【《电力设备状态检测的识别和分割技术概述》7400字（论文）】

电力设备状态检测的识别和分割技术概述目录TOC\o"1-3"\h\u10333电力设备状态检测的识别和分割技术概述 1216621.1基于形态学标记的电力设备红外热像分割方法 193281.2基于HSI空间梯度法的红外图像高温区域提取方法 12286471.3基于K-means算法的RGB彩图提取方法 19由于电力设备状态检测图像的多样性及复杂性，选择具有良好描述和分类性能的检测图像状态特征参数，以及提取这些特征就成为解决图像检测与识别问题的关键，为不同类型、不同部件典型热缺陷或故障的统计分析提供数据支持。本章研究了适合于变电站人工巡视、在线监测等采集图像数据分析应用的背景分离、图像分割、特征提取技术，并通过红外图像处理提取热点温度分布、局部过热区域、异常部位等特征参数，实现红外热像核心区域分割和特征提取。1.1基于形态学标记的电力设备红外热像分割方法1）传统的红外热像分割方法基于阈值的分割方法及基于边缘的分割方法是常见的红外热像分割方法，其中，阈值方法无法体现红外图像中灰度分布的空间情况，只能获取红外热像的像素灰度值变化的范围。而边缘分割方法开展红外热像的分割处理的依据是，边缘所围成区域的两侧特性不同，以下将具体阐述下这两种方法的分割情况。（1）基于阈值的分割方法计算便捷是基于阈值分割方法的关键特点，而如何确定最优阈值是红外热像阈值分割处理的最重要步骤。设为分割阈值，为灰度化后的红外热像，表示二值图像，则红外热像的最基本阈值处理：（式1SEQ公式\*ARABIC\s11）通过阈值T将分成目标区域和背景区域两部分。但一般情况下，获取的红外热像目标和背景，并不是均匀的处于两个灰度范围，通过两个或两个以上的阈值，进行目标区域分割才能够满足要求。如选择一个区间作为阈值，（式12）阈值一般可写成如下形式：（式13）其中，是像素点处的灰度值，为像素空间坐标，是该点邻域的局部特性。常见的三种不同类型阈值，(1)全局阈值，仅与目标像素点的灰度值有函数关系；(2)局部阈值，与点的灰度值和该点的局部领域特征有关系；(3)动态阈值，与目标像素点的局部特征、灰度值和位置均有函数关系。本节主要介绍的是最大类间方差阈值法，即OTSU法，其基本思想是，若灰度化后的红外热像灰度级范围是[0，L-1]，像素个数是N，其灰度是i，ni表示灰度级是i的像素个数，则灰度是i的像素，出现的概率为pi=ni/N，使用阈值t可以把图像灰度级分成两部分，即，C0=(0，1，2…，t)和C1=(t+1，t+2，…，L-1)，则两类出现的概率分别为：（式14）两类的灰度均值分别为：（式15）（式16）类间方差定义为：（式17）则最佳阈值的表达式为：（式18）在最大类间方差阈值法中，方差为灰度分布的均一性度量指标，方差越大，则组建灰度图像的C0和C1差分更大，当目标区域和背景区域的差异最大时，误判概率就最小，得到最佳阈值分割图像。图1-1变压器套管的红外热像图及OTSU分割图以电力变压器套管的红外热像图为例，进行OTSU法分割处理，如图中，我们可以发现，OTSU分割法，将变压器套管的红外热像图进行了分割处理，但是效果不理想，提取的目标区域较大，并未准确的定位红外热像的异常区域，需要进一步的完善。（2）基于边缘检测的分割方法基于边缘的图像分割方法，主要是通过检测图像局部特性的不连续性，并连接边缘点成边界，从而分割图像。通过使用局部窗口操作，判断边缘点，基本依据就是图像的二阶导数过零点或一阶导数极值。图像边缘像素的灰度变化可以通过下图说明。分别为一阶导数和二阶导数所示形状。图1-2梯度算子原理图红外热像图中处的梯度是一个矢量，且梯度对应一阶导数（式19）式(2-53)中，是x方向的梯度，是y方向的梯度。梯度的方向角及幅度：（式110）（式111）由上式能够得到，在其灰度最大变化方向上单位距离所增加的量，即梯度值。而图像的梯度通过差分代替微分来进行处理：（式112）常规的边缘检测算子有Sobel算子、Canny算子、Krisch算子、Roberts算子、Prewitt算子及Laplace算子等。本文以Laplace（拉普拉斯）算子为例进行分析。