电力设备红外图像分割的自适应聚类区域生长法

李大华 李潍璇 高 强 于 晓 沈洪宇

1(天津理工大学电气电子工程学院 天津 300384) 2(天津市复杂系统控制理论及应用重点实验室 天津 300384) 3(天津理工大学海运学院 天津 300384)

0 引 言

随着计算机技术和通信技术的发展,变电站自动化程度越来越高。大多数变电站采用巡检机器人巡检,通过集中监控或远程多媒体监控,实现对变电站设备状态的直观分析和判断[1]。目前变电站巡检机器人主要能够实现自主导航、电池充电、设备温度信息采集和最优路径规划,但在处理采集信息方面研究较少,机器人平台上的信息处理成为检测电力设备的关键。并且电力设备故障是大范围停电的主要原因,影响整个电力系统的稳定性。因此,电力设备故障检测是机器人平台解决的问题之一[2-3]。

红外热成像技术的发展和电力设备的发热特性,使得利用红外图像处理技术对电力设备智能故障检测成为未来的发展趋势[4]。红外热成像技术能将红外辐射热能转化为可见的红外图像,通过观察图像可以找到发生故障的区域[5]。温度越高图像越亮,温度越低图像越暗。众所周知,电力设备运行时都会有发热现象。每种设备都有一定的耐热温度,当电力设备运行时间过长或遭到干扰,如过电流、过电压、电力设备会异常发热,使得自身的温度超过耐热温度,这样电力设备会随时发生故障,严重影响整个系统的稳定性和安全性。因此,电力设备的安全检测与诊断显得尤为重要[6]。

通过红外图像准确识别与分析故障设备是电力设备检测的最终目的,而准确的分割是红外图像目标识别与分析的关键。通过对图像进行分割,判断设备发生高温的具体部位。方便技术人员及时判断设备的运行状态,提高技术人员对设备故障判断的准确性。红外图像反映了目标和背景在场景中的红外辐射分布,然而,成像系统提供的大部分红外图像会受到背景噪声的严重干扰,具有信噪比低、边界模糊、灰度分布不均匀等特点,大大增加了红外图像分析和目标检测的难度。因此,如何快速、准确地分割红外目标是一个具有挑战性的课题[3]。

图像分割是利用图像的某些特性,如灰度值分布、纹理分布等,将给定图像分割为有限个非重叠区域的技术。对于图像分割,主要有三种方法,即基于阈值分割的方法、基于边界的方法、基于区域的方法。其中基于阈值分割易忽略图像中的像素信息,还容易受到噪声干扰。基于边界的方法依赖像素值在不同区域之间的变化,对于边缘模糊的图像分割效果不佳。基于区域的方法依据像素值的相似度对图像内的每一个像素点进行分类,可保留像素的空间信息。区域增长是由Adams等[7]于1994年提出的,之后研究学者对其不断进行改进。Moigne等[8]利用边缘特征的附加信息和距离度量为迭代并行区域增长(IPRG)算法开发了一个停止准则。Cheng[9]将三维松弛标记技术用于区域分割。Jain[10]提出一种单种子的区域生长法。Chaibou等[11]将区域语义模糊分类用于区域分割。Zhu等[12]提出了一种基于相邻像素点的区域生长分割方法,采用各向异性扩散滤波算法对图像进行滤波,去除噪声。

近年来,很多研究者提出了电力设备红外图像的分割方法。李祥等[13]提出一种基于改进遗传算法的电力设备红外图像分割方法,虽然分割效率有明显提升,但分割精度无法保证。余成波等[14]提出一种基于OTSU和区域生长的电气设备分割方法,但对于复杂的背景,如果不考虑空间信息,容易在灰度差较小的地方出现误分割。徐鹏飞等[15]提出一种基于改进PCNN算法的电力设备图像分割方法,PCNN算法需要大量的红外图像进行训练,分割精度与训练的图像数量有关。冯振新等[16]提出一种改进MSER算法的电力设备故障区域分割,但基于MSER的方法侧重局部区域合并,如果对比度较低,可以将目标像素合并到其领域背景中。

