基于植被指數的絕緣子表面藻類檢測及表征方法的研究

譚潔瑩，肖微，歐陽小剛，張福增，韋曉星，賈志東

（1.清華大學深圳國際研究生院，深圳 518055； 2.南方電網科學研究院，廣州 510633；3.中國南方電網有限責任公司超高壓輸電公司檢修試驗中心，廣州 510633）

引言

絕緣子在運行中會積累各種污穢，污穢成分因絕緣子的運行環境而有差異。在一些溫暖濕潤地區，絕緣子上不僅積累了NH4+、Ca2+、SO42-、Cl-等無機污穢和糖類等有機污穢[1]，還會積累以藻類、真菌、細菌為主的生物污穢[2]。學者在斯里蘭卡、坦桑尼亞、巴布亞新幾內亞和美國的線路絕緣子上均發現了綠藻污穢，在中國四川、云南昭通、廣西梧州和廣東廣州等地也有較嚴重的綠藻生長現象[3-5]。藻細胞本身的固水特點和其分泌的親水性物質會影響絕緣子的電氣性能[6]。國內外學者研究發現絕緣子被藻類覆蓋區域的憎水性下降到HC5-HC6，絕緣子污閃電壓降低[3]，且藻類對絕緣子污閃特性的影響與其覆蓋程度有關。

藻細胞密度是衡量藻類生物量的重要指標，可通過細胞計數法直接測量[7]，也可以通過分光光度法和葉綠素熒光法測定葉綠素a濃度值來間接判斷[8]，但這些方法一般用于測量藻液中藻細胞生物量，難以直接檢測絕緣子表面藻類的生長程度。

基于數字圖像處理技術對絕緣子表面的藻類生長區域和其他區域進行劃分，可以對絕緣子表面藻類的生長程度進行檢測[9]。植被指數是通過增加植被和土壤背景在可見光、近紅外光波段下反射光譜的差異來區分植被與其所在背景的指標。在可見光波段下，綠色植被的綠色通道反射率高，紅、藍通道反射率低，而土壤背景則無明顯的反射光特性[10]。據此，學者們構建了超綠指數（Excess green index, ExG）[11]、動態閾值超綠指數（Dynamic threshold excess green index, DEXG）、過綠減過紅指數（Excess green minus excess red index, ExGR）[12]、Hague植被指數（Hague vegetation index, HVI）[13]、可見光波段差異植被指數（Visible-band difference vegetation index，VDVI）[14]、植被提取顏色指數（color index of vegetation extraction, CIVE）[15]、 歸 一 化 差 異 指 數（Normalized Difference Vegetation Index，NDVI）[16]等多種植被指數。受到植被本身和其所在環境的影響，植被指數在圖像的分割效果上有差異。

本文將以紅色絕緣子表面生長的藻類為研究對象，探究超綠指數、動態閾值超綠指數、Hague植被指數、植被提取顏色指數四種植被指數對絕緣子彩色圖像的藻類區域分割效果，通過相對錯分率對各種植被指數的識別效果進行判斷，篩選出圖像分割準確較高的植被指數，并提出優化的絕緣子表面藻類檢測及表征方法。

1 圖像獲取與研究方法

1.1 絕緣子圖像的獲取

本文選取4個已退運的表面可見明顯藻類的絕緣子樣品進行圖像分割試驗，包含1個噴涂RTV涂料的懸式絕緣子、2個噴涂RTV涂料的支柱絕緣子和1個復合絕緣子，分別編號A～D。首先用數碼相機對樣品拍照。由于相片拍攝的圖像與色溫有關，在不同的照明光線下拍攝的圖像呈現的顏色有色差，從而對基于RGB顏色的圖像分割效果有影響，因此，本文在拍攝前先將相機在光照條件下預設白平衡，通過調整電荷耦合放大電路的放大倍率將白色物品準確呈現白色，以此還原拍攝物體色彩。

