红外图像分割算法研究及其在电气设备故障诊断中的应用

【摘要】：依据图像特征,将其划分为一定数量的非重叠区域,且各区域的特征不同,并将各部分图像中重要信息提取出来的技术即为图像分割技术。在数字图像处理中,图像分割技术是非常重要的,有助于特征提取、图像测量和图像显示,是分析图像的基础,也是计算机视觉实现最为困难的问题之一。1970年开始人们开始重视图像分割算法的研究,经过不断的发展、完善后,取得了一定的研究成就,且图像分割算法的应用扩展到了不同领域中,如模式识别、生物学领域、文档图像的处理,生产过程的控制,遥感和生物医学图像解析以及农业等方面。对于图像分析而言,图像分割的结果是非常重要的。经过不断的研究后,已经出现了很多不同类型的分割算法,但依然存在着提取边缘方向信息的缺失,及边缘断裂,不连续和不光滑等问题。同时当目标边缘模糊,图像背景信息复杂的情况下,提取目标较为困难且提取效果不理想。所以对图像分割的研究一向是研究计算机图像技术的热门与重点。当电气设备无法正常运行时,需要检修人员利用相关监测仪器对该设备的运行参数监测,依据运行参数的分析来判断该设备无法正常运行的原因,但该检测方式速度慢、效率低,很难实现设备故障的实时检测,电气设备故障常伴随热效应发生,故可利用红外热图像对电气设备故障图像进行分析,从而快速排查电气故障。针对红外热图像分析的基础分割算法,本文主要工作如下:(1)针对传统边缘检测算子对于拍摄距离远背景较复杂的红外电力设备图像,常不能检测边缘的多梯度信息,会出现边缘断裂、不光滑和不连续的现象,提出了一种基于边缘检测的缩放多梯度图像分割方法。其依据Sobel算子的研究提出了该算子,它设定了八个方向模板,保留了图像多方向梯度信息。同时采用缩放因子对梯度信息进行缩放,从而使得提取目标边缘更加平滑、连续,且提高了边缘检测的精度。对边缘提取效果进行了实验与分析。由于拍摄距离比较远(2)针对边缘模糊的红外电气设备故障区域提取,往往存在提取精度不高的问题,提出了以区域生长为基础的最大熵检测器图像分割,该方法首先通过区域生长方法,结合图像特征,对目标进行定位,从而排除了背景干扰。再利用最大熵原理生成目标与背景区域的图像,用来对检测器进行训练。最后利用目标与背景的检测器对最大熵分割后的图像进行像素筛选,最终提取出目标,并进行实验与分析。(3)针对红外图像具有对比度低及信噪比低的特点,以及与对多目标红外电气设备故障的提取往往提取效果不佳的问题,提出了基于K均值聚类与区域生长相结合的图像分割方法,且利用它对电气设备故障图像进行处理。该方法首先对红外设备故障图像进行灰度化。由于采用K均值算法,它对噪声很敏感,故采用滤波器对其进行去噪。后采用K均值聚类算法得到区域生长的种子点,进行区域生长,最终得到目标提取图像。且对算法进行仿真实验与结果分析。