蝙蝠算法優(yōu)化二維熵的變電設(shè)備紅外圖像分割應(yīng)用研究

王智杰，牛碩豐，劉相興，崔榮花

（國(guó)網(wǎng)山東省電力公司菏澤供電公司山東菏澤274000）

目前，紅外熱成像診斷技術(shù)已成為電力設(shè)備故障檢測(cè)的重要手段之一[1-3]。紅外圖像中包含了設(shè)備表面的溫度場(chǎng)信息，據(jù)此對(duì)圖像進(jìn)行二值化分割，并結(jié)合相關(guān)故障特征可對(duì)設(shè)備熱缺陷進(jìn)行提取[4]。

然而，傳統(tǒng)的二值化圖像分割算法[5-6]因存在閾值選取的誤差，容易出現(xiàn)欠分割或過分割的現(xiàn)象。同時(shí)，在閾值選取效率上也難以滿足設(shè)備紅外溫度場(chǎng)實(shí)時(shí)特征提取與分析的要求。針對(duì)這一現(xiàn)狀，本文采用蝙蝠算法優(yōu)化二維信息熵函數(shù)，快速搜尋電力設(shè)備紅外圖像全局最優(yōu)閾值，并對(duì)其進(jìn)行二值化分割。實(shí)驗(yàn)結(jié)果表明，與PSO+Otsu閾值分割法[7]、Kapur多級(jí)閾值分割法[8]及Kittler最小錯(cuò)誤閾值分割法[9]相比，本文方法的分割精度更高、速度更快，更能滿足電力設(shè)備紅外圖像實(shí)時(shí)特征提取及故障診斷的需求。

1 二維信息熵閾值選取原理

圖1 紅外圖像二維灰度直方圖

圖1為一幅電力設(shè)備紅外熱像的二維灰度直方圖，以（S，T）為閾值將電氣設(shè)備紅外圖像進(jìn)行分割，得到A1、A2、A3、A4四個(gè)區(qū)域，其中左下角的A1（s ＜S，t＜T）代表背景區(qū)域，右上角的A2（s＞S，t＞T）代表目標(biāo)區(qū)域。右下角的A3（s＞S，t＜T）區(qū)域和左上角的A4（s＜S，t＞T）區(qū)域分別代表圖像中的邊界和噪聲。為使背景和目標(biāo)區(qū)域內(nèi)所含信息最多，需在A1、A2區(qū)域上利用灰度值-平均灰度二維信息熵法選擇最優(yōu)分割閾值。A1、A2區(qū)域在圖像中所占比例分別為：

A1、A2區(qū)域所對(duì)應(yīng)的信息熵分別為：

定義閾值為（S，T）的二維信息熵判別函數(shù)[10-12]為：

經(jīng)化簡(jiǎn)可得：

選取二維信息熵函數(shù)判別式H（S，T）最大時(shí)的（S*，T*）為二維信息熵最優(yōu)分割閾值：

2 基于蝙蝠算法的二維熵圖像分割研究

2.1 蝙蝠算法

蝙蝠算法是模擬蝙蝠捕食過程演化而來：蝙蝠以響度A、脈沖頻度r和聲波頻率f在空間中隨機(jī)飛行，通過判斷所處的整個(gè)空間環(huán)境調(diào)節(jié)聲波頻率f進(jìn)行全局搜索，通過判斷與食物的距離來不斷調(diào)節(jié)發(fā)出的聲波響度A和脈沖頻度r進(jìn)行局部搜索。

在t時(shí)刻，蝙蝠群中各蝙蝠發(fā)出的聲波頻率fit、速度vit和位置pit表示為[13-15]：

其中fmin、fmax分別為最低、最高聲波頻率，β為[0，1]范圍內(nèi)的隨機(jī)變量，p*為最優(yōu)位置。若選取一個(gè)隨機(jī)數(shù)大于脈沖頻度r則給蝙蝠群帶來擾動(dòng)，產(chǎn)生蝙蝠的位置更新：

其中，ε為[-1，1]范圍內(nèi)的隨機(jī)值，At為蝙蝠群在時(shí)間為t時(shí)的平均響度，全局與局部尋優(yōu)之間的平衡通過改變響度A與脈沖頻度ri來實(shí)現(xiàn)：

