CN105205829A - 基于改进的二维Otsu的变电站红外图像分割方法 - Google Patents

Abstract

本发明公开了一种基于改进的二维Otsu的变电站红外图像分割方法。解决了现有的二维Otsu算法中出现的误分割，目标分割不完整的问题。本发明是采用形态学的权重自适应算法对输入的图像进行去噪，最后使用改进的二维Otsu算法进行图像分割。本发明能够有效地将目标区域完整的分割出来，为后续目标区域的特征提取奠定良好的基础。

Description

基于改进的二维Otsu的变电站红外图像分割方法

技术领域

本发明属于电力***变电站设备图像处理领域，具体涉及一种基于改进的二维Otsu的变电站红外图像分割方法。

背景技术

由于红外成像技术是对设备表面辐射的红外光线进行非接触、远距离热成像检测，不受电场干扰，因此具有直观、准确、灵敏度高、快速、安全、应用范围广等特点，已成为变电站设备健康状态监测和故障诊断的重要手段。

红外图像分割技术是变电站电气设备故障监测与诊断中智能软件模块的一个重要组成部分，也是***完成故障监测与诊断的一个承上启下的重要环节，通过分割提取的电气设备特征可以为***后期的电气设备目标提取与识别，智能判断和决策提供依据。

传统的二维Otsu阈值分割法虽然考虑了图像的局部空间信息，抑制了一部分噪声的干扰，分割效果也较为理想，但其没有考虑像素点与其周围领域像素灰度值的偏离情况，并且根据二维直方图粗略的将一小部分像素点看成边缘和噪声来处理，给图像的分割造成误差。

发明内容

本发明的目的在于提供一种基于改进的二维Otsu的变电站红外图像分割方法，能够有效地将目标区域完整的分割出来，为后续目标区域的特征提取奠定良好的基础。

为了实现上述目的，本发明采用的技术方案如下：

一种基于改进的二维Otsu的变电站红外图像分割方法，包括以下步骤：

包括以下步骤：

(1)输入变电站红外图像；

(2)采用形态学的权重自适应算法对输入的图像进行去噪：

(2a)根据输入的绝缘子串原始红外图像选择合适的形态学结构元素算子；

(2b)构建形态学滤波器并自适应确定其权值；

(2c)滤波处理，得到去噪后的图像；

(3)使用改进的二维Otsu算法进行图像分割：

(3a)求出被阈值对划分的两类图像像素对应的先验概率，进一步地得到相应的类内均值矢量；

(3b)求出二维直方图总均值矢量，假设二维直方图的副对角区域图像的概率可以忽略不计，于是可进一步得到一个关系式；

(3c)定义一个类间方差，结合步骤(3b)中的关系式，并以该类间方差的迹作为类间方差的测度，然后求得非改进的二维Otsu分割算法；

(3d)当步骤(3b)中的关系式并不成立时，须修正步骤(3c)中的类间方差测度关系式，进一步地得到改进后的二维Otsu分割算法，然后求得改进后的二维Otsu分割算法的最佳阈值。

具体地，所述步骤(2a)中选取的形态学结构元素算子为线性算子，每个线性算子具有不同的长度和角度。

具体地，所述步骤(2b)中选择构建串联滤波器来进行图像滤波，然后将上述不同形状的结构元素所构成的串联滤波器进行并联，结合自适应权值算法进一步构建串、并联复合滤波器。

具体地，将每次的串联处理结果与原始图像的差异值作为权值向量，分别记为β₁,β₂,…,β_n，每次串联处理结果的权值分别记为α₁,α₂,…,α_n，则自适应权值计算公式为：

$\left\{\begin{array}{c}{\mathrm{\α}}_1=\frac{{\mathrm{\β}}_1}{{\mathrm{\β}}_1+{\mathrm{\β}}_2+...+{\mathrm{\β}}_n}\\ {\mathrm{\α}}_2=\frac{{\mathrm{\β}}_2}{{\mathrm{\β}}_1+{\mathrm{\β}}_2+...+{\mathrm{\β}}_n}\\ \mathrm{...}\\ {\mathrm{\α}}_n=\frac{{\mathrm{\β}}_n}{{\mathrm{\β}}_1+{\mathrm{\β}}_2+...+{\mathrm{\β}}_n}\end{array}\right..---\left(1\right)$

具体地，每次串联滤波处理的结果为I_i，其中i＝1,2,3,...,n，则输出去噪结果图像I为：

$I=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-I_i---\left(2\right)$

其中，α_i为每次串联结果的权值，I_i为每次串联滤波的结果，式中i＝1,2,3,...,n。

具体地，所述步骤(3a)中设图像灰度级从1到L，2维直方图任意一点的值定义为p_ij，p_ij表示二元组(i,j)发生的频率；假设图像被阈值对(s,t)划分为两类C_o和C_b，对应的先验概率ω_o(s,t)与ω_b(s,t)分别为：

