基于植被指数的绝缘子表面藻类检测及表征方法的研究

谭洁莹，肖微，欧阳小刚，张福增，韦晓星，贾志东

（1.清华大学深圳国际研究生院，深圳 518055； 2.南方电网科学研究院，广州 510633；3.中国南方电网有限责任公司超高压输电公司检修试验中心，广州 510633）

引言

绝缘子在运行中会积累各种污秽，污秽成分因绝缘子的运行环境而有差异。在一些温暖湿润地区，绝缘子上不仅积累了NH4+、Ca2+、SO42-、Cl-等无机污秽和糖类等有机污秽[1]，还会积累以藻类、真菌、细菌为主的生物污秽[2]。学者在斯里兰卡、坦桑尼亚、巴布亚新几内亚和美国的线路绝缘子上均发现了绿藻污秽，在中国四川、云南昭通、广西梧州和广东广州等地也有较严重的绿藻生长现象[3-5]。藻细胞本身的固水特点和其分泌的亲水性物质会影响绝缘子的电气性能[6]。国内外学者研究发现绝缘子被藻类覆盖区域的憎水性下降到HC5-HC6，绝缘子污闪电压降低[3]，且藻类对绝缘子污闪特性的影响与其覆盖程度有关。

藻细胞密度是衡量藻类生物量的重要指标，可通过细胞计数法直接测量[7]，也可以通过分光光度法和叶绿素荧光法测定叶绿素a浓度值来间接判断[8]，但这些方法一般用于测量藻液中藻细胞生物量，难以直接检测绝缘子表面藻类的生长程度。

基于数字图像处理技术对绝缘子表面的藻类生长区域和其他区域进行划分，可以对绝缘子表面藻类的生长程度进行检测[9]。植被指数是通过增加植被和土壤背景在可见光、近红外光波段下反射光谱的差异来区分植被与其所在背景的指标。在可见光波段下，绿色植被的绿色通道反射率高，红、蓝通道反射率低，而土壤背景则无明显的反射光特性[10]。据此，学者们构建了超绿指数（Excess green index, ExG）[11]、动态阈值超绿指数（Dynamic threshold excess green index, DEXG）、过绿减过红指数（Excess green minus excess red index, ExGR）[12]、Hague植被指数（Hague vegetation index, HVI）[13]、可见光波段差异植被指数（Visible-band difference vegetation index，VDVI）[14]、植被提取颜色指数（color index of vegetation extraction, CIVE）[15]、 归 一 化 差 异 指 数（Normalized Difference Vegetation Index，NDVI）[16]等多种植被指数。受到植被本身和其所在环境的影响，植被指数在图像的分割效果上有差异。

本文将以红色绝缘子表面生长的藻类为研究对象，探究超绿指数、动态阈值超绿指数、Hague植被指数、植被提取颜色指数四种植被指数对绝缘子彩色图像的藻类区域分割效果，通过相对错分率对各种植被指数的识别效果进行判断，筛选出图像分割准确较高的植被指数，并提出优化的绝缘子表面藻类检测及表征方法。

1 图像获取与研究方法

1.1 绝缘子图像的获取

本文选取4个已退运的表面可见明显藻类的绝缘子样品进行图像分割试验，包含1个喷涂RTV涂料的悬式绝缘子、2个喷涂RTV涂料的支柱绝缘子和1个复合绝缘子，分别编号A～D。首先用数码相机对样品拍照。由于相片拍摄的图像与色温有关，在不同的照明光线下拍摄的图像呈现的颜色有色差，从而对基于RGB颜色的图像分割效果有影响，因此，本文在拍摄前先将相机在光照条件下预设白平衡，通过调整电荷耦合放大电路的放大倍率将白色物品准确呈现白色，以此还原拍摄物体色彩。

预设白平衡后拍摄的绝缘子彩色图像如图1所示。其中，（a）为喷涂RTV的悬式绝缘子，积灰较严重，藻类区域颜色较深；（b）为喷涂RTV的支柱绝缘子，长藻区域相对较少，藻的颜色呈现明显绿色；（c）为喷涂RTV的支柱绝缘子，藻类生长情况较严重；（d）为复合绝缘子，表面存在明显成片的藻类。

1.2 图像的预处理

原始绝缘子图像的预处理包含对目标图像的提取、图像的裁剪和滤波处理。由于数码相机拍摄的图像有虚化背景的效果，从图1可看出，拍摄的绝缘子正面是清晰的，而背面有不同程度的虚化，因此在每支绝缘子图片上选取一片伞裙的正面目标进行图像分割，首先提取分割目标，以图中白色胶带为划分标准，将其余背景设置成黑色，并通过裁剪使绝缘子像素尺寸为合适大小，得到如图2所示的绝缘子分割目标彩色图像。

