基于目標(biāo)提取的電力設(shè)備多光譜圖像融合

劉曉悅，馬偉寧

(華北理工大學(xué) 電氣工程學(xué)院， 河北 唐山 063000)

?

基于目標(biāo)提取的電力設(shè)備多光譜圖像融合

劉曉悅，馬偉寧

(華北理工大學(xué) 電氣工程學(xué)院， 河北 唐山 063000)

多光譜；圖像融合；區(qū)域生長(zhǎng)；NSCT變換；梯度

針對(duì)當(dāng)前多光譜圖像融合的電力設(shè)備熱故障檢測(cè)方法中融合規(guī)則單一，不能實(shí)現(xiàn)在圖像中分區(qū)域融合的缺點(diǎn)，提出了區(qū)域生長(zhǎng)法與NSCT變換相結(jié)合的圖像融合算法，把圖像分割成故障區(qū)域與場(chǎng)景區(qū)域，再分別進(jìn)行NSCT變換，目標(biāo)區(qū)域采用灰度極大法，場(chǎng)景區(qū)域低頻系數(shù)直接取可見(jiàn)光圖像的系數(shù)，高頻系數(shù)梯度取大法。從主觀視覺(jué)評(píng)價(jià)、圖像融合評(píng)價(jià)指標(biāo)、圖像直方圖3個(gè)方面驗(yàn)證了該算法的先進(jìn)性，提高了融合圖像的清晰度和故障點(diǎn)的辨識(shí)度。

電網(wǎng)中的電力設(shè)備復(fù)雜繁多、故障頻發(fā)，提高在眾多電力設(shè)備中對(duì)故障設(shè)備的準(zhǔn)確定位和故障區(qū)域的準(zhǔn)確辨識(shí)具有很強(qiáng)的現(xiàn)實(shí)意義。單一光譜的成像傳感器捕捉到的信息往往不夠全面，而多光譜傳感器由于不同的成像原理得到不同的圖像，再運(yùn)用圖像融合技術(shù)對(duì)不同傳感器的圖像進(jìn)行融合，從而得到更全面準(zhǔn)確的圖像信息[1]。在電力故障檢測(cè)中，常見(jiàn)的成像傳感器有可見(jiàn)光傳感器與紅外傳感器2種：可見(jiàn)光圖像成像清晰度高、分辨率高，對(duì)場(chǎng)景的明暗變化敏感，能真實(shí)地顯示出成像區(qū)域的概貌，符合人眼的視覺(jué)特征；紅外圖像是對(duì)觀測(cè)目標(biāo)溫度場(chǎng)分布的整體反映，具有熱源區(qū)域高亮而背景區(qū)域昏暗的特點(diǎn)，但與場(chǎng)景的明暗變化不相關(guān)，且圖像粗糙，不能反映觀測(cè)目標(biāo)的細(xì)節(jié)信息[2-3]?？梢?jiàn)光圖像與紅外圖像的信息結(jié)合在一起，彼此取長(zhǎng)補(bǔ)短，既突出了熱源目標(biāo)信息，又保留了豐富有效的背景信息，明顯地增強(qiáng)了目標(biāo)的辨識(shí)度和對(duì)設(shè)備熱故障定位的準(zhǔn)確性[4]。

近年來(lái)，多尺度分解在圖像融合領(lǐng)域應(yīng)用越來(lái)越廣泛，多尺度分解將圖像信息分解成由粗略到精細(xì)不同尺度的子帶分量，在重構(gòu)過(guò)程中每個(gè)尺度的分量應(yīng)用不同的融合策略,使融合結(jié)果更加精細(xì)、準(zhǔn)確。常見(jiàn)的多尺度圖像融合法有基于小波變換、Contourlet變換融合法。在小波變換中，小波基的支撐空間是正方形，能有效地捕捉到一維空間的奇異點(diǎn)，但推廣到二維空間時(shí)小波變換只能捕捉有限的水平、垂直和對(duì)角3個(gè)方向，不能最優(yōu)表示圖像中的曲線和曲面，只能用點(diǎn)奇異去無(wú)限逼近線奇異和面奇異； Contourlet變換基能很好地捕捉二維空間內(nèi)的奇異點(diǎn)，但采樣環(huán)節(jié)的存在使子帶圖像大小發(fā)生了改變；非采樣Contourlet變換(NSCT)在Contourlet變換基礎(chǔ)上做了改進(jìn)，得到的子帶圖像大小相同，具有平移不變性[5-7]。

