一種基于紅外視頻圖像電力設(shè)施故障識別方法

周 煜

（國家電網(wǎng)公司華北電力調(diào)控分中心，北京 100053）

隨著現(xiàn)代社會電力資源需求愈發(fā)提高，給電力系統(tǒng)運(yùn)行帶來了巨大壓力，電力設(shè)施故障出現(xiàn)頻率越來越高。由于電力設(shè)施一般廣泛分布于農(nóng)村、城市、山區(qū)，檢修部門人力資源有限，難以第一時(shí)間發(fā)現(xiàn)故障并加以排除。因此，對電力設(shè)施故障進(jìn)行紅外在線監(jiān)測是一個(gè)較為理想的方法。

由于紅外監(jiān)測圖像的成像環(huán)境復(fù)雜，以及紅外圖像本身所具有低對比度的特性，這使得獲取的監(jiān)測圖像中或多或少存在一些噪聲，導(dǎo)致圖像質(zhì)量有所下降。因此，有必要對該類圖像進(jìn)行預(yù)處理，以最佳恢復(fù)圖像所刻畫的真實(shí)信息，這樣勢必有助于提高電力設(shè)施的識別準(zhǔn)確率，避免誤判。在該領(lǐng)域，相關(guān)學(xué)者也做了一些工作，金立軍[1]等通過借助于圖像處理方法對電力設(shè)備放電現(xiàn)象進(jìn)行檢測研究，魏立明[2]等將圖像增強(qiáng)和檢測方法對電力設(shè)備故障進(jìn)行診斷，吳曉東等[3]通過圖像分割方法成功地從SAR圖像中檢測出電力線等信息。

受到上述各項(xiàng)研究成果的啟發(fā)，本文首先對紅外監(jiān)控降質(zhì)圖像預(yù)處理算法進(jìn)行研究，然后實(shí)現(xiàn)基于復(fù)原圖像的電力設(shè)施故障識別。

1 提升小波變換實(shí)現(xiàn)步驟分析

提升小波變換[4-5]相對于經(jīng)典小波變換而言，具有更高精度，信號分解與重構(gòu)單層提升小波變換的主要步驟為：

1）分解（Split），將上述信號集合分解成偶序列η2j和奇數(shù)序列φ2j-1，并且這兩類序列彼此互不相交，該步驟中圖像信號序列可表示為

2）預(yù)測（Predict)，該步驟是基于圖像信號間存在相關(guān)性這一前提，采用相鄰信號偶數(shù)序列對奇數(shù)序列進(jìn)行預(yù)測，通過對奇數(shù)序列的真實(shí)值與預(yù)測值作差，該差值可稱之為細(xì)節(jié)系數(shù)，預(yù)測步驟為

式中：D2j-1為細(xì)節(jié)系數(shù)；p[?]代表預(yù)測算子。

3）更新（Update），采用更新算子U[?]對步驟2）中產(chǎn)生的序列D2j-1進(jìn)行更新，其過程為

2 本文算法基本思路

2.1 高頻部分處理

圖像經(jīng)過提升小波變換后，獲得低頻系數(shù)和不同方向的高頻系數(shù)，低頻部分包含圖像中的背景信息；高頻系數(shù)則是圖像中邊緣、輪廓線、突變點(diǎn)的反映，對于降質(zhì)的紅外電力設(shè)施監(jiān)控圖像而言，該部分還包含一些降質(zhì)信息——噪聲。對于高頻部分分解系數(shù)可以通過圖1進(jìn)行形象化的描述。

圖1 高頻部分分解系數(shù)

本文提出一種基于分解窗口的自適應(yīng)加權(quán)改進(jìn)中值濾波算法，基本思路是：將大小為m×m的濾波窗口分解成m個(gè)大小為1×m的子窗口，通過對各子窗口分解進(jìn)行自適應(yīng)加權(quán)中值濾波，待各子窗口濾波完畢，即獲得一個(gè)m×1的新型窗口，再次通過對該窗口進(jìn)行自適應(yīng)加權(quán)中值濾波，從而將最終濾波結(jié)果加以輸出，如圖2所示。

圖2 本文改進(jìn)自適應(yīng)中值濾波算法基本流程

相對于以往的加權(quán)中值濾波，本文算法的特點(diǎn)有：1）窗口可分解性，即小波域中不同方向分布的子圖像通過濾波窗口加以分解，以盡可能保持圖像信息的連續(xù)性；2）權(quán)重的自適應(yīng)性，即權(quán)重的設(shè)置依賴于各分解窗口中像素?cái)?shù)量以及像素間幾何距離大小這兩類因素。下文以大小5×5的濾波窗口為例，結(jié)合不同方向分布的小波分解子圖像分別加以討論。

2.1.1 水平方向分布的高頻部分處理

1）以圖1中各個(gè)1×5子窗口的中心像素點(diǎn)fx(i,j)（x∈[1,5]）作為待濾波點(diǎn)，計(jì)算其余各點(diǎn)與該點(diǎn)的幾何距離為

