CN113506312A - 一种紫外放电图像分割方法及计算机可读介质 - Google Patents

Abstract

本发明涉及一种紫外放电图像分割方法及计算机可读介质，其中紫外放电图像分割方法包括：步骤1：获取待分割紫外放电图像，对图像进行预处理；步骤2：对紫外图像进行超像素分割；步骤3：对图像进行显著性检测；步骤4：使用具有Lévy飞行特征的蝙蝠算法优化的大津算法对显著性检测结果进行二值化阈值选取，获得紫外图像分割结果。与现有技术相比，本发明具有分割效果好、准确快速等优点。

Description

一种紫外放电图像分割方法及计算机可读介质

技术领域

本发明涉及图像分割技术领域，尤其是涉及一种结合显著性检测及优化大津算法的紫外放电图像分割方法及计算机可读介质。

背景技术

当电力设备出现绝缘老化等问题时，可能存在局部放电现象，影响到设备的安全稳定运行。局部放电发出的光线包括可见光，红外线和紫外线。传统的探测方法包括人工目视和红外成像等，但当这两种方法探测到可见光或红外信号时，电力设备往往已严重破损且出现发热现象，及时性差，且都易受到太阳光的干扰，效果不够理想。太阳光线照射到地球的紫外线波长在280nm以上，280nm以下的区间称为日盲区，而电晕放电产生的紫外线有一部分波长在280nm以下，利用紫外成像仪对其进行探测，可避免太阳光的干扰，对电力设备放电情况进行及时检测。

图像分割是一种将图像划分为若干不重叠且有实际意义的区域，并对感兴趣区域进行提取的技术。对紫外成像分析而言，紫外图像分割是基础且重要的步骤。紫外图像分割即将紫外图像分割为放电信号区域(即目标区域)和背景区域，对放电信号区域进行提取的技术。

图像分割包括边缘检测、区域分割和阈值分割等方法，其中阈值分割是最基本的传统图像分割方法，其计算简单、速度快且性能较稳定，应用最为广泛。而阈值分割方法应用于紫外图像分割时，由于紫外图像中背景区域的干扰，放电信号区域的提取易受到影响，图像分割速度较慢，效果较差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种分割效果好、准确快速的紫外放电图像分割方法及计算机可读介质。

本发明的目的可以通过以下技术方案来实现：

一种紫外放电图像分割方法，所述的紫外放电图像分割方法包括：

步骤1：获取待分割紫外放电图像，对图像进行预处理；

步骤2：对紫外图像进行超像素分割；

步骤3：对图像进行显著性检测；

步骤4：使用具有Lévy飞行特征的蝙蝠算法优化的大津算法对显著性检测结果进行二值化阈值选取，获得紫外图像分割结果。

优选地，所述的步骤1具体为：获取待分割紫外放电图像，对图像进行高斯平滑，去除图像噪声。

优选地，所述的步骤2具体为：

将图像划分为若干个超像素，将特征相似的像素点划分为同一个超像素，同时保留图像中物体的边界信息；

超像素分割后得到带有超像素标签的与图像同大小的矩阵label，标签相同的像素归属于同一个超像素，并记分割后超像素的个数为n。

优选地，所述的步骤3具体为：

步骤3-1：根据原始图像与带有超像素标签的矩阵label的对应关系求出超像素信息矩阵；

步骤3-2：根据超像素信息矩阵分别求出每个超像素点的全局显著性值；

步骤3-3：使用全局显著性值代替超像素点的灰度值，获得全局显著性结果图。

更加优选地，所述的超像素信息矩阵维度为n*5维，每行分别为每个超像素的平均横坐标、平均纵坐标、平均红色分量R、平均绿色分量G和平均蓝色分量B。

更加优选地，所述的全局显著值的计算方法为：

对于超像素i，计算i到所有超像素点的距离之和作为超像素i的显著性值，具体为：

将Sa(i)归一化至[0,255]，即：

其中，n为超像素点的个数。

优选地，所述的步骤4具体为：

步骤4-1：获取显著性检测结果图，初始化参数；

步骤4-2：随机初始化蝙蝠位置，将大津算法的类间方差判别函数作为蝙蝠算法的目标函数，将最优阈值作为蝙蝠算法中的蝙蝠最优位置，计算蝙蝠个体当前的最优位置x^*；

步骤4-3：引入Lévy飞行位置更新公式代替原蝙蝠算法的位置和速度更新公式；

步骤4-4：生成随机数R₁，如果R₁小于蝙蝠个体i的最大脉冲频度r_i，则按Lévy飞行更新公式更新蝙蝠位置，否则对蝙蝠位置进行随机扰动，更新蝙蝠位置；再生成随机数R₂，若R₂小于蝙蝠个体i的最大脉冲音强A_i且蝙蝠当前位置得到改善，则飞至更新后位置；

