雾气环境下基于引导滤波的中压开关图像检测

摘" 要：针对复杂条件下获取的图像质量不佳、中压开关标识图识别率低下等问题，提出一种在雾气环境下对中压开关图像进行智能检测与识别的算法。在雾气环境下拍摄中压开关图像，用快速引导滤波优化透射率的颜色衰减先验法去雾。将结果与一系列经典算法的客观评价指标对比，表明此算法可以在雾气环境下更好地恢复图像特征，同时提升运行速率。将去雾后的图像在MATLAB中进行基于HSV颜色空间的分割与识别仿真，即可实现中压开关标识的准确定位。

关键词：图像增强；雾；引导滤波；颜色分割；中压开关

中图分类号：TP391.4""""" 文献标志码：A""""""""" 文章编号：2095-2945（2025）04-0051-05

Abstract： Aiming at the problems of poor image quality obtained under complex conditions and low recognition rate of MV switch identification maps， an algorithm for intelligent detection and recognition of MV switch images in fog environment is proposed. Images of medium-voltage switches are taken in a foggy environment， and the color attenuation prior method that optimizes transmittance is used to defog. The results are compared with objective evaluation indicators of a series of classic algorithms， which shows that this algorithm can better restore image characteristics in a fog environment while improving the running speed. The defogged image is subjected to segmentation and recognition simulation based on HSV color space in MATLAB， and accurate positioning of medium-voltage switch logos can be achieved.

Keywords： image enhancement; fog; guided filtering; color segmentation; medium-voltage switch

图像识别技术可以有效识别电力设备中的颜色、形状等信息[1]。若能将电力系统中中压开关图像信息进行提取、识别、检测有助于图像信息的自动识别和匹配检索，定位需要进行管理的图片，提高电力活动的高效性。然而，由于中压开关设备所处环境的复杂多变性，单一状态下的智能检测和识别鲁棒性不能达到要求，尤其是在雾气环境下，设备的发热或温差变化可能导致配电房内部产生雾气，对比度和颜色发生畸变，降低图像的清晰度，影响标志牌的可见性和识别性能[2]。因此，需要对目标图像进行去雾处理提高图像质量。

目前，去雾算法主要有基于图像复原的算法、基于图像增强的方法和基于深度学习的方法。基于图像增强的方法通过增强对比度改善图像的视觉效果，没有考虑退化和降质的本质原因，易出现细节丢失或者失真的现象。Choi等[3]提出无参考指标雾感知密度评估器的概念，定义图像的感知雾密度进而评估除雾算法的性能。但由于没有考虑雾气的空间分布，忽略场景深度对雾气的影响，在浓度较高的雾气图像中效果不显著。深度学习的方法是在去雾模型的基础上利用人工标注进行端到端训练，通过优化算法提高去雾能力。但过于依赖数据集且耗时耗力。图像复原的方法基于物理模型，求解未知参数，从根本上改善图像质量，近年来被广为应用。He等[4]率先提出暗通道先验的理论，通过改善透射率的方法去雾，在大部分情况下有良好的去雾效果但时间复杂度过高。Berman等[5]提出了一种非局部先验的算法。假设可以用数百种不同的颜色表示有雾图像，颜色会随着雾气而发生变化，形成穿过大气光照的雾线。并提出相关算法借助雾线，考虑正则化方差估计像素的传输率去雾。Meng等[6]在后来提出边界约束和上下文正则化结合的高效图像去雾法，得到更好的图像细节。

中压开关装置的智能检测与识别和车牌字符识别技术有相似之处，涉及数字图像分析的交通标志识别成果令人瞩目，因此可以借鉴车牌识别技术的成功之处进行电力设备标识的研究。根据GB/T 29481—2013《电气安全标志》规定，用于工作场所和公共区域中的电气安全标志往往被设计成特定的颜色和形状。电气安全标志的特殊性，使人们可以通过标志的不同颜色和形状很容易识别它们。因此，本文可以利用颜色和形状信息的特别之处来检测电气标志。在设备环境单一的情况下直接对原始图像进行采集识别可以得到较高的识别准确率，但在实际情况下往往不能总是保持理想环境条件，需要对原始图像先进行图像增强处理再进图像识别。

