CN114170103A - 一种电气设备红外图像增强方法 - Google Patents

Abstract

本发明公开了一种电气设备红外图像增强方法，首先利用NSST变换将红外图像分解成高频和低频两部分，对低频分量采用基于Jaya算法改进Otsu阈值分割算法区分主要电力设备和背景环境，前景电力设备部分采用线性增强法，后景背景部分采用直方图均衡算法，再分别进行增强处理。使用多尺度Retinex算法对高频的边缘细节进行增强，同时加强清晰度。最后将处理后的低频分量和高频分量进行NSST逆变换得到最终增强图像。本发明的电气设备红外图像增强方法，不仅能够提高电气设备红外图像对比度，在过滤电力设备红外图像噪声上也颇有成效，对电力设备热故障的检测与故障定位也做出了贡献。

Description

一种电气设备红外图像增强方法

技术领域

本发明涉及一种电气设备红外图像增强方法。

背景技术

电力设备作为电力系统各个环节的“执行者”，保证电气设备的正常运行是保障整个电力系统稳定运转的基础。由于电力系统大部分故障往往会产生热效应，故现场工作人员可通过获取电气设备的温度信息判断设备的状态。根据此特性，可将被测物体的温度直观展现的红外技术广泛运用在电力设备的温度检测。该技术观察便利、采集效率高，能够很大程度上提高设备的故障预警能力。但同时也存在一些缺陷，比如存在呈现的图片较模糊、部分设备体积较大无法精准定位故障点等问题。因此对电力设备红外图像进行优化是目前需要加强研究的课题之一。

为了保证图像的清晰、真实性，研究人员致力于增强图像的对比度，提高图片画质的清晰度，同时还需要防止噪声的干扰。红外技术在电气领域的应用虽然是近代才逐渐热门，但其发展历程却不短。现阶段比较常用的图像增强方法是利用智能算法，精准、快速地找出目标最优解，再通过其他常见方法抑制噪声并保证图片地真实性。最后在此基础上，对可能存在异常的设备红外图像进行分析。由于在频域中可以较好地控制设备图像波形的频率，故当下比较推荐的红外图像增强方法是频域方法。最早的频域变换方式为傅里叶变换，变换精确简便却缺少重要的时间信息。小波变换包括了时间信息以及频率信息，但该方法的适用条件相对局限，只适用于分析同相的变换。基于中波变换的小波融合新方法，可得到更加清晰的图像，但在图像分割时候可能存在局部分割的情况。剪切波变换能够进行任意方向变换，同时每一尺度的方向数也可以不同，对红外图像中的边缘检测和增强具有很好的效果，但是尺度变换和方向变换过程中的下采样会使得最终合成图像产生伪吉布斯效应。非下采样的剪切波变换(non-subsampled shearlet transform，NSST)方式，在保持剪切波变换的优势下，该方式特有的平移不变性消除了伪吉布斯效应。故红外图像增强最合适的频域变换算法是NSST。

图像增强方法可根据其处理空间的不同分为两大类：空域方法和变换域方法。空域方法是在图像的像素空间直接进行处理，以每个像素点为操作对象，通过改变像素灰度值来达到增强的目的，如对图像的直方图处理、灰度变换和空域滤波处理等；而变换域方法是以图像在某种变换域(如傅里叶变换域、小波变换域)内为基础的处理，通过对变换域中参数的修改来实现对某一特征的增强效果，最终经反变换得到处理后的图像。

1.常用的空域增强算法有：

(1)直方图均衡算法

基于图像直方图的红外图像增强算法简单易用、实现方便，在一些较低要求的应用场合能够满足实际需求，在实际中应用最为广泛。直方图均衡是一种最常用的图像对比度增强算法，它是基于统计学原理，通过统计图像像素灰度值的分布函数，扩展图像灰度域的范围，以达到增强图像对比度、增加信息熵、视觉效果更清晰的目的。图像灰度值是离散变量，灰度值为l的概率密度为：

N为像素总量；n_l为灰度值为l的像素数；图像的灰度分布函数为：

直方图均衡化算法对灰度分布函数乘以(L-1)来作为点新像素值，转换关系式为：

利用直方图均衡化方法处理低频低温分量，可以有效地降低背景亮度，并且突出非电力设备主体部分目标像素值，加大了该部分与背景的灰度差，从而提高了原图像的辨识度。

(2)线性增强算法

红外图像对比度较低的原因通常是灰度集中在动态范围较窄的区域，而为了将其灰度范围进行扩大，采用线性增强的方法。

首先应根据灰度直方图确定线性变换的边界。此时可以通过寻找灰度直方图的最大灰度级，来确定灰度集中区域的范围。可通过最大灰度值来确定线性增强的左右边界，设左边界为a_L，右边界为a_R。

