基于同态滤波和遗传阈值的憎水性自动检测方法研究
来源:用户上传
作者:
摘 要：首先采用基于同态滤波技术的局部直方图均衡化算法和自适应中值滤波算法消除复合绝缘子憎水性图像的高频噪声。其次，鉴于憎水性图像中水珠引起的反光和透明等干扰，采用最大类间方差作为目标函数和遗传算法作为阈值的优化算法，获取了良好的分割效果。最后，将最大水珠区域的图像的面积比、形状因子、伸长度、7个不变矩共10个特征参数输入BP神经网络，对7个憎水性等级进行判定，结果表明训练准确率和测试准确率分别高达94%和90%。
关键词：憎水性自动检测;同态滤波;遗传阈值;BP神经网络
中图分类号：TP391.41 文献标识码：A
Investigation on Automatically Hydrophobic Detection Based
on Homomorphic Filtering and GeneticThreshold
ZHANG Guang-dong1 ZHANG Yu-gang2，WEN Ding-jun1，
YAO Jing3，WANG Xiao-fei1，GAO Li-chao1，GUO Lu1
（1. Cansu Electric Power Research Institute of State Grid，Lan Zhou，Gansu 730070，China;
2. Gan Su Electric Power Company of State Grid，Lan Zhou，Gansu 730010，China;
3. School of Electrical and Information Engineering，Hunan University，Changsha，Hunan 410082，China）
Abstract：The high-frequency noise of composite insulator hydrophobic image is firstly eliminated based on the local histogram equalization algorithm for homomorphic filtering and adaptive median filtering algorithm. Then，in view of the reflection and transparency caused by water droplets in the hydrophobic image，good segmentation effect is obtained through adopting maximum interclass variance as objective function and genetic algorithm as a threshold optimization algorithm. Finally，ten feature parameters，including area ratio，shape factor，extension degree，seven invariant moments，are placed into the BPNN，and the results indicate that the training accuracy and testing accuracyare as high as 94% and 90%，respectively.
Key words：automatically hydrophobic detection;homomorphic filtering;genetic threshold;BP neural networks
絕缘子憎水性检测方法主要有三种：喷水分级法、静态接触角法和憎水性指示函数法[1-5]。其中，第一种和第二种是传统的检测方法，仅适用于实验室内。憎水性指示函数法近年来发展迅速，其利用摄像技术和数字图像处理技术来判定绝缘子憎水性等级。它又可细分为多种方法，典型的有均熵法以及形状因子法[6-8]。由于其克服了传统检测方法的缺点，如测量过程复杂、实验环境受限、实验条件苛刻等，故引起了众多工程界和科学界的学者的关注。形状因子法在判据的形成过程中没有考虑拍摄角度和拍摄距离的影响，并且也没有考虑水迹和水珠形状等因素，因此准确率较低[9-11]。均熵法的判据形成过程不够明确，缺乏较强的理论依据，并且需要海量的经验数据[12-16]。
目前，对绝缘子憎水性检测的研究集中在两个部分：憎水性图像的滤波和憎水性图像的分割。暂未形成自动检测的憎水性分级体系[17-21]。影响绝缘子憎水性判定的因素很多，迄今为止仍然没有找到可以完全表征绝缘子憎水性的特征参数，也未探索出诸如温湿度、水珠大小、水珠形状等因素与绝缘子的憎水性之间的定量关系[22]。