預設白平衡后拍攝的絕緣子彩色圖像如圖1所示。其中，（a）為噴涂RTV的懸式絕緣子，積灰較嚴重，藻類區域顏色較深；（b）為噴涂RTV的支柱絕緣子，長藻區域相對較少，藻的顏色呈現明顯綠色；（c）為噴涂RTV的支柱絕緣子，藻類生長情況較嚴重；（d）為復合絕緣子，表面存在明顯成片的藻類。

1.2 圖像的預處理

原始絕緣子圖像的預處理包含對目標圖像的提取、圖像的裁剪和濾波處理。由于數碼相機拍攝的圖像有虛化背景的效果，從圖1可看出，拍攝的絕緣子正面是清晰的，而背面有不同程度的虛化，因此在每支絕緣子圖片上選取一片傘裙的正面目標進行圖像分割，首先提取分割目標，以圖中白色膠帶為劃分標準，將其余背景設置成黑色，并通過裁剪使絕緣子像素尺寸為合適大小，得到如圖2所示的絕緣子分割目標彩色圖像。

圖1 原始的絕緣子彩色圖像

為了去除圖像中的噪聲信號，采用濾波器對圖像濾波。高斯低通濾波是一種線性平滑濾波，是對整幅圖像加權平均的過程，其傳遞函數為[17]：

式中：

D(u,v)—距傅里葉變換的距離，濾波器模板尺寸為7×7，標準差σ =0.5。

在本文中，高斯低通濾波器應用于超綠指數、動態閾值超綠指數、Hague植被指數算法的圖像預處理上。

均值漂移算法是沿密度梯度上升的方向尋找目標位置的統計迭代算法，在本文中應用于植被顏色提取指數算法的圖像預處理上。采用高斯核函數，在歐式空間中均值漂移迭代公式為[18]：

式中：

（a, b, c）、（ai, bi, ci）—被平滑點、各采樣點的行坐標、列坐標、植被指數；

hs、hr—空域帶寬、值域帶寬；

w(xi)—采樣點權重，設定為1。

采用固定的空域帶寬hs，取hs=5。值域帶寬參數hr通過漸進積分均方差法計算，公式為：

式中：

p—圖像的維數，本文中采用的彩色圖像p=3；

n—圖像的像素點總個數；

σ—植被指數的標準差。

計算公式為：

式中：

ci—像素點的植被顏色指數；

圖2 絕緣子分割目標彩色圖像

1.3 基于植被指數的圖像分割方法

1.3.1 超綠指數

絕緣子上生長的藻類一般呈現綠色，受到積累的其他污穢的影響，顏色較生長的綠色農作物暗。超綠指數是提取圖像中綠色目標的常用算法，通過R、G、B分量的線性組合，增加了綠色目標和背景的差異，弱化陰影和土壤圖像，突顯綠色作物部分，對綠色植被有較好的識別效果。超綠指數的計算公式為：

式中：

R、G、B—彩色圖像的紅、綠、藍通道。

根據超綠指數分割植被和背景，需要一個分割閾值T1。當EXG＞T1時，可以判斷為綠色植被，否則判斷為背景。一般取T1=0。

1.3.2 動態閾值超綠指數

超綠指數的分割閾值為確定值，不隨圖像的亮度、色彩而改變。動態閾值超綠指數在超綠指數的基礎上構建，采用根據圖像的超綠指數最大值和平均值而改變的動態閾值。動態閾值超綠指數的計算公式為：

通過動態閾值超綠指數的計算，生成灰度圖像，使藻類更加突出。采用動態閾值T2劃分絕緣子表面含藻區域和不含藻區域，計算公式為[19]：

式中：

DEXGmax—動態閾值超綠指數最大值；

DEXGav—動態閾值超綠指數平均值。

f —調整系數，取值范圍為-0.5～0.5，在本文中取f=0.05。

1.3.3 Hague植被指數

Hague植被指數通過對彩色圖像R、G、B分量的非線性組合，增加了綠色植物和背景圖像之間的對比效果，弱化了圖像在分割效果上受到拍照光線亮度和光源色溫的影響。因此，HVI指數能廣泛應用于在自然光條件下拍攝的圖像，計算公式為[13]：

