基于OpenCV的紫外成像检测量化参数提取方法

袁晓辉+孙林涛+李博

摘 要： 目前紫外成像法表征放电强度一般采用“光子数”参量，该参量可以直接从仪器中读取。但该参量与仪器的增益设置以及观测距离之间存在着较为复杂的非线性关系，难以对放电进行量化分析。故有必要研究新的量化参量用于表征放电特性。紫外成像仪输出的信号为视频或图像，其携带了大量反映放电特性的信息，如放电的位置、放电的大致形状、放电点的个数和放电区域的大小等。另外，在紫外图像中，放电表现为一些白色的区域（这里定义为光斑区域）。基于此，提出了一种新的紫外量化参量，采用图像处理的方法提取相关的图像参量表征绝缘子表面的放电过程。

关键词： 紫外成像； 局部放电； 量化提取； OpenCV

中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2017）01?0045?04

Abstract： The parameter of ″photon quantity″ is used in the ultraviolet imaging method to character the discharge intensity， and can be read out in the instrument directly. This parameter exists the complex nonlinear relationship between the observation distance and gain setting of instrument， so it is difficult to perform the quantitative analysis for the discharge. To overcome the above problem， it is necessary to study a new quantization parameter to character the discharge characteristics. The output signal of the ultraviolet imager is shown as video or image form， which carries a large amount of information reflecting the discharging characteristics， such as the discharge position， discharge approximate shape， discharge point quantity and size of the discharge area. In the ultraviolet image， the discharge performance is presented as a few white areas （spot area）. On this basis， a new ultraviolet quantization parameter is proposed， in which the image processing method is used to extract the relevant image parameters to character the discharge process in the surface of the insulator.

Keywords： ultraviolet imaging； partial discharge； quantitative extraction； OpenCV

0 引 言

超高壓电网是深圳电网的主干电网，具有线路长、绝缘子数量庞大、沿线地理环境复杂多变、安全运行可靠性要求高等特点，其中超高压输电线路和变电站电气设备多数在大气环境下工作，在长期的电、热、机械应力的作用下不可避免地会出现绝缘劣化、老化甚至损坏的问题，与此同时会辐射出很多种类的非电信号，如声、热、光、电磁波等，国内外大量学者针对这些特征信号检测进行了大量研究并提出了很多创新性的方法。目前绝缘子污秽放电检测方法主要有：泄漏电流法、超声波法、红外成像法、紫外脉冲法和紫外成像法。

1 紫外图像处理和参数的计算

在某220 kV变电站下雪前拍摄到的紫外图像如图1所示，该图像的大小为像素，拍摄时的温度接近0 ℃，相对湿度97%，紫外成像仪型号为CoroCAM504。

分析图1可知，该绝缘子串上存在三个较明显的放电点，放电区域的图像亮度较高，而背景图像的亮度较低，在放电区域的周围还存在部分离散的白色干扰点，同时紫外图像中的取景框、时间等信息的亮度也较高，接近于放电区域的亮度。

要提取上述放电图像的区域参数，需首先对紫外图像进行预处理，将其从原始图像中分割出来，在此，本文采用的图像预处理算法框图如图2所示。

下面本文结合图1所示的紫外图像，对上述算法的主要部分进行相关介绍。

1.1 紫外图像二值化

紫外成像仪输出的图像为RGB彩色图像，为便于后续处理，在图像分割之前需先将其转换为灰度图像，灰度图像中每一个像素点的灰度值介于0～1之间，全白像素点的灰度值为“1”，全黑像素点的灰度值为“0”。

目前对图像进行分割的主要算法有：边缘算子法、阈值法和区域生长法。针对上述紫外图像特征，本文采用阈值分割算法，其基本原理是选择一个合适的阈值，然后对图像矩阵各像素点依次进行扫描，若像素点的灰度值高于该阈值，则将该像素点的灰度值设置为1，否则置为0。经阈值法分割后的图像各像素点的灰度值仅有1和0，因而又称之为二值图像。

