变电站设备红外图像感兴趣区域的分割方法及系统

摘要

本发明公开了一种变电站设备红外图像感兴趣区域的分割方法，其首先将获取的红外热像图I(x,y)进行SIFT变换，得到初始特征点集合P＝{p

说明书

技术领域

本发明涉及一种变电站设备红外图像分割方法及系统，尤其涉及一种变 电站设备红外图像感兴趣区域的分割方法及系统。

背景技术

电力系统70％的故障是由于电气设备故障引起的，而超过半数以上的电 气设备故障都与因连接松动、接触不良、泄露电流、漏磁等造成的发热有关。 电气设备长期处于异常发热状态会引起金属构件“蠕变”和绝缘材料老化及 劣化，最终造成严重的设备损坏而引发电网故障。红外热成像是电气设备在 线监测的一项行之有效的技术手段。利用红外热成像技术对电气设备进行红 外成像，将物体发出的红外辐射转变为可见的热分布图像，从而获得设备的 红外热像图，通过分析这种红外热像图的变异，即可以分析判断设备可能存 在的各种缺陷。但是，红外热成像技术反映的是温度场信息，会造成对象形 状的严重变形，若不进行有效地图像分割和处理以及温度场信息与电气设备 各个部分的映射，直接进行故障判别和诊断是不科学的。因此，红外图像分 割技术是变电站电气设备智能在线监测系统中智能软件模块的一个重要组成 部分，通过分割来提取电气设备的特征为系统后期的智能判断和决策提供依 据。所以对变电站红外图像分割技术的研究对推动变电站电气设备在线监测 系统向自动化、智能化方向发展有着重大的现实意义。

现有的多数红外图像分割方法存在分割精度不高或是过分割的问题，比 如，基于像素强度的方法(如阈值法，标准聚类法等)，由于不是所有感兴趣 的区域有相似的像素强度(因为不对称负荷或是只有一相故障)，会大概率导 致感兴趣区域被分割到不同部分。另一方面，由于感兴趣区域和背景区域的 像素强度差别不大时，会使得感兴趣区域和一部分背景图片分割在一起。

发明内容

本发明的目的在于提供一种变电站设备红外图像感兴趣区域的分割方 法，利用该方法能对来自变电站设备的红外热像图进行感兴趣区域的分割， 从而简化变电站红外温度监控中的后续故障分析处理难度，提高电力设备红 外图像检测技术的自动化水平，最终提高数字变电站的智能化水平。

本发明的另一目的在于提供一种变电站设备红外图像感兴趣区域的分割 系统，该系统可基于上述方法达到上述效果。

为了实现上述目的，本发明提出了一种变电站设备红外图像感兴趣区域 的分割方法，其包括步骤：

(1)获取变电站设备的红外热像图I(x,y)；

(2)将所述红外热像图I(x,y)进行SIFT(尺度不变特征变换)变换， 得到初始特征点集合P＝{p₁,…,p_n}，及其对应的特征子F＝{f₁,…,f_n}：

(3)对初始特征点进行匹配得到特征点簇：

将初始特征点集合P＝{p₁,…,p_n}对应的初始特征点特征子集合 F＝{f₁,…,f_n}按下式进行匹配：

$\frac{\left|\right|f_i-f_j\left|\right|}{\left|\right|f_i+f_k\left|\right|}<T_{match}$

其中，T_match为设定的阈值，f_j是通过遍历初始特征点特征子集合 F＝{f₁,…,f_n}找到的f_i的第一个最近邻接点特征子，f_k是通过遍历初始特征 点特征子集合F＝{f₁,…,f_n}找到的f_i的第二个最近邻接点特征子，f_i与f_j建立匹配关系；重复上述匹配过程以对i进行遍历直至没有更多的匹配关 系被建立，以初始特征点特征子集合F＝{f₁,…,f_n}之间的匹配关系为标准 对初始特征点集合P＝{p₁,…,p_n}进行簇的划分，得到若干个特征点簇；

