基于多尺度重构误差融合的绝缘子显著性检测方法与流程

本发明涉及一种基于多尺度重构误差融合的绝缘子显著性检测方法，属于技术领域。

背景技术

近几年，保障输电线路的可靠性及运行情况成为建设智能电网的重要内容。变电设备的安全运行是保障电力系统稳定和安全的前提。绝缘子作为电力输电线路不可缺少的绝缘元件，它的运行状况直接影响电网的可靠性和安全性。同时绝缘子在输电线路中起到电气绝缘及支撑的作用；而且它表面的污秽、裂纹、破损等问题严重威胁输电线路的安全运行。根据统计，目前电力系统故障中所占比例最高的事故是由绝缘子缺陷引起的。因此对绝缘子的状况进行监测，及时完成故障诊断尤为重要。

目前，在输电线路巡线方面，传统的人工巡检方式需要工作人员攀爬到高压铁塔设备上，通过人眼观察的方式来判断设备是否有故障，这种巡检方式已经根本无法适应逐渐增加的输电线路和巨大的巡检工作需求。近年来，自动巡检机器人成为变电站智能自动巡检的主要方式。利用平台上装载的摄像头获取了大量的绝缘子图像信息，如果对这些海量图像采用工作人员肉眼判读，不仅工作量大，容易发生漏判和误判现象，而且难以准确发现绝缘子存在的安全隐患。而实现故障自动检测的重要前提是识别和定位图像中的绝缘子。因此研究绝缘子的自动检测方法是非常必要的。

目前，虽然出现了一些有关绝缘子的自动识别方法，但是这些方法也存在一定的缺点。如：由于变电站图像背景复杂，图像中存在和绝缘子形状相似的其他电力设备，如电流互感器和避雷器等，容易产生误识别的结果。

技术实现要素：

本发明的目的在于克服现有技术中的不足，提供一种基于多尺度重构误差融合的绝缘子显著性检测方法，解决现有技术中绝缘子检测不精确的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：基于多尺度重构误差融合的绝缘子显著性检测方法，包括如下步骤：

对绝缘子图像进行超像素分割，提取绝缘子图像四周的超像素图像块作为背景模板；

计算绝缘子图像的每个超像素图像块所对应的稀疏重构误差和稠密重构误差；

利用基于图像上下文信息的重构误差传播机制，使稀疏重构误差和稠密重构误差在每个类内的超像素图像块之间传播；

将不同尺度超像素分割情况下得到的重构误差进行加权融合；

利用条件随机场对稀疏重构误差和稠密重构误差进行融合，生成绝缘子显著图；

进一步的，利用简单线性迭代算法对绝缘子图像进行超像素分割，具体包括如下步骤：

对原始图像进行初始化聚类及相似度度量；

采用k均值聚类方法更新迭代聚类中心；

将最相似的聚类中心标签赋予像素点，形成超像素图像块。

进一步的，利用稀疏表示方法求取稀疏重构误差，具体方法如下：

计算每个超像素图像块对应的稀疏系数；

计算每个超像素图像块在背景模板上的稀疏重构误差；

对稀疏重构误差进行归一化。

进一步的，利用主成分分析法求取稠密重构误差，具体方法如下：

计算背景模板的协方差矩阵：

对协方差矩阵进行特征值分解，根据特征值的大小，选取特征向量；

将超像素图像块投影到特征向量上，得到相应超像素图像块的稠密表示系数；

利用稠密表示系数计算获得各个超像素图像块所对应的稠密重构误差；

将稠密重构误差进行线性归一化。

进一步的，使稀疏重构误差和稠密重构误差在每个类内的超像素图像块之间传播的具体方法如下：

利用k均值聚类算法，将得到的超像素图像块划分为k类；

对重构误差进行更新，具体包括如下步骤：

根据重构误差大小，降序排列重构误差；

分别计算传播后的重构误差：假设待测绝缘子的第i个超像素图像块属于第k个类别，根据这一类内的其他超像素图像块的重构误差，将该超像素图像块经过上下文信息传播后的重构误差定义如下：

