CN112037137A - 一种红外图像中绝缘子盘面边缘模糊区域消除方法及装置 - Google Patents

Abstract

一种红外图像中绝缘子盘面边缘模糊区域消除方法，包括对绝缘子的红外图像进行预处理操作；构建奇数结构元素和偶数结构元素；利用单个偶数结构元素对预处理得到的图像进行膨胀操作；利用相同偶数结构元素对步骤三中得到的膨胀图像进行腐蚀操作；利用相邻的奇数结构元素对腐蚀结果图像再次腐蚀；将再次腐蚀结果按照奇数和偶数结构元素从小到大的顺序累加起来；将累加结果除以累加次数，得到红外图像中绝缘子盘面的边缘轮廓；得到的边缘结果在完整性、清晰度、准确性上都表现优异，同多尺度形态学梯度算法相比，减小了最大结构元素的尺寸，优化计算的复杂度，提高了计算效率，能够满足不同电压等级瓷绝缘子红外图像的要求。

Description

一种红外图像中绝缘子盘面边缘模糊区域消除方法及装置

技术领域

本发明涉及边缘检测领域，尤其是涉及一种红外图像中绝缘子盘面边 缘模糊区域消除方法、装置及计算机可读存储介质。

背景技术

绝缘子是高压输配电线路和变电站中重要的基础绝缘部件，在导线和 杆塔间起到电气绝缘和机械支撑的作用，其绝缘有效性直接影响电网的安 全运行。随着运行时间的增加，受机电负荷和环境因数联合作用，其绝缘 性能和机械性能将会下降，进而产生老化或劣化，甚至出现炸裂、掉串而 造成大面积停电的严重事故，威胁电网安全稳定运行。

传统的绝缘子检测方法为人工登塔检测，为提高检测效率，减少劳动 强度，并保证检测人员人身安全，红外热像检测法是最为有效的替代方法。 对红外图像中绝缘子区域进行自动定位、识别和分割，是完成智能检测绝 缘子劣化状态的关键。边缘检测是获取绝缘子串准确的边缘结果的重要方 法，是图像分割的重要前提。

常见的边缘检测算法有一阶微分算法、Canny算法、小波变换模极大值 算法、单尺度、多尺度形态学梯度边缘检测算法等。其中，一阶微分算法 分为Roberts算法、Prewitt算法和Sobel算法，这三种算法的区别是卷积核 尺寸的不同。Roberts算法采用2×2的卷积核模板，利用对角方向相邻的两 个像素之差进行检测；Prewitt算法卷积核尺寸与Sobel算法相同，都为3 ×3，其中前者利用像素点上下、左右邻点的灰度差，在边缘处达到极值检 测边缘，未增加中心权重，权重系数仅包含[-1,1,0]；而Sobel算法对于中心 点重点考虑，故增大中心权重系数为两倍，所有系数包含[-2,-1,0,1,2]五项。 Canny边缘检测算法具有高检测率、定位精准和响应明确等优点，常被用作 标准算法。其原理主要分为四步：1.利用高斯函数对图像进行平滑处理；2. 采用一阶偏导有限差分计算梯度幅值和方向；3.对梯度幅值的非极大值进行 抑制；4.利用双阈值算法检测并连接边缘。其优势在于能极好地抑制噪声引 起的伪边缘，且对边缘进行了细化，有利于后续处理。然而，该算法在滤 除噪声的同时也会将部分高频边缘分量平滑掉，造成边缘丢失，导致边缘 的完整性被破坏，引起后续的误分割问题。

小波变换模极大值边缘检测算法的原理是沿着梯度方向，在某一范围 内检测模值，模值的幅值反映出边缘的强度。因此，对于极大值予以保留， 非极大值予以删除，即可得到图像边缘。然而，此算法和Canny算法存在 同样的边缘丢失的问题，将滤除部分高频边缘。