在左右边界确定之后，便可对低频前景部分进行先行增强，若用z(x,y)表示增强后的图像，计算式为：

该方式有利于维持原始电力红外图像的灰部分布规律，通过计算所得的灰度值边界范围[a_L,a_R]，将其中所存在的像素点进行线性增强，从而提高电力设备区域的视觉效果，达到各部分互不影响，起到独立观察的效果。

(3)空域滤波增强

空域滤波主要分为线性滤波和非线性滤波。线性滤波的优点是计算复杂度低，但容易造成细节边缘模糊；非线性滤波器能够较好地保持图像边缘，高效去除信号中的噪声。图像处理中常用的空域滤波器主要有：均值滤波器、高斯滤波器、中值滤波器、形态学滤波器和多项式滤波器等。空域滤波器能够实现图像的平滑与锐化，是常用的红外图像处理算法。由于其实现简单，其性能能够满足基本的图像处理要求，在实际场合中常常通过选择合适的空域滤波器，在对应的场合下得到较好的增强效果。

2.传统变换域增强算法：频域增强是目前图像增强使用最为广泛的方法之一，主要包含：

(1)傅里叶算法

频域处理从傅里叶变换开始发展，基于傅里叶变换的频域增强方法的主要思想都是利用二维离散傅里叶变换将图像从空间域变换至频域，对频域参数进行修改来对图像中某些频率的信息进行增强或者抑制，之后再通过反变换得到增强后的图像。

(2)小波变换

小波变换的图像增强算法的基本原理与傅里叶变换增强类似。利用小波变换在变换域内设定不同的变换尺度，从而分离原图像中相异分辨率的图像特征，将各种图像特征转变为对应的小波分量，再使用适当的变换函数对各个分量进行变换处理，以增强相异分辨率的图像特征。

(3)剪切波变换

剪切波变换是对小波变换的一种改进，继承了曲线波和轮廓波的许多优点，它能够实现多维信号和各向异性信息在多个尺度和多个方向上的稀疏表示。所以，剪切波变换能够精确地检测二维图像中信号的奇异成分，例如边缘。由于剪切波变换具有多分辨率、多方向表示和局部化等特性，所以它逐渐应用在图像重建、图像融合、图像增强、边缘检测和图像去噪等图像处理的很多个领域当中。

使用经典的具有合成膨胀性质的仿射系统理论，把几何变换和多尺度分析结合起来去构造剪切波。在二维空间中，剪切波变换的定义表示为：

SH_ψf(j,o,l)＝＜f,ψ_j,o,l＞ (2-5)

其中，SH_ψf(j,o,l)表示剪切波变换的系数，j、o和l分别表示剪切波变换的尺度参数、方向参数和平移参数，f表示一个函数，ψ_j,o,l表示剪切波。剪切波ψ_j,o,l的定义表示为：

其中，

A_j表示各向异性的膨胀矩阵。B_o表示非扩展的剪切矩阵。A_j和B_o是2×2的可逆矩阵，并且|det B|＝1。剪切波是一种合成小波，它能够实现尺度变换和几何变换，这说明它具有多分辨率分析的特征，能够在不同尺度、方向和位置上构造紧框架。

3.但是，这些传统的红外图像增强方法具有各种缺点：

空域增强算法：

(1)直方图均衡算法

虽然直方图均衡算法简单易于实现，能满足一般需求。但红外图像往往具有背景强、目标弱小的特点，面积较小的目标经过该方法处理后会淹没在面积较大(对应直方图较高的峰)的背景中，导致背景的过增强，可能反而降低了目标与背景之间的对比度。

(2)线性增强算法

受红外焦平面制作工艺和外界因素影响，干扰信号混入实景信息中形成噪声。线性增强对图像整体像素值进行处理，处理过程中实景信息和噪声信息不做区分。线性算法处理可以增强物体与背景的对比度，相应的噪声信息也被相应地放大，导致电力设备红外图像的质量和视觉效果降低，对电力设备的异常分析和故障判断造成更多干扰。

