基于密度相似因子的电力红外图像分割方法

余 彬，万燕珍，陈思超，翁利国



基于密度相似因子的电力红外图像分割方法

余 彬，万燕珍，陈思超，翁利国

（国网浙江杭州市萧山区供电公司，浙江 杭州 311200）

针对电力设备红外图像包含大量的噪声，且设备边缘较为模糊，传统图像分割方法无法有效提取红外图像中电力设备等问题，提出一种基于密度相似因子的电力设备红外图像分割方法。首先，对获取的电力设备红外图像分别进行R、G、B三通道光照不均匀性校正，其次，转换至Lab彩色空间并构造待分割的特征空间信息点集，然后采用最小距离原则分配信息点到最邻近的聚类中心，再通过平均连接代价和-距离邻域的平均连接代价，计算出信息点的密度相似因子，最终实现电力设备红外图像滤除噪声分割。通过与均值和模糊均值对实际绝缘子红外图像的分割实验定量对比，实验结果表明，本文所提方法具有噪声滤除能力，改善了分割效果。

故障诊断；红外图像分割；密度相似因子

0 引言

近年来，我国电网规模不断扩大，为保障大电网的安全稳定运行，高效、准确的电力设备故障诊断方法需求愈加迫切。电力设备故障大多都与发热有着紧密的关系，而红外图像是基于热辐射原理生成的，所以基于红外图像的电力设备诊断技术得以发展。相比与传统的基于电参数测量的故障诊断法，基于红外图像的电力设备诊断方法因具有非接触、不影响电力设备在线工作等优点而广泛应用[1]。然而在实际使用时，基于红外图像的电力设备诊断方法仍依赖于人工进行判断，即检测人员根据获得的电力设备红外图像凭经验对故障进行判断，这样不仅耗费大量时间，而且其主观性较强，误判率较高，不符合现代智能电网发展的要求。目前，针对电力设备红外图像的自动故障诊断方法的研究成为热点，其中电力设备红外图像的分割处理是后续图像特征信息有效提取，以及故障自动诊断的基础。可以说，分割的好坏关乎到电力设备故障自动诊断是否准确。然而非检测目标的热辐射会干扰所获得红外图像的质量，使其具有噪声大、对比度不高的特点，从而给图像分割带来一定的困难[2-3]。因此，对于实现这种成像质量低的电力设备红外图像分割，需要重视分割方法的抗噪特性，从而保证高质量的分割效果。电力设备红外图像分割方法目前有以下几种：①基于阈值的分割方法，该方法的核心思想是选择合适的阈值来实现图像分割，但其只考虑像素本身的灰度值，而未考虑像素点的空间特征，所以不能有效去除噪声[4]。②基于边缘的分割方法，该方法根据图像灰度值的不连续性，运用检测算子突出图像的边缘，但这些算子对噪声十分敏感[5-6]。③基于区域的分割方法，该方法存在区域生长和分裂合并两种基本形式。其中区域生长方法的核心是选取特定种子点，以种子点开始扫描并合并相邻的像素点，对噪声也比较敏感。而分裂合并方法立足于整个图像的逐渐分裂后再区域合并，是否存在像素级的分裂会影响分割的准确度以及时间复杂度[7-9]。④基于特征空间的聚类分割方法，该方法将图像中每个具有信息特征的像素点用一个多维特征空间系中的点表示，基于特定理论将每个信息点分归于某一类中，其智能程度较高，但并未考虑图像中噪声的滤除，从而产生大量噪声的误分类[10]，即含噪电力设备红外图像的分割效果不尽理想。

针对电力设备红外图像中传统分割方法效果不好，抗噪特性不佳的问题，本文提出一种基于密度相似因子的电力设备红外图像分割方法，主要是先按最小距离原则将信息点分配到最邻近的聚类中心，然后利用密度相似因子对信息点进行评估从而完成噪声滤除，最终将保留的信息点集映射回原图像空间，即可完成图像目标域的分割。通过实验验证，本文所提方法可以较好地完成电力设备红外图像分割，表现出好的噪声滤除能力，抗噪性强，分割效果得到改善。

