基于主成分分析的光伏熱斑紅外圖像混合噪聲去噪方法

藺 怡,歐陽名三,汪義鵬,丁希鵬

安徽理工大學 電氣與信息工程學院,安徽 淮南 232002

1 引 言

熱斑故障是光伏板長期運行中的一種典型故障問題,目前常見的熱斑故障檢測方法主要分為并聯旁路二極管法、基于電流電壓的故障檢測方法和基于熱成像技術的故障檢測方法[1]。其中,基于熱成像技術的故障檢測方法利用熱斑區域溫度明顯高于正常光伏組件平均溫度這一特點,通過紅外設備對光伏板進行實時拍攝獲取圖像,實現對熱斑的快速檢測。該方法檢測成本低、效率高、故障定位精確,是光伏熱斑檢測技術研究的熱點。

考慮在進行紅外圖像拍攝時,容易受到外界環境的隨機干擾及成像設備內部變化等因素的影響,紅外圖像會包含多種噪聲[2]。陳文勤[3]采用核數為5×5的二維高斯濾波器對熱斑圖像進行去噪處理,該濾波器能夠在滿足噪聲消除需求的同時充分保留邊緣細節,但對圖像中的椒鹽噪聲幾乎沒有過濾效果;周世芬[4]對比驗證了鄰域平均濾波、高斯濾波和中值濾波這3種傳統空間濾波算法的實驗結果,最終選用了濾波效果更好、圖像更清晰的中值濾波方法,但該算法應用于高密度噪聲去噪處理時效果較差;蔣琳等[5]提出一種基于灰度直方圖的B樣條最小二乘擬合紅外圖像處理方法,B樣條最小二乘擬合算法可以在精確檢測熱斑的同時抑制噪聲,但該算法只是將非熱斑區域進行了分割,并未對圖像噪聲進行針對性處理;任超等[6]使用的混合噪聲去噪算法在經典BM3D(3D Block Matching)算法的基礎上增加了多級非線性加權平均中值濾波,提高了對混合噪聲中椒鹽噪聲的濾除能力,但該算法計算量大,復雜度較高,不利于實際應用。綜上所述,光伏熱斑紅外圖像混合噪聲去噪算法相關研究的應用性仍有待加強,且缺少針對性的混合噪聲濾除算法。

本文通過對光伏熱斑紅外圖像中的噪聲進行分析,總結得出熱斑紅外圖像主要含有高斯噪聲和椒鹽噪聲,針對高斯-椒鹽混合噪聲的濾除問題,提出一種基于主成分分析(Principal Component Analysis,PCA)的混合噪聲自適應去噪算法。該算法在對噪聲圖像進行PCA變換之前采用自適應窗口預處理操作,可以濾除圖像中的部分噪聲以減小噪聲估計時的誤差,同時針對高強度噪聲情況,算法先對預處理圖像的噪聲水平進行估計并更新,再進行二次PCA變換,實現對噪聲圖像的進一步去噪處理。實驗結果表明:本算法經過預處理后去噪效果顯著,能夠保留熱斑形態信息,擁有良好的主觀視覺效果,同時客觀評價指標均有所提高。

2 光伏熱斑紅外圖像噪聲分析

由于紅外成像系統自身特質及環境變化等因素,其一般呈現以下特點:與相應的可見光圖像相比,紅外圖像更為模糊;紅外圖像包含的噪聲比較多,噪聲強度大;紅外圖像具有非均勻性,直觀上表現為圖像的畸變等。

光伏組件紅外圖像不但具有一般紅外圖像的特點,而且由于所處環境的不同,還會產生許多影響光伏組件紅外圖像成像的特殊條件,如環境溫度、周圍障礙物、拍攝角度以及天氣等,這些特點導致對光伏組件進行實時拍攝所獲取的紅外圖像會含有許多噪聲,且產生噪聲種類的隨機性和噪聲分布的復雜性會使光伏熱斑紅外圖像的信噪比相對較低,且圖像邊緣更模糊。

