基于密度相似因子的電力紅外圖像分割方法

余 彬，萬燕珍，陳思超，翁利國

?

基于密度相似因子的電力紅外圖像分割方法

余 彬，萬燕珍，陳思超，翁利國

（國網浙江杭州市蕭山區供電公司，浙江 杭州 311200）

針對電力設備紅外圖像包含大量的噪聲，且設備邊緣較為模糊，傳統圖像分割方法無法有效提取紅外圖像中電力設備等問題，提出一種基于密度相似因子的電力設備紅外圖像分割方法。首先，對獲取的電力設備紅外圖像分別進行R、G、B三通道光照不均勻性校正，其次，轉換至Lab彩色空間并構造待分割的特征空間信息點集，然后采用最小距離原則分配信息點到最鄰近的聚類中心，再通過平均連接代價和-距離鄰域的平均連接代價，計算出信息點的密度相似因子，最終實現電力設備紅外圖像濾除噪聲分割。通過與均值和模糊均值對實際絕緣子紅外圖像的分割實驗定量對比，實驗結果表明，本文所提方法具有噪聲濾除能力，改善了分割效果。

故障診斷；紅外圖像分割；密度相似因子

0 引言

近年來，我國電網規模不斷擴大，為保障大電網的安全穩定運行，高效、準確的電力設備故障診斷方法需求愈加迫切。電力設備故障大多都與發熱有著緊密的關系，而紅外圖像是基于熱輻射原理生成的，所以基于紅外圖像的電力設備診斷技術得以發展。相比與傳統的基于電參數測量的故障診斷法，基于紅外圖像的電力設備診斷方法因具有非接觸、不影響電力設備在線工作等優點而廣泛應用[1]。然而在實際使用時，基于紅外圖像的電力設備診斷方法仍依賴于人工進行判斷，即檢測人員根據獲得的電力設備紅外圖像憑經驗對故障進行判斷，這樣不僅耗費大量時間，而且其主觀性較強，誤判率較高，不符合現代智能電網發展的要求。目前，針對電力設備紅外圖像的自動故障診斷方法的研究成為熱點，其中電力設備紅外圖像的分割處理是后續圖像特征信息有效提取，以及故障自動診斷的基礎。可以說，分割的好壞關乎到電力設備故障自動診斷是否準確。然而非檢測目標的熱輻射會干擾所獲得紅外圖像的質量，使其具有噪聲大、對比度不高的特點，從而給圖像分割帶來一定的困難[2-3]。因此，對于實現這種成像質量低的電力設備紅外圖像分割，需要重視分割方法的抗噪特性，從而保證高質量的分割效果。電力設備紅外圖像分割方法目前有以下幾種：①基于閾值的分割方法，該方法的核心思想是選擇合適的閾值來實現圖像分割，但其只考慮像素本身的灰度值，而未考慮像素點的空間特征，所以不能有效去除噪聲[4]。②基于邊緣的分割方法，該方法根據圖像灰度值的不連續性，運用檢測算子突出圖像的邊緣，但這些算子對噪聲十分敏感[5-6]。③基于區域的分割方法，該方法存在區域生長和分裂合并兩種基本形式。其中區域生長方法的核心是選取特定種子點，以種子點開始掃描并合并相鄰的像素點，對噪聲也比較敏感。而分裂合并方法立足于整個圖像的逐漸分裂后再區域合并，是否存在像素級的分裂會影響分割的準確度以及時間復雜度[7-9]。④基于特征空間的聚類分割方法，該方法將圖像中每個具有信息特征的像素點用一個多維特征空間系中的點表示，基于特定理論將每個信息點分歸于某一類中，其智能程度較高，但并未考慮圖像中噪聲的濾除，從而產生大量噪聲的誤分類[10]，即含噪電力設備紅外圖像的分割效果不盡理想。

針對電力設備紅外圖像中傳統分割方法效果不好，抗噪特性不佳的問題，本文提出一種基于密度相似因子的電力設備紅外圖像分割方法，主要是先按最小距離原則將信息點分配到最鄰近的聚類中心，然后利用密度相似因子對信息點進行評估從而完成噪聲濾除，最終將保留的信息點集映射回原圖像空間，即可完成圖像目標域的分割。通過實驗驗證，本文所提方法可以較好地完成電力設備紅外圖像分割，表現出好的噪聲濾除能力，抗噪性強，分割效果得到改善。

