，将每个像素点的邻域内的像素值趋近于平均值，使图像更加平滑。

2.4" 小波阈值去噪

小波阈值去噪法是目前流行的图像去噪方法，在去除噪声的同时保留了关键信息，是一种有效、灵活的去噪技术。其原理是将含有噪声的图像进行多层次的小波分解，得到高频小波系数和低频小波系数，噪声信号的能量主要分布在高频小波系数上，这个去噪过程实际上也是处理高频小波系数的过程，处理的过程是先选择一个合适的数，以这个数作为临界点，如果高频小波系数比这个临界点小，认为主要是噪音造成的，去掉了这部分小波系数较小的;如果高频小波系数大于这个临界点，认为主要是信号造成的，保留这部分小波系数，最后去噪后的图像通过对上方处理过的小波系数和低频小波系数的反变换而得[7]。

整个去噪的流程首先选择一个合适的小波基，确定分解层次，对输入的红外图像进行小波分解，分解后的小波系数经过阈值和阈值函数的处理，最后将处理过的小波系数进行反变换，得到去噪过的红外图像，去噪的流程如图1所示。

通过分析可以得知，不同阈值函数因为计算及处理方法的不同，在进行小波变换时，对红外图像的去噪效果会不同。

传统的阈值函数是硬阈值函数和软阈值函数。由Donoho提出的，分别如式（4）、式（5）所示

， （5）

式中：Wj，k为原始含噪信号分解后的小波系数，j，k为经过阈值处理过的估计小波系数，T是阈值。

分别根据式（4）和式（5）绘制软、硬阈值函数曲线，具体如图2所示。

从图2可以看出，由于在原始小波系数绝对值大于阈值的情况下保持小波系数不变，硬阈值函数去噪可以有效保留图像细节信息，但是在阈值临界处出现不连续的现象，这将使得后期信号重构出现失真现象。虽然软阈值函数在阈值临界处连续，但是当系数绝对值大于阈值时，总会产生恒定的偏差，从而造成边缘等细节信息的丢失。

3" 阈值函数的改进

在前期研究中发现，硬阈值函数虽然能够较好地恢复信号，但在重建过程中，会出现伪吉布斯现象，而软阈值函数存在的偏差性也导致去噪效果达不到理想的状态，因此结合传统的2种阈值函数的优劣，参考文献[8]提出来一直改进的阈值函数

， （6）

对改进的阈值函数表达式进行相关的分析。

1）当|Wj，k|=T时，j，k=0;当|Wj，k|→T，j，k→0。Wj，k在阈值T处连续。

2）当|Wj，k|→∞时，j，k→∞，消除了软阈值函数的恒定偏差。改进后的阈值函数及软硬阈值函数图如图3所示。

从上文小波去噪流程可知，除了阈值函数对去噪效果产生影响，小波基函数、分解层次、阈值的选取也会有很大的影响，下面对这些参数的选择进行详细介绍。

小波基函数通常为dbN族、symN族，以及coifN族，小波分解层次通常分解为3～5层，分解层次过少时，去噪的效果达不到理想状态，过多的层次可能会导致过度细节化，使得信号的主要特征被淹没在噪音或不重要的细节中，经过实验比较发现选择db4小波基，分解层次为3时，去噪的效果较好。

经典的阈值函数为Donoho提出的VisuShrink通用阈值[9]

T=σ，" " " " （7）

式中：σ为噪声标准差，N为信号的长度。随着分解尺度的增加，小波系数会逐渐减小，VisuShrink阈值对于各个尺度的小波系数采用统一的处理方式，灵活性较差，为改善其灵活性，在通用阈值的基础上，将阈值选取为

T=，" " " " " " （8）

式中：j为分解尺度。从公式（8）可以看出阈值会随着分解尺度的增加而减小。

4" 仿真实验结果和分析

本文选用带式输送机托辊红外图像，并且使用中值滤波、均值滤波，以及软阈值函数和硬阈值函数进行MATLAB仿真实验。并对实验结果进行对比分析。

去噪算法对比。为了对验证去噪的效果，在输入的红外灰度图中加入方差为0.01的高斯噪声和噪声密度为0.01的椒盐噪声，然后进行不同去噪算法的仿真实验，在实验中，中值滤波和均值滤波的滑动窗口均采用3×3和5×5模版，小波阈值去噪采用db4小波基，分解层次为3层，阈值采用公式（8）中的阈值，阈值函数选择软、硬阈值函数和改进的阈值函数，实验结果如图4所示。

除了利用视觉效果图来评估红外图像的去噪效果，还应该定量的对图像质量做出评价，评价图像质量时，常采用峰值信噪比（PSNR）和结构相似性（SSIM）作为评价指标[10]。两者的数值大小与去噪效果成正相关，去噪效果越好，数值越大，各个去噪算法的数值结果见表1。

综合图像以及评价指标来看，中值滤波5×5滤波窗口较3×3滤波窗口的PNSR和SSIM高，5×5滤波窗口对噪声有更好的滤除效果，但是出现了边缘模糊的现象，对目标细节造成了丢失。均值滤波虽然在边缘细节上较中值滤波更加清晰，但是对噪声的滤除效果不佳。对于小波阈值去噪的软阈值函数和硬阈值函数，其PNSR和SSIM较中值滤波和均值滤波的小，图像上可以看出去噪效果同样也不如中值滤波和均值滤波。最后，对改进阈值函数的小波阈值去噪，去噪后图片的PNSR和SSIM有很大的提高，改进阈值函数去噪后的图像无论在边缘和局部细节较以上的算法都有大的提升。

5" 结论

本文在各种传统去噪的基础上，利用MATLAB进行仿真，同时针对传统的硬阈值函数和硬阈值函数的特点，结合2种阈值函数的缺点和优点，提出来改进阈值函数，经过仿真实验，表明该阈值函数既能有效去除带式输送机红外图像的噪声，又能很好地保留边缘的一些细节，其去噪效果也比中值滤波和均值滤波及软、硬阈值函数更好。因此，本研究对于促进红外技术的发展及带式输送机稳定安全运行有重要的意义。

参考文献：

[1] 井坤.基于红外图像处理的带式输送机故障诊断系统研究[D].曲阜：曲阜师范大学，2021.

[2] 施兢业，刘俊，陆龚琪.电力设备红外图像的小波阈值去噪方法研究[J].光学技术，2017，43（2）：162-165.

[3] 徐小冰.基于红外图像的高压电缆附件热状态智能诊断方法[D].武汉：武汉大学，2021.

[4] 刘洪彬，褚雪艺.轮胎图像去噪方法研究[J].计算机时代，2023（5）：11-14.

[5] 肖莉.一种基于中值滤波的图像预处理改进算法[J].高师理科学刊，2023，43（10）：41-44.

[6] 张梁.椒盐噪声图像识别与滤波算法的研究[D].沈阳：沈阳工业大学，2023.

[7] 付蕊，李常芳，施淑仙，等.图像去模糊处理研究[J].电脑知识与技术，2020，16（32）：189-191，194.

[8] 周西峰，朱文文，郭前岗.基于渐近半软阈值函数的超声信号去噪方法[J].探测与控制学报，2011，33（2）：35-39.

[9] DONOHO D L， JOHNSTONE I M. Ideal spatial adaptation via wavelet shrinkage[J]. Biometrika， 1994，81（3）：425-455.

[10] 张国林.基于生成对抗网络和四元小波变换的彩色图像去噪算法研究[D].南昌：南昌航空大学，2020.

作者简介：吴飞跃（1999-），男，硕士研究生。研究方向为电气设备故障诊断。