基于改进小波阈值的无人机巡检图像去噪方法

doi:10.3969/j.issn.1008-0198.2024.06.016

湖南电力 ›› 2024, Vol. 44 ›› Issue (6): 113-119.doi: 10.3969/j.issn.1008-0198.2024.06.016

基于改进小波阈值的无人机巡检图像去噪方法

刘云飞¹, 周光远¹, 尹凤梅², 刘聪¹, 郭清玥¹, 黄照阳¹

1.国网湖北省电力有限公司荆门供电公司,湖北荆门 448000;
2.湖北信息工程学校,湖北荆门 448000

收稿日期:2024-08-12 修回日期:2024-09-18 出版日期:2024-12-25 发布日期:2024-12-25
通信作者: 刘云飞（1994）,男,工程师,研究方向为智能电网、电网新技术应用。
基金资助:
国家电网有限公司科技项目（5500-202322539A-3-2-ZN）

Denoising Method of UAV Inspection Image Based on Improved Wavelet Threshold

LIU Yunfei¹, ZHOU Guangyuan¹, YIN Fengmei², LIU Cong¹, GUO Qingyue¹, HUANG Zhaoyang¹

1. State Grid Jingmen Power Supply Company, Jingmen 448000, China;
2. Hubei Information Engineering College, Jingmen 448000, China

Received:2024-08-12 Revised:2024-09-18 Online:2024-12-25 Published:2024-12-25

摘要/Abstract

摘要： 针对基于传统小波阈值的无人机巡检图像去噪方法存在的不足,提出一种改进的小波阈值去噪方法。通过改进阈值选取方式和阈值函数,无人机巡检图像去噪效果更加显著,并适用于解决多分辨率问题。改进的阈值函数通过引入调节因子避免了硬阈值函数不连续从而导致在图像重构时产生的震荡,同时避免了软阈值函数存在固定偏差导致的图像重构时精度下降、图像失真问题。通过改进阈值选取方式,克服了传统的阈值选取方法造成的去噪不彻底或者图像有用信息损失过多的问题。

关键词: 无人机, 电力巡检, 小波变换, 图像去噪, 阈值处理

Abstract: Aiming at the deficiencies of unmanned arerial vehicle (UAV) inspection image denoising method based on the traditional wavelet threshold,an improved wavelet threshold denoising method is proposed. By improving the threshold selection method and threshold function, the denoising effect of UAV inspection image is more remarkable and suitable to solve the multi-resolution problem. By introducing regulating factors the improved threshold function avoids the discontinuity of hard threshold function which can lead to oscillations during image reconstruction and the fixed deviation of soft threshold function which can lead to loss of accuracy and distortion in image reconstruction. The improved threshold selection method avoids the problem that denoising is incomplete or the useful image information is lost too much caused by the traditional threshold selection method.

Key words: unmanned aerial vehicle (UAV), power inspection, wavelet transform, image denoising, threshold processing

中图分类号:

TM755

刘云飞, 周光远, 尹凤梅, 刘聪, 郭清玥, 黄照阳. 基于改进小波阈值的无人机巡检图像去噪方法[J]. 湖南电力, 2024, 44(6): 113-119.

LIU Yunfei, ZHOU Guangyuan, YIN Fengmei, LIU Cong, GUO Qingyue, HUANG Zhaoyang. Denoising Method of UAV Inspection Image Based on Improved Wavelet Threshold[J]. Hunan Electric Power, 2024, 44(6): 113-119.