1 红外图像聚类分割方法

聚类是按照样本数据集相似的特性，将其分类为若干子集的过程，使得分类结果符合评价指标最优。基于特征空间的聚类算法之所以广泛应用于图像分割中，是因为它是无监督的分类方法，对先验知识没有要求。该算法首先采用多维特征空间系中的点与图像中所有具有信息特征的像素点一一对应，接着通过多维特征空间中点的聚类分析实现特征空间中的目标分割。最后根据映射原理，原图像中的每一个像素点的聚类分割实现原图像空间中的目标分割[11]。均值是最传统的聚类方法，该方法通过随机选取个原始数据点作为初始聚类中心，按剩余点与所有初始聚类中心间的相似度最高进行归并，再计算类均值更新各类的聚类中心，根据相邻两次的聚类中心不变，即评价聚类性能的某个准则函数达到最优时聚类完成[12]。其中，一般选取误差平方和准则函数作为聚类准则函数，即当误差平方和准则函数小于阈值，聚类中心迭代终止。模糊均值是对均值聚类算法在模糊数学基础上的柔性模糊划分，通过最优化一个模糊目标函数实现聚类，它不同于均值聚类认为每个点只能属于某一类的硬分类过程，而是以隶属度来标定每个数据点属于某个类的程度[13]。采用隶属度可以更好地标定类边缘点从属，这种针对不确定性的客观描述，更加符合图像分割中边缘像素点模糊性的描述目标。对于聚类准则函数，一般选取类内加权误差平方和的极小值。

2 本文所提方法

本文所提方法先按最小距离原则将信息点分配到最邻近的聚类中心，再通过平均连接代价和-距离邻域的平均连接代价，计算出信息点的密度相似因子，完成噪声的滤除和特征空间的分割，算法描述如下。

输入：信息点集dat＝[]，分割域数目，加权指数，阈值，以及任意正整数。

输出：目标分割域的信息点集[]。

步骤1：采用随机数初始化隶属度矩阵＝[]，取＝0，其中，Î[0,1]是第个分割域中信息点集的隶属度。

步骤2：计算各分割域的聚类中心v：

式中：是特征空间信息点集的样本数。

步骤3：更新隶属度矩阵，＝＋1：

式中：d＝(x－v)T(x－v)表示特征空间信息点集中样本点x到聚类中心v的欧氏距离。

步骤5：采用最大隶属函数度法，用B表示第个信息点所属的类别，B＝arg{max()}，提取属于目标域类别的特征空间信息点集[]。

步骤6：计算[]中信息点两两之间的欧氏距离并且确定出每个信息点的-距离邻域N()[14]。

步骤7：计算[]中所有信息点的-密度（kden）：

步骤8：构建[]中所有对象的密度相似序列（SDS）：

SDS()＝{,1,2,…,c} (4)

式中：cÎN()；＝1,2,…,；是N()中对象的个数且满足：c是{c,…,c}中对于{,1,…,－1}的密度相似近邻。

此步骤是一个反复计算的过程，SDS()的初始值是{}。在每次计算时，算法不断从N()剩下对象中找到对于SDS()的密度相似近邻，并把找出的对象加到SDS()中去。如果找到的对象不只一个，则根据事先排好的对象顺序将前者加到SDS()中去。在每次计算完毕后，更新SDS()信息后再进行下一次计算。当N()中所有对象都被陆续加入到SDS()后，该步骤结束。此时，对象的密度相似序列构建完毕。采用同样的方法，可以完成对[]中所有对象的密度相似序列的构建。

