基于SLⅠC显著性检测及C-V模型的紫外图像分割研究

2022-12-05陈科羽严尔梅杨刘贵陈凤翔徐梁刚

科技创新与应用 2022年34期

陈科羽，严尔梅，杨刘贵，陈凤翔，徐梁刚

（贵州电网有限责任公司输电运行检修分公司，贵阳 550005）

当高压设备出现绝缘腐蚀或老化等问题时，会产生弱放电现象。这将进一步加速设备的绝缘老化或损坏，因此必须对设备放电现象进行及时地检测和处理。高压设备放电会产生人眼无法觉察的紫外波段（波长为200～400 nm），而太阳光线照射到地球的紫外线波长都在280 nm以上，280 nm以下的区间成为日盲区。因此可通过紫外成像仪获取电晕放电时辐射出的240～280 nm波段的紫外光，避免太阳光的干扰。紫外图像分割是紫外图像分析的重要步骤，是对高压设备放电问题进行检测和处理分析的基础和前提。

自图像分割问题出现以后，新方法和新理论不断被提出，图像分割技术在现阶段仍没有一个通用且行之有效的方法。图像分割主要可分为基于阈值的方法，如Otsu算法[1]，基于边缘的方法，如Canny算子和Sobel算子等[2]，基于区域的方法，如区域增长算法[3]等。1988年，主动轮廓模型由Kass等提出，将图像分割问题转化为求解能量泛函最小值的问题，成为研究热点。按照能量泛函构造方式的不同，主动轮廓模型可以分为基于区域和基于边缘2种形式。Chan-Vese（C-V）[4]模型由Chan和Vese于2001年提出，是目前基于区域最流行的模型之一，其能对图形边缘不连续或图像梯度不突出等问题能够产生较好的分割效果。

1 基本原理

1.1 SLⅠC超像素分割

SLⅠC超像素分割[5]是依据像素的空间及颜色相似度将图像分割成超像素块，用CⅠELAB颜色空间和XY坐标下的5维特征向量表示取代原来的RGB颜色空间表示，构造距离度量标准在局部范围内对像素进行聚类。

假设图像尺寸为M×N个像素，首先将图像预分割成K个相同大小的超像素块，分割后每块大小为（M×N）/K。同时为每个超像素块均匀分配种子点作为聚类中心，相邻种子点之间的距离近似为。然后计算种子点n×n（一般取n＝3）邻域内像素点的梯度值，选择邻域内梯度值最小的点作为新的种子点，从而避免种子点落在梯度较大的图像边界上。选择好新的种子点之后，为所有种子点邻域内的像素确定属于哪个聚类中心。SLⅠC所采取的聚类方法可以看作是一个带窗的K-means聚类过程。如图1（a）所示，K-means聚类的搜索范围为图像的整个区域，图1（b）为SLⅠC只在种子点的2S×2S邻域进行聚类搜索，这不仅体现了超像素所要求的局部性，而且大大提高了算法的时间效率。

图1 K-means和SLⅠC聚类过程示意图

确定像素属于哪个聚类中心的方法是对于每个搜索到的像素点，按照构造的距离度量标准分别进行距离度量。距离度量标准为

计算完距离D之后，每一个像素点都会根据构造的距离度量标准更新自己所属的超像素块，将同一超像素块的所有像素点取平均，得到新的聚类中心。按照上述步骤进行迭代直至每个像素点的聚类中心不再发生变化为止。重复上述过程，直到所有点的聚类中心不再变化时停止。

1.2 基于SLⅠC超像素分割的显著性检测

得到超像素分割图像之后，采用基于SLⅠC超像素分割的显著性检测[6]获取显著图，通过计算颜色距离的相似性来估算全局对比度，将空间信息相关性加权处理得到显著性值，获取显著图。首先计算第i个超像素到其他所有超像素的颜色距离之和作为这个超像素的显著性值，定义为，其中第i个超像素块的颜色均值用Ii表示，第j个超像素块的颜色均值用Ij表示，超像素块数用N表示。

为了降低全局对比度中空间信息的影响，计算每一个超像素显著性值时，将显著性与空间信息的相关性加权计算，定义为

式中：ω（pi，pj）=，表示第i个超像素块与第j个超像素块之间的距离权值；pi表示第i个超像素块的中心；pj表示第j个超像素块的中心；δ为控制空间权值的强度。

1.3 C-V主动轮廓模型

自2001年Chan-Vese（C-V）模型被提出以来，因其对图像边缘不连续或梯度不突出等问题能够产生较好的分割效果，C-V模型在图像分割领域备受关注。C-V模型是Mumford-Shah模型[7]的改进，其基本思想是能量泛函通过图像外部力和内部控制力的共同作用来进行曲线演化。最小化能量泛函，使曲线收敛于目标轮廓。C-V模型是基于区域的水平集方法，本质是通过将计算过程由N维提升至N+1维来提高计算精度。

