沈雯倩， 張莉萍， 黃 勃， 韋 城， 劉 聰

(上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院 上海 201620)

0 引 言

在電力系統(tǒng)檢測(cè)中，紅外圖像能夠顯示出故障區(qū)域由電流不穩(wěn)定而產(chǎn)生的與正常工作元件不同的顏色區(qū)別。因此,紅外圖像分割在電力系統(tǒng)檢測(cè)中有著重要作用。經(jīng)過(guò)圖像增強(qiáng)、提取、分割處理后，更便于識(shí)別故障。

基于雙重判據(jù)K-means算法的紅外圖像分割可以通過(guò)迭代算法將紅外圖像不同顏色聚類為不同類別[1～3]，在確定迭代次數(shù)聚類數(shù)目等條件后，將故障高溫區(qū)的顏色聚類后的類間獨(dú)立，能較清晰地觀察紅外圖像中互感器的異常之處，并將互感器從電氣圖像中分割[4]。本文采取K-means算法[5～7]研究電力系統(tǒng)紅外圖像互感器的提取與分割。

1 圖像特征提取

經(jīng)過(guò)預(yù)處理后的紅外電氣圖像要進(jìn)行特征提取處理，主要尋找圖像的顏色特性、邊緣特性、灰度值(針對(duì)灰度圖)等特性。根據(jù)選擇特性的特點(diǎn)，按照區(qū)域內(nèi)的一致性和區(qū)域間的不一致性進(jìn)行分類分割，最終將電氣設(shè)備從拍攝的紅外圖像中提取[8]。

利用K-means算法將整幅圖像聚類成K個(gè)顏色特征的集合。K-means算法中，當(dāng)K值越高時(shí)，聚類后的圖像相似度越來(lái)越趨近于原圖，對(duì)于圖像識(shí)別意義不大，則K值越高，所分的類越多，對(duì)于圖像后續(xù)識(shí)別分割過(guò)程越困難，故本文K取值為3。

將圖片分割成n個(gè)樣本后從中選取K個(gè)樣本作為初始聚類中心，對(duì)于剩余的樣本，計(jì)算樣本與各個(gè)聚類中心的歐幾里得距離[9]。將樣本分配給距離最近的聚類后，再計(jì)算新的聚類中心，并再次選擇剩余的樣本進(jìn)行分類，一直重復(fù)這個(gè)步驟直到標(biāo)準(zhǔn)測(cè)度函數(shù)開(kāi)始收斂為止，最終將迭代的數(shù)據(jù)進(jìn)行分類整理，便于提取出圖像的目標(biāo)信息[10～12]。標(biāo)準(zhǔn)測(cè)度函數(shù)J和樣本均值mj(表示K個(gè)聚類)為

i=1,2,…,nj

(1)

設(shè)電力系統(tǒng)紅外圖像的像素為i×j，則認(rèn)為矩陣?yán)镉衖×j個(gè)元素，每個(gè)元素都可以表示為(x,y,z)，矩陣中的每個(gè)元素都代表這一部分的顏色，即x代表紅色色度，y代表綠色色度，z代表藍(lán)色色度，實(shí)現(xiàn)了圖像數(shù)字化，將圖像中各個(gè)像素的顏色利用歐氏距離分類，像素越高，精度越高。

K值取3，將數(shù)據(jù)集通過(guò)迭代過(guò)程分成不同類別，使其不斷向標(biāo)準(zhǔn)測(cè)度函數(shù)收斂[13]。若圖像中部分信息難以分割，可以適當(dāng)增加K值，以便將其分離。主要步驟如下：

1)在MATLAB中利用Imread指令讀取紅外熱圖像；

2)設(shè)定K值為3(即聚類數(shù)量)；

3)初始化聚類中心為任意K個(gè)點(diǎn)，設(shè)第n個(gè)聚類中心為Cm(rm,gm,bm)，m≤K；

4)選擇任意點(diǎn)，分別對(duì)K個(gè)聚類中心計(jì)算dk=Δr2+Δg2+Δb2，選擇dk值最小點(diǎn)與相應(yīng)聚類中心方向聚為一類；

