馮 杰，張瑩，葉影，賀潤平，王哲斐

（1.國網上海市電力公司金山供電公司，上海 200540；2.寧波得弘企業(yè)發(fā)展有限公司，浙江寧波 315800）

由于電力系統(tǒng)大部分故障往往會產生熱效應，故現場工作人員可通過獲取電氣設備的溫度信息判斷設備的狀態(tài)[1]。鑒于紅外技術對電力設備進行溫度檢測的圖像并不清晰，需要研究人員增強圖像的對比度，提高圖像畫質的清晰度。部分學者指出可利用小波變換與CLAHE 相結合進行圖像增強[2]，但該方法的適用條件相對局限，只適用于分析同相的變換。還有部分學者研究了一種結合單尺度Retinex與引導濾波的紅外圖像增強方法[3]，可得到更加清晰的圖像，但在圖像分割時可能存在局部分割的情況?；诖?，該文提出一種基于NSST 的算法，以期提高紅外檢測圖像的清晰度。

1 變換算法

利用NSST 變換算法對圖像進行多尺度幾何變換，并且實現圖像的多尺度幾何分析。基于不同尺度以及不同方向的轉變，最終得到唯一頻率較低的子帶和若干個包含不同層次的設備細節(jié)輪廓和噪音的高頻部分[4-5]。低頻部分往往由電氣設備主體和環(huán)境背景構成[6]，分別對其進行噪音消除處理，具體流程如圖1 所示。

1.1 高頻分量處理

原始電力設備圖像在經過NSST變換后可得到頻率較高的一些細節(jié)信息，但其中也含有高頻噪音和圖像的邊緣[7]。為提高圖像細節(jié)特征的呈現，采用多尺度Retinex算法進行處理，獲得增強后的高頻分量。

Retinex 是一種基于人眼的視覺感受的圖像增強算法，一幅紅外圖像R(x,y)可用函數表達為：

其中，I(x,y)和O(x,y)分別代表照射分量和反射分量。對式（1）取對數可得到：

若I(x,y)=R(x,y)*G(x,y)，則反射分量可以表示為：

該式子被稱為單尺度Retinex 算法（SSR）。其中，*代表卷積運算，G(x,y)代表高斯濾波數。該濾波函數的表現形式為：

其中，λ代表滿足條件時的歸一化常數，δ代表環(huán)繞參數，參數δ是SSR 中唯一的變量。所以，可調整的變量有限。在此基礎上，可同時調整范圍和色彩度的多尺度Retinex 算法（MSR）被提出，其數學表達式為：

可將MSR理解為多個已加權的SSR[8]。式（5）中，N為加權次數，ωi為不同的權重，需滿足文中，N=3，即多尺度Retinex 算法對原始紅外圖像的高頻部分采用大、中、小3 個尺度進行加權平均。

圖像經過多尺度Retinex 處理后，在去除振鈴和噪音的同時，還可保留高頻部分的邊緣細節(jié)[9]。

1.2 低頻系數處理算法

1.2.1 Jaya算法

Jaya 算法是一種操作簡單且高效的萬能啟發(fā)式演算法，具有收斂快、尋優(yōu)強的特點[10]。它的原理基于尋優(yōu)吸引力法則，設定的參數會自動排斥較差的解，不斷向更優(yōu)秀的解迭代靠近，持續(xù)改進[11]。因此，在這個過程中，需要設定的只有參與迭代的特定參數。相比于其他新型優(yōu)化算法，該算法操作形式上簡單，內容更易于理解。其迭代數學表達式為：

式（6）中，i代表種群中順位為i的個體，i=1,…,n；j代表個體的第j維變量，j=1,2,…,m；k表示當前迭代的次數；X代表第k次迭代且順位為i的個體在第j維上未迭代前的數值；X′表示迭代后的值；rbest,rworst的取值范圍為[0,1]，其值大小決定了尋優(yōu)的能力。Xbest,j,k,Xworst,j,k分別代表第k次迭代后在第j維上的最優(yōu)解和最差解。

1.2.2 Jaya算法改進Otsu閾值分割算法

Otsu 是一種適用于大部分場合的圖像分割算法。它的主要實現方式是將圖像分為背景環(huán)境以及特定目標兩部分，并使得兩部分存在最大的類間方差[12-13]。方差越大，代表兩者之間相互影響的可能性越小。故尋找使二維類間方差最大的閾值是該文實現的主要步驟。具體的實現方式如下：假設一幅大小為M×N，灰度級為L，且范圍為[0,L-1]的圖像。將P0類定義為灰度級為[0,S]的所有像素點P1,定義為灰度級為[S,L-1]的所有像素點。P0和P1,類出現的概率分別是P0(S)和P1(S)，平均灰度級為a0(S)和a1(S)，那么：

其中，Pi為灰度級i在圖像中出現的概率。

圖像的平均灰度值可表示為：

圖像的類間方差為：

最優(yōu)的閾值分割即為類間方差的最大值：

利用Jaya 算法來尋找類間方差的閾值，從而獲取Otsu 分割的最佳閾值，以此達到優(yōu)化Otsu 閾值分割的精度，提高算法的運行速度的目的。經過Jaya算法改進的Otsu 閾值算法適應度函數為：

