CN106228172B - 基于聚类分析的破损绝缘子图像提取方法 - Google Patents
基于聚类分析的破损绝缘子图像提取方法 Download PDFInfo
- Publication number
- CN106228172B CN106228172B CN201610834999.9A CN201610834999A CN106228172B CN 106228172 B CN106228172 B CN 106228172B CN 201610834999 A CN201610834999 A CN 201610834999A CN 106228172 B CN106228172 B CN 106228172B
- Authority
- CN
- China
- Prior art keywords
- value
- codebook
- image
- cluster
- insulator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 98
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000007689 inspection Methods 0.000 claims abstract description 26
- 238000009413 insulation Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000007621 cluster analysis Methods 0.000 claims description 22
- 238000000926 separation method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 10
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于聚类分析的破损绝缘子图像提取方法，具体按照以下步骤实施：步骤1，读取巡检绝缘子原始图像P，并进行预处理，步骤2获得与两个分量对应的K维码本向量，步骤3，获取属于目标区域的色调分量H和饱和度分量S的聚类中心；步骤4，得到色调分量H和饱和度分量S的模糊隶属度uHO和uSO；步骤5，利用色调分量H和饱和度分量S的模糊隶属度uHO和uSO，构造二维特征向量F(x,y)，步骤6，对特征向量F(x,y)进行聚类分析，获取对应的cF(x,y)，步骤7，根据步骤6获取的cF(x,y)，可获取巡检绝缘子图像中绝缘子的背景区域及目标区域。本发明解决了现有技术中存在的无法在巡检图像中准确提取破损绝缘子的问题。
Description
技术领域
本发明属于电力设备监测技术领域，涉及一种基于聚类分析的破损绝缘子图像提取方法。
背景技术
绝缘子是架空输电线路上的重要组成部分，由于其长期暴露在野外，同时又受到持续的机械张力、电气闪络、材料老化等的影响，导致绝缘水平下降出现裂缝、破损等故障，如不及时修复更换，极有可能发生绝缘事故，造成大面积的停电和巨大的经济损失，因此需要对高压绝缘子进行定期巡检和维修。由于户外绝缘子所在输电线路地形复杂，随着直升机电网运行维护技术的发展，正常巡视方式迫切要求从“人工巡视”向“直升机巡视为主，人工巡视为辅”的方式转变。直升机巡视可以实现全方位、多角度的巡检，由于光照的影响，以及巡检绝缘子照片角度不唯一增加了破损绝缘子图像的提取难度，这为下一步对绝缘子故障的检测与诊断带来重大影响。因此，如何排除光照的影响，以及在不同拍摄角度的巡视绝缘子图像中准确提取破损绝缘子图像是巡检和维修绝缘子的关键技术难题。
发明内容
本发明的目的是提供一种基于聚类分析的破损绝缘子图像提取方法，解决了现有技术中存在的无法在巡检图像中准确提取破损绝缘子的问题。
本发明所采用的技术方案是，
一种基于聚类分析的破损绝缘子图像提取方法，具体按照以下步骤实施：
步骤1，读取巡检绝缘子原始图像P，图像P表示的是绝缘子在RGB颜色空间下的图像，设图像P的尺寸为N×M，通过图像预处理，将图像P由RGB颜色空间转换到HSI颜色空间；
步骤2，利用LBG算法对步骤1中的绝缘子预处理后的图像P的色调分量H和饱和度分量S进行处理，获得与两个分量对应的K维码本向量和
步骤3，对步骤2所得码本向量和，通过K-means聚类算法获取属于目标区域的色调分量H和饱和度分量S的聚类中心；
步骤4，根据步骤1获取的绝缘子图像P中色调值和饱和度值计算整幅图像色调值和饱和度值的均值，并得到色调分量H和饱和度分量S的模糊隶属度uHO和uSO；
步骤5，利用步骤4获得的色调分量H和饱和度分量S的模糊隶属度uHO和uSO，构造一个式(9)所示的二维特征向量F(x,y)，
F(x,y)＝(uHO(x,y),uSO(x,y)) (9)
其中F(x,y)表示像素点(x,y)与绝缘子目标区域的距离特征，x∈[1,N],y∈[1,M]，可以构成一个N×M的2维向量矩阵；
步骤6：对步骤5获得的特征向量F(x,y)进行聚类分析，获取对应的cF(x,y)，
步骤7，根据步骤6获取的cF(x,y)，分别将输入图像P中cF(x,y)＝1的坐标点的像素值赋值为(0,0,0)，输出图像；将输入图像P中cF(x,y)＝2的坐标点的像素值赋值为(0,0,0)，输出图像，即可获取巡检绝缘子图像中绝缘子的背景区域及目标区域。
本发明的特点还在于，
步骤1中的图像P在转换时的公式如下：
其中，R、G、B、表示在RGB空间下图像P的各分量，而H、S和I表示图像P在HSI颜色空间下的各颜色分量；
H分量表征图像P中各像素点的色调，S分量表征图像P中各像素点的饱和度，I分量表征图像P中各像素点的强度，
其中，H(x,y)∈[0,360],S(x,y)∈[0,1],I(x,y)∈[0,1]，
其中，x∈[1,N],y∈[1,M]。
步骤2具体按照以下步骤实施：
步骤2.1，对色调分量H进行计算，获得色调分量H对应的K维码本向量；
步骤2.2，对图像P的饱和度分量S进行计算，获得饱和度分量S对应的K维码本向量。
步骤2.1具体按照以下步骤实施：
步骤2.1.1，选取步骤1中获得的图像P的各像素点的色调值H(x,y)作为样本，x∈[1,N],y∈[1,M]，获取色调值中心点作为训练向量的初始码本中的码字，其中，表示码字的集合，码本维数kH为1；
步骤2.1.2，通过分离码本使码本的维数kH加倍，Qi H表示第i次分离出的码本，i＝1,2,3,...，分离公式如下：
其中i＝1,2,3,...表示码本分离的次数，表示第i次分离出的码本中的第jH个码字，其中jH＝1,2,...,2(i-1)，kH＝2(i-1)表示第i次分离出的码本的维数，得到的分离后的新的码本式中ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1；
步骤2.1.3，对于步骤1获得的图像P中的各像素点的色调值H(x,y)，按照公式(1)计算出与H(x,y)对应的cH(x,y)的值，
当cH(x,y)＝t时，将H(x,y)分配到第t个聚簇中，分配到第t个聚簇中的H(x,y)构成一个新的集合Ht，其中，cH(x,y)＝1,2,...,2(i-1)，t＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，表示H(x,y)与码字之间的欧氏距离，表示第i次分离出的码本中的第jH个码字；
步骤2.1.4，根据步骤2.1.3获取的各个聚簇对应的H(x,y)，
更新码本中的每个码字即按照公式(2)重新计算各码字的值，
其中j＝1,2,...,2(i-1)，码本中的值均由新计算出的码字替换，其中表示第i次分离出的码本中的第jH个码字；
步骤2.1.5，计算经过i次分离后的H(x,y)聚类的失真值DH，计算公式如下：
其中表示H(x,y)与码字之间的欧氏距离，
当H(x,y)聚类的失真率大于预设的阈值ε2时，执行步骤2.1.3和步骤2.1.4，