(4)对特征点簇进行匹配得到特征点簇组：

(4a)按照下列步骤获取所有的最小距离簇对：

将所述若干个特征点簇中的每一个特征点簇的特征点集合 P_c＝{p_c1,…,p_cm}对应的特征点簇的特征点特征子集合F_c＝{f_c1,…,f_cm}按下式 进行匹配：

$\frac{\left|\right|f_{ci}-f_{cj}\left|\right|}{\left|\right|f_{ci}+f_{ck}\left|\right|}<T_{match}$

其中，T_match为设定的阈值，f_cj是通过遍历所述特征点簇的特征点特 征子集合F_c＝{f_c1,…,f_cm}找到的f_ci的第一个最近邻接点特征子，f_ck是通过 遍历所述特征点簇的特征点特征子集合F_c＝{f_c1,…,f_cm}找到的f_ci的第二个 最近邻接点特征子；将处于不同特征点簇中的f_ci与f_cj建立匹配关系；

计算建立匹配关系的f_ci与f_cj对应的p_ci与p_cj之间的欧式距离，选择 欧式距离最小的p_ci与p_cj对应的特征点簇建立匹配关系，从而形成最小距 离簇对；

(4b)按照下述步骤得到所有的特征点簇组：

在所述建立匹配关系的f_ci与f_cj中，f_ci和f_cj相互之间可能存在一对多 的匹配关系，把其中某个f_ci或f_cj对应匹配的f_cj或f_ci的数量称为连接数。 计算各最小距离簇对中建立匹配关系的f_ci和f_cj的连接数，将连接数少的 特征点簇归于连接数多的特征点簇，进行分组，从而得到特征点簇组；

(5)感兴趣区域分割：采用得到的特征点簇组对红外热像图I(x,y)进 行分割，得到变电站设备的红外热像图I(x,y)的感兴趣区域。

本发明所述的变电站设备红外图像感兴趣区域的分割方法的构思是综合 利用SIFT、匹配等方法，来解决对来自变电站设备的红外热像图的感兴趣区 域的自动分割问题，其利用了SIFT的对于光线、噪声、微视角改变的高容 忍度，使得自动分割出来的区域基本不受像素强度和背景的影响，而这些区 域往往最符合利用者的感兴趣区域。具体来说，本发明所述的变电站设备红 外图像感兴趣区域的分割方法首先将获取的红外热像图I(x,y)进行SIFT变 换，得到初始特征点集合P＝{p₁,…,p_n}，及其对应的特征子F＝{f₁,…,f_n}；其 次对初始特征点进行匹配得到特征点簇；再次对特征点簇进行匹配得到特征 点簇组；最后基于所述特征点簇组对红外热像图I(x,y)进行分割，得到变电 站设备的红外热像图I(x,y)的感兴趣区域。

利用本发明所述的变电站设备红外图像感兴趣区域的分割方法能对来自 变电站设备的红外热像图进行感兴趣区域的自动分割，从而简化变电站红外 温度监控中的后续故障分析处理难度，提高电力设备红外图像检测技术的自 动化水平，最终提高数字变电站的智能化水平。

进一步地，在本发明所述的变电站设备红外图像感兴趣区域的分割方法 中，上述步骤(2)具体包括：

(2a)建立高斯差分尺度空间的金字塔序列：

利用以常数k为倍数逐级递增的尺度因子σ序列下的高斯核函数 对红外热像图I(x,y)进行滤波得到所述尺度因 子σ序列下的红外热像图的高斯尺度空间L(x,y,σ)的金字塔序列，其 中每个尺度因子σ对应高斯尺度空间L(x,y,σ)的金字塔序列中的一层， x、y为红外热像图的坐标，所述滤波通过所述高斯核函数G(x，y，σ)与所述 红外热像图I(x,y)的卷积实现：L(x，y，σ)＝I(x，y)*G(x，y，σ)；

将每对相邻尺度因子σ对应的高斯尺度空间L(x,y,σ)的相邻的层 相减得到高斯差分尺度空间D(x，y，σ)的金字塔序列： D(x，y，σ)＝L(x，y，kσ)-L(x，y，σ)，其中每个尺度因子σ对应高斯差分尺度空 间D(x，y，σ)的金字塔序列中的一层；

