專利名稱：：基于d-s證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于電力系統(tǒng)高壓設(shè)備絕緣檢測(cè)的
技術(shù)領(lǐng)域：
，尤其涉及一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法。
背景技術(shù)：
：隨著絕緣子污閃事故的不斷發(fā)生，絕緣子安全運(yùn)行已成為電力系統(tǒng)中的一個(gè)重要環(huán)節(jié)。絕緣子憎水性是影響絕緣子污閃的重要因素，所以研究絕緣子憎水性等級(jí)判決刻不容緩。傳統(tǒng)憎水性檢測(cè)方法多采用人工方式進(jìn)行圖像采集和判決，效率低下且浪費(fèi)了大量人力資源；同時(shí)，由于人的主觀性不可避免地會(huì)出現(xiàn)不一致性。基于圖像分析的憎水性在線檢測(cè)，使得自動(dòng)判決成為可能。目前部分電力系統(tǒng)部門己采用在線檢測(cè)來(lái)代替人工操作。但現(xiàn)有的方法對(duì)現(xiàn)場(chǎng)運(yùn)行環(huán)境下憎水性檢測(cè)準(zhǔn)確性得不到保證，且現(xiàn)有的方法大多單純提取一個(gè)方面的特征分量來(lái)識(shí)別憎水性等級(jí)，缺乏對(duì)多種信息的協(xié)同處理和綜合利用。由于這些方法所利用的憎水性特征量單一，如果這些特征量受各種噪聲干擾影響，可能降低憎水性識(shí)別精度和可靠性，同時(shí)在準(zhǔn)確性、可靠性和實(shí)用性等方面都存在著不同程度的缺陷。
發(fā)明內(nèi)容本發(fā)明的目的在于，提供一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，通過(guò)提取三個(gè)方面的特征分量來(lái)識(shí)別憎水性等級(jí)，避免了由于某些特征分量受到各種噪聲干擾時(shí)，影響憎水性識(shí)別精度、可靠性和準(zhǔn)確性的缺陷，使絕緣子憎水性檢測(cè)的準(zhǔn)確性得到了極大地提高。本發(fā)明的技術(shù)方案是，一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，其特征是所述方法包括下列步驟步驟1:利用噴水分級(jí)法獲取待測(cè)絕緣子憎水性圖像；步驟2:在噴水結(jié)束后1-2秒的時(shí)間范圍內(nèi)，對(duì)待測(cè)絕緣子的憎水性圖像進(jìn)行裁剪；步驟3:對(duì)裁剪后的憎水性圖像進(jìn)行直方圖均衡處理；步驟4:對(duì)均衡處理后的圖像進(jìn)行去噪處理；步驟5:利用信息測(cè)度的方法，確定步驟1至步驟4處理后憎水性圖像的三個(gè)信息測(cè)度分量，基于模糊熵的鄰域有序性C(/,j')、基于梯度及模糊熵的方向性M(/J)和基于相似度的分量外',刀；其中(^)是憎水性圖像的像素點(diǎn)；步驟6:利用模糊C均值聚類的圖像分析方法，實(shí)現(xiàn)憎水性圖像背景和物體的分割；步驟7:依據(jù)憎水性圖像光學(xué)特性、形狀信息，提取憎水性圖像三個(gè)特征分量，面積特征K=最大水珠/水跡面積，形狀特征f=4;rx最大水珠/水跡面積，亮點(diǎn)特—整幅圖像面積入—(最大水珠/水跡周長(zhǎng);f'、'、征,一亮點(diǎn)數(shù)./p=連通區(qū)域數(shù)'步驟8:將提取的面積特征、形狀特征及亮點(diǎn)特征分量分別作為三個(gè)特征分類器；步驟9:構(gòu)建憎水性隸屬度函數(shù)，用隸屬度函數(shù)表示命題的可信度，利用模糊規(guī)則求出各分類器的基本概率分配函數(shù)；步驟10:利用D-S證據(jù)理論的合成法則，將三個(gè)分類器的基本概率分配函數(shù)進(jìn)行融合，得到融合后的基本概率分配函數(shù)；步驟ll:利用等級(jí)判定的基本原則確定憎水性等級(jí)，實(shí)現(xiàn)憎水性等級(jí)融合判決。