(3)空域滤波增强

线性滤波的缺点是容易造成细节边缘模糊，无法对复杂滤波进行完全滤除，只适用于噪声信息简单的图像。

传统变换域增强算法

(1)傅里叶算法

基于傅里叶变换的频域增强方法不包含时间信息，无法提现图像完整性。如果仅简单地对图像高频部分进行提升或是对低频部分进行抑制，会出现“振铃”的现象，影响图像的主观效果。

(2)小波变换

基于小波变换的图像增强算法的基是各向同性的，适合表示点奇异的信号。然而面对各向异性的线奇异或者面奇异高维信号，如图像的边界以及线状特征等，小波变换不能最优地表示，从而会影响增强效果。且这类算法的执行效率不高，实时实现也相对困难，工程上用得并不多。

(3)剪切波变换

剪切波变换考虑了图像的方向性，且可以实现图像的最佳稀疏表示，在电力设备红外图像中边缘检测和图像增强有很好的效果，但进行尺度变换和方向变换的下采样操作容易使图像出现伪吉布斯现象。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种电气设备红外图像增强方法，基于Jaya算法改进Otsu阈值分割和多尺度的NSST域，不仅能够提高电气设备红外图像对比度，在过滤电力设备红外图像噪声上也颇有成效，对电力设备热故障的检测与故障定位也做出了贡献。

实现上述目的的技术方案是：一种电气设备红外图像增强方法，包括以下步骤：

S1，采用NSST变换对原始电力设备红外图像进行多尺度多方向的变换，将原始电力设备红外图像从空间域转换到频域，将原始电力设备红外图像分解为高频分量和低频分量；

S2，对经过步骤S1得到的高频分量，采用多尺度Retinex算法进行模糊增强，形成增强后的高频图像；

S3，对经过步骤S1得到的低频分量，采用基于Java算法改进Otsu阈值分割算法进行处理，将低频分量分割为电力设备主体的前景和后景；

S4，对步骤S3中分割得到的前景采用线性增强算法进行增强，对步骤S3中分割得到的后景采用直方图均衡算法进行增强，最后形成增强后的低频图像；

S5，将增强后的高、低频图像分别进行NSST逆变换，得到增强后的红外图像。

上述的一种电气设备红外图像增强方法，步骤S1中，所述多尺度多方向的变换包括多尺度分解和方向局部化两个过程，其中：

多尺度分解过程，通过非下采样金字塔滤波器组将原始电力设备红外图像分解成一个高频图像和低频图像，再基于分解得到的低频图像进行NSP分解，经过k次NSP分解后得到k个高频子带和1个低频子带图像；

方向局部化过程，NSST利用改进剪切波变换对多尺度分解得到的高频子带和低频子带图像进行局部化处理，首先将标准剪切波滤波器从伪极坐标系映射到笛卡尔坐标，进行傅里叶逆变换；最后利用二维卷积完成最终处理，将原始电力设备红外图像分解为高频分量和低频分量。

上述的一种电气设备红外图像增强方法，步骤S2中，多尺度Retinex算法对原始电力设备红外图像的高频分量采用大、中、小3个尺度进行加权平均，原始电力设备红外图像的高频分量经过多尺度Retinex算法处理后，在去除振铃和噪音的同时，保留高频分量的边缘细节。

上述的一种电气设备红外图像增强方法，步骤S3中，基于Java算法改进Otsu阈值分割算法的流程如下：

设定一幅灰度级为L的图像，大小为M×N，灰度级的范围为[0,L-1]，将P₀类定义为灰度级为[0,S]的所有像素点，P₁,类定义为灰度级为[S,L-1]的所有像素点，将P₀类和P₁,类出现的概率分别是P₀(S)和P₁(S)，平均灰度级分别是a₀(S)和a₁(S)，那么：

其中，P_i为灰度级i在图像中出现的概率；

图像的平均灰度值α表示为：

a＝P₀(S)a₀(S)+P₁(S)a₁(S)

图像的类间方差δ²为：

otsu分割的最优阈值S'即为类间方差的最大值：

S'＝arg max(l≤S≤L){δ²(S)}

利用Jaya算法来寻找类间方差的最大值，获取otsu分割的最优阈值，利用Jaya算法优化otsu阈值分割的精度，提高Otsu阈值分割算法的运行速度，经过Jaya算法改进Otsu阈值分割算法适应度函数为：

fun{S'}＝arg max(l≤S≤L){δ²(S)}。

上述的一种电气设备红外图像增强方法，步骤S4中，设基于Java算法改进Otsu阈值分割算法得到的低频分量的前景的灰度范围为[x_min,x_max]，利用线性增强的方式拉伸该低频分量的前景的灰度值，拉伸后的灰度值范围为[x_min,255]，前景的灰度值得到最大限度的拉伸，灰度增强公式为：

