本發(fā)明涉及一種圖像處理方法，尤其是涉及一種基于粒子群優(yōu)化的niblack電力設(shè)備紅外圖像分割方法。

背景技術(shù)：

近年來，變電站在線監(jiān)測系統(tǒng)得到了廣泛應(yīng)用，紅外熱像儀、可見光攝像機(jī)拍攝設(shè)備可見光和紅外圖像發(fā)回主控室進(jìn)行人工分析，這種方法雖然減少了人工采集數(shù)據(jù)的勞動量，但是未能擺脫對人工診斷的依賴。隨著人工智能和圖像處理技術(shù)的不斷發(fā)展，智能診斷技術(shù)開始被應(yīng)用于電力設(shè)備故障診斷。智能診斷方法主要分為三步，首先從紅外圖像中找出設(shè)備目標(biāo)區(qū)域，即感興趣區(qū)域(roi)，然后從區(qū)域中提取相關(guān)的信息，最后對提取到的信息分類從而完成電力設(shè)備故障診斷。其中最關(guān)鍵的一步是roi的獲得，能否準(zhǔn)確地得到roi在一定程度上決定了電力設(shè)備溫度場信息提取的準(zhǔn)確與否。一般采用閾值分割方法獲得roi，該方法具有操作簡單、運算速度快等優(yōu)點。國內(nèi)外學(xué)者對其做了大量研究，如otsu提出了一維最大類間方差法，kittler等提出的基于bayes最小誤差分類準(zhǔn)則的最小誤差閾值法，kapur等給出的基于最大熵的閾值分割改進(jìn)算法，kennedy和eberhart共同提出的基于群體協(xié)作的粒子群優(yōu)化算法，以及基于粒子群算法的優(yōu)化改進(jìn)圖像分割算法，等等。上述算法大多基于全局閾值，對于噪聲大、對比度低、均勻性差的紅外圖像難以很好的將目標(biāo)設(shè)備和背景區(qū)分出來。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于粒子群優(yōu)化的niblack電力設(shè)備紅外圖像分割方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

一種基于粒子群優(yōu)化的niblack電力設(shè)備紅外圖像分割方法，包括以下步驟：

1)獲取紅外圖像，將所述紅外圖像分成q個不重疊的連續(xù)矩形鄰域，計算各所述矩形鄰域的灰度均值和灰度標(biāo)準(zhǔn)方差；

2)針對每一矩形鄰域，按照設(shè)定步長獲得一對應(yīng)于該矩形鄰域的閾值尋優(yōu)區(qū)間{t1,t2,...,ti,...,tn}，形成一q維粒子群解空間，并以類間方差作為粒子群算法適應(yīng)度函數(shù)，在所述q維粒子群解空間中自動搜尋對應(yīng)于每一矩形鄰域的最優(yōu)分割閾值t^*，所述最優(yōu)分割閾值t^*使得類間方差最大，其中，ti＝m+kis，i＝1,2,...,n，m為當(dāng)前矩形鄰域的灰度均值，s為當(dāng)前矩形鄰域的灰度標(biāo)準(zhǔn)方差，ki為按照設(shè)定步長等距在設(shè)定區(qū)間上的第i個取值，n為取值個數(shù)；

3)根據(jù)步驟2)獲得的各矩形鄰域的最優(yōu)分割閾值對各矩形鄰域進(jìn)行二值化處理。

所述步驟1)中，將所述紅外圖像分成若干不重疊的矩形鄰域前，對紅外圖像進(jìn)行延拓處理。

所述步驟2)中，設(shè)定步長為0.05，設(shè)定區(qū)間為[-1,1]。

所述步驟2)中，將矩形鄰域的像素灰度分為d1＝[0,…,t]、d2＝[t+1,…,l-1]兩類，將類間方差公式定義為：

其中，σ²(t)為類間方差，分別表示d1類內(nèi)像素灰度出現(xiàn)的概率和d1類的灰度均值，pj表示像素灰度為j的像素的概率；

將各矩形鄰域的閾值尋優(yōu)區(qū)間中的閾值依次代入所述類間方差公式，通過粒子群算法搜尋獲得每個矩形鄰域的最優(yōu)分割閾值。

所述步驟2)中，采用粒子群算法搜尋最優(yōu)分割閾值的過程中，

粒子i在所述q維粒子群解空間的位置標(biāo)記為{ti,1,ti,2,…,ti,q}，每個粒子按照以下公式更新自己的位置和速度，粒子以速度vi(t+1)從當(dāng)前位置ti(t)移動到下一位置ti(t+1)：

vi(t+1)＝ω×vi(t)+c1×r1[pbesti-ti(t)]+c2×r2[gbesti-ti(t)]

ti(t+1)＝ti(t)+vi(t+1)

其中，vi和ti分別表示第i個粒子在解空間上的速度和位置，t表示粒子群搜尋最優(yōu)閾值過程中的當(dāng)前迭代次數(shù)，c1、c2為加速常數(shù)，r1、r2為[0,1]之間的隨機(jī)數(shù)，ω表示粒子的慣性權(quán)重，pbesti為當(dāng)前最優(yōu)值，gbesti為全局最優(yōu)值。

所述慣性權(quán)重ω通過以下公式自適應(yīng)變化：

其中，ωmax、ωmin分別表示慣性權(quán)重的最大值和最小值，g表示最大迭代次數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

1)本發(fā)明采用類間方差作為粒子群算法的適應(yīng)度函數(shù)，自動搜尋niblack法中圖像不重疊矩形鄰域的最優(yōu)分割閾值，并將其用于當(dāng)前鄰域的二值化分割，解決了使用傳統(tǒng)全局閾值分割方法造成紅外圖像過分割問題；

