一種基于紅外視頻圖像電力設施故障識別方法

周 煜

（國家電網公司華北電力調控分中心，北京 100053）

隨著現代社會電力資源需求愈發提高，給電力系統運行帶來了巨大壓力，電力設施故障出現頻率越來越高。由于電力設施一般廣泛分布于農村、城市、山區，檢修部門人力資源有限，難以第一時間發現故障并加以排除。因此，對電力設施故障進行紅外在線監測是一個較為理想的方法。

由于紅外監測圖像的成像環境復雜，以及紅外圖像本身所具有低對比度的特性，這使得獲取的監測圖像中或多或少存在一些噪聲，導致圖像質量有所下降。因此，有必要對該類圖像進行預處理，以最佳恢復圖像所刻畫的真實信息，這樣勢必有助于提高電力設施的識別準確率，避免誤判。在該領域，相關學者也做了一些工作，金立軍[1]等通過借助于圖像處理方法對電力設備放電現象進行檢測研究，魏立明[2]等將圖像增強和檢測方法對電力設備故障進行診斷，吳曉東等[3]通過圖像分割方法成功地從SAR圖像中檢測出電力線等信息。

受到上述各項研究成果的啟發，本文首先對紅外監控降質圖像預處理算法進行研究，然后實現基于復原圖像的電力設施故障識別。

1 提升小波變換實現步驟分析

提升小波變換[4-5]相對于經典小波變換而言，具有更高精度，信號分解與重構單層提升小波變換的主要步驟為：

1）分解（Split），將上述信號集合分解成偶序列η2j和奇數序列φ2j-1，并且這兩類序列彼此互不相交，該步驟中圖像信號序列可表示為

2）預測（Predict)，該步驟是基于圖像信號間存在相關性這一前提，采用相鄰信號偶數序列對奇數序列進行預測，通過對奇數序列的真實值與預測值作差，該差值可稱之為細節系數，預測步驟為

式中：D2j-1為細節系數；p[?]代表預測算子。

3）更新（Update），采用更新算子U[?]對步驟2）中產生的序列D2j-1進行更新，其過程為

2 本文算法基本思路

2.1 高頻部分處理

圖像經過提升小波變換后，獲得低頻系數和不同方向的高頻系數，低頻部分包含圖像中的背景信息；高頻系數則是圖像中邊緣、輪廓線、突變點的反映，對于降質的紅外電力設施監控圖像而言，該部分還包含一些降質信息——噪聲。對于高頻部分分解系數可以通過圖1進行形象化的描述。

圖1 高頻部分分解系數

本文提出一種基于分解窗口的自適應加權改進中值濾波算法，基本思路是：將大小為m×m的濾波窗口分解成m個大小為1×m的子窗口，通過對各子窗口分解進行自適應加權中值濾波，待各子窗口濾波完畢，即獲得一個m×1的新型窗口，再次通過對該窗口進行自適應加權中值濾波，從而將最終濾波結果加以輸出，如圖2所示。

圖2 本文改進自適應中值濾波算法基本流程

相對于以往的加權中值濾波，本文算法的特點有：1）窗口可分解性，即小波域中不同方向分布的子圖像通過濾波窗口加以分解，以盡可能保持圖像信息的連續性；2）權重的自適應性，即權重的設置依賴于各分解窗口中像素數量以及像素間幾何距離大小這兩類因素。下文以大小5×5的濾波窗口為例，結合不同方向分布的小波分解子圖像分別加以討論。

2.1.1 水平方向分布的高頻部分處理

1）以圖1中各個1×5子窗口的中心像素點fx(i,j)（x∈[1,5]）作為待濾波點，計算其余各點與該點的幾何距離為

權重P水平可進行如下計算

通過各點灰度值（除中心點外）分別乘以各自權重，在此基礎上做和運算

式中：f′水平(i,j)即為1×5窗口的濾波結果；{f水平(i,j)}為該窗口中除中心點外的像素點集合。

2）通過采用1）中方法完成其余4個1×5窗口的濾波，即獲得一個新型濾波值集合

3）統計式（7）集合中元素數目N1，若大于3則進行經典中值濾波，否則取所有元素均值作為最終濾波值輸出。

2.1.2 水平方向分布的高頻部分處理

1）統計1×5子窗口中像素點個數N2，若N2=1，則將該點不作處理直接輸出；若N2=2，則取兩點均值加以輸出；若N2≥3，則對其進行經典中值濾波，輸出濾波值。

2）經過處理后，獲得一個新集合

3）對于式（8）所描述的集合，首先以該集合中點作為待濾波點，計算其余各像素點與該點的幾何距離

然后，權重P垂直可計算成

將該集合中除中心點外的各點灰度值分別乘以各自對應的權重，再進行求和運算，所得結果即為濾波值。

2.1.3 對角方向分布的高頻部分處理步驟

1）統計1×5子窗口中像素點數目N3，若N3＞3，則忽略各點幾何距離因素，直接進行中值濾波即等權中值濾波；否則將該窗口所有點灰度值均值作為濾波結果輸出。

2）對于步驟1）中所獲取的濾波點的集合{f′對角(i,j)}={f′對角1(i,j),f′對角2(i,j),…,f′對角5(i,j)}，分 別求其中間值和均值。

以上針對水平、垂直、對角三類小波分解子圖像分別給出了本文改進自適應中值濾波算法基本實現步驟，通過分別對各方向的小波分解子圖像進行較為精細的濾波，以便消除其中所包含的噪聲。