由此可见,基于阈值的分割方法在处理低噪声、弱背景辐射的红外图像时具有操作简单、运算速度快等优点,但难以处理强噪声、弱对比度、非均匀背景的红外图像[17]。基于神经网络的分割方法在前期需要训练大量的图片,训练图片的数量直接影响分割的精度,算法复杂程度大。因此,寻找一种不受对比度、背景和噪声影响以及算法步骤简单的分割方法至关重要,在满足以上条件的情况下,尽可能地保持图像的完整性。

本文提出一种新的基于自适应聚类的区域生长法,提高了电力设备红外图像的分割质量。具体而言,本文主要有以下三个贡献点:

(1) 在种子点选取中,利用自适应聚类方法改进了传统手动取点的不足,在自动取点的同时,有效地提高了分割效率。

(2) 在图像分割中,对传统生长准则进行了改进,有效地提高了分割精度。

(3) 对分割后的图像,利用形态学腐蚀算法去除小型电力设备的干扰,有效地提高了分割精度。

(4) 在不同噪声强度的干扰下,与传统分割方法相比,本文算法具有良好的鲁棒性。

1 相关工作

1.1 K-means聚类算法

K-means聚类算法是一种通过标准测度函数判断相似度作为基础,无须知道所搜寻目标的无监督学习[18]。设数据样本集为X={x1,x2,…,xn},n为样本数,从数据样本集中随机选取K个点作为聚类中心,计算每个样本数据到聚类中心的欧氏距离,并将每个样本数据归类到距离最近的聚类中心。然后计算每一类的样本均值,将样本均值的位置作为新的聚类中心,如此反复迭代直至标准测度函数最小。

其中样本均值mi和标准测度函数J为:

(1)

(2)

式中:Si表示归属i类的样本数据集合;mi表示Si的样本均值。

整个K-means算法如算法1所示。

算法1K-means算法

1.初始样本数据集X,k个聚类中心;

2.从样本数据集X中随机挑选k个数据作为初始聚类中心点;

3.对每个数据点进行分类,分到最近的聚类中心的一类中;

4.根据式(1)、式(2)计算J、mi,将mi的点作为新的聚类中心;

5.判断J是否小于设定阈值;

6.若满足,则得到最终聚类中心;

若不满足,则重复步骤3。

1.2 区域生长算法

区域生长算法主要思想是合并区域内具有相似值的像素。首先定位初始种子像素集,然后通过迭代合并相邻像素,对不同区域进行格式化,直到一幅图像中的所有像素都在相应的区域内。该方法的分割是完整的。影响区域生长算法的主要因素有初始点的位置和区域生长准则,本文会从这两个方面进行介绍。

令R表示整幅图像,R1,R2,…,Rn为分割后的子区域,并需满足以下条件。

(2)Ri是一个连通的区域,i=1,2,…,n。

(3)Ri∩Rj=∅,对所有的i和j,i≠j。

(4)P(Ri)=TRUE,对于i=1,2,…,n。

(5)P(Ri∪Rj)=FALSE,对于i≠j。

2 基于自适应聚类的区域生长法

针对传统区域生长法手动取点不精确,电力设备红外图像灰度不均匀、噪声干扰严重的问题,提出一种新的自适应聚类的区域生长法。首先利用加权平均值法将红外图像转化为灰度图像,其次,提出一种自适应聚类选种的方法,利用像素点的位置坐标XY和对应的灰度值Z建立三维坐标系,选取坐标系峰值的坐标XY为一组感兴趣的点,利用K-means聚类算法将感兴趣的点聚类成多个簇,将多个簇的中心点作为初始种子点。然后利用基于全局的灰度阈值和梯度阈值作为限定条件进行区域生长。最后,利用形态学腐蚀算法对电力线等小型设备的干扰进行去噪和消除。该算法的框架如图1所示。

图1 算法框架

2.1 自适应聚类选种

红外图像是彩色空间中的一种彩色图像[19]。由于处理RGB图像运算量大,且灰度图像中包含所需要的灰度信息,故先将红外图像转化为灰度图像。RGB图像转换为灰度图像主要有平均值法、最大最小值法和加权平均值法。其中加权平均法是目前最流行的方法,故采用加权平均法将红外图像转化为灰度图像。

