基于改進PSO-Otsu的電氣設備紅外圖像分割算法

摘 要：紅外圖像分割對于電氣設備的熱故障檢測至關重要。鑒于紅外圖像存在圖像模糊、分辨率不高等缺點，為了增強紅外圖像的清晰度，改進紅外圖像分割效果，文章提出一種基于改進PSO優化的Otsu電氣設備紅外圖像分割方法。該方法首先使用Sobel算子銳化圖像；其次通過PSO-Otsu算法對電氣設備紅外圖像進行分割；最后依據紅外圖像的特征優化PSO-Otsu算法中的參數，提高算法運行效率。實驗結果表明，所提算法分割后的圖像輪廓清晰，可識別性高，在圖像分割效果和分割速度上都優于對比算法，能夠滿足對電氣設備紅外圖像實時處理的需求。

關鍵詞：Otsu；PSO-Otsu；電氣設備；圖像銳化；圖像分割

中圖分類號：TP301.6 文獻標識碼：A 文章編號：2096-4706（2024）15-0055-05

Infrared Image Segmentation Algorithm for Electrical Equipment Based on Improved PSO-Otsu

HU Yihong， WANG Kun

（Anhui Intelligent Quality Engineering Technology Co.， Ltd.， Wuhu 241000， China）

Abstract： Infrared image segmentation is crucial for thermal fault detection of electrical equipment. In view of the infrared images have the disadvantages of blurring and low resolution， in order to enhance the clarity of infrared images and improve the effect of infrared image segmentation， the paper proposes an Otsu electrical equipment infrared image segmentation method based on the improved PSO optimization. Firstly， the image is sharpened by Sobel operator. Secondly， the infrared image of electrical equipment is segmented by PSO-Otsu algorithm. Finally， the parameters in PSO-Otsu algorithm are optimized according to the characteristics of infrared image to improve the operation efficiency of the algorithm. The experimental results show that the images segmented by the algorithm proposed in this paper have clear contours and high recognizability. And it is better than the comparison algorithm in terms of image segmentation effect and segmentation speed， and can meet the demand for real-time processing of infrared images for electrical equipment.

Keywords： Otsu; PSO-Otsu; electrical equipment; image sharpening; image segmentation

0 引 言

電氣設備在長期運行和環境因素的影響下，可能會出現不同等級的缺陷，甚至導致計劃外停機，這對電氣系統的安全穩定運行和公司財產造成了極大的威脅[1]。由于電氣設備存在一定風險，直接接觸會對工作人員造成傷害，因此考慮采用無接觸的測量方式。紅外熱成像技術作為一種非接觸無損檢測技術，因其克服了傳統檢測技術的損傷大、效率低和檢測難度大等缺點，被廣泛應用于電氣設備的熱故障檢測中。但是，由于紅外圖像的技術缺陷，有時會出現成像圖片不清晰的問題[2]。圖像銳化處理是解決這一問題的有效方法，其中銳化算子因其代碼輕量化、銳化效果好以及處理速度快等優點而被廣泛采用。

經過銳化處理，紅外圖像的清晰度得到增強，分辨率提高，但若需進一步識別，還需對銳化后的紅外圖像分割以突出關鍵信息。Otsu算法由于其優秀的圖像分割效果和高效的代碼執行而被廣受青睞。盡管如此，Otsu算法仍存在計算復雜度高、分割速度慢、分割結果易受圖片噪聲影響等缺點。針對這些問題，許多學者提出了改進方法。陳志偉等[3]提出了一種基于改進Otsu算法的芯片識別分類系統，解決了光照不均勻性帶來的影響和圖片輪廓修正問題。邢致愷等[4]利用群智能優化算法來優化圖像分割算法，解決了Otsu算法在多閾值圖像分割中運算時間長和精度低的問題。Ma等[5]利用反向學習策略和自適應加權策略獲得較優分割閾值，同時保證了高效率和高質量。Zhao等[6]則通過限制二維灰度閾值搜索范圍提高了運行速度，并基于對稱布局原則在迭代過程中調整PSO中的粒子位置，提升了閾值搜索速度。

針對紅外圖像分割效果和算法運行時間的問題，本文提出了一種基于改進粒子群優化算法（Particle Swarm Optimization， PSO）的Otsu電氣設備紅外圖像分割算法。首先，使用Sobel算子對紅外圖像進行銳化處理，得到更清晰的圖像。其次，根據電氣設備場景紅外圖像優化參數后的PSO-Otsu算法實現對銳化后圖像的分割。最后，從銳化算子、分割算法、PSO參數優化三方面進行比較實驗，驗證本算法銳化后的圖片效果更佳，程序運行速度更快。

