CN103617630A - 基于小波分析的电力系统设备红外图像分割方法及系统 - Google Patents

Abstract

本发明公开了一种基于小波分析的电力系统设备红外图像分割方法及系统，首先本发明采用小波变换、模糊熵、遗传算法和数学形态学的对电力系统设备红外图像进行图像处理，该方法首先采用红外热像仪对电力系统设备进行热故障检测，得到热像图；然后利用小波变换消除红外图像的混合噪声，抑制背景干扰和增强目标；通过运用模糊熵与遗传算法进行组合优化运算，确定最佳阈值，提取目标；利用数学形态学水线区域分割法来解决边界不连续问题并对图像进行分割，从而寻找最大连通域，分离目标区域。最后，根据分离出来的目标区域可以清晰的判断电力设备故障点的位置以及发生故障的元件，既防止了事故的发生，又不盲目的停电检修，提高电力系统运行的可靠性。

Description

基于小波分析的电力系统设备红外图像分割方法及系统

技术领域

本发明涉及电力系统设备图像处理领域，特别涉及一种电力系统设备红外图像处理方法。

背景技术

随着电网向高电压、特高电压、大机组、大容量的迅猛发展,电力系统对安全可靠运行提出了越来越高的要求。因此,对电气设备运行状态的实时监测、故障诊断受到了高度重视。随着计算机技术、通信技术、网络技术等的发展，采用更为先进的智能技术来改善故障诊断系统的性能以及提高电力系统故障诊断的准确性，具有重要的研究价值和实际意义。

针对电力系统故障诊断方法的研究，前人已经做了很多有益的探索，出现了很多有关人工智能技术在电力系统故障诊断中的运用。现有技术中有一种基于故障树的多层次电力系统故障诊断系统，其运用故障树分析技术（FTA）建立电力系统发生内部故障的分类树模型，为系统诊断的建立找到一条简捷的途径。但是这种方法的缺陷在于针对越来越复杂的电力系统网络所观测到的症状与所对应诊断之间的联系是相当复杂的，通过归纳专家经验来获取规则进而诊断故障，准确度和通用性不佳；还有一种基于粗糙集理论的电力系统故障诊断，粗糙集理论能有效地分析和处理不精确、不一致、不完整等各种不完备数据，从中发现隐含知识，揭示潜在规律用粗糙集理论进行故障诊断，能较强地处理信息不完整和信息冗余的情形。但是该方法也有需要改进之处在于当电网较复杂、庞大时，将导致决策表的规模变大，约简困难，诊断速度和精度降低。另外，还有一种基于ANN的电力系统故障诊断，ANN在电力系统故障诊断中的应用主要是故障定位和故障类型识别两个方面，具有鲁棒性好，学习能力强，不需要构造推理机，推理速度较快等特点。但是目前ANN在应用中出现的主要问题是难以确保ANN训练时收敛的快速性和避免陷入局部最小。

另外，电力系统故障的红外成像诊断是一项简便、快捷的设备状态在线检测技术,它具有远距离、不接触、准确、快速的特点,在不停电、不取样、不解体的情况下能快速实时地监测和诊断设备运行状况。目前，红外热像图的分割算法也已经有了很多的探索，例如基于灰度变换的红外图像实时分割算法，基于混沌蚁群算法的快速红外图像分割，小波神经网络自学习算法用于红外图像分割等，这些算法都逐步在提高红外图像分割的速度与精度。但是灰度变换算法提高了分离的速度但是丢失了目标图像精度，混沌蚁群算法能够达到预定的精度但是分离速度很慢。因此，可以说目前很多红外图像分割方法的分割精度与速度对于电力系统故障诊断而言，不能同时达到预定效果，分离出来的目标图像不尽完美。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种基于小波分析的电力系统设备红外图像分割方法。