權(quán)重P水平可進(jìn)行如下計(jì)算

通過各點(diǎn)灰度值（除中心點(diǎn)外）分別乘以各自權(quán)重，在此基礎(chǔ)上做和運(yùn)算

式中：f′水平(i,j)即為1×5窗口的濾波結(jié)果；{f水平(i,j)}為該窗口中除中心點(diǎn)外的像素點(diǎn)集合。

2）通過采用1）中方法完成其余4個(gè)1×5窗口的濾波，即獲得一個(gè)新型濾波值集合

3）統(tǒng)計(jì)式（7）集合中元素?cái)?shù)目N1，若大于3則進(jìn)行經(jīng)典中值濾波，否則取所有元素均值作為最終濾波值輸出。

2.1.2 水平方向分布的高頻部分處理

1）統(tǒng)計(jì)1×5子窗口中像素點(diǎn)個(gè)數(shù)N2，若N2=1，則將該點(diǎn)不作處理直接輸出；若N2=2，則取兩點(diǎn)均值加以輸出；若N2≥3，則對其進(jìn)行經(jīng)典中值濾波，輸出濾波值。

2）經(jīng)過處理后，獲得一個(gè)新集合

3）對于式（8）所描述的集合，首先以該集合中點(diǎn)作為待濾波點(diǎn)，計(jì)算其余各像素點(diǎn)與該點(diǎn)的幾何距離

然后，權(quán)重P垂直可計(jì)算成

將該集合中除中心點(diǎn)外的各點(diǎn)灰度值分別乘以各自對應(yīng)的權(quán)重，再進(jìn)行求和運(yùn)算，所得結(jié)果即為濾波值。

2.1.3 對角方向分布的高頻部分處理步驟

1）統(tǒng)計(jì)1×5子窗口中像素點(diǎn)數(shù)目N3，若N3＞3，則忽略各點(diǎn)幾何距離因素，直接進(jìn)行中值濾波即等權(quán)中值濾波；否則將該窗口所有點(diǎn)灰度值均值作為濾波結(jié)果輸出。

2）對于步驟1）中所獲取的濾波點(diǎn)的集合{f′對角(i,j)}={f′對角1(i,j),f′對角2(i,j),…,f′對角5(i,j)}，分 別求其中間值和均值。

以上針對水平、垂直、對角三類小波分解子圖像分別給出了本文改進(jìn)自適應(yīng)中值濾波算法基本實(shí)現(xiàn)步驟，通過分別對各方向的小波分解子圖像進(jìn)行較為精細(xì)的濾波，以便消除其中所包含的噪聲。

2.2 低頻部分處理

電力設(shè)施紅外監(jiān)控降質(zhì)圖像經(jīng)過提升小波變換后，獲得的低頻分解系數(shù)盡管包含了圖像絕大多數(shù)信息，受到噪聲污染程度低，但如果對該部分噪聲不加考慮，則對最終的重構(gòu)圖像質(zhì)量會有所影響。因此，對于該部分分解系數(shù)，提出一種改進(jìn)型閾值函數(shù)模型為

式中：為小波系數(shù)幅值；T′為閾值。該模型在經(jīng)典小波閾值[6]的基礎(chǔ)上，通過對經(jīng)典恒定偏差T引入一個(gè)修正因子，使得該恒定偏差會隨著小波分解層數(shù)的變化而自適應(yīng)調(diào)整，從而對經(jīng)典小波軟閾值在處理圖像時(shí)容易出現(xiàn)的不連續(xù)性這一缺陷進(jìn)行適當(dāng)修正。但經(jīng)典閾值，該閾值總體上為全局閾值，一方面隨著小波分解層數(shù)的增大各分解系數(shù)幅值會有所衰減；另一方面，小波低頻分解系數(shù)幅值均比較大，如果采用該閾值進(jìn)行處理，容易將相當(dāng)一部分圖像信息置0，因此，該全局閾值無法適應(yīng)小波系數(shù)的精細(xì)化處理。基于以上分析，本文對該閾值引入了小波分解層數(shù)信息進(jìn)行適當(dāng)改進(jìn)，即

式中：σ為噪聲方差；n為圖像信號大小。該閾值隨著分解層數(shù)的增大而自適應(yīng)降低，這符合圖像小波分解特征。本文提出的改進(jìn)型閾值函數(shù)模型為

