基于OpenCV的紫外成像檢測量化參數提取方法

袁曉輝+孫林濤+李博

摘 要： 目前紫外成像法表征放電強度一般采用“光子數”參量，該參量可以直接從儀器中讀取。但該參量與儀器的增益設置以及觀測距離之間存在著較為復雜的非線性關系，難以對放電進行量化分析。故有必要研究新的量化參量用于表征放電特性。紫外成像儀輸出的信號為視頻或圖像，其攜帶了大量反映放電特性的信息，如放電的位置、放電的大致形狀、放電點的個數和放電區域的大小等。另外，在紫外圖像中，放電表現為一些白色的區域（這里定義為光斑區域）。基于此，提出了一種新的紫外量化參量，采用圖像處理的方法提取相關的圖像參量表征絕緣子表面的放電過程。

關鍵詞： 紫外成像； 局部放電； 量化提取； OpenCV

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2017）01?0045?04

Abstract： The parameter of ″photon quantity″ is used in the ultraviolet imaging method to character the discharge intensity， and can be read out in the instrument directly. This parameter exists the complex nonlinear relationship between the observation distance and gain setting of instrument， so it is difficult to perform the quantitative analysis for the discharge. To overcome the above problem， it is necessary to study a new quantization parameter to character the discharge characteristics. The output signal of the ultraviolet imager is shown as video or image form， which carries a large amount of information reflecting the discharging characteristics， such as the discharge position， discharge approximate shape， discharge point quantity and size of the discharge area. In the ultraviolet image， the discharge performance is presented as a few white areas （spot area）. On this basis， a new ultraviolet quantization parameter is proposed， in which the image processing method is used to extract the relevant image parameters to character the discharge process in the surface of the insulator.

Keywords： ultraviolet imaging； partial discharge； quantitative extraction； OpenCV

0 引 言

超高壓電網是深圳電網的主干電網，具有線路長、絕緣子數量龐大、沿線地理環境復雜多變、安全運行可靠性要求高等特點，其中超高壓輸電線路和變電站電氣設備多數在大氣環境下工作，在長期的電、熱、機械應力的作用下不可避免地會出現絕緣劣化、老化甚至損壞的問題，與此同時會輻射出很多種類的非電信號，如聲、熱、光、電磁波等，國內外大量學者針對這些特征信號檢測進行了大量研究并提出了很多創新性的方法。目前絕緣子污穢放電檢測方法主要有：泄漏電流法、超聲波法、紅外成像法、紫外脈沖法和紫外成像法。

1 紫外圖像處理和參數的計算

在某220 kV變電站下雪前拍攝到的紫外圖像如圖1所示，該圖像的大小為像素，拍攝時的溫度接近0 ℃，相對濕度97%，紫外成像儀型號為CoroCAM504。

分析圖1可知，該絕緣子串上存在三個較明顯的放電點，放電區域的圖像亮度較高，而背景圖像的亮度較低，在放電區域的周圍還存在部分離散的白色干擾點，同時紫外圖像中的取景框、時間等信息的亮度也較高，接近于放電區域的亮度。

要提取上述放電圖像的區域參數，需首先對紫外圖像進行預處理，將其從原始圖像中分割出來，在此，本文采用的圖像預處理算法框圖如圖2所示。

下面本文結合圖1所示的紫外圖像，對上述算法的主要部分進行相關介紹。

1.1 紫外圖像二值化

紫外成像儀輸出的圖像為RGB彩色圖像，為便于后續處理，在圖像分割之前需先將其轉換為灰度圖像，灰度圖像中每一個像素點的灰度值介于0～1之間，全白像素點的灰度值為“1”，全黑像素點的灰度值為“0”。

目前對圖像進行分割的主要算法有：邊緣算子法、閾值法和區域生長法。針對上述紫外圖像特征，本文采用閾值分割算法，其基本原理是選擇一個合適的閾值，然后對圖像矩陣各像素點依次進行掃描，若像素點的灰度值高于該閾值，則將該像素點的灰度值設置為1，否則置為0。經閾值法分割后的圖像各像素點的灰度值僅有1和0，因而又稱之為二值圖像。