当H(x,y)聚类的失真率小于等于预设的阈值ε2时，执行步骤2.1.6，
其中DH'表示图像色调值H(x,y)聚类前一次计算的失真值，鉴于H(x,y)∈[0,360]，设DH'的初始值为360，DH表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
步骤2.1.6，当色调值H(x,y)的聚簇数kH未达到指定值K时，即kH＜K时，重复步骤2.1.2～步骤2.1.5，
当kH＝K时，获取图像色调值H(x,y)的K维码本向量
步骤2.2具体按照以下步骤实施：
步骤2.2.1，选取步骤1中获得的图像P的各像素点的饱和度值S(x,y)作为样本，x∈[1,N],y∈[1,M]，获取饱和度值中心点作为训练向量的初始码本中的码字，表示初始码字的集合，码本维数kS为1；
步骤2.2.2，通过分离现有码本使码本的维数kS加倍，表示第i次分离出的码本，i＝1,2,3,...，则分离公式如下：
其中i＝1,2,3,...表示码本分离的次数，表示第i次分离出的码本中的第jS个码字，其中jS＝1,2,...,2(i-1)，kS＝2(i-1)表示第i次分离出的码本的维数，获取新的码本式中ε1为预设误差变量阈值，设ε1＝0.1；
步骤2.2.3，对于步骤1获得的图像P中的各像素点的饱和度值S(x,y)，按照公式(3)计算出与S(x,y)对应的cS(x,y)的值，
当cS(x,y)＝g时，将S(x,y)分配到第g个聚簇中，分配到第g个聚簇中的S(x,y)构成一个新的集合Sg，
其中，cS(x,y)＝1,2,...,2(i-1)，g＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，
表示S(x,y)与码字之间的欧氏距离，表示第i次分离出的码本中的第jS个码字；
步骤2.2.4，根据步骤2.2.3获取的各个聚簇对应的S(x,y)，
更新码本中的每个码字即按照公式(4)重新计算各码字的值，
其中jS＝1,2,...,2(i-1)，码本中的值均由新计算出的码字替换，其中表示第i次分离出的码本中的第jS个码字；
步骤2.2.5，计算经过i次分离后S(x,y)聚类的失真值DS，计算公式如下：
其中表示S(x,y)与码字之间的欧氏距离，
当S(x,y)聚类的失真率大于预设的阈值ε2时，重复步骤2.2.3和步骤2.2.4，
失真率小于等于ε2时，执行步骤2.2.6，
其中DS'表示图像饱和度值S(x,y)聚类前一次计算的失真值，鉴于S(x,y)∈[0,1]，设DS'的初始值设为1，DS表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
步骤2.2.6，当图像饱和度值S(x,y)的聚簇数kS未达到指定值K时，即kS＜K时，重复步骤2.2.2～步骤2.2.5，
当kS＝K时，获取图像饱和度值S(x,y)的K维码本向量
步骤3具体按照以下步骤实施：
步骤3.1，对步骤2所得码本向量进行K-means聚类算法获得色调分量H目标区域的聚类中心，即目标区域对应的码字，
步骤3.2，对步骤2所得码本向量进行K-means聚类算法获得饱和度分量S目标区域的聚类中心，即目标区域对应的码字。
步骤3.1具体为：
步骤3.1.1，以步骤1读取的绝缘子图像P中各像素点的色调值H(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本用于K-means算法的初始码本；
步骤3.1.2，按照公式(5)计算图像P中H(x,y)对应的cH(x,y)的值，
当cH(x,y)＝l时，将图像中像素点(x,y)对应的色调值H(x,y)分配到第l个聚簇中，其中，cH(x,y)＝1,2,3,...,K，l＝1,2,3,...,K，表示当前码本中的任一码字，jH＝1,2,...,K，
步骤3.1.3，对当前码本进行更新，即利用公式(6)重新计算出码本中的每个码字
式中，jH＝1,2,...,K，其中，H(x,y)属于第jH个聚簇时，1{cH(x,y)＝jH}的值为1，
否则，若H(x,y)不属于第jH个聚簇，1{cH(x,y)＝jH}的值为0；
步骤3.1.4，计算K个聚簇的均方误差函数MSEH及误差精度ε3，
ε3＝MSEH-MSEH'
式中，MSEH'为前一次均方误差值，鉴于H∈[0,360]，设MSEH'的初始值为360，MSEH为当前均方误差值，为H(x,y)到码字的欧氏距离，ε3表示误差精度；
根据所需误差精度，若ε3≤0.001时，执行步骤3.1.5；
否则，若ε3>0.001，则重复步骤3.1.2和步骤3.1.3；
步骤3.1.5，以图像形式分别输出K个聚簇包含的色调值H(x,y)的集合，在输出的图像中确定需要获取的目标区域，并获取巡检绝缘子图像目标区域色调值H(x,y)及其对应的聚类中心，即码字mH，其中
步骤3.2具体为：
步骤3.2.1，以步骤1读取的绝缘子图像P中各像素点的饱和度值S(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本用于K-means算法的初始码本；
步骤3.2.2，按照公式(7)计算图像P中S(x,y)对应的cS(x,y)的值，
当cS(x,y)＝l时，将图像中像素点(x,y)对应的饱和度值S(x,y)分配到第l个聚簇中，其中，cS(x,y)＝1,2,...,K，l＝1,2,...,K，表示当前码本中的任一码字，jS＝1,2,...,K；
步骤3.2.3，对当前码本进行更新，利用公式(8)重新计算出码本中的每一个码字
式中，jS＝1,2,...,K，其中，S(x,y)属于第jS个聚簇时，1{cS(x,y)＝jS}的值为1，
否则，若S(x,y)不属于第jS个聚簇，1{cS(x,y)＝jS}的值为0；
步骤3.2.4，计算K个聚簇的均方误差函数MSES及误差精度ε3，
ε3＝MSES-MSES'
式中，MSES'为前一次均方误差值，鉴于S∈[0,1]，设MSES'的初始值为1，MSES为当前均方误差值，为S(x,y)到码字的欧氏距离，ε3表示误差精度，
根据所需误差精度，若ε3≤0.001时，则执行步骤3.2.5；
否则，若ε3>0.001，则重复步骤3.2.2和步骤3.2.3；
步骤3.2.5，以图像形式分别输出K个聚簇包含的饱和度值S(x,y)的集合，在输出图像中确定需要获取的目标区域，并获取巡检绝缘子目标区域的饱和度值S(x,y)及其对应的码字mS，其中
步骤4具体按照以下步骤实施：
步骤4.1，通过步骤1获取的巡检绝缘子图像P中色调值H(x,y)计算整幅图像色调值的均值CH，计算公式如下：
步骤4.2，根据步骤3获取的图像目标区域色调值H(x,y)对应的码字mH构造模糊隶属度函数，
模糊隶属度函数的具体构造如下：
uHB(x,y)＝1-uHO(x,y)
其中uHO(x,y)表示像素点(x,y)处色调值H(x,y)属于目标区域的隶属度，uHB(x,y)表示像素点(x,y)处色调值H(x,y)属于背景区域的隶属度，uHO(x,y)和uHB(x,y)的取值范围均为[0，1]，
当H(x,y)＝mH时，uHO(x,y)＝1，uHB(x,y)＝0；
步骤4.3，通过步骤1获取的巡检绝缘子图像P中饱和度值S(x,y)计算整幅图像饱和度值的均值CS，计算公式如下：
步骤4.4，根据步骤3获取的图像目标区域饱和度值S(x,y)对应的码字mS构造模糊隶属度函数，
模糊隶属度函数的具体构造如下：
uSB(x,y)＝1-uSO(x,y)
其中uSO(x,y)表示像素点(x,y)处饱和度值S(x,y)属于目标区域的隶属度，uSB(x,y)表示像素点(x,y)处饱和度值S(x,y)属于背景区域的隶属度，uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，
当S(x,y)＝mS时，uSO(x,y)＝1，uSB(x,y)＝0。
步骤6具体按照以下步骤实施，
步骤6.1，通过LBG算法对步骤5获取的特征向量F(x,y)进行处理，具体的步骤为：