一般圖像中包含的噪聲種類繁多,按照噪聲幅度的概率密度函數(Probability Density Functions, PDF)分布情況進行區分,可以分為高斯噪聲、瑞麗噪聲、指數噪聲、伽馬噪聲、均勻噪聲以及椒鹽噪聲等[7]。不同類型的噪聲需要用不同的濾波器來消除,最常用的空間域去噪濾波器主要分為線性濾波器和非線性濾波器兩種[8-9]。線性濾波器主要用于去除高斯噪聲,如均值濾波器、線性加權濾波器、倒數梯度加權濾波器等都屬于線性濾波器的范疇。而非線性濾波器主要是中值濾波器,中值濾波一般用于消除椒鹽噪聲[10-11]。

影響熱斑紅外圖像的噪聲主要分為兩大類:高斯噪聲和椒鹽噪聲。高斯噪聲指PDF服從高斯分布(即正態分布)的一類噪聲,利用紅外相機進行拍照或使用熱像儀采集圖像時,由于儀器電子系統內部的隨機變化以及物理器件本身具有的特性,所獲得的紅外圖像容易產生高斯噪聲;椒鹽噪聲則是在傳感器進行信號傳輸過程中,由于外界環境的干擾,造成信號在某一點傳輸錯誤而劇烈突變形成的,會導致圖像受損,像素取最大或最小灰度值(255和0),從而造成圖像細節丟失,質量下降[12]。為了提高對后續熱斑圖像進行識別檢測的效率,需要首先對圖像的高斯-椒鹽混合噪聲進行去噪處理。

3 本文算法及實現步驟

本文根據熱斑紅外圖像的噪聲特點,提出一種基于主成分分析的熱斑紅外圖像混合噪聲自適應去噪算法。主成分分析法通過PCA變換進行降維處理,提取信息分量,舍棄噪聲分量,實現降噪目的。PCA算法對于高斯噪聲有明顯去噪效果,但噪聲的存在會影響PCA變換矩陣的精確度,尤其是在處理椒鹽噪聲等非高斯分布噪聲時,PCA算法提取的主成分與真正的信息分量有一定偏差。由于主成分分析法在混合噪聲濾除方面具有一定的局限性,所以將采集到的光伏熱斑紅外圖像先進行自適應窗口預處理,濾除大部分椒鹽噪聲,降低PCA變換時噪聲對主成分提取范圍的影響,然后利用圖像的局部相似性進行PCA變換,提取出主成分后再采用線性最小均方誤差(linear Minimum Mean Squared Error,LMMSE)算法進行去噪處理。該算法可以在有效去除高斯噪聲和椒鹽噪聲的同時,很好地保持圖像的細節信息,并提高圖像的信噪比,方便后續的熱斑提取與故障檢測工作。

3.1 自適應窗口預處理

椒鹽噪聲在紅外圖像中表現為一種隨機出現的白點或者黑點,其像素值為0或255。假設對一幅含有椒鹽噪聲紅外圖片的某一區域內所有像素的灰度值從大到小進行排序,則在這個序列數組中,所有椒鹽噪聲點的灰度值一定會分布在數組的兩端,將這個數組兩端的所有極值點(疑似噪聲點)去除后,用剩余像素點的灰度值中值來代替疑似噪聲點的灰度值,這樣就可以在有效保留紅外圖像像素信息的同時濾除噪聲點對圖像內容的影響[13-15]。

在這一噪聲濾除環節,直接影響去噪效果的一個關鍵因素是所選取濾波窗口的大小。對于固定的濾波窗口,去除噪聲和保護圖像細節信息的目標是矛盾的:如果選取的濾波窗口較小,窗口內像素點的灰度值變化較小,剩余像素灰度值的中值與被替代像素點的灰度值誤差較小,能夠更好地保護圖像中的一些細節信息,但同時部分噪聲點也會被誤認為圖像信息點而得到保留,降低椒鹽噪聲的濾除效果;反之,如果選取的濾波窗口尺寸比較大,窗口內像素點增多意味著灰度值樣本變大,可以更準確地識別噪聲點,雖然會獲得更好的噪聲濾除效果,但可能會因為剩余像素灰度值的中值與被替代像素點灰度值誤差大而丟失圖像中的部分細節信息,使處理后的圖像變得模糊[16]。因此,本文設計算法通過判斷固定濾波窗口內每一個像素點的灰度值是否是極值來確定椒鹽噪聲點的數量,提出可以根據初始窗口內椒鹽噪聲點數量的多少進行濾波窗口自適應變化的預處理算法。自適應窗口預處理算法流程圖如圖1所示。

