楊志鵬，張文軒，盛良，周威

（中國鐵道科學研究院 基礎設施檢測研究所，北京 100081）

接觸網(wǎng)懸掛狀態(tài)檢測圖像清晰度評價方法研究

楊志鵬，張文軒，盛良，周威

（中國鐵道科學研究院 基礎設施檢測研究所，北京 100081）

接觸網(wǎng)懸掛狀態(tài)檢測裝置是通過高清相機對接觸網(wǎng)進行圖像采集，分析接觸網(wǎng)零部件及懸掛狀態(tài)，用于指導接觸網(wǎng)的運行檢修。科學、客觀、合理地評價采集到的高清圖像質(zhì)量是保障檢測質(zhì)量的基本需求。分析接觸網(wǎng)懸掛狀態(tài)圖像信息稀疏性、無參考性和多背景的特點，對比研究梯度特征、圖像變換域、熵評價、點銳度和二次模糊5種評價方法，通過圖像數(shù)據(jù)測試，驗證了二次運動模糊算法對接觸網(wǎng)懸掛狀態(tài)圖像清晰度評價的有效性，建議管理閾值設為0.3。

接觸網(wǎng)懸掛狀態(tài)；檢測圖像；清晰度評價；運動模糊算法

0 引言

接觸網(wǎng)設備是鐵路基礎設施的重要組成部分，其良好的運用狀態(tài)是電力機車、動車組正常運行及運輸組織暢通的前提條件之一。堅持“預防為主、重檢慎修”的方針，按照“定期檢測、狀態(tài)維修、壽命管理”的原則，依靠鐵路供電安全檢測監(jiān)測系統(tǒng)（6C）等手段，實行“運行、檢測、維修”分開和集中修組織模式[1]，是接觸網(wǎng)修程修制改革的核心。

2012年，原鐵道部運輸局發(fā)布了《高速鐵路供電安全檢測監(jiān)測系統(tǒng)（6C系統(tǒng)）總體技術規(guī)范》（鐵運〔2016〕136號），明確接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測裝置（簡稱4C裝置）是對接觸網(wǎng)零部件進行高分辨率的成像檢測和幾何參數(shù)測量[2]。2014年，中國鐵路總公司運輸局發(fā)布《TJ/GD 006—2014 接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測裝置（4C）暫行技術條件》[3]，明確了4C裝置的組成與功能、技術要求、安裝和試驗，為4C裝置的發(fā)展指明了方向。

4C裝置通過高清成像對接觸網(wǎng)零部件進行檢測，由于受接觸網(wǎng)背景復雜、拍攝條件多樣等因素影響，造成高清成像清晰度存在差異，并影響檢測識別效果?？茖W評價圖像質(zhì)量對檢測分析工作十分重要。

1 4C圖像特征

4C裝置對支持裝置、接觸懸掛、附加懸掛等區(qū)域接觸網(wǎng)零部件進行高清成像檢測。拍攝的圖像需要涵蓋接觸網(wǎng)零部件區(qū)域，分辨率需要滿足圖像分析的要求，具體指標見表1。由于接觸網(wǎng)結構的特殊性，4C裝置拍攝圖像具有如下特征。

1.1 信息稀疏性

4C裝置采用工業(yè)攝像機，采集的灰度圖像為黑白照片，數(shù)字存儲形式為二維矩陣。由于接觸網(wǎng)是由線索、金屬管件、緊固件等部件組成立體支撐結構，立體結構占用較大空間，因此各零部件在空間分布離散。圖像中目標物（接觸網(wǎng)零部件）在整個圖像的信息比例低，同時由于圖像分析依賴灰度變化信息，因此更降低了信息的集中性，形成了4C圖像信息稀疏性的特點。以4C裝置拍攝的典型全景照片為例進行分析（見圖1），該圖像分辨率為6 600×4 400，灰度等級采用0～255表示，其圖像灰度分布見圖2。

