基于灰狼自适应阈值分割和改进模糊增强的红外图像NSCT增强算法

许霄霄,张昕,姚强,朱佳祥 ,王昕

(1.上海电力大学 电气工程学院, 上海 200090; 2.国网吉林省电力有限公司延边供电公司,吉林 延边 133000; 3.上海交通大学 电工与电子技术中心, 上海 200240)

0 引 言

电力设备作为电网中不可或缺的一部分,能否正常运行对整个电力系统意义重大,若对其采用停电检修,会对电网造成巨大影响,近年来带电检测成为主流,而红外检测技术是目前针对电力行业电力设备可靠性分析以及故障预测的广泛使用的不停电检测手段。电力设备发生故障时温度通常与正常运行时候相差甚大,而红外检测技术正是监测温度的差异,据此分析预测故障,保证电力设备稳定运行从而保证电力系统的运行稳定性[1-2]。

红外成像测温技术作为电力设备红外检测主要方法,能够全面显示电力设备各区域的热量分布,从而对要检测的目标进行更全面具体的分析[3]。但是也存在不少缺点,如受到外界环境和红外传感器探测器误差等影响,导致成像图含有噪声、待检测电力设备与无关背景之间灰度级差异较小、待检测电力设备细节边缘不够明显等,不利于人眼识别故障区域,容易导致误判,影响红外检测效率[4]。红外图像成像在电力设备红外检测中占着十分重要的地位,决定着能否准确显示目标电力设备热量状态,进而对电力设备故障进行分析判断。红外诊断技术作为一种广泛使用的技术,在保证可靠性的条件下,使用的方便性和低成本将是红外成像技术的保持长期生命力的重点,因此研究低成本、便携的红外检测系统是目前学者们研究重要内容,红外图像增强技术对其至关重要,将图像处理技术应用在电力设备红外检测中,达到凸显热故障区域的效果,实现对电力设备红外图像的增强[5]。

空域处理和频域处理作为目前图像增强的两种处理方法,前者的控制效果不能很好控制各部分,而频域方法具有很好的频率处理能力,因此频域增强是目前比较常用的红外图像增强方法[6-13]。在众多频域变换算法中,傅里叶变换不能将时间域上信号的局部特征很好地刻画出来,导致图像信息缺失;小波变换在其基础上发展,虽然克服了它不能进行时频分析的缺点,但只能进行各方向属于相同的变换,不能体现出图像各相异性特征;轮廓波变换随后产生,其克服了上述变换算法的缺点,但是其下采样过程最终会有伪吉布斯效应产生进而影响图像质量。接着在其基础上进行发展,得到非下采样轮廓波变换(non-subsampled contourlet transform, NSCT)变换,其过程分为多尺度分解和方向滤波两个过程,两者相互独立,变换过程具有平移不变性。它不但能够消除伪吉布斯效应,也不会影响图像细节及轮廓信息。能够更准确得到图像中目标边缘、空间细节信息,因此更适合作为红外图像的变换算法[14]。

文章针对具有复杂红外图像的变电站电力设备设计了一种基于NSCT的算法。首先进行NSCT变换;对变换后含有大部分红外主体信息的低频分量,采用灰狼自适应阈值分割法分为前景和后景部分,分别进行增强处理后融合构成新的低频分量;对于变换后含有大量噪声的高频分量采用VT去噪算法,去除无关的噪声后再采用改进隶属度模糊增强后即完成高频分量的增强;最终增强后的图像由各分量融合得到。

1 NSCT域增强

1.1 NSCT变换算法

利用NSCT进行多尺度、多方向的变换,变换后产生1个包含着整体的轮廓信息低频子图像和若干个高频子图像;这些高频子图像中包含图像的细节和边缘信息,同时也有部分噪声。因此对高频子图像进行去噪,对低频子图像进行对比度增强,能够增强变电站电力设备红外图像细节,凸显热故障,进而准确地进行故障定位。

1.2 高频分量算法

文章对高频分量采用全变分去噪,再采用改进隶属度模糊增强对其边缘细节提高对比度,从而提高图像细节增强能力。

1.2.1 VT全变分去噪

图像全变分去噪是将图像能量用一个函数表示,在约束条件下,求解图像最小能量从而完成去除图像噪声,同时保留图像边缘细节。

设u0为含噪声图像,Ω为图像定义域,u0(i,j)=u(i,j)+n(i,j),其中u(i,j)为去噪后的图像,n(i,j)为噪声。U的变分为：

(1)

可将此过程近似为求最小值的过程：

(2)

全变分问题通常最终转变为梯度下降求解：

(3)