拉普拉斯算子是各向同性的二阶导数：（式113）对于数字图像来讲，的二阶偏导数可以表示为：（式114）由上式可得拉普拉斯算子为：（式115）但由于拉普拉斯算子为二阶差分，其方向信息丢失，常产生双像素，对噪声有双倍加强的作用。鉴于此，将拉普拉斯边缘检测和高斯滤波结合形成高斯-拉普拉斯算子，即LoG(LaplacianofGaussian)算子。LoG算子通过Gaussian滤波对图像进行平滑处理，再通过Laplacian算子，参照二阶微分过零点实现边缘检测，（式116）式中，是方差，r是离原点的径向距离，即。(a)灰度化处理后的红外热像图(b)LaplacianofGaussian算子图1-3基于边缘检测的处理结果图以变压器套管为例，采用LoG边缘算子处理，我们可以发现，变压器套管通过LoG边缘算子进行了边缘提取，但是提取范围比较大，而且对噪声不敏感，产生了过度的边缘检测，可以应用到设备形状的提取或设备类型识别等领域，针对本文的电力设备的红外热像故障区域提取问题，无法满足实验要求，分割效果较差。（3）分水岭分割方法分水岭分割法的借鉴地理学知识，将地理学中的地形高度应用到图像的像素点灰度值，采用模拟浸水过程，进行分水岭分割：图1-4模拟浸水示意图集水盆是分水岭法中的关键部分，能够体现局部最小值的附近区域，在模拟浸水过程中，水平面将在集水盆中上涨，然后被分水岭所阻拦，从而保证不同集水盆中的水互不影响。当模拟浸水过程结束时，即形成最终的分水岭。因为分割的图像包括目标区域和背景区域，其中，目标区域的内部和背景区域灰度变化相对较小，而目标区域和背景区域的边缘处灰度值变化较大。因此，可以称梯度图像中灰度值较均匀的区域是局部极小值区域，而边缘区域则对应分水岭，分水岭连接后，即可得到最终的分割图像。运用分水岭分割法，运算速度快，分割以后对象具有完整边界，而且可以检测出弱边缘对象。由于图像噪声等因素的干扰，梯度图像将会有伪局部最小区域，导致过分割现象的产生。通过研究，人们发现了一个防止过分割发生的一种方法，这种方法就是在用梯度幅度对目标图像进行处理后再运用另外一些知识添加一个预处理阶段，并将这些知识融入到图像分割的整个过程当中，对图像分割得到的区域数目进行严格控制，从而防止过分割现象的产生。这些知识当中，使用最广泛效果最好的为基于标记的理论。在融入标记的理论后，我们希望分别有一个内部和外部标记集合，然后用这些标记修改得到的梯度图像以取得更好地分割效果。2）基于形态学标记的分水岭分割法本文采用了一种基于形态学标记的改进分水岭算法，具体算法流程所示。输入红外热像输入红外热像形态学预重建形态学后重建分割红外热像形态学梯度标记提取并分割处理标记图像对分割图像进行修正修正后图像进行分水岭分割输出图像图1-5基于形态学标记的分水岭分割算法主要流程图（1）形态学梯度形态学梯度是一种通过检测目标图像中某点的梯度值大小来确定这一点是否存在轮廓边缘的方法。在形态学梯度中，利用结构元素b对目标图像分别做膨胀和腐蚀，求出f的局部极大值和局部极小值，所以我们用数字差分定义的梯度来与之相对应，其形态学梯度图像可表示：（式117）其中表示形态学的膨胀，表示形态学的腐蚀，表示圆盘状元素。为了更好地提高边缘检测的质量，一般将形态学梯度和阈值法结合起来使用（2）形态学重建对于形态学梯度图像来说，虽然对噪声进行了去除，但不可能去除得十分彻底，图像当中仍然含有噪声。因此，这里就需要利用一种新的图像处理技术：形态学重建。形态学重建是指先形态学开重建，再形态学闭重建，通过把开、闭重建组合在一起，进一步消除目标图像中含有的噪声以及那些无法包含结构元素的像素点。形态学开重建和闭重建运算是通过结合形态学膨胀和腐蚀两个运算方法形成的。对于形态学梯度图像、参照图像与结构元素b，形态学膨胀可定义为)（式118）其中b为圆盘状结构元素，表示逐点求最小值，形态学膨胀为迭代性的运算。当迭代的次数达到预设值或者时，中止。因此，形态学开重建定义为：（式119）其中表示测地学膨胀收敛的结果。形态学开、闭重建是互为对偶的。因此，形态学腐蚀及闭重建可定义为：（式120）（式121）其中，表示的是逐点求最大值，表示形态学腐蚀时的结果。因此，形态学重建的定义为：（式122）（3）标记提取经过形态学重建处理后，减少了噪声，但无可避免会含有许多伪极小值点。本文利用扩展最小变换技术。