一種自適應的變電站設備紅外圖像分割方法

王啟銀，薛建東，任新輝

?

一種自適應的變電站設備紅外圖像分割方法

王啟銀1，薛建東1，任新輝2

（1.國網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 電氣工程學院，四川 成都 610031）

為了較好地實現變電站電氣設備紅外圖像的分割，采用了一種自適應的變電站電氣設備紅外圖像分割方法。通過采用基于形態學的權重自適應算法對變電站電氣設備紅外圖像進行增強處理，然后采用基于加權切比雪夫距離的K-means算法對變電站電氣設備紅外圖像進行分割，最后對分割得到的二值圖像采用形態學方法進行處理。通過實驗驗證了該方法的有效性和適應性，方便了后續的特征提取和識別。

變電站電氣設備；紅外圖像；形態學；圖像分割；K-means

0 引言

由于變電站設備紅外圖像結構和形狀的信息不充足、對比度差，有必要對電氣設備紅外圖像進行增強處理。而紅外圖像分割技術在變電站電氣設備智能在線監測系統中有著舉足輕重的作用，分割后的變電站電氣設備圖像是后續特征提取和識別的關鍵，對變電站紅外圖像分割技術的研究有著重大的現實意義[1]。

文獻[2]提出了一種基于Contourlet變換和形態學的圖像增強算法，該方法雖然抗噪性能較好，但僅用了一次形態學的膨脹運算，對紅外圖像增強效果不明顯。文獻[3]設計了一種融合小波變換與改進的多尺度 Retinex紅外圖像增強算法，本算法改善了某些發熱芯片區域紅外圖像對比度低且細節模糊問題，抑制了噪聲，提升了電路板紅外圖像整體視覺效果。文獻[4]提出了一種基于形態學的可變權值自適應增強算法，引入全方位多尺度結構元素的思想，每個方向的細節權值應不盡相同，在細節增強與噪聲抑制方面取得了較好的平衡，但對于低灰度區域圖像增強效果不佳。文獻[5]提出了一種新模型，新模型利用了圖像的區域信息，可以同時將目標的內外邊界分割出來，在航拍圖像分割中，分割速度快，分割精度高。文獻[6]主要針對K-Means算法初始聚類中心的選擇以及孤立點問題加以改進，提出了一種新的初始聚類中心選擇方法，但該算法計算效率較低。文獻[7]提出了一種基于兩種優化策略博弈的馬爾可夫隨機場紅外圖像分割方法，算法能夠無人工干預地準確提取電路板紅外圖像所有芯片發熱區域，并且很好地抑制噪聲，具有一定的實用性和魯棒性。

本文提出了一種自適應的變電站設備紅外圖像分割方法，首先，采用基于形態學的權重自適應算法對變電站電氣設備紅外圖像進行增強處理，有效地增強了低對比度區域紅外圖像的輪廓特征并對噪聲有一定的抑制作用；另外采用基于加權切比雪夫距離的K-means算法對變電站設備紅外圖像進行分割，能夠較好的將目標區域完整的分割出來，分割后的圖像具有目標輪廓清晰，邊緣細節特征明顯等優點。

本文以變電站隔離開關紅外圖像和變電站斷路器紅外圖像為例進行方法驗證。

1 形態學權重自適應增強

1.1 形態學開-閉級聯

數學形態學圖像處理通過采用具有一定形態的結構元素去度量圖像中的對應形狀，借助于集合論來達到對圖像進行分析和處理的目標[8]形態學的開運算先腐蝕后膨脹，可以用來過濾圖像中的噪聲，而形態學閉運算先膨脹后腐蝕，可以增強圖像中的低灰度區域。根據以上特點，可采用形態學開-閉的級聯形式，從而實現對紅外圖像的增強，形態開-閉級聯定義為：

1.2 權重自適應的多結構形態學增強

采用相同維數、不同形狀的結構單元對變電站電氣設備紅外圖像進行形態學的開-閉運算，每種結構元素可表示為A(＝1,2,3,…,)，原始紅外圖像在每種結構元素下連著做二次形態學開-閉運算，進而構成一個串聯增強器，串聯增強器如圖1表示。

圖1 同一形狀結構元素的串聯增強

串聯增強后可以將每種形狀的結構元素所構成的串聯增強器進行并聯，形成串、并聯復合增強器，串、并聯復合增強器如圖2所示。

圖2 串、并聯復合增強器

在具體實現過程中，采用每種結構元素A(＝1,2,3,…,)的串聯增強結果與原始圖像的差異值作為權值向量，串聯增強結果與原始圖像的差異值權值向量可表示為P(＝1,2,3,…,)，則形態學自適應權值計算公式為：

式中：Q為每種形狀結構元素A的權值，其中的取值為1, 2, 3,…,。

根據圖2所示，輸入圖像為()，本文選擇結構元素為不同長度和角度的線性算子，經過每種結構元素串聯增強的結果為L()(＝1,2,…,)。則根據形態學自適應權值計算公式可以得出輸出圖像()為：

