CN112465852B - 一种用于电力设备红外图像分割的改进区域生长方法 - Google Patents

Abstract

本发明公开了一种用于电力设备红外图像分割的改进区域生长方法，将电力设备红外图像转化为灰度图像，采用边缘检测分割方法对灰度图像进行横纵方向差分运算，得到电力设备的边缘像素点，并进行匹配，初步确定设备可能在的区域；利用有效性检测算子对设备可能在的区域的灰度图像进行遍历，得到有效区域，完成对设备区域的初步划分；对种子点进行自动选择；以横纵方向差分运算得到的出入点和初步划分的设备区域为约束，进行设备区域生长操作，并于生长完成后利用形态学运算为分割图像去毛边、缝隙，从而得到最终的电力设备分割结果。本发明提供的方法计算过程简单，效果较好，可实现电力系统中大规模红外图像的高质量快速自动分割。

Description

一种用于电力设备红外图像分割的改进区域生长方法

技术领域

本发明涉及电力设备检测技术领域，特别是涉及一种用于电力设备红外图像分割的改进区域生长方法。

背景技术

在电力系统设备状态监测中，红外诊断技术是一种应用广泛且行之有效的技术手段，通过红外诊断技术可以发现设备局部过热缺陷，通过对局部过热区域进行针对性维修及时规避潜在故障可能，并根据设备局部和全局温度对比判断有无故障发生，从而及时向运维人员告警，避免因故障发现不及时而导致较大安全运行事故的出现。其中，图像分割为电力设备红外诊断体系中承上启下的重要环节，该步处理为后续的故障定位，故障类型识别等处理提供了图像基础。

现有的图像分割方法一般有基于阈值选择的图像分割方法，基于区域生长的图像分割方法和基于边缘检测的红外图像分割方法。其中，基于阈值选择的图像分割方法最具代表性的方法为OTSU方法，又称为最大类间方差阈值选择法，由于所有图像均具有灰度特性，OTSU方法以此为基础将图像分为背景和目标两类。根据数据统计可知两部分间存在的差别大小与两部分之间的类间方差成正比例关系，背景与目标间的错误分割会使二者间差别减小，因此只有使得错分概率最小才能保证类间方差处于最大状态。该方法对区分目标、背景的灰度阈值选择较为准确，但往往一次阈值的选择无法完全区分目标、背景，多数情况只能判定一部分背景区域，因此其往往需要人为对阈值进行多次迭代选择，其运算的停止有赖于人工干预，这一问题使其无法解决电力系统中常见的大规模电力设备红外图像自动分割问题。基于区域生长的图像分割方法则存在有种子点选取的问题，传统的区域生长算法需要通过交互界面人为选择种子点，同样无法实现自动定位，在应用于大规模电力设备的红外图像分割时同样存在着工作量过大且需要人工配合的问题。基于边缘检测的方法首先利用不同的边缘检测算子对红外图像进行卷积遍历，将卷积结果按数值大小分为两类，一般数值较大的位置所对应的像素点标记为边缘，通过对边缘的连接，将图像划分为不同区域，对区域特性进行统计分析，从而判断哪些区域属于目标，哪部分区域属于背景，进而完成分割，但针对拍摄环境较为复杂且自身具有一定边缘纹理的但对比度又不足够高的电力设备，边缘像素点的连接往往存在较大困难，若不能将边缘像素点正确的连接为闭合曲线，也就无从划分区域以实现对电力设备红外图像的分割。

发明内容

本发明的目的是提供一种用于电力设备红外图像分割的改进区域生长方法，无需任何红外图像训练和人工干预，可实现电力设备红外图像自动分割，能够有效的避免过生长问题，提高电力设备红外图像的分割质量，方法简单，效果较好。