式中：x_new为增强后对应灰度值，低频分量的前景图像经过线性增强后仍然可以保持原有的图像分布特征，同时增强了目标物体的视觉效果，加强了红外图像中电力设备的的辨识度和细节分布，增强后的边缘部分灰度值下线保持x_min不变，防止电力设备主体混入背景区域。

上述的一种电气设备红外图像增强方法，步骤S4中，直方图均衡算法包括以下步骤：

图像灰度值是离散变量，灰度值为x的概率密度为：

式中：N为像素总数；n_x为灰度值为x的像素数；L是灰度级，为2⁸＝256级；图像的灰度分布函数为：

直方图均衡算法对灰度分布函数乘以系数(L-1)，作为新图像对应像素点的像素值，转换关系为：

直方图均衡化算法保证后景的亮度和灰度值的降低，突出显示灰度值小于基于Jaya算法改进Otsu阈值分割算法的电力设备像素，增加电力设备像素与背景的灰度差，减少电力设备细节的遗漏。

本发明的电气设备红外图像增强方法，首先利用NSST变换将红外图像分解成高频和低频两部分。对低频分量采用基于Jaya算法改进Otsu阈值分割算法区分主要电力设备和背景环境，前景电力设备部分采用线性增强法，后景背景部分采用直方图均衡算法，分别进行增强处理。使用多尺度Retinex算法对高频的边缘细节进行增强，同时加强清晰度。最后将处理后的低频分量和高频分量进行NSST逆变换得到最终增强图像。

附图说明

图1为本发明的电气设备红外图像增强方法的流程图；

图2为剪切波变换的频域支集以及支称集的大小的示意图；

图3为Jaya优化算法的流程图；

图4为实施例中户外某电站红外原始图像的示意图；

图5a为采用传统Ostu算法对实施例中的电站红外图像分割的效果图；

图5b为采用基于Java算法改进Otsu阈值分割算法对实施例中的电站红外图像分割的效果图；

图6a为低频分量的红外图像；

图6b为低频分量的前景的增强效果图；

图6c为低频分量的后景的增强效果图；

图7为采用四种算法对实施例中的电站红外图像进行增强的效果对比图。

具体实施方式

为了使本技术领域的技术人员能更好地理解本发明的技术方案，下面结合附图对其具体实施方式进行详细地说明：

请参阅图1，本发明的最佳实施例，一种电气设备红外图像增强方法，包括以下步骤：

S1，采用NSST变换对原始电力设备红外图像进行多尺度多方向的变换，将原始电力设备红外图像从空间域转换到频域，将原始电力设备红外图像分解为高频分量和低频分量；

S2，对经过步骤S1得到的高频分量，采用多尺度Retinex算法进行模糊增强，形成增强后的高频图像；

S3，对经过步骤S1得到的低频分量，采用基于Java算法改进Otsu阈值分割算法进行处理，将低频分量分割为电力设备主体的前景和后景；

S4，对步骤S3中分割得到的前景采用线性增强算法进行增强，对步骤S3中分割得到的后景采用直方图均衡算法进行增强，最后形成增强后的低频图像；

S5，将增强后的高、低频图像分别进行NSST逆变换，得到增强后的红外图像。

NSST变换算法：

利用NSST(非下采样的剪切波变换，non-subsampled shearlet transform)变换算法对图像进行多尺度几何变换，并且实现图像的多尺度几何分析。变换后产生一个低频系数子带和多个高频系数子带。图像的低频部分聚集了大量的图像实体，影响了处理后图像的整体对比度。因此有必要对低频部分的对比度进行增强。高频系数主要包含图像的细节和边缘纹理信息面，对高频部分进行去噪增强处理，增加了电力设备红外图像的细节，提高了边缘识别能力，对整体图像的增强十分有益。