步骤6.1.1，选取F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，获取F(x,y)的中心点对应的向量作为训练向量的初始码本中的码字，为二维向量；
步骤6.1.2，通过公式(10)分离步骤6.1.1获取的初始码本获取码本
其中q21表示分离后获得的码本的第一个码字，q22表示分离后获得的码本的第二个码字，ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1；
步骤6.1.3，对于步骤5获取F(x,y)，按照公式(11)计算出与F(x,y)对应的cF(x,y)的值，
当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，分配到第r个聚簇中的F(x,y)构成一个新的集合Fr，其中，cF(x,y)＝1,2，t＝1,2，x∈[1,N],y∈[1,M]，表示F(x,y)与码字之间的欧氏距离，为码本中第jF个码字，jF＝1,2；
步骤6.1.4，根据步骤6.1.3获取的各个聚簇对应的F(x,y)，
更新码本中的每个码字即按照公式(12)重新计算各码字，
其中，jF＝1,2；
步骤6.1.5，计算F(x,y)聚类的失真值DF，计算公式如下：
其中，表示F(x,y)与码字之间的欧氏距离，
当F(x,y)的聚类的失真率大于预设的阈值ε2时，重复步骤6.1.3和步骤6.1.4，
失真率小于等于预设阈值ε2时，获取最终码本执行步骤6.2，其中DF'表示F(x,y)聚类前一次计算的失真值，鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，设DF'的初始值为1.41，DF表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
步骤6.2，根据步骤6.1获取的码本通过K-means算法对特征向量F(x,y)进行聚类分析，具体的步骤为：
步骤6.2.1，选取步骤5获取的F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，以步骤6.1获取的码本用于K-means算法的初始码本；
步骤6.2.2，按照公式(13)计算F(x,y)对应的cF(x,y)的值，
当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，其中，cF(x,y)＝1,2，r＝1,2，jF＝1,2，表示F(x,y)和之间的欧氏距离；
步骤6.2.3，对当前码本进行更新，利用公式(14)重新计算出码本中的每一个码字，
式中，jF＝1,2，其中，F(x,y)属于第jF个聚簇时，1{cF(x,y)＝jF}的值为1，
否则，若F(x,y)不属于第jF个聚簇，1{cF(x,y)＝jF}的值为0；
步骤6.2.4，计算两个聚簇的均方误差函数MSEF及误差精度ε3，
ε3＝MSEF-MSEF'
式中，MSEF'为前一次均方误差值，
鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，故设MSEF'的初始值为1.41，MSEF为当前均方误差值，为F(x,y)到码字的欧氏距离，ε3表示误差精度，
根据所需误差精度，若ε3≤0.001时，获取最终聚类码本以及F(x,y)对应的cF(x,y)，执行步骤7，
否则，若ε3>0.001，则重复步骤6.2.2和步骤6.2.3。
本发明的有益效果是，与现有的图像提取算法相比，本发明采用K-means算法直接对彩色巡检绝缘子图像进行处理，排除表示颜色光亮的强度分量I，只对色调分量H和饱和度分量S进行聚类分析，不受空间分布的影响，能够避免太阳光照射导致玻璃绝缘子反光以及多角度拍摄的影响，提取破损绝缘子图像的目标区域。此外，通过LBG算法改进的K-means算法，减少了K-means算法的迭代系数，又具有快速、直观、易于实现的优点，模糊理论的引入使得该方法具有很好的鲁棒性和稳定性。本发明能及时根据获取的绝缘子图片准确的提取绝缘子，以便及时判断绝缘子的工作状况，进行修复更换，避免绝缘事故的发生。因此，使用该方法有利于“直升机巡检”方式的实现，从而具有重大的意义。
附图说明
图1是本发明基于聚类分析的破损绝缘子图像提取方法的整体流程图；
图2是本发明基于聚类分析的破损绝缘子图像提取方法中的LBG算法的流程图；
图3是本发明基于聚类分析的破损绝缘子图像提取方法中的K-means算法流程图；
图4表示采集到的1#绝缘子的图像1；
图5表示采集到的2#绝缘子的图像2；
图6表示对1#绝缘子的图像1采用otsu方法的分割结果；
图7表示对2#绝缘子的图像2采用otsu方法的分割结果；
图8表示对1#绝缘子的图像1采用遗传算法的分割结果；
图9表示对2#绝缘子的图像2采用遗传算法的分割结果；
图10表示对1#绝缘子的图像1采用本发明算法的分割结果；
图11表示对2#绝缘子的图像2采用本发明算法的分割结果；
图12表示对1#绝缘子的图像1采用本发明算法的提取结果；
图13表示对2#绝缘子的图像2采用本发明算法的提取结果。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于聚类分析的破损绝缘子图像提取方法，如图1所示，具体按照以下步骤实施：
步骤1：读取巡检绝缘子原始图像P，图像P表示的是绝缘子在RGB颜色空间下的图像，设图像P的尺寸为N×M，通过图像预处理，将图像P由RGB颜色空间转换到HSI颜色空间，具体在转换时的公式如下：
其中，R、G、B、表示在RGB空间下图像P的各分量，而H、S和I表示图像P在HSI颜色空间下的各颜色分量。
H分量表征图像P中各像素点的色调，S分量表征图像P中各像素点的饱和度，I分量表征图像P中各像素点的强度，
其中，H(x,y)∈[0,360],S(x,y)∈[0,1],I(x,y)∈[0,1]，
其中，x∈[1,N],y∈[1,M]。
步骤2：利用LBG算法对步骤1中的绝缘子预处理后的图像P的色调分量H和饱和度分量S进行处理，获得与两个分量对应的K维码本向量，LBG算法的流程图如图2所示，
具体的步骤为：
步骤2.1，对色调分量H进行计算，获得色调分量H对应的K维码本向量。
具体步骤为：
步骤2.1.1，选取步骤1中获得的图像P的各像素点的色调值H(x,y)作为样本，x∈[1,N],y∈[1,M]，获取色调值中心点作为训练向量的初始码本中的码字。其中，表示码字的集合，码本维数kH为1。
步骤2.1.2，通过分离码本使码本的维数kH加倍，Qi H表示第i次分离出的码本，i＝1,2,3,...，分离公式如下：
其中i＝1,2,3,...表示码本分离的次数，表示第i次分离出的码本中的第jH个码字，其中jH＝1,2,...,2(i-1)，kH＝2(i-1)表示第i次分离出的码本的维数，得到的分离后的新的码本式中ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1。
步骤2.1.3，对于步骤1获得的图像P中的各像素点的色调值H(x,y)，按照公式(1)计算出与H(x,y)对应的cH(x,y)的值，
当cH(x,y)＝t时，将H(x,y)分配到第t个聚簇中，分配到第t个聚簇中的H(x,y)构成一个新的集合Ht，其中，cH(x,y)＝1,2,...,2(i-1)，t＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，表示H(x,y)与码字之间的欧氏距离，表示第i次分离出的码本中的第jH个码字。
步骤2.1.4，根据步骤2.1.3获取的各个聚簇对应的H(x,y)。
更新码本中的每个码字即按照公式(2)重新计算各码字的值，
其中j＝1,2,...,2(i-1)，码本中的值均由新计算出的码字替换，其中表示第i次分离出的码本中的第jH个码字。
步骤2.1.5，计算经过i次分离后的H(x,y)聚类的失真值DH，计算公式如下：
其中表示H(x,y)与码字之间的欧氏距离，
