一種基于C-V模型的電暈放電紫外成像分割方法

潘 臻， 王振洲， 徐 達， 雙永燦， 王子豪， 栗義康

(山東理工大學電氣與電子工程學院，淄博 255000)

在出現絕緣腐蝕或老化等問題時，高壓設備常常會出現弱放電的問題，輻射過程中產生的波長主要位于紫外波段(200～400 nm),對此人眼是無法覺察的。目前對高壓設備發生此類放電可以通過超高頻法、聲探測法、紅外熱像等傳統方式進行探測。聲探測法的原理是接收放電時發出的聲波，再根據信號的強弱判斷放電的位置與強弱;紅外熱像根據漏放電引起的溫升變化來進行檢測，然而對于現場情景較為復雜的情況，此類方法對放電點無法實施準確定位[1-2]。然而，新一代紫外成像儀可以檢測到電暈放電輻射出的日盲型紫外線波段(240～280 nm)，這使得紫外成像儀即使在白天也不會受到陽光的影響，依然可以對設備放電進行清晰地觀察，另外，其遠距離檢測功能在較大程度上確保了操作人員的人身安全[3-5]。盡管如此，紫外成像儀也存在自身的缺陷和限制，比如若測量環境中存在大量噪聲，那么就會嚴重影響其拍攝效果，導致對現場工作人員判斷高壓設備的局部放電產生影響，降低了其判斷的準確性[6-9]。為此，利用紫外成像儀檢測設備放電時，工作人員如何才能快速、準確的做出判斷是未來亟待解決的問題。紫外成像分割是紫外成像分析的重要步驟，對紫外成像進行分割是識別和分類紫外成像的基礎和前提。

目前的紫外成像的處理技術的主要思路是首先對紫外成像進行各種濾波降噪處理，然后對圖像進行圖像分割提取放電區域。文獻[10]中把圖像為背景灰度級存在明顯差異的兩類區域的組合圖像，根據圖像背景灰度級選取一個合適的閾值，對目標和背景區進行區分，從而得到相應的二值圖像，對圖像目標輪廓進行提取。該方法原理簡單，容易實現，但由于這種方法只單純考慮圖像的灰度信息，對灰度值較高的放點區域過于敏感，產生的結果誤差較大。另外，對目標圖像，閾值選擇過大容易產生過分割，閾值選擇過小容易產生欠分割，因此如何選取合適的閾值是這種方法的困難所在。文獻[11-12]在檢測圖像邊緣時分別基于Sobel、canny算子，此方法得到的邊緣大多呈現為離散點，還要加入其他算法進行后處理才能得到完整的邊緣輪廓。文獻[13]中基于數學形態學的分割算子，首先根據灰度值的大小對圖像中的像素進行升序排列，然后對完成排序的圖像進行膨脹腐蝕運算來對圖像區域進行初始劃分，此方法易編程，能夠準確地分割出目標圖像邊緣，但對噪聲的抗干擾能力差，對低對比度圖像易產生過分割，丟失重要輪廓。

綜合以上的科研成果，目前對紫外成像放電區域目標分割提取的效果不夠理想，表征設備表面的放電狀態的特征量略顯不足，特征量定義和提取也尤為重要[14-17]。此外以上的方法都需要對圖像先進行濾波降噪處理，對處理后圖像進行下一步分割運算，最終的分割的精度和濾波器密不可分。對于設備表面發生的放電現象，在獲得紫外成像后，以C-V模型為基礎對其實施處理，由于處理過程中可以直接提取放電區域，無需濾波降噪，所以自動化程度高，抗噪能力強，且C-V模型邊緣檢測得到的輪廓為連續曲線，便于工作人員對后續具體的放電狀態進行有效評估。關于設備表面的放電現象，在對其進行評估時依據的主要參數是放電區域(光斑)的周長、面積等，這樣可以對紫外成像的圖像信息進行充分利用，以此來判斷放電狀態。

