NSST 域電氣設備紅外圖像增強處理算法設計

馮 杰，張瑩，葉影，賀潤平，王哲斐

（1.國網上海市電力公司金山供電公司，上海 200540；2.寧波得弘企業發展有限公司，浙江寧波 315800）

由于電力系統大部分故障往往會產生熱效應，故現場工作人員可通過獲取電氣設備的溫度信息判斷設備的狀態[1]。鑒于紅外技術對電力設備進行溫度檢測的圖像并不清晰，需要研究人員增強圖像的對比度，提高圖像畫質的清晰度。部分學者指出可利用小波變換與CLAHE 相結合進行圖像增強[2]，但該方法的適用條件相對局限，只適用于分析同相的變換。還有部分學者研究了一種結合單尺度Retinex與引導濾波的紅外圖像增強方法[3]，可得到更加清晰的圖像，但在圖像分割時可能存在局部分割的情況?；诖?，該文提出一種基于NSST 的算法，以期提高紅外檢測圖像的清晰度。

1 變換算法

利用NSST 變換算法對圖像進行多尺度幾何變換，并且實現圖像的多尺度幾何分析?；诓煌叨纫约安煌较虻霓D變，最終得到唯一頻率較低的子帶和若干個包含不同層次的設備細節輪廓和噪音的高頻部分[4-5]。低頻部分往往由電氣設備主體和環境背景構成[6]，分別對其進行噪音消除處理，具體流程如圖1 所示。

1.1 高頻分量處理

原始電力設備圖像在經過NSST變換后可得到頻率較高的一些細節信息，但其中也含有高頻噪音和圖像的邊緣[7]。為提高圖像細節特征的呈現，采用多尺度Retinex算法進行處理，獲得增強后的高頻分量。

Retinex 是一種基于人眼的視覺感受的圖像增強算法，一幅紅外圖像R(x,y)可用函數表達為：

其中，I(x,y)和O(x,y)分別代表照射分量和反射分量。對式（1）取對數可得到：

若I(x,y)=R(x,y)*G(x,y)，則反射分量可以表示為：

該式子被稱為單尺度Retinex 算法（SSR）。其中，*代表卷積運算，G(x,y)代表高斯濾波數。該濾波函數的表現形式為：

其中，λ代表滿足條件時的歸一化常數，δ代表環繞參數，參數δ是SSR 中唯一的變量。所以，可調整的變量有限。在此基礎上，可同時調整范圍和色彩度的多尺度Retinex 算法（MSR）被提出，其數學表達式為：

可將MSR理解為多個已加權的SSR[8]。式（5）中，N為加權次數，ωi為不同的權重，需滿足文中，N=3，即多尺度Retinex 算法對原始紅外圖像的高頻部分采用大、中、小3 個尺度進行加權平均。

圖像經過多尺度Retinex 處理后，在去除振鈴和噪音的同時，還可保留高頻部分的邊緣細節[9]。

1.2 低頻系數處理算法

1.2.1 Jaya算法

Jaya 算法是一種操作簡單且高效的萬能啟發式演算法，具有收斂快、尋優強的特點[10]。它的原理基于尋優吸引力法則，設定的參數會自動排斥較差的解，不斷向更優秀的解迭代靠近，持續改進[11]。因此，在這個過程中，需要設定的只有參與迭代的特定參數。相比于其他新型優化算法，該算法操作形式上簡單，內容更易于理解。其迭代數學表達式為：

式（6）中，i代表種群中順位為i的個體，i=1,…,n；j代表個體的第j維變量，j=1,2,…,m；k表示當前迭代的次數；X代表第k次迭代且順位為i的個體在第j維上未迭代前的數值；X′表示迭代后的值；rbest,rworst的取值范圍為[0,1]，其值大小決定了尋優的能力。Xbest,j,k,Xworst,j,k分別代表第k次迭代后在第j維上的最優解和最差解。

1.2.2 Jaya算法改進Otsu閾值分割算法

Otsu 是一種適用于大部分場合的圖像分割算法。它的主要實現方式是將圖像分為背景環境以及特定目標兩部分，并使得兩部分存在最大的類間方差[12-13]。方差越大，代表兩者之間相互影響的可能性越小。故尋找使二維類間方差最大的閾值是該文實現的主要步驟。具體的實現方式如下：假設一幅大小為M×N，灰度級為L，且范圍為[0,L-1]的圖像。將P0類定義為灰度級為[0,S]的所有像素點P1,定義為灰度級為[S,L-1]的所有像素點。P0和P1,類出現的概率分別是P0(S)和P1(S)，平均灰度級為a0(S)和a1(S)，那么：

其中，Pi為灰度級i在圖像中出現的概率。

圖像的平均灰度值可表示為：

圖像的類間方差為：

最優的閾值分割即為類間方差的最大值：

利用Jaya 算法來尋找類間方差的閾值，從而獲取Otsu 分割的最佳閾值，以此達到優化Otsu 閾值分割的精度，提高算法的運行速度的目的。經過Jaya算法改進的Otsu 閾值算法適應度函數為：