请参阅图2，Guo、Labate等人通过几何分析和多分辨率分析理论相结合提出合成小波，当维数n＝2时，具有的合成膨胀仿射系统为：

式(4-1)中，

,L为可积空间，R表示合集，Z表示整数集合。矩A和B均为2×2可逆矩阵，并且|detB|＝1。假设对于任意函数f∈L²(R²),若

都满足Parseval框架(紧支撑条件)，即

表示合成小波。矩阵A控制尺度变换，矩阵B控制几何方向变换(平移、缩放、剪切等)。这样可以让

在每个方向和尺度上构造Parseval框架。当

时，合成小波即为剪切波。一般情况下，a＝4,b＝1。剪切波实际上是合成小波的一种特例。

非下采样剪切波变换包括多尺度分解和方向局部化两个过程。多尺度分解通过非下采样金字塔(Non-subsampled Pyramid,NSP)滤波器组将原始图像分解成一个高频图像和低频图像，再基于分解得到的低频图像进行NSP分解。经过k次NSP分解后得到k个高频子带和1个低频子带图像。方向局部化，NSST利用改进剪切波变换对分解图像进行局部化处理，首先将标准Shearlet滤波器从伪极坐标系映射到笛卡尔坐标，进行傅里叶逆变换。最后利用二维卷积完成最终处理。

高频分量处理：

原始电力设备图像在经过NSST变换后得到的频率较高的一些细节信息，但其中也含有高频噪音和图像的边缘。为了提高图片细节的节呈，采用多尺度Retinex算法进行处理，将高频部分可能存在的振动或者噪音进行消除，增强图像的清晰度，从而获得增强后的高频分量。Retinex原理如下：

根据多尺度Retinex理论，一幅红外图像R(x,y)可以由入射分量I(x,y)和反射分量O(x,y)乘积得到，其数学表达式如下所示：

R(x,y)＝I(x,y)O(x,y) (4-3)

对式(4-3)取对数，可以得到：

ln R(x,y)＝ln[I(x,y)O(x,y)]＝ln I(x,y)+ln O(x,y) (4-4)

若I(x,y)＝R(x,y)*G(x,y)，则反射分量可以表示为：

ln O(x,y)＝ln R(x,y)-ln[R(x,y)*G(x,y)] (4-5)

式(4-5)被称为单尺度Retinex算法。其中，*代表卷积运算，G(x,y)代表高斯滤波数，λ代表满足条件时的归一化常数，代表环绕参数。该滤波函数的表现形式为：

由式(4-5)和式(4-6)可以看出单尺度Retinex算法只含有单一变量参数δ。这表示SSR无法同时压缩动态范围和调整色感。在此基础上，可同时调整范围和色彩度的多尺度Retinex算法(MSR)被提出，其数学表达式为：

式(4-7)可对每个尺度的单尺度Retinex算法所得结果进行不同权重的加权。其中，N为环绕尺度数，ω_i为不同的权重，需满足

本实施例中，N＝3，即多尺度Retinex算法对原始红外图像的高频部分采用大、中、小3个尺度进行加权平均。

图像经过多尺度Retinex处理后，在去除振铃和噪音的同时，还可以保留高频部分的边缘细节。

低频分量处理：

Java算法

Jaya算法是于2016年提出的一种简单高效的新型优化算法，具有收敛快寻优强的特点。传统Jaya算法是Rao等提出的一种元启发式算法，它基于持续改进的原理，将个体不断向优秀个体靠拢，同时不断远离差的个体，进而不断提高解的质量。传统Jaya算法主要基于迭代公式(4-8)，每次通过该方程迭代进化获取新的解，因此Jaya算法不像其他进化算法需要许多的参数，它只需要针对特定问题调整迭代过程的参数，减少了因为调整过多参数而带来的测试上的麻烦。与其它元启发式算法相比，Jaya算法更容易理解和实现。该算法的迭代公式如下所示：

X′_i,j,k＝X′_i,j,k+r_best,i,j,k*(X_best,j,k-|X_i,j,k|)-r_worst,i,j(X_worst,i,j,k-|X_i,j,k|)(4-8)

式(4-8)中，i代表种群中第i个个体，i＝1,...,n，j代表个体的第j维变量，j＝1,2,...,dim,k表示当前迭代的次数。X,X'表示第k代的第i个个体在第j维上更新前和经过Jaya公式迭代计算后的值。r_best,r_worst是[0,1]之间的随机数，通过调整这两个参数大小，调整逼近最优解的能力。X_best,j,k，X_worst,j,k分别表示第k代的最优差个体在第j维上的值。

