基于泊松分布的日盲紫外電暈檢測

閔超波,顧 燕,楊 鋒

(1.河海大學常州校區 物聯網工程學院，江蘇 常州 213000;2.北方夜視技術股份有限公司，江蘇 南京 211102)

0 引言

隨著日盲紫外成像探測器的不斷發展，其在電力系統檢測中的應用價值日益顯著。與紅外成像檢測、脈沖電流檢測、聲學檢測以及紫外脈沖檢測等傳統檢測手段[1-2]相比，由于具備對電暈放電探測高靈敏度與定位準確的特點，使日盲紫外成像探測器有著不可替代的優勢[3]。

由于"日盲"特性，日盲紫外成像探測器可以得到非常顯著的電暈信號，以及理想干凈的背景信息，且不受照度、風沙和雨雪等環境因素的影響。這一特點非常有利于在日盲紫外圖像中自動搜索電暈放電點，實現對電暈放電目標的全自動搜索與跟蹤。目前電力系統檢測主要依靠人工檢測，但是利用機器來代替人力進行檢測是發展的必然趨勢[4]。因此，開展日盲紫外目標檢測方法的研究，可以推動電力系統自動檢測的實現。

紫外圖像中快速準確地檢測出目標是一項具有挑戰性的任務。由于紫外散射較大，導致紫外電暈信號在圖像中分布離散，而且放電現象本身是以脈沖的形式出現[5]，使得紫外電暈信號時有時無，無規律閃爍，再加上紫外探測器還會受到來自器件本身的隨機噪聲和暗噪聲的干擾[6]，因此在放電現象不明顯的情況，紫外序列圖像中包含了一堆分布離散、不間斷閃爍且位置不斷變化的亮點，很難確定紫外電暈目標的準確位置，原始成像效果如圖1所示。

圖1 日盲紫外電暈成像效果示例Fig.1 The images of solar-blind ultraviolet corona

如上所述，紫外電暈目標檢測較為困難，但其重要性又非常明顯，因此近年來對紫外電暈目標檢測的研究也越來越多。文獻[7]和[8]中介紹了一種利用形態學的電暈信號檢測方法，利用閾值及腐蝕的方法來進行紫外電暈目標的檢測，這種方法在放電量小、信號分布離散的情況下效果退化嚴重。文獻[9]提出了一種基于MN 規則的紫外電暈目標檢測方法，利用多幀累積與簡單的閾值法來進行紫外電暈目標檢測，雖然目標檢測一致性稍好，但是檢測效果對參數敏感，容易出現漏檢現象。

針對日盲紫外電暈探測信號分布離散、無規律閃爍跳躍的缺點，本文提出了一種利用泊松分布的日盲紫外電暈目標檢測方法。首先，利用泊松分布對紫外電暈目標檢測進行時空域建模。其次，利用所建立的紫外電暈目標檢測模型，得到存在電暈目標的紫外圖像泊松概率映射圖。最后，利用改進的最大類間方差法(Otsu)實現紫外電暈目標檢測與提取。本文方法在多組紫外圖像序列中進行測試與對比，實驗證明該方法可以準確地自動檢測出紫外圖像中的電暈目標，檢測精度高，且性能魯棒，可以提高日盲紫外電暈探測的可靠性。

1 基于泊松分布的日盲紫外電暈檢測模型

1.1 日盲紫外成像探測模組組成原理

日盲紫外成像探測模組基本構成如圖2所示。電暈所發出的紫外光信號通過紫外鏡頭與濾光片聚焦于紫外ICCD 入射窗上，從入射窗入射的光子照射到光電陰極上，按一定的量子轉換效率轉化為光電子，在加速電場的作用下光電子進入微通道板(microchannel plate, MCP)進行倍增，然后聚焦到熒光屏激發出可見光，通過光纖光錐將圖像耦合到可見光CCD 上，最后由讀出電路讀出，并且編碼成數字信號輸出，完成從入射光到數字圖像的轉換。

圖2 日盲紫外成像探測模組基本構成Fig.2 The framework of solar-blind ultraviolet imaging module

1.2 紫外電暈檢測建模

紫外電暈信號的探測是一種光電探測過程。對于光電探測過程來說，無論對光子流或光生電荷取樣和觀察，這一過程符合泊松分布[10]。因此這一統計規律同樣適用于日盲紫外電暈信號的探測過程。