2.3 重構(gòu)圖像增強(qiáng)方法

針對小波重構(gòu)圖像在一定程度上會有所失真，因此有必要對重構(gòu)圖像進(jìn)行后處理。就圖像信息而言，大體上有如下幾類：1）目標(biāo)信息，該部分是圖像中的感興趣信息，即為電力設(shè)備故障所在區(qū)域信息；2）背景信息，該信息即為圖像中的灰度值較低的部分信息；3）過渡信息，該部分信息介于上述兩類信息間，且有助于目標(biāo)信息的判別。有必要對上述3類信息加以區(qū)分，對于背景信息加以抑制，對于目標(biāo)信息適當(dāng)增強(qiáng)，因此，提出一種基于圖像分類信息的自適應(yīng)增強(qiáng)方法：首先整幅圖像中灰度最大值和最小值，將兩者均值作為圖像信息初始分類閾值t；然后對該閾值進(jìn)行上下延拓，獲得閾值區(qū)間，該區(qū)間中的圖像信息可認(rèn)定為過渡信息，小于或大于該區(qū)間的即為背景信息和目標(biāo)信息。根據(jù)這一分類，對于目標(biāo)信息區(qū)域進(jìn)行自適應(yīng)同態(tài)濾波，過渡區(qū)域則不作處理，背景信息則進(jìn)行適當(dāng)抑制。據(jù)此，本文圖像自適應(yīng)增強(qiáng)方法為

式中：f(i,j)代表圖像中任意一點(diǎn)灰度值；t為閾值。

3 實(shí)驗(yàn)仿真

3.1 實(shí)驗(yàn)方案一

采用2幅電力設(shè)施故障監(jiān)測降質(zhì)熱紅外圖像作為數(shù)據(jù)，經(jīng)過文獻(xiàn)[7]、文獻(xiàn)[8]以及本文算法處理后，其結(jié)果對應(yīng)于表1和圖4、圖5所示。

表1 本文2幅圖像的PSNR，RMSE計(jì)算結(jié)果

采用文獻(xiàn)[7]和文獻(xiàn)[8]以及本文算法分別對圖4a和圖5a降質(zhì)的熱紅外電力設(shè)施監(jiān)控圖像進(jìn)行復(fù)原，本文算法對兩類降質(zhì)圖像復(fù)原后圖像質(zhì)量明顯改善，基本排除了圖像中噪聲的干擾，而其余兩類算法處理后的圖像中仍存在不同程度的模糊；本文算法的PSNR值高于文獻(xiàn)[7]約2～3 dB，高于文獻(xiàn)[8]約1～2 dB，且RMSE值也明顯低于其余兩類算法，這可以反映出采用本文算法復(fù)原得到的圖像質(zhì)量較好。

圖4 第一幅圖像處理結(jié)果對比

圖5 第二幅圖像處理結(jié)果對比

3.2 實(shí)驗(yàn)方案二

對實(shí)地拍攝的100幅故障圖像從中分別抽取5幅圖像、10幅圖像、15幅圖像、20幅圖像、25幅圖像，通過目視解譯與實(shí)地調(diào)查相結(jié)合的方法來驗(yàn)證識別的準(zhǔn)確率（記為方法2），并與直接通過降質(zhì)圖像進(jìn)行故障識別的準(zhǔn)確率進(jìn)行對比（記為方法1），實(shí)驗(yàn)結(jié)果如表2所示。

表2 實(shí)驗(yàn)結(jié)果對比

通過簡單計(jì)算可以看出，方法1故障識別的準(zhǔn)確率平均值為63.1%，方法2故障識別的準(zhǔn)確率平均值為96.8%，這可以說明，本文所提出的圖像復(fù)原算法對于提高電力設(shè)施故障識別準(zhǔn)確率是有所幫助的。

4 結(jié)束語

本文提出了一種基于紅外視頻圖像復(fù)原的故障識別方法。實(shí)驗(yàn)證明，本文算法復(fù)原圖像質(zhì)量優(yōu)于部分已有算法，且通過本文算法復(fù)原圖像后，再進(jìn)行故障識別，其準(zhǔn)確率明顯提高。

[1] 余立軍，陳俊佑，張文豪，等.基于圖像處理技術(shù)的電力設(shè)備局部放電紫外成像檢測[J].電力系統(tǒng)保護(hù)與控制，2013，41（8）：43-48.

[2] 魏立明，楊天野.基于圖像增強(qiáng)和邊緣檢測的電力設(shè)備故障診斷研究[J].吉林建筑工程學(xué)院學(xué)報(bào)，2012，29（4）：84-86.

[3] 吳曉東，李瑛，劉曉偉，等.基于多尺度聯(lián)合分割的SAR圖像電力線走廊變化檢測[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2012，27（4）：51-55.

[4] 黃德天，吳志勇.提升小波變換在NAS-RIF盲復(fù)原算法中的應(yīng)用[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2012，24（12）：1614-1620.

[5] 劉艷萍，高國榮，龔寧，等.提升小波變換與中值濾波的紅外光譜消噪[J].光譜學(xué)與光譜分析，2012，32（8）：2085-2088.

[6] 王瑞，張友純.新閾值函數(shù)下的小波閾值去噪[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（15）：215-218.

[7] 余光華.一種結(jié)合圖像增強(qiáng)的高斯噪聲組合濾波算法[J].電視技術(shù)，2013，37（15）：11-14.

[8] 王德旺，王改利.自適應(yīng)中值濾波在云雷達(dá)數(shù)據(jù)預(yù)處理的應(yīng)用[J].激光技術(shù)，2012，36（2）：221-114.