步骤9：基于密度相似序列，计算[]中所有对象的平均连接代价（ASC）：

步骤10：计算[]中所有信息点的密度相似因子（DSF）：

步骤11：[]中密度相似因子DSF高于1的信息点被认为是噪声并对其滤除，剩余的即为目标分割域的信息点集[]并输出。

将输出的信息点集[]映射回原图像空间，即实现了原图像目标域的分割。

3 实验与分析

为验证本文所提方法的分割效果和抗噪性，将本文所提方法与均值、模糊均值聚类分割法进行两组分割对比实验。3种方法均对原始电力设备红外图像分别进行R、G、B三通道光照不均匀性校正；将RGB空间转换成Lab空间，并构造由像素的归一化横、纵坐标以及L、a、b三色值共5个参数组成的特征空间信息点集dat矩阵。以原始图像的手动目标域分割图作为黄金标准分割图，采用常用的Jaccard相似度（JS）和Dice相似系数（DSC）作为分割效果的定量评价量度，具体公式如下，其中JS和DSC越接近1表明分割效果越好：

式中：g是原始图像手动分割后金标准分割图的目标域的面积；m是算法分割后的目标域面积；(×)是区域内像素点的数目。

电力设备的红外图像分割的目的是提取图像中的电力设备，即属于二分割问题，故3种聚类分割域数目均取2。此外，迭代终止阈值取默认值＝1.0－5，模糊均值及本文所提方法中加权指数均取2，且取10[15]。图1是采用FLIR T630红外热像仪获取的电力系统中绝缘子的红外原始图像，也是本文的实验对象，对其手动分割后的图像作为金标准分割图，如图2所示。

图1 绝缘子红外原始图

图2 黄金标准分割图

实验一：对图1进行分割对比实验，相应的结果如图3所示。比较图3中不同方法的分割效果图和图2金标准分割图，可以看出均值分割法将绝缘子中上区域白点错分成背景黑点最多，而模糊均值分割法以及本文所提方法对于绝缘子中上区域白点错分成背景黑点的情况不明显，两者分割效果类似，其他区域3种方法分割效果类似。结果表明本文所提方法和模糊均值分割法的效果均优于均值分割法，且与模糊均值分割法的效果接近。表1列出了通过JS及DSC对3种分割方法的定量评价结果，虽然本文所提方法的JS值和模糊均值分割方法的一样，但DSC值更接近1，所以本文所提方法的分割效果最好。

图3 不同方法分割效果图

表1 分割效果定量评价结果

实验二：对绝缘子红外原始图添加0.001椒盐噪声后进行分割对比实验，添加噪声后的图像如图4所示。对图4进行分割对比实验，相应的结果如图5所示。通过比较图5不同方法的分割效果图和图2金标准分割图，可以直观看出均值分割法将绝缘子中上区域白点错分成背景黑点最多，将部分背景左区域噪声黑点错分成绝缘子白点，滤除了部分添加的噪声；模糊均值分割法将背景区域噪声黑点错分成绝缘子白点最多，几乎没有滤除添加的噪声；而本文所提方法没有前两种方法存在的明显错分现象，几乎滤除了所有添加的噪声。表2列出了通过JS及DSC对3种分割方法的定量评价结果，本文所提方法的JS值和DSC值更接近1，相比于模糊均值分割法的JS值和DSC值提升程度均约为0.001，所以本文所提方法对于添加噪声后的图像分割效果最好。

图4 绝缘子红外原始图添加0.001椒盐噪声后图像

图5 添加噪声后的不同方法分割效果图

综上所述，本文所提方法可以较好地完成电力设备红外图像分割，具有一定的噪声滤除能力，表现出强的抗噪性，分割效果得到改善。

表2 添加噪声后分割效果定量评价结果

4 结论

本文提出一种基于密度相似因子的电力设备红外图像分割方法，主要是先按最小距离原则将信息点分配到最邻近的聚类中心，然后利用密度相似因子对信息点进行评估从而完成噪声滤除，最终将保留的信息点集映射回原图像空间，即可完成图像目标域的分割。通过对实际绝缘子红外图像的分割实验验证，本文所提方法的分割效果较好，具有一定的噪声滤除能力，抗噪性强。

[1] 戴文远. 基于红外热图像的故障诊断方法综述[J]. 红外, 2013, 34(2): 16-21.

DAI Wenyuan. Review of fault diagnosis methods based on infrared thermal images[J]., 2013, 34(2): 16-21.