其中，ξ為取值為[0，1]的響度遞減系數(shù)，θ是脈沖頻度遞增系數(shù)，為t時(shí)刻蝙蝠發(fā)出的脈沖頻度。

2.2 基于蝙蝠算法的二維熵圖像分割方法

二維信息熵閾值分割算法采用傳統(tǒng)的遍歷方式，使得二維信息熵的計(jì)算過程過于復(fù)雜，分割的速度明顯低于其他算法。因此本文引入二維信息熵判別函數(shù)H（S，T）作為蝙蝠算法的適應(yīng)度函數(shù)，快速尋找紅外圖像最優(yōu)分割閾值。蝙蝠的位置p用來表示圖像分割閾值，不斷改變的頻率代表了蝙蝠逐漸接近食物的步長(zhǎng)，蝙蝠的食物表示二維信息熵分割圖像的最優(yōu)閾值。

文中提出的基于蝙蝠算法的二維信息熵紅外圖像閾值分割方法基本步驟如下：

1）初始化蝙蝠群的各項(xiàng)參數(shù)：蝙蝠數(shù)量n、初始響度A0、響度遞減系數(shù)ξ、初始脈沖頻度r0、脈沖頻度遞增系數(shù)θ、最低聲波頻率fmin、最高聲波頻率fmax以及最大進(jìn)化次數(shù)N；

2）投放n個(gè)蝙蝠，初始位置pi0隨機(jī)，初始速度vi0隨機(jī)，計(jì)算出此時(shí)蝙蝠群中最優(yōu)蝙蝠位置pi*和蝙蝠群的平均適應(yīng)度 Fitness（N）；（pi0∈[0，L-1]，vi0∈[-v，v]）

3）根據(jù)公式（8）對(duì)各蝙蝠位置速度進(jìn)行更新，若rand＞ri，則按照公式（9）讓蝙蝠局部隨機(jī)搜索；

4）依次對(duì)各蝙蝠評(píng)估，與更新前進(jìn)行對(duì)比，若更新后蝙蝠位置更優(yōu)且rand＜Ai，更新蝙蝠群中局部最優(yōu)蝙蝠，再次求解蝙蝠群平均適應(yīng)度Fitness（N）；

5）與全局最優(yōu)蝙蝠進(jìn)行比較，若優(yōu)于全局最優(yōu)蝙蝠，則對(duì)全局最優(yōu)蝙蝠進(jìn)行更新，并按照公式（10）對(duì)響度Ait和脈沖頻度rit進(jìn)行更新調(diào)整；

6）記錄蝙蝠群中最優(yōu)蝙蝠和該蝙蝠目前所在位置pit*；

7）如果達(dá)到最大迭代次數(shù)或連續(xù)三次迭代過程中平均適應(yīng)度保持不變則進(jìn)入8）；否則跳到3）開始下一次迭代；

8）輸出全局最優(yōu)蝙蝠位置。

在基于蝙蝠算法的二維信息熵閾值分割過程中，對(duì)蝙蝠優(yōu)劣評(píng)估的公式為二維信息熵判別函數(shù)H（S，T），全局最優(yōu)蝙蝠位置即為最佳分割閾值（S*，T*），蝙蝠群的平均適應(yīng)度函數(shù)Fitness（N）則為每次算法迭代后蝙蝠群中蝙蝠二維信息熵的平均值。具體步驟如流程圖2所示。

圖2 基于蝙蝠算法的二維信息熵紅外圖像閾值分隔方法流程圖

3 實(shí)驗(yàn)結(jié)果與分析

文中選取如圖3所示圖像尺寸為320×240的電流互感器、阻波器、刀閘接頭和刀閘四幅紅外圖像作為實(shí)驗(yàn)對(duì)象進(jìn)行圖像分割實(shí)驗(yàn)。將本文方法與PSO+Otsu法、Kapur法及Kittler最小錯(cuò)誤閾值分割法的分割結(jié)果進(jìn)行對(duì)比分析。