所述利用噴水分級(jí)法獲取待測(cè)絕緣子憎水性圖像，其過(guò)程是，對(duì)待測(cè)絕緣子進(jìn)行噴水操作，噴水結(jié)束后，拍攝動(dòng)態(tài)錄像，并采用從拍攝的動(dòng)態(tài)錄像中截取靜像的方式來(lái)獲取絕緣子的噴水圖像。所述對(duì)待測(cè)絕緣子的憎水性圖像進(jìn)行裁剪，其方法是，在圖像中選取不包括復(fù)合絕緣子傘裙邊緣，且噴水區(qū)內(nèi)憎水性最差的部分，利用圖像處理軟件進(jìn)行裁剪。所述對(duì)裁剪后的憎水性圖像進(jìn)行直方圖均衡處理，其方法是，對(duì)每個(gè)像素點(diǎn)(/,/)實(shí)現(xiàn)憎水性圖像自適應(yīng)直方圖均衡7(/(/，力)=255x^1，其中是灰度級(jí)為r的像素在所選滑動(dòng)窗口MxM中的數(shù)量，/(/,力為(y，y)像素點(diǎn)灰度值，*為/(!W)所對(duì)應(yīng)灰度級(jí)。所述對(duì)均衡處理后的圖像進(jìn)行去噪處理，是采用中值濾波的方法，強(qiáng)迫將受到干擾的像素轉(zhuǎn)變?yōu)槠溧徑南袼氐幕叶戎?，達(dá)到去除干擾，消除噪聲的效果。所述利用模糊c均值聚類的圖像分析方法，實(shí)現(xiàn)憎水性圖像背景和物體的分割，其過(guò)程是，首先模糊c均值聚類的圖像分析算法為<formula>formulaseeoriginaldocumentpage7</formula>其中介于間；c,為模糊組/的聚類中心，A為第/個(gè)聚類中心與第J個(gè)數(shù)據(jù)點(diǎn)間的歐幾里德距離，且me[l，oo;)是加權(quán)指數(shù)；然后再通過(guò)《=|卜,一~.I=^c,對(duì)應(yīng)^x:;,-、對(duì)應(yīng)的c;.)2+^,.對(duì)應(yīng)的^.-、.對(duì)應(yīng)的i^.)2+^.對(duì)應(yīng)頓;;-、對(duì)應(yīng)i^,進(jìn)行計(jì)算，根據(jù)其是分類到q還是。來(lái)判斷其是背景還是物體，其中C,、M,禾口^分別為憎水性圖像的三個(gè)信息測(cè)度分量C(/J)、M(/,/)和外'J)。所述構(gòu)建憎水性隸屬度函數(shù)，其方法是，利用模糊規(guī)則，分別求出三個(gè)分類器的基本概率分配函數(shù)，對(duì)面積特征隸屬度函數(shù)選取;r型函數(shù)，對(duì)形狀特征隸屬度函數(shù)選取r型函數(shù)，對(duì)亮點(diǎn)特征隸屬度函數(shù)的選取依據(jù)泰勒級(jí)數(shù)展開(kāi)式。所述等級(jí)判定的基本原則包括1)目標(biāo)等級(jí)具有最大的信任度值；2)目標(biāo)等級(jí)與其它等級(jí)的信任度值之差大于最大信任度值的25%;3)不確定性區(qū)間長(zhǎng)度小于最大信任度值的25%;4)目標(biāo)等級(jí)的信任度值大于模糊性基本概率分配函數(shù)的值。本發(fā)明的效果在于，采用三個(gè)特征分量對(duì)憎水性等級(jí)進(jìn)行檢測(cè)，與常用方法相比，檢測(cè)參數(shù)多，反映憎水性變化全面；同時(shí)，采用變量的隸屬度函數(shù)表示命題的可信度，表征憎水性特征分量的不確定性，具有較強(qiáng)的穩(wěn)健性，最終提高了復(fù)合絕緣子憎水性在線檢測(cè)的精度和準(zhǔn)度。