一種基于C-V模型的電暈放電紫外成像分割方法

潘 臻， 王振洲， 徐 達， 雙永燦， 王子豪， 栗義康

(山東理工大學電氣與電子工程學院，淄博 255000)

在出現(xiàn)絕緣腐蝕或老化等問題時，高壓設(shè)備常常會出現(xiàn)弱放電的問題，輻射過程中產(chǎn)生的波長主要位于紫外波段(200～400 nm),對此人眼是無法覺察的。目前對高壓設(shè)備發(fā)生此類放電可以通過超高頻法、聲探測法、紅外熱像等傳統(tǒng)方式進行探測。聲探測法的原理是接收放電時發(fā)出的聲波，再根據(jù)信號的強弱判斷放電的位置與強弱;紅外熱像根據(jù)漏放電引起的溫升變化來進行檢測，然而對于現(xiàn)場情景較為復(fù)雜的情況，此類方法對放電點無法實施準確定位[1-2]。然而，新一代紫外成像儀可以檢測到電暈放電輻射出的日盲型紫外線波段(240～280 nm)，這使得紫外成像儀即使在白天也不會受到陽光的影響，依然可以對設(shè)備放電進行清晰地觀察，另外，其遠距離檢測功能在較大程度上確保了操作人員的人身安全[3-5]。盡管如此，紫外成像儀也存在自身的缺陷和限制，比如若測量環(huán)境中存在大量噪聲，那么就會嚴重影響其拍攝效果，導致對現(xiàn)場工作人員判斷高壓設(shè)備的局部放電產(chǎn)生影響，降低了其判斷的準確性[6-9]。為此，利用紫外成像儀檢測設(shè)備放電時，工作人員如何才能快速、準確的做出判斷是未來亟待解決的問題。紫外成像分割是紫外成像分析的重要步驟，對紫外成像進行分割是識別和分類紫外成像的基礎(chǔ)和前提。

目前的紫外成像的處理技術(shù)的主要思路是首先對紫外成像進行各種濾波降噪處理，然后對圖像進行圖像分割提取放電區(qū)域。文獻[10]中把圖像為背景灰度級存在明顯差異的兩類區(qū)域的組合圖像，根據(jù)圖像背景灰度級選取一個合適的閾值，對目標和背景區(qū)進行區(qū)分，從而得到相應(yīng)的二值圖像，對圖像目標輪廓進行提取。該方法原理簡單，容易實現(xiàn)，但由于這種方法只單純考慮圖像的灰度信息，對灰度值較高的放點區(qū)域過于敏感，產(chǎn)生的結(jié)果誤差較大。另外，對目標圖像，閾值選擇過大容易產(chǎn)生過分割，閾值選擇過小容易產(chǎn)生欠分割，因此如何選取合適的閾值是這種方法的困難所在。文獻[11-12]在檢測圖像邊緣時分別基于Sobel、canny算子，此方法得到的邊緣大多呈現(xiàn)為離散點，還要加入其他算法進行后處理才能得到完整的邊緣輪廓。文獻[13]中基于數(shù)學形態(tài)學的分割算子，首先根據(jù)灰度值的大小對圖像中的像素進行升序排列，然后對完成排序的圖像進行膨脹腐蝕運算來對圖像區(qū)域進行初始劃分，此方法易編程，能夠準確地分割出目標圖像邊緣，但對噪聲的抗干擾能力差，對低對比度圖像易產(chǎn)生過分割，丟失重要輪廓。

綜合以上的科研成果，目前對紫外成像放電區(qū)域目標分割提取的效果不夠理想，表征設(shè)備表面的放電狀態(tài)的特征量略顯不足，特征量定義和提取也尤為重要[14-17]。此外以上的方法都需要對圖像先進行濾波降噪處理，對處理后圖像進行下一步分割運算，最終的分割的精度和濾波器密不可分。對于設(shè)備表面發(fā)生的放電現(xiàn)象，在獲得紫外成像后，以C-V模型為基礎(chǔ)對其實施處理，由于處理過程中可以直接提取放電區(qū)域，無需濾波降噪，所以自動化程度高，抗噪能力強，且C-V模型邊緣檢測得到的輪廓為連續(xù)曲線，便于工作人員對后續(xù)具體的放電狀態(tài)進行有效評估。關(guān)于設(shè)備表面的放電現(xiàn)象，在對其進行評估時依據(jù)的主要參數(shù)是放電區(qū)域(光斑)的周長、面積等，這樣可以對紫外成像的圖像信息進行充分利用，以此來判斷放電狀態(tài)。

