基于红外摄像仪的接触网载流安全状态检测图像处理

刘家军，罗军，张伟，刘小川，杨瀚鹏

（1.西安理工大学水利水电学院，陕西西安 710048；2.西安铁路局供电段，陕西西安 710054）

基于红外摄像仪的接触网载流安全状态检测图像处理

刘家军1，罗军2，张伟1，刘小川2，杨瀚鹏1

（1.西安理工大学水利水电学院，陕西西安 710048；2.西安铁路局供电段，陕西西安 710054）

利用车载红外成像仪能高效便捷的对接触网进行载流安全检测，但由于外界环境和车速的影响导致获取的红外图像存在灰暗模糊的问题。为获取高质量的图像，提出了一种基于小波变换和模糊对比度的图像增强算法，据此提高图像的清晰度和信息量；同时，利用RGB颜色空间对原始图像进行分割，通过图像融合完成对红外图像温度最高区域的位置标定，从而满足了人眼视觉直观感应和计算机的分析要求，为快速准确地判断接触网载流安全状态和发现可能存在的隐患点提供一种有效的手段。

接触网；载流状态；红外图像；图像处理

接触网作为电气化铁路的唯一供电线路，其没有备用，且承担了重要作用。因此，日常维护和检修是保障安全良好运行的有效手段。其中利用车载红外热像仪对接触网载流安全状态进行检测是一种高效便捷的检测手段。

由于环境和车速影响，经红外仪获得的初始图像质量不高。

1 接触网载流安全状态检测原理与存在的问题

1.1 基于红外图像处理的检测原理

基于红外图像处理的接触网载流安全状态检测是通过红外检测系统，由图像采集与信息传输终端和监测与控制终端2部分组成。通过二者的相互配合完成整个检测和安排维修任务的功能。

1.2 红外检测存在的问题

根据相关理论，并结合实际应用，红外图像的特点可以总结为以下几个方面：

1）由于物体热平衡、传输距离远以及大气衰减等因素的影响，导致红外热图像具有极强的空间相关性、较低的对比度和模糊的视觉效果。

2）与可见光的CCD阵列相比，系统对红外辐射的探测能力和空间分辨率偏低，这造成红外图像的清晰度较差。

3）周围环境的干扰和热成像系统自身的缺陷，使得红外图像中掺杂着很多噪声，如热噪声、散粒噪声、光电子噪声等。因此，红外图像的信噪比要明显低于普通图像。

4）红外探测器中各单元响应特性的不一致，造成了红外图像很大程度的非均匀性，表现为图像中携带的恒定图案噪声、串扰和畸变等。

总的来说，大部分红外图像中，目标图像与背景的对比度低，边缘较模糊，噪声较大。

2 红外图像的增强

针对红外图像对比度差、视觉效果模糊的缺点，本文提出了一种基于小波变换与模糊对比度的图像增强算法。首先，采用正交小波变换对红外图像进行处理，将空域图像转换到频域，得到小波各层的分解系数；其次，运用同态滤波法对低频子带小波系数进行处理，同时运用低通滤波法对高频子带小波系数进行处理；再次，经正交小波逆变换重构得到初步增强后的红外图像；最后，运用模糊对比度算法，得到最终的增强图像。

2.1 红外图像的小波分解与重构

基于小波变换的红外图像处理，主要是通过小波变换对红外图像进行分解，而后对产生的低频与高频分量系数分别进行处理，经过小波重构后，使图像满足特定要求[1]。若二维图像信号f（x，y）在分辨率2j下，经二维小波分解，可将图像分解为Ajf（x，y）、D1jf（x，y）、D2jf（x，y）及D3jf（x，y）4个子图，即：

式中：φ和ψ为相应的尺度函数和小波函数；Ajf（x，y）为对于原图像的近似，也称为低频部分；Dλjf（x，y）（λ=1，2，3）代表近似误差，即图像的高频部分；D1jf（x，y）为水平边缘信息；D2jf（x，y）为垂直边缘信息；D3jf（x，y）为对角线方向的高频信息[2]。

经过小波变换，原图像将被分解成4个子图像，每个子图像分别代表前一层图像的平滑逼近信息分量以及水平、垂直和对角线信息分量。图1给出了二维图像的二层小波分解过程，其小波重构按相反过程进行。其中，LL1、HL1、LH1及HH1分别为原图像经小波变换后的平滑逼近信息以及水平、垂直和对角线信息构成的子图像；LL2、HL2、LH2及HH2为LL1子图像再次经过小波变换形成的4个子图像[3-5]。

