王啟銀，薛建東，任新輝

?

一種自適應(yīng)的變電站設(shè)備紅外圖像分割方法

王啟銀1，薛建東1，任新輝2

（1.國(guó)網(wǎng)山西省電力公司大同供電公司，山西 大同 037008；2.西南交通大學(xué) 電氣工程學(xué)院，四川 成都 610031）

為了較好地實(shí)現(xiàn)變電站電氣設(shè)備紅外圖像的分割，采用了一種自適應(yīng)的變電站電氣設(shè)備紅外圖像分割方法。通過(guò)采用基于形態(tài)學(xué)的權(quán)重自適應(yīng)算法對(duì)變電站電氣設(shè)備紅外圖像進(jìn)行增強(qiáng)處理，然后采用基于加權(quán)切比雪夫距離的K-means算法對(duì)變電站電氣設(shè)備紅外圖像進(jìn)行分割，最后對(duì)分割得到的二值圖像采用形態(tài)學(xué)方法進(jìn)行處理。通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的有效性和適應(yīng)性，方便了后續(xù)的特征提取和識(shí)別。

變電站電氣設(shè)備；紅外圖像；形態(tài)學(xué)；圖像分割；K-means

0 引言

由于變電站設(shè)備紅外圖像結(jié)構(gòu)和形狀的信息不充足、對(duì)比度差，有必要對(duì)電氣設(shè)備紅外圖像進(jìn)行增強(qiáng)處理。而紅外圖像分割技術(shù)在變電站電氣設(shè)備智能在線監(jiān)測(cè)系統(tǒng)中有著舉足輕重的作用，分割后的變電站電氣設(shè)備圖像是后續(xù)特征提取和識(shí)別的關(guān)鍵，對(duì)變電站紅外圖像分割技術(shù)的研究有著重大的現(xiàn)實(shí)意義[1]。

文獻(xiàn)[2]提出了一種基于Contourlet變換和形態(tài)學(xué)的圖像增強(qiáng)算法，該方法雖然抗噪性能較好，但僅用了一次形態(tài)學(xué)的膨脹運(yùn)算，對(duì)紅外圖像增強(qiáng)效果不明顯。文獻(xiàn)[3]設(shè)計(jì)了一種融合小波變換與改進(jìn)的多尺度 Retinex紅外圖像增強(qiáng)算法，本算法改善了某些發(fā)熱芯片區(qū)域紅外圖像對(duì)比度低且細(xì)節(jié)模糊問(wèn)題，抑制了噪聲，提升了電路板紅外圖像整體視覺(jué)效果。文獻(xiàn)[4]提出了一種基于形態(tài)學(xué)的可變權(quán)值自適應(yīng)增強(qiáng)算法，引入全方位多尺度結(jié)構(gòu)元素的思想，每個(gè)方向的細(xì)節(jié)權(quán)值應(yīng)不盡相同，在細(xì)節(jié)增強(qiáng)與噪聲抑制方面取得了較好的平衡，但對(duì)于低灰度區(qū)域圖像增強(qiáng)效果不佳。文獻(xiàn)[5]提出了一種新模型，新模型利用了圖像的區(qū)域信息，可以同時(shí)將目標(biāo)的內(nèi)外邊界分割出來(lái)，在航拍圖像分割中，分割速度快，分割精度高。文獻(xiàn)[6]主要針對(duì)K-Means算法初始聚類中心的選擇以及孤立點(diǎn)問(wèn)題加以改進(jìn)，提出了一種新的初始聚類中心選擇方法，但該算法計(jì)算效率較低。文獻(xiàn)[7]提出了一種基于兩種優(yōu)化策略博弈的馬爾可夫隨機(jī)場(chǎng)紅外圖像分割方法，算法能夠無(wú)人工干預(yù)地準(zhǔn)確提取電路板紅外圖像所有芯片發(fā)熱區(qū)域，并且很好地抑制噪聲，具有一定的實(shí)用性和魯棒性。