本发明的目的之一是提出一种基于小波分析的电力系统设备红外图像分割方法；本发明的目的之二是提出一种基于小波分析的电力系统设备红外图像分割系统。

本发明的目的之一是通过以下技术方案来实现的：

本发明提供的基于小波分析的电力系统设备红外图像分割方法，包括以下步骤：

S1：获取电力设备红外图像；

S2：采用小波变换消除红外图像的混合噪声得到去噪图像；

S3：采用模糊熵与遗传算法确定红外图像的分割阈值；

S4：根据分割阈值提取红外图像的设备图像；

S5：利用数学形态学水线区域分割法来对设备图像分离出目标区域形成单个电力设备目标图像。

进一步，还包括以下步骤：

S6：根据单个电力设备目标图像通过专家系统判断电力设备故障点的位置以及发生故障的元件。

进一步，所述电力设备红外图像是通过红外热像仪采集得到的。

进一步，所述采用模糊熵与遗传算法确定红外图像的分割阈值具体步骤如下：

S31：通过以下公式来确定红外图像的模糊熵：

$E\left(X\right)=\frac{1}{\mathrm{MNIn}2}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Sn}\left({\mathrm{\μ}}_x\left(x_{\mathrm{mn}}\right)\right)---\left(1\right);$

式中,Sn(μ_x(x_mn))为shannon函数:Sn(x)=-xInx-(1-x)In(1-x)   （2），

X表示一幅包含M×N个像素点的灰度图像，其中M、N∈N+；μ_x(x_mn)表示（m,n）像素点的隶属度；x_mn表示图像X中坐标为（m,n）像素点的灰度值；

S32：通过以下公式求得模糊熵最大值时所对应的b值：

b=Arg{max[E(b,△b)];b∈[b_min,b_max];△b∈[△b_min,△b_max])}    （3）

其中，b值为最佳分割阈值，Arg表示求函数E(b,△b)的最大极值点对应的坐标b，

△b表示模糊区域的带宽，△b_min表示模糊区域的最小带宽，△b_max表示模糊区域的最大带宽，b_min表示模糊区域的最小中值分割点，b_max表示模糊区域的最大中值分割点；

进一步，所述最佳分割阈值(b,△b)采用遗传算法来实现。

进一步，所述数学形态学水线区域分割法采用以下公式进行：

hat(f)=f-(f.b)      （6）

其中，式（5）表示形态学平滑算法，式（6）表示采用Top-Hot算子的形态学滤波算法；A表示二值图像，B表示结构元，a表示腐蚀运算，

表示膨胀运算，#表示先膨胀后腐蚀的过程称为闭运算，.表示先腐蚀后膨胀的过程称为开运算，hat为形态学算子，f表示输入函数，b表示结构元素，f.b表示f关于b的闭运算。

进一步，所述采用小波变换来消除红外图像的混合噪声是通过以下步骤来实现的：

S21：对测得的电力设备红外图像进行离散小波变换,得到各尺度上的小波系数；

S22：根据启发式阈值选取规则确定阈值；

S23：运用双变量阈值函数处理各尺度上的小波系数,得到各尺度上新的估计小波系数；

S24：对各尺度上的估计小波系数进行离散小波逆变换,得到重构后红外图像信号的估计值；

所述双变量阈值函数采用以下公式来计算：

其中，

表示高频估计小波系数，t为设定的第一阈值，λ为设定的第二阈值，

C_j,k表示为小波分解系数，m表示正整数。

本发明的目的之二是通过以下技术方案来实现的：

本发明提供的基于小波分析的电力系统设备红外图像分割系统，包括红外图像采集模块、小波去噪模块、图像分割阈值计算模块、设备图像提取模块和目标图像分离模块；

所述红外图像采集模块，用于获取电力设备红外图像；

所述小波去噪模块，用于采用小波变换消除红外图像的混合噪声得到去噪图像；

所述图像分割阈值计算模块，用于采用模糊熵与遗传算法确定红外图像的分割阈值；

所述设备图像提取模块，用于根据分割阈值提取红外图像的设备图像；

所述目标图像分离模块，用于利用数学形态学水线区域分割法来对设备图像分离出目标区域形成单个电力设备目标图像。

进一步，还包括故障元件判断模块；所述故障元件判断模块；用于根据单个电力设备目标图像通过专家系统判断电力设备故障点的位置以及发生故障的元件；

所述电力设备红外图像是通过红外热像仪采集得到的；

所述图像分割阈值计算模块包括模糊熵计算模块和模糊熵最大值判断模块；

所述模糊熵计算模块采用如下公式来计算红外图像的模糊熵：

$E\left(X\right)=\frac{1}{\mathrm{MNIn}2}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Sn}\left({\mathrm{\μ}}_x\left(x_{\mathrm{mn}}\right)\right)---\left(1\right);$

