電力設備紅外圖像分割的自適應聚類區域生長法

李大華 李濰璇 高 強 于 曉 沈洪宇

1(天津理工大學電氣電子工程學院 天津 300384) 2(天津市復雜系統控制理論及應用重點實驗室 天津 300384) 3(天津理工大學海運學院 天津 300384)

0 引 言

隨著計算機技術和通信技術的發展,變電站自動化程度越來越高。大多數變電站采用巡檢機器人巡檢,通過集中監控或遠程多媒體監控,實現對變電站設備狀態的直觀分析和判斷[1]。目前變電站巡檢機器人主要能夠實現自主導航、電池充電、設備溫度信息采集和最優路徑規劃,但在處理采集信息方面研究較少,機器人平臺上的信息處理成為檢測電力設備的關鍵。并且電力設備故障是大范圍停電的主要原因,影響整個電力系統的穩定性。因此,電力設備故障檢測是機器人平臺解決的問題之一[2-3]。

紅外熱成像技術的發展和電力設備的發熱特性,使得利用紅外圖像處理技術對電力設備智能故障檢測成為未來的發展趨勢[4]。紅外熱成像技術能將紅外輻射熱能轉化為可見的紅外圖像,通過觀察圖像可以找到發生故障的區域[5]。溫度越高圖像越亮,溫度越低圖像越暗。眾所周知,電力設備運行時都會有發熱現象。每種設備都有一定的耐熱溫度,當電力設備運行時間過長或遭到干擾,如過電流、過電壓、電力設備會異常發熱,使得自身的溫度超過耐熱溫度,這樣電力設備會隨時發生故障,嚴重影響整個系統的穩定性和安全性。因此,電力設備的安全檢測與診斷顯得尤為重要[6]。

通過紅外圖像準確識別與分析故障設備是電力設備檢測的最終目的,而準確的分割是紅外圖像目標識別與分析的關鍵。通過對圖像進行分割,判斷設備發生高溫的具體部位。方便技術人員及時判斷設備的運行狀態,提高技術人員對設備故障判斷的準確性。紅外圖像反映了目標和背景在場景中的紅外輻射分布,然而,成像系統提供的大部分紅外圖像會受到背景噪聲的嚴重干擾,具有信噪比低、邊界模糊、灰度分布不均勻等特點,大大增加了紅外圖像分析和目標檢測的難度。因此,如何快速、準確地分割紅外目標是一個具有挑戰性的課題[3]。

圖像分割是利用圖像的某些特性,如灰度值分布、紋理分布等,將給定圖像分割為有限個非重疊區域的技術。對于圖像分割,主要有三種方法,即基于閾值分割的方法、基于邊界的方法、基于區域的方法。其中基于閾值分割易忽略圖像中的像素信息,還容易受到噪聲干擾。基于邊界的方法依賴像素值在不同區域之間的變化,對于邊緣模糊的圖像分割效果不佳。基于區域的方法依據像素值的相似度對圖像內的每一個像素點進行分類,可保留像素的空間信息。區域增長是由Adams等[7]于1994年提出的,之后研究學者對其不斷進行改進。Moigne等[8]利用邊緣特征的附加信息和距離度量為迭代并行區域增長(IPRG)算法開發了一個停止準則。Cheng[9]將三維松弛標記技術用于區域分割。Jain[10]提出一種單種子的區域生長法。Chaibou等[11]將區域語義模糊分類用于區域分割。Zhu等[12]提出了一種基于相鄰像素點的區域生長分割方法,采用各向異性擴散濾波算法對圖像進行濾波,去除噪聲。

近年來,很多研究者提出了電力設備紅外圖像的分割方法。李祥等[13]提出一種基于改進遺傳算法的電力設備紅外圖像分割方法,雖然分割效率有明顯提升,但分割精度無法保證。余成波等[14]提出一種基于OTSU和區域生長的電氣設備分割方法,但對于復雜的背景,如果不考慮空間信息,容易在灰度差較小的地方出現誤分割。徐鵬飛等[15]提出一種基于改進PCNN算法的電力設備圖像分割方法,PCNN算法需要大量的紅外圖像進行訓練,分割精度與訓練的圖像數量有關。馮振新等[16]提出一種改進MSER算法的電力設備故障區域分割,但基于MSER的方法側重局部區域合并,如果對比度較低,可以將目標像素合并到其領域背景中。