其中，[k1,k2,k3,…,knc]代表第k类别内的nc个超像素图像块，τ是上式和(1-τ)εi的平衡系数；代表和第i个超像素图像块属于同一类的其他超像素图像块通过传播后重构误差的加权平均，j代表的是第k个类别中的第j个超像素图像块；εi为第i个超像素图像块在上一步中得到的重构误差；为同一类内的其他超像素图像块的权重，用和待测绝缘子的超像素图像块之间进行归一化后的特征相似度来表示，计算公式如下：

其中，为矩阵x在每个特征维度下的方差和，δ(·)是脉冲函数；xi代表第i个矩阵，代表第kj个矩阵。

进一步的，生成绝缘子显著图的具体方法如下：

建立条件随机场模型，将输入图像i(x,y)的图像标注a(x,y)的条件概率表示为：

其中，z为分配函数；e(a|i)为能量函数，能量函数定义为稀疏重构误差进和稠密重构误差以及二者的线性组合，表示为：

其中，和分别为稠密重构误差和稀疏重构误差得到的显著图，和分别为稠密重构误差和稀疏重构误差对应的特征权值；ωmn(sm-sn)²代表颜色差异惩罚项；sm和sn分别为第m个像素点和第n个像素点对应的颜色特征项；ωmn为第m个像素点和第n个像素点对应的颜色差异惩罚项的权值；

其中，dcol(pm,pn)为像素对之间颜色差异归一化的l2范数；pm和pn分别为第m个像素点和第n个像素点，为差异矩阵的方差和平方。

与现有技术相比，本发明所达到的有益效果是：

在变电站背景复杂的情况下，采用本发明方法生成的绝缘子显著图进行绝缘子检测，检测性能良好，召回率可达89.72％，精确率可达93.76％，显著提高了复杂环境下绝缘子检测的准确性。

附图说明

图1为本发明的流程图。

具体实施方式

本发明公开的基于多尺度重构误差融合的绝缘子显著性检测方法，包括如下步骤：首先，利用简单线性迭代算法对绝缘子图像进行超像素分割，提取绝缘子图像四周的超像素图像块作为背景字典；然后，分别计算每个超像素图像块的对应的稀疏重构误差和稠密重构误差；接着，利用基于上下文信息的重构误差传播机制，使两个重构误差在每个类内的图像块之间传播，并将不同尺度超像素分割情况下得到的重构误差进行加权融合；最后，采用条件随机场框架将稀疏构误差和稠密重构误差进行融合，通过二者的结合来更好的抑制图像中背景的噪声，产生更加精确的绝缘子显著图。

在变电站背景复杂的情况下，采用本发明方法生成的绝缘子显著图进行绝缘子检测，检测性能良好，召回率可达89.72％，精确率可达93.76％，显著提高了复杂环境下绝缘子检测的准确性。

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，为本发明的流程图，包括如下步骤：

步骤1：对绝缘子图像进行超像素分割,提取绝缘子图像四周的超像素图像块作为背景模板即背景字典。其具体包含如下步骤：

步骤1.1：初始化聚类

假设原图像含有n个像素点，要分割的超像素个数为k，每个超像素区域的大小为n/k，以间距作为选择k个初始种子ck的初始条件，则

ck＝[lt,at,bt,xt,yt]^t(t＝1,2.....k)

其中：l为绝缘子图像颜色的亮度；a为各个像素的红绿颜色信息，若a大于零则代表红色，小于零时则代表绿色；b为各个像素的黄蓝颜色信息，若b大于零则代表黄色，小于零则代表蓝色；a和b的取值范围在[-100,100]之间；(x,y)代表像素的坐标；t为第t个初始种子。

为了提高聚类时的计算效率，在绝缘子图像的xy空间平面上选择以每个聚类中心的2s*2s的区域，作为超像素分割时的聚类区域，而并不是在整幅图像中寻找。随后依次计算聚类中心3*3邻域内9个像素点的梯度大小，得到的梯度最小的像素点即为新的聚类中心。

步骤1.2：相似度度量

对于绝缘子图像中的各个像素点，计算和该像素点距离最小的聚类中心之间的相似度，并将和这个像素点最接近的聚类中心的标签赋给该像素点。由于在绝缘子图像中最显著的信息是位置和颜色信息，所以利用像素与像素间的颜色和位置距离来衡量相似程度。相似度度量计算公式如下：

