趙利鴻，高 強(qiáng)，于 曉，李大華

基于紅外圖像的絕緣子提取方法

趙利鴻，高 強(qiáng)，于 曉，李大華

（天津理工大學(xué) 電氣電子工程學(xué)院，天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津 300384）

絕緣子是輸電線(xiàn)路上的重要設(shè)備，若發(fā)生故障會(huì)給電力設(shè)備帶來(lái)巨大損失，從拍攝的輸電線(xiàn)路紅外圖像中定位和提取絕緣子，基本上能反映多種絕緣子故障，在絕緣子的識(shí)別和故障診斷中更具實(shí)用性。本文提出了一種基于紅外圖像的絕緣子提取方法，依次使用Speeded Up Robust Features（SURF）算法提取測(cè)試紅外圖像的關(guān)鍵特征點(diǎn)、基于改進(jìn)Fuzzy C-means（FCM）算法聚類(lèi)劃分特征點(diǎn)、根據(jù)絕緣子的形狀特征值識(shí)別和定位絕緣子、基于改進(jìn)的圖像開(kāi)運(yùn)算精確提取絕緣子。該方法充分發(fā)揮了紅外圖像的優(yōu)點(diǎn)，能夠準(zhǔn)確提取絕緣子，為基于紅外圖像的絕緣子故障診斷奠定了基礎(chǔ)。

絕緣子；紅外圖像；SURF特征點(diǎn)；FCM算法；圖像開(kāi)運(yùn)算；

0 引言

輸電線(xiàn)路檢測(cè)是保證電網(wǎng)安全可靠運(yùn)行的重要工作，絕緣子檢測(cè)是其中的重要內(nèi)容之一[1]。由于受地形環(huán)境、人員素質(zhì)、氣象條件等因素的影響，傳統(tǒng)的長(zhǎng)周期人工巡線(xiàn)效率低、精度不高[2]。近年來(lái)，直升機(jī)和無(wú)人機(jī)的智能檢測(cè)正逐步取得進(jìn)展[3]，但檢測(cè)所獲得的數(shù)據(jù)需要人工處理，工作人員需要查看大量的視頻和圖像來(lái)查找故障，這一過(guò)程容易出現(xiàn)問(wèn)題，且耗時(shí)長(zhǎng)[4]。

近年來(lái)，圖像識(shí)別技術(shù)開(kāi)始應(yīng)用于航空影像中的絕緣子識(shí)別，進(jìn)而對(duì)絕緣子故障進(jìn)行診斷，但由于可見(jiàn)光圖像易受天氣和輸電線(xiàn)路周?chē)h(huán)境的影響，實(shí)際結(jié)果不能滿(mǎn)足現(xiàn)場(chǎng)的要求[5]，近年來(lái)開(kāi)始使用紅外圖像對(duì)絕緣子故障進(jìn)行檢測(cè)。

為了提高紅外圖像目標(biāo)的提取精度，國(guó)內(nèi)外學(xué)者提出了多種方法，主要有閾值[6]、馬爾可夫隨機(jī)場(chǎng)（Markov Random Field）[7]、主動(dòng)輪廓模型[8]、模糊c均值（FCM）聚類(lèi)[9]和神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）[10]等。文獻(xiàn)[11]基于閾值的方法在灰度差較小的圖像中，由于沒(méi)有考慮空間信息，容易產(chǎn)生誤分類(lèi)。文獻(xiàn)[12]基于MRF的方法具有嚴(yán)格的數(shù)學(xué)理論和較強(qiáng)的可擴(kuò)展性，但是，它們可能會(huì)陷入局部最優(yōu)，因此需要一個(gè)合適的初值。文獻(xiàn)[13]基于主動(dòng)輪廓模型的方法可以自動(dòng)處理拓?fù)渥兓?，具有捕獲局部變形的優(yōu)點(diǎn)，但對(duì)初始曲線(xiàn)敏感。文獻(xiàn)[10]基于神經(jīng)網(wǎng)絡(luò)的方法需要大量的紅外圖像進(jìn)行訓(xùn)練，訓(xùn)練的準(zhǔn)確率與訓(xùn)練涉及的圖像數(shù)量有關(guān)。

