CN111079750B - 一种基于局部区域聚类的电力设备故障区域提取方法 - Google Patents
一种基于局部区域聚类的电力设备故障区域提取方法 Download PDFInfo
- Publication number
- CN111079750B CN111079750B CN201911279704.6A CN201911279704A CN111079750B CN 111079750 B CN111079750 B CN 111079750B CN 201911279704 A CN201911279704 A CN 201911279704A CN 111079750 B CN111079750 B CN 111079750B
- Authority
- CN
- China
- Prior art keywords
- clustering
- region
- neighborhood
- target
- pixels
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于局部区域聚类的电力设备故障区域提取方法。本发明构建电力故障图像的Mediodshift区域聚类模型;根据Mediodshift区域聚类特性调整邻域像素的灰度;对调整后邻域像素再进行局部区域聚类;阈值自高向低变化直至故障区域聚类完成;提高对整幅图像中故障区域像素聚类效率。本发明优点为局部区域Mediodshift聚类以及调整邻域相似灰度;自高向低的聚类阈值分割机制提升故障区域提取效率。
Description
技术领域
本发明属于电力故障检测领域,尤其涉及一种基于局部区域聚类的电力设备故障区域提取方法。
背景技术
红外热成像仪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工具,能有效的发现系统故障并快速成像记录,具有检测速度快、准确率高、费用低、灵敏性好和安全性高等优点。然而,传统的电力设备故障红外诊断时,通常需要运维人员对电力设备故障红外图像的认知以及人工方式采集、录入、上传等操作,使得整个检测过程效率低下,特别对于含有众多电力设备的变电站,人工诊断将变得异常繁琐。
近年来,随着人工智能的兴起,一些智能化的电力设备运检装置得到了国内外学者的广泛研究,例如智能巡检机器人、巡检无人机等,其通过携带红外热像仪等装置,在线捕获电力设备红外成像信息,并传至控制室再进行人工分析。尽管这种方式减少了人工采集图片的工作量,但是仍然需要依赖人工诊断与处理。
随着图像处理技术的发展以及智能化、自动化诊断的迫切需求,研究者开始着手采用计算机视觉、模式识别等技术解决电力设备故障智能预防、检测等问题。一般而言,智能化诊断包含了红外图像感兴趣区域的提取、分类、识别等主要过程,其中感兴趣区域(故障区域)的提取是整个系统中首要解决的关键内容,它在一定程度上决定了后续故障辨识的成败,也影响电力设备状态信息的分析。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Mediodshift算法自适应迭代获取相似特性的局部区域。通过对区域聚类中心计算以及对灰度值介于两个均值之间的像素进行灰度调整,激励具有相似灰度值的像素进行局部聚类,惩罚具有相似灰度值的像素聚类,提升算法局部聚类性能,可不需要考虑迭代次数。
本发明还解决了整幅红外图像故障区域提取效率的问题。通过引入阈值自高向低的分割机制,可直接对已经分割得到的区域进行邻域像素聚类,可不需要重新对整幅图像进行全局Mediodshift聚类。
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局部区域聚类的电力设备故障区域提取方法,通过mediodshift算法对局部区域像素的聚类,并提供了邻域像素的灰度调节机制,激励具有相似灰度值的像素进行聚类,提升了算法对故障区域灰度不均匀等情况下的自适应聚类能力;引入阈值自高向低的分割机制,解决了红外图像中用聚类方法提取故障区域速度慢的问题。
本发明的方法为一种基于局部区域聚类的电力设备故障区域提取算法,具体包括以下步骤:
步骤1:构建电力故障图像的Mediodshift区域聚类模型;
步骤2:根据Mediodshift区域聚类特性调整邻域像素的灰度;
步骤3:对调整后邻域像素进行局部区域聚类;
步骤4:阈值自高向低变化,循环步骤2-4,直至故障区域聚类完成。
作为优选,步骤1中所述Mediodshift区域聚类模型为:
假设给定采样点xi∈Rd,i=1,…,n,则点x处的概率密度估计为:
其中,Φ(·)为高斯核函数,h为固定带宽,d表示维数,则聚类中心点可以通过最小化下式:
迭代得到,其中下标k表示迭代次数;yk表示当前中心点的位置;yk+1为迭代到下一步的中心点,且选自样本集{xi}中满足上式的一个点;φ(x)=-Φ′(x),对等上式右边一阶导估计yk+1,可得
由于在迭代过程中,yk是来自样本集{xi}中点。必然地,yk+1属于样本集;
因此,在不断的迭代情况下,每一次得到的样本中心点都只需要计算在样本集中{xi}的结果,最终当前的样本中心会收敛到了概率密度极大的中心位置;
由于二维图像空间平面和灰度空间是两个独立的空间,因此本文将每个空间的核进行相乘,组合得到新的核函数:
其中Φ(·)为高斯核函数,hs为图像空间带宽,hr是灰度带宽,C为归一化常数,x为采样点,包含了图像空间特征xs以及灰度空间特征xr;
作为优选,步骤2中所述根据Mediodshift区域聚类特性调整邻域像素的灰度,具体方法为:
令m2(n)和m1(n)分别为目标区域Ω2(n)和背景区域Ω1(n)的均值,n为迭代次数,整个图像区间满足Ω=Ω1∪Ω2;
任取一个像素x∈N,如果该点的灰度值大于m2(n),则必然会通过Medioshift归类为目标;而对于灰度值小于m1(n),则迭代时Mediodshift会将其归类为背景;然而当该点的灰度值介于(m1(n),m2(n))之间,则该像素的聚类会间接影响最终完整区域提取性能的优劣;
因此,为了能够获取目标邻域相似灰度的像素,建立了如下的调整方法:
其中,I(x)表示像素x的灰度值;ci,i=1,2,3分别为系数,其累加和为1;sign()为符号项;
由上式可知,右边由三部分构成,分别是激励项,自身项以及惩罚项。其中,自身项系数c2通常占据一定的比例;而其他两项由其区域特性决定。激励项c1,主要由该像素x的邻域中是否含有目标像素的多少决定,设置为:
其中k为其邻域像素中属于目标的个数,当该像素邻域目标像素较多时,其本身为目标的概率也会因此而增加。而惩罚项因子c3主要由该像素灰度值是否处于目标和背景中间而进行惩罚,特别是低于中间值时,其得到的灰度值会降低,使得其不再被Mediodshift聚类;
作为优选,步骤3中所述对调整后邻域像素进行局部区域聚类,具体为:
在Mediodshift迭代聚类分割中,通常规定背景区域Ω1标记为0,目标区域Ω2标记为1,分别表示为Ω1={z|Rz(n)=0,z∈Ω}和Ω2={z|Rz(n)=1,z∈Ω},其中R为整个图像Ω的聚类结果,n代表迭代时刻;
其中,规定局部区域为在每次迭代过程中所产生的目标区域到背景区域的过渡区域;
由此,可得到局部区域N为:
N(n)={x|Mx(n)=1}∩{x|Rx(n-1)=0}
式中为了获得邻域集合N,引入了数学形态学中的膨胀处理,由当前迭代得到的目标区域Ω2进行膨胀,得到M为:
为了获得目标区域Ω2的邻域空间像素,在构造结构算子时采用方形,r为3的全1矩阵,以获取8-邻域空间像素;
针对邻域像素x∈N,采用Medoidshift对局部区域N的像素进行分类判别;
在规定标记区域为目标的情况下,当迭代得到的收敛点落入目标区域,则认为该候选像素为目标像素,即归类为Ω2;
相对应地,会得到一组均值{mi(n)}i=1,2;
作为优选,步骤4中所述阈值自高向低变化直至局部区域聚类完成,具体为:
引入了阈值分割机制,即采用当前的目标聚类均值m2(n)对整个图像进行分割,然后针对新的区域采用对邻域进行聚类,从而实现整幅图像中故障区域的聚类。
本发明优点在于:
局部区域Mediodshift聚类以及调整邻域相似灰度;
自高向低的聚类阈值分割机制提升故障区域提取效率。
附图说明
图1:为局部区域示意图;
图2:为红外检测图像;
图3:为本案例获得的区域结果;
图4:为Meanshift算法分割结果;
图5:为Meanshift+spatial算法分割结果;
图6:为参数c2的变化得到的分割结果,从左到右c2依次为0.5,0.6,0.7,0.8,0.9;
图7: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。
下面结合图1至图7介绍本发明的具体实施方式:一种基于局部区域聚类的电力设备故障区域提取方法,具体包括以下步骤:
步骤1:构建电力故障图像的Mediodshift区域聚类模型;
步骤1中所述Mediodshift区域聚类模型为:
假设给定采样点xi∈Rd,i=1,…,n,则点x处的概率密度估计为
其中Φ(·)为高斯核函数,h为固定带宽,d表示维数,则聚类中心点可以通过最小化下式
迭代得到,其中下标k表示迭代次数;yk表示当前中心点的位置;yk+1为迭代到下一步的中心点,且选自样本集{xi}中满足上式的一个点;φ(x)=-Φ′(x)。对等上式右边一阶导估计yk+1,可得