其中，dc为像素点g和像素点h之间的色差，dxy为像素点h和像素点g之间的空间距离w为平衡颜色值和空间信息的平衡参数，该值越大，聚类越紧凑；s为区域大小；d(g,k)为像素点g和第k个聚类中心之间的相似度，该值越小，两者越相似；lh为像素点h的亮度信息；lg为像素点g的亮度信息；ah为像素hj的红绿颜色信息；ah为像素点h的红绿颜色信息；bh为像素点h的蓝黄颜色信息；bg为像素点g的蓝黄颜色信息；xh为像素点h的横坐标信息；xg为像素点g的横坐标信息

步骤1.3：k均值聚类方法更新迭代聚类中心

假设在x-y平面上，聚类中心的关联像素点在其2s*2s区域内。当图像中所有像素点被关联到最近的聚类中心后,则将新的聚类中心更改为同类别所有像素点5维向量的平均值。重复以上过程，当收敛时停止迭代。

步骤1.4：形成超像素

将其中最为相似的聚类中心标签赋予像素点,进而形成k个超像素。

步骤1.5：构造背景模板

提取绝缘子图像中四周的超像素图像块作为背景模板，并用b来代表绝缘子背景模板的d维特征，进而构建绝缘子背景模板集b＝[b1,b2,…,bu]。其中，u为背景模板集中包含背景图像块的数量。

步骤2：计算每个超像素图像块的重构误差，并分别利用稀疏表示和主成分分析方法对其计算，将超像素图像块映射到背景字典，获得整幅图像对应的稀疏重构误差和稠密重构误差。具体包含如下步骤：

步骤2.1：计算每个图像块对应的稀疏系数

使用上述得到的背景模板集b＝[b1,b2,…,bu]作为稀疏表示的基向量，对每一个超像素图像块进行重构，其中每个超像素图像块对应的稀疏系数如下：

其中，yi表示第i个超像素图像块；αi表示xi的稀疏表示；bi表示第i个字典矩阵；表示二范数的平方；λ是用来平衡加号左右两边误差项和约束项的正则化参数，这里设置为0.01。

步骤2.2：计算每个超像素图像块在背景模板b上的稀疏重构误差：

步骤2.3：进一步对稀疏重构误差进行归一化，使其在[0,1]之间，越大，表明图像块与背景模板的相关性越小，即超像素图像块属于绝缘子显著性区域的可能性越大。

步骤2.4：计算每个图像块的稠密表示系数：

首先，计算绝缘子背景模板b的协方差矩阵：

其中，e代表协方差矩阵，；cov(b1，b2)为b1和b2之间的方差；cov(b1，bu)为b1和bu之间的方差；var(b1)为b1和b1之间的方差；var(bu)为bu和bu之间的方差；方差的计算公式为bf为第f个背景模板；为背景模板的平均值；

然后，对协方差矩阵进行特征值分解，根据特征值的大小，λ1≥λ2≥...≥λk选取前t个特征值对应的特征向量并以此作为主成分分析法的基底。将绝缘子超像素图像块投影在上，得到相应超像素图像块的稠密表示系数：

其中：为第i个超像素图像块的稠密表示系数；为前t个特征值对应的特征向量；yi为第i个超像素图像块；为超像素图像块的均值；

步骤2.5：在获得该系数后，就可以利用该系数获得各个绝缘子超像素图像块所对应的稠密重构误差：

其中，表示样本矩阵y的数据均值；为前t个特征值对应的特征向量.