图1 原始的绝缘子彩色图像

为了去除图像中的噪声信号，采用滤波器对图像滤波。高斯低通滤波是一种线性平滑滤波，是对整幅图像加权平均的过程，其传递函数为[17]：

式中：

D(u,v)—距傅里叶变换的距离，滤波器模板尺寸为7×7，标准差σ =0.5。

在本文中，高斯低通滤波器应用于超绿指数、动态阈值超绿指数、Hague植被指数算法的图像预处理上。

均值漂移算法是沿密度梯度上升的方向寻找目标位置的统计迭代算法，在本文中应用于植被颜色提取指数算法的图像预处理上。采用高斯核函数，在欧式空间中均值漂移迭代公式为[18]：

式中：

（a, b, c）、（ai, bi, ci）—被平滑点、各采样点的行坐标、列坐标、植被指数；

hs、hr—空域带宽、值域带宽；

w(xi)—采样点权重，设定为1。

采用固定的空域带宽hs，取hs=5。值域带宽参数hr通过渐进积分均方差法计算，公式为：

式中：

p—图像的维数，本文中采用的彩色图像p=3；

n—图像的像素点总个数；

σ—植被指数的标准差。

计算公式为：

式中：

ci—像素点的植被颜色指数；

图2 绝缘子分割目标彩色图像

1.3 基于植被指数的图像分割方法

1.3.1 超绿指数

绝缘子上生长的藻类一般呈现绿色，受到积累的其他污秽的影响，颜色较生长的绿色农作物暗。超绿指数是提取图像中绿色目标的常用算法，通过R、G、B分量的线性组合，增加了绿色目标和背景的差异，弱化阴影和土壤图像，突显绿色作物部分，对绿色植被有较好的识别效果。超绿指数的计算公式为：

式中：

R、G、B—彩色图像的红、绿、蓝通道。

根据超绿指数分割植被和背景，需要一个分割阈值T1。当EXG＞T1时，可以判断为绿色植被，否则判断为背景。一般取T1=0。

1.3.2 动态阈值超绿指数

超绿指数的分割阈值为确定值，不随图像的亮度、色彩而改变。动态阈值超绿指数在超绿指数的基础上构建，采用根据图像的超绿指数最大值和平均值而改变的动态阈值。动态阈值超绿指数的计算公式为：

通过动态阈值超绿指数的计算，生成灰度图像，使藻类更加突出。采用动态阈值T2划分绝缘子表面含藻区域和不含藻区域，计算公式为[19]：

式中：

DEXGmax—动态阈值超绿指数最大值；

DEXGav—动态阈值超绿指数平均值。

f —调整系数，取值范围为-0.5～0.5，在本文中取f=0.05。

1.3.3 Hague植被指数

Hague植被指数通过对彩色图像R、G、B分量的非线性组合，增加了绿色植物和背景图像之间的对比效果，弱化了图像在分割效果上受到拍照光线亮度和光源色温的影响。因此，HVI指数能广泛应用于在自然光条件下拍摄的图像，计算公式为[13]：

式中：

a—特征值为常数，取决于数码相机三个颜色通道滤波片的中心波长，在本文中取a=0.667。

将HVI值与设定阈值T3对比，转换成二值图像，从而实现绝缘子上藻类区域和非藻类区域的分割。分割阈值T3不变，数值在1左右。本文通过试验，发现当T3=0.96时，图像的分割效果最好。

1.3.4 植被提取颜色指数

植被提取颜色指数CIVE是彩色图像三个颜色通道的线性组合，其组合系数由Kataoka T等[15]通过主成分分析法增强图像中的绿色信息而得到。CIVE的计算公式为：

将均值漂移算法滤波后得到的灰度图像转化成二值图像进行分割。分割公式为：

式中：

CIVE′—经滤波处理后的植被提取指数。

分割阈值T4由大律法（Otsu）获得，即通过遍历使类间方差g最大，从而使前景和背景的差异最大，错分概率最小。直接应用大律法计算量较大，采用等价类间方差的计算公式为[20]：

式中：

w0—藻类区域覆盖率；

w1—为非藻类区域覆盖率；

c0—藻类区域平均植被提取指数；

c1—非藻类区域平均植被提取指数。

2 结果与分析

分别以超绿指数（EXG）、动态阈值超绿指数（DEXG）、Hague植被指数（HVI）、植被提取颜色指数（CIVE）为基础对绝缘子彩色图像进行藻类区域分割，对图像的各个像素点逐一判断，划分为有藻像素点和无藻像素点。由于藻类一般成片生长，其生长面远远大于图像的单个像素点，因此图像中的孤立小点可认为是在藻类区域判断时的误差。开运算是对图像先腐蚀后膨胀的滤波器，能去除图像的孤立小点、毛刺。本文在输出图像前先对图像进行开运算处理，再提取原始图像有藻类生长的区域。

由于原始绝缘子表面积污严重，藻类生长区域颜色偏深，为了更清楚地比较各个植被指数对藻类区域分割效果，将背景颜色设置为白色，将藻类区域颜色设置为绿色，得到分割效果图见图3。可以看出，四种植被指数对绝缘子表面生长的藻类识别效果不同，EXG和HVI对藻类的识别和分割效果相近，DEXG识别出来的藻类生长区域较少，CIVE识别出来的藻类生长区域较多。

