[发明专利]一种基于自适应量化增强的电力设备红外热图分割方法

说明书

本发明提供一种基于自适应量化增强的电力设备红外热图分割方法。该方法基于区域特性对图像各区域进行分解，与Retinex理论相结合，在照度分量上进行伽马变换，在反射分量上利用先验信息对噪声点进行补偿，实现红外热图的自适应量化增强，提高灰度动态范围。并改进了多尺度结构保留型平滑算法，在自适应量化增强的基础上对目标设备进行分割。该方法具有较好的抗噪能力，且可以实现对一到多个目标设备进行分割，去除多数干扰，且保证了目标设备结构不被破坏。

技术领域

本发明涉及红外图像处理技术领域，更具体地，涉及一种基于自适应量化增强的电力设备红外热图分割方法。

背景技术

户外电力生产过程中，电力设备在高电压、强电流的条件下运行，人工进行电力设备状态监测以及故障点诊断有高难度和高危险性。随着计算机视觉技术的发展，自动监控及排障将成为未来电力设备维护的重要手段。当前一种常用方法是利用红外热像仪对电力设备进行扫描获取二维图像上温度分布，查找出温度异常点。但由于红外热图噪声干扰大以及图像对比度低等特点，红外图像增强及目标设备轮廓分割是实现系统自动化的重要步骤。

传统的图像增强主要有线性变换、非线性变换以及直方图均衡化等方法，简单但适用性差，复杂场景下抗噪能力差，无法自适应抑制局部噪声点。电力设备红外热图与其他图像相比，不仅有电线、设备支架这些小的结构干扰，而且存在其他大结构的物体干扰，具有边缘条件复杂，目标区域不连续，尺寸不一致等特点。因此常规的图像分割方法譬如基于区域、基于阈值以及基于边缘的算法都无法取得良好的分割效果。Retinex图像增强算法是近年来图像增强技术发展的热点，可以同时保持图像高保真度和对图像的动态范围进行压缩。将Retinex理论中的照度分量与伽马变换结合起来，增大灰度动态范围，同时避免噪声点被放大的问题。在自适应量化增强基础上对图像纹理区域、边缘结构区域以及平滑区域进行区分，消除内部纹理、保留边缘细节，与自适应灰度阈值算法相结合，可以使目标设备区域得到很好的分割效果。

发明内容

本发明的目的在于克服现有技术的至少一个缺点与不足，提供一种基于自适应量化增强的电力设备红外热图分割方法，该方法具有较好的抗噪能力，且可以实现对一到多个目标设备进行分割，去除多数干扰，且保证了目标设备结构不被破坏。

为解决上述技术问题，本发明采用的技术方案是：一种基于自适应量化增强的电力设备红外热图分割方法，其中，包括如下步骤：

S1.利用红外热像仪采集目标设备的红外热图；

S2.根据统计特性判断红外热图的区域类型；

S3.利用照度分量和反射分量的先验信息，对红外热图进行分解，求出精确的照度分量和反射分量；

S4.将得到的照度分量和反射分量结合，还原出增强后的红外热图；

S5.利用多尺度结构保留型平滑滤波算法，对增强的图像进行灰度平滑，保留主结构边缘，去除内部纹理细节；

S6.使用otsu灰度阈值分割算法对平滑后的图像进行前景后景分割，并将其二值化，与自适应增强后的图像相乘，得到目标设备的红外热图。

进一步的，所述步骤S2中，采用局部变化偏差量去对红外热图各区域的变化和相应的统计特性进行辨别，进而区分出纹理、结构边缘及平滑区域；局部变化偏差量的计算公式为：

式中，p是选择区域的像素中心点，ε是一个很小的正数，避免分母出现0的情况；ξ_x(p)和ξ_y(p)分别为X方向和Y方向的窗口总变化度，表达式如下：

式中，S是欲处理的图像，是梯度运算符，q是区域R(p)内以p为中心的矩形小区域所有像素点的索引，加权量g_p,q定义为：