单尺度和多尺度形态学梯度算法均采用形态边缘检测器，该检测器是建立 在形态梯度的概念上。与其他边缘检测算法相比，其优点在于虽然对噪声 也能比较敏感，但是不会加强或放大噪声。

其中，单尺度形态学梯度可定义为：

式中，f为原始图像，g为结构元素。

为利用结构元素对输入图像 g进行膨胀，fΘg表示利用结构元素g对输入图像f进行腐蚀。

单尺度梯度形态学算法的性能取决于结构元素g的大小。如果g足够 大，则对阶跃状边缘来说，这个梯度算子的输出等于边缘高度。过大的结 构元素会造成边缘间互相影响严重，将导致梯度极大值与边缘不一样；然 而，若结构元素过小，则梯度算子虽然有高的分辨率，但谐波元素会产生 一个很小的输出结果。

多尺度形态学梯度算法结合了大结构元素和小结构元素各自优点，假 设Bi(0≤i≤n)为一组正方形的结构元素，Bi的大小为(2i+1)×(2i+1)个像素 点，则多尺度梯度可定义为：

式中，n表示尺度参数，一般n取[2,5]。

从图2可以看到，无论是一阶微分算法还是Canny算法，提取的绝缘 子边缘上都存在一定的破损和不完整，即存在边缘丢失的问题。理想的边 缘检测算法结果应符合被检测物体的实际轮廓形状，边缘具有完整性。对 于单个瓷绝缘子来说，边缘应是闭合的，盘面边缘为对称的不规则曲线状。 因此，采用一阶微分算法和Canny算法对绝缘子进行边缘检测无法得到准 确结果。

小波模极大值算法检测结果较为准确，可保证边缘的完整性。但是从 图中可以看到，提取的边缘出现了很多实际不存在的孔洞和线条。此外， 小波模极大值算法也存在多尺度形态学梯度算法相同的模糊区域问题。 多尺度形态学梯度算法对于形状复杂度不高的物体上能够取得较好的检测 效果，其对绝缘子检测结果如图3所示。从图3中可以清楚的看到，经过 多尺度形态学梯度检测后，绝缘子的两个伞裙之间出现了模糊区域。模糊 区域的成因是，背景区域的灰度值与绝缘子上下盘面灰度值接近，算法无 法精确检测出盘面边缘，将部分背景区域也作为盘面边缘。模糊区域导致 错误的分割结果，使得该部分背景区域的温度也作为盘面温度输入到劣化 判别模型中，导致错误的劣化判别结果。

发明内容

本发明的目的是，针对绝缘子串红外图像边缘检测时产生的边缘丢失、 模糊区域和边缘位置不精确等问题，提出了一种基于全奇偶形态学梯度的 绝缘子红外热像边缘检测方法，通过交错使用奇数和偶数结构元素进行边 缘检测，可以防止梯度下降过快，从而解决绝缘子伞裙间模糊区域的问题， 实现绝缘子边缘的精准检测。

本发明采用的技术方案是：一种红外图像中绝缘子盘面边缘模糊区域 消除方法：包括如下步骤：

步骤一：对绝缘子的红外图像进行预处理操作；

步骤二：构建奇数结构元素和偶数结构元素；

步骤三：利用单个偶数结构元素对预处理得到的图像进行膨胀操作；

步骤四：利用相同偶数结构元素对步骤三中得到的膨胀图像进行腐蚀 操作；

步骤五：利用相邻的奇数结构元素对腐蚀结果图像再次腐蚀；

步骤六：将所有的膨胀和腐蚀结果按照奇数和偶数结构元素从小到大 的顺序累加起来；

步骤七：将累加结果除以累加次数，即得到红外图像中绝缘子盘面的 边缘轮廓。

进一步的，所述步骤一中对绝缘子的红外图像进行预处理操作，包括 灰度化预处理、去噪预处理和图像阈值分割预处理。

进一步的，所述步骤二中构建奇数结构元素和偶数结构元素的方法为： 设定奇数结构元素B_i＝(2i+1)×(2i+1)，偶数结构元素C_i＝(2i+2)×(2i+2)， 尺度参数N∈[2,5]，i取值为0,1,2...L-1，L为灰度级。

