一种基于天牛须优化算法的NSST域红外图像增强方法

摘要

本发明公开了一种基于天牛须优化算法的NSST域红外图像增强方法，首次将改进的天牛须搜索优化算法、SANS滤波算法和模糊增强算法等相结合；先利用NSST变换将红外图像分解成高频和低频两部分；对含有大量目标设备信息的低频分量利用改进的天牛须算法进行阈值分割将其分解为背景区域和目标区域两个部分，再分别进行增强处理；对含有噪声和图像细节信息的高频分量，首先选取合适参数进行SANS滤波去噪，后再进行模糊增强。之后将处理后高频子带图像进行增强；最后将处理后的低频分量和高频分量进行NSST逆变换得到最终增强图像；本发明可以对红外图像的进行噪声去除，改善红外图像中电力设备部分的边缘和细节信息，提高电力设备红外图像灰度图的整体对比度。

说明书

技术领域

本发明涉及一种基于天牛须优化算法的NSST域红外图像增强方法。

背景技术

电力设备正常运转保证着整个电力系统稳定运行，电力设备运行异常或故障时都伴随着温升的现象。红外检测技术可以将人眼不可见的红外线以温度图谱的方式显示出来。在电力系统运行时电力设备不停运的情况下对其进行实时、非接触、无损检测。红外检测在电力设备温度检测中得到了广泛的应用，目的是提前设备故障缺陷、进而消除对整个电力系统进一步的危害。将红外测温技术应用于电力设备运行状态检测中具有非常重要的应用价值。现阶段、多家电力公司正在积极引进先进的国外红外检测设备，对多处电力设备进行巡检，通过大量的实践收集累积十分重要的实验数据。

由于红外焦平面生产工艺的局限，微弱信号在光电转换的过程中难以分辨，导致呈现出的红外图像模糊。电力设备种类繁多、结构复杂，电气设备间的金属连接部件、绝缘子、接头等温度异常部分相比于变压器、塔杆来说难以分辨，以及现阶段红外成像硬件生产工艺的局限性使得电力设备红外图像辨识度不高，此外红外传感器接收到物体的红外辐射本身受到传热，大气衰减以及热辐射等外界因素影响，导致红外图像本身存在分辨率低、细节模糊、含多种噪声等问题，难以对电力设备异常原因进行分析和故障定位。由于当前由于红外传感器制作工艺的不足，微小的信号在在成像过程中难以分辨以及红外线在传播过程中本身的衰减以及大气和环境热辐射的影响，导致红图像外含噪声、模糊、对比度低，进一步影响电气设备红外图像本身质量和视觉效果。

在数字图像处理部分图像增强和边缘检测是电力设备红外成像的问题所在。图像增强处理需要对图像的进行去噪，提高对比度，以及对目标物体纹理，边缘细节的提升。

传统的红外图像增强处理方法主要有：

1.空间域增强算法

(1)线性增强算法

红外图像对比度较低的原因通常是灰度集中在动态范围较窄的区域，而为了将其灰度范围进行扩大，采用线性增强的方法。

首先应根据灰度直方图确定线性变换的边界。此时可以通过寻找灰度直方图的最大灰度级，来确定灰度集中区域的范围。可通过最大灰度值来确定线性增强的左右边界，设左边界为a

在左右边界确定之后，便可对低频前景部分进行先行增强，若用z(x,y)表示增强后的图像，计算式为：

该方式有利于维持原始电力红外图像的灰部分布规律，通过计算所得的灰度值边界范围[a

(2)直方图均衡化

直方图均衡化算法是基于统计学原理，通过统计图像像素灰度值的分布函数，扩展图像灰度域的范围，以达到增强图像对比度、增加信息熵、视觉效果更清晰的目的。图像灰度值是离散变量，灰度值为x的概率密度为:

N为像素总量；n

直方图均衡化算法对灰度分布函数乘以(L-1)来作为点新像素值，转换关系式为：

利用直方图均衡化方法处理低频低温分量，可以有效地降低背景亮度，并且突出非电力设备主体部分目标像素值，加大了该部分与背景的灰度差，从而提高了原图像的辨识度。

2.去噪算法

在图像中，妨碍人们接收信息的因素称之为噪声。图像去噪分类为空域滤波、频域滤波、偏微分方程去噪和变分法。空域滤波法是对原图像矩阵进行运算，计算选取合适像素值替换原有噪点灰度值。常见空域去噪算法有领域滤波、低通滤波和中值滤波；频域滤波指将原图像从空间域变换到频域，对频域的变换系数进行处理，最后进行反变换以达到去噪的目的。常见的频域处理有傅里叶变换、小波变换等；偏微分方程去噪指对原含噪声图像建立偏微分方程，求解其中的非线性偏微分方程；变分发去噪指确定图像能量函数，通过对能量函数的最小化处理使得图像达到平滑状态。