$\begin{array}{cc}{\mathrm{\ω}}_o(s,t)=\underset{i=1}{\overset{s}{\Σ}}\underset{j=1}{\overset{t}{\Σ}}{p}_{ij}& {\mathrm{\ω}}_b(s,t)=\underset{i=s+1}{\overset{L}{\Σ}}\underset{j=t+1}{\overset{L}{\Σ}}{p}_{ij}\end{array}---\left(3\right)$

相应的类内均值矢量m_o和m_b分别为：

$\begin{array}{c}{m}_o={(m_{oi},m_{oj})}^T={\left(\underset{i=1}{\overset{s}{\Σ}}\underset{j=1}{\overset{t}{\Σ}}{\mathrm{ip}}_{ij}/{\mathrm{\ω}}_o,\underset{i=1}{\overset{s}{\Σ}}\underset{j=1}{\overset{t}{\Σ}}{\mathrm{jp}}_{ij}/{\mathrm{\ω}}_o,\right)}^T\\ =\left(m_i\left(s,t\right)/{\mathrm{\ω}}_o\left(s,t\right),m_j\left(s,t\right)/{\mathrm{\ω}}_o\left(s,t\right)\right)\end{array}---\left(4\right)$

$m_b={(m_{bi},m_{bj})}^T={\left(\underset{i=s+1}{\overset{L}{\Σ}}\underset{j=t+1}{\overset{L}{\Σ}}{\mathrm{ip}}_{ij}/{\mathrm{\ω}}_b,\underset{i=s+1}{\overset{L}{\Σ}}\underset{j=t+1}{\overset{L}{\Σ}}{\mathrm{jp}}_{ij}/{\mathrm{\ω}}_b,\right)}^T---\left(5\right)$

在公式(4)中， $m_i(s,t)=\underset{i=1}{\overset{s}{\Σ}}\underset{t=1}{\overset{t}{\Σ}}{\mathrm{ip}}_{ij},m_j(s,t)=\underset{i=1}{\overset{s}{\Σ}}\underset{t=1}{\overset{t}{\Σ}}{\mathrm{jp}}_{ij}.$

具体地，所述步骤(3b)中二维直方图总均值矢量m_T为：

$m_T={(m_{Ti},m_{Tj})}^T=\left(\underset{i=1}{\overset{L}{\Σ}}\underset{t=1}{\overset{L}{\Σ}}{\mathrm{ip}}_{ij},\underset{i=1}{\overset{L}{\Σ}}\underset{t=1}{\overset{L}{\Σ}}{\mathrm{jp}}_{ij},\right)---\left(6\right)$

根据假设得到的关系式为：

ω_o+ω_b≈1m_T≈ω_om_o+ω_bm_b。(7)

具体地，所述步骤(3c)中类间方差σ_B的定义为：

σ_B＝ω_o[(m_o-m_T)(m_o-m_T)^T]+ω_b[(m_b-m_T)(m_b-m_T)^T](8)

使用类间方差的迹作为类间方差的测度，有：

trσB＝ω_o[(m_oi-m_Ti)²+(m_oj-m_Tj)²]+ω_b[(m_bi-m_Ti)²+(m_bj-m_Tj)²](9)将(7)带入(9)中，有：

${\mathrm{tr\σ}}_B\≈\frac{{\[m_{Ti}{\mathrm{\ω}}_o-m_i\left(s,t\right)\]}^2+{\[m_{Tj}{\mathrm{\ω}}_o-m_j\left(s,t\right)\]}^2}{{\mathrm{\ω}}_o\[1-{\mathrm{\ω}}_o\]}---\left(10\right)$

此时二维Otsu分割算法的最佳阈值可以由(11)式确定：

$(s^{*},t^{*})=\arg \underset{1\≤s,t\≤L}{max}\left\{{\mathrm{tr\σ}}_B\right(s,t\left)\right\}.---\left(11\right)$

具体地，所述步骤(3d)中对(10)式进行修正得到式(12)：

$\begin{array}{c}{{\mathrm{tr\σ}}_B}^{\′}={\mathrm{\ω}}_o(s,t)\[{\left(\frac{m_i(s,t)}{{\mathrm{\ω}}_o(s,t)}-m_{Ti}\right)}^2+{\left(\frac{m_j(s,t)}{{\mathrm{\ω}}_o(s,t)}-m_{Tj}\right)}^2\]\\ +{\mathrm{\ω}}_b(s,t)\[{\left(\frac{m_i(s,t)}{{\mathrm{\ω}}_b(s,t)}-m_{Ti}\right)}^2+{\left(\frac{m_j(s,t)}{{\mathrm{\ω}}_b(s,t)}-m_{Tj}\right)}^2\]\end{array}---\left(12\right)$