1.2.3 前景增強算法

設提取出的邊緣子帶圖像的灰度范圍為[xmin,xmax]，該部分灰度范圍跨度小，可利用線性增強的方式拉伸該部分灰度值。拉伸后的灰度值范圍為[xmin,255]，邊緣子帶灰度值得到最大限度的拉伸?；叶仍鰪姽綖椋?/p>

其中，xnew為增強后對應灰度值。邊緣子帶圖像經過線性增強后仍然可以保持原有的圖像分布特征，同時增強了目標物體的視覺效果，加強了紅外圖像中電力設備的的辨識度和細節(jié)分布，增強后的邊緣部分灰度值下線保持xmin不變，這樣可以防止電力設備部分混入背景區(qū)域。

該方式有利于維持原始電力紅外圖像的灰部分布規(guī)律，提高電力設備區(qū)域的視覺效果，達到各部分互不影響，起到獨立觀察的效果。

1.2.4 后景增強方法

后景主要包含背景部分，其中背景部分是全紅外圖像中非興趣區(qū)域，背景主體部分是環(huán)境，而環(huán)境的最明顯特征就是不確定性以及復雜性[14-15]。故需要通過算法解決溫度較低時，電氣設備與背景部分的灰度值相似的問題。采用直方圖均衡算法（HE）對基于Jaya 算法改進Otsu 閾值分割后的低溫子帶進行加強。

圖像灰度值均為某個特定數字（0～255），但每個像素點又是連續(xù)的。故取N代表總像素值，nx代表灰度值為x的像素值，則灰度值為x的概率密度為:

其中，L代表灰度級，往往取28=256。紅外圖像的灰度分布函數為：

根據標準HE 算法的原理，新圖像的像素點為式（17）所得函數值乘以相應的灰度值，因此，增強后的圖像像素值為：

HE 操作簡便，是最基本的圖像增強方法，且增強效果極佳。HE 調整圖像背景部分灰度值大小，使得線性增強后的電力設備主體與背景之間的對比度增大，視覺差異明顯[16]，從而達到減少背景部分對前景的干擾，整體圖像低頻部分增強的效果。

2 算法應用和分析

使用Matlab 軟件對某變電站的紅外圖像進行分割分析，其原始圖像如圖2 所示。利用該文算法與傳統(tǒng)Ostu 算法分別對其進行分割，其效果如圖3 所示。與傳統(tǒng)的Otsu 最大閾值分割法相比，基于Jaya算法改進Otsu 閾值分割算法的處理速度較短，處理效果更清晰，可有效分割出背景和目標，對細節(jié)的分割明顯，便于人眼直觀辨別。

圖2 戶外某電站紅外原始圖像

圖3 Otsu算法與文中分割算法

為驗證該算法的有效性，以某變電站電力設備為實驗樣本，利用HE 算法、Pal-King 算法、傳統(tǒng)NSST算法與該文算法進行比較，分析其增強效果，效果對比如圖4 所示。

圖4 各算法的增強效果對比圖

從圖2 中一個極點的原始紅外灰度圖像可以看出，圖像中含有噪聲，具有豐富的斷層區(qū)目標和背景；由圖4（b）顯示得到，經過直方圖增強的紅外圖像背景和設備部分的對比差異范圍增大，但亮度有所增強，噪聲不僅沒有得到抑制，反而還被放大；Pal-King 增強后，目標亮度增強，但細節(jié)輪廓丟失；如果采用該算法，不僅可清晰地看到電力設備故障區(qū)域的熱源，提高被測區(qū)域與無關區(qū)域的灰度對比度，去噪效果明顯，而且被測區(qū)域的詳細輪廓非常清晰，便于人眼識別熱故障。

采用邊緣強度（ES）、信息熵（IE）、對比度（CR）、標準差（SD）和峰值信噪比（PSNR）五項客觀指標評價進行對比分析，如表1 所示。

表1 電線桿紅外圖像增強評價功能

根據同一電線桿紅外圖像增強評價功能表的數據顯示，基于Jaya 算法改進Otsu 閾值分割和多尺度的NSST 域電氣設備紅外圖像增強算法的峰值信噪比、信息熵、對比度、標準差和邊緣強度都是3 種算法中最高的，應用該文算法后，上述5 個評價指標均有增幅，說明該算法優(yōu)化后的圖像對比度提高最明顯，噪聲最小，受監(jiān)控區(qū)域影響最小，被觀察區(qū)域清晰度最佳。通過以上分析，與其他算法相比，該算法在圖像對比度的提升和噪音的消除上都有明顯的效果。

3 結束語

針對電力設備紅外圖像因噪聲、模糊、對比度低而難以識別電力設備熱故障的問題，設計了一種基于Jaya 算法改進Otsu 閾值分割和多尺度的NSST 域電氣設備紅外圖像增強算法。與直方圖均衡化算法、Pal-King 增強算法和傳統(tǒng)NSST 算法相比，該算法在主觀和客觀方面都有較好的性能。結果表明，增強后的紅外圖像去噪效果較好，檢測出的熱故障區(qū)域與背景的對比度明顯提高，細節(jié)紋理更清晰，人眼更容易識別故障。該文提出的算法具有很強的實用性，在實際電力設備紅外檢測中取得了很好的效果。