基于优化去雾算法的配网开关状态视频识别技术研究

2018-03-28 22:09:13 大云网　点击量：评论 (0)

为解决雾霾天气下室外电力设备人工巡检的不便,以经典暗通道先验去雾算法为基础,针对传统算法复杂度高、天空区域处理效果不理想等问题,提出了一种优化的去雾算法。该算法通过灰度开运算来自适应获取大气光强,采用下采样和插值算法降低算法复杂度,并引入形态学算法和容差机制优化

0 引言

在对电力系统设备进行维护时,工作人员常常需要到现场进行巡检^[1],以核对相应开关状态,这样不仅劳动强度大、操作时间长,且安全性低。通过引入视频图像识别技术,可实现现场电力设备开关状态的自动识别,在节省人力物力的同时大大提高了工作效率。

雾霾天气的出现为电力巡检带来了很大挑战。场景中的物体反射到达视频采集设备中的光线变少,且受到雾中颗粒物反射光或散射光的干扰^[2],采集到的视频图像无法反映真实的场景信息。对于采用视频图像识别技术监测电力设备开关状态来说,雾天采集的图像使得通过图像提取有用信息的难度加大^[2],大大地降低了识别的精度和效率。因此,必须对采集的图像进行清晰化处理,才能保证开关状态的准确识别。

图像去雾一般有两种方式,即图像增强^[3]和复原。现阶段采用比较广泛的是基于物理模型的方法,即对雾霾图像降质的根本原因进行分析,构建雾天的图像成像模型^[4],然后对有雾图像进行复原来达到去雾的目的。Tan^[5]实现去雾的方法是提高图像的对比度,但是该方法容易出现过度增强、颜色失真等问题。Fattal^[6]则使用独立成分分析法,即假设透射率与表面投影局部不相关,此算法只能在雾较少的情况下达到满意的效果。基于暗通道先验^[7]的去雾算法是何恺明博士提出的一种经典的针对单幅图像进行去雾的方法,此方法去雾效果理想,但是算法的复杂度很高,去雾效率相对较低。

针对现有算法的局限性,本文以何恺明提出的算法为基础,提出了一种优化的去雾算法。该算法采用灰度开运算来自适应获取大气光强,采用下采样和插值的方法来提高透射率的估计速度,针对大量天空区域存在的问题,采用形态学算法并引入容差机制对透射率进行优化。最后,本文以雾霾环境下采集到的配网柱上跌落式开关视频图像为例,对其进行去雾处理并识别开关状态,采用尺度不变特征变换匹配算法（Scale-Invariant Feature Transform,SIFT）对开关进行提取定位,Hough变换算法对开关状态进行识别,仿真和实验表明效果良好。

1 暗通道先验

雾霾图像的形成过程^[7]可表示为：

（2）

式中：J^c表示图像J的一个颜色通道,r、g、b分别表示红绿蓝3种颜色通道,Ω(x)表示以x为中心的方形窗口,J^dark表示图像J的暗通道,使用公式（2）所表达的统计性规律称为暗通道先验。

由暗通道先验规律可得初始的透射率估计：

（4）

式中：t₀为控制阈值,一般取0.1^[7]。

2 优化的去雾算法

2.1 自动调节大气光强

暗通道中存在的白色物体会对大气光强的估计产生很大影响^[8],对式（1）进行灰度开运算可减小此影响,即：

（6）

由式（6）可得透射率的初始估值,即：

（8）

由式（8）可得出大气光强A的区间估计为：

（10）

式中：mean(·)表示对所有元素取均值。由于α与Î ^dark的灰度分布有关,所以可判断大气光强A具有自动调节功能^[8]。

2.2 透射率优化

用初始透射率t(x)以及经过软抠图算法进行优化后的透射率如图1所示。

图1 传统暗通道先验算法透射率示意Fig.1 Transmissivity of traditional dark channel prior

将图1的两个透射率图像进行比较可知,软抠图优化后的透射率图像经过优化后的效果主要表现在灰度变化比较明显的区域^[3],因此本文针对此区域（即边缘）进行优化,这样可以减少优化范围,降低算法复杂度。本文采用基于形态学开运算^[9]算法对透射率进行细化,开运算处理可以有效快速地通过估算雾的密度来优化透射率,可以改善恢复图像产生的块效应。

