随着计算机视觉的高速发展，模式识别已经走进了动车组的故障检测与识别，并形成了一套完备的动车组故障比对识别系统。但由于高速线阵相机安装在轨道旁边及轨道内，在列车经过时，经常会有灰尘颗粒落到摄像头上，从而导致高速线阵相机所拍摄到的动车图像上产生一条或多条灰度值较大的光亮噪声线条，此种噪声线条会导致动车图像比对识别(即同一动车组该次通过时所拍摄的动车图像，与上次通过时所拍摄的动车图像之间的差异比较)结果产生大量的误报，而这是标准所不允许的。因此，在进行图像比对识别之前，必须对图像上的噪声进行去除。

图像去噪是图像预处理不可或缺的一个环节。噪声的种类很多，与之对应的去噪算法也非常之多。经典的去噪算法大都以滤波算法^{[1, 2, 3, 4, 5, 6, 7]}为主，或者以滤波算法为基础的改进算法，如文献^{[8, 9, 10, 11, 12, 13, 14, 15, 16]}。然而，迄今为止，没有一个通用的去噪算法能够对任何种类的噪声进行很好的去除。因此，本文针对“动车图像比对识别结果”影响较大的光亮噪声线条，提出了一种基于局部像素特征的图像去噪算法。通过与3种经典去噪算法进行比较，以及大量的实际应用表明，该算法不仅能够有效地去除光亮的噪声线条，且对未产生光亮噪声线条的图像部分不产生任何影响，具有很好的鲁棒性。

1 经典去噪算法

常用的经典去噪算法主要有均值滤波、中值滤波以及高斯滤波3种算法。这3种算法对一般的图像噪声的去除效果较好，因此被广泛地应用于图像预处理中。

1.1 均值滤波算法

均值滤波是典型的线性滤波，其基本思想是利用目标像素点及其周围几个像素点的灰度平均值来代替目标像素点的灰度值。均值滤波的主要步骤为：选择一个以目标像素点为中心的n×n模板，其中，n为大于1的奇数；计算模板中所有像素点的灰度平均值；将该灰度平均值赋值给目标像素点。

1.2 中值滤波算法

中值滤波属于非线性平滑技术，其基本原理是通过选取与待处理点周围的像素点的灰度值相近的值，来代替待处理点的灰度值，从而减小待处理点与周围像素点的灰度差值，实现噪声的去除。中值滤波的具体步骤为：选取模板，并将模板中心与待处理点重合；将模板下对应的像素点的灰度值，按照从小到大的顺序进行排列；将排在中间位置的灰度值赋给与模板中心位置对应的像素点，即待处理点。

1.3 高斯滤波算法

高斯滤波是线性平滑滤波的一种，其主要功能是通过将待处理点及其邻域内的所有像素点的灰度值进行加权平均，并用所得值代替待处理点的灰度值。高斯滤波的具体步骤为：选取一个模板，并利用该模板对图像中的每一个像素点进行扫描；计算模板所确定的邻域内所有像素点的灰度值的加权平均灰度值；将加权平均灰度值赋给模板中心所对应的像素点，即待处理点。

2 经典去噪算法的去噪效果

如图 1所示为带有白色亮条噪声(目标噪声)的动车转向架部位图像，其大小为1 400 pix ×1 024 pix。利用均值滤波算法、中值滤波算法和高斯滤波算法对目标噪声的去除结果，分别如下图 2~4所示。

图 1 动车转向架部位噪声图像

图选项

图 2 动车转向架部位均值滤波去噪图

图选项

图 3 动车转向架部位中值滤波去噪图

图选项

图 4 动车转向架部位高斯滤波去噪图

图选项

从图 2中可以看出，均值滤波算法降低了噪声的灰度值，但也扩大了噪声的影响范围。该算法在去除噪声的同时，破坏了图像的细节信息，使得去噪后的图像变得模糊不清，从整体上说，该算法并未达到去除噪声的效果。

由图 3可知，与均值滤波算法相比，中值滤波算法能够较有效地去除目标噪声，但这种去噪效果，是以更大程度的图像模糊以及图像失真为代价的。在大小为1 400 pix×1 024 pix的图像上，模糊清晰可见，可知其失真的严重性。