步骤4-5：更新位置后，若蝙蝠i优于群体中的最佳蝙蝠，则用其替换最佳蝙蝠，并对脉冲频度

和脉冲音强

进行更新，更新方法为：

步骤4-6：对蝙蝠群体进行评估，找出当前最佳蝙蝠及其所处位置；

步骤4-7：若搜索精度满足要求或达到最大迭代次数，结束迭代并输出最优阈值，否则返回步骤4-4，继续迭代；

步骤4-8：利用最优阈值对全局显著性图进行二值化，取得紫外图像分割结果。

更加优选地，所述步骤步骤4-2中的目标函数，即类间方差判别函数具体为：

记图像分割的阈值为T，T对应的类间方差判别函数为：

σ_B＝w_F(u_F-u_T)²+w_B(u_B-u_T)²

其中，w_F和w_B分别为目标区域和背景区域的像素在图像中所占比例；u_F和u_B分别为目标类和背景类像素灰度均值；u_T为图像所有像素的均值，u_T＝w_Fu_F+w_Bu_B；

类间方差σ_B取最大值时的T即为最优分割阈值T^*，即

更加优选地，所述的Lévy飞行位置更新公式具体为：

其中，

表示蝙蝠i在第t次搜寻中的位置，Lévy(λ)表示跳跃步长服从Lévy分布的随机搜索向量，λ为尺度参数，范围为1≤λ≤3；

为矢量运算，x^*表示当前群体中最佳个体所处位置。

一种计算机可读介质，所述的计算机可读介质内存储有上述任一项所述的紫外放电图像分割方法。

与现有技术相比，本发明具有以下有益效果：

一、分割效果好：本发明中的紫外放电图像分割方法通过显著性检测对放电信号区域与其他区域进行区分，突出放电信号区域，有效改善了紫外图像分割效果。

二、准确快速：本发明中的紫外放电图像分割方法使用具有Lévy飞行特征的蝙蝠算法对大津算法进行优化，加快阈值选取速度的同时保证了阈值选取的准确性，实现了紫外放电图像的快速和准确分割。

附图说明

图1为本发明中紫外放电图像分割方法的流程示意图；

图2为本发明实施例中进行显著性检测的示意图；

图2(a)为原始图像，图2(b)为超像素分割图，图2(c)为全局显著性图；

图3为本发明中优化大津算法的流程示意图；

图4为本发明实施例中对比试验的结构示意图；

图4(a)为待分割图像，图4(b)、图4(c)和图4(d)分别为经过大津算法、自适应阈值算法以及本发明中的优化大津算法处理的二值化分割图。

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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本实施例涉及一种结合显著性检测及优化大津算法的紫外放电图像分割方法，其流程如图1所示，包括：

步骤1：获取待分割紫外放电图像，对图像进行预处理；

首先导入待分割图像，如图2(a)所示。然后对图像进行高斯平滑，去除图像噪声，以便于对图像进行超像素分割；

步骤2：对紫外图像进行超像素分割，如图2(b)所示；

超像素分割可以将图像划分为若干个超像素，将位置相邻且色彩、亮度、纹理等特征相似的像素点划分为同一个超像素，同时保留图像中物体的边界信息，超像素分割后得到带有超像素标签的与图像同大小的矩阵label，标签相同的像素属于同一超像素，并记分割后超像素的个数为n；