5)計(jì)算點(diǎn)與聚類中所有點(diǎn)之和的平均值作為新的聚類中心，并不斷重復(fù)，直到誤差小于10-5為止，具體如下：

a.假設(shè)m是聚類的點(diǎn)個(gè)數(shù)，Cm是某一聚類的聚類中心。rm=(i,j,1)，gm=(i,j,2)，bm=(i,j,3)

(2)

b.計(jì)算m+1個(gè)點(diǎn)數(shù)的聚類中心

(3)

c.當(dāng)Cm+1與Cm距離小于10-5(|Cm+1-Cm|≤10-5)時(shí)，認(rèn)定Cm為聚類中心，否則返回步驟(4)，直到差小于10-5為止。

最終得到顏色特征提取后的結(jié)果如圖1(b)。

圖1 基于K-means算法顏色特征提取結(jié)果

2 基于雙重判據(jù)的K-means圖像分割

圖像分割主要步驟為：圖像灰度化二值化處理、圖像大小剪切、圖像膨脹和腐蝕、圖像區(qū)域標(biāo)記、統(tǒng)計(jì)區(qū)域面積及刪除小面積區(qū)域和去除底座。最終得到提取分割后的互感器圖像。

由于需要進(jìn)行分割的圖像主要為彩色圖像，而彩色圖像的色素太多，一旦背景有所改變，無(wú)法再次識(shí)別出目標(biāo)信息。所以，需要先后對(duì)其進(jìn)行灰度化和二值化處理。

1)圖像剪切：用于剪切掉圖像本身因?yàn)榧t外熱像儀自身問(wèn)題導(dǎo)致的干擾因子，如比色條、廠家標(biāo)識(shí)等。使用MATLAB中Imcrop命令，將紅外圖像干擾因子剪切。

2)圖像膨脹和腐蝕：通過(guò)Imdilate指令，在二值圖像中，圖像膨脹運(yùn)算將物體周圍邊界接觸的像素點(diǎn)賦1值，使其由邊界向外擴(kuò)張，將周圍像素融合到物體里。與基于邊緣特性的識(shí)別算法相比，K-means算法能夠消除電氣設(shè)備的主體和線纜相連接的部分存在凸起的毛刺，有效減少基于邊緣特性的識(shí)別算法產(chǎn)生的失真現(xiàn)象。

3)圖像區(qū)域標(biāo)記：采用Bwlabel指令，結(jié)合8連通的方法進(jìn)行區(qū)域標(biāo)記，更有效地減少邊緣失真現(xiàn)象且嚴(yán)謹(jǐn)?shù)貥?biāo)記出所有的連通區(qū)域中的像素。區(qū)域標(biāo)記的目的在于對(duì)連通區(qū)域進(jìn)行標(biāo)號(hào)，可對(duì)于連通區(qū)域進(jìn)行計(jì)數(shù)，即在黑背景中記錄有多少個(gè)白色的“塊”。Bwlabel返回1個(gè)數(shù)組，數(shù)組會(huì)統(tǒng)計(jì)每個(gè)連通區(qū)域以及區(qū)域的序號(hào)，再將元素序號(hào)賦值到對(duì)應(yīng)的連通區(qū)域的所有元素。

4)統(tǒng)計(jì)區(qū)域面積及刪除小面積區(qū)域：采用regionprops函數(shù)統(tǒng)計(jì)被標(biāo)記區(qū)域的屬性，在regionprops函數(shù)中加入字符串'Area'可實(shí)現(xiàn)計(jì)算區(qū)域面積，即連通區(qū)域1的數(shù)量，最終得出該區(qū)域的像素總個(gè)數(shù)。再將一些不必要的白色連通區(qū)域去掉，保留住目標(biāo)電氣設(shè)備圖像。本文采用閾值篩選法，首先要設(shè)置某一面積閾值，大于此閾值的連通區(qū)域視為目標(biāo)圖像，小于此閾值則認(rèn)為目標(biāo)為干擾因子，將其區(qū)域中所有元素賦0值。這種方法優(yōu)點(diǎn)在于突出大面積目標(biāo)的主體，不會(huì)造成漏判，相對(duì)于最大值篩選法更加嚴(yán)謹(jǐn)。

