一种用于紫外成像系统的PCNN图像融合算法

马立新，张建宇，项　庆

(上海理工大学 光电信息与计算机工程学院，上海200093)



一种用于紫外成像系统的PCNN图像融合算法

马立新，张建宇，项庆

(上海理工大学 光电信息与计算机工程学院，上海200093)

摘要：为了解决高压电气设备局部放电故障点定位问题，把PCNN图像融合算法应用到紫外成像系统中，根据高压电气设备局部放电的同时向四周发射紫外光和紫外光波段在日盲200～400 nm的原理，在设备局放故障区域分别采集紫外光图像和可见光图像并进行图像融合，在新生成的融合图像中精确定位局部放电故障点。研究针对融合源图像自身系数特点会影响PCNN神经网络连接强度系数的特点，使用粒子群优化算法对PCNN神经网络中的连接强度系数进行全局寻优，使其可以针对不同融合源图像的各自系数特征自适应寻找最优连接强度系数。研究结果表明，优化后的PCNN算法对比于其他算法所得图像信息更加丰富、定位更加精准，融合图像可以有效地定位高压设备电晕放电故障点。

关键词：紫外成像系统；图像融合；PCNN神经网络；粒子群算法

0引言

高压电气设备长期使用会出现局部放电等故障，为了定位局部放电位置，紫外检测技术被广泛应用于紫外成像系统，紫外检测技术是紫外成像系统的关键技术。简单来说，紫外检测技术是通过对局部放电故障点采集紫外光图像和可见光图像，通过图像转换盒传输至PC端，再经过图像融合处理，把紫外光图像和可见光图像融合成既包含紫外光信息又包含可见光信息的融合图像，进而在融合图像中准确定位放电故障点[1-3]。

图像融合技术是紫外检测技术的核心，是把两幅或多幅图像按照某一特定的融合规则进行融合处理，从而得到一幅新的图像。不同的实验目的对融合图像的要求也不同。一般来说，融合图像的融合效果好坏是根据所得图像所带有的两幅或多幅图像的信息量、图像清晰度、图像平均梯度等指标来决定的。图像融合技术在医学等方面应用很广泛，而紫外光图像和可见光图像融合是近十几年发展起来的图像融合技术，主要用于紫外检测技术。由于高压电气设备产生局域放电故障时，故障点所发射的光波包含紫外光，而紫外光又是人眼不可见的，故通过采集故障点的紫外光图像和可见光图像进行融合，可以使局域放电故障点暴露在人眼中，便于识别和定位局放故障。目前在紫外成像系统中应用比较广泛的图像融合算法是加权融合算法和拉普拉斯融合算法[4-5]。

20世纪90年代Eeckhorn等人提出脉冲耦合神经网络(PCNN)，PCNN模型一种基于猫的视觉原理构建的简化神经网络模型，其算法来源于哺乳动物视觉特点，与传统人工神经网络不同，PCNN具有同步脉冲发放和全局耦合的特性，有更好的信息处理能力。由于本文研究的图像融合算法是基于紫外成像系统的，对紫外光图像和可见光图像的融合效果要求较高，传统PCNN算法一般使用固定的参数值进行图像融合，考虑到融合图像各个区域的灰度值和能量的差异性，本文提出一种优化算法，采用粒子群算法对PCNN的参数进行优化，弥补了传统PCNN算法参数固定不变的缺点，获得了很好的融合效果[6]。

1紫外成像系统的搭建

紫外成像系统可分为单通道电晕紫外成像系统和双通道电晕紫外成像系统。双通道电晕紫外成像系统是紫外成像仪常采用的紫外成像系统，该系统把可见光分为两条光路，一条为可见光通道，另一条是紫外光通道，两条通道采集的图像信号通过图像采集卡传输到PC端，然后进行图像融合，得到可识别电晕故障点的融合图像，从而准确定位故障[7-10]。双通道电晕紫外成像系统结构图如图1所示。

图1　双通道紫外成像系统

2PCNN算法基本原理

PCNN神经网络是一个由多个神经元组成的单层反馈型网络，每一个神经元由接收域、耦合调制域和脉冲发生器组成。模拟神经元是根据真实神经元的作用与机理进行搭建的，可以很好地模仿真实神经网络的实现过程。耦合脉冲神经网络中的神经元，在某一时刻t会同时受到外部刺激和领域其他神经元在t-1时刻的脉冲信息影响，然后随即对接受到的刺激信号进行反应并发出反馈信息，继而刺激与其相连的其他神经元。其算法数学模型如公式(1)所示：