(2b)初始特征点检测：

对高斯差分尺度空间D(x，y，σ)的金字塔序列中的每一层中的每个像素 点与同层中相邻的8个像素点以及上下相邻两层中相邻的18个像素点进 行比较，当所述每个像素点为最大点或最小点时定义其为初始特征点，得 到初始特征点集合P＝{p₁,…,p_n}；所述最大点或最小点的判断方法是：所 述每个像素点是高斯差分尺度空间中的像素点，其具有对应的D值(即极 值)，通过比较D值的大小确定最大点或最小点；

(2c)初始特征点特征提取：

计算初始特征点集合P＝{p₁,…,p_n}中每个初始特征点的梯度模值 m(x,y)，其中L表示高斯尺度空间：

$m(x,y)=\sqrt{f_x{(x,y)}^2+f_y{(x,y)}^2}$

f_x(x，y)＝L(x+1，y，σ)-L(x-1，y，σ)

f_y(x，y)＝L(x，y+1，σ)-L(x，y-1，σ)

计算初始特征点集合P＝{p₁,…,p_n}中每个初始特征点的方向θ(x,y)：

$\theta (x,y)={\tan }^{-1}\frac{f_y(x,y)}{f_x(x,y)}$

由初始特征点集合P＝{p₁,…,p_n}中每个初始特征点的梯度模值m(x,y)和 方向θ(x,y)得到初始特征点集合P＝{p₁,…,p_n}对应的初始特征点特征子集合 F＝{f₁,…,f_n}，其中第i个特征子f_i＝{m_i,θ_i}，i＝1,…,n，m_i表示f_i的梯度模值,θ_i表示f_i的方向。

进一步地，在本发明所述的变电站设备红外图像感兴趣区域的分割方法 中，所述尺度因子σ序列的基础值取

进一步地，在本发明所述的变电站设备红外图像感兴趣区域的分割方法 中，所述常数k＝1.5。

进一步地，在本发明所述的变电站设备红外图像感兴趣区域的分割方法 中，所述阈值T_match初值范围为0.8～1.1。

相应地，本发明还提供了一种变电站设备红外图像感兴趣区域的分割系 统，其包括：依次连接的红外监控仪、视频服务器以及数据处理和分析单元， 该数据处理和分析单元通常为计算机，所述红外监控仪采集变电站设备的红 外热像图I(x,y)，并经由所述视频服务器进行协议转换后传输至所述数据处 理和分析单元；所述数据处理和分析单元按照下述步骤对接收的变电站设备 的红外热像图I(x,y)进行数据处理和分析，得到变电站设备的红外热像图 I(x,y)的感兴趣区域：

(1)获取变电站设备的红外热像图I(x,y)；

(2)将所述红外热像图I(x,y)进行SIFT变换，得到初始特征点集合 P＝{p₁,…,p_n}，及其对应的特征子F＝{f₁,…,f_n}：

(3)对初始特征点进行匹配得到特征点簇：

将初始特征点集合P＝{p₁,…,p_n}对应的初始特征点特征子集合 F＝{f₁,…,f_n}按下式进行匹配：

$\frac{\left|\right|f_i-f_j\left|\right|}{\left|\right|f_i+f_k\left|\right|}<T_{match}$

其中，T_match为设定的阈值，f_j是通过遍历初始特征点特征子集合 F＝{f₁,…,f_n}找到的f_i的第一个最近邻接点特征子，f_k是通过遍历初始特征 点特征子集合F＝{f₁,…,f_n}找到的f_i的第二个最近邻接点特征子，f_i与f_j 建立匹配关系；重复上述匹配过程以对i进行遍历直至没有更多的匹配关 系被建立，以初始特征点特征子集合F＝{f₁,…,f_n}之间的匹配关系为标准 对初始特征点集合P＝{p₁,…,p_n}进行簇的划分，得到若干个特征点簇；

(4)对特征点簇进行匹配得到特征点簇组：

(4a)按照下列步骤获取所有的最小距离簇对：

将所述若干个特征点簇中的每一个特征点簇的特征点集合 P_c＝{p_c1,…,p_cm}对应的特征点簇的特征点特征子集合F_c＝{f_c1,…,f_cm}按下式 进行匹配：