1 C-V模型算法的原理及實現

1.1 C-V模型算法原理

以偏微分方程為基礎，Terzija等[18]提出了一種新的圖像分割方法，并且闡述了具體模型，即活動輪廓模型。后來，Osher等[19]、Chan等[20]開始優化該模型，并在次年提出水平集方法，這種運動界面依賴于時間，同時，它們還闡述了高精度數值解法。對于變化狀態的界面，他們主要借助于高維水平集函數的零水平集進行表述，完成方程的求解后即可捕捉到運動界面，同時，此法還能向任意維的空間進行擴展。以水平集為理論基礎，基于M-S模型，Chan和Vese在2001年提出C-V模型。C-V模型是一種基于區域范圍的水平集方法，C-V模型的本質就是將計算過程由N維提升至N+1維，以此實現計算精度的提高[21-25]。基于上述定義，可以利用下述公式描述C-V模型的能量。

E(C,c1,c2)=μLength(C)+ηArea[inside(C)]+

(1)

式(1)中：μ、λ1和λ2為正常數且是權重系數；對于函數φ(x,y)，C表示其初始零水平集曲線；c1、c2則分別表示C內部、外部的像素平均灰度值。式(1)右邊的前兩項是長度約束項，主要對目標輪廓曲線C進行檢測，確保得到的曲線足夠短；后兩項表示內外部能量，有利于演化曲線C在目標區域的邊界上完成收斂，獲得精確度足夠的邊緣輪廓。設距離函數φ(x,y)為初始化水平集函數，函數值為(x,y)，同時利用如下方法確定其符號：若點位于曲線C之外，則函數值小于0；若點位于曲線之上，則函數值等于0；若點(x,y)位于C內部，則函數值大于0。將距離函數代入到式(1)中得到：

Hε[φ(x,y)]}dxdy

(2)

式(2)中：

狄拉克函數δ(Z)、海氏函數H(Z)如式(3)所示，而其正則化形式分別表示為式(2)中的δε(Z)、Hε(Z)。

(3)

在實際計算中，H(Z)和δ(Z) 用如下的規則函數Hε(Z)和δε(Z) 來近似(ε趨近于0，有Hε′=δ):

(4)

聯合以上公式求解Euler-Lagrange方程，得到如下所示的演化方程：

(5)

1.2 算法實現

對于輸入的紫外圖像，分割流程如圖1所示。首先利用直方圖均衡化的方法實施預處理，圖像細節的強化以便于提高分割精度。經過圖像預處理后通過人工選定初始輪廓，進行φ(x,y)的初始化。

圖1 C-V模型算法的圖像分割流程Fig.1 Image segmentation process of C-V model algorithm

由于紫外成像儀拍攝的電暈放電圖像都是標準化的，故λ1=λ2=1。由等周不等式可知，在算法中，輪廓曲線周長會限制和控制區域的面積，這里的面積系數η=0，唯有長度項系數μ得以保留，一般情況下μ取值為0.01/2552，基于式(4)，結合紫外圖像的局部信息、上述參數完成水平集函數的迭代，水平集需要通過迭代來不斷演化水平集函數，每次演化都要重新計算曲線內外部平均灰度值c1和c2，對迭代次數、收斂情況進行檢驗。如果演化時已經達到設定的迭代次數或者已經達到收斂狀態，那么演化停止，否則重新計算c1和c2，迭代停止后進行輪廓檢測，最后提取零水平集，即可獲得最后目標區域輪廓。

1.3 紫外圖像放電區域提取過程和特征量定義

對于某棒-板實驗表面的電暈放電現象，其紫外圖像如圖2(a)所示。其中，放電區域為圖中的白色光斑所示，其獲取過程：當出現電暈放電時，紫外成像儀借助實驗設備發射的紫外線進行拍攝成像，同時，紫外成像儀主要對矩形框區域內的光子數量進行計算。在紫外圖像中包含了放電點的數量與位置、放電區域的形狀等諸多放電特性信息，并且放電光斑的物理意義是十分明確的。圖2所示為C-V模型提取紫外圖像中放電區域的過程。