針對(duì)故障檢測(cè)的實(shí)際需求，該項(xiàng)研究提出了基于區(qū)域生長(zhǎng)法與NSCT相結(jié)合的圖像分解方法，在重構(gòu)過(guò)程中改進(jìn)傳統(tǒng)的整體融合為分區(qū)域融合，分為故障和場(chǎng)景區(qū)域并施以不同的融合規(guī)則。通過(guò)MATLAB實(shí)驗(yàn)數(shù)據(jù)對(duì)比分析，該方法較其它多尺度分解融合法有明顯的提高，使融合圖像背景清晰、目標(biāo)突出。

1 圖像區(qū)域分割

電力設(shè)備在高壓、高電流作用下具有明顯的熱效應(yīng)，故障區(qū)域以故障點(diǎn)為中心有顯著的溫升，在紅外圖像中故障區(qū)域即為要檢測(cè)的目標(biāo)區(qū)域。目標(biāo)區(qū)域相對(duì)場(chǎng)景區(qū)域有明顯的溫差，可以應(yīng)用區(qū)域生長(zhǎng)法將目標(biāo)區(qū)域從圖像中分離出來(lái)。區(qū)域生長(zhǎng)法原理簡(jiǎn)單、速度快，特別適合目標(biāo)確定、目標(biāo)數(shù)量少、目標(biāo)與場(chǎng)景溫差大的紅外圖像分割[8-10]。

基本方法是先確定大致的故障區(qū)域，選取故障區(qū)域中的一區(qū)域?yàn)榉N子區(qū)域，判斷種子區(qū)域的鄰域像素是否滿足生長(zhǎng)規(guī)則，滿足條件就把該像素點(diǎn)并入生長(zhǎng)區(qū)域中，否則舍棄，直到停止生長(zhǎng)。定義種子生長(zhǎng)區(qū)域?yàn)楣收蠀^(qū)域O，剩余區(qū)域?yàn)閳?chǎng)景區(qū)域B，生長(zhǎng)結(jié)束后得到一個(gè)二值圖像，如圖1所示。把得到的二值圖像作為定義域，即黑色區(qū)域與白色區(qū)域2個(gè)定義域，然后以像素點(diǎn)為基本單位對(duì)矩陣圖像進(jìn)行逐點(diǎn)運(yùn)算。算法如下：

(1)創(chuàng)建2個(gè)零矩陣VIB=zeros(m,n)、IRB= zeros(m,n),與二值圖像同尺寸大??；

(2)如果坐標(biāo)(i,j)位于黑色區(qū)域，則用可見(jiàn)光像素點(diǎn)VI(i,j)替換零矩陣中的元素VIB(i,j)或IRB(i,j)；如果坐標(biāo)(i,j)位于白色區(qū)域，則用二值圖像上的像素點(diǎn)B(i,j) 替換零矩陣中的元素VIB(i,j) 或IRB(i,j)；

(3)經(jīng)過(guò)如上處理得到2個(gè)新的矩陣VIB(i,j),、IRB(i,j)，保存得到的2個(gè)矩陣為新的圖像VIB、IRB，這樣就實(shí)現(xiàn)了故障區(qū)域與場(chǎng)景區(qū)域的分割。

(1)

(2)

(i,j)代表像素的坐標(biāo)位置；B(i,j)代表二值圖像在(i,j)坐標(biāo)的灰度值；VIB(i,j)代表可見(jiàn)光圖像在(i,j)坐標(biāo)的灰度值； IRB(i,j)代表紅外圖像在(i,j)坐標(biāo)的灰度值。

圖1 二值圖像分割結(jié)果

2 非采樣Contourlet變換

非采樣Contourlet變換(NSCT)由兩部分組成：一部分是非采樣塔式濾波器組(Non-sampled Pyramid Filter Bank, NSPFB),此濾波器將圖像多尺度分解。另一部分是非采樣方向?yàn)V波器組(Non-sampled Directional Filter Bank, NSDFB)，此濾波器在多尺度分解的基礎(chǔ)上將圖像多方向分解[11]。

