李祥　崔昊楊　皮凱云　許永鵬　錢婷

摘 要： 針對(duì)傳統(tǒng)的遺傳算法對(duì)目標(biāo)圖像感興趣部位（ROI）分割存在收斂速度慢、耗時(shí)長(zhǎng)、分割過(guò)當(dāng)?shù)热秉c(diǎn)，提出一種改進(jìn)遺傳算法的分割方法，該方法采用最佳熵閾值法確定分割閾值，從而減少計(jì)算量，縮短耗時(shí)。通過(guò)Matlab仿真實(shí)驗(yàn)所得結(jié)果表明，改進(jìn)后的遺傳算法在電力設(shè)備紅外圖像分割的時(shí)間和效果上均優(yōu)于傳統(tǒng)算法。

關(guān)鍵詞： 遺傳算法； 最佳熵閾值； 電力設(shè)備紅外圖像； 圖像分割

中圖分類號(hào)： TN911.73?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）21?0056?03

Research on electrical equipment infrared image segmentation

based on improved genetic algorithm

LI Xiang1， CUI Haoyang1， PI Kaiyun1， XU Yongpeng2， QIAN Ting3

（1. School of Electronics and Information Engineering， Shanghai University of Electric Power， Shanghai 200090， China；

2. Department of Electrical Engineering， Shanghai Jiao Tong University， Shanghai 200240， China；

3. Department of Communication and Information Engineering， Shanghai Technical Institute of Electronics & Information， Shanghai 210411， China）

Abstract： Since the traditional genetic algorithm used to segment the region of interest （ROI） for target image has the disadvantages of slow convergence rate， long time?consumption and excessive segmentation， a segmentation method based on the improved genetic algorithm is presented. The optimal entropy threshold method is adopted in the method to determine the segmentation threshold， reduce the amount of calculation， and shorten the time?consumption. The results of Matlab simulation experiment show that the improved genetic algorithm is superior to the traditional one in the aspects of electric equipment′s infrared image segmentation time and effect.

Keywords： genetic algorithm； optimal entropy threshold； power equipment infrared image； image segmentation

0 引 言

隨著智能電網(wǎng)的建設(shè)與電力系統(tǒng)規(guī)模的擴(kuò)大，電力設(shè)備發(fā)生故障的概率也逐漸增大，這就對(duì)電力設(shè)備高可靠性、高智能化的要求也不斷提高。而大多數(shù)的電力設(shè)備故障的表象均為溫度異常，因此，通過(guò)紅外熱成像法對(duì)電力設(shè)備運(yùn)行狀態(tài)實(shí)時(shí)在線監(jiān)測(cè)日益受到供電企業(yè)的重視[1]。紅外熱成像（IRT）是用光學(xué)探測(cè)器檢測(cè)物體表面發(fā)射出的紅外輻射能量，并將其轉(zhuǎn)換成電信號(hào)，最終在視頻監(jiān)視器上形成物體表面溫度場(chǎng)分布圖像。由于電力設(shè)備故障發(fā)生的種類和部位不同，就會(huì)導(dǎo)致設(shè)備表面呈現(xiàn)不同的溫度分布形式。

經(jīng)過(guò)分析設(shè)備表面溫度場(chǎng)分布狀況，從而確定電力設(shè)備中潛在的故障隱患事故的發(fā)生。然而，對(duì)設(shè)備表面溫度場(chǎng)分析的焦點(diǎn)主要集中在故障發(fā)生處。因此，就需要采用有效的紅外圖像分割方法將設(shè)備紅外圖像故障處單獨(dú)分割出來(lái)。對(duì)設(shè)備故障處的紅外分割圖像進(jìn)一步的處理，從而確定設(shè)備故障的種類和程度。對(duì)此，國(guó)內(nèi)外眾多學(xué)者對(duì)紅外圖像分割技術(shù)進(jìn)行研究。文獻(xiàn)[2]采用簡(jiǎn)單的閾值分割法對(duì)電力設(shè)備紅外圖像進(jìn)行故障部位分割；文獻(xiàn)[3]采用閾值分割與形態(tài)學(xué)標(biāo)記法獲得ROI；文獻(xiàn)[4]采用傳統(tǒng)的遺傳算法進(jìn)行電力設(shè)備紅外圖像分割；圖像[5]采用分水嶺算法對(duì)電力設(shè)備故障部位邊緣進(jìn)行提取處理。但是以上分割方法均存在分割耗時(shí)等不足，而針對(duì)紅外圖像感興趣區(qū)域經(jīng)常出現(xiàn)分割過(guò)當(dāng)?shù)葐?wèn)題。

