復雜背景下多個絕緣子串紅外圖像分割方法

劉新伯 李昊 陳強 梁鑒如 郭夢茹

關鍵詞：絕緣子;圖像分割;霍夫變換;定向腐蝕;SNIC

變電站中存在大量的絕緣子，其主要的作用是固定、支持導線使得導線與地絕緣。由于絕緣子長時間暴露于室外，易出現絕緣子零值、爆裂和閃絡等故障。絕緣子屬于電壓致熱型設備，利用紅外熱像儀的檢測方法，可以安全、有效地獲得絕緣子的運行狀況。紅外熱像儀檢測是非接觸的檢測方法，在設備運行狀態下，獲取致熱型電力設備表面溫度分布，從而發現電力設備內部故障的方法得到廣泛應用。隨著電力設備紅外檢測技術的完善，通過計算機視覺技術對紅外圖像進行分析、定位和分割的研究顯得十分重要。

目前，國內外對紅外圖像中絕緣子的提取與分割方法進行了大量的研究，主要分為采用傳統方法和采用神經網絡方法。傳統方法中：文獻[4]使用加速健壯特征（Speed-up Robust Feature，SURF）提取特征點，提出改進的模糊c均值算法（FuzzyC-Means，FCM）進行特征點聚類，來區分絕緣子與桿塔。當絕緣子被桿塔遮擋時，區分效果不佳。文獻[5]通過空間距離定值，加大顏色距離的權重來改進簡單的線性迭代聚類（Simple Linear Itera-tive Clustering，SLIC）算法，而后將圖像轉換成HSV色彩空間，實現對故障區域的分割。該算法僅鎖定顏色異常區域，對電力設備的識別未做研究。神經網絡方法中：文獻[6]改進了FasterR-CNN，增加了區域提取網絡并引入激勵壓縮環節，提高了對小目標的特征提取。文獻[7]在YOLOv3網絡中加入了金字塔特征注意網絡，去除了網絡底層細節冗余，減輕了圖像背景對絕緣子檢測的干擾。雖然神經網絡算法在絕緣子紅外圖像的處理中得到越來越多的應用，但是神經網絡算法需要數十萬張圖像數據、巨大的算力，并且模型的準確率依托于數據集的多樣性。紅外圖像分割中，若采用神經網絡算法，數據集的采集需要耗費大量的人力和時間成本，為此，采用傳統的圖像處理方法更適合變電站在線型紅外檢測。

為了去除紅外圖像中桿塔、電線等背景，分割出紅外圖像中的多個絕緣子，該方法利用紅外圖像的特點，準確分割出絕緣子，為絕緣子的紅外圖像故障診斷提供了前期基礎。首先，利用RGB三通道閾值分割去除電線桿等背景;其次，采用霍夫變換直線檢測橫向桿塔;然后，利用定向腐蝕、全局腐蝕以及連通域排序去除殘留的微小背景噪聲;最后，根據獲得二值圖像與簡單非迭代聚類（SimpleNon-Iterative Clustering，SNIC）分割算法融合完成對復雜背景下多個絕緣子串的分割。

1算法設計

為完成在復雜背景中對多個絕緣子串的有效分割，提出了一種絕緣子串紅外圖像分割方法，其流程如圖1所示。

1.1圖像預處理

1.1.1顏色閾值處理

紅外熱像儀獲取物體發射的電磁波，通過光電效應與電路處理，利用熱像儀鐵紅調色盤將圖像處理成偽彩色，并顯示色帶及其對應溫度，為符合人視覺習慣，高溫用暖色調來表達，低溫用冷色調表達，如圖2所示。

電力設備在工作狀態下，其表面溫度會高于環境溫度。獲取到的紅外圖像大多數是基于RGB顏色模型，每個像素點由紅色、綠色和藍色三種顏色按照不同比例疊加而成，每個顏色通道的取值范圍為0～255。當溫度越高時，顯示顏色越接近橙色和黃色。由RGB顏色空問知識可知黃色與橙色主要由紅色通道和綠色通道的顏色疊加而成。而RGB顏色空間的標準橙色為（255，128，0）。如圖3所示，以絕緣子紅外圖像為例，利用灰度直方圖來查看三個顏色通道中各像素值的分布。通過三個顏色通道的直方圖分布與前文分析，進行閾值分割，紅色通道選擇200以上的像素點，綠色通道選擇100以上的像素點，藍色通道選擇15以下的像素點。

