BM3D Method Combined with Non-subsampled Shearlet Transform for Removing Image Noise
-
摘要: 强噪声图像去噪一直是图像处理技术应用领域研究的热点，为进一步提高强噪声图像的去噪质量和对图像边缘的保护，针对三维块匹配（Block Matching 3D，BM3D）方法对强噪声图像去噪效果不佳及图像线状奇异性（如边缘）缺乏最优表示的问题，提出了基于二维非下采样剪切波变换（Non-subsampled Shearlet Transform，NSST）和BM3D的组合去噪方法。该方法首先对含噪图像进行NSST正变换，得到不同尺度和不同方向高频子带的剪切波系数；然后对每个尺度不同方向的高频子带求取贝叶斯阈值，并利用渐进半软阈值函数对各高频子带进行去噪；最后对低频子带和各去噪高频子带进行NSST逆变换，得到去噪结果。将去噪图像作为BM3D中基础估计阶段的预滤波，能够进一步提高基础估计阶段分组的正确性，为BM3D去噪奠定良好基础。组合去噪方法结合了NSST与BM3D的各自优势，仿真试验结果表明，对于低噪声图像，本方法和BM3D方法去噪效果相同，略优于非局部平均法；对于强噪声卫星影像，本方法去噪效果优于BM3D和非局部平均法。Abstract: Image denoising with strong noise (noise standard deviation σ≥40) is always a hot topic in the application field of image processing technology. In order to further improve the denoising quality and edge protection of images with strong noise, a combined denoising method based on 2D non-subsampled shearlet transform and BM3D was proposed to solve the problems of poor denoising effect of block-matching 3D (BM3D) on strong noise images and the lack of optimal representation of linear singularity (such as edge). Shearlet transform provides a local, multi-scale and multi-direction analysis method that can optimally represent the linear singularity of image. BM3D method has the best effect on image noise reduction (σ<40) among traditional noise reduction methods. The denoising steps of the combined method are as follows: Firstly, NSST forward transform is performed on the image with noise, and the shear wave coefficients of high-frequency subbands with different scales and directions are obtained. Then the Bayesian threshold values of the high-frequency subbands in different directions of each scale are obtained and the asymptotic semi-soft threshold function is used to denoise the high-frequency subbands. Finally, NSST inverse transform is performed on the low frequency subband and all the denoised high frequency subbands to obtain the denoising results. The denoised image is used as the pre-filter in the basic estimation stage of BM3D, which can further improve the correctness of the grouping in the basic estimation stage and lay a good foundation for the denoising of BM3D. The method of this paper combined the advantages of NSST and BM3D. Simulation results show that for low noise images, the method has the same denoising effect as BM3D, slightly better than that of NLmeans method. The method is superior to BM3D and NLmeans method for the denoising effect of satellite images with strong noise.
-
Key words:
- NSST /
- BM3D /
- Bayesian threshold /
- Linear singularity /
- Asymptotically semi-soft threshold function
-
引言
随着国家地震烈度速报与预警项目工程的实施，将在全国建设大量烈度计观测台站，弥补现有地震台网能力的不足，有效提高减灾和社会服务能力。其中，天津地区已在京津冀简易烈度计预警示范工程中先行建设了80个简易烈度计台站，与天津行政区内具备实时传输能力的测震台站和强震动台站共同组建天津地震预警观测系统（许可等，2019）。现有观测系统中缺少台站设备状态监控，台站各种设备基本处于未知状态，台网中心设备维护人员对台站设备状态的判断仅限于烈度计信号通断与否，台站出现故障后（如市电故障、电压不稳、网络故障、设备死机等），运维人员无法远程判断故障原因并进行有效处理，须到现场进行排查及维修，增加了运维成本，且效率较低。针对上述问题，设计烈度计台站远程监控系统，使台网和台站值班人员可在线实时查看仪器运行状态，及时发现各类设备故障，并对故障进行远程处理，提高台网管理与维护能力。
