改進最大類別方差法的電力設備視覺識別技術研究

任瑩瑩

（馬鞍山職業(yè)技術學院，安徽 馬鞍山 243000）

0 引言

各種高壓輸變電設備的安全是影響電力系統(tǒng)安全、經(jīng)濟以及穩(wěn)定運行的重要因素[1]。紅外熱像儀能夠快速、準確地確定故障點的位置，使傳統(tǒng)電力設備由預防性試驗維修轉換為狀態(tài)檢修[2]。然而，紅外圖像與可見光圖像相比，大多數(shù)紅外圖像有模糊、噪聲大的問題[3]，嚴重影響了對故障點的識別處理。因此，首先需要增強紅外圖像目標，降低噪聲，突出目標信息，削弱或除去雜亂信息；其次，對紅外圖像進行合理的分割處理、分離目標和背景圖像；最后，對圖像進行目標識別處理。此外電力裝置種類繁多，不同設備的故障特征各不相同[3]。因此，在電力設備目標識別的故障診斷研究中對紅外圖像進行處理是非常必要的。針對變電站紅外圖像目標識別存在的需要在雜亂背景下進行多目標同步識別的難點，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合，實現(xiàn)了在目標具有不同特征且在不同環(huán)境的情況下對電力設備進行識別的目標。

1 紅外圖像的預處理

由于紅外熱像儀自身成像原理及探測環(huán)境的影響，電力設備紅外圖像與可見光圖像相比，大多數(shù)存在低對比度、邊緣模糊以及噪聲大等缺點。這樣就會影響后續(xù)圖像分割的質量，進而影響目標特征的提取和目標識別。因此，首先要對采集到的電力設備紅外圖像進行必要的預處理，例如直方圖均衡化和圖像分割等[4]。為后續(xù)的特征提取和目標識別做好必要的準備工作，從而保證電力設備目標識別的準確性。

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)對一幅圖像進行變換，這樣就增加了像素灰度值的動態(tài)范圍，從而達到增強圖像整體對比度的效果。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）為變換后的灰度級的概率密度函數(shù)。

當灰度級是離散值時，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為灰度級的總數(shù)目；Si為第i級離散圖像的變換函數(shù)表達式；ri為第i級灰度值；T（ri）為 第i級灰度級的變換函數(shù)；T-1為反變換式；ni為圖像中出現(xiàn)第i級灰度級的次數(shù)；n為圖像中像素總數(shù)；pr（ri）為第i級灰度級的概率。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，圖像的對比度也會增強。

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的非線性濾波，是一種鄰域運算，按照灰度級對領域中的像素集合進行排序，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；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果。

圖1 中值濾波結果

中值濾波可以消除雜散噪聲點，而且不會或較小程度地造成邊緣模糊。

1.2.2 均值濾波

均值濾波是通過一像點和鄰域內(nèi)像素點求平均的方法來去除圖像中的不相關細節(jié)的像素點，從而濾掉一定的噪聲，可以去除圖像中的顆粒噪聲[6]。假設處理的像素點的坐標為（x，y），該模板由該點附近的像素點構成，求解模板附近像素點的平均值，然后將平均值賦值給該點，記為該點的像素值，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果，去噪效果與所采用鄰域的半徑有關，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的簡單算法，但是噪聲部分卻被弱化到周圍的像素點上。

1.2.3 綜合中值濾波

對需要濾波的點x，先采用長度為N的N×1 縱向窗口得到各點灰度值的排序，獲取它的最大值、中值和最小值，并且與濾波點的灰度值進行比較，假如該點的值介于最大值與最小值之間，則認為該點非噪聲點，將該點的值作為縱向濾波值，否則把它的中值作為縱向濾波值。同理，采用1×N橫向窗口得到各點灰度值的排序并完成相關操作。最后，再將縱向濾波值和橫向濾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的保留之間尋找到了一個最佳結合點，這種算法可以很好地保留非噪聲點。綜上所述，濾波不僅可以對窗口內(nèi)的灰度值進行簡單排序并輸出中值，而且還可以分別對每個線狀窗口進行綜合濾波，再求解2 個線狀窗口濾波輸出值的平均值。

2 電力設備紅外圖像的分割

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2 個部分，通過描述目標和背景之間類間方差的關系來確定合適的分割閾值，其算法思想如下：對于圖像I（x，y），閾值T將圖像分為前景和后景2 個圖像，前景的像素點數(shù)所占比例記為ω0，其灰度均值為μ0；背景像素點數(shù)所占比例記為ω1，其灰度均值為μ1。圖像的所有像素點的灰度均值記為μ，類間方差記為g[7]。取背景偏暗的圖像，圖像大小為M×N（圖像長為M，寬為N）。圖像中灰度值小于閾值T的像素個數(shù)記作N0，像素灰度大于閾值T的像素個數(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，方差與目標和背景的差別呈正比。當部分目標和背景相互錯誤區(qū)分時，都會使2 個部分的差別變小，因此當類間方差最大時，就表明錯誤區(qū)分的概率最小。

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

圖3 大津分割結果

針對上述問題，筆者提出了一種改進的最大類間方差法。

2.2 改進的最大類間方差法

把灰度范圍分割為C0和C12 個部分，t為分割邊界值，C0={0，1，2，…，t}，C1={t+1，…，L-1}，求各個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為每一個像素點的梯度值；Hi為各個像素的平均梯度值。

F（x，y）是M×N紅外圖像在（x，y）坐標點的灰度值；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 個部分：目標區(qū)域和背景區(qū)域。如果閾值t大，部分目標就會被淹沒，使背景區(qū)域變大；如果閾值t小，則有一部分背景進入目標區(qū)域，使目標區(qū)域摻雜的背景太多，影響整個圖像的處理。由公式（10）可知，使兩方差乘積最大的閾值t，即為最佳閾值。紅外圖像進行灰度變換后采用改進的最大類間方差算法進行分割，分割后的圖像目標邊緣清晰、背景噪聲小。分割的結果如圖4 所示。

圖4 改進算法的分割結果

3 紅外圖像目標識別算法

3.1 模板匹配識別算法

假設模板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分別為子圖的長和寬）。如果T和S i,j一致，則T和S i,j無差別。因此使用以下測度來表示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為當前的坐標；D1為模板的總能量，是一個常數(shù)；D2為子圖像和模板圖像的互相關，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D（i,j）取值最大時，表明T和S i,j匹配，因此也可以用互相關函數(shù)R（i,j）作相似測度，如公式（16）所示。

通過改進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，R（i，j）取極大值，即得到匹配圖像。圖6 為匹配算法對不同形態(tài)的識別結果；圖7 為匹配算法對多個目標的識別結果。

圖6 不同形態(tài)的識別結果

圖7 多個目標的識別結果

實驗證明被搜索圖像的大小與匹配速度呈負相關，最佳閾值能夠提升匹配速度。

5 結論

該文提出了一種改進的最大類間方差法，提升了分割圖像目標圖像的清晰度，解決了最大類間方差法閾值偏小、少部分背景被錯劃成目標的問題。首先通過調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別算法相結合，通過施瓦茲不等式獲取匹配圖像，提升了對不同目標的可區(qū)分性，加快了搜索圖像的匹配速度；最后，通過對電力設備的紅外圖像的應用驗證了其在電力設備目標視覺識別中的可行性。