一种自适应的变电站设备红外图像分割方法

王启银，薛建东，任新辉



一种自适应的变电站设备红外图像分割方法

王启银1，薛建东1，任新辉2

（1.国网山西省电力公司大同供电公司，山西 大同 037008；2.西南交通大学 电气工程学院，四川 成都 610031）

为了较好地实现变电站电气设备红外图像的分割，采用了一种自适应的变电站电气设备红外图像分割方法。通过采用基于形态学的权重自适应算法对变电站电气设备红外图像进行增强处理，然后采用基于加权切比雪夫距离的K-means算法对变电站电气设备红外图像进行分割，最后对分割得到的二值图像采用形态学方法进行处理。通过实验验证了该方法的有效性和适应性，方便了后续的特征提取和识别。

变电站电气设备；红外图像；形态学；图像分割；K-means

0 引言

由于变电站设备红外图像结构和形状的信息不充足、对比度差，有必要对电气设备红外图像进行增强处理。而红外图像分割技术在变电站电气设备智能在线监测系统中有着举足轻重的作用，分割后的变电站电气设备图像是后续特征提取和识别的关键，对变电站红外图像分割技术的研究有着重大的现实意义[1]。

文献[2]提出了一种基于Contourlet变换和形态学的图像增强算法，该方法虽然抗噪性能较好，但仅用了一次形态学的膨胀运算，对红外图像增强效果不明显。文献[3]设计了一种融合小波变换与改进的多尺度 Retinex红外图像增强算法，本算法改善了某些发热芯片区域红外图像对比度低且细节模糊问题，抑制了噪声，提升了电路板红外图像整体视觉效果。文献[4]提出了一种基于形态学的可变权值自适应增强算法，引入全方位多尺度结构元素的思想，每个方向的细节权值应不尽相同，在细节增强与噪声抑制方面取得了较好的平衡，但对于低灰度区域图像增强效果不佳。文献[5]提出了一种新模型，新模型利用了图像的区域信息，可以同时将目标的内外边界分割出来，在航拍图像分割中，分割速度快，分割精度高。文献[6]主要针对K-Means算法初始聚类中心的选择以及孤立点问题加以改进，提出了一种新的初始聚类中心选择方法，但该算法计算效率较低。文献[7]提出了一种基于两种优化策略博弈的马尔可夫随机场红外图像分割方法，算法能够无人工干预地准确提取电路板红外图像所有芯片发热区域，并且很好地抑制噪声，具有一定的实用性和鲁棒性。

本文提出了一种自适应的变电站设备红外图像分割方法，首先，采用基于形态学的权重自适应算法对变电站电气设备红外图像进行增强处理，有效地增强了低对比度区域红外图像的轮廓特征并对噪声有一定的抑制作用；另外采用基于加权切比雪夫距离的K-means算法对变电站设备红外图像进行分割，能够较好的将目标区域完整的分割出来，分割后的图像具有目标轮廓清晰，边缘细节特征明显等优点。

本文以变电站隔离开关红外图像和变电站断路器红外图像为例进行方法验证。

1 形态学权重自适应增强

1.1 形态学开-闭级联

数学形态学图像处理通过采用具有一定形态的结构元素去度量图像中的对应形状，借助于集合论来达到对图像进行分析和处理的目标[8]形态学的开运算先腐蚀后膨胀，可以用来过滤图像中的噪声，而形态学闭运算先膨胀后腐蚀，可以增强图像中的低灰度区域。根据以上特点，可采用形态学开-闭的级联形式，从而实现对红外图像的增强，形态开-闭级联定义为：

1.2 权重自适应的多结构形态学增强

采用相同维数、不同形状的结构单元对变电站电气设备红外图像进行形态学的开-闭运算，每种结构元素可表示为A(＝1,2,3,…,)，原始红外图像在每种结构元素下连着做二次形态学开-闭运算，进而构成一个串联增强器，串联增强器如图1表示。

图1 同一形状结构元素的串联增强

串联增强后可以将每种形状的结构元素所构成的串联增强器进行并联，形成串、并联复合增强器，串、并联复合增强器如图2所示。

图2 串、并联复合增强器

在具体实现过程中，采用每种结构元素A(＝1,2,3,…,)的串联增强结果与原始图像的差异值作为权值向量，串联增强结果与原始图像的差异值权值向量可表示为P(＝1,2,3,…,)，则形态学自适应权值计算公式为：