步骤3：对图像进行显著性检测，使放电信号区域与背景区域的区分度更大，突出放电信号区域。显著性检测的具体步骤如下：

步骤3-1：根据原始图像与带有超像素标签的矩阵label的对应关系求出超像素信息矩阵；

超像素信息矩阵维度为n*5维，每行分别为每个超像素的平均横坐标、平均纵坐标、平均红色分量R、平均绿色分量G和平均蓝色分量B；

步骤3-2：根据超像素信息矩阵分别求出每个超像素点的全局显著性值，如图(c)所示，放电信号区域与背景区域的区分度变大；

对于超像素i，计算i到所有超像素点的距离之和作为超像素i的显著性值，具体为：

将Sa(i)归一化至[0,255]，即：

其中，n为超像素点的个数；

步骤3-3：使用全局显著性值Sa(i)代替超像素点的灰度值，获得全局显著性结果图。

步骤4：使用具有Lévy飞行特征的蝙蝠算法优化的大津算法对显著性检测结果进行二值化阈值选取，获得紫外图像分割结果；

进行图像分割需要选取分割的阈值，大津算法是一种自适应阈值分割方法，通过遍历整个灰度区间确定合适的阈值，将图像分割为目标和背景两个区域，使得目标和背景之间的灰度值方差差异最大。大津算法的分割性能良好，但由于需要遍历整个灰度区间，导致计算量大，运行速度慢。使用蝙蝠算法对其进行求解速度的优化。蝙蝠算法是一种搜索全局最优解的有效方法，初始化一组随机解，通过迭代搜寻最优解，可以加快大津算法的收敛。但是蝙蝠算法有易陷入局部极值而过早收敛的缺点，因此采用Lévy飞行搜索策略对蝙蝠算法进行优化，利用Lévy飞行会产生较大跳跃的特性，有效克服蝙蝠算法因陷入局部极值而过早收敛的缺陷。优化大津算法的流程如图3所示，包括：

步骤4-1：获取显著性检测结果图，初始化蝙蝠算法参数和Lévy飞行特征参数；

初始化的相关参数包括：蝙蝠群体数m＝20，最大迭代次数N＝90，最大声波频率f_max＝2，最小声波频率f_min＝0.5，蝙蝠个体i初始最大脉冲频度r_i ⁰＝0.75，脉冲频度增加系数γ＝0.04，初始最大脉冲音强A_i＝0.4，脉冲音强衰减系数α＝0.99，Lévy飞行尺度参数λ＝1.5，搜索脉冲频率范围为[0.5,2]；

步骤4-2：随机初始化蝙蝠位置，将大津算法的类间方差判别函数作为蝙蝠算法的目标函数，将最优阈值作为蝙蝠算法中的蝙蝠最优位置，计算蝙蝠个体当前的最优位置x^*；

记蝙蝠的初始位置为

初始速度为

记图像分割的阈值为T，T对应的类间方差判别函数为：

σ_B＝w_F(u_F-u_T)²+w_B(u_B-u_T)²

其中，w_F和w_B分别为目标区域和背景区域的像素在图像中所占比例；u_F和u_B分别为目标类和背景类像素灰度均值；u_T为图像所有像素的均值，u_T＝w_Fu_F+w_Bu_B；

类间方差σ_B取最大值时的T即为最优分割阈值T^*，即

步骤4-3：引入Lévy飞行位置更新公式代替原蝙蝠算法的位置和速度更新公式；

Lévy飞行位置更新公式具体为：

其中，

表示蝙蝠i在第t次搜寻中的位置，Lévy(λ)表示跳跃步长服从Lévy分布的随机搜索向量，λ为尺度参数，范围为1≤λ≤3；

为矢量运算，x^*表示当前群体中最佳个体所处位置；

步骤4-4：生成随机数R₁，如果R₁小于蝙蝠个体i的最大脉冲频度r_i，则按Lévy飞行更新公式更新蝙蝠位置，否则对蝙蝠位置进行随机扰动，更新蝙蝠位置；再生成随机数R₂，若R₂小于蝙蝠个体i的最大脉冲音强A_i且蝙蝠当前位置得到改善，则飞至更新后位置；

步骤4-5：更新位置后，若蝙蝠i优于群体中的最佳蝙蝠，则用其替换最佳蝙蝠，并对脉冲频度

和脉冲音强

进行更新，更新方法为：

步骤4-6：对蝙蝠群体进行评估，找出当前最佳蝙蝠及其所处位置；

步骤4-7：若搜索精度满足要求或达到最大迭代次数，结束迭代并输出最优阈值，否则返回步骤4-4，继续迭代；

步骤4-8：利用最优阈值对全局显著性图进行二值化，取得紫外图像分割结果。

待分割图像如图4(a)所示，使用大津算法、自适应阈值算法、及本实施例提出方法得到的二值化图像分割结果分别如图4(b)、图4(c)和图4(d)所示，可以看出大津算法和自适应阈值算法进行二值化分割时都受到了背景的干扰，不能很好地分割出放电信号区域，而本实施例中的分割方法可以准确地分割出放电信号区域，不受背景的干扰。

本实施例还涉及一种计算机可读介质，该介质内存储有上述任一项紫外放电图像分割方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种紫外放电图像分割方法，其特征在于，所述的紫外放电图像分割方法包括：

