基于改進遺傳算法的電力設備紅外圖像分割研究

李祥　崔昊楊　皮凱云　許永鵬　錢婷

摘 要： 針對傳統的遺傳算法對目標圖像感興趣部位（ROI）分割存在收斂速度慢、耗時長、分割過當等缺點，提出一種改進遺傳算法的分割方法，該方法采用最佳熵閾值法確定分割閾值，從而減少計算量，縮短耗時。通過Matlab仿真實驗所得結果表明，改進后的遺傳算法在電力設備紅外圖像分割的時間和效果上均優于傳統算法。

關鍵詞： 遺傳算法； 最佳熵閾值； 電力設備紅外圖像； 圖像分割

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2017）21?0056?03

Research on electrical equipment infrared image segmentation

based on improved genetic algorithm

LI Xiang1， CUI Haoyang1， PI Kaiyun1， XU Yongpeng2， QIAN Ting3

（1. School of Electronics and Information Engineering， Shanghai University of Electric Power， Shanghai 200090， China；

2. Department of Electrical Engineering， Shanghai Jiao Tong University， Shanghai 200240， China；

3. Department of Communication and Information Engineering， Shanghai Technical Institute of Electronics & Information， Shanghai 210411， China）

Abstract： Since the traditional genetic algorithm used to segment the region of interest （ROI） for target image has the disadvantages of slow convergence rate， long time?consumption and excessive segmentation， a segmentation method based on the improved genetic algorithm is presented. The optimal entropy threshold method is adopted in the method to determine the segmentation threshold， reduce the amount of calculation， and shorten the time?consumption. The results of Matlab simulation experiment show that the improved genetic algorithm is superior to the traditional one in the aspects of electric equipment′s infrared image segmentation time and effect.

Keywords： genetic algorithm； optimal entropy threshold； power equipment infrared image； image segmentation

0 引 言

隨著智能電網的建設與電力系統規模的擴大，電力設備發生故障的概率也逐漸增大，這就對電力設備高可靠性、高智能化的要求也不斷提高。而大多數的電力設備故障的表象均為溫度異常，因此，通過紅外熱成像法對電力設備運行狀態實時在線監測日益受到供電企業的重視[1]。紅外熱成像（IRT）是用光學探測器檢測物體表面發射出的紅外輻射能量，并將其轉換成電信號，最終在視頻監視器上形成物體表面溫度場分布圖像。由于電力設備故障發生的種類和部位不同，就會導致設備表面呈現不同的溫度分布形式。

經過分析設備表面溫度場分布狀況，從而確定電力設備中潛在的故障隱患事故的發生。然而，對設備表面溫度場分析的焦點主要集中在故障發生處。因此，就需要采用有效的紅外圖像分割方法將設備紅外圖像故障處單獨分割出來。對設備故障處的紅外分割圖像進一步的處理，從而確定設備故障的種類和程度。對此，國內外眾多學者對紅外圖像分割技術進行研究。文獻[2]采用簡單的閾值分割法對電力設備紅外圖像進行故障部位分割；文獻[3]采用閾值分割與形態學標記法獲得ROI；文獻[4]采用傳統的遺傳算法進行電力設備紅外圖像分割；圖像[5]采用分水嶺算法對電力設備故障部位邊緣進行提取處理。但是以上分割方法均存在分割耗時等不足，而針對紅外圖像感興趣區域經常出現分割過當等問題。

傳統的遺傳和閾值分割法存在收斂性差、閾值尋找不是最優等缺點，給電力設備紅外分割帶來了很大的困擾。因此，如何提高收斂速度和縮短分割時間成為電力設備紅外圖像分割的關鍵。為有效解決上述問題，本文提出一種改進的遺傳算法，通過與最佳熵閾值分割算法結合，能夠使其自動調整，保證算法的收斂性，能夠對設備故障處圖像恰當分割，具有較高的魯棒性。

1 遺傳算法與最佳熵閾值

遺傳算法是一種模擬生物遺傳進化過程中自適應的全局搜索算法。將要處理的具體問題看作為一種生存環境，問題中的解作為生存在環境中的個體，通過運用目標函數對個體進行逐個評價，通過優勝劣汰的機制選擇出最優的個體。

在應對背景簡單的電力設備紅外圖像時，閾值分割的方法是較為簡單有效的分割方法。但是由于采集圖像時可能受到一些干擾，分割目標與周圍環境灰度值較為接近，此時得到的圖像灰度直方圖就有可能不能出現雙峰形式。因此采用簡單的閾值分割法就不能得到滿意的目標分割區域。本文采用最佳熵閾值分割方法與遺傳算法相結合的改進算法，能夠加快算法的收斂速度，還能有效地避免算法陷入局部最優而產生退化。其基本原理為：在灰度大小為[m×n，]灰度級為[L]的圖像中，[Nij]表示灰度級為[i，]所占總數為[j，]則該點灰度值概率為[pij=Nijm×n，]假定閾值[（s，t）]把圖像分割為目標與背景兩個區域，由于電力設備的主要信息都保留在上述兩個區域中，此時計算可以忽略其他的噪聲影響和邊緣模糊干擾[6]。endprint