复合绝缘子的表面的背景图像较为复杂，以及水珠的透明性导致背景与目标的灰度值差比较小，加之水对光的反射会使得向光一侧的边缘非常模糊等原因，导致传统的数字滤波技术和图像分割技术应用效果欠佳。本文采用同态滤波和遗传阈值分割的方法极大地提高了憎水性分级的准确率。
1 基于同态滤波的局部直方图均衡化
在绝缘子憎水性图像的捕获过程中会不可避免地染噪，当噪声较强时，直接进行图像的直方图均衡化，将导致噪声随之放大。故需先使用同态滤波的方法将图像的高频部分滤除，该技术可使用高斯型高通滤波器来实现： a为高斯函数的幅值，b为高斯函数的偏置，c为高斯函数的标准差。采用大小为7×7的高斯型高通滤波器与经对数变换后的图像作卷积，即可实现同态滤波。
单一的均衡方法无法增强较暗的水珠，为展示暗水珠的细节信息，需对均衡后的图像进行局部的对比度增强处理。采用大小为3×3的模板进行局部的直方图均衡化，设同态滤波后的图像为f（i，j），系数k值范围为0-1，aver为f（i，j）的均值，z为对图像f（i，j）采用3×3模板邻域标准差卷积后的结果，aver1为对图像f（i，j）采用3×3模板邻域平均值卷积后的结果，则权衡系数B可表示为：
式（1.3）中，G为进行局部均衡化后的结果，但经实验发现，憎水性图像的部分区域对比度不够明显，因此还需增强局部对比度。加强后的图像表示为：
aver2为模板的均值，m为比例系数，G（i，j）为模板的中心像素。采用3×3大小的模板沿目标图像滑动，依次求取窗口的均值获取更新后的G（i，j）。
如图1所示，可以看到传统的均衡化方法在部分区域产生了“白光”现象，而且不能较好地抑制水珠背光侧的阴影部分，但通过同态滤波技术的局部直方图均衡化和对比度增强处理，憎水性图像的局部细节更加清楚，阴影部分也得到了较大的抑制。
2 自适应中值滤波算法
自适应中值滤波方法不直接使用图像窗口数据的中值，而是通过自适应的方法决定中心像素。自适应中值滤波算法既要求出中值，也要求出每次窗口图像中的最大值和最小值。
图2显示了对5×5的图像窗口求取最大值、中值和最小值的过程。首先将图2（a）中 5×5的图像窗口的各列像素按照箭头方向作列降幂排列，如图2（b），然后接着将每行像素按照箭头方向作行降幂排列，如图2（c），各点数据的位次具有如下特点：
F11和F55分别为25个像素中的最小值和最大值;F12为原始列中的最小值并小于F13、F14、F15所在列的所有值，总计小于或者等于19个数，故不为中值;F13为原始列中的次小值和F14、F15所在列的4个值，总计小于或者等于14个数，故不为中值;F21为原始列的次小值并小于F22、F23、F24、F25所在列的所有值，总计小于或者等于19个数，故不为中值;F22为原始列的次小值并小于F23、F24、F25所在列的4个值，总计小于或者等于14个数，故不为中值。依次推断，可以排除掉12个数，这些数不进入下一次的比较，剩下的13个数沿箭头所示方向作降幂排列，如图2（d），各点数据的位次具有如下特点：
E52至少大于原始列的1个值和E43、E34、E25原始列的4个值，故不为中值;E43至少大于原始列的1个值和E34、E25原始列的所有值，故不为中值。依次推断，可排除10个数，余下的E33、E41、E25沿箭头方向作降幂排列，如图2（e），G33即为中值。
3 基于最大类间方差的遗传阈值分割算法
基于最大类间方差的阈值分割算法的基本思路是目标内的像素灰度值应该相近并且背景内的像素灰度值也要相近，因此合理的分割应体现相同目标或者背景区域的相似性和不同目标或者背景区域的差异性，通过选择最优阈值，使得目标和背景区域之间的总体方差最大。
设憎水性图像中的像素总个数为N，灰度值为i的像素总个数为ni，其概率则为pi = ni /N。假如以灰度值k作为阈值把图像分为目标和背景两部分，分别用R1和R2表示，则R1和R2的概率为：
整幅图像的平均灰度值为：
区域R1和R2的平均灰度值分别为：
区域R1和R2的方差为：
可以看出区域R1和R2的方差随k的变化而变化，當σ2（k）取得最大值时的k值即为达到最大类间方差的阈值。
遗传算法（GA）是近年来热门的优化算法，其参照遗传学的规律，通过选择、遗传和变异等机制来提高种群的适应性。遗传算法模拟生物的基因随机选择、基因交叉和基因突变等现象，在每次迭代中都保留最优个体，流程图如图3所示。