由此可見,基于閾值的分割方法在處理低噪聲、弱背景輻射的紅外圖像時具有操作簡單、運算速度快等優點,但難以處理強噪聲、弱對比度、非均勻背景的紅外圖像[17]。基于神經網絡的分割方法在前期需要訓練大量的圖片,訓練圖片的數量直接影響分割的精度,算法復雜程度大。因此,尋找一種不受對比度、背景和噪聲影響以及算法步驟簡單的分割方法至關重要,在滿足以上條件的情況下,盡可能地保持圖像的完整性。

本文提出一種新的基于自適應聚類的區域生長法,提高了電力設備紅外圖像的分割質量。具體而言,本文主要有以下三個貢獻點:

(1) 在種子點選取中,利用自適應聚類方法改進了傳統手動取點的不足,在自動取點的同時,有效地提高了分割效率。

(2) 在圖像分割中,對傳統生長準則進行了改進,有效地提高了分割精度。

(3) 對分割后的圖像,利用形態學腐蝕算法去除小型電力設備的干擾,有效地提高了分割精度。

(4) 在不同噪聲強度的干擾下,與傳統分割方法相比,本文算法具有良好的魯棒性。

1 相關工作

1.1 K-means聚類算法

K-means聚類算法是一種通過標準測度函數判斷相似度作為基礎,無須知道所搜尋目標的無監督學習[18]。設數據樣本集為X={x1,x2,…,xn},n為樣本數,從數據樣本集中隨機選取K個點作為聚類中心,計算每個樣本數據到聚類中心的歐氏距離,并將每個樣本數據歸類到距離最近的聚類中心。然后計算每一類的樣本均值,將樣本均值的位置作為新的聚類中心,如此反復迭代直至標準測度函數最小。

其中樣本均值mi和標準測度函數J為:

(1)

(2)

式中:Si表示歸屬i類的樣本數據集合;mi表示Si的樣本均值。

整個K-means算法如算法1所示。

算法1K-means算法

1.初始樣本數據集X,k個聚類中心;

2.從樣本數據集X中隨機挑選k個數據作為初始聚類中心點;

3.對每個數據點進行分類,分到最近的聚類中心的一類中;

4.根據式(1)、式(2)計算J、mi,將mi的點作為新的聚類中心;

5.判斷J是否小于設定閾值;

6.若滿足,則得到最終聚類中心;

若不滿足,則重復步驟3。

1.2 區域生長算法

區域生長算法主要思想是合并區域內具有相似值的像素。首先定位初始種子像素集,然后通過迭代合并相鄰像素,對不同區域進行格式化,直到一幅圖像中的所有像素都在相應的區域內。該方法的分割是完整的。影響區域生長算法的主要因素有初始點的位置和區域生長準則,本文會從這兩個方面進行介紹。

令R表示整幅圖像,R1,R2,…,Rn為分割后的子區域,并需滿足以下條件。

(2)Ri是一個連通的區域,i=1,2,…,n。

(3)Ri∩Rj=?,對所有的i和j,i≠j。

(4)P(Ri)=TRUE,對于i=1,2,…,n。

(5)P(Ri∪Rj)=FALSE,對于i≠j。

2 基于自適應聚類的區域生長法

針對傳統區域生長法手動取點不精確,電力設備紅外圖像灰度不均勻、噪聲干擾嚴重的問題,提出一種新的自適應聚類的區域生長法。首先利用加權平均值法將紅外圖像轉化為灰度圖像,其次,提出一種自適應聚類選種的方法,利用像素點的位置坐標XY和對應的灰度值Z建立三維坐標系,選取坐標系峰值的坐標XY為一組感興趣的點,利用K-means聚類算法將感興趣的點聚類成多個簇,將多個簇的中心點作為初始種子點。然后利用基于全局的灰度閾值和梯度閾值作為限定條件進行區域生長。最后,利用形態學腐蝕算法對電力線等小型設備的干擾進行去噪和消除。該算法的框架如圖1所示。

