CN104573713B - 一种基于图像纹理特征的互感器红外图像识别方法 - Google Patents

Abstract

本发明提供一种基于图像纹理特征的互感器红外图像识别方法，首先对图像进行灰度化和去噪处理，并对图像进行X方向的Canny检测，经过该步骤后，套管的左右边缘纹理特征便暴露出来，通过归一化相关系数最大值匹配和K‑means聚类的方法后，将左右特征点分别拟合成直线，确定直线上的最高边缘点和最低边缘点便确定了互感器的图像区域，本发明克服了传统图像识别方法准确性不足的缺点，抗背景干扰能力强，能够快速地识别红外热像中互感器的具体区域，帮助运行人员检测互感器的位置坐标，提高电力***状态监测的自动化程度，具有很强的实用价值。

Description

一种基于图像纹理特征的互感器红外图像识别方法

技术领域

本发明属于模式识别与计算机视觉技术领域，尤其涉及一种基于图像纹理特征的互感器红外图像识别方法。

背景技术

目前有些电力公司在电厂、变电站安装了视频监控***，可实现监视现场设备、控制远程摄像机动作等功能。但这些视频监控***只有视频监视功能，没有视频图像自动识别功能。为充分发挥视频监控***的功能，更准确地判断现场发生事故告警的原因，应采用远程数字视频监控与数字图像识别***，以实现设备告警的图像识别，为事故检测提供新的手段，为事故分析提供可靠的依据。

目前国内外对基于红外图像纹理特征的互感器自动识别尚无***的探讨。唐慧明、张健的《变电站远程图像监控***设计》文章提出了一种基于图像Hu不变矩的电气设备图像识别方法，该方法计算了该二值图像的Hu不变矩，构成了电力设备的特征向量，设计了BP神经网络分类器做分类识别，可用于结合温度信息实现电力***中电力设备红外图像的故障识别。但该方法仅能识别出图像中存在某种类型的电气设备，而未能实现电气设备的准确定位，故有一定的局限性。陈俊佑，金立军，段绍辉，姚森敬，赵灵测文章《基于Hu不变矩的红外图像电力设备识别》提出一种利用红外图像和神经网络权值直接确定法进行现场零值绝缘子识别的方法，但其仅限于绝缘子的识别领域，并未涉及互感器识别，同时本文的方法仅适用于背景干扰少的红外图像，这与变电站现场的实际情况不符，现场适应性差。此外，大多数研究成果主要基于互感器与背景之间的灰度差异来对目标进行提取和识别。但由于背景干扰，识别的准确度不高。为此，有必要开发一种针对互感器纹理特征提取的红外图像识别方法以提高识别的准确性和针对性，但已有文献或是关注图像整体的识别分类而不能实现目标的准确定位，或是关注目标设备的定位，对提高识别准确性的研究却较为有限。

基于图像纹理特征提取的图像识别现已在模式识别多个领域得到了实际应用，包括机械零件识别、航空航天、农林工程等。针对互感器自身纹理特征提取的图像识别方法为红外图像中互感器的准确定位和识别提供了基础。

发明内容

本发明提出了一种基于图像纹理特征的互感器红外图像识别方法，目的在于提高传统图像识别方法准确性。

本发明旨在克服现有技术的不足，充分考虑变电站现场背景复杂的特点，充分考虑互感器边缘“波浪形”的图像纹理特征，融入了归一化相关系数最大值匹配和K-means聚类方法，提出一种基于图像纹理特征的互感器红外图像识别方法，该方法识别结果能够客观地反应互感器在图像中的位置坐标数据，为后续的温度和故障识别奠定基础，提升电网故障判别的自动化程度，为达到上述目的，本发明采用的技术方案是：一种基于图像纹理特征的互感器红外图像识别方法，包括如下步骤：