1. 监控系统的构成
烈度计台站远程监控系统物理架构如图 1所示，分为硬件设备和软件平台。硬件设备主要包括信息采集设备、服务器、PC和手机，其中，信息采集设备部署在烈度计台站，是整个监控系统的数据支撑，也是逻辑架构中的数据采集层。软件平台部署在监控中心，涉及业务层的使能平台和大数据页面、数据仓库层中的数据库、服务器中的MQTT中间件、手机APP等。
信息采集设备采集台站供电、网络、仪器状态等信息，将采集到的原始数据上传至使能平台进行存储，将原始数据传至解析器，解析器对电源数据、专业仪器数据、网络数据等进行类型分析，同时判断数据是否正常，并进行数据分类存储与统计分析，大数据界面通过GIS地图显示台站状态，对异常数据台站进行报警。运维人员查看报警台站实时数据信息，通过使能平台或手机APP向信息采集设备发送控制指令，对观测仪器等设备进行远程维护。
2. 信息采集设备
2.1 设备功能
烈度计台站信息采集设备通过对台站设备运行状态、供电状态、网络状态等进行全方位监测，及时发现并处理存在的问题，最大程度地减小设备离线率和故障率，确保台站设备安全可靠地运行。根据实际需求，本系统具有以下功能：
（1）基于NB-iot通信具有功耗低和费用低的特点，信息采集设备上行数据接口采用单独的NB-iot通信链路，信息采集设备采集台站监控信息，并通过NB-iot网络回传至台网监控中心的监控平台。
（2）信息采集设备可通过以太网口对台站现有连接网络设备（路由器和烈度计）进行网络通讯，发现问题及时报警。设备可通过以太网读取烈度计状态信息及实时数据信息，进而对专业设备状态进行监控（王建国等，2010）。
（3）信息采集设备支持接入、接出市电，并对市电电压、电流、功率、功率因数、频率、用电量等参数进行监测。同时信息采集设备不影响其他设备供电，即使信息采集设备出现故障，也不会影响其他设备的正常供电。
（4）设备具有多路I/O输入及1路RS485输入接口，支持其他设备接口接入，对设备运行状态进行监测，从而判断设备是否正常运行。
（5）信息采集设备设有1路继电器输出，将需控制设备的供电线路接入继电器常闭端，即可通过终端发送特定指令完成相应设备的关闭、打开和重启（陈吉锋等，2012）。
（6）信息采集设备内置电容，能保证台站在断电情况下短时间工作，将故障信息回传。
2.2 功能实现
设备核心功能模块主要包括核心嵌入式控制器（MCU）模块、NB通信模组模块、能耗测量模块、网络通讯模块。信息采集设备功能模块逻辑图如图 2所示，其中，主控模块是设备的核心，通过C语言和汇编语言实现设备核心算法与逻辑控制，完成对外围硬件的控制功能；电源模块为控制电路提供电源；数据采集模块实现不同通讯协议设备的接入，包括电能计量模块、I/O接口输入、RS485通讯接口等；以太网模块实现与本地路由器之间的通讯，通过TCP传输协议查询台站设备间的网络连通情况，包括烈度计、路由器等网络联通信息（宁晓青等，2019）；控制模块通过接收主控模块的指令实现设备断电、重启等操作；NB模块为通信模块，可使用3家运营商的NB服务，实现监控信息及控制指令的传输。
2.3 设备配置
上位机设备配置软件通过RS485接口与设备进行通信，实现NB-iot网络、以太网、测量量、烈度计等参数的配置，上位机配置软件界面如图 3所示。NB-iot网络参数配置实现设备与监控中心接收数据服务器的通信，需配置的主要参数包括MQTT服务器地址和端口、登陆ID及订阅主题；以太网参数配置实现设备与烈度计和路由器间的通信，需配置的主要参数包括设备网卡IP地址、网关地址和掩码地址；测量量参数配置实现台站网络与供电的监控测量，需配置的主要参数包括台站设备IP地址、环境参数（如电压、功率、温度等）；地震烈度计监测参数配置实现烈度计状态信息的监控测量，需配置的参数主要包括烈度计类型和IP地址。
3. 监控平台
监控平台是基于物联网侧设备接入使能的云化平台系统，能有效监控烈度计台站设备数据的采集、存储、分析、数据展现及发布、智能管控等，平台具备丰富的对外数据接口，可简单灵活地通过插件编程实现不停机对接收数据保存、解析、加解密、格式转换等。
3.1 逻辑架构
监控平台逻辑架构从功能层上分为数据仓库层、功能层和业务层（图 4）。
数据仓库层实现对数据存储表的管理，包括信息采集设备上传的原始数据表、解析数据表、用户管理表、业务报表、系统监控表、参数设备表。功能层包括监控平台实现的功能，如身份认证、数据解析、数据查询和报表分析等。业务层包括使能平台和大数据页面，使能平台主要完成数据查询统计和下行，大数据页面完成数据统计分析及展示。
3.2 功能模块
监控平台从使用上分为用户模块、设备模块、应用模块和解析器模块，其中，用户模块为基础，设备模块为纽带，应用模块为主干，解析器模块为重点，各模块功能见表 1。
表 1 监控平台各模块功能Table 1. Functions of monitoring platform modules模块 功能 用户模块 存储用户的基本信息，按登录用户信息显示不同的平台信息 设备模块 对上行数据进行分类，将数据与设备对应，对设备基本信息进行查询与维护 应用模块 作为设备与解析器的依托，控制设备离线监测、数据解析、设备报警等功能是否开启 解析器模块 将所有上行数据解析后展现在监控平台的大数据界面上 4. 系统应用
烈度计台站信息采集设备已在80个简易烈度计台站安装部署，监控平台在台网中心服务器进行部署，监控平台基于B/S架构进行设计，方便用户操作。值班人员通过监控平台大数据界面（图 5）查看台站运行状态，发现报警及时远程维护。监控系统在实际运行过程中多次监测到台站供电中断、网络故障和烈度计数据异常。当监测到台站供电中断时，运维人员第一时间给烈度计台站看护人员打电话确认供电故障的具体原因，确保供电故障及时修复；当监测到台站网络中断时，通过远程控制路由器重启解决由于路由器死机导致的网络故障；当监测到烈度计数据异常时，通过远程控制烈度计重启解决由于烈度计死机导致的数据异常问题。
监控平台还具有大数据统计分析功能，如可对台站报警类型及报警次数日排名、台站通信流量排名、台站电压日统计报表、报警次数月统计报表、台站报警类型占比、台站报警状态占比进行展示。运维人员可根据相关统计报表有针对性地对台站各类设备进行定向优化升级，保证观测数据的稳定可靠。
5. 结语
烈度计台站远程监控系统可实时监控烈度计台站各设备运行状态，设备如果出现故障可判断具体故障原因，并及时进行远程维护，减少运维成本，有效提高运维人员工作效率和监测数据的连续率，具有应用与推广价值。
-
表 1 去噪方法性能评价结果
Table 1. Performance evaluation table of denoising method