(1)

该数学模型为PCNN神经网络中位于(i,j)处的单个神经元模型，其中，Sij为神经元所受到的外界刺激信息，Ykl表示该神经元在k×l邻域中其他神经元在t-1时刻的脉冲刺激信号。该神经元接收反馈输入为Fij，Lij为线性连接输入，主要接收与神经元相邻的其他神经元突触的输入信号Ykl。随着信号的传递，在神经元模型耦合调制域中把线性连接输入Lij部分和接收的反馈输入Fij相乘得到内部活动项Uij。神经元模型中脉冲输出项为Uij，Yij是否能产生脉冲信号取决于内部活动项Uij是否大于神经元膜电位动态阈值θij。而θij的大小是由神经元是否输出脉冲信号决定的。

式(1)中αF，αL和αθ分别为神经元反馈输入Fij、线性连接输入Lij和膜电位动态阈值的衰减时间常数。VF，VL和Vθ分别表示神经元反馈输入、连接输入、动态阈值的放大系数。在本研究中，取αF=0.1，αθ=0.5，αL=1，Vθ=20，VL=1。βij为连接强度系数，它的大小直接影响内部活动项Uij的大小。

当连接强度系数βij=0时，神经元之间不传递刺激信号，每个神经元独立运行。不同灰度值的像素不受任何干扰，其独立点火频率依赖于该像素灰度值，与其他像素的灰度值无关。当βij≠0时，神经网路中每个神经元互相耦合连接，神经元的点火会对其邻域范围内的其他神经元输出脉冲信号，故每个神经元的点火不仅与像素灰度值有关，而且取决于其他神经元的状态。由PCNN数学模型可知，连接输入Lij的大小很大程度上是由连接强度系数βij决定的，βij越大，连接输入Lij就越大，点火的神经元范围就越大。故一般采用对连接强度系数βij优化的方式来对PCNN融合算法进行改进[11-12]。

3基于粒子群优化PCNN算法

由于每个神经元所在区域的融合源图像自身的系数特征可能会有显著不同，由此对神经网络中的连接强度和点火范围产生显著影响。即神经元所在区域图像自身系数特征变化越显著，连接强度和点火范围就会越大。应用于紫外成像系统的图像融合源图像之间具有图像系数特征差别大的特点，并且融合源图像系数之间相差越大越能表达融合后图像的系数特征，为了选取PCNN神经网络最优参数，本文使用粒子群算法寻找融合源图像中相邻系数差距最大的邻域并由此对连接强度系数βij进行优化，使神经网络中的连接强度系数随着神经元所在区域图像特征进行自适应变化。

粒子群优化算法是一种学习鸟群觅食行为的群智能优化算法，最初由Kennedy和Eberhart提出。在粒子群优化算法中，鸟群中每一只鸟可以抽象成一个没有质量的粒子I，并延伸到N维空间。粒子I在空间中的位置由矢量Xij表示，飞行速度用矢量Vij表示。每一个粒子都由目标函数决定的适应值所约束，并根据同伴的飞行经验、单个粒子发现的最优位置(pbest)和整个粒子群中的最优位置(gbest)来调节粒子的飞行方向和速度大小。粒子通过公式(2)来更新自己的速度和位置：

(2)

式中：vij(k)，xij(k)分别为粒子i在k次迭代中速度和位置的第j维分量；w为惯性权重；c1和c2是学习因子；pij(k)为粒子i在极值点位置的第j维分量；pgj(k)为粒子群体全局极值点位置的第j维分量；r1，r2为[0,1]之间的随机数[13-14]。

标准粒子群优化算法流程图如图2所示。

图2　标准PSO优化算法流程图

本文使用图像小波分解后低频系数的方差s2来决定连接强度系数βij的值，进而自适应调节神经元的连接强度和连接范围，即低频图像系数中方差较大的区域，其对应的高频图像系数便也会有较为显著的特征表达，因此，该区域对应神经元的连接强度和连接范围也必然较大，从而加强特定区域神经元对其邻域神经元的刺激作用。

具体步骤可以归结为以下几步：

步骤1：将待融合图像进行小波分解，提取图像低频子带系数进行区域划分，本研究选取3×3的可移动区域进行迭代，计算每个区域内的图像低频系数方差s2，方差如公式(3)所示。