式中,Sn(μ_x(x_mn))为shannon函数:Sn(x)=-xInx-(1-x)In(1-x)   （2），

X表示一幅包含M×N个像素点的灰度图像，其中M、N∈N+；μ_x(x_mn)表示（m,n）像素点的隶属度；x_mn表示图像X中坐标为（m,n）像素点的灰度值；

所述模糊熵最大值判断模块通过以下公式计算模糊熵最大值时所对应的b值：

b=Arg{max[E(b,△b)];b∈[b_min,b_max];△b∈[△b_min,△b_max])}   （3）

其中，b值为最佳分割阈值，Arg表示求函数E(b,△b)的最大极值点对应的坐标b，

△b表示模糊区域的带宽，△b_min表示模糊区域的最小带宽，△b_max表示模糊区域的最大带宽，b_min表示模糊区域的最小中值分割点，b_max表示模糊区域的最大中值分割点；

所述最佳分割阈值(b,△b)采用遗传算法来实现；

所述目标图像分离模块采用以下公式进行：

hat(f)=f-(f.b)        （6）

其中，式（5）表示形态学平滑算法，式（6）表示采用Top-Hot算子的形态学滤波算法；A表示二值图像，B表示结构元，a表示腐蚀运算，

表示膨胀运算，#表示先膨胀后腐蚀的过程称为闭运算，.表示先腐蚀后膨胀的过程称为开运算，hat为形态学算子，f表示输入函数，b表示结构元素，f.b表示f关于b的闭运算。

进一步，所述小波去噪模块包括小波分解模块、小波分解系数阈值计算模块、图像重构模块和去噪模块；

所述小波分解模块，用于对测得的电力设备红外图像进行离散小波变换,得到各尺度上的小波系数；

所述小波分解系数阈值计算模块，用于根据启发式阈值选取规则来计算小波分解系数阈值；

所述图像重构模块，运用双变量阈值函数处理各尺度上的小波系数,得到各尺度上新的估计小波系数；

所述去噪模块，用于对各尺度上的估计小波系数进行离散小波逆变换,得到重构后红外图像信号的估计值；

所述双变量阈值函数采用以下公式来计算：

其中，表示高频估计小波系数，t为设定的第一阈值，λ为设定的第二阈值，

C_j,k表示为小波分解系数，m表示正整数。

本发明的优点在于：本发明采用小波变换、模糊熵、遗传算法和数学形态学的对电力系统设备红外图像进行图像处理，该方法首先采用红外热像仪对电力系统设备进行热故障检测，得到热像图；然后利用小波变换消除红外图像的混合噪声，抑制背景干扰和增强目标；通过运用模糊熵与遗传算法进行组合优化运算，确定最佳阈值，运用双变量阈值函数处理各尺度上的小波系数,得到各尺度上新的估计小波系数；最后再运用离散小波逆变换,得到重构后红外图像信号的估计值；提取目标；利用数学形态学水线区域分割法来解决边界不连续问题并对图像进行分割，从而寻找最大连通域，然后分离目标区域。最后，根据分离出来的目标区域可以清晰的判断电力设备故障点的位置以及发生故障的元件，既防止了事故的发生，又不盲目的停电检修，提高电力系统运行的可靠性。

综合了四种算法理论，对图像的处理阶段进行细分，图像分割精度可以由算法本身体现出来，并且整个过程采用模块化分解处理，有效地提高了红外图像分割的效果，增强了电力系统诊断的准确性与快速性。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为基于小波分析的电力系统设备红外图像分割方法流程图；

