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)檢測中有著重要作用。經(jīng)過圖像增強、提取、分割處理后，更便于識別故障。

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)過預(yù)處理后的紅外電氣圖像要進行特征提取處理，主要尋找圖像的顏色特性、邊緣特性、灰度值(針對灰度圖)等特性。根據(jù)選擇特性的特點，按照區(qū)域內(nèi)的一致性和區(qū)域間的不一致性進行分類分割，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個顏色特征的集合。K-means算法中，當(dāng)K值越高時，聚類后的圖像相似度越來越趨近于原圖，對于圖像識別意義不大，則K值越高，所分的類越多，對于圖像后續(xù)識別分割過程越困難，故本文K取值為3。

將圖片分割成n個樣本后從中選取K個樣本作為初始聚類中心，對于剩余的樣本，計算樣本與各個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，再計算新的聚類中心，并再次選擇剩余的樣本進行分類，一直重復(fù)這個步驟直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為止，最終將迭代的數(shù)據(jù)進行分類整理，便于提取出圖像的目標(biāo)信息[10～12]。標(biāo)準(zhǔn)測度函數(shù)J和樣本均值mj(表示K個聚類)為

i=1,2,…,nj

(1)

設(shè)電力系統(tǒng)紅外圖像的像素為i×j，則認為矩陣里有i×j個元素，每個元素都可以表示為(x,y,z)，矩陣中的每個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代表藍色色度，實現(xiàn)了圖像數(shù)字化，將圖像中各個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)集通過迭代過程分成不同類別，使其不斷向標(biāo)準(zhǔn)測度函數(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個點，設(shè)第n個聚類中心為Cm(rm,gm,bm)，m≤K；

4)選擇任意點，分別對K個聚類中心計算dk=Δr2+Δg2+Δb2，選擇dk值最小點與相應(yīng)聚類中心方向聚為一類；

5)計算點與聚類中所有點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是聚類的點個數(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.計算m+1個點數(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，認定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，無法再次識別出目標(biāo)信息。所以，需要先后對其進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為紅外熱像儀自身問題導(dǎo)致的干擾因子，如比色條、廠家標(biāo)識等。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Imdilate指令，在二值圖像中，圖像膨脹運算將物體周圍邊界接觸的像素點賦1值，使其由邊界向外擴張，將周圍像素融合到物體里。與基于邊緣特性的識別算法相比，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連通的方法進行區(qū)域標(biāo)記，更有效地減少邊緣失真現(xiàn)象且嚴謹?shù)貥?biāo)記出所有的連通區(qū)域中的像素。區(qū)域標(biāo)記的目的在于對連通區(qū)域進行標(biāo)號，可對于連通區(qū)域進行計數(shù)，即在黑背景中記錄有多少個白色的“塊”。Bwlabel返回1個數(shù)組，數(shù)組會統(tǒng)計每個連通區(qū)域以及區(qū)域的序號，再將元素序號賦值到對應(yīng)的連通區(qū)域的所有元素。

4)統(tǒng)計區(qū)域面積及刪除小面積區(qū)域：采用regionprops函數(shù)統(tǒng)計被標(biāo)記區(qū)域的屬性，在regionprops函數(shù)中加入字符串'Area'可實現(xiàn)計算區(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)點在于突出大面積目標(biāo)的主體，不會造成漏判，相對于最大值篩選法更加嚴謹。

針對本文樣本圖像分辨率不高問題，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)語句，圖像寬不變，由下至上去除底座，并持續(xù)地進行判定是否滿足判定條件。

2)計算整個圖像中心點坐標(biāo)，可利用整個圖像的長和寬來計算，因為圖像經(jīng)過裁剪的，如果一幅圖像長為y2，寬為x2，可以認為整個圖像范圍限制在(0，0)，(0，y2)/(x2，0)，(x2，y2)的一個矩形中，圖像中心點坐標(biāo)，即(x,y)=(x2/x,y2/y)。

3)計算目標(biāo)圖象重心坐標(biāo)即整個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，重心必定會比整個圖像中心點偏下一段距離。圖像重心坐標(biāo)可以通過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)置過小，會造成過度裁剪，導(dǎo)致提取到不完整的目標(biāo)圖；如果閾值設(shè)置過大，會造成欠裁剪，會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，進行步驟(5)；當(dāng)D大于閾值時，返回步驟(1)繼續(xù)對圖像進行裁剪。

5)計算圖像占空比，主要為圖像中白色部分的像素與圖像長軸短軸作為長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。底座的突出部分會降低占空比的值，據(jù)此，利用占空比設(shè)置閾值進行判定，將大于閾值部分設(shè)定為底座部分，需對其進行處理。

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

本次實驗將K-means算法應(yīng)用于紅外電氣圖像中互感器的分割，同時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，減少在分割過程中所產(chǎn)生的漏判。

圖6 互感器分割結(jié)果對比

4 結(jié) 論

本文主要對紅外圖像互感器特征進行研究和分析，在總結(jié)了識別互感器的判據(jù)的同時，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)中互感器故障的識別檢測。