圖1 自適應窗口預處理算法步驟圖

在本文算法中,初始窗口大小被設定為3×3,窗口最大可擴充至7×7。若剔除極值后的3×3窗口內仍剩余像素值時,認為當前窗口內噪聲較小,直接進行灰度中值替換操作,可最大限度保留圖像細節信息。當檢測到3×3窗口內全是極值點時,擴大窗口至5×5,重新進行檢測,最終可在7×7大小的窗口內進行檢測。若檢測到7×7大小的窗口內仍是全為極值點的情況(概率極小),則考慮極值點可能是原圖像信息中的像素點,故不進行灰度中值替換操作。

本算法首先對圖像進行邊緣擴充,然后根據預設好的條件動態改變濾波窗口的尺寸,完成噪聲濾除的同時兼顧保護了細節信息,可實現以下去噪要求:濾除椒鹽噪聲;平滑其他非脈沖噪聲;保護圖像中的細節信息;檢測到噪聲較少時不用擴大窗口,既保證了去噪效果又節省了時間。

3.2 基于塊匹配的PCA圖像去噪

主成分分析法是一種基于統計理論的字典學習算法[17],通過PCA變換可以將高維空間的計算問題轉化到低維空間進行處理,大大提高了運算效率。在圖像去噪領域,利用主成分分析法可以提取圖像的主要信息特點,對含噪圖像進行PCA變換,可以實現針對高斯白噪聲的明顯去噪效果[18]。

使用主成分分析法需要采集充足的訓練樣本,本文采集訓練樣本的方法結合塊匹配(Local Pixel Grouping,LPG)思想,將待去噪的像素點及其最近鄰捆綁組成一個變量塊,并將該變量塊看作一個整體,在附近區域內尋找與其結構相似的部分像素塊作訓練樣本[19-20]。如圖2所示:以待去噪像素點為中心,設置一個窗口大小為b×b的變量塊,然后以b×b變量塊中的每一像素為左上頂點選取對應大小為(s+1)×(s+1)的訓練樣本,得到b2×(s+1)2大小的原始訓練樣本集。在該原始樣本集中,某些像素塊可能在結構上與待去噪變量塊有很大的差異,如果直接使用樣本集中全部的訓練樣本進行訓練,不但會增加計算的工作量,同時還會使PCA變換得到的協方差矩陣不準確。為解決這一問題,本算法采用在訓練框中選取與待去噪變量塊的歐氏距離最近的L組訓練樣本,組成b2×L大小的訓練樣本集。樣本數量L的取值決定了算法運行的效率和最終去噪效果,文獻[19]中的測試數據結果顯示:L的取值范圍在2b2～ 5b2較為合適,本文取L=250。

圖2 基于LPG-PCA的去噪模型

在一個數據集中,一般認為信息分量的方差遠大于噪聲分量的方差。根據這一理解,將一幅圖像進行PCA變換就是將圖像中所有信息組成的n維數據集投影到k維上(n>k),以尋找最大方差的方向[21]。以一個n行m列的矩陣X為例,進行PCA變換的計算步驟如下:

(2) 計算矩陣Xi的協方差矩陣CX,并求出協方差矩陣CX的特征值對角陣Λ以及對應的特征向量矩陣Φ:

將原始數據集進行PCA變換后得到一個新的數據集。一般來說,原始噪聲圖像的主要信息分量會集中在新數據集中的幾個小子集上,而噪聲分量會均勻分布在整個新數據集中。因此,在PCA變換域中,可以更好地區分圖像主要信息和噪聲信息。本文采用線性最小均方誤差估計(LMMSE)法[22-23]對PCA變換域中的含噪矩陣Yn進行降噪處理,算法公式如下:

其中,var(·)為方差,x表示原始無噪像素的真實值,y表示含噪像素值,σ代表原始噪聲的標準差。

3.3 更新噪聲水平

當原始噪聲圖像中的噪聲含量較多時,不僅會使塊匹配時的訓練樣本集選取有誤差,還會導致進行PCA變換后含噪矩陣的估計出現偏差[19],這些影響都會致使最終降噪效果不理想。為了獲取視覺效果更好的去噪圖像,本文在原始噪聲圖像經過PCA算法一次處理后,重新計算去噪圖像的當前噪聲水平并進行更新代入,然后根據新的噪聲標準進行二段LPG-PCA去噪流程。

其中,N表示原始圖像中的噪聲,Ns為一段去噪后圖像中的殘余噪聲,令其標準差為σs,則噪聲標準差的估計值可表示為

在實際應用中,進行噪聲估計時不僅要計算一次去噪后的噪聲殘差,還要考慮原始噪聲圖像Xn的估計誤差。因此,設置一個常數參量cs(0

最終,噪聲估計值σs的表達式為

其中,本文取cs=0.36。

綜上所述,本文所用去噪算法流程圖如圖3所示。

圖3 基于主成分分析的混合噪聲自適應去噪算法流程圖

4 實驗結果與分析

4.1 客觀評價指標選取

本文選取以下兩種參數對光伏熱斑紅外圖像的去噪效果進行評價[24]。

(1)RPSNR(Peak Signal to Noise Ratio),峰值信噪比。RPSNR的單位是dB,其數值越大表示圖像的失真越小。公式如下:

其中,RMSE指當前圖像與原始圖像之間的均方誤差值。

(2)RSSIM(Structure Similarity),結構相似性。RSSIM分別從亮度、對比度以及結構三個方面度量圖像的相似性,取值范圍為[0,1],其數值越大表示圖像失真越小。公式如下:

其中,μX、μY分別表示原始圖像X和去噪圖像Y的均值;σX、σY分別表示原始圖像X和去噪圖像Y的方差,σXY表示原始圖像X和去噪圖像Y的協方差;C1、C2為常數,設置常數C1、C2是為了避免出現分母為0的情況,通常情況下取C1=(0.01×255)2、C2=(0.03×255)2。

4.2 實驗結果對比

本文在Windows 11 Home 64位操作系統的計算機上以MATLAB R2019a為程序仿真運行平臺,處理器為Intel(R) Core(TM) i5-11260H @ 2.60 GHz,內存為16.0 GB。為了驗證上述算法的有效性和實際可行性,選取兩幅大小為256×256像素的光伏熱斑紅外圖像[1],對兩幅圖像同時加入不同程度的高斯噪聲和椒鹽噪聲(5/0.05、10/0.1、20/0.3),選取兩種圖像去噪算法分別對加噪圖像進行濾波處理后與本文算法的去噪結果進行對比,分別是修正的阿爾法均值濾波算法[15]、NL-means算法[25]。其中,修正的阿爾法均值濾波器是一種非線性空間域濾波器,它將濾波范圍內的數據按從大到小和從小到大的順序進行排序,去除部分數據后計算剩余均值以代替去噪點像素值,實現了去噪目標,適用于被混合噪聲污染過的圖像進行去噪;NL-means算法通過對圖像進行加權平均來濾除噪聲,采用兩步去噪方法,首先進行相似組塊的選擇,用以待去噪像素點為中心的圖像塊之差的歐氏距離求出其權值,然后進行NL-Means算法計算,NL-Means算法可以較好地抑制白噪聲,對圖像結構也有較好的保持能力。各算法的RPSNR/RSSIM結果對比見表1。

表1 不同算法的去噪效果比較(RPSNR/RSSIM)

