基於圖像處理的航拍圖像絕緣子分類識別方法與流程
2023-12-01 06:27:01 1
本發明屬於電力設備監測技術領域，涉及一種基於圖像處理的航拍圖像絕緣子分類識別方法。
背景技術：
輸電線路穩定可靠的運行是智能電網建設的重要組成部分，據國家電力公司統計，由各類絕緣子故障引起的電力系統故障的機率最大。目前，線路巡檢正由「人工為主」向「直升機為主，人工為輔」的方式轉變。國內輸變電工程大量使用的輸電線路絕緣子有合成、玻璃和瓷質三種，由於其構成材料以及製造工藝的不同，出現的故障類型也有差異，如合成絕緣子常見的形變、芯棒斷裂、表面擊穿；玻璃絕緣子自破、掉串；瓷質絕緣子裂紋、鐵帽炸裂、掉串和掉線等故障。由此，通過航拍絕緣子圖像及時提取絕緣子並對其進行分類識別，是對絕緣子運行狀態的自行監測及故障診斷的最為困難也必不可少的步驟。
目前，國內外文獻中關於絕緣子故障的研究主要有：1、絕緣子分割，通過航拍彩色圖像的S分量或灰度圖像進行閾值分割處理，但對於彩色圖像S分量或灰度圖像對比度較小的圖像分割效果不理想。2、絕緣子識別，能根據絕緣子形狀識別航拍圖像中的玻璃絕緣子位置。但由於直升機的多角度拍攝，絕緣子呈現不同的形狀，識別過程中存在一定誤差。3、指定絕緣子故障類型的診斷，對玻璃絕緣子的自爆、掉串、合成絕緣子憎水性以及瓷絕緣子裂紋等分別進行故障診斷。但直升機航拍絕緣子過程中對於絕緣子的類型、是否發生故障及其故障類型均一無所知，不能及時針對不同種類的絕緣子進行相應的運行狀態監測，使得直升機巡檢對絕緣子監測的實時處理帶來一定的困難。
技術實現要素：
本發明的目的是提供一種基於圖像處理的航拍圖像絕緣子分類識別方法，解決了現有技術無法準確的提取絕緣子並對其進行快速的分類識別的問題。
本發明所採用的技術方案是，一種基於圖像處理的航拍圖像絕緣子分類識別方法，具體按照以下步驟實施，
步驟1，對圖像進行紅藍色差灰度化處理和加權平均灰度化處理兩種方式的灰度化處理；
步驟2，對比步驟1中得到的兩種灰度處理的結果，選取對比度大的圖像；
步驟3，利用步驟2中選取的灰度對比度大的圖像進行聚類分析，即設步驟2中選定的對比度較高的灰度化圖像為圖像gray，圖像各坐標點(x,y)處的灰度值表示為gray(x,y)，採用改進的K-means算法，對圖像gray進行聚類分析；
步驟4，去除噪聲點，最終獲取更新的二值圖像binary；
步驟5，將步驟4獲取的新的二值圖像binary映射到圖像P上，提取準確分割的絕緣子圖像，並判斷絕緣子種類。
本發明的特點還在於，
所述的步驟1具體按照以下步驟實施：
步驟1.1，讀取巡檢絕緣子原始圖像P，即在RGB顏色空間下的圖像，設圖像P的尺寸為N×M，各坐標點(x,y)的像素值可以表示為(R(x,y),G(x,y),B(x,y))；
其中，
x∈[1,N],y∈[1,M],R(x,y)∈[0,255],G(x,y)∈[0,255],B(x,y)∈[0,255]
R(x,y),G(x,y),B(x,y)分別表示像素點的紅色像素值、綠色像素值和藍色像素值；
步驟1.2，對圖像P進行紅藍色差灰度化處理，最終獲取紅藍色差灰度化圖像r_bgray2，具體的處理方法是：
首先根據公式(1)求得圖像P的紅藍色差r_bgray(x,y)，
鑑於r_bgray(x,y)的值在-1與1之間取得，通過公式(2)對其進行歸一化，
其中r_bgray1(x,y)的取值範圍為[0,1]。
各像素點灰度值r_bgray2(x,y)可以表示為，
r_bgray2(x,y)＝r_bgray1(x,y)×256
r_bgray2(x,y)表示紅藍色差灰度化後坐標點(x,y)處的灰度值；
步驟1.3，對圖像P進行加權平均灰度化，通過公式(3)對圖像P進行加權平均灰度化，獲得加權平均灰度化圖像grays，
grays(x,y)＝(WrR(x,y)+WgG(x,y)+WbB(x,y))/3 (3)
其中，Wr＝0.299,Wg＝0.587,Wb＝0.114，grays(x,y)表示加權平均灰度化後坐標點(x,y)處的灰度值。
所述的步驟2具體為，根據公式(4)計算紅藍色差灰度化圖像的灰度對比度和加權平均灰度化圖像的灰度對比度，