式中：Q为每种形状结构元素A的权值，其中的取值为1, 2, 3,…,。

根据图2所示，输入图像为()，本文选择结构元素为不同长度和角度的线性算子，经过每种结构元素串联增强的结果为L()(＝1,2,…,)。则根据形态学自适应权值计算公式可以得出输出图像()为：

2 基于加权切比雪夫距离的K-means算法

2.1 K-means算法

K-means算法先从图像数据样本中选取个点作为初始聚类中心；再计算各个图像数据样本到每个初始聚类的距离，把图像数据样本合并到离它最近的那个聚类中心所在的类；然后计算新形成的每个类的图像样本数据对象的平均值来得到新的聚类中心；最后重复以上步骤，直到相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数达到最优。

K-means算法一般选取误差平方和准则函数作为聚类准则函数，当误差平方和准则函数局部最小时，聚类中心迭代终止，误差平方和准则函数公式为：

式中：X为数据集的聚类子集，各个聚类子集的样本数量分别为1,2,…,n,为各个聚类子集的聚类中心。

2.2 基于切比雪夫距离的K-means算法

采用K-means算法进行图像分割时，将图像的每个像素点的灰度作为样本，从而整个图像就构成了一个样本集合，进一步把图像分割任务转换为对数据集合的聚类任务，然后在此特征空间中运用基于切比雪夫距离的K-means算法进行图像分割。

在计算图像数据样本之间的距离时，选择切比雪夫距离。设两个样本分别为x和x，则切比雪夫距离公式为：

2.3 基于加权切比雪夫距离的K-means算法

采用基于加权切比雪夫距离的K-means算法处理红外图像时，应先计算数据集中各个样本属性的权值，在计算样本之间的距离时使用加权切比雪夫距离即可，加权切比雪夫距离的公式为：

权值系数w的确定采用变异系数赋权值法。变异系数赋权值法是在方差倒数赋权值法的基础上提出的，定义如下[9]：

一组数据集的变异系数是它的标准差除以均值的绝对值，对于数据集中的个数据1,2,…,X，变异系数的求解过程为：

式中：v是1,2,…,X的变异系数。

于是，数据集中各个属性都有各自的变异系数，设数据集中各个属性表示为：1,2,…,Z，用v表示Z的变异系数，其中＝1,2,3,…,，此时，属性Z相应的权重系数为：

3 实验结果分析

算法实验在Matlab软件平台实现，实验图像为变电站断路器设备和变电站隔离开关设备，为了验证本文算法的分割效果，对比分析二维Otsu算法、基于切比雪夫距离的K-means算法和基于加权切比雪夫距离的K-means算法，隔离开关和断路器分割效果分别如图3和图4所示。

图3和图4分别给出了隔离开关和和断路器的原始图像、形态学权重自适应增强结果、二维Otsu算法分割结果、基于切比雪夫距离的K-means分割结果、基于加权切比雪夫距离的K-means分割结果。

由图可以看出，增强后图像目标区域的细节比较明显，较好地突出了图像目标区域的信息；使用二维Otsu算法对图像进行分割，目标无法完整地分割出来，因为该算法当目标区域灰度级较低时，分割阈值无法涵盖目标区域低灰度级部分；使用基于切比雪夫距离的K-means分割算法对图像进行分割，只能将目标区域内灰度级较低的部分分割出来，分割结果不完整，分隔效果不佳。因为该算法只是把样本间的切比雪夫距离作为相似度，没有考虑到数据的实际分布情况；而使用基于切比雪夫距离的K-means分割算法对图像进行分割，分割效果较好并且边缘比较清晰，能够较好地将目标区域完整的分割出来，实现了图像的快速分割，因为该算法将权值引入到计算欧式距离的过程中，得到了一个较为准确的样本间的相似度。

图3 隔离开关分割效果比较

图4 断路器分割效果比较

4 结论

提出了一种自适应的变电站设备红外图像分割方法。通过基于形态学的权重自适应算法对图像增强，不仅图像目标区域细节部分的增强效果比较好，而且解决了基于加权切比雪夫距离的K-means分割算法对于“噪声”和孤立点的敏感问题，为后文的图像分割奠定了良好的基础；通过采用基于加权切比雪夫距离的K-means算法对增强后的图像进行分割，能够较好地将目标区完整的分割出来，而且边缘细节也比较清晰，分割效果比较好。实验结果表明这种方法分割速度快，分割效果较好，为后续的特征提取、目标识别、跟踪处理提供了良好的基础。

[1] 刘健, 解辰, 蔺丽华. 基于红外图像的电力变压器油位自动检测方法[J]. 高电压技术, 2010(4): 964-970.