圖1 算法框架

2.1 自適應聚類選種

紅外圖像是彩色空間中的一種彩色圖像[19]。由于處理RGB圖像運算量大,且灰度圖像中包含所需要的灰度信息,故先將紅外圖像轉化為灰度圖像。RGB圖像轉換為灰度圖像主要有平均值法、最大最小值法和加權平均值法。其中加權平均法是目前最流行的方法,故采用加權平均法將紅外圖像轉化為灰度圖像。

為了比較每個像素點的灰度值,并選取灰度值最大的點作為種子點,本文提出建立以像素點的坐標值XY和對應的灰度值Z為坐標軸的三維坐標系。選取三維坐標系峰值對應的位置坐標作為一組感興趣的點,引入K-means算法聚類感興趣的點,將聚類中心作為種子點,實現種子點的自動識別。對于K-Means算法,K值越高,所分的類越多,對于圖像后續識別分割過程越困難[20],故本文K取值為3。實驗圖的聚類結果如圖2所示。

(a) 實驗圖a的聚類結果 (b) 實驗圖b的聚類結果

(c) 實驗圖c的聚類結果 (d) 實驗圖d的聚類結果

(e) 實驗圖e的聚類結果圖2 聚類結果

2.2 區域生長準則

區域生長階段根據生長準則判定像素點屬于目標區域或背景區域。目前生長準則主要有三類,基于閾值的準則、基于特征類型變化的準則和二者混合的準則。其中基于閾值的準則中,最簡單的方法是比較種子像素的灰度值與相鄰像素的灰度值之差是否小于全局閾值,若小于全局閾值,則相鄰像素屬于目標區域。另外,研究學者提出一種局部閾值,然而這種方法需要調整閾值才能得到較好的結果。對于基于特征類型變化的準則,它需要選擇種子區域,通過區域內容和公共邊界來衡量區域間的相似性。這種方法的不足是需要預處理,預處理會嚴重影響實驗結果。對于閾值和特征類型變化的準則,需要用螢火蟲算法計算閾值并比較紋理特征,這是一個相當復雜的方法,需要執行很多步驟[4]。

為了提高計算效率,本文采用全局閾值,以像素灰度值和梯度值作為特征值。本文提出的生長準則有兩條:(1) 根據生長點的灰度均值與已生長區域平均灰度值的差小于灰度閾值確定生長準則;(2) 根據Sobel算子計算生長點與待生長點梯度小于梯度閾值確定生長準則。

(1) 灰度閾值。設生長的區域為R,其平均灰度為m。灰度閾值為T0。其中m的計算公式如下:

(3)

式中:m為平均灰度;f(x,y)為每個像素點的灰度值;n為已生長區域內像素點的個數。

給出生長點(x,y)的八鄰域模板如圖3所示。

圖3 種子點(x,y)的八鄰域模板

由圖3可得出生長點(x,y)的灰度均值如下:

f(x+1,y-1)+f(x-1,y)+f(x,y)+

f(x+1,y)+f(x+1,y+1)+

f(x,y+1)+f(x+1,y+1)]

(4)

將生長點的灰度均值與已生長區域的平均灰度值作差,若式(5)成立,則滿足生長條件。若式(5)不成立,則不滿足生長條件。

|f(x,y)-m|≤T0

(5)

式中:T0為經驗閾值;每完成一次生長m需重新計算。

(2) 梯度閾值。圖像的梯度即圖像灰度變化的變化率。電力設備的紅外圖像具有一定的噪聲點,Sobel算子對圖像具有很好的平滑作用[21]。并且Sobel算子計算簡便、快速,因此,本文選用Sobel算子計算梯度。

對于連續圖像g(x,y),在點(x,y)處的梯度為:

(6)

梯度的幅值定義為:

(7)

梯度的方向定義為:

(8)

由于數字圖像是離散的數字信號,故用差分運算替代微分運算。根據表1所示的八鄰域模板和Sobel算子計算像素點的梯度。

像素點(x,y)的X方向的梯度為:

Gx(x,y)=g(x-1,y+1)+2g(x,y+1)+

g(x+1,y+1)-g(x-1,y-1)-

2g(x,y-1)-g(x+1,y-1)

(9)

像素點(x,y)的Y方向的梯度為:

Gy(x,y)=g(x-1,y-1)+2g(x-1,y)+

g(x-1,y+1)-g(x+1,y-1)-

2g(x+1,y)-g(x+1,y-1)

(10)

梯度的幅值:

(11)