当H(x,y)聚类的失真率大于预设的阈值ε2时，执行步骤2.1.3和步骤2.1.4，
当H(x,y)聚类的失真率小于等于预设的阈值ε2时，执行步骤2.1.6，其中DH'表示图像色调值H(x,y)聚类前一次计算的失真值，鉴于H(x,y)∈[0,360]，设DH'的初始值为360，DH表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005。
步骤2.1.6，当色调值H(x,y)的聚簇数kH未达到指定值K时，即kH＜K时，重复步骤2.1.2～步骤2.1.5，
当kH＝K时，获取图像色调值H(x,y)的K维码本向量
步骤2.2，对图像P的饱和度分量S进行计算，获得饱和度分量S对应的K维码本向量。
步骤2.2.1，选取步骤1中获得的图像P的各像素点的饱和度值S(x,y)作为样本，x∈[1,N],y∈[1,M]，获取饱和度值中心点作为训练向量的初始码本中的码字，表示初始码字的集合，码本维数kS为1。
步骤2.2.2，通过分离现有码本使码本的维数kS加倍，表示第i次分离出的码本，i＝1,2,3,...，则分离公式如下：
其中i＝1,2,3,...表示码本分离的次数，表示第i次分离出的码本中的第jS个码字，其中jS＝1,2,...,2(i-1)，kS＝2(i-1)表示第i次分离出的码本的维数，获取新的码本式中ε1为预设误差变量阈值，设ε1＝0.1。
步骤2.2.3，对于步骤1获得的图像P中的各像素点的饱和度值S(x,y)，按照公式(3)计算出与S(x,y)对应的cS(x,y)的值，
当cS(x,y)＝g时，将S(x,y)分配到第g个聚簇中，分配到第g个聚簇中的S(x,y)构成一个新的集合Sg，
其中，cS(x,y)＝1,2,...,2(i-1)，g＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，
表示S(x,y)与码字之间的欧氏距离，表示第i次分离出的码本中的第jS个码字。
步骤2.2.4，根据步骤2.2.3获取的各个聚簇对应的S(x,y)。
更新码本中的每个码字即按照公式(4)重新计算各码字的值，
其中jS＝1,2,...,2(i-1)，码本中的值均由新计算出的码字替换，其中表示第i次分离出的码本中的第jS个码字。
步骤2.2.5，计算经过i次分离后S(x,y)聚类的失真值DS，计算公式如下：
其中表示S(x,y)与码字之间的欧氏距离，
当S(x,y)聚类的失真率大于预设的阈值ε2时，重复步骤2.2.3和步骤2.2.4，
失真率小于等于ε2时，执行步骤2.2.6，
其中DS'表示图像饱和度值S(x,y)聚类前一次计算的失真值，鉴于S(x,y)∈[0,1]，设DS'的初始值设为1，DS表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005。
步骤2.2.6，当图像饱和度值S(x,y)的聚簇数kS未达到指定值K时，即kS＜K时，重复步骤2.2.2～步骤2.2.5，
当kS＝K时，获取图像饱和度值S(x,y)的K维码本向量
步骤3，对步骤2所得码本向量和通过K-means聚类算法获取属于目标区域的色调分量H和饱和度分量S的聚类中心。
具体按照以下步骤实施：
步骤3.1，对步骤2所得码本向量进行K-means聚类算法获得色调分量H目标区域的聚类中心，即目标区域对应的码字，K-means聚类算法的流程如图3所示，
具体步骤是，
步骤3.1.1，以步骤1读取的绝缘子图像P中各像素点的色调值H(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本用于K-means算法的初始码本。
步骤3.1.2，按照公式(5)计算图像P中H(x,y)对应的cH(x,y)的值，
当cH(x,y)＝l时，将图像中像素点(x,y)对应的色调值H(x,y)分配到第l个聚簇中。其中，cH(x,y)＝1,2,3,...,K，l＝1,2,3,...,K，表示当前码本中的任一码字，jH＝1,2,...,K。
步骤3.1.3，对当前码本进行更新，即利用公式(6)重新计算出码本中的每个码字
式中，jH＝1,2,...,K，其中，H(x,y)属于第jH个聚簇时，1{cH(x,y)＝jH}的值为1，
否则，若H(x,y)不属于第jH个聚簇，1{cH(x,y)＝jH}的值为0。
步骤3.1.4，计算K个聚簇的均方误差函数MSEH及误差精度ε3，
ε3＝MSEH-MSEH'
式中，MSEH'为前一次均方误差值，鉴于H∈[0,360]，设MSEH'的初始值为360，MSEH为当前均方误差值。为H(x,y)到码字的欧氏距离，ε3表示误差精度。
根据所需误差精度，若ε3≤0.001时，执行步骤3.1.5；
否则，若ε3>0.001，则重复步骤3.1.2和步骤3.1.3。
步骤3.1.5，以图像形式分别输出K个聚簇包含的色调值H(x,y)的集合，在输出的图像中确定需要获取的目标区域，并获取巡检绝缘子图像目标区域色调值H(x,y)及其对应的聚类中心，即码字mH，其中
步骤3.2，对步骤2所得码本向量进行K-means聚类算法获得饱和度分量S目标区域的聚类中心，即目标区域对应的码字。
步骤3.2.1，以步骤1读取的绝缘子图像P中各像素点的饱和度值S(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本用于K-means算法的初始码本。
步骤3.2.2，按照公式(7)计算图像P中S(x,y)对应的cS(x,y)的值，
当cS(x,y)＝l时，将图像中像素点(x,y)对应的饱和度值S(x,y)分配到第l个聚簇中，其中，cS(x,y)＝1,2,...,K，l＝1,2,...,K，表示当前码本中的任一码字，jS＝1,2,...,K。
步骤3.2.3，对当前码本进行更新，利用公式(8)重新计算出码本中的每一个码字
式中，jS＝1,2,...,K，其中，S(x,y)属于第jS个聚簇时，1{cS(x,y)＝jS}的值为1，
否则，若S(x,y)不属于第jS个聚簇，1{cS(x,y)＝jS}的值为0。
步骤3.2.4，计算K个聚簇的均方误差函数MSES及误差精度ε3。
ε3＝MSES-MSES'
式中，MSES'为前一次均方误差值，鉴于S∈[0,1]，设MSES'的初始值为1，MSES为当前均方误差值。为S(x,y)到码字的欧氏距离，ε3表示误差精度。
根据所需误差精度，若ε3≤0.001时，则执行步骤3.2.5；
否则，若ε3>0.001，则重复步骤3.2.2和步骤3.2.3。
步骤3.2.5，以图像形式分别输出K个聚簇包含的饱和度值S(x,y)的集合，在输出图像中确定需要获取的目标区域，并获取巡检绝缘子目标区域的饱和度值S(x,y)及其对应的码字mS，其中
步骤4：根据步骤1获取的绝缘子图像P中色调值H(x,y)和饱和度值S(x,y)计算整幅图像色调值和饱和度值的均值，并得到色调分量H和饱和度分量S的模糊隶属度uHO和uSO。
步骤4.1，通过步骤1获取的巡检绝缘子图像P中色调值H(x,y)计算整幅图像色调值的均值CH，计算公式如下：
步骤4.2，根据步骤3获取的图像目标区域色调值H(x,y)对应的码字mH构造模糊隶属度函数。
模糊隶属度函数的具体构造如下：
uHB(x,y)＝1-uHO(x,y)
其中uHO(x,y)表示像素点(x,y)处色调值H(x,y)属于目标区域的隶属度，uHB(x,y)表示像素点(x,y)处色调值H(x,y)属于背景区域的隶属度，uHO(x,y)和uHB(x,y)的取值范围均为[0，1]。
当H(x,y)＝mH时，uHO(x,y)＝1，uHB(x,y)＝0。
步骤4.3，通过步骤1获取的巡检绝缘子图像P中饱和度值S(x,y)计算整幅图像饱和度值的均值CS，计算公式如下：
步骤4.4，根据步骤3获取的图像目标区域饱和度值S(x,y)对应的码字mS构造模糊隶属度函数。
模糊隶属度函数的具体构造如下：
uSB(x,y)＝1-uSO(x,y)