$\frac{\left|\right|f_{ei}-f_{cj}\left|\right|}{\left|\right|f_{ci}+f_{ck}\left|\right|}<T_{match}$

其中，T_match为设定的阈值，f_cj是通过遍历所述特征点簇的特征点特 征子集合F_c＝{f_c1,…,f_cm}找到的f_ci的第一个最近邻接点特征子，f_ck是通过 遍历所述特征点簇的特征点特征子集合F_c＝{f_c1,…,f_cm}找到的f_ci的第二个 最近邻接点特征子；将处于不同特征点簇中的f_ci与f_cj建立匹配关系；

计算建立匹配关系的f_ci与f_cj对应的p_ci与p_cj之间的欧式距离，选择 欧式距离最小的p_ci与p_cj对应的特征点簇建立匹配关系，从而形成最小距 离簇对；

(4b)按照下述步骤得到所有的特征点簇组：

在所述建立匹配关系的f_ci与f_cj中，f_ci和f_cj相互之间可能存在一对多 的匹配关系，把其中某个f_ci或f_cj对应匹配的f_cj或f_ci的数量称为连接数。 计算各最小距离簇对中建立匹配关系的f_ci和f_cj的连接数，将连接数少的 特征点簇归于连接数多的特征点簇，进行分组，从而得到特征点簇组；

(5)感兴趣区域分割：采用得到的特征点簇组对红外热像图I(x,y)进 行分割，得到变电站设备的红外热像图I(x,y)的感兴趣区域。

本发明所述的变电站设备红外图像感兴趣区域的分割系统的构思与本发 明所述的变电站设备红外图像感兴趣区域的分割方法的构思一致，在此不再 赘述。

本发明所述的变电站设备红外图像感兴趣区域的分割系统能对来自变电 站设备的红外热像图进行感兴趣区域的自动分割，从而简化变电站红外温度 监控中的后续故障分析处理难度，提高电力设备红外图像检测技术的自动化 水平，最终提高数字变电站的智能化水平。

进一步地，在本发明所述的变电站设备红外图像感兴趣区域的分割系统 中，上述步骤(2)具体包括：

(2a)建立高斯差分尺度空间的金字塔序列：

利用以常数k为倍数逐级递增的尺度因子σ序列下的高斯核函数 对红外热像图I(x,y)进行滤波得到所述尺度因 子σ序列下的红外热像图的高斯尺度空间L(x,y,σ)的金字塔序列，其 中每个尺度因子σ对应高斯尺度空间L(x,y,σ)的金字塔序列中的一层， x、y为红外热像图的坐标，所述滤波通过所述高斯核函数G(x，y，σ)与所述 红外热像图I(x,y)的卷积实现：L(x，y，σ)＝I(x，y)*G(x，y，σ)；

将每对相邻尺度因子σ对应的高斯尺度空间L(x,y,σ)的相邻的层 相减得到高斯差分尺度空间D(x，y，σ)的金字塔序列： D(x，y，σ)＝L(x，y，kσ)-L(x，y，σ)，其中每个尺度因子σ对应高斯差分尺度空 间D(x，y，σ)的金字塔序列中的一层；

(2b)初始特征点检测：

对高斯差分尺度空间D(x，y，σ)的金字塔序列中的每一层中的每个像素 点与同层中相邻的8个像素点以及上下相邻两层中相邻的18个像素点进 行比较，当所述每个像素点为最大点或最小点时定义其为初始特征点，得 到初始特征点集合P＝{p₁,…,p_n}；所述最大点或最小点的判断方法是：所 述每个像素点是高斯差分尺度空间中的像素点，其具有对应的D值(即极 值)，通过比较D值的大小确定最大点或最小点；

(2c)初始特征点特征提取：

计算初始特征点集合P＝{p₁,…,p_n}中每个初始特征点的梯度模值 m(x,y)，其中L表示高斯尺度空间：

$m(x,y)=\sqrt{f_x{(x,y)}^2+f_y{(x,y)}^2}$

f_x(x，y)＝L(x+1，y，σ)-L(x-1，y，σ)

f_y(x，y)＝L(x，y+1，σ)-L(x，y-1，σ)