設當前種子點的梯度幅值為GS(x,y),待生長點的梯度幅值為GN(x,y)。

將種子點的梯度幅值與待生長點的梯度幅值作差,若式(12)成立,則滿足生長條件。若式(12)不成立,則不滿足生長條件。

|GS(x,y)-GN(x,y)|≤T

(12)

式中:T為梯度閾值。

因此,本文的生長準則為:

(13)

生長準則流程如圖4所示。

圖4 區域生長準則流程

2.3 腐蝕去噪

形態學具有完備的數學理論基礎,實質是通過結構元素與圖像相互作用去噪,并且提取邊緣光滑、抗噪性好、易用于圖像并行處理的實現[22]。通過腐蝕運算去除圖像中電力線等小型設備的干擾,并增強圖像的整體性。

B對A腐蝕,記作:AΘB。

腐蝕定義如下:

AΘB={x:Bx?A}

(14)

式中:A表示待腐蝕圖像;B表示結構元素。經過反復多次實驗,本文取B為邊長3個像素點的正方形。

3 實驗結果與分析

為了驗證本文方法的有效性,選取三組正在運行中不同電力設備的紅外圖像,該圖像具有變電站圖像常見的圖像問題,即對比度不高、背景不均勻、噪聲干擾。部分圖像邊緣亮度高于中間部分亮度。

3.1 圖像分割實驗

本次實驗在平臺MATLAB2014b完成,根據圖1所示的結構框圖編寫代碼。采用本文方法與其他3種傳統分割方法做對比實驗,分割結果如圖5-圖10所示。其中圖像大小均為640×480。

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖5 實驗紅外圖像

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖6 實驗灰度圖像

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖7 傳統區域生長法分割結果

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖8 K-means聚類算法分割結果

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖9 OTSU算法分割結果

(a)電纜 (b)絕緣子 (c)刀閘 (d)套管1 (e)套管2圖10 本文算法分割結果

可以看出,采用傳統區域生長法、K-means算法和OTSU算法均產生明顯的欠分割現象,在一定程度上導致了圖像信息的丟失。OTSU算法還出現分割不連續的問題。

本文采用真陽率(TPR)、假陽率(FPR)和準確率(ACC)作為評價指標對比各算法的分割效果。TPR值越大,FPR值越小,ACC值越大表明分割效果越好,反之分割效果越差。從表1可以看出,本文算法的FPR值不算最小,ACC值不算最大,但與其他算法FPR值、ACC值相比差值不大,這是由于其他算法分割區域不完整導致的,且本文算法的TPR值最大,表明算法正確分割的區域很大,整體分割效果較好。K-means算法、OTSU算法雖然FPR值很小,但同時TPR值較低,分割得到的區域與真實區域相似度不高,分割效果較差。傳統區域生長法TPR值和FPR值都很低,區域分割不完整。故從整體上看,本文算法分割的區域完整性最好、準確率最高。

表1 不同算法定量結果對比分析

續表1

3.2 魯棒性實驗

為了驗證本文方法的魯棒性,對實驗圖(b)的紅外圖像添加噪聲密度分別為0.015、0.015、0.030、0.045、0.060、0.075的椒鹽噪聲,采用ACC作為比較指標,比較本文方法與其他3種傳統分割方法的性能。根據實驗結果畫出如圖11所示的折線圖。可以看出隨著噪聲密度規律性的增加,ACC值變化的幅度是不一樣的。本文方法和傳統區域生長法的ACC值較穩定,但本文方法ACC值更高一點,可以維持在0.97左右,明顯優于其他三種算法。K-means算法和OTSU算法的ACC值波動較大。因此,綜合實驗結果和分析得出結論:本文方法魯棒性好、抗噪能力強。

圖11 電力設備紅外圖像抗噪能力測試

4 結 語

目前,無人巡檢值守的變電站越來越多,對自動識別故障的要求越來越高。因此,提高圖像的分割精度是有必要的。為了獲得準確的故障區域,提出自適應聚類的區域生長法。主要是種子點的自動識別和生長準則的提出。利用TPR、FPR和ACC對分割結果進行定量分析,并比較含有不同噪聲的紅外圖像分割性能。實驗結果表明,本文算法能夠有效地抑制噪聲干擾,并獲得很好的分割結果。