NSST 域電氣設(shè)備紅外圖像增強(qiáng)處理算法設(shè)計(jì)

馮 杰，張瑩，葉影，賀潤(rùn)平，王哲斐

（1.國(guó)網(wǎng)上海市電力公司金山供電公司，上海 200540；2.寧波得弘企業(yè)發(fā)展有限公司，浙江寧波 315800）

由于電力系統(tǒng)大部分故障往往會(huì)產(chǎn)生熱效應(yīng)，故現(xiàn)場(chǎng)工作人員可通過獲取電氣設(shè)備的溫度信息判斷設(shè)備的狀態(tài)[1]。鑒于紅外技術(shù)對(duì)電力設(shè)備進(jìn)行溫度檢測(cè)的圖像并不清晰，需要研究人員增強(qiáng)圖像的對(duì)比度，提高圖像畫質(zhì)的清晰度。部分學(xué)者指出可利用小波變換與CLAHE 相結(jié)合進(jìn)行圖像增強(qiáng)[2]，但該方法的適用條件相對(duì)局限，只適用于分析同相的變換。還有部分學(xué)者研究了一種結(jié)合單尺度Retinex與引導(dǎo)濾波的紅外圖像增強(qiáng)方法[3]，可得到更加清晰的圖像，但在圖像分割時(shí)可能存在局部分割的情況?；诖?，該文提出一種基于NSST 的算法，以期提高紅外檢測(cè)圖像的清晰度。

1 變換算法

利用NSST 變換算法對(duì)圖像進(jìn)行多尺度幾何變換，并且實(shí)現(xiàn)圖像的多尺度幾何分析?；诓煌叨纫约安煌较虻霓D(zhuǎn)變，最終得到唯一頻率較低的子帶和若干個(gè)包含不同層次的設(shè)備細(xì)節(jié)輪廓和噪音的高頻部分[4-5]。低頻部分往往由電氣設(shè)備主體和環(huán)境背景構(gòu)成[6]，分別對(duì)其進(jìn)行噪音消除處理，具體流程如圖1 所示。

1.1 高頻分量處理

原始電力設(shè)備圖像在經(jīng)過NSST變換后可得到頻率較高的一些細(xì)節(jié)信息，但其中也含有高頻噪音和圖像的邊緣[7]。為提高圖像細(xì)節(jié)特征的呈現(xiàn)，采用多尺度Retinex算法進(jìn)行處理，獲得增強(qiáng)后的高頻分量。

Retinex 是一種基于人眼的視覺感受的圖像增強(qiáng)算法，一幅紅外圖像R(x,y)可用函數(shù)表達(dá)為：

其中，I(x,y)和O(x,y)分別代表照射分量和反射分量。對(duì)式（1）取對(duì)數(shù)可得到：

若I(x,y)=R(x,y)*G(x,y)，則反射分量可以表示為：

該式子被稱為單尺度Retinex 算法（SSR）。其中，*代表卷積運(yùn)算，G(x,y)代表高斯濾波數(shù)。該濾波函數(shù)的表現(xiàn)形式為：

其中，λ代表滿足條件時(shí)的歸一化常數(shù)，δ代表環(huán)繞參數(shù)，參數(shù)δ是SSR 中唯一的變量。所以，可調(diào)整的變量有限。在此基礎(chǔ)上，可同時(shí)調(diào)整范圍和色彩度的多尺度Retinex 算法（MSR）被提出，其數(shù)學(xué)表達(dá)式為：

可將MSR理解為多個(gè)已加權(quán)的SSR[8]。式（5）中，N為加權(quán)次數(shù)，ωi為不同的權(quán)重，需滿足文中，N=3，即多尺度Retinex 算法對(duì)原始紅外圖像的高頻部分采用大、中、小3 個(gè)尺度進(jìn)行加權(quán)平均。

圖像經(jīng)過多尺度Retinex 處理后，在去除振鈴和噪音的同時(shí)，還可保留高頻部分的邊緣細(xì)節(jié)[9]。

1.2 低頻系數(shù)處理算法

1.2.1 Jaya算法

Jaya 算法是一種操作簡(jiǎn)單且高效的萬能啟發(fā)式演算法，具有收斂快、尋優(yōu)強(qiáng)的特點(diǎn)[10]。它的原理基于尋優(yōu)吸引力法則，設(shè)定的參數(shù)會(huì)自動(dòng)排斥較差的解，不斷向更優(yōu)秀的解迭代靠近，持續(xù)改進(jìn)[11]。因此，在這個(gè)過程中，需要設(shè)定的只有參與迭代的特定參數(shù)。相比于其他新型優(yōu)化算法，該算法操作形式上簡(jiǎn)單，內(nèi)容更易于理解。其迭代數(shù)學(xué)表達(dá)式為：

