CN110782437A - 一种基于边界特征的改进pcnn电力故障图像空间定位方法 - Google Patents

Abstract

本发明提出了一种基于边界特征的改进PCNN电力故障图像空间定位方法。本发明构建电力故障图像PCNN处理模型；PCNN模型自适应迭代获取图像结果；引入Canny算子对多个区域边界估计，获取区域边缘点信息；根据区域边缘点信息以及故障区域判断准则进行故障区域定位。本发明PCNN模型参数设计以及迭代机制可以自适应红外图像，并提高了故障区域检测及定位的准确性。

Description

一种基于边界特征的改进PCNN电力故障图像空间定位方法

技术领域

本发明属于电力故障检测领域。尤其涉及一种基于边界特征的改进PCNN电力故障图像空间定位方法。

背景技术

带电故障状态检测是一种在不停电的状态下对配电设备进行现状分析和故障诊断的技术，能有效的预防和避免配电设备事故。现有的带电故障检测系统中，红外热成像仪具有检测速度快、准确率高、费用低、通用性强和安全性高等优点。然而由于巡检人员在实践经验、专业水平等方面的差异，特别针对现场经验缺乏的巡检人员，仅通过自身视觉寻找并判断电力故障的区域，不仅诊断时间长，且容易出现漏检的情况，且录入信息由巡检人员操作决定，影响故障检测效率。

为了提升故障诊断效率，研究多采用红外图像故障检测技术，该技术通过红外辐射能量的强弱与温度大小成比例关系的这一特点，当电气设备存在潜在故障时，其区域呈现高温，高热的特性，因此研究人员借助温度阈值来划定故障界限。因此，如何准确提取故障区域是该技术的核心之一。徐雪涛提出采用PCNN模型的图像分割方法提取红外图像中故障区域，但是由于参数设置复杂，在图像参数自适应方面需要进一步增强。且由于电力故障红外图像相对于其他图像，容易出现伪边界及区域较小的问题，增加区域提取的复杂度。容易因此造成故障漏检，从而引发电气系统事故。为此，研究针对电力设备故障的区域的高效自适应的红外自动检测方法非常重要。

发明内容

本发明主要解决了PCNN算法因迭代次数的参数设置带来的效果不定问题。通过动态阈值的阈值估计与基于相似度选择原则设置算法的连接系数，可自适应通过迭代提取相似神经元，提升算法自适应处理能力，可不需要考虑迭代次数，将整个图像转化为脉冲序列信息，对故障区域进行定位。

本发明还解决了候选目标边界获取不够准确的问题。通过引入Canny算子对边界区域进行估计，根据脉冲序列中区域均值自高向低的判别机制，定位均值最大的区域作为故障区域。

本发明提出的上述技术问题主要是通过下述技术方案得以解决的：

本发明的目的是提供一种基于边界特征的改进PCNN电力故障图像空间定位方法，通过算法中动态阈值与连接系数的设置，提升了算法迭代次数的自适应处理能力，通过引入Canny算子对脉冲序列信息进行估计，解决了红外图像中故障区域提取以及定位不够准确的问题。

本发明的方法为一种基于边界特征的改进PCNN电力故障图像空间定位方法，具体包括以下步骤：

步骤1：构建电力故障图像PCNN处理模型；

步骤2：PCNN模型自适应迭代获取图像结果；

步骤3：引入Canny算子对多个区域边界估计，获取区域边缘点信息；

步骤4：根据区域边缘点信息进行故障区域定位；

作为优选，步骤1中所述PCNN模型为：

PCNN模型由输入层，耦合层和脉冲输出层构成；

在所述输入层，每一个神经元对应红外图像中的一个像素，从而构建要给二维神经网络，规定第i行第j列神经元的反馈输入F接收红外图像I区域空间中第i行第j列对应的灰度值I_i,j；