图像名称 Lena图像 点线面高对比度图像 无人机图像 卫星影像 噪声值 （低高斯噪声标准差30 dB） （强高斯噪声标准差100 dB） （强高斯噪声标准差100 dB） （强高斯噪声标准差100 dB） 评价参数 PSNR SSIM PSNR SSIM PSNR SSIM PSNR SSIM NL means方法 25.31 0.97 19.05 0.27 16.33 0.42 15.78 0.59 BM3D方法 28.56 0.98 23.94 0.43 22.07 0.60 21.32 0.74 本方法 28.61 0.98 26.05 0.75 23.03 0.71 22.42 0.80 
下载: 导出CSV
-
阿依古力·吾布力, 2015. 基于剪切波和NSST变换的图像增强算法研究. 乌鲁木齐: 新疆大学.Wubuli A., 2015. Research on image enhancement methods based on shearlet and NSST transform. Urumqi: Xinjiang University. (in Chinese) 车守全, 李涛, 包从望等, 2022. 矿区遥感图像去噪方法研究. 工矿自动化, 48（1）: 113—118, 124Che S. Q. , Li T. , Bao C. W. , et al. , 2022. Research on denoising method of remote sensing image in mining area. Journal of Mine Automation, 48(1): 113—118, 124. (in Chinese) 邓开元, 任超, 梁月吉等, 2019. 一种遥感影像混合噪声的去噪方法. 测绘通报, （2）: 28—31, 70Deng K. Y. , Ren C. , Liang Y. J. , et al. , 2019. A denoising method of mixed noise of remote sensing image. Bulletin of Surveying and Mapping, (2): 28—31, 70. (in Chinese) 冯岩, 薛瑞, 2014. 剪切波理论及其应用研究进展. 信阳师范学院学报: 自然科学版, 27（3）: 463—468Feng Y. , Xue R. , 2014. Advances in theory and application of shearlets. Journal of Xinyang Normal University: Natural Science Edition, 27(3): 463—468. (in Chinese) 龚俊亮, 何昕, 魏仲慧等, 2013. 基于贝叶斯估计的剪切波域局部自适应图像去噪. 液晶与显示, 28（5）: 799—804 doi: 10.3788/YJYXS20132805.0799Gong J. L. , He X. , Wei Z. H. , et al. , 2013. Local adaptive image denoising based on Bayesian estimation in shearlet domain. Chinese Journal of Liquid Crystals and Displays, 28(5): 799—804. (in Chinese) doi: 10.3788/YJYXS20132805.0799 韩文方, 2013. 基于稀疏表示的剪切波域图像去噪算法研究. 广州: 华南理工大学.Han W. F., 2013. Research on shearlet domain image denoising algorithm via sparse representation. Guangzhou: South China University of Technology. (in Chinese) 焦姣, 吴玲达, 2019. 形态学滤波和改进PCNN的NSST域多光谱与全色图像融合. 中国图象图形学报, 24（3）: 435—446Jiao J. , Wu L. D. , 2019. Fusion of multispectral and panchromatic images via morphological filter and improved PCNN in NSST domain. Journal of Image and Graphics, 24(3): 435—446. (in Chinese) 李彦, 汪胜前, 邓承志, 2011. 多尺度几何分析的图像去噪方法综述. 计算机工程与应用, 47（34）: 168—173, 218Li Y. , Wang S. Q. , Deng C. Z. , 2011. Overview on image denoising based on multi-scale geometric analysis. Computer Engineering and Applications, 47(34): 168—173, 218. (in Chinese) 刘迪, 贾金露, 赵玉卿等, 2021. 基于深度学习的图像去噪方法研究综述. 计算机工程与应用, 57（7）: 1—13Liu D. , Jia J. L. , Zhao Y. Q. , et al. , 2021. Overview of image denoising methods based on deep learning. Computer Engineering and Applications, 57(7): 1—13. (in Chinese) 马科, 2014. 红外图像的多尺度几何分析理论及应用研究. 成都: 电子科技大学.Ma K., 2014. Multiscale geometric analysis theory and application research of infrared image. Chengdu: University of Electronic Science and Technology of China. (in Chinese) 唐飞, 2014. 基于Contourlet变换和Shearlet变换的图像去噪算法研究. 湘潭: 湘潭大学.Tang F., 2014. Research on image denoising methods based on contourlet transform and shearlet transform. Xiangtan: Xiangtan University. (in Chinese) 吴安全, 沈长圣, 肖金标等, 2017. 