为实现上述目的，本发明提供了如下方案：

一种用于电力设备红外图像分割的改进区域生长方法，包括以下步骤：

S1，将电力设备红外图像转化为灰度图像，采用边缘检测分割方法对灰度图像进行横纵方向差分运算，得到电力设备的边缘像素点；

S2，对边缘像素点进行出入点分类及匹配，初步确定设备可能在的区域；

S3，利用有效性检测算子对设备可能在的区域的灰度图像进行遍历，得到有效区域，通过对有效区域的灰度及面积指标判断，完成对设备区域的初步划分；

S4，对初步划分的设备区域内进行灰度统计，利用其初步划分的设备区域内部灰度分布的双峰特性，实现对种子点的自动选择；

S5，完成种子点的选择后，以横纵方向差分运算得到的出入点和初步划分的设备区域为约束，进行设备区域生长操作，并于生长完成后利用形态学运算为分割图像去毛边、缝隙，从而得到最终的电力设备分割结果。

进一步的，所述步骤S1中，采用边缘检测分割方法对灰度图像进行横纵方向差分运算，得到电力设备的边缘像素点，具体包括：

采用行边缘检测算子和列边缘检测算子进行横纵方向差分运算：

式中，X为图像矩阵，大小为M×N，X_(i，j)表示红外图像(i，j)处像素点，设(0，0)为红外图像左上角像素点，(m，n)为红外图像右下角像素点，G_R(i，j)即为(i，j)处行方向差分数值，G_C(i，j)即为(i，j)处列方向差分数值；

若将差分算子写作矩阵形式则有：

式中，R即为行方向差分算子，C为列方向差分算子；

对灰度图像的运算可写作以下形式：

式中，为卷积运算符，通过边缘检测算子与红外图像的卷积运算，即可得到红外图像行列方向梯度数据矩阵G_R和G_C，通过对电力设备红外图像统计可知，边缘检测阈值应能够筛除大部分梯度绝对值较小的像素点，仅保留少数梯度绝对值较大的像素点作为边缘像素点，即：

式中，E_R为将非边缘点置零，边缘点以阈值a为中心进行数值收缩得到的边缘矩阵，表示逐元素乘法，sign(·)为符号函数，card(·)表示统计矩阵元素个数，a为划分边缘像素点与非边缘像素点的阈值，λ为非边缘点占总像素点的比例，λ取值为0.95；式(4)给出的为行方向边缘点的选择方案，与列方向边缘点选择方式相同。

进一步的，所述步骤S2，对边缘像素点进行出入点分类及匹配，初步确定设备可能在的区域，具体包括：

将E_R和E_C中大于零元素所对应的像素点标记为入点，小于零元素对应的像素点标记为出点；

记行方向入点构成矩阵为出点构成矩阵为/>有：

对矩阵进行遍历，匹配入点对应出点，设/>为待匹配入点，最优匹配点选取方式为：

s.t.

j＜a≤N

式中，λ₁，λ₂，λ₃为各项系数，均取1，A为所有在右侧的出点构成的集合，a为/>对应出点所在列序号；

在通过式(7)计算得到最优匹配点/>后，需判断|X(i+1，j)-X(i，a₀)|即入点右侧点与出点间灰度差与是大于灰度差阈值，若大于则说明最优点选择存在问题，式(7)增加约束条件a≠a₀，重新选择最优匹配点/>并进行判断，直至选出与入点对应出点，或无符合条件出点为止；

设大小为M×N的图像标签矩阵为L1，遍历若/>或/>但不存在/>对应出点则记L₁(i，j)＝0，否则记：

L₁(i，n)＝1j≤n≤a (8)

式中，a为当时对应出点所在列序号。

进一步的，所述步骤S3，利用有效性检测算子对设备可能在的区域的灰度图像进行遍历，得到有效区域，通过对有效区域的灰度及面积指标判断，完成对设备区域的初步划分，具体包括：

利用有效性检测算子p对L₁矩阵做有效性检测，其中有效性检测算子p为大小为k×k大小的内部元素全部为1的矩阵，有效性检测方式为若L₁(i，j)＜0.5k²，记有效性标签矩阵L₂(i，j)＝1，认为该位置为有效区域；

对L₂矩阵按8连通方式对连通的L₂(i，j)＝1的有效区域进行编号，并用相应编号替代数值1，设编号数值为{1，2，3，…l}，统计不同编号出现次数，记为num_x：

num_x＝card(L₂＝x)x∈{1，2，3，…l} (9)