F_i,j[n]＝I_i,j ,i＝1,…M,j＝1,…,N

式中，M,N代表图像的行和列，n表示PCNN模型迭代次数；

而连接输入L接收其邻域神经元的点火信息：

其中，Y表示模型的脉冲输出；k_i,j表示PCNN神经网络中位于神经元(i,j)的8-邻域N_i,j坐标：

即(i-1,j),(i+1,j),(i,j-1),(i,j+1),(i+1,j),(i,j+1),(i-1,j-1),(i+1,j+1)；

W_k表示针对各个邻域神经元的权重，设计为：

其中，||k_i,j-(i,j)||₂表示邻域位置k_i,j与中心点(i,j)的欧式距离；

在所述耦合层，经邻域脉冲权重的累加，以第i行第j列的神经元为例，其内部活动U_i,j调节为

U_i,j[n]＝F_i,j[n]{1+βL_i,j[n]}

式中，L_i,j和F_i,j为所述第i行第j列神经元输入层信息，β为模型的连接输入参数，其值设置为与相应门限值θ_i,j、输入层参数相关联，设计为：

式中，第i行第j列神经元门限值θ_i,j与其输入信息F_i,j的差分体现出点火门限与未发放脉冲的神经元的距离，当θ_i,j大于F_i,j时，则对其3×3邻域进行比例缩小。

在所述输出层，通过一个脉冲生成器，对于上述所述的第i行第j列的内部活动即U_i,j超过其内部门限值即θ_i,j的神经元,则认为发生了点火，转换成相应的脉冲信息Y_i,j，形成脉冲输出，定义如下；

其中，Y_i,j值为1的神经元规定为发生点火的神经元，Y_i,j值为0则表示神经元未点火；

因此，这个神经元发生点火的门限值θ_i,j决定整个模型的结果输出；为了更好的对相似神经元的聚类，采用了一种以其发生点火的区域的均值作为聚类中心，定义为

其中，F_i,j表示第i行第j列神经元的输入，Y_i,j＝1表示神经元发放脉冲或发生点火，Φ为神经元发生点火的一个连续区域，因此得到的门限值θ_i,j针对不同的点火区域各不相同，进而为红外图像中各个故障区域提取奠定基础。

作为优选，步骤2中所述PCNN模型自适应迭代获取图像结果为：

PCNN迭代次数n为自适应增加，即从n＝1开始,每次自动增加1，直至停止迭代；

由所述步骤1中β和θ参数设置可知，该参数值会自动通过图像信息和神经网络的脉冲输出信息获得，确保PCNN模型能够自适应通过迭代提取相似灰度值的神经元，最终在迭代结束后会因图像自身区域特性而获得多个区域Φ_t,t＝1,2,…,T，T为区域个数，各个区域用PCNN神经网络脉冲输出的表达如下

Φ_t＝{(i,j)|Y_i,j},i＝1,…M；j＝1,…,N

式中，i和j代表图像的行和列，Y_i,j当前脉冲输出结果。这些区域与所述的门限值θ_i,j具有灰度相似性，以此对应于PCNN模型的脉冲序列输出，则存在多个发放脉冲的图像区域，Φ_t,t＝1,2,…,T。

作为优选，步骤3中所述引入Canny算子对多个区域边界估计具体为：

步骤3.1，红外图像预处理；

考虑到红外图像噪声复杂，这对于边界提取造成干扰，本案例利用高斯滤波器对红外图像进行平滑，从而避免噪声对边界检测的影响；

步骤3.2，梯度的幅值和方向的计算；

梯度计算由边界检测算子Canny算法执行，规定G为2维高斯函数：

式中：σ为标准差；(i,j)代表横、纵坐标点第i行第j列，x,y表示x轴和y轴；计算沿z方向的一阶方向导数为：

其中，为偏导算子，G_z为z方向偏导，

为高斯函数G的梯度算子

对于所述红外图像I，则图像中边缘的法向z定义为：

式中：*表示卷积，G为所述的高斯函数和I为红外图像；

步骤3.3，对梯度幅值进行非极大值抑制

在每个像素点周围以3×3模板进行非极大值抑制，由此得到区域边缘位于G_z与图像I在z方向上的局部最大位置处，即：

式中，f表示连续函数，在计算过程中以离散化的图像I进行求解。

步骤3.4，双阈值方法检测连接边缘；

步骤3中所述区域边缘点信息为：

规定梯度值为

v＝atan(G_i/G_j)

s.t.G_i＝|I_i-1,j-I_i+1,j|,G_j＝|I_i,j-1-I_i,j+1|

式中i，j分别为图像中的第i行和第j列，G_i和G_j表示在行和列方向求差分。在沿着正负梯度方向v上的两个像素，当这两个像素的灰度值I_p,q,I_m,n均大于梯度值g，则认为该点为强边缘点；

