任瑩瑩

（馬鞍山職業(yè)技術(shù)學(xué)院，安徽 馬鞍山 243000）

0 引言

各種高壓輸變電設(shè)備的安全是影響電力系統(tǒng)安全、經(jīng)濟(jì)以及穩(wěn)定運(yùn)行的重要因素[1]。紅外熱像儀能夠快速、準(zhǔn)確地確定故障點(diǎn)的位置，使傳統(tǒng)電力設(shè)備由預(yù)防性試驗(yàn)維修轉(zhuǎn)換為狀態(tài)檢修[2]。然而，紅外圖像與可見(jiàn)光圖像相比，大多數(shù)紅外圖像有模糊、噪聲大的問(wèn)題[3]，嚴(yán)重影響了對(duì)故障點(diǎn)的識(shí)別處理。因此，首先需要增強(qiáng)紅外圖像目標(biāo)，降低噪聲，突出目標(biāo)信息，削弱或除去雜亂信息；其次，對(duì)紅外圖像進(jìn)行合理的分割處理、分離目標(biāo)和背景圖像；最后，對(duì)圖像進(jìn)行目標(biāo)識(shí)別處理。此外電力裝置種類繁多，不同設(shè)備的故障特征各不相同[3]。因此，在電力設(shè)備目標(biāo)識(shí)別的故障診斷研究中對(duì)紅外圖像進(jìn)行處理是非常必要的。針對(duì)變電站紅外圖像目標(biāo)識(shí)別存在的需要在雜亂背景下進(jìn)行多目標(biāo)同步識(shí)別的難點(diǎn)，該文提出了一種不同的分割方法，并將該方法與模式匹配算法相結(jié)合，實(shí)現(xiàn)了在目標(biāo)具有不同特征且在不同環(huán)境的情況下對(duì)電力設(shè)備進(jìn)行識(shí)別的目標(biāo)。

1 紅外圖像的預(yù)處理

由于紅外熱像儀自身成像原理及探測(cè)環(huán)境的影響，電力設(shè)備紅外圖像與可見(jiàn)光圖像相比，大多數(shù)存在低對(duì)比度、邊緣模糊以及噪聲大等缺點(diǎn)。這樣就會(huì)影響后續(xù)圖像分割的質(zhì)量，進(jìn)而影響目標(biāo)特征的提取和目標(biāo)識(shí)別。因此，首先要對(duì)采集到的電力設(shè)備紅外圖像進(jìn)行必要的預(yù)處理，例如直方圖均衡化和圖像分割等[4]。為后續(xù)的特征提取和目標(biāo)識(shí)別做好必要的準(zhǔn)備工作，從而保證電力設(shè)備目標(biāo)識(shí)別的準(zhǔn)確性。

1.1 紅外圖像直方圖均衡化

直方圖均衡化是利用累積分函數(shù)對(duì)一幅圖像進(jìn)行變換，這樣就增加了像素灰度值的動(dòng)態(tài)范圍，從而達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。直方圖均衡化處理是以累積分布函數(shù)變換法為基礎(chǔ)的直方圖修正法，其函數(shù)如公式（1）和公式（2）所示。

式中：S為離散圖像的變換函數(shù)；T（r）為灰度值的變換函數(shù)；pr（r）為灰度值為r的概率；r為灰度值；s為變換后的圖像灰度；ps（s）為變換后的灰度級(jí)的概率密度函數(shù)。

當(dāng)灰度級(jí)是離散值時(shí)，可用頻數(shù)近似代替概率值[5]。，如公式（3）、公式（4）所示。

式中：L為灰度級(jí)的總數(shù)目；Si為第i級(jí)離散圖像的變換函數(shù)表達(dá)式；ri為第i級(jí)灰度值；T（ri）為 第i級(jí)灰度級(jí)的變換函數(shù)；T-1為反變換式；ni為圖像中出現(xiàn)第i級(jí)灰度級(jí)的次數(shù)；n為圖像中像素總數(shù)；pr（ri）為第i級(jí)灰度級(jí)的概率。使用累積分布函數(shù)作為灰度變換函數(shù)，變換后直方圖的均衡性提高，圖像更加平坦，而且灰度值范圍變寬，圖像的對(duì)比度也會(huì)增強(qiáng)。

1.2 紅外圖像的濾波降噪處理

1.2.1 中值濾波

中值濾波是一種常見(jiàn)的非線性濾波，是一種鄰域運(yùn)算，按照灰度級(jí)對(duì)領(lǐng)域中的像素集合進(jìn)行排序，然后選擇該集合的中間值作為輸出像素值[6]。二維中值濾波輸出如公式（5）所示。

式中：f（x,y）、g（x,y）為原圖像和處理后圖像；W為二維模板；k,l為二維模板坐標(biāo)；Med為均方根值。

圖1 為加入了椒鹽噪聲的紅外圖像中值濾波結(jié)果。

圖1 中值濾波結(jié)果

中值濾波可以消除雜散噪聲點(diǎn)，而且不會(huì)或較小程度地造成邊緣模糊。

1.2.2 均值濾波

均值濾波是通過(guò)一像點(diǎn)和鄰域內(nèi)像素點(diǎn)求平均的方法來(lái)去除圖像中的不相關(guān)細(xì)節(jié)的像素點(diǎn)，從而濾掉一定的噪聲，可以去除圖像中的顆粒噪聲[6]。假設(shè)處理的像素點(diǎn)的坐標(biāo)為（x，y），該模板由該點(diǎn)附近的像素點(diǎn)構(gòu)成，求解模板附近像素點(diǎn)的平均值，然后將平均值賦值給該點(diǎn)，記為該點(diǎn)的像素值，如公式（6）所示。

式中：s為模板；M為該模板中像素的總個(gè)數(shù)；f（x,y）為原圖像。

圖2 為加入了椒鹽噪聲的紅外圖像均值濾波結(jié)果，去噪效果與所采用鄰域的半徑有關(guān)，一定程度上鄰域半徑越大，去噪效果越好，但是圖像的模糊程度也越大。

圖2 均值濾波效果圖

均值濾波是一種抑制噪聲增強(qiáng)的簡(jiǎn)單算法，但是噪聲部分卻被弱化到周圍的像素點(diǎn)上。

1.2.3 綜合中值濾波

對(duì)需要濾波的點(diǎn)x，先采用長(zhǎng)度為N的N×1 縱向窗口得到各點(diǎn)灰度值的排序，獲取它的最大值、中值和最小值，并且與濾波點(diǎn)的灰度值進(jìn)行比較，假如該點(diǎn)的值介于最大值與最小值之間，則認(rèn)為該點(diǎn)非噪聲點(diǎn)，將該點(diǎn)的值作為縱向?yàn)V波值，否則把它的中值作為縱向?yàn)V波值。同理，采用1×N橫向窗口得到各點(diǎn)灰度值的排序并完成相關(guān)操作。最后，再將縱向?yàn)V波值和橫向?yàn)V波值的平均值作為綜合中值濾波并輸出。這樣的處理在降噪與原圖像非噪聲點(diǎn)的保留之間尋找到了一個(gè)最佳結(jié)合點(diǎn)，這種算法可以很好地保留非噪聲點(diǎn)。綜上所述，濾波不僅可以對(duì)窗口內(nèi)的灰度值進(jìn)行簡(jiǎn)單排序并輸出中值，而且還可以分別對(duì)每個(gè)線狀窗口進(jìn)行綜合濾波，再求解2 個(gè)線狀窗口濾波輸出值的平均值。

2 電力設(shè)備紅外圖像的分割

2.1 最大類間方差閾值分割

根據(jù)圖像的灰度特性將圖像分成背景和目標(biāo)2 個(gè)部分，通過(guò)描述目標(biāo)和背景之間類間方差的關(guān)系來(lái)確定合適的分割閾值，其算法思想如下：對(duì)于圖像I（x，y），閾值T將圖像分為前景和后景2 個(gè)圖像，前景的像素點(diǎn)數(shù)所占比例記為ω0，其灰度均值為μ0；背景像素點(diǎn)數(shù)所占比例記為ω1，其灰度均值為μ1。圖像的所有像素點(diǎn)的灰度均值記為μ，類間方差記為g[7]。取背景偏暗的圖像，圖像大小為M×N（圖像長(zhǎng)為M，寬為N）。圖像中灰度值小于閾值T的像素個(gè)數(shù)記作N0，像素灰度大于閾值T的像素個(gè)數(shù)記作N1，則類間方差如公式（7）所示。

其中：

方差是一種灰度均勻的度量，方差與目標(biāo)和背景的差別呈正比。當(dāng)部分目標(biāo)和背景相互錯(cuò)誤區(qū)分時(shí)，都會(huì)使2 個(gè)部分的差別變小，因此當(dāng)類間方差最大時(shí)，就表明錯(cuò)誤區(qū)分的概率最小。

從圖3 可以看出，當(dāng)圖像中的目標(biāo)與背景的面積相差很大時(shí)，直方圖分割效果不佳，最大類間方差法不能準(zhǔn)確地將目標(biāo)與背景分開(kāi)，目標(biāo)邊緣模糊且背景噪聲大。

圖3 大津分割結(jié)果

針對(duì)上述問(wèn)題，筆者提出了一種改進(jìn)的最大類間方差法。

2.2 改進(jìn)的最大類間方差法

把灰度范圍分割為C0和C12 個(gè)部分，t為分割邊界值，C0={0，1，2，…，t}，C1={t+1，…，L-1}，求各個(gè)像素的平均梯度值如公式（8）所示。

式中：F（x,y）為梯度矩陣；ni為灰度值為i的頻數(shù)；Wi為每一個(gè)像素點(diǎn)的梯度值；Hi為各個(gè)像素的平均梯度值。

F（x，y）是M×N紅外圖像在（x，y）坐標(biāo)點(diǎn)的灰度值；Wi={（x,y）I（x,y）=i}。

像素均值和梯度方差的函數(shù)如公式（9）和公式（10）所示。

式中：t和L分別為分割出兩個(gè)區(qū)域C0和C1的灰度范圍；μ0、μ1為兩類像素各自的均值、為各部分的梯度方差。得灰度值梯度均值方差最大的閾值t如公式（11）所示。

公式（11）中得到的最佳閾值t將圖像分成2 個(gè)部分：目標(biāo)區(qū)域和背景區(qū)域。如果閾值t大，部分目標(biāo)就會(huì)被淹沒(méi)，使背景區(qū)域變大；如果閾值t小，則有一部分背景進(jìn)入目標(biāo)區(qū)域，使目標(biāo)區(qū)域摻雜的背景太多，影響整個(gè)圖像的處理。由公式（10）可知，使兩方差乘積最大的閾值t，即為最佳閾值。紅外圖像進(jìn)行灰度變換后采用改進(jìn)的最大類間方差算法進(jìn)行分割，分割后的圖像目標(biāo)邊緣清晰、背景噪聲小。分割的結(jié)果如圖4 所示。

圖4 改進(jìn)算法的分割結(jié)果

3 紅外圖像目標(biāo)識(shí)別算法

3.1 模板匹配識(shí)別算法

假設(shè)模板T的大小為N×N，搜索圖S的大小為N×N。將模板T疊放在搜索圖S上進(jìn)行平移，模板覆蓋下的那塊搜索圖叫子圖S i,j[8]。模板示意圖如圖5 所示（i,j分別為子圖的長(zhǎng)和寬）。如果T和S i,j一致，則T和S i,j無(wú)差別。因此使用以下測(cè)度來(lái)表示T和S i,j的相似程度，如公式（12）～公式（15）所示。

圖5 模板及其搜索圖

式中：T（m,n）為模板T；m,n為當(dāng)前的坐標(biāo)；D1為模板的總能量，是一個(gè)常數(shù)；D2為子圖像和模板圖像的互相關(guān)，隨（i,j）的變化而改變；S i,j為子圖；D3為模板覆蓋下子圖的能量，它隨（i,j）位置的變化而緩慢改變；D（i,j）為相似程度。

當(dāng)D（i,j）取值最大時(shí)，表明T和S i,j匹配，因此也可以用互相關(guān)函數(shù)R（i,j）作相似測(cè)度，如公式（16）所示。

通過(guò)改進(jìn)的最大類間方差法獲取最佳閾值。并根據(jù)施瓦茲不等式0 ≤R（i，j）≤1，僅在施瓦茲不等式比值為常數(shù)時(shí)，R（i，j）取極大值，即得到匹配圖像。圖6 為匹配算法對(duì)不同形態(tài)的識(shí)別結(jié)果；圖7 為匹配算法對(duì)多個(gè)目標(biāo)的識(shí)別結(jié)果。

圖6 不同形態(tài)的識(shí)別結(jié)果

圖7 多個(gè)目標(biāo)的識(shí)別結(jié)果

實(shí)驗(yàn)證明被搜索圖像的大小與匹配速度呈負(fù)相關(guān)，最佳閾值能夠提升匹配速度。

5 結(jié)論

該文提出了一種改進(jìn)的最大類間方差法，提升了分割圖像目標(biāo)圖像的清晰度，解決了最大類間方差法閾值偏小、少部分背景被錯(cuò)劃成目標(biāo)的問(wèn)題。首先通過(guò)調(diào)解分割閾值獲取最佳閾值；其次，將該分割方法與模塊匹配識(shí)別算法相結(jié)合，通過(guò)施瓦茲不等式獲取匹配圖像，提升了對(duì)不同目標(biāo)的可區(qū)分性，加快了搜索圖像的匹配速度；最后，通過(guò)對(duì)電力設(shè)備的紅外圖像的應(yīng)用驗(yàn)證了其在電力設(shè)備目標(biāo)視覺(jué)識(shí)別中的可行性。