1 Otsu算法

Otsu算法是一種將目標與背景的自適應分割的算法，它基于最小誤差概率規則來確定最佳閾值[7]。該算法通過計算目標區域與背景區域的對比度來確定分割閾值，對比度越大，兩者的差異越明顯。當對比度達到最大時，目標與背景的分割達到最優[8]。

設目標圖像的灰度為L，目標圖像中所有灰度的集合為G={0，1，2，…，L-1}，把灰度值i的像素計為ni，則圖像的總像素數由式（1）表示：

（1）

灰度值為i的像素存在概率由式（2）表示：

（2）

式中：

假設使用灰度值t作為閾值把圖像分割成兩個區域。將灰度值在[0，t-1]的像素定義為C0，表示背景。灰度值在[t，L-1]之間的像素定義為C1，表示目標。圖像中背景區域存在概率ω0和平均灰度值μ0，用式（3）計算：

（3）

圖像中目標區域存在概率ω1和平均灰度μ1通過式（4）計算：

（4）

整幅圖像平均灰度值μ計算如下：

（5）

則C0和C1之間的類間方差可以表示為：

（6）

一般來說，在紅外圖像中溫度越高，其相對亮度越大，所對應的目標灰度值也就越大。在Otsu中，以分割閾值為界，灰度值高于閾值為目標區域，反之，為背景區域。

2 PSO-Otsu算法

2.1 紅外圖像預處理

圖像銳化的目的是為了解決紅外熱像儀獲取的圖片物體輪廓不明顯的問題。一般步驟是首先對檢測到的輪廓進行補償，然后增強圖像邊緣和灰度跳變部分。在圖像銳化處理過程中，Robert和Sobel算子[9]在處理低噪聲信號的圖像效果良好，但在復雜噪聲處理方面效果較差。Prewitt算子對噪聲抑制效果好，但是對圖像邊緣的定位較差。Laplacian和LOG算子在進行圖像邊緣檢測時效果良好，但容易受到噪聲影響。對于通常噪聲較少的紅外圖像而言，需要解決的主要問題是目標邊緣不明顯，因此Sobel算子是一個很好的選擇。

2.2 PSO算法

PSO算法設計了一種無質量、無大小的粒子，通過模擬鳥群中鳥的運動規律來實現粒子優化。粒子通過速度和位置分別表示粒子移動的快慢和方向[10]。每個粒子在各自所在的區域內尋找最優解，這個解被記為區域最優解pbest[i]。通過粒子間區域最優解的共享，找到其中的最優個體極值作為全局最優解gbest，在尋找全局最優解的過程中，每個粒子通過式（7）和（8）不斷更新各自的速度和位置：

（7）

式中，w表示慣性權重，決定粒子的搜索范圍；c1、c2表示加速系數，其中c1使粒子趨向于返回到它們各自的最佳搜索區域；c2使粒子移動到當前的最佳搜索區域；r1和r2表示[0，1]之間隨機數。

（8）

式中，xi（t）表示當前位置，vi（t+1）表示移動到下一位置過程中的速度，xi（+1t）表示下一位置。

2.3 改進PSO-Otsu算法

2.3.1 PSO-Otsu處理過程

PSO-Otsu算法的原理是將PSO算法中的適應度函數由代替，以求解Otsu的最佳分割閾值，并以最佳分割閾值分割圖像。每個粒子當前的位置對應著粒子當前的閾值組合，而這一閾值組合決定了當前得到的與最大的接近度，并通過不斷的迭代獲得最佳閾值[11]。每個粒子在迭代時，都會通過參考pbest[i]和gbest來更新速度和當前個體閾值。算法流程圖如圖1所示。

其優化過程可以描述如下：

1）適應度函數初始化：用式（6）計算出圖像的，并將作為PSO初始化的適應度函數。

2）PSO算法參數初始化：初始化粒子群數目M、w及最大迭代次數itermax、c1、c2。使用隨機函數獲得區域內每個粒子的隨機初始位置（xi1，xi2，…，xis-1）和初始速度（vi1，vi1，…，vis-1）。

3）粒子位置和速度更新：根據，求出每個粒子的pbest[i]和gbest；根據式（7）和式（8）更新粒子的速度和位置，再根據式（6）計算出新的值。

4）算法終止判斷條件：一是算法達到設定的itermax；二是達到最大值保持不變。此時即為圖像的最佳分割閾值Tbest。否則，程序轉到步驟1）繼續執行。

5）使用得到的閾值分割圖像：根據最佳分割閾值Tbest對圖像進行分割處理。

2.3.2 根據紅外圖像優化PSO中參數

在PSO算法中，參數值的不同會影響到算法的運行效率。電氣設備圖像具有其自身的特征，如圖像中直線、矩形等規則圖形多，不規則曲線少。根據電氣設備紅外圖像的特征調整PSO參數，可以提高計算效率。