初始种群对遗传算法的性能影响很大;种群大时虽然可以提高优化信息，但也会增大计算量，导致收敛速度慢。本文选取的种群数量为20，迭代次数为100。选择算子则采用10%的精英策略和90%的轮盘赌法。交叉概率大时个体更新快，但也会导致具有高适应度值的个体被淘汰，概率小时，交叉操作的次数会减少，从而导致搜索的停滞以及算法不收敛。本文设置前50次搜索交叉概率为0.8，后50次概率为0.6。算法终止迭代的条件是前一次与后一次的平均群体适应度的差值的绝对值不大于0.07。通过遗传阈值算法，憎水性图像的分割结果如图4所示。
将图像的分割结果作二值化处理后发现水滴区域的内部有很多的小孔，因此需要使用腐蚀、膨胀和邻域等算法来填补这些孔洞来并找出最大的水滴。腐蚀是通过使边界向内收缩来消除边界，因此可消除面积微小的水滴。本文将以半径为3的圆形区域作为参考，小于该区域的水滴都被消掉。为计算出水滴的面积，需要对腐蚀后的憎水性图像进行膨胀。设X为二值化图像的连通域，结构元素S是半径为3的圆形。当S的圆心移到点（x，y）处时，如果S完全被X包含，则设置腐蚀后的图像上的该点为1，否则设置为0。当S的圆心移动到（x，y）处时，如果S至少包含一个灰度值为1的点，那么在膨胀后的图像上该点设置为1，否则设置为0。邻域算法的基本思路是以待处理的像素作为中心像素，如果中心像素的周边有5个邻域超过1，则中心像素的灰度值设置为1，否则设置为0。按照上述方式进行图像的全局扫描，可以消除大部分水滴内部的“小孔”现象。
4 憎水性图像特征参数提取
为找出二值化图像中面积最大的水珠，有必要对图像中所有的水珠作标记，即每个水珠区域都有唯一的编号，不同编号代表不同水滴。本文采用八连接法来判断像素点是属于同一区域还是不同区域。如果像素灰度值为1的点的八个近邻中至少有1个点的像素灰度值为1，则属于八连接。依据其邻域往下查找，直至没有符合要求的邻域点为止。 八连接就是如果两个像素以边或角相连，即无论水平和垂直还是对角方向相连均视为同一对象。如图5所示，A与B属于八连接，因此是同一对象。
经过八连接算法预处理后，图像的所有像素均有了标记，然后统计包含的总像素，可求出最大水珠的位置，再次进行二值化操作，即可得到仅包含最大水珠区域的二值化图像。
图6显示了图像标记的部分结果，标记5和6分别代表不同的水珠区域。求出的最大水珠区域如图7所示。
在图7中，最大水珠区域包含的总像素个数为1557，为了验证算法的有效性，改变憎水性图像的水珠大小，接着再作滤波、分割、寻找最大水珠区域，仍可成功找出最大水珠区域，过程和结果如图8所示。因此，本算法对不同大小的憎水性图像具有普适性。
憎水性图像的特征参数由面积比、形状因子、伸长度、7个不变矩特征共10个参数组成。
5 基于BP神经网络的憎水性等级判别
10个特征参数作为BP神经网络的输入，因此神经网络的输入节点数为10。憎水性图像分为7个等级，本文采用三位二进制数来表示，编码方式为：HC1-001，HC2-010，HC3-011，HC4-100，HC5-101，HC6-110，HC7-111，因此神经网络的输出节点为3个。
BP神经网络的其他参数设定：中间节点个数为10，权值和偏置随机初始化，训练次数最大为1000次，动量系数设置为0.95，网络的最小误差设置为10-8。BP算训练过程如下：
（1）根据前馈网络的传递函数计算网络的输出。
（2）比较网络的实际输出和期望输出，如果误差大于设定值，则进行后向传播，学习速率根据误差调整，如果误差变化平缓，则提高学习速率，否则适当降低学习速率。
（3）更新权值和偏置，如不满足误差收敛条件且未达到最大迭代次数，则跳转步骤（2）;如满足收敛条件，则输出分类结果。
BP神经网络的训练结果如图9所示。可以看出该网络收敛，训练正确率为94%。另外测试样本数量为350个，测试正确率为90%。对数据结果进行分析，大部分样本的误判集中在HC3和HC4之间，即HC3误判为HC4而HC4误判为HC3。其它憎水性等级的识别准确率为100%。可能原因有：一方面，HC3与HC4的特征参数非常相似，另一方面，训练样本较少导致神经网络的学习能力不足。
6 结 论
首先采用基于同态滤波技术的局部直方图均衡化算法滤除高频噪声，然后采用自适应的中值滤波算法进一步消除噪声，很好地提高了绝缘子憎水性图像的质量。
由于获取绝缘子憎水性图像的环境非常复杂，如水珠的反光性和透明性，传统的阈值方法和目标函数难以正确分割水珠，采用基于最大类间方差的遗传阈值获取了满意的分割效果。
最后，采用八邻域连接法标记不同水珠区域，并成功找出最大水珠区域。将包括最大水珠区域的图像的面积比、形状因子、伸长度、7个不变矩共10个特征参数输入BP神经网络，对7个憎水性等级的判别准确率高达90%，表明本文的方法可以有效地用于复合绝缘子憎水性自动检测中。
参考文献
[1] 唐利明，方壮，向长城，等. 结合BV-L～2分解的CV变分水平集模型[J]. 重庆大学学报，2018，41（03）：82—90.