(1)图像预处理，包括对互感器图像灰度化和去噪处理，并对图像进行X方向的Canny检测，提取出互感器的特征纹理；

(2)采用归一化相关系数最大值的方法对预处理图像和左右边缘典型特征图像进行匹配，实现图像的纹理特征点提取；

(3)对特征点进行K-means聚类处理，并剔除离群点；

(4)根据左右边缘的聚类结果，对聚类中心进行最小二乘法的直线拟合，确定套管的左右边缘；

(5)在拟合的边缘直线上寻找纵坐标最高和最低点，确定套管的上下边缘，最终得到识别的互感器区域。

进一步的，所述步骤(1)具体包括如下步骤：

a)图像灰度化处理的方法如下：

gray(i,j)＝0.299×r(i,j)+0.587×g(i,j)+0.114×b(i,j) 式(1)

其中，gray(i,j)表示(i,j)点的灰度值，r(i,j)表示(i,j)点RGB值的R值分量，g(i,j)表示(i,j)点RGB值的G值分量，b(i,j)表示(i,j)点RGB值的B值分量；

b)图像去噪采用巴特沃斯低通滤波的方法，一个n阶巴特沃斯滤波器的传递函数为：

其中，D₀是截止频率；n为阶数，取正整数，从而控制曲线的形状，由于巴特沃斯滤波器转移曲线较为平滑，故图像的模糊将减少；

c)经预处理后图像的x方向梯度值为：

gray_x(i,j)＝gray(i+1,j)-gray(i-1,j) 式(3)

在式(3)中，将邻域的中心像素与沿梯度方向的两个梯度幅值的插值结果相比较，如果邻域中心的幅值不比梯度方向的两个插值结果大，则将gray(i,j)对应的边缘标志位赋值为0。

进一步的，所述步骤(2)具体包括如下步骤：

a)计算归一化相关系数，计算方法如下：

其中

式中，f(x,y)为M×N的原图像，即经过预处理的X方向Canny检测图像，t(p,q)为P×Q(P≤M,Q≤N)的模板图像，RN(x,y)为归一化相关系数；

b)滤除RN(x,y)＜0.7的点，剩余的点被认为是互感器的左右边缘特征。

进一步的，所述步骤(3)具体包括如下步骤：

a)K-means聚类的方法如下：

K'为聚类数目，选定14个聚类中心，首先随机选择14个类的初始聚类中心，对任意一个对象，计算到这14个中心的距离，并将该对象归到相似性最大的中心所在的类中，利用均值法更新k个类的中心值，对所有14个聚类中心，如果经过迭代算法更新后，式(6)中所示的测度函数收敛或达到最大迭代次数，则迭代结束，否则继续迭代；

b)设经过K-means聚类后的14个聚类中心的坐标值为(i_w,j_w)，其中w＝1,2...14，分别计算1～14个聚类中心点到其他13个聚类中心点的欧氏距离，并形成14×14阶欧式距离矩阵，将欧氏距离矩阵按行相加形成欧氏距离和矩阵dis(u,1)u＝1,2...14，再将欧氏距离和从小到大排列形成dis'(u,1)u＝1,2...14矩阵，当时，认定u点为离群点。

进一步的，所述步骤(4)具体包括如下步骤：

a)以剔除离群点的聚类中心点集坐标为样本，采用最小二乘法进行直线拟合，具体的公式如下所示：

其中，o表示14个聚类中心点剔除离群点后的聚类中心个数，x_i,y_i分别为聚类中心点的横纵坐标值，分别为聚类中心点横纵坐标的平均值，(9)式为拟合的直线方程；

b)加入RN(x,y)＜0.7的互感器左右边缘特征点来强化边缘识别的准确度，进行边缘修订：假定φ{ii_ss,jj_ss}为边缘特征点集合，ss为边缘特征点的编号，ii_ss,jj_ss分别为其横纵坐标值，若

即认为(ii_ss,jj_ss)为实际的边缘特征点，(10)式为点到直线的距离公式，经过实验证实，选定边缘特征点距离特征直线距离为3像素点以内时，可以囊括最多边缘特征点，同时引起最小误差；若不符合(10)式，则认为是离群的边缘特征点，最终组成实际边缘特征点集合Φ{ii_ss,jj_ss}，将该集合中点的坐标带入(7)～(9)式，最终得到修正的边缘直线方程。