步骤1：获取待分割紫外放电图像，对图像进行预处理；

步骤2：对紫外图像进行超像素分割；

步骤3：对图像进行显著性检测；

步骤4：使用具有Lévy飞行特征的蝙蝠算法优化的大津算法对显著性检测结果进行二值化阈值选取，获得紫外图像分割结果。

2.根据权利要求1所述的一种紫外放电图像分割方法，其特征在于，所述的步骤1具体为：获取待分割紫外放电图像，对图像进行高斯平滑，去除图像噪声。

3.根据权利要求1所述的一种紫外放电图像分割方法，其特征在于，所述的步骤2具体为：

将图像划分为若干个超像素，将特征相似的像素点划分为同一个超像素，同时保留图像中物体的边界信息；

超像素分割后得到带有超像素标签的与图像同大小的矩阵label，标签相同的像素归属于同一个超像素，并记分割后超像素的个数为n。

4.根据权利要求1所述的一种紫外放电图像分割方法，其特征在于，所述的步骤3具体为：

步骤3-1：根据原始图像与带有超像素标签的矩阵label的对应关系求出超像素信息矩阵；

步骤3-2：根据超像素信息矩阵分别求出每个超像素点的全局显著性值；

步骤3-3：使用全局显著性值代替超像素点的灰度值，获得全局显著性结果图。

5.根据权利要求4所述的一种紫外放电图像分割方法，其特征在于，所述的超像素信息矩阵维度为n*5维，每行分别为每个超像素的平均横坐标、平均纵坐标、平均红色分量R、平均绿色分量G和平均蓝色分量B。

6.根据权利要求4所述的一种紫外放电图像分割方法，其特征在于，所述的全局显著值的计算方法为：

对于超像素i，计算i到所有超像素点的距离之和作为超像素i的显著性值，具体为：

将Sa(i)归一化至[0,255]，即：

其中，n为超像素点的个数。

7.根据权利要求1所述的一种紫外放电图像分割方法，其特征在于，所述的步骤4具体为：

步骤4-1：获取显著性检测结果图，初始化参数；

步骤4-2：随机初始化蝙蝠位置，将大津算法的类间方差判别函数作为蝙蝠算法的目标函数，将最优阈值作为蝙蝠算法中的蝙蝠最优位置，计算蝙蝠个体当前的最优位置x^*；

步骤4-3：引入Lévy飞行位置更新公式代替原蝙蝠算法的位置和速度更新公式；

步骤4-4：生成随机数R₁，如果R₁小于蝙蝠个体i的最大脉冲频度r_i，则按Lévy飞行更新公式更新蝙蝠位置，否则对蝙蝠位置进行随机扰动，更新蝙蝠位置；再生成随机数R₂，若R₂小于蝙蝠个体i的最大脉冲音强A_i且蝙蝠当前位置得到改善，则飞至更新后位置；

步骤4-5：更新位置后，若蝙蝠i优于群体中的最佳蝙蝠，则用其替换最佳蝙蝠，并对脉冲频度

和脉冲音强

进行更新，更新方法为：

步骤4-6：对蝙蝠群体进行评估，找出当前最佳蝙蝠及其所处位置；

步骤4-7：若搜索精度满足要求或达到最大迭代次数，结束迭代并输出最优阈值，否则返回步骤4-4，继续迭代；

步骤4-8：利用最优阈值对全局显著性图进行二值化，取得紫外图像分割结果。

8.根据权利要求7所述的一种紫外放电图像分割方法，其特征在于，所述步骤步骤4-2中的目标函数，即类间方差判别函数具体为：

记图像分割的阈值为T，T对应的类间方差判别函数为：

σ_B＝w_F(u_F-u_T)²+w_B(u_B-u_T)²

其中，w_F和w_B分别为目标区域和背景区域的像素在图像中所占比例；u_F和u_B分别为目标类和背景类像素灰度均值；u_T为图像所有像素的均值，u_T＝w_Fu_F+w_Bu_B；

类间方差σ_B取最大值时的T即为最优分割阈值T^*，即

9.根据权利要求7所述的一种紫外放电图像分割方法，其特征在于，所述的Lévy飞行位置更新公式具体为：

其中，

表示蝙蝠i在第t次搜寻中的位置，Lévy(λ)表示跳跃步长服从Lévy分布的随机搜索向量，λ为尺度参数，范围为1≤λ≤3；

为矢量运算，x^*表示当前群体中最佳个体所处位置。

10.一种计算机可读介质，其特征在于，所述的计算机可读介质内存储有如权利要求1～9中任一项所述的紫外放电图像分割方法。

Images