一種基于云變換的輸電線路山火監測閾值計算方法與流程

本發明屬于電力工程技術領域，具體涉及一種基于云變換的輸電線路山火監測閾值計算方法。

背景技術：

我國架空輸電線路大部分位于崇山峻嶺區域，尤其是近些年隨著電網規模的不斷擴大，±800kV及以上跨區特高壓線路桿塔大多處于偏遠山區地帶。由于地形地貌和氣候條件的原因使其極易引發山火，造成輸電線路跳閘事故。為實現對輸電線路山火的有效監測，國家電網公司采用了多種方式，包括氣象衛星遙感、固定地點安裝煙火探測裝置以及派護林員進行人工蹲守監視等。目前的監測方法主要借鑒于林業部門，在大面積森林山火以及固定地點山火防治方面具有一定成效，但是由于在多云天氣，氣象衛星不能透過云層觀測山火存在諸多不足。目前，基于紅外圖像的熱點監測技術在輸電線路山火監測領域得到了廣泛應用。

在對輸電線路紅外熱成像圖像進行處理時，由于后續工作的需要，往往需將紅外熱成像圖像中山火區域以及異常發熱的區域分別分割出來。當前文獻中常用的區域分割方法有雙峰法、灰度閾值分割法、最大類間方差法、最大熵閾值法、模糊閾值法等。其中，雙峰法要求圖像的灰度級直方圖呈現出明顯的雙峰狀，但是實際的直方圖是離散的，往往十分粗糙、參差不齊，有可能形成多個谷底；灰度閾值分割中閾值的選取大多是依據經驗，對于復雜山火環境難以確定；最大類間方差法適用于處理目標和背景的對比度較大且背景不是很復雜的情況；最大熵閾值法可以對非理想雙峰直方圖進行分割，是目前應用較多的一種圖像分割方法。但是這種方法在確定閾值時計算量很大，在實時性方面很難達到山火監測要求，效率比較低。

技術實現要素：

針對輸電線路山火監測圖像處理中閾值選取問題，為避免在獲取最大熵準則函數全局最優解時巨大的計算量，提出一種基于云變換的輸電線路山火監測閾值計算方法，能夠快速、準確地進行山火監測，有效提高輸電線路山火辨識的精度，減少跳閘事故。

一種基于云變換的輸電線路山火監測閾值計算方法，對待監測的輸電線路山火區域的紅外圖像的灰度直方圖進行云變換，得到多個云概念，計算各云概念的概率密度函數曲線的交叉點坐標，將交叉點對應的灰度級作為潛在最優閾值；并通過計算各潛在最優閾值下圖像的熵函數數值，以熵函數數值最大的閾值點作為最佳閾值，用以識別圖像中山火區域。

所述云變換是采用基于峰值的云變換方法，且采用正態云模型。

利用云概念躍升方法對距離最近的兩個云概念進行合并獲得躍升后的云概念。

所述潛在最優閾值下圖像的熵函數數值的計算公式如下：

$H\left(t\right)=-\underset{k=1}{\overset{t}{\Σ}}\frac{p_k}{p_t}{\log }_2\frac{p_k}{p_t}-\underset{k=t+1}{\overset{L}{\Σ}}\frac{p_k}{p_t}{\log }_2\frac{p_k}{p_t}$

式中，n_k表示待監測的輸電線路山火區域的紅外圖像對應的灰度圖像中出現歸一化灰度級r_k的像素個數，M×N為紅外圖像中像素總數；t表示潛在最優閾值；

若紅外圖像對應的灰度圖像中灰度級數為L，則對像素的灰度級f_k進行歸一化的計算公式如下：

$r_k=\frac{f_k-\underset{k=1,2,...,L}{min}\left\{f_k\right\}}{\underset{k=1,2,...,L}{max}\left\{f_k\right\}-\underset{k=1,2,...,L}{\min }\left\{f_k\right\}}$