式中：

a—特征值為常數，取決于數碼相機三個顏色通道濾波片的中心波長，在本文中取a=0.667。

將HVI值與設定閾值T3對比，轉換成二值圖像，從而實現絕緣子上藻類區域和非藻類區域的分割。分割閾值T3不變，數值在1左右。本文通過試驗，發現當T3=0.96時，圖像的分割效果最好。

1.3.4 植被提取顏色指數

植被提取顏色指數CIVE是彩色圖像三個顏色通道的線性組合，其組合系數由Kataoka T等[15]通過主成分分析法增強圖像中的綠色信息而得到。CIVE的計算公式為：

將均值漂移算法濾波后得到的灰度圖像轉化成二值圖像進行分割。分割公式為：

式中：

CIVE′—經濾波處理后的植被提取指數。

分割閾值T4由大律法（Otsu）獲得，即通過遍歷使類間方差g最大，從而使前景和背景的差異最大，錯分概率最小。直接應用大律法計算量較大，采用等價類間方差的計算公式為[20]：

式中：

w0—藻類區域覆蓋率；

w1—為非藻類區域覆蓋率；

c0—藻類區域平均植被提取指數；

c1—非藻類區域平均植被提取指數。

2 結果與分析

分別以超綠指數（EXG）、動態閾值超綠指數（DEXG）、Hague植被指數（HVI）、植被提取顏色指數（CIVE）為基礎對絕緣子彩色圖像進行藻類區域分割，對圖像的各個像素點逐一判斷，劃分為有藻像素點和無藻像素點。由于藻類一般成片生長，其生長面遠遠大于圖像的單個像素點，因此圖像中的孤立小點可認為是在藻類區域判斷時的誤差。開運算是對圖像先腐蝕后膨脹的濾波器，能去除圖像的孤立小點、毛刺。本文在輸出圖像前先對圖像進行開運算處理，再提取原始圖像有藻類生長的區域。

由于原始絕緣子表面積污嚴重，藻類生長區域顏色偏深，為了更清楚地比較各個植被指數對藻類區域分割效果，將背景顏色設置為白色，將藻類區域顏色設置為綠色，得到分割效果圖見圖3。可以看出，四種植被指數對絕緣子表面生長的藻類識別效果不同，EXG和HVI對藻類的識別和分割效果相近，DEXG識別出來的藻類生長區域較少，CIVE識別出來的藻類生長區域較多。

以絕緣子B為例，其原始圖像和采用不同植被指數分割后的彩色掩碼圖對比如圖4所示。

可以看出，經EXG、DEXG和HVI植被指數處理后的掩碼圖基本不含絕緣子表面的紅色，而CIVE處理的掩碼圖依然存在大量的絕緣子表面紅色背景，即CIVE存在過度識別的問題，將不含藻的絕緣子表面區域識別成藻類生長區域，其部分過度識別區域在圖4(e)中以圈標出。對照原圖，發現DEXG處理的掩碼圖缺少部分綠色藻類區域，即存在藻類漏識別的問題，部分漏識別區域在圖4(c)中以圈標出。EXG和HVI處理的掩碼圖未發現明顯的過度識別問題，基本能還原原始圖像中藻類生長的綠色區域，識別效果較好。