本文提出了一種基于紅外圖像的絕緣子提取方法，該方法充分發(fā)揮了紅外圖像的優(yōu)點(diǎn)，能夠準(zhǔn)確提取絕緣子，為基于紅外圖像的絕緣子故障診斷奠定了基礎(chǔ)。首先，提取圖像的SURF特征點(diǎn)；其次，基于改進(jìn)FCM算法聚類(lèi)特征點(diǎn)；最后，找到所有相關(guān)的每個(gè)類(lèi)的區(qū)域，計(jì)算最小外接矩形以及每個(gè)區(qū)域的形狀特征值以識(shí)別絕緣子，并通過(guò)矩形框?qū)⑵涠ㄎ?；然后基于改進(jìn)的圖像開(kāi)運(yùn)算精確提取絕緣子。該方法可作為絕緣子故障檢測(cè)基于圖像處理技術(shù)診斷的依據(jù)。

1 算法設(shè)計(jì)

為了在復(fù)雜背景下從航拍圖像中提取絕緣子，提出一種基于紅外圖像的絕緣子提取方法。圖1是該方法的流程圖。

圖1 絕緣子提取流程圖

1.1 SURF特征點(diǎn)檢測(cè)

利用SURF算法提取紅外圖像的SURF特征點(diǎn)。SURF算法定位“興趣點(diǎn)”，這些點(diǎn)是明確的，在局部和全局?jǐn)_動(dòng)下保持穩(wěn)定，不隨圖像的縮放和旋轉(zhuǎn)改變，甚至對(duì)噪聲，遮擋，3D視角轉(zhuǎn)變，仿射變換和照明變化都具有魯棒性。在一定尺度空間水平上計(jì)算積分圖像和行列式響應(yīng)，對(duì)行列式響應(yīng)圖進(jìn)行尺度歸一化和非極大值抑制，以便在尺度空間定位“興趣點(diǎn)”。然后將非極大值抑制結(jié)果與預(yù)先確定的閾值進(jìn)行比較。最后，實(shí)現(xiàn)“興趣點(diǎn)”在尺度空間的定位。

1.2 改進(jìn)的FCM算法

由于電氣設(shè)備的存在，紅外圖像具有邊緣模糊、電氣設(shè)備強(qiáng)度突出、噪聲污染嚴(yán)重的特點(diǎn)。電氣設(shè)備紅外圖像的特點(diǎn)增加了電氣設(shè)備故障診斷的難度，F(xiàn)CM算法是解決這一問(wèn)題的合適方法。然而，F(xiàn)CM算法存在非自適應(yīng)、復(fù)雜度高、忽略背景干擾等缺點(diǎn)。為了彌補(bǔ)這些不足，提高設(shè)備故障檢測(cè)的準(zhǔn)確性，本文提出了一種改進(jìn)的FCM算法。

1.2.1 初始化聚類(lèi)參數(shù)

原始紅外圖像對(duì)初始聚類(lèi)中心的敏感性和低對(duì)比度都會(huì)影響聚類(lèi)結(jié)果。本文提出一種顯著性檢測(cè)算法來(lái)獲取顯著性圖像，該算法可以確定聚類(lèi)中心。將像素之間的差異度定義為：

(p,p)＝gray(p,p)×exp(－×position(p,p)) (1)

式中：gray(p,p)是指像素p和p在灰度空間的歐式距離；position(p,p)是指像素p和p在位置空間的歐式距離。將gray(p,p)和position(p,p)標(biāo)準(zhǔn)化到[0,1]。是空間距離的權(quán)重因子。當(dāng)像素p高度不同于其他所有像素點(diǎn)，就認(rèn)為像素點(diǎn)p是顯著點(diǎn)。實(shí)際上，只需要考慮與中心像素點(diǎn)p最相似的像素。因此，我們?cè)趫D像中以像素p為中心尋找個(gè)最相似的像素{q}＝1。像素點(diǎn)p的顯著值定義為：

式中：(p)是空間優(yōu)先加權(quán)項(xiàng)，定義為：

(p)＝exp(－9d2) (3)

