一种基于C-V模型的电晕放电紫外成像分割方法

潘 臻， 王振洲， 徐 达， 双永灿， 王子豪， 栗义康

(山东理工大学电气与电子工程学院，淄博 255000)

在出现绝缘腐蚀或老化等问题时，高压设备常常会出现弱放电的问题，辐射过程中产生的波长主要位于紫外波段(200～400 nm),对此人眼是无法觉察的。目前对高压设备发生此类放电可以通过超高频法、声探测法、红外热像等传统方式进行探测。声探测法的原理是接收放电时发出的声波，再根据信号的强弱判断放电的位置与强弱;红外热像根据漏放电引起的温升变化来进行检测，然而对于现场情景较为复杂的情况，此类方法对放电点无法实施准确定位[1-2]。然而，新一代紫外成像仪可以检测到电晕放电辐射出的日盲型紫外线波段(240～280 nm)，这使得紫外成像仪即使在白天也不会受到阳光的影响，依然可以对设备放电进行清晰地观察，另外，其远距离检测功能在较大程度上确保了操作人员的人身安全[3-5]。尽管如此，紫外成像仪也存在自身的缺陷和限制，比如若测量环境中存在大量噪声，那么就会严重影响其拍摄效果，导致对现场工作人员判断高压设备的局部放电产生影响，降低了其判断的准确性[6-9]。为此，利用紫外成像仪检测设备放电时，工作人员如何才能快速、准确的做出判断是未来亟待解决的问题。紫外成像分割是紫外成像分析的重要步骤，对紫外成像进行分割是识别和分类紫外成像的基础和前提。

目前的紫外成像的处理技术的主要思路是首先对紫外成像进行各种滤波降噪处理，然后对图像进行图像分割提取放电区域。文献[10]中把图像为背景灰度级存在明显差异的两类区域的组合图像，根据图像背景灰度级选取一个合适的阈值，对目标和背景区进行区分，从而得到相应的二值图像，对图像目标轮廓进行提取。该方法原理简单，容易实现，但由于这种方法只单纯考虑图像的灰度信息，对灰度值较高的放点区域过于敏感，产生的结果误差较大。另外，对目标图像，阈值选择过大容易产生过分割，阈值选择过小容易产生欠分割，因此如何选取合适的阈值是这种方法的困难所在。文献[11-12]在检测图像边缘时分别基于Sobel、canny算子，此方法得到的边缘大多呈现为离散点，还要加入其他算法进行后处理才能得到完整的边缘轮廓。文献[13]中基于数学形态学的分割算子，首先根据灰度值的大小对图像中的像素进行升序排列，然后对完成排序的图像进行膨胀腐蚀运算来对图像区域进行初始划分，此方法易编程，能够准确地分割出目标图像边缘，但对噪声的抗干扰能力差，对低对比度图像易产生过分割，丢失重要轮廓。

综合以上的科研成果，目前对紫外成像放电区域目标分割提取的效果不够理想，表征设备表面的放电状态的特征量略显不足，特征量定义和提取也尤为重要[14-17]。此外以上的方法都需要对图像先进行滤波降噪处理，对处理后图像进行下一步分割运算，最终的分割的精度和滤波器密不可分。对于设备表面发生的放电现象，在获得紫外成像后，以C-V模型为基础对其实施处理，由于处理过程中可以直接提取放电区域，无需滤波降噪，所以自动化程度高，抗噪能力强，且C-V模型边缘检测得到的轮廓为连续曲线，便于工作人员对后续具体的放电状态进行有效评估。关于设备表面的放电现象，在对其进行评估时依据的主要参数是放电区域(光斑)的周长、面积等，这样可以对紫外成像的图像信息进行充分利用，以此来判断放电状态。

