李云紅,劉 暢,李傳真,周小計(jì),蘇雪平,任 劼,高子明

(西安工程大學(xué) 電子信息學(xué)院, 陜西 西安 710048)

人們常將紅外技術(shù)作為電力設(shè)備故障診斷的手段之一[1],而診斷的第一步就是要準(zhǔn)確地將故障區(qū)域從紅外圖像中分割出來。在實(shí)際操作中,圖像采集設(shè)備以及待檢測(cè)電力設(shè)備所處的復(fù)雜環(huán)境背景都會(huì)對(duì)紅外圖像質(zhì)量造成影響,導(dǎo)致圖像出現(xiàn)背景復(fù)雜、光照不勻等問題[2-4],不利于后續(xù)工作的開展。為了解決這些問題,國內(nèi)外許多研究者對(duì)紅外圖像分割方法做了大量深入研究。目前比較主流的方法有大津法[5-6]、分水嶺分割[7]、最大熵分割法[8]等。在諸多算法被進(jìn)一步優(yōu)化的同時(shí)，也與不同的算法進(jìn)行結(jié)合，汲取各自的優(yōu)勢(shì),提高算法的分割效果。文獻(xiàn)[9]引入Lévy飛行的飛蛾撲火智能算法用于優(yōu)化OTSU算法的閾值計(jì)算過程, 實(shí)現(xiàn)了對(duì)紅外圖像的多閾值分割,準(zhǔn)確確定各個(gè)部分的溫度范圍;文獻(xiàn)[10]采用優(yōu)化的區(qū)域生長法對(duì)目標(biāo)設(shè)備的紅外圖像進(jìn)行特征提取，然后將其作為輸入,利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類,此方法具有誤差波動(dòng)性小的特點(diǎn);文獻(xiàn)[11]采用多源區(qū)域生長和最大熵閾值法對(duì)紅外圖像進(jìn)行處理,得到初步劃分的目標(biāo)區(qū)域圖像,然后，利用目標(biāo)區(qū)域圖像訓(xùn)練檢測(cè)器,最后，用檢測(cè)器進(jìn)行細(xì)分割,算法具有良好的目標(biāo)提取效果。

Niblack是一種基于局部閾值的圖像二值化算法,能夠?qū)Ρ尘皬?fù)雜、對(duì)比度低的紅外圖像有較好的分割效果[12]。但由于傳統(tǒng)的Niblack算法自適應(yīng)性較低,對(duì)鄰域窗口大小和修正系數(shù)的選擇依賴于人工經(jīng)驗(yàn),其分割效果會(huì)產(chǎn)生較大的不確定性[13-16]。所以，如何確定修正系數(shù)以及鄰域窗口的尺寸并且得到較好的分割效果是一個(gè)有待深入研究的問題。本文給出了一種改進(jìn)的Niblack算法,通過局部鄰域熵建立背景因子進(jìn)行圖像背景的分類,并引入最大熵分割。經(jīng)過對(duì)大量電力設(shè)備紅外圖像的測(cè)試,驗(yàn)證了本文所提算法對(duì)紅外圖像分割的有效性,并取得了較好的效果。

1 最大熵法和Niblack算法

1.1 最大熵法

(1)

其中，PA(T)和PB(T)分別表示以T為閾值時(shí)A區(qū)和B區(qū)像素的累積概率,且兩者的累積概率之和為1，累積概率如式(2)所示。

(2)

利用式(3)分別計(jì)算A區(qū)和B區(qū)內(nèi)的熵,

(3)

由A、B兩區(qū)內(nèi)的熵相加得到圖像的總熵,

HG(T)=HA(T)+HB(T)。

(4)

利用式(4)中的熵之和計(jì)算分割閾值TKapur,

(5)

1.2 Niblack算法

Niblack算法是一種經(jīng)典的局部閾值分割方法。通過對(duì)圖像的每個(gè)像素點(diǎn)設(shè)置一個(gè)閾值實(shí)現(xiàn)分割。在w×w鄰域內(nèi),計(jì)算灰度均值和標(biāo)準(zhǔn)差,然后，計(jì)算像素點(diǎn)的局部閾值T(x,y),

T(x,y)=m(x,y)+k×s(x,y)。

(6)

其中：k代表修正系數(shù)；m(x,y)表示像素點(diǎn)(x,y)在w×w鄰域內(nèi)所有像素點(diǎn)的灰度平均值；s(x,y)則表示w×w鄰域內(nèi)所有像素點(diǎn)的標(biāo)準(zhǔn)差。具體計(jì)算過程如下，

(7)

s(x,y)=

(8)

