一種用于紫外成像系統的PCNN圖像融合算法

馬立新，張建宇，項　慶

(上海理工大學 光電信息與計算機工程學院，上海200093)

?

一種用于紫外成像系統的PCNN圖像融合算法

馬立新，張建宇，項慶

(上海理工大學 光電信息與計算機工程學院，上海200093)

摘要：為了解決高壓電氣設備局部放電故障點定位問題，把PCNN圖像融合算法應用到紫外成像系統中，根據高壓電氣設備局部放電的同時向四周發射紫外光和紫外光波段在日盲200～400 nm的原理，在設備局放故障區域分別采集紫外光圖像和可見光圖像并進行圖像融合，在新生成的融合圖像中精確定位局部放電故障點。研究針對融合源圖像自身系數特點會影響PCNN神經網絡連接強度系數的特點，使用粒子群優化算法對PCNN神經網絡中的連接強度系數進行全局尋優，使其可以針對不同融合源圖像的各自系數特征自適應尋找最優連接強度系數。研究結果表明，優化后的PCNN算法對比于其他算法所得圖像信息更加豐富、定位更加精準，融合圖像可以有效地定位高壓設備電暈放電故障點。

關鍵詞：紫外成像系統；圖像融合；PCNN神經網絡；粒子群算法

0引言

高壓電氣設備長期使用會出現局部放電等故障，為了定位局部放電位置，紫外檢測技術被廣泛應用于紫外成像系統，紫外檢測技術是紫外成像系統的關鍵技術。簡單來說，紫外檢測技術是通過對局部放電故障點采集紫外光圖像和可見光圖像，通過圖像轉換盒傳輸至PC端，再經過圖像融合處理，把紫外光圖像和可見光圖像融合成既包含紫外光信息又包含可見光信息的融合圖像，進而在融合圖像中準確定位放電故障點[1-3]。

圖像融合技術是紫外檢測技術的核心，是把兩幅或多幅圖像按照某一特定的融合規則進行融合處理，從而得到一幅新的圖像。不同的實驗目的對融合圖像的要求也不同。一般來說，融合圖像的融合效果好壞是根據所得圖像所帶有的兩幅或多幅圖像的信息量、圖像清晰度、圖像平均梯度等指標來決定的。圖像融合技術在醫學等方面應用很廣泛，而紫外光圖像和可見光圖像融合是近十幾年發展起來的圖像融合技術，主要用于紫外檢測技術。由于高壓電氣設備產生局域放電故障時，故障點所發射的光波包含紫外光，而紫外光又是人眼不可見的，故通過采集故障點的紫外光圖像和可見光圖像進行融合，可以使局域放電故障點暴露在人眼中，便于識別和定位局放故障。目前在紫外成像系統中應用比較廣泛的圖像融合算法是加權融合算法和拉普拉斯融合算法[4-5]。

20世紀90年代Eeckhorn等人提出脈沖耦合神經網絡(PCNN)，PCNN模型一種基于貓的視覺原理構建的簡化神經網絡模型，其算法來源于哺乳動物視覺特點，與傳統人工神經網絡不同，PCNN具有同步脈沖發放和全局耦合的特性，有更好的信息處理能力。由于本文研究的圖像融合算法是基于紫外成像系統的，對紫外光圖像和可見光圖像的融合效果要求較高，傳統PCNN算法一般使用固定的參數值進行圖像融合，考慮到融合圖像各個區域的灰度值和能量的差異性，本文提出一種優化算法，采用粒子群算法對PCNN的參數進行優化，彌補了傳統PCNN算法參數固定不變的缺點，獲得了很好的融合效果[6]。

1紫外成像系統的搭建

紫外成像系統可分為單通道電暈紫外成像系統和雙通道電暈紫外成像系統。雙通道電暈紫外成像系統是紫外成像儀常采用的紫外成像系統，該系統把可見光分為兩條光路，一條為可見光通道，另一條是紫外光通道，兩條通道采集的圖像信號通過圖像采集卡傳輸到PC端，然后進行圖像融合，得到可識別電暈故障點的融合圖像，從而準確定位故障[7-10]。雙通道電暈紫外成像系統結構圖如圖1所示。

圖1　雙通道紫外成像系統

2PCNN算法基本原理

PCNN神經網絡是一個由多個神經元組成的單層反饋型網絡，每一個神經元由接收域、耦合調制域和脈沖發生器組成。模擬神經元是根據真實神經元的作用與機理進行搭建的，可以很好地模仿真實神經網絡的實現過程。耦合脈沖神經網絡中的神經元，在某一時刻t會同時受到外部刺激和領域其他神經元在t-1時刻的脈沖信息影響，然后隨即對接受到的刺激信號進行反應并發出反饋信息，繼而刺激與其相連的其他神經元。其算法數學模型如公式(1)所示：

(1)

該數學模型為PCNN神經網絡中位于(i,j)處的單個神經元模型，其中，Sij為神經元所受到的外界刺激信息，Ykl表示該神經元在k×l鄰域中其他神經元在t-1時刻的脈沖刺激信號。該神經元接收反饋輸入為Fij，Lij為線性連接輸入，主要接收與神經元相鄰的其他神經元突觸的輸入信號Ykl。隨著信號的傳遞，在神經元模型耦合調制域中把線性連接輸入Lij部分和接收的反饋輸入Fij相乘得到內部活動項Uij。神經元模型中脈沖輸出項為Uij，Yij是否能產生脈沖信號取決于內部活動項Uij是否大于神經元膜電位動態閾值θij。而θij的大小是由神經元是否輸出脈沖信號決定的。

式(1)中αF，αL和αθ分別為神經元反饋輸入Fij、線性連接輸入Lij和膜電位動態閾值的衰減時間常數。VF，VL和Vθ分別表示神經元反饋輸入、連接輸入、動態閾值的放大系數。在本研究中，取αF=0.1，αθ=0.5，αL=1，Vθ=20，VL=1。βij為連接強度系數，它的大小直接影響內部活動項Uij的大小。

當連接強度系數βij=0時，神經元之間不傳遞刺激信號，每個神經元獨立運行。不同灰度值的像素不受任何干擾，其獨立點火頻率依賴于該像素灰度值，與其他像素的灰度值無關。當βij≠0時，神經網路中每個神經元互相耦合連接，神經元的點火會對其鄰域范圍內的其他神經元輸出脈沖信號，故每個神經元的點火不僅與像素灰度值有關，而且取決于其他神經元的狀態。由PCNN數學模型可知，連接輸入Lij的大小很大程度上是由連接強度系數βij決定的，βij越大，連接輸入Lij就越大，點火的神經元范圍就越大。故一般采用對連接強度系數βij優化的方式來對PCNN融合算法進行改進[11-12]。

3基于粒子群優化PCNN算法

由于每個神經元所在區域的融合源圖像自身的系數特征可能會有顯著不同，由此對神經網絡中的連接強度和點火范圍產生顯著影響。即神經元所在區域圖像自身系數特征變化越顯著，連接強度和點火范圍就會越大。應用于紫外成像系統的圖像融合源圖像之間具有圖像系數特征差別大的特點，并且融合源圖像系數之間相差越大越能表達融合后圖像的系數特征，為了選取PCNN神經網絡最優參數，本文使用粒子群算法尋找融合源圖像中相鄰系數差距最大的鄰域并由此對連接強度系數βij進行優化，使神經網絡中的連接強度系數隨著神經元所在區域圖像特征進行自適應變化。

粒子群優化算法是一種學習鳥群覓食行為的群智能優化算法，最初由Kennedy和Eberhart提出。在粒子群優化算法中，鳥群中每一只鳥可以抽象成一個沒有質量的粒子I，并延伸到N維空間。粒子I在空間中的位置由矢量Xij表示，飛行速度用矢量Vij表示。每一個粒子都由目標函數決定的適應值所約束，并根據同伴的飛行經驗、單個粒子發現的最優位置(pbest)和整個粒子群中的最優位置(gbest)來調節粒子的飛行方向和速度大小。粒子通過公式(2)來更新自己的速度和位置：

(2)

式中：vij(k)，xij(k)分別為粒子i在k次迭代中速度和位置的第j維分量；w為慣性權重；c1和c2是學習因子；pij(k)為粒子i在極值點位置的第j維分量；pgj(k)為粒子群體全局極值點位置的第j維分量；r1，r2為[0,1]之間的隨機數[13-14]。

標準粒子群優化算法流程圖如圖2所示。

圖2　標準PSO優化算法流程圖

本文使用圖像小波分解后低頻系數的方差s2來決定連接強度系數βij的值，進而自適應調節神經元的連接強度和連接范圍，即低頻圖像系數中方差較大的區域，其對應的高頻圖像系數便也會有較為顯著的特征表達，因此，該區域對應神經元的連接強度和連接范圍也必然較大，從而加強特定區域神經元對其鄰域神經元的刺激作用。

具體步驟可以歸結為以下幾步：

步驟1：將待融合圖像進行小波分解，提取圖像低頻子帶系數進行區域劃分，本研究選取3×3的可移動區域進行迭代，計算每個區域內的圖像低頻系數方差s2，方差如公式(3)所示。

(3)

式中：ai，j表示位于(i，j)處的區域圖像低頻系數。

步驟2：用粒子群優化算法在所提取區域中進行尋找最佳位置，即方差s2取最大時圖像低頻系數所在區域。

步驟3：對最優區域進行鄰域擴散，對其周圍每個3×3鄰域求圖像系數方差，直至整個圖像低頻系數全部計算完畢。

步驟4：選取圖像空間頻率SpaceFrequency(簡稱SF)作為神經網絡模型的外部激勵Sij，SF的表達式如下：

(4)

再令連接強度系數βij=s2，將所有迭代后的連接強度系數βij代入PCNN模型中運行，直至神經網絡中每個神經元至少被點火一次，從而確定各個參數值。

其中，fij表示圖像中以任意像素(i,j)為中心3×3的鄰域。

步驟5：建立融合規則，采用絕對值取大的融合規則：

若abs(Y1(i,j))-abs(Y2(i,j))>βij，則F(i,j)=F1(i,j)；

若abs(Y1(i,j))-abs(Y2(i,j))<βij，則F(i,j)=F2(i,j)；

從而得到融合圖像的系數，其中，F(i,j)表示圖像系數矩陣在第i行、第j列的系數[15-16]。

4仿真實驗及方法比較

本次實驗選取一組電纜線上的紫外圖像和可見光圖像，尺寸為369×463。采用3種融合方法與本文改進方法進行比較，分別是：(1)拉普拉斯融合圖像融合算法；(2)小波變換融合算法；(3)傳統PCNN融合算法。

其中，方法一采用文獻[17]中的拉普拉斯融合算法，采用5層金字塔分解，其融合規則是：頂層子圖像采用基于區域平均梯度取大進行融合，其余層子圖像采用基于區域能量取大進行融合。方法二采用基于小波變換的低頻系數取平均值，高頻系數求絕對值然后取極大的融合規則[18]。方法三采用傳統的PCNN算法對圖像進行融合，其神經網絡中各個參數值為定值，分別為：αL=1，αθ=0.5，VL=1，Vθ=20，β=0.15。以上小波變換所采用小波均為bior1.1小波。圖3是對紫外光圖像和可見光圖像融合仿真實驗結果及對比圖。

圖3　紫外光和可見光圖像以及融合圖像

由圖3可以看出，本文所用的4種算法中的融合圖像中，小波變換融合算法的融合圖像在故障點表達上不夠精確，圖像有失真現象。相比之下，拉普拉斯圖像融合算法和PCNN圖像融合算法的融合圖像在視覺效果上更加清晰。為了更好地評價改進后方法和其他3種方法的融合效果，本文采用以下5個指標進行評價[19]：熵entropy (H)：熵表示圖像的平均信息量，是表達圖像信息是否豐富的評價指標；平均梯度AverageGradient(AG)[20]：平均梯度表示圖像的清晰度，即圖像對細節對比的表達能力與紋理反差特征；空間頻率SpaceFrequency (SF)：空間頻率可以很好地表達融合圖像在空間域中的總體活躍度；互信息Mutual Information(MI)：互信息能很好地描述融合結果對源圖像信息量包含的多少；標準差StandardDeviation(SD)：標準差是把融合圖像灰度相對于灰度均值的離散情況數值化；若評價指標的數值越大，則表示圖像融合效果越好。表1為4種融合算法的融合圖像評價指標對比。

表1　4種算法的融合圖像評價指標對比

由表1的評價指標可以看出，本文提出的圖像融合方法的各項評價指標都優于其他方法，達到了較好的融合效果。

5結論

根據紫外檢測技術的原理，針對傳統PCNN圖像融合算法的不足，提出一種應用于紫外成像系統的自適應調節神經網絡參數的PCNN圖像融合算法。并將實驗結果與另外3種算法進行比較，通過評價指標可以看出優化后算法的可行性和優越性。傳統紫外成像系統所用的融合方法是小波變換融合方法，需要根據圖像采集區域實際情況進行調節融合參數。本文融合方法可以自適應調節神經網絡連接強度系數，融合圖像清晰度高、過渡平滑、輪廓更加完整，融合效果很理想，可以準確定位局放故障點。

參考文獻：

[1]馬立新,浦榮杰,陶鵬舉，等.局部放電紫外檢測量化分析系統的設計及應用[J].電力科學與工程,2014,30(3):35-38.

[2]高健,苗興,孫小平，等.基于紫外成像技術的電暈放電檢測方法探討[J].電力科技與環保,2013,29(4):18-20.

[3]李和明，王勝輝，律方成，等. 基于紫外成像的污穢絕緣子放電特性研究[J].華北電力大學學報(自然科學版)，2010，37(3)：1-6.

[4]郭雷，李暉暉，鮑永生. 圖像融合[M]1版. 北京：電子工業出版社,2008:190-191.

[5]王金玲，賀小軍，宋克非， 等. 采用區域互信息的多光譜與全色圖像融合算法[J]. 紅外與激光工程，2014(8)：2757-2764.

[6]馬義德.脈沖耦合神經網絡原理及其應用[M]1版.北京：科學出版社,2006:16-19.

[7]劉佳,段先華,孫慶國，等.基于多小波的高分辨率與多光譜圖像融合[J].電子設計工程,2015(11):82-86.

[8]LINDNER M,ELSTEIN S,LINDER P,et al.Daylight com-na discharge imager[J].EPRI,1998(8):4349-4352.

[9]付曉松.日盲紫外檢測在電暈放電檢測中的應用[J].黑龍江科技信息,2014(29):48.

[10]王勝輝，李楠，廖鵬，等. 放電日盲紫外成像檢測圖像參數提取方法研究[J].華北電力大學學報(自然科學版)，2013，40(6)：40-45.

[11]馬立新,周小波,單宇，等.基于自適應PCNN的紫外圖像融合算法[J].電子科技,2015,28(10):1-3.

[12]才溪.多尺度圖像融合理論與方法[M]1版. 北京：電子工業出版社,2014:123-130.

[13]高尚.群智能算法及其應用[M]1版. 北京：中國水利水電出版社,2006:7-8.

[14]馬立新,王繼銀,項慶，等. 三目標混合骨干粒子群算法的電力系統無功優化[J]. 電力科學與工程, 2015,31(11): 18-23.

[15]沙立成，宋珺琤. 基于改進粒子群優化LS-SVM的變壓器故障氣體預測[J].華北電力大學學報(自然科學版),2011,38(1):35-38.

[16]陳廣秋,高印寒,段錦，等.基于奇異值分解的PCNN紅外與可見光圖像融合[J].液晶與顯示,2015,30(1):126-136.

[17]韓瀟,彭力.基于改進拉普拉斯金字塔的圖像融合方法[J].自動化與儀器儀表,2014(5):191-194.

[18]袁曉冬,李超,盛浩，等.小波多分辨分量相關性圖像融合方法[J].北京航空航天大學學報,2013,39(6):847-852.

[19]ANGAM P, NARASIMHAN K S. Improved multidimensional color image fusion based on the multi-wavelets[J].Research Journal of Applied Science, Engineering and Technology,2013,6(2):175-180.

[20]張小利,李雄飛,李軍，等.融合圖像質量評價指標的相關性分析及性能評估[J].自動化學報,2011,40(2):306-315.

An PCNN Image Fusion Algorithm Applied in UV Imaging System

MA Lixin，ZHANG Jianyu，XIANG Qing

(Department of Electrical Engineering School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

Abstract：In order to solve the problem of fault location of the partial discharge for high voltage electrical equipment, the PCNN image fusion algorithm is applied to the ultraviolet imaging system, and hence the ultraviolet discharge and visible images of the discharge area can be acquired and integrated according to the fact that ultraviolet wavelength varies in sun-blind band, about 200 nm to 400 nm. Then the accurate discharge point could be found in the newly generated fusion image. In view of the influence of the coefficient of the source image fusion on the connection strength coefficient of PCNN neural network, the particle swarm optimization algorithm is used to optimize PCNN neural network connection strength coefficient in global, making the connection strength coefficient capable of self-adapting for different source images. Experimental results show that compared with other ultraviolet imager’s algorithms, the image obtained using the optimized PCNN algorithm is remarkably richer in information, and more accurate in fault location, and the fusion image can effectively locate the high voltage corona discharge point of the equipment.

Keywords：UV imaging system; image fusion; PCNN neural network; particle swarm optimization

收稿日期：2015-11-25。

基金項目：上海張江國家自主創新重點資助項目(201310-PI-B2-008)。

作者簡介：馬立新(1960-) , 男，教授，主要研究方向為電力系統穩定性與優化運行、電氣系統故障診斷與模式識別、群體智能與智能電網、電力能效測評系統、調速系統智能控制等，E-mail:malx_aii@sina.com。

中圖分類號:TP391.41

文獻標識碼:A

DOI:10.3969/j.issn.1672-0792.2016.04.003