1 紅外圖像聚類分割方法

聚類是按照樣本數據集相似的特性，將其分類為若干子集的過程，使得分類結果符合評價指標最優?；谔卣骺臻g的聚類算法之所以廣泛應用于圖像分割中，是因為它是無監督的分類方法，對先驗知識沒有要求。該算法首先采用多維特征空間系中的點與圖像中所有具有信息特征的像素點一一對應，接著通過多維特征空間中點的聚類分析實現特征空間中的目標分割。最后根據映射原理，原圖像中的每一個像素點的聚類分割實現原圖像空間中的目標分割[11]。均值是最傳統的聚類方法，該方法通過隨機選取個原始數據點作為初始聚類中心，按剩余點與所有初始聚類中心間的相似度最高進行歸并，再計算類均值更新各類的聚類中心，根據相鄰兩次的聚類中心不變，即評價聚類性能的某個準則函數達到最優時聚類完成[12]。其中，一般選取誤差平方和準則函數作為聚類準則函數，即當誤差平方和準則函數小于閾值，聚類中心迭代終止。模糊均值是對均值聚類算法在模糊數學基礎上的柔性模糊劃分，通過最優化一個模糊目標函數實現聚類，它不同于均值聚類認為每個點只能屬于某一類的硬分類過程，而是以隸屬度來標定每個數據點屬于某個類的程度[13]。采用隸屬度可以更好地標定類邊緣點從屬，這種針對不確定性的客觀描述，更加符合圖像分割中邊緣像素點模糊性的描述目標。對于聚類準則函數，一般選取類內加權誤差平方和的極小值。

2 本文所提方法

本文所提方法先按最小距離原則將信息點分配到最鄰近的聚類中心，再通過平均連接代價和-距離鄰域的平均連接代價，計算出信息點的密度相似因子，完成噪聲的濾除和特征空間的分割，算法描述如下。

輸入：信息點集dat＝[]，分割域數目，加權指數，閾值，以及任意正整數。

輸出：目標分割域的信息點集[]。

步驟1：采用隨機數初始化隸屬度矩陣＝[]，取＝0，其中，?[0,1]是第個分割域中信息點集的隸屬度。

步驟2：計算各分割域的聚類中心v：

式中：是特征空間信息點集的樣本數。

步驟3：更新隸屬度矩陣，＝＋1：

式中：d＝(x－v)T(x－v)表示特征空間信息點集中樣本點x到聚類中心v的歐氏距離。

步驟5：采用最大隸屬函數度法，用B表示第個信息點所屬的類別，B＝arg{max()}，提取屬于目標域類別的特征空間信息點集[]。

步驟6：計算[]中信息點兩兩之間的歐氏距離并且確定出每個信息點的-距離鄰域N()[14]。

步驟7：計算[]中所有信息點的-密度（kden）：

步驟8：構建[]中所有對象的密度相似序列（SDS）：

SDS()＝{,1,2,…,c} (4)

式中：c?N()；＝1,2,…,；是N()中對象的個數且滿足：c是{c,…,c}中對于{,1,…,－1}的密度相似近鄰。

此步驟是一個反復計算的過程，SDS()的初始值是{}。在每次計算時，算法不斷從N()剩下對象中找到對于SDS()的密度相似近鄰，并把找出的對象加到SDS()中去。如果找到的對象不只一個，則根據事先排好的對象順序將前者加到SDS()中去。在每次計算完畢后，更新SDS()信息后再進行下一次計算。當N()中所有對象都被陸續加入到SDS()后，該步驟結束。此時，對象的密度相似序列構建完畢。采用同樣的方法，可以完成對[]中所有對象的密度相似序列的構建。