2 基于加權切比雪夫距離的K-means算法

2.1 K-means算法

K-means算法先從圖像數據樣本中選取個點作為初始聚類中心；再計算各個圖像數據樣本到每個初始聚類的距離，把圖像數據樣本合并到離它最近的那個聚類中心所在的類；然后計算新形成的每個類的圖像樣本數據對象的平均值來得到新的聚類中心；最后重復以上步驟，直到相鄰兩次的聚類中心沒有任何變化，說明樣本調整結束，聚類準則函數達到最優。

K-means算法一般選取誤差平方和準則函數作為聚類準則函數，當誤差平方和準則函數局部最小時，聚類中心迭代終止，誤差平方和準則函數公式為：

式中：X為數據集的聚類子集，各個聚類子集的樣本數量分別為1,2,…,n,為各個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算法進行圖像分割時，將圖像的每個像素點的灰度作為樣本，從而整個圖像就構成了一個樣本集合，進一步把圖像分割任務轉換為對數據集合的聚類任務，然后在此特征空間中運用基于切比雪夫距離的K-means算法進行圖像分割。

在計算圖像數據樣本之間的距離時，選擇切比雪夫距離。設兩個樣本分別為x和x，則切比雪夫距離公式為：

2.3 基于加權切比雪夫距離的K-means算法

采用基于加權切比雪夫距離的K-means算法處理紅外圖像時，應先計算數據集中各個樣本屬性的權值，在計算樣本之間的距離時使用加權切比雪夫距離即可，加權切比雪夫距離的公式為：

權值系數w的確定采用變異系數賦權值法。變異系數賦權值法是在方差倒數賦權值法的基礎上提出的，定義如下[9]：

一組數據集的變異系數是它的標準差除以均值的絕對值，對于數據集中的個數據1,2,…,X，變異系數的求解過程為：

式中：v是1,2,…,X的變異系數。

于是，數據集中各個屬性都有各自的變異系數，設數據集中各個屬性表示為：1,2,…,Z，用v表示Z的變異系數，其中＝1,2,3,…,，此時，屬性Z相應的權重系數為：

3 實驗結果分析

算法實驗在Matlab軟件平臺實現，實驗圖像為變電站斷路器設備和變電站隔離開關設備，為了驗證本文算法的分割效果，對比分析二維Otsu算法、基于切比雪夫距離的K-means算法和基于加權切比雪夫距離的K-means算法，隔離開關和斷路器分割效果分別如圖3和圖4所示。

圖3和圖4分別給出了隔離開關和和斷路器的原始圖像、形態學權重自適應增強結果、二維Otsu算法分割結果、基于切比雪夫距離的K-means分割結果、基于加權切比雪夫距離的K-means分割結果。

由圖可以看出，增強后圖像目標區域的細節比較明顯，較好地突出了圖像目標區域的信息；使用二維Otsu算法對圖像進行分割，目標無法完整地分割出來，因為該算法當目標區域灰度級較低時，分割閾值無法涵蓋目標區域低灰度級部分；使用基于切比雪夫距離的K-means分割算法對圖像進行分割，只能將目標區域內灰度級較低的部分分割出來，分割結果不完整，分隔效果不佳。因為該算法只是把樣本間的切比雪夫距離作為相似度，沒有考慮到數據的實際分布情況；而使用基于切比雪夫距離的K-means分割算法對圖像進行分割，分割效果較好并且邊緣比較清晰，能夠較好地將目標區域完整的分割出來，實現了圖像的快速分割，因為該算法將權值引入到計算歐式距離的過程中，得到了一個較為準確的樣本間的相似度。

圖3 隔離開關分割效果比較

圖4 斷路器分割效果比較

4 結論

提出了一種自適應的變電站設備紅外圖像分割方法。通過基于形態學的權重自適應算法對圖像增強，不僅圖像目標區域細節部分的增強效果比較好，而且解決了基于加權切比雪夫距離的K-means分割算法對于“噪聲”和孤立點的敏感問題，為后文的圖像分割奠定了良好的基礎；通過采用基于加權切比雪夫距離的K-means算法對增強后的圖像進行分割，能夠較好地將目標區完整的分割出來，而且邊緣細節也比較清晰，分割效果比較好。實驗結果表明這種方法分割速度快，分割效果較好，為后續的特征提取、目標識別、跟蹤處理提供了良好的基礎。

[1] 劉健, 解辰, 藺麗華. 基于紅外圖像的電力變壓器油位自動檢測方法[J]. 高電壓技術, 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 變換和形態學的圖像增強方法[J]. 光子學報, 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技術[J].紅外技術, 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. 基于形態學的可變權值匹配自適應圖像增強算法[J]. 電子與信息學報, 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. 利用區域信息的航拍圖像分割[J]. 中國光學, 2014, 7(5): 779-785.

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

[6] 周愛武, 于亞飛. K-means 聚類算法的研究[J]. 計算機技術與發展, 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場紅外圖像分割算法[J]. 紅外技術, 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. 數學形態學在旋切單板缺陷圖像分割中的研究[J]. 林業機械與木工設備, 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. 基于加權歐式距離的k_means算法研究[J]. 鄭州大學學報:工學版, 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，高級工程師，主要研究領域為電氣設備狀態監測與診斷技術。