由图 4所示，高斯算法对目标噪声的去除效果同样很不理想，与均值滤波算法去噪结果相似，该算法既未能有效地去除图像噪声，又使图像变得有些模糊，只是模糊程度较轻些。

3 本文算法

针对上述3种经典算法对图像上的光亮线条噪声都不能进行有效地去除，本文提出了一种基于局部像素特征的图像去噪算法。

3.1 本文算法原理

首先，对待处理图像的所有像素点进行由上至下、由左至右的逐行扫描，并计算每一行所有像素点的灰度平均值。同时，记录与每一行对应且与该行等距的上、下行的所有像素点的灰度平均值。其次，将每一行的灰度平均值与其对应的等距下行的灰度平均值进行比较，并记录比较结果。最后，将比较结果与设定的阈值进行比较，若大于阈值，则将与目标行等距的上、下行的每个像素点的灰度值之和的均值，赋给与目标行对应的每个像素点；反之，则保持目标行各像素点的灰度值不变。

3.2 阈值的设定

本文算法的阈值是根据待处理的动车图像特征及经验值而确定。文中所展示的动车图像，均是利用安装在轨道中间及轨道两侧的3部高速线阵相机所拍摄的动车底部图像。由于动车底部图像的灰度值较低且灰度变化范围较小，而噪声的灰度值又较高，从而使噪声部位变得清晰、明显，并形成了光亮的噪声线条。

因此，在待比对图像中的同一像素点，被噪声影响的灰度值要高于未被噪声影响的。利用相近行的像素点的灰度值的过渡范围是有限的这一原则，通过判断过渡值的大小，便可确定该像素点是否被噪声干扰。

阈值的选取是通过利用CRH380B、CRH380A以及CRH5A这3种主流动车车型的图像(每种车型各3种底部图像)来进行大量试验，并将该算法应用到实际中而确定的。

实际应用表明：若阈值设置过大，则只能去除部分噪声，达不到理想的去噪效果；若阈值设置过小，则会因过度去噪而产生图像失真；若将阈值设定在20~30，则既可以有效地去除目标噪声，又可以保持图像原有的质量。此阈值范围是为了兼顾3种车型及每种车型各3种底部图像而确定的，在实际应用中，将阈值设置为25。

3.3 本文算法去噪效果

利用本文算法对上述“图 1”进行处理，噪声去除效果如图 5所示。

图 5 本文算法去噪图

图选项

由图 5可见，本文算法有效地去除了图像上的光亮线条噪声，最大程度地还原了噪声部位的图像信息，同时也保持了图像原有的清晰度及图像质量，达到了令人满意的噪声去除目的。

3.4 实验比较

为了更清晰的比较噪声去除效果，选取了另一个高速线阵相机拍摄的动车转向架全景图像，并截取带有噪声的部分图像，截图后的图像大小为600 pix×400 pix，如图 6所示。

图 6 高速线阵相机拍摄下动车转向架噪声图像

图选项

图 7~10分别为均值滤波、中值滤波、高斯滤波及本文算法的噪声去除结果。

图 7 高速线阵相机拍摄下动车转向架均值滤波去噪图

图选项

图 8 高速线阵相机拍摄下动车转向架中值滤波去噪图

图选项

图 9 高速线阵相机拍摄下动车转向架高斯滤波去噪图

图选项

图 10 高速线阵相机拍摄下动车转向架本文算法去噪图

图选项

由图可见，中值滤波算法虽去除了噪声，但却使图像轮廓变得非常模糊；均值滤波算法和高斯滤波算法均未实现去噪目的，也使图像出现了不同程度的模糊；本文算法成功地去除了噪声，并最大程度地保证了图像原有的质量，具有很好的鲁棒性。

4 结论

将本文算法的去噪结果分别与上述3种经典算法的去噪结果相比较，可得出以下结论：

1)本文算法对光亮线条噪声的去除效果非常理想。其不仅能够有效地去除图像上的噪声，最大程度地恢复图像原有的细节信息，且对没有被噪声影响的图像部分，几乎未产生任何影响及图像失真，证明了其有效性及鲁棒性。

2)虽然本文算法对此种噪声具有很好地去除效果，但其阈值是根据大量的实际情况而设定的固定值，若想更广泛的应用此算法，应该将阈值设定为动态值。

3)目前，故障自动检测、定位与识别系统已被广泛地应用于动车组、客车以及货车的故障检修中。高速线阵相机的安装位置大都在轨内、轨边缘两侧，无法避免摄像头上落有灰尘颗粒，尤其是当列车经过时，由车速引起的风会卷起更多的灰尘颗粒，极大地增加了灰尘落到镜头上的概率，因此，对本文算法的研究，是具有重要的理论及实际应用价值的。

4)线阵相机拍摄的图像，在进行拼接时，具有很好的完整性，亦不会产生任何冗余。在列车的故障自动检测识别系统中，大多以线阵相机为主，因此，对线阵相机所拍摄的图像上的噪声进行进一步的研究，是很有必要的。