暗通道先驗理論的絕緣子圖像去霧算法

張俊林，石冬陽，賈 兵，聶 玲

(重慶科技學院 電氣工程學院，重慶 401331)

0 引言

絕緣子是分布在輸電線路上的絕緣體，對輸電線路的正常運行起著至關重要的作用[1-4]。絕緣子長期處于復雜多變的環境之中，受環境等因素影響，加上自身材料老化等原因容易發生自爆故障。若絕緣子發生自爆故障，輕則導致所在區域范圍性停電，影響所在地居民的正常生活和生產，重則影響整條輸電線路的正常運行和電氣設備的使用壽命，若不能及時發現絕緣子存在的故障，則會給輸電線路帶來巨大的安全隱患[5-6]。因此，對輸電線路絕緣子自爆的檢測具有十分重要的意義。

隨著計算機視覺和深度學習技術的發展，產生了多種檢測絕緣子自爆的方法，并獲得了良好的故障檢測效果，一定程度上提升了電力工人輸電線路安全巡檢的效率。但其中絕大多數絕緣子缺陷檢測模型都是基于沒有霧霾的場景，霧霾一旦出現，會使得無人機拍攝到的絕緣子圖像變得模糊不清，重要特征無法有效呈現，從而導致絕緣子缺陷檢測模型的精度大大降低。近年來出現了多種圖像去霧方法，但圖像去霧后仍有噪聲存在圖像中，降低了圖像質量和圖像分辨率[7-9]。因此，為了最大程度降低霧霾帶來的影響，需要在絕緣子缺陷檢測前對絕緣子圖像進行去霧處理，使其恢復到無霧圖像。同時，還需要在去霧的基礎上保證良好的圖像去噪性能以提升圖像質量，進而提升絕緣子缺陷檢測的精度。

1 相關研究

目前，針對絕緣子自爆的研究方法都有一定的局限性。賴秋頻等[10]在YOLOv2深度學習網絡的基礎上建立了絕緣子自爆缺陷檢測模型,但霧霾天氣對該模型的識別精度影響較大。周仿榮等[11]提出一種基于YOLOv3的輸電線路缺陷快速檢測方法，在保證識別精度的同時提升了識別速度。方挺等[12]提出基于粒子群優化參數的蟻群算法來檢測絕緣子輪廓及其數目，但該方法無法適應霧霾與噪聲等復雜環境。嚴波等[13]串聯使用Faster R-CNN網絡對絕緣子自爆圖像進行提取和識別，提高了檢測精度，但對環境復雜因素考慮不足。唐小煜等[14]提出了基于U-net和YOLOv4-的絕緣子圖像分割與缺陷檢測方法，但運用優化的U-net模型獲取絕緣子區域掩模圖像的同時缺少了去霧等預處理。劉逸凡等[15]提出了基于EfficientDet和雙目攝像頭的絕緣子缺陷檢測方法，該方法具有良好的效率和適用性，但在絕緣子數據集真實度與復雜度方面未考慮霧霾的存在。王夢[16]通過訓練Resnet-101和vgg16的Faster R-CNN模型，實現了對絕緣子自爆缺陷和定位的檢測，但缺陷檢出率僅為 0.89，檢測精度較低。

綜上所述，大多數絕緣子自爆研究方法取得了較好的檢測效果，但忽略了霧霾等復雜環境的影響。

2 傳統絕緣子缺陷檢測模型

為了有效避免圖像中霧霾的影響，提升絕緣子缺陷檢測模型的精度，以文獻[10]的缺陷檢測模型為研究基礎。絕緣子圖像檢測傳統模型的基本原理見圖1。

圖1 絕緣子圖像檢測傳統模型基本原理框圖

2.1 Canny邊緣檢測

2.1.1圖像灰度化

Canny算法的處理對象為灰度圖，故需先將圖像進行灰度轉換。結果由圖像RGB三個通道的采樣值加權平均得到，計算式為：

Gray=0.299R+0.587G+0.114B

(1)

RGB代表光學三原色中3個通道的亮度。

2.1.2高斯濾波處理

Canny算法常用高斯濾波器來降低圖像高斯噪聲的影響，即與圖像進行卷積以濾除圖像中的噪聲[17]。高斯分布函數為：

(2)

σ是高斯濾波器的參數，其選取還需參考具體圖像的實際情況。原圖像I(x,y)與式(2)進行卷積，得到處理后圖像H(x,y)，表達式為：

H(x,y)=G(x,y)*I(x,y)

(3)

2.1.3計算梯度幅值和方向

Canny算法計算梯度值時采用一階有限差分，圖像在x和y方向上的偏導數矩陣為：

Wx(i,j)=[I(i,j+1)-I(i,j)+

I(i+1,j+1)-I(i+1,j)]/2

(4)

