基于FSLIC的自适应绝缘子图像分割方法

崔 峥，王俊元

(中北大学机械工程学院,山西 太原 030051)

近年来，输电线路朝着高电压、大功率、长距离的方向发展[1]。绝缘子是一种特殊的绝缘控件，在架空输电线路中起到增加爬电距离的作用，然而其面临的自然破坏和老化问题，严重制约着电网运行的安全性和系统的稳定性。因此，为了加强输电线路的全过程管理，定期进行绝缘子状态巡检尤为重要。传统的输电线路检测方式为人工检查，该方式效率低下，且危险性高，随着机器视觉及无人机技术的发展，基于无人机平台的绝缘子巡检逐渐成为一种趋势。然而输电线路中的绝缘子大多处于复杂背景之下，其伪目标众多，颜色信息丰富，导致将绝缘子[2]从复杂的无人机航拍图像中分割出来具有很大难度，因此寻求一种通用且高效的分割方法是当下研究的重点。

针对无人机航拍图像中绝缘子的分割问题，马帅营等[3]首先利用绝缘子的色度和饱和度信息寻找图像中蓝色绝缘子的大致位置，然后使用最大类间方差法(OTSU)对绝缘子进行分割，该方法在绝缘子分割上已经取得了一定的成果，然而该方法没有考虑图像中像素的空间位置，在低分辨率且包含噪声的无人机航拍图像中不能实现绝缘子部件的有效分割。姜浩然等[4]利用绝缘子在航拍图像中的灰度信息，用阈值对绝缘子进行分割，但是该方法在背景灰度级与绝缘子灰度级接近时分割效果不佳。严凯等[5]提出一种基于灰度阈值分割绝缘子的方法，根据阈值的不同，将图像分为前景与背景，大于阈值的为前景图像，小于阈值的为背景图像。该方法在阈值合理时可以较好地分割绝缘子，不足之处在于阈值无法自适应，若阈值选择不合适，则无法得到可靠的分割结果。

本文针对无人机航拍图像中绝缘子的分割问题[6]，提出一种基于FSLIC的自适应绝缘子图像分割方法。该方法能够较好地实现无人机航拍图像中绝缘子的分割。

1 改进的简单线性迭代(SLIC)算法

1.1 SLIC算法

超像素[7]分割是以图像中的某个特征为标准将原始图像划分成不同子区域的一种方法。超像素分割在减少图像冗余信息和图像复杂度中有着广泛的应用。无人机拍摄的绝缘子图像，其背景和目标区域均存在大量相似特征，为了减少后续的计算量，引入超像素分割方法对航拍图像进行预处理。SLIC算法[8]是基于像素间颜色距离和空间距离的一种超像素聚类分割方法，得到的超像素尺寸均匀，边缘信息保持较好。但由于传统SLIC算法中超像素数目是人为设定，缺乏自适应性，若图像中超像素数目过多，会增加计算量，造成后续聚类时间过长；若图像中超像素数目过少，不足以将目标与背景分开，会导致超像素紧凑性差。针对上述问题，本文在SLIC算法的基础上，提出一种FSLIC超像素分割方法。该方法能够自适应确定超像素数目，以此来辅助航拍图像绝缘子的分割。

1.2 基于FOA的FSLIC超像素方法

为了减少人为设定超像素数目时会夹杂本身的主观认识和经验判断，造成时间周期变长，本文使用果蝇优化算法对超像素数目K进行迭代选取。流程如图1所示。

图1 果蝇优化算法流程

果蝇优化算法能够自适应迭代确定超像素数目K值，但是也容易陷入局部最优解。针对这个问题，引入人工免疫算法(AIA)操作环节中的免疫因子，对果蝇优化算法的内部进行演化，以个体浓度参数为迭代目标函数，最大限度保证个体全面选择。人工免疫算法步骤如图2所示。

人工免疫果蝇优化算法(IFOA)在迭代选取过程中不断计算果蝇个体与原点之间的位置及味道浓度值，以此来选取最优的果蝇个体位置，其输出结果即为超像素数目K的值。

超像素数目K值确定后，以K值为初始值生成超像素，生成超像素的步骤如下：

图2 人工免疫算法步骤

步骤2，确认距离度量d。其中包括颜色距离和空间距离。计算每个像素点和聚类点间的颜色距离dlab和空间距离dxy，公式如下：

(1)

(2)

(3)