2.2 低通滤波

信号或图像的能量大部分集中在频谱的低频段和中频段，而在较高的频段，目标信息常常被噪声淹没。故通过滤除高频成分的滤波器就可以减弱噪声对图像可视部分的影响。

在图像的增强过程中构造出低通滤波器，让低频分量顺利通过，并有效地阻止高频分量，这样就可以有效滤除该领域内的部分噪声[6]。

根据卷积定理，低通滤波器的数学表达式为：

式中：F（u，v）为含噪声的原始图像的傅里叶变换；H（u，v）为传递函数；G（u，v）为经过低通滤波的输出图像的傅里叶变换。

在常用低通滤波器中指数低通滤波器滤波后较其他类型所得图像最为清晰，噪声量少。指数低通滤波器：

式中：n为指数函数衰减率。

2.3 同态滤波

图像的同态滤波作用是调整图像的灰度范围，消除图像照明不均匀的问题，增强暗区的图像细节，同时又不损失亮区的图像细节。

通常，景物图像f（x，y）可以由照明函数fi（x，y）与反射函数fr（x，y）的乘积表示：

式中：fi（x，y）为对景物照明的描述，而与景物内容无关；fr（x，y）包含了景物细节信息，而与照明度无关。

因为照度分量在空间中是缓慢变化的，而反射分量在不同物体的交界处变化较剧烈，所以对图像求对数后，其傅里叶变换的低频部分主要对应照度分量，而高频主要对应反射分量。由于2个函数的傅里叶变换是不可分的，不能直接对式（4）中fi（x，y）及fr（x，y）的频域部分进行操作，可以采用对数运算将乘性分量变为加性分量，然后进一步处理[7-9]，即

对式（5）取傅里叶变换得到

如果用传递函数H（x，y）的滤波器来处理对数图像频谱式F（x，y），则：

处理后，将G（u，v）进行傅里叶反变换，则有

最后，对S（x，y）进行指数运算就可得到增强后的图像g（x，y）。

2.4 基于模糊对比度的图像清晰化算法

在基于模糊对比度的增强算法中，在它的模糊域内，定义一种新的隶属度函数，对其正常的逆变换过程稍作改变，具体的算法[10]如下。

1）新定义的模糊域隶属度函数为

式中：xmax，xmin分别为图像的最大灰度值和最小灰度值；α为调整参数，一般取[0，0.5]。

根据选取的隶属度函数，完成图像由空域到模糊域的映射。在[0，1]的取值范围内，隶属度的值越大，表示其对模糊集的隶属程度越深。本文采用tan函数，将最初对模糊集的线性隶属度进行了进一步的提高。由于tan函数扩大了最初属于[0，1]取值区间内的隶属度值，因此需要参数α的调节。通过2次隶属度的拉伸，隶属度的值在[0，1]区间内更加集中，线性度也有所改善，而且处理之后的图像还能够保留低灰度值的边缘信息，克服了原始图像低灰度值易被忽略的缺陷[11-14]。

2）在特征平面上，计算图像最初的模糊对比度函数C，然后利用变换函数Fc对C进行增强处理。基于图像对比度随着景深系数的增大呈指数下降的特征，所以在定义对比度的变换函数Fc时还考虑了景深[12]。本文应用到的对比度的变换函数为：

式中：Cu（xij）为点（i，j）在其模糊域局部的对比度；Fc为增强后的对比度；v为待定指数系数；深度值d根据交互式景深的估计算法获得，然后再归一化到d区间内，各点的深度值可以通过式（11）求得：

式中：γ为比例系数，且γ∈（0，1）；当d=dmin时，γ=0；d= dmax时，γ=1。

3）通过Fc计算调整后的像素灰度隶属度μ′ij和灰度值x′ij为

2.5 算法实现步骤

1）正交小波分解。在Matlab处理软件中，调用正交小波变换函数对图像f（x，y）进行正交小波变换，分别提取原红外图像的低频及高频子带分量。

2）对低频子带分量进行同态滤波处理。选取H（u，v）高通滤波函数作为同态滤波的传递函数，其表达式如下：

式中：HH为高频增益；HL为低频增益；D（u，v）=[（u－u0）2+（v－v0）2]1/2，表示频率（u，v）到滤波器中心（u0，v0）的距离；D0为（u0，v0）=（0，0）时D（u，v）的值，表示截止频率。这里需要指出的是，该高通滤波函数是以（u0，v0）为中心圆对称的。

