結合顯著性檢測及改進大津算法的紫外圖像分割

楊強強　陳思林　秦倫明　張貝貝

摘? 要：提高電氣設備紫外圖像分割精確度對設備放電程度的準確評估具有重要意義。用紫外成像儀拍攝電氣設備放電圖像時，由于拍攝背景的復雜性，一般的圖像分割方法并不能快速準確地分割紫外放電區域，因此提出一種結合顯著性檢測及改進大津算法的紫外圖像分割模型。首先，對紫外圖像進行顯著性檢測，使得故障區域突出，提升分割準確性；其次，利用基于Lévy飛行特征的蝙蝠算法對大津算法進行改進后對圖像進行分割，以達到快速分割圖像的目的。實驗結果表明，改進的大津算法在紫外圖像分割效果上明顯優于大津算法，且計算速度也有所提升。

關鍵詞：顯著性檢測；蝙蝠算法；大津算法；Lévy飛行特征；圖像分割

中圖分類號：TP391.4? 文獻標識碼：A? 文章編號：2096-4706（2023）20-0050-04

UV Image Segmentation of combining the Saliency Detection and Optimized Otsu Algorithm

YANG Qiangqiang， CHEN Silin， QIN Lunming， ZHANG Beibei

（College of Electronics and Information Engineering， Shanghai University of Electric Power， Shanghai? 201306， China）

Abstract： Improving the accuracy of UV image segmentation for electrical equipment is of great significance for the accurate evaluation of equipment discharge levels. When using a UV imager to capture electrical equipment discharge images， due to the complexity of the shooting background， general image segmentation methods cannot quickly and accurately segment the UV discharge area. Therefore， a UV image segmentation model combining saliency detection and improved Otsu algorithm is proposed. Firstly， perform saliency detection on the UV image to highlight the fault area and improve segmentation accuracy; secondly， the Bat Algorithm based on Lévy flight features is used to improve the Otsu algorithm and segment the image to achieve the goal of fast image segmentation. The experimental results show that the improved Otsu algorithm outperforms the Otsu algorithm in UV image segmentation， and the computational speed has also been improved.

Keywords： saliency detection; Bat Algorithm; Otsu algorithm; Lévy flight feature; image segmentation

0? 引? 言

隨著社會和經濟的發展，在自身需求的驅動和外部的社會壓力下，提高電網供電穩定性和安全性日益成為電力行業所追求的目標。要想經濟平穩快速地發展，就需要保障供電的可靠性。故障電力設備長期處于局部放電狀態，會對設備自身產生不可逆的損害，甚至會造成大面積停電和人員傷亡[1，2]。據統計，電網20%的故障源于電氣設備放電初期未能得到及時的檢測和修理，最終導致電氣設備絕緣擊穿放電。因此，有效解決電力設備的放電故障對維護電網的穩定和安全至關重要。放電檢測技術有很多，紫外成像放電技術因其簡單性和精確性被廣泛應用于各個領域[3-5]。紫外圖像分割技術能夠對關注區域進行分割，提取有用信息以便更好地觀察放電區域，及時進行故障分析并采取相應措施保障用電安全。本文借助圖像分割技術分割出電暈電弧放電區域，實現對電暈電弧放電面積的準確判斷，以為電氣設備放電評估提供精準的數據支撐。

傳統的圖像分割方法有很多，例如邊緣檢測法[6-8]、閾值分割法[9]和區域分割法[10]等。閾值分割方法中的閾值選取方式有四種：人工選擇法[11]、直方圖技術法[12]、大津算法[13]和自適應閾值分割方法[14]，由于紫外圖像的復雜性，人工選擇法和直方圖法錯誤分割占比較大，而自適應閾值分割法屬于局部閾值分割，對圖像邊緣信息的提取效果較差，大津算法屬于全局閾值分割，可以清晰明了地分割出邊緣信息，因此本文選用大津算法進行閾值分割。由于大津算法需要進行256次計算比對，存在計算速度較慢的問題，故本文在大津算法的基礎上引入蝙蝠算法，達到提高運行速度的目的。但是蝙蝠算法容易陷入局部最優，以Lévy飛行模式替換蝙蝠算法的搜尋機制可有效避免這個缺陷[15，16]。為了更好地分割目標區域，排除背景干擾，在分割之前進行圖像的顯著性檢測。

1? 基本原理

1.1? 顯著性檢測

人類在觀察物體時會根據自己的意愿將視線集中在感興趣區域，不感興趣的信息會被大腦自動剔除。本文通過引入顯著性檢測來模仿大腦機制，檢測數據集之間的不同特性，著重突出顯著特性，這種做法被廣泛應用于各個科研領域。基于直方圖對比度的（Histogram-based Contrast， HC）顯著性檢測只用到顏色特征，具有運算簡單、顯著效果好等優點。因此本文運用HC顯著性檢測進行運算，其中單個像素Ik顯著性值的計算式為：

其中，ω0表示目標圖像像素在整個圖像像素點總數中的占比，μ0表示目標圖像像素的平均灰度。Ω1表示背景圖像像素點在整幅圖像像素點總數中的占比，μ1表示背景圖像像素的平均灰度。μ表示計算整幅圖像像素的總平均灰度，g表示類間方差。假設圖像的大小為M×N，N0表示圖像灰度值小于閾值T的像素個數，N1表示圖像灰度值大于閾值T的像素個數。