圖1 4C裝置拍攝的典型支持裝置全景照片

圖2 全景照片灰度分布圖

可以看出大量像素的灰度小于50，圖像為黑色環(huán)境背景，像素數(shù)量占圖像總數(shù)量的92.9%，不具備分析價值。采用canny算子提取邊緣信息，邊緣像素數(shù)量僅為1.43%。因此，4C圖像信息稀疏性決定了對圖像清晰度質(zhì)量的更高要求。

1.2 無參考性

接觸網(wǎng)是由支持裝置、接觸懸掛、附加懸掛、支柱、吊柱等主要部件組成。不同線路的接觸網(wǎng)結構設計不同，如京滬高鐵采用OCS-3型全補償彈性鏈形懸掛鋁合金腕臂，蘭新高鐵采用OCS-2型全補償簡單鏈形懸掛鋼結構整體腕臂；相同線路不同區(qū)段的接觸網(wǎng)結構也有不同，如硬橫跨、軟橫跨、區(qū)間支柱的差別；相同區(qū)段不同支柱的接觸網(wǎng)結構也存在較大差異，如正、反定位的腕臂不同。同時，4C裝置受到載體車輛運行狀態(tài)的影響，2次檢測對同一對象的拍攝也會出現(xiàn)圖像的差異性，如曲線區(qū)段通過速度不同，會引起成像角度的差異性。同一線路不同支柱腕臂結構無參考性示例見圖3。

圖3 圖像無參考性對比

1.3 多背景

接觸網(wǎng)架設在線路上方，其上方會存在跨線橋、隧道、車站頂棚，遠方背景會存在山、樹木、建筑物等。日間拍攝受到光照影響，背景物體漫反射不同，相同背景不同時段拍攝圖像差異較大；夜間拍攝會受到建筑物燈光、反光器件的影響。圖像的多背景使得不同圖像間差異巨大，不利于分析圖像清晰度。典型多背景圖像對比見圖4。

圖4 圖像多背景對比

綜合上述分析，接觸網(wǎng)懸掛狀態(tài)圖像具有信息稀疏性、無參考性和多背景的特點，是評價圖像清晰度需要考慮的關鍵問題。

2 圖像清晰度評價方法

圖像清晰度評價方法分為主觀評價法和客觀評價法2種。人眼是圖像采集處理系統(tǒng)的前端，大腦是圖像處理分析系統(tǒng)的終端，所以主觀評價方法最合理。然而，主觀評價受到個體差異影響，無法進行定量評價?？陀^評價方法是采用數(shù)學模型計算失真圖像與原始圖像的相似度（或失真度），并量化為評價數(shù)值?？陀^評價方法簡單，便于集成在圖像處理系統(tǒng)中，成為圖像領域的研究重點。

2.1 梯度特征

研究表明人眼對圖像邊緣紋理信息具有極高的敏感程度，圖像梯度信息則能較好地反映圖像邊緣紋理信息，因此梯度特征常用來進行圖像清晰度分析[4]。常用計算圖像清晰度的梯度函數(shù)有以下幾種[5]：

（1）Brenne梯度函數(shù)，計算相鄰2個像素的灰度差，為便于區(qū)分，對差值進行平方處理，圖像清晰度定義如下：

式中：D（I）為圖像清晰度計算結果（下同）；I（x，y）為圖像 I 對應像素點（x，y）的灰度值。

（2）相鄰像素灰度方差SMD，又稱為能量梯度函數(shù)法[6]，計算公式如下：

式中：M×N為圖像的總像素數(shù)。

（3）Sobel和Laplacian邊緣梯度函數(shù)，使用Sobel算子分別提取水平方向和垂直方向的梯度值，定義如下：

Laplacian梯度函數(shù)與上述方法一致，只是采用Laplacian算子進行邊緣檢測，該算子定義如下：

2.2 圖像變換域

基于圖像變換域的方法包括空間域和頻率域，空間域的方法是對圖像的像素直接進行處理，典型的方法有：直方圖均衡化、直方圖歸一化和log變換等；頻率域方法是通過某種變換，將圖像信息從空間域變換到某一頻率域，對變化系數(shù)值進行運算[7]。典型的利用傅里葉變換對圖像進行FFT變換，并定義清晰度評價函數(shù)為：