令x₀即为面积最大的有效区域对应编号，认为x₀编号对应区域为设备区域；

令s.t.x≠x₀，x₁即为面积次大的有效区域对应编号，并判断是否/>若满足条件则进一步判断x₀和x₁编号对应区域灰度平均值是否接近，若接近则可认定x₁编号对应区域同样为设备区域；

按上述判断标准，依次将所有的编号区域与x₀编号对应区域比较面积及平均灰度，确定除x₀对应区域外是否存在其他设备区域；

完成设备区域的确定后，将其所在区域规则化，记x′为设备所在区域编号，首先确定设备区域边界位置：

式中，i′₀为包含设备区域的行最小值，i′₁为包含设备区域的行最大值，j′₀为包含设备区域的列最小值，j′₀为包含设备区域的列最大值；

确定规则化设备区域边界位置：

设设备区域标签矩阵L₃，在L₃中标记模糊估计得到的设备所在区域，标记方式如下：

进一步的，所述步骤S4，对初步划分的设备区域内进行灰度统计，利用其初步划分的设备区域内部灰度分布的双峰特性，实现对种子点的自动选择，具体包括：

对设备区域进行灰度频率统计，由于此时已大幅缩小设备可能的所在区域，此时灰度频率直方图分布具备典型的双峰特点；

记灰度较大区域峰值对应灰度为X_s，设生长标签矩阵L₄，并于L₄中标记初始种子点：

进一步的，所述步骤S5，完成种子点的选择后，以横纵方向差分运算得到的出入点和初步划分的设备区域为约束，进行设备区域生长操作，并于生长完成后利用形态学运算为分割图像去毛边、缝隙，从而得到最终的电力设备分割结果，具体包括：

步骤S501，遍历种子点，记录种子点八连通区域像素点所在位置；

步骤S502，遍历八连通区域内像素点，判断该像素点与种子点间灰度差是否大于设定阈值；

步骤S503，如果否，判断该像素点是否为边界点，继续步骤S504；如果是，重复步骤S502；

步骤S504，如果否，将该像素点记为新种子点，如果是，记录该像素点为待生长边缘像素点，但不生长；

步骤S505，重复步骤S502至步骤S504，直至八连通区域内像素点遍历完成；

步骤S506，判断种子点是否遍历完成，如果是，判断此次遍历是否新增种子点；

步骤S507，如果是，重复步骤S501至步骤S506；如果否，将此前记录的待生长边缘像素点补充为种子点。

进一步的，所述设定阈值为3。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的用于电力设备红外图像分割的改进区域生长方法，借鉴基于边缘检测的图像分割方法所含思想，通过对边缘检测所含物理意义的分析，利用边缘检测技术实现对图像所在区域的初步划分，将初步划分区域作为分割目标，大大减小待分割图像背景复杂度，从而为阈值选取创造良好条件，进而根据对灰度信息的统计，实现区域生长技术中初始种子点的自动选取，并充分利用求的边缘信息以及目标区域信息，确定种子点选取条件，最终实现电力设备红外图像自动分割，避免了传统分割方法无法实现较复杂环境下图像分割或需要人工参与等问题，并且本发明提出方法计算过程简单，效果较好，可实现电力系统中大规模红外图像的高质量快速自动分割。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例电力设备红外图像的灰度图；

图2a为行方向入点示意图；

图2b为行方向出点示意图；

图3为标签矩阵可视化结果图；

图4为有效性标签矩阵可视化结果图；

图5a为设备区域标签矩阵可视化结果图；

图5b为设备区域灰度图像；

图6为设备区域灰度频率直方图；

图7为初始种子点分布图像；

图8为改进区域生长方法流程图；

图9为生长标签矩阵可视化结果图；

图10为电力设备红外图像分割结果图；

图11为未改进区域生长方法分割结果图。

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。

本发明的目的是提供一种用于电力设备红外图像分割的改进区域生长方法，无需任何红外图像训练和人工干预，可实现电力设备红外图像自动分割，能够有效的避免过生长问题，提高电力设备红外图像的分割质量，方法简单，效果较好。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供的用于电力设备红外图像分割的改进区域生长方法，包括以下步骤：