1.2.3 前景增強算法

設提取出的邊緣子帶圖像的灰度范圍為[xmin,xmax]，該部分灰度范圍跨度小，可利用線性增強的方式拉伸該部分灰度值。拉伸后的灰度值范圍為[xmin,255]，邊緣子帶灰度值得到最大限度的拉伸?；叶仍鰪姽綖椋?/p>

其中，xnew為增強后對應灰度值。邊緣子帶圖像經過線性增強后仍然可以保持原有的圖像分布特征，同時增強了目標物體的視覺效果，加強了紅外圖像中電力設備的的辨識度和細節分布，增強后的邊緣部分灰度值下線保持xmin不變，這樣可以防止電力設備部分混入背景區域。

該方式有利于維持原始電力紅外圖像的灰部分布規律，提高電力設備區域的視覺效果，達到各部分互不影響，起到獨立觀察的效果。

1.2.4 后景增強方法

后景主要包含背景部分，其中背景部分是全紅外圖像中非興趣區域，背景主體部分是環境，而環境的最明顯特征就是不確定性以及復雜性[14-15]。故需要通過算法解決溫度較低時，電氣設備與背景部分的灰度值相似的問題。采用直方圖均衡算法（HE）對基于Jaya 算法改進Otsu 閾值分割后的低溫子帶進行加強。

圖像灰度值均為某個特定數字（0～255），但每個像素點又是連續的。故取N代表總像素值，nx代表灰度值為x的像素值，則灰度值為x的概率密度為:

其中，L代表灰度級，往往取28=256。紅外圖像的灰度分布函數為：

根據標準HE 算法的原理，新圖像的像素點為式（17）所得函數值乘以相應的灰度值，因此，增強后的圖像像素值為：

HE 操作簡便，是最基本的圖像增強方法，且增強效果極佳。HE 調整圖像背景部分灰度值大小，使得線性增強后的電力設備主體與背景之間的對比度增大，視覺差異明顯[16]，從而達到減少背景部分對前景的干擾，整體圖像低頻部分增強的效果。

2 算法應用和分析

使用Matlab 軟件對某變電站的紅外圖像進行分割分析，其原始圖像如圖2 所示。利用該文算法與傳統Ostu 算法分別對其進行分割，其效果如圖3 所示。與傳統的Otsu 最大閾值分割法相比，基于Jaya算法改進Otsu 閾值分割算法的處理速度較短，處理效果更清晰，可有效分割出背景和目標，對細節的分割明顯，便于人眼直觀辨別。

圖2 戶外某電站紅外原始圖像

圖3 Otsu算法與文中分割算法

為驗證該算法的有效性，以某變電站電力設備為實驗樣本，利用HE 算法、Pal-King 算法、傳統NSST算法與該文算法進行比較，分析其增強效果，效果對比如圖4 所示。

圖4 各算法的增強效果對比圖

從圖2 中一個極點的原始紅外灰度圖像可以看出，圖像中含有噪聲，具有豐富的斷層區目標和背景；由圖4（b）顯示得到，經過直方圖增強的紅外圖像背景和設備部分的對比差異范圍增大，但亮度有所增強，噪聲不僅沒有得到抑制，反而還被放大；Pal-King 增強后，目標亮度增強，但細節輪廓丟失；如果采用該算法，不僅可清晰地看到電力設備故障區域的熱源，提高被測區域與無關區域的灰度對比度，去噪效果明顯，而且被測區域的詳細輪廓非常清晰，便于人眼識別熱故障。

采用邊緣強度（ES）、信息熵（IE）、對比度（CR）、標準差（SD）和峰值信噪比（PSNR）五項客觀指標評價進行對比分析，如表1 所示。

表1 電線桿紅外圖像增強評價功能

根據同一電線桿紅外圖像增強評價功能表的數據顯示，基于Jaya 算法改進Otsu 閾值分割和多尺度的NSST 域電氣設備紅外圖像增強算法的峰值信噪比、信息熵、對比度、標準差和邊緣強度都是3 種算法中最高的，應用該文算法后，上述5 個評價指標均有增幅，說明該算法優化后的圖像對比度提高最明顯，噪聲最小，受監控區域影響最小，被觀察區域清晰度最佳。通過以上分析，與其他算法相比，該算法在圖像對比度的提升和噪音的消除上都有明顯的效果。

3 結束語

針對電力設備紅外圖像因噪聲、模糊、對比度低而難以識別電力設備熱故障的問題，設計了一種基于Jaya 算法改進Otsu 閾值分割和多尺度的NSST 域電氣設備紅外圖像增強算法。與直方圖均衡化算法、Pal-King 增強算法和傳統NSST 算法相比，該算法在主觀和客觀方面都有較好的性能。結果表明，增強后的紅外圖像去噪效果較好，檢測出的熱故障區域與背景的對比度明顯提高，細節紋理更清晰，人眼更容易識別故障。該文提出的算法具有很強的實用性，在實際電力設備紅外檢測中取得了很好的效果。