對紫外灰度圖像進行直方圖分析可知，放電區域圖像的灰度值集中在0.9附近，而背景圖像的灰度值集中在0.8以下，基于雙峰法，選擇閾值為0.85，其圖像處理效果如圖3所示。

1.2 數學形態學濾波

觀測圖3可知，圖像經閾值分割后雖然放電區域可從紫外圖像中分割出來，但紫外圖像中灰度值接近于放電區域的干擾點圖像也被保留在二值圖像中，另外，放電區域內部尤其是在靠近光斑區域的邊緣位置還存在部分黑色孔洞，上述圖像可以看作是噪聲圖像，需將其濾除。根據噪聲圖像大小一般遠小于放電光斑區域的特點，本文采用二值數學形態學（Mathematical Morphology）的開啟、閉合算法對圖像進行濾波處理。

數學形態學的基本運算為腐蝕（Erosion）和膨脹（Dilation），單純對圖像進行腐蝕和膨脹運算，雖然可濾除噪聲圖像，但會引起放電光斑區域的收縮或擴張，對后續參數計算造成較大影響，在此本文采用數學形態學的開啟、閉合運算對圖像進行濾波處理，其定義如下：

式中：為待處理的圖像；為結構元素；符號和分別代表腐蝕和膨脹運算；符號和分別表示開運算和閉運算。開運算可以在不影響目標區域的情況下消除圖像中像素尺寸較小的散點，并使得圖像外邊界平滑，閉合運算則可以消除圖像區域內部的一些孔洞，同時也對圖像內邊界起到了一定的平滑作用。

對圖像進行形態學濾波的關鍵在于選擇合適形狀和大小的結構元素，分析圖3可知，其放電區域圖像的形狀多接近于圓形，因而本文選擇圓盤形結構元素，結構元素的半徑則需要根據具體圖像特征來確定。紫外圖像中其噪聲區域的圖像直徑一般在10個像素點以下，因而結構元素的半徑一般選擇2～5的范圍可以取得較好的濾波效果。對于圖3的紫外圖像，為了盡可能地減小濾波對放電區域圖像的畸變并濾除部分噪聲，本文選擇結構元素的半徑為2，其結構元素如下所示：

1.3 小區域消除

從圖4可知，采用數學形態學濾波后，仍然有部分區域面積較大的干擾點留在圖像之中，為此本文采用二值圖像小區域消除算法實現對其余噪聲點的去除，該算法的基本步驟如下：

（1） 對于圖4圖像采用區域標記算法對各連通的圖像區域（圖3中連通的白色區域）進行標記，每一個連通區域內的像素點被賦予相同的標簽值；

（2） 統計各連通區域內包含的像素點個數；

（3） 設定一個閾值，依次比較各區域包含的像素點個數與設置的面積閾值的大小，大于該閾值區域內的各像素值保持不變，而小于該閾值的區域內各像素值設置為0（置黑）。

基于上述區域標記算法，統計可知圖4中共有24個連通區域，設置閾值為150，則經小區域消除算法處理后的圖像如圖5所示。

1.4 多區域邊界跟蹤

要獲得放電區域圖像的量化參數需提取各放電區域的邊界點，由于紫外圖像中的放電點往往不止一個，在此本文采用多區域邊界跟蹤算法提取各圖像區域的邊界點，該算法的基本原理如圖6所示。

跟蹤算法步驟如下：

（1） 首先對二值圖像矩陣按照從左到右，從下到上的順序依次掃描各像素的像素值，首先掃描到的白色像素點即為第一個區域的第一個邊界點，如圖6中標記為“1”的像素點，記錄此點坐標；

（2） 從此點開始，逐步搜索下一個邊界點，定義初始的搜索方向為左上，如果左上方的點為白色點，則為邊界點，否則搜索方向順時針旋轉45°，若上方點的像素值仍然不是白色點，搜索方向再順時針旋轉45°，直至找到白色像素點為止，該點即為第二個邊界點，如圖6中標記為“2”的像素點；

（3） 將上述第二個邊界點作為基點，在當前搜索方向的基礎上將搜索方向逆時針旋轉90°，該方向作為當前的初始搜索方向，繼續用上述方法搜索下一個白色像素點，直至回到最初的邊界點為止；