S1，如图1所示，将电力设备红外图像转化为灰度图像，采用边缘检测分割方法对灰度图像进行横纵方向差分运算，得到电力设备的边缘像素点；

S2，对边缘像素点进行出入点分类及匹配，初步确定设备可能在的区域；

S3，利用有效性检测算子对设备可能在的区域的灰度图像进行遍历，得到有效区域，通过对有效区域的灰度及面积指标判断，完成对设备区域的初步划分；

S4，对初步划分的设备区域内进行灰度统计，利用其初步划分的设备区域内部灰度分布的双峰特性，实现对种子点的自动选择；

S5，完成种子点的选择后，以横纵方向差分运算得到的出入点和初步划分的设备区域为约束，进行设备区域生长操作，并于生长完成后利用形态学运算为分割图像去毛边、缝隙，从而得到最终的电力设备分割结果。

其中，所述步骤S1中，采用边缘检测分割方法对灰度图像进行横纵方向差分运算，得到电力设备的边缘像素点，具体包括：

采用行边缘检测算子和列边缘检测算子进行横纵方向差分运算：

式中，X为图像矩阵，大小为M×N，X_(i，j)表示红外图像(i，j)处像素点，设(0，0)为红外图像左上角像素点，(m，n)为红外图像右下角像素点，G_R(i，j)即为(i，j)处行方向差分数值，G_C(i，j)即为(i，j)处列方向差分数值；

若将差分算子写作矩阵形式则有：

式中，R即为行方向差分算子，C为列方向差分算子；

对灰度图像的运算可写作以下形式：

式中，为卷积运算符，通过边缘检测算子与红外图像的卷积运算，即可得到红外图像行列方向梯度数据矩阵G_R和G_C，通过对电力设备红外图像统计可知，边缘检测阈值应能够筛除大部分梯度绝对值较小的像素点，仅保留少数梯度绝对值较大的像素点作为边缘像素点，即：

式中，E_R为将非边缘点置零，边缘点以阈值a为中心进行数值收缩得到的边缘矩阵，表示逐元素乘法，sign(·)为符号函数，card(·)表示统计矩阵元素个数，a为划分边缘像素点与非边缘像素点的阈值，λ为非边缘点占总像素点的比例，λ取值为0.95；式(4)给出的为行方向边缘点的选择方案，与列方向边缘点选择方式相同。

所述步骤S2，对边缘像素点进行出入点分类及匹配，初步确定设备可能在的区域，具体包括：

将E_R和E_C中大于零元素所对应的像素点标记为入点，小于零元素对应的像素点标记为出点；其中，入点即指该点到下一位像素点的过程有可能对应着电力设备红外图像从背景区域进入设备区域的过程，出点则相反，其到下一位像素点的方向可能为从电力设备到背景的变化方向，如图2a和图2b所示，分别为经过上述边缘检测过程选取得到的行方向入点、出点示意图；

记行方向入点构成矩阵为出点构成矩阵为/>有：

对矩阵进行遍历，匹配入点对应出点，设/>为待匹配入点，最优匹配点选取方式为：

s.t.

j＜α≤N

式中，λ₁，λ₂，λ₃为各项系数，均取1，A为所有在右侧的出点构成的集合，a为/>对应出点所在列序号；

在通过式(7)计算得到最优匹配点/>后，需判断|X(i+1，j)-X(i，a₀)|即入点右侧点与出点间灰度差与是大于灰度差阈值，若大于则说明最优点选择存在问题，式(7)增加约束条件a≠a₀，重新选择最优匹配点/>并进行判断，直至选出与入点对应出点，或无符合条件出点为止；

设大小为M×N的图像标签矩阵为L₁，遍历若/>或/>但不存在/>对应出点则记L₁(i，j)＝0，否则记：

L₁(i，n)＝1 j≤n≤a (8)

