基于粒子群优化的Niblack电力设备红外图像分割方法

摘要

本发明涉及一种基于粒子群优化的Niblack电力设备红外图像分割方法，包括以下步骤：1)获取红外图像，将所述红外图像分成q个不重叠的连续矩形邻域，计算各所述矩形邻域的灰度均值和灰度标准方差；2)针对每一矩形邻域，按照设定步长获得一对应于该矩形邻域的阈值寻优区间，形成一q维粒子群解空间，并以类间方差作为粒子群算法适应度函数，在所述q维粒子群解空间中自动搜寻对应于每一矩形邻域的最优分割阈值T*，所述最优分割阈值T*使得类间方差最大；3)根据步骤2)获得的各矩形邻域的最优分割阈值对各矩形邻域进行二值化处理。与现有技术相比，本发明解决了使用传统全局阈值分割方法造成红外图像过分割问题。

说明书

技术领域

本发明涉及一种图像处理方法，尤其是涉及一种基于粒子群优化的Niblack电力设备红外图像分割方法。

背景技术

近年来，变电站在线监测系统得到了广泛应用，红外热像仪、可见光摄像机拍摄设备可见光和红外图像发回主控室进行人工分析，这种方法虽然减少了人工采集数据的劳动量，但是未能摆脱对人工诊断的依赖。随着人工智能和图像处理技术的不断发展，智能诊断技术开始被应用于电力设备故障诊断。智能诊断方法主要分为三步，首先从红外图像中找出设备目标区域，即感兴趣区域(ROI)，然后从区域中提取相关的信息，最后对提取到的信息分类从而完成电力设备故障诊断。其中最关键的一步是ROI的获得，能否准确地得到ROI在一定程度上决定了电力设备温度场信息提取的准确与否。一般采用阈值分割方法获得ROI，该方法具有操作简单、运算速度快等优点。国内外学者对其做了大量研究，如Otsu提出了一维最大类间方差法，Kittler等提出的基于Bayes最小误差分类准则的最小误差阈值法，Kapur等给出的基于最大熵的阈值分割改进算法，Kennedy和Eberhart共同提出的基于群体协作的粒子群优化算法，以及基于粒子群算法的优化改进图像分割算法，等等。上述算法大多基于全局阈值，对于噪声大、对比度低、均匀性差的红外图像难以很好的将目标设备和背景区分出来。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于粒子群优化的Niblack电力设备红外图像分割方法。

本发明的目的可以通过以下技术方案来实现：

一种基于粒子群优化的Niblack电力设备红外图像分割方法，包括以下步骤：

1)获取红外图像，将所述红外图像分成q个不重叠的连续矩形邻域，计算各所述矩形邻域的灰度均值和灰度标准方差；

2)针对每一矩形邻域，按照设定步长获得一对应于该矩形邻域的阈值寻优区间{T₁,T₂,...,T_i,...,T_n}，形成一q维粒子群解空间，并以类间方差作为粒子群算法适应度函数，在所述q维粒子群解空间中自动搜寻对应于每一矩形邻域的最优分割阈值T^*，所述最优分割阈值T^*使得类间方差最大，其中，T_i＝m+k_is，i＝1,2,...,n，m为当前矩形邻域的灰度均值，s为当前矩形邻域的灰度标准方差，k_i为按照设定步长等距在设定区间上的第i个取值，n为取值个数；

3)根据步骤2)获得的各矩形邻域的最优分割阈值对各矩形邻域进行二值化处理。

所述步骤1)中，将所述红外图像分成若干不重叠的矩形邻域前，对红外图像进行延拓处理。

所述步骤2)中，设定步长为0.05，设定区间为[-1,1]。

所述步骤2)中，将矩形邻域的像素灰度分为D₁＝[0,…,T]、D₂＝[T+1,…,L-1]两类，将类间方差公式定义为：

其中，σ²(T)为类间方差，分别表示D₁类内像素灰度出现的概率和D₁类的灰度均值，p_j表示像素灰度为j的像素的概率；

将各矩形邻域的阈值寻优区间中的阈值依次代入所述类间方差公式，通过粒子群算法搜寻获得每个矩形邻域的最优分割阈值。

所述步骤2)中，采用粒子群算法搜寻最优分割阈值的过程中，

粒子i在所述q维粒子群解空间的位置标记为{T_i,1,T_i,2,…,T_i,q}，每个粒子按照以下公式更新自己的位置和速度，粒子以速度V_i(t+1)从当前位置T_i(t)移动到下一位置T_i(t+1)：

V_i(t+1)＝ω×V_i(t)+c₁×r₁[Pbest_i-T_i(t)]+c₂×r₂[Gbest_i-T_i(t)]