式中：li,lj,ai,aj,bi,bj为图像在LAB颜色空间中的分量；i,j为像素点；(xi,yi),(xj,yj)为像素点i,j的坐标；Ns为类间最大空间距离；m为平衡参数。

步骤3，提高运算速度。在聚类中心点2S×2S的区域内寻找相似的像素点执行聚类操作，将周围相似的像素分配在与其最近的聚类中。

步骤4，结束迭代。当所有像素聚集到与它最接近的聚类后，使用区域内所有像素的五维特征向量均值(l,a,b,x,y)替换原先聚类点的五维特征向量以完成聚类。

图3(a)为原图像，图3(b)为使用FSLIC算法生成的超像素。从图3可看出，通过FSLIC生成的超像素边缘与绝缘子边缘契合程度较高，且生成的超像素均匀、紧凑，较好地实现了绝缘子预分割。

2 基于超像素区域的特征提取

对航拍图像进行超像素预分割后，可以看出原始图像被分割成一个个大小相似的小区域，绝缘子区域被不同的超像素区域所划分，如何将绝缘子区域从分割后的航拍图像中提取出来[9]是本文下一步要做的工作。

图3 FSLIC超像素处理结果

对生成的超像素区域进行特征提取，使用单一特征来表征绝缘子区域，在复杂背景下，单一特征[10]无法准确地表征绝缘子区域，因此很难较好地去除背景的全部干扰。针对上述问题，本文提出一种融合多种特征表征绝缘子的方法，分别提取超像素区域内的颜色、纹理和形状特征来表征绝缘子，实现在复杂背景中绝缘子的分割提取。

2.1 颜色特征

图像中绝缘体的颜色特征为最容易区分的特征之一，同时也是最直观的。本文先提取超像素区域中的颜色特征，将其作为绝缘子的一类表征。

第一步将原始图像从RGB转换到LAB颜色空间，分量l，a，b计算公式如下：

(4)

式中：R,G,B分别为图像中红色、绿色、蓝色的强度。

由式(4)完成空间转换后，超像素区域的颜色特征用以下公式进行计算得到：

(5)

(6)

(7)

2.2 纹理特征

灰度共生矩阵是常用于描述图像纹理信息[11]的统计方法。灰度共生矩阵可以提取14种纹理特征，但特征值越多，则会增加计算复杂度，导致特征提取时间加长。其中，角二阶矩(ASM)、对比度(CON)、相关性(COR)、熵(ENT)这4种特征[12]的分类精度高且互不相关，可有效避免特征冗余，减少计算量。因此本文选用这4种特征作为图像纹理特征的表征来减少计算量。

2.3 形状特征

绝缘子在输电线路中，与铁塔、防震锤等不同部件有着明显的形状差异。故为了进一步提高分割精度，本文提取超像素区域内的形状特征作为第三类表征。

傅里叶描述子[13]具有同类形状的傅里叶系数相似度高、不同类形状的傅里叶系数相似度低的特性。因此本文利用傅里叶描述子对超像素区域进行形状特征提取。傅里叶描述项(FFk)的定义如下：

(8)

式(8)的分子为低频部分，分母为高频部分，若绝缘子边界形状越复杂或越粗糙，则表现为高频部分的值越大，FFk值将越小。

2.4 特征融合

在使用多种图像特征[14]进行分割时，需要考虑怎样将多种特征融合来进行表征。常见的方法是直接连接所有单独特征的特征向量以形成统一特征向量。本文使用另一种方法，首先计算特征相似度，然后通过权重系数对相似度进行整合处理。

假设绝缘子图像中两个超像素区域分别为R1和R2，用式(9)计算其两个区域的综合相似度矩阵SR，完成特征向量的融合。

(9)

式中：fv(a),ft(a)分别为第v,t个区域的颜色与纹理特征;‖fv(a)-ft(a)‖为欧氏距离；fv(b),ft(b)分别为第v,t个区域的形状特征。

3 基于复杂网络的超像素区域聚类

复杂网络社区[15]是一种谱聚类算法，传统聚类方法是基于单个像素的，因此算法运算时间过长，对于航拍图像处理效率低下。针对上述问题，本文将超像素引入到复杂网络社区中，缩减了聚类数量，加快了聚类效率。首先使用FSLIC算法对原始图像进行预分割；其次对超像素区域进行特征提取；最后以每个超像素为节点，计算每个超像素区域的3种特征向量并融合成为一维特征向量，通过此特征向量计算两两超像素之间的相似度并组成相似度矩阵SR。以SR作为复杂网络社区的输入，通过复杂网络社区聚类的方法，将图像划分成n个社区。最后运用Girvan等[16]提出的指标质量函数(模块度Q和相对模块度ΔQ)来评价网络社区划分的合理性。模块度Q和相对模块度ΔQ的计算公式如下：

(10)

式中：eii,eij,eji为社区间边的权值；ai,aj为社区内边的权值。

复杂网络社区检测的流程图如图4所示。

图4 复杂网络社区检测流程图

如图5所示，原始图像被划分为10个社区，每个社区内部连接非常紧密，而社区间的连接则比较稀疏。其中，绝缘子被单独划分为一个社区。选取只含有绝缘子的社区所对应的图像，从而完成航拍图像绝缘子的分割提取。

图5 复杂网络社区聚类结果

4 基于FSLIC的自适应绝缘子图像分割方法

FSLIC方法使用免疫果蝇优化寻优算法确定超像素数目K，消除人工选择K值造成的误差。首先利用SLIC算法处理航拍原始图像并生成超像素，接着对超像素区域内的颜色特征、纹理特征、形状特征进行提取，并将其特征向量融合成一维特征向量，计算出超像素区域之间的相似度矩阵，将相似度矩阵输入到复杂网络社区完成聚类，选取只含有绝缘子区域社区的图像，完成图像分割。本文方法流程图如图6所示。

图6 基于FSLIC的自适应绝缘子图像分割算法流程

5 实验结果与分析

使用传统图像分割方法如最大类间方差法(OTSU)、单颜色特征分割方法、K-means聚类法、基于区域的分裂合并方法与本文提出的分割方法进行比较分析。

为了客观地评价分割结果，用分割结果的综合质量Y[17]对算法分割结果进行评估。算法公式为：

(11)

式中：PRI为分割结果与人工分割结果图像之间的边缘契合度；VOI为图像信息变化程度；GC为图像全局一致性。

图7为使用本文提出的分割方法与传统分割方法对绝缘子图像进行分割后的效果比较。

由图7可以看出，最大类间方差法(OTSU)能将绝缘子边缘大致分割出来，但输电线和其他伪目标并不能有效去除。由于每个超像素区域中包含了多个特征，只选用单特征进行分割会花费较长时间而且效果不理想。单颜色特征分割方法，虽然能有效去除大部分背景，但高亮铁塔不能完全去除且绝缘子边缘保留不完整。K-means聚类法是以欧氏距离作为相似度测度，虽然能有效去除与绝缘子相连的输电线与大部分背景，但对于高亮铁塔不能去除。基于区域的分裂合并方法虽然能有效分割出绝缘子，但对于绝缘子边缘分割不准确且相连的输电线不能去除。本文方法通过FSLIC生成超像素后，提取超像素区域内颜色、纹理、形状3种特征值，通过特征融合并利用复杂网络社区进行聚类，可实现在背景复杂、颜色信息丰富和伪目标众多的情况下都能将绝缘子聚类到同一个社区中，而且由表1可知分割得到的图像综合质量达到了0.67。由图7(f)可直观看到本文算法对高亮铁塔和输电线可实现有效去除，保留只含有绝缘子的部分。

图7 算法结果

表1 综合质量评价结果

6 结论

本文针对复杂背景下无人机航拍图像中绝缘子的分割问题，提出一种针对航拍绝缘子的新型图像分割方法。首先提出了一种自适应确定K值的FSLIC方法，消除人工选择SLIC的K值造成的误差，并通过复杂网络社区聚类方法得到分割后的绝缘子图像。通过本文研究得到如下结论：

1)SLIC算法中的K值会影响超像素与目标边缘的契合度，K值太小契合度低，K值太大计算复杂，通过免疫果蝇优化算法可以实现K值的自适应选择。

2)面对绝缘子图像复杂的背景，传统分割方法如最大类间方差法、单颜色分割法等无法有效消除背景，准确提取绝缘子。

3)本文所提方法具有更高的分割精度，有效地去除了高亮铁塔与输电线，保留只含有绝缘子的部分。与现有的一些盘状绝缘子图像分割算法相比，该方法受伪目标和复杂背景的影响较小，分割图像的总体质量比传统分割方法提高了0.08以上。