3.传统频域增强算法

频域增强是目前图像增强使用最为广泛的方法之一，频域处理从傅里叶变换开始发展，傅里叶变换将图像一般信号用不同频率的正弦信号表示，但傅里叶变换只包含频率信息，不包含时间信息，难以体现一副图像的完整信息。小波变换改进了傅里叶变换的基础波形，使得变换结果包含频率和时间参数，但小波变换各方向属性相同，不能保证图像的各向异性。

但是，这些传统的红外图像增强方法具有各种缺点：

传统线性增强缺点是：受红外焦平面制作工艺和外界因素影响，干扰信号混入实景信息中形成噪声。线性增强对图像整体像素值进行处理，处理过程中实景信息和噪声信息不做区分。线性算法处理可以增强物体与背景的对比度，相应的噪声信息也被相应地放大，导致电力设备红外图像的质量和视觉效果降低，对电力设备的异常分析和故障判断造成更多干扰。

传统去噪算法缺点是：将各种传统去噪算法对比可以得出。基于空域的图像去噪计算量小，可以较好的保持图像细节，但无法对复杂滤波进行完全滤除，只适用于噪声信息简单的图像；频域去噪不受噪声特征限制，但是变换过程计算量大，运算时间过长。偏微分和变分法可以保持图像边缘信息，但在区分边缘信息和噪声能力上有所欠缺。

传统频域去噪算法缺点是：早期傅里叶变换不包含时间信息，无法提现图像完整性；小波变换在傅里叶变换基础上将忽略图像各向异性；剪切波变换考虑了图像的方向性，且可以实现图像的最佳稀疏表示，在电力设备红外图像中边缘检测和图像增强有很好的效果，但进行尺度变换和方向变换的下采样操作容易使图像出现伪吉布斯现象。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种基于天牛须优化算法的NSST域红外图像增强方法，可以对红外图像的进行噪声去除，改善电力设备部分的边缘和细节信息，提高电力设备红外图像灰度图的整体对比度。

实现上述目的的技术方案是：一种基于天牛须优化算法的NSST域红外图像增强方法，包括以下步骤：

S1，采用NSST变换对原始电力设备红外图像进行多尺度多方向的变换，将原始电力设备红外图像分解为高频分量和低频分量；

S2，对经过步骤S1得到的低频分量，采用天牛须优化算法进行阈值分割，将低频分量分割为电力设备主体的后景区域和前景区域两个部分；

S3，对步骤S2中分割得到的前景区域采用线性增强，后景区域采用直方图均衡处理，再将两者进行合成处理，得到增强后的低频分量图像；

S4，对经过步骤S1得到的高频分量，先采用SANS算法进行处理，将高频分量的振动和噪音进行消除，再使用Pal-King算法对高频分量的图像的对比度、清晰度进行增强，得到增强后的高频分量图像；

S5，将增强后的高频分量图像和增强后的低频分量图像进行NSST逆变换，得到增强后的电力设备红外图像。

上述的一种基于天牛须优化算法的NSST域红外图像增强方法，步骤S1中，所述多尺度多方向的变换包括多尺度分解和方向局部化两个过程，其中：

多尺度分解过程，通过非下采样金字塔滤波器组将原始电力设备红外图像分解成一个高频图像和低频图像，再基于分解得到的低频图像进行NSP分解，经过k次NSP分解后得到k个高频子带和1个低频子带图像；

方向局部化过程，NSST利用改进剪切波变换对多尺度分解得到的高频子带和低频子带图像进行局部化处理，首先将标准剪切波滤波器从伪极坐标系映射到笛卡尔坐标，进行傅里叶逆变换；最后利用二维卷积完成最终处理，将原始电力设备红外图像分解为高频分量和低频分量。

上述的一种基于天牛须优化算法的NSST域红外图像增强方法，步骤S2中，所述天牛须优化算法是采用自适应天牛须搜索算法与K均值聚类算法结合形成的图像分割处理方法，包括以下工序：