本文提出了一種自適應(yīng)的變電站設(shè)備紅外圖像分割方法，首先，采用基于形態(tài)學(xué)的權(quán)重自適應(yīng)算法對(duì)變電站電氣設(shè)備紅外圖像進(jìn)行增強(qiáng)處理，有效地增強(qiáng)了低對(duì)比度區(qū)域紅外圖像的輪廓特征并對(duì)噪聲有一定的抑制作用；另外采用基于加權(quán)切比雪夫距離的K-means算法對(duì)變電站設(shè)備紅外圖像進(jìn)行分割，能夠較好的將目標(biāo)區(qū)域完整的分割出來(lái)，分割后的圖像具有目標(biāo)輪廓清晰，邊緣細(xì)節(jié)特征明顯等優(yōu)點(diǎn)。

本文以變電站隔離開(kāi)關(guān)紅外圖像和變電站斷路器紅外圖像為例進(jìn)行方法驗(yàn)證。

1 形態(tài)學(xué)權(quán)重自適應(yīng)增強(qiáng)

1.1 形態(tài)學(xué)開(kāi)-閉級(jí)聯(lián)

數(shù)學(xué)形態(tài)學(xué)圖像處理通過(guò)采用具有一定形態(tài)的結(jié)構(gòu)元素去度量圖像中的對(duì)應(yīng)形狀，借助于集合論來(lái)達(dá)到對(duì)圖像進(jìn)行分析和處理的目標(biāo)[8]形態(tài)學(xué)的開(kāi)運(yùn)算先腐蝕后膨脹，可以用來(lái)過(guò)濾圖像中的噪聲，而形態(tài)學(xué)閉運(yùn)算先膨脹后腐蝕，可以增強(qiáng)圖像中的低灰度區(qū)域。根據(jù)以上特點(diǎn)，可采用形態(tài)學(xué)開(kāi)-閉的級(jí)聯(lián)形式，從而實(shí)現(xiàn)對(duì)紅外圖像的增強(qiáng)，形態(tài)開(kāi)-閉級(jí)聯(lián)定義為：

1.2 權(quán)重自適應(yīng)的多結(jié)構(gòu)形態(tài)學(xué)增強(qiáng)

采用相同維數(shù)、不同形狀的結(jié)構(gòu)單元對(duì)變電站電氣設(shè)備紅外圖像進(jìn)行形態(tài)學(xué)的開(kāi)-閉運(yùn)算，每種結(jié)構(gòu)元素可表示為A(＝1,2,3,…,)，原始紅外圖像在每種結(jié)構(gòu)元素下連著做二次形態(tài)學(xué)開(kāi)-閉運(yùn)算，進(jìn)而構(gòu)成一個(gè)串聯(lián)增強(qiáng)器，串聯(lián)增強(qiáng)器如圖1表示。

圖1 同一形狀結(jié)構(gòu)元素的串聯(lián)增強(qiáng)

串聯(lián)增強(qiáng)后可以將每種形狀的結(jié)構(gòu)元素所構(gòu)成的串聯(lián)增強(qiáng)器進(jìn)行并聯(lián)，形成串、并聯(lián)復(fù)合增強(qiáng)器，串、并聯(lián)復(fù)合增強(qiáng)器如圖2所示。

圖2 串、并聯(lián)復(fù)合增強(qiáng)器

在具體實(shí)現(xiàn)過(guò)程中，采用每種結(jié)構(gòu)元素A(＝1,2,3,…,)的串聯(lián)增強(qiáng)結(jié)果與原始圖像的差異值作為權(quán)值向量，串聯(lián)增強(qiáng)結(jié)果與原始圖像的差異值權(quán)值向量可表示為P(＝1,2,3,…,)，則形態(tài)學(xué)自適應(yīng)權(quán)值計(jì)算公式為：