式（6）中，i代表種群中順位為i的個(gè)體，i=1,…,n；j代表個(gè)體的第j維變量，j=1,2,…,m；k表示當(dāng)前迭代的次數(shù)；X代表第k次迭代且順位為i的個(gè)體在第j維上未迭代前的數(shù)值；X′表示迭代后的值；rbest,rworst的取值范圍為[0,1]，其值大小決定了尋優(yōu)的能力。Xbest,j,k,Xworst,j,k分別代表第k次迭代后在第j維上的最優(yōu)解和最差解。

1.2.2 Jaya算法改進(jìn)Otsu閾值分割算法

Otsu 是一種適用于大部分場(chǎng)合的圖像分割算法。它的主要實(shí)現(xiàn)方式是將圖像分為背景環(huán)境以及特定目標(biāo)兩部分，并使得兩部分存在最大的類間方差[12-13]。方差越大，代表兩者之間相互影響的可能性越小。故尋找使二維類間方差最大的閾值是該文實(shí)現(xiàn)的主要步驟。具體的實(shí)現(xiàn)方式如下：假設(shè)一幅大小為M×N，灰度級(jí)為L(zhǎng)，且范圍為[0,L-1]的圖像。將P0類定義為灰度級(jí)為[0,S]的所有像素點(diǎn)P1,定義為灰度級(jí)為[S,L-1]的所有像素點(diǎn)。P0和P1,類出現(xiàn)的概率分別是P0(S)和P1(S)，平均灰度級(jí)為a0(S)和a1(S)，那么：

其中，Pi為灰度級(jí)i在圖像中出現(xiàn)的概率。

圖像的平均灰度值可表示為：

圖像的類間方差為：

最優(yōu)的閾值分割即為類間方差的最大值：

利用Jaya 算法來尋找類間方差的閾值，從而獲取Otsu 分割的最佳閾值，以此達(dá)到優(yōu)化Otsu 閾值分割的精度，提高算法的運(yùn)行速度的目的。經(jīng)過Jaya算法改進(jìn)的Otsu 閾值算法適應(yīng)度函數(shù)為：

1.2.3 前景增強(qiáng)算法

設(shè)提取出的邊緣子帶圖像的灰度范圍為[xmin,xmax]，該部分灰度范圍跨度小，可利用線性增強(qiáng)的方式拉伸該部分灰度值。拉伸后的灰度值范圍為[xmin,255]，邊緣子帶灰度值得到最大限度的拉伸?；叶仍鰪?qiáng)公式為：

其中，xnew為增強(qiáng)后對(duì)應(yīng)灰度值。邊緣子帶圖像經(jīng)過線性增強(qiáng)后仍然可以保持原有的圖像分布特征，同時(shí)增強(qiáng)了目標(biāo)物體的視覺效果，加強(qiáng)了紅外圖像中電力設(shè)備的的辨識(shí)度和細(xì)節(jié)分布，增強(qiáng)后的邊緣部分灰度值下線保持xmin不變，這樣可以防止電力設(shè)備部分混入背景區(qū)域。

該方式有利于維持原始電力紅外圖像的灰部分布規(guī)律，提高電力設(shè)備區(qū)域的視覺效果，達(dá)到各部分互不影響，起到獨(dú)立觀察的效果。

1.2.4 后景增強(qiáng)方法

后景主要包含背景部分，其中背景部分是全紅外圖像中非興趣區(qū)域，背景主體部分是環(huán)境，而環(huán)境的最明顯特征就是不確定性以及復(fù)雜性[14-15]。故需要通過算法解決溫度較低時(shí)，電氣設(shè)備與背景部分的灰度值相似的問題。采用直方圖均衡算法（HE）對(duì)基于Jaya 算法改進(jìn)Otsu 閾值分割后的低溫子帶進(jìn)行加強(qiáng)。

圖像灰度值均為某個(gè)特定數(shù)字（0～255），但每個(gè)像素點(diǎn)又是連續(xù)的。故取N代表總像素值，nx代表灰度值為x的像素值，則灰度值為x的概率密度為:

其中，L代表灰度級(jí)，往往取28=256。紅外圖像的灰度分布函數(shù)為：

根據(jù)標(biāo)準(zhǔn)HE 算法的原理，新圖像的像素點(diǎn)為式（17）所得函數(shù)值乘以相應(yīng)的灰度值，因此，增強(qiáng)后的圖像像素值為：