对紫外灰度图像进行直方图分析可知，放电区域图像的灰度值集中在0.9附近，而背景图像的灰度值集中在0.8以下，基于双峰法，选择阈值为0.85，其图像处理效果如图3所示。

1.2 数学形态学滤波

观测图3可知，图像经阈值分割后虽然放电区域可从紫外图像中分割出来，但紫外图像中灰度值接近于放电区域的干扰点图像也被保留在二值图像中，另外，放电区域内部尤其是在靠近光斑区域的边缘位置还存在部分黑色孔洞，上述图像可以看作是噪声图像，需将其滤除。根据噪声图像大小一般远小于放电光斑区域的特点，本文采用二值数学形态学（Mathematical Morphology）的开启、闭合算法对图像进行滤波处理。

数学形态学的基本运算为腐蚀（Erosion）和膨胀（Dilation），单纯对图像进行腐蚀和膨胀运算，虽然可滤除噪声图像，但会引起放电光斑区域的收缩或扩张，对后续参数计算造成较大影响，在此本文采用数学形态学的开启、闭合运算对图像进行滤波处理，其定义如下：

式中：为待处理的图像；为结构元素；符号和分别代表腐蚀和膨胀运算；符号和分别表示开运算和闭运算。开运算可以在不影响目标区域的情况下消除图像中像素尺寸较小的散点，并使得图像外边界平滑，闭合运算则可以消除图像区域内部的一些孔洞，同时也对图像内边界起到了一定的平滑作用。

对图像进行形态学滤波的关键在于选择合适形状和大小的结构元素，分析图3可知，其放电区域图像的形状多接近于圆形，因而本文选择圆盘形结构元素，结构元素的半径则需要根据具体图像特征来确定。紫外图像中其噪声区域的图像直径一般在10个像素点以下，因而结构元素的半径一般选择2～5的范围可以取得较好的滤波效果。对于图3的紫外图像，为了尽可能地减小滤波对放电区域图像的畸变并滤除部分噪声，本文选择结构元素的半径为2，其结构元素如下所示：

1.3 小区域消除

从图4可知，采用数学形态学滤波后，仍然有部分区域面积较大的干扰点留在图像之中，为此本文采用二值图像小区域消除算法实现对其余噪声点的去除，该算法的基本步骤如下：

（1） 对于图4图像采用区域标记算法对各连通的图像区域（图3中连通的白色区域）进行标记，每一个连通区域内的像素点被赋予相同的标签值；

（2） 统计各连通区域内包含的像素点个数；

（3） 设定一个阈值，依次比较各区域包含的像素点个数与设置的面积阈值的大小，大于该阈值区域内的各像素值保持不变，而小于该阈值的区域内各像素值设置为0（置黑）。

基于上述区域标记算法，统计可知图4中共有24个连通区域，设置阈值为150，则经小区域消除算法处理后的图像如图5所示。

1.4 多区域边界跟踪

要获得放电区域图像的量化参数需提取各放电区域的边界点，由于紫外图像中的放电点往往不止一个，在此本文采用多区域边界跟踪算法提取各图像区域的边界点，该算法的基本原理如图6所示。

跟踪算法步骤如下：

（1） 首先对二值图像矩阵按照从左到右，从下到上的顺序依次扫描各像素的像素值，首先扫描到的白色像素点即为第一个区域的第一个边界点，如图6中标记为“1”的像素点，记录此点坐标；

（2） 从此点开始，逐步搜索下一个边界点，定义初始的搜索方向为左上，如果左上方的点为白色点，则为边界点，否则搜索方向顺时针旋转45°，若上方点的像素值仍然不是白色点，搜索方向再顺时针旋转45°，直至找到白色像素点为止，该点即为第二个边界点，如图6中标记为“2”的像素点；

（3） 将上述第二个边界点作为基点，在当前搜索方向的基础上将搜索方向逆时针旋转90°，该方向作为当前的初始搜索方向，继续用上述方法搜索下一个白色像素点，直至回到最初的边界点为止；