1 C-V模型算法的原理及实现

1.1 C-V模型算法原理

以偏微分方程为基础，Terzija等[18]提出了一种新的图像分割方法，并且阐述了具体模型，即活动轮廓模型。后来，Osher等[19]、Chan等[20]开始优化该模型，并在次年提出水平集方法，这种运动界面依赖于时间，同时，它们还阐述了高精度数值解法。对于变化状态的界面，他们主要借助于高维水平集函数的零水平集进行表述，完成方程的求解后即可捕捉到运动界面，同时，此法还能向任意维的空间进行扩展。以水平集为理论基础，基于M-S模型，Chan和Vese在2001年提出C-V模型。C-V模型是一种基于区域范围的水平集方法，C-V模型的本质就是将计算过程由N维提升至N+1维，以此实现计算精度的提高[21-25]。基于上述定义，可以利用下述公式描述C-V模型的能量。

E(C,c1,c2)=μLength(C)+ηArea[inside(C)]+

(1)

式(1)中：μ、λ1和λ2为正常数且是权重系数；对于函数φ(x,y)，C表示其初始零水平集曲线；c1、c2则分别表示C内部、外部的像素平均灰度值。式(1)右边的前两项是长度约束项，主要对目标轮廓曲线C进行检测，确保得到的曲线足够短；后两项表示内外部能量，有利于演化曲线C在目标区域的边界上完成收敛，获得精确度足够的边缘轮廓。设距离函数φ(x,y)为初始化水平集函数，函数值为(x,y)，同时利用如下方法确定其符号：若点位于曲线C之外，则函数值小于0；若点位于曲线之上，则函数值等于0；若点(x,y)位于C内部，则函数值大于0。将距离函数代入到式(1)中得到：

Hε[φ(x,y)]}dxdy

(2)

式(2)中：

狄拉克函数δ(Z)、海氏函数H(Z)如式(3)所示，而其正则化形式分别表示为式(2)中的δε(Z)、Hε(Z)。

(3)

在实际计算中，H(Z)和δ(Z) 用如下的规则函数Hε(Z)和δε(Z) 来近似(ε趋近于0，有Hε′=δ):

(4)

联合以上公式求解Euler-Lagrange方程，得到如下所示的演化方程：

(5)

1.2 算法实现

对于输入的紫外图像，分割流程如图1所示。首先利用直方图均衡化的方法实施预处理，图像细节的强化以便于提高分割精度。经过图像预处理后通过人工选定初始轮廓，进行φ(x,y)的初始化。

图1 C-V模型算法的图像分割流程Fig.1 Image segmentation process of C-V model algorithm

由于紫外成像仪拍摄的电晕放电图像都是标准化的，故λ1=λ2=1。由等周不等式可知，在算法中，轮廓曲线周长会限制和控制区域的面积，这里的面积系数η=0，唯有长度项系数μ得以保留，一般情况下μ取值为0.01/2552，基于式(4)，结合紫外图像的局部信息、上述参数完成水平集函数的迭代，水平集需要通过迭代来不断演化水平集函数，每次演化都要重新计算曲线内外部平均灰度值c1和c2，对迭代次数、收敛情况进行检验。如果演化时已经达到设定的迭代次数或者已经达到收敛状态，那么演化停止，否则重新计算c1和c2，迭代停止后进行轮廓检测，最后提取零水平集，即可获得最后目标区域轮廓。

1.3 紫外图像放电区域提取过程和特征量定义

对于某棒-板实验表面的电晕放电现象，其紫外图像如图2(a)所示。其中，放电区域为图中的白色光斑所示，其获取过程：当出现电晕放电时，紫外成像仪借助实验设备发射的紫外线进行拍摄成像，同时，紫外成像仪主要对矩形框区域内的光子数量进行计算。在紫外图像中包含了放电点的数量与位置、放电区域的形状等诸多放电特性信息，并且放电光斑的物理意义是十分明确的。图2所示为C-V模型提取紫外图像中放电区域的过程。