基于一种渐进半软阈值函数的小波去噪. 电子器件, 40（2）: 396—399Wu A. Q. , Shen C. S. , Xiao J. B, et al. , 2017. Wavelet denoising based on an asymptotic semisoft thresholding function. Chinese Journal of Electron Devices, 40(2): 396—399. (in Chinese) 张杰, 史小平, 张焕龙等, 2019. 高噪声遥感图像稀疏去噪重建. 哈尔滨工业大学学报, 51（10）: 47—54Zhang J. , Shi X. P. , Zhang H. L. , et al. , 2019. High noise remote sensing image sparse denoising reconstruction. Journal of Harbin Institute of Technology, 51(10): 47—54. (in Chinese) 张胜男, 王雷, 常春红等, 2020. 基于三维剪切波变换和BM4 D的图像去噪方法. 山东大学学报（工学版）, 50（2）: 83—90Zhang S. N. , Wang L. , Chang C. H. , et al. , 2020. Image denoising based on 3 D shearlet transform and BM4 D. Journal of Shandong University (Engineering Science), 50(2): 83—90. (in Chinese) 赵洪臣, 周兴华, 彭聪等, 2019. 一种去除遥感影像混合噪声的集成BM3 D方法. 武汉大学学报·信息科学版, 44（6）: 925—932Zhao H. C. , Zhou X. H. , Peng C. , et al. , 2019. An integrated BM3 D method for removing mixed noise in remote sensing image. Geomatics and Information Science of Wuhan University, 44(6): 925—932. (in Chinese) Buades A., Coll B., Morel J. M., 2005. A non-local algorithm for image denoising. In: IEEE International Conference on Computer Vision and Pattern Recognition. San Diego: IEEE, 60—65. Dabov K. , Foi A. , Katkovnik V. , et al. , 2007. Image denoising by sparse 3-D transform-domain collaborative filtering. IEEE Transactions on Image Processing, 16(8): 2080—2095. doi: 10.1109/TIP.2007.901238 Donoho D. L. , Johnstone I. M. , 1994. Ideal spatial adaptation by wavelet shrinkage. Biometrika, 81(3): 425—455. doi: 10.1093/biomet/81.3.425 Donoho D. L. , 1995. De-noising by soft-thresholding. IEEE Transactions on Information Theory, 41(3): 613—627. doi: 10.1109/18.382009 Easley G. , Labate D. , Lim W. Q. , 2008. Sparse directional image representations using the discrete shearlet transform. Applied and Computational Harmonic Analysis, 25(1): 25—46. doi: 10.1016/j.acha.2007.09.003 Guo K. H., Labate D., Lim W. Q., et al., 2004, Wavelets with composite dilations. Electronic Research Announcements of the American Mathematical Society, 10: 78—87. Guo K. H., Kutyniok G., Labate D., 2005. Sparse multidimensional representations using anisotropic dilation and shear operators. Brentwood: Nashboro Press, 1—13. Guo K. H. , Labate D. , 2007. Optimally sparse multidimensional representation using shearlets. SIAM Journal on Mathematical Analysis, 39(1): 298—318. doi: 10.1137/060649781 Kutyniok G., Labate D., 2012. Shearlets: multiscale analysis for multivariate data. Boston: Springer. Labate D., Lim W. Q., Kutyniok G., et al., 2005. Sparse multidimensional representation using shearlets. In: Proceedings of SPIE 5914, Wavelets XI. San Diego: SPIE, 59140 U. Wang Z. , Bovik A. C. , Sheikh H. R. , et al. , 2004. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4): 600—612. doi: 10.1109/TIP.2003.819861 -
下载:
点击查看大图
计量
- 文章访问数: 110
- HTML全文浏览量: 37
- PDF下载量: 10
- 被引次数: 0