圖1是基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法的流程圖。圖2是憎水性特征分量提取的示意圖。圖3是基于D-S證據(jù)理論的憎水性等級(jí)融合判決框圖。具體實(shí)施方式下面結(jié)合附圖，對(duì)優(yōu)選實(shí)施例作詳細(xì)說(shuō)明。應(yīng)該強(qiáng)調(diào)的是，下述說(shuō)明僅僅是示例性的，而不是為了限制本發(fā)明的范圍及其應(yīng)用。圖1是基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法的流程圖。通過(guò)分析，發(fā)現(xiàn)憎水性圖像獲取受噴水角度、拍攝角度、現(xiàn)場(chǎng)運(yùn)行環(huán)境等影響，因此本方法采用下述規(guī)則來(lái)定位憎水性圖像區(qū)域。圖1中，步驟101利用噴水分級(jí)法獲取待測(cè)絕緣子憎水性圖像。在此采用拍攝動(dòng)態(tài)錄像，并從動(dòng)態(tài)錄像中截取靜像的方式來(lái)獲取。步驟102在噴水結(jié)束后1-2秒的時(shí)間范圍內(nèi)，對(duì)待測(cè)絕緣子的憎水性圖像進(jìn)行裁剪。在圖像的裁剪過(guò)程中，目標(biāo)區(qū)域的選取不能包括復(fù)合絕緣子傘裙的邊緣，且必須是噴水區(qū)內(nèi)憎水性最差的部分；裁剪通過(guò)自編圖像處理軟件實(shí)現(xiàn)。由于復(fù)合絕緣子所處環(huán)境復(fù)雜性，不可避免會(huì)受絕緣表面污穢影響，加上水的透明性導(dǎo)致的水珠/水跡與背景灰度差較小和水對(duì)光的反射導(dǎo)致的對(duì)光一側(cè)的邊界極為模糊等原因，致使圖像信息獲取困難。為此，需要對(duì)憎水性圖像進(jìn)行預(yù)處理，即步驟103對(duì)裁剪后的憎水性圖像進(jìn)行直方圖均衡處理。方法是對(duì)每個(gè)像素點(diǎn)(/,y)實(shí)現(xiàn)憎水性圖像自適應(yīng)直方圖均衡r(/(/,力)=255x力^V，其中是灰度級(jí)為r的像素在所選滑動(dòng)窗口MxM中的數(shù)量，/(/，力為(/,y)像素點(diǎn)灰度值，A為/(,',力所對(duì)應(yīng)灰度級(jí)。之后，執(zhí)行步驟104對(duì)均衡后的圖像進(jìn)行去噪處理，即采用中值濾波的方法，強(qiáng)迫將受到干擾的像素轉(zhuǎn)變?yōu)槠溧徑南袼氐幕叶戎?，達(dá)到去除干擾，消除噪聲的效果。由于憎水性圖像所處環(huán)境復(fù)雜、水光相互作用的影響等，綜合考慮圖像的灰度、梯度及相似度的信息測(cè)度，有效地提取水珠/水跡與背景不同信息的測(cè)度，并引入基于模糊C均值聚類(FCM)的圖像分析技術(shù)分割水珠/水跡與背景信息，實(shí)現(xiàn)憎水性圖像分割。提取水珠/水跡與背景不同信息的測(cè)度，通過(guò)步驟105實(shí)現(xiàn)。步驟105利用信息測(cè)度的方法，確定步驟101至步驟104處理后憎水性圖像的三個(gè)信息測(cè)度分量，基于模糊熵的鄰域有序性C(W)、基于梯度及模糊熵的方向性M(Z,力和基于相似度的分量i(/,jO;其中(^)是憎水性圖像的像素點(diǎn)。步驟106利用模糊C均值聚類的圖像分析方法，實(shí)現(xiàn)憎水性圖像背景和物休的分割。其過(guò)程是，首先模糊C均值聚類的圖像分析算法為P1:4其中^介于間；C,為模糊組；的聚類中心，^為第f個(gè)聚類中心與第y個(gè)數(shù)據(jù)點(diǎn)間的歐幾里德距離，且me[l,oo;)是加權(quán)指數(shù)；然后通過(guò)&=||c,一x乂J=^q對(duì)應(yīng)的^,x,對(duì)應(yīng)的；)2+(C^&^My,x^4@fl^^)2+(￡;,對(duì)應(yīng)頓,:;-、對(duì)應(yīng)1^,7進(jìn)行計(jì)算，根據(jù)其是分類到q還是。