进一步的，所述步骤(5)具体包括如下步骤：

确定互感器左右边缘实际边缘特征点的最高点和最低点纵坐标，从而确定套管的上下边缘的直线，做上下边缘两条直线并与左右边缘拟合修正直线相交，中间的区域即为最终识别的互感器区域。

本发明具有的优点和积极效果是：由本发明提出的基于图像纹理特征的互感器红外图像识别方法，能够根据互感器左右边缘的“波浪形”特征来提取出互感器的特征纹理，经过K-means聚类和离群点剔除后，拟合成左右边缘直线，并根据特征纹理含有更多边缘信息的特点修正边缘直线，本发明能够快速地识别红外热像中互感器的具体区域，帮助运行人员检测互感器的位置坐标，提高电力***状态监测的自动化程度，具有很强的实用价值。

附图说明

图1是变电站现场拍摄的互感器红外图像的示意图；

图2是互感器红外图像经预处理后的图像的示意图；

图3是互感器左右边缘特征的模板图像的示意图；

图4是经归一化相关系数最大值匹配后的互感器左右边缘特征点图像的示意图；

图5是互感器左边缘特征点经K-means聚类后的结果示意图的示意图；

图6是互感器右边缘特征点经K-means聚类后的结果示意图的示意图；

图7是聚类中心点之间的欧氏距离矩阵示意图的示意图；

图8是左右边缘拟合直线的示意图的示意图；

图9是加入边缘特征点后修正的边缘拟合直线示意图的示意图；

图10是互感器在红外图像中的位置示意图的示意图。

具体实施方式

以下通过将本发明的基于图像纹理特征的互感器红外图像识别方法应用于天津宝坻电力公司采集的互感器红外图像识别中。

在该识别***中，包括宝坻供电局下辖变电站互感器设备，覆盖了菜园大口屯、城关新开口、东老口周良、随庄子、太平庄等地变电站互感器设备，共包括320张现场拍摄的互感器红外图像，这些红外图像中的互感器大小和角度均有差异。本发明提出互感器识别方法，用于识别这些红外图像中互感器的具***置，并从图像中提取出来以便后续的温度和故障识别，具体步骤如下：

步骤1：对图(1)中的互感器红外图像进行预处理，首先去除下方的数字信息和右方的比色条区域，然后进行图像灰度化和去噪处理，最后对图像进行X方向的Canny检测，提取出互感器的特征纹理，完成图像的预处理。

图像的预处理具体包括如下步骤：

a)图像灰度化处理的方法如下：

gray(i,j)＝0.299×r(i,j)+0.587×g(i,j)+0.114×b(i,j) 式(1)

其中，gray(i,j)表示(i,j)点的灰度值，r(i,j)表示(i,j)点RGB值的R值分量，g(i,j)表示(i,j)点RGB值的G值分量，b(i,j)表示(i,j)点RGB值的B值分量。

b)图像去噪采用巴特沃斯低通滤波的方法，一个n阶巴特沃斯滤波器的传递函数为：

其中，D₀是截止频率；n为阶数，取正整数，从而控制曲线的形状，由于巴特沃斯滤波器转移曲线较为平滑，故图像的模糊将减少。

c)经预处理后图像的x方向梯度值为：

gray_x(i,j)＝gray(i+1,j)-gray(i-1,j) 式(3)

在式(3)中，将邻域的中心像素与沿梯度方向的两个梯度幅值的插值结果相比较，如果邻域中心的幅值不比梯度方向的两个插值结果大，则将gray(i,j)对应的边缘标志位赋值为0。

最终的处理结果如图(2)所示。

步骤2：采用归一化相关系数最大值的方法对预处理图像和左右边缘典型特征图像进行匹配，实现图像的纹理特征点提取。图(3)是标准的互感器左右边缘特征模板图像，以图(2)为原图像，