其中uSO(x,y)表示像素点(x,y)处饱和度值S(x,y)属于目标区域的隶属度，uSB(x,y)表示像素点(x,y)处饱和度值S(x,y)属于背景区域的隶属度，uSO(x,y)和uSB(x,y)的取值范围均为[0，1]。
当S(x,y)＝mS时，uSO(x,y)＝1，uSB(x,y)＝0。
步骤5，利用步骤4获得的色调分量H和饱和度分量S的模糊隶属度uHO和uSO，构造一个式(9)所示的二维特征向量F(x,y)，
F(x,y)＝(uHO(x,y),uSO(x,y)) (9)
其中F(x,y)表示像素点(x,y)与绝缘子目标区域的距离特征，x∈[1,N],y∈[1,M]，可以构成一个N×M的2维向量矩阵。
步骤6：对步骤5获得的特征向量F(x,y)进行聚类分析，获取对应的cF(x,y)，具体步骤如下：
步骤6.1，通过LBG算法对步骤5获取的特征向量F(x,y)进行处理。
步骤6.1.1，选取F(x,y)作为输入样本，x∈[1,N],y∈[1,M]。获取F(x,y)的中心点对应的向量作为训练向量的初始码本中的码字，为二维向量。
步骤6.1.2，通过公式(10)分离步骤6.1.1获取的初始码本获取码本
其中q21表示分离后获得的码本的第一个码字，q22表示分离后获得的码本的第二个码字，ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1。
步骤6.1.3，对于步骤5获取F(x,y)，按照公式(11)计算出与F(x,y)对应的cF(x,y)的值，
当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，分配到第r个聚簇中的F(x,y)构成一个新的集合Fr，其中，cF(x,y)＝1,2，t＝1,2，x∈[1,N],y∈[1,M]，表示F(x,y)与码字之间的欧氏距离，为码本中第jF个码字，jF＝1,2。
步骤6.1.4，根据步骤6.1.3获取的各个聚簇对应的F(x,y)。
更新码本中的每个码字即按照公式(12)重新计算各码字，
其中，jF＝1,2。
步骤6.1.5，计算F(x,y)聚类的失真值DF，计算公式如下：
其中，表示F(x,y)与码字之间的欧氏距离，
当F(x,y)的聚类的失真率大于预设的阈值ε2时，重复步骤6.1.3和步骤6.1.4，
失真率小于等于预设阈值ε2时，获取最终码本执行步骤6.2，其中DF'表示F(x,y)聚类前一次计算的失真值，鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，设DF'的初始值为1.41，DF表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005。
步骤6.2，根据步骤6.1获取的码本通过K-means算法对特征向量F(x,y)进行聚类分析。
步骤6.2.1，选取步骤5获取的F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，以步骤6.1获取的码本用于K-means算法的初始码本。
步骤6.2.2，按照公式(13)计算F(x,y)对应的cF(x,y)的值，
当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，其中，cF(x,y)＝1,2，r＝1,2，jF＝1,2，表示F(x,y)和之间的欧氏距离。
步骤6.2.3，对当前码本进行更新，利用公式(14)重新计算出码本中的每一个码字。
式中，jF＝1,2，其中，F(x,y)属于第jF个聚簇时，1{cF(x,y)＝jF}的值为1，
否则，若F(x,y)不属于第jF个聚簇，1{cF(x,y)＝jF}的值为0。
步骤6.2.4，计算两个聚簇的均方误差函数MSEF及误差精度ε3。
ε3＝MSEF-MSEF'
式中，MSEF'为前一次均方误差值，
鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，故设MSEF'的初始值为1.41，MSEF为当前均方误差值。为F(x,y)到码字的欧氏距离，ε3表示误差精度。
根据所需误差精度，若ε3≤0.001时，获取最终聚类码本以及F(x,y)对应的cF(x,y)，执行步骤7；
否则，若ε3>0.001，则重复步骤6.2.2和步骤6.2.3。
步骤7，根据步骤6获取的cF(x,y)，分别将输入图像P中cF(x,y)＝1的坐标点的像素值赋值为(0,0,0)，输出图像；将输入图像P中cF(x,y)＝2的坐标点的像素值赋值为(0,0,0)，输出图像，即可获取巡检绝缘子图像中绝缘子的背景区域及目标区域。
利用本发明的方法对绝缘子图像进行处理，和利用其它方法对绝缘子进行处理时，其处理效果的对比如图4～13所示，具体来说：
图4和图5分别为需要进行处理的复杂背景下不同拍摄角度的1#绝缘子和2#绝缘子的采集图像，记为图像1和图像2，对图像1和图像2分别按照现有的otsu方法和遗传算法进行处理，得到的分割后的二值图像分别为图6、图7、图8和图9所示，而按照本发明的方法进行处理后得到的分割图像如图10和图11所示，从图中可以看出，按照otsu方法进行处理的分割结果，由于太阳光反射以及玻璃绝缘子的透明特性，不能准确地分割出绝缘子的边缘，且分割结果中存在较多小面积干扰连通域，按照遗传算法进行处理的绝缘子，存在噪音较多边缘模糊，不能准确地将绝缘子精确的从背景中提取出来，而按照本发明算法进行处理得到的分割图像，能够克服太阳光反射，绝缘子的拍摄角度及绝缘子透明特性的影响，准确分割出复杂背景下的绝缘子，由此可以看出按照本发明的方法进行处理后的图像的精确程度很高，将分割后的图像图10和图11映射到原图上之后，就可以得到最终的处理结果，如图12和图13所示，即提取出的完整的绝缘子图像。
表1表示图像1和图像2采用不同的分割方法的运行时间对比结果，由表1可知，在相同运行环境下，处理同一张图片本文算法相比于遗传算法的运行时间缩短了将近两秒，与otsu方法的运行时间相近，从运行结果与运行时间两项指标来看，本文算法相较于otsu方法与遗传算法具有更好的处理结果。
表1采用不同分割方法的运行时间结果对比
Claims (10)
1.一种基于聚类分析的破损绝缘子图像提取方法，其特征在于，具体按照以下步骤实施：
步骤1，读取巡检绝缘子原始图像P，所述的图像P表示的是绝缘子在RGB颜色空间下的图像，设图像P的尺寸为N×M，通过图像预处理，将图像P由RGB颜色空间转换到HSI颜色空间；
步骤2，利用LBG算法对步骤1中的绝缘子预处理后的图像P的色调分量H和饱和度分量S进行处理，获得与两个分量对应的K维码本向量和
步骤3，对步骤2所得码本向量和通过K-means聚类算法获取属于目标区域的色调分量H和饱和度分量S的聚类中心；
步骤4，根据步骤1获取的绝缘子图像P中色调值和饱和度值计算整幅图像色调值和饱和度值的均值，并得到色调分量H和饱和度分量S的模糊隶属度uHO和uSO；
步骤5，利用步骤4获得的色调分量H和饱和度分量S的模糊隶属度uHO和uSO，构造一个式(9)所示的二维特征向量F(x,y)，
F(x,y)＝(uHO(x,y),uSO(x,y)) (9)
其中F(x,y)表示像素点(x,y)与绝缘子目标区域的距离特征，x∈[1,N],y∈[1,M]，可以构成一个N×M的2维向量矩阵；
步骤6：对步骤5获得的特征向量F(x,y)进行聚类分析，获取对应的cF(x,y)；
步骤7，根据步骤6获取的cF(x,y)，分别将输入图像P中cF(x,y)＝1的坐标点的像素值赋值为(0,0,0)，输出图像；将输入图像P中cF(x,y)＝2的坐标点的像素值赋值为(0,0,0)，输出图像，即可获取巡检绝缘子图像中绝缘子的背景区域及目标区域。
2.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤1中的图像P在转换时的公式如下：
其中，R、G、B、表示在RGB空间下图像P的各分量，而H、S和I表示图像P在HSI颜色空间下的各颜色分量；
H分量表征图像P中各像素点的色调，S分量表征图像P中各像素点的饱和度，I分量表征图像P中各像素点的强度，
