基于马尔科夫随机场的变电站设备红外图像变化检测方法与流程

技术特征：

1.一种基于马尔科夫随机场的变电站设备红外图像变化检测方法，它包括：

步骤1、获取同一变电站设备在两个不同时期采集的原始红外图像；

步骤2、将两幅原始红外图像转换为相应的灰度图像；

步骤3、获取两幅灰度图像的灰度差分图像；

步骤4、利用k‐means聚类对灰度差分图像初始化每个像素点的标签；

步骤5、计算灰度差分图像每个像素点属于标签W的先验概率P(W)；

步骤6、计算灰度差分图像每个像素点的类条件概率密度P(S|W)；

步骤7、将P(W)和P(S|W)相乘，取获最大值时的标签W作为该像素点在本次迭代后的标签；

步骤8、返回步骤5继续下一次迭代，直至满足迭代停止条件，获得最终的变化检测结果。

2.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法，其特征在于：步骤2所述将原始红外图像转换为灰度图像的公式为：

I＝0.587·R+0.299·G+0.114·B

式中:I为获取的灰度图像，R为原始红外图像的红色分量通道组成的单通道图像，G为原始红外图像的绿色分量通道组成的单通道图像，B为原始红外图像的蓝色分量通道所组成的单通道图像。

3.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法，其特征在于：步骤3所述获取两幅灰度图像的灰度差分图像的方法为：将两幅灰度图像逐像素点相减，便可获得灰度差分图像。

4.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法，其特征在于：步骤4所述利用k‐means聚类初始化像素点标签的方法为：

步骤4.1、随机选取2个聚类中心u₁,u₂；

步骤4.2、对于每个像素点x⁽ⁱ⁾，计算其属于的类：

步骤4.3、对于每一个类别j∈[1,2]，重新计算该类别的聚类中心

步骤4.4、重复步骤4.2和4.3，直到超过迭代次数或者聚类中心位移小于设定阈值。

5.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法，其特征在于：步骤5所述计算差分图像每个像素点属于标签W的先验概率P(W)，公式为：

$P\left(W\right)=z^{-1}{e}^{-\frac{1}{T}{U}_2\left(W\right)}$

式中：是归一化常数，参数T控制P(W)的形状，T越大越平坦，

C为所有势团集合；

V_c(W_c)为势团势能，

β为耦合系数，值为0.5‐1。

6.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法，其特征在于：步骤6所述计算差分图像每个像素点的类条件概率密度P(S|W)方法为：

步骤6.1、将差分图像中的像素点灰度强度视为随机变量S，其所属标签为随机变量W，P(S|W)即是在像素所属类别为W的情况下，它的像素值取值为S的概率；

步骤6.2、每一类建立一个高斯密度函数P(x|w_i)；根据高斯密度函数计算得到每个像素点的类条件概率密度；

所述高斯密度函数表达式

$P\left(x\right|w_i)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-{\mathrm{\μ}}_i)}^2}{2{{\mathrm{\σ}}_i}^2}},i=1,2$

式中：μ_i为属于w_i类别的像素点灰度均值，σ_i为属于w_i类别的像素点灰度方差。

7.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法，其特征在于：步骤7所述的将P(W)和P(S|W)相乘的计算公式为：

8.根据权利要求1所述的一种基于马尔科夫随机场的变电站设备红外图像变化检测方法，其特征在于：步骤8所述满足迭代停止条件为：迭代次数超过阈值或者检测结果和参考变化图像的均方误差小于设定阈值或者变化检测结果在相邻两次迭代中的变化小于一定阈值。