由于在迭代过程中,yk是来自样本集{xi}中点。必然地,yk+1属于样本集。因此,在不断的迭代情况下,每一次得到的样本中心点都只需要计算在样本集中{xi}的结果,最终当前的样本中心会收敛到了概率密度极大的中心位置。
由于二维图像空间平面和灰度空间是两个独立的空间,因此本文将每个空间的核进行相乘,组合得到新的核函数:
其中Φ(·)为高斯核函数,hs为图像空间带宽,hr是灰度带宽,C为归一化常数,x为采样点,包含了图像空间特征xs以及灰度空间特征xr。
步骤2:根据Mediodshift区域聚类特性调整邻域像素的灰度;
步骤2中所述根据Mediodshift区域聚类调整邻域像素的灰度,具体为:
令m2(n)和m1(n)分别为目标区域Ω2(n)和背景区域Ω1(n)的均值,n为迭代次数,整个图像区间满足Ω=Ω1∪Ω2。任取一个像素x∈N,如果该点的灰度值大于m2(n),则必然会通过Medioshift归类为目标;而对于灰度值小于m1(n),则迭代时Mediodshift会将其归类为背景;然而当该点的灰度值介于(m1(n),m2(n))之间,则该像素的聚类会间接影响最终完整区域提取性能的优劣。因此,为了能够获取目标邻域相似灰度的像素,本文建立了如下的调整方法
其中I(x)表示像素x的灰度值;ci,i=1,2,3分别为系数,其累加和为1;sign()为符号项。
由上式可知,右边由三部分构成,分别是激励项,自身项以及惩罚项。其中,自身项系数c2通常占据一定的比例;而其他两项由其区域特性决定。激励项c1,主要由该像素x的邻域中是否含有目标像素的多少决定,设置为
其中k为其邻域像素中属于目标的个数,当该像素邻域目标像素较多时,其本身为目标的概率也会因此而增加。而惩罚项因子c3主要由该像素灰度值是否处于目标和背景中间而进行惩罚,特别是低于中间值时,其得到的灰度值会降低,使得其不再被Mediodshift聚类。
步骤3:对调整后邻域像素进行局部区域聚类;
步骤3中所述对邻域像素进行局部区域聚类具体为:
在Mediodshift迭代聚类分割中,通常规定背景区域Ω1标记为0,目标区域Ω2标记为1,分别表示为Ω1={z|Rz(n)=0,z∈Ω}和Ω2={z|Rz(n)=1,z∈Ω},其中R为整个图像Ω的聚类结果,n代表迭代时刻。
为了更好的描述局部区域,图1给出了局部区域的示意图,其中规定局部区域为在每次迭代过程中所产生的目标区域到背景区域的过渡区域。由此,可得到局部区域N为N(n)={x|Mx(n)=1}∩{x|Rx(n-1)=0}
式中为了获得邻域集合N,引入了数学形态学中的膨胀处理,由当前迭代得到的目标区域Ω2进行膨胀,得到M为
了解局部区域N所具有的特性对于提高图像故障区域提取的完整性具有很重要的意义。首先,由图像的空间连续性可知,区域N隐含了目标和背景的一个过渡地带。当区域N中存在部分目标像素时,则通常可以通过进一步细分将其分离,提高图像区域相似像素聚类性能。
针对邻域像素x∈N,采用Medoidshift对局部区域N的像素进行分类判别。为了降低Medoidshift聚类时间复杂度,在规定标记区域为目标的情况下,当迭代得到的收敛点落入目标区域,则认为该候选像素为目标像素,即归类为Ω2。为使算法更具有实用性,规定标记为目标区域像素不再重新分类,使得在迭代过程中满足背景区域则满足相对应地,会得到一组均值{mi(n)}i=1,2。另外,考虑到故障区域中存在的灰度分布不均匀,使得聚类过程中概率密度函数陷入局部极值点,引发聚类过程中将整个区域分离成多类。为此,采用步骤2对邻域像素进行灰度调整,为提取完整的故障区域奠定基础。
步骤4:阈值自高向低变化直至局部区域聚类完成;
步骤4中所述阈值自高向低变化直至局部区域聚类完成,具体为:
为了提升Mediodshift全局聚类速度,摒弃了Mediodshift遍历整个图像平面对故障区域像素聚类的方法,
引入了阈值分割机制,即采用当前的目标聚类均值m2(n)对整个图像进行分割,然后针对新的区域采用对邻域进行聚类,从而实现整幅图像中故障区域的聚类。
图7为本发明方法流程图。
图2给出了三幅典型的红外检测图像。图3给出了本案例局部区域聚类的电力设备故障区域提取方法结果图,案例中设置带宽为0.2,设置c2为0.8。所提方法对较高亮度区域的邻域进行聚类,并根据步骤2的邻域像素调整机制,使得Mediodshift算法对邻域像素进行有效聚类,最终获得较为完整的故障区域,从而说明本案例方法的有效性。
