基于改进Radon变换法的电力设备倾斜图像校正研究

郭文诚 崔昊杨 马宏伟 霍思佳 葛晨航

摘 要：变电站设备巡检过程中采集到的现场设备图像往往会出现角度倾斜问题，给设备检测图像的处理和分析带来困难。特别是电力设备红外图像倾斜，将给基于图像检测技术的设备识别和温度特征提取带来较大误差。为此文中提出了基于改进Radon变换的电力设备倾斜图像校正方法，采用灰度特征的模板匹配方法选取设备的前景区域，并通过Canny边缘检测方法对其提取出设备的边缘图像，最后采取Radon变换法计算目标设备的倾斜角度并进行旋转操作，实现设备红外图像的倾斜校正。母线PT，CT等典型设备的红外图像对比实验结果表明，文中算法相比传统Radon变换法的倾斜校正效果有了大幅提升，且具有很好的适应性。

关键词：设备图像;模板匹配;Radon变换;倾斜校正;边缘检测;红外检测

中图分类号：TP393文献标识码：A文章编号：2095-1302（2019）04-00-04

0 引 言

红外检测技术是电力设备巡检中的常用技术手段，通过对电力设备红外图像进行处理可直观呈现缺陷检测结果，相比传统人工筛查方式具备速度快、精度高等优势，但实际处理效果受前端图像采集系统影响，对设备图像质量提出了较高要求[1]。然而由于拍摄场地的限制以及操作人员专业程度的影响，采集到的图像难免存在倾斜问题，严重弱化了基于图像分割的特征提取能力以及设备缺陷识别准确度[2-5]。为解决图像倾斜给后续图像处理带来的困难，国内外学者提出了基于线性拟合、傅里叶变换以及投影等倾斜角度校正方法。其中，使用火柴棒模型可以整体旋转校正目标设备，但倾斜角检测容易出现误差，导致过校正或欠校正[6];通过傅里叶变换可实现对图像目标设备的像素级处理，有效检测目标倾斜角，但计算量极大，实时性弱，难以批量处理图像;基于最小二乘与垂直偏移原理的校正方法，首先将待校正区域拟合为直线，然后通过滑动窗口进行角度检测，并利用最小化投影点坐标的方差对垂直方向进行倾斜校正，该方法具有较高的计算效率和精确度，但鲁棒性不强，难以满足批量处理时效果的稳定性[7];Radon算子进行图像倾斜校正时受图像背景信息的影响较大，导致该方法对简单背景图像的处理效果较好，但背景环境复杂时误差较大[8]。因此，针对复杂环境下拍摄的电力设备红外图谱，传统的Radon变换算法难以区分图像前景信息，无法实现目标设备倾斜角度的精确测量。

针对上述问题，本文提出一种改进的Radon变换算法，即在传统Radon算子中引入模板匹配法对复杂环境中的倾斜图像进行校正。

（1）利用图像灰度特征，通过归一化积相关算法（Normalized Cross Correlation，NCC）对复杂环境图像中的设备进行精确定位，从而提取电力设备红外图像中的前景信息;

（2）采用Canny算子对其进行边缘检测，并结合Radon变换算法对倾斜前景图像进行投影积分计算，获取图像的倾斜程度;

（3）根据所计算的图像倾斜角采用双线性插值方式实现设备倾斜红外图像的校正。

该方法将整幅图像的Radon变换精简为图像前景区域的Radon变换，避免嘈杂的图像背景对前景倾斜角计算的影响。同时使用本文提出的算法与传统Radon变换算法进行对比实验研究。实验结果表明，本文方法明显提高了电力设备红外图像倾斜校正的精确度，并使得校正后的红外图像可以满足后续图像分割识别等处理步骤的图像质量需求，进一步提高了红外检测法的可靠性。

1 基于改进Radon变换法的电力设备倾斜图像校正

1.1 传统Radon变换的倾斜图像校正算法

传统Radon变换[9-13]在图像边缘检测的基础上，将灰度图轮廓信息在0°～180°范围内的不同方向上进行线性积分，其灰度图f（x，y）在角度θ上产生的投影如式（1）所示。当式（1）达到极大值时，其投影距离所对应的角度θ即为原红外图像的倾斜角。

1.2 基于NCC算法的改进Radon变换倾斜校正方法

针对电力系统设备红外图谱背景信息高度复杂的问题，在进行图像处理时需要采用一定图像处理方法降低图像中的背景干扰，并计算目标设备前景区域倾斜角，以保证倾斜校正的精确性。因此，本文方法首先通过已确定的模板与倾斜图像中各待选窗口进行匹配，提取与待检测设备相关的目标区域，然后采用Radon积分变换对提取的前景灰度图进行角度识别，最后使用双线性插值方法实现对倾斜设备图像的校正，具体流程如图2所示。

2 倾斜图像校正的比对实验

2.1 实验步骤

选取一幅在环境温度20 ℃，湿度55%条件下采集的白庄站220 kV文白线CT红外图像，并从设备模板库中调取对应的CT模板图像，CT红外原图及CT模板图像如图3所示。其中CT红外图像像素尺寸为530×360，CT模板图像像素尺寸为280×320。对两幅图像分别做灰度化处理，在设备原图中以遍历的方法逐一选取与模板图像尺寸一致的设备子图，同时采用归一化积相关算法计算出与模板图像相似度最高的子图像，匹配结果如图4所示。

