基于GLCM和LBP的局部放电灰度图像特征提取*

2017-12-20赵磊朱永利贾亚飞张宁郭小红袁亮

电测与仪表 2017年1期

赵磊，朱永利，贾亚飞，张宁，郭小红，袁亮

（华北电力大学新能源电力系统国家重点实验室，河北保定 071003）

0 引言

变压器局部放电在线监测既能预警变压器早期故障，判断绝缘缺陷类型，又能评估绝缘状态及严重程度，对于变压器检修具有重要的指导意义，使检修更具针对性。而模式识别是在线监测中的重要环节，有效识别局部放电类型是分析绝缘故障和指导检修作业的前提［1-4］。

局部放电灰度图像用于统计分析中，能直观地展示局部放电的相位、放电量及放电程度特征，因而被广泛用于局部放电特征提取分析。文献［5］采用数学形态学提取局部放电灰度图像的数学形态谱表征灰度图像的粒度、形状，但特征维数为100，不利于模式的快速识别；利用灰度图像矩特征和相关统计特征构成的统计特征［6］、灰度图像分形特征［7-8］以及它们之间的组合特征［9］等提取灰度图像特征方法虽然特征维数低，在一定程度上都描述灰度图像形状及粗糙度特征，但仍存在识别率较低的问题。

纹理特征反映了图像本身的属性，是图像分析的重点，而灰度共生矩阵（gray level co-occurrence matrix，GLCM）和局部二值模式（local binary pattern，LBP）是被广泛应用的纹理特征提取方法［10-11］。GLCM是用来统计灰度图中一定距离的某种灰度值的像素对出现的概率，体现了图像灰度在方向、变化幅值及局部邻域分布的综合信息，具有图像宏观描述特性。LBP以邻域像素的相对灰度为响应，构造图像局部微观特性，具有旋转和灰度不变性［12］。

放电类型不同，其灰度图像纹理特征存在一定的差异。基于上述思想，本文提出采用GLCM和LBP提取灰度图像的宏观结构特征和微观结构特征，并以此构成样本类别特征量，通过支持向量机实现局部放电类型识别。

1 GLCM和LBP原理

1.1 GLCM原理

GLCM定义为在方向θ、距离d上的一对像素灰度值分别为和出现的概率值，则其数学表达式为：

式中x和y为像素点坐标。

一般的，像素点方向θ取 0°、45°、90°和 135°，距离d取1、2、3、4等。以θ取0°、d取1、灰度级取6为例计算图1（a）中灰度图像灰度值矩阵对应的GLCM，得到的GLCM如图1（b）所示。其中，水平方向间距为1，灰度值i=1、j=1出现的概率为22，i=6、j=6出现的概率为3，其余同理。

图1 灰度图像转化为GLCMFig.1 GLCM of grayscale image

由于Haralick提出的基于GLCM的14个特征量存在冗余，不利于模式高效识别。提出采用无相关性的能量、熵、惯性矩和相关性四类特征作为GLCM分析中的特征［13］，该四类特征分别反映了图像灰度分布均匀度和纹理粗细度、纹理复杂度和非均匀度、图像清晰度和纹理深浅、局部灰度相似度［14］。其表达式分别为：

（1）能量：

熵反映的是纹理的复杂度，纹理越复杂即灰度值变化复杂，熵值越大，与能量变化相反。

（3）惯性矩：

能量反映的是纹理的分布均匀度，由图1可以看出当灰度图像越均匀即幅值变化并不频繁时，灰度共生矩阵P中就会出现少量幅值很大的项，此时的能量会越大。

（2）熵：

惯性矩又称对比度，表征图像局部变化量或局部对比，反映纹理深浅。局部灰度差异越大，惯性矩值越大。

（4）相关性：

式中L为灰度级。

相关性衡量的是图像灰度值线性相关度，若灰度值沿某一方向连续，则相关性值高［15］。

1.2 LBP原理

基本的LBP算子定义为在3×3窗口内，以中心像素点灰度值为阈值，将邻域8个像素点灰度值与之比较。若灰度值大于阈值，则该位置置1，否则置0。经阈值处理后的值分别与位置权值对应相乘；最后将8个乘积相加得到该邻域的LBP值，如图2所示。