從表1可以看出:NL-means算法針對低密度混合噪聲有較好的去噪效果,在混合噪聲等級為5/0.05時,經NL-means算法去噪后的兩幅圖像峰值信噪比分別為27.498 8 dB和25.087 8 dB,但隨著噪聲密度增加,在噪聲等級為20/0.3時,峰值信噪比僅為16.355 8 dB和15.317 7 dB,其降噪性能下降約39.73%。與此同時,在低密度高斯噪聲和椒鹽噪聲污染下,本文所采用的自適應算法與修正的阿爾法均值濾波算法去噪結果評價相近。但隨著混合噪聲污染程度的增加,本文算法的去噪效果在峰值信噪比和結構相似性兩種客觀評價指標上均優于修正的阿爾法均值濾波算法。在噪聲強度為20/0.3時,本算法的峰值信噪比相較于修正的阿爾法均值濾波算法平均高出2 dB,結構相似性相較于修正的阿爾法均值濾波算法也多出0.13左右。

圖4對比展示了無背景的多熱斑紅外圖像在噪聲污染為10/0.1的情況下原始含噪圖像與經過NL-means算法、修正的阿爾法均值濾波算法以及本文算法去噪后的圖像去噪效果。圖4中可以看出:在該噪聲強度下,經過NL-means算法去噪后的圖像在噪聲減少的同時,圖像細節信息也相應減少了,且熱斑區域邊緣模糊不清,只能看到大概的輪廓,這樣的去噪效果必然不利于后續的熱斑提取與檢測工作。反觀,本文算法與修正的阿爾法均值濾波算法在去除噪聲的同時都對圖像輪廓及熱斑區域的邊緣信息有較好的保留,但修正的阿爾法均值濾波算法使圖像部分邊緣出現了輕微的鋸齒狀,因此,本文算法的視覺效果優于修正的阿爾法均值濾波算法。

(a) 含10/0.1噪聲圖像 (b) NL-means算法

圖5為含有大量背景信息的光伏熱斑紅外圖片在噪聲強度為20/0.3情況下的原始含噪圖像與經過NL-means算法、修正的阿爾法均值濾波算法以及本文算法去噪后的圖像去噪效果的對比?？梢钥闯?在高強度噪聲污染條件下,NL-means算法的降噪性能較差,較難恢復圖像所包含的原有信息,圖片中難以分辨熱斑區域形態;同時,修正的阿爾法均值濾波算法對含噪原圖像的整體具有良好的降噪能力,但對于部分細節信息也容易被濾除,不能較好地保持圖像輪廓細節,熱斑邊緣信息被破壞。而經過本文算法去噪后的圖像能夠清晰地保留熱斑形態,光伏板與背景區域的邊界區分明顯,視覺觀感優于前兩者,便于后續熱斑的提取與檢測。

(a) 含20/0.3噪聲圖像 (b) NL-means算法

經上述實驗驗證:本文算法擁有較其他算法更為明顯的去噪效果。但本文算法仍存在改進空間,比如雖然針對高強度噪聲的二次處理效果比一次處理有明顯改善,但低強度噪聲水平下兩次處理的效果單獨看沒有較大差別,可以理解為本算法在進行低密度噪聲去除時進行了重復工作,性價比不高。因此,未來的算法改進工作可以考慮在進行主成分分析前先識別預處理后的噪聲強度,以確認是否進行二次PCA變換操作,在保證去噪效果的同時提高工作效率。

5 結 論

在分析了光伏熱斑紅外圖像的噪聲特點后,發現高斯噪聲和椒鹽噪聲為影響圖像質量的兩大典型噪聲,且噪聲無法避免。針對混合噪聲特點,提出一種基于主成分分析的光伏熱斑紅外圖像混合噪聲自適應去噪算法。該算法在進行主成分分析前對噪聲圖像進行了自適應窗口預處理,減小了PCA變換時對噪聲估計的誤差,同時考慮高強度噪聲難以去除的問題,在一次去噪結束后重新計算當前噪聲水平,進行二次PCA變換并去噪,得到最終降噪圖片。實驗結果表明:無論在低強度還是高強度噪聲影響下,本文算法針對高斯和椒鹽的混合噪聲都有較好的去噪效果,在有效濾除噪聲的同時保留了熱斑形態信息,避免了邊緣模糊問題,用于實際工作中可提高后續熱斑提取與檢測工作的效率。