图像经过VT处理后不仅能够达到去噪目的,同时也不会过滤掉细节及其边缘信息,因此适用于作为变电站电力设备高频分量的去噪算法。

1.2.2 改进模糊增强算法

1)Pal-King算法的第一步是将图像从原来的空间域变换到模糊域上,经典Pal-King算法模糊隶属度函数为：

(4)

式中xij为图像(i,j)点的灰度值;L为灰度级;Fd为分母模糊参数;Fe为指数模糊参数。

2)映射后对隶属度进一步增强,采用S型变换,公式如下：

(5)

3)经上步骤增强后,按照模糊隶属度的反函数变换到[0L-1]范围内,得到增强灰度值,即：

(6)

但是传统的模糊增强存在不足：经过变换后,很多的灰度值较低的像素点被强迫置0,从而失去边缘信息。同时其变换形式和公式复杂,需要反复测试,存在参数优化问题。

文章对式(4)隶属度函数进行修改：

(7)

接着仍用式(5)进行平坦S型处理,得到逆变换表达式为：

(8)

1.3 低分量算法

1.3.1 自适应阈值分割算法

对低频分量进行灰狼自适应阈值分割,将信息熵作为自适应度,寻找最优分割阈值。在图像分割中,一个灰度值为{0,1,2,3,4,…,L-1}的直方图图像,信息熵通常定义为：

(9)

图像被分割阈值t分割为区域A和区域B,区域A代表待检测目标区域,区域B代表着背景区域。pi为第i个像素的灰度值出现概率。

目标图像A的信息熵为：

(10)

背景图像B的信息熵为：

(11)

H(t) =HA+HB

(12)

1)电气设备区域线性增强算法。

(13)

2)背景区域直方图均衡。

选取直方图均衡(histogram equalization, HE)算法对分割出的低温子带进行增强。对低频低温子带增强后,能有效拓宽灰度值域,较暗的非目标区域变得更暗,将误分割到背景区域的电气设备区域增强,处理结果对比度有明显提高。

直方图均衡算法是增强图像灰度值差、增大信息熵常用的算法,其原理是利用灰度分布函数进行变换,进而得到新的灰度值。灰度分布函数是增函数,且一定程度上能表示不同灰度间的大小差异。

灰度值为g的像素点占全图的比例为：

(14)

式中N为全图像素总数;ng为灰度值为g的像素点个数;G为灰度级,通常为28= 256级。灰度分布函数为：

(15)

利用灰度分布函数构造变换公式,T(g)为经过转换后的灰度值：

(16)

传统OSTU分割算法存在一个缺点,当待分割目标与非目标区域在图像中的所占比例很大时,将会出现误差。因此文章采用二维最大熵阈值分割算法,信息熵最大作为分割条件,以减少待测电力设备错误的分割到背景区域,并针对二维熵阈值法的穷尽搜索法的无目的性和计算量大问题,采用灰狼自适应最大熵阈值算法,该算法不仅能够减少计算时间,而且能够减少传统分割阈值算法导致的红外灰度图背景中灰度值较高的像素点的误分割,有效平衡了目标设备分割的完整性和背景中温度较高区域误分割的矛盾。

1.3.2 灰狼算法

灰狼算法(GWO)是一种新型的智能优化算法,其模型是根据狼群捕食而建立的,最终目的是获得最优解。灰狼分为首领狼α、副首领狼β、普通狼δ以及底层狼ω,适应度依次降低,种群数量依次增加。其中α作为狼群中的支配,对狼群的方向做出决策;β狼作为辅助α狼的存在,可以支配下级狼;δ作为第三级;ω受其他三级狼的支配。

1)狼群包围猎物。

模型如下：

D= |C.Xp(t)-X(t)|

(17)

X(t+1) =Xp(t)-A.D

(18)

式中t为当前迭代次数;Xp(t)为猎物的位置向量;X(t)为灰狼个体的位置向量;c= 2r1为摆动因子;代表A= 2ar2-a收敛因子;r1、r2为取值为[0,1]的随机数;a为2线性衰减到0。

2)狩猎过程。

α、β、δ狼共同指导搜索过程,进而确定最优解,模型如下：

(19)

(20)

狼群的位置最终由α、β、δ狼共同决定：

(21)

1.3.3 灰狼自适应最大熵阈值分割算法实现

算法步骤如下：1)设定GWO算法中狼群数量S,最大迭代次数Tmax,优化参数个数dim,个体学习因子b1,群体学习因子b2;2)狼群初始化,满足约束条件并确定狼群初始向量,确定a、A、C,生成初始狼群;3)根据Fitness函数对每只狼的适应度排序,保留适应度最优时候的狼个体作为α、β、δ狼的位置;4)α、β、δ狼指导进行捕猎,同时进行位置的更新;5)判断是否满足迭代条件,输出最佳模糊参数Fd和Fe。