此时改进的二维Otsu分割算法的最佳阈值可以由(13)式确

$(s^{*},t^{*})=\arg \underset{1\≤s,t\≤L}{max}\left\{{{\mathrm{tr\σ}}_B}^{\′}\right(s,t\left)\right\}.---\left(13\right)$

本发明与现有技术相比，具有以下优点及有益效果：

(1)本发明在图像分割前首先对图像进行去噪处理，缩小了像素点与图像领域像素灰度值的偏离程度，极大地减少了后续图像分割时的误差。

(2)本发明的分割阈值可以涵盖目标区域低灰度级部分，能够较好的将目标区域完整的分割出来，为后续目标区域的特征提取奠定良好的基础。

附图说明

图1为本发明仿真实验中待分割的断路器红外图像故障原图。

图2为本发明仿真实验中经过基于形态学的权重自适应去噪后的图像。

图3为本发明仿真实验中经过非改进的二维Otsu分割算法处理后的图像。

图4为本发明仿真实验中经过改进的二维Otsu分割算法处理后的图像。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。

实施例

一种基于改进的二维Otsu的变电站红外图像分割方法，包括以下步骤：

(1)输入变电站红外图像；

(2)采用形态学的权重自适应算法对输入的图像进行去噪：

(2a)根据输入的绝缘子串原始红外图像选择合适的形态学结构元素算子：

(2b)构建形态学滤波器并自适应确定其权值；

(2c)滤波处理，得到去噪后的图像；

(3)使用改进的二维Otsu算法进行图像分割：

(3a)求出被阈值对划分的两类图像像素对应的先验概率，进一步得到相应的类内均值矢量；

(3b)求出二维直方图总均值矢量，假设二维直方图的副对角区域图像的概率可以忽略不计，于是可进一步得到一个关系式；

(3c)定义一个类间方差，结合步骤(3b)中的关系式，并以该类间方差的迹作为类间方差的测度，然后得到非改进的二维Otsu分割算法；

(3d)在很多情况下，步骤(3b)中的关系式并不成立，所以有必要修正步骤(3c)中的类间方差测度关系式，进一步得到改进后的二维Otsu分割算法，然后求得改进后的二维Otsu分割算法的最佳阈值。

所述步骤(2a)中选取的形态学结构元素算子为线性算子，每个线性算子具有不同的长度和角度。

所述步骤(2b)中形态学滤波器的选择方式为：先构建串联滤波器来进行图像滤波，然后将上述不同形状的结构元素所构成的串联滤波器进行并联，结合自适应权值算法进一步构建串、并联复合滤波器。

所述步骤(2b)中将每次的串联处理结果与原始图像的差异值作为权值向量，分别记为β₁,β₂,…,β_n，每次串联处理结果的权值分别记为α₁,α₂,…,α_n，则自适应权值计算公式为： $\left\{\begin{array}{c}{\mathrm{\α}}_1=\frac{{\mathrm{\β}}_1}{{\mathrm{\β}}_1+{\mathrm{\β}}_2+...+{\mathrm{\β}}_n}\\ {\mathrm{\α}}_2=\frac{{\mathrm{\β}}_2}{{\mathrm{\β}}_1+{\mathrm{\β}}_2+...+{\mathrm{\β}}_n}\\ \mathrm{...}\\ {\mathrm{\α}}_n=\frac{{\mathrm{\β}}_n}{{\mathrm{\β}}_1+{\mathrm{\β}}_2+...+{\mathrm{\β}}_n}\end{array}\right..$

所述步骤(2c)中每次串联滤波的结果为I_i，其中i＝1,2,3,...,n，则输出去噪结果图像I为： $I=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-I_i.$

所述步骤(3a)中设图像灰度级从1到L，2维直方图任意一点的值定义为p_ij，p_ij表示二元组(i,j)发生的频率。假设图像被阈值对(s,t)划分为两类C_o和C_b，对应的先验概率ω_o(s,t)与ω_b(s,t)以及相应的类内均值矢量m_o和m_b分别为：

${\mathrm{\ω}}_o(s,t)=\underset{i=1}{\overset{s}{\Σ}}\underset{j=1}{\overset{t}{\Σ}}-p_{ij};$