T_i(t+1)＝T_i(t)+V_i(t+1)

其中，V_i和T_i分别表示第i个粒子在解空间上的速度和位置，t表示粒子群搜寻最优阈值过程中的当前迭代次数，c₁、c₂为加速常数，r₁、r₂为[0,1]之间的随机数，ω表示粒子的惯性权重，Pbest_i为当前最优值，Gbest_i为全局最优值。

所述惯性权重ω通过以下公式自适应变化：

其中，ω_max、ω_min分别表示惯性权重的最大值和最小值，G表示最大迭代次数。

与现有技术相比，本发明具有以下优点：

1)本发明采用类间方差作为粒子群算法的适应度函数，自动搜寻Niblack法中图像不重叠矩形邻域的最优分割阈值，并将其用于当前邻域的二值化分割，解决了使用传统全局阈值分割方法造成红外图像过分割问题；

2)本发明以像素灰度为基础进行分割阈值寻优，大大降低了非均匀背景对各设备红外热成像图分割效果的影响、提高了目标区域的完整性。

附图说明

图1为本发明的流程示意图；

图2为五张电力设备红外原图的示意图；

图3为与图2对应的分割结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例提供一种基于粒子群优化的Niblack电力设备红外图像分割方法，包括以下步骤：

1)获取红外图像，将所述红外图像分成q个不重叠的连续矩形邻域，计算各所述矩形邻域的灰度均值和灰度标准方差。

本实施例中，导入分辨率为320×240电力设备红外原图g(x,y)，如图2所示，当邻域像素取90×80，邻域数量取为4列3行共12块不重叠矩形邻域时(对红外原图像横向边界做左右各20个像素对称延拓，以使原图像成为邻域横向像素整数倍)分割效果较好。

2)针对每一矩形邻域，按照设定步长获得一对应于该矩形邻域的阈值寻优区间{T₁,T₂,...,T_i,...,T_n}，形成一q维粒子群解空间，并以类间方差作为粒子群算法适应度函数，在所述q维粒子群解空间中自动搜寻对应于每一矩形邻域的最优分割阈值T^*，所述最优分割阈值T^*使得类间方差最大，其中，T_i＝m+k_is，i＝1,2,...,n，m为当前矩形邻域的灰度均值，s为当前矩形邻域的灰度标准方差，k_i为按照设定步长等距在设定区间上的第i个取值，n为取值个数。

本实施例中，设定区间为[-1,1]，设定步长为0.05，则可获得41个k值，以此可计算出每个矩形邻域均具有一41维阈值寻优区间{T₁,T₂,...,T_i,...,T₄₁}。因此，粒子群在12块矩形分块邻域上的阈值寻优区间，即粒子群12维解空间表示为:

选择类间方差公式(2)作为粒子群适应度函数通过PSO法搜寻12个邻域的最大类间方差以及其相对应的最优分割阈值

将矩形邻域的像素灰度分为D₁＝[0,…,T]、D₂＝[T+1,…,L-1]两类，将类间方差公式定义为：

其中，σ²(T)为类间方差，分别表示D₁类内像素灰度出现的概率和D₁类的灰度均值，p_j表示像素灰度为j的像素的概率；

将各矩形邻域的阈值寻优区间中的阈值依次代入所述类间方差公式，通过粒子群算法搜寻获得每个矩形邻域的最优分割阈值。

在粒子群算法中，对于41维这种小维度阈值寻优区间，群粒子数设为10。粒子i在解空间的位置标记为{T_i,1,T_i,2,…,T_i,12}。每个粒子按照公式(3)、(4)更新自己的位置和速度，粒子以速度V_i(t+1)从当前位置T_i(t)移动到下一位置T_i(t+1)。

V_i(t+1)＝ω×V_i(t)+c₁×r₁[Pbest_i-T_i(t)]+c₂×r₂[Gbest_i-T_i(t)](3)

T_i(t+1)＝T_i(t)+V_i(t+1)(4)

其中，V_i和T_i分别表示第i个粒子在解空间上的速度和位置，t表示粒子群搜寻最优阈值过程中的当前迭代次数，c₁、c₂为加速常数，本实施例中，c₁＝c₂＝2，r₁、r₂为[0,1]之间的随机数，ω表示粒子的惯性权重，ω_max、ω_min分别表示惯性权重的最大值和最小值，本实施例中，ω_max＝0.95、ω_min＝0.4，G表示最大迭代次数，本实施例中，G＝25，Pbest_i为当前最优值，Gbest_i为全局最优值。

通过上述粒子群算法获得各邻域的最优分割阈值记为：

3)根据步骤2)获得的各矩形邻域的最优分割阈值对各矩形邻域进行二值化处理，结果如图3所示。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。