由此可以看出,當(dāng)紅外圖像背景較為復(fù)雜或光照不均勻時(shí),Niblack算法的分割效果要比全局閾值法更好。Niblack算法的分割效果和w值和k值相關(guān),但確定修正系數(shù)k和鄰域窗口w的過程易受主觀經(jīng)驗(yàn)影響,從而影響分割結(jié)果。當(dāng)鄰域窗口值過大時(shí),Niblack算法失去了局部的意義,而且影響算法的速度;鄰域窗口值過小時(shí),易受到周邊噪聲的影響。對(duì)于修正系數(shù)k來說,若取值較小,則容易濾除細(xì)小的目標(biāo)區(qū)域,該區(qū)域被劃分為背景區(qū)域的概率增大;若修正系數(shù)取值較大,該算法的抗干擾能力下降,會(huì)出現(xiàn)嚴(yán)重的噪聲噪點(diǎn)。

2 改進(jìn)的Niblack算法

針對(duì)上文提到的傳統(tǒng)Niblack算法的不足,論文提出了一種改進(jìn)的Niblack算法。該算法按照紅外圖像自身的像素矩陣來選取鄰域窗口的數(shù)值。改進(jìn)后的鄰域窗口w值為

(9)

(10)

其中：w1和w2表示改進(jìn)后鄰域窗口的行數(shù)和列數(shù)；line和column表示數(shù)字圖像矩陣像素的行數(shù)和列數(shù)；round表示近似取整函數(shù)。改進(jìn)后的局部灰度均值和標(biāo)準(zhǔn)差為

(11)

s(x,y)=

(12)

通過實(shí)驗(yàn)發(fā)現(xiàn),對(duì)于像素點(diǎn)(x,y)的灰度值f(x,y)和局部均值m(x,y)的差值在目標(biāo)和背景之間也是有一定的差異的。于是本算法利用圖像的灰度信息對(duì)修正系數(shù)進(jìn)行了改進(jìn)。改進(jìn)后的修正系數(shù)k值為

(13)

其中，fmax和fmin表示鄰域窗口內(nèi)的像素最大和最小灰度值。

因此,改進(jìn)后的鄰域窗口和修正系數(shù)的數(shù)值會(huì)按照預(yù)處理圖像的像素矩陣和灰度值信息進(jìn)行動(dòng)態(tài)選取。灰度平均值m(x,y)很容易受到極端值的影響。例如9個(gè)像素的灰度值依次是7，5，6，7，7，5，5，6，200,計(jì)算出的平均值是27.6,但一半以上的值都沒有超過7,當(dāng)去除像素值最大點(diǎn)后,平均值為6。不難發(fā)現(xiàn),極端值會(huì)影響到領(lǐng)域內(nèi)像素點(diǎn)的均值，若采用固定的修正數(shù)值分割圖像會(huì)產(chǎn)生嚴(yán)重的誤差。因此,改進(jìn)后的Niblack算法會(huì)根據(jù)根據(jù)鄰域窗口內(nèi)像素值對(duì)修正k值進(jìn)行動(dòng)態(tài)調(diào)整,來控制閾值的增減,避免不合適的閾值選取導(dǎo)致分割結(jié)果有較大誤差,提升整體圖像的分割效果。

3 聯(lián)合最大熵的改進(jìn)算法

圖像中灰度值的大小與變化可以通過圖像的復(fù)雜度來說明,而局部鄰域熵是將灰度信息與灰度分布特性結(jié)合起來[17]。在鄰域熵大的區(qū)域,圖像的灰度分布比較均勻,對(duì)應(yīng)的圖像背景相對(duì)簡單;而在鄰域熵較小的區(qū)域,圖像的灰度分布起伏不定,對(duì)應(yīng)的圖像背景比較復(fù)雜。

假設(shè)Hij為以點(diǎn)(i,j)為中心的局部鄰域熵，

(14)

其中：w1×w2為局部鄰域窗口；pij為點(diǎn)(i,j)的灰度分布概率，

(15)

通過建立隸屬度函數(shù)將局部鄰域熵轉(zhuǎn)換為(0,1)之間的背景因子，對(duì)圖像的背景進(jìn)行分類。背景因子越大,表示圖像的背景越簡單;反之,表示圖像的背景越復(fù)雜。其隸屬函數(shù)為

(16)

其中，Hmax和Hmin分別表示鄰域內(nèi)的最大熵值和最小熵值。

因此,本文對(duì)圖像分類的依據(jù)是背景因子。通過實(shí)驗(yàn)發(fā)現(xiàn),背景因子為0.3時(shí),圖像的背景分類較為明顯。當(dāng)F>0.3時(shí),圖像背景簡單,采用最大熵法對(duì)圖像進(jìn)行分割;當(dāng)F≤0.3時(shí),圖像背景復(fù)雜,采用改進(jìn)的Niblack法對(duì)圖像分割。

由上可知,本文算法的思路是對(duì)不同復(fù)雜程度的圖像采用兩種算法進(jìn)行分割,具體算法流程如圖1。

圖1 算法流程圖Fig.1 Algorithm flowchart

在本文算法中，首先，將采集到的紅外圖像進(jìn)行中值濾波,減弱噪聲的干擾；然后，根據(jù)紅外圖像的像素矩陣和局部灰度信息,對(duì)Niblack算法中鄰域窗口和修正數(shù)值的選取進(jìn)行改進(jìn),使其可以自適應(yīng)調(diào)整;再通過局部鄰域熵建立背景因子對(duì)圖像的背景分類；最后，采取最大熵法和改進(jìn)Niblack法對(duì)分類后的圖像進(jìn)行分割。

