霧氣環境下基于引導濾波的中壓開關圖像檢測

摘" 要：針對復雜條件下獲取的圖像質量不佳、中壓開關標識圖識別率低下等問題，提出一種在霧氣環境下對中壓開關圖像進行智能檢測與識別的算法。在霧氣環境下拍攝中壓開關圖像，用快速引導濾波優化透射率的顏色衰減先驗法去霧。將結果與一系列經典算法的客觀評價指標對比，表明此算法可以在霧氣環境下更好地恢復圖像特征，同時提升運行速率。將去霧后的圖像在MATLAB中進行基于HSV顏色空間的分割與識別仿真，即可實現中壓開關標識的準確定位。

關鍵詞：圖像增強；霧；引導濾波；顏色分割；中壓開關

中圖分類號：TP391.4""""" 文獻標志碼：A""""""""" 文章編號：2095-2945（2025）04-0051-05

Abstract： Aiming at the problems of poor image quality obtained under complex conditions and low recognition rate of MV switch identification maps， an algorithm for intelligent detection and recognition of MV switch images in fog environment is proposed. Images of medium-voltage switches are taken in a foggy environment， and the color attenuation prior method that optimizes transmittance is used to defog. The results are compared with objective evaluation indicators of a series of classic algorithms， which shows that this algorithm can better restore image characteristics in a fog environment while improving the running speed. The defogged image is subjected to segmentation and recognition simulation based on HSV color space in MATLAB， and accurate positioning of medium-voltage switch logos can be achieved.

Keywords： image enhancement; fog; guided filtering; color segmentation; medium-voltage switch

圖像識別技術可以有效識別電力設備中的顏色、形狀等信息[1]。若能將電力系統中中壓開關圖像信息進行提取、識別、檢測有助于圖像信息的自動識別和匹配檢索，定位需要進行管理的圖片，提高電力活動的高效性。然而，由于中壓開關設備所處環境的復雜多變性，單一狀態下的智能檢測和識別魯棒性不能達到要求，尤其是在霧氣環境下，設備的發熱或溫差變化可能導致配電房內部產生霧氣，對比度和顏色發生畸變，降低圖像的清晰度，影響標志牌的可見性和識別性能[2]。因此，需要對目標圖像進行去霧處理提高圖像質量。

目前，去霧算法主要有基于圖像復原的算法、基于圖像增強的方法和基于深度學習的方法?；趫D像增強的方法通過增強對比度改善圖像的視覺效果，沒有考慮退化和降質的本質原因，易出現細節丟失或者失真的現象。Choi等[3]提出無參考指標霧感知密度評估器的概念，定義圖像的感知霧密度進而評估除霧算法的性能。但由于沒有考慮霧氣的空間分布，忽略場景深度對霧氣的影響，在濃度較高的霧氣圖像中效果不顯著。深度學習的方法是在去霧模型的基礎上利用人工標注進行端到端訓練，通過優化算法提高去霧能力。但過于依賴數據集且耗時耗力。圖像復原的方法基于物理模型，求解未知參數，從根本上改善圖像質量，近年來被廣為應用。He等[4]率先提出暗通道先驗的理論，通過改善透射率的方法去霧，在大部分情況下有良好的去霧效果但時間復雜度過高。Berman等[5]提出了一種非局部先驗的算法。假設可以用數百種不同的顏色表示有霧圖像，顏色會隨著霧氣而發生變化，形成穿過大氣光照的霧線。并提出相關算法借助霧線，考慮正則化方差估計像素的傳輸率去霧。Meng等[6]在后來提出邊界約束和上下文正則化結合的高效圖像去霧法，得到更好的圖像細節。

中壓開關裝置的智能檢測與識別和車牌字符識別技術有相似之處，涉及數字圖像分析的交通標志識別成果令人矚目，因此可以借鑒車牌識別技術的成功之處進行電力設備標識的研究。根據GB/T 29481—2013《電氣安全標志》規定，用于工作場所和公共區域中的電氣安全標志往往被設計成特定的顏色和形狀。電氣安全標志的特殊性，使人們可以通過標志的不同顏色和形狀很容易識別它們。因此，本文可以利用顏色和形狀信息的特別之處來檢測電氣標志。在設備環境單一的情況下直接對原始圖像進行采集識別可以得到較高的識別準確率，但在實際情況下往往不能總是保持理想環境條件，需要對原始圖像先進行圖像增強處理再進圖像識別。