式中：d是像素p到圖像中心的距離。像素坐標(biāo)標(biāo)準(zhǔn)化到[0,1]。根據(jù)以上步驟，得到顯著性圖像。

根據(jù)顯著性圖像將原始圖像劃分為多個(gè)區(qū)域，每個(gè)區(qū)域可以得到一個(gè)直方圖。在每個(gè)直方圖中，根據(jù)最大密度準(zhǔn)則確定一個(gè)聚類(lèi)中心，計(jì)算方法如下：

式中：是聚類(lèi)的數(shù)量。是窗口的大小，窗口在直方圖上從左向右滑動(dòng)，滑動(dòng)步長(zhǎng)為，start是第個(gè)子直方圖的起始灰度，I是第個(gè)直方圖中灰度值為的像素個(gè)數(shù)。當(dāng)K為最大值時(shí)，第個(gè)聚類(lèi)中心可以確定為：

1.2.2 具有局部空間約束的FCM算法

模糊聚類(lèi)算法基于一定準(zhǔn)則，通過(guò)最小化目標(biāo)函數(shù)對(duì)未標(biāo)記數(shù)據(jù)進(jìn)行分類(lèi)。聚類(lèi)標(biāo)準(zhǔn)函數(shù)定義為：

式中：是聚類(lèi)的數(shù)量；是加權(quán)指數(shù)，可以控制聚類(lèi)結(jié)果的模糊度；(＝×)是圖像的總像素；u∈[0,1]是屬于第個(gè)聚類(lèi)的第個(gè)像素的模糊隸屬度。所有像素的隸屬度可以構(gòu)成一個(gè)矩陣＝[u]，矩陣的大小是×。d＝||x－v||是指第個(gè)像素到第個(gè)聚類(lèi)中心的歐氏距離。是聚類(lèi)中心的集合。

在目標(biāo)函數(shù)中引入提高局部鄰域像素相似度度量水平的智能控制因子G，并將其定義為：

D＝||x－v||2(8)

式中：x是位于窗口(N)的鄰域像素；D是第個(gè)像素和第個(gè)聚類(lèi)中心之間的距離。v是第個(gè)聚類(lèi)的聚類(lèi)中心。d表示第個(gè)像素和第個(gè)像素之間的歐氏距離。

本文中，采用灰度表示像素來(lái)壓縮數(shù)據(jù)空間。在預(yù)處理階段，計(jì)算每個(gè)像素所屬的灰度。在每次迭代中只需要計(jì)算一次灰度，從而降低了模糊聚類(lèi)方法的計(jì)算復(fù)雜度。

為了以較少的迭代次數(shù)實(shí)現(xiàn)算法的收斂，D重新定義為：

D￠＝||x2－v2||(9)

提出一種新的局部空間約束，定義為：

像素的模糊隸屬度發(fā)生顯著變化，加快了算法的收斂性。將灰度和局部空間約束G￠引入到目標(biāo)函數(shù)中，將改進(jìn)的FCM定義為：

式中：是圖像中灰度的總數(shù)；()是紅外圖像的直方圖；＝0,1,…,－1表示圖像灰度級(jí)；N代表以灰度為的像素為中心的8鄰域窗口；是N中的一個(gè)像素點(diǎn)。這種改進(jìn)可以有效降低計(jì)算復(fù)雜程度。

1.3 識(shí)別和定位絕緣子

絕緣子的形狀特征值有細(xì)長(zhǎng)度、圓形度、占空比和u不變矩。從拍攝的絕緣子紅外圖像中，隨機(jī)選取40張，本文計(jì)算細(xì)長(zhǎng)度和占空比兩個(gè)特征值。

1）細(xì)長(zhǎng)度lwratio

細(xì)長(zhǎng)度是指該區(qū)域的最小外接矩形的縱橫比。細(xì)長(zhǎng)度的計(jì)算公式如下：

式中：length和width分別為最小外接矩形的長(zhǎng)和寬。

圖2為選取的絕緣子紅外圖像中，絕緣子和背景區(qū)域的最小外接矩形的細(xì)長(zhǎng)比。由圖可知，絕緣子的細(xì)長(zhǎng)比在[2.1386, 7.9532]之間，而背景區(qū)域細(xì)長(zhǎng)度則普遍較小。