M較小時，粒子容易陷入局部最優；較大時，會提高收斂性，并且當種群數目達到一定水平時，進一步增大權重不會再有顯著作用。vmax較小時會使粒子收斂速度慢，較大時會導致粒子在調整速度和位置時出現超調現象。itermax太小解不穩定，太大浪費資源。w較大有利于跳出局部極值，較小有利于算法收斂。c1、c2較小使粒子在目標區域外徘徊，較大導致粒子越過目標區域。初始參數的優化通過實驗確定最優參數范圍，w通過權重自適應的方式調整，c1、c2通過增加收縮因子獲得合適的加速度系數。

為解決慣性權重的實際優化問題，我們采用了自適應調整策略，即隨著迭代次數的增加，線性的減小w的值。式（9）為描述種群進化整體適應度值的變化，并給出了進化離散度的定義，將第i代種群與第i-1代種群的適應度標準差的比值定義為進化離散度k（i）：

（9）

用Sigmoid函數來構造神經元激活函數，其定義為：

（10）

聯合進化離散度k（t）和Sigmoid函數，給出非線性動態自適應慣性權重因子計算式：

（11）

式中，ωmax、ωmin表示最大、最小慣性權重，i表示當前迭代次數，itermax最大迭代次數，阻尼因子b取0.5。

c1將粒子推向個體最優位置pbest[i]，c2將粒子推向群體最優位置gbest，如式（12）通過向速度更新公式中引用收縮因子，改變粒子在局部最優位置的收斂速度。

（12）

其中，收縮因子，c=c1+c2，且c＞2。

3 實驗結果與分析

3.1 銳化算子比較

在銳化算子比較實驗中，我們選擇了Sobel、Roberts、Prewitt、Laplacian和LOG算子。這五種算子較為經典，銳化效果好，為了直觀地展示這些算子的性能差異，下面選取了5組經典圖片進行比較，如圖2所示。

實驗結果表明，對于Cameraman圖像，Prewitt算子的銳化效果是最好的。但是，在處理線路接合點和電氣設備的圖像時，Sobel算子的銳化效果明顯優于其他算子。通過上述實驗對比，在針對電路接合點和電氣設備的這類工作環境圖像的銳化處理中，Sobel算子的銳化效果更好。

3.2 分割算法比較

如圖3所示，通過5組圖片在不同算法下的定性對比，可以觀察出本文算法在對處理后的圖像分割效果上更為優越，分割出來的圖片輪廓更加清晰，有利于后續的計算機識別工作。特別是在對電氣設備和線路接合點的圖像進行分割時，本文算法得到的圖片相比其他三種方法更為清晰，可識別度更高。

由于一些圖像的分割結果難以通過直觀方式進行區分，因此本文采用了CPU占用率、程序運行時間、均方根誤差（RMSE）和峰值信噪比（PSNR）等客觀評價標準來定量比較不同算法的分割性能。

從平均分割時間來看，GA-Otsu算法在處理Cameraman和線路接合點這兩張灰度直方圖相對簡單的圖像時，分割效果優于Otsu算法，但在其他圖像上的分割效果甚至不如Otsu方法。相比之下，PSO-Otsu算法的分割時間普遍優于Otsu和GA-Otsu算法，但在處理電氣設備這類復雜圖像時，其分割時間卻略長于Otsu算法。綜合比較，本文算法在閾值分割的準確性和運行時間方面均優于其他三種方法。

CPU占用率用來描述計算空間復雜度；程序運行時間用來評估計算時間復雜度；RMSE用于量化預測值與實際值之間的差異，差值越小表示實際值與預測值越接近，即分割效果越好；PSNR是衡量閾值質量的重要指標，PSNR值越大，說明分割結果的質量越高。

表1實驗結果表明，在RMSE方面，本文提出的算法RMSE值最小，分割效果最好。在PSNR方面，GA-Otsu閾值質量最差，PSO-Otsu與Otsu算法表現相似，值得注意的是，本文算法獲取的閾值質量最佳。從平均分割時間來看，GA-Otsu在處理Cameraman和線路接合點這兩張灰度直方圖相對簡單的圖像時，分割效果優于Otsu，但在其他幾張的分割效果甚至不如Otsu方法。相比之下，PSO-Otsu的分割時間普遍優于Otsu和GA-Otsu算法，但在處理電氣設備這類復雜圖像時，其分割時間卻比Otsu差一些。綜合比較，本文算法在閾值分割的準確性和運行時間方面都要優于其他三種方法。

