（1安徽响水涧抽水蓄能有限公司 芜湖；2国网滁州供电公司 滁州）
摘要：针对现场得到的绝缘子串红外图像对比度低，且不同条件下得到的图像灰度级分布也不尽相同的特点，本文采用双阈值自适应增强算法对绝缘子串红外图像进行自适应增强，再使用改进的二维Otsu算法进行图像分割，最后使用形态学方法对分割得到的二值图像进行处理。利用以上方法对不同环境条件、污秽等级的绝缘子串红外图像进行了试验，得到了较好的结果，证明了算法的有效性和自适应性，为后续对象特征提取与对象识别打下良好的基础。
关键词：绝缘子；红外图像 ；对比度 ；自适应增强 ；分割
1 引言
随着红外探测技术与故障诊断技术在电力设备检测方面的应用日臻完善，利用红外热像仪根据温度分布变化检测绝缘子串故障的方法已得到应用[1]。然而，绝缘子串红外图像受到现场环境因素、绝缘子本身的污秽程度影响，图像对比度较低，不利于绝缘子串对象的分割和提取，再加上故障绝缘子部分区域发热不高，图像灰度级更加接近背景，不容易从背景中分割出来，对后续的故障判断造成不利的影响。所以，在对绝缘子串进行分割前有必要对图像进行增强处理以突显对象，这样才能较为完整地分割出对象来。然而，若对现场得到的绝缘子串红外图像采用统一的对比度变换，由于不同条件下得到的绝缘子串红外图像的灰度分布各不相同，最终部分图像对比度会增强而部分对比度反而会减弱，后续得到的总体分割效果也会很差。所以，有必要针对不同的图像采用不同的对比度变换操作。采用双阈值自适应图像增强方法，针对不同图像的灰度分布特征，进行不同的阈值增强，有利于后续的图像分割。二维Otsu方法提出后，由于该方法不仅充分利用了图像像素点的信息，而且考虑到了像素点与其邻域的空间相关信息，具有较好的抗噪性，在图像分割领域得到了较好的应用[2]。但是，二维Otsu在使用过程中，对部分条件进行了简化，而这个简化在有些情况下是不能忽略的，否则会产生误分割操作，所以有必要对这个简化进行修正。本文将双阈值自适应增强算法与改进二维Otsu分割算法相结合对图像进行分割，最终能够得到较好的分割效果。具体处理流程如图1所示：
2 双阈值自适应增强
分段线性变换是图像对比度增强中比较常用的手段，根据实际需求分区间进行灰度线性拉伸，从而适度的实现对背景和噪声灰度的抑制，为目标细节的提升留出灰度空间的目的，其图像增强效果与平台值的选取直接相关。因此，在红外图像分段线性变换增强算法中，分段阈值选取得是否合适有可能直接影响了对红外图像的增强效果[3]-[4]。所以，在实际的图像处理中，需要找到一种根据不同的红外图像能够自适应的计算出合适的分界阈值的方法，从而实现红外图像的自适应增强。
2.1 下限阈值 t1的确定
下限阈值的确定主要确定背景和目标的大概分界点，文中采用Lee 等人[5]提出的实时阈值提取方法。首先寻找直方图包络上凹度最大处所对应的灰度级，并以此灰度级作为目标与背景的分界阈值。具体的实现过程是： 首先，通过对红外的图像灰度直方图包络进行凹度分析，寻找图像在直方图上的最低灰度级min和最高灰度级max ；其次，将i遍历所有大于min且小于max的灰度级，则斜率最大者所对应的灰度级即为背景峰值所对应的灰度级Bp 。其中斜率s(i)为：
4 实验结果与分析
仿真实验是在Matlab 环境下，取不同环境条件下得到的不同对比度的绝缘子串红外图像作为实验对象，从分割效果方面，比较二维Otsu算法与本文使用的方法。
图2~图5为选取不同对比度的绝缘串红外图像进行分割得到的实验结果。其中，每幅图中左侧为原始图像，中间为单纯使用Otsu方法得到的结果，右侧为本文方法得到的效果图。从图中可以看出，直接使用二维Otsu算法对图像进行分割，只能将目标区域中灰度级较高的部分分割出来，而无法将目标区域中灰度级较低的部分分割出来，最终导致目标无法完整的分割出来。二维Otsu算法是以灰度级为特征进行分割的，当目标区域灰度级较低时，分割阈值无法涵盖目标区域低灰度级部分，分割效果不佳。在对红外图像进行自适应增强后，使目标区域灰度级相对于背景的灰度级得到提高，使用改进的二维Otsu算法进行分割，最终能够较好的将目标区域完整的分割出来，为后续目标区域的特征提取奠定良好的基础。
参考文献：
[1] 谢利英, 周羽生. 红外监测特高压输电线路绝缘子技术的探讨[J]. 绝缘材料, 2009 (3): 56-59.
[2] 陈琪, 熊博莅, 陆军, 等. 改进的二维 Otsu 图像分割方法及其快速实现[J]. 电子与信息学报, 2010, 32(5): 1100-1104.
[3] 完颜丹丹, 红外图像对比度增强算法研究[D]. 河南: 河南科技大学, 2012.
[4] 张俊华, 杨根, 徐青. 基于分段线性变换的图像增强 [C][C]//第十四届全国图象图形学学术会议论文集. 2008.
[5] Lee C K, Choy F W, Lam H C. Real-time thresholding using histogram concavity[image processing][C] //Industrial Electronics, 1992, Proceedings of the IEEE International Symposium on. IEEE, 1992: 500-503.
[5] 刘健庄, 栗文青. 灰度图象的二维 Otsu 自动阈值分割法[J]. 自动化学报, 1993, 19(1): 101-105.
[6] 徐长新, 彭国华. 二维Otsu 阈值法的快速算法[J]. 计算机应用，2012，32( 5) : 1258－1260
[7] 杨新华, 吕意飞. 差分算子和改进 Otsu 算法结合的灰度图像阈值分割研究与实现[J]. 仪表技术与传感器, 2015, 3: 032.
[8] 倪麟, 龚劬, 曹莉, 等. 基于自适应加权中值滤波的二维 Otsu 图像分割算法[J]. 计算机应用研究, 2013, 30(2): 598-600.
[9] 吴成茂, 田小平, 谭铁牛. 二维 Otsu 阈值法的快速迭代算法[J]. 模式识别与人工智能, 2008, 21(6): 746-757.
论文作者:吴正阳,任新辉
论文发表刊物:《电力设备》2017年第25期
论文发表时间:2017/12/20
标签：图像论文; 阈值论文; 绝缘子论文; 算法论文; 对比度论文; 灰度论文; 自适应论文; 《电力设备》2017年第25期论文;