式中：M×N為圖像的總像素數(shù)；Real和Imag分別表示圖像變換后的實部和虛部。D（I）越大表示圖像清晰度越高。

2.3 熵評價

熵函數(shù)法是根據(jù)香農(nóng)信息論提出的，熵越大信息量越多，可以認為在圖像能量一定的情況下，圖像熵越大則圖像越清晰。定義二維數(shù)字圖像的圖像熵為：

當圖像比較尖銳、清晰時，圖像中邊緣、角點等局部灰度值會有劇烈變化，此時灰度值信息量多，熵值大；當圖像比較模糊時，圖像灰度值變化比較平滑，信息量少，熵值小[8]。

2.4 點銳度

圖像清晰度的高低與邊緣處灰度變化情況密切相關，即灰度變化越大表明邊緣越清晰，因此可以通過統(tǒng)計圖像某一邊緣方向的灰度變化情況進行評價，計算公式為[9]：

通過像素點8鄰域像素與該像素點灰度差值進行計算，對上述方法進行改進，評價結果更加全面，得出改進的點銳度圖像清晰度法（EAV）[10]。

2.5 二次模糊

一幅模糊圖像通過模糊處理，高頻分量變化不大；一幅清晰圖像通過模糊處理，則高頻分量變化會非常大。對評價圖像進行一次高斯模糊處理，得到該圖像的退化圖像，對兩圖進行對比，根據(jù)像素差值的變換大小確定圖像清晰度。計算結果越小表明圖像越清晰，反之則越模糊。該方法稱為基于二次模糊的清晰度算法（ReBlur），方法流程見圖5。

圖5 二次模糊算法流程

3 評價方法驗證

圖像識別技術的基礎是高質(zhì)量的圖像[11]，在大量應用基礎上建立標準圖庫，實現(xiàn)圖像自動識別是未來的發(fā)展方向[12]，因此應對圖像質(zhì)量進行科學評價。驗證上述圖像質(zhì)量分析方法的有效性需要提供對比的參考信息。人類視覺系統(tǒng)（HVS）具有很大動態(tài)范圍，可對圖像進行帶通空間域濾波處理，對圖像變化明顯區(qū)域關注度更高，從而得到有效信息[13-14]。

在此采用雙盲測試方法，對一組圖像采用人眼主觀評價的方法得到參考清晰度排序，再用上述計算方法進行測試，找出與人眼主觀評價一致的算法。

3.1 數(shù)據(jù)來源

測試數(shù)據(jù)選取4組設備拍攝的典型圖像，圖像需滿足技術條件的成像要求，為便于記錄，圖像依次編號A，B，…，H，人眼主觀評價排序為1，2，…，8，選取圖像見圖6。

圖6 測試圖像

3.2 驗證結果

對上述圖像和評價方法進行測試，其中人眼評價是選取30組雙盲測試結果進行平均處理。測試圖像首先進行均值曝光處理，梯度邊緣Sobel算法采用有效像素大于60的占比系數(shù)（人眼可分辨）計算。二次模糊算法采用高斯模糊算法和運動模糊算法2種方式。測試結果見表2。

由表2可以看出，二次運動模糊算法的排序與人眼評價結果最為接近，該方法與4C裝置成像圖像模糊的原因機理一致，均為運動造成的補光與相機控制不匹配。二次模糊算法能夠有效區(qū)分清晰圖像與模糊圖像，可以作為圖像清晰度的評價方法試用推廣。

3.3 推廣測試

對不同設備拍攝的大量圖片進行測試，結果表明二次模糊算法能夠有效分析接觸網(wǎng)懸掛狀態(tài)圖像清晰度，通過統(tǒng)計數(shù)據(jù)分析，建議采用二次運動模糊算法對圖像清晰度進行評價，清晰度管理閾值設為0.3。

表2 算法測試結果

[1]劉再民. 高鐵鐵路接觸網(wǎng)維修規(guī)則框架與管理技術 創(chuàng)新[J]. 中國鐵路，2016(4)：3-16.