2? 本文方法

2.1? 改進HC顯著性檢測

為了降低算法的時間成本，精確顏色顯著值，HC方法的實現采納了兩種技術：

1）基于直方圖的加速。對圖像中各個顏色的像素占比進行排列時發現，有一些顏色出現的概率是很低的。將在圖像中出現概率低于5%的顏色歸集到鄰近直方圖的顏色中，通過減少顏色值的數量來提高計算速度。

2）顏色空間平滑。圖像中相近的顏色在量化時可能會出現不同的數值，從而影響最終的分割結果，故在HC顯著性檢測模型中添加平滑程序，采用加權平均的結果替換圖像中相近顏色的顯著性值，計算式為：

其中， 表示相近m個顏色組的距離之和， 中， 越小， 的系數越大，1/（（m-1）T）表示歸一化因數，來自 。如圖1所示為HC顯著圖在MATLAB中的實現步驟圖。

2.2? 優化大津算法

本文采用基于Lévy飛行模式的蝙蝠算法改進大津算法，基本原理是將大津算法的類間方差函數對應于蝙蝠算法的自適應函數，將最優閾值對應于蝙蝠算法中蝙蝠的最優位置，以此達到提高速度的目的。將原蝙蝠算法的獵物搜尋機制替換成Lévy飛行模式的位置更新計算式 ，，在進行一段時間的小幅跳躍后，進行一次較大距離的跳躍，進而跳出局部最優解。優化大津算法過程圖如圖2所示。

3? 實驗結果分析

為了驗證算法的可行性和有效性，采用MATLAB R2020b軟件進行測試，實驗平臺采用Windows 10、64位操作系統、16 GB內存，使用的紫外成像儀型號為Coro CAM504。實驗中涉及的參數如表1所示。

在MATLAB下結合顯著性檢測及改進大津算法的紫外圖像分割與大津算法分割進行仿真實驗，對比大津算法與改進大津算法在時間方面的差異。進行10次同條件的實驗，取其平均值作為實驗結果，如表2所示。

由表2可知，本文提出的改進大津算法確實可以提高計算速度，充分驗證了算法的實時性。如圖3所示為利用三種不同圖像分割算法對同一區域不同放電時間的紫外圖像進行分割的效果對比圖。

通過對兩幅圖進行對比可知，改進大津算法和自適應算法都不能很好地分割圖像，但是結合顯著性檢測后能很好地分割出紫外放電區域。

4? 結? 論

本文在研究大津算法機理的基礎上，使用改進大津算法分割圖像，雖然計算速度有所提高，但是分割的效果不夠理想。基于顯著性檢測的用途和效果，將其與改進大津算法相結合，MATLAB仿真測試結果表明，結合顯著性檢測及改進大津算法的紫外圖像分割方法確實能有效地分割出紫外圖像放電區域，達到預期效果。由于改進蝙蝠算法理論還處起步階段，仍需要更加深入地探索優化方法以達到更好的效果，并且顯著性檢測還有很多方法有待研究，有許多問題有待解決，這些都是進一步要做的研究工作。

參考文獻：

[1] 趙森，曹銳，韓民疇.基于圖形組態功能定制的繼電保護在線監測系統研究 [J].現代信息科技，2022，6（7）：13-17.

[2] 呂國華.電能計量裝置在線監測系統研究 [D].南昌：南昌大學，2020.

[3] 王勝輝，李偉，姜婷玥，等.高壓設備表面放電紫外成像檢測影響因素的試驗研究 [J].電瓷避雷器，2022（1）：197-203.

[4] 譚鵬，李玲，呂雪松.基于紫外成像的電暈放電檢測技術研究 [J].電工技術，2021（12）：75-77+119.

[5] 裴正爽，黃紅宇，李林卿.紫外成像技術在電網帶電檢測中的應用 [J].電工技術，2021（11）：108-110.

[6] 張久超，徐曉光，葉炯.基于改進的Canny算子的圖像邊緣檢測方法 [J].海南熱帶海洋學院學報，2022，29（5）：79-84.

[7] 曾俊.圖像邊緣檢測技術及其應用研究 [D].武漢：華中科技大學，2012.

[8] 余波，吳靜，周琦賓.一種基于改進Canny算子的邊緣檢測算法 [J].制造業自動化，2022，44（8）：24-26+43.

[9] 劉碩.閾值分割技術發展現狀綜述 [J].科技創新與應用，2020（24）：129-130.

[10] 黨文靜.圖像區域分割算法的研究與應用 [D].淮南：安徽理工大學，2018.

[11] 李小琦.基于Matlab的圖像閾值分割算法研究 [J].軟件導刊，2014，13（12）：77-78

[12] 李凱，張燁.基于Matlab直方圖技術的圖像增強方法研究 [J].自動化與儀器儀表，2017（10）：45-48.

[13] 齊千慧，田益民，韓利利，等.關于圖像分割算法的研究 [J].北京印刷學院學報，2019，27（7）：102-106..

[14] 張田，田勇，王子，等.基于清晰度評價的自適應閾值圖像分割法 [J].東北大學學報：自然科學版，2020，41（9）：1231-1238.

[15] 劉長平.具有Lévy飛行特征的蝙蝠算法 [J].智能系統學報，2013，8（3）：240-245.

[16] 許德剛，趙萍.蝙蝠算法研究及應用綜述 [J].計算機工程與應用，2019，55（15）：1-12+31.

作者簡介：楊強強（1974.01—），男，漢族，江西九江人，工程師，碩士，研究方向：云計算、人工智能和大數據分析等。

收稿日期：2022-12-06