扩展最小变换技术的工作方法是：首先给出一个图像阈值H，通过与之来比对，消去局部区域中小于H的极小值点，这样就可以大大减少了过分割区域的数目。所以，H值的确定非常重要。如果H值太小，去除的极小值点也相对较少，就不能发挥显著作用；如果值太大，又把大多数事实存在的极小值点给去除了，又会出现欠分割的现象。H值的选择一般都是根据先验知识来确定的，并没有特定的选择方法。这里采用所有极小值的平均值来修正值的大小。假设中极小值为，则（式123）在运用扩展最小变换前，采取Gaussian滤波器获得低频。则可以表示为：（式124）其中，为扩展最小变换，为二值标记图像，也就是经扩展最小变换后的图像。（4）分水岭分割通过变换提取极小值后，用极小值强制标记运算修改，即可得到，可表示为：（式125）最后进行分水岭分割，得到分割后的红外热像图。下面对分水岭分割算法和基于形态学的分水岭分割算法进行分析对比。首先，对电力变压器套管的原始红外热像图进行传统的分水岭分割处理，分割目标是热异常区域，但图中，存在严重的过分分割现象。图1-6原始热像图及传统分水岭处理后的彩色标记图然后，采用本文方法对电力变压器套管的原始红外热像图进行分割处理，按照分割步骤，可依次获得调整后的区域最大值分割图，形态学开、闭重建后的分割图，标记边界后的分割图，本文方法分割后的彩色标记分割图，如下图所示。(a)(b)(c)(d)图1-7基于形态学标记的分水岭分割图从图中可以看出在，采用基于形态学标记的分水岭分割方法处理后，电力变压器套管的红外热像图的过分割现象明显减少，由传统分水岭方法分割的24个区域，减少为3个区域，图像中目标区域轮廓更清楚，有效地减少了分水岭变换后的个数，证明了这种分割方法可行性，并且顺利提取出图像的热异常区域。1.2基于HSI空间梯度法的红外图像高温区域提取方法红外图像反映的是目标与背景的热辐射，与可见光的图像相比，红外图像中目标与背景的对比度低，边缘模糊，从而难以用常规的边缘提取方法提取目标有效的轮廓信息。与灰度图像相比，彩色图像具有其颜色特性，可以分解为不同的颜色空间，针对RGB颜色空间有一定的局限性，在此基础上提出了将红外图像的转换到HSI空间，经验证比RGB效果理想。因此本文从HSI颜色空间（其中H是色调，S是饱和度，I是强度）入手，运用一种改进的中值滤波对其进行滤波，在其基础上对图像求梯度，即可得到图像的温度高的区域，经试验此方法得到了比较好的效果。1）图像高温区域提取原理以红外检测图像为例，如图所示，红外图像存在边缘模糊、对比度差、空间域上存在孤立的点和小块噪声等特点。中值滤波法可以在保护图像边缘细节信息的前提下有效地降低图像空间域背景对目标的干扰。而梯度在提取图像中颜色变化的边缘方面有较好的效果，对图像求取梯度变换则可得到该图像颜色随温度变化的分布曲线。因此本文主要采用改进的中值滤波和梯度法提取图像的高温区域。图1-8绝缘子的红外图（1）HSI颜色空间变换本文在提取图像目标时，先将红外图像转换到HSI颜色空间（H色调，S饱和度，I亮度）进行处理。以红外图像中的温度最高区域为目标，其反映在HSI空间上为一块黑色区域，即颜色最亮的彩色红外图像区域在S空间上表现为黑色，与周围的颜色变化比较大，有利于后期基于梯度法的目标区域识别。由于HSI色彩空间和RGB色彩空间只是同一物理量的不同表示法，因而可以通过RGB空间分量获取HSI空间分量的值，其转换公式为：（式1SEQ公式\*ARABIC\s126）（式127）（式128）式中，H、S、I分别为HSI分量，根据公式可以将红外图像的RGB颜色空间转换到HSI空间。(2)图像噪声处理针对红外图像高背景，低反差的特点和HSI空间颜色的特征，在对其进行噪声处理时，首先保证图像尖锐的边缘，然后祛除背景噪声对目标提取的影响。为避免一般的中值滤波可能因排序取中值而破坏结构和空间的领域信息，改善其滤波效果，在该原理基础上提出了改进型的中值滤波方法：首先，在图像中取出一个任意正方形矩阵模板并将其矩阵定义为C；其次，取出C矩阵的第一行定义为e，将e和C内其它行组成一个新的行矩阵b，并求出b矩阵的中值f；最后，将中值f赋给模板中心元素，未被赋值的元素则取原值。经实验此方法能在消去噪声的同时保证图像的边缘信息，对背景的处理效果较为理想。(3)梯度边缘提取梯度是一种行之有效的边缘检测方法。图像中不同区域灰度会发生变化,特别是边缘区域变化明显,这种变化可以通过灰度梯度表示。