Wy(i,j)=[I(i,j)-I(i+1,j)+

I(i,j+1)-I(i+1,j+1)]/2

(5)

梯度幅值和方向可由式(6)和式(7)的W(i,j)和θ(i,j)表示。

(6)

(7)

2.1.4對梯度幅值進行非極大值抑制

由于圖像中噪聲的影響，處理后的結果可能會出現偽邊緣的現象。非極大值抑制通過尋找梯度方向上的非零點，然后對該點方向導數上相鄰兩點的梯度值進行比較來消除圖像偽邊緣。

2.1.5雙閾值檢測和連接邊緣

雙閾值法通常先設定一個高低閾值來區分邊緣像素，判斷其邊緣點8鄰域中是否存在高于高閾值的像素值。如果存在，則認為該邊緣屬于真實邊緣；若不存在，則直接舍棄。

2.2 Hough直線檢測

霍夫變換的基本原理是將圖像空間中的直線分別映射到 Hough 參數空間的點，同時運用累加器來檢測參數空間中的峰值點。運用該峰值點可以確定圖像空間中對應直線的信息參數，即峰值點的值與圖像空間中的直線是一一對應的，從而快速準確地實現圖像空間中直線檢測。

2.3 圖像旋轉

考慮到邊緣檢測后的絕緣子圖像普遍存在相對水平位置傾斜的問題，將絕緣子邊緣圖像進行水平旋轉。旋轉角度近似等于直線檢測結果中若干條直線斜率平均值，計算式為：

(8)

式中：gθ指旋轉角度；hi指直線斜率；n指直線數量。

2.4 垂直投影

使用垂直投影對水平位置的絕緣子邊緣圖像處理后的圖像能充分反映絕緣子邊緣形狀的變化規律，獲得絕緣子是否發生自爆的信息。

3 傳統絕緣子缺陷檢測模型的改進

從上述絕緣子缺陷檢測模型中可以看出，這些模型沒有考慮圖像中霧霾因素的影響。Fang等[18]在大氣散射模型的基礎上，通過統計 5 000 多幅圖像的特征，提出了暗通道先驗算法(DCP算法)。該算法因具有結構簡單、性能優越的特點在各領域得到了廣泛應用，故本文中運用該算法進行去霧預處理。為了保證圖像在去霧后具有一定的抗噪性能，在暗通道先驗去霧算法的基礎上融入高斯濾波算法與圖像對數增強算法進行圖像去噪和增強，并對圖像亮度進行調整使圖像特征更加明顯。從理論上來說，采用該方法的圖像具有更高的峰值信噪比，同時縮小了與原圖之間的差距。改進后模型的結構如圖2所示。

圖2 改進后絕緣子缺陷檢測模型結構框圖

3.1 暗通道先驗去霧算法

霧霾圖像的散射模型為

I(x)=j(x)t(x)+A(1-t(x))

(9)

其中：I(x)指輸入的霧霾圖像；j(x)指去霧處理后圖像；t(x)為透射率；A為全局大氣光值。由此可知，只要得到A與t(x)，就能獲得去霧后圖像。

3.1.1定義暗通道

根據相關研究，在大量無霧圖像的暗通道圖數據中，超過90%的無霧圖像像素值極低，其中75%無霧圖像像素值為0。無霧圖像可由式(10)表示。

(10)

其中：jc(y)指j的任意一個顏色通道；Ω(x)指像素點x處的窗口；c指RGB三個通道。

由上述定義可得知

jdark→0

(11)

3.1.2求解全球大氣光值

利用暗通道圖與霧霾原圖像的對應關系，通過獲取暗通道圖中前0.1%亮度像素點的位置來對應原霧霾圖像中相應位置較高亮度的值，以此選作全球大氣光值。

3.1.3透射公式

對式(9)兩側同時除以大氣光值：

(Ic(x))/Ac=t(x)(jc(x))/Ac+1-t(x)

(12)

(13)

根據暗通道先驗定義可得：

(14)

代入式(13)可得：

(15)

在實際情況中，即使晴天遠處也會存在霧，因此需引入因子ω。為使圖片保留一定的霧霾，常取值0.95。此時透射率為：

(16)

3.1.4有霧圖像處理公式

由于透射率t的值會直接影響j的值，若t的值過小，會導致圖像去霧效果出現整體白場的現象，此時需設定下限值t0。當值t

j(x)=(I(x)-A)/(max(t(x),t0))+A

(17)