计算初始特征点集合P＝{p₁,…,p_n}中每个初始特征点的方向θ(x,y)：

$\theta (x,y)={\tan }^{-1}\frac{f_y(x,y)}{f_x(x,y)}$

由初始特征点集合P＝{p₁,…,p_n}中每个初始特征点的梯度模值m(x,y)和 方向θ(x,y)得到初始特征点集合P＝{p₁,…,p_n}对应的初始特征点特征子集合 F＝{f₁,…,f_n}，其中第i个特征子f_i＝{m_i,θ_i}，i＝1,…,n，m_i表示f_i的梯度模值,θ_i表示f_i的方向。

进一步地，在本发明所述的变电站设备红外图像感兴趣区域的分割系统 中，所述红外监控仪包括红外摄像机和可转动的云台，所述红外摄像机通过 视频线与视频服务器连接，所述云台通过RS485线与视频服务器连接，视频 服务器通过一网线与数据处理和分析单元连接，数据处理和分析单元通过视 频服务器对所述云台进行控制。

进一步地，在上述变电站设备红外图像感兴趣区域的分割系统中，所述 红外摄像机还通过另一网线与数据处理和分析单元连接。

上述方案中，所述数据处理和分析单元通过所述另一网线控制所述红外 摄像机进行聚焦、光圈放电以及设置区域等操作。

在上述本发明的变电站设备红外图像感兴趣区域的分割系统中，所述尺 度因子σ序列的基础值取所述常数k＝1.5，所述阈值T_match初值范围 为0.8～1.1。

本发明所述的变电站设备红外图像感兴趣区域的分割方法与现有技术相 比，具有以下有益效果：

1)能对来自变电站设备的红外热像图进行感兴趣区域的自动分割，从而 简化变电站红外温度监控中的后续故障分析处理难度，且计算简单可行，具 有很好的扩展性和推广价值；

2)感兴趣区域的自动分割不受像素强度影响；

3)感兴趣区域的自动分割不受背景影响。

本发明所述的变电站设备红外图像感兴趣区域的分割系统由于采用了上 述方法，同样具有上述效果。

附图说明

图1为本发明所述的变电站设备红外图像感兴趣区域的分割系统在一种 实施方式下的结构示意图。

图2为本发明所述的变电站设备红外图像感兴趣区域的分割系统在一种 实施方式下的高斯差分尺度空间的金字塔序列形成原理图。

图3为本发明所述的变电站设备红外图像感兴趣区域的分割系统在一种 实施方式下的初始特征点检测原理图。

图4为基于Otsu算法对来自变电站设备的包括三相导体的红外热像图的 分割效果图。

图5为基于Kapur算法对来自变电站设备的包括三相导体的红外热像图 的分割效果图。

图6为基于EDISON算法对来自变电站设备的包括三相导体的红外热像图 的分割效果图。

图7为基于本发明的分割方法对来自变电站设备的包括三相导体的红外 热像图的分割效果图。

具体实施方式

下面将结合说明书附图和具体的实施例对本发明所述的变电站设备红外 图像感兴趣区域的分割系统和变电站设备红外图像感兴趣区域的分割方法作 出进一步的解释和说明。

图1示意了本发明所述的变电站设备红外图像感兴趣区域的分割系统在 一种实施方式下的结构；图2示意了本实施例的系统在一种实施方式下的高 斯差分尺度空间的金字塔序列形成原理；图3显示了本实施例的系统在一种 实施方式下的初始特征点检测原理。

如图1所示，本实施例包括：红外监控仪、视频服务器以及作为数据处 理和分析单元的计算机，其中红外监控仪包括红外摄像机和可转动的云台； 红外摄像机通过视频线与型号为DS6604HC的视频服务器连接，红外摄像机采 集变电站设备的红外热像图，并经由视频服务器进行协议转换后传输至计算 机；可转动的云台通过RS485线与视频服务器连接，视频服务器通过一网线 与计算机连接，数据处理和分析单元通过视频服务器对可转动的云台进行控 制；红外摄像机还通过另一网线与计算机连接，计算机通过该另一网线控制 红外摄像机进行聚焦、光圈放电以及设置区域等操作；计算机按照下述步骤 对接收的变电站设备的红外热像图进行数据处理和分析，得到变电站设备的 红外热像图I(x,y)的感兴趣区域：

