[发明专利]基于粒子群优化的Niblack电力设备红外图像分割方法

说明书

本发明涉及一种基于粒子群优化的Niblack电力设备红外图像分割方法，包括以下步骤：1)获取红外图像，将所述红外图像分成q个不重叠的连续矩形邻域，计算各所述矩形邻域的灰度均值和灰度标准方差；2)针对每一矩形邻域，按照设定步长获得一对应于该矩形邻域的阈值寻优区间，形成一q维粒子群解空间，并以类间方差作为粒子群算法适应度函数，在所述q维粒子群解空间中自动搜寻对应于每一矩形邻域的最优分割阈值T^*，所述最优分割阈值T^*使得类间方差最大；3)根据步骤2)获得的各矩形邻域的最优分割阈值对各矩形邻域进行二值化处理。与现有技术相比，本发明解决了使用传统全局阈值分割方法造成红外图像过分割问题。

技术领域

本发明涉及一种图像处理方法，尤其是涉及一种基于粒子群优化的Niblack电力设备红外图像分割方法。

背景技术

近年来，变电站在线监测系统得到了广泛应用，红外热像仪、可见光摄像机拍摄设备可见光和红外图像发回主控室进行人工分析，这种方法虽然减少了人工采集数据的劳动量，但是未能摆脱对人工诊断的依赖。随着人工智能和图像处理技术的不断发展，智能诊断技术开始被应用于电力设备故障诊断。智能诊断方法主要分为三步，首先从红外图像中找出设备目标区域，即感兴趣区域(ROI)，然后从区域中提取相关的信息，最后对提取到的信息分类从而完成电力设备故障诊断。其中最关键的一步是ROI的获得，能否准确地得到ROI在一定程度上决定了电力设备温度场信息提取的准确与否。一般采用阈值分割方法获得ROI，该方法具有操作简单、运算速度快等优点。国内外学者对其做了大量研究，如Otsu提出了一维最大类间方差法，Kittler等提出的基于Bayes最小误差分类准则的最小误差阈值法，Kapur等给出的基于最大熵的阈值分割改进算法，Kennedy和Eberhart共同提出的基于群体协作的粒子群优化算法，以及基于粒子群算法的优化改进图像分割算法，等等。上述算法大多基于全局阈值，对于噪声大、对比度低、均匀性差的红外图像难以很好的将目标设备和背景区分出来。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于粒子群优化的Niblack电力设备红外图像分割方法。

本发明的目的可以通过以下技术方案来实现：

一种基于粒子群优化的Niblack电力设备红外图像分割方法，包括以下步骤：

1)获取红外图像，将所述红外图像分成q个不重叠的连续矩形邻域，计算各所述矩形邻域的灰度均值和灰度标准方差；

2)针对每一矩形邻域，按照设定步长获得一对应于该矩形邻域的阈值寻优区间{T₁,T₂,...,T_i,...,T_n}，形成一q维粒子群解空间，并以类间方差作为粒子群算法适应度函数，在所述q维粒子群解空间中自动搜寻对应于每一矩形邻域的最优分割阈值T^*，所述最优分割阈值T^*使得类间方差最大，其中，T_i＝m+k_is，i＝1,2,...,n，m为当前矩形邻域的灰度均值，s为当前矩形邻域的灰度标准方差，k_i为按照设定步长等距在设定区间上的第i个取值，n为取值个数；

3)根据步骤2)获得的各矩形邻域的最优分割阈值对各矩形邻域进行二值化处理。

所述步骤1)中，将所述红外图像分成若干不重叠的矩形邻域前，对红外图像进行延拓处理。

所述步骤2)中，设定步长为0.05，设定区间为[-1,1]。

所述步骤2)中，将矩形邻域的像素灰度分为D₁＝[0,…,T]、D₂＝[T+1,…,L-1]两类，将类间方差公式定义为：