进一步地,比对现有Meanshift及其Meanshift+spatial算法的性能,图4和图5分别给出了Meanshift以及Meanshift+spatial算法提取结果。由结果可知,Meanshift在一定程度上,能够将图像区域分离成多个区域,表现出一定的分割性能。Meanshift+spatial分割显然比Meanshift更具有优势,特别是针对第2幅红外图像和第3幅红外图像的分割。由于Meanshift聚类分割方法是将整个图像像素进行全局分类,因此在一定程度上会将整幅图像分割成多类,尽管灰度最高的一类是潜在的故障区域,但因带宽参数的影响,使得故障区域分割并不完整。此外,表1给出了上述算法的运行时间对比,本案例方法要优于经典的Meanshift以及Meanshift+spatial方法,从而说明本案例在提升故障区域提取效率的有效性。
表1运行时间对比(单位:秒)
方法 | 图像1 | 图像2 | 图像3 |
Meanshift | 4.0336 | 9.4451 | 7.6125 |
Meanshift+spatial | 96.7244 | 93.1552 | 73.8458 |
本案例方法 | 0.9691 | 0.9535 | 1.8236 |
为了能够更好地体现Mediodshift对灰度不均匀像素聚类的有效性,本案例添加了对邻域像素的调整策略,特别是针对参数c2,该值的设置会在一定程度上影响邻域聚类效果。为了验证案例中主要参数c2对最终区域提取结果的影响,依次设置为0.5,0.6,0.7,0.8,0.9进行实验。图6给出了相应的提取结果,其中c2=0.8具有较好的效果。值得注意的是,参数c2对于邻域像素聚类中,邻域像素值的调整在一定程度上能够使得其聚类更佳合理。通常,这个值可根据红外图像中故障区域灰度变化不同而进行调整。
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 (2)
1.一种基于局部区域聚类的电力设备故障区域提取方 法,其特征在于,包括以下步骤:
步骤1:构建电力故障图像的Mediodshift区域聚类模型;
步骤2:根据Mediodshift区域聚类特性调整邻域像素的灰度;
步骤3:对调整后邻域像素进行局部区域聚类;
步骤4:阈值自高向低变化,循环步骤2-4,直至故障区域聚类完成;
步骤2中所述根据Mediodshift区域聚类特性调整邻域像素的灰度,具体方法为:
令m2(n)和m1(n)分别为目标区域Ω2(n)和背景区域Ω1(n)的均值,n为迭代次数,整个图像区间满足Ω=Ω1∪Ω2;
任取一个像素x∈N,如果该点的灰度值大于m2(n),则必然会通过Medioshift归类为目标;而对于灰度值小于m1(n),则迭代时Mediodshift会将其归类为背景;然而当该点的灰度值介于(m1(n),m2(n))之间,则该像素的聚类会间接影响最终完整区域提取性能的优劣;
因此,为了能够获取目标邻域相似灰度的像素,建立了如下的调整方法:
其中,I(x)表示像素x的灰度值;ci,i=1,2,3分别为系数,其累加和为1;sign()为符号项;
由上式可知,右边由三部分构成,分别是激励项,自身项以及惩罚项;其中,自身项系数c2占据一定的比例;而其他两项由其区域特性决定;激励项c1,主要由该像素x的邻域中是否含有目标像素的多少决定,设置为:
其中k为其邻域像素中属于目标的个数,当该像素邻域目标像素较多时,其本身为目标的概率也会因此而增加;而惩罚项因子c3主要由该像素灰度值是否处于目标和背景中间而进行惩罚,特别是低于中间值时,其得到的灰度值会降低,使得其不再被Mediodshift聚类;
步骤3中所述对调整后邻域像素进行局部区域聚类,具体为:
在Mediodshift迭代聚类分割中,规定背景区域Ω1标记为0,目标区域Ω2标记为1,分别表示为Ω1={z|Rz(n)=0,z∈Ω}和Ω2={z|Rz(n)=1,z∈Ω},其中R为整个图像Ω的聚类结果,n代表迭代时刻;
其中,规定局部区域为在每次迭代过程中所产生的目标区域到背景区域的过渡区域;
由此,可得到局部区域N为:
N(n)={x|Mx(n)=1}∩{x|Rx(n-1)=0}
式中为了获得邻域集合N,引入了数学形态学中的膨胀处理,由当前迭代得到的目标区域Ω2进行膨胀,得到M为:
为了获得目标区域Ω2的邻域空间像素,在构造结构算子时采用方形,r为3的全1矩阵,以获取8-邻域空间像素;
针对邻域像素x∈N,采用Medoidshift对局部区域N的像素进行分类判别;
在规定标记区域为目标的情况下,当迭代得到的收敛点落入目标区域,则认为该候选像素为目标像素,即归类为Ω2;
相对应地,会得到一组均值{mi(n)}i=1,2;
步骤4中所述阈值自高向低变化直至局部区域聚类完成,具体为:
引入了阈值分割机制,即采用当前的目标聚类均值m2(n)对整个图像进行分割,然后针对新的区域采用对邻域进行聚类,从而实现整幅图像中故障区域的聚类。
