改进的K-means红外图像互感器分割方法*

沈雯倩， 张莉萍， 黄 勃， 韦 城， 刘 聪

(上海工程技术大学 电子电气工程学院 上海 201620)

0 引 言

在电力系统检测中，红外图像能够显示出故障区域由电流不稳定而产生的与正常工作元件不同的颜色区别。因此,红外图像分割在电力系统检测中有着重要作用。经过图像增强、提取、分割处理后，更便于识别故障。

基于双重判据K-means算法的红外图像分割可以通过迭代算法将红外图像不同颜色聚类为不同类别[1～3]，在确定迭代次数聚类数目等条件后，将故障高温区的颜色聚类后的类间独立，能较清晰地观察红外图像中互感器的异常之处，并将互感器从电气图像中分割[4]。本文采取K-means算法[5～7]研究电力系统红外图像互感器的提取与分割。

1 图像特征提取

经过预处理后的红外电气图像要进行特征提取处理，主要寻找图像的颜色特性、边缘特性、灰度值(针对灰度图)等特性。根据选择特性的特点，按照区域内的一致性和区域间的不一致性进行分类分割，最终将电气设备从拍摄的红外图像中提取[8]。

利用K-means算法将整幅图像聚类成K个颜色特征的集合。K-means算法中，当K值越高时，聚类后的图像相似度越来越趋近于原图，对于图像识别意义不大，则K值越高，所分的类越多，对于图像后续识别分割过程越困难，故本文K取值为3。

将图片分割成n个样本后从中选取K个样本作为初始聚类中心，对于剩余的样本，计算样本与各个聚类中心的欧几里得距离[9]。将样本分配给距离最近的聚类后，再计算新的聚类中心，并再次选择剩余的样本进行分类，一直重复这个步骤直到标准测度函数开始收敛为止，最终将迭代的数据进行分类整理，便于提取出图像的目标信息[10～12]。标准测度函数J和样本均值mj(表示K个聚类)为

i=1,2,…,nj

(1)

设电力系统红外图像的像素为i×j，则认为矩阵里有i×j个元素，每个元素都可以表示为(x,y,z)，矩阵中的每个元素都代表这一部分的颜色，即x代表红色色度，y代表绿色色度，z代表蓝色色度，实现了图像数字化，将图像中各个像素的颜色利用欧氏距离分类，像素越高，精度越高。

K值取3，将数据集通过迭代过程分成不同类别，使其不断向标准测度函数收敛[13]。若图像中部分信息难以分割，可以适当增加K值，以便将其分离。主要步骤如下：

1)在MATLAB中利用Imread指令读取红外热图像；

2)设定K值为3(即聚类数量)；

3)初始化聚类中心为任意K个点，设第n个聚类中心为Cm(rm,gm,bm)，m≤K；

4)选择任意点，分别对K个聚类中心计算dk=Δr2+Δg2+Δb2，选择dk值最小点与相应聚类中心方向聚为一类；

5)计算点与聚类中所有点之和的平均值作为新的聚类中心，并不断重复，直到误差小于10-5为止，具体如下：

a.假设m是聚类的点个数，Cm是某一聚类的聚类中心。rm=(i,j,1)，gm=(i,j,2)，bm=(i,j,3)

(2)

b.计算m+1个点数的聚类中心

(3)

c.当Cm+1与Cm距离小于10-5(|Cm+1-Cm|≤10-5)时，认定Cm为聚类中心，否则返回步骤(4)，直到差小于10-5为止。

最终得到颜色特征提取后的结果如图1(b)。

图1 基于K-means算法颜色特征提取结果

2 基于双重判据的K-means图像分割

图像分割主要步骤为：图像灰度化二值化处理、图像大小剪切、图像膨胀和腐蚀、图像区域标记、统计区域面积及删除小面积区域和去除底座。最终得到提取分割后的互感器图像。

由于需要进行分割的图像主要为彩色图像，而彩色图像的色素太多，一旦背景有所改变，无法再次识别出目标信息。所以，需要先后对其进行灰度化和二值化处理。

1)图像剪切：用于剪切掉图像本身因为红外热像仪自身问题导致的干扰因子，如比色条、厂家标识等。使用MATLAB中Imcrop命令，将红外图像干扰因子剪切。

2)图像膨胀和腐蚀：通过Imdilate指令，在二值图像中，图像膨胀运算将物体周围边界接触的像素点赋1值，使其由边界向外扩张，将周围像素融合到物体里。与基于边缘特性的识别算法相比，K-means算法能够消除电气设备的主体和线缆相连接的部分存在凸起的毛刺，有效减少基于边缘特性的识别算法产生的失真现象。