圖2 各區(qū)域的細(xì)長(zhǎng)度

2）占空比dutyfactor

占空比是指目標(biāo)區(qū)域占外接矩形的比例。占空比的計(jì)算公式如下：

式中：area表示目標(biāo)區(qū)域的面積；boundingbox表示區(qū)域外接矩形的面積。

圖3顯示了選取的絕緣子紅外圖像中，絕緣子和背景區(qū)域的占空比。圖中絕緣子的占空比在[0.5261, 0.7936]之間，背景區(qū)域具有寬范圍的占空比變化，很強(qiáng)的隨機(jī)性，并且大多數(shù)都低于絕緣子。

圖3 各區(qū)域的占空比

由以上分析可知，一般情況下絕緣子的細(xì)長(zhǎng)比和占空比大于塔架，本文利用這兩個(gè)指標(biāo)來(lái)找出絕緣子。利用改進(jìn)的FCM算法聚類(lèi)特征點(diǎn)，聚類(lèi)的連通區(qū)域視為可疑目標(biāo)。如果一個(gè)聚類(lèi)的形狀特征值滿(mǎn)足條件，則可以將其定義為絕緣子。因此，所有區(qū)域都可以獲得并計(jì)算最小外接矩形和每個(gè)區(qū)域的形狀特征值來(lái)識(shí)別絕緣子。用長(zhǎng)方形標(biāo)記絕緣子，所有的絕緣子可以被識(shí)別和定位出來(lái)。

1.4 絕緣子的精確提取

絕緣子故障檢測(cè)需要從圖像中提取出純粹的絕緣子串圖像。在確定絕緣子區(qū)域后，從中提取最大連通域。使用絕緣子區(qū)域定位后，即使圖像主要部分仍然是塔架和電線(xiàn)，也可以精確地分離絕緣子區(qū)域。盡管定位效果好，但通過(guò)傳統(tǒng)方法獲得的圖像中仍有不屬于絕緣子部分如電線(xiàn)和一些小的結(jié)構(gòu)，這會(huì)干擾分割結(jié)果，從而降低了結(jié)果的質(zhì)量和效果。

圖像的開(kāi)運(yùn)算可以達(dá)到斷開(kāi)細(xì)小連接并去除圖像邊緣上的毛刺的效果。圖像開(kāi)運(yùn)算是圖像形態(tài)處理的基本操作，是先腐蝕目標(biāo)圖像然后進(jìn)行膨脹的過(guò)程。

本文提出一種改進(jìn)的圖像開(kāi)運(yùn)算方法。

1）選用較小的結(jié)構(gòu)元素來(lái)腐蝕圖像，以減少圖像本身的變化，還可以消除干擾。

2）提取最大連通域。

3）膨脹連通域，避免由于結(jié)構(gòu)太小導(dǎo)致的本應(yīng)分離的結(jié)構(gòu)發(fā)生重新連接。

即在圖像的開(kāi)運(yùn)算過(guò)程中，在腐蝕和膨脹之間，加入提取最大連通域。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證該方法的有效性，做了大量實(shí)驗(yàn)。但考慮到空間的限制，僅詳細(xì)列舉了其中一張絕緣子紅外圖像的提取過(guò)程如圖4。

本文選取4組不同場(chǎng)景下拍攝的絕緣子紅外圖像，從中提取絕緣子區(qū)域。在聚類(lèi)特征點(diǎn)時(shí)，分別采用傳統(tǒng)FCM算法、K-means算法、均值漂移聚類(lèi)算法、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法提取絕緣子最終結(jié)果和本文算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖5所示。

圖4 絕緣子圖片

圖5 實(shí)驗(yàn)結(jié)果對(duì)比圖

由實(shí)驗(yàn)結(jié)果對(duì)比可以定性地分析出，在絕緣子紅外圖像中，本文算法可以準(zhǔn)確獲得絕緣子的完整形態(tài)，提取出純粹絕緣子串。傳統(tǒng)FCM算法、K-means算法、均值漂移聚類(lèi)算法、DBSCAN算法在聚類(lèi)特征點(diǎn)時(shí)，效果不好，導(dǎo)致絕緣子定位失敗，最終提取效果不好。雖也提取到完整的絕緣子區(qū)域，但也提取出大量背景區(qū)域，提取純粹絕緣子失敗。