参考文献

[1] 杨洪朝,席燕辉,项胜,等. 基于深度学习的输电线路巡检无人机图像分类方法[J]. 湖南电力,2024,44(1):53-58.
[2] 陈重旭. 高压输电线路无人机巡检图像目标检测理论及算法研究[D]. 重庆:重庆大学,2021.
[3] 霍红刚,周蠡,蔡杰,等. 基于先验知识Faster R-CNN的输电线路无人机图像识别方法[J]. 智慧电力,2024,52(6):108-115.
[4] 倪澎涛. 研究数字图像处理技术的现状及其发展方向[J]. 信息通信,2017,30(8):110-111.
[5] 李俊杰,张晓龙,王聪,等. 一种改进的BM3D绝缘子图像去噪算法[J]. 软件导刊,2021,20(8):191-194.
[6] 姜文涛,卜艺凡. 融合CNN和Transformer的图像去噪网络[J]. 计算机系统应用,2024,33(7):39-51.
[7] 韩天奇. 基于小波变换与深度学习的图像去噪算法研究[D]. 张家口:河北建筑工程学院,2023.
[8] ZHANG K,ZUO W,ZHANG L.FFDNet:toward a fast and flexible solution for CNN-based image denoising[J]. IEEE Transactions on Image Processing,2018,27(9):4608-4622.
[9] 逯兆虎,贾少雷,李广豪,等. 自适应新小波阈值函数中子图像去噪方法[J]. 同位素,2024,37(2):153-163.
[10] MANJON J V,COUPE P,MARTI-BONMATI L,et al.Adaptive non-local means denoising of MR images with spatially varying noise levels[J]. Journal of Magnetic Resonance Imaging, 2010,31(1):192-203.
[11] ZHANG K,ZUO W,CHEN Y J,et al.Beyond a gaussian denoiser:Residual learning of deep cnn for image denoising[J]. IEEE Transactions on Image Processing,2017,26(7):3142-3155.
[12] 胡帅,高峰,龚卓然,等. 基于Transformer和通道混合并行卷积的高光谱图像去噪[J]. 中国图象图形学报,2024,29(7):2063-2074.
[13] 吴垒. 基于深度学习的图像去噪研究与应用[D]. 长春:吉林大学,2023.
[14] 林东升. 一种基于遗传算法的小波阈值去噪方法[J]. 科技与创新,2018(21):115-117.
[15] CAI J H,XIAO Y L.Impulse interference processing for MT data based on a new adaptive wavelet threshold de-noising method[J]. Arabian Journal of Geosciences,2017,10(18):407.
[16] 董广杰,林旭梅. 小波分析在图像降噪中的应用[J]. 微型机与应用,2013,32(12):32-34.
[17] 何永洋. 基于离散小波变换的图像压缩感知编码技术研究[D]. 南京:南京邮电大学,2018.
[18] 周小明. 基于小波去噪和梯度校正的分水岭图像分割技术研究[J]. 数学杂志,2019,39(4):583-588.
[19] WANG J F.A wavelet denoising method based on the improved threshold function[C]// 2014 International Conference on Wavelet Analysis and Pattern Recognition. Lanzhou,China. IEEE,2014:70-74.
[20] 曾友伟,杨恢先,唐飞,等. 基于灰色关联度改进的Contourlet变换图像去噪算法[J]. 计算机应用,2013,33(4):1103-1107.
[21] LI N,ZHANG J Y,DENG Z Y.Optimization of wavelet threshold denoising based on edge detection[C]//Ninth International Conference on Digital Image Processing(ICDIP2017).Hongkong,China.SPIE,2017,10420:137-141.
[22] CAO J,WANG P H,WU B,et al.Improved wavelet hierarchical threshold filter method for optical coherence tomography image de-noising[J]. Journal of Innovative Optical Health Sciences,2018,11(3):54-64.

基于改进小波阈值的无人机巡检图像去噪方法

Denoising Method of UAV Inspection Image Based on Improved Wavelet Threshold

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 10

编辑推荐

Metrics

本文评价

[1]	黄志鸿, 刘宇, 张辉, 徐先勇, 彭金柱. 基于自注意力感知的配电网杆塔点云语义分割[J]. 湖南电力, 2024, 44(6): 76-82.
[2]	黄志鸿, 颜星雨, 陶岩, 张辉, 徐先勇. 基于多模态图像信息的配电网部件定位方法[J]. 湖南电力, 2024, 44(6): 83-89.
[3]	李程威, 卢铃, 段新宇, 谢亿, 曹浩, 王兰博, 马威. 电力巡检应用中低噪声无人机旋翼降噪验证[J]. 湖南电力, 2024, 44(5): 45-49.
[4]	马兆兴, 刘金鑫, 李继, 王晶, 陈昊, 纪皓民, 王瑞华. 基于振动信号分析的高压断路器机械故障诊断方法[J]. 湖南电力, 2024, 44(5): 124-130.
[5]	张力, 周学明, 沈煜, 姚尧, 冯志强. 考虑输电线路弧垂变化的自适应无人机巡检航线规划研究[J]. 湖南电力, 2024, 44(4): 105-111.
[6]	杨洪朝, 席燕辉, 项胜, 徐志康. 基于深度学习的输电线路巡检无人机图像分类方法[J]. 湖南电力, 2024, 44(1): 53-58.
[7]	石曼伶, 罗珍珍, 郑鑫龙, 粟梅. 基于小波相对滑窗能量的直流微电网故障诊断方法[J]. 湖南电力, 2023, 43(5): 49-54.
[8]	李慧鹏, 黄道春, 邓永清, 李游, 曾昭强, 阮江军. 无人机巡检变电设备研究进展与展望[J]. 湖南电力, 2022, 42(6): 32-39.
[9]	张家盛, 梁进兴. 基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法[J]. 湖南电力, 2022, 42(5): 75-78.
[10]	吴锦秋, 刘汉君, 杨家开, 陈宇浩. 可见光影像与激光雷达点云融合技术在配网树障巡检中的应用[J]. 湖南电力, 2020, 40(6): 45-.