梯度的正负反映其边缘的走势，相当于方向。因上面得到的图像有可能背景有很多弱的干扰，其对图像目标识别没有影响，但影响整个梯度图的美观，所以本文采用简单的直方图增强，对预处理后的图像进行简单的图像增强，即可得到背景简单的灰度图，从而有利于后期目标的提取。对处理后的灰度图求梯度，可获取图像灰度值的显著变化的地方即目标的边缘。图像梯度可以把图像看成二维离散函数，梯度其实就是这个二维离散函数的求导，在标量场f中的一点处存在一个矢量G，该矢量方向为f在该点处变化率最大的方向，其模也等于这个最大变化率的数值，则矢量G称为标量场f的梯度。二维图像梯度梯度为：对于图像是离散的:2)高温区域提取流程图本文对红外图像处理的流程所示：对红外图像进行颜色空间转换，将其从RGB颜色空间转变成HSI颜色空间，对该空间的图像用改进的中值滤波处理，去除噪声；针对要提取的目标，对滤波处理后的图像求梯度，并对不连续的梯度图进行简单的后期处理，即可得到温度最高区域的边缘。通过对红外图像温度最高区域的提取，可以为红外图像目标识别以及进一步的红外故障诊断提供技术基础。图1-9系统流程图3）实验验证本文选用FLIR的A40-M拍摄了大量的模拟故障红外图像，其中包含断股，连接处故障等，并选择连接处故障为研究对象验证本文方法。下图为背景噪声干扰较大的模拟红外故障图及对应的可见光原图。图1-SEQ图\*ARABIC\s110红外图像和可见光图像图1-11HSI颜色空间图像根据公式可将红外图像转换到HSI颜色空间，由转换后的HSI颜色空间可知红外图像的最亮点在HSI空间分量中的S图中表现为黑色，且在原图中颜色越亮，黑色越明显，该图背景对提取目标的干扰比其他两个分量要少，更适合本文后期处理。选S图为研究对象，并对S图按照前面的滤波方法进行处理，效果如图图1-12去除噪声的图像通过对去除噪声后的图像进行简单的背景处理如图像增强，可得到背景简单的灰度图，为了试验求梯度对此方法的适用性，根据公式对处理完的图像求简单的梯度，发现效果较为理想，从图中可以看出梯度的值很明显的反应了图像中待分解目标的边缘信息，下图为对图像的某一行求的梯度（绝对值），如图所示。图1-13图像的梯度从图2-46中可看出待分解的目标区域边缘比背景干扰区域边缘处的颜色反差明显，可知其反映的梯度值的绝对值要比干扰区域的梯度值大很多。通过上面梯度实验，本文也得到同样的结论，以此为指导思想，对图像求梯度，并对梯度值取绝对值，以此获取图像变化的边缘区域，利用Matlab绘制出三维曲线梯度图的正面图和用等高线的平面视角图（其颜色映射的数量为2，视角为[0,-90]），可得下图。图1-14三维和平面梯度图从图中可以看出对处理后的图像求梯度进行边缘提取是可行的，三维图反映了待检测目标的边缘信息，由于本文前期的方法可以将图片的背景处理的比较简单，易于后期目标的提取，可以看出其周围的梯度值比其他区域的梯度值大很多，从下图可以看出其边缘梯度值若用两颜色描绘，其边缘基本是连续的，目标的边缘在图中可以很方便的求出。将此图与原图对比，可知，本文的梯度边缘法可以将红外图像中温度最高区域的边缘提取出来，本方法提取出来的边缘，即为原图中温度最高的区域的边缘。经对其他拍摄的红外图进行抽检测试，取得了较为理想的效果，再次验证了本文方法的可行性。本文方法采用改进的中值滤波在空间域有效地降低了图像的高频噪声，同时有效的提高了图像的边缘对比度，在此基础上对其求梯度，得到红外图像的温度最高点的边缘，为红外图像目标识别以及进一步的红外故障诊断提供了技术基础。1.3基于K-means算法的RGB彩图提取方法在灰度图像上进行图像分割，灰度值相近的不同物体在聚类时难免会造成混淆导致图像分割不清晰。红外图像将不同温度由不同的颜色显示出来，因此，本课题又提出一种基于彩色特征进行电力设备及高温区域的分割方法。1）K-means原理K-means聚类算法是一种比较基本的聚类划分算法，由J.B.MacQueen于1967年首次提出，并历经40多年的研究和发展，已经在红外图像分割中扮演者一个重要的角色。K-means算法的原理是将图片分成n个样本后从n个样本中选取k个样本作为初始聚类中心，对于剩下的样本计算样本与各个聚类中心的距离（欧氏距离，假设图像中有两个点A（x1