來(lái)判斷其是背景還是物體，其中q、M,和A分別為憎水性圖像的三個(gè)信息測(cè)度分量c(,',力、M(u')和w(u:i。圖l中，步驟107依據(jù)憎水性圖像光學(xué)特性、形狀信息等，提取憎水性圖像三個(gè)特征分量，面積特征x-^^^MM，形狀特征整幅圖像面積—仏最大細(xì)城ffi積、，亮點(diǎn)特征,=氛微。圖2是本發(fā)明的憎水性特征c(最大水珠/水跡周長(zhǎng))2p連通區(qū)域數(shù)分量提取的示意圖。圖2中，201為所提取的三個(gè)憎水性特征分量。分析各特征分量與憎水性等級(jí)間的關(guān)系隨著憎水性等級(jí)變大(即由Hd向HC,變化)，面積特征《值逐漸變大，而不同等級(jí)間的形狀特征/;及亮點(diǎn)特征/p均遵循一定的變化規(guī)律，表明這三個(gè)特征分量可以用于后續(xù)憎水性等級(jí)的判定。圖3是基于D-S證據(jù)理論的憎水性等級(jí)融合判決框圖。圖3中，301為三個(gè)分類器，302為模糊規(guī)則。憎水性等級(jí)融合判決使用所提取的面積、形狀及亮點(diǎn)三個(gè)特征分量分別作為三個(gè)分類器的特征，因此，步驟108將提取的面積特征、形狀特征及亮點(diǎn)特征分量分別作為三個(gè)特征分類器。由于所處理的憎水性圖像中提取的特征分量往往不確定，為表述與處理這種不確定性，本方法采用變量的隸屬度函數(shù)表示命題的可信度，利用模糊規(guī)則求出各分類器的基本概率分配函數(shù)，最后利用D-S證據(jù)理論的合成法則將各分類器的結(jié)果結(jié)合起來(lái)進(jìn)行統(tǒng)一判決，實(shí)現(xiàn)憎水性等級(jí)融合判決。D-S證據(jù)理論通過(guò)對(duì)不確定信息的描述采用區(qū)間估計(jì)的方法，在區(qū)分不知道與不確定方面顯示出了很大的靈活性。當(dāng)不同的分類器所提供的關(guān)于目標(biāo)的報(bào)告發(fā)生沖突時(shí)，它可以通過(guò)"懸掛"在所有目標(biāo)集上共有的概念(可信度)使得發(fā)生的沖突獲得解決，并保障原來(lái)高可信度的結(jié)果比低可信度的結(jié)果加權(quán)要大。D-S證據(jù)理論用辨別框架0="，52,53}表示感興趣的命題集，并定義了一個(gè)集函數(shù)m:2"—[O,l]為辨別框架上的基本概率分配函數(shù)，該函數(shù)滿足以下兩個(gè)條即HC的信任函數(shù)為//C中每個(gè)子集的信任度之和，表示命題成立的最小的不確定性支持程度；似真函數(shù)表示不否定命題//C成立的程度。表示了//C的不確定空間。圖1中，步驟109在憎水性隸屬度函數(shù)的構(gòu)建中，對(duì)面積特征選取;r型函數(shù)，對(duì)形狀特征選取r型函數(shù)，對(duì)亮點(diǎn)特征隸屬度函數(shù)的選取依據(jù)泰勒級(jí)數(shù)展開(kāi)式。對(duì)于任何命題集，信任函數(shù)&/()和似真函數(shù)p/()定義為:建立憎水性七個(gè)等級(jí)所對(duì)應(yīng)的面積特征隸屬度函數(shù)，如下式所示:<formula>formulaseeoriginaldocumentpage12</formula>七個(gè)值的大小決定了該憎水性圖像隸屬于相應(yīng)等級(jí)的可能性的大小。例如~(/1)越大，說(shuō)明該憎水性隸屬于Hd的概率越大，否則隸屬于Hd的概率越小。