提升地下管線外破事件圖像識(shí)別準(zhǔn)確性方法研究

國(guó)網(wǎng)天津城東供電公司 李博彤 畢海巖 賈 宓 劉 偉

1 圖像預(yù)處理介紹

對(duì)訓(xùn)練素材進(jìn)行預(yù)處理可有效提升圖像識(shí)別準(zhǔn)確率。圖片需要進(jìn)行預(yù)處理的原因：適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。因?yàn)榫W(wǎng)絡(luò)結(jié)構(gòu)能夠接收的數(shù)據(jù)格式一般來(lái)說(shuō)比較固定，因此在訓(xùn)練模型前，一般要提前將訓(xùn)練樣本預(yù)處理，使之轉(zhuǎn)換為可讀格式；訓(xùn)練樣本提純。本文的訓(xùn)練樣本中一般可能有垃圾數(shù)據(jù)，預(yù)處理后這部分?jǐn)?shù)據(jù)被干凈的清理，這樣他們的影響就會(huì)消失；數(shù)據(jù)增強(qiáng)。預(yù)處理的樣本增加了數(shù)據(jù)本身的多樣性。利用旋轉(zhuǎn)、鏡像等方法來(lái)表現(xiàn)圖像的空間多樣性。基于這一原理，該模型具有更強(qiáng)的魯棒性；歸一化處理。預(yù)處理的形式很多，不同規(guī)格的數(shù)據(jù)經(jīng)過(guò)轉(zhuǎn)換后，成為規(guī)格相同的實(shí)證數(shù)據(jù)，圖片的歸一化就是最為典型的案例；數(shù)據(jù)體積壓縮。處理后可以減小尺寸，如果原始數(shù)據(jù)的尺寸是FHD，經(jīng)過(guò)壓縮可后可以達(dá)到VGA，從而就會(huì)減少降低數(shù)據(jù)體積。

2 圖像預(yù)處理方法

2.1 幾何規(guī)范化

計(jì)算機(jī)圖像識(shí)別技術(shù)在應(yīng)用過(guò)程中存在一些缺陷，在一定程度上阻礙了智能化技術(shù)的發(fā)展[1]。計(jì)算機(jī)圖像識(shí)別要求系統(tǒng)高效準(zhǔn)確地進(jìn)行圖像識(shí)別，智能化處理方法的應(yīng)用可顯著提升計(jì)算機(jī)圖像識(shí)別的性能，提升其識(shí)別的準(zhǔn)確性及效率[2]。由于地下管線外破事件圖片在拍攝提取過(guò)程中，容易受到光線強(qiáng)弱、有無(wú)陰影、拍攝角度的影響，因此需在識(shí)別前對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化的預(yù)處理，并使用平移、旋轉(zhuǎn)和縮放等幾何變換選取一個(gè)共同點(diǎn)作為參照點(diǎn)統(tǒng)一規(guī)范化圖像。在此過(guò)程中還可通過(guò)幾何仿射的幾種變換方式（例如移位，旋轉(zhuǎn)和縮放）對(duì)地下管線外破事件圖像進(jìn)行幾何規(guī)范化處理，仿射變化的公式為：

在這里(u，v)具體表示所輸入圖像的實(shí)際像素，而(x，y)坐標(biāo)表示的是輸出圖像中的像素的坐標(biāo)。將上式展開(kāi)可得x=a11u+a21v+a31，y=a12u+a22v+a32。平移變換得具體步驟是給所有點(diǎn)坐標(biāo)都加上同樣的Δu 和Δv，具體的表達(dá)式可以轉(zhuǎn)換為：

旋轉(zhuǎn)的步驟如下：所有點(diǎn)的坐標(biāo)是相對(duì)于原點(diǎn)，進(jìn)行θ 角的逆時(shí)針旋轉(zhuǎn)，具體表達(dá)式為：

縮放變化是指在同比例縮小與放大，當(dāng)r＞1時(shí)圖像是完全可以被放大的，當(dāng)0＜r＜1時(shí)，圖像就是會(huì)被縮小，其中具體的數(shù)據(jù)變換表達(dá)方式如下列公式為：