1 C-V模型算法的原理及實現(xiàn)

1.1 C-V模型算法原理

以偏微分方程為基礎(chǔ)，Terzija等[18]提出了一種新的圖像分割方法，并且闡述了具體模型，即活動輪廓模型。后來，Osher等[19]、Chan等[20]開始優(yōu)化該模型，并在次年提出水平集方法，這種運動界面依賴于時間，同時，它們還闡述了高精度數(shù)值解法。對于變化狀態(tài)的界面，他們主要借助于高維水平集函數(shù)的零水平集進行表述，完成方程的求解后即可捕捉到運動界面，同時，此法還能向任意維的空間進行擴展。以水平集為理論基礎(chǔ)，基于M-S模型，Chan和Vese在2001年提出C-V模型。C-V模型是一種基于區(qū)域范圍的水平集方法，C-V模型的本質(zhì)就是將計算過程由N維提升至N+1維，以此實現(xiàn)計算精度的提高[21-25]。基于上述定義，可以利用下述公式描述C-V模型的能量。

E(C,c1,c2)=μLength(C)+ηArea[inside(C)]+

(1)

式(1)中：μ、λ1和λ2為正常數(shù)且是權(quán)重系數(shù)；對于函數(shù)φ(x,y)，C表示其初始零水平集曲線；c1、c2則分別表示C內(nèi)部、外部的像素平均灰度值。式(1)右邊的前兩項是長度約束項，主要對目標輪廓曲線C進行檢測，確保得到的曲線足夠短；后兩項表示內(nèi)外部能量，有利于演化曲線C在目標區(qū)域的邊界上完成收斂，獲得精確度足夠的邊緣輪廓。設(shè)距離函數(shù)φ(x,y)為初始化水平集函數(shù)，函數(shù)值為(x,y)，同時利用如下方法確定其符號：若點位于曲線C之外，則函數(shù)值小于0；若點位于曲線之上，則函數(shù)值等于0；若點(x,y)位于C內(nèi)部，則函數(shù)值大于0。將距離函數(shù)代入到式(1)中得到：

Hε[φ(x,y)]}dxdy

(2)

式(2)中：

狄拉克函數(shù)δ(Z)、海氏函數(shù)H(Z)如式(3)所示，而其正則化形式分別表示為式(2)中的δε(Z)、Hε(Z)。

(3)

在實際計算中，H(Z)和δ(Z) 用如下的規(guī)則函數(shù)Hε(Z)和δε(Z) 來近似(ε趨近于0，有Hε′=δ):

(4)

聯(lián)合以上公式求解Euler-Lagrange方程，得到如下所示的演化方程：

(5)

1.2 算法實現(xiàn)

對于輸入的紫外圖像，分割流程如圖1所示。首先利用直方圖均衡化的方法實施預(yù)處理，圖像細節(jié)的強化以便于提高分割精度。經(jīng)過圖像預(yù)處理后通過人工選定初始輪廓，進行φ(x,y)的初始化。

圖1 C-V模型算法的圖像分割流程Fig.1 Image segmentation process of C-V model algorithm

由于紫外成像儀拍攝的電暈放電圖像都是標準化的，故λ1=λ2=1。由等周不等式可知，在算法中，輪廓曲線周長會限制和控制區(qū)域的面積，這里的面積系數(shù)η=0，唯有長度項系數(shù)μ得以保留，一般情況下μ取值為0.01/2552，基于式(4)，結(jié)合紫外圖像的局部信息、上述參數(shù)完成水平集函數(shù)的迭代，水平集需要通過迭代來不斷演化水平集函數(shù)，每次演化都要重新計算曲線內(nèi)外部平均灰度值c1和c2，對迭代次數(shù)、收斂情況進行檢驗。如果演化時已經(jīng)達到設(shè)定的迭代次數(shù)或者已經(jīng)達到收斂狀態(tài)，那么演化停止，否則重新計算c1和c2，迭代停止后進行輪廓檢測，最后提取零水平集，即可獲得最后目標區(qū)域輪廓。

1.3 紫外圖像放電區(qū)域提取過程和特征量定義

對于某棒-板實驗表面的電暈放電現(xiàn)象，其紫外圖像如圖2(a)所示。其中，放電區(qū)域為圖中的白色光斑所示，其獲取過程：當出現(xiàn)電暈放電時，紫外成像儀借助實驗設(shè)備發(fā)射的紫外線進行拍攝成像，同時，紫外成像儀主要對矩形框區(qū)域內(nèi)的光子數(shù)量進行計算。在紫外圖像中包含了放電點的數(shù)量與位置、放電區(qū)域的形狀等諸多放電特性信息，并且放電光斑的物理意義是十分明確的。圖2所示為C-V模型提取紫外圖像中放電區(qū)域的過程。