式中：Q為每種形狀結(jié)構(gòu)元素A的權(quán)值，其中的取值為1, 2, 3,…,。

根據(jù)圖2所示，輸入圖像為()，本文選擇結(jié)構(gòu)元素為不同長(zhǎng)度和角度的線性算子，經(jīng)過(guò)每種結(jié)構(gòu)元素串聯(lián)增強(qiáng)的結(jié)果為L()(＝1,2,…,)。則根據(jù)形態(tài)學(xué)自適應(yīng)權(quán)值計(jì)算公式可以得出輸出圖像()為：

2 基于加權(quán)切比雪夫距離的K-means算法

2.1 K-means算法

K-means算法先從圖像數(shù)據(jù)樣本中選取個(gè)點(diǎn)作為初始聚類中心；再計(jì)算各個(gè)圖像數(shù)據(jù)樣本到每個(gè)初始聚類的距離，把圖像數(shù)據(jù)樣本合并到離它最近的那個(gè)聚類中心所在的類；然后計(jì)算新形成的每個(gè)類的圖像樣本數(shù)據(jù)對(duì)象的平均值來(lái)得到新的聚類中心；最后重復(fù)以上步驟，直到相鄰兩次的聚類中心沒(méi)有任何變化，說(shuō)明樣本調(diào)整結(jié)束，聚類準(zhǔn)則函數(shù)達(dá)到最優(yōu)。

K-means算法一般選取誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn)則函數(shù)，當(dāng)誤差平方和準(zhǔn)則函數(shù)局部最小時(shí)，聚類中心迭代終止，誤差平方和準(zhǔn)則函數(shù)公式為：

式中：X為數(shù)據(jù)集的聚類子集，各個(gè)聚類子集的樣本數(shù)量分別為1,2,…,n,為各個(gè)聚類子集的聚類中心。

2.2 基于切比雪夫距離的K-means算法

采用K-means算法進(jìn)行圖像分割時(shí)，將圖像的每個(gè)像素點(diǎn)的灰度作為樣本，從而整個(gè)圖像就構(gòu)成了一個(gè)樣本集合，進(jìn)一步把圖像分割任務(wù)轉(zhuǎn)換為對(duì)數(shù)據(jù)集合的聚類任務(wù)，然后在此特征空間中運(yùn)用基于切比雪夫距離的K-means算法進(jìn)行圖像分割。

在計(jì)算圖像數(shù)據(jù)樣本之間的距離時(shí)，選擇切比雪夫距離。設(shè)兩個(gè)樣本分別為x和x，則切比雪夫距離公式為：

2.3 基于加權(quán)切比雪夫距離的K-means算法

采用基于加權(quán)切比雪夫距離的K-means算法處理紅外圖像時(shí)，應(yīng)先計(jì)算數(shù)據(jù)集中各個(gè)樣本屬性的權(quán)值，在計(jì)算樣本之間的距離時(shí)使用加權(quán)切比雪夫距離即可，加權(quán)切比雪夫距離的公式為：

權(quán)值系數(shù)w的確定采用變異系數(shù)賦權(quán)值法。變異系數(shù)賦權(quán)值法是在方差倒數(shù)賦權(quán)值法的基礎(chǔ)上提出的，定義如下[9]：

一組數(shù)據(jù)集的變異系數(shù)是它的標(biāo)準(zhǔn)差除以均值的絕對(duì)值，對(duì)于數(shù)據(jù)集中的個(gè)數(shù)據(jù)1,2,…,X，變異系數(shù)的求解過(guò)程為：

式中：v是1,2,…,X的變異系數(shù)。

于是，數(shù)據(jù)集中各個(gè)屬性都有各自的變異系數(shù)，設(shè)數(shù)據(jù)集中各個(gè)屬性表示為：1,2,…,Z，用v表示Z的變異系數(shù)，其中＝1,2,3,…,，此時(shí)，屬性Z相應(yīng)的權(quán)重系數(shù)為：

