结合显著性检测及改进大津算法的紫外图像分割

2023-02-28杨强强陈思林秦伦明张贝贝

现代信息科技 2023年20期

杨强强　陈思林　秦伦明　张贝贝

摘要：提高电气设备紫外图像分割精确度对设备放电程度的准确评估具有重要意义。用紫外成像仪拍摄电气设备放电图像时，由于拍摄背景的复杂性，一般的图像分割方法并不能快速准确地分割紫外放电区域，因此提出一种结合显著性检测及改进大津算法的紫外图像分割模型。首先，对紫外图像进行显著性检测，使得故障区域突出，提升分割准确性；其次，利用基于Lévy飞行特征的蝙蝠算法对大津算法进行改进后对图像进行分割，以达到快速分割图像的目的。实验结果表明，改进的大津算法在紫外图像分割效果上明显优于大津算法，且计算速度也有所提升。

关键词：显著性检测；蝙蝠算法；大津算法；Lévy飞行特征；图像分割

中图分类号：TP391.4 文献标识码：A 文章编号：2096-4706（2023）20-0050-04

UV Image Segmentation of combining the Saliency Detection and Optimized Otsu Algorithm

YANG Qiangqiang， CHEN Silin， QIN Lunming， ZHANG Beibei

（College of Electronics and Information Engineering， Shanghai University of Electric Power， Shanghai 201306， China）

Abstract： Improving the accuracy of UV image segmentation for electrical equipment is of great significance for the accurate evaluation of equipment discharge levels. When using a UV imager to capture electrical equipment discharge images， due to the complexity of the shooting background， general image segmentation methods cannot quickly and accurately segment the UV discharge area. Therefore， a UV image segmentation model combining saliency detection and improved Otsu algorithm is proposed. Firstly， perform saliency detection on the UV image to highlight the fault area and improve segmentation accuracy; secondly， the Bat Algorithm based on Lévy flight features is used to improve the Otsu algorithm and segment the image to achieve the goal of fast image segmentation. The experimental results show that the improved Otsu algorithm outperforms the Otsu algorithm in UV image segmentation， and the computational speed has also been improved.

Keywords： saliency detection; Bat Algorithm; Otsu algorithm; Lévy flight feature; image segmentation

0 引言

隨着社会和经济的发展，在自身需求的驱动和外部的社会压力下，提高电网供电稳定性和安全性日益成为电力行业所追求的目标。要想经济平稳快速地发展，就需要保障供电的可靠性。故障电力设备长期处于局部放电状态，会对设备自身产生不可逆的损害，甚至会造成大面积停电和人员伤亡[1，2]。据统计，电网20%的故障源于电气设备放电初期未能得到及时的检测和修理，最终导致电气设备绝缘击穿放电。因此，有效解决电力设备的放电故障对维护电网的稳定和安全至关重要。放电检测技术有很多，紫外成像放电技术因其简单性和精确性被广泛应用于各个领域[3-5]。紫外图像分割技术能够对关注区域进行分割，提取有用信息以便更好地观察放电区域，及时进行故障分析并采取相应措施保障用电安全。本文借助图像分割技术分割出电晕电弧放电区域，实现对电晕电弧放电面积的准确判断，以为电气设备放电评估提供精准的数据支撑。

传统的图像分割方法有很多，例如边缘检测法[6-8]、阈值分割法[9]和区域分割法[10]等。阈值分割方法中的阈值选取方式有四种：人工选择法[11]、直方图技术法[12]、大津算法[13]和自适应阈值分割方法[14]，由于紫外图像的复杂性，人工选择法和直方图法错误分割占比较大，而自适应阈值分割法属于局部阈值分割，对图像边缘信息的提取效果较差，大津算法属于全局阈值分割，可以清晰明了地分割出边缘信息，因此本文选用大津算法进行阈值分割。由于大津算法需要进行256次计算比对，存在计算速度较慢的问题，故本文在大津算法的基础上引入蝙蝠算法，达到提高运行速度的目的。但是蝙蝠算法容易陷入局部最优，以Lévy飞行模式替换蝙蝠算法的搜寻机制可有效避免这个缺陷[15，16]。为了更好地分割目标区域，排除背景干扰，在分割之前进行图像的显著性检测。

1 基本原理

1.1 显著性检测

人类在观察物体时会根据自己的意愿将视线集中在感兴趣区域，不感兴趣的信息会被大脑自动剔除。本文通过引入显著性检测来模仿大脑机制，检测数据集之间的不同特性，着重突出显著特性，这种做法被广泛应用于各个科研领域。基于直方图对比度的（Histogram-based Contrast， HC）显著性检测只用到颜色特征，具有运算简单、显著效果好等优点。因此本文运用HC显著性检测进行运算，其中单个像素Ik显著性值的计算式为：