針對(duì)本文樣本圖像分辨率不高問(wèn)題，增加了去除底座步驟。主要利用一種基于外接矩形與目標(biāo)設(shè)備重心歐氏距離以及外接矩形內(nèi)部白色像素占有率的方法[14,15]。

1)分離部分圖像，與裁剪圖像原理相同，利用for循環(huán)語(yǔ)句，圖像寬不變，由下至上去除底座，并持續(xù)地進(jìn)行判定是否滿足判定條件。

2)計(jì)算整個(gè)圖像中心點(diǎn)坐標(biāo)，可利用整個(gè)圖像的長(zhǎng)和寬來(lái)計(jì)算，因?yàn)閳D像經(jīng)過(guò)裁剪的，如果一幅圖像長(zhǎng)為y2，寬為x2，可以認(rèn)為整個(gè)圖像范圍限制在(0，0)，(0，y2)/(x2，0)，(x2，y2)的一個(gè)矩形中，圖像中心點(diǎn)坐標(biāo)，即(x,y)=(x2/x,y2/y)。

3)計(jì)算目標(biāo)圖象重心坐標(biāo)即整個(gè)圖像中像素為白色的目標(biāo)。重心坐標(biāo)公式為

(4)

由目標(biāo)圖象可明顯看出，圖像白色像素區(qū)域主要分布在底座部分，重心必定會(huì)比整個(gè)圖像中心點(diǎn)偏下一段距離。圖像重心坐標(biāo)可以通過(guò)MATLAB中的regionprops函數(shù)獲取。

將其作為分割判據(jù)(1)，閾值可以自由選定，如果距離設(shè)置過(guò)小，會(huì)造成過(guò)度裁剪，導(dǎo)致提取到不完整的目標(biāo)圖；如果閾值設(shè)置過(guò)大，會(huì)造成欠裁剪，會(huì)存在剩余的底座在圖像底部，不利于后續(xù)的分析。當(dāng)D小于閾值時(shí)，進(jìn)行步驟(5)；當(dāng)D大于閾值時(shí)，返回步驟(1)繼續(xù)對(duì)圖像進(jìn)行裁剪。

5)計(jì)算圖像占空比，主要為圖像中白色部分的像素與圖像長(zhǎng)軸短軸作為長(zhǎng)和寬的外接矩形中的總像素的比值，將其作為分割判據(jù)(2)

K=(xi*yi)/(xi+1*yi+1)

(5)

占空比一般存在底座的圖像中，圖像的兩側(cè)會(huì)存在黑色的區(qū)域，黑色區(qū)域面積越大，占空比越小。底座的突出部分會(huì)降低占空比的值，據(jù)此，利用占空比設(shè)置閾值進(jìn)行判定，將大于閾值部分設(shè)定為底座部分，需對(duì)其進(jìn)行處理。

最后利用占空比和整幅圖像中心與圖像重心間的距離雙重判據(jù)來(lái)判定底座是否被成功去除，完成底座刪除工作。

3 數(shù)據(jù)分析

本次實(shí)驗(yàn)將K-means算法應(yīng)用于紅外電氣圖像中互感器的分割，同時(shí)利用占空比和圖像中心與重心之間距離的雙重判據(jù)將互感器去除底座后分割。圖6(a)為原紅外電力系統(tǒng)圖像，經(jīng)過(guò)提取和分割后得到最終的互感器如圖6(c)所示。與傳統(tǒng)的K-means算法相比，基于雙重判據(jù)的K-means算法能更清晰地將互感器分割，減少在分割過(guò)程中所產(chǎn)生的漏判。

圖6 互感器分割結(jié)果對(duì)比

4 結(jié) 論

本文主要對(duì)紅外圖像互感器特征進(jìn)行研究和分析，在總結(jié)了識(shí)別互感器的判據(jù)的同時(shí)，提出基于雙重判據(jù)的互感器分割方法，最終成功地將互感器主體從紅外圖像中分割，有利于后續(xù)電力系統(tǒng)中互感器故障的識(shí)別檢測(cè)。