圖2 圖像處理過程Fig.2 Image processing process

描述特征量如下。

(1)光斑面積。構成光斑的全部像素點，即光斑區域的像素，以piexl為單位。

(2)光斑輪廓周長。光斑邊緣輪廓由諸多像素點構成，其中連續像素點的距離和為周長，以piexl為單位。

2 實驗結果和分析

基于本文的算法，通過分割多幅電暈放電紫外圖像以對C-V模型的可行性加以驗證。所取的圖像均是用南非CoroCAM504紫外成像儀拍下的高壓設備放電的紫外圖像，像素為512×512。主要參數設置為：初始水平集曲線選取均為圓形初始曲線，μ=0.01/2552，t=1，ε=1。此外，圖2(a)為棒-板實驗電暈放電紫外圖像，從圖像中可以直接看出只有一個大的白色的光斑，光斑周圍攜帶的小光斑為噪聲，采用文中所述的算法由紫外圖像中提取出目標放電區域。圖2中計算光子數時的區域為矩形框，為提高可視效果，選取矩形框內的圖像為本文算法的輸入圖像，圖像大小均設置為256×256。

2.1 C-V模型與二值化方法對比

圖3對比了C-V模型分割結果和二值化方法的分割結果。其中圖3(a)為原始圖像，圖中紅色曲線為人工設定的初始輪廓線(所取圖像為棒板間隙為40 cm ，所加電壓為80 kV，增益為40%的電暈放電紫外圖像)，圖3(b)為最終輪廓，圖3(c)為對分割結果進行二值化后的圖像，圖3(d)為二值化方法的分割結果。從圖3(c)和圖3(d)對比可以看出，采用傳統二值化方法分割的放電區域攜帶有大量噪聲點，需要進行后續的降噪處理才能得到放電區域，而采用C-V模型算法無需經過降噪處理可以直接分割提取出放電區域，這說明C-V模型具有很好的抗噪性能，而高壓設備電暈放電時經常有大量噪聲，且拍攝的紫外圖像經常含有大量噪聲點，說明C-V模型對電暈放電的紫外圖像進行分割具有一定的實用性，適用于紫外圖像的分割。

2.2 C-V模型與數學形態法對比

在圖4中，原始圖像是512×512大小的某220 kV變電站絕緣子電暈放電的紫外圖像：圖4(a)表示原始圖像及其初始輪廓線(人工設定)；圖4(b)為二值化分割效果圖(基于C-V模型)；圖4(d)是用數學形態學得到的分割結果；圖4(e)是對數學形態學分割結果二值化后的圖像。從圖4(c)和圖4(e)對比可以看出，數學形態學方法切割的放電區域的邊緣輪廓有缺失，影響后續對絕緣子放電程度的判斷，而C-V模型提取出的放電區域與紫外圖像拍攝的放電區域基本一致，對放電區域攜帶的物理信息保留得比較完整。這可以說明C-V模型對比與數學形態學具有全局優化的特點，能夠在一定程度上減少漏檢的放電區域。

計算機配置為主頻1.7 G和4 G內存，在matlab7.0軟件環境下，采用C-V模型分割原始紫外圖像，如圖2、圖3和圖4所示，表1給出了其迭代次數、分割耗時，比較后易見，本文所提方法提取放電區域耗時短，效率高。

圖3 C-V模型與二值化方法對比Fig.3 Comparison between C-V model and binarization method

圖4 C-V模型與數學形態學對比Fig.4 Comparison between C-V model and mathematical morphology

表1 C-V模型分割圖像迭代次數與時間

對于上述分割結果中的圖2(f)、圖3(d)、圖4(e)分別進行面積周長計算，以便于判斷電暈放電的強弱，結果如表2所示。

表2 分割結果的面積與周長

通過表2可知，圖2(f)的紫外圖像放電強度大于其他兩幅紫外圖像，更符合肉眼觀察得到的定性結論，所以，對于放電點的放電狀態，表2中的特征量表征效果較好。

3 結論

(1)在傳統電暈放電的紫外圖像分割方法的基礎上，提出一種基于C-V模型的水平集紫外圖像分割方法。從實驗圖像分割結果可以看出，本文算法相比于傳統的紫外圖像放電區域方法，能在噪聲的影響下，準確地分割出紫外圖像中的放電區域，抗噪能力強且具有全局性，能在一定程度上減少漏檢的放電區域。

(2)本文的算法進行圖像分割耗時短、效率高，對絕緣子和棒板實驗等電力設備放電拍攝的紫外圖像都能精確地進行放電區域提取，是一種較為實用的紫外圖像分割算法。

(3)利用本文給出的特征量可對放電狀態進行更為合理的表征和描述。