3 實(shí)驗(yàn)結(jié)果分析

算法實(shí)驗(yàn)在Matlab軟件平臺(tái)實(shí)現(xiàn)，實(shí)驗(yàn)圖像為變電站斷路器設(shè)備和變電站隔離開(kāi)關(guān)設(shè)備，為了驗(yàn)證本文算法的分割效果，對(duì)比分析二維Otsu算法、基于切比雪夫距離的K-means算法和基于加權(quán)切比雪夫距離的K-means算法，隔離開(kāi)關(guān)和斷路器分割效果分別如圖3和圖4所示。

圖3和圖4分別給出了隔離開(kāi)關(guān)和和斷路器的原始圖像、形態(tài)學(xué)權(quán)重自適應(yīng)增強(qiáng)結(jié)果、二維Otsu算法分割結(jié)果、基于切比雪夫距離的K-means分割結(jié)果、基于加權(quán)切比雪夫距離的K-means分割結(jié)果。

由圖可以看出，增強(qiáng)后圖像目標(biāo)區(qū)域的細(xì)節(jié)比較明顯，較好地突出了圖像目標(biāo)區(qū)域的信息；使用二維Otsu算法對(duì)圖像進(jìn)行分割，目標(biāo)無(wú)法完整地分割出來(lái)，因?yàn)樵撍惴ó?dāng)目標(biāo)區(qū)域灰度級(jí)較低時(shí)，分割閾值無(wú)法涵蓋目標(biāo)區(qū)域低灰度級(jí)部分；使用基于切比雪夫距離的K-means分割算法對(duì)圖像進(jìn)行分割，只能將目標(biāo)區(qū)域內(nèi)灰度級(jí)較低的部分分割出來(lái)，分割結(jié)果不完整，分隔效果不佳。因?yàn)樵撍惴ㄖ皇前褬颖鹃g的切比雪夫距離作為相似度，沒(méi)有考慮到數(shù)據(jù)的實(shí)際分布情況；而使用基于切比雪夫距離的K-means分割算法對(duì)圖像進(jìn)行分割，分割效果較好并且邊緣比較清晰，能夠較好地將目標(biāo)區(qū)域完整的分割出來(lái)，實(shí)現(xiàn)了圖像的快速分割，因?yàn)樵撍惴▽?quán)值引入到計(jì)算歐式距離的過(guò)程中，得到了一個(gè)較為準(zhǔn)確的樣本間的相似度。

圖3 隔離開(kāi)關(guān)分割效果比較

圖4 斷路器分割效果比較

4 結(jié)論

提出了一種自適應(yīng)的變電站設(shè)備紅外圖像分割方法。通過(guò)基于形態(tài)學(xué)的權(quán)重自適應(yīng)算法對(duì)圖像增強(qiáng)，不僅圖像目標(biāo)區(qū)域細(xì)節(jié)部分的增強(qiáng)效果比較好，而且解決了基于加權(quán)切比雪夫距離的K-means分割算法對(duì)于“噪聲”和孤立點(diǎn)的敏感問(wèn)題，為后文的圖像分割奠定了良好的基礎(chǔ)；通過(guò)采用基于加權(quán)切比雪夫距離的K-means算法對(duì)增強(qiáng)后的圖像進(jìn)行分割，能夠較好地將目標(biāo)區(qū)完整的分割出來(lái)，而且邊緣細(xì)節(jié)也比較清晰，分割效果比較好。實(shí)驗(yàn)結(jié)果表明這種方法分割速度快，分割效果較好，為后續(xù)的特征提取、目標(biāo)識(shí)別、跟蹤處理提供了良好的基礎(chǔ)。

[1] 劉健, 解辰, 藺麗華. 基于紅外圖像的電力變壓器油位自動(dòng)檢測(cè)方法[J]. 高電壓技術(shù), 2010(4): 964-970.

LIU Jian, XIE Chen, LIN Lihua. Automatic detection of oil level of electric power transformers using infrared image[J]., 2010(4): 964-970.

[2] 向靜波, 蘇秀琴, 陸陶. 基于 Contourlet 變換和形態(tài)學(xué)的圖像增強(qiáng)方法[J]. 光子學(xué)報(bào), 2009, 38(1): 224-227.