设f(x,y)为M×N的原图像，即经过预处理的X方向Canny检测图像，t(p,q)为P×Q(P≤M,Q≤N)的模板图像，则相关系数RN(x,y)可以表示为：

其中

经式(4)～(5)计算后，去除归一化相关系数小于0.7的点，结果如图(4)所示。

步骤3：对所有左边缘特征点和右边缘特征点分别进行K-means聚类，分别聚为14类，共形成28个聚类中心点，方法如下：

聚类结果如图(5)～(6)所示。然后计算欧氏距离矩阵，设经过K-means聚类后的14个聚类中心的坐标值为(i_w,j_w)，其中w＝1,2...14，分别计算1～14个聚类中心点到其他13个聚类中心点的欧氏距离，并形成14×14阶欧式距离矩阵，将欧氏距离矩阵按行相加形成欧氏距离和矩阵dis(u,1)u＝1,2...14，再将欧氏距离和从小到大排列形成dis'(u,1)u＝1,2...14矩阵，当时，认定u点为离群点。结果如图(7)所示，该互感器左边缘特征点中有三个离群点，将离群点剔除后，形成最终聚类中心集合。

步骤4：分别对左边缘聚类中心集合点和右边缘聚类中心集合点进行最小二乘法直线拟合，具体的公式如下所示：

其中，o表示14个聚类中心点剔除离群点后的聚类中心个数，x_i,y_i分别为聚类中心点的横纵坐标值，分别为聚类中心点横纵坐标的平均值，(9)式为拟合的直线方程,结果如图(8)所示，为提高边缘识别的准确度，加入RN(x,y)＜0.7的互感器左右边缘特征点来强化边缘识别的准确度，又因为拟合的直线近似准确，故可以以之为基础进行边缘修正，假定φ{ii_ss,jj_ss}为边缘特征点集合，ss为边缘特征点的编号，ii_ss,jj_ss分别为其横纵坐标值，若

即认为(ii_ss,jj_ss)为实际的边缘特征点，若不符合(10)式，则认为是离群的边缘特征点，最终组成实际边缘特征点集合Φ{ii_ss,jj_ss}，将该集合中点的坐标带入(7)～(9)式，最终得到修正的边缘直线方程，按式(10)对直线拟合结果进行修正，结果如图(9)所示。

步骤5：假定互感器左边缘实际边缘特征点的最高点和最低点纵坐标分left_max,left_min，右边缘实际边缘特征点的最高点和最低点的纵坐标分别为right_max,right_min。

综上，上边缘最高点纵坐标max＝max{left_max,right_max}，下边缘最低点纵坐标min＝min{left_min,right_min}，分别做y＝max和y＝min两条直线并与左右边缘拟合修正直线相交，中间的区域即为最终识别的互感器区域，互感器位置示意图如图(10)所示。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。

Claims (6)

1.一种基于图像纹理特征的互感器红外图像识别方法，包括如下步骤：

(1)图像预处理，包括对互感器图像灰度化和去噪处理，并对图像进行X方向的Canny检测，提取出互感器的特征纹理；

(2)采用归一化相关系数最大值的方法对预处理图像和左右边缘典型特征图像进行匹配，实现图像的纹理特征点提取；

(3)对特征点进行K-means聚类处理，并剔除离群点；

(4)根据左右边缘的聚类结果，对聚类中心进行最小二乘法的直线拟合，确定套管的左右边缘；

(5)在拟合的边缘直线上寻找纵坐标最高和最低点，确定套管的上下边缘，最终得到识别的互感器区域。

2.根据权利要求1所述的一种基于图像纹理特征的互感器红外图像识别方法，其特征在于：所述步骤(1)具体包括如下步骤：

a)图像灰度化处理的方法如下：

gray(i,j)＝0.299×r(i,j)+0.587×g(i,j)+0.114×b(i,j) 式(1)