4 實(shí)驗(yàn)與結(jié)果分析

本文的實(shí)驗(yàn)環(huán)境為Intel華碩i5-8265U CPU,8GB RAM,Matlab R2016b。圖2是不同電力設(shè)備的紅外圖像,分別使用本文方法、Niblack法、OTSU法、最大熵法、分水嶺法對(duì)其進(jìn)行分割實(shí)驗(yàn)，分割結(jié)果如圖3所示。

對(duì)于刀閘開關(guān)紅外圖像，本文方法可以準(zhǔn)確清晰地將目標(biāo)區(qū)域與背景區(qū)域分割,且誤分面積較小,而圖3A的Niblack法、圖3B的OTSU法、圖3C的最大熵法和圖3D的分水嶺法均出現(xiàn)了把少數(shù)目標(biāo)區(qū)域誤分為背景的情況,并且分割邊緣模糊,給接下來的故障處理工作帶來不便。

對(duì)于高壓套管紅外圖像,本文方法的分割結(jié)果能夠?qū)δ繕?biāo)區(qū)域恰當(dāng)分割。對(duì)故障區(qū)域分割比較準(zhǔn)確的方法是分水嶺法。最大熵法、Niblack法和OTSU法將少量背景區(qū)域劃分成目標(biāo)區(qū)域。

對(duì)于導(dǎo)線接頭紅外圖像,本文方法實(shí)現(xiàn)了較好的分割結(jié)果。而最大熵法、OTSU法和分水嶺法的分割效果不佳,不能完全把分割目標(biāo)和背景分離,Niblack法的部分目標(biāo)區(qū)域被分割成背景。

對(duì)于互感器紅外圖像，本文方法可以較好地分割出整個(gè)目標(biāo)區(qū)域，但最大熵法和分水嶺法的分割結(jié)果不太理想，出現(xiàn)了將大量目標(biāo)區(qū)域分割成背景的情況，Niblack和OSTU法的分割結(jié)果出現(xiàn)了少量目標(biāo)區(qū)域的缺失。

圖2 4種電力設(shè)備紅外圖像Fig.2 Four kinds of power equipment infrared images

本文還采用了交并比(IoU)和誤分率(Eerror)兩種評(píng)價(jià)指標(biāo)對(duì)不同方法的分割效果進(jìn)行評(píng)價(jià)。

(17)

(18)

式中:St表示本文方法的分割結(jié)果;Ss表示標(biāo)準(zhǔn)分割結(jié)果。IoU越趨近于1,說明和標(biāo)準(zhǔn)分割結(jié)果的差距越小,分割準(zhǔn)確性高。Eerror表示誤分割面積,其值越小分割結(jié)果越好[18]。

表1展示了本文算法在不同評(píng)價(jià)指標(biāo)上的分割結(jié)果,可以看出，本文方法相較于其他方法具有一定的優(yōu)勢(shì)，尤其是在互感器的紅外圖像處理上,最接近標(biāo)準(zhǔn)分割結(jié)果。綜合4種對(duì)比算法,本文方法的交并比平均值達(dá)到0.833 5。且平均誤分率為0.016 4, 比其他算法分別降低了0.012 8，0.024 9，0.030 9，0.025 2。

圖3 主流方法對(duì)4組紅外圖像分割Fig.3 Mainstream methods for segmentation of 4 groups of infrared images

表1 分割交并比和誤分率對(duì)比表Tab.1 ComparisonTable of segmentation IoU and error ratio

5 結(jié)語

本文針對(duì)紅外圖像分割存在的問題,在兩種經(jīng)典算法的基礎(chǔ)上提出了一種改進(jìn)的圖像分割算法。首先，根據(jù)紅外圖像的像素矩陣確定Niblack鄰域窗口值；再利用圖像整體與局部的灰度信息選取修正系數(shù),改善了傳統(tǒng)算法中由于手動(dòng)調(diào)節(jié)參數(shù)而自適應(yīng)性不足的問題；最后，通過背景因子實(shí)現(xiàn)對(duì)圖像的分類,根據(jù)圖像的不同類別分別采用最大熵法和改進(jìn)Niblack法進(jìn)行分割處理,克服了局部閾值算法的不足。實(shí)驗(yàn)證明,本文提出的方法和Niblack法、OTSU法、最大熵法、分水嶺法相比，在交并比和誤分率的評(píng)價(jià)指標(biāo)上具明顯優(yōu)勢(shì),提升了分割紅外圖像的準(zhǔn)確性,增強(qiáng)了算法的魯棒性,是一種有效的紅外圖像分割方法。