2)本發(fā)明以像素灰度為基礎(chǔ)進(jìn)行分割閾值尋優(yōu)，大大降低了非均勻背景對各設(shè)備紅外熱成像圖分割效果的影響、提高了目標(biāo)區(qū)域的完整性。

附圖說明

圖1為本發(fā)明的流程示意圖；

圖2為五張電力設(shè)備紅外原圖的示意圖；

圖3為與圖2對應(yīng)的分割結(jié)果示意圖。

具體實施方式

下面結(jié)合附圖和具體實施例對本發(fā)明進(jìn)行詳細(xì)說明。本實施例以本發(fā)明技術(shù)方案為前提進(jìn)行實施，給出了詳細(xì)的實施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實施例。

如圖1所示，本實施例提供一種基于粒子群優(yōu)化的niblack電力設(shè)備紅外圖像分割方法，包括以下步驟：

1)獲取紅外圖像，將所述紅外圖像分成q個不重疊的連續(xù)矩形鄰域，計算各所述矩形鄰域的灰度均值和灰度標(biāo)準(zhǔn)方差。

本實施例中，導(dǎo)入分辨率為320×240電力設(shè)備紅外原圖g(x,y)，如圖2所示，當(dāng)鄰域像素取90×80，鄰域數(shù)量取為4列3行共12塊不重疊矩形鄰域時(對紅外原圖像橫向邊界做左右各20個像素對稱延拓，以使原圖像成為鄰域橫向像素整數(shù)倍)分割效果較好。

2)針對每一矩形鄰域，按照設(shè)定步長獲得一對應(yīng)于該矩形鄰域的閾值尋優(yōu)區(qū)間{t1,t2,...,ti,...,tn}，形成一q維粒子群解空間，并以類間方差作為粒子群算法適應(yīng)度函數(shù)，在所述q維粒子群解空間中自動搜尋對應(yīng)于每一矩形鄰域的最優(yōu)分割閾值t^*，所述最優(yōu)分割閾值t^*使得類間方差最大，其中，ti＝m+kis，i＝1,2,...,n，m為當(dāng)前矩形鄰域的灰度均值，s為當(dāng)前矩形鄰域的灰度標(biāo)準(zhǔn)方差，ki為按照設(shè)定步長等距在設(shè)定區(qū)間上的第i個取值，n為取值個數(shù)。

本實施例中，設(shè)定區(qū)間為[-1,1]，設(shè)定步長為0.05，則可獲得41個k值，以此可計算出每個矩形鄰域均具有一41維閾值尋優(yōu)區(qū)間{t1,t2,...,ti,...,t41}。因此，粒子群在12塊矩形分塊鄰域上的閾值尋優(yōu)區(qū)間，即粒子群12維解空間表示為:

選擇類間方差公式(2)作為粒子群適應(yīng)度函數(shù)通過pso法搜尋12個鄰域的最大類間方差以及其相對應(yīng)的最優(yōu)分割閾值

將矩形鄰域的像素灰度分為d1＝[0,…,t]、d2＝[t+1,…,l-1]兩類，將類間方差公式定義為：

其中，σ²(t)為類間方差，分別表示d1類內(nèi)像素灰度出現(xiàn)的概率和d1類的灰度均值，pj表示像素灰度為j的像素的概率；

將各矩形鄰域的閾值尋優(yōu)區(qū)間中的閾值依次代入所述類間方差公式，通過粒子群算法搜尋獲得每個矩形鄰域的最優(yōu)分割閾值。

在粒子群算法中，對于41維這種小維度閾值尋優(yōu)區(qū)間，群粒子數(shù)設(shè)為10。粒子i在解空間的位置標(biāo)記為{ti,1,ti,2,…,ti,12}。每個粒子按照公式(3)、(4)更新自己的位置和速度，粒子以速度vi(t+1)從當(dāng)前位置ti(t)移動到下一位置ti(t+1)。

vi(t+1)＝ω×vi(t)+c1×r1[pbesti-ti(t)]+c2×r2[gbesti-ti(t)](3)

ti(t+1)＝ti(t)+vi(t+1)(4)

其中，vi和ti分別表示第i個粒子在解空間上的速度和位置，t表示粒子群搜尋最優(yōu)閾值過程中的當(dāng)前迭代次數(shù)，c1、c2為加速常數(shù)，本實施例中，c1＝c2＝2，r1、r2為[0,1]之間的隨機(jī)數(shù)，ω表示粒子的慣性權(quán)重，ωmax、ωmin分別表示慣性權(quán)重的最大值和最小值，本實施例中，ωmax＝0.95、ωmin＝0.4，g表示最大迭代次數(shù)，本實施例中，g＝25，pbesti為當(dāng)前最優(yōu)值，gbesti為全局最優(yōu)值。

通過上述粒子群算法獲得各鄰域的最優(yōu)分割閾值記為：

3)根據(jù)步驟2)獲得的各矩形鄰域的最優(yōu)分割閾值對各矩形鄰域進(jìn)行二值化處理，結(jié)果如圖3所示。

以上詳細(xì)描述了本發(fā)明的較佳具體實施例。應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無需創(chuàng)造性勞動就可以根據(jù)本發(fā)明的構(gòu)思作出諸多修改和變化。因此，凡本技術(shù)領(lǐng)域中技術(shù)人員依本發(fā)明的構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過邏輯分析、推理或者有限的實驗可以得到的技術(shù)方案，皆應(yīng)在由權(quán)利要求書所確定的保護(hù)范圍內(nèi)。