一般情况下，选取H（u，v）下降至最大值1/2时的D（u，v）作为截止频率D0，而文中选取（Hmax－Hmin）+Hmin时对应的D（u，v）作为截止频率D0，其中，Hmax为H（u，v）的最大值；Hmin为H（u，v）的最小值。D0的值只与图像本身有关，而与HH、HL的选取无关。通过实验，最终选取HH=2db，HL=5db，D0=100 Hz。滤波函数特征曲线如图2所示。

图2 同态滤波函数Fig.2 Homomorphic filter function

3）对高频分量进行低通滤波。采用指数低通滤波器对高频子带小波系数进行处理。通过实验，最终选取D0=50 Hz，n=1.5。

4）小波重构。针对同态滤波及低通滤波处理过的低频分量和高频分量，进行正交小波逆变换，重构得到增强的图像。

静态变频电源依靠电力电子器件开关形成变频变压输出，由输出滤波器保证输出波形质量，其电源输出端阻抗比较大，非线性负载形成的谐波可能与滤波器以及逆变器形成谐振，所以一般认为除非特殊设计，静态变频电源不宜带大功率非线性负载。而机组电源在这方面没有太多顾忌，对非线性负载的承受能力就要高得多。

5）图像模糊增强。图像的模糊增强的基本思路是通过隶属度函数实现图像从空域到模糊域的映射，得到模糊特征平面。在这个模糊特征平面上，通过放大像素邻域中各像素点之间的差异，再将其变回到空域，得到增强图像。具体算法描述如下：①将小波重构后的图像从空域映射到模糊域，得到模糊特征平面；②在模糊特征平面上，进行模糊对比度增强变换；③计算步骤②增强后图像的像素隶属度及其灰度值，将图像从模糊域变回空域，完成增强处理；④输出增强后的图像。

该算法的执行流程如图3所示。

图3 图像增强算法整体流程图Fig.3 Overall flow chart of image enhancement algorithm

2.6 增强效果分析

用本文的方法对一张较模糊的输电线路的红外图像进行处理，并对前后图像的效果进行对比。对比图如图4所示。

图4 图像处理前后对比图Fig.4 Comparison of an image before and after processing

原始灰度图像噪声较多，画面偏白，模糊不清晰，而且背景对比不是很明显；经过小波分解，高低频处理及小波重构后，图片清晰度和对比度增加，但由噪声引起的画质粗糙程度仍然较高，而且杆塔和线路颜色过亮，不利于后期标定；经过模糊对比度处理后，画面更加清晰，粗糙程度明显降低，而且杆塔和线路既与背景分离，又不至于过亮影响后期标定。实验结果分析表明，该方法可以增加红外图像细节，提高图像对比度和清晰度，能够有效达到红外图像增强的目的。

为了客观地评价图像的增强效果，采用信息熵和模糊性指数2个评价指标，对其进行客观的定量分析[15]。

1）信息熵。所谓信息熵，就是平均信息量，对于图像灰度集X的任一灰度xi，假若xi出现的概率为P（xi），则图像灰度集X的熵为

式中：P（xi）为灰度值为xi的像素数N（xi）与图像总像素数N之比，即P（xi）=N（xi）/N。

图像熵的大小反映其包含信息量的多少，熵值越大，表明图像携带的信息量就越大，从而效果也越好。

2）模糊性指数。其定义为

式中：Q（i，j）=sin[0.5π（1－f（i，j）/fmax）]，f（i，j）为图像中（i，j）位置处的灰度值；fmax为图像最大灰度值。由模糊性指数的定义可知，图像的清晰度会随着模糊性指数的减小而增大。

表1给出了经过算法增强前后图像的对比度、信息熵和模糊性指数。

表1 增强前后评价指标对比Tab.1 Evaluation indexes before and after strengthening

由表1的数据可以看出，与原始图像相比，本文算法得到的图像模糊性指数明显减小，信息熵则相对增大；而与小波重构后的图像相比，信息熵略有减少，主要因为本文算法在对图像进行模糊增强时，对于部分灰度级的信息进行了抑制处理。但从总的处理效果上看，本文算法处理的图像较原始图像无论是信息熵还是模糊性指数都取得了较好的效果，能够达到图像增强的目的。

3 红外图像的分割与融合

3.1 颜色空间的选择

RGB空间主要是由红（Red）、绿（Green）、蓝（Blue）三基色来表示，其他颜色则是由这3组分量按照一定的比例关系组成。RGB模型可用笛卡尔坐标系统来表示，如图5所示。3个轴分别为R、G、B，这个三维空间的任意一点都是由这3组分量的亮度值合成，亮度值限定在[0，1]，在RGB颜色空间下，这3组分量是高度相关的，只要亮度有所改变，3组分量都会发生相应变化。而且，由于RGB颜色空间很不均匀，因此2种颜色间的色差不能直接地表示为该颜色空间中2点间的距离[16]。