其中，gray(i,j)表示(i,j)点的灰度值，r(i,j)表示(i,j)点RGB值的R值分量，g(i,j)表示(i,j)点RGB值的G值分量，b(i,j)表示(i,j)点RGB值的B值分量；

b)图像去噪采用巴特沃斯低通滤波的方法，一个n阶巴特沃斯滤波器的传递函数为：

其中，D₀是截止频率；n为阶数，取正整数，从而控制曲线的形状，由于巴特沃斯滤波器转移曲线较为平滑，故图像的模糊将减少；

c)经预处理后图像的x方向梯度值为：

gray_x(i,j)＝gray(i+1,j)-gray(i-1,j) 式(3)

在式(3)中，将邻域的中心像素与沿梯度方向的两个梯度幅值的插值 结果相比较，如果邻域中心的幅值不比梯度方向的两个插值结果大，则将gray(i,j)对应的边缘标志位赋值为0。

3.根据权利要求1所述的一种基于图像纹理特征的互感器红外图像识别方法，其特征在于：所述步骤(2)具体包括如下步骤：

a)计算归一化相关系数，计算方法如下：

其中

式中，f(x,y)为M×N的原图像，即经过预处理的X方向Canny检测图像，t(p,q)为P×Q(P≤M,Q≤N)的模板图像，RN(x,y)为归一化相关系数；

b)滤除RN(x,y)＜0.7的点，剩余的点被认为是互感器的左右边缘特征。

4.根据权利要求1所述的一种基于图像纹理特征的互感器红外图像识别方法，其特征在于：所述步骤(3)具体包括如下步骤：

a)K-means聚类的方法如下：

K'为聚类数目，选定14个聚类中心，首先随机选择14个类的初始聚类中心，对任意一个对象，计算到这14个中心的距离，并将该对象归到相似性最大的中心所在的类中，利用均值法更新k个类的中心值，对所有14个聚类中心，如果经过迭代算法更新后，式(6)中所示的测度函数收敛或达到最大迭代次数，则迭代结束，否则继续迭代；

b)设经过K-means聚类后的14个聚类中心的坐标值为(i_w,j_w)，其中 w＝1,2...14，分别计算1～14个聚类中心点到其他13个聚类中心点的欧氏距离，并形成14×14阶欧式距离矩阵，将欧氏距离矩阵按行相加形成欧氏距离和矩阵dis(u,1)，u＝1,2...14，再将欧氏距离和从小到大排列形成dis'(u,1)，u＝1,2...14，矩阵，当时，认定u点为离群点。

5.根据权利要求1所述的一种基于图像纹理特征的互感器红外图像识别方法，其特征在于：所述步骤(4)具体包括如下步骤：

a)以剔除离群点的聚类中心点集坐标为样本，采用最小二乘法进行直线拟合，具体的公式如下所示：

其中，o表示14个聚类中心点剔除离群点后的聚类中心个数，x_i,y_i分别为聚类中心点的横纵坐标值，分别为聚类中心点横纵坐标的平均值，(9)式为拟合的直线方程；

b)加入RN(x,y)＜0.7的互感器左右边缘特征点来强化边缘识别的准确度，进行边缘修订：假定φ{ii_ss,jj_ss}为边缘特征点集合，ss为边缘特征点的编号，ii_ss,jj_ss分别为其横纵坐标值，若

即认为(ii_ss,jj_ss)为实际的边缘特征点，(10)式为点到直线的距离公式，经过实验证实，选定边缘特征点距离特征直线距离为3像素点以内时，可以囊括最多边缘特征点，同时引起最小误差；若不符合(10)式，则认为是离 群的边缘特征点，最终组成实际边缘特征点集合Φ{ii_ss,jj_ss}，将该集合中点的坐标带入(7)～(9)式，最终得到修正的边缘直线方程。

6.根据权利要求1所述的一种基于图像纹理特征的互感器红外图像识别方法，其特征在于：所述步骤(5)具体包括如下步骤：

确定互感器左右边缘实际边缘特征点的最高点和最低点纵坐标，从而确定套管的上下边缘的直线，做上下边缘两条直线并与左右边缘拟合修正直线相交，中间的区域即为最终识别的互感器区域。