2.1 非采樣塔式濾波器多層分解

圖像經(jīng)過(guò)拉普拉斯金字塔分解被分解為高頻部分和低頻部分，依據(jù)頻帶的不同分別位于不同子帶圖像中，頻帶的劃分如圖2。對(duì)圖像j級(jí)多尺度分解，為了使得到的子帶圖像與源圖像尺寸大小相等，每一級(jí)分解要對(duì)前一級(jí)濾波器進(jìn)行上采樣操作，采樣矩陣為D=2I(I為2階單位矩陣)[12-14]。源圖像經(jīng)NSPFB分解生成j+1個(gè)子圖像，包含1個(gè)低頻子帶圖像和j個(gè)高頻子帶圖像，NSPFB的3級(jí)多尺度分解如圖2所示。

圖2 NSCT多尺度分解示意圖

2.2 非采樣方向?yàn)V波器多方向分解

圖3 NSCT多方向分解示意圖

3 圖像融合規(guī)則

紅外圖像是對(duì)熱故障區(qū)域溫度場(chǎng)分布的成像，熱源區(qū)亮度高、對(duì)比度高，而背景區(qū)域相對(duì)模糊?？梢?jiàn)光圖像包含豐富的背景信息，清晰度高、輪廓分明，能反映場(chǎng)景的細(xì)節(jié)信息和方位信息[17]。本文旨在熱故障檢測(cè)，融合的圖像最好既要突出故障目標(biāo)區(qū)域的熱源信息，又能最大程度地保留故障區(qū)域所處的場(chǎng)景區(qū)域信息。紅外圖像與可見(jiàn)光圖像融合可以克服單一圖像傳感器捕獲信息不足的缺點(diǎn)，二者取長(zhǎng)補(bǔ)短，得到的圖像更適于人眼視覺(jué)和圖像后期處理[18-19]。

故障區(qū)域與場(chǎng)景區(qū)域采用不同的融合策略：

(1)故障區(qū)域O

在融合過(guò)程中選取二值圖像中的故障區(qū)域作為融合圖像的故障區(qū)域，其灰度值是255，由于故障區(qū)的高亮度與場(chǎng)景區(qū)對(duì)比鮮明，所以故障信息一目了然。

(2)場(chǎng)景區(qū)域B

低頻部分系數(shù)不作任何處理，直接作為融合圖像的低頻系數(shù)，這樣最大程度上保留了背景的大體輪廓信息；高頻部分應(yīng)用平均梯度取大法，選取兩圖像中梯度大的窗口的高頻系數(shù)作為融合圖像的高頻系數(shù)，這樣可以最大程度上保證圖像的清晰度和細(xì)節(jié)信息。

(3)

低頻系數(shù)：

(4)

高頻系數(shù)：

(5)

(3)逆變換

對(duì)已完成的新的圖像系數(shù)作NSCT逆變換得到所需的融合圖像。

圖4 圖像融合流程圖

4 實(shí)驗(yàn)對(duì)比與分析

為了對(duì)比本文融合算法的進(jìn)步性，選取小波融合、contourlet變換融合2種多尺度分解融合算法與本文應(yīng)用的NSCT融合算法進(jìn)行對(duì)比，通過(guò)融合算法評(píng)價(jià)體系在MATLAB中對(duì)融合的圖像從標(biāo)準(zhǔn)差、平均梯度、空間頻率、相關(guān)系數(shù)幾個(gè)評(píng)價(jià)值來(lái)說(shuō)明圖像融合質(zhì)量的優(yōu)劣[20]。

在基于MATLAB環(huán)境下的NSCT變換仿真中，塔式分解濾波器類型設(shè)置為'pyr'，方向分解濾波器類型設(shè)置為'pkva'，方向分解濾波器名稱分解層數(shù)設(shè)定為3層，按尺度從小到大的順序，對(duì)應(yīng)的每層方向數(shù)為21、22、23；融合策略采用本文上述的故障、場(chǎng)景分離，高頻平均梯度取大，低頻直接取可見(jiàn)光圖像部分的方法，選取5×5像素的區(qū)域窗口，同時(shí)選取相同分解尺度的小波變換融合法，選取相同分解尺度的contourlet變換融合法與本文融合法進(jìn)行對(duì)比，融合結(jié)果如圖5所示。表1所示為幾種融合算法的評(píng)價(jià)指標(biāo)對(duì)比。