图2 图像处理过程Fig.2 Image processing process

描述特征量如下。

(1)光斑面积。构成光斑的全部像素点，即光斑区域的像素，以piexl为单位。

(2)光斑轮廓周长。光斑边缘轮廓由诸多像素点构成，其中连续像素点的距离和为周长，以piexl为单位。

2 实验结果和分析

基于本文的算法，通过分割多幅电晕放电紫外图像以对C-V模型的可行性加以验证。所取的图像均是用南非CoroCAM504紫外成像仪拍下的高压设备放电的紫外图像，像素为512×512。主要参数设置为：初始水平集曲线选取均为圆形初始曲线，μ=0.01/2552，t=1，ε=1。此外，图2(a)为棒-板实验电晕放电紫外图像，从图像中可以直接看出只有一个大的白色的光斑，光斑周围携带的小光斑为噪声，采用文中所述的算法由紫外图像中提取出目标放电区域。图2中计算光子数时的区域为矩形框，为提高可视效果，选取矩形框内的图像为本文算法的输入图像，图像大小均设置为256×256。

2.1 C-V模型与二值化方法对比

图3对比了C-V模型分割结果和二值化方法的分割结果。其中图3(a)为原始图像，图中红色曲线为人工设定的初始轮廓线(所取图像为棒板间隙为40 cm ，所加电压为80 kV，增益为40%的电晕放电紫外图像)，图3(b)为最终轮廓，图3(c)为对分割结果进行二值化后的图像，图3(d)为二值化方法的分割结果。从图3(c)和图3(d)对比可以看出，采用传统二值化方法分割的放电区域携带有大量噪声点，需要进行后续的降噪处理才能得到放电区域，而采用C-V模型算法无需经过降噪处理可以直接分割提取出放电区域，这说明C-V模型具有很好的抗噪性能，而高压设备电晕放电时经常有大量噪声，且拍摄的紫外图像经常含有大量噪声点，说明C-V模型对电晕放电的紫外图像进行分割具有一定的实用性，适用于紫外图像的分割。

2.2 C-V模型与数学形态法对比

在图4中，原始图像是512×512大小的某220 kV变电站绝缘子电晕放电的紫外图像：图4(a)表示原始图像及其初始轮廓线(人工设定)；图4(b)为二值化分割效果图(基于C-V模型)；图4(d)是用数学形态学得到的分割结果；图4(e)是对数学形态学分割结果二值化后的图像。从图4(c)和图4(e)对比可以看出，数学形态学方法切割的放电区域的边缘轮廓有缺失，影响后续对绝缘子放电程度的判断，而C-V模型提取出的放电区域与紫外图像拍摄的放电区域基本一致，对放电区域携带的物理信息保留得比较完整。这可以说明C-V模型对比与数学形态学具有全局优化的特点，能够在一定程度上减少漏检的放电区域。

计算机配置为主频1.7 G和4 G内存，在matlab7.0软件环境下，采用C-V模型分割原始紫外图像，如图2、图3和图4所示，表1给出了其迭代次数、分割耗时，比较后易见，本文所提方法提取放电区域耗时短，效率高。

图3 C-V模型与二值化方法对比Fig.3 Comparison between C-V model and binarization method

图4 C-V模型与数学形态学对比Fig.4 Comparison between C-V model and mathematical morphology

表1 C-V模型分割图像迭代次数与时间

对于上述分割结果中的图2(f)、图3(d)、图4(e)分别进行面积周长计算，以便于判断电晕放电的强弱，结果如表2所示。

表2 分割结果的面积与周长

通过表2可知，图2(f)的紫外图像放电强度大于其他两幅紫外图像，更符合肉眼观察得到的定性结论，所以，对于放电点的放电状态，表2中的特征量表征效果较好。

3 结论

(1)在传统电晕放电的紫外图像分割方法的基础上，提出一种基于C-V模型的水平集紫外图像分割方法。从实验图像分割结果可以看出，本文算法相比于传统的紫外图像放电区域方法，能在噪声的影响下，准确地分割出紫外图像中的放电区域，抗噪能力强且具有全局性，能在一定程度上减少漏检的放电区域。

(2)本文的算法进行图像分割耗时短、效率高，对绝缘子和棒板实验等电力设备放电拍摄的紫外图像都能精确地进行放电区域提取，是一种较为实用的紫外图像分割算法。

(3)利用本文给出的特征量可对放电状态进行更为合理的表征和描述。