假设图像I（x，y）的范围是Ω，在t时刻，曲线C把图像划分成两个区域，Ω1表示目标区域位于C的内部，Ω2表示背景区域位于C的外部，C-V模型的能量函数为：

式中：μ，v，λ1，λ2表示权重系数；L（C）表示曲线长度，其值越小曲线越平滑；S（C）表示曲线内的图像面积；c1和c2表示目标边界两侧灰度均值。等式（1）右边的前两项确保演化曲线的光滑，后两项推动曲线向目标区域不断演化[8]。

引入水平集[9]ϕ（x，y）代替演化曲线C，可简化极小化能量函数ECV（c1，c2，C）的计算。同时引入一维Dirac测度函数及Heaviside函数H（z）=，式（1）能量泛函改写为

式中：▽为梯度算子。要让能量在水平集不变的条件下最小，使用变分法，求得c1，c2表示如下

由于要不停地演化水平集函数ϕ（x，y）得到最小化的能量函数，记ϕ（x，y，t）为t时刻ϕ（x，y）的值，由欧拉-拉格朗日方法可推导得出可变形曲线需满足如下以水平集函数表示的偏微分方程

2 本文算法

本文提出的紫外图像分割算法主要包括SLⅠC超像素分割、显著性检测及C-V活动轮廓模型3个部分，算法流程如图2所示。首先采用SLⅠC算法对紫外图像进行超像素分割。进一步利用超像素分割结果计算图像的显著性值，从而减小输入图像的像素数量级，极大地减小计算量。最后利用C-V活动轮廓模型对紫外图像的显著图进行分割，得到感兴趣的紫外放电区域[10]。

图2 本文算法的紫外图像分割流程图

C-V模型在显著图上进行曲线演化的能量泛函定义

式中：s1和s2为在曲线内部和外部显著性信息的灰度均值。使能量泛函最小化得到水平集的演化方程为

具体应用时，计算步骤如下：

（1）利用CⅠELAB颜色空间和XY坐标下5维特征向量表示取代RGB颜色空间表示，在每个超像素块内均匀分配种子点，构造距离度量标准在局部范围内对像素进行聚类。

（2）在种子点3×3邻域内对种子点重新选择，计算种子点2S×2S范围内每个像素点与种子点的距离度量D，为每个像素点确定属于哪个聚类中心。

（3）将同一超像素块的所有像素点取平均，得到新的聚类中心，不断迭代至每个像素点聚类中心不再变化。

（4）计算不规则的超像素块之间的对比度以估计显著性值获取显著区域，再将获取的显著信息与像素之间的空间相关性加权融合得到显著图。

（5）构造初始水平集ϕ。

（6）使用C-V模型对紫外图像进一步分割，分别计算s1、s2、|▽ϕ|、▽ϕ和∂ϕ/∂t，其中∂ϕ/∂t可根据有限差分法计算得到。

（7）计算ϕn+1=ϕn+ΔtL（ϕn）[9]，n为迭代次数，Δt为步长，L（ϕn）为∂ϕ/∂t。

（8）当迭代次数达到预设值或者曲线演化收敛时停止，不满足条件则返回（7）。

3 实验结果与分析

比较C-V模型、融合RSF与边缘算子LoG（以下简称为RSF&LoG）的主动轮廓模型[10]，与本文方法在2幅电晕放电紫外图像上的分割性能。所有输入图像大小均归一化为300×300。主动轮廓主要参数设置为μ=0.15/2552，Δt=0.1，ε=1，η=0，λ1=λ2=0，迭代次数为120，轮廓初始曲线均为相同的圆形曲线。

3.1 SLⅠC超像素分割及显著性检测结果

图3（a）为用南非CoroCAM504紫外成像仪在电压为55 kV，增益为70%时得到的紫外图像，其中放电区域为图中心的白色光斑。图3（b）为基于SLⅠC算法得到的块数为500的超像素分割结果。将图3（b）所示的分割结果进行显著性检测得到显著图，如图3（c）所示。

3.2 分割结果对比

图4对比C-V模型及RSF&LoG模型与本文方法在2幅紫外放电图像上的分割结果。图4（a）、图4（e）分别是图3（a）的紫外图像和以色列OFⅠL Superb紫外成像仪拍摄的绝缘子污秽放电时的紫外图像，图4（b）、4（c）、4（d）、4（f）、4（g）及4（h）分别为使用C-V模型、RSF&LoG模型、以及本文方法产生的分割结果。

图3 紫外图像的超像素分割结果和显著性检测结果

由图4（b）、4（c）、4（f）和4（g）可以看到，采用传统C-V模型或者RSF&LoG模型分割复杂的紫外放电图像，无法准确区分图像的前景和背景区域。2个模型均对紫外图像背景中的电气设备进行了分割，对放电区域的分割多数没有形成1个连续封闭的区域，而且放电区域周围的噪声点也被分割出来，很难对放电区域进行进一步的处理和分析。而由图4（d）、4（h）可知，采用本文方法可以有效提取放电区域，分割的轮廓能够准确吻合放电区域的边缘，说明本文提出的模型能够很好地区分前景和背景，同时具有很好的抗噪性能。