图5 RGB颜色模型Fig.5 RGB color model

3.2 RGB标志检测算法

根据RGB彩色模型的特点，其色彩提取方法最为关键的也最为难以严格界定的地方是R/G/B 3种颜色的判别规则。根据RGB颜色空间模型的组成，以模型原点为起点，合成包括坐标轴及4条对角线所对应的颜色区间，如图6所示。

图6 RGB模型部分颜色区间Fig.6 A part of the color range of RGB model

R、G、B 3个颜色分量相关性较高，容易受到光照影响，RGB 3种色彩分量的差值基本分布在一定的值域内，而且采用3种分量的差值还能有效减弱光照对图像的影响。本文采用的就是这种RGB色彩分量差法。该方法的判别规则是当满足R/G/B中的红色分量和绿色分量同时不小于蓝色分量，且差值在一定区间内时，即判别某像素点为某种颜色，并通过设置判别阈值，来控制判别条件的颜色。根据多次实验，将阈值设置为：0＜R-B＜120且10＜G-B＜100，并将区间外的部分设置为黑色，主要程序为：

分割后的图像如图7所示。

3.3 图像的叠加

将分割后的图像背景变为白色，由于存在噪声的影响白色背景会出现较密集的黑点，如图8所示。

应用Matlab的图像融合函数将增强后的图像与其融合，得到最终的图像，如图9所示。

图7 分割后的图像Fig.7 The image after segmentation

图8 白色背景的分割图像Fig.8 Image segmentation against white background

图9 叠加后的图像Fig.9 The image after superposition

与增强后的灰度图像相比，融合后的图像背景颜色更深，这是由于图像的分割是基于原始图像完成的，虽然模糊因素与极大部分的噪声被黑色背景所屏蔽，但背景白色化之后，噪声所产生的黑色噪点就明显显示出来，并对图像融合的背景颜色产生影响。融合后的深色背景，更加增强了图像的直观性。与原始图像相比，融合后的图像增加了图像细节，提高图像清晰度，完整地表达了接触网的信息，并通过颜色信息标定出接触网温度最高的区域，为调度人员对接触网隐患的判断提供了重要依据。

4 结语

本文主要介绍了一种模糊图像颜色标定的方法，首先提出了一种基于小波变换与模糊对比度的图像增强算法，对该算法各个环节所涉及到的理论及具体实现步骤进行了详细说明，并对增强的图像进行了定性分析和定量分析；其次通过颜色阈值的设定对原始彩色图像进行了分割；最后将增强图像与分割图像进行融合，完成了图像标定。该方法不仅提高了图像的清晰度，保持了图像自身特性，还对温度最高区域进行了颜色标定，从而使相关人员通过红外图像能快速准确地判断接触网载流安全状态以及找出故障点。

[1]楼伟群.红外热像技术在铁路供电系统的应用[J].中国铁路，2014（10）:70-72.LOU Weiqun.Application of infrared thermography in railway power supply system[J].Chinese Rail Ways，2014（10）:70-72（in Chinese）.

[2]常宏韬，孟庆虎.基于小波变换的一种红外图像增强算法[J].河南科技大学学报，2015，36（1）:48-51.CHANG Hongtao，MENG Jinghu.Infrared image enhancement algorithm based on wavelet transform[J].Henan University of Science and Technology，2015，36（1）:48-51（in Chinese）.

[3]陈小明，颜景龙，李玉珏，等.基于信息冗余的小波红外图像去噪算法[J].激光与红外，2013，43（3）:265-271.CHEN Xiaoming，YAN Jinglong，LIYujue，etal.Redundant wavelet denoising algorithm information for infrared images[J].Laser and Infrared，2013，43（3）:265-271（in Chinese）.

[4]李颖杰，杨华，王宝荣，等.一种改进的红外图像增强算法[J].红外，2009，30（7）:45-48.LI Yingjie，YANG Hua，WANG Baorong，et al.An improved infrared image enhancement algorithm[J].Infrared，2009，30（7）:45-48（in Chinese）.

[5]冯贞，马齐爽.基于小波分析的红外图像非线性增强算法[J].激光与红外，2010，40（3）:315-318.FENG Zhen，MA Qishuang.Infrared image enhancement based on wavelet analysis of nonlinear algorithm[J].Laser and Infrared，2010，40（3）:315-318（in Chinese）.

[6]BAI X，ZHOU F，XUE B，et al.Infrared image enhan-cement through contrast enhancement by using multiscale new top-hat transform[J].Infrared Physics and Technology，2011，54（2）:61-69.