S21，采用自适应天牛须搜索算法求解低频分量的图像数据点集的全局最优解；

S22，将步骤S21中得到的全局最优解作为K均值聚类算法的初始聚类中心；

S23，随机生成K个聚类中心，并将图像数据点集中的元素分配给这K个类，计算图像数据点集中各图像数据点到聚类中心的距离f，计算公式为：

X

上述的一种基于天牛须优化算法的NSST域红外图像增强方法，步骤S3中，对低频分量的前景区域进行线性增强的过程如下：

根据灰度直方图确定线性增强的边界，通过寻找灰度直方图的最大灰度级，来确定灰度集中区域的范围；通过最大灰度值来确定线性增强的左、右边界，设左边界为a

在左、右边界确定之后，对低频分量的前景区域进行线性增强，用z(x,y)表示增强后的图像，计算式为：

通过计算所得的灰度值边界范围[a

对低频分量的后景区域进行直方图均衡处理的过程如下：

灰度值为l出现的概率密度为：

N为像素总量；n

图像的灰度分布函数为：

直方图均衡化算法对灰度分布函数乘以(L-1)来作为点新像素值，转换关系式为：

经过直方图均衡处理的低频分量降低背景亮度，并且突出非电力设备主体部分目标像素值，加大该部分与背景的灰度差，提高原图像的辨识度。

上述的一种基于天牛须优化算法的NSST域红外图像增强方法，步骤S4中，SANS算法利用输入模糊图像的局部方差对输入模糊图像和复原图像进行融合，根据局部方差计算的融合方程和尺度参数如下：

其中，

高频分量经过SANS算法处理后，在去除振动和噪音的同时，保留高频分量的边缘细节；

Pal-King算法，首先是将经过SANS算法处理后的高频分量从原来的空间域映射到模糊域上，经典Pal-King算法模糊隶属度函数μ

其中，t

对经典Pal-King算法模糊隶属度函数进行修改：

其中，t

t

映射后对模糊隶属度进一步增强，采用S型变换进行平坦S型处理，S型变换公式如下：

μ

改进后模糊隶属度值域从[μ

本发明的基于天牛须优化算法的NSST域红外图像增强方法，可以对红外图像的进行噪声去除，改善电力设备部分的边缘和细节信息，提高电力设备红外图像灰度图的整体对比度，与现有技术相比具有以下有益效果：

(1)对天牛须搜索算法进行了改进；

(2)对低频分量前景区域的线性增强算法和背景区域的模糊增强算法进行改进；

(3)首次将改进的天牛须搜索优化算法、SANS滤波算法和模糊增强算法等相结合，提出了一种新的红外图像增强方法；先利用NSST变换将红外图像分解成高频和低频两部分；对含有大量目标设备信息的低频分量利用改进的天牛须算法进行阈值分割将其分解为背景区域和目标区域两个部分，再分别进行增强处理；对含有噪声和图像细节信息的高频分量，首先选取合适参数进行SANS滤波去噪，后再进行模糊增强。之后将处理后高频子带图像进行增强；最后将处理后的低频分量和高频分量进行NSST逆变换得到最终增强图像；并通过实验进行对比验证，证明本方法的可靠性。

附图说明

图1为本发明的基于天牛须优化算法的NSST域红外图像增强方法的流程图；

图2为剪切波变换的频域支集以及支称集的大小的示意图；

图3为天牛须优化算法的实现流程图；

图4a采用天牛须优化算法对电线杆红外图像进行阈值分割的效果图；

图4b为现有技术中Ostu算法对电线杆红外图像分割的效果图；

图5为采用步骤S3对电线杆红外线图像的低频分量处理效果图。

具体实施方式

为了使本技术领域的技术人员能更好地理解本发明的技术方案，下面结合附图对其具体实施方式进行详细地说明：

请参阅图1，本发明的最佳实施例，一种基于天牛须优化算法的NSST域红外图像增强方法，包括以下步骤：

S1，采用NSST变换对原始电力设备红外图像进行多尺度多方向的变换，将原始电力设备红外图像分解为高频分量和低频分量；

S2，对经过步骤S1得到的低频分量，采用天牛须优化算法进行阈值分割，将低频分量分割为电力设备主体的后景区域(也称作背景区域)和前景区域(也称作设备区域或目标区域)两个部分；

S3，对步骤S2中分割得到的前景区域采用线性增强，后景区域采用直方图均衡处理，再将线性增强后的前景区域和直方图均衡处理后的后景区域进行合成处理，得到增强后的低频分量图像；

S4，对经过步骤S1得到的高频分量，先采用SANS算法进行处理，将高频分量的振动和噪音进行消除，再使用Pal-King算法对高频分量的图像的对比度、清晰度进行增强，得到增强后的高频分量图像；