为了比较每个像素点的灰度值,并选取灰度值最大的点作为种子点,本文提出建立以像素点的坐标值XY和对应的灰度值Z为坐标轴的三维坐标系。选取三维坐标系峰值对应的位置坐标作为一组感兴趣的点,引入K-means算法聚类感兴趣的点,将聚类中心作为种子点,实现种子点的自动识别。对于K-Means算法,K值越高,所分的类越多,对于图像后续识别分割过程越困难[20],故本文K取值为3。实验图的聚类结果如图2所示。

(a) 实验图a的聚类结果 (b) 实验图b的聚类结果

(c) 实验图c的聚类结果 (d) 实验图d的聚类结果

(e) 实验图e的聚类结果图2 聚类结果

2.2 区域生长准则

区域生长阶段根据生长准则判定像素点属于目标区域或背景区域。目前生长准则主要有三类,基于阈值的准则、基于特征类型变化的准则和二者混合的准则。其中基于阈值的准则中,最简单的方法是比较种子像素的灰度值与相邻像素的灰度值之差是否小于全局阈值,若小于全局阈值,则相邻像素属于目标区域。另外,研究学者提出一种局部阈值,然而这种方法需要调整阈值才能得到较好的结果。对于基于特征类型变化的准则,它需要选择种子区域,通过区域内容和公共边界来衡量区域间的相似性。这种方法的不足是需要预处理,预处理会严重影响实验结果。对于阈值和特征类型变化的准则,需要用萤火虫算法计算阈值并比较纹理特征,这是一个相当复杂的方法,需要执行很多步骤[4]。

为了提高计算效率,本文采用全局阈值,以像素灰度值和梯度值作为特征值。本文提出的生长准则有两条:(1) 根据生长点的灰度均值与已生长区域平均灰度值的差小于灰度阈值确定生长准则;(2) 根据Sobel算子计算生长点与待生长点梯度小于梯度阈值确定生长准则。

(1) 灰度阈值。设生长的区域为R,其平均灰度为m。灰度阈值为T0。其中m的计算公式如下:

(3)

式中:m为平均灰度;f(x,y)为每个像素点的灰度值;n为已生长区域内像素点的个数。

给出生长点(x,y)的八邻域模板如图3所示。

图3 种子点(x,y)的八邻域模板

由图3可得出生长点(x,y)的灰度均值如下:

f(x+1,y-1)+f(x-1,y)+f(x,y)+

f(x+1,y)+f(x+1,y+1)+

f(x,y+1)+f(x+1,y+1)]

(4)

将生长点的灰度均值与已生长区域的平均灰度值作差,若式(5)成立,则满足生长条件。若式(5)不成立,则不满足生长条件。

|f(x,y)-m|≤T0

(5)

式中:T0为经验阈值;每完成一次生长m需重新计算。

(2) 梯度阈值。图像的梯度即图像灰度变化的变化率。电力设备的红外图像具有一定的噪声点,Sobel算子对图像具有很好的平滑作用[21]。并且Sobel算子计算简便、快速,因此,本文选用Sobel算子计算梯度。

对于连续图像g(x,y),在点(x,y)处的梯度为:

(6)

梯度的幅值定义为:

(7)

梯度的方向定义为:

(8)

由于数字图像是离散的数字信号,故用差分运算替代微分运算。根据表1所示的八邻域模板和Sobel算子计算像素点的梯度。

像素点(x,y)的X方向的梯度为:

Gx(x,y)=g(x-1,y+1)+2g(x,y+1)+

g(x+1,y+1)-g(x-1,y-1)-

2g(x,y-1)-g(x+1,y-1)

(9)

像素点(x,y)的Y方向的梯度为:

Gy(x,y)=g(x-1,y-1)+2g(x-1,y)+

g(x-1,y+1)-g(x+1,y-1)-

2g(x+1,y)-g(x+1,y-1)

(10)

梯度的幅值:

(11)

设当前种子点的梯度幅值为GS(x,y),待生长点的梯度幅值为GN(x,y)。

将种子点的梯度幅值与待生长点的梯度幅值作差,若式(12)成立,则满足生长条件。若式(12)不成立,则不满足生长条件。

|GS(x,y)-GN(x,y)|≤T

(12)