[7]JIN-HWAN KIM，WON-DONG JANG，JAE-YOUNG SIM，et al.Optimized contrast enhancement for real-time image and video dehazing[J].Journal of Visual Communication&Image Representation，2013，24（3）:410-425.

[8]郑东梅，石俊生，宋晓辉，等.基于小波的同态滤波算法在ICT图像增强中的应用[J].长春理工大学学报，2007，30（3）:44-46.ZHENG Dongmei，SHI Junsheng，SONG Xiaohui，et al.Application of wavelet homomorphic filtering algorithm based on ICT image enhancement[J].Changchun University of Technology，2007，30（3）:44-46（in Chinese）.

[9]宋庆峰，吕绪良，隋明序，等.一种基于小波变换的图像增强方法[J].光电技术应用，2014，29（6）:39-42.SONG Qingfeng，LÜ Xuliang，SUI Mingxu，et al.An image enhancement method based on wavelet transform[J].Optical Technology，2014，29（6）:39-42（in Chinese）.

[10]FU Zhizhong，YANG Yanjing，SHU Chang，et al.Improved single image dehazing using dark channel prior[J].Journal of Systems Engineering and Electronics，2015，（5）:1070-1079.

[11]THAKUR A，MISHRA D.Fuzzy contrast mapping for image enhancement[M].Signal Processing and Integrated Networks（SPIN）:IEEE，2015：549-552.

[12]CHEN Tianhua，ZHOU Aide，LI Huixi，et al.Vision enhancement technology of drivers based on image fusion[J].Transactions of Nanjing University of Aeronautics and Astronautics，2015，32（5）:495-501.

[13]JAFAR I F，DARABKH K A，AL-SUKKAR G M，et al.A rule-based fuzzy inference system for adaptive image contrast enhancement[J].The Computer Journal，2012，55（9）:1041-1057.

[14]DESHMUKH P.Fuzzy based contrast enhancement[M].Electrical， Electronics， Signals， Communication and Optimization（EESCO）:IEEE，2015：1-4.

[15]吕绪良，文刘强，荣先辉，等.基于小波变换的红外图像模糊与同态增强[J].解放军理工大学学报，2013，14（2）:158-162.LÜ Xuliang，WEN Liuqiang，RONG Xianhui，et al.Enhancement based on wavelet transform infrared image blur with the same state[J].PLA University of Technology，2013，14（2）:158-162（in Chinese）.

[16]王天翔，张捍东，岑豫皖，等.基于在线处理系统的图像分析方法研究[J].信息系统工程，2015（8）:126-128.WANG Tianxiang，ZHANG Handong，CEN Yuwan，et al.Based on image analysis processing system online[J].Information Systems Engineering，2015（8）:126-128（in Chinese）.

（编辑 李沈）

The Image Processing of the Catenary Current-Carrying Security Status Detection Based on the Infrared Thermal Imager

LIU Jiajun1，LUO Jun2，ZHANG Wei1，LIU Xiaochuan2，YANG Hanpeng1
（1.Institute of Water Resources and Hydro-Electric Engineering，Xi’an University of Technology，Xi’an 710048，Shaanxi，China；2.Supply Power Department of Xi’an Railway Bureau，Xi’an 710054，Shaanxi，China）

The vehicular infrared imager is an efficient and convenient tool to test current-carrying safety of catenary.However，images obtained may be obscure and gray under the influence of the environment and the speed of the vehicle.To improve the quality of the image，the paper proposes an image enhancement technique based on wavelet transform and fuzzy contrast algorithm，which enhances the clarity of the image and enriches the information conveyed through the image.The original image is also segmented using RGB color space，and the area with the highest temperature of the infrared image is labeled through image fusion，so as to meet the requirement of human visual sensing and computer analysis.This method can serve as an effective means to accurately assess the catenary current-carrying safety status and to examine hidden danger.

catenary；current-carrying status；infrared image；image processing

2016-01-12。

刘家军（1967—），男，教授，博士生导师，主要研究领域为电力系统自动化；

罗 军（1970—），男，工程师，主要从事牵引供电系统运营与生产工作；

张 伟（1990—），男，硕士研究生，主要研究方向为电力系统的测量、保护与控制；

刘小川（1985—），男，工程师，主要从事牵引供电运营检修工作；

杨瀚鹏（1993—），男，硕士研究生，主要研究方向为电力系统的测量、保护与控制。

2015年西安市科技计划项目（CXY1509（17））。

Project Supported by the Science and Technology Innovation Support Program of Xi’an Government in 2015（CXY1509（17））.

1674-3814（2016）11-0055-07

U226.5

A