式中，a为当时对应出点所在列序号。L₁可视化结果如图3所示，即为初步确定设备可能在的区域。

所述步骤S3，利用有效性检测算子对设备可能在的区域的灰度图像进行遍历，得到有效区域，通过对有效区域的灰度及面积指标判断，完成对设备区域的初步划分，具体包括：

利用有效性检测算子p对L₁矩阵做有效性检测，其中有效性检测算子p为大小为k×k大小的内部元素全部为1的矩阵，k可取值为图3中出现次数最多的白色横线长度，有效性检测方式为若L₁(i，j)＜0.5k²，记有效性标签矩阵L₂(i，j)＝1，认为该位置为有效区域；L₂矩阵可视化结果如图4所示。

对L₂矩阵按8连通方式对连通的L₂(i，j)＝1的有效区域进行编号，并用相应编号替代数值1，设编号数值为{1，2，3，…l}，统计不同编号出现次数，记为num_x：

num_x＝card(L₂＝x) x∈{1，2，3，…l} (9)

令x₀即为面积最大的有效区域对应编号，认为x₀编号对应区域为设备区域；

令s.t.x≠x₀，x₁即为面积次大的有效区域对应编号，并判断是否/>若满足条件则进一步判断x₀和x₁编号对应区域灰度平均值是否接近，若接近则可认定x₁编号对应区域同样为设备区域；

按上述判断标准，依次将所有的编号区域与x₀编号对应区域比较面积及平均灰度，确定除x₀对应区域外是否存在其他设备区域；

完成设备区域的确定后，将其所在区域规则化，记x′为设备所在区域编号，首先确定设备区域边界位置：

式中，i′₀为包含设备区域的行最小值，i′₁为包含设备区域的行最大值，j′₀为包含设备区域的列最小值，j′₀为包含设备区域的列最大值；

确定规则化设备区域边界位置：

设设备区域标签矩阵L₃，在L₃中标记模糊估计得到的设备所在区域，标记方式如下：

对L₃矩阵进行可视化结果如图5a所示，图5b为模糊估计得到的设备区域对应的灰度图像。

所述步骤S4，对初步划分的设备区域内进行灰度统计，利用其初步划分的设备区域内部灰度分布的双峰特性，实现对种子点的自动选择，具体包括：

对设备区域进行灰度频率统计，由于此时已大幅缩小设备可能的所在区域，此时灰度频率直方图分布具备典型的双峰特点；其中设备区域灰度频率直方图如图6所示；

记灰度较大区域峰值对应灰度为X_s，设生长标签矩阵L₄，并于L₄中标记初始种子点：

对此时的L₄矩阵进行可视化转换的结果如图7所示。

得到初始生长点后进行八连通区域生长，改进区域生长方法流程图如图8所示。所述步骤S5，完成种子点的选择后，以横纵方向差分运算得到的出入点和初步划分的设备区域为约束，进行设备区域生长操作，并于生长完成后利用形态学运算为分割图像去毛边、缝隙，从而得到最终的电力设备分割结果，具体包括：

步骤S501，遍历种子点，记录种子点八连通区域像素点所在位置；

步骤S502，遍历八连通区域内像素点，判断该像素点与种子点间灰度差是否大于3；

步骤S503，如果否，判断该像素点是否为边界点，继续步骤S504；如果是，重复步骤S502；

步骤S504，如果否，将该像素点记为新种子点，如果是，记录该像素点为待生长边缘像素点，但不生长；

步骤S505，重复步骤S502至步骤S504，直至八连通区域内像素点遍历完成；

步骤S506，判断种子点是否遍历完成，如果是，判断此次遍历是否新增种子点；

步骤S507，如果是，重复步骤S501至步骤S506；如果否，将此前记录的待生长边缘像素点补充为种子点。

其中边缘像素点即指E_R和E_C中所有的非零点。本发明通过利用上文中行列边缘检测所得到的行方向出入点以及列方向出入点作为边界约束，对区域生长方法进行改进。当检测到符合生长条件的边缘像素点时，不对边缘像素点进行生长，仅在所有非边界点生长完成后，才将待生长边缘像素点加入种子点中，防止过生长现象的出现，通过灰度差和边界检测两个约束条件，保证生长区域位于设备内部。将L₄中种子点对应位置数值记为1，对生长标签矩阵L₄进行可视化的结果如图9所示。