图2为基于小波分析的电力系统设备红外图像分割系统图。

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

实施例1

图1为基于小波分析的电力系统设备红外图像分割方法流程图，如图所示：本发明提供的基于小波分析的电力系统设备红外图像分割方法，包括以下步骤：

S1：获取电力设备红外图像；

S2：采用小波变换消除红外图像的混合噪声得到去噪图像；

连续小波变换中含有很多冗余信息,不利于对信号的分析和处理。我们对连续小波基函数中的尺度因子a和平移因子b进行离散化可以得到离散小波变换WTf(a,b)，从而减少小波变换系数的冗余度。在离散化时通常对尺度因子a和平移因子b按幂级数进行离散化，即取（m为整数，a₀≠1,但一般都假定a₀＞1），得到离散小波函数为： ${\mathrm{\ψ}}_{m,n}\left(t\right)=\frac{1}{\sqrt{\left|a_0\right|}}\mathrm{\ψ}\left(\frac{t-{\mathrm{na}}_0^m{b}_0}{a_0^m}\right)=\frac{1}{\sqrt{\left|a_0\right|}}\mathrm{\ψ}(a_0^{-m}t-{\mathrm{nb}}_0)$

离散小波变换为： ${\mathrm{WT}}_f(m,n)=<m,n>={\&Integral;}_{-\&infin;}^{+\&infin;}f\left(t\right){\mathrm{\&psi;}}_{m,n}\left(t\right)\mathrm{dt}$

其对应系数为： $C_{m,n}=<f\left(t\right),{\mathrm{\&psi;}}_{m,n}>={\&Integral;}_{-\&infin;}^{+\&infin;}f\left(t\right)\stackrel{\&OverBar;}{{\mathrm{\&psi;}}_{m,n}\left(t\right)}\mathrm{dt}$

利用离散小波变换把图像信号变换到小波域，在小波域中，图像本身的能量主要分布在低分辨的尺度系数和一些较大的小波系数上，而噪声能量仍然均匀散布在低分辨的尺度系数和所有小波系数上。在变换域，图像的空间相关性降低，能量更加集中，而噪声的能量分布情况则不变。采用小波变换来消除红外图像的混合噪声是通过以下步骤来实现的：

S21：对测得的电力设备红外图像进行离散小波变换,得到各尺度上的小波系数；本实施例离散小波变换生成低频小波系数和高频小波系数；

S22：根据启发式阈值选取规则确定阈值；

S23：运用双变量阈值函数处理各尺度上的小波系数,得到各尺度上新的估计小波系数；

本实施例中通过双变量阈值函数处理后生成的估计小波系数为高频估计小波系数；

S24：对各尺度上的估计小波系数进行离散小波逆变换,得到重构后红外图像信号的估计值；

所述双变量阈值函数采用以下公式来计算：

其中，表示高频估计小波系数，t为设定的第一阈值，λ为设定的第二阈值，

C_j,k表示为小波分解系数，m表示正整数。

下面陈述本实施例提供的双变量阈值函数选择的理由和处理过程：

设一个带有混合噪声的红外热像图信号为：Y=x+n。式中，x为理想的无噪声信号，n为噪声信号，y为实际的含有噪声的信号。通常n是一个高频的信号，而工程实际中x通常表现为低频信号，或者是一些比较平稳的信号。对信号进行小波去噪的过程就是在被污染的信号中，尽可能的恢复原始信号。

另外，我们知道连续小波变换中含有很多冗余信息,不利于对信号的分析和处理。因此对连续小波基函数

中的尺度因子a和平移因子b进行离散化得到离散小波变换WT_f(a,b)，从而减少小波变换系数的冗余度。在离散化时通常对尺度因子a和平移因子b按幂级数进行离散化，即取

（m为整数，a₀≠1,但一般都假定a₀＞1），得到离散小波函数为： ${\mathrm{\&psi;}}_{m,n}\left(t\right)=\frac{1}{\sqrt{\left|a_0\right|}}\mathrm{\&psi;}\left(\frac{t-{\mathrm{na}}_0^m{b}_0}{a_0^m}\right)=\frac{1}{\sqrt{\left|a_0\right|}}\mathrm{\&psi;}(a_0^{-m}t-{\mathrm{nb}}_0)$

