【《光伏阵列热斑红外图像的分割及边缘检测分析案例》3900字】

II光伏阵列热斑红外图像的分割及边缘检测分析案例目录TOC\o"1-3"\h\u25635光伏阵列热斑红外图像的分割及边缘检测分析案例 162491.1图像分割 1242141.1.1基于边缘检测的图像分割算法 1287311.1.2基于区域的图像分割算法 2100441.1.3基于阈值分割的图像分割算法 3136001.2Otsu算法（最大类间方差法） 4201441.3实验与结果分析 6257191.3.1边缘检测实验 6141241.3.2边缘检测实验结果分析 12在整个红外图像处理的过程中，提取热斑是非常关键的一步，提取到的热斑质量直接关系到后续的故障诊断和热斑检测的实际应用。如何快速有效地提取热斑非常重要。本章基于多种分割算法，通过实验对比选择出分割效果较好的Canny算法1.1图像分割 图像分割是指将图像分成若干互不重叠的子区域，使得同一个子区域内的特征具有一定相似性，不同子区域的特征呈现较为明显的差异。它是由图像处理到图像分析的关键步骤。目前较为常用的图像分割方法有三种，分别是基于阈值、基于区域和基于边缘的图像分割方法，在本章中对这三种方法进行了分析和总结，为太阳能光伏热斑红外图像的分割及边缘检测选取到合适的算法。通过使用不同的分类标准，图像分割算法自然可以进行不同的分类。这并不影响寻找和改进适用于光伏系统的热图像分割算法。在下文中，将讨论使用边缘、区域和阈值等特征作为分类标准的图像分割算法。1.1.1基于边缘检测的图像分割算法边缘一般指图像在某一局部强度变化程度剧烈的区域，其强度变化一般分为两类：阶跃变化、屋顶变化。而边缘检测就是找到图像中具有这两种强度变化的像素点的集合，同时达到分割图像的效果。较为广泛使用的图像边缘检测的流程图如图1.1所示：图4-1边缘检测的流程图特征提取是图像边缘检测的一个核心环节，其中边缘指的是图像中所要提取的特征不连续的地方，随着技术的发展以及经过前辈们的研究实践和探索衍生出来了各种经典的方法。边缘检测的经典算子包括：Roberts算子、Prewitt算子、Sobel算子、Log（GaussianLaplacian）算子等。Roberts算子也叫交叉差分算法，通过局部差分计算来检测边缘线。Roberts算法对正负45°左右的图像边缘效果更好。这种算法的缺点是它不能精确地定位图像中的边缘，只能粗略地提取边缘轮廓。该算法的优点是使用方便，易于实现，对水平和垂直边缘信息的检测效果好，但对斜向边缘和细节的检测效果差，容易受噪声影响，只适合检测简单结构和大的灰度变化。Prewitt算子是一种利用相应的灰度值之差对区域内各像素点进行边缘检测的微分算子。Prewitt算子使用3X3的模板来计算一个区域的像素值，而Roberts算子通常使用2X2的模板，所以它可以用来检测给定区域的边缘。其边缘检测效果略好且具有一定的噪声抗性，但边缘检测不连续，没有明显的一致性[20[20]张艳邦，张芬，张姣姣.基于图像边缘特征的目标检测算法[J].内江科技，2021，42(04):47+67.Sobel算子是一种离散微分算子，可以计算出图像中明度或暗度的近似值。该算法也利用了区域内像素点灰度值差对图像进行边缘检测，但与Prewitt算子不同，Sobel算子增加了加权的概念，相邻点距对像素影响不同，距离相差较小的像素对当前像素影响较大，使得图像更加清晰，同时边缘轮廓也得到了增强处理。该算法对噪声具有鲁棒性，可以从灰度变化的角度考察目标像素点和周围场像素点之间的关系，在捕捉细节方面非常出色，但其检测效果因无法检测虚假边缘而受到影响。拉普拉斯(Laplacian)算子是二阶微分算子。它是线性的，不受旋转的影响，经常被用于图像锐化、增强和边缘提取。该算法使用灰度级导数计算相邻区域的像素，因此对图像细节的变化高度敏感，但它对噪声很敏感，而且由于其锐化特性，常常会放大噪声，这对图像定位和边缘检测是不利的。因此，该算法通常与高斯函数结合使用，在边缘检测之前对图像进行平滑和过滤。1.1.2基于区域的图像分割算法 区域生长法是将根据给定准则将像素或者子区域聚合成更大区域的一种算法。基本思想是从一组生长点（单个像素或者某个小区域），将与该生长点性质相似的相邻像素或区域与其合并，形成新的生长点，循环重复此过程知道不能生长为止。生长点相似性判断依据可以是灰度值、纹理、颜色等图像信息。在区域生长中的关键如下：（1）选择合适的生长点；（2）确定相似性准则；（3）确定生长停止条件。区域生长法适用于均匀毗连的区域。然而，区域生长法很容易受到噪声的影响，即使在低噪声的情况下，也可能出现"空洞"现象。此外，区域生长法的效率很低，这对具有高实时性的系统来说是一个很大的缺点。区域分裂合并是区域生长的逆过程，在开始时将图像分割成一系列任意不相关的区域，然后将这些分块区域进行合并或者拆分来满足给定的限制条件。区域分裂合并也是针对区域特征一致性检测的方法，图像中某一区域特征不一致时进行分裂，相邻区域特征满足一致性时合并，直到所有区域不再满足分裂合并的条件。这样即可对图像达到分割的效果。图4-2所示为分类合并算法中最常用的四叉树分解法。图4-2四叉树分解法基本分裂合并算法步骤如下：(1)对任一个区域，如果不满足区域一致性就将其分裂成不重叠的四等份；(2)对相邻的两个区域，如果条件满足一致性，将其合并。(3)如果进一步的分裂或合并都不可能，则结束。该方法最为关键的一点是设计分裂合并的准则，适用于复杂图像的图像分割处理。1.1.3基于阈值分割的图像分割算法阈值分割是最常用的直接对图像进行分割的方法，根据图像像素的灰度值的不同选定不同的阈值。该方法成本低廉，实现简单，在目标和背景的像素灰度值或其他特征存在明显差异的情况下，该算法非常适用于这种情况，能有效实现图像分割。按照灰度级划分像素集合，子集形成区与实际物体表面相对应，这些区域具有一致性，而周边区域不具有这样的性质，这种做法叫做图像阈值化。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。如下面公式所示，其中g(x,y)为经过分割后的图像，T为不同的特征阈值，ƒ(x,y)表示图像中的点(x,y)的像素值。 （1.1）若图像中若有明显的目标和背景，则其灰度直方图呈双峰分布。光伏阵列的红外灰度图像中，热斑及背景均具有单峰灰度级分布，所以它们会形成双峰直方图，当灰度级直方图具有双峰特性时，两个峰值信息含量相当。图1.2是典型的双峰示意图。图4-3典型的双峰示意图1.2Otsu算法（最大类间方差法）不断有新兴技术与理论应用于图像分割而形成新的算法，这不仅增加了图像分割算法的数量，而且也使它们变得更加完善。很多图像分割方法已经在实践中得到了很好的应用。然而，这些方法往往是为特定的图像量身定做的，并不普遍适用或易于实现。尽管图像分割算法分为不同的类别，而且数量众多，但阈值化因其简单、快速和有效而被广泛使用。基于阈值分割的关键是阈值，选择恰当的阈值就能解决图像分割的问题。Otsu算法的提出满足了人们对不同问题选择相应阈值的需求。Otsu算法是一种确定图像二值化分割阈值的算法，该算法根据图像的灰度特性分为背景和前景，使这两部分之间的方差最大。如果图像中的像素点之和为N，灰度值为[0,L-1]，那么 （1.2） （1.3）式（1.6）和（1.7）中，ni为灰度值为i的像素总数，p使用阈值K，可以将图像分为两类，且记为和，包含[0,k]上的所有像素点，包含[k+1,L1]上的左右像素点，则图像的平均灰度值可以表示如下。 （1.4）和的灰度均值为： （1.5） （1.6）式（1.8）和（1.9）中， （1.7） （1.8）综上可得， （1.9）类间方差为： （1.10）Otsu算法以式（1.13）为评价函数，式（1.13）表征了和两类之间的欧氏距离，假设为最佳阈值，那么此时的和两类的类间方差将取得最大，即此时和z的欧氏距离为最大，记该最佳阈值为，即： （1.11）当拍摄的图像中背景和热斑特征区分明显时，灰度直方图会有一个双峰，如图4-3中的实验图像所示，一般选择直方图谷底对应的像素值作为全局阈值T，全局阈值选取的不同会影响图像背景与热斑特征分割的效果。图4-4图像的直方图及其均衡化图Otsu阈值分割以直方图为基础，使用最小二乘法来计算理论上最佳的阈值，以达到最佳分割效果。可以将背景与热斑特征进行最大的分离，但有时得到的处理结果对于一些特殊的研究用途效果并非特别好，我们可由图4-4对比一下人工分割与Otsu分割的效果。图4-5人工分割与Otsu分割对比图1.3实验与结果分析1.3.1边缘检测实验 1）Canny边缘检测器：用于检测任何输入图像的边缘。它涉及在检测图像边缘时要遵循的以下步骤。a.高斯滤波去噪。b.计算高斯滤波器的导数，计算图像像素的梯度，得到沿x和y维度的幅度。c.考虑垂直于给定边缘方向的每条曲线的邻域集合，抑制非最大边缘贡献像素点。d.最后，使用延迟阈值法保留高于梯度振幅的像素，而低于低阈值的像素被忽略。实验代码：