（4） 重復上述三步可以依次搜索到所有放電區域的邊界，并得到其邊界點的坐標值。

采用上述算法，可得到圖5中三個放電區域邊界點的坐標值，將各坐標值連接起來構成封閉曲線，疊加到原始圖像后，其邊界提取的結果如圖7所示。

在圖7中，紅色曲線為各放電區域的邊界。從圖7可以看出，提取的邊界形狀和大小與放電區域圖像的實際輪廓非常吻合，這說明利用本文提出的相關算法在有效濾除噪聲的同時還盡可能地保持了原始放電區域圖像的大小和形狀。

2 量化參數的提取

為表征各放電光斑區域的大小需提取相關參數，根據紫外圖像的特點，本文提取的四個量化參數分別為：光斑面積、區域邊界周長、長軸和短軸，其定義如圖8所示。

（1） 光斑面積：方法是統計各放電光斑區域內包含的像素點的個數，也即統計圖5中各光斑區域包含的像素值為“1”的個數，對于某一個放電區域，其面積的計算公式如下：

（2） 區域邊界周長：類似于幾何學中的連續曲線長度的概念，該周長值即為邊界點上連續像素點的距離之和。

（3） 長軸和短軸。高壓設備表面的放電有時表現為細長型，此時僅利用面積和周長參數還不能較好地反映其放電特征，在此引入長軸和短軸兩個參數。長軸定義為通過放電區域的形心點，邊緣上兩點之間的最長距離。短軸定義為通過放電區域的形心點，邊緣上兩點之間的最短距離。

基于上述定義方法，圖5中的三個放電區域計算的量化參數如表1所示。

從表1中可知，利用上述參數可以較好地量化各放電點的放電強弱。

3 圖像處理和參數提取實例

基于上述圖像處理軟件，本文對某棒?板間隙放電模型的視頻和圖像進行處理，從棒?板間隙工頻電暈放電時采集到的紫外視頻中連續截取了100幀紫外圖像，原始圖像大小為720×576像素，按照上述算法分別對各幀紫外圖像進行圖像處理，計算各幀圖像中的光斑面積，其中某一幀紫外圖像的處理結果如圖9所示。

選擇閾值為0.85，將上述圖像轉換為二值圖像，從圖9（b）中可以看出，在二值圖像中存在大量的噪聲圖像，鑒于放電的區域接近于圓形，因此本文選擇形態學的結構元素為圓形結構，一般半徑選擇為2時即可取得較好的濾波效果。對圖像進行開運算和閉運算后的結果如圖9（c），圖9（d）所示，比較圖9（d）和圖9（a）中的光斑區域可知，分割出來的區域與原區域具有較好的相似性，最后得到的光斑面積為6 970，也即該區域有6 970個像素點。

4 結 語

基于光子數參數在實際檢測中存在一定的不足，本文從數字圖像處理的角度提出一種新的量化參數，項目對紫外圖像進行灰度變換、形態學濾波后分割出放電光斑區域，在此基礎上定義了光斑面積參數。采用VC++調用Open CV的相關算法，編寫圖像處理和參數提取軟件，實際測試結果表明上述算法的有效性。

參考文獻

[1] 王昌長，李福祺，高勝友.電力設備的在線監測與故障診斷[M].北京：清華大學出版社，2006：164?166.

[2] 楊坤.變電設備局部放電帶電檢測技術研究[D].濟南：山東大學，2014：7?8.

[3] 郭俊，吳廣寧，張血琴，等.局部放電檢測技術的現狀和發展[J].電工技術學報，2005，20（2）：31?33.

[4] 許逵，馬曉紅，趙立進，等.超聲波局部放電檢測裝置的檢測及校驗[J].電測與儀表，2014，51（23）：83?86.

[5] 李繼勝，李軍浩，羅勇芬，等.用于電力變壓器局部放電定位的超聲波相控陣傳感器的研制[J].西安交通大學學報，2011，45（4）：94?96.

[6] 唐炬，陳嬌，張曉星，等.用于局部放電信號定位的多樣本能量相關搜索提取時間差算法[J].中國電機工程學報，2009，29（19）：126?129.