一种基于分块稀疏算法的煤矿井下图像处理方法与流程

本发明涉及图像处理技术领域，具体涉及一种基于分块稀疏算法的煤矿井下图像处理方法。

背景技术

随着物联网技术在煤矿生产中的应用，用于异构复杂传感器所采集的实时监控数据、语音视频图像信息以及人员与人员、人员与设备、设备与设备间的交互信息将呈现几何倍数的增长，这些海量数据对煤矿现有的网络传输线路和设备、数据处理和存储设备都将形成巨大挑战。

随着矿山物联网的不断发展，越来越多的问题突显出来，在煤矿井下及地面上无线网络节点分布越来越多，尤其是井下，更加倾向于无人值守作业的智能操作。提高煤炭生产的安全性及高效性是必然的趋势，各个节点采集和处理的数据量将呈几何式的増长，带来的一系列问题将使物联网资源严重消耗，生存周期缩短。

技术实现要素：

本发明的目的是为了解决现有技术的不足，提供一种基于分块稀疏算法的煤矿井下图像处理方法。

本发明的目的是通过以下技术方案实现的：

一种基于分块稀疏算法的煤矿井下图像处理方法，至少包括以下步骤：

步骤1，将图像进行五层小波分解，所述图像为n×n的图像，每层小波分解将图像分为低频部分(ll)和高频部分(hl，lh，hh)；

步骤2，利用sobel算子对图像进行边缘信息检测，设置每层子带的采样率；

步骤3，根据采样率，自适应地对变换后的各层子带的高频子带系数进行采样，并通过测量得到高频子带系数值矩阵；

步骤4，对步骤3中测量后的高频子带系数部分，分别采取逐列、逐行及按对角方向处理，进行自适应恢复；最后与低频子带系数一起进行波逆变换，重构图像。

上述的方法，其中，在所述步骤1中，对图像行五层小波分解的具体步骤为：

(1)第一层小波分解：对n×n的图像进行小波分解，得到四个小波子带系数{hh1,hl1,lh1,ll1}，将各小波子带系数大小记为n1×n1；

(2)第二层小波分解：对小波子带系数ll1继续进行小波分解，得到四个小波子带系数{hh2,hl2,lh2,ll2}，将各小波子带系数大小记为n2×n2；

(3)第三层小波分解：对小波子带系数ll2继续进行小波分解，得到四个小波子带系数{hh3,hl3,lh3,ll3}，将各小波子带系数大小记为n3×n3；

(4)第四层小波分解：对小波子带系数ll3继续进行小波分解，得到四个小波子带系数{hh4,hl4,lh4,ll4}，将各小波子带系数大小记为n4×n4；

(5)第五层小波分解：对小波子带系数ll4继续进行小波分解，得到四个小波子带系数{hh5,hl5,lh5,ll5}，将各小波子带系数大小记为n5×n5。

上述的方法，其中，在所述步骤2中，每层子带的采样率为s＝m/n′，其中，s为预设值，n′分别为n1,n2,n3,n4,n5。

上述的方法，其中，所述步骤3具体包括以下步骤：

根据采样率s＝m/n′得到m的值，构造m×n′大小的服从(0,1/n′)的高斯随机矩阵φ，高斯随机矩阵φ仅对各高频子带系数{hh5,hl5,lh5，hh4,hl4,lh4，hh3,hl3,lh3，hh2,hl2,lh2，hh1,hl1,lh1}进行自适应采样，并通过测量得到五个子带层的高频子带系数值矩阵{hh5’,hl5’,lh5’，hh4’,hl4’,lh4’，hh3’,hl3’,lh3’，hh2’,hl2’,lh2’，hh1’,hl1’,lh1’}。

上述的方法，其中，在所述步骤3中，保持低频子带系数不变。

上述的方法，其中，在所述步骤4中，利用romp算法分别对各高频子带系数{hh5’,hl5’,lh5’，hh4’,hl4’,lh4’，hh3’,hl3’,lh3’，hh2’,hl2’,lh2’，hh1’,hl1’,lh1’}逐行、逐列及按对角方向进行重构，最后将其与低频子带系数ll5一起进行小波逆变换，得到恢复的图像。

综上所述，由于采用了上述技术方案，本发明与现有技术相比，有以下优点：

通过本发明的方法，可以更清晰和方便的处理煤矿井下图像，改进图像还原的质量，提高对各个节点大量采集的数据的处理效率，提高煤炭生产的安全性及高效性。

附图说明

图1是本发明的图像进行第一层小波分解后的低频部分和高频部分示意图；

图2是本发明提供的煤矿井下图像的原图示意图；

图3是通过传统方法处理煤矿井下图像原图后的图像示意图；

图4是通过本发明的方法处理煤矿井下图像原图后的图像示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细介绍。

请参见图1～4，本发明提供了一种基于分块稀疏算法的煤矿井下图像处理方法，首先将图像进行五层小波分解，图像为n×n的图像，每层小波分解将图像分为低频部分(ll)和高频部分(hl，lh，hh)。