2.根据权利要求1所述的基于局部区域聚类的电力设备故障区域提取方 法,其特征在于:步骤1中所述Mediodshift区域聚类模型为:
假设给定采样点xi∈Rd,i=1,…,n,则点x处的概率密度估计为:
其中,Φ(·)为高斯核函数,h为固定带宽,d表示维数,则聚类中心点可以通过最小化下式:
迭代得到,其中下标k表示迭代次数;yk表示当前中心点的位置;yk+1为迭代到下一步的中心点,且选自样本集{xi}中满足上式的一个点;
对等上式右边一阶导估计yk+1,可得
由于在迭代过程中,yk是来自样本集{xi}中点,必然地,yk+1属于样本集;
因此,在不断的迭代情况下,每一次得到的样本中心点都只需要计算在样本集中{xi}的结果,最终当前的样本中心会收敛到了概率密度极大的中心位置;
由于二维图像空间平面和灰度空间是两个独立的空间,因此本文将每个空间的核进行相乘,组合得到新的核函数:
其中Φ(·)为高斯核函数,hs为图像空间带宽,hr是灰度带宽,C为归一化常数,x为采样点,包含了图像空间特征xs以及灰度空间特征xr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911279704.6A CN111079750B (zh) | 2019-12-13 | 2019-12-13 | 一种基于局部区域聚类的电力设备故障区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911279704.6A CN111079750B (zh) | 2019-12-13 | 2019-12-13 | 一种基于局部区域聚类的电力设备故障区域提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079750A CN111079750A (zh) | 2020-04-28 |
CN111079750B true CN111079750B (zh) | 2022-05-24 |
Family
ID=70314451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911279704.6A Active CN111079750B (zh) | 2019-12-13 | 2019-12-13 | 一种基于局部区域聚类的电力设备故障区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079750B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630869A (zh) * | 2013-11-29 | 2014-03-12 | 国网安徽省电力公司 | 基于聚类算法对异常事件分析评价电能表整体状态的方法 |
CN106202922A (zh) * | 2016-07-06 | 2016-12-07 | 吴本刚 | 一种基于聚类算法的变压器故障诊断系统 |
CN107292882A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
CN108416294A (zh) * | 2018-03-08 | 2018-08-17 | 南京天数信息科技有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8948596B2 (en) * | 2011-07-01 | 2015-02-03 | CetusView Technologies, LLC | Neighborhood node mapping methods and apparatus for ingress mitigation in cable communication systems |
-
2019
- 2019-12-13 CN CN201911279704.6A patent/CN111079750B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630869A (zh) * | 2013-11-29 | 2014-03-12 | 国网安徽省电力公司 | 基于聚类算法对异常事件分析评价电能表整体状态的方法 |
CN106202922A (zh) * | 2016-07-06 | 2016-12-07 | 吴本刚 | 一种基于聚类算法的变压器故障诊断系统 |
CN107292882A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