3.2 高斯濾波算法的融入

針對圖片中存在的高斯噪聲，利用高斯濾波算法來濾除圖像中的高斯噪聲已成為計算機視覺領域最常用的方法[19]。高斯濾波的步驟如下：

步驟1移動相關核的中心元素，使其位于輸入圖像待處理像素的正上方；

步驟2將輸入圖像的像素值作為權重，通過與圖像進行卷積處理濾除圖像中的噪聲，選用的高斯分布函數為：

(18)

式中σ為高斯濾波器的參數。原圖像I(x,y)與高斯分布函數作卷積之后得到圖H(x,y)，可表示為：

H(x,y)=G(x,y)*I(x,y)

(19)

步驟3 將上述各步驟得到的結果相加作為輸出。

3.3 Log變換算法的融入

對數變換的基本原理是將圖像的低灰度值部分進行擴展，高灰度值部分進行壓縮以強調低灰度部分。其變換公式如下：

s=c·Logv+1(1+v·r)

(20)

式中：v為底數；c為增強系數；s為輸出強度；r的取值范圍為[0,1]。

由圖3可知，x=0.4時，對應s在0.8左右，因此x軸的0～0.4的低灰度部分經過變換擴展到0～0.8的部分，而整個剩余部分則被壓縮到0.8～1的區間，達到擴展強調低灰度部分的目的。

圖3 對數增強算法原理曲線

根據圖3中曲線變化規律可知，底數v越大，對低灰度部分擴展強調的作用就越強。因此，對數變換可以對圖像邊緣形成強化的作用，從而增強圖像的細節特征。

3.4 圖像亮度調整

經過上述3個步驟的處理，減小了圖像中霧霾和噪聲的影響，使得圖像信息變得清晰?？紤]到圖像亮度直接影響其可視化效果和細節特征的呈現，故須對圖像亮度進行調整。

通過RGB模型向HIS模型轉化，將去霧、去噪后圖片的RGB分量轉換成HIS分量，此時H代表色調，I代表圖像的亮度，S代表飽和度。本次針對亮度I進行增強，利用兩模型間的轉換關系，將重新得到的HSI分量轉化為RGB分量，從而實現對圖像亮度的提升。

4 實驗設計與分析

4.1 實驗環境及參數設置

同態濾波、直方圖均衡化算法、Retinex算法、暗通道先驗去霧算法是當前的主流去霧算法,具有不錯的去霧效果。對比以上4種主流去霧算法與本文算法去霧后的性能，并驗證本文方法去霧效果的優越性。實驗配置：Intel(R)Core(TM)i7-10750H CPU @ 2.60GHz，16.0 GB內存，NVIDIA GeForce GTX 1650 Ti顯卡，實驗平臺為MatlabR2020b。

4.2 實驗結果可視化

設計5組實驗，如圖4—8所示。每組實驗的6幅圖片分別代表絕緣子霧霾原圖、同態濾波算法處理結果、直方圖均衡化算法處理結果、SSR算法處理結果、暗通道先驗去霧算法處理結果、本文算法處理結果。

圖4 實驗1結果

圖5 實驗2結果

圖6 實驗3結果

圖7 實驗4結果

4.3 實驗結果分析

4.3.1性能評價指標

從5組實驗中可以看出，運用直方圖均衡化算法與SSR算法處理后的結果圖像存在顏色方面的失真現象；運用暗通道先驗去霧算法處理后的圖像整體顏色較為深沉；運用本文算法處理后的圖像具有較好的圖像可視化效果。為客觀評價運用以上5種去霧算法得到的結果，介紹以下2種去霧性能評價指標。

1)峰值信噪比(PSNR)

峰值信噪比在圖像質量評估方面運用廣泛，PSNR值越高，說明圖像噪聲含量越低，受到的污染越小[20]。其表達式為：

(21)

(22)

MAX=2B-1

(23)

MSE指圖像均方差，m和n分別指圖像的高度和寬度，I(x,y)指初始霧霾圖像，K(x,y)指去霧后圖像。MAX指圖像的灰度級，B指編碼1個像素所用的二進制位數，即B=8，故MAX=255。

2)結構相似性(SSIM)

SSIM基于人類視覺系統，從亮度、結構和對比度3個方面來衡量圖像的相似度。其表達式為：

SSIM=L(I,J)×C(I,J)×S(I,J)

(24)