雾气的出现导致采集的图像色彩饱和度降低以及图像边缘模糊[7]。基于上述情况，本文提出一种复杂环境下低质量图像处理的方法。在大气物理模型的基础上提出基于快速引导滤波的颜色衰减先验正则化的图像去雾复原算法。通过计算场景深度，优化环境光和透射率，反演得到复原图像。结合颜色先验算法兼顾快速性和色彩保持性。最后对图像进行信息直接提取识别处理。 本文流程如图1所示。

1" 去雾

1.1" 大气散射模型

大气散射模型由McCartne在1975年提出，阐明了雾天图像模糊的本质原因，后经优化修改可以表示为如下公式

""""""""""""""" """""""""， （1）

， （2）

式中：t（x）是场景透射率，I（x）是雾气下拍摄的图像，J（x）是理想去雾图像，A是大气光照。d（x）为摄像头与成像物体间距离即景深，β为粒子散射时衰减系数。

理想均匀情况下散射的衰减系数可以看为常数，d（x）作为反映物体和观察者之间的距离其取值范围在[0，∞）。从灰度图像中选择亮度最高的0.1%比例的像素点位置，在原始图像中找到对应的具有最高亮度的像素点的值，将其估计为大气光值。选择图像的HSV三通道中的亮度通道计算大气光值，即

。" （3）

1.2" 颜色衰减先验模型

Zhu等[8]率先提出颜色衰减先验理论，认为雾浓度变化时图像的亮度和饱和度会出现同步的变化。在晴朗的天气下，场景的饱和度较高，亮度适中，亮度和饱和度之差很小。在雾气的影响下，图像中像素块的饱和度急速下降，图像的颜色随之变淡，亮度的增加和饱和度下降同时产生使他们之间有较大差值。每个像素点处雾浓度与亮度和饱和度之差正相关，表示为

。 （4）

同时雾气的浓度通常随场景深度的变化而变化，实验发现场景的深度与雾度存在线性模型，即

， （5）

式中：x是每点的像素，是雾图的亮度分量，s是饱和度分量，0、1、2是线性系数，（x）代表模型随机误差的随机变量。根据Zhu等[8]采用有监督学习的方式得到0＝0.121 779，1＝0.959 710，2＝-0.780 245。

1.3" 优化透射率

直接估计得到的透射率图比较粗糙，实验采用改进的快速引导滤波对透射图灰度图进行优化，增强灰度图边缘的同时提高处理速度。

He[9]提出引导滤波的方法增强图像，用局部线性模型，假设引导图Ii和滤波输出qi在一个二维窗口线性相关，即

。" （6）

等式两边取梯度，可知输出图q与引导图Ｉ具有类似的梯度特征，即边缘特性接近。

。 （7）

选择输入透射率灰度图作为引导图Ii可以使输出图像的梯度尽量与输入相似保持边缘，wk是引导图以中心像素k为邻域的滤波核，ak和bk是线性函数的常数项系数。引入噪声变量ni，Pi为输入待滤波图像

qi=Pi-ni 。 （8）

根据式（6）、式（8），列出最小化损失函数，减小拟合函数的输出值与真实值间差距，在保留边缘的同时实现去噪。

式中：是正则化参数，为避免ak过大，用ak2作为惩罚项。

利用最小二乘法求得最优的ak和bk，得到

， （11）

式中：是wk内的像素总量，是待滤波图p在窗口wk中的均值，uk和是窗口wk内的像素均值和方差。

同一个像素往往被不同的窗口包含，每个像素都由多个线性函数表达。所以求解具体像素点的输出值时需要对所有包含像素点的窗口邻域的输出求平均值，得到引导滤波的结果为

快速引导滤波求取透射率的时候没有采取直接对原图求解的形式，而是选择先下采样再上采样的方法减少采样点。计算出图像缩小为原来1/4的透射率，再通过上采样插值获取原图的透射率，计算Ｅ（ak，bk），通过上采样恢复至原有尺寸。缩小后像素点的个数为（N/4）2，可以大大提升去雾算法的处理效率。