HE 操作簡(jiǎn)便，是最基本的圖像增強(qiáng)方法，且增強(qiáng)效果極佳。HE 調(diào)整圖像背景部分灰度值大小，使得線性增強(qiáng)后的電力設(shè)備主體與背景之間的對(duì)比度增大，視覺差異明顯[16]，從而達(dá)到減少背景部分對(duì)前景的干擾，整體圖像低頻部分增強(qiáng)的效果。

2 算法應(yīng)用和分析

使用Matlab 軟件對(duì)某變電站的紅外圖像進(jìn)行分割分析，其原始圖像如圖2 所示。利用該文算法與傳統(tǒng)Ostu 算法分別對(duì)其進(jìn)行分割，其效果如圖3 所示。與傳統(tǒng)的Otsu 最大閾值分割法相比，基于Jaya算法改進(jìn)Otsu 閾值分割算法的處理速度較短，處理效果更清晰，可有效分割出背景和目標(biāo)，對(duì)細(xì)節(jié)的分割明顯，便于人眼直觀辨別。

圖2 戶外某電站紅外原始圖像

圖3 Otsu算法與文中分割算法

為驗(yàn)證該算法的有效性，以某變電站電力設(shè)備為實(shí)驗(yàn)樣本，利用HE 算法、Pal-King 算法、傳統(tǒng)NSST算法與該文算法進(jìn)行比較，分析其增強(qiáng)效果，效果對(duì)比如圖4 所示。

圖4 各算法的增強(qiáng)效果對(duì)比圖

從圖2 中一個(gè)極點(diǎn)的原始紅外灰度圖像可以看出，圖像中含有噪聲，具有豐富的斷層區(qū)目標(biāo)和背景；由圖4（b）顯示得到，經(jīng)過直方圖增強(qiáng)的紅外圖像背景和設(shè)備部分的對(duì)比差異范圍增大，但亮度有所增強(qiáng)，噪聲不僅沒有得到抑制，反而還被放大；Pal-King 增強(qiáng)后，目標(biāo)亮度增強(qiáng)，但細(xì)節(jié)輪廓丟失；如果采用該算法，不僅可清晰地看到電力設(shè)備故障區(qū)域的熱源，提高被測(cè)區(qū)域與無關(guān)區(qū)域的灰度對(duì)比度，去噪效果明顯，而且被測(cè)區(qū)域的詳細(xì)輪廓非常清晰，便于人眼識(shí)別熱故障。

采用邊緣強(qiáng)度（ES）、信息熵（IE）、對(duì)比度（CR）、標(biāo)準(zhǔn)差（SD）和峰值信噪比（PSNR）五項(xiàng)客觀指標(biāo)評(píng)價(jià)進(jìn)行對(duì)比分析，如表1 所示。

表1 電線桿紅外圖像增強(qiáng)評(píng)價(jià)功能

根據(jù)同一電線桿紅外圖像增強(qiáng)評(píng)價(jià)功能表的數(shù)據(jù)顯示，基于Jaya 算法改進(jìn)Otsu 閾值分割和多尺度的NSST 域電氣設(shè)備紅外圖像增強(qiáng)算法的峰值信噪比、信息熵、對(duì)比度、標(biāo)準(zhǔn)差和邊緣強(qiáng)度都是3 種算法中最高的，應(yīng)用該文算法后，上述5 個(gè)評(píng)價(jià)指標(biāo)均有增幅，說明該算法優(yōu)化后的圖像對(duì)比度提高最明顯，噪聲最小，受監(jiān)控區(qū)域影響最小，被觀察區(qū)域清晰度最佳。通過以上分析，與其他算法相比，該算法在圖像對(duì)比度的提升和噪音的消除上都有明顯的效果。

3 結(jié)束語

針對(duì)電力設(shè)備紅外圖像因噪聲、模糊、對(duì)比度低而難以識(shí)別電力設(shè)備熱故障的問題，設(shè)計(jì)了一種基于Jaya 算法改進(jìn)Otsu 閾值分割和多尺度的NSST 域電氣設(shè)備紅外圖像增強(qiáng)算法。與直方圖均衡化算法、Pal-King 增強(qiáng)算法和傳統(tǒng)NSST 算法相比，該算法在主觀和客觀方面都有較好的性能。結(jié)果表明，增強(qiáng)后的紅外圖像去噪效果較好，檢測(cè)出的熱故障區(qū)域與背景的對(duì)比度明顯提高，細(xì)節(jié)紋理更清晰，人眼更容易識(shí)別故障。該文提出的算法具有很強(qiáng)的實(shí)用性，在實(shí)際電力設(shè)備紅外檢測(cè)中取得了很好的效果。