(3)

式中：ai，j表示位于(i，j)处的区域图像低频系数。

步骤2：用粒子群优化算法在所提取区域中进行寻找最佳位置，即方差s2取最大时图像低频系数所在区域。

步骤3：对最优区域进行邻域扩散，对其周围每个3×3邻域求图像系数方差，直至整个图像低频系数全部计算完毕。

步骤4：选取图像空间频率SpaceFrequency(简称SF)作为神经网络模型的外部激励Sij，SF的表达式如下：

(4)

再令连接强度系数βij=s2，将所有迭代后的连接强度系数βij代入PCNN模型中运行，直至神经网络中每个神经元至少被点火一次，从而确定各个参数值。

其中，fij表示图像中以任意像素(i,j)为中心3×3的邻域。

步骤5：建立融合规则，采用绝对值取大的融合规则：

若abs(Y1(i,j))-abs(Y2(i,j))>βij，则F(i,j)=F1(i,j)；

若abs(Y1(i,j))-abs(Y2(i,j))<βij，则F(i,j)=F2(i,j)；

从而得到融合图像的系数，其中，F(i,j)表示图像系数矩阵在第i行、第j列的系数[15-16]。

4仿真实验及方法比较

本次实验选取一组电缆线上的紫外图像和可见光图像，尺寸为369×463。采用3种融合方法与本文改进方法进行比较，分别是：(1)拉普拉斯融合图像融合算法；(2)小波变换融合算法；(3)传统PCNN融合算法。

其中，方法一采用文献[17]中的拉普拉斯融合算法，采用5层金字塔分解，其融合规则是：顶层子图像采用基于区域平均梯度取大进行融合，其余层子图像采用基于区域能量取大进行融合。方法二采用基于小波变换的低频系数取平均值，高频系数求绝对值然后取极大的融合规则[18]。方法三采用传统的PCNN算法对图像进行融合，其神经网络中各个参数值为定值，分别为：αL=1，αθ=0.5，VL=1，Vθ=20，β=0.15。以上小波变换所采用小波均为bior1.1小波。图3是对紫外光图像和可见光图像融合仿真实验结果及对比图。

图3　紫外光和可见光图像以及融合图像

由图3可以看出，本文所用的4种算法中的融合图像中，小波变换融合算法的融合图像在故障点表达上不够精确，图像有失真现象。相比之下，拉普拉斯图像融合算法和PCNN图像融合算法的融合图像在视觉效果上更加清晰。为了更好地评价改进后方法和其他3种方法的融合效果，本文采用以下5个指标进行评价[19]：熵entropy (H)：熵表示图像的平均信息量，是表达图像信息是否丰富的评价指标；平均梯度AverageGradient(AG)[20]：平均梯度表示图像的清晰度，即图像对细节对比的表达能力与纹理反差特征；空间频率SpaceFrequency (SF)：空间频率可以很好地表达融合图像在空间域中的总体活跃度；互信息Mutual Information(MI)：互信息能很好地描述融合结果对源图像信息量包含的多少；标准差StandardDeviation(SD)：标准差是把融合图像灰度相对于灰度均值的离散情况数值化；若评价指标的数值越大，则表示图像融合效果越好。表1为4种融合算法的融合图像评价指标对比。

表1　4种算法的融合图像评价指标对比

由表1的评价指标可以看出，本文提出的图像融合方法的各项评价指标都优于其他方法，达到了较好的融合效果。

5结论

根据紫外检测技术的原理，针对传统PCNN图像融合算法的不足，提出一种应用于紫外成像系统的自适应调节神经网络参数的PCNN图像融合算法。并将实验结果与另外3种算法进行比较，通过评价指标可以看出优化后算法的可行性和优越性。传统紫外成像系统所用的融合方法是小波变换融合方法，需要根据图像采集区域实际情况进行调节融合参数。本文融合方法可以自适应调节神经网络连接强度系数，融合图像清晰度高、过渡平滑、轮廓更加完整，融合效果很理想，可以准确定位局放故障点。

参考文献：

[1]马立新,浦荣杰,陶鹏举，等.局部放电紫外检测量化分析系统的设计及应用[J].电力科学与工程,2014,30(3):35-38.

[2]高健,苗兴,孙小平，等.基于紫外成像技术的电晕放电检测方法探讨[J].电力科技与环保,2013,29(4):18-20.