(1)接收变电站设备的红外热像图I(x,y)；

(2)将红外热像图I(x,y)进行SIFT变换，得到初始特征点集合 P＝{p₁,…,p_n}，及其对应的特征子F＝{f₁,…,f_n}：

(2a)如图2所示，建立高斯差分尺度空间的金字塔序列：

利用以常数k(本实施例中k取1.5)为倍数逐级递增的尺度因子σ序 列(本实施例中尺度因子σ序列的基础值取)下的高斯核函数 对红外热像图I(x,y)进行滤波得到尺度因子σ序 列下的红外热像图的高斯尺度空间L(x,y,σ)的金字塔序列，其中每个尺度 因子σ对应高斯尺度空间L(x,y,σ)的金字塔序列中的一层，x、y为红外热 像图的坐标，滤波通过高斯核函数G(x，y，σ)与红外热像图I(x,y)的卷积实现： L(x，y，σ)＝I(x，y)*G(x，y，σ)；

将每对相邻尺度因子σ对应的高斯尺度空间L(x,y,σ)的相邻的层相 减得到高斯差分尺度空间D(x，y，σ)的金字塔序列： D(x，y，σ)＝L(x，y，kσ)-L(x，y，σ)，其中每个尺度因子σ对应高斯差分尺度空间 D(x，y，σ)的金字塔序列中的一层；

(2b)如图3所示，初始特征点检测：

对高斯差分尺度空间D(x，y，σ)的金字塔序列中的每一层中的每个像素点 与同层中相邻的8个像素点(图3中以○表示)以及上下相邻两层中相邻的 18个像素点(图3中以○表示)进行比较，当所述每个像素点为最大点或最 小点时定义其为初始特征点(图3中以×表示)，得到初始特征点集合 P＝{p₁,…,p_n}；所述最大点或最小点的判断方法是：所述每个像素点是高斯差 分尺度空间中的像素点，其具有对应的D值(即极值)，通过比较D值的大小 确定最大点或最小点；

(2c)初始特征点特征提取：

计算初始特征点集合P＝{p₁,…,p_n}中每个初始特征点的梯度模值 m(x,y)，其中L表示高斯尺度空间：

$m(x,y)=\sqrt{f_x{(x,y)}^2+f_y{(x,y)}^2}$

f_x(x，y)＝L(x+1，y，σ)-L(x-1，y，σ)

f_y(x，y)＝L(x，y+1，σ)-L(x，y-1，σ) A

计算初始特征点集合P＝{p₁,…,p_n}中每个初始特征点的方向θ(x,y)：

$\theta (x,y)={\tan }^{-1}\frac{f_y(x,y)}{f_x(x,y)}$

由初始特征点集合P＝{p₁,…,p_n}中每个初始特征点的梯度模值m(x,y)和 方向θ(x,y)得到初始特征点集合P＝{p₁,…,p_n}对应的初始特征点特征子集合 F＝{f₁,…,f_n}，其中第i个特征子f_i＝{m_i,θ_i}，i＝1,…,n，m_i表示f_i的梯度模值,θ_i表示f_i的方向；

(3)对初始特征点进行匹配得到特征点簇：

将初始特征点集合P＝{p₁,…,p_n}对应的初始特征点特征子集合F＝{f₁,…,f_n} 按下式进行匹配：

$\frac{\left|\right|f_i-f_j\left|\right|}{\left|\right|f_i+f_k\left|\right|}<T_{match}$