其中，H(x,y)∈[0,360],S(x,y)∈[0,1],I(x,y)∈[0,1]，
其中，x∈[1,N],y∈[1,M]。
3.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤2具体按照以下步骤实施：
步骤2.1，对色调分量H进行计算，获得色调分量H对应的K维码本向量；
步骤2.2，对图像P的饱和度分量S进行计算，获得饱和度分量S对应的K维码本向量。
4.根据权利要求3所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤2.1具体按照以下步骤实施：
步骤2.1.1，选取步骤1中获得的图像P的各像素点的色调值H(x,y)作为样本，x∈[1,N],y∈[1,M]，获取色调值中心点作为训练向量的初始码本中的码字，其中，表示码字的集合，码本维数kH为1；
步骤2.1.2，通过分离码本使码本的维数kH加倍，Qi H表示第i次分离出的码本，i＝1,2,3,...，分离公式如下：
其中i＝1,2,3,...表示码本分离的次数，表示第i次分离出的码本中的第jH个码字，其中jH＝1,2,...,2(i-1)，kH＝2(i-1)表示第i次分离出的码本的维数，得到的分离后的新的码本式中ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1；
步骤2.1.3，对于步骤1获得的图像P中的各像素点的色调值H(x,y)，按照公式(1)计算出与H(x,y)对应的cH(x,y)的值，
当cH(x,y)＝t时，将H(x,y)分配到第t个聚簇中，分配到第t个聚簇中的H(x,y)构成一个新的集合Ht，其中，cH(x,y)＝1,2,...,2(i-1)，t＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，表示H(x,y)与码字之间的欧氏距离，表示第i次分离出的码本中的第jH个码字；
步骤2.1.4，根据步骤2.1.3获取的各个聚簇对应的H(x,y)，
更新码本中的每个码字即按照公式(2)重新计算各码字的值，
其中j＝1,2,...,2(i-1)，码本中的值均由新计算出的码字替换，其中表示第i次分离出的码本中的第jH个码字；
步骤2.1.5，计算经过i次分离后的H(x,y)聚类的失真值DH，计算公式如下：
其中表示H(x,y)与码字之间的欧氏距离，
当H(x,y)聚类的失真率大于预设的阈值ε2时，执行步骤2.1.3和步骤2.1.4，
当H(x,y)聚类的失真率小于等于预设的阈值ε2时，执行步骤2.1.6，其中DH'表示图像色调值H(x,y)聚类前一次计算的失真值，鉴于H(x,y)∈[0,360]，设DH'的初始值为360，DH表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
步骤2.1.6，当色调值H(x,y)的聚簇数kH未达到指定值K时，即kH＜K时，重复步骤2.1.2～步骤2.1.5，
当kH＝K时，获取图像色调值H(x,y)的K维码本向量
5.根据权利要求3所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤2.2具体按照以下步骤实施：
步骤2.2.1，选取步骤1中获得的图像P的各像素点的饱和度值S(x,y)作为样本，x∈[1,N],y∈[1,M]，获取饱和度值中心点作为训练向量的初始码本中的码字，表示初始码字的集合，码本维数kS为1；
步骤2.2.2，通过分离现有码本使码本的维数kS加倍，Qi S表示第i次分离出的码本，i＝1,2,3,...，则分离公式如下：
其中i＝1,2,3,...表示码本分离的次数，表示第i次分离出的码本中的第jS个码字，其中jS＝1,2,...,2(i-1)，kS＝2(i-1)表示第i次分离出的码本的维数，获取新的码本式中ε1为预设误差变量阈值，设ε1＝0.1；
步骤2.2.3，对于步骤1获得的图像P中的各像素点的饱和度值S(x,y)，按照公式(3)计算出与S(x,y)对应的cS(x,y)的值，
当cS(x,y)＝g时，将S(x,y)分配到第g个聚簇中，分配到第g个聚簇中的S(x,y)构成一个新的集合Sg，
其中，cS(x,y)＝1,2,...,2(i-1)，g＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，
表示S(x,y)与码字之间的欧氏距离，表示第i次分离出的码本中的第jS个码字；
步骤2.2.4，根据步骤2.2.3获取的各个聚簇对应的S(x,y)，
更新码本中的每个码字即按照公式(4)重新计算各码字的值，
其中jS＝1,2,...,2(i-1)，码本中的值均由新计算出的码字替换，其中表示第i次分离出的码本中的第jS个码字；
步骤2.2.5，计算经过i次分离后S(x,y)聚类的失真值DS，计算公式如下：
其中表示S(x,y)与码字之间的欧氏距离，
当S(x,y)聚类的失真率大于预设的阈值ε2时，重复步骤2.2.3和步骤2.2.4，
失真率小于等于ε2时，执行步骤2.2.6，
其中DS'表示图像饱和度值S(x,y)聚类前一次计算的失真值，鉴于S(x,y)∈[0,1]，设DS'的初始值设为1，DS表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
步骤2.2.6，当图像饱和度值S(x,y)的聚簇数kS未达到指定值K时，即kS＜K时，重复步骤2.2.2～步骤2.2.5，
当kS＝K时，获取图像饱和度值S(x,y)的K维码本向量
6.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤3具体按照以下步骤实施：
步骤3.1，对步骤2所得码本向量进行K-means聚类算法获得色调分量H目标区域的聚类中心，即目标区域对应的码字，
步骤3.2，对步骤2所得码本向量进行K-means聚类算法获得饱和度分量S目标区域的聚类中心，即目标区域对应的码字。
7.根据权利要求6所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤3.1具体为：
步骤3.1.1，以步骤1读取的绝缘子图像P中各像素点的色调值H(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本用于K-means算法的初始码本；
步骤3.1.2，按照公式(5)计算图像P中H(x,y)对应的cH(x,y)的值，
当cH(x,y)＝l时，将图像中像素点(x,y)对应的色调值H(x,y)分配到第l个聚簇中，其中，cH(x,y)＝1,2,3,...,K，l＝1,2,3,...,K，表示当前码本中的任一码字，jH＝1,2,...,K，
步骤3.1.3，对当前码本进行更新，即利用公式(6)重新计算出码本中的每个码字
式中，jH＝1,2,...,K，其中，H(x,y)属于第jH个聚簇时，1{cH(x,y)＝jH}的值为1，
否则，若H(x,y)不属于第jH个聚簇，1{cH(x,y)＝jH}的值为0；
步骤3.1.4，计算K个聚簇的均方误差函数MSEH及误差精度ε3，
ε3＝MSEH-MSEH'
式中，MSEH'为前一次均方误差值，鉴于H∈[0,360]，设MSEH'的初始值为360，MSEH为当前均方误差值，为H(x,y)到码字的欧氏距离，ε3表示误差精度；
根据所需误差精度，若ε3≤0.001时，执行步骤3.1.5；
否则，若ε3>0.001，则重复步骤3.1.2和步骤3.1.3；
步骤3.1.5，以图像形式分别输出K个聚簇包含的色调值H(x,y)的集合，在输出的图像中确定需要获取的目标区域，并获取巡检绝缘子图像目标区域色调值H(x,y)及其对应的聚类中心，即码字mH，其中
8.根据权利要求6所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤3.2具体为：