${\mathrm{\ω}}_b(s,t)=\underset{i=s+1}{\overset{L}{\Σ}}\underset{j,=t+1}{\overset{L}{\Σ}}{p}_{ij};$

$\begin{array}{c}{m}_o={(m_{oi},m_{oj})}^T={\left(\underset{i=1}{\overset{s}{\Σ}}\underset{j=1}{\overset{t}{\Σ}}{\mathrm{ip}}_{ij}/{\mathrm{\ω}}_o,\underset{i=1}{\overset{s}{\Σ}}\underset{j=1}{\overset{t}{\Σ}}{\mathrm{jp}}_{ij}/{\mathrm{\ω}}_o,\right)}^T\\ =\left(m_i\left(s,t\right)/{\mathrm{\ω}}_o\left(s,t\right),m_j\left(s,t\right)/{\mathrm{\ω}}_o\left(s,t\right)\right)\end{array};$

$m_b={(m_{bi},m_{bj})}^T={\left(\underset{i=s+1}{\overset{L}{\Σ}}\underset{j=t+1}{\overset{L}{\Σ}}{\mathrm{ip}}_{ij}/{\mathrm{\ω}}_b,\underset{i=s+1}{\overset{L}{\Σ}}\underset{j=t+1}{\overset{L}{\Σ}}{\mathrm{jp}}_{ij}/{\mathrm{\ω}}_b,\right)}^T.$

所述步骤(3b)中二维直方图总均值矢量m_T为：

$m_T={(m_{Ti},m_{Tj})}^T=\left(\underset{i=1}{\overset{L}{\Σ}}\underset{t=1}{\overset{L}{\Σ}}{\mathrm{ip}}_{ij},\underset{i=1}{\overset{L}{\Σ}}\underset{t=1}{\overset{L}{\Σ}}{\mathrm{jp}}_{ij},\right).$

所述步骤(3b)中根据假设得到的关系式为：

ω_o+ω_b≈1m_T≈ω_om_o+ω_bm_b。

所述步骤(3c)中类间方差σ_B的定义为：

σ_B＝ω_o[(m_o-m_T)(m_o-m_T)^T]+ω_b[(m_b-m_T)(m_b-m_T)^T]；

所述步骤(3c)中使用类间方差的迹作为类间方差的测度，有：

trσ_B＝ω_o[(m_oi-m_Ti)²+(m_oj-m_Tj)²]+ω_b[(m_bi-m_Ti)²+(m_bj-m_Tj)²]；

所述步骤(3c)中将步骤(3b)中根据假设得到的关系式带入类间方差的测度，有： ${\mathrm{tr\σ}}_B\≈\frac{{\[m_{Ti}{\mathrm{\ω}}_o-m_i(s,t)\]}^2+{\[m_{Tj}{\mathrm{\ω}}_o-m_j(s,t)\]}^2}{{\mathrm{\ω}}_o\[1-{\mathrm{\ω}}_o\]}.$

所述步骤(3d)中对非改进的二维Otsu分割算法公式进行修正得到改进的二维Otsu分割算法公式： $\begin{array}{c}{{\mathrm{tr\σ}}_B}^{\′}={\mathrm{\ω}}_o(s,t)\[{\left(\frac{m_i(s,t)}{{\mathrm{\ω}}_o(s,t)}-m_{Ti}\right)}^2+{\left(\frac{m_j(s,t)}{{\mathrm{\ω}}_o(s,t)}-m_{Tj}\right)}^2\]\\ +{\mathrm{\ω}}_b(s,t)\[{\left(\frac{m_i(s,t)}{{\mathrm{\ω}}_b(s,t)}-m_{Ti}\right)}^2+{\left(\frac{m_j(s,t)}{{\mathrm{\ω}}_b(s,t)}-m_{Tj}\right)}^2\]\end{array};$

所述步骤(3d)中改进后的二维Otsu分割算法的最佳阈值计算公式为：

$(s^{*},t^{*})=\arg \underset{1\≤s,t\≤L}{max}\left\{{{\mathrm{tr\σ}}_B}^{\′}\right(s,t\left)\right\}.$

采用本发明的方法进行仿真实验。如图1所示，本发明仿真实验所要处理的红外图像故障原图，受到设备和拍摄的影响，该图像存在着许多噪声点。

如图2所示，对图像进行基于形态学的权重自适应去噪，去除这些噪声点的影响，这里选择的线性结构算子对图像进行形态学的腐蚀运算，线性结构算子长度分别为3、5、7，角度分别为-45、0、45.