2.2 灰度規(guī)范化

2.2.1 圖像平滑化

圖像需要保證平滑，目的在于能顯著提高圖像質(zhì)量。它可以在空間域和頻率域中實(shí)現(xiàn)。一般常用的方法包括相鄰區(qū)域平均值濾波、空間濾波和中值濾波。相鄰區(qū)域平均值濾波是局部空間處理方法，使用像素附近的每個(gè)像素的平均灰度值來(lái)實(shí)現(xiàn)圖像的平滑度而不是像素的原始灰度值。

無(wú)論是直接獲取的灰度圖像，還是由彩色圖像轉(zhuǎn)變得到的灰度圖像，這里面都會(huì)有噪聲的存在，噪聲對(duì)圖像質(zhì)量有很大的影響。進(jìn)行中值濾波不僅可以去除孤點(diǎn)噪聲，而且還能夠完美保留邊緣特征。它不會(huì)導(dǎo)致圖像明顯模糊，更適合于實(shí)驗(yàn)中電網(wǎng)設(shè)備的缺陷圖像的處理。

中值濾波的步驟如下：在模板中讓圖像進(jìn)行漫游，并將模板的中心與圖中某個(gè)確定的像素點(diǎn)重合；讀取對(duì)應(yīng)像素的灰度值；這些灰度值從小到大排列；在中間找出一個(gè)對(duì)應(yīng)值；將中間值分配給到對(duì)應(yīng)的模板中心像素。從上述步驟可看出，中心濾波的主要功能是讓與周圍像素和灰度值之間的差異過(guò)大的像素點(diǎn)改為與周圍像素接近的值，所以對(duì)孤立的噪聲像素具備極強(qiáng)的消除能力，而這種能力也經(jīng)常被用于人像美化中。由于它的原理不是簡(jiǎn)單取均值，因此產(chǎn)生的模糊性較小。換句話說(shuō)，中值濾波可以消除噪聲卻又可以保留圖像的細(xì)節(jié)。

2.2.2 高斯濾波

在高斯濾波器中，高斯函數(shù)用來(lái)檢查輸入陣列中每個(gè)像素的卷積，并將卷積設(shè)置為輸出像素值。g 函數(shù)可對(duì)輸出像素的相鄰區(qū)域賦予不同的權(quán)值：，這里h 被稱為過(guò)濾器的核心功能，即權(quán)重值。高斯函數(shù)有五個(gè)重要屬性，特別適用于早期圖像處理。這些特性使得高斯濾波器成為空間域和頻域中非常有效的低通濾波器，很多工程師將它用于早期的圖像處理中。

高斯濾波的主要特點(diǎn)如下：二維高斯函數(shù)具有旋轉(zhuǎn)對(duì)稱性，因此高斯濾波器在各個(gè)方向上的平滑度都是相同的，在后續(xù)的邊緣檢測(cè)中不會(huì)出現(xiàn)偏向于某一方向的情況；由于高斯濾波器的原理是將某一像素點(diǎn)鄰域的權(quán)值替換該點(diǎn)的像素值，且距離越遠(yuǎn)的點(diǎn)的權(quán)重值越低，這樣就能有效區(qū)分出圖像邊緣，使圖像能高保真；由于高斯濾波的傅里葉變換頻譜為單瓣，因此可以過(guò)濾大部分高頻干擾信號(hào)；由于高斯濾波器的寬度可人為設(shè)定，因此可將圖像在過(guò)平滑和欠平滑間進(jìn)行切換，并取得最適合的中間值；由于高斯函數(shù)具備可分離性，二維高斯函數(shù)的計(jì)算量隨模板寬度成線性增長(zhǎng)，而不是與模板寬度的平方成正相關(guān)，這樣能在很大程度上減少高斯濾波器的復(fù)雜程度。

2.2.3 均值濾波

均值濾波也稱為線性濾波，主要方法是取相鄰區(qū)域像素平均值。首先計(jì)算模板中所有像素的平均值，然后再將該平均值給予當(dāng)前像素點(diǎn)（x，y），則該均值即為濾波后該點(diǎn)圖像上的灰度值g(x,y)=1/m ∑f(x,y)。均值濾波可有效地去除圖像中的附加噪聲，但實(shí)質(zhì)上它有一個(gè)十分明顯的缺點(diǎn)，即無(wú)法保護(hù)圖像的細(xì)節(jié)，利用這種方法去除噪聲時(shí)很大概率上會(huì)破壞原始圖像。均值濾波器可更好地抑制高斯噪聲和均勻分布噪聲，但不影響椒鹽噪聲。當(dāng)噪聲降低時(shí)整個(gè)圖像變得模糊，并且噪聲仍然存在。