[2]鐵運〔2012〕136號 高速鐵路供電安全檢測監(jiān)測系 統(tǒng)（6C系統(tǒng)）總體技術規(guī)范[S].

[3]TJ/GD 006—2014 接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測裝置 （4C）暫行技術條件[S].

[4]楊春玲，陳冠豪，謝勝利. 基于提額度信息的圖像 質(zhì)量評判方法的研究[J]. 電子學報，2007(7)： 1 313-1 317.

[5]李祚林，李曉輝，馬靈玲，等. 面向無參考圖像的 清晰度評價方法研究[J]. 遙感技術與應用，2011(4)： 239-246.

[6]崔作龍，徐長松. 圖像清晰度的量化測量探究[J]. 實驗技術與管理，2012(5)：49-51.

[7]李曉晶. 圖像質(zhì)量評價與圖像增強技術研究[D]. 南 京：南京理工大學，2008.

[8]陳躍庭，許東暉，李奇. 基于熵的圖像穩(wěn)定程度描 述方法[J]. 儀器儀表學報，2006(6)：2 121-2 122.

[9]徐貴力，劉小霞，田裕鵬，等. 一種圖像清晰度評 價方法[J]. 紅外與激光工程，2009(2)：180-184.

[10]王鴻南，鐘文，汪靜，等. 圖像清晰度評價方法 研究[J]. 中國圖像圖形學報，2004(7)：828-831.

[11]張輝，寇亞洲，劉雋，等. 動車組車號自動識別 方法[J]. 中國鐵路，2015(12)：42-45.

[12]張宏強，高紅義. 圖像自動識別技術在鐵路的發(fā) 展及運用[J]. 中國鐵路，2015(5)：86-88.

[13]于天河，戴景民. 結合人眼視覺特性的紅外圖像增 強新技術[J]. 紅外與激光工程，2008(12)：951-954.

[14]朱明明. 一種基于人眼視覺特性的圖像增強顯示 算法[D]. 蘭州：蘭州大學，2013.

The Definition Evaluation Study on the Evaluation of Overhead Contact Line Condition Detection

YANG Zhipeng，ZHANG Wenxuan，SHENG Liang，ZHOU Wei
（Infrastructure Inspection Research Institute，China Academy of Railway Sciences，Beijing 100081，China)

Overhead contact line condition detection device collects the image of overhead contact line by high-definition camera and analyzes its component and overhead condition to provide guidance for operating detection. Scientifically, objectively and reasonably evaluating the high-definition images is the basic requirement to ensure the quality of detection. The paper verifies the effectiveness of secondary motion fuzzy algorithm on the evaluation of overhead contact line condition image by analyzing its sparsity, non-reference and multi-background and comparing five evaluating methods including gradient features, image transform domain,entropy evaluation, point sharpness and secondary fuzzy. Management threshold is suggested to be set at 0.3.

overhead contact line condition；detection image；definition evaluation；motion fuzzy algorithm

U225；TP391

A

1001-683X（2017）10-0059-05

10.19549/j.issn.1001-683x.2017.10.059

中國鐵道科學研究院科技研究開發(fā)計劃項目（2015YJ097、2015YJ093）

楊志鵬（1986—），男，助理研究員，碩士。E-mail：yangzhp@rails.cn

張文軒（1981—），男，副研究員，碩士。E-mail：zhangwenxuan@rails.cn

責任編輯 盧敏

2017-07-05