3.3 針對圖像的PSO-Otsu算法參數優化

為了獲得更好的電氣設備圖像分割效果，我們決定對PSO中的參數進一步優化。依次測試M，粒子最大速度和itermax的最優值，前一次測試的最優值直接應用于下一次測試。為了保證實驗有序性，進行定量分析，設定初始值itermax為10；粒子最大速度為4。一般來說，itermax越大，所花費的時間越多，但是可以考慮在其他參數都是優化的情況下，減少迭代次數，同樣能達到節省程序運行時間的目的。

實驗結果表明，對PSO中初始值參數進一步優化，得到的最優值區間范圍為：M為[25，35]，粒子最大速度為[5，10]，itermax為[8，10]。

4 結 論

現實環境中獲取的紅外圖像，一般都有模糊和分辨率不高的缺點，為了彌補這個缺點，提高紅外圖像的分割精度，本文提出了一種改進的PSO-Otsu算法。該方法主要解決了以下三個問題：一是紅外圖像的銳化。通過對比常用的五種銳化圖像算子對五組圖像的優化效果，選擇應用于電氣設備紅外圖像最優的Sobel算子，該算子優化后的圖像輪廓清晰，關鍵部位突出，適合實際應用的場景。二是紅外圖像的分割。本文分別使用Otsu、GA-Otsu、PSO-Otsu和本文提出的算法對紅外圖像進行分割，從分割的效果可以看出，本文算法在分割后的圖像可識別度更高，關鍵位置的輪廓更加突出。三是實時處理能力。優化處理速度效果較好的方法主要有GA和PSO算法，通過實驗結果可以看出，PSO優化的Otsu的處理時間更優。此外，根據電氣設備圖像特征對PSO-Otsu進行的參數優化，進一步提高了程序運行效率。

針對未來研究方向，可以從以下三方面進行改進：一是運用圖像融合算法。通過融合紅外和可見光圖像，結合兩類圖像的優勢信息（紅外圖像溫度信息，可見光圖像的紋理信息），提高圖像清晰度。二是使用更為先進的算法進行多級閾值分割，比如FCN（Fully Convolutional Network）算法、SetNet算法和SOLO（Segmenting Objects by Locations）算法等。三是增加實驗數據，根據特定環境圖片，進一步優化算法中的參數。

參考文獻：

[1] 劉琦，付寶鑫，楊浩.電力電子技術在風力發電中的應用 [J].電子技術，2023，52（1）：230-231.

[2] 王建鑫，郭佑民，楊君.滾動軸承紅外熱成像故障診斷與狀態監測 [J].紅外技術，2023，45（10）：1045-1051.

[3] 陳志偉，李世峰，劉鋒.基于改進Otsu算法的芯片識別分類系統 [J].微電子學與計算機，2021，38（4）：6-10.

[4] 邢致愷，賈鶴鳴，宋文龍.基于萊維飛行樽海鞘群優化算法的多閾值圖像分割 [J].自動化學報，2021，47（2）：363-377.

[5] MA G R，YUE X F. An Improved Whale Optimization Algorithm Based on Multilevel Threshold Image Segmentation Using the Otsu Method [J/OL].Engineering Applications of Artificial Intelligence，2022，113：104960[2023-12-26].https：//doi.org/10.1016/j.engappai.2022.104960.

[6] ZHAO Y Q，YU X Y，WU H B，et al. RETRACTED： A Fast 2-D Otsu Lung Tissue Image Segmentation Algorithm Based on Improved PSO [[J/OL].Microprocessors and Microsystems，2021，80：103527.[2023-12-26].https：//doi.org/10.1016/j.micpro.2020.103527.

[7] 徐武，王欣達，高寒，等.融合改進人工蜂群與Otsu的圖像分割算法 [J].計算機仿真，2023，40（6）：229-233.

[8] 張嘯宇，方忠慶，杜義，等.基于改進非洲禿鷲優化算法的圖像閾值分割研究 [J].軟件工程，2023，26（10）：19-26.

[9] 尹雪松.基于Sobel算子的飛機艙門邊緣檢測 [J].自動化應用，2023，64（24）：210-212+215.

[10] 袁新杰，劉芳，侯中軍.基于GA-PSO-Otsu算法的質子交換膜燃料電池催化層孔結構自適應識別 [J].汽車工程，2023，45（9）：1702-1709.

[11] 徐武，文聰，唐文權，等.基于Lab顏色空間的融合改進二進制量子PSO和Otsu優化算法 [J].計算機應用與軟件，2022，39（6）：265-268+349.

作者簡介：胡義宏（1975—），男，漢族，安徽蕪湖人，工程師，本科，研究方向：圖像處理、工業控制、視頻及弱電智能化工程規劃實施管理；通訊作者：王坤（1998—），男，漢族，安徽亳州人，助理工程師，碩士，研究方向：圖像處理、目標檢測。