在得到生长标签矩阵后，对其进行图像形态学处理，去除毛边，缝隙即可得到最终的电力设备红外图像分割结果，结果如图10所示。

若在模糊估计设备所在区域，并选择初始种子点后，采用原始区域生长算法，对电力设备红外图像进行分割，得到的分割结果如图11所示。

通过图10和图11的对比可以看出，本发明提出的改进区域生长方法，能够有效的避免过生长问题，提高电力设备红外图像的分割质量。

本发明提供的用于电力设备红外图像分割的改进区域生长方法，通过借鉴基于边缘检测的图像分割方法所含思想以及对边缘检测所含物理意义的分析，利用边缘检测技术实现对图像所在区域的初步划分，将初步划分区域作为分割目标，大大减小待分割图像背景复杂度，从而为阈值选取创造良好条件，进而根据对灰度信息的统计，实现区域生长技术中初始种子点的自动选取，并充分利用求得边缘信息，目标区域信息，对区域生长过程中种子点的选取加以约束，最终实现电力设备红外图像自动分割。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种用于电力设备红外图像分割的改进区域生长方法，其特征在于，包括以下步骤：

S1，将电力设备红外图像转化为灰度图像，采用边缘检测分割方法对灰度图像进行横纵方向差分运算，得到电力设备的边缘像素点；

S2，对边缘像素点进行出入点分类及匹配，初步确定设备可能在的区域；所述步骤S2，对边缘像素点进行出入点分类及匹配，初步确定设备可能在的区域，具体包括：

将E_R和E_C中大于零元素所对应的像素点标记为入点，小于零元素对应的像素点标记为出点；

记行方向入点构成矩阵为出点构成矩阵为/>有：

对矩阵进行遍历，匹配入点对应出点，设/>为待匹配入点，最优匹配点选取方式为：

s.t.

j<α≤N

式中，λ₁,λ₂,λ₃为各项系数，均取1，A为所有在右侧的出点构成的集合，a为对应出点所在列序号；

在通过式(7)计算得到最优匹配点/>后，需判断|X(i+1,j)-X(i,a₀)|即入点右侧点与出点间灰度差与是大于灰度差阈值，若大于则说明最优点选择存在问题，式(7)增加约束条件a≠a₀，重新选择最优匹配点/>并进行判断，直至选出与入点对应出点，或无符合条件出点为止；

设大小为M×N的图像标签矩阵为L₁，遍历若/>或/>但不存在/>对应出点则记L₁(i,j)＝0，否则记：

L₁(i，n)＝1 j≤n≤a (8)

式中，a为当时对应出点所在列序号；

S3，利用有效性检测算子对设备可能在的区域的灰度图像进行遍历，得到有效区域，通过对有效区域的灰度及面积指标判断，完成对设备区域的初步划分；

S4，对初步划分的设备区域内进行灰度统计，利用其初步划分的设备区域内部灰度分布的双峰特性，实现对种子点的自动选择；

S5，完成种子点的选择后，以横纵方向差分运算得到的出入点和初步划分的设备区域为约束，进行设备区域生长操作，并于生长完成后利用形态学运算为分割图像去毛边、缝隙，从而得到最终的电力设备分割结果。

2.根据权利要求1所述的用于电力设备红外图像分割的改进区域生长方法，其特征在于，所述步骤S1中，采用边缘检测分割方法对灰度图像进行横纵方向差分运算，得到电力设备的边缘像素点，具体包括：

采用行边缘检测算子和列边缘检测算子进行横纵方向差分运算：

式中，X为图像矩阵，大小为M×N，X_(i,j)表示红外图像(i,j)处像素点，设(0,0)为红外图像左上角像素点，(m,n)为红外图像右下角像素点，G_R(i,j)即为(i,j)处行方向差分数值，G_C(i,j)即为(i,j)处列方向差分数值；

若将差分算子写作矩阵形式则有：

式中，R即为行方向差分算子，C为列方向差分算子；

对灰度图像的运算可写作以下形式：

式中，为卷积运算符，通过边缘检测算子与红外图像的卷积运算，即可得到红外图像行列方向梯度数据矩阵G_R和G_C，通过对电力设备红外图像统计可知，边缘检测阈值应能够筛除大部分梯度绝对值较小的像素点，仅保留少数梯度绝对值较大的像素点作为边缘像素点，即：