1.1.2霍夫變換直線檢測

在紅外圖像中，絕緣子串與其附近的桿塔、支架的顏色相近。為了消除背景的干擾，可以利用支架和桿塔幾何形狀為直線的特征，首先采用Canny邊緣檢測算子獲得圖像中邊緣信息，然后采用Hough變換確定支架和桿塔，并獲取其位置，如圖4所示。

Canny邊緣檢測具有減少噪聲響應，通過非極大值抑制來細化邊緣處理等優點。其算法描述主要如下：

（1）利用高斯濾波平滑處理，使得邊緣成為數據嶺。

（2）應用Nobel檢測算子，利用水平方向和垂直方向的兩個掩碼獲取圖像的邊緣強度和方向。

（3）應用非極大值抑制，找到邊緣強度數據中的最高點。

（4）連接邊緣點的滯后閾值處理，通過上限閾值與下限閾值來確定邊緣點并使其連接。

獲得圖像的邊緣信息后，采用Hough變換檢測對圖像中橫向的塔架進行定位。Hough變換實現了從圖像點到Hough空間的映射，通過目標形狀的映射完成對圖像中形狀的定位。目前，應用最為廣泛，且被證明最有效的是極坐標Hough變換直線檢測。通過設圖像任意一點（x，y）為垂直通過圖像原點的直線的角度的函數，該直線與垂直原點直線的交點為：

其中，為垂直直線與x軸的夾角，其取值范圍是180°;p為原點到直線的距離。通過極坐標Hough變換，圖像中的邊緣點映射成累加器空間的曲線。累加器數組大小由與圖像尺寸決定。直線會在累加器空間中呈現出明顯的峰值。

1.2.1定向腐蝕運算

在1.1.2節中，通過Hough變換直線檢測，可以獲得橫向塔架的位置信息。在此基礎上，采用改進的定向腐蝕算法，使其結構元素的中心沿著獲取到的直線位置進行腐蝕。由1.1.2節，獲取檢測直線的兩個端點（x1，y1）和（x2，y2），假設x1

隨后將x1到x2的x軸坐標整數升序排列代入直線方程，獲得該直線的y軸坐標。然后對獲得y軸的坐標進行取整操作，最終獲得圖像上該直線所經過的所有像素點集合。設置5×5的卷積核，將卷積核的中心沿著直線像素點集合進行滑動卷積，從而完成去除橫向桿塔的效果。

1.2.2形態學開運算

腐蝕和膨脹屬于數學形態學處理范疇，可以實現去除圖像中的某些部分或對目標進行擴充。傳統的腐蝕、膨脹操作是通過設定結構元素對圖像進行全局操作。形態學開運算利用結構元素B對圖像A先進行腐蝕運算再進行膨脹運算。其定義式為：

先采用定向腐蝕運算去除橫向桿塔，再對整張圖像進行開運算，以達到去除電線等背景信息的同時，保留絕緣子串目標信息的效果。

1.3 SNIC算法

SNIC算法是SLIC算法的升級版本。SNIC算法首先將圖像設為K個區域，把RGB顏色空間轉換為Lab色彩空間，隨后根據像素點間顏色差異和空間距離作為聚類的判斷條件，通過優先級隊列實現非迭代聚類。設空間信息為x=[x，y]，Lab色彩空間的信息為c=[L，a，6]，則第j個待處理像素與其初始劃分的第K個聚類中心的顏色距離為d，空間距離為d，最后聚類判據為d：

在SNIC超像素分割算法中，每個超像素是根據像素點間的位置和顏色特征來獲得的，且大小相近，超像素的邊緣與圖像目標邊緣的召回率很高，以此為基礎對絕緣子串進行精細化分割。

1.4絕緣子定位與精細化分割

經過預處理和形態學運算后，紅外圖像中還會存留部分局部背景，形成噪聲點，導致絕緣子串主體的邊緣召回率很低。預處理和形態學處理后的紅外圖像為二值圖像，其像素值為1或0（保留區域為1，去除區域為0）。利用連通域對二值圖像進行分析，對像素值為1的區域進行排序，因為絕緣子串所占像素個數遠大于殘留背景區域，所以可以通過這一特征來去除殘留的小背景，以此來達到絕緣子串定位的工作。