泊松分布定義如下:如果k≥0 個隨機事件以已知平均速率N/T出現，并與最后事件出現的時間無關，那么在固定觀察時間T中觀察到這些事件的概率pN(k)如下:

式中:N表示在T時間段中隨機事件出現的平均個數;k表示觀察到的隨機事件的個數。

根據光電探測符合泊松分布這一規律，可以假設:在mXn大小的序列紫外圖像I中，任意像素I(x,y)探測到紫外電暈信號的概率都是符合泊松分布的，其中(x,y)表示像素坐標。

因此，任意像素I(x,y)探測到紫外電暈信號概率模型P(x,y)可以表示為如下式:

式中:均值映射圖N(x,y)表示在包含T幀的紫外序列圖像中像素(x,y)上出現紫外信號的平均個數，可以表示成如下公式:

式中:Bt表示包含T幀圖像的紫外圖像序列中第t幀紫外圖像I的二值化圖像，0 表示背景，1 表示紫外信號，T也可稱為積分時間。利用適當的閾值并配合傳統Otsu算法來實現紫外圖像的二值化。在本文中二值化閾值取值為50，且針對所有實驗該參數都沒有改變。

利用公式(2)和公式(3)對圖像中所有像素進行遍歷之后，就形成了圖像序列在積分時間為T情況下所對應的均值映射圖N和基于泊松分布的概率映射圖P。概率映射圖P表征了在紫外信號探測過程中每個像素不為0 的概率，即出現紫外電暈信號的概率，反映了紫外電暈目標時域特征在空域中的分布情況。

2 日盲紫外電暈檢測算法

日盲紫外電暈目標檢測算法總體流程如圖3所示，主要由3 部分組成。首先，利用暗噪聲統計模型來判斷當前幀紫外二值化圖像是否有電暈信號。其次，如果存在信號則利用1.2 節中的基于泊松分布的概率模型計算當前幀的概率映射圖P。最后在概率映射圖P中，利用改進的Otsu 算法提取電暈放電信號，并輸出電暈檢測結果。此過程不斷迭代，就可以實現對紫外序列圖像的流水線處理。

圖3 日盲紫外電暈檢測算法總體流程Fig.3 The overview of our proposed algorithm

2.1 暗噪聲概率統計模型

日盲紫外成像探測模組由于陰極、MCP 等因素的影響，所產生的暗噪聲會造成電暈目標的虛警。但是對于探測模組來說，每幀圖像中暗噪聲的出現概率是符合正態分布的，因此可以利用暗噪聲統計模型，來進行暗噪聲與電暈信號的區分。根據參數估計的3σ準則，有無電暈信號的閾值G可以表示成如下公式:

式中:μdark為暗噪聲出現頻率的平均值;σdark為對應的標準差，這兩個參數都需要對同一臺日盲紫外相機的大量暗噪聲序列圖像進行統計而得，本文中選用91236 幀暗噪聲序列圖像進行統計，計算出相應的μdark和σdark。

在實際使用中，需要對每一幀輸入的紫外圖像進行信號出現概率的計算，若信號出現概率大于G，則認為圖像中存在電暈信號，反之則無信號。

2.2 泊松分布概率映射圖P 的計算

根據公式(2)的泊松概率模型，設計了一種快速計算方法，具體步驟如算法1(迭代計算泊松分布概率映射圖)所示。

輸入:紫外圖像I的二值化圖像B，參數T;

輸出:泊松分布概率映射圖P;

將N初始化為與B大小一致的零矩陣，并令t=0;

while 1

t=t+1;Bt=B;N=N+Bt

ift=T

N=N/T

for each pixel (x,y) inN

P(x,y)=1-e-N(x,y);

end for

sett=0;

end if

returnP

end while

通過算法1 的迭代，根據實時輸入的序列圖像不斷更新均值映射圖N，從而每隔T幀更新泊松分布概率映射圖P，檢測出的紫外電暈目標由離散漸漸聚集為突出的光斑，同時將泊松分布概率映射圖P進行歸一化處理，就可以顯示出當前紫外電暈信號空間分布的情況。