將它們七個(gè)值歸一化后分別作為HCrHC7的基本概率分配函數(shù)值_/=1,2,3,4,5,6,7建立憎水性七個(gè)等級(jí)所對(duì)應(yīng)的形狀特征隸屬度函數(shù)，如下式所示:5In(2(/c-0.7)),-10ln(2(厶-0.7))651n(2(./c-1))0S/c<0.70,7《/c<0.80.8S/cS1i=1,2,3/=4,5,6"ln(2(,'-0.75))。-4in(2(/c-0.75))0《/c<0.750.75S/c^1/="7",。(i/C」(7'=7義3，《5，67)七個(gè)值的大小決定了該憎水性圖像隸屬于相應(yīng)等級(jí)的可能性的大小。例如^(/ZC,)越大，說(shuō)明該憎水性隸屬于Hd的概率越大，否則隸屬于Hd的概率越小。將它們七個(gè)值歸一化后分別作為HCrHC7的基本概率分配函數(shù)值也)=，)盧i_/=1,2，3,4,5,6,7建立憎水性七個(gè)等級(jí)所對(duì)應(yīng)的亮點(diǎn)特征隸屬度函數(shù)，如下式所示:5!30/。/5.23/°23x3!o^/p<o,i0.1"<0,70.70.80,7^力<0.8<formula>formulaseeoriginaldocumentpage14</formula>七個(gè)值的大小決定了該憎水性圖像隸屬于相應(yīng)等級(jí)的可能性的大小。例如w,(//Ci)越大，說(shuō)明該憎水性隸屬于HQ的概率越大，否則隸屬于Hd的概率越小。將它們七個(gè)值歸一化后分別作為HCrHC7的基本概率分配函數(shù)值附3(//<^J=7",-;乂=1,2,3,4,5,6,7圖1中，步驟110利用D-S證據(jù)理論的合成法則，將三個(gè)分類器的結(jié)果進(jìn)行融合判決，得到融合后的基本概率分配函數(shù)。由于憎水性三個(gè)特征分量之間相關(guān)性較小，因此本方法假設(shè)三個(gè)分類器產(chǎn)生的證據(jù)結(jié)果是獨(dú)立的，這樣即可利用下式的D-S合成規(guī)則來(lái)進(jìn)行融合，艮卩<formula>formulaseeoriginaldocumentpage15</formula>由上式可以得到融合后的基本概率分配函數(shù)m(/ZC)，在得到融合后的基本概率分配函數(shù)后，由式(1)計(jì)算信度區(qū)間1^/(/忙/)^/(/忙』，針對(duì)每一幅憎水性圖像，定義以下規(guī)則來(lái)確定該憎水性等級(jí)1)目標(biāo)等級(jí)具有最大的信任度值；2)目標(biāo)等級(jí)與其它等級(jí)的信任度值之差大于最大信任度值的25%;3)不確定性區(qū)間長(zhǎng)度小于最大信任度值的25%;4)目標(biāo)等級(jí)的信任度值大于模糊性基本概率分配函數(shù)的值。圖1中，步驟111利用等級(jí)判定的基本原則確定憎水性等級(jí)，實(shí)現(xiàn)憎水性等級(jí)融合判決。在具體判定時(shí)，按所列規(guī)則的順序依次判定，即若只有唯一的最大信任度值，則后面的規(guī)則不需要檢驗(yàn)，否則的話再判定第二個(gè)規(guī)則，依此類推。假設(shè)，有如下運(yùn)算結(jié)果，<table>tableseeoriginaldocumentpage16</column></row><table>其憎水性等級(jí)融合判決為在行1中，顯然HC1所對(duì)應(yīng)的信任度值最大，此時(shí)利用規(guī)則1)將其判斷為HC1;在行2中，HC1及HC3具有相同的信任度值，無(wú)法利用1)和2)規(guī)則判定，則利用3)規(guī)則，由于不確定性區(qū)間長(zhǎng)度應(yīng)小于最大可信任值的25%，即0.088，所以將其判斷為HC1，而非HC3。