同时,针对天空、白色物体等明亮区域暗通道先验失效的问题,通过引入容差机制^[10]对明亮区域的透射率进行调整。假设δ^c(x)表示像素x的相对颜色值,容差机制可描述为：

（12）

它表示图像在x的像素I^c与大气光强A^c之间的距离,距离越大,表明两者相差越大,反之两者越相近^[10]。当K(x)接近0时,像素x可视为图像的
光强。

本文设定阈值K₀,当容差K(x)小于K₀时,说明像素点的透射率估计偏差较大,需要进行调整,反之则不需要进行调整^[11]。修正后的透射率估计为：

Fig.2 The flow chart of improved defogging algorithm " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">图2 改进的去雾算法流程Fig.2 The flow chart of improved defogging algorithm

算法使用MATLAB R2016b环境编程实现。何的算法获得的透射率及去雾后图像与本文算法获得的透射率及去雾后图像的对比如图3所示。

由图3可以看出,本文提出的算法获得的透射率边缘比何提出的算法获得的透射率边缘更加清晰,获得的去雾图像的细节也比较明显。

图3 两种算法的透射率及去雾图像Fig.3 Transmissivity and defogging images of two algorithms

此外再针对两种不同尺寸图像分别采用两种算法进行去雾处理,对比结果如图4所示。

图4 利用两种算法恢复出的两幅图像Fig.4 Two images of two defogging algorithms

两种算法的执行时间对比见表1所列。

表1 本文算法与He算法时间对比Tab.1 Time comparison between two defogging algorithms

由此可以看出,本文提出的算法相较传统暗通道先验去雾算法在速度上有了显著提高,去雾效果比较理想,可以满足图像识别的要求,同时为工业上实现实时监测提供了可能。

3 开关状态识别

跌落式开关又叫跌落式熔断器,是一种短路保护开关,在10 kV/12 kV配电线路分支线和配电变压器中得到了广泛应用^[12],它能有效适应户外的操作环境,具有经济、操作方便等特点。因此,被广泛应用于10 kV/12 kV配电线路和配电变压器一次侧作为保护和进行设备投、切操作之用^[12]。同时,因为其有一个明显的断点,具备隔离开关的功能,为电力设备的检修创造了一个安全的作业环境。

3.1 开关定位

对柱上跌落式开关进行定位采用尺度不变特征变换匹配算法（Scale-Invariant Feature Transform,SIFT）。SIFT特征对旋转、尺度缩放、亮度变化等都具有不变性^[13],是非常稳定的局部特征。算法具体流程为如下。

1）尺度空间构造。生成尺度空间需要先构造图像高斯金字塔,然后利用连续的高斯卷积核与原图像进行卷积生成^[14]。一幅二维图像在不同尺度下的尺度空间可表示为：

（15）

式中：(x,y)为图像的像素坐标,I(x,y)为图像数据。σ称为尺度空间因子,可反映图像的平滑程度^[15]。

将相邻组别的高斯图像相减,可以得到一组高斯差分图像：

（17）

（19）

（21）

式（21）中的[x′,y′,1]^T和[x,y,1]^T表示任一组特征匹配点在模板图像和待匹配图像上的像素点坐标,H称为投影变换矩阵。

确定匹配关系后需要把式（21）中的H进行参数估计,再配合随机采样的方式,至少需要4个匹配点来提高估计的适应性^[15]。同时,为提高匹配的准确度,需要加大抽样次数。

3.2 开关状态识别

Hough变换是利用图像的全局特性,将图像的边缘像素进行连接^[13],继而组成区域的封闭边界。这种算法可以把不连续的像素点进行连接,从而对已知的形状进行检测。本文采用直线Hough变换对开关状态进行识别检测。直线变换的方程为：

Fig.5 The flow chart of switch recognition " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">图5 开关识别算法流程Fig.5 The flow chart of switch recognition