其中，T_match为设定的阈值(本实施例中阈值T_match初值设为1，可根据程 序运行进行微调)，f_j是通过遍历初始特征点特征子集合F＝{f₁,…,f_n}找到的f_i的第一个最近邻接点特征子，f_k是通过遍历初始特征点特征子集合F＝{f₁,…,f_n} 找到的f_i的第二个最近邻接点特征子，f_i与f_j建立匹配关系；重复上述匹配 过程以对i进行遍历直至没有更多的匹配关系被建立，以初始特征点特征子 集合F＝{f₁,…,f_n}之间的匹配关系为标准对初始特征点集合P＝{p₁,…,p_n}进行 簇的划分，得到特征点簇；

(4)对特征点簇进行匹配得到特征点簇组：

(4a)将某个特征点簇的特征点集合P_c＝{p_c1,…,p_cm}对应的特征点簇的 特征点特征子集合F_c＝{f_c1,…,f_cm}按下式进行匹配：

$\frac{\left|\right|f_{ci}-f_{cj}\left|\right|}{\left|\right|f_{ci}+f_{ck}\left|\right|}<T_{match}$

其中，T_match为设定的阈值(本实施例中阈值T_match初值设为1，可根据程 序运行进行微调)，f_cj是通过遍历所述特征点簇的特征点特征子集合 F_c＝{f_c1,…,f_cm}找到的f_ci的第一个最近邻接点特征子，f_ck是通过遍历所述特征 点簇的特征点特征子集合F_c＝{f_c1,…,f_cm}找到的f_ci的第二个最近邻接点特征 子；

(4b)如果f_ci与f_cj位于同一簇，则跳过步骤(4c)、(4d)；

(4c)f_ci与f_cj建立匹配关系；

(4d)重复步骤(4a)、(4b)、(4c)以对i进行遍历直至没有更多的匹 配关系被建立，计算f_ci与f_cj对应的p_ci与p_cj之间的欧式距离，选择欧式距 离最小的p_ci与p_cj对应的特征点簇建立匹配关系，从而形成最小距离簇对；

上述步骤中，所述欧式距离定义为：假设平面上两点坐标为(x1，y1) 和(x2，y2),则这两个点间的欧式距离为

$d=\sqrt{{(x1-x2)}^2+{(y1-y2)}^2};$

(4e)对所有的特征点簇重复步骤(4a)、(4b)、(4c)、(4d)，从而获得 若干最小距离簇对；

(4f)计算各最小距离簇对中建立匹配关系的f_ci和f_cj的连接数(在所述 建立匹配关系的f_ci与f_cj中，f_ci和f_cj相互之间可能存在一对多的匹配关系， 把其中某个f_ci或f_cj对应匹配的f_cj或f_ci的数量称为连接数)；

(4g)将所述最小距离簇对中的所述连接数少的特征点簇归于所述连接 数多的特征点簇，进行分组，得到特征点簇组；

(4h)对步骤(4e)中获得的所有最小距离簇对重复步骤(4f)、(4g)；

(5)感兴趣区域分割：基于步骤(4)得到的特征点簇组对红外热像图 I(x,y)进行分割，得到变电站设备的红外热像图I(x,y)的感兴趣区域。

图4-图7分别为基于Otsu算法、Kapur算法、EDISON算法以及本发明 的分割方法对来自变电站设备的包括三相导体的红外热像图的分割效果图。

应用本实施例的变电站设备红外图像感兴趣区域的分割方法对来自变电 站设备的包括三相导体的红外热像图进行分割，得到变电站设备的红外热像 图I(x,y)的感兴趣区域即三相导体区域。将图7与图4和图5进行对比可以 看出，相比于基于Otsu算法和Kapur算法的分割方法，本发明的分割方法剔 除了像素强度的影响，即在三相导体温度不同时仍然将三相导体全部划入感 兴趣区域；将图7与图6进行对比可以看出，相比于基于EDISON算法的分割 方法，本发明的分割方法剔除了背景的影响，即将与三相导体无关的背景剔 除，仅保留三相导体作为感兴趣区域。

本实施例的变电站设备红外图像感兴趣区域的分割方法基于上述本实施 例的变电站设备红外图像感兴趣区域的分割系统实现，且其步骤与上述本实 施例的变电站设备红外图像感兴趣区域的分割系统的步骤相对应，因此不再 赘述。

要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于 以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公 开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。