[2] 王启银, 薛建东, 任新辉.一种自适应的变电站设备红外图像分割方法[J]. 红外技术, 2016, 38(9): 770-773.

WANG Qiyin, XUE Jiandong, REN Xinhui. An adaptive segmentation method of substation equipment infrared image[J]., 2016, 38(9): 770-773.

[3] Jaffery Z A, Dubey A K. Design of early fault detection technique for electrical assets using infrared thermograms[J]., 2014, 63(12): 753-759.

[4] LI Z, YANG J, LIU G, et al. Unsupervised range-constrained thresholding[J]., 2011, 32(2): 392-402.

[5] CANN Y J. A computational approach to edge detection[J]., 1986, 8(6): 679-98.

[6] XIA Q, CHEN Y K, ZHANG Z X, et al. Edge extraction algorithm of infrared thermal image based on Laplace operator and gray theory[J]., 2014, 36(5): 377-376.

[7] Adams R, Bischof L. Seeded region growing[J]., 1994, 16(6): 641-647.

[8] 林敏, 陈建新, 陈哲亮. 基于边缘检测与分裂合并的图像分割算法[J]. 电子技术应用, 2011, 37(7): 130-133.

LIN Min, CHEN Jianxin, CHEN Zheliang. An image segmentation algorithm based on edge detection and split-merge[J]., 2011, 37(7): 130-133.

[9] 高晶, 蔡幸福, 刘志强, 等.基于区域生长的目标检测方法[J]. 北京工业大学学报, 2016, 42(6): 856-861.

GAO Jing, CAI Xingfu, LIU Zhiqiang. Method of target detection based on region growing[J]., 2016, 42(6): 856-861.

[10] 魏英姿, 李静静. 红外图像分割的改进模糊C均值聚类方法[J]. 计算机工程与应用, 2014, 50(9): 163-166.

WEI Yingzi, LI Jingjing. Enhanced fuzzy C-Means clustering method for infrared image segmentation[J]., 2014, 50(9): 163-166.

[11] TAN Pangning, Steinbach M, Kumar V.[M]. USA: Addison Wesley Higher Education, 2006: 504-506.

[12] CHEN S, YANG X, TIAN Y. Discriminative hierarchical k-means tree for large-scale image classification[J]., 2014, 26(9): 2200-2205.

[13] LINK P. A novel evolutionary kernel intuitionistic fuzzy c-means clustering algorithm[J]., 2014, 22(5) : 1074-1087.

[14] CAO H, MA R, REN H, et al. Data-defect inspection with kernel-neighbor-density-change outlier factor[J]., 2016, PP(99): 1-14.

[15] Pal N R, Bezdek J C. On cluster validity for the fuzzy c-means model[J]., 1995, 3(3): 370-379.

A Density-similarity-factor-based Segmentation Method for Infrared Images of Electric Equipment

YU Bin，WAN Yanzhen，CHEN Sichao，WENG Liguo

(,311200,)

A density-similarity-factor-based segmentation method is proposed to solve the problem that power equipment cannot be distinguished effectively from noise and edge blur in infrared images by traditional image segmentation methods. First, the illumination non-uniformity of the R, G, and B channels of the original infrared images of the power equipment is corrected. Then, the R, G, and B are converted to lab color space, and the information point set of the feature space of the segmentation image is constructed. The information points are distributed to the nearest cluster center according to the principle of minimum distances. The density similarity factor of the information point is calculated from both the average connection cost, and the average connection cost of-distance neighbors that is adopted to remove the noise points. The experimental results show that the proposed method eliminates the noise points and improves the effectiveness of segmentation in comparison with the traditional clustering algorithms that use K-means and fuzzy c-means.

fault diagnosis，segmentation of infrared images，density-similarity-factor

TP391.4

A

1001-8891(2017)12-1139-05

2017-02-21；

2017-09-27.

余彬（1987-），男，本科，工程师，主要研究领域为视频处理、信息安全。E-mail：silinyb@hotmail.com。