所述灰度直方圖是通過對待監測的輸電線路山火區域的紅外圖像進行中值濾波處理后獲得的灰度圖像進行灰度統計獲得。

有益效果

本發明提出了一種基于云變換的輸電線路山火監測閾值計算方法，在圖像灰度直方圖的基礎上，利用基于峰值法的云變換方法提取紅外圖像灰度級概率分布的定性特征，得到熱紅外圖像分割的潛在最優閾值；并通過計算潛在閾值下圖像的熵函數值，獲取最佳閾值以識別圖像中山火區域，有效提高輸電線路山火監測的準確性。以云模型為理論基礎，可根據熱紅外圖像灰度級分布實際情況，自動生成一系列由云模型表示的基本概念，并通過計算熵函數值得到山火區域識別的最優閾值，實現了對紅外圖像灰度直方圖的有效搜索。該方法思路清晰，操作方便，實用性強，可有效識別圖像中山火區域，并且對于多峰狀直方圖具有較好的分割效果。

附圖說明

圖1為基于云變換的輸電線路山火監測閾值計算方法流程圖；

圖2為紅外圖像歸一化后的灰度直方圖；

圖3為紅外圖像灰度直方圖云變換結果；

圖4為紅外圖像灰度直方圖云綜合后得到的潛在最優閾值。

具體實施方式

下面將結合附圖和實施例對本發明做進一步的說明。

一種基于云變換的輸電線路山火監測閾值計算方法，如圖1所示，具體實現步驟是：

步驟1：獲取輸電線路山火視頻監控熱紅外圖像，通過采樣獲取輸電線路山火視頻監控熱紅外圖像，并利用中值濾波法進行失真校正和噪聲抑制。中值濾波計算公式為：

f(x,y)＝med{g(x-i,y-j),(i,j∈W)}

式中，g(x,y)和f(x,y)分別為原始圖像和處理后圖像在位置(x,y)處像素的灰度值，W為二維區域模塊，本實施例中取3*3區域。

步驟2：對紅外圖像像素的灰度級作歸一化處理，計算圖像灰度直方圖，如圖2所示。若圖像中灰度級數為L，則對像素的灰度級f_k進行歸一化的計算公式如下：

$r_k=\frac{f_k-\underset{k=1,2,...,L}{min}\left\{f_k\right\}}{\underset{k=1,2,...,L}{max}\left\{f_k\right\}-\underset{k=1,2,...,L}{\min }\left\{f_k\right\}}$

式中，r_k∈[0,1]。本實施例中L取值為255。采用概率密度函數p_k表示灰度級r_k出現的頻率，計算圖像的灰度分布，計算公式如下：

$p_k=\frac{n_k}{M\×N}$

式中，n_k表示圖像中出現r_k這種灰度的像素數，M×N為圖像中像素總數。在直角坐標系中做出r_k與p_k的關系圖即為圖像的灰度直方圖。

步驟3：采用基于峰值的云變換算法對圖像灰度直方圖進行云變換，如圖3所示，并選用正態云模型，得到多個表征灰度直方圖特征的云概念，其概率密度期望函數表達式為：

$f\left(x\right)\≈\underset{i=1}{\overset{S}{\Σ}}{\mathrm{\ϵ}}_i\·f_i\left(x\right),f_i\left(x\right)=e^{-{(x-{\mathrm{Ex}}_i)}^2/\left(2{{\mathrm{En}}_i}^2\right)}$

針對上述基本云概念，利用云概念躍升方法對基本云概念中距離最近的兩個概念進行合并，本實施例中選取最終躍升概念個數為3。通過利用基于“積分”思想的概念躍升算法，最終得到能夠有效表征圖像灰度圖分布特征的3個云概念。計算各云概念概率密度函數曲線的交叉點坐標，將其對應的灰度級作為潛在最優閾值，如圖4所示。

步驟4：計算各潛在最優閾值下圖像的熵函數值，取使得熵函數數值最大的閾值點作為輸電線路山火區域識別最佳閾值。熵函數值的計算公式為：

$H\left(t\right)=-\underset{k=1}{\overset{t}{\Σ}}\frac{p_k}{p_t}{\log }_2\frac{p_k}{p_t}-\underset{k=t+1}{\overset{L}{\Σ}}\frac{p_k}{p_t}{\log }_2\frac{p_k}{p_t}$

式中，

由此可見，采用上述基于云變換的輸電線路山火監測閾值計算方法，先通過云變換獲取少數潛在最優閾值再計算圖像總熵的方法，可以得到更好的山火區域分割效果，且操作方便、實用性強，可廣泛應用于輸電線路山火監測預警領域。