基于纹理特征的绝缘子检测方法

杨翠茹

（华北电力大学，北京 102206）

1 引言

电力系统中绝缘子运行状态的完好对于输电线路的安全运行起着重要作用，因此绝缘子状态监控与故障诊断是一个有实际意义的研究课题，利用图像/视频监控方法实现绝缘子故障诊断是实现自动化故障诊断的发展趋势之一。其中，绝缘子的检测和定位工作[1-2]是首要前提。

本文提出了一种基于纹理特征的绝缘子检测方法。该方法首先利用图像的灰度共生矩阵方法提取出绝缘子的基本纹理特征，然后利用特征选择算法挑选出一组最有效、分类效果最好的特征；最后利用这组最有效特征可以准确检测到绝缘子。

2 绝缘子检测方法研究

2.1 基于一种纹理特征的绝缘子检测方法

最简单的绝缘子检测方法是仅采用绝缘子的一种纹理特征灰度直方图的统计矩[2]。该方法的原理是利用图像/视频监控技术对现场所拍摄到的绝缘子图像进行一些处理后划分为若干个小区域图像，对这些小区域图像分别进行灰度直方图矩的计算，最后根据灰度直方图矩的大小来检测和定位绝缘子的位置。

令r为一个代表灰度级的随机变量，并令f(ri)为对应的直方图。其中，i=0，1，2，…，L-1，L是可区分的灰度级数目。则关于r的均值的第n阶矩如公式（1）所示。

对在现场所拍摄到的绝缘子图像进行测试，实验工具软件主要应用Matlab7.0，所编写的文件函数为grayhistmoment (image, m, n)（image：指所输入的图像；m：把整幅图像划分为m×m像素的各个小图像；n：指n阶矩；）。此函数功能为：输入一幅图像，根据m的值把整幅图像划分为若干个m×m像素的小图像，再由所输入的参数n的值来求出每幅小图像的n阶矩（n=1, 2, 3…）。

以一幅像素为2448×3264的绝缘子图像为例，划分为640×640像素块的灰度直方图的2阶矩，其显示效果如图1所示。

图1 灰度直方图的二阶矩——grayhistmoment (image, 640, 2)

从图1可以看出，绝缘子存在的地方，2阶矩就越大。经过大量的图像进行测试可得：纹理性越强的地方，n阶矩就越大。纹理性越弱，越光滑的地方，n阶矩就越小。从图1也可以看出，此种方法具有一定的局限性，因为对于纹理性较强的背景图像也会被认为是绝缘子图像。

2.2 基于多种纹理特征的绝缘子检测方法

上述方法仅考虑了绝缘子的一种纹理特征，存在一定的局限性。由于绝缘子的纹理性比较强，存在许多种不同种类的纹理特征。但是在这些特征中，有些纹理特征与区分背景特征有关，然而有些纹理特征与区分背景特征无关，选择与提取出优质的特征可以提高检查的效率和准确率[3]。因此，这就需要利用特征选择算法提取出一组最有效、分类性能最好的特征，通过这组特征可以正确地检测和识别到绝缘子。测试过程的框架如图2所示。

图2 绝缘子检测过程的框架图

（1) 图像选取

本文以100幅绝缘子图像和100幅纹理性较强的背景图像作为两类测试图像，其中分别选出各自70%的图像作为训练集，剩余30%的图像作为测试集。

（2）特征提取

利用灰度共生矩阵方法产生出每幅图像6个常用的纹理特征值：①能量：

（3）特征选择

特征选择是指从所提取的特征中挑选出一组最有效的特征，以达到降低特征空间维数的目的[4]。经常采用样本类内距和类间距判定分类效果。即特征选择就是选择那些在特征空间中类间距离大而类内距离小的特征。

对以上所求得的6个特征值（Energy Entropy Contrast Correlation Homogeneity n_order moment）进行任意组合，利用类内矩和类间矩求出每一种组合所对应的J( k)值，并求出每一类相同组合数的最大J( k)值。

1）可分离性判据

2）类内散布矩阵

3）类间散布矩阵

（4）分类决策

分类决策实现的是将被识别的对象归为某一类，在这里也就是区分绝缘子图像和背景图像，以达到准确识别到绝缘子的目的。本文所采用的是k近邻分类器。利用查全率Recall(k)、和准确率Precision(k)作为评价准则进行测量比较。利用平均准确率AvgAccuracy衡量整体分类性能。最后根据所得的数据判断J( k)值最大所对应的特征组合分类效果是否最好。

3 实验与分析

在以上所述的6个特征值中任选两个特征进行分类测试，可求得每种组合方式的三项指标：准确率Precision(k)、查全率Recall(k)和平均准确率AvgAccuracy，如表1所示。

表1 两个特征值的示例分类结果

由表1可得，前提条件相同，而且在选取特征个数相同的情况下，所求得J(k)的值越大，平均准确率AvgAccuracy就越高，利用k近邻分类器分类的效果就越好。

考虑全部种类的组合方式进行分类测试，对每一类分别求出它的最大J(k)值和对应的平均准确率AvgAccuracy，如表2所示。

表2 每一类组合方式的示例分类结果

由表2可得，并不是特征个数越多，分类效果越好，差的特征反而会大大降低系统的性能。选择一种最优的特征，不仅与这组特征所对应的J(k)值有关（J(k)的取值范围为：0～0.5），而且还与所选取的近邻数k有关。我们从图表中可以看出（1，5）或（1，4，5）组合的分类效果比较好。

4 结论

本文提出了一种利用特征选择算法检测绝缘子的方法。该算法能够在较低的成本下，达到准确检测到绝缘子的目的。实验表明，对绝缘子的所有特征进行特征选择，可以提高了绝缘子的识别率，是一种有效的图像检测方法。然而，文中只列举了绝缘子的一些典型特征作为实验。由于绝缘子的形状各异，特征也可能存在差别，若把绝缘子所有类型的特征都考虑进去，按本文特征选择的算法，不同组合的方式会很多。在这种情况下，考虑每种组合方式，计算量会相当大。因此，设计出一种具有高可靠性和健壮性的特征选择算法将是笔者下一步的工作重点。

[1] 仲莉恩,冯辉,隋立林.一种利用边缘方向直方图定位绝缘子的方法[J].电气技术,2010(1):22-25.

[2] 轰一雄,尹项根.绝缘子在线检测方法的探讨[J].电瓷避雷器,2002(2): 3-7.

[3] 范劲松,方廷健.特征选择和提取要素的分析及其评价[J]. 计算机工程与应用,13(2),2005:95-99.

[4] 邵美珍,黄洁.模式识别原理和应用[M]. 西安:西安电子科技大学出版社, 2008:72-100.

[5] D. G. Lowe. Distinctive image features from scaleinvariant key points[J]. Int’l Journal of Computer Vision, 60(2), 2004:91-110.

[6] 薄华,马缚龙,焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报,2006,34(1).

[7] 杨晓元,郭璇,张敏情.特征选择在隐秘图像检测中的应用[J].计算机工程,2008,34(8).

[8] L.Yu, H. Liu. Feature Selection for High-Dimensional Data: A Fast Correlation-Based Filter Solution[C].Proc. 20th Int’l Conf. Machine Learning,2003:856-863.