[2] 张亚博，刘博，朱云峰，等. 基于无人机技术的复合绝缘子憎水性检测方法[J]. 电工技术，2018（01）：68—70.
[3] 李转. 基于Canny算子和神经网络复合绝缘子憎水性研究[D]. 郑州：华北水利水电大学，2017.
[4] 李贺. 基于图像处理的复合绝缘子憎水性离线检测系统研究与开发[D]. 兰州：兰州交通大学，2017.
[5] 王永浩. 复合绝缘子运行状态在线非接触检测技术研究[D].石堰：湖北工业大学，2016.
[6] 宋凡峰，吴广祥.基于多重分形的复合绝缘子憎水性等级判定方法[J]. 绝缘材料，2016，49（07）：72—78.
[7] 胡小为，刘宏申，徐国雄，等. 一种结合GVF和CV模型的水平集图像分割方法[J]. 安徽工业大学学报：自然科学版，2016，33（03）：289—294.
[8] 尚俊霞. 复合绝缘子憎水性检测与等级判断的研究[J]. 电瓷避雷器，2016（03）：30—36.
[9] 王子斌. 列车用复合绝缘子清洗及憎水性检测系统研究与应用[D]. 兰州：兰州交通大学，2016.
[10] 谢望君. 基于图像处理的复合绝缘子憎水性带电检测系统研究[D]. 长沙：湖南大学，2016.
[11] 蔡日，张笑迪，揭毅，等. 基于PNN的变压器复合绝缘子套管憎水性检测[J]. 武汉大学学报：工学版，2016，49（02）：309—314.
[12] 杨洋.复合绝缘子憎水性检测方法研究[J]. 电子制作，2016（Z1）：63—64.
[13] 雷博. 输电线路复合绝缘子运行性能试验与研究[D]. 大连：大连理工大学，2016.
[14] 廖國虎，黄欢，罗洪，等. 复合绝缘子憎水性在线检测技术研究[J]. 电测与仪表，2015，52（14）：59—65.
[15] 钱磊. 复合绝缘子憎水性水珠图像识别与分级[D]. 武汉：中南民族大学，2015.
[16] 刘强兵. 基于图像处理的复合绝缘子憎水性检测[D]. 兰州：兰州交通大学，2015.
[17] 闫康，赵辉，许庆旺，等. 基于图像处理与RBF神经网络的绝缘子憎水性识别方法的研究[J].高压电器，2015，51（01）：30—35.
[18] 汪佛池，闫康，张重远，等. 采用图像分析与神经网络识别绝缘子憎水性[J]. 电机与控制学报，2014，18（11）：78—83.
[19] 唐利明，田学全，黄大荣，等. 结合FCMS与变分水平集的图像分割模型[J]. 自动化学报，2014，40（06）：1233—1248.
[20] 刘莉. 图像分割技术在绝缘子憎水性分析中的应用研究[D].石堰：湖北工业大学，2014.
[21] 闫康. 基于图像处理技术的复合绝缘子憎水性识别方法的研究[D]. 郑州：华北电力大学，2014.
[22] 王芳梅，范虹，Yi WANG. 利用改进CV模型连续水平集算法的核磁共振乳腺图像分割[J].西安交通大学学报，2014，48（02）：38—43.
转载注明来源:https://www.xzbu.com/8/view-15296084.htm