圖3 待分割電力設(shè)備紅外圖像

3.1 閾值分割結(jié)果對(duì)比

文中采用基于蝙蝠算法的二維信息熵閾值分割方法分別對(duì)4幅電力設(shè)備紅外熱像進(jìn)行二值化分割處理。蝙蝠算法中參數(shù)設(shè)置如下：蝙蝠數(shù)量n=20，脈沖頻率范圍為[0，1]，初始脈沖頻度r0=0.75，脈沖頻度遞增系數(shù)θ=0.05，初始響度A0=0.5，響度遞減系數(shù)ξ=0.9，蝙蝠群最大進(jìn)化代數(shù)N=50。并與PSO+Otsu法、Kapur法和Kittler法的分割結(jié)果進(jìn)行分析對(duì)比。各算法分割結(jié)果如圖4所示，從上至下各行分別為電流互感器、阻波器、刀閘接頭和刀閘，從左至右各列圖像依次為設(shè)備紅外原圖、PSO+Otsu法、Kapur法、Kittler法及本文方法的二值化分割結(jié)果。由圖可見，采用Kapur法有明顯的過分割現(xiàn)象，3種電力設(shè)備的紅外圖像均有較為嚴(yán)重的部分信息丟失；Kittler法在電流互感器圖像的左上角和左下角部分產(chǎn)生過分割現(xiàn)象，在刀閘紅外圖像上的分割效果也較差。PSO+Otsu法未能正確分割出阻波器和刀閘接頭紅外圖像中的細(xì)纜線。相比而言，本文方法對(duì)4幅電力設(shè)備紅外圖像的細(xì)節(jié)分割效果均十分良好。

3.2 分割誤分率及耗時(shí)對(duì)比

在圖像分割的性能評(píng)價(jià)中，誤分率（Misclassification Error，ME）是一個(gè)十分重要的衡量指標(biāo)，本節(jié)采用ME作為圖像分割的客觀評(píng)判指標(biāo)進(jìn)一步對(duì)上述4種算法進(jìn)行分割效果的對(duì)比[16]。

誤分率的表達(dá)式為：

其中：BS和QS分別為電力設(shè)備二值化標(biāo)準(zhǔn)分割圖的背景和目標(biāo)像素點(diǎn)集合。BF和QF分別為各閾值法分割圖像的背景和目標(biāo)像素點(diǎn)集合。BS∩BF和QS∩QF分別表示標(biāo)準(zhǔn)分割圖和算法分割圖相應(yīng)背景和目標(biāo)像素點(diǎn)集合的交集。如圖5所示的二值化標(biāo)準(zhǔn)分割圖是由電力專家經(jīng)手工分割紅外熱像所得。

圖4 設(shè)備紅外原圖與PSO+Otsu法、Kapur法、Kittler法及本文方法的二值化分割結(jié)果圖像

圖5 電力設(shè)備二值化標(biāo)準(zhǔn)分割圖像

分別用PSO+Otsu法、Kapur法、Kittler法和基于蝙蝠算法的二維信息熵紅外圖像閾值分割法對(duì)4幅紅外圖像進(jìn)行處理，并將處理后的二值化圖像與二值化標(biāo)準(zhǔn)分割圖像進(jìn)行ME值計(jì)算，各方法分割圖像的ME值如圖6所示。并統(tǒng)計(jì)各方法處理圖像的耗時(shí)，結(jié)果如圖7所示。表1計(jì)算了本文方法相對(duì)其他方法的ME值及耗時(shí)降低率，ME值相比于PSO+Otsu法、Kapur法和Kittler法分別平均降低了48.39%、72.49%和64.61%，而在分割耗時(shí)方面本文方法相比PSO+Otsu法、Kapur法和Kittler法分別平均降低了24.10%、13.73%和32.63%，紅外圖像的分割效果與分割速度均有明顯改進(jìn)。

圖6 4種分割方法的ME值比較圖

4 結(jié)論

針對(duì)電力設(shè)備熱紅外圖像分割過程中面臨的閾值選取困難、耗時(shí)長(zhǎng)的問題，文中提出了基于蝙蝠算法的二維信息熵電力設(shè)備紅外圖像閾值分割方法?；谙袼鼗叶刃畔⒑袜徲蚧叶确植嫉亩S信息熵法使閾值選取更加精確，模擬蝙蝠捕食的蝙蝠算法有效減少分割時(shí)間，將蝙蝠算法引入二維信息熵閾值分割法，可以快速精確地對(duì)設(shè)備紅外圖像溫度場(chǎng)進(jìn)行分割。實(shí)驗(yàn)表明，本文方法相比PSO+Otsu法、Kapur法和Kittler法得到的電力設(shè)備紅外分割圖在閾值選取速度與圖像分割精度方面均有突出表現(xiàn)，在解決電力設(shè)備紅外溫度圖像二值分割的問題上具有一定優(yōu)勢(shì)。

圖7 4種分割方法耗時(shí)(s)比較圖

表1 本文方法相對(duì)各方法ME及耗時(shí)降低百分比