文中GWO算法参数设定：狼群数量S= 30,最大迭代次数Tmax= 100,优化参数个数dim= 1,个体学习因子b1= 1,群体学习因子b2= 1。

算法流程图如图1所示。

图1 文章分割算法流程图

2 文章算法实现方法

文中红外图像增强算法实现方法如图2所示。

图2 基于NSCT域增强算法框图

Step 1：原始红外图像采用NSCT变换;

Step 2：经过NSCT多尺度变换后得到的低频分量,采用灰狼最大阈值分割,分割为电力设备主体的前景和后景;

Step3：前景采用线性增强,后景采用直方图均衡,接着进行融合;

Step 4：经过NSCT多尺度变换后得到的高频分量,先采用VT去噪,后进行改进隶属度模糊增强得到增强后的高频分量图像;

Step 5：将增强后的高、低频分量融合。

3 实验仿真与分析

为验证文中经过智能灰狼优化算法优化过的阈值分割算法,基于MATLAB软件随机取样某变电站红外图像进行分割分析,如图3所示。

图3 某变电站红外图像

如图4所示,最大熵灰狼阈值分割法比传统的最大阈值分割法处理速度缩短,且文中算法能够有效分割出背景与目标,减少了Otsu算法中被误分割为待测目标区域的背景部分,更适合分割情况复杂的变电站电力设备红外图像。

为了验证文中算法的有效性, 选取某地变电站电力设备作为实验样本,分别采用He算法、Pk算法、传统NSCT算法与文中算法进行对比分析。

图4 分割算法分析

从图5(a)某变电站红外灰度图像,可以看出该图含有噪声,具有丰富的故障区域目标和背景;图5(b)是基于直方图增强后的红外图像,可以看到整体对比度确实有所提高,但是背景部分亮度增强,而且噪声没有得到抑制;图5(c)是pal-king增强后的红外图像,经过增强后目标亮度得到增强,但是细节轮廓缺失;图5(d)是经过传统NSCT处理后的红外图像,整体细节与处理前保持一致的同时,噪声也得到抑制,但是热源目标与背景区域对比度不够明显,不适于人眼识别故障;图5(e)文中算法处理后的结果,从图中不但能够明显看出电力设备故障区域热源,待测区域与无关区域之间灰度对比度有所提高,去噪效果明显,而且待检测电力设备区域细节轮廓都十分清晰,便于人眼识别热故障。

图5 各增强算法对比图

文章采用边缘强度(OV)、信息熵(IE)、对比度(CR)、标准差(SD)和峰值信噪比(PSNR)五项客观指标评价进行对比分析,如表1所示。

表1 红外图像增强评价指标

从实验结果的客观评价表可以看出, 相对于其他三种算法, 文中的算法的边缘强度、信息熵、对比度、标准差、峰值信噪比均在四种算法中最高, 且文章算法在上述五类评价指标上的涨幅至少为3.94%、2.16%、9.86%、7.45%、21.86%,说明所得图像的对比度提升最明显, 噪声最小,对待监测电力设备区域影响最小,红外目标显著。从以上分析可以得到, 与其他算法相比, 不论是主观效果还是客观指标, 文中所提算法均表现优异,如图6所示。

图6 红外图像增强方法效果对比图

近年来轻便小巧、低成本的红外成像系统广受应用,将上述所研究的实用有效的红外图像算法应用到红外成像系统硬件平台中,实现一套低成本、便携的智能红外检测设备。

分别使用本设备和传统手持红外测温仪对以下现场图进行分析。由图7(b)得知使用现有设备检测到此电力设备区域内最高温度点为29.9 ℃,最低温度为12.4 ℃;由图7(c)文中研制的红外设备检测此电力设备得到设备区域内最高温度点为27.85 ℃,并标记出最大点的位置,同时能够显示最低温度,与手持红外测温仪相差不大。验证可得设备手持红外摄像仪与文章研制的红外设备检测结果基本一致。说明文章算法的有效性,应用在便携红外设备中,能够克服传感器和环境等因素造成的误差,准确的测量变电站电力设备温度。

图7 实际应用对比图

4 结束语

文中针对目前电力设备红外检测中出现的红外图像含有噪声、模糊、对比度低导致的难以识别电力设备热故障问题,设计了一种针对电力设备的图像增强算法。通过文中算法与直方图均衡算法、Pal-king增强算法、传统NSCT算法进行实验对比,无论是在主观还是客观方面,文中算法都表现优异。文中算法增强后的红外图像去噪效果更好,待检测的电力设备热故障区域与背景之间的对比度明显提高,细节纹理更清晰,更易于人眼识别故障。文中算法实用度也高,应用于实际电力设备红外检测中具有良好的效果。