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

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

一种基于局部区域聚类的电力设备故障区域提取方法

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x_i∈R^d，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；y_k表示当前中心点的位置；y_k+1为迭代到下一步的中心点，且选自样本集{x_i}中满足上式的一个点；φ(x)＝-Φ′(x)，对等上式右边一阶导估计y_k+1，可得

由于在迭代过程中，y_k是来自样本集{x_i}中点。必然地，y_k+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{x_i}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，h_s为图像空间带宽，h_r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x^s以及灰度空间特征x^r；

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；c_i,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|R_z(n)＝0,z∈Ω}和Ω₂＝{z|R_z(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|M_x(n)＝1}∩{x|R_x(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：

其中，

表示膨胀符号，B为一个r×r的结构算子。通常，这个结构算子包含圆形、方形和棱形等；

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；

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{m_i(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x_i∈R^d，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；y_k表示当前中心点的位置；y_k+1为迭代到下一步的中心点，且选自样本集{x_i}中满足上式的一个点；φ(x)＝-Φ′(x)。对等上式右边一阶导估计y_k+1，可得

由于在迭代过程中，y_k是来自样本集{x_i}中点。必然地，y_k+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{x_i}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，h_s为图像空间带宽，h_r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x^s以及灰度空间特征x^r。

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；c_i,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|R_z(n)＝0,z∈Ω}和Ω₂＝{z|R_z(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|M_x(n)＝1}∩{x|R_x(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

其中

表示膨胀符号，B为一个r×r的结构算子。通常，这个结构算子包含圆形、方形和棱形等。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。

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{m_i(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；c_i,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|R_z(n)＝0,z∈Ω}和Ω₂＝{z|R_z(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|M_x(n)＝1}∩{x|R_x(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：

其中，

表示膨胀符号，B为一个r×r的结构算子，这个结构算子包含圆形、方形和棱形；

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；

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{m_i(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x_i∈R^d，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；y_k表示当前中心点的位置；y_k+1为迭代到下一步的中心点，且选自样本集{x_i}中满足上式的一个点；

对等上式右边一阶导估计y_k+1，可得

由于在迭代过程中，y_k是来自样本集{x_i}中点，必然地，y_k+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{x_i}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，h_s为图像空间带宽，h_r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x^s以及灰度空间特征x^r。

Images