式中:T为梯度阈值。

因此,本文的生长准则为:

(13)

生长准则流程如图4所示。

图4 区域生长准则流程

2.3 腐蚀去噪

形态学具有完备的数学理论基础,实质是通过结构元素与图像相互作用去噪,并且提取边缘光滑、抗噪性好、易用于图像并行处理的实现[22]。通过腐蚀运算去除图像中电力线等小型设备的干扰,并增强图像的整体性。

B对A腐蚀,记作:AΘB。

腐蚀定义如下:

AΘB={x:Bx⊆A}

(14)

式中:A表示待腐蚀图像;B表示结构元素。经过反复多次实验,本文取B为边长3个像素点的正方形。

3 实验结果与分析

为了验证本文方法的有效性,选取三组正在运行中不同电力设备的红外图像,该图像具有变电站图像常见的图像问题,即对比度不高、背景不均匀、噪声干扰。部分图像边缘亮度高于中间部分亮度。

3.1 图像分割实验

本次实验在平台MATLAB2014b完成,根据图1所示的结构框图编写代码。采用本文方法与其他3种传统分割方法做对比实验,分割结果如图5-图10所示。其中图像大小均为640×480。

(a)电缆 (b)绝缘子 (c)刀闸 (d)套管1 (e)套管2图5 实验红外图像

(a)电缆 (b)绝缘子 (c)刀闸 (d)套管1 (e)套管2图6 实验灰度图像

(a)电缆 (b)绝缘子 (c)刀闸 (d)套管1 (e)套管2图7 传统区域生长法分割结果

(a)电缆 (b)绝缘子 (c)刀闸 (d)套管1 (e)套管2图8 K-means聚类算法分割结果

(a)电缆 (b)绝缘子 (c)刀闸 (d)套管1 (e)套管2图9 OTSU算法分割结果

(a)电缆 (b)绝缘子 (c)刀闸 (d)套管1 (e)套管2图10 本文算法分割结果

可以看出,采用传统区域生长法、K-means算法和OTSU算法均产生明显的欠分割现象,在一定程度上导致了图像信息的丢失。OTSU算法还出现分割不连续的问题。

本文采用真阳率(TPR)、假阳率(FPR)和准确率(ACC)作为评价指标对比各算法的分割效果。TPR值越大,FPR值越小,ACC值越大表明分割效果越好,反之分割效果越差。从表1可以看出,本文算法的FPR值不算最小,ACC值不算最大,但与其他算法FPR值、ACC值相比差值不大,这是由于其他算法分割区域不完整导致的,且本文算法的TPR值最大,表明算法正确分割的区域很大,整体分割效果较好。K-means算法、OTSU算法虽然FPR值很小,但同时TPR值较低,分割得到的区域与真实区域相似度不高,分割效果较差。传统区域生长法TPR值和FPR值都很低,区域分割不完整。故从整体上看,本文算法分割的区域完整性最好、准确率最高。

表1 不同算法定量结果对比分析

续表1

3.2 鲁棒性实验

为了验证本文方法的鲁棒性,对实验图(b)的红外图像添加噪声密度分别为0.015、0.015、0.030、0.045、0.060、0.075的椒盐噪声,采用ACC作为比较指标,比较本文方法与其他3种传统分割方法的性能。根据实验结果画出如图11所示的折线图。可以看出随着噪声密度规律性的增加,ACC值变化的幅度是不一样的。本文方法和传统区域生长法的ACC值较稳定,但本文方法ACC值更高一点,可以维持在0.97左右,明显优于其他三种算法。K-means算法和OTSU算法的ACC值波动较大。因此,综合实验结果和分析得出结论:本文方法鲁棒性好、抗噪能力强。

图11 电力设备红外图像抗噪能力测试

4 结 语

目前,无人巡检值守的变电站越来越多,对自动识别故障的要求越来越高。因此,提高图像的分割精度是有必要的。为了获得准确的故障区域,提出自适应聚类的区域生长法。主要是种子点的自动识别和生长准则的提出。利用TPR、FPR和ACC对分割结果进行定量分析,并比较含有不同噪声的红外图像分割性能。实验结果表明,本文算法能够有效地抑制噪声干扰,并获得很好的分割结果。