霧氣的出現導致采集的圖像色彩飽和度降低以及圖像邊緣模糊[7]。基于上述情況，本文提出一種復雜環境下低質量圖像處理的方法。在大氣物理模型的基礎上提出基于快速引導濾波的顏色衰減先驗正則化的圖像去霧復原算法。通過計算場景深度，優化環境光和透射率，反演得到復原圖像。結合顏色先驗算法兼顧快速性和色彩保持性。最后對圖像進行信息直接提取識別處理。 本文流程如圖1所示。

1" 去霧

1.1" 大氣散射模型

大氣散射模型由McCartne在1975年提出，闡明了霧天圖像模糊的本質原因，后經優化修改可以表示為如下公式

""""""""""""""" """""""""， （1）

， （2）

式中：t（x）是場景透射率，I（x）是霧氣下拍攝的圖像，J（x）是理想去霧圖像，A是大氣光照。d（x）為攝像頭與成像物體間距離即景深，β為粒子散射時衰減系數。

理想均勻情況下散射的衰減系數可以看為常數，d（x）作為反映物體和觀察者之間的距離其取值范圍在[0，∞）。從灰度圖像中選擇亮度最高的0.1%比例的像素點位置，在原始圖像中找到對應的具有最高亮度的像素點的值，將其估計為大氣光值。選擇圖像的HSV三通道中的亮度通道計算大氣光值，即

。" （3）

1.2" 顏色衰減先驗模型

Zhu等[8]率先提出顏色衰減先驗理論，認為霧濃度變化時圖像的亮度和飽和度會出現同步的變化。在晴朗的天氣下，場景的飽和度較高，亮度適中，亮度和飽和度之差很小。在霧氣的影響下，圖像中像素塊的飽和度急速下降，圖像的顏色隨之變淡，亮度的增加和飽和度下降同時產生使他們之間有較大差值。每個像素點處霧濃度與亮度和飽和度之差正相關，表示為

。 （4）

同時霧氣的濃度通常隨場景深度的變化而變化，實驗發現場景的深度與霧度存在線性模型，即

， （5）

式中：x是每點的像素，是霧圖的亮度分量，s是飽和度分量，0、1、2是線性系數，（x）代表模型隨機誤差的隨機變量。根據Zhu等[8]采用有監督學習的方式得到0＝0.121 779，1＝0.959 710，2＝-0.780 245。

1.3" 優化透射率

直接估計得到的透射率圖比較粗糙，實驗采用改進的快速引導濾波對透射圖灰度圖進行優化，增強灰度圖邊緣的同時提高處理速度。

He[9]提出引導濾波的方法增強圖像，用局部線性模型，假設引導圖Ii和濾波輸出qi在一個二維窗口線性相關，即

。" （6）

等式兩邊取梯度，可知輸出圖q與引導圖Ｉ具有類似的梯度特征，即邊緣特性接近。

。 （7）

選擇輸入透射率灰度圖作為引導圖Ii可以使輸出圖像的梯度盡量與輸入相似保持邊緣，wk是引導圖以中心像素k為鄰域的濾波核，ak和bk是線性函數的常數項系數。引入噪聲變量ni，Pi為輸入待濾波圖像

qi=Pi-ni 。 （8）

根據式（6）、式（8），列出最小化損失函數，減小擬合函數的輸出值與真實值間差距，在保留邊緣的同時實現去噪。

式中：是正則化參數，為避免ak過大，用ak2作為懲罰項。

利用最小二乘法求得最優的ak和bk，得到

， （11）

式中：是wk內的像素總量，是待濾波圖p在窗口wk中的均值，uk和是窗口wk內的像素均值和方差。

同一個像素往往被不同的窗口包含，每個像素都由多個線性函數表達。所以求解具體像素點的輸出值時需要對所有包含像素點的窗口鄰域的輸出求平均值，得到引導濾波的結果為

快速引導濾波求取透射率的時候沒有采取直接對原圖求解的形式，而是選擇先下采樣再上采樣的方法減少采樣點。計算出圖像縮小為原來1/4的透射率，再通過上采樣插值獲取原圖的透射率，計算Ｅ（ak，bk），通過上采樣恢復至原有尺寸。縮小后像素點的個數為（N/4）2，可以大大提升去霧算法的處理效率。