如图3所示，采用非改进的二维Otus分割算法对图像进行分割，可见图像灰度级较低的部分没有分割出来，从而说明该算法不能将目标区域完整地分割出来。

如图4所示，采用改进的二维Otus分割算法对图像进行分割，可见该算法能够较好的将目标区域完整的分割出来，分割结果清晰并且没有错分现象。

按照上述实施例，便可很好地实现本发明。值得说明的是，基于上述结构设计的前提下，为解决同样的技术问题，即使在本发明上做出的一些无实质性的改动或润色，所采用的技术方案的实质仍然与本发明一样，故其也应当在本发明的保护范围内。

Claims (9)

1.一种基于改进的二维Otsu的变电站红外图像分割方法，其特征在于，包括以下步骤：

(1)输入变电站红外图像；

(2)采用形态学的权重自适应算法对输入的图像进行去噪：

(2a)根据输入的绝缘子串原始红外图像选择合适的形态学结构元素算子；

(2b)构建形态学滤波器并自适应确定其权值；

(2c)滤波处理，得到去噪后的图像；

(3)使用改进的二维Otsu算法进行图像分割：

(3a)求出被阈值对划分的两类图像像素对应的先验概率，进一步地得到相应的类内均值矢量；

(3b)求出二维直方图总均值矢量，假设二维直方图的副对角区域图像的概率可以忽略不计，于是可进一步得到一个关系式；

(3c)定义一个类间方差，结合步骤(3b)中的关系式，并以该类间方差的迹作为类间方差的测度，然后求得非改进的二维Otsu分割算法；

(3d)当步骤(3b)中的关系式并不成立时，须修正步骤(3c)中的类间方差测度关系式，进一步地得到改进后的二维Otsu分割算法，然后求得改进后的二维Otsu分割算法的最佳阈值。

2.根据权利要求1所述的基于改进的二维Otsu的变电站红外图像分割方法，其特征在于，所述步骤(2a)中选取的形态学结构元素算子为线性算子，每个线性算子具有不同的长度和角度。

3.根据权利要求1所述的基于改进的二维Otsu的变电站红外图像分割方法，其特征在于，所述步骤(2b)中选择构建串联滤波器来进行图像滤波，然后将上述不同形状的结构元素所构成的串联滤波器进行并联，结合自适应权值算法进一步构建串、并联复合滤波器。

4.根据权利要求3所述的基于改进的二维Otsu的变电站红外图像分割方法，其特征在于，将每次的串联处理结果与原始图像的差异值作为权值向量，分别记为β₁,β₂,…,β_n，每次串联处理结果的权值分别记为α₁,α₂,…,α_n，则自适应权值计算公式为：

。

5.根据权利要求4所述的基于改进的二维Otsu的变电站红外图像分割方法，其特征在于，每次串联滤波处理的结果为I_i，其中i＝1,2,3,...,n，则输出去噪结果图像I为：

其中，α_i为每次串联结果的权值，I_i为每次串联滤波的结果，式中i＝1,2,3,...,n。

6.根据权利要求1所述的基于改进的二维Otsu的变电站红外图像分割方法，其特征在于，所述步骤(3a)中设图像灰度级从1到L，2维直方图任意一点的值定义为p_ij，p_ij表示二元组(i,j)发生的频率；假设图像被阈值对(s,t)划分为两类C_o和C_b，对应的先验概率ω_o(s,t)与ω_b(s，t)分别为：

相应的类内均值矢量m_o和m_b分别为：

在公式(4)中，

7.根据权利要求1所述的基于改进的二维Otsu的变电站红外图像分割方法，其特征在于，所述步骤(3b)中二维直方图总均值矢量m_T为：

根据假设得到的关系式为：

ω_o+ω_b≈1m_T≈ω_om_o+ω_bm_b。(7)。

8.根据权利要求7所述的基于改进的二维Otsu的变电站红外图像分割方法，其特征在于，所述步骤(3c)中类间方差σ_B的定义为：

σ_B＝ω_o[(m_o-m_T)(m_o-m_T)^T]+ω_b[(m_b-m_T)(m_b-m_T)^T](8)

使用类间方差的迹作为类间方差的测度，有：

trσ_B＝ω_o[(m_oi-m_Ti)²+(m_oj-m_Tj)²]+ω_b[(m_bi-m_Ti)²+(m_bj-m_Tj)²](9)

将(7)带入(9)中，有：

此时二维Otsu分割算法的最佳阈值可以由(11)式确定：

9.根据权利要求8所述的基于改进的二维Otsu的变电站红外图像分割方法，其特征在于，所述步骤(3d)中对(10)式进行修正得到式(12)：

此时改进的二维Otsu分割算法的最佳阈值可以由(13)式确

。