离散小波变换为： ${\mathrm{WT}}_f(m,n)=<m,n>={\&Integral;}_{-\&infin;}^{+\&infin;}f\left(t\right){\mathrm{\&psi;}}_{m,n}\left(t\right)\mathrm{dt}$

其对应系数为： $C_{m,n}=<f\left(t\right),{\mathrm{\&psi;}}_{m,n}>={\&Integral;}_{-\&infin;}^{+\&infin;}f\left(t\right)\stackrel{\&OverBar;}{{\mathrm{\&psi;}}_{m,n}\left(t\right)}\mathrm{dt}$

离散正交小波变换的特点是使一个变换的信号的能量在小波变换域上集中在少数的系数上，那么这些系数的取值必然大于在小波变换域内能量比较分散的大量小波系数上的噪声小波系数值。这样，就可以通过对小波系数的阈值处理，实现去除叠加在电信号上的噪声信号。

首先对信号进行预处理，选择一个正交小波和小波的分解层次N，然后对信号y进行N层小波分解，得到各个层次上的小波分解系数C_jk；然后，为了保持原始信号，保留所有低频系数，用阈值函数对第一层到第N层的高频小波分解系数C_jk阈值进行处理。这一步的关键是对阈值及阈值函数的选取：

1.选择阈值。根据噪声模型可以得到四种阈值选取规则,即采用Stein的无偏似然估计(rigrsure)、固定的阈值形式(sqtwolog)、启发式阈值选择(heursure)和极大极小原理选择的阈值(minimaxi)。本发明中我们采用启发式阈值规则，首先设定两参数A和B,如下给出:

$\left\{\begin{array}{c}A=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left|x_j\right|}^2-n}{n}\\ B=\sqrt{\frac{1}{n}{\left(\frac{\log \left(n\right)}{\log \left(2\right)}\right)}^3}\end{array}\right.$

如果A<B,则采用基于固定阈值规则,如果A>B，则采用基于启发式阈值选择的规则。

2.选择阈值函数。综合考虑软阈值函数和硬阈值函数各自的优点和不足，根据本发明是对红外图像信号处理的要求，运用了一种改进的阈值函数，双变量阈值函数：

其中t为设定的第一阈值，λ为设定的第二阈值，

观察上式中,针对|C_j,k|≥t时的公式,当m=1时,它近似为软阈值法,当m→+∞时,它近似为硬阈值法。通过调节m可以很好的对信号进行去噪处理。针对λ≤|C_j,k|≤t时的公式,可以看到在软阈值法中估计得到的小波系数总比实际的小波系数小t,而影响了重构角度,所以要设法减小此偏差。运用双变量阈值函数，通过调节两变量m和λ对各尺度上的小波系数进行处理,得到新的高频估计小波系数

最后，根据小波分解的第N层的低频小波分解系数和从第一层到第N层得经过阈值处理后的高频估计小波系数

行一维信号的小波重构，得到信号的估计值x，即去噪以后的电力系统设备红外图像。

S3：采用模糊熵与遗传算法确定红外图像的分割阈值；

S4：根据分割阈值提取红外图像的设备图像；

S5：利用数学形态学水线区域分割法来对设备图像分离出目标区域形成单个电力设备目标图像。

还包括以下步骤：

S6：根据单个电力设备目标图像通过专家系统判断电力设备故障点的位置以及发生故障的元件。

所述电力设备红外图像是通过红外热像仪采集得到的。

所述采用模糊熵与遗传算法确定红外图像的分割阈值具体步骤如下：

S31：通过以下公式来确定红外图像的模糊熵：

$E\left(X\right)=\frac{1}{\mathrm{MNIn}2}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Sn}\left({\mathrm{\&mu;}}_x\left(x_{\mathrm{mn}}\right)\right)---\left(1\right);$

式中,Sn(μ_x(x_mn))为shannon函数:Sn(x)=-xInx-(1-x)In(1-x)   （2），

X表示一幅包含M×N个像素点的灰度图像，其中M、N∈N+；μ_x(x_mn)表示（m,n）像素点的隶属度；x_mn表示图像X中坐标为（m,n）像素点的灰度值。

S32：通过以下公式求得模糊熵最大值时所对应的b值：

b=Arg{max[E(b,△b)];b∈[b_min,b_max];△b∈[△b_min,△b_max])}   （3）

其中，b值为最佳分割阈值，Arg表示求函数E(b,△b)的最大极值点对应的坐标b，

△b表示模糊区域的带宽，△b_min表示模糊区域的最小带宽，△b_max表示模糊区域的最大带宽，b_min表示模糊区域的最小中值分割点，b_max表示模糊区域的最大中值分割点；

所述最佳分割阈值(b,△b)采用遗传算法来实现。

所述数学形态学水线区域分割法采用以下公式进行：

hat(f)=f-(f.b)       （6）

其中，式（5）表示形态学平滑算法，式（6）表示采用Top-Hot算子的形态学滤波算法；A表示二值图像，B表示结构元，a表示腐蚀运算，

表示膨胀运算，#表示先膨胀后腐蚀的过程称为闭运算，.表示先腐蚀后膨胀的过程称为开运算，hat为形态学算子，f表示输入函数，b表示结构元素，f.b表示f关于b的闭运算。

根据红外图像分割算法分割出来的目标图像，同时结合经验与电力设备实际信息，判断故障点的具体位置或者给出故障预测结果。专家系统判是根据电力设备实际信息来判断故障点的具体位置或者给出故障预测结果。

图2为基于小波分析的电力系统设备红外图像分割系统图，如图所示，本实施例还提供了一种基于小波分析的电力系统设备红外图像分割系统，包括红外图像采集模块、小波去噪模块、图像分割阈值计算模块、设备图像提取模块和目标图像分离模块；

所述红外图像采集模块，用于获取电力设备红外图像；

所述小波去噪模块，用于采用小波变换消除红外图像的混合噪声得到去噪图像；

所述图像分割阈值计算模块，用于采用模糊熵与遗传算法确定红外图像的分割阈值；

所述设备图像提取模块，用于根据分割阈值提取红外图像的设备图像；

所述目标图像分离模块，用于利用数学形态学水线区域分割法来对设备图像分离出目标区域形成单个电力设备目标图像。

还包括故障元件判断模块；所述故障元件判断模块；用于根据单个电力设备目标图像通过专家系统判断电力设备故障点的位置以及发生故障的元件；

所述电力设备红外图像是通过红外热像仪采集得到的；

所述图像分割阈值计算模块包括模糊熵计算模块和模糊熵最大值判断模块；

所述模糊熵计算模块采用如下公式来计算红外图像的模糊熵：

$E\left(X\right)=\frac{1}{\mathrm{MNIn}2}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\mathrm{Sn}\left({\mathrm{\&mu;}}_x\left(x_{\mathrm{mn}}\right)\right)---\left(1\right);$

式中,Sn(μ_x(x_mn))为shannon函数:Sn(x)=-xInx-(1-x)In(1-x)   （2），

X表示一幅包含M×N个像素点的灰度图像，其中M、N∈N+；μ_x(x_mn)表示（m,n）像素点的隶属度；x_mn表示图像X中坐标为（m,n）像素点的灰度值；

所述模糊熵最大值判断模块通过以下公式计算模糊熵最大值时所对应的b值：

b=Arg{max[E(b,△b)];b∈[b_min,b_max];△b∈[△b_min,△b_max])}    （3）

其中，b值为最佳分割阈值，Arg表示求函数E(b,△b)的最大极值点对应的坐标b，

△b表示模糊区域的带宽，△b_min表示模糊区域的最小带宽，△b_max表示模糊区域的最大带宽，b_min表示模糊区域的最小中值分割点，b_max表示模糊区域的最大中值分割点；

所述最佳分割阈值(b,△b)采用遗传算法来实现；

所述目标图像分离模块采用以下公式进行：

hat(f)=f-(f.b)        （6）

其中，式（5）表示形态学平滑算法，式（6）表示采用Top-Hot算子的形态学滤波算法；A表示二值图像，B表示结构元，a表示腐蚀运算，

表示膨胀运算，#表示先膨胀后腐蚀的过程称为闭运算，.表示先腐蚀后膨胀的过程称为开运算，hat为形态学算子，f表示输入函数，b表示结构元素，f.b表示f关于b的闭运算。

所述小波去噪模块包括小波分解模块、小波分解系数阈值计算模块、图像重构模块和去噪模块；

所述小波分解模块，用于对测得的电力设备红外图像进行离散小波变换,得到各尺度上的小波系数；

所述小波分解系数阈值计算模块，用于根据启发式阈值选取规则来计算小波分解系数阈值；

所述图像重构模块，运用双变量阈值函数处理各尺度上的小波系数,得到各尺度上新的估计小波系数；

所述去噪模块，用于对各尺度上的估计小波系数进行离散小波逆变换,得到重构后红外图像信号的估计值；

所述双变量阈值函数采用以下公式来计算：

其中，

表示高频估计小波系数，t为设定的第一阈值，λ为设定的第二阈值，

C_j,k表示为小波分解系数，m表示正整数。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.基于小波分析的电力系统设备红外图像分割方法，其特征在于：包括以下步骤： 

S1：获取电力设备红外图像； 

S2：采用小波变换消除红外图像的混合噪声得到去噪图像； 

S3：采用模糊熵与遗传算法确定红外图像的分割阈值； 

S4：根据分割阈值提取红外图像的设备图像； 

S5：利用数学形态学水线区域分割法来对设备图像分离出目标区域形成单个电力设备目标图像。 

2.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于：还包括以下步骤： 

S6：根据单个电力设备目标图像通过专家系统判断电力设备故障点的位置以及发生故障的元件。 

3.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于：所述电力设备红外图像是通过红外热像仪采集得到的。 

4.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于：所述采用模糊熵与遗传算法确定红外图像的分割阈值具体步骤如下： 

S31：通过以下公式来确定红外图像的模糊熵： 

式中,Sn(μ_x(x_mn))为shannon函数:Sn(x)=-xInx-(1-x)In(1-x)   （2）， 

X表示一幅包含M×N个像素点的灰度图像，其中M、N∈N+；μ_x(x_mn)表示（m,n）像素点的隶属度；x_mn表示图像X中坐标为（m,n）像素点的灰度值； 

S32：通过以下公式求得模糊熵最大值时所对应的b值： 

b=Arg{max[E(b,△b)];b∈[b_min,b_max];△b∈[△b_min,△b_max])}   （3） 

其中，b值为最佳分割阈值，Arg表示求函数E(b,△b)的最大极值点对应的坐标b， 

△b表示模糊区域的带宽，△b_min表示模糊区域的最小带宽，△b_max表示模糊区域的最大带宽，b_min表示模糊区域的最小中值分割点，b_max表示模糊区域的最大中值分割点。 

5.根据权利要求4所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于：所述最佳分割阈值(b,△b)采用遗传算法来实现。 

6.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于：所述数学形态学水线区域分割法采用以下公式进行： 

hat(f)=f-(f.b)     （6） 

其中，式（5）表示形态学平滑算法，式（6）表示采用Top-Hot算子的形态学滤波算法；A表示二值图像，B表示结构元，a表示腐蚀运算，

表示膨胀运算，#表示先膨胀后腐蚀的过程称为闭运算，.表示先腐蚀后膨胀的过程称为开运算，hat为形态学算子，f表示输入函数，b表示结构元素，f.b表示f关于b的闭运算。 

7.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法，其特征在于：所述采用小波变换来消除红外图像的混合噪声是通过以下步骤来实现的： 