2" 識別

在進行識別前需要進行邊緣檢測和圖像分割，提取重要的邊緣特征，去除冗雜環境的影響。電力設備標識的分割在很大程度上受到其所處實際環境的影響。通常情況下，RGB顏色模型對于天氣、光照、陰影等環境因素相當敏感，使用RGB顏色模型易使檢測準確率大大下降。為了減少這些因素對檢測的負面影響，提取能夠準確反映物體真實顏色的不變顏色特征尤為重要。因此，本文先將圖像的RGB顏色通道轉化為HSV顏色空間，盡量避免環境因素引起的干擾。

本文在二值化后的圖像分割中用先腐蝕后膨脹開運算的形態學操作。濾除一些小的噪點區域并填充目標區域，使其成為感興趣區域。二值化和形態學處理后，根據矩形特征進行目標定位，具有更強的抗干擾性，能夠提高后續識別的準確率。

完成上述操作后用MATLAB中hresholder的HSV窗口，在點云上繪制ROI選擇目標顏色并確定標志位置。根據圖像處理后的結果及顏色閾值器Color Thresholder確定的位置對原圖像進行切割，定位目標導線或者標識。標記優化后圖像的連通區域，將標記矩陣轉換回RGB空間，求出標記矩陣的最小外接矩形并畫框，提取出檢測范圍，根據各個顏色的閾值標記其顏色名稱并將結果輸出并顯示出顏色信息。

對于標識使用圖形的像素占比在其最小邊界矩形內來推斷圖形的形狀。在設計的程序中，如果像素占比大于0.88，被識別為正方形；如果像素占比在0.8到0.62之間，被判定為圓形；如果像素占比在0.6到0.41之間時，判定為三角形；其余的結果標記為“unknown”識別錯誤。

識別的核心思想是采用顏色空間方法進行目標識別。首先對圖像進行分塊處理，提取目標區域特征區域，對圖像處理中的開閉運算、膨脹和腐蝕等操作進行預處理。設置顏色閾值，使得導線相關有效區域可以保留。經過對圖像的顏色篩選，可以計算出圖像中顏色區域的大致位置，經過顏色閾值確定最終區域的顏色形狀。

3" 實驗設計

本文實驗在MATLABR2021b平臺上進行，計算機配置為Intel（R） Core（TM） i5-8500CPU3.00GHz， RAM8GB，操作系統為64位Windows10。

3.1" 霧氣圖像增強對比實驗

因為設備發熱或者溫差原因導致配電房內部因氣體液化產生霧氣， 使拍攝的圖像受到霧氣干擾從而導致拍攝圖像模糊，本實驗利用加濕器產生霧氣來模擬霧氣干擾鏡頭的情況。

3.2" 主觀評價

圖2是真實場景下霧氣圖像的原圖及各個算法復原圖，其中圖2（a）和圖2（b）是薄霧環境，圖2（c）和圖2（d）是濃霧環境，總體而言薄霧下圖像恢復質量優于濃霧。對比發現He算法恢復的圖像較原圖都有明顯提升，對比度增強，但整體偏暗，色彩飽和度較差，邊緣細節沒有得到增強。Berman算法和Meng算法邊緣細節的恢復有一定提升，但是色彩不夠自然，略微失真，在圖2（c）和圖2（d）的上方出現明顯的過曝，表明此類去霧算法對高亮區域不能很好矯正。Choi算法在薄霧中效果較好，整體色彩均勻，但在圖2（c）和圖2（d）中去霧效果不夠明顯，飽和度過低。本文采用基于顏色衰減先驗的快速引導濾波的方法去霧，霧氣去除的較為干凈，有效抑制了偽影、光暈的現象，增強圖像的邊緣細節，使圖像的色彩更加自然，整體質量明顯提升。

3.3" 客觀評價

為了全面比較各個方法的去霧效果，對上述去霧圖像進行定性評估后，本文選擇峰值信噪比（PSNR）、結構衡量指標（SSIM）、信息熵（E）作為衡量去霧算法的客觀指標進行定量評估[10]。