3)图像区域标记：采用Bwlabel指令，结合8连通的方法进行区域标记，更有效地减少边缘失真现象且严谨地标记出所有的连通区域中的像素。区域标记的目的在于对连通区域进行标号，可对于连通区域进行计数，即在黑背景中记录有多少个白色的“块”。Bwlabel返回1个数组，数组会统计每个连通区域以及区域的序号，再将元素序号赋值到对应的连通区域的所有元素。

4)统计区域面积及删除小面积区域：采用regionprops函数统计被标记区域的属性，在regionprops函数中加入字符串'Area'可实现计算区域面积，即连通区域1的数量，最终得出该区域的像素总个数。再将一些不必要的白色连通区域去掉，保留住目标电气设备图像。本文采用阈值筛选法，首先要设置某一面积阈值，大于此阈值的连通区域视为目标图像，小于此阈值则认为目标为干扰因子，将其区域中所有元素赋0值。这种方法优点在于突出大面积目标的主体，不会造成漏判，相对于最大值筛选法更加严谨。

针对本文样本图像分辨率不高问题，增加了去除底座步骤。主要利用一种基于外接矩形与目标设备重心欧氏距离以及外接矩形内部白色像素占有率的方法[14,15]。

1)分离部分图像，与裁剪图像原理相同，利用for循环语句，图像宽不变，由下至上去除底座，并持续地进行判定是否满足判定条件。

2)计算整个图像中心点坐标，可利用整个图像的长和宽来计算，因为图像经过裁剪的，如果一幅图像长为y2，宽为x2，可以认为整个图像范围限制在(0，0)，(0，y2)/(x2，0)，(x2，y2)的一个矩形中，图像中心点坐标，即(x,y)=(x2/x,y2/y)。

3)计算目标图象重心坐标即整个图像中像素为白色的目标。重心坐标公式为

(4)

由目标图象可明显看出，图像白色像素区域主要分布在底座部分，重心必定会比整个图像中心点偏下一段距离。图像重心坐标可以通过MATLAB中的regionprops函数获取。

将其作为分割判据(1)，阈值可以自由选定，如果距离设置过小，会造成过度裁剪，导致提取到不完整的目标图；如果阈值设置过大，会造成欠裁剪，会存在剩余的底座在图像底部，不利于后续的分析。当D小于阈值时，进行步骤(5)；当D大于阈值时，返回步骤(1)继续对图像进行裁剪。

5)计算图像占空比，主要为图像中白色部分的像素与图像长轴短轴作为长和宽的外接矩形中的总像素的比值，将其作为分割判据(2)

K=(xi*yi)/(xi+1*yi+1)

(5)

占空比一般存在底座的图像中，图像的两侧会存在黑色的区域，黑色区域面积越大，占空比越小。底座的突出部分会降低占空比的值，据此，利用占空比设置阈值进行判定，将大于阈值部分设定为底座部分，需对其进行处理。

最后利用占空比和整幅图像中心与图像重心间的距离双重判据来判定底座是否被成功去除，完成底座删除工作。

3 数据分析

本次实验将K-means算法应用于红外电气图像中互感器的分割，同时利用占空比和图像中心与重心之间距离的双重判据将互感器去除底座后分割。图6(a)为原红外电力系统图像，经过提取和分割后得到最终的互感器如图6(c)所示。与传统的K-means算法相比，基于双重判据的K-means算法能更清晰地将互感器分割，减少在分割过程中所产生的漏判。

图6 互感器分割结果对比

4 结 论

本文主要对红外图像互感器特征进行研究和分析，在总结了识别互感器的判据的同时，提出基于双重判据的互感器分割方法，最终成功地将互感器主体从红外图像中分割，有利于后续电力系统中互感器故障的识别检测。