均值濾波通常包括算術(shù)均值濾波、幾何均值濾波、諧波均值濾波和逆諧波均值濾波。這幾種濾波方式里，幾何平均濾波的平滑度可與算術(shù)平均濾波的平滑度相媲美，但濾波中丟失的圖像細(xì)節(jié)卻很小。逆諧波均值濾波器特別適用于脈沖噪聲的處理，但需提前知道噪聲點(diǎn)是暗噪聲還是亮噪聲，以便于選擇正確的濾波器階數(shù)符號(hào)，否則將嚴(yán)重影響濾波效果。當(dāng)階數(shù)為正時(shí)，逆諧波均值濾波器對(duì)“胡椒”噪聲有較好的濾波效果，當(dāng)階數(shù)為負(fù)時(shí)，逆諧波均值濾波器對(duì)“鹽”噪聲有較好的濾波效果。然而，逆諧波均值濾波器不能同時(shí)濾除“胡椒”噪聲和“鹽”噪聲。

2.2.4 直方圖均衡化

灰度直方圖直接反映不同層級(jí)灰度以及對(duì)應(yīng)出現(xiàn)頻率之間的關(guān)系，可表示為P(rk)=nk/N，其中r表示第K 個(gè)灰度級(jí)，nk為第k 級(jí)灰度的像素?cái)?shù)，N為當(dāng)前圖像的像素總數(shù)。

灰度直方圖被認(rèn)為是圖像的重要統(tǒng)計(jì)特征，并且灰度直方圖可被視為不同灰度概率密度的近似值，因此灰度直方圖的均衡化就相當(dāng)于是圖像灰度分布的一種均衡化過(guò)程。對(duì)于尺寸嬌小的圖像而言，其灰度直方圖散落在某一較小區(qū)間內(nèi)，均衡化后其所有灰度出現(xiàn)的頻率相同，此時(shí)圖像包含的信息量將達(dá)到最大值。現(xiàn)在以r 和s 分別表示經(jīng)過(guò)歸一化處理的原始圖像灰度值和經(jīng)過(guò)均衡化后的圖像灰度值，T(r)為變換函數(shù)，則在區(qū)間[0，1]隨機(jī)一個(gè)r 經(jīng)過(guò)變換后都會(huì)對(duì)應(yīng)一個(gè)s，即s=T(r)。T(r)應(yīng)滿足2個(gè)條件：s 在[0，1]的區(qū)間內(nèi)為單調(diào)遞增函數(shù)；調(diào)遞增函數(shù)為在[0，1]區(qū)間內(nèi)也存在反變換的r=T-1(s)。

條件1能保證灰度級(jí)從黑變白的順序，條件2保證變換后的像素灰度在允許的范圍內(nèi)。根據(jù)概率論，將隨機(jī)的變量r 的概率密度函數(shù)設(shè)置為Pr(r)，如果設(shè)置的隨機(jī)變量s 是r 的函數(shù)，那么隨機(jī)變量s 的概率密度函數(shù)Ps(s)可以由Pr(r)求出。假設(shè)隨機(jī)變量s 的分布函數(shù)Fs(s)，可得出公式，將上式兩邊對(duì)s 求導(dǎo)得。

綜上所示，變換函數(shù)T（r）控制了圖像灰度的概率密度，因?yàn)镻s(s)=1，則ds=Pr(r)dr=d[T(r)]，雙邊的積分得出。由上式可知，該函數(shù)為原始圖像直方圖的累積值。如果圖像為灰度值離散狀態(tài)的數(shù)字圖像，則可選擇用頻率來(lái)代替概率，因此變換函數(shù)T(r)可以表示為式中0≤rk≤1，k=0，1，2…L-1，L，L 為灰度級(jí)數(shù)目。