表1為圖2中4幅圖像的PSNR、SSIM和E對比結果圖。本文算法的PSNR在圖2（c）和圖2（d）中最大，在圖2（a）和圖2（b）中稍低于Choi算法，但在圖2（c）和圖2（d）的濃霧環境中顯著高于Choi算法，表明本文算法綜合失真程度較小，圖像質量更高，更接近真實圖像。本文算法的SSIM在圖2（b）中稍低于He算法，表明本文算法有較好的結構完整性和綜合性。在信息熵的比較中，本文在圖2（c）和圖2（d）中最高，圖2（b）中稍低于Choi算法，進一步證明本文算法得到的圖像包含更多的細節，圖像質量更高。

為了顯示出本文改進引導濾波算法在運行效率上的優越性，表2給出了相同大小分辨率下本文算法和其他4種算法的平均運行時間比較。由表2可知在大分辨率的圖片下Berman和Choi運行時間過長，分別為本文算法的16.9倍和23.5倍，He和Meng相較上述有所提升，但仍然有本算法的10.7倍和5.5倍。表明改進的引導濾波法優化透射率的處理方法具有很好的實時性。

3.4" 顏色及形狀識別

對于完成圖像提亮和去霧等處理后進行檢測和識別，驗證圖像增強操作的實用性，如圖3所示。

模擬需要識別的顏色變量有6種，標識形狀有正方形、圓形和三角形3種，每種顏色有5種。實驗將4類圖像分為無霧圖像、薄霧圖像和濃霧圖像3種情況。統計識別結果，準確率見表3、表4。

識別結果表明經過處理后的圖像有良好的識別率，可以基本完成對圖像的識別要求。

4" 結論

本文提出了用圖像增強技術、圖像復原技術對相關圖像做處理，取得了比較好的矯正成果。在霧氣環境下有效提高了圖像的質量同時兼具處理的快速性，在效率上取得很大的進步，有很好的實時性。并對處理后的圖像進行主觀評價與客觀評價，在視覺和客觀數據上均表明本文采取的算法能更好地增強圖像的亮度與細節紋理特征。結合圖像分割技術，有效提高了中壓開關裝置圖像識別的高效性與準確。

參考文獻：

[1] 王景致，劉剛，袁嘉彬，等.電力巡檢中的圖像融合技術與應用[J].自動化技術與應用，2019，38（8）：111-114.

[2] 張世輝，路佳琪，宋丹丹，等.基于多尺度特征結合細節恢復的單幅圖像去霧方法[J].電子與信息學報，2022，44（11）：3967-3976.

[3] CHOI L K， YOU J， BOVIK A C. Referenceless Prediction of Perceptual Fog Density and Perceptual Image Defogging[J]. IEEE transactions on image processing： a publication of the IEEE Signal Processing Society， 2015，24（11）：3888-3901.

[4] HE K， SUN J， TANG X. Single Image Haze Removal Using Dark Channel Prior[J]. IEEE transactions on pattern analysis and machine intelligence， 2011，33（12）：1956-1963.

[5] BERMAN D， TREIBITZ T， AVIDAN S .Non-local Image Dehazing[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.IEEE， 2016：1674-1682.

[6] MENG G， WANG Y， DUAN J， et al. Efficient Image Dehazing with Boundary Constraint and Contextual Regularization[C]//Proceedings of the 2013 IEEE International Conference on Computer Vision.IEEE， 2013：617-624.

[7] LI J， HU Q， AI M. Haze and Thin Cloud Removal via Sphere Model Improved Dark Channel Prior[J].IEEE Geoscience and Remote Sensing Letters， 2019，16（3）：472-476.

[8] ZHU Q， MAI J， SHAO L. A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior[J]. IEEE Transactions on Image Processing， 2015，24（11）：3522-3533.

[9] HE K， SUN J， TANG X. Guided Image Filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013，35（6）：1397-1409.

[10] 程鐵棟，盧曉亮，易其文，等.一種結合單尺度Retinex與引導濾波的紅外圖像增強方法[J].紅外技術，2021，43（11）：1081-1088.