2 算法步驟

本文通過最佳熵閾值分割的方法對傳統的遺傳算法進行改進，通過重新選擇、交叉、變異得到最優的個體[7]。從而增強了變異的多樣性，加快了全局搜索速度，從而獲得最佳的解。整體步驟為：

（1） 整體編碼

首先對圖像灰度直方圖進行處理，得到灰度值在0～255的灰度圖像，再采用16位二進制編碼，前8位二進制編碼表示分割閾值[s]，后8位表示分割閾值[t]。采用均勻分布的原則產生（0，0）～（255，255）之間的[n]個個體，分別對他們進行16位二進制編碼[8]。

（2） 選擇適應函數

根據最佳熵閾值分割的原理，采用背景和目標的熵測值作為適應函數：

[f（t1，t2）=HO（t1，t2）+HB（t1，t2）=log（POPB）+hOPO+hL-hOPB]

式中：[PO=t=isj=itPij]表示目標區域所占面積；[PB=t=0sj=0tPij]表示背景區域所占面積；[HO（t1，t2）]表示目標區域的熵值；[HB（t1，t2）]表示背景區域的熵值[9]。

（3） 交叉操作

本文采用下述原則進行交叉操作，保證交叉操作后的個體朝著最優解的方向進化。

若[f（t1，t1）（X）>f（t1，t1）（X），]則[X=（x0，…，xm，ym+1，…，y1）；]若[f（t1，t1）（Y）>f（t1，t1）（Y），]則[Y=（y0，…，ym，xm+1，…，x1），][X]與[Y]為新一代個體。交叉操作的位置分別為前8位為[m，]后8位為[n]。

（4） 終止條件

在所有個體中產生滿足條件的最優解，進入到內層循環并將滿意的子群存儲在內層中，將不滿足內層循環的個體放在外層進行再次循環，直到滿足最佳熵閾值，否則將該個體淘汰[10]。

3 實驗仿真與結果分析

本次實驗在CPU為2.60 GHz的雙核PC機，運行內存為4 GB，運行環境為Matlab 2012a，采用255階灰度圖像。圖1為電力設備紅外熱像圖，圖1圓圈中為故障發熱嚴重部位，圖2為經過灰度圖像處理的灰度圖像。圖3和圖4分別為傳統遺傳算法和改進后遺傳算法的分割效果圖。兩種算法的耗時及閾值如表1所示。

從表1和圖3，圖4中可以看出，傳統的遺傳算法大致能夠分割出電力設備的故障部位，其耗時為8.4 ms，但是圖3中導線接觸桿已經被過度分割，而其下方非故障部位的邊緣位置分割效果不佳，不能完全把分割目標從背景中分割出去。而改進的遺傳算法不僅能夠精確地把電力設備故障部位從背景中分割，而且在電力設備邊緣部位同樣能夠把目標和背景區域分開，不存在過當分割的缺陷。此外改進遺傳算法的分割時間僅為2.9 ms，可見改進后的算法在效率上提升明顯，能夠快速地搜索最佳熵閾值并進行收斂，在運算速度上也有大幅的提升。

4 結 語

基于傳統遺傳算法和最佳熵閾值圖像分割算法，本文提出一種改進型的遺傳算法。首先通過最佳熵閾值分割法得到分塊最佳熵閾值，然后給定最佳閾值改進遺傳算法。通過Matlab 仿真實驗平臺對電力設備故障紅外圖像進行分割實驗，實驗結果表明，改進后的遺傳算法能夠從背景中有效地分割出電力設備故障部位，不存在分割過當的缺點，在設備圖像的邊緣位置處理效果明顯；改進后的算法運算速度較快，加速了收斂過程，具有良好的魯棒性。

注：本文通訊作者為崔昊楊。

參考文獻

[1] 顧鵬程，黃福珍.基于改進Chan?Vese模型的電力設備紅外圖像分割[J].計算機工程與應用，2016（10）：193?196.

[2] 鄒輝，黃福珍.基于FAsT?Match算法的電力設備紅外圖像分割[J].紅外技術，2016，38（1）：21?27.

[3] 吳掬鷗，袁曉桂.基于閾值分割技術的圖像分割法研究[J].現代電子技術，2016，39（16）：105?107.

[4] 孫繼周，王小雄，羅佳佳.基于圖像識別的錯位圖書檢測技術研究[J].現代電子技術，2016，39（5）：58?62.

[5] 張志宏.遺傳算法優化閾值的激光主動圖像分割[J].激光雜志，2016，37（4）：84?87.

[6] 丁銳，劉甲甲.改進Otsu圖像多閾值分割方法[J].計算機應用，2013，33（6）：210?216.

[7] 李康順，李茂民，張文生.一種改進遺傳算法的圖像分割方法[J].計算機應用研究，2009，26（11）：365?367.

[8] 藍友梳.基于改進遺傳算法的最佳閾值的圖像分割[J].情報探索，2012（12）：101?103.

[9] 隋然，潘點飛.基于改進遺傳算法的最佳閾值分割方法及性能評價[J].微機與應用，2015，34（14）：45?48.

[10] 馮俊.基于圖像分析的電力設備故障檢測技術研究[J].現代電子技術，2015，38（24）：7?11.endprint