图2 基本LBP算子Fig.2 Basic LBP operator

由于基本LBP不适应不同尺度的纹理特征，改进后的LBP采用圆形邻域代替正方邻域。常用的LBP18表示半径为1的圆形邻域内含8个像素点的LBP算子。但LBP18会产28生种模式，不利于纹理提取及识别。为此，Ojala提出了统一化模式的LBP算子。统一模式定义为一个局部二值模式至多有两个从0到1或从1到0的转变，模式为统一化58种和非统一化1种共59种，特征维数大大减少，且不会丢失任何信息。但由于基本LBP仅是灰度不变，并非旋转不变，图像旋转后的LBP值不同。Maenpaa提出了旋转不变的统一模式LBP，即通过旋转圆形邻域得到一系列初始LBP值，取最小值作为该邻域的LBP值，使LBP对图像旋转更具鲁棒性。具有旋转不变性的统一模式LBP算子（下文中均简称为LBP）具备灰度不变和旋转不变特性，且特征维数降为10（其中，所有非统一化模式归为1类）［16-17］。

2 局部放电信号采集及灰度图特征提取

2.1 实验接线及信号采集

针对变压器常见的局部放电缺陷类型，选取了四种放电实验模型：板对板放电、电晕放电、多针对板放电以及悬浮放电，如图3所示。图3（a）、图3（c）均在两电极间放置绝缘板压紧，图3（b）在电极上固定一细丝模拟电晕放电，图3（d）在两电极间放置绝缘板并在绝缘板间加入螺母作为悬浮颗粒。

实验采用IEC 60270：2000标准，采用基于脉冲电流法的并联测试电路检测局部放电。高压试验平台型号为TWI5133-10/100am，局部放电综合分析仪为TWPD-2FPD，采样频率为20 MHz，带宽为40～300 kHz［18］，实验接线示意图如图4所示。每种放电模型分别采集1 000个工频周期，随机抽取多组数据构成对应四种样本集。表1为四种放电模型的实验条件。

图3 局部放电模型Fig.3 Partial discharge modes

图4 实验接线示意图Fig.4 Schematic diagram of experimental wiring

表1 放电模型实验条件Tab.1 Experimental condition of partial discharge models

2.2 灰度图像生成

根据背景噪声设定阈值，提取每个样本中的放电脉冲幅值与相位，将其分别划分为180份和360份，构成个小区间，统计每块中的放电次数，然后根据式（6）来计算各像素点灰度值进而构成灰度图像。

式中hi，j为各像素点灰度值；ni，j为每个区间上的放电次数；nmax为所有区间上的最大放电次数。

图5 局部放电灰度图像Fig.5 Grayscale images of PD

四类放电模型的灰度图如图5所示，可看出四种放电模型灰度图差异明显。图5（a）中板对板放电电极对称，灰度图形态基本对称；图5（b）中电晕放电正负半周放电极不对称，放电脉冲几乎等间隔、等幅值；图5（c）中多针对板放电电极不对称，多个尖端放电可能会出现波形叠加，不同于油中针板放电，多针对板放电正半周放电量小而次数少，负半周放电量大而次数多；图5（d）中悬浮放电电极对称，正负半周上的放电相位、放电量以及放电次数几乎完全对称。

2.3 基于GLCM和LBP的灰度图像特征提取

基于GLCM的特征提取步骤如下：首先，由灰度图像计算灰度共生矩阵，并将其归一化；然后计算归一化后的灰度共生矩阵在 θ取 0°、45°、90°和 135°四个方向上距离d取1的能量、熵、惯性矩和相关性；最后，为消除θ的影响并体现灰度值离散程度，分别求取此4类表征量的4个方向上的均值及标准差，构成8维特征量f1～f8，以此作为灰度图像的宏观特征。表2给出了图5中四幅局部放电灰度图基于GLCM的8维特征值。

表2 基于GLCM的特征值Tab.2 Feature value based on GLCM

表2中，电晕放电灰度图能量均值最大、标准差最小说明灰度图纹理均匀、灰度值变化小；熵、惯性矩的均值和标准差最小表明灰度图灰度分布集中、纹理简单、邻域灰度差异小；相关性均值最大、标准差最大表明灰度值沿某一方向延伸较长、灰度值相关性较高；以上特征符合电晕放电相位集中、放电几乎等幅值以及正负半周放电波形极不对称的特征。同样，多针对板放电灰度图的8组特征值说明灰度图像纹理较为均匀、局部灰度差异较小，但分布较为分散、灰度值分布具有一定的方向性，符合多针对板放电形态不对称的特点。而板对板放电和悬浮放电的8组特征值差异较小，均说明了二者灰度图纹理复杂、相邻灰度差别较大、灰度值没有明显的方向延伸，符合两种模型放电以低幅值放电为主的放电幅值不均性以及正负半周放电形态对称的特点。

设基于LBP的10维特征量为f9～f18，构成灰度图像的微观特征。以中心灰度值为响应对图5中的四幅灰度图像进行扫描得到LBP算子，f9～f18则为LBP算子的10维直方统计值，如表3所示，经LBP滤波后的灰度图像如图6所示。

表3 基于LBP的特征参量Tab.3 Feature value based on LBP

由图6可以看出，在经过具有旋转不变特性的统一模式LBP滤波后的局部放电灰度图像在维数为10的同时能够很好地保留原始图像的特征，便于简单有效地进行分类识别。

图6 LBP滤波后的局部放电灰度图Fig.6 Grayscale images after LBP filtering

3 基于支持向量机的局部放电模式识别

针对变压器局部放电数据量少、样本数缺乏等问题，本文采用支持向量机（SVM）作为模式分类器［19-20］，本文采用多分类法中的一对一法，即构造6个二分类器来识别文中的4中局部放电类型，分类器核函数采用分类性能较好的径向基核函数。

3.1 识别步骤

（1）特征量归一化。由于GLCM 8维特征和LBP 10维特征所表达含义不同，数量级不同，各参量间差异很大，故在使用支持向量机分类前进行数据归一化处理，消除量纲影响。

（2）以随机不重复抽取方式，将样本集按2：1方式形成训练集和测试集。

（3）利用SVM对训练集进行训练，将训练后形成的模型对测试集进行测试，得出识别结果。

3.2 实验结果分析及验证

针对灰度图像从宏观和微观两方面进行特征提取，对于每张灰度图像，利用GLCM获取一组8维特征量、利用LBP获取一组10维特征量以及利用GLCM-LBP获取一组18维特征量分别通过SVM进行模式识别。为使实验结果更具可比性、说服力，本文采用文献［6］提出的局部放电灰度图像矩特征和相关统计特征构成的11维灰度图像统计特征量进行SVM模式识别。两种方法的特征提取和模式识别时间如表4所示，识别结果如表5所示。

表4 两种方法特征提取和模式识别时间Tab.4 Feature extraction and pattern recognition time of two algorithms

表5 识别效果Tab.5 Recognition results

由表4可见，本文提出的基于GLCM-LBP的特征提取方法和统计特征方法在整个模式识别过程耗时小于2 s，能够满足快速实时识别要求，而且通过表5可以看基于上述两种方法均能取得不错的识别效果，但前者能够同样在保证低维特征的同时具有更高的识别率，且比单一基于GLCM或LBP的特征更具图像描述能力。由于实验条件及实验模型等关系，悬浮放电随着电压和实验时间增加，可能会出现沿面放电，进而使特征提取参数分散化无法很好地来描述悬浮放电，导致悬浮放电识别率较低；其余三类放电识别率均高于98%。可以看出本文提出的基于灰度图像共生矩阵和局部二值模式提取局部放电灰度图像纹理特征能够有效地对四类局部放电模型进行描述，平均识别率高于95%，结果较为理想。