2.2.5 灰度變換

灰度變換中最基本的方式叫做灰度拉伸，又叫做對(duì)比度拉伸，它使用了非常簡(jiǎn)單的分段變換函數(shù)，將原來(lái)圖像的亮度范圍線性拓展到新的動(dòng)態(tài)范圍。其主要思想是通過(guò)提升圖像的對(duì)比度擴(kuò)大圖像色彩動(dòng)態(tài)范圍，尤其適用于低對(duì)比度圖像的預(yù)處理，其過(guò)程包括兩個(gè)基本操作：利用灰度直方圖統(tǒng)計(jì)的方式確定圖像對(duì)比度拉伸過(guò)程中的兩個(gè)拐點(diǎn)；根據(jù)上一階段確定的拐點(diǎn)，利用分段變換函數(shù)進(jìn)行灰度值的變換。

該種變換方式可使得低對(duì)比度的圖片細(xì)節(jié)變得更加明顯和突出。這種通過(guò)灰度轉(zhuǎn)換將不同圖像的灰度分布參數(shù)調(diào)整為預(yù)定值的過(guò)程，稱為灰度歸一化，通常調(diào)整后的圖像灰度分布的均值和均方差取0和1。假設(shè)一個(gè)尺寸為M×N 的圖像，它的灰度分布可用矩陣I（i，j）表示，且1≤i ≤M；1≤J ≤N，那么矩陣每個(gè)元素值都是該點(diǎn)像素值，其灰度值概率密度函數(shù)的均值和均方差則為：

2.3 圖像銳化

在轉(zhuǎn)換和傳輸數(shù)字圖像后一定會(huì)產(chǎn)生模糊的情況。銳化圖像的主要目的是補(bǔ)償圖像邊緣的輪廓，強(qiáng)調(diào)圖像的細(xì)節(jié)信息，使圖像更加生動(dòng)并與人類的視覺(jué)習(xí)慣相匹配。經(jīng)過(guò)平滑處理過(guò)的圖像之所以變得模糊，主要原因在于取了平均值或做了積分運(yùn)算，如果想要圖片再次變清晰，可選擇對(duì)應(yīng)的逆運(yùn)算過(guò)程。而對(duì)于那些通過(guò)濾波器處理過(guò)的圖像而言，變模糊的原因在于高頻分量被過(guò)濾太多，針對(duì)于這種類型的圖片可選擇高通濾波器進(jìn)行銳化處理。常見(jiàn)的銳化方式可分為一階微分銳化和二階微分銳化。一階微分銳化中又分為單方向一階銳化和無(wú)方向一階銳化，前一種方式對(duì)規(guī)則物體具有很好的銳化功能，但無(wú)法完成不規(guī)則物體的銳化，在城市配電網(wǎng)設(shè)備缺陷檢測(cè)中，絕大多數(shù)設(shè)備缺陷的二維圖像為不規(guī)則物體。常見(jiàn)銳化方式有Sobel 算子銳化、Prewitt 算子銳化、LOG 算子銳化等方法，由于篇幅有限在此不再贅述。

3 結(jié)語(yǔ)

圖像處理中的重要步驟是噪聲的消除與圖像的增強(qiáng)，主要的目的是為提高圖像的質(zhì)量，它通常被稱為圖像預(yù)處理。圖像增強(qiáng)的主要目的是突出顯示圖像的有用部分中的信息并減少圖像中部分的無(wú)效的信息。圖像的噪聲消除的目的是為盡最大的能力去將噪聲的干擾點(diǎn)，得到圖像本來(lái)的樣子。

本文分析了幾種常見(jiàn)的圖像預(yù)處理技術(shù)，有效的圖像與處理手段，不但能最大程度保留圖像的有用信息，還能降低后續(xù)圖像學(xué)習(xí)、檢測(cè)、識(shí)別的難度，并最終轉(zhuǎn)化為識(shí)別準(zhǔn)確率的提升。對(duì)于后續(xù)卷及神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練而言，一個(gè)好的圖像預(yù)處理技術(shù)能從根本上改變模型的訓(xùn)練特性，如何開(kāi)發(fā)出一款更加優(yōu)秀的圖像預(yù)處理函數(shù)，也是本項(xiàng)研究后期需要重點(diǎn)開(kāi)展的工作。