2" 识别

在进行识别前需要进行边缘检测和图像分割，提取重要的边缘特征，去除冗杂环境的影响。电力设备标识的分割在很大程度上受到其所处实际环境的影响。通常情况下，RGB颜色模型对于天气、光照、阴影等环境因素相当敏感，使用RGB颜色模型易使检测准确率大大下降。为了减少这些因素对检测的负面影响，提取能够准确反映物体真实颜色的不变颜色特征尤为重要。因此，本文先将图像的RGB颜色通道转化为HSV颜色空间，尽量避免环境因素引起的干扰。

本文在二值化后的图像分割中用先腐蚀后膨胀开运算的形态学操作。滤除一些小的噪点区域并填充目标区域，使其成为感兴趣区域。二值化和形态学处理后，根据矩形特征进行目标定位，具有更强的抗干扰性，能够提高后续识别的准确率。

完成上述操作后用MATLAB中hresholder的HSV窗口，在点云上绘制ROI选择目标颜色并确定标志位置。根据图像处理后的结果及颜色阈值器Color Thresholder确定的位置对原图像进行切割，定位目标导线或者标识。标记优化后图像的连通区域，将标记矩阵转换回RGB空间，求出标记矩阵的最小外接矩形并画框，提取出检测范围，根据各个颜色的阈值标记其颜色名称并将结果输出并显示出颜色信息。

对于标识使用图形的像素占比在其最小边界矩形内来推断图形的形状。在设计的程序中，如果像素占比大于0.88，被识别为正方形；如果像素占比在0.8到0.62之间，被判定为圆形；如果像素占比在0.6到0.41之间时，判定为三角形；其余的结果标记为“unknown”识别错误。

识别的核心思想是采用颜色空间方法进行目标识别。首先对图像进行分块处理，提取目标区域特征区域，对图像处理中的开闭运算、膨胀和腐蚀等操作进行预处理。设置颜色阈值，使得导线相关有效区域可以保留。经过对图像的颜色筛选，可以计算出图像中颜色区域的大致位置，经过颜色阈值确定最终区域的颜色形状。

3" 实验设计

本文实验在MATLABR2021b平台上进行，计算机配置为Intel（R） Core（TM） i5-8500CPU3.00GHz， RAM8GB，操作系统为64位Windows10。

3.1" 雾气图像增强对比实验

因为设备发热或者温差原因导致配电房内部因气体液化产生雾气， 使拍摄的图像受到雾气干扰从而导致拍摄图像模糊，本实验利用加湿器产生雾气来模拟雾气干扰镜头的情况。

3.2" 主观评价

图2是真实场景下雾气图像的原图及各个算法复原图，其中图2（a）和图2（b）是薄雾环境，图2（c）和图2（d）是浓雾环境，总体而言薄雾下图像恢复质量优于浓雾。对比发现He算法恢复的图像较原图都有明显提升，对比度增强，但整体偏暗，色彩饱和度较差，边缘细节没有得到增强。Berman算法和Meng算法边缘细节的恢复有一定提升，但是色彩不够自然，略微失真，在图2（c）和图2（d）的上方出现明显的过曝，表明此类去雾算法对高亮区域不能很好矫正。Choi算法在薄雾中效果较好，整体色彩均匀，但在图2（c）和图2（d）中去雾效果不够明显，饱和度过低。本文采用基于颜色衰减先验的快速引导滤波的方法去雾，雾气去除的较为干净，有效抑制了伪影、光晕的现象，增强图像的边缘细节，使图像的色彩更加自然，整体质量明显提升。

3.3" 客观评价

为了全面比较各个方法的去雾效果，对上述去雾图像进行定性评估后，本文选择峰值信噪比（PSNR）、结构衡量指标（SSIM）、信息熵（E）作为衡量去雾算法的客观指标进行定量评估[10]。