圖5 可見(jiàn)光圖像與紅外圖像融合結(jié)果

表1 不同融合算法比較

觀察利用3種方法得到的融合圖像，與源圖像V、I相比，都明顯的使故障區(qū)域的辨識(shí)度提高，故障區(qū)域與場(chǎng)景區(qū)域相互獨(dú)立分明。但是小波變換融合法的圖像整體對(duì)比度較差，contourlet變換融合法的圖像灰度分布不均勻，本文中的融合法清晰度高，對(duì)比度好，在邊緣和細(xì)節(jié)信息部分的處理都比前兩者好。

人眼視覺(jué)觀察難免會(huì)有主觀性，所以評(píng)價(jià)效果因人而異，通過(guò)圖像評(píng)價(jià)體系，對(duì)圖像的參數(shù)進(jìn)行分析、對(duì)比，會(huì)更加客觀的對(duì)圖像質(zhì)量做出評(píng)價(jià)。由表1可以看出，本文的融合方法在標(biāo)準(zhǔn)差、空間頻率、平均梯度3個(gè)指標(biāo)參數(shù)均高于其它算法，說(shuō)明本文算法的結(jié)果灰度級(jí)分布分散、空間活躍度高、清晰度好。相關(guān)系數(shù)反映參考圖與待評(píng)價(jià)圖的相似性，其值越大兩圖的相似度越高，由表1可以看出，本文融合算法得到的融合圖像與可見(jiàn)光圖像之間的相關(guān)系數(shù)最高，說(shuō)明融合圖像的場(chǎng)景區(qū)域在最大程度上貼近可見(jiàn)光圖像。

圖像的直方圖反映圖像不同灰度級(jí)的占比，可以使圖像的灰度分布一目了然。如圖6，分別表示小波變換融合、Contourlet變換融合與本文融合算法得到圖像的直方圖。從直方圖中可以看出，小波變換融合圖像的灰度級(jí)幾乎集中在150到250之間，因此圖像整體發(fā)灰，區(qū)分度較差；Contourlet變換融合圖像的直方圖灰度級(jí)雖然分布均勻，但是波峰波谷呈毛刺狀交替頻繁，因此圖像灰度忽明忽暗，漸變不均勻；本文算法結(jié)果的直方圖呈正態(tài)分布，灰度級(jí)的分散與變化都相對(duì)均勻，比較而言圖像質(zhì)量最優(yōu)。

圖6 可見(jiàn)光圖像與紅外圖像融合直方圖

5 結(jié)論

(1)紅外成像傳感器得到的檢測(cè)圖像可以有效地檢測(cè)出電力設(shè)備的熱故障信息，可見(jiàn)光傳感器能起到對(duì)現(xiàn)場(chǎng)場(chǎng)景監(jiān)視的效果，本文結(jié)合2種傳感器的優(yōu)點(diǎn)提出了一種專門針對(duì)熱故障檢測(cè)的圖像融合算法，既能突出故障區(qū)域的發(fā)熱點(diǎn)也能保留清晰的現(xiàn)場(chǎng)信息。

(2)實(shí)驗(yàn)數(shù)據(jù)分析表明，該項(xiàng)目算法較經(jīng)典的融合算法具有明顯的優(yōu)勢(shì)，提高了目標(biāo)的辨識(shí)度和對(duì)熱故障定位的準(zhǔn)確性。

[1] 胡文平，尹項(xiàng)根，張哲，等.變壓器故障診斷與多傳感器信息融合[J]. 高電壓技術(shù), 2002, 28(2)： 32-33.

[2] 李俊山，楊威.紅外圖像處理、分析與融合[M]. 北京:科學(xué)出版社，2009.

[3] 劉寶源.紅外與可見(jiàn)光圖像融合技術(shù)研究[D].武漢:華中科技大學(xué)，2009.

[4] 王春華，馬國(guó)超，馬苗.基于目標(biāo)提取的紅外與可見(jiàn)光圖像融合算法[J].計(jì)算機(jī)工程，2010, 36(2):197-200.

[5] 辛亞楠，鄧?yán)? 基于小波變換的遙感圖像融合方法研究[J]. 激光與光電子學(xué)進(jìn)展，2013, 50(2): 133-138.