2.3 紫外電暈目標的提取

由于泊松分布概率映射圖P中真正電暈目標像素點比例低，且相應的泊松概率值分布較窄，因此利用傳統的Otsu 法很難提取出準確的紫外電暈目標。為了解決這一問題，本文對傳統的Otsu 法進行了改進，在進行直方圖統計時增加了兩步處理:

1)只對泊松分布概率映射圖中概率大于0 的像素進行統計，得到泊松分布概率直方圖數組H;

2)對于H中任意元素H(i)，如果H(i)=max(H)，則將H(i)=0。

接下來利用H再進行最大類間差的計算，自動找出最佳閾值，就可以得到較為理想的目標提取結果。

3 實驗與分析

3.1 實驗設備

本文所使用的放電設備為充氣型高壓試驗變壓器，實物圖如圖4所示。主要由變壓器、濾波器、限流保護電阻、耦合電容、放電絕緣端子以及局放檢測儀組成。輸入電壓200 V，輸出電壓最高可達100 kV，額定電壓下局放量≤3 pC。

圖4 放電設備實物圖Fig.4 The discharge equipment

在絕緣端子頂端加上銅絲，加壓后銅絲尖端就容易形成位置固定且放電強度較穩定的電暈放電點，便于日盲紫外電暈信號檢測的研究。選用北方夜視技術股份有限公司自主研發的數字化日盲紫外成像探測模組進行紫外電暈信號探測，實物如圖5所示。

圖5 北方夜視數字化日盲紫外成像探測模組Fig.5 The solar-blind ultraviolet imaging module from NNVT

該模組采用TeCs2光陰極紫外像增強器，以透紫外石英玻璃為輸入窗的雙近貼聚焦式像增強器，配備深截止日盲紫外濾光片、112 mm 焦距的紫外鏡頭以及電子信號處理系統，實現了全日盲波段的紫外信號探測。

3.2 評價指標

為了測試本文方法的性能，將其與文獻[7]中介紹的一種利用形態學的電暈信號檢測方法進行比較。為了客觀定量地衡量兩種方法的性能，定義了兩種指標分別來衡量電暈目標檢測的穩定性與準確性。

第一種為目標質心坐標標準差S，可以表示為如下公式:

式中:Xc表示紫外序列圖像中檢測結果目標質心的橫坐標數組;Yc表示紫外序列圖像中檢測結果目標質心的縱坐標數組;std(?)表示標準差運算。質心坐標標準差可以反映圖像序列檢測結果的離散程度，因此目標質心坐標標準差S越小，說明檢測性能越穩定。

第二種為目標質心檢測精度A定義如下:

式中:nc表示在原始紫外圖像的二值化圖像B，檢測結果目標質心位置的對應像素值為1(即有紫外信號)的圖像總幀數;測試用的紫外圖像序列總幀數。質心檢測精度直接反映了檢測結果是否是真實的紫外電暈信號，可以用來表征檢測方法檢測的精度，質心檢測精度A越高，則說明檢測越準確。

3.3 單電暈目標檢測的實驗

本文利用放電電壓為8.5 kV、19.5 kV 和28 kV 情況下，紫外模組增益電壓為1.5 V、2.5 V 以及4 V 時紫外模組對放電設備所拍攝的紫外序列圖像進行實驗。在實驗之前調整絕緣端子頂部銅絲形狀，使其只有一個尖端放電點。實驗用的紫外圖像序列的圖像大小720X576，幀數約為3000 幀。

圖6顯示了本文方法在不同放電電壓、不同增益電壓下最終的歸一化泊松分布概率映射圖以及紫外電暈信號的提取結果。實驗結果表明，在多種不同條件下，本文提出的方法可以準確檢測并提取出紫外電暈目標，且沒有虛警的情況發生。

圖7顯示了兩種方法在不同放電電壓、增益電壓情況下的質心坐標標準差計算結果，圖8為質心檢測精度的計算結果。從中可以明顯看出，本文提出的方法的質心坐標標準差和質心檢測精度計算結果都大大優于基于形態學的檢測方法，平均質心坐標標準差僅為基于形態學檢測方法的10%左右，而平均質心檢測精度卻是基于形態學檢測方法的2.56 倍，這充分說明了本文提出的方法檢測精度高，紫外電暈目標定位準確，且效果魯棒，檢測一致性好。