式中，E_R为将非边缘点置零，边缘点以阈值a为中心进行数值收缩得到的边缘矩阵，表示逐元素乘法，sign(·)为符号函数，card(·)表示统计矩阵元素个数，a为划分边缘像素点与非边缘像素点的阈值，λ为非边缘点占总像素点的比例，λ取值为0.95；式(4)给出的为行方向边缘点的选择方案，与列方向边缘点选择方式相同。

3.根据权利要求1所述的用于电力设备红外图像分割的改进区域生长方法，其特征在于，所述步骤S3，利用有效性检测算子对设备可能在的区域的灰度图像进行遍历，得到有效区域，通过对有效区域的灰度及面积指标判断，完成对设备区域的初步划分，具体包括：

利用有效性检测算子p对L₁矩阵做有效性检测，其中有效性检测算子p为大小为k×k大小的内部元素全部为1的矩阵，有效性检测方式为若L₁(i,j)<0.5k²，记有效性标签矩阵L₂(i,j)＝1，认为该位置为有效区域；

对L₂矩阵按8连通方式对连通的L₂(i,j)＝1的有效区域进行编号，并用相应编号替代数值1，设编号数值为{1,2,3,…l}，统计不同编号出现次数，记为num_x：

num_x＝card(L₂＝x) x∈{1，2，3，...l} (9)

令x₀即为面积最大的有效区域对应编号，认为x₀编号对应区域为设备区域；

令s.t.x≠x₀，x₁即为面积次大的有效区域对应编号，并判断是否/>若满足条件则进一步判断x₀和x₁编号对应区域灰度平均值是否接近，若接近则可认定x₁编号对应区域同样为设备区域；

按上述判断标准，依次将所有的编号区域与x₀编号对应区域比较面积及平均灰度，确定除x₀对应区域外是否存在其他设备区域；

完成设备区域的确定后，将其所在区域规则化，记x'为设备所在区域编号，首先确定设备区域边界位置：

式中，i'₀为包含设备区域的行最小值，i'₁为包含设备区域的行最大值，j'₀为包含设备区域的列最小值，j'₀为包含设备区域的列最大值；

确定规则化设备区域边界位置：

设设备区域标签矩阵L₃，在L₃中标记模糊估计得到的设备所在区域，标记方式如下：

4.根据权利要求3所述的用于电力设备红外图像分割的改进区域生长方法，其特征在于，所述步骤S4，对初步划分的设备区域内进行灰度统计，利用其初步划分的设备区域内部灰度分布的双峰特性，实现对种子点的自动选择，具体包括：

对设备区域进行灰度频率统计，由于此时已大幅缩小设备可能的所在区域，此时灰度频率直方图分布具备典型的双峰特点；

记灰度较大区域峰值对应灰度为X_s，设生长标签矩阵L₄，并于L₄中标记初始种子点：

5.根据权利要求4所述的用于电力设备红外图像分割的改进区域生长方法，其特征在于，所述步骤S5，完成种子点的选择后，以横纵方向差分运算得到的出入点和初步划分的设备区域为约束，进行设备区域生长操作，并于生长完成后利用形态学运算为分割图像去毛边、缝隙，从而得到最终的电力设备分割结果，具体包括：

步骤S501，遍历种子点，记录种子点八连通区域像素点所在位置；

步骤S502，遍历八连通区域内像素点，判断该像素点与种子点间灰度差是否大于设定阈值；

步骤S503，如果否，判断该像素点是否为边界点，继续步骤S504；如果是，重复步骤S502；

步骤S504，如果否，将该像素点记为新种子点，如果是，记录该像素点为待生长边缘像素点，但不生长；

步骤S505，重复步骤S502至步骤S504，直至八连通区域内像素点遍历完成；

步骤S506，判断种子点是否遍历完成，如果是，判断此次遍历是否新增种子点；

步骤S507，如果是，重复步骤S501至步骤S506；如果否，将此前记录的待生长边缘像素点补充为种子点。

6.根据权利要求5所述的用于电力设备红外图像分割的改进区域生长方法，其特征在于，所述设定阈值为3。