CN108416294A (zh) * | 2018-03-08 | 2018-08-17 | 南京天数信息科技有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
Non-Patent Citations (1)
Title |
---|
Yaser Ajmal Sheikh ; Erum Arif Khan ; Takeo Kanade.Mode-seeking by Medoidshifts.《2007 IEEE 11th International Conference on Computer Vision》.2007,第1-8页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111079750A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
Dornaika et al. | Building detection from orthophotos using a machine learning approach: An empirical study on image segmentation and descriptors | |
Zhao et al. | Optimal-selection-based suppressed fuzzy c-means clustering algorithm with self-tuning non local spatial information for image segmentation | |
CN106778687B (zh) | 基于局部评估和全局优化的注视点检测方法 | |
CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
CN105260738A (zh) | 基于主动学习的高分辨率遥感影像变化检测方法及系统 | |
CN109034066B (zh) | 基于多特征融合的建筑物识别方法 | |
CN106815576B (zh) | 基于连续时空置信图和半监督极限学习机的目标追踪方法 | |
CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
CN109034035A (zh) | 基于显著性检测和特征融合的行人重识别方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN103971384B (zh) | 一种无线视频传感器节点协作目标跟踪方法 | |
CN103049340A (zh) | 基于纹理上下文约束的视觉词汇的图像超分辨率重建方法 | |
CN114972312A (zh) | 基于YOLOv4-Tiny改进的绝缘子缺陷检测方法 | |
CN111429485B (zh) | 基于自适应正则化和高信度更新的跨模态滤波跟踪方法 | |
CN111047603A (zh) | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 | |
Mohammed Abdelkader et al. | A self-adaptive exhaustive search optimization-based method for restoration of bridge defects images | |
CN107423771A (zh) | 一种两时相遥感图像变化检测方法 | |
CN105374029A (zh) | 变电站设备红外图像感兴趣区域的分割方法及系统 | |
CN114495170A (zh) | 一种基于局部抑制自注意力的行人重识别方法及系统 | |
Gu et al. | Thermal image colorization using Markov decision processes | |
CN111079750B (zh) | 一种基于局部区域聚类的电力设备故障区域提取方法 | |
CN110570450B (zh) | 一种基于级联的上下文感知框架的目标跟踪方法 | |
Zhao | Motion track enhancement method of sports video image based on otsu algorithm | |
CN108765384B (zh) | 一种联合流形排序和改进凸包的显著性检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |