高压电力设备红外图像的边缘检测

[摘 要]：红外图像的边缘检测是红外图像目标识别以及进一步红外故障诊断的关键环节。文中讨论在高压电力设备故障红外诊断系统中对红外图像的预处理过程，并通过几种边缘检测算子对噪声的抑制效果和边缘定位精度的对比分析，选用效果最优的边缘检测算子来实现红外图像的边缘检测。通过实例，验证了图像预处理和边缘检测方法的有效性。 关键词：红外图像 图像处理 边缘检测 0 引 言 红外图像的边缘检测是红外图像识别、图像分割以及图像压缩等红外图像处理和分析的重要基础。本文讨论在高压电力设备故障红外诊断系统中对于红外图像的预处理过程，并通过几种边缘检测算子的对比分析，选用效果最优的边缘检测算子来实现高压电力设备的红外图像的边缘检测，为下一步的红外图像目标识别以及进一步的红外故障诊断提供了技术基础。 1 红外图像的预处理过程 红外热成像是通过物体表面温度辐射成像的，在接受被测目标红外辐射的同时还会受到大量非检测对象辐射信息的干扰，如环境温度、大气辐射、烟雾、灰尘或其它颗粒，因而不可避免的存在图像对比度不高，边缘模糊等现象，通过图像预处理可以减少图像处理工作量，抑制噪声，提高图像的对比度，以便后续图像的边缘检测。 1.1 图像的灰度化处理 通常，通过红外热成像技术得到的红外图像为了提高人眼对图像的细节分辨能力，往往采用伪彩化处理过程。而在图像处理过程中，灰度图像的描述与彩色图像一样能够反映整幅图像的整体和局部的色度和亮度等级的分布和特征，所以在数字图像处理中一般先将各种格式的图像转变为灰度图像以使后续的图像处理的计算量少一些。图像的灰度化处理一般方法如下： 根据在YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB与YUV颜色空间的变换关系可建立亮度Y与R、G、B3个颜色分量的对应关系： Y＝0.3R＋0.59G＋0.11B （1） 以这个亮度值表达图像的灰度值。 1.2 图像的噪声滤波 红外图像的噪声在空域上主要表现为孤立的点或块，是一种高频信息。在图像去噪的有效方法中，中值滤波在一定条件下可以克服线性滤波如平均值滤波（平滑滤波）等所带来的图像细节模糊问题，较好的保护图像的边缘信息。中值滤波是用一个有奇数点的滑动窗口，将窗口中心点的值用窗口各点的中值代替。 1.3 图像的灰度变换 针对高压电力设备红外图像的特点，采用线性灰度变换来增强图像的对比度。用分段线性法将需要的图像细节灰度级拉伸，增强对比度，将不需要的图像细节灰度级压缩，从而增强图像中感兴趣的灰度区域，相对抑制那些不感兴趣的灰度区域。 三段线性变换的数学表达式如下： 由图1可见，通过调整s₁，t₁，s₂，t₂可以控制分段直线的斜率，可对任意灰度区间进行扩展和压缩。 2 图像的边缘检测算法 图像的边缘是图像的最基本特征。所谓边缘是其周围像素灰度有阶跃变化或屋顶变化的像素的集合，是图像局部特性不连续的反映，如图像中灰度“剧烈变化”的地方即灰度突变等，它标志着一个区域的终结和另一个区域的开始。对于红外图像进行边缘检测的目的就是要抽取红外图像特征的最重要属性，为图像的目标识别、图像分割等处理过程打下良好的基础。 目前，边缘检测常采用边缘算子法。基于一阶导数的边缘算子包括Roberts算子、Sobel算子、Prewitt算子等，在算法实现过程中，通过2×2或者3×3模板作为核与图像中的每个像素点作卷积和运算，然后选取合适的阈值以提取边缘。拉普拉斯边缘检测算子是基于二阶导数的边缘检测算子，该算子对噪声敏感。一种改进方式是先对图像进行平滑处理。然后再应用二阶导数的边缘检测算子，其代表是LOG算子。前面几种边缘检测算子都是基于微分方法的，其依据是图像的边缘对应一阶导数的极大值点和二阶导数的过零点。Canny算子是另外一类边缘检测算子，它不是通过微分算子检测边缘，而是在满足一定约束条件下推导出的边缘检测最优化算子。 