S5，将增强后的高频分量图像和增强后的低频分量图像进行NSST逆变换，得到增强后的电力设备红外图像。

NSST域图像增强：

请参阅图2，Guo、Labate等人通过几何分析和多分辨率分析理论相结合提出合成小波，当维数n＝2时，具有的合成膨胀仿射系统为：

式(2-1)中，

式(2-2)中，

步骤S1中，所述多尺度多方向的变换包括多尺度分解和方向局部化两个过程，其中：

多尺度分解过程，通过非下采样金字塔(Non-subsampled Pyramid,NSP)滤波器组将原始电力设备红外图像分解成一个高频图像和低频图像，再对基于分解得到的低频图像进行NSP分解，经过k次NSP分解后得到k个高频子带和1个低频子带图像；

方向局部化过程，NSST利用改进剪切波变换对多尺度分解得到的高频子带和低频子带图像进行局部化处理，首先将标准剪切波(Shearlet)滤波器从伪极坐标系映射到笛卡尔坐标，进行傅里叶逆变换；最后利用二维卷积完成最终处理，将原始电力设备红外图像分解为高频分量和低频分量。

低频分量处理：

标准天牛须搜索算法是一种基于模拟天牛通过食物气味觅食的新型智能优化算法。天牛通过头部两侧的胡须判断空气中食物气味的前进方向，从而找到食物。与粒子群算法(PSO)相比，该算法的实现只需要至少一个天牛，降低了算法的计算复杂度。本申请对天牛序表中的搜索算法进行了改进，对其固定步长算法进行了优化，并通过改变步长计算公式，加入变步长因子的形式，使步长由大变小，使搜索过程先在大范围内搜索近似解区域，再进行详细搜索，提高了精度和收敛速度。

步骤S2中，天牛须优化算法是采用自适应天牛须搜索算法(automatic beetleantennae search algorithm，ABAS)与K均值(K-means)聚类算法结合形成新的图像分割处理方法。是指基于A BAS的K-means聚类算法。该算法由两部分组成

(1)用ABAS求解图像点集的全局最优解

(2)将ABAS的输出解应用于K-means聚类算法。通过优化初始聚类中心，提高了K-means聚类算法的计算效果，避免了K-means聚类算法对初始聚类中心敏感的缺点。

请参阅图3，天牛须优化算法包括以下工序：

S21，采用自适应天牛须搜索算法求解低频分量的图像数据点集的全局最优解，先计算天牛左、右两须坐标，计算气味强度(适应度值)，根据变步长法计算下一步天牛所走位置，达到迭代次数后，输出低频分量的图像数据点集的全局最优解；

S22，将步骤S21中得到的全局最优解作为K均值聚类算法的初始聚类中心；

S23，随机生成K个聚类中心，并将图像数据点集中的元素分配给这K个类，计算图像数据点集中各图像数据点到聚类中心的距离f，计算公式为：

式(2-3)中，X

前景区域增强：

红外图像对比度较低的原因通常是灰度集中在动态范围较窄的区域，而为了将其灰度范围进行扩大，采用线性增强的方法。

对低频分量的前景区域进行线性增强的过程如下：

根据灰度直方图确定线性增强的边界，通过寻找灰度直方图的最大灰度级，来确定灰度集中区域的范围；通过最大灰度值来确定线性增强的左、右边界，设左边界为a

在左、右边界确定之后，对低频分量的前景区域进行线性增强，用z(x,y)表示增强后的图像，计算式为：

通过计算所得的灰度值边界范围[a

后景区域增强：

对低频分量的后景区域进行直方图均衡处理的过程如下：

灰度值为l出现的概率密度为：

式(2-5)中，N为像素总量；n

图像的灰度分布函数为：

直方图均衡化算法对灰度分布函数乘以(L-1)来作为点新像素值，转换关系式为：

经过直方图均衡处理的低频分量有效地降低背景亮度，并且突出非电力设备主体部分目标像素值，加大了该部分与背景的灰度差，从而提高了原图像的辨识度。

高频分量处理：

高频分量中包含了电力设备原图像中的大量目标细节信息和噪声。目标设备细节信息灰度值较噪声部分灰度值低，视觉效果偏暗。为了提高高频部分的细节呈现的更清晰，先采用自适应得空间噪声平滑噪音(spatially adaptive noise smoothing,SANS)算法进行处理，将高频部分可能存在的振动或者噪音进行消除，再使用模糊增强的方法对图像的对比度、清晰度进行增强，从而获得增强后的高频分量。