2.2 实验结果对比与分析

为了验证本文方法的有效性，采用本文方法与Radon变换法分别对白庄站220 kV母线PT，110 kV母线PT与220 kV CT红外图像进行倾斜校正，采集得到的原始图像及分别使用两种算法处理后的图像如图6所示。红外原图均在环境温度20 ℃，湿度55%的条件下采集得到。

图6（a）～（c）分别对应220 kV母线PT，110 kV母线PT与220 kV CT的红外检测原始结果，即倾斜的红外原图像，图6（d）～（f）分別为各设备倾斜图像进行Radon变换法校正后的结果。Radon变换法校正结果表明，传统Radon变换法仅对220 kV母线PT红外图像（即图6（d））有较好的校正结果。对于图6（f）所示的220 kV CT红外校正图像，在经过Radon变换法校正后依然存在一定的倾斜角度，而图6（f）中靠左侧的电线杆被当做目标校正至倾斜角为0。经Radon变换法校正后110 kV母线PT红外图像（e）存在更为严重的倾斜情况，算法将（e）图像中一条电线错认为目标，并将其校正。这是因为Radon变换法检测角度是根据边缘检测后的图像在各个方向上进行投影，当投影距离出现极值时所对应的方向角为检测到的倾斜角，即在图像各个方向上寻找最长的一条线。220 kV CT红外图像中的电线杆和110 kV母线PT红外图像中的导线被认为是图像中某一方向上的最长直线，它们与水平方向的夹角被错误的判定为整幅图像的倾斜角度，致使Radon变换法校正后的设备图像依旧存在倾斜现象，并且校正效果较差。

改进后的Radon变换法校正结果如图6（g）～（i）所示，与传统Radon算法相比，改进方法可以实现不同场景下各种倾斜设备图像的精确校正。其原因在于，改进的Radon变换法使用归一化积相关算法剔除部分背景图像，仅对设备图像的前景区域进行Radon变换，降低了变电站中大量嘈杂背景的干扰。

为进一步研究改进Radon算法对不同背景及倾斜角度红外图像的校正性能，本文在Radon域上对倾斜角具体数据进行定量分析，结果如图7所示。其中图（a）～（c）分别表示220 kV母线PT，110 kV母线PT与220 kV CT图像在Radon域上的投影结果。图中横坐标theta是Radon变换法检测的角度范围，本文所取为-45°～45°;纵坐标x是平行直线与原点间的距离。设备图像的倾斜程度可通过投影最大值所在位置获得，且最大值在图中以高亮点的形式呈现，则检测到的220 kV母线PT图像傾斜角对应7°，110 kV母线PT图像倾斜角为3°，220 kV CT图像倾斜角为12°，各图像经人工测量得到的倾斜角度分别为7°，3°，11°，其相对误差较小，由此验证了本文方法的校正结果具有很高的精确度，校正后的红外图像可以满足后续图像分割识别等处理步骤的图像质量需求。

3 结 语

针对变电站智能巡检系统存在的图像倾斜问题，本文提出了一种基于模板匹配的Radon变换算法，实现了对电力设备红外图像的倾斜校正处理。

基于模板匹配的Radon变换算法通过模板匹配算法提取设备红外图像的前景信息，结合Radon算子仅对所选目标区域进行倾斜角的分析计算，实现了整幅图像倾斜角的获取。

与传统Radon变换相比，基于模板匹配的Radon变换算法克服了背景噪声的干扰，明显提升了电力设备红外图像倾斜校正的精确度，校正后的图像可充分满足变电站智能监测系统的图像质量需求，为后续图像批量处理系统的实现奠定了基础。

注：本文通讯作者为崔昊杨。

参 考 文 献

[1]余萍，崔少飞，葛永新，等.基于对齐度的电力设备红外与可见光的图像配准[J].激光与红外，2008，38（7）：737-740.

[2]冯新颖，范佳佳，吕晶，等.基于Radon变换的电气连接器图像倾斜校正[J].机电工程技术， 2017，46（2）：29-31，82.

[3]胡丽华.倾斜图像特征的矫正方法研究与仿真[J].计算机仿真， 2016，33（3）：310-313.

[4]钟金荣，杜奇才，刘荧，等.特征提取和匹配的图像倾斜校正[J]. 中国图象图形学报，2013，18（7）：738-745.

[5]朱颢东，姚妮.基于Sobel算子与旋转投影的纸币图像倾斜校正法[J].科学技术与工程，2013，13（8）：2263-2266.

[6]吴震宇，杜宇人.一种基于火柴棒模型的图像水平倾斜矫正算法[J].扬州大学学报（自然科学版），2009，12（4）：66-69.

[7] KAUSHIK D，ANDREY V，JUNG-WON K，et al. Vehicle license plate tilt correction approach based on minimum variance of edge projection[J].International journal of control，automation and systems，2010，8（5）：975-984.

[8]刘习文，洪波，戴铁峰.激光视觉焊缝跟踪图像处理与坡口识别[J].激光与红外，2011，41（7）：804-807.

[9]吴丽丽，余春艳.基于Sobel算子和Radon变换的车牌倾斜校正方法[J].计算机应用，2013，33（S1）：220-222.

[10]石爽，曲仕茹，赵海，等.基于脊波的红外图像自适应增强算法[J].激光与红外，2012，42（9）：1058-1062.

[11]刘晓明，王云柯，廖欣，等.一种新的车牌字符图像的提取方法[J].计算机应用，2007，27（z1）：113-118.

[12]张春华，周晓东，刘松涛.海天背景红外图像小目标自动定位方法[J].激光与红外，2007（1）：94-97.

[13]刘群群.不定长车牌字符分割算法研究[D].杭州：浙江大学， 2011.