步驟9：基于密度相似序列，計算[]中所有對象的平均連接代價（ASC）：

步驟10：計算[]中所有信息點的密度相似因子（DSF）：

步驟11：[]中密度相似因子DSF高于1的信息點被認為是噪聲并對其濾除，剩余的即為目標分割域的信息點集[]并輸出。

將輸出的信息點集[]映射回原圖像空間，即實現了原圖像目標域的分割。

3 實驗與分析

為驗證本文所提方法的分割效果和抗噪性，將本文所提方法與均值、模糊均值聚類分割法進行兩組分割對比實驗。3種方法均對原始電力設備紅外圖像分別進行R、G、B三通道光照不均勻性校正；將RGB空間轉換成Lab空間，并構造由像素的歸一化橫、縱坐標以及L、a、b三色值共5個參數組成的特征空間信息點集dat矩陣。以原始圖像的手動目標域分割圖作為黃金標準分割圖，采用常用的Jaccard相似度（JS）和Dice相似系數（DSC）作為分割效果的定量評價量度，具體公式如下，其中JS和DSC越接近1表明分割效果越好：

式中：g是原始圖像手動分割后金標準分割圖的目標域的面積；m是算法分割后的目標域面積；(×)是區域內像素點的數目。

電力設備的紅外圖像分割的目的是提取圖像中的電力設備，即屬于二分割問題，故3種聚類分割域數目均取2。此外，迭代終止閾值取默認值＝1.0－5，模糊均值及本文所提方法中加權指數均取2，且取10[15]。圖1是采用FLIR T630紅外熱像儀獲取的電力系統中絕緣子的紅外原始圖像，也是本文的實驗對象，對其手動分割后的圖像作為金標準分割圖，如圖2所示。

圖1 絕緣子紅外原始圖

圖2 黃金標準分割圖

實驗一：對圖1進行分割對比實驗，相應的結果如圖3所示。比較圖3中不同方法的分割效果圖和圖2金標準分割圖，可以看出均值分割法將絕緣子中上區域白點錯分成背景黑點最多，而模糊均值分割法以及本文所提方法對于絕緣子中上區域白點錯分成背景黑點的情況不明顯，兩者分割效果類似，其他區域3種方法分割效果類似。結果表明本文所提方法和模糊均值分割法的效果均優于均值分割法，且與模糊均值分割法的效果接近。表1列出了通過JS及DSC對3種分割方法的定量評價結果，雖然本文所提方法的JS值和模糊均值分割方法的一樣，但DSC值更接近1，所以本文所提方法的分割效果最好。

圖3 不同方法分割效果圖

表1 分割效果定量評價結果

實驗二：對絕緣子紅外原始圖添加0.001椒鹽噪聲后進行分割對比實驗，添加噪聲后的圖像如圖4所示。對圖4進行分割對比實驗，相應的結果如圖5所示。通過比較圖5不同方法的分割效果圖和圖2金標準分割圖，可以直觀看出均值分割法將絕緣子中上區域白點錯分成背景黑點最多，將部分背景左區域噪聲黑點錯分成絕緣子白點，濾除了部分添加的噪聲；模糊均值分割法將背景區域噪聲黑點錯分成絕緣子白點最多，幾乎沒有濾除添加的噪聲；而本文所提方法沒有前兩種方法存在的明顯錯分現象，幾乎濾除了所有添加的噪聲。表2列出了通過JS及DSC對3種分割方法的定量評價結果，本文所提方法的JS值和DSC值更接近1，相比于模糊均值分割法的JS值和DSC值提升程度均約為0.001，所以本文所提方法對于添加噪聲后的圖像分割效果最好。

圖4 絕緣子紅外原始圖添加0.001椒鹽噪聲后圖像

圖5 添加噪聲后的不同方法分割效果圖

綜上所述，本文所提方法可以較好地完成電力設備紅外圖像分割，具有一定的噪聲濾除能力，表現出強的抗噪性，分割效果得到改善。

表2 添加噪聲后分割效果定量評價結果

4 結論

本文提出一種基于密度相似因子的電力設備紅外圖像分割方法，主要是先按最小距離原則將信息點分配到最鄰近的聚類中心，然后利用密度相似因子對信息點進行評估從而完成噪聲濾除，最終將保留的信息點集映射回原圖像空間，即可完成圖像目標域的分割。通過對實際絕緣子紅外圖像的分割實驗驗證，本文所提方法的分割效果較好，具有一定的噪聲濾除能力，抗噪性強。

[1] 戴文遠. 基于紅外熱圖像的故障診斷方法綜述[J]. 紅外, 2013, 34(2): 16-21.