LIU Jian, XIE Chen, LIN Lihua. Automatic detection of oil level of electric power transformers using infrared image[J]., 2010(4): 964-970.

[2] 向静波, 苏秀琴, 陆陶. 基于 Contourlet 变换和形态学的图像增强方法[J]. 光子学报, 2009, 38(1): 224-227.

XIANG Jingbo, SU Xiuqin, LUTao. Image enhancement based on the Contourlet transformand mathematical morphology[J]., 2009, 38(1): 224-227.

[3] 郝建新. 基于小波变换与Retinex的电路板红外图像增强技术[J].红外技术, 2015, 37(12): 1036-1040.

HAO Jianxin. The technology about infrared image enhancement of circuit board based on wavelet transform and Retinex[J]., 2015, 37(12): 1036-1040.

[4] 刘艳莉, 桂志国. 基于形态学的可变权值匹配自适应图像增强算法[J]. 电子与信息学报, 2014, 36(6): 1285-1291.

LIU Yanli, GUI Zhiguo. Adaptive image enhancement algorithm with variable weighted matching based on morphology[J]., 2014, 36(6): 1285-1291.

[5] 杨名宇, 李刚. 利用区域信息的航拍图像分割[J]. 中国光学, 2014, 7(5): 779-785.

YANG Mingyu, LI Gang. Aerial image segmentation with region information[J]., 2014, 7(5): 779-785.

[6] 周爱武, 于亚飞. K-means 聚类算法的研究[J]. 计算机技术与发展, 2011, 21(2): 62-65.

ZHOU Aiwu, YU Yafei. The research about clustering algorithm of K-Means[J]., 2011, 21(2): 62-65.

[7] 王坤, 张恺, 王力, 等. 基于两方法博弈的马尔可夫随机场红外图像分割算法[J]. 红外技术, 2015, 37(2): 134-138.

WANG Kun, ZHANG Kai, WANG Li, et al. Infrared image segmentation based on MRF combined with two-algorithm game[J]., 2015, 37(2): 134-138.

[8] 程伟, 梁萍. 数学形态学在旋切单板缺陷图像分割中的研究[J]. 林业机械与木工设备, 2011, 39(2): 25-27.

CHENG Wei, LIANG Ping. Research of rotary-veneer surface defect image segmentation method based on mathematical morphology[J]., 2011, 39(2): 25-27.

[9] 张忠林, 曹志宇, 李元韬. 基于加权欧式距离的k_means算法研究[J]. 郑州大学学报:工学版, 2010(1): 89-92.

ZHANG Zhonglin, CAO Zhiyu, LI Yuantao. Research based on Euclid distance with weights of K_means algorithm[J]., 2010(1): 89-92.

[10] Choi D H, Jang I H, Kim M H, et al. Color image enhancement based on single-scale retinex with a JND-based nonlinear filter[C]//,2007, 2007: 3948-3951.

An Adaptive Segmentation Method of Substation Equipment Infrared Image

WANG Qiyin1，XUE Jiandong2，REN Xinhui3

（1.,, Shanxi, 037008,; 2.,,, 610031,）

In order to achieve the segmentation of substation electrical equipment infrared image better, an adaptive substation electrical equipment infrared image enhancement and segmentation algorithm was adopted in the paper. An adaptive weight algorithm based on morphological was used to enhance the infrared image of substation electrical equipment, then the K-means algorithm based on weighted Chebyshev distance was used for segmentation of substation electrical equipment infrared image, lastly the morphological method was used to deal with the segmented binary image. The arithmetic was validated by experiment later, and this method is convenient for follow-up feature extraction and recognition.

substation electrical equipment，infrared image，morphology，image segmentation，K-means

TP301.6

A

1001-8891(2016)09-0770-04

2016-01-11；

2016-02-17.

王启银（1965-），男，山西省大同市人，高级工程师，主要研究领域为电气设备状态监测与诊断技术。