無參考圖像的變電設備紅外熱像圖質量評價方法及裝置與流程
本發明屬于圖像處理領域，尤其涉及一種無參考圖像的變電設備紅外熱像圖質量評價方法及裝置。
背景技術：
基于圖像處理技術對變電設備紅外檢測熱像圖進行質量評價，能指導操作人員更好地調整拍攝參數，更好的呈現圖像的有效信息，是通過紅外熱像圖來獲取變電設備運行狀態信息的關鍵步驟。
對變電設備紅外熱像圖進行質量評價屬于圖像分類問題，提取圖像有效特征并用SVM或KNN分類器進行分類是處理該類圖像分類問題的一般方法。該種方法的基本思想是，先通過分析待分類圖像特點，選擇或設計有效的特征，再對待分類圖像提取特征，用分類器進行分類實驗，測試和比較所提取特征的分類性能，從而最終選擇分類性能最優的特征或特征組合完成對整個數據集的質量評價。
傳統的質量評價方法一般是在有參考圖像的情況下，提取峰值信噪比(PSNR)、均方誤差(MSE)、質量指數Q等各種典型特征，來對圖像質量進行客觀的評價。該類圖像質量評價方法對于有參考圖像的情況有較好的評價效果。然而對于電力系統來說，通常是紅外熱像圖沒有相應的參考圖像的，這就要求對變電設備紅外熱像圖的質量評價工作要在無參考圖像的情況下進行。相應地，質量評價指標及特征的選取和設計也要根據圖像質量的主觀評價方法進行。
技術實現要素：
為了解決現有技術的缺點，本發明的第一目的是提供一種無參考圖像的變電設備紅外熱像圖質量評價方法。本發明的一種無參考圖像的變電設備紅外熱像圖質量評價方法，包括：
預設衡量圖像質量的若干個指標，分別計算圖像質量的各個指標相對應的質量評價特征，得到變電設備紅外熱像圖的特征向量；
獲取變電設備紅外熱像圖形成訓練集，將訓練集劃分為至少兩個質量等級；
提取訓練集中各個樣本的特征向量并輸入至支持向量機進行訓練，得到具有質量分類體系的分類器模型；
計算待評價變電設備紅外熱像圖的特征向量并輸入至分類器模型，最后輸出待評價變電設備紅外熱像圖相對應的質量等級。
本發明的該方法在無參考圖像情況下，對變電設備紅外熱像圖進行主觀質量評價的指標，并進一步對所設計指標進行了具體化的算法實現，通過機器學習的方式進行自主的質量等級分類，也即對每種指標提取相應質量評價特征。
其中，衡量圖像質量的指標包括：圖像的一維熵、圖像的二維熵、圖像清晰度、目標設備中心度和圖像結構信息。
優選地，計算圖像清晰度相對應的質量評價特征的過程為：
首先對變電設備紅外熱像圖進行灰度化處理，得到灰度圖像I；
再將灰度圖像I與拉普拉斯算子進行卷積，所得結果求絕對值，得到梯度圖像；
最后對所得梯度圖像的灰度求方差，作為圖像清晰度相對應的質量評價特征。
圖像的方差反映了圖像的對比度和高頻分量的大小，而圖像梯度可以反映圖像的邊緣信息和微小的紋理特征變化信息，因此通過對圖像求梯度，再對所得梯度圖像求方差，可以衡量圖像紋理和邊緣的明顯程度，以及圖像的清晰程度。
依據紅外熱像圖的拍攝原則，質量較好的圖像應當使目標設備位于圖像中心，目標運行設備和拍攝背景間存在較大的區域間差異性。優選地，計算目標設備中心度相對應的質量評價特征的過程為：
通過otsu二值化分割方法對灰度圖像進行二值化分割，得到多個二值化區域，提取有效大小中離圖像中心的區域作為中心區域；
求取中心區域的區域面積與圖像的面積的商，作為目標設備中心度相對應的質量評價特征。
在紅外檢測的實驗過程中，希望待測設備盡量處于圖像中心，并占據大部分空間，從而保證細節分析的準確性。因此通過計算目標設備中心度可以反應圖像的檢測質量。
優選地，計算圖像結構信息相對應的質量評價特征的過程為：
先構造原始紅外熱像圖的參考圖像，再計算原始紅外熱像圖與參考圖像的結構相似度，構建3維描述特征，得到圖像結構信息相對應的質量評價特征。
本發明的第二目的是提供一種無參考圖像的變電設備紅外熱像圖質量評價裝置，該裝置包括：