以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。權(quán)利要求1、一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，其特征是所述方法包括下列步驟步驟1利用噴水分級(jí)法獲取待測(cè)絕緣子憎水性圖像；步驟2在噴水結(jié)束后1-2秒的時(shí)間范圍內(nèi)，對(duì)待測(cè)絕緣子的憎水性圖像進(jìn)行裁剪；步驟3對(duì)裁剪后的憎水性圖像進(jìn)行直方圖均衡處理；步驟4對(duì)均衡處理后的圖像進(jìn)行去噪處理；步驟5利用信息測(cè)度的方法，確定步驟1至步驟4處理后憎水性圖像的三個(gè)信息測(cè)度分量，基于模糊熵的鄰域有序性C(i，j)、基于梯度及模糊熵的方向性M(i，j)和基于相似度的分量R(i，j)；其中(i，j)是憎水性圖像的像素點(diǎn)；步驟6利用模糊C均值聚類的圖像分析方法，實(shí)現(xiàn)憎水性圖像背景和物體的分割；步驟7依據(jù)憎水性圖像光學(xué)特性、形狀信息，提取憎水性圖像三個(gè)特征分量，面積特征id="icf0001"file="A2008102250740002C1.tif"wi="39"he="8"top="161"left="50"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>形狀特征id="icf0002"file="A2008102250740002C2.tif"wi="47"he="9"top="161"left="114"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>亮點(diǎn)特征步驟8將提取的面積特征、形狀特征及亮點(diǎn)特征分量分別作為三個(gè)特征分類器；步驟9構(gòu)建憎水性隸屬度函數(shù)，用隸屬度函數(shù)表示命題的可信度，利用模糊規(guī)則求出各分類器的基本概率分配函數(shù)；步驟10利用D-S證據(jù)理論的合成法則，將三個(gè)分類器的基本概率分配函數(shù)進(jìn)行融合，得到融合后的基本概率分配函數(shù)；步驟11利用等級(jí)判定的基本原則確定憎水性等級(jí)，實(shí)現(xiàn)憎水性等級(jí)融合判決。2、根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，其特征是所述利用噴水分級(jí)法獲取待測(cè)絕緣子憎水性圖像，其過(guò)程是，對(duì)待測(cè)絕緣子進(jìn)行噴水操作，噴水結(jié)束后，拍攝動(dòng)態(tài)錄像，并采用從拍攝的動(dòng)態(tài)錄像中截取靜像的方式來(lái)獲取絕緣子的噴水圖像。3、根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，其特征是所述對(duì)待測(cè)絕緣子的憎水性圖像進(jìn)行裁剪，其方法是，在圖像中選取不包括復(fù)合絕緣子傘裙邊緣，且噴水區(qū)內(nèi)憎水性最差的部分，利用圖像處理軟件進(jìn)行裁剪。4、根據(jù)權(quán)利耍求1所述的一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，其特征是所述對(duì)裁剪后的憎水性圖像進(jìn)行直方圖均衡處理，其方法是，對(duì)每個(gè)像素點(diǎn)(/,力實(shí)現(xiàn)憎水性圖像自適應(yīng)直方圖均衡r(/(/,力)-"5xf4，其中是灰度級(jí)為r的像素在所選滑動(dòng)窗口MxM中的數(shù)量，/(U)為(U')像素點(diǎn)灰度值，A為/(/，/)所對(duì)應(yīng)灰度級(jí)。