其中，u,v分別表示紅藍色差灰度化圖像r_bgray2中4鄰域相鄰像素的灰度值，u∈[0,255],v∈[0,255]，
δ(u,v)＝|u-v|，即表示相鄰像素之間的灰度差；
Pδ(u,v)表示相鄰像素間的灰度差為δ的像素分布概率；
m,n分別表示加權平均灰度化圖像grays中4鄰域相鄰像素的灰度值，m∈[0,255],n∈[0,255]；υ(m,n)＝|m-n|，即相鄰像素之間的灰度差；Pυ(m,n)表示相鄰像素間的灰度差為υ的像素分布概率；
若r_bcontrast≤gray_constrast，則選定加權平均灰度化圖像grays應用於步驟3中；
若r_bcontrast>gray_constrast，則選定紅藍色差灰度化圖像r_bgray2應用於步驟3中。
所述的步驟3具體步驟為：
步驟3.1，將步驟2中選定的的對比度較高的灰度化圖像作為圖像樣本gray，選取{m1,m2}＝{64,192}作為訓練向量的初始碼本，樣本gray(x,y)表示坐標(x,y)處圖像gray的灰度值，其中x∈[1,N],y∈[1,M]，N×M為圖像尺寸；
步驟3.2，按照公式(5)計算圖像gray中各灰度值gray(x,y)對應的c(x,y)的值，
當c(x,y)＝1時，圖像gray中的坐標點(x,y)對應的灰度值gray(x,y)分配到第一個聚簇中。
當c(x,y)＝2時，圖像gray中的坐標點(x,y)對應的灰度值gray(x,y)分配到第二個聚簇中。步驟3.3，設mj表示當前碼本{m1,m2}中的任意碼字，其中j＝1,2，對當前碼本{m1,m2}進行更新，即利用公式(6)重新計算出m1和m2的值並覆蓋之前的m1和m2的值，
mj:＝median{gray(x,y)|c(x,y)＝j} (6)
其中，mj表示當前碼本{m1,m2}中的任意碼字，j＝1,2。
當各個聚簇中的中值mj不再發生改變時，執行步驟3.4，
否則，當各個聚簇中的中值mj發生改變時，進行步驟3.2。
步驟3.4，分別以圖像形式輸出2個聚簇中所包含的灰度值gray(x,y)的集合，在輸出圖像中確定需要獲取的目標區域和背景區域及其對應的碼字m1和m2，將目標與背景區域對應的像素點分別置為0和1，獲取分割後的二值圖像binary。
所述的步驟4具體為：對步驟3中獲取的二值圖像binary中的偽目標及噪聲，採用3×3的正方形結構元素進行形態學開運算和閉運算有效去除較小的噪聲點。對形態學處理後的圖像進行區域標記，計算各區域面積，去除小於最大面積的1/4的區域以消除較大噪聲點，最終獲取更新的二值圖像binary。
所述的步驟5具體為：
將步驟4獲取的新的二值圖像binary映射到圖像P上，提取準確分割的絕緣子圖像。由於玻璃、複合和瓷質絕緣子分別呈藍色、紅色和白色，通過公式(7)計算得的不同類型絕緣子目標區域的紅藍色差均值分布在不同的取值區域。
式中，R(x,y),B(x,y)表示分布在絕緣子目標區域的各坐標點(x,y)處的紅色像素值和藍色像素值。其中藍色玻璃絕緣子的紅藍色差均值meansgrays值為負值；白色瓷絕緣子的紅藍色差均值meansgrays值處於零值附近；紅色合成絕緣子的紅藍色差均值meansgrays值為正值。
本發明的有益效果是，與現有的圖像提取算法相比，本發明根據目前常用絕緣子顏色特徵，引入了紅藍色差的概念，提出了一種紅藍色差歸一化的灰度化方法，克服了直接進行加權灰度化不能處理色調豐富圖片的缺陷，相較於常用的HSI顏色空間轉換具有較快的運行效率，能有效促進輸電線路直升機巡檢實時性的實現。採用改進K-means算法對灰度化結果圖像進行分類，已知分類個數及預設的初始碼本，能有效減少算法迭代次數，加快運行效率。此外，本發明根據絕緣子圖像目標區域的紅藍色差均值，將絕緣子的分類識別問題簡化為簡單的一維數據分類問題，運算複雜度低，為直升機航拍巡檢絕緣子運行狀態的自行監測及故障診斷提供了新的思路。
附圖說明
圖1是本發明的基於圖像處理的航拍圖像絕緣子分類識別方法的原理流程圖；
圖2是本發明方法實施例中的1#玻璃絕緣子的圖像處理前和處理後的對比效果圖；
圖3是本發明方法實施例中的2#瓷質絕緣子的圖像處理前和處理後的對比效果圖；
圖4是本發明方法實施例中的3#合成絕緣子的圖像處理前和處理後的對比效果圖。
具體實施方式
下面結合附圖和具體實施方式對本發明進行詳細說明。
一種基於圖像處理的航拍圖像絕緣子分類識別方法，具體按照以下步驟實施，
步驟1：對圖像進行兩種方式的灰度化處理，具體按照以下步驟實施：
步驟1.1，讀取巡檢絕緣子原始圖像P，即在RGB顏色空間下的圖像，設圖像P的尺寸為N×M，各坐標點(x,y)的像素值可以表示為(R(x,y),G(x,y),B(x,y))
其中，
x∈[1,N],y∈[1,M],R(x,y)∈[0,255],G(x,y)∈[0,255],B(x,y)∈[0,255]，R(x,y),G(x,y),B(x,y)分別表示像素點的紅色像素值、綠色像素值和藍色像素值，
步驟1.2，對圖像P進行紅藍色差灰度化處理，最終獲取紅藍色差灰度化圖像r_bgray2。
具體的處理方法是：
首先根據公式(1)求得圖像P的紅藍色差r_bgray(x,y)，
鑑於r_bgray(x,y)的值在-1與1之間取得，通過公式(2)對其進行歸一化，
其中r_bgray1(x,y)的取值範圍為[0,1]。
各像素點灰度值r_bgray2(x,y)可以表示為，
r_bgray2(x,y)＝r_bgray1(x,y)×256
r_bgray2(x,y)表示紅藍色差灰度化後坐標點(x,y)處的灰度值。
步驟1.3對圖像P進行加權平均灰度化，通過公式(3)對圖像P進行加權平均灰度化，獲得加權平均灰度化圖像grays，
grays(x,y)＝(WrR(x,y)+WgG(x,y)+WbB(x,y))/3 (3)
其中，Wr＝0.299,Wg＝0.587,Wb＝0.114，grays(x,y)表示加權平均灰度化後坐標點(x,y)處的灰度值。
步驟2，對比步驟1中得到的兩種灰度處理的結果，選取對比度大的圖像，具體方法為：
根據公式(4)計算紅藍色差灰度化圖像的灰度對比度和加權平均灰度化圖像的灰度對比度，
其中，u,v分別表示紅藍色差灰度化圖像r_bgray2中4鄰域相鄰像素的灰度值，u∈[0,255],v∈[0,255]，
δ(u,v)＝|u-v|，即表示相鄰像素之間的灰度差；
Pδ(u,v)表示相鄰像素間的灰度差為δ的像素分布概率。
m,n分別表示加權平均灰度化圖像grays中4鄰域相鄰像素的灰度值，m∈[0,255],n∈[0,255]；υ(m,n)＝|m-n|，即相鄰像素之間的灰度差；Pυ(m,n)表示相鄰像素間的灰度差為υ的像素分布概率。
若r_bcontrast≤gray_constrast，則選定加權平均灰度化圖像grays應用於步驟3中；
若r_bcontrast>gray_constrast，則選定紅藍色差灰度化圖像r_bgray2應用於步驟3中。
步驟3，利用步驟2中選取的灰度對比度大的圖像進行聚類分析，即設步驟2中選定的對比度較高的灰度化圖像為圖像gray，圖像各坐標點(x,y)處的灰度值表示為gray(x,y)。採用改進的K-means算法，對圖像gray進行聚類分析。
步驟3.1，將步驟2中選定的的對比度較高的灰度化圖像作為圖像樣本gray，選取{m1,m2}＝{64,192}作為訓練向量的初始碼本，樣本gray(x,y)表示坐標(x,y)處圖像gray的灰度值，其中x∈[1,N],y∈[1,M]，N×M為圖像尺寸。
步驟3.2，按照公式(5)計算圖像gray中各灰度值gray(x,y)對應的c(x,y)的值，
當c(x,y)＝1時，圖像gray中的坐標點(x,y)對應的灰度值gray(x,y)分配到第一個聚簇中。
當c(x,y)＝2時，圖像gray中的坐標點(x,y)對應的灰度值gray(x,y)分配到第二個聚簇中。步驟3.3，設mj表示當前碼本{m1,m2}中的任意碼字，其中j＝1,2，對當前碼本{m1,m2}進行更新，即利用公式(6)重新計算出m1和m2的值並覆蓋之前的m1和m2的值，
mj:＝median{gray(x,y)|c(x,y)＝j} (6)
其中，mj表示當前碼本{m1,m2}中的任意碼字，j＝1,2。
當各個聚簇中的中值mj不再發生改變時，執行步驟3.4，
否則，當各個聚簇中的中值mj發生改變時，進行步驟3.2。
步驟3.4，分別以圖像形式輸出2個聚簇中所包含的灰度值gray(x,y)的集合，在輸出圖像中確定需要獲取的目標區域和背景區域及其對應的碼字m1和m2，將目標與背景區域對應的像素點分別置為0和1，獲取分割後的二值圖像binary。
步驟4，由於步驟3.4中獲取的二值圖像binary中的偽目標及噪聲的存在，本發明採用3×3的正方形結構元素進行形態學開運算和閉運算有效去除較小的噪聲點。對形態學處理後的圖像進行區域標記，計算各區域面積，去除小於最大面積的1/4的區域以消除較大噪聲點，最終獲取更新的二值圖像binary。
步驟5，將步驟4獲取的新的二值圖像binary映射到圖像P上，提取準確分割的絕緣子圖像。由於玻璃、複合和瓷質絕緣子分別呈藍色、紅色和白色，通過公式(7)計算得的不同類型絕緣子目標區域的紅藍色差均值分布在不同的取值區域。
式中，R(x,y),B(x,y)表示分布在絕緣子目標區域的各坐標點(x,y)處的紅色像素值和藍色像素值。其中藍色玻璃絕緣子的紅藍色差均值meansgrays值為負值；白色瓷絕緣子的紅藍色差均值meansgrays值處於零值附近；紅色合成絕緣子的紅藍色差均值meansgrays值為正值。
實施例：
圖2表示的是航拍的玻璃絕緣子處理前以及利用不同算法進行處理時的效果對比圖，其中，圖2(a)表示未經處理的1#玻璃絕緣子的原圖A，圖2(b)表示採用H分量對絕緣子圖像的灰度化處理的圖像，圖2(c)表示採用S分量對絕緣子圖像的灰度化處理的圖像，圖2(d)表示採用加權平均灰度化處理的圖像，而圖2(e)表示採用本發明方法處理的圖像，從圖2可以看出，相較於S分量和加權平均灰度化方法，H分量與本發明灰度化結果圖更能將絕緣子從複雜背景中區分開；
圖3表示的是陰暗天氣下色調偏暗的2#瓷質絕緣子處理前以及利用不同算法進行處理時的效果對比圖，其中，圖3(a)表示未經處理的陰暗天氣下色調偏暗的瓷質絕緣子的原圖B，圖3(b)表示採用H分量對絕緣子圖像的灰度化處理的圖像，圖3(c)表示採用S分量對絕緣子圖像的灰度化處理的圖像，圖3(d)表示採用加權平均灰度化處理的圖像，而圖3(e)表示採用本發明方法處理的圖像，從圖3可以看出，相較於S分量和H分量的灰度化方法，加權平均灰度化與本發明灰度化結果圖更能將絕緣子從複雜背景中區分開；
圖4表示的是實驗室複雜環境下3#合成絕緣子處理前以及利用不同算法進行處理時的效果對比圖，其中，圖4(a)表示未經處理的原圖C，圖4(b)表示採用H分量對絕緣子圖像的灰度化處理的圖像，圖4(c)表示採用S分量對絕緣子圖像的灰度化處理的圖像，圖4(d)表示採用加權平均灰度化處理的圖像，而圖4(e)表示採用本發明方法處理的圖像，從圖4可以看出，相較於H分量和加權平均的灰度化方法，S分量與本發明灰度化結果圖更能將絕緣子從複雜背景中區分開。
從上述3個絕緣子實例的一些列圖片中，可以看出採用H分量對絕緣子圖像的灰度化僅適用於拍攝的絕緣子色調與背景色調相差較大的1#絕緣子的圖像，而對於絕緣子色調與背景色調相差較小的圖像2和3並不適用；採用S分量對絕緣子圖像的灰度化僅適用於拍攝絕緣子飽和度與背景飽和度相差較大的3#絕緣子的圖像；採用加權平均灰度化對絕緣子圖像的灰度化處理，適用於色調偏暗的航拍2#絕緣子的圖像，而對於背景複雜色調豐富的圖像，很難將絕緣子從背景中區分出來，而本發明提出的灰度化方法適用於以上三種情況。可以看出，本發明提出的灰度化方法相較於其他三種灰度化方法具有更強的適用性和魯棒性，能夠克服複雜背景及天氣條件的影響，將目標絕緣子從背景中區分出來，對接下來對絕緣子的分割提取與分類識別奠定了良好的基礎。
表1
表1中表示採用不同灰度化方法對絕緣子圖像進行灰度化處理的運行時間，其中格式加粗的數據表示適用於各絕緣子圖像的灰度化方法的運行時間。由表1可知，本發明提出的灰度化方法是適用於各絕緣子圖像灰度化處理方法中運行時間最短、效率最高的灰度化方法，能夠快速有效地對不同類型的絕緣子進行分類識別，有效促進輸電線路航拍巡檢實時性的實現。