DAI Wenyuan. Review of fault diagnosis methods based on infrared thermal images[J]., 2013, 34(2): 16-21.

[2] 王啟銀, 薛建東, 任新輝.一種自適應的變電站設備紅外圖像分割方法[J]. 紅外技術, 2016, 38(9): 770-773.

WANG Qiyin, XUE Jiandong, REN Xinhui. An adaptive segmentation method of substation equipment infrared image[J]., 2016, 38(9): 770-773.

[3] Jaffery Z A, Dubey A K. Design of early fault detection technique for electrical assets using infrared thermograms[J]., 2014, 63(12): 753-759.

[4] LI Z, YANG J, LIU G, et al. Unsupervised range-constrained thresholding[J]., 2011, 32(2): 392-402.

[5] CANN Y J. A computational approach to edge detection[J]., 1986, 8(6): 679-98.

[6] XIA Q, CHEN Y K, ZHANG Z X, et al. Edge extraction algorithm of infrared thermal image based on Laplace operator and gray theory[J]., 2014, 36(5): 377-376.

[7] Adams R, Bischof L. Seeded region growing[J]., 1994, 16(6): 641-647.

[8] 林敏, 陳建新, 陳哲亮. 基于邊緣檢測與分裂合并的圖像分割算法[J]. 電子技術應用, 2011, 37(7): 130-133.

LIN Min, CHEN Jianxin, CHEN Zheliang. An image segmentation algorithm based on edge detection and split-merge[J]., 2011, 37(7): 130-133.

[9] 高晶, 蔡幸福, 劉志強, 等.基于區域生長的目標檢測方法[J]. 北京工業大學學報, 2016, 42(6): 856-861.

GAO Jing, CAI Xingfu, LIU Zhiqiang. Method of target detection based on region growing[J]., 2016, 42(6): 856-861.

[10] 魏英姿, 李靜靜. 紅外圖像分割的改進模糊C均值聚類方法[J]. 計算機工程與應用, 2014, 50(9): 163-166.

WEI Yingzi, LI Jingjing. Enhanced fuzzy C-Means clustering method for infrared image segmentation[J]., 2014, 50(9): 163-166.

[11] TAN Pangning, Steinbach M, Kumar V.[M]. USA: Addison Wesley Higher Education, 2006: 504-506.

[12] CHEN S, YANG X, TIAN Y. Discriminative hierarchical k-means tree for large-scale image classification[J]., 2014, 26(9): 2200-2205.

[13] LINK P. A novel evolutionary kernel intuitionistic fuzzy c-means clustering algorithm[J]., 2014, 22(5) : 1074-1087.

[14] CAO H, MA R, REN H, et al. Data-defect inspection with kernel-neighbor-density-change outlier factor[J]., 2016, PP(99): 1-14.

[15] Pal N R, Bezdek J C. On cluster validity for the fuzzy c-means model[J]., 1995, 3(3): 370-379.

A Density-similarity-factor-based Segmentation Method for Infrared Images of Electric Equipment

YU Bin，WAN Yanzhen，CHEN Sichao，WENG Liguo

(,311200,)

A density-similarity-factor-based segmentation method is proposed to solve the problem that power equipment cannot be distinguished effectively from noise and edge blur in infrared images by traditional image segmentation methods. First, the illumination non-uniformity of the R, G, and B channels of the original infrared images of the power equipment is corrected. Then, the R, G, and B are converted to lab color space, and the information point set of the feature space of the segmentation image is constructed. The information points are distributed to the nearest cluster center according to the principle of minimum distances. The density similarity factor of the information point is calculated from both the average connection cost, and the average connection cost of-distance neighbors that is adopted to remove the noise points. The experimental results show that the proposed method eliminates the noise points and improves the effectiveness of segmentation in comparison with the traditional clustering algorithms that use K-means and fuzzy c-means.

fault diagnosis，segmentation of infrared images，density-similarity-factor

TP391.4

A

1001-8891(2017)12-1139-05

2017-02-21；

2017-09-27.

余彬（1987-），男，本科，工程師，主要研究領域為視頻處理、信息安全。E-mail：silinyb@hotmail.com。