特征向量計算模塊，預設衡量圖像質量的若干個指標，分別計算圖像質量的各個指標相對應的質量評價特征，得到變電設備紅外熱像圖的特征向量；
樣本集獲取模塊，其用于獲取變電設備紅外熱像圖形成訓練集，將訓練集劃分為至少兩個質量等級；
分類器模塊獲取模塊，其用于提取訓練集中各個樣本的特征向量并輸入至支持向量機進行訓練，得到具有質量分類體系的分類器模型；
質量等級輸出模塊，其用于計算待評價變電設備紅外熱像圖的特征向量并輸入至分類器模型，最后輸出待評價變電設備紅外熱像圖相對應的質量等級。
衡量圖像質量的指標包括：圖像的一維熵、圖像的二維熵、圖像清晰度、目標設備中心度和圖像結構信息。
所述特征向量計算模塊包括圖像清晰度特征計算模塊，其用于：
首先對變電設備紅外熱像圖進行灰度化處理，得到灰度圖像I；
再將灰度圖像I與拉普拉斯算子進行卷積，所得結果求絕對值，得到梯度圖像；
最后對所得梯度圖像的灰度求方差，作為圖像清晰度相對應的質量評價特征。
所述特征向量計算模塊包括目標設備中心度特征計算模塊，其用于：
通過otsu二值化分割方法對灰度圖像進行二值化分割，得到多個二值化區域，提取有效大小中離圖像中心的區域作為中心區域；
求取中心區域的區域面積與圖像的面積的商，作為目標設備中心度相對應的質量評價特征。
所述特征向量計算模塊包括圖像結構信息特征計算模塊，其用于：
先構造原始紅外熱像圖的參考圖像，再計算原始紅外熱像圖與參考圖像的結構相似度，構建3維描述特征，得到圖像結構信息相對應的質量評價特征。
發明的該裝置在無參考圖像情況下，對變電設備紅外熱像圖進行主觀質量評價的指標，并進一步對所設計指標進行了具體化的算法實現，通過機器學習的方式進行自主的質量等級分類，也即對每種指標提取相應質量評價特征。
本發明的第三目的是提供一種無參考圖像的變電設備紅外熱像圖質量評價裝置，該裝置包括處理器，所述處理器被配置為：
預設衡量圖像質量的若干個指標，分別計算圖像質量的各個指標相對應的質量評價特征，得到變電設備紅外熱像圖的特征向量；
獲取變電設備紅外熱像圖形成訓練集，將訓練集劃分為至少兩個質量等級；
提取訓練集中各個樣本的特征向量并輸入至支持向量機進行訓練，得到具有質量分類體系的分類器模型；
計算待評價變電設備紅外熱像圖的特征向量并輸入至分類器模型，最后輸出待評價變電設備紅外熱像圖相對應的質量等級。
本發明的有益效果為：
(1)本發明的該方法提出了在無參考情況下對變電設備紅外熱像圖進行質量評價的一系列量化指標和相應特征，在無參考圖像情況下，對變電設備紅外熱像圖進行主觀質量評價的指標，并進一步對所設計指標進行了具體化的算法實現，通過機器學習的方式進行自主的質量等級分類，也即對每種指標提取相應質量評價特征，對于變電設備紅外熱像圖的量化評價具有一定的指導意義；
(2)在此基礎上，本發明的該方法可以通過對質量評價量化指標的計算，對紅外檢測的拍攝質量進行定量的分析統計，有利于檢測人員工作的提升；
(3)本發明的無參考圖像的變電設備紅外熱像圖質量評價裝置把紅外熱像圖檢測質量定性分析的過程轉化為定量評價，有利于紅外檢測工作的匯總統計和管理。
附圖說明
圖1是本發明的無參考圖像的變電設備紅外熱像圖質量評價方法流程圖；
圖2是本發明的計算圖像清晰度相對應的質量評價特征的流程圖；
圖3是本發明的計算目標設備中心度相對應的質量評價特征的流程圖；
圖4是本發明的計算圖像結構信息相對應的質量評價特征的流程圖；
圖5是本發明的無參考圖像的變電設備紅外熱像圖質量評價裝置結構示意圖；
圖6(a)為質量為第一等級紅外檢測熱像圖；
圖6(b)為質量為第二等級紅外檢測熱像圖；
圖6(c)為質量為第三等級紅外檢測熱像圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。
實施例一
圖1是本發明的無參考圖像的變電設備紅外熱像圖質量評價方法流程圖。如圖1所示的一種無參考圖像的變電設備紅外熱像圖質量評價方法，包括：