圖2 圖像處理過程Fig.2 Image processing process

描述特征量如下。

(1)光斑面積。構(gòu)成光斑的全部像素點，即光斑區(qū)域的像素，以piexl為單位。

(2)光斑輪廓周長。光斑邊緣輪廓由諸多像素點構(gòu)成，其中連續(xù)像素點的距離和為周長，以piexl為單位。

2 實驗結(jié)果和分析

基于本文的算法，通過分割多幅電暈放電紫外圖像以對C-V模型的可行性加以驗證。所取的圖像均是用南非CoroCAM504紫外成像儀拍下的高壓設(shè)備放電的紫外圖像，像素為512×512。主要參數(shù)設(shè)置為：初始水平集曲線選取均為圓形初始曲線，μ=0.01/2552，t=1，ε=1。此外，圖2(a)為棒-板實驗電暈放電紫外圖像，從圖像中可以直接看出只有一個大的白色的光斑，光斑周圍攜帶的小光斑為噪聲，采用文中所述的算法由紫外圖像中提取出目標放電區(qū)域。圖2中計算光子數(shù)時的區(qū)域為矩形框，為提高可視效果，選取矩形框內(nèi)的圖像為本文算法的輸入圖像，圖像大小均設(shè)置為256×256。

2.1 C-V模型與二值化方法對比

圖3對比了C-V模型分割結(jié)果和二值化方法的分割結(jié)果。其中圖3(a)為原始圖像，圖中紅色曲線為人工設(shè)定的初始輪廓線(所取圖像為棒板間隙為40 cm ，所加電壓為80 kV，增益為40%的電暈放電紫外圖像)，圖3(b)為最終輪廓，圖3(c)為對分割結(jié)果進行二值化后的圖像，圖3(d)為二值化方法的分割結(jié)果。從圖3(c)和圖3(d)對比可以看出，采用傳統(tǒng)二值化方法分割的放電區(qū)域攜帶有大量噪聲點，需要進行后續(xù)的降噪處理才能得到放電區(qū)域，而采用C-V模型算法無需經(jīng)過降噪處理可以直接分割提取出放電區(qū)域，這說明C-V模型具有很好的抗噪性能，而高壓設(shè)備電暈放電時經(jīng)常有大量噪聲，且拍攝的紫外圖像經(jīng)常含有大量噪聲點，說明C-V模型對電暈放電的紫外圖像進行分割具有一定的實用性，適用于紫外圖像的分割。

2.2 C-V模型與數(shù)學形態(tài)法對比

在圖4中，原始圖像是512×512大小的某220 kV變電站絕緣子電暈放電的紫外圖像：圖4(a)表示原始圖像及其初始輪廓線(人工設(shè)定)；圖4(b)為二值化分割效果圖(基于C-V模型)；圖4(d)是用數(shù)學形態(tài)學得到的分割結(jié)果；圖4(e)是對數(shù)學形態(tài)學分割結(jié)果二值化后的圖像。從圖4(c)和圖4(e)對比可以看出，數(shù)學形態(tài)學方法切割的放電區(qū)域的邊緣輪廓有缺失，影響后續(xù)對絕緣子放電程度的判斷，而C-V模型提取出的放電區(qū)域與紫外圖像拍攝的放電區(qū)域基本一致，對放電區(qū)域攜帶的物理信息保留得比較完整。這可以說明C-V模型對比與數(shù)學形態(tài)學具有全局優(yōu)化的特點，能夠在一定程度上減少漏檢的放電區(qū)域。

計算機配置為主頻1.7 G和4 G內(nèi)存，在matlab7.0軟件環(huán)境下，采用C-V模型分割原始紫外圖像，如圖2、圖3和圖4所示，表1給出了其迭代次數(shù)、分割耗時，比較后易見，本文所提方法提取放電區(qū)域耗時短，效率高。

圖3 C-V模型與二值化方法對比Fig.3 Comparison between C-V model and binarization method

圖4 C-V模型與數(shù)學形態(tài)學對比Fig.4 Comparison between C-V model and mathematical morphology

表1 C-V模型分割圖像迭代次數(shù)與時間

對于上述分割結(jié)果中的圖2(f)、圖3(d)、圖4(e)分別進行面積周長計算，以便于判斷電暈放電的強弱，結(jié)果如表2所示。

表2 分割結(jié)果的面積與周長

通過表2可知，圖2(f)的紫外圖像放電強度大于其他兩幅紫外圖像，更符合肉眼觀察得到的定性結(jié)論，所以，對于放電點的放電狀態(tài)，表2中的特征量表征效果較好。

3 結(jié)論

(1)在傳統(tǒng)電暈放電的紫外圖像分割方法的基礎(chǔ)上，提出一種基于C-V模型的水平集紫外圖像分割方法。從實驗圖像分割結(jié)果可以看出，本文算法相比于傳統(tǒng)的紫外圖像放電區(qū)域方法，能在噪聲的影響下，準確地分割出紫外圖像中的放電區(qū)域，抗噪能力強且具有全局性，能在一定程度上減少漏檢的放電區(qū)域。

(2)本文的算法進行圖像分割耗時短、效率高，對絕緣子和棒板實驗等電力設(shè)備放電拍攝的紫外圖像都能精確地進行放電區(qū)域提取，是一種較為實用的紫外圖像分割算法。

(3)利用本文給出的特征量可對放電狀態(tài)進行更為合理的表征和描述。