[6] 張蕾，金龍旭，韓雙麗，等. 采用非采樣 Contourlet 變換與區(qū)域分類的紅外和可見(jiàn)光圖像融合[J]. 光學(xué)精密工程, 2015, 23(3): 810- 818.

[7] 童濤，楊桄，譚海峰，等. 基于 NSCT 變換的多傳感器圖像融合算法 [J]. 地理與地理信息科學(xué)， 2013, 29(2): 22-25.

[8] WANG J, CHENG Y, GUO C, et al. A New Pulmonary Nodules Detection Scheme Utilizing Region Grow and Adaptive Fuzzy C- Means Clustering[J]. Journal of Medical Imaging and Health Informatics, 2015, 5(8): 1941-1946.

[9] 許敬，張合，王曉鋒. 基于特征點(diǎn)和區(qū)域生長(zhǎng)的目標(biāo)圖像分割方法[J]. 探測(cè)與控制學(xué)報(bào), 2012, 34(1): 6-9.

[10] 聶歡歡，伊磊，劉任平. 基于區(qū)域生長(zhǎng)法提取二值圖像中的連通區(qū)域[J]. 計(jì)算機(jī)時(shí)代, 2012 ,(6): 23-24.

[11] BHATNAGAR G, WU Q M, Liu Z. Directive contrast based multimodal medical image fusion in NSCT domain[J]. Multimedia, IEEE Transactions on, 2013, 15(5): 1014-1024.

[12] DAS, Sudeb, and Malay Kumar Kundu. "NSCT-based multimodal medical image fusion using pulse-coupled neural network and modified spatial frequency." Medical & biological engineering & computing 50.10 (2012): 1105-1114.

[13] 傅瑤，孫雪晨，薛旭成，等. 基于非下采樣輪廓波變換的全色圖像與多光譜圖像融合方法研究[J]. 液晶與顯示, 2013, 28(3): 429-434.

[14] 馬科, 彭真明, 何艷敏, 等. 改進(jìn)的非下采樣 Contourlet 變換紅外弱小目標(biāo)檢測(cè)方法[J]. 強(qiáng)激光與粒子束, 2013, 25(11): 2811-2815.

[15] 邢素霞，肖洪兵，陳天華，等. 基于目標(biāo)提取與 NSCT 的圖像融合技術(shù)研究[J]. 光電子激光, 2013, 24(3): 583-588.

[16] MAN Q, HU C H, SHI B, et al. Fusion algorithm for Terahertz and visible light images based on region segmentation and NSCT [C]//Applied Mechanics and Materials. 2013, 373: 613-618.

[17] ADU J, GAN J, WANG Y, et al. Image fusion based on nonsubsampled contourlet transform for infrared and visible light image[J]. Infrared Physics & Technology, 2013, 61: 94-100.

[18] 楊桄，童濤，陸松巖，等. 基于多特征的紅外與可見(jiàn)光圖像融合[J]. 光學(xué)精密工程, 2014, 22(2).

[19] 張?bào)@雷，趙俄英. 基于 NSCT 的紅外與可見(jiàn)光圖像融合方法[J]. 激光與紅外, 2013, 43(3): 319-323.

[20] YUQINGW, SUO-JIAN W. 紅外與可見(jiàn)光融合圖像的質(zhì)量評(píng)價(jià)[J]. 中國(guó)光學(xué), 2013, 7(3): 396-401.

Multi Spectral Image Fusion of Power Equipment Based on Object Extraction

LIU Xiao-yue, MA Wei-ning

(College of Electrical Engineering, North China University of Science and Technology, Tangshan Hebei 063000, China)

multi-spectral; image fusion; region growing; NSCT transformation; gradient

On account of the fusion rule is single and could not be fused in the image region in the method of power equipment thermal fault detection of multi-spectral image fusion.This paper presents a fusion algorithm of image region growing method combined with the NSCT transformation,the image was divided into fault area and scene area,then used NSCT transformation in fault area and scene area.Gray maximum method was used in the fault area,visible image coefficients was chosen in low frequency coefficients of scene area,higher gradient coefficients was chosen in high frequency coefficients of scene area.From subjective visual evaluation,image fusion evaluation index and image histogram,the advanced nature of the algorithm is verified, and the definition of the fused image and recognition degree of the fault point is improved.

2095-2716(2017)01-0102-06

TP391.41

A