步骤3.2.1，以步骤1读取的绝缘子图像P中各像素点的饱和度值S(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本用于K-means算法的初始码本；
步骤3.2.2，按照公式(7)计算图像P中S(x,y)对应的cS(x,y)的值，
当cS(x,y)＝l时，将图像中像素点(x,y)对应的饱和度值S(x,y)分配到第l个聚簇中，其中，cS(x,y)＝1,2,...,K，l＝1,2,...,K，表示当前码本中的任一码字，jS＝1,2,...,K；
步骤3.2.3，对当前码本进行更新，利用公式(8)重新计算出码本中的每一个码字
式中，jS＝1,2,...,K，其中，S(x,y)属于第jS个聚簇时，1{cS(x,y)＝jS}的值为1，
否则，若S(x,y)不属于第jS个聚簇，1{cS(x,y)＝jS}的值为0；
步骤3.2.4，计算K个聚簇的均方误差函数MSES及误差精度ε3，
ε3＝MSES-MSES'
式中，MSES'为前一次均方误差值，鉴于S∈[0,1]，设MSES'的初始值为1，MSES为当前均方误差值，为S(x,y)到码字的欧氏距离，ε3表示误差精度，
根据所需误差精度，若ε3≤0.001时，则执行步骤3.2.5；
否则，若ε3>0.001，则重复步骤3.2.2和步骤3.2.3；
步骤3.2.5，以图像形式分别输出K个聚簇包含的饱和度值S(x,y)的集合，在输出图像中确定需要获取的目标区域，并获取巡检绝缘子目标区域的饱和度值S(x,y)及其对应的码字mS，其中
9.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤4具体按照以下步骤实施：
步骤4.1，通过步骤1获取的巡检绝缘子图像P中色调值H(x,y)计算整幅图像色调值的均值CH，计算公式如下：
步骤4.2，根据步骤3获取的图像目标区域色调值H(x,y)对应的码字mH构造模糊隶属度函数，
所述的模糊隶属度函数的具体构造如下：
uHB(x,y)＝1-uHO(x,y)
其中uHO(x,y)表示像素点(x,y)处色调值H(x,y)属于目标区域的隶属度，uHB(x,y)表示像素点(x,y)处色调值H(x,y)属于背景区域的隶属度，uHO(x,y)和uHB(x,y)的取值范围均为[0，1]，
当H(x,y)＝mH时，uHO(x,y)＝1，uHB(x,y)＝0；
步骤4.3，通过步骤1获取的巡检绝缘子图像P中饱和度值S(x,y)计算整幅图像饱和度值的均值CS，计算公式如下：
步骤4.4，根据步骤3获取的图像目标区域饱和度值S(x,y)对应的码字mS构造模糊隶属度函数，
模糊隶属度函数的具体构造如下：
uSB(x,y)＝1-uSO(x,y)
其中uSO(x,y)表示像素点(x,y)处饱和度值S(x,y)属于目标区域的隶属度，uSB(x,y)表示像素点(x,y)处饱和度值S(x,y)属于背景区域的隶属度，uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，
当S(x,y)＝mS时，uSO(x,y)＝1，uSB(x,y)＝0。
10.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤6具体按照以下步骤实施，
步骤6.1，通过LBG算法对步骤5获取的特征向量F(x,y)进行处理，具体的步骤为：
步骤6.1.1，选取F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，获取F(x,y)的中心点对应的向量作为训练向量的初始码本中的码字， 为二维向量；
步骤6.1.2，通过公式(10)分离步骤6.1.1获取的初始码本获取码本
其中q21表示分离后获得的码本的第一个码字，q22表示分离后获得的码本的第二个码字，ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1；
步骤6.1.3，对于步骤5获取F(x,y)，按照公式(11)计算出与F(x,y)对应的cF(x,y)的值，
当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，分配到第r个聚簇中的F(x,y)构成一个新的集合Fr，其中，cF(x,y)＝1,2，t＝1,2，x∈[1,N],y∈[1,M]，表示F(x,y)与码字之间的欧氏距离，为码本中第jF个码字，jF＝1,2；
步骤6.1.4，根据步骤6.1.3获取的各个聚簇对应的F(x,y)，
更新码本中的每个码字即按照公式(12)重新计算各码字，
其中，jF＝1,2；
步骤6.1.5，计算F(x,y)聚类的失真值DF，计算公式如下：
其中，表示F(x,y)与码字之间的欧氏距离，
当F(x,y)的聚类的失真率大于预设的阈值ε2时，重复步骤6.1.3和步骤6.1.4，
失真率小于等于预设阈值ε2时，获取最终码本执行步骤6.2，其中DF'表示F(x,y)聚类前一次计算的失真值，鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，设DF'的初始值为1.41，DF表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
步骤6.2，根据步骤6.1获取的码本通过K-means算法对特征向量F(x,y)进行聚类分析，具体的步骤为：
步骤6.2.1，选取步骤5获取的F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，以步骤6.1获取的码本用于K-means算法的初始码本；
步骤6.2.2，按照公式(13)计算F(x,y)对应的cF(x,y)的值，
当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，其中，cF(x,y)＝1,2，r＝1,2，jF＝1,2，表示F(x,y)和之间的欧氏距离；
步骤6.2.3，对当前码本进行更新，利用公式(14)重新计算出码本中的每一个码字，
式中，jF＝1,2，其中，F(x,y)属于第jF个聚簇时，1{cF(x,y)＝jF}的值为1，否则，若F(x,y)不属于第jF个聚簇，1{cF(x,y)＝jF}的值为0；
步骤6.2.4，计算两个聚簇的均方误差函数MSEF及误差精度ε3，
ε3＝MSEF-MSEF'
式中，MSEF'为前一次均方误差值，
鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，故设MSEF'的初始值为1.41，MSEF为当前均方误差值，为F(x,y)到码字的欧氏距离，ε3表示误差精度，
根据所需误差精度，若ε3≤0.001时，获取最终聚类码本以及F(x,y)对应的cF(x,y)，执行步骤7，
否则，若ε3>0.001，则重复步骤6.2.2和步骤6.2.3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610834999.9A CN106228172B (zh) | 2016-09-20 | 2016-09-20 | 基于聚类分析的破损绝缘子图像提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610834999.9A CN106228172B (zh) | 2016-09-20 | 2016-09-20 | 基于聚类分析的破损绝缘子图像提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106228172A CN106228172A (zh) | 2016-12-14 |
| CN106228172B true CN106228172B (zh) | 2019-09-24 |
Family