步驟1：預設衡量圖像質量的若干個指標，分別計算圖像質量的各個指標相對應的質量評價特征，得到變電設備紅外熱像圖的特征向量。
根據變電設備紅外熱像圖的成像特點，確定衡量圖像質量的若干個指標；衡量圖像質量的指標包括：圖像的一維熵、圖像的二維熵、圖像清晰度、目標設備中心度和圖像結構信息。
圖像結構信息包括圖像的亮度、對比度以及圖像的結構。
根據變電設備紅外熱像圖的成像特點，設計衡量圖像質量的若干指標。指標設計的步驟如下：
(1.1)根據評價圖像成像質量的一般方法，采用通用的幾個紅外熱像圖質量評價指標，如圖像的模糊程度、圖像的亮度；
(1.2)分析紅外熱像圖成像特點以及影響圖像成像質量的因素和參數(如輻射率)，結合檢測的專業需求，確定紅外熱像圖質量的指標，如目標設備中心度、紅外熱像圖結構信息。
步驟2：分別計算圖像質量的各個指標相對應的質量評價特征，得到變電設備紅外熱像圖的特征向量。
利用圖像處理技術對步驟1中所設計的質量衡量指標進行具體化的描述和實現。基于圖像的統計信息，分別得到各質量衡量指標對應的質量評價特征。質量評價特征的算法實現步驟如下：
(2.1)采用常規的指標特征評價圖像質量，包括：
(2.1.1)圖像的一維熵(1D entropy)
圖像的熵從統計上反映了圖像中所包含的平均信息量大小。圖像的一維熵表示圖像中灰度分布的聚集特征所包含的信息量。設pi為圖像中灰度值為i的像素所占的比例，則：可定義灰度圖像的一維熵為：
(2.1.2)圖像的二維熵(2D entropy)
圖像的一維熵只能反映出圖像中灰度分布的統計特性，卻不能表示灰度分布的空間特征。為進一步表征這種空間特征，在一維熵的基礎上引入可以反映灰度空間分布信息的特征，構成圖像的二維熵。將圖像的鄰域灰度均值與圖像的像素灰度值組成特征二元組(i,j)，i代表像素點的灰度值(0＜＝i＜＝255)，j代表該像素點鄰域內的灰度均值(0＜＝j＜＝255)，可得到特征二元組出現的頻率為：
p(i,j)＝f(i,j)/N2 (2)
其中，N2為像素點的總個數；i，j，N均為整數。
相應圖像的二維熵為：
其中，pij為圖像中灰度值為i，且該像素點鄰域內的灰度均值為j的像素所占的比例。
(2.1.3)紅外熱像圖圖像清晰度(sharpness)
圖像的方差反映了圖像的對比度和高頻分量的大小，而圖像梯度可以反映圖像的邊緣信息和微小的紋理特征變化信息，因此通過對圖像求梯度，再對所得梯度圖像求方差，可以衡量圖像紋理和邊緣的明顯程度，以及圖像的清晰程度。
圖2是本發明的計算圖像清晰度相對應的質量評價特征的流程圖。如圖2所示的計算圖像清晰度相對應的質量評價特征的過程為：
首先對變電設備紅外熱像圖進行灰度化處理，得到灰度圖像I；
再將灰度圖像I與拉普拉斯算子進行卷積，所得結果求絕對值，得到梯度圖像；
最后對所得梯度圖像的灰度求方差，作為圖像清晰度相對應的質量評價特征。
具體地，對該特征進行算法實現的步驟為：
首先對變電設備紅外熱像圖進行灰度化處理，得到灰度圖像I；
再對灰度圖像采用拉普拉斯(laplacian)算子求出梯度，其中所采用拉普拉斯算子的模板形式為：
梯度圖像為原灰度圖像I與拉普拉斯模板M進行卷積，所得結果求絕對值，得到所得梯度圖像G：
G＝|M*I| (5)
最后對所得梯度圖像的灰度值求方差，作為清晰度特征；
其中，xi為第i個像素點的灰度值，為梯度圖像的灰度平均值；k為整幅圖像的像素點個數。
(2.2)針對紅外熱像圖拍攝特點所設計其他質量衡量指標，包括：
(2.2.1)目標設備中心度(centrality)
依據紅外熱像圖的拍攝原則，質量較好的圖像應當使目標設備位于圖像中心，目標運行設備和拍攝背景間存在較大的區域間差異性。
圖3是本發明的計算目標設備中心度相對應的質量評價特征的流程圖。如圖3所示的計算目標設備中心度相對應的質量評價特征的過程為：