5、根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，其特征是所述對(duì)均衡處理后的圖像進(jìn)行去噪處理，是采用中值濾波的方法，強(qiáng)迫將受到干擾的像素轉(zhuǎn)變?yōu)槠溧徑南袼氐幕叶戎?，達(dá)到去除干擾，消除噪聲的效果。6、根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，其特征是所述利用模糊C均值聚類的圖像分析方法，實(shí)現(xiàn)憎水性圖像背景和物體的分割，其過(guò)程是，首先模糊C均值聚類的圖像分析算法為<formula>formulaseeoriginaldocumentpage4</formula>其中",介于間；c,為模糊組,:的聚類中心，^為第f個(gè)聚類中心與第j'個(gè)數(shù)據(jù)點(diǎn)間的歐幾里德距離，且附S[l,O))是加權(quán)指數(shù)；然后再通過(guò)<formula>formulaseeoriginaldocumentpage4</formula>進(jìn)行計(jì)算，根據(jù)其是分類到c,還是^來(lái)判斷其是背景還是物體，其中q、分別為憎水性圖像的三個(gè)信息測(cè)度分量C(/,/)、M(,',力和i(/,力。7、根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，其特征是所述構(gòu)建憎水性隸屬度函數(shù)，其方法是，利用模糊規(guī)則，分別求出三個(gè)分類器的基本概率分配函數(shù)，對(duì)面積特征隸屬度函數(shù)選取;r型函數(shù)，對(duì)形狀特征隸屬度函數(shù)選取r型函數(shù)，對(duì)亮點(diǎn)特征隸屬度函數(shù)的選取依據(jù)泰勒級(jí)數(shù)展開(kāi)式。8、根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法，其特征是所述等級(jí)判定的基本原則包括1)目標(biāo)等級(jí)具有最大的信任度值；2)目標(biāo)等級(jí)與其它等級(jí)的信任度值之差大于最大信任度值的25%;3)不確定性區(qū)間長(zhǎng)度小于最大信任度值的25%;4)目標(biāo)等級(jí)的信任度值大于模糊性基本概率分配函數(shù)的值。全文摘要本發(fā)明屬于電力系統(tǒng)高壓設(shè)備絕緣檢測(cè)的
技術(shù)領(lǐng)域：
，公開(kāi)了一種基于D-S證據(jù)理論的絕緣子憎水性等級(jí)融合判決方法。技術(shù)方案是用噴水分級(jí)法采集與憎水性相關(guān)的圖像信息，進(jìn)行裁剪、去噪及分割等處理，然后依據(jù)憎水性圖像的水珠/水跡光學(xué)特性、形狀信息等提取三個(gè)憎水性特征分量；接著利用所提取的面積、形狀及亮點(diǎn)三個(gè)特征分量分別作為三個(gè)分類器的特征，并利用模糊規(guī)則求出各分類器的基本概率分配函數(shù)，最后根據(jù)D-S證據(jù)理論的合成法則將三個(gè)分類器的結(jié)果進(jìn)行融合判決。本發(fā)明可以有效地提高憎水性識(shí)別精度和可靠性，克服現(xiàn)有方法在準(zhǔn)確性、可靠性和實(shí)用性等方面存在的缺陷，滿足絕緣子憎水性在線檢測(cè)的需要。文檔編號(hào)G01N13/00GK101403676SQ20081022507公開(kāi)日2009年4月8日申請(qǐng)日期2008年10月28日優(yōu)先權(quán)日2008年10月28日發(fā)明者唐良瑞,毅孫,晶張,楊秋霞,兵祁,龔鋼軍申請(qǐng)人:華北電力大學(xué)