經過連通域處理后的二值圖像與SNIC算法生成的超像素分割圖像進行融合，以每個超像素為處理單元，獲取在二值圖像中相同位置的像素值，計算其像素值為1的像素個數占該超像素中像素總數的比值。當比值大于該超像素大小的1/3時，則認定該超像素為正樣本，即絕緣子串;否則，認定該超像素為負樣本，即背景。逐個對每個超像素進行篩選，最終顯示正樣本的超像素，完成絕緣子串的精細化分割。

2實驗結果與分析

2.1實驗過程與結果

測試環境：處理器：Intel（R）Core（TM）i5-6500CPU@3.20 GHz-3.19 GHz;內存：8.00 GB;操作系統：Window 10（64位）;應用軟件：Mat-lab2020a。

通過實驗來驗證算法的有效性，對絕緣子紅外圖像進行測試，其中部分實驗圖像數據來源于文獻[16]所建立的紅外絕緣子圖像數據庫。圖5列舉了一張復雜環境下多絕緣子串分割方程的過程。

對于從具有多數絕緣子串的紅外圖像（絕緣子串數目>3）中分割出各絕緣子區域的任務。本方法與K-means算法、FCM和基于超像素的快速模糊c均值聚類算法（Superpixel-Based Fast FuzzyC-Means Clustering，SFFCM）等進行對比實驗的結果如圖6所示。

2.2實驗分析

通過對比實驗的結果圖，實現復雜背景下同時存在多個絕緣子串的紅外圖像分割，本算法可以準確獲得絕緣子分割圖像，明顯優于其他對比算法。而傳統的K-means算法、FCM和SFFCM算法雖能分割出多個絕緣子串，但是同時也分割出大量背景區域，無法實現對圖像中絕緣子圖像的定位，沒有實現對絕緣子串的精細化分割。

通過定量分析來進一步分析，選擇Dice相關系數、過分割率（Over—segmentation Rate，OR）、欠分割率（Under—segmentation Rate，UR）以及算法運行時間（Total time）作為各類算法實驗對比的指標。其中Dice系數用來計算兩個樣本的相似度，范圍是0～1，分割結果越好，Dice系數越接近1;過分割率表示誤將背景分割成目標的概率，欠分割率表示將目標分成背景的概率，兩個指標的范圍都是0～1，并且值越小，表示分割效果越好。公式如下：

其中，A表示實驗算法分割出目標的像素點個數;B表示標準參考圖像目標的像素點個數;Rove，表示實驗算法分割出目標多于標準參考圖像的像素點個數;Runde，表示標準參考圖像目標存在，但是實驗算法未能分割出的像素點個數。

采用4種實驗算法對4幅圖像進行指標測試，其結果如表1所示。由表1可知，對比算法中，K-means算法、FCM算法和SFFCM算法分割結果，雖然欠分割率很低，僅有1.5%，但是相似度僅僅達到50%左右，并且過分割率高達60%左右，雖然較高地保留了絕緣子串的整體，但是同時也保留了大量的背景信息，可以說是無效的分割。算法處理后的圖像與參考圖像的相似度較高，可達到88%，并且同時保證了較低的過分割率和欠分割率，分別為8%與12%。在算法運行時間上，FCM算法是對K-means算法的優化，可以看出有0.33s的優化結果，SFFCM與本算法均用到了超像素分割的算法，算法復雜度比FCM和K-means高，但是本算法相較于SFFCM有0.87 s的提升，且平均處理一張圖像的時間為1.98 s，滿足在復雜背景下對多串絕緣子串進行分割的要求，也為后續的絕緣子故障精準定位提供了前期基礎。

3結論

介紹了一種在復雜背景下對紅外圖像中多個絕緣子串進行分割的方法。首先，根據顏色閾值去除紅外圖像中大部分背景，然后采用霍夫變換直線檢測去除與絕緣子串顏色相似的橫向塔架，隨后利用定向腐蝕和全局形態學處理獲得包含絕緣子串和少數背景的二值圖像，最后SNIC超像素分割算法根據獲得二值圖像進行絕緣子串位置確定完成分割。在測試的紅外絕緣子圖像中，通過實驗驗證了方法的有效性。