其中，r_best,i,j,k*(X_best,j,k-|X_i,j,k|)将当前个体朝当代最优解的方向进化,r_worst,i,j(X_worst,i,j,k-|X_i,j,k|)将当前个体朝远离当代最差解方向进行进化。如果生成的新个体的适应度比原始个体优秀，则用新个体代替原始个体，否则不替换，然后对下一个个体进行Jaya迭代。当遍历完所有个体之后，进行下一轮迭代。Jaya优化算法的流程图请参阅图3。

基于Jaya算法改进otsu阈值分割算法

经典Otsu算法核心思想是根据图像的灰度特征把图像分为目标和背景两部分，然后通过类间方差的值来评价两者的差别程度。因此，只要选择一个最佳阈值使得类间方差最大即可。具体的数学描述过程如下：假设一幅灰度级为L的图像，大小为M×N，灰度级的范围为[0,L-1]。将P₀类定义为灰度级为[0,S]的所有像素点P₁,定义为灰度级为[S,L-1]的所有像素点。将P₀和P₁,类出现的概率分别是P₀(S)和P₁(S)，平均灰度级为a₀(S)和a₁(S)。那么：

其中，P_i为灰度级i在图像中出现的概率。

图像的平均灰度值可表示为：

a＝P₀(S)a₀(S)+P₁(S)a₁(S) (4-13)

图像的类间方差为：

最优的阈值分割即为类间方差的最大值：

S'＝arg max(l≤S≤L){δ²(S)} (4-15)

利用Jaya算法来寻找类间方差的最大值，获取otsu分割的最优阈值，利用Jaya算法优化otsu阈值分割的精度，提高Otsu阈值分割算法的运行速度，经过Jaya算法改进Otsu阈值分割算法适应度函数为：

fun{S'}＝arg max(l≤S≤L){δ²(S)} (4-16)

前景增强方法：

设基于Java算法改进Otsu阈值分割算法得到的低频分量的前景的灰度范围为[x_min,x_max]，利用线性增强的方式拉伸该低频分量的前景的灰度值，拉伸后的灰度值范围为[x_min,255]，前景的灰度值得到最大限度的拉伸，灰度增强公式为：

式(4-17)中：x_new为增强后对应灰度值，低频分量的前景图像经过线性增强后仍然可以保持原有的图像分布特征，同时增强了目标物体的视觉效果，加强了红外图像中电力设备的的辨识度和细节分布，增强后的边缘部分灰度值下线保持x_min不变，防止电力设备主体混入背景区域。

该线性增强方式有利于维持原始电力红外图像的灰部分布规律，提高电力设备区域的视觉效果，达到各部分互不影响，起到独立观察的效果。

后景增强方法：

后景主要包含背景部分，其中背景部分是全红外图像中非兴趣区域，背景主体部分是环境，而环境最大因素就是不确定性以及复杂性。故需要通过算法解决某些温度较低时，电气设备与背景部分的灰度值相似的问题。可以采用直方图均衡算法对基于Jaya算法改进Otsu阈值分割算法处理后的低温子带进行加强。

图像灰度值是离散变量，灰度值为x的概率密度为：

式中：N为像素总数；n_x为灰度值为x的像素数；L是灰度级，为2⁸＝256级；

图像的灰度分布函数为：

直方图均衡算法对灰度分布函数乘以系数(L-1)，作为新图像对应像素点的像素值，转换关系为：

直方图均衡化算法保证后景的亮度和灰度值的降低，突出显示灰度值小于基于Jaya算法改进Otsu阈值分割算法的电力设备像素，增加电力设备像素与背景的灰度差，减少电力设备细节的遗漏。

验证实验：

使用Matlab软件对某变电站的红外图像进行分割分析，验证本发明的电气设备红外图像增强方法中采用的基于Jaya算法改进Otsu阈值分割算法的优越性。同时，将基于Jaya算法改进Otsu阈值分割算法与其他常见的算法进行比较。

请参阅图4、图5a和图5b，采用户外某电站原始红外图像为例进行说明，与传统的Otsu最大阈值分割法相比，基于Jaya算法改进Otsu阈值分割算法的处理速度较短，处理效果更清晰，有效地分割出背景和目标，对细节的分割明显，便于人眼直观辨别。

请参阅图6a、图6b和图6c，电站原始红外图像的低频部分前景和后景增强效果对比图，线性增强方式有利于维持原始电力红外图像的灰部分布规律，提高电力设备区域的视觉效果，达到各部分互不影响，起到独立观察的效果。直方图均衡化算法保证后景的亮度和灰度值的降低，突出显示灰度值小于基于Jaya算法改进Otsu阈值分割算法的电力设备像素，增加电力设备像素与背景的灰度差，减少电力设备细节的遗漏。