步骤S4中，SANS算法利用输入模糊图像的局部方差对输入模糊图像和复原图像进行融合，根据局部方差计算的融合方程和尺度参数如下：

式(2-8)和(2-9)中，

高频分量经过SANS算法处理后，在去除振动和噪音的同时，保留高频分量的边缘细节，十分适用变电站红外图像去噪音。

Pal-King(模糊边缘检测)算法，首先是将经过SANS算法处理后的高频分量从原来的空间域映射到模糊域上，经典Pal-King算法模糊隶属度函数μ

式(2-10)中，t

映射后对模糊隶属度进一步增强，采用S型变换，S型变换公式如下：

式(2-11)中，μ

但传统的模糊增强方法存在一些不足：变换后许多灰度值较低的像素被强制置为0，从而丢失边缘信息。同时，其变换形式和公式比较复杂，需要反复试验，导致了参数优化问题。

对经典Pal-King算法模糊隶属度函数进行修改：

式(2-13)中，t

接着采用S型变换公式即式(2-11)对修改后的Pal-King算法模糊隶属度函数进行平坦S型处理，得到增强灰度值表达式为：

改进后模糊隶属度值域从[μ

验证实验：

为验证本发明的基于天牛须优化算法的NSST域红外图像增强方法，基于matlab软件对某电线杆红外图像进行分割分析。

选取三层拉普拉斯金字塔进行多尺度变换。每层的方向数为8，经过NSST变换，得到一幅低频图像(见图5)和三组高频图像。利用本发明的增强方法对低频图像和高频图像进行增强，最后利用NSST逆变换进行合成。

请参阅图4a和图4b，采用本申请的增强方法与传统的Ostu算法(最大阈值分割法)分别对电线杆红外图像分割的效果图。与传统的最大阈值分割法相比，本发明中的自适应天牛须优化算法的处理速度较短，能有效地分割出后景区域(背景区域)和前景区域(目标区域)，减少了大津算法中误分割到待测目标区域的背景部分，更适合于混沌环境下变电站电力设备红外图像的分割。并选取三种图像算法和本申请算法进行比较，验证本申请算法优越性。

为了验证本发明的基于天牛须优化算法的NSST域红外图像增强方法的有效性，以某变电站电力设备为实验样本，对He算法、Pal-King算法、传统NSST算法和该算法进行了比较分析。

再请参阅图5，从图5(a)中一个极点的原始红外灰度图像可以看出，图像中含有噪声，具有丰富的断层区目标和背景；如果基于直方图增强红外图像的He算法，可以看出整体对比度有所提高，但背景亮度有所增强，噪声没有得到抑制；Pal-King增强后，目标亮度增强，但细节轮廓丢失；如果采用本发明的增强方法，不仅可以清晰地看到电力设备故障区域的热源，提高被测区域与无关区域的灰度对比度，去噪效果明显，而且被测区域的详细轮廓非常清晰，便于人眼识别热故障。

采用边缘强度(ES)、信息熵(IE)、对比度(CR)、标准差(SD)和峰值信噪比(PSNR)五项客观指标评价进行对比分析，得到电线杆红外图像增强评价功能表，如表1所示。

表1

从表1的实验结果可以看出，与其他三种算法相比，本发明的增强方法的边缘强度、信息熵、对比度、标准差和峰值信噪比都是三种算法中最高的，算法在上述五个评价指标中的增幅至少为5.38％、4.24％、8.57％、6.68％、23.46％，说明本发明的基于天牛须优化算法的NSST域红外图像增强方法优化后的图像对比度提高最明显，噪声最小，受监控区域影响最小，红外目标显著。通过以上分析，与其他方法相比，本发明的基于天牛须优化算法的NSST域红外图像增强方法，在主观指标和客观指标上都有较好的表现。

作为本发明的变形，可以采用其它的频域变换算法取代NSST变换.例如非下采样轮廓(NSCT)；优化方法的改进，例如利用灰狼、鲸鱼、蝙蝠算法等优化Otsu阈值分割。采用其它方法给变换后的低频分量进行增强处理，例如Retinex算法、伽马变换进行增强。采用其它滤波方式给变换后的高频分量进行去噪处理，比如双边滤波器、引导滤波器去噪等。

综上所述，本发明的基于天牛须优化算法的NSST域红外图像增强方法，可以对红外图像的进行噪声去除，改善红外图像中电力设备部分的边缘和细节信息，提高电力设备红外图像灰度图的整体对比度。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。