3.4 標電暈檢測的實驗

調整絕緣端子頂部銅絲形狀，使其產生2 個尖端、5 個尖端以及6 個尖端3 種放電情況，將放電電壓調節至50 kV，紫外模組增益調節至3.5 V，對3 種情況進行探測并記錄圖像序列。文獻[9]提出了一種基于MN 規則的紫外電暈目標檢測方法，其本質為利用信號頻率模型來進行紫外電暈信號的檢測。將其與本文提出的方法進行對比，以進一步測試本文所提出的泊松分布概率模型的性能。

圖9分別顯示了5 個、6 個和2 個放電點情況下的電暈檢測結果。從中可以看出，信號頻率模型的結果無法準確檢測出所有的放電點電暈信號。并且相比于本文方法，基于信號頻率的檢測結果比較微弱，不夠明顯。因此對于多點放電情況下的目標檢測，本文提出的方法檢測精度更高，檢測出的目標更加顯著。

圖6 本文提出方法在不同放電電壓、不同增益電壓下的電暈檢測結果，其中每一個放電電壓下的檢測結果圖像組中，左邊為歸一化的泊松分布概率映射圖，右上角為檢測到的電暈目標的放大圖，右下角為電暈信號目標提取結果的放大圖Fig.6 The results of the proposed method with the different discharge voltage and gain, where the image on the left is the Poisson distribution map, the image on the upper right is the enlargement of object detection of ultraviolet corona, and the image on the low right is the enlargement of the extracting result

圖7 本文提出方法與形態學方法電暈檢測的目標質心坐標標準差結果Fig.7 The standard deviation of object centroid of the proposed method and the morphology-based method

圖8 本文提出方法與形態學方法電暈檢測的目標質心檢測精度結果Fig.8 The precision of object centroid of the proposed method and the morphology-based method

圖9 本文方法與信號頻率模型方法的多放電點電暈檢測結果Fig.9 The comparisons of multi-target detection by our method and signal-frequency-based method

3.5 討論

本文方法包含一個設置參數:T。圖10顯示了不同T情況下的歸一化泊松概率映射圖。當T=1 時，泊松概率模型就等價于信號頻率模型，在概率映射圖中只反映每個像素出現信號點的頻率。隨著T逐步增加，從圖中可以看出，泊松概率映射圖中所檢測出目標的面積大小與強度也隨之增大，同時無效的信號點(可認為是噪聲)也越來越明顯。因此參數T對紫外電暈目標檢測的影響，類似于CCD 或CMOS 圖像傳感器中利用積分時間來控制電荷累積時間長短的效果，這也是將參數T稱為積分時間的原因。

圖10 同積分時間T 的歸一化泊松概率映射圖Fig.10 The normalized Poisson distribution maps with various parameters T

積分時間T不僅影響目標檢測的效果，同時也決定了目標檢測的更新頻率。T取值太小，則目標不明顯，且容易丟失目標;T取值太大，則噪聲變大，且目標檢測的更新頻率降低，不利于目標檢測。通過多次實驗，確定了T的取值為20，在本文所有試驗過程中均沒有發生改變。

本文實驗計算機配置為:Intel E5-1620-2.8 GHz處理器，4 G 內存。在VS2012 上利用C 語言進行編程。經測試可知，計算一次泊松概率映射圖并將目標提取的平均時間為214.2 ms。

4 結論

本文提出了一種利用泊松分布的日盲紫外電暈目標檢測方法。利用紫外信號光電探測原理，設計了一種基于泊松分布的紫外電暈目標檢測模型，可以準確反映探測過程中紫外電暈目標的時空域特征。針對紫外序列圖像，首先利用暗噪聲統計模型進行有無信號的判斷，然后利用所建立的紫外電暈目標檢測模型得到紫外圖像的泊松概率映射圖，最后利用改進的Otsu 法來完成紫外電暈檢測與目標提取。利用多組紫外圖像序列對本文方法進行了測試與對比，實驗證明該方法可以準確地檢測出紫外圖像中電暈目標，檢測精度高，一致性好，可以推進紫外電暈探測在機器視覺方面的應用。