（4） 重复上述三步可以依次搜索到所有放电区域的边界，并得到其边界点的坐标值。

采用上述算法，可得到图5中三个放电区域边界点的坐标值，将各坐标值连接起来構成封闭曲线，叠加到原始图像后，其边界提取的结果如图7所示。

在图7中，红色曲线为各放电区域的边界。从图7可以看出，提取的边界形状和大小与放电区域图像的实际轮廓非常吻合，这说明利用本文提出的相关算法在有效滤除噪声的同时还尽可能地保持了原始放电区域图像的大小和形状。

2 量化参数的提取

为表征各放电光斑区域的大小需提取相关参数，根据紫外图像的特点，本文提取的四个量化参数分别为：光斑面积、区域边界周长、长轴和短轴，其定义如图8所示。

（1） 光斑面积：方法是统计各放电光斑区域内包含的像素点的个数，也即统计图5中各光斑区域包含的像素值为“1”的个数，对于某一个放电区域，其面积的计算公式如下：

（2） 区域边界周长：类似于几何学中的连续曲线长度的概念，该周长值即为边界点上连续像素点的距离之和。

（3） 长轴和短轴。高压设备表面的放电有时表现为细长型，此时仅利用面积和周长参数还不能较好地反映其放电特征，在此引入长轴和短轴两个参数。长轴定义为通过放电区域的形心点，边缘上两点之间的最长距离。短轴定义为通过放电区域的形心点，边缘上两点之间的最短距离。

基于上述定义方法，图5中的三个放电区域计算的量化参数如表1所示。

从表1中可知，利用上述参数可以较好地量化各放电点的放电强弱。

3 图像处理和参数提取实例

基于上述图像处理软件，本文对某棒?板间隙放电模型的视频和图像进行处理，从棒?板间隙工频电晕放电时采集到的紫外视频中连续截取了100帧紫外图像，原始图像大小为720×576像素，按照上述算法分别对各帧紫外图像进行图像处理，计算各帧图像中的光斑面积，其中某一帧紫外图像的处理结果如图9所示。

选择阈值为0.85，将上述图像转换为二值图像，从图9（b）中可以看出，在二值图像中存在大量的噪声图像，鉴于放电的区域接近于圆形，因此本文选择形态学的结构元素为圆形结构，一般半径选择为2时即可取得较好的滤波效果。对图像进行开运算和闭运算后的结果如图9（c），图9（d）所示，比较图9（d）和图9（a）中的光斑区域可知，分割出来的区域与原区域具有较好的相似性，最后得到的光斑面积为6 970，也即该区域有6 970个像素点。

4 结 语

基于光子数参数在实际检测中存在一定的不足，本文从数字图像处理的角度提出一种新的量化参数，项目对紫外图像进行灰度变换、形态学滤波后分割出放电光斑区域，在此基础上定义了光斑面积参数。采用VC++调用Open CV的相关算法，编写图像处理和参数提取软件，实际测试结果表明上述算法的有效性。

参考文献

[1] 王昌长，李福祺，高胜友.电力设备的在线监测与故障诊断[M].北京：清华大学出版社，2006：164?166.

[2] 杨坤.变电设备局部放电带电检测技术研究[D].济南：山东大学，2014：7?8.

[3] 郭俊，吴广宁，张血琴，等.局部放电检测技术的现状和发展[J].电工技术学报，2005，20（2）：31?33.

[4] 许逵，马晓红，赵立进，等.超声波局部放电检测装置的检测及校验[J].电测与仪表，2014，51（23）：83?86.

[5] 李继胜，李军浩，罗勇芬，等.用于电力变压器局部放电定位的超声波相控阵传感器的研制[J].西安交通大学学报，2011，45（4）：94?96.

[6] 唐炬，陈娇，张晓星，等.用于局部放电信号定位的多样本能量相关搜索提取时间差算法[J].中国电机工程学报，2009，29（19）：126?129.