对图像行五层小波分解具体包括以下步骤：

(1)第一层小波分解：对n×n的图像进行小波分解，得到四个小波子带系数{hh1,hl1,lh1,ll1}，将各小波子带系数大小记为n1×n1，请参见图1；

(2)第二层小波分解：对小波子带系数ll1继续进行小波分解，得到四个小波子带系数{hh2,hl2,lh2,ll2}，将各小波子带系数大小记为n2×n2；

(3)第三层小波分解：对小波子带系数ll2继续进行小波分解，得到四个小波子带系数{hh3,hl3,lh3,ll3}，将各小波子带系数大小记为n3×n3；

(4)第四层小波分解：对小波子带系数ll3继续进行小波分解，得到四个小波子带系数{hh4,hl4,lh4,ll4}，将各小波子带系数大小记为n4×n4；

(5)第五层小波分解：对小波子带系数ll4继续进行小波分解，得到四个小波子带系数{hh5,hl5,lh5,ll5}，将各小波子带系数大小记为n5×n5。

然后利用sobel算子对图像进行边缘信息检测，设置每层子带的采样率为s＝m/n′，其中，s为预设值，n′分别为n1,n2,n3,n4,n5。

根据采样率，自适应地对变换后的各层子带的高频子带系数进行采样，并通过测量得到高频子带系数值矩阵。具体方法为：

根据采样率s＝m/n′得到m的值，m是指采样点数。构造m×n′大小的服从(0,1/n′)的高斯随机矩阵φ，高斯随机矩阵φ为高斯分布的测量矩阵，通过高斯随机矩阵φ仅对各高频子带系数{hh5,hl5,lh5，hh4,hl4,lh4，hh3,hl3,lh3，hh2,hl2,lh2，hh1,hl1,lh1}进行自适应采样，并通过测量得到五个子带层的高频子带系数值矩阵{hh5’,hl5’,lh5’，hh4’,hl4’,lh4’，hh3’,hl3’,lh3’，hh2’,hl2’,lh2’，hh1’,hl1’,lh1’}。同时，保持低频子带系数不变。

然后，对测量后得到的高频子带系数部分，利用romp算法分别采取逐列、逐行及按对角方向进行重构，最后将其与低频子带系数ll5一起进行小波逆变换，得到恢复的图像。

本发明利用正则化正交匹配追踪算法(romp)，每次迭代选择与残差相关的多列，通过任意满足rip条件的感知矩阵恢复任意稀疏信号，提供了最优化方法的强力保证。该算法描述如下：

输入：

(1)m×n的传感矩阵θ；

(2)n×1观测向量s；

(3)信号的稀疏度k。

输出：

(1)信号稀疏表示系数估计

(2)n×1维残差rk＝y-θkyk。

具体实施过程为：

(1)初始化r0＝s，t＝1；

(2)鉴定：计算u＝abs[a^trt-1]即(计算＜rt-1,πj＞，1≤j≤n)，选择u中k个最大值或所有非零值(若非零坐标个数小于k)，将这些值对应θ的列序号j构成集合j(列序号集合)；

(3)正则化：在集合j中寻找子集j0，满足|u(i)|≤2|u(j)|i,j∈j0，选择所有满足要求的子集j0中具有最大能量的j0；

(4)令λt＝λt-1∪j0,θt＝θt-1∪πj(j∈j0)；

(5)求s＝θtyt的最小二乘解：

(6)更新残差

(7)t＝t+1，如果t≤k则返回第(2)步，如果t＞k或||λt||≥2k(||λt||0表示集合中的元素个数)或残差rt＝0则停止迭代进入第(8)步；

(8)重构所得在λt所有非零项，其值分别为最后一次迭代所得

(9)得到后，利用稀疏矩阵可得重构信号

其中：rt表示残差，t表示迭代次数，φ表示空集，j0表示每次迭代找到的索引(列引号)，λt表示t次迭代的索引(序列号)集合(注意：设元素个数为lt，一般有lt≠t，因为每次迭代找到的索引j0一般并非只含一个序列号)，πj表示矩阵θ的第j列，θt表示按索引λt选出的矩阵θ的列组合，yt为lt×1的列向量，符号∪表示集合并计算，<·,·>表示求向量内积，abs[·]表示求模值(绝对值)。

请参见图2～4，通过本发明的方法，可以更清晰和方便的处理煤矿井下图像，改进图像还原的质量，提高对各个节点大量采集的数据的处理效率。通过本发明更高质量的图像还原效果，针对煤矿井下环境恶劣的情况，可以提高监控准确度，不仅有助于安全生产，还可以使煤炭生产更加高效。

以上所述的实施例仅用于说明本发明的技术思想及特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，不能仅以本实施例来限定本发明的专利范围，即凡依本发明所揭示的精神所作的同等变化或修饰，仍落在本发明的专利范围内。