[3]李和明，王胜辉，律方成，等. 基于紫外成像的污秽绝缘子放电特性研究[J].华北电力大学学报(自然科学版)，2010，37(3)：1-6.

[4]郭雷，李晖晖，鲍永生. 图像融合[M]1版. 北京：电子工业出版社,2008:190-191.

[5]王金玲，贺小军，宋克非， 等. 采用区域互信息的多光谱与全色图像融合算法[J]. 红外与激光工程，2014(8)：2757-2764.

[6]马义德.脉冲耦合神经网络原理及其应用[M]1版.北京：科学出版社,2006:16-19.

[7]刘佳,段先华,孙庆国，等.基于多小波的高分辨率与多光谱图像融合[J].电子设计工程,2015(11):82-86.

[8]LINDNER M,ELSTEIN S,LINDER P,et al.Daylight com-na discharge imager[J].EPRI,1998(8):4349-4352.

[9]付晓松.日盲紫外检测在电晕放电检测中的应用[J].黑龙江科技信息,2014(29):48.

[10]王胜辉，李楠，廖鹏，等. 放电日盲紫外成像检测图像参数提取方法研究[J].华北电力大学学报(自然科学版)，2013，40(6)：40-45.

[11]马立新,周小波,单宇，等.基于自适应PCNN的紫外图像融合算法[J].电子科技,2015,28(10):1-3.

[12]才溪.多尺度图像融合理论与方法[M]1版. 北京：电子工业出版社,2014:123-130.

[13]高尚.群智能算法及其应用[M]1版. 北京：中国水利水电出版社,2006:7-8.

[14]马立新,王继银,项庆，等. 三目标混合骨干粒子群算法的电力系统无功优化[J]. 电力科学与工程, 2015,31(11): 18-23.

[15]沙立成，宋珺琤. 基于改进粒子群优化LS-SVM的变压器故障气体预测[J].华北电力大学学报(自然科学版),2011,38(1):35-38.

[16]陈广秋,高印寒,段锦，等.基于奇异值分解的PCNN红外与可见光图像融合[J].液晶与显示,2015,30(1):126-136.

[17]韩潇,彭力.基于改进拉普拉斯金字塔的图像融合方法[J].自动化与仪器仪表,2014(5):191-194.

[18]袁晓冬,李超,盛浩，等.小波多分辨分量相关性图像融合方法[J].北京航空航天大学学报,2013,39(6):847-852.

[19]ANGAM P, NARASIMHAN K S. Improved multidimensional color image fusion based on the multi-wavelets[J].Research Journal of Applied Science, Engineering and Technology,2013,6(2):175-180.

[20]张小利,李雄飞,李军，等.融合图像质量评价指标的相关性分析及性能评估[J].自动化学报,2011,40(2):306-315.

An PCNN Image Fusion Algorithm Applied in UV Imaging System

MA Lixin，ZHANG Jianyu，XIANG Qing

(Department of Electrical Engineering School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

Abstract：In order to solve the problem of fault location of the partial discharge for high voltage electrical equipment, the PCNN image fusion algorithm is applied to the ultraviolet imaging system, and hence the ultraviolet discharge and visible images of the discharge area can be acquired and integrated according to the fact that ultraviolet wavelength varies in sun-blind band, about 200 nm to 400 nm. Then the accurate discharge point could be found in the newly generated fusion image. In view of the influence of the coefficient of the source image fusion on the connection strength coefficient of PCNN neural network, the particle swarm optimization algorithm is used to optimize PCNN neural network connection strength coefficient in global, making the connection strength coefficient capable of self-adapting for different source images. Experimental results show that compared with other ultraviolet imager’s algorithms, the image obtained using the optimized PCNN algorithm is remarkably richer in information, and more accurate in fault location, and the fusion image can effectively locate the high voltage corona discharge point of the equipment.

Keywords：UV imaging system; image fusion; PCNN neural network; particle swarm optimization

收稿日期：2015-11-25。

基金项目：上海张江国家自主创新重点资助项目(201310-PI-B2-008)。

作者简介：马立新(1960-) , 男，教授，主要研究方向为电力系统稳定性与优化运行、电气系统故障诊断与模式识别、群体智能与智能电网、电力能效测评系统、调速系统智能控制等，E-mail:malx_aii@sina.com。

中图分类号:TP391.41

文献标识码:A

DOI:10.3969/j.issn.1672-0792.2016.04.003