圖3 圖像分割效果圖

為了能更直觀地表征絕緣子表面藻類的覆蓋程度，并對比各個植被指數的分割效果，本文采用了表面覆蓋率來描述。表面覆蓋率的計算公式如下：

式中：

Ncover—通過植被指數及閾值判斷出來的藻類覆蓋像素總數；

Nall—絕緣子圖像的像素總數，此處的像素總數僅以絕緣子作為背景，即圖4(b)中非黑色區域。

基于不同植被指數的圖像分割方法計算出的藻類覆蓋率如圖5所示。從藻類覆蓋率計算結果可知，CIVE算法計算的藻類覆蓋率普遍偏高， DEXG算法計算的藻類覆蓋率普遍偏低，不適用于絕緣子表面的藻類識別。四張圖像基于EXG和HVI算法的圖像分割效果接近，且與原圖對應性較好，可以用來對絕緣子表面藻類進行檢測。

由于藻類生長區域不規則性較大，難以給出絕對正確的圖像分割效果。本文針對EXG和HVI兩種藻類識別準確度較高的算法，采用相對錯分率對其分割效果進行評價。EXG和HVI的相對錯分率的計算公式分別為：

式中：

AEXG(i,j)、AHVI(i,j)—EXG算法和HVI算法識別為有藻類的像素點；

i、j—像素點的行坐標、列坐標；

AEXG(i,j)∩AHVI(i,j)—同時被兩種算法識別為有藻類的像素點；

m、n—圖像像素的總行數和總列數。

本文分別采用EXG算法和HVI算法對60個絕緣子圖像進行藻類區域圖像分割，計算其相對錯分率，結果如圖6所示。EXG算法和HVI算法的相對錯分率平均值分別為3.7 %和5.5 %，最大值分別為16.2 %和15.3 %，可見相對錯分率較小，兩種算法識別效果較準確。

3 圖像分割方法優化

基于EXG和HVI植被指數的絕緣子表面藻類區域分割方法能較準確識別出絕緣子表面藻類的生長區域，但兩種算法的識別效果仍有差異。為了提高圖像分割精度，本節提出使用EXG與HVI植被指數相結合的算法進行圖像分割方法的優化，計算公式如下：

式中：

a=0.667；

t1、t2—EXG指數和HVI指數的分割閾值。經試驗，t1=0，t2=0.96，EXG和HVI分別對圖像的分割效果較好，此優化的分割方法結合EXG和HVI算法，分割閾值不變。

利用優化算法對四張典型的絕緣子圖像進行分割，分割圖像如圖7所示，其藻類覆蓋率計算結果分別為42.09 %、15.31 %、66.75 %、40.01 %。對比原始圖像和優化分割算法的分割效果圖可知，優化算法進一步提高了絕緣子表面藻類的檢測準確性。

4 結論

RGB植被指數能通過對紅、藍、綠通道數值的組合計算，區分彩色圖像中綠色植被和背景。對于表面有藻類生長的絕緣子彩色圖像，本文研究了EXG、DEXG、HVI、CIVE四種植被指數對藻類與絕緣子背景的分割效果，并提出一種針對絕緣子表面藻類圖像分割的優化算法，主要結論如下：

圖4 原始圖像與圖像分割效果對比

圖5 不同分割方法的藻類覆蓋率計算結果

圖6 EXG與HVI的相對錯分率

圖7 優化算法圖像分割效果

1）絕緣子表面藻類檢測和表征的步驟包括：絕緣子照片的拍攝、圖像預處理、植被指數的計算和圖像分割、絕緣子表面藻類覆蓋率的計算。

2）EXG和HVI指數能較準確地分割表面藻類生長區域與絕緣子背景，且分割效果接近，相對錯分率較小；DEXG算法存在藻類區域識別不足的問題，將藻類錯誤劃分為絕緣子背景的概率較大；CIVE算法存在藻類區域識別過度的問題，將顏色較深的絕緣子背景識別為藻類生長區域。

3）采用EXG和HVI指數相結合的圖像分割優化算法能提高絕緣子表面藻類檢測的精度。

4）利用圖像分割技術完成藻類區域與背景劃分，計算藻類覆蓋率，可用來表征藻類的生長程度，藻類覆蓋率越大，絕緣子表面藻類生長現象越嚴重。