傳統(tǒng)的遺傳和閾值分割法存在收斂性差、閾值尋找不是最優(yōu)等缺點(diǎn)，給電力設(shè)備紅外分割帶來(lái)了很大的困擾。因此，如何提高收斂速度和縮短分割時(shí)間成為電力設(shè)備紅外圖像分割的關(guān)鍵。為有效解決上述問(wèn)題，本文提出一種改進(jìn)的遺傳算法，通過(guò)與最佳熵閾值分割算法結(jié)合，能夠使其自動(dòng)調(diào)整，保證算法的收斂性，能夠?qū)υO(shè)備故障處圖像恰當(dāng)分割，具有較高的魯棒性。

1 遺傳算法與最佳熵閾值

遺傳算法是一種模擬生物遺傳進(jìn)化過(guò)程中自適應(yīng)的全局搜索算法。將要處理的具體問(wèn)題看作為一種生存環(huán)境，問(wèn)題中的解作為生存在環(huán)境中的個(gè)體，通過(guò)運(yùn)用目標(biāo)函數(shù)對(duì)個(gè)體進(jìn)行逐個(gè)評(píng)價(jià)，通過(guò)優(yōu)勝劣汰的機(jī)制選擇出最優(yōu)的個(gè)體。

在應(yīng)對(duì)背景簡(jiǎn)單的電力設(shè)備紅外圖像時(shí)，閾值分割的方法是較為簡(jiǎn)單有效的分割方法。但是由于采集圖像時(shí)可能受到一些干擾，分割目標(biāo)與周圍環(huán)境灰度值較為接近，此時(shí)得到的圖像灰度直方圖就有可能不能出現(xiàn)雙峰形式。因此采用簡(jiǎn)單的閾值分割法就不能得到滿意的目標(biāo)分割區(qū)域。本文采用最佳熵閾值分割方法與遺傳算法相結(jié)合的改進(jìn)算法，能夠加快算法的收斂速度，還能有效地避免算法陷入局部最優(yōu)而產(chǎn)生退化。其基本原理為：在灰度大小為[m×n，]灰度級(jí)為[L]的圖像中，[Nij]表示灰度級(jí)為[i，]所占總數(shù)為[j，]則該點(diǎn)灰度值概率為[pij=Nijm×n，]假定閾值[（s，t）]把圖像分割為目標(biāo)與背景兩個(gè)區(qū)域，由于電力設(shè)備的主要信息都保留在上述兩個(gè)區(qū)域中，此時(shí)計(jì)算可以忽略其他的噪聲影響和邊緣模糊干擾[6]。endprint

2 算法步驟

本文通過(guò)最佳熵閾值分割的方法對(duì)傳統(tǒng)的遺傳算法進(jìn)行改進(jìn)，通過(guò)重新選擇、交叉、變異得到最優(yōu)的個(gè)體[7]。從而增強(qiáng)了變異的多樣性，加快了全局搜索速度，從而獲得最佳的解。整體步驟為：

（1） 整體編碼

首先對(duì)圖像灰度直方圖進(jìn)行處理，得到灰度值在0～255的灰度圖像，再采用16位二進(jìn)制編碼，前8位二進(jìn)制編碼表示分割閾值[s]，后8位表示分割閾值[t]。采用均勻分布的原則產(chǎn)生（0，0）～（255，255）之間的[n]個(gè)個(gè)體，分別對(duì)他們進(jìn)行16位二進(jìn)制編碼[8]。

（2） 選擇適應(yīng)函數(shù)

根據(jù)最佳熵閾值分割的原理，采用背景和目標(biāo)的熵測(cè)值作為適應(yīng)函數(shù)：

[f（t1，t2）=HO（t1，t2）+HB（t1，t2）=log（POPB）+hOPO+hL-hOPB]

式中：[PO=t=isj=itPij]表示目標(biāo)區(qū)域所占面積；[PB=t=0sj=0tPij]表示背景區(qū)域所占面積；[HO（t1，t2）]表示目標(biāo)區(qū)域的熵值；[HB（t1，t2）]表示背景區(qū)域的熵值[9]。

（3） 交叉操作

本文采用下述原則進(jìn)行交叉操作，保證交叉操作后的個(gè)體朝著最優(yōu)解的方向進(jìn)化。

若[f（t1，t1）（X）>f（t1，t1）（X），]則[X=（x0，…，xm，ym+1，…，y1）；]若[f（t1，t1）（Y）>f（t1，t1）（Y），]則[Y=（y0，…，ym，xm+1，…，x1），][X]與[Y]為新一代個(gè)體。交叉操作的位置分別為前8位為[m，]后8位為[n]。