2.2 實(shí)驗(yàn)分析

本文選擇真陽(yáng)率（TPR），假陽(yáng)率（FPR）和準(zhǔn)確率（ACC）作為各類(lèi)算法結(jié)果對(duì)比的指標(biāo)，公式如下：

TPR＝t/(14)

FPR＝f/(15)

式中：t表示實(shí)驗(yàn)提取絕緣子結(jié)果與標(biāo)準(zhǔn)參考圖像目標(biāo)點(diǎn)一致的像素點(diǎn)數(shù)；表示參考絕緣子的目標(biāo)區(qū)域；f表示實(shí)驗(yàn)提取結(jié)果中應(yīng)是背景部分但被誤分為絕緣子的像素點(diǎn)數(shù)；t表示實(shí)驗(yàn)提取結(jié)果與參考圖像背景點(diǎn)一致的像素點(diǎn)數(shù)；表示參考圖像的背景區(qū)域。

實(shí)驗(yàn)中所用各類(lèi)算法對(duì)4幅原圖的檢測(cè)結(jié)果指標(biāo)數(shù)值如表1所示。

由表1可以看出，本文算法在達(dá)到真陽(yáng)率較高的同時(shí)，也保證了假陽(yáng)率較低，可以準(zhǔn)確地完成絕緣子目標(biāo)區(qū)域的提取，而其他算法達(dá)到了真陽(yáng)率高的同時(shí)，沒(méi)有保證較低的假陽(yáng)率，表示提取到的絕緣子區(qū)域面積過(guò)大，除了絕緣子串，還包含較多背景區(qū)域。

由以上分析可知，本文算法所提取到的絕緣子更為準(zhǔn)確，幾乎沒(méi)有背景區(qū)域的干擾，與真實(shí)絕緣子區(qū)域的重合度較高。

表1 不同算法定量分析對(duì)比

3 結(jié)論

本文介紹了一種基于紅外圖像的絕緣子提取方法。首先，使用SURF提取測(cè)試紅外圖像的關(guān)鍵特征點(diǎn)，然后根據(jù)基于改進(jìn)FCM聚類(lèi)算法將特征點(diǎn)劃分為個(gè)互斥類(lèi)。找到每個(gè)類(lèi)別的連接區(qū)域，并計(jì)算最小外接矩形和每個(gè)區(qū)域的形狀特征值以識(shí)別絕緣子，并通過(guò)矩形框定位絕緣子。最后，利用在圖像的開(kāi)運(yùn)算過(guò)程中穿插最大連通域提取的融合方法，精確提取絕緣子。在測(cè)試的絕緣子紅外圖像中，本文通過(guò)實(shí)驗(yàn)結(jié)果定量分析驗(yàn)證了這種方法的有效性。

[1] 王淼, 杜偉, 孫鴻博, 等. 基于紅外圖像識(shí)別的輸電線(xiàn)路故障診斷方法[J]. 紅外技術(shù), 2017, 39(4): 383-386.

WANG Miao，DU Wei，SUN Hongbo, et al. Transmission Line Fault Diagnosis Method Based on Infrared Image Recognition[J]., 2017, 39(4): 383-386.

[2] 劉正庭, 尹駿剛, 李凱迪, 等. 基于分水嶺算法的絕緣子串紅外圖像分割方法[J]. 電瓷避雷器, 2020(2): 216-221, 228.

LIU Zhengting, YIN Jungang, LI Kaidi, et al. Infrared Image Segmentation of Insulator Strings Based on Watershed Algorithm[J]., 2020(2): 216-221, 228.

[3] 付強(qiáng), 姚建剛, 李唐兵, 等. 基于紅外圖像的絕緣子串鋼帽和盤(pán)面區(qū)域自動(dòng)提取方法[J]. 紅外技術(shù), 2016, 38(11): 969-974, 979.

FU Qiang，YAO Jiangang，LI Tangbing, et al. The Automatic Extraction Method of the Insulator String's Steel Capsand Disks Area Based on Infrared Image[J]., 2016, 38(11): 969-974, 979.

[4] 張曉春, 歐陽(yáng)廣澤, 何洪英, 等. 基于紅外圖像匹配的零值絕緣子檢測(cè)[J]. 電測(cè)與儀表, 2019, 56(6): 100-105.

ZHANG Xiaochun, OUYANG Guangze, HE Hongying, et al. Zero-insulator detection based on infrared images matching[J]., 2019, 56(6): 100-105.

[5] 張也, 彭子健, 付強(qiáng), 等. 環(huán)境濕度對(duì)瓷質(zhì)絕緣子串電壓分布及紅外熱像檢測(cè)的影響分析[J]. 電網(wǎng)技術(shù), 2018, 42(4): 1342-1349.

ZHANG Ye, PENG Zijiang, FU Qiang, et al. Analysis of Environment Humidity Influence on Voltage Distribution and Infrared ThermalImage Detection of Porcelain Insulator Strings[J]., 2018, 42(4): 1342-1349.

[6] Oliveira J P S de, Conci A, Pérez M G, et al. Segmentation of infrared images: A new technology for early detection of breast diseases[C]//, 2015: 1765-1771.

[7] ZHAO Q, Xiao-li L, YU L, et al. A fuzzy clustering image segmentation algorithm based on Hidden Markov Random Field models and Voronoi Tessellation[J]., 2017, 85(1): 49-55.

[8] ZHANG R, ZHU S, ZHOU Q. A novel gradient vector flow snake model based on convex function for infrared image segmentation[J]., 2016, 16(10): 1756.

[9] BAI X,WANG Y, GUO S. Symmetry Information Based Fuzzy Clustering for Infrared Pedestrian Segmentation[J]., 2018, 26(4): 1946-1959.

[10] ZHANG H, HONG X. Infrared image segmentation for photovoltaic panels based on Res-UNet[C]//, 2019: 611-622.

[11] HE L, HUANG S. Modified firefly algorithm based multi-level thresholding for color image segmentation[J]., 2017, 240(5): 152-174.

[12] YANG X, GAO X, TAO D, et al. An efficient MRF embedded level set method for image segmentation[C]//, 2015, 24(1): 9-21.

[13] NIU S, CHEN Q, JI Z, et al. Robust noise region-based active contour model via local similarity factor for image segmentation[J]., 2017, 61(7): 104-119.

Insulator Extraction Method Based on Infrared Image

ZHAO Lihong，GAO Qiang，YU Xiao，LI Dahua

(School of Electrical & Electronic Engineering, and Tianjin Key Laboratory for Control Theory & Applications in Complicated Systems, Tianjin University of Technology, Tianjin 300384, China)

Insulators are important equipment on the transmission line. if fault occurs, it will bring huge loss to power equipments. Locating and extracting insulator from infrared image of transmission line can basically reflect a variety of insulator faults, which is more practical in insulator identification and fault diagnosis.This paper proposes an insulator recognition method based on infrared images, which sequentially use the Speeded Up Robust Features (SURF) algorithm to extract the key feature points of the test infrared images, cluster the feature points based on the improved Fuzzy C-means (FCM) algorithm, identify and locate the insulators according to the shape feature values of the insulators and precise extraction of insulators based on improved image opening operation. This method makes full use of the advantages of infrared images and can accurately extract insulators, which lays a foundation for insulator fault diagnosis based on infrared images.

insulator, infrared image, SURF feature points, FCM algorithm, image opening operation

TN219

A

1001-8891(2020)09-0840-06

2020-06-16；

2020-09-07.

趙利鴻（1995-），女，碩士研究生，主要研究領(lǐng)域?yàn)閳D像處理。E-mail: 1532124982@qq.com。

天津市自然科學(xué)基金資助項(xiàng)目（18JCQNJC01000）；國(guó)家自然科學(xué)基金資助項(xiàng)目（61502340）；天津市教委科研計(jì)劃項(xiàng)目（2018KJ133）。