通過otsu二值化分割方法對灰度圖像進行二值化分割，得到多個二值化區域，提取有效大小中離圖像中心的區域作為中心區域；
求取中心區域的區域面積與圖像的面積的商，作為目標設備中心度相對應的質量評價特征。
為了衡量目標設備的中心度，采用以下方式計算：
通過otsu二值化分割方法對灰度圖像進行二值化分割，得到n個二值化區域Ri,i＝1,2,…n，提取有效大小中離圖像中心的區域作為中心區域，記為：
mindR，s.t DR＞w×h/100 (7)
其中，dR為區域中心到圖像中心的距離，DR為區域的面積即像素個數，w,h分別為圖像的寬度和高度。
中心度計算公式為：
C＝DR/(w×h) (8)
(2.2.2)圖像的結構信息
圖4是本發明的計算圖像結構信息相對應的質量評價特征的流程圖。如圖4所示的計算圖像結構信息相對應的質量評價特征的過程為：
先構造原始紅外熱像圖的參考圖像，再計算原始紅外熱像圖與參考圖像的結構相似度，構建3維描述特征，得到圖像結構信息相對應的質量評價特征，來描述圖像的整體結構特性。
對該特征進行算法實現的步驟為：
首先對原圖像I進行高斯低通濾波得到模糊后的圖像，作為參考圖像Ir；所采用的高斯濾波器參數設置為：方差σ2＝6，濾波器大小為7*7；
采用Sobel算子分別提取原圖像I和參考圖像Ir的梯度圖像G和Gr；
Sobel算子模板為：
其中，Mx和My分別為Sobel算子模板的橫坐標算子和縱坐標算子。
對于原圖像I，對應的梯度圖像G為：
其中：
Gx＝I*Mx (11)
Gy＝I*My (12)
參考圖像Ir的梯度圖像求法與原圖像相同；
計算G和Gr的亮度比較值l、對比度比較值c和結構比較值s：
原圖像I對應的梯度圖像G計算公式如下：
公式中C1,C2,C3為常數；μx、μy分別表示G與Gr的灰度平均值；σx、σy分別表示G與Gr的灰度標準差，σxy表示G與Gr的協方差。
步驟2：獲取變電設備紅外熱像圖形成訓練集，將訓練集劃分為至少兩個質量等級。
步驟3：提取訓練集中各個樣本的特征向量并輸入至支持向量機進行訓練，得到具有質量分類體系的分類器模型。
步驟4：計算待評價變電設備紅外熱像圖的特征向量并輸入至分類器模型，最后輸出待評價變電設備紅外熱像圖相對應的質量等級。
對步驟1得到的質量評價特征進行合適的組合，作為圖像的特征向量，送入已訓練好的支持向量機(SVM)分類器進行質量分類。對所設計特征的組合和對圖像的分類步驟如下：
對每幅圖求取圖像一維熵、二維熵、中心度、清晰度、結構信息的五類指標，構成7維向量[H1,H2,S,C,l,c,s]，作為圖像的特征向量；
對樣本集進行人工分類，根據拍攝的質量分為3個等級為例：
提取訓練集中各個樣本的特征向量fi(i＝1,2,...,n，n為訓練樣本數)，作為特征矩陣f的一行，從而組成特征矩陣f＝[f1；f2；...；fn]；之后送入支持向量機(SVM)進行訓練，取最大迭代次數為1000；訓練結束后，得到訓練好的分類器模型；在得到分類模型后，對需要進行質量評價的圖像首先提取7維的描述指標，然后進入訓練好的分類模型，即可得到對應質量的等級。
實施例二
圖5是本發明的無參考圖像的變電設備紅外熱像圖質量評價裝置結構示意圖。如圖5所示的無參考圖像的變電設備紅外熱像圖質量評價裝置，包括：特征向量計算模塊、樣本集獲取模塊、分類器模塊獲取模塊和質量等級輸出模塊。
(1)特征向量計算模塊，預設衡量圖像質量的若干個指標，分別計算圖像質量的各個指標相對應的質量評價特征，得到變電設備紅外熱像圖的特征向量。
其中：衡量圖像質量的指標包括：圖像的一維熵、圖像的二維熵、圖像清晰度、目標設備中心度和圖像結構信息。
特征向量計算模塊還包括像清晰度特征計算模塊、目標設備中心度特征計算模塊和圖像結構信息特征計算模塊。
(1.1)圖像清晰度特征計算模塊，其用于：