S21：对测得的电力设备红外图像进行离散小波变换,得到各尺度上的小波系数； 

S22：根据启发式阈值选取规则确定阈值； 

S23：运用双变量阈值函数处理各尺度上的小波系数,得到各尺度上新的估计小波系数； 

S24：对各尺度上的估计小波系数进行离散小波逆变换,得到重构后红外图像信号的估计值； 

所述双变量阈值函数采用以下公式来计算： 

其中，表示高频估计小波系数，t为设定的第一阈值，λ为设定的第二阈值， 

C_j,k表示为小波分解系数，m表示正整数。 

8.根据权利要求1所述的基于小波分析的电力系统设备红外图像分割方法来实现的基于小波分析的电力系统设备红外图像分割系统，其特征在于：包括红外图像采集模块、小波去噪模块、图像分割阈值计算模块、设备图像提取模块和目标图像分离模块； 

所述红外图像采集模块，用于获取电力设备红外图像； 

所述小波去噪模块，用于采用小波变换消除红外图像的混合噪声得到去噪图像； 

所述图像分割阈值计算模块，用于采用模糊熵与遗传算法确定红外图像的分割阈值； 

所述设备图像提取模块，用于根据分割阈值提取红外图像的设备图像； 

所述目标图像分离模块，用于利用数学形态学水线区域分割法来对设备图像分离出目标区域形成单个电力设备目标图像。 

9.根据权利要求8所述的基于小波分析的电力系统设备红外图像分割系统，其特征在于：还包括故障元件判断模块；所述故障元件判断模块；用于根据单个电力设备目标图像通过专家系统判断电力设备故障点的位置以及发生故障的元件； 

所述电力设备红外图像是通过红外热像仪采集得到的； 

所述图像分割阈值计算模块包括模糊熵计算模块和模糊熵最大值判断模块； 

所述模糊熵计算模块采用如下公式来计算红外图像的模糊熵： 

式中,Sn(μ_x(x_mn))为shannon函数:Sn(x)=-xInx-(1-x)In(1-x)   （2）， 

X表示一幅包含M×N个像素点的灰度图像，其中M、N∈N+；μ_x(x_mn)表示（m,n）像素点的隶属度；x_mn表示图像X中坐标为（m,n）像素点的灰度值； 

所述模糊熵最大值判断模块通过以下公式计算模糊熵最大值时所对应的b值： 

b=Arg{max[E(b,△b)];b∈[b_min,b_max];△b∈[△b_min,△b_max])}     （3） 

其中，b值为最佳分割阈值，Arg表示求函数E(b,△b)的最大极值点对应的坐标b， 

△b表示模糊区域的带宽，△b_min表示模糊区域的最小带宽，△b_max表示模糊区域的最大带宽，b_min表示模糊区域的最小中值分割点，b_max表示模糊区域的最大中值分割点； 

所述最佳分割阈值(b,△b)采用遗传算法来实现； 

所述目标图像分离模块采用以下公式进行： 

hat(f)=f-(f.b)       （6） 

其中，式（5）表示形态学平滑算法，式（6）表示采用Top-Hot算子的形态学滤波算法；A表示二值图像，B表示结构元，a表示腐蚀运算，

表示膨胀运算，#表示先膨胀后腐 蚀的过程称为闭运算，.表示先腐蚀后膨胀的过程称为开运算，hat为形态学算子，f表示输入函数，b表示结构元素，f.b表示f关于b的闭运算。 

10.根据权利要求8所述的基于小波分析的电力系统设备红外图像分割系统，其特征在于：所述小波去噪模块包括小波分解模块、小波分解系数阈值计算模块、图像重构模块和去噪模块； 

所述小波分解模块，用于对测得的电力设备红外图像进行离散小波变换,得到各尺度上的小波系数； 

所述小波分解系数阈值计算模块，用于根据启发式阈值选取规则来计算小波分解系数阈值； 

所述图像重构模块，运用双变量阈值函数处理各尺度上的小波系数,得到各尺度上新的估计小波系数； 

所述去噪模块，用于对各尺度上的估计小波系数进行离散小波逆变换,得到重构后红外图像信号的估计值； 

所述双变量阈值函数采用以下公式来计算： 

其中，

表示高频估计小波系数，t为设定的第一阈值，λ为设定的第二阈值， 

C_j,k表示为小波分解系数，m表示正整数。 

Images