进一步的，所述灰度化预处理具体方法为：利采用加权平均法对图片 进行灰度化，因为肉眼对于绿色最为敏感，对蓝色最不敏感，所以给绿色 分配更大权重值，相应地减小蓝色的权重值。这能够得到更为合理的灰度 图像，加权平均法灰度公式如下：

f(i,j)＝0.2829 R(i,j)+0.5870 G(i,j)+0.1140 B(i,j) (2)

式中，i,j表示像素值的位置。

进一步的，所述去噪预处理采用中值滤波作为图像去噪算法。

进一步的，所述图像阈值分割预处理的方法为

将绝缘子红外图像，采用K个阈值将其分为D₁…D_k+1部分：

式中，t1、t2...tK表示K个阈值，g(x,y)为图像中每个像素点的灰 度值；

图像中灰度级为a的概率P_a为：

式中，ha表示灰度a的像素值,L定义图像中共有L个灰度级；

每个区域的熵值计算式为：

式中：H_z表示第z个区域的熵值；定义C_z为[t_z,...t_z+1-1]，则ω_z表示第 z类C_z的零阶累积矩，则最佳阈值向量的表达式为

一种红外图像中绝缘子盘面边缘模糊区域消除装置，包括以下单元：

预处理单元，用于对绝缘子的红外图像进行预处理，包括灰度化预处 理、去噪预处理和图像阈值分割预处理；

构建结构元素单元，用于构建奇数结构元素和偶数结构元素；

膨胀操作单元，用于利用单个偶数结构元素对预处理得到的图像进行 膨胀操作；

腐蚀操作单元，用于利用相同偶数结构元素对得到的膨胀图像进行腐 蚀操作，得到腐蚀结果图像；

再次腐蚀单元，用于利用相邻的奇数结构元素对腐蚀结果图像再次腐 蚀；

累加单元，将再次腐蚀结果按照奇数和偶数结构元素从小到大的顺序 累加；

边缘轮廓输出单元，用于将累加结果除以累加次数，得到红外图像中 绝缘子盘面的边缘轮廓。

进一步的，所述预处理单元包括灰度化预处理单元、去噪预处理单元 和图像阈值分割预处理单元。

进一步的，所述灰度化预处理单元采用加权平均法对图片进行灰度 化；所述去噪预处理单元用中值滤波作为图像去噪算法对图片进行去噪音 处理。

进一步的，所述计算机可读存储介质存储有计算机可执行指令，所述 计算机可执行指令用于使计算机执行所述的红外图像中绝缘子盘面边缘模 糊区域消除方法。

本发明的有益效果和特点是：提出了一种全奇偶形态学梯度边缘检测算 法，该方法结合了奇数和偶数结构元素的优势，消除了因梯度下降过快造 成的模糊区域问题，并且得到的边缘结果在完整性、清晰度、准确性上都 表现优异，同多尺度形态学梯度算法相比，减小了最大结构元素的尺寸， 优化计算的复杂度，提高了计算效率。通过大量实际图像进行校验，结果 表明，该边缘检测算法具有极高的准确率，能够满足不同电压等级瓷绝缘 子红外图像的要求，能够快速精准地确定绝缘子串区域，是实现智能识别 铁帽和盘面区域的重要前提。