首先對變電設備紅外熱像圖進行灰度化處理，得到灰度圖像I；
再將灰度圖像I與拉普拉斯算子進行卷積，所得結果求絕對值，得到梯度圖像；
最后對所得梯度圖像的灰度求方差，作為圖像清晰度相對應的質量評價特征。
(1.2)目標設備中心度特征計算模塊，其用于：
通過otsu二值化分割方法對灰度圖像進行二值化分割，得到多個二值化區域，提取有效大小中離圖像中心的區域作為中心區域；
求取中心區域的區域面積與圖像的面積的商，作為目標設備中心度相對應的質量評價特征。
(1.3)圖像結構信息特征計算模塊，其用于：
先構造原始紅外熱像圖的參考圖像，再計算原始紅外熱像圖與參考圖像的結構相似度，構建3維描述特征，得到圖像結構信息相對應的質量評價特征。
(2)樣本集獲取模塊，其用于獲取變電設備紅外熱像圖形成訓練集，將訓練集劃分為至少兩個質量等級；
(3)分類器模塊獲取模塊，其用于提取訓練集中各個樣本的特征向量并輸入至支持向量機進行訓練，得到具有質量分類體系的分類器模型；
(4)質量等級輸出模塊，其用于計算待評價變電設備紅外熱像圖的特征向量并輸入至分類器模型，最后輸出待評價變電設備紅外熱像圖相對應的質量等級。
對圖6(a)、圖6(b)和圖6(c)用本發明方法中的特征組合進行計算，得到的特征參數下表1所示，從結果可以看出，本發明方法對于不同質量的變電設備紅外熱像圖，在量化特征上具有較為明顯的區分度。
表1質量為不同等級紅外檢測熱像圖的量化特征
本發明的該裝置在無參考圖像情況下，對紅外檢測的拍攝質量進行定量的分析統計，有利于檢測人員工作的提升；把紅外熱像圖檢測質量定性分析的過程轉化為定量評價，有利于紅外檢測工作的匯總統計和管理。
實施例三
本發明還提供一種無參考圖像的變電設備紅外熱像圖質量評價裝置，該裝置包括處理器，所述處理器被配置為：
預設衡量圖像質量的若干個指標，分別計算圖像質量的各個指標相對應的質量評價特征，得到變電設備紅外熱像圖的特征向量；
獲取變電設備紅外熱像圖形成訓練集，將訓練集劃分為至少兩個質量等級；
提取訓練集中各個樣本的特征向量并輸入至支持向量機進行訓練，得到具有質量分類體系的分類器模型；
計算待評價變電設備紅外熱像圖的特征向量并輸入至分類器模型，最后輸出待評價變電設備紅外熱像圖相對應的質量等級。
本發明根據變電設備紅外熱像圖的成像特點，確定衡量圖像質量的若干個指標；衡量圖像質量的指標包括：圖像的一維熵、圖像的二維熵、圖像清晰度、目標設備中心度和圖像結構信息。
圖像結構信息包括圖像的亮度、對比度以及圖像的結構。
根據變電設備紅外熱像圖的成像特點，設計衡量圖像質量的若干指標。指標設計的步驟如下：
(1.1)根據評價圖像成像質量的一般方法，采用通用的幾個紅外熱像圖質量評價指標，如圖像的模糊程度、圖像的亮度；
(1.2)分析紅外熱像圖成像特點以及影響圖像成像質量的因素和參數(如輻射率)，結合檢測的專業需求，確定紅外熱像圖質量的指標，如目標設備中心度、紅外熱像圖結構信息。
本發明的該裝置在無參考圖像情況下，對紅外檢測的拍攝質量進行定量的分析統計，有利于檢測人員工作的提升；把紅外熱像圖檢測質量定性分析的過程轉化為定量評價，有利于紅外檢測工作的匯總統計和管理。
本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于任一計算機可讀取存儲介質中，該程序在執行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機存儲記憶體(Random AccessMemory，RAM)等。
上述雖然結合附圖對本發明的具體實施方式進行了描述，但并非對本發明保護范圍的限制，所屬領域技術人員應該明白，在本發明的技術方案的基礎上，本領域技術人員不需要付出創造性勞動即可做出的各種修改或變形仍在本發明的保護范圍以內。
- 還沒有人留言評論。精彩留言會獲得點贊！