Canny边缘检测实验结果：图4-6Canny算子检测图2）Sobel边缘检测器：该算法由两个3x3矩阵组成，一个是水平矩阵，一个是垂直矩阵，它们与平面上的图像进行卷积，分别获得水平和垂直亮度差异的近似值。实验代码：Sobel边缘检测实验结果：图4-7Sobel算子检测图3)Prewitt边缘检测器：它根据一个像素的上下边缘及其左右邻域的灰度差来检测极端边缘，具有平滑噪音的效果。实验代码：

prewitt边缘检测实验结果：图4-8Prewitt算子检测图4）Roberts边缘检测器： Roberts算子是一种斜向偏差分的梯度计算方法，梯度的大小代表边缘的强度，梯度的方向与边缘的走向垂直(正交)。实验代码：Roberts边缘检测结果：图4-9Roberts算子检测图5）Laplacian边缘检测器： Laplacian算子具有无方向性的优点，因此使用提取边缘不需要分别检测X方向的边缘和Y方向的边缘，只需要一次边缘检测即可。实验代码：Laplacian边缘检测实验结果：图4-10Laplacian算子检测图1.3.2边缘检测实验结果分析将以上各实验结果图整理得：图4-11各算子边缘检测结果图由图4-10可以明显比较各算子处理效果的特点：尽管Prewitt算子和Sobel算子在图像处理中具有相似的效果，并且都对