ID=58076325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610834999.9A Active CN106228172B (zh) | 2016-09-20 | 2016-09-20 | 基于聚类分析的破损绝缘子图像提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106228172B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596196B (zh) * | 2018-05-15 | 2021-10-08 | 同济大学 | 一种基于绝缘子图像特征词典的污秽状态评估方法 |
| CN108734709B (zh) * | 2018-05-29 | 2022-03-25 | 西安工程大学 | 一种绝缘子凸缘形状参数识别与破坏检测方法 |
| CN114757895B (zh) * | 2022-03-25 | 2023-05-02 | 国网浙江省电力有限公司电力科学研究院 | 一种复合绝缘子红外图像阳光直射干扰判断方法及系统 |
| CN117745622B (zh) * | 2024-02-21 | 2024-05-07 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液催化氧化装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033982A (zh) * | 2010-10-29 | 2011-04-27 | 华南理工大学 | 基于模糊逻辑的覆冰输电线路状态评估方法 |
| CN103529362A (zh) * | 2013-10-28 | 2014-01-22 | 国家电网公司 | 基于感知的绝缘子识别与缺陷诊断方法 |
| CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
| CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130329987A1 (en) * | 2012-06-11 | 2013-12-12 | Genesis Group Inc. | Video segmentation method |
| US9384560B2 (en) * | 2014-10-27 | 2016-07-05 | King Fahd University Of Petroleum And Minerals | Contamination level estimation method for high voltage insulators |
-
2016
- 2016-09-20 CN CN201610834999.9A patent/CN106228172B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033982A (zh) * | 2010-10-29 | 2011-04-27 | 华南理工大学 | 基于模糊逻辑的覆冰输电线路状态评估方法 |
| CN103529362A (zh) * | 2013-10-28 | 2014-01-22 | 国家电网公司 | 基于感知的绝缘子识别与缺陷诊断方法 |
| CN103886610A (zh) * | 2014-04-05 | 2014-06-25 | 东北电力大学 | 一种绝缘子图像缺陷检测方法 |
| CN103940824A (zh) * | 2014-04-29 | 2014-07-23 | 长春工程学院 | 一种空中输电线路绝缘子检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106228172A (zh) | 2016-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507793B (zh) | 一种超短期光伏功率预测方法 | |
| CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
| CN106228172B (zh) | 基于聚类分析的破损绝缘子图像提取方法 | |
| CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
| Wang et al. | Comparison of different color spaces for image segmentation using graph-cut | |
| CN105445607B (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
| CN111292321B (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
| CN106157323B (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
| CN106408025B (zh) | 基于图像处理的航拍图像绝缘子分类识别方法 | |
| CN101706964A (zh) | 一种基于图像导数结构的颜色恒常性计算方法及系统 | |
| CN111291826A (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
| CN109784205B (zh) | 一种基于多光谱巡检图像的杂草智能识别方法 | |
| CN111597941B (zh) | 一种面向大坝缺陷图像的目标检测方法 | |
| CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
| CN112884715A (zh) | 一种基于深度学习的复合绝缘子均压环倾斜故障检测方法 | |
| CN110717520A (zh) | 基于高光谱图像空间特征和光谱特征融合的固废识别方法 | |
| CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
| CN117218101A (zh) | 一种基于语义分割的复合材料风电叶片缺陷检测方法 | |
| CN115457327A (zh) | 基于视觉的烤后烟烟叶部位分类方法、装置及电子设备 | |
| CN110334581B (zh) | 一种多源遥感影像变化检测方法 | |
| CN110610122A (zh) | 输电设备可见光成像大数据人工智能检测诊断方法 | |
| CN110175548A (zh) | 基于注意力机制和通道信息的遥感图像建筑物提取方法 | |
| CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
| CN105389825A (zh) | 图像处理方法及系统 | |
| CN116383819A (zh) | 一种Android恶意软件家族分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210816 Address after: 710065 No. 11301, block B, Huajing Business Plaza, No. 20, Fenghui South Road, Zhangba street, high tech Zone, Xi'an, Shaanxi Province Patentee after: XI'AN JIN POWER ELECTRICAL Co.,Ltd. Address before: 710048 No. 19 Jinhua South Road, Shaanxi, Xi'an Patentee before: XI'AN POLYTECHNIC University |
|
| TR01 | Transfer of patent right |