附图说明

图1为本发明较佳实施例的流程示意图；

图2为不同算法下的边缘检测结果图(自左向右别为Roberts算法, Prewitt算法,Sobel算法,Canny算法,小波模极大值算法)；

图3为多尺度形态学梯度算法检测结果对比图(自左至右分别为灰度 图、灰度图、分割结果图)；

图4为全奇偶形态学梯度算法检测结果对比图(自左至右分别为灰度 图、灰度图、分割结果图)；

图5为小波变换模极大值、多尺度形态学梯度和全奇偶形态学梯度边 缘检测算法结果对比图

图6为发明较佳实施例红外图像中绝缘子盘面边缘模糊区域消除装置 的结构图。

具体实施方式

下面结合附图对本发明进行进一步说明：

实施例1：

请参考图1，本方案是一种红外图像中绝缘子盘面边缘模糊区域消除方 法，首先需要进行一些预处理操作，包括灰度化、去噪和图像阈值分割， 这些步骤能够有效去除图像中的外部噪声，增强目标和背景区域的灰度差 值，有利于后续步骤的开展。

灰度是指以黑色为基准色来表示物体，以不同的饱和度的黑色来显示 图像，其表示方法通常为百分比，范围为0～100％，数值越大，颜色越接近 纯黑色；数值为0时，颜色为纯白色。与灰度表示方式相反，灰度值通常 被量化为256级，数值越接近于0，对应图像中的颜色越黑，亮度越深。因 此，灰度值又被称为亮度值或强度值。灰度(Gray scale)数字图像是每个 像素只有一个采样颜色的图像，即RGB图像中的R＝G＝B，故图中所有像 素值都介于0～255灰度值之间。灰度化的一般方法分为分量法、最大值法、 平均值法和加权平均法。本方案采用加权平均法对图片进行灰度化，因为 肉眼对于绿色最为敏感，对蓝色最不敏感，所以给绿色分配更大权重值， 相应地减小蓝色的权重值。这能够得到更为合理的灰度图像，加权平均法 灰度公式如下所示：

f(i,j)＝0.2829R(i,j)+0.5870G(i,j)+0.1140B(i,j)

式中，i,j表示像素值的位置。

目前，有关图像去噪算法的文献数量众多，选择合适的去噪算法对图 像处理的结果至关重要。中值滤波是一个常用的去噪函数，具有去除边缘 模糊、保护边缘、降低噪声等特点，还具有容易实现，易于修改的优势。 因此本方案采用中值滤波作为图像去噪算法。

阈值图像分割法是当前最流行的图像分割法之一，目前常用的算法有 Otsu最大类间方差法、最小交叉熵法、Kapur最大熵法等，本方案采用 Kapur熵阈值图像分割法对绝缘子图像进行阈值分割，目的是增大目标和 伪目标的对比度，也相应增大了灰度平均差，有利于目标区域的提取。

在信息论中，熵是用来衡量物体分布的均匀程度的物理量，熵值越大， 说明分布越均匀。Kapur熵阈值图像分割法根据香农熵的概念，在图像的 灰度直方图的熵值中找到一个像素点，使得图像中目标区域与背景区域分 布的信息量最大，则该像素点即为阈值图像分割点。

设定某一图像大小为m×n，灰度级为L。利用阈值T将图像分为两个 区域的单阈值分割法的表达式为

式中：g(x,y)为图像中每个像素点(x,y)的灰度值。

图像中灰度级为a的概率P_a为：

式中，ha表示灰度a的像素值,L定义图像中共有L个灰度级；

式中，i取值为0,1,2...L-1。

其中，背景区域和目标区域的熵值的表达式为

Kapur熵阈值图像分割法目标是求取图像最佳分割阈值，对应为求整 个图像熵值最大时所对应的像素灰度值，其表达式为

T*＝arg max(H₀+H₁)

针对绝缘子红外图像这类复杂图像进行多阈值图像分割处理时，采用K 个阈值将其分为K+1各部分，表达式为:

式中，t₁、t₂...t_K表示K个阈值。

每个区域的熵值计算式为

式中：H_j表示第j个区域的熵值，ω_i表示第i类Ci的零阶累积矩，Ci 表示[t_i,...t_i+1-1]，则最佳阈值向量的表达式为

预处理操作结束后，为保证提取边缘的完整性和准确性，对多尺度形 态学梯度边缘检测算法进行改进，修正其结构元素的大小，使得上下结构 元素之间能够更好地匹配，将此改进算法命名为全奇偶形态学梯度边缘检 测算法。将前文所述的B_i定义为奇数结构元素，相应地，将C_i＝(2i+2)×(2i+2) 定义为偶数结构元素。交错使用这两种结构元素进行边缘检测，可以防止 梯度下降过快，故定义为全奇偶形态学梯度边缘检测算法。具体算法如下 所示：

(1)设定奇数结构元素B_i＝(2i+1)×(2i+1)，偶数结构元素C_i＝(2i+2) ×(2i+2)，尺度参数N∈[2,5]，i取值为0,1,2...L-1，L为灰度级；

(2)计算偶数结构元素Ci在输入图像f的检测结果；

(3)利用C_i对输入图像f进行膨胀操作：膨胀操作结果G_i＝f⊕C_i；

(4)：利用C_i对G_i进行腐蚀操作：腐蚀操作结果H_i＝fΘC_i；

(5)：设T_i＝G_i-H_i，利用奇数结构元素B_i对T_i进行腐蚀操作：再次 腐蚀操作结果DS_i＝T_iΘB_i；

(6)：将i从0-N的DS_i累加：

(7)：将全奇偶形态学梯度边缘检测算法计算结果定义为：

实施例2：

请参考图6，本方案还涉及一种红外图像中绝缘子盘面边缘模糊区域消 除装置：包括以下单元：

预处理单元，所述预处理单元包括灰度化预处理单元、去噪预处理单 元和图像阈值分割预处理单元；用于对绝缘子的红外图像进行预处理，包 括灰度化预处理、去噪预处理和图像阈值分割预处理；所述灰度化预处理 单元采用加权平均法对图片进行灰度化；所述去噪预处理单元用中值滤波 作为图像去噪算法对图片进行去噪音处理。

构建结构元素单元，用于构建奇数结构元素和偶数结构元素；

膨胀操作单元，用于利用单个偶数结构元素对预处理得到的图像进行 膨胀操作；

腐蚀操作单元，用于利用相同偶数结构元素对得到的膨胀图像进行腐 蚀操作，得到腐蚀结果图像；

再次腐蚀单元，用于利用相邻的奇数结构元素对腐蚀结果图像再次腐 蚀；

累加单元，将再次腐蚀结果按照奇数和偶数结构元素从小到大的顺序 累加；

边缘轮廓输出单元，用于将累加结果除以累加次数，得到红外图像中 绝缘子盘面的边缘轮廓。

实施例3：

本方案还涉及一种计算机可读存储介质，所述计算机可读存储介质存储 有计算机可执行指令，所述计算机可执行指令用于使计算机执行实施例1 中所述的红外图像中绝缘子盘面边缘模糊区域消除方法。

结果比较及分析：

利用全奇偶形态学梯度算法对绝缘子红外图像进行边缘检测，结果如 图4所示。从图中可以看到，与其他边缘检测算法相比，提出算法的检测 结果边缘具有完整性好、清晰度高、能够准确反应绝缘子的实际边缘形状； 能够有效减缓梯度下降速度，消除伞裙间的模糊区域；与多尺度形态学梯 度算法相比，减小了最大结构元素的尺寸，优化计算的复杂度。

利用最大连通区域法将全奇偶形态学梯度算法与小波变换模极大值、 多尺度形态学梯度算法提取出的边缘内的绝缘子串区域分割出来，与原红 外图像二值化后的图像利用图像评价指标比较。其中二值图像是指仅含有0 和1两个像素值的图像，整体图像呈现为黑白色，背景灰度值为0，绝缘子 区域灰度值为1。而本方案所采用的图像评价指标包括峰值信噪比、交并比 和假阳性率三种。