2.1 Roberts边缘检测 Roberts边缘检测算子根据任意一对互相垂直方向上的差分可用来计算梯度的原理采用对角线方向相邻像素之差，即： Roberts边缘算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘，检测水平和垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感。 2.2 Sobel边缘检测 对数字图像{f（i，j）}的每个像素，考虑上、下、左、右邻点灰度的加权差，与之接近的邻点的权大。Sobel算子定义如下： Sobel算子很容易在空间上实现，Sobel边缘检测器不但产生较好的边缘检测效果，而且受噪声的影响也比较小。当使用大的领域时，抗噪声特性会更好，但这样做会增加计算量，并且得出的边缘也较粗。 Sobel算子利用像素点上下、左右邻点的灰度加权算法，根据在边缘点处达到极值这一现象进行边缘的检测。Sobel算子对噪声具有平滑作用，提供较为精确的边缘方向信息，但它同时也会检测出许多的伪边缘，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。 2.3 Prewitt边缘检测 Prewitt算子是一种边缘样板算子。这些算子样板由理想的边缘子图像构成。依次用边缘样板去检测图像，与被检测区域最为相似的样板给出最大值。用这个最大值作为算子的输出值P（i，j），这样可将边缘像素检测出来。Prewitt算子定义如下： 2.4 Laplacian of Gaussian（LOG）边缘检测 Laplacian算子是二阶微分算子，是一个标量，属于各向同性运算，对灰度突变敏感。在数字图像处理中，用差分来近似微分运算Laplacian算子为： Laplacian算子是二阶微分算子，利用边缘点处二阶导函数出现零交叉原理检测边缘。不具有方向性，对灰度突变敏感，定位精度高，不但检测出了绝大部分的边缘，同时基本上没有出现伪边缘。但它的检测也存在一些缺点，如丢失了一些边缘、有一些边缘不够连续、对噪声敏感且不能获得边缘方向等信息。针对Laplacian算子对噪声比较敏感，可先用高斯形二维低通滤波器对图像f（i，j）进行滤波，然后对图像作Laplacian边缘检测，这种方法称为Laplacian-Gauss（LOG）算子法。 2.5 Canny边缘检测 Canny算子使用一阶导数的极大值表示边缘。其基本思想是先将图像使用Gauss函数进行平滑，再由一阶微分的极大值确定边缘点。二阶导数的零交叉点不仅对应着，一阶导数的极大值也对应着一阶导数的极小值，也就是说，灰度变化剧烈的点勺灰度变化缓慢的点都对应着二阶导数零交叉点。 3 应用举例 3.1 图像的预处理 以某高压断路断外部接头的红外图像为例（图2）。先通过灰度化处理将红外图像转化为灰度图像；再通过中值滤波和灰度变换实现图像的平滑去噪和灰度增强。 3.2 图像的边缘检测 通过对以上介绍的几种边缘检测方法进行了实验，如图3所示，其中：（a）为原图像，（b）～（f）分别为应用Roberts算子、Sobel算子、Prewitt算子、Laplacian of Gaussian算子、Canny方法得到的检测结果。 由算法公式和检测的结果可以看出，Roberts算子简单直观，但边缘检测图里存在有伪边缘；Sobel算子、Prewitt算子的检测结果图能检测出更多的边缘，但也存在有伪边缘且检测出来的边缘线比较粗，并放大了噪声；Laplacian of Gaussian算子利用高斯低通滤波及二阶差分运算来进行检测，不但可以检测出较多的边缘，而且还在很大程度上消除了伪边缘的存在，定位精度较高，但我们同时看到其受噪声的影响比较大；Canny方法对边缘的误检、漏检率最小，检测出的边缘较多，检测效果较好。 4 结束语 以高压电力设备的红外图像为对象，采用中值滤波在空间域上有效降低了图像的高频噪声，通过分段线性灰度变换提高了图像的边缘对比度，选用效果最优的边缘检测算子进行边缘检测，为高压电力设备的红外图像目标识别以及进一步的红外故障诊断提供了技术基础。