采用多尺度Retinex算法对电站原始红外图像的高频部分采用大、中、小3个尺度进行加权平均。图像经过多尺度Retinex处理后，在去除振铃和噪音的同时，还可以保留高频部分的边缘细节。

请参阅图7，为了验证该算法的有效性，以电站红外图像为实验样本，对He(Historgarm Equalization，直方图均衡化)算法、Pal-King算法、传统NSST算法和本发明的电气设备红外图像增强进行了比较分析。图7中，a为Pal-King算法增强后的电力设备红外图像；b为HE(Historgarm Equalization，直方图均衡化)算法增强后的电力设备红外图像；c为传统NSST算法增强后的电力设备红外图像；d为本发明的电气设备红外图像增强方法增强后的电力设备红外图像。

从原始红外灰度图像可以看出，图像中含有噪声，具有丰富的断层区目标和背景；根据图7的四种增强结果图像进行对比，基于直方图增强红外图像的He算法，可以看出整体对比度有所提高，但背景亮度有所增强，噪声不仅没有得到抑制，反而还被放大。Pal-King增强后，目标亮度增强，但细节轮廓丢失。传统NSST算法增强后，可能过分平滑图像，丢失大量细节信息，从而引起检测工作过程中工作人员的误判等情况。采用本发明的电气设备红外图像增强方法，不仅可以清晰地看到电力设备故障区域的热源，提高被测区域与无关区域的灰度对比度，去噪效果明显，而且被测区域的详细轮廓非常清晰，便于人眼识别热故障。

采用边缘强度(ES)、信息熵(IE)、对比度(CR)、标准差(SD)和峰值信噪比(PSNR)五项客观指标评价进行对比分析，结果如表1所示。

评价指标	ES	IE	CR	SD	PSNR
						原图	22..514	6.456	129.941	46.775	13.382
HE	57.334	5.789	235.423	53.398	19.297
						Pal-King	37.689	4.767	218.798	63.485	15.263
本发明	59.991	6.784	319.260	69.885	27.726

表1

从表1的实验结果的客观评价表可以看出，与其他三种算法相比，本发明的电气设备红外图像增强方法的边缘强度、信息熵、对比度、标准差和峰值信噪比都是三种算法中最高的，算法在上述五个评价指标中的增幅至少为7.45％、5.38％、9.64％、5.78％、25.12％，说明该算法优化后的图像对比度提高最明显，噪声最小，受监控区域影响最小，红外目标显著。通过以上分析，与其他算法相比，本发明的电气设备红外图像增强方法在主观指标和客观指标上都有较好的表现。

本发明针对电力设备红外图像因噪声、模糊、对比度低而难以识别电力设备热故障的问题，设计了一种电气设备红外图像增强算法，基于Jaya算法改进Otsu阈值分割和多尺度的NSST域，与直方图均衡化算法、Pal-King增强算法和传统NSST算法相比，该算法在主观和客观方面都有较好的性能。结果表明，增强后的红外图像去噪效果较好，检测出的热故障区域与背景的对比度明显提高，细节纹理更清晰，人眼更容易识别故障。本发明的电气设备红外图像增强算法具有很强的实用性，在实际电力设备红外检测中取得了很好的效果。

作为本发明的变形，可以采用其它的频域变换算法取代NSST变换，比如采用非下采样轮廓(NSCT)变换算法取代NSST变换。利用灰狼、鲸鱼、蝙蝠等算法优化Otsu阈值分割。采用平台直方图均衡化代替直方图均衡化，运用比较成熟的有Virgil E.Vichers迭代算法给变换后的低频分量进行增强处理。采用其它滤波方式给变换后的高频分量进行去噪处理，比如双边滤波器、引导滤波器去噪等。利用深度学习技术设计一种卷积神经网络用于图像增强。

综上所述，本发明的电气设备红外图像增强方法，基于Jaya算法改进Otsu阈值分割和多尺度的NSST域，不仅能够提高电气设备红外图像对比度，在过滤电力设备红外图像噪声上也颇有成效，对电力设备热故障的检测与故障定位也做出了贡献。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (6)