（4） 終止條件

在所有個(gè)體中產(chǎn)生滿足條件的最優(yōu)解，進(jìn)入到內(nèi)層循環(huán)并將滿意的子群存儲(chǔ)在內(nèi)層中，將不滿足內(nèi)層循環(huán)的個(gè)體放在外層進(jìn)行再次循環(huán)，直到滿足最佳熵閾值，否則將該個(gè)體淘汰[10]。

3 實(shí)驗(yàn)仿真與結(jié)果分析

本次實(shí)驗(yàn)在CPU為2.60 GHz的雙核PC機(jī)，運(yùn)行內(nèi)存為4 GB，運(yùn)行環(huán)境為Matlab 2012a，采用255階灰度圖像。圖1為電力設(shè)備紅外熱像圖，圖1圓圈中為故障發(fā)熱嚴(yán)重部位，圖2為經(jīng)過(guò)灰度圖像處理的灰度圖像。圖3和圖4分別為傳統(tǒng)遺傳算法和改進(jìn)后遺傳算法的分割效果圖。兩種算法的耗時(shí)及閾值如表1所示。

從表1和圖3，圖4中可以看出，傳統(tǒng)的遺傳算法大致能夠分割出電力設(shè)備的故障部位，其耗時(shí)為8.4 ms，但是圖3中導(dǎo)線接觸桿已經(jīng)被過(guò)度分割，而其下方非故障部位的邊緣位置分割效果不佳，不能完全把分割目標(biāo)從背景中分割出去。而改進(jìn)的遺傳算法不僅能夠精確地把電力設(shè)備故障部位從背景中分割，而且在電力設(shè)備邊緣部位同樣能夠把目標(biāo)和背景區(qū)域分開(kāi)，不存在過(guò)當(dāng)分割的缺陷。此外改進(jìn)遺傳算法的分割時(shí)間僅為2.9 ms，可見(jiàn)改進(jìn)后的算法在效率上提升明顯，能夠快速地搜索最佳熵閾值并進(jìn)行收斂，在運(yùn)算速度上也有大幅的提升。

4 結(jié) 語(yǔ)

基于傳統(tǒng)遺傳算法和最佳熵閾值圖像分割算法，本文提出一種改進(jìn)型的遺傳算法。首先通過(guò)最佳熵閾值分割法得到分塊最佳熵閾值，然后給定最佳閾值改進(jìn)遺傳算法。通過(guò)Matlab 仿真實(shí)驗(yàn)平臺(tái)對(duì)電力設(shè)備故障紅外圖像進(jìn)行分割實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的遺傳算法能夠從背景中有效地分割出電力設(shè)備故障部位，不存在分割過(guò)當(dāng)?shù)娜秉c(diǎn)，在設(shè)備圖像的邊緣位置處理效果明顯；改進(jìn)后的算法運(yùn)算速度較快，加速了收斂過(guò)程，具有良好的魯棒性。

注：本文通訊作者為崔昊楊。

參考文獻(xiàn)

[1] 顧鵬程，黃福珍.基于改進(jìn)Chan?Vese模型的電力設(shè)備紅外圖像分割[J].計(jì)算機(jī)工程與應(yīng)用，2016（10）：193?196.

[2] 鄒輝，黃福珍.基于FAsT?Match算法的電力設(shè)備紅外圖像分割[J].紅外技術(shù)，2016，38（1）：21?27.

[3] 吳掬鷗，袁曉桂.基于閾值分割技術(shù)的圖像分割法研究[J].現(xiàn)代電子技術(shù)，2016，39（16）：105?107.

[4] 孫繼周，王小雄，羅佳佳.基于圖像識(shí)別的錯(cuò)位圖書(shū)檢測(cè)技術(shù)研究[J].現(xiàn)代電子技術(shù)，2016，39（5）：58?62.

[5] 張志宏.遺傳算法優(yōu)化閾值的激光主動(dòng)圖像分割[J].激光雜志，2016，37（4）：84?87.

[6] 丁銳，劉甲甲.改進(jìn)Otsu圖像多閾值分割方法[J].計(jì)算機(jī)應(yīng)用，2013，33（6）：210?216.

[7] 李康順，李茂民，張文生.一種改進(jìn)遺傳算法的圖像分割方法[J].計(jì)算機(jī)應(yīng)用研究，2009，26（11）：365?367.

[8] 藍(lán)友梳.基于改進(jìn)遺傳算法的最佳閾值的圖像分割[J].情報(bào)探索，2012（12）：101?103.

[9] 隋然，潘點(diǎn)飛.基于改進(jìn)遺傳算法的最佳閾值分割方法及性能評(píng)價(jià)[J].微機(jī)與應(yīng)用，2015，34（14）：45?48.

[10] 馮俊.基于圖像分析的電力設(shè)備故障檢測(cè)技術(shù)研究[J].現(xiàn)代電子技術(shù)，2015，38（24）：7?11.endprint