XIANG Jingbo, SU Xiuqin, LUTao. Image enhancement based on the Contourlet transformand mathematical morphology[J]., 2009, 38(1): 224-227.

[3] 郝建新. 基于小波變換與Retinex的電路板紅外圖像增強(qiáng)技術(shù)[J].紅外技術(shù), 2015, 37(12): 1036-1040.

HAO Jianxin. The technology about infrared image enhancement of circuit board based on wavelet transform and Retinex[J]., 2015, 37(12): 1036-1040.

[4] 劉艷莉, 桂志國(guó). 基于形態(tài)學(xué)的可變權(quán)值匹配自適應(yīng)圖像增強(qiáng)算法[J]. 電子與信息學(xué)報(bào), 2014, 36(6): 1285-1291.

LIU Yanli, GUI Zhiguo. Adaptive image enhancement algorithm with variable weighted matching based on morphology[J]., 2014, 36(6): 1285-1291.

[5] 楊名宇, 李剛. 利用區(qū)域信息的航拍圖像分割[J]. 中國(guó)光學(xué), 2014, 7(5): 779-785.

YANG Mingyu, LI Gang. Aerial image segmentation with region information[J]., 2014, 7(5): 779-785.

[6] 周愛(ài)武, 于亞飛. K-means 聚類算法的研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2011, 21(2): 62-65.

ZHOU Aiwu, YU Yafei. The research about clustering algorithm of K-Means[J]., 2011, 21(2): 62-65.

[7] 王坤, 張愷, 王力, 等. 基于兩方法博弈的馬爾可夫隨機(jī)場(chǎng)紅外圖像分割算法[J]. 紅外技術(shù), 2015, 37(2): 134-138.

WANG Kun, ZHANG Kai, WANG Li, et al. Infrared image segmentation based on MRF combined with two-algorithm game[J]., 2015, 37(2): 134-138.

[8] 程偉, 梁萍. 數(shù)學(xué)形態(tài)學(xué)在旋切單板缺陷圖像分割中的研究[J]. 林業(yè)機(jī)械與木工設(shè)備, 2011, 39(2): 25-27.

CHENG Wei, LIANG Ping. Research of rotary-veneer surface defect image segmentation method based on mathematical morphology[J]., 2011, 39(2): 25-27.

[9] 張忠林, 曹志宇, 李元韜. 基于加權(quán)歐式距離的k_means算法研究[J]. 鄭州大學(xué)學(xué)報(bào):工學(xué)版, 2010(1): 89-92.

ZHANG Zhonglin, CAO Zhiyu, LI Yuantao. Research based on Euclid distance with weights of K_means algorithm[J]., 2010(1): 89-92.

[10] Choi D H, Jang I H, Kim M H, et al. Color image enhancement based on single-scale retinex with a JND-based nonlinear filter[C]//,2007, 2007: 3948-3951.

An Adaptive Segmentation Method of Substation Equipment Infrared Image

WANG Qiyin1，XUE Jiandong2，REN Xinhui3

（1.,, Shanxi, 037008,; 2.,,, 610031,）

In order to achieve the segmentation of substation electrical equipment infrared image better, an adaptive substation electrical equipment infrared image enhancement and segmentation algorithm was adopted in the paper. An adaptive weight algorithm based on morphological was used to enhance the infrared image of substation electrical equipment, then the K-means algorithm based on weighted Chebyshev distance was used for segmentation of substation electrical equipment infrared image, lastly the morphological method was used to deal with the segmented binary image. The arithmetic was validated by experiment later, and this method is convenient for follow-up feature extraction and recognition.

substation electrical equipment，infrared image，morphology，image segmentation，K-means

TP301.6

A

1001-8891(2016)09-0770-04

2016-01-11；

2016-02-17.

王啟銀（1965-），男，山西省大同市人，高級(jí)工程師，主要研究領(lǐng)域?yàn)殡姎庠O(shè)備狀態(tài)監(jiān)測(cè)與診斷技術(shù)。