峰值信噪比(Peak signal-to-noise ratio，常缩写为PSNR)是目前最常 使用的一种图像客观评价指标，常用于衡量图像失真程度或测量噪声水平。 其定义为：表示信号最大可能功率和影响它的表示精度的破坏性噪声功率 的比值。由于许多信号动态范围很宽，因此，单位常用对数分贝来表示。 其数值大小反映了两张图片的相似度，数值越大，相似度越高。其数学定 义式如下：

式中，MAX表示图像颜色的最大数值，对于灰度图像来说，取值为255。

MSE表示两张m×n单色图像I和K之间的均方差，其定义如下：

式中，K(i,j)表示第一张图像的像素点值，I(i,j)表示第二张图像的像素点值， m和n表示图片中包含的像素值个数。

2.交并比

交并比(Intersection over Union，简写为IoU)是图像检测中一个常用 概念，它反映了处理后图像与原图像的交叠率，即两图像交集与并集的比 值。IoU能够更为直观反应出图像间的相似率，其数值越大，相似率越高。 在两张图像相同时，其比值为1。交并比公式为：

式中，a、b分别表示候选图像和原图像；area表示图像的区域。

3.假阳性率

假阳性率(false positive rate，缩写为FPR)，又称误判率，原本是医学中 的一个概念，表示实际分类为阴性，却被筛选为阳性的例数占总例数的百 分比^[55]。将此概念引入到图像领域中，用其表示图像误判概率，数值越小， 代表误判率越低。假阳性率的公式为：

式中，b表示筛选结果为阳性,但实际的标准分类为阴性的例数；d表示阴性 一致的例数。

比较结果如图3、图4、图5所示，从图中可以看出，在峰值信噪比指 标上，全奇偶形态学梯度边缘检测算法比多尺度形态学梯度算法高出4dB， 比小波变换模极大值算法高出5dB，这表明本方案算法可以更精确地提取 边缘；在交并比指标上，全奇偶形态学梯度边缘检测算法比其他两种算法 高出至少4.5％，表明所提算法能够有效消除伞裙间的模糊问题；在假阳性 率指标上，全奇偶形态学梯度边缘检测算法比多尺度形态学梯度算法和小波变换模极大值算法低得多，说明此算法误判率低，能极大地减少误分割 和模糊区域的问题。因此，同常见的边缘检测算法比较，全奇偶形态学梯 度边缘检测算法在图像评价指标上均表现最为优异，能取得理想的绝缘子 串的边缘检测结果并有效消除伞裙间的模糊区域问题。

计算实例1：

随机选择35kV、110kV和220kV等级的质量较高的瓷绝缘子串红外图 像各300张进行实验。利用准确性的评估指标包括：1.所提取的绝缘子串 边缘应符合绝缘子实际形状，线条光滑且闭合；2.经过最大连通区域法得 到的绝缘子串图像与原图像的交并比数值高于90％。验证结果如表1所示。

表1全奇偶形态学梯度边缘检测算法验证结果

从表1的结果可以看到，三种电压等级的的验证结果准确率均高于95％， 表明全奇偶形态学梯度算法能取得理想的绝缘子串的边缘检测结果并有效 消除伞裙间的模糊区域问题。

此外，经过峰值信噪比、交并比和假阳性率三种图像评价指标比较， 本方案所提算法性能最佳。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本 行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和 说明书中描述的只是说明本发明的结构关系及原理，在不脱离本发明精神 和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入 要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其 等效物界定。

Claims (10)