2.2 低頻部分處理

電力設施紅外監控降質圖像經過提升小波變換后，獲得的低頻分解系數盡管包含了圖像絕大多數信息，受到噪聲污染程度低，但如果對該部分噪聲不加考慮，則對最終的重構圖像質量會有所影響。因此，對于該部分分解系數，提出一種改進型閾值函數模型為

式中：為小波系數幅值；T′為閾值。該模型在經典小波閾值[6]的基礎上，通過對經典恒定偏差T引入一個修正因子，使得該恒定偏差會隨著小波分解層數的變化而自適應調整，從而對經典小波軟閾值在處理圖像時容易出現的不連續性這一缺陷進行適當修正。但經典閾值，該閾值總體上為全局閾值，一方面隨著小波分解層數的增大各分解系數幅值會有所衰減；另一方面，小波低頻分解系數幅值均比較大，如果采用該閾值進行處理，容易將相當一部分圖像信息置0，因此，該全局閾值無法適應小波系數的精細化處理。基于以上分析，本文對該閾值引入了小波分解層數信息進行適當改進，即

式中：σ為噪聲方差；n為圖像信號大小。該閾值隨著分解層數的增大而自適應降低，這符合圖像小波分解特征。本文提出的改進型閾值函數模型為

2.3 重構圖像增強方法

針對小波重構圖像在一定程度上會有所失真，因此有必要對重構圖像進行后處理。就圖像信息而言，大體上有如下幾類：1）目標信息，該部分是圖像中的感興趣信息，即為電力設備故障所在區域信息；2）背景信息，該信息即為圖像中的灰度值較低的部分信息；3）過渡信息，該部分信息介于上述兩類信息間，且有助于目標信息的判別。有必要對上述3類信息加以區分，對于背景信息加以抑制，對于目標信息適當增強，因此，提出一種基于圖像分類信息的自適應增強方法：首先整幅圖像中灰度最大值和最小值，將兩者均值作為圖像信息初始分類閾值t；然后對該閾值進行上下延拓，獲得閾值區間，該區間中的圖像信息可認定為過渡信息，小于或大于該區間的即為背景信息和目標信息。根據這一分類，對于目標信息區域進行自適應同態濾波，過渡區域則不作處理，背景信息則進行適當抑制。據此，本文圖像自適應增強方法為

式中：f(i,j)代表圖像中任意一點灰度值；t為閾值。

3 實驗仿真

3.1 實驗方案一

采用2幅電力設施故障監測降質熱紅外圖像作為數據，經過文獻[7]、文獻[8]以及本文算法處理后，其結果對應于表1和圖4、圖5所示。

表1 本文2幅圖像的PSNR，RMSE計算結果

采用文獻[7]和文獻[8]以及本文算法分別對圖4a和圖5a降質的熱紅外電力設施監控圖像進行復原，本文算法對兩類降質圖像復原后圖像質量明顯改善，基本排除了圖像中噪聲的干擾，而其余兩類算法處理后的圖像中仍存在不同程度的模糊；本文算法的PSNR值高于文獻[7]約2～3 dB，高于文獻[8]約1～2 dB，且RMSE值也明顯低于其余兩類算法，這可以反映出采用本文算法復原得到的圖像質量較好。

圖4 第一幅圖像處理結果對比

圖5 第二幅圖像處理結果對比

3.2 實驗方案二

對實地拍攝的100幅故障圖像從中分別抽取5幅圖像、10幅圖像、15幅圖像、20幅圖像、25幅圖像，通過目視解譯與實地調查相結合的方法來驗證識別的準確率（記為方法2），并與直接通過降質圖像進行故障識別的準確率進行對比（記為方法1），實驗結果如表2所示。

表2 實驗結果對比

通過簡單計算可以看出，方法1故障識別的準確率平均值為63.1%，方法2故障識別的準確率平均值為96.8%，這可以說明，本文所提出的圖像復原算法對于提高電力設施故障識別準確率是有所幫助的。

4 結束語

本文提出了一種基于紅外視頻圖像復原的故障識別方法。實驗證明，本文算法復原圖像質量優于部分已有算法，且通過本文算法復原圖像后，再進行故障識別，其準確率明顯提高。

[1] 余立軍，陳俊佑，張文豪，等.基于圖像處理技術的電力設備局部放電紫外成像檢測[J].電力系統保護與控制，2013，41（8）：43-48.

[2] 魏立明，楊天野.基于圖像增強和邊緣檢測的電力設備故障診斷研究[J].吉林建筑工程學院學報，2012，29（4）：84-86.

[3] 吳曉東，李瑛，劉曉偉，等.基于多尺度聯合分割的SAR圖像電力線走廊變化檢測[J].電力科學與技術學報，2012，27（4）：51-55.

[4] 黃德天，吳志勇.提升小波變換在NAS-RIF盲復原算法中的應用[J].計算機輔助設計與圖形學學報，2012，24（12）：1614-1620.

[5] 劉艷萍，高國榮，龔寧，等.提升小波變換與中值濾波的紅外光譜消噪[J].光譜學與光譜分析，2012，32（8）：2085-2088.

[6] 王瑞，張友純.新閾值函數下的小波閾值去噪[J].計算機工程與應用，2013，49（15）：215-218.

[7] 余光華.一種結合圖像增強的高斯噪聲組合濾波算法[J].電視技術，2013，37（15）：11-14.

[8] 王德旺，王改利.自適應中值濾波在云雷達數據預處理的應用[J].激光技術，2012，36（2）：221-114.