以绝缘子B为例，其原始图像和采用不同植被指数分割后的彩色掩码图对比如图4所示。

可以看出，经EXG、DEXG和HVI植被指数处理后的掩码图基本不含绝缘子表面的红色，而CIVE处理的掩码图依然存在大量的绝缘子表面红色背景，即CIVE存在过度识别的问题，将不含藻的绝缘子表面区域识别成藻类生长区域，其部分过度识别区域在图4(e)中以圈标出。对照原图，发现DEXG处理的掩码图缺少部分绿色藻类区域，即存在藻类漏识别的问题，部分漏识别区域在图4(c)中以圈标出。EXG和HVI处理的掩码图未发现明显的过度识别问题，基本能还原原始图像中藻类生长的绿色区域，识别效果较好。

图3 图像分割效果图

为了能更直观地表征绝缘子表面藻类的覆盖程度，并对比各个植被指数的分割效果，本文采用了表面覆盖率来描述。表面覆盖率的计算公式如下：

式中：

Ncover—通过植被指数及阈值判断出来的藻类覆盖像素总数；

Nall—绝缘子图像的像素总数，此处的像素总数仅以绝缘子作为背景，即图4(b)中非黑色区域。

基于不同植被指数的图像分割方法计算出的藻类覆盖率如图5所示。从藻类覆盖率计算结果可知，CIVE算法计算的藻类覆盖率普遍偏高， DEXG算法计算的藻类覆盖率普遍偏低，不适用于绝缘子表面的藻类识别。四张图像基于EXG和HVI算法的图像分割效果接近，且与原图对应性较好，可以用来对绝缘子表面藻类进行检测。

由于藻类生长区域不规则性较大，难以给出绝对正确的图像分割效果。本文针对EXG和HVI两种藻类识别准确度较高的算法，采用相对错分率对其分割效果进行评价。EXG和HVI的相对错分率的计算公式分别为：

式中：

AEXG(i,j)、AHVI(i,j)—EXG算法和HVI算法识别为有藻类的像素点；

i、j—像素点的行坐标、列坐标；

AEXG(i,j)∩AHVI(i,j)—同时被两种算法识别为有藻类的像素点；

m、n—图像像素的总行数和总列数。

本文分别采用EXG算法和HVI算法对60个绝缘子图像进行藻类区域图像分割，计算其相对错分率，结果如图6所示。EXG算法和HVI算法的相对错分率平均值分别为3.7 %和5.5 %，最大值分别为16.2 %和15.3 %，可见相对错分率较小，两种算法识别效果较准确。

3 图像分割方法优化

基于EXG和HVI植被指数的绝缘子表面藻类区域分割方法能较准确识别出绝缘子表面藻类的生长区域，但两种算法的识别效果仍有差异。为了提高图像分割精度，本节提出使用EXG与HVI植被指数相结合的算法进行图像分割方法的优化，计算公式如下：

式中：

a=0.667；

t1、t2—EXG指数和HVI指数的分割阈值。经试验，t1=0，t2=0.96，EXG和HVI分别对图像的分割效果较好，此优化的分割方法结合EXG和HVI算法，分割阈值不变。

利用优化算法对四张典型的绝缘子图像进行分割，分割图像如图7所示，其藻类覆盖率计算结果分别为42.09 %、15.31 %、66.75 %、40.01 %。对比原始图像和优化分割算法的分割效果图可知，优化算法进一步提高了绝缘子表面藻类的检测准确性。

4 结论

RGB植被指数能通过对红、蓝、绿通道数值的组合计算，区分彩色图像中绿色植被和背景。对于表面有藻类生长的绝缘子彩色图像，本文研究了EXG、DEXG、HVI、CIVE四种植被指数对藻类与绝缘子背景的分割效果，并提出一种针对绝缘子表面藻类图像分割的优化算法，主要结论如下：

图4 原始图像与图像分割效果对比

图5 不同分割方法的藻类覆盖率计算结果

图6 EXG与HVI的相对错分率

图7 优化算法图像分割效果

1）绝缘子表面藻类检测和表征的步骤包括：绝缘子照片的拍摄、图像预处理、植被指数的计算和图像分割、绝缘子表面藻类覆盖率的计算。

2）EXG和HVI指数能较准确地分割表面藻类生长区域与绝缘子背景，且分割效果接近，相对错分率较小；DEXG算法存在藻类区域识别不足的问题，将藻类错误划分为绝缘子背景的概率较大；CIVE算法存在藻类区域识别过度的问题，将颜色较深的绝缘子背景识别为藻类生长区域。

3）采用EXG和HVI指数相结合的图像分割优化算法能提高绝缘子表面藻类检测的精度。

4）利用图像分割技术完成藻类区域与背景划分，计算藻类覆盖率，可用来表征藻类的生长程度，藻类覆盖率越大，绝缘子表面藻类生长现象越严重。