1.一种红外图像中绝缘子盘面边缘模糊区域消除方法，其特征在于：包括如下步骤：

步骤一：对绝缘子的红外图像进行预处理操作；

步骤二：构建奇数结构元素和偶数结构元素；

步骤三：利用单个偶数结构元素对步骤一预处理操作得到的图像进行膨胀操作，得到膨胀图像；

步骤四：利用相同偶数结构元素对步骤三中得到的膨胀图像进行腐蚀操作，得到腐蚀结果图像；

步骤五：利用相邻的奇数结构元素对步骤四得到的腐蚀结果图像再次腐蚀操作；

步骤六：将步骤五中的再次腐蚀结果按照奇数和偶数结构元素从小到大的顺序累加；

步骤七：将步骤六中得到的累加结果除以累加次数，即得到红外图像中绝缘子盘面的边缘轮廓。

2.根据权利要求1所述的红外图像中绝缘子盘面边缘模糊区域消除方法，其特征在于：所述步骤一中对绝缘子的红外图像进行预处理操作，包括灰度化预处理、去噪预处理和图像阈值分割预处理。

3.根据权利要求1所述的红外图像中绝缘子盘面边缘模糊区域消除方法，其特征在于：所述步骤二中构建奇数结构元素和偶数结构元素的方法为：设定奇数结构元素B_i＝(2i+1)×(2i+1)，偶数结构元素C_i＝(2i+2)×(2i+2)，尺度参数N∈[2,5]，i取值为0,1,2...L-1，L为灰度级。

4.根据权利要求2所述的红外图像中绝缘子盘面边缘模糊区域消除方法，其特征在于：所述灰度化预处理具体方法为：利采用加权平均法对图片进行灰度化，加权平均法灰度公式如下：

f(i,j)＝0.2829R(i,j)+0.5870G(i,j)+0.1140B(i,j) (2)

式中，i,j表示像素值的位置。

5.根据权利要求2所述的红外图像中绝缘子盘面边缘模糊区域消除方法，其特征在于：所述去噪预处理采用中值滤波作为图像去噪算法。

6.根据权利要求2所述的红外图像中绝缘子盘面边缘模糊区域消除方法，其特征在于：所述图像阈值分割预处理的方法为

将绝缘子红外图像，采用K个阈值将其分为D₁…D_k+1部分：

式中，t1、t2...t_K表示K个阈值，g(x,y)为图像中每个像素点(x,y)的灰度值；

图像中灰度级为a的概率P_a为：

式中，ha表示灰度a的像素值,L定义图像中共有L个灰度级；

每个区域的熵值计算式为：

式中：H_z表示第z个区域的熵值；定义C_z为[t_z,...t_z+1-1]，则ω_z表示第z类C_z的零阶累积矩，则最佳阈值向量的表达式为

7.一种红外图像中绝缘子盘面边缘模糊区域消除装置：其特征在于，包括以下单元：

预处理单元，用于对绝缘子的红外图像进行预处理，包括灰度化预处理、去噪预处理和图像阈值分割预处理；

构建结构元素单元，用于构建奇数结构元素和偶数结构元素；

膨胀操作单元，用于利用单个偶数结构元素对预处理得到的图像进行膨胀操作；

腐蚀操作单元，用于利用相同偶数结构元素对得到的膨胀图像进行腐蚀操作，得到腐蚀结果图像；

再次腐蚀单元，用于利用相邻的奇数结构元素对腐蚀结果图像再次腐蚀；

累加单元，将再次腐蚀结果按照奇数和偶数结构元素从小到大的顺序累加；

边缘轮廓输出单元，用于将累加结果除以累加次数，得到红外图像中绝缘子盘面的边缘轮廓。

8.根据权利要求7所述的红外图像中绝缘子盘面边缘模糊区域消除装置，其特征在于，所述预处理单元包括灰度化预处理单元、去噪预处理单元和图像阈值分割预处理单元。

9.根据权利要求8所述的红外图像中绝缘子盘面边缘模糊区域消除装置，其特征在于，所述灰度化预处理单元采用加权平均法对图片进行灰度化；所述去噪预处理单元用中值滤波作为图像去噪算法对图片进行去噪音处理。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的红外图像中绝缘子盘面边缘模糊区域消除方法。

Images