当g在这两个像素值的区间范围内，且在像素位置(i-1,j),(i+1,j),(i,j-1),(i,j+1)存在大于该梯度值g的像素点，则认为是弱边缘点；

其余情况，则认为该像素点不是边缘点；

基于所述的边缘点的确定，可进一步对步骤2中所生成的区域Φ_t,t＝1,2,…,T处理，对相邻区域中存在强边缘点，弱边缘点以及不存在边缘点的情况进行分析，为提取准确的故障定位点奠定基础；

作为优选，步骤4中所述根据区域边缘点信息进行故障区域定位为：

4.1区域的边界判别和区域合并；

由上述边界检测算法，针对存在强边界的区域，则不需要对该区域做进一步处理；

而针对步骤2.4所述的存在弱边界的区域，则需要进一步根据区域均值判定：

若红外图像空间中如果两个相邻区域存在弱边界，计算获得的边界信息与区域均值度量值：

Φ_m＝{(i,j)Y_i,j＝1}，m＝1,…,t

式中，η表示度量值，(i,j)表示第i行第j列的神经元位置点，F_ij为对应神经元的输入，t表示PCNN所生成的区域个数，|·|表示取绝对值，E_m表示第m个区域和第s个区域的边界：

E_m＝Φ_m∩Φ_s

m,s表示第m区域和第s个区域且相邻；

规定的η值在10％以上时便认定不具有相似性，不进行区域合并，否则进行区域合并，将较大均值较小的区域s合并到区域均值较大的m区域，具体为：

Φ_m＝Φ_m∪Φ_s

然后重新计算区域Ω_m均值，直至遍历所有的区域。

4.2定位点计算

在遍历完所有的区域之后，计算各个区域的均值，并进行排序

μ₁＞μ₂＞…＞μ_t＞…＞μ_p，

式中I_ij第i行第j列的灰度值，表示p为区域个数，μ_t表示第t个区域Φ_t的均值，此时将均值μ₁所对应的区域作为故障区域，同时，将对比下一个区域均值μ₂，以此类推，分别计算

式中，p为区域个数，λ为相似度因子规定该值大小在0.1以下时，被认为该区域为故障区域；

故障点位置可用十字符号描述，该点的位置为：

式中，(i,j)表示图像空间中第i行第j列，*表示卷积，h表示故障区域个数，Φl表示第l个故障区域，G表示先前所述的高斯窗函数。

本发明PCNN模型参数设计以及迭代机制自适应红外图像，并提高了故障区域检测及定位的准确性。

附图说明

图1为PCNN简化模型图；

图2为基于Canny算子的检测流程；

图3为红外检测图像；

图4为本案例PCNN方法获得的区域结果；

图5为测试图像2的PCNN区域分割结果三维图；

图6为本案例方法生成的结果图；

图7为基于交叉熵的自适应PCNN迭代区域分割结果；

图8为本发明方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了验证本案例方法的有效性，整个算法在Intel(R)Core(TM)i5 CPU，4GB内存的PC机的Matlab(2010b)上编程实现。

下面结合图1至图8介绍本发明的具体实施方式：一种基于边界特征的改进PCNN电力故障图像空间定位方法，具体包括以下步骤：

步骤1：构建电力故障图像PCNN处理模型；

步骤1.1，作为优选，步骤1中所述PCNN模型为：

PCNN模型由输入层，耦合层和脉冲输出层构成；

在所述输入层，每一个神经元对应红外图像中的一个像素，从而构建要给二维神经网络，规定第i行第j列神经元的反馈输入F接收红外图像I区域空间中第i行第j列对应的灰度值I_i,j；

F_i,j[n]＝I_i,j,i＝1,…M,j＝1,…,N

式中，M,N代表图像的行和列，n表示PCNN模型迭代次数；

而连接输入L接收其邻域神经元的点火信息：

其中，Y表示模型的脉冲输出；k_i,j表示PCNN神经网络中位于神经元(i,j)的8-邻域N_i,j坐标：

即(i-1,j),(i+1,j),(i,j-1),(i,j+1),(i+1,j),

(i,j+1),(i-1,j-1),(i+1,j+1)；

W_k表示针对各个邻域神经元的权重，设计为：

其中，||k_i,j-(i,j)||₂表示邻域位置k_i,j与中心点(i,j)的欧式距离；

在所述耦合层，经邻域脉冲权重的累加，以第i行第j列的神经元为例，其内部活动U_i,j调节为

U_i,j[n]＝F_i,j[n]{1+βL_i,j[n]}

式中，L_i,j和F_i,j为所述第i行第j列神经元输入层信息，β为模型的连接输入参数，其值设置为与相应门限值θ_i,j、输入层参数相关联，设计为：

式中，第i行第j列神经元门限值θ_i,j与其输入信息F_i,j的差分体现出点火门限与未发放脉冲的神经元的距离，当θ_i,j大于F_i,j时，则对其3×3邻域进行比例缩小。

在所述输出层，通过一个脉冲生成器，对于上述所述的第i行第j列的内部活动即U_i,j超过其内部门限值即θ_i,j的神经元,则认为发生了点火，转换成相应的脉冲信息Y_i,j，形成脉冲输出，定义如下；

其中，Y_i,j值为1的神经元规定为发生点火的神经元，Y_i,j值为0则表示神经元未点火；

因此，这个神经元发生点火的门限值θ_i,j决定整个模型的结果输出；为了更好的对相似神经元的聚类，采用了一种以其发生点火的区域的均值作为聚类中心，定义为

其中，F_i,j表示第i行第j列神经元的输入，Y_i,j＝1表示神经元发放脉冲或发生点火，Φ为神经元发生点火的一个连续区域，因此得到的门限值θ_i,j针对不同的点火区域各不相同，进而为红外图像中各个故障区域提取奠定基础。

步骤2：PCNN模型自适应迭代获取图像结果；

PCNN迭代次数n为自适应增加，即从n＝1开始,每次自动增加1，直至停止迭代；

由所述步骤1中β和θ参数设置可知，该参数值会自动通过图像信息和神经网络的脉冲输出信息获得，确保PCNN模型能够自适应通过迭代提取相似灰度值的神经元，最终在迭代结束后会因图像自身区域特性而获得多个区域Φ_t,t＝1,2,…,T，T为区域个数，各个区域用PCNN神经网络脉冲输出的表达如下

Φ_t＝{(i,j)|Y_i,j},i＝1,…M；j＝1,…,N

式中，i和j代表图像的行和列，Y_i,j当前脉冲输出结果。这些区域与所述的门限值θ_i,j具有灰度相似性，以此对应于PCNN模型的脉冲序列输出，则存在多个发放脉冲的图像区域，Φ_t,t＝1,2,…,T。

步骤3：引入Canny算子对多个区域边界估计，获取区域边缘点信息。

步骤3.1，红外图像预处理；

考虑到红外图像噪声复杂，这对于边界提取造成干扰，本案例利用高斯滤波器对红外图像进行平滑，从而避免噪声对边界检测的影响；

步骤3.2，梯度的幅值和方向的计算；

梯度计算由边界检测算子Canny算法执行，规定G为2维高斯函数：

式中：σ为标准差；(i,j)代表横、纵坐标点第i行第j列，x,y表示x轴和y轴；计算沿z方向的一阶方向导数为：

其中，

为偏导算子，G_z为z方向偏导，为高斯函数G的梯度算子

对于所述红外图像I，则图像中边缘的法向z定义为：

式中：*表示卷积，G为所述的高斯函数和I为红外图像；

步骤3.3，对梯度幅值进行非极大值抑制

在每个像素点周围以3×3模板进行非极大值抑制，由此得到区域边缘位于G_z与图像I在z方向上的局部最大位置处，即：

式中，f表示连续函数，在计算过程中以离散化的图像I进行求解。

步骤3.4，双阈值方法检测连接边缘；

步骤3中所述区域边缘点信息为：

规定梯度值为

v＝atan(G_i/G_j)

s.t.G_i＝|I_i-1,j-I_i+1,j|,G_j＝|I_i,j-1-I_i,j+1|

式中i，j分别为图像中的第i行和第j列，G_i和G_j表示在行和列方向求差分。在沿着正负梯度方向v上的两个像素，当这两个像素的灰度值I_p,q,I_m,n均大于梯度值g，则认为该点为强边缘点；

当g在这两个像素值的区间范围内，且在像素位置(i-1,j),(i+1,j),(i,j-1),(i,j+1)存在大于该梯度值g的像素点，则认为是弱边缘点；

其余情况，则认为该像素点不是边缘点；

基于所述的边缘点的确定，可进一步对步骤2中所生成的区域Φ_t,t＝1,2,…,T处理，对相邻区域中存在强边缘点，弱边缘点以及不存在边缘点的情况进行分析，为提取准确的故障定位点奠定基础；

步骤4：根据区域边缘点信息进行故障区域定位；

因在步骤2中所生成的区域Φ_t,t＝1,2,…,T中，区域与区域之间存在边界，而对于红外图像中的故障区域而言，通常包含有较亮灰度值以及存在边缘点特性，基于此，为了提高红外图像中故障区域提取并直观的显示故障区域的位置，本例执行如下两个步骤进行处理。

4.1区域的边界判别和区域合并；

由上述边界检测算法，针对存在强边界的区域，则不需要对该区域做进一步处理；

而针对步骤2.4所述的存在弱边界的区域，则需要进一步根据区域均值判定：

若红外图像空间中如果两个相邻区域存在弱边界，计算获得的边界信息与区域均值度量值：

Φ_m＝{(i,j)|Y_i,j＝1}，m＝1,…,t

式中，η表示度量值，(i,j)表示第i行第j列的神经元位置点，F_ij为对应神经元的输入，t表示PCNN所生成的区域个数，|·|表示取绝对值，E_m表示第m个区域和第s个区域的边界：

E_m＝Φ_m∩Φ_s

m,s表示第m区域和第s个区域且相邻；

规定的η值在10％以上时便认定不具有相似性，不进行区域合并，否则进行区域合并，将较大均值较小的区域s合并到区域均值较大的m区域，具体为：

Φ_m＝Φ_m∪Φ_s

然后重新计算区域Ω_m均值，直至遍历所有的区域。

4.2定位点计算

在遍历完所有的区域之后，计算各个区域的均值，并进行排序

μ₁＞μ₂＞…＞μ_t＞…＞μ_p，

式中I_ij第i行第j列的灰度值，表示p为区域个数，μ_t表示第t个区域Φ_t的均值，此时将均值μ₁所对应的区域作为故障区域，同时，将对比下一个区域均值μ₂，以此类推，分别计算

式中，p为区域个数，λ为相似度因子规定该值大小在0.1以下时，被认为该区域为故障区域；

故障点位置可用十字符号描述，该点的位置为：

式中，(i,j)表示图像空间中第i行第j列，*表示卷积，h表示故障区域个数，Φl表示第l个故障区域，G表示先前所述的高斯窗函数。

图4出了本案例PCNN模型得到的初步脉冲序列结果图，其中每个脉冲区域采用区域均值进行填充。不难发现，每个图像都分割成为了多个具有相似灰度的区域，且PCNN最先获得的时间序列(Y^t,t＝1)基本上分离了故障区域与背景区域。然而，直接采用灰度较高的区域作为最终的分割结果，可能会丢失部分故障区域，例如故障图像2的分割结果，由迭代最终结果的三维图图5可知，故障区域包含了紫红、红色、桔黄三色区域，分别由A、B、C表示，其中紫红色区域代表亮度最高。采用辅助的Canny算子的检测，图6给出了本案例方法最终的提取结果，从中可以看出，这些区域很好地对应了原始图像中的高热故障区域，从而说明本案例方法的有效性。

进一步地，为了比对与现有经典PCNN分割方法的性能，图7给出了PCNN交叉熵^[8]自适应提取结果。由结果可知，这些结果在一定程度上偏离了实际故障区域，增加了后续的故障辨识等处理难度。此外，表1给出了与实际的故障区域完整性的对比，本案例方法得到的误分类错误最小。

表1误分类错误指标

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于边界特征的改进PCNN电力故障图像空间定位方法，具体包括以下步骤：

步骤1：构建电力故障图像PCNN处理模型；

步骤2：PCNN模型自适应迭代获取图像结果；

步骤3：引入Canny算子对多个区域边界估计，获取区域边缘点信息；

步骤4：根据区域边缘点信息进行故障区域定位。

2.根据权利要求1所述的基于边界特征的改进PCNN电力故障图像空间定位方法，其特征在于：步骤1中所述PCNN模型为：

PCNN模型由输入层，耦合层和脉冲输出层构成；

在所述输入层，每一个神经元对应红外图像中的一个像素，从而构建要给二维神经网络，规定第i行第j列神经元的反馈输入F接收红外图像I区域空间中第i行第j列对应的灰度值I_i,j；

F_i,j[n]＝I_i,j,i＝1,…M,j＝1,…,N

式中，M,N代表图像的行和列，n表示PCNN模型迭代次数；

而连接输入L接收其邻域神经元的点火信息：

其中，Y表示模型的脉冲输出；k_i,j表示PCNN神经网络中位于神经元(i,j)的8-邻域N_i,j坐标：

即(i-1,j),(i+1,j),(i,j-1),(i,j+1),(i+1,j),(i,j+1),(i-1,j-1),(i+1,j+1)；

W_k表示针对各个邻域神经元的权重，设计为：

其中，||k_i,j-(i,j)||₂表示邻域位置k_i,_j与中心点(i,j)的欧式距离；

在所述耦合层，经邻域脉冲权重的累加，以第i行第j列的神经元为例，其内部活动U_i,j调节为

U_i,j[n]＝F_i,j[n]{1+βL_i,j[n]}

式中，L_i,j和F_i,j为所述第i行第j列神经元输入层信息，β为模型的连接输入参数，其值设置为与相应门限值θ_i,j、输入层参数相关联，设计为：

式中，第i行第j列神经元门限值θ_i,j与其输入信息F_i,j的差分体现出点火门限与未发放脉冲的神经元的距离，当θ_i,j大于F_i,j时，则对其3×3邻域进行比例缩小；

在所述输出层，通过一个脉冲生成器，对于上述所述的第i行第j列的内部活动即U_i,j超过其内部门限值即θ_i,j的神经元,则认为发生了点火，转换成相应的脉冲信息Y_i,j，形成脉冲输出，定义如下；

其中，Y_i,j值为1的神经元规定为发生点火的神经元，Y_i,j值为0则表示神经元未点火；

因此，这个神经元发生点火的门限值θ_i,j决定整个模型的结果输出；为了更好的对相似神经元的聚类，采用了一种以其发生点火的区域的均值作为聚类中心，定义为

其中，F_i,j表示第i行第j列神经元的输入，Y_i,j＝1表示神经元发放脉冲或发生点火，Φ为神经元发生点火的一个连续区域，因此得到的门限值θ_i,j针对不同的点火区域各不相同，进而为红外图像中各个故障区域提取奠定基础。

3.根据权利要求1所述的基于边界特征的改进PCNN电力故障图像空间定位方法，其特征在于：步骤2中所述PCNN模型自适应迭代获取图像结果为：

PCNN迭代次数n为自适应增加，即从n＝1开始,每次自动增加1，直至停止迭代；

由所述步骤1中β和θ参数设置可知，该参数值会自动通过图像信息和神经网络的脉冲输出信息获得，确保PCNN模型能够自适应通过迭代提取相似灰度值的神经元，最终在迭代结束后会因图像自身区域特性而获得多个区域Φ_t,t＝1,2,…,T，T为区域个数，各个区域用PCNN神经网络脉冲输出的表达如下

Φ_t＝{(i,j)|Y_i,j},i＝1,…M；j＝1,…,N

式中，i和j代表图像的行和列，Y_i,j当前脉冲输出结果，这些区域与所述的门限值θ_i,j具有灰度相似性，以此对应于PCNN模型的脉冲序列输出，则存在多个发放脉冲的图像区域，Φ_t,t＝1,2,…,T。

4.根据权利要求1所述的基于边界特征的改进PCNN电力故障图像空间定位方法，其特征在于：步骤3中所述引入Canny算子对多个区域边界估计具体为：

步骤3.1，红外图像预处理；

考虑到红外图像噪声复杂，这对于边界提取造成干扰，本案例利用高斯滤波器对红外图像进行平滑，从而避免噪声对边界检测的影响；

步骤3.2，梯度的幅值和方向的计算；

梯度计算由边界检测算子Canny算法执行，规定G为2维高斯函数：

式中：σ为标准差；(i,j)代表横、纵坐标点第i行第j列，x,y表示x轴和y轴；计算沿z方向的一阶方向导数为：

其中，

为偏导算子，G_z为z方向偏导，

为高斯函数G的梯度算子

对于所述红外图像I，则图像中边缘的法向z定义为：

式中：*表示卷积，G为所述的高斯函数和I为红外图像；

步骤3.3，对梯度幅值进行非极大值抑制

在每个像素点周围以3×3模板进行非极大值抑制，由此得到区域边缘位于G_z与图像I在z方向上的局部最大位置处，即：

式中，f表示连续函数，在计算过程中以离散化的图像I进行求解；

步骤3.4，双阈值方法检测连接边缘；

步骤3中所述区域边缘点信息为：

规定梯度值为

v＝atan(G_i/G_j)

s.t.G_i＝|I_i-1,j-I_i+1,j|,G_j＝|I_i,j-1-I_i,j+1|

式中i，j分别为图像中的第i行和第j列，G_i和G_j表示在行和列方向求差分；在沿着正负梯度方向v上的两个像素，当这两个像素的灰度值I_p,q,I_m,n均大于梯度值g，则认为该点为强边缘点；

当g在这两个像素值的区间范围内，且在像素位置

(i-1,j),(i+1,j),(i,j-1),(i,j+1)存在大于该梯度值g的像素点，则认为是弱边缘点；

其余情况，则认为该像素点不是边缘点；

基于所述的边缘点的确定，可进一步对步骤2中所生成的区域Φ_t,t＝1,2,…,T处理，对相邻区域中存在强边缘点，弱边缘点以及不存在边缘点的情况进行分析，为提取准确的故障定位点奠定基础。

5.根据权利要求1所述的基于边界特征的改进PCNN电力故障图像空间定位方法，其特征在于：

步骤4中所述根据区域边缘点信息进行故障区域定位为：

4.1 区域的边界判别和区域合并；

由上述边界检测算法，针对存在强边界的区域，则不需要对该区域做进一步处理；

而针对步骤2.4所述的存在弱边界的区域，则需要进一步根据区域均值判定：

若红外图像空间中如果两个相邻区域存在弱边界，计算获得的边界信息与区域均值度量值：

Φ_m＝{(i,j)|Y_i,j＝1}，m＝1,…,t

式中，η表示度量值，(i,j)表示第i行第j列的神经元位置点，F_ij为对应神经元的输入，t表示PCNN所生成的区域个数，|·|表示取绝对值，E_m表示第m个区域和第s个区域的边界：

E_m＝Φ_m∩Φ_s

m,s表示第m区域和第s个区域且相邻；

规定的η值在10％以上时便认定不具有相似性，不进行区域合并，否则进行区域合并，将较大均值较小的区域s合并到区域均值较大的m区域，具体为：

Φ_m＝Φ_m∪Φ_s

然后重新计算区域Ω_m均值，直至遍历所有的区域；

4.2 定位点计算

在遍历完所有的区域之后，计算各个区域的均值，并进行排序

μ₁＞μ₂＞…＞μ_t＞…＞μ_p，

式中I_ij第i行第j列的灰度值，表示p为区域个数，μ_t表示第t个区域Φ_t的均值，此时将均值μ₁所对应的区域作为故障区域，同时，将对比下一个区域均值μ₂，以此类推，分别计算

式中，p为区域个数，λ为相似度因子规定该值大小在0.1以下时，被认为该区域为故障区域；

故障点位置可用十字符号描述，该点的位置为：

式中，(i,j)表示图像空间中第i行第j列，*表示卷积，h表示故障区域个数，Φl表示第l个故障区域，G表示先前所述的高斯窗函数。

Images