L(I,J)為亮度，C(I,J)為對比度，S(I,J)為結構。SSIM的取值范圍為[0,1]，其值越大，代表兩幅圖像相似度越高[21]。

4.3.2實驗結果性能對比及驗證

對5組實驗圖像進行MSE值、PSNR值、SSIM值測試。圖像評價結果如表1所示。

表1 圖像評價結果

從數據結果中可以發現，運用暗通道先驗去霧算法處理后的圖像質量相對于運用同態濾波、直方圖均衡化算法、SSR算法處理之后的結果具有較高的PSNR值與SSIM值，驗證了暗通道先驗去霧算法圖像去霧的優越性和去霧方法的正確性。當圖像中存在霧霾影響時，運用以上圖像去霧算法得到的圖像PSNR值均小于運用本文算法得到的圖像PSNR值，說明本文算法在進行圖像去霧的同時很好地提升了圖像的抗噪性能，一定程度上降低了噪聲對圖像質量的影響。從圖像結構相似度性能的角度看，運用本文算法得到的SSIM值也達到了最高，取得了較好的圖像去霧效果，減小了與原圖之間的失真程度；運用直方圖均衡化進行圖像去霧的效果并不理想，說明該算法在進行圖像去霧的同時放大了圖像中的噪聲。

為了驗證本文算法的普適應與優越性，另取30組含有霧霾的圖像按照相同的方法進行仿真驗證。將30組實驗得到的圖像PSNR值和圖像SSIM的平均值進行對比分析，見圖9-10所示。

圖9 多樣本圖像PSNR平均值曲線

由圖9和圖10可知，當圖像含有霧霾時，運用同態濾波算法、直方圖均衡化算法、SSR算法、暗通道先驗去霧算法處理后得到的圖像PSNR平均值均小于運用本文算法得到的PSNR值，說明本文算法在去霧的同時具備了良好的抗噪性能，而運用直方圖均衡化算法處理得到的結果并不理想，圖像PSNR值達到了最低；在30組實驗中，運用本文算法得到的圖像PSNR平均值達到37.5 dB，相對于改進前平均提升6.8 dB；圖像SSIM平均值達到0.865,相對于改進前平均提升0.143，說明本文算法具有較好的圖像復原效果，同時驗證了本文算法的普適性，與以上5組實驗得到的結論相一致。

圖10 多樣本圖像SSIM平均值曲線

4.4 模型改進前后絕緣子邊緣檢測效果的對比

為了對比模型改進前后對絕緣子缺陷檢測精度的影響，以圖4(b)為例，分別運用改進前后的模型進行絕緣子缺陷檢測，邊緣檢測結果分別如圖11和圖12所示。

由圖11可知，當圖像中同時含有霧霾噪聲時，運用改進前模型得到的邊緣檢測結果出現了斷裂漏檢的情況，絕緣子邊緣并不完整，圖像細節信息丟失，使得模型無法判定絕緣子自爆的位置，從而直接影響該模型后續缺陷檢測的精度。由圖12可知，經過本文算法圖像預處理后檢測得到的絕緣子邊緣較為完整，結果中基本不存在斷裂漏檢的情況，對絕緣子缺陷檢測模型精度影響較低，說明本文算法能夠提升圖像質量，有效減小圖像邊緣信息的損失。

圖11 去霧前邊緣檢測結果

圖12 去霧后邊緣檢測結果

為了對比模型改進前后對絕緣子缺陷檢測精度的影響，取50幅含有霧霾的絕緣子樣本圖像進行缺陷檢測，得到檢測結果1。將以上50幅樣本圖像運用暗通道先驗去霧算法進行處理，再次進行缺陷檢測，得到檢測結果2。最后將以上50幅樣本圖像運用本文算法進行圖像去霧處理，得到檢測結果3。缺陷檢測結果如表2所示。

表2 缺陷檢測結果

由以上數據可知，圖像中含有霧霾嚴重影響絕緣子缺陷檢測的精度，檢測精度只有56%；運用本文算法得到的絕緣子缺陷檢測精度相對于運用改進前DCP算法提升了12%，再次驗證了本文算法的優勢。

5 結論

為減小環境中霧霾對絕緣子缺陷檢測精度的影響，以絕緣子缺陷檢測模型為基礎進行圖像去霧預處理?？紤]到圖像去霧后仍有噪聲保留在原圖像中會降低圖像質量，使得圖像特征模糊不清，故在暗通道先驗去霧算法的基礎上融合高斯濾波算法、對數增強算法。為了獲得良好的圖像可視化效果，使得圖像特征更加明顯，對處理后圖像亮度進行相應調整，通過5組實驗說明了本文算法的優越性。通過30組多樣本仿真實驗表明了本文算法的普適性和優越性。本研究的創新之處在于在原模型的基礎上考慮到環境中霧霾的影響，并對暗通道先驗去霧算法進行改進，獲得了性能更加優越的圖像去霧效果，提升了絕緣子缺陷檢測的精度。不足之處在于尚未解決圖像中存在的嚴重霧霾問題。由于絕緣子處于復雜多變的環境之中，如何在去除圖像中較為嚴重的霧霾的同時提高圖像抗噪性能是難點，也是未來研究的重要內容。