其中，ω0表示目标图像像素在整个图像像素点总数中的占比，μ0表示目标图像像素的平均灰度。Ω1表示背景图像像素点在整幅图像像素点总数中的占比，μ1表示背景图像像素的平均灰度。μ表示计算整幅图像像素的总平均灰度，g表示类间方差。假设图像的大小为M×N，N0表示图像灰度值小于阈值T的像素个数，N1表示图像灰度值大于阈值T的像素个数。

2 本文方法

2.1 改进HC显著性检测

为了降低算法的时间成本，精确颜色显著值，HC方法的实现采纳了两种技术：

1）基于直方图的加速。对图像中各个颜色的像素占比进行排列时发现，有一些颜色出现的概率是很低的。将在图像中出现概率低于5%的颜色归集到邻近直方图的颜色中，通过减少颜色值的数量来提高计算速度。

2）颜色空间平滑。图像中相近的颜色在量化时可能会出现不同的数值，从而影响最终的分割结果，故在HC显著性检测模型中添加平滑程序，采用加权平均的结果替换图像中相近颜色的显著性值，计算式为：

其中，表示相近m个颜色组的距离之和，中，越小，的系数越大，1/（（m-1）T）表示归一化因数，来自。如图1所示为HC显著图在MATLAB中的实现步骤图。

2.2 优化大津算法

本文采用基于Lévy飞行模式的蝙蝠算法改进大津算法，基本原理是将大津算法的类间方差函数对应于蝙蝠算法的自适应函数，将最优阈值对应于蝙蝠算法中蝙蝠的最优位置，以此达到提高速度的目的。将原蝙蝠算法的猎物搜寻机制替换成Lévy飞行模式的位置更新计算式，，在进行一段时间的小幅跳跃后，进行一次较大距离的跳跃，进而跳出局部最优解。优化大津算法过程图如图2所示。

3 实验结果分析

为了验证算法的可行性和有效性，采用MATLAB R2020b软件进行测试，实验平台采用Windows 10、64位操作系统、16 GB内存，使用的紫外成像仪型号为Coro CAM504。实验中涉及的参数如表1所示。

在MATLAB下结合显著性检测及改进大津算法的紫外图像分割与大津算法分割进行仿真实验，对比大津算法与改进大津算法在时间方面的差异。进行10次同条件的实验，取其平均值作为实验结果，如表2所示。

由表2可知，本文提出的改进大津算法确实可以提高计算速度，充分验证了算法的实时性。如图3所示为利用三种不同图像分割算法对同一区域不同放电时间的紫外图像进行分割的效果对比图。

通过对两幅图进行对比可知，改进大津算法和自适应算法都不能很好地分割图像，但是结合显著性检测后能很好地分割出紫外放电区域。

4 结论

本文在研究大津算法机理的基础上，使用改进大津算法分割图像，虽然计算速度有所提高，但是分割的效果不够理想。基于显著性检测的用途和效果，将其与改进大津算法相结合，MATLAB仿真测试结果表明，结合显著性检测及改进大津算法的紫外图像分割方法确实能有效地分割出紫外图像放电区域，达到预期效果。由于改进蝙蝠算法理论还处起步阶段，仍需要更加深入地探索优化方法以达到更好的效果，并且顯著性检测还有很多方法有待研究，有许多问题有待解决，这些都是进一步要做的研究工作。

参考文献：

[1] 赵森，曹锐，韩民畴.基于图形组态功能定制的继电保护在线监测系统研究 [J].现代信息科技，2022，6（7）：13-17.

[2] 吕国华.电能计量装置在线监测系统研究 [D].南昌：南昌大学，2020.

[3] 王胜辉，李伟，姜婷玥，等.高压设备表面放电紫外成像检测影响因素的试验研究 [J].电瓷避雷器，2022（1）：197-203.

[4] 谭鹏，李玲，吕雪松.基于紫外成像的电晕放电检测技术研究 [J].电工技术，2021（12）：75-77+119.

[5] 裴正爽，黄红宇，李林卿.紫外成像技术在电网带电检测中的应用 [J].电工技术，2021（11）：108-110.

[6] 张久超，徐晓光，叶炯.基于改进的Canny算子的图像边缘检测方法 [J].海南热带海洋学院学报，2022，29（5）：79-84.

[7] 曾俊.图像边缘检测技术及其应用研究 [D].武汉：华中科技大学，2012.

[8] 余波，吴静，周琦宾.一种基于改进Canny算子的边缘检测算法 [J].制造业自动化，2022，44（8）：24-26+43.

[9] 刘硕.阈值分割技术发展现状综述 [J].科技创新与应用，2020（24）：129-130.

[10] 党文静.图像区域分割算法的研究与应用 [D].淮南：安徽理工大学，2018.

[11] 李小琦.基于Matlab的图像阈值分割算法研究 [J].软件导刊，2014，13（12）：77-78