步骤2.6：为了便于描述每个超像素图像块的显著度，将稠密重构误差进行线性归一化得到使其在[0，1]的范围内。

步骤3：使用基于图像上下文信息的重构误差传播机制，使误差在每个类内的绝缘子图像块之间传播。具体包含如下步骤：

步骤3.1：利用k均值聚类算法，将得到的绝缘子超像素图像块划分为k类。

步骤3.2：利用类似于误差在线传播的思想对重构误差进行更新，具体过程是：

根据步骤2得到的重构误差大小，按降序排列，然后分别计算传播后的重构误差：假设待测绝缘子的第i个超像素图像块属于第k个类别，根据这一类内的其他超像素图像块的重构误差，将该超像素图像块经过上下文信息传播后的重构误差定义如下：

其中，[k1,k2,k3,…,knc]代表第k类别内的nc个超像素图像块，τ是上式和(1-τ)εi的平衡系数；代表和第i个超像素图像块属于同一类的其他超像素图像块通过传播后重构误差的加权平均，εi为第i个超像素图像块在上一步中得到的重构误差；j代表的是第k个类别中的第j个超像素图像块；为同一类内的其他超像素图像块的权重。本发明利用绝缘子超像素图像块在同一类内的图像块之间的相互影响，使得计算的误差更加精确。另外，用和待测绝缘子图像块之间进行归一化后的特征相似度来表示同一类内的其他图像块的权重，计算公式如下：

其中，为矩阵x在每个特征维度下的方差和，δ(·)是脉冲函数。xi代表第i个矩阵，代表第kj个矩阵。

步骤4：多尺度重构误差融合

根据上述步骤得到不同尺度分割下的超像素图以及经过上下文误差传播后得到的稠密和稀疏重构误差。通过将不同尺度下传播后的超像素级别的重构误差进行加权求平均，得到每个像素对应的误差，进而得出一幅全分辨率的绝缘子显著结果图。

具体的计算过程如下：

其中，代表经过上下文误差传播后的显著图，n^(h)表示在不同分割尺度h下像素点z所属超像素图像块；ns表示超像素图像块的数量，s取值为[1,ns]；ωzn(s)表示分割尺度h所占的权重，公式如下：

其中，fz表示像素点z的d维特征向量，表示像素点z所在的超像素图像块n^(h)的特征。

步骤5：利用条件随机场对稀疏和稠密重构误差进行融合，使二者能够互相补充，更好的一直背景噪声，产生更加精确的绝缘子显著图。具体包括如下步骤：

步骤5.1：建立条件随机场(crf)模型，将输入图像i(x,y)的图像标注a(x,y)的条件概率表示为：

其中，z为分配函数，e(a|i)为能量函数。

步骤5.2：定义能量函数e(a|i)。

为了使得图像中的绝缘子更加准备的被凸显，则需要将上述的两个重构误差作为特征进行融合，故将能量函数e(a|i)定义为稀疏重构误差和稠密重构误差以及二者的线性组合，可以表示为：

其中，和分别为稠密重构误差和稀疏重构误差得到的显著图，和分别为稠密重构误差和稀疏重构误差对应的特征权值；ωmn(sm-sn)²代表颜色差异惩罚项；sm和sn分别为第m个像素点和第n个像素点对应的颜色特征项；ωmn为第m个像素点和第n个像素点对应的颜色差异惩罚项的权值；

其中，dcol(pm,pn)为像素对之间颜色差异归一化的l2范数；pm和pn分别为第m个像素点和第n个像素点，为差异矩阵的方差和平方。

下面结合具体实施例，利用本发明方法进行绝缘子检测，根据检测结果可以更加直观地获知本发明的有益效果：

利用300张包含绝缘子的图像进行测试，图像中除包含绝缘子外，还包含输电线路、树木等复杂背景，目的是复杂背景中检测出图像中的绝缘子。

要求计算机环境：操作系统为linux14.04版本，显卡为gtx980ti,软件平台：matlabr2014a。

将测试集按照上述步骤1-5进行显著性检测；利用准确率p-召回率r和f度量这两个不同的评价指标衡量本发明方法的检测效果。

准确率用来衡量算法检测到的且属于gt(真实绝缘子区域)的部分占检测到的所有部分的比例，召回率用来衡量算法检测到的且属于gt的部分占gt的比例。f度量是一个用来综合评价召回率和准确率的参量。

为了突出在绝缘子显著性中，准确率比召回率更加重要，将β²设为0.3；precision为准确率；recall为召回率。

根据召回率和准确率曲线可以验证得出：本发明方法具有较高的召回率和准确率，说明本发明方法具有较好的鲁棒性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。