1.一种电气设备红外图像增强方法，其特征在于，包括以下步骤：

S1，采用NSST变换对原始电力设备红外图像进行多尺度多方向的变换，将原始电力设备红外图像从空间域转换到频域，将原始电力设备红外图像分解为高频分量和低频分量；

S2，对经过步骤S1得到的高频分量，采用多尺度Retinex算法进行模糊增强，形成增强后的高频图像；

S3，对经过步骤S1得到的低频分量，采用基于Java算法改进Otsu阈值分割算法进行处理，将低频分量分割为电力设备主体的前景和后景；

S4，对步骤S3中分割得到的前景采用线性增强算法进行增强，对步骤S3中分割得到的后景采用直方图均衡算法进行增强，最后形成增强后的低频图像；

S5，将增强后的高、低频图像分别进行NSST逆变换，得到增强后的红外图像。

2.根据权利要求1所述的一种电气设备红外图像增强方法，其特征在于，步骤S1中，所述多尺度多方向的变换包括多尺度分解和方向局部化两个过程，其中：

多尺度分解过程，通过非下采样金字塔滤波器组将原始电力设备红外图像分解成一个高频图像和低频图像，再基于分解得到的低频图像进行NSP分解，经过k次NSP分解后得到k个高频子带和1个低频子带图像；

方向局部化过程，NSST利用改进剪切波变换对多尺度分解得到的高频子带和低频子带图像进行局部化处理，首先将标准剪切波滤波器从伪极坐标系映射到笛卡尔坐标，进行傅里叶逆变换；最后利用二维卷积完成最终处理，将原始电力设备红外图像分解为高频分量和低频分量。

3.根据权利要求1所述的一种电气设备红外图像增强方法，其特征在于，步骤S2中，多尺度Retinex算法对原始电力设备红外图像的高频分量采用大、中、小3个尺度进行加权平均，原始电力设备红外图像的高频分量经过多尺度Retinex算法处理后，在去除振铃和噪音的同时，保留高频分量的边缘细节。

4.根据权利要求1所述的一种电气设备红外图像增强方法，其特征在于，步骤S3中，基于Java算法改进Otsu阈值分割算法的流程如下：

设定一幅灰度级为L的图像，大小为M×N，灰度级的范围为[0,L-1]，将P₀类定义为灰度级为[0,S]的所有像素点，P₁,类定义为灰度级为[S,L-1]的所有像素点，将P₀类和P₁,类出现的概率分别是P₀(S)和P₁(S)，平均灰度级分别是a₀(S)和a₁(S)，那么：

其中，P_i为灰度级i在图像中出现的概率；

图像的平均灰度值α表示为：

a＝P₀(S)a₀(S)+P₁(S)a₁(S)

图像的类间方差δ²为：

otsu分割的最优阈值S'即为类间方差的最大值：

S'＝argmax(l≤S≤L){δ²(S)}

利用Jaya算法来寻找类间方差的最大值，获取otsu分割的最优阈值，利用Jaya算法优化otsu阈值分割的精度，提高Otsu阈值分割算法的运行速度，经过Jaya算法改进Otsu阈值分割算法适应度函数为：

fun{S'}＝argmax(l≤S≤L){δ²(S)}。

5.根据权利要求1所述的一种电气设备红外图像增强方法，其特征在于，步骤S4中，设基于Java算法改进Otsu阈值分割算法得到的低频分量的前景的灰度范围为[x_min,x_max]，利用线性增强的方式拉伸该低频分量的前景的灰度值，拉伸后的灰度值范围为[x_min,255]，前景的灰度值得到最大限度的拉伸，灰度增强公式为：

式中：x_new为增强后对应灰度值，低频分量的前景图像经过线性增强后仍然可以保持原有的图像分布特征，同时增强了目标物体的视觉效果，加强了红外图像中电力设备的的辨识度和细节分布，增强后的边缘部分灰度值下线保持x_min不变，防止电力设备主体混入背景区域。

6.根据权利要求1所述的一种电气设备红外图像增强方法，其特征在于，步骤S4中，直方图均衡算法包括以下步骤：

图像灰度值是离散变量，灰度值为x的概率密度为：

式中：N为像素总数；n_x为灰度值为x的像素数；L是灰度级，为2⁸＝256级；

图像的灰度分布函数为：

直方图均衡算法对灰度分布函数乘以系数(L-1)，作为新图像对应像素点的像素值，转换关系为：

直方图均衡化算法保证后景的亮度和灰度值的降低，突出显示灰度值小于基于Jaya算法改进Otsu阈值分割算法的电力设备像素，增加电力设备像素与背景的灰度差，减少电力设备细节的遗漏。

Images