表1为图2中4幅图像的PSNR、SSIM和E对比结果图。本文算法的PSNR在图2（c）和图2（d）中最大，在图2（a）和图2（b）中稍低于Choi算法，但在图2（c）和图2（d）的浓雾环境中显著高于Choi算法，表明本文算法综合失真程度较小，图像质量更高，更接近真实图像。本文算法的SSIM在图2（b）中稍低于He算法，表明本文算法有较好的结构完整性和综合性。在信息熵的比较中，本文在图2（c）和图2（d）中最高，图2（b）中稍低于Choi算法，进一步证明本文算法得到的图像包含更多的细节，图像质量更高。

为了显示出本文改进引导滤波算法在运行效率上的优越性，表2给出了相同大小分辨率下本文算法和其他4种算法的平均运行时间比较。由表2可知在大分辨率的图片下Berman和Choi运行时间过长，分别为本文算法的16.9倍和23.5倍，He和Meng相较上述有所提升，但仍然有本算法的10.7倍和5.5倍。表明改进的引导滤波法优化透射率的处理方法具有很好的实时性。

3.4" 颜色及形状识别

对于完成图像提亮和去雾等处理后进行检测和识别，验证图像增强操作的实用性，如图3所示。

模拟需要识别的颜色变量有6种，标识形状有正方形、圆形和三角形3种，每种颜色有5种。实验将4类图像分为无雾图像、薄雾图像和浓雾图像3种情况。统计识别结果，准确率见表3、表4。

识别结果表明经过处理后的图像有良好的识别率，可以基本完成对图像的识别要求。

4" 结论

本文提出了用图像增强技术、图像复原技术对相关图像做处理，取得了比较好的矫正成果。在雾气环境下有效提高了图像的质量同时兼具处理的快速性，在效率上取得很大的进步，有很好的实时性。并对处理后的图像进行主观评价与客观评价，在视觉和客观数据上均表明本文采取的算法能更好地增强图像的亮度与细节纹理特征。结合图像分割技术，有效提高了中压开关装置图像识别的高效性与准确。

参考文献：

[1] 王景致，刘刚，袁嘉彬，等.电力巡检中的图像融合技术与应用[J].自动化技术与应用，2019，38（8）：111-114.

[2] 张世辉，路佳琪，宋丹丹，等.基于多尺度特征结合细节恢复的单幅图像去雾方法[J].电子与信息学报，2022，44（11）：3967-3976.

[3] CHOI L K， YOU J， BOVIK A C. Referenceless Prediction of Perceptual Fog Density and Perceptual Image Defogging[J]. IEEE transactions on image processing： a publication of the IEEE Signal Processing Society， 2015，24（11）：3888-3901.

[4] HE K， SUN J， TANG X. Single Image Haze Removal Using Dark Channel Prior[J]. IEEE transactions on pattern analysis and machine intelligence， 2011，33（12）：1956-1963.

[5] BERMAN D， TREIBITZ T， AVIDAN S .Non-local Image Dehazing[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.IEEE， 2016：1674-1682.

[6] MENG G， WANG Y， DUAN J， et al. Efficient Image Dehazing with Boundary Constraint and Contextual Regularization[C]//Proceedings of the 2013 IEEE International Conference on Computer Vision.IEEE， 2013：617-624.

[7] LI J， HU Q， AI M. Haze and Thin Cloud Removal via Sphere Model Improved Dark Channel Prior[J].IEEE Geoscience and Remote Sensing Letters， 2019，16（3）：472-476.

[8] ZHU Q， MAI J， SHAO L. A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior[J]. IEEE Transactions on Image Processing， 2015，24（11）：3522-3533.

[9] HE K， SUN J， TANG X. Guided Image Filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013，35（6）：1397-1409.

[10] 程铁栋，卢晓亮，易其文，等.一种结合单尺度Retinex与引导滤波的红外图像增强方法[J].红外技术，2021，43（11）：1081-1088.