0 引言

在对电力系统设备进行维护时,工作人员常常需要到现场进行巡检^[1],以核对相应开关状态,这样不仅劳动强度大、操作时间长,且安全性低。通过引入视频图像识别技术,可实现现场电力设备开关状态的自动识别,在节省人力物力的同时大大提高了工作效率。

雾霾天气的出现为电力巡检带来了很大挑战。场景中的物体反射到达视频采集设备中的光线变少,且受到雾中颗粒物反射光或散射光的干扰^[2],采集到的视频图像无法反映真实的场景信息。对于采用视频图像识别技术监测电力设备开关状态来说,雾天采集的图像使得通过图像提取有用信息的难度加大^[2],大大地降低了识别的精度和效率。因此,必须对采集的图像进行清晰化处理,才能保证开关状态的准确识别。

图像去雾一般有两种方式,即图像增强^[3]和复原。现阶段采用比较广泛的是基于物理模型的方法,即对雾霾图像降质的根本原因进行分析,构建雾天的图像成像模型^[4],然后对有雾图像进行复原来达到去雾的目的。Tan^[5]实现去雾的方法是提高图像的对比度,但是该方法容易出现过度增强、颜色失真等问题。Fattal^[6]则使用独立成分分析法,即假设透射率与表面投影局部不相关,此算法只能在雾较少的情况下达到满意的效果。基于暗通道先验^[7]的去雾算法是何恺明博士提出的一种经典的针对单幅图像进行去雾的方法,此方法去雾效果理想,但是算法的复杂度很高,去雾效率相对较低。

针对现有算法的局限性,本文以何恺明提出的算法为基础,提出了一种优化的去雾算法。该算法采用灰度开运算来自适应获取大气光强,采用下采样和插值的方法来提高透射率的估计速度,针对大量天空区域存在的问题,采用形态学算法并引入容差机制对透射率进行优化。最后,本文以雾霾环境下采集到的配网柱上跌落式开关视频图像为例,对其进行去雾处理并识别开关状态,采用尺度不变特征变换匹配算法（Scale-Invariant Feature Transform,SIFT）对开关进行提取定位,Hough变换算法对开关状态进行识别,仿真和实验表明效果良好。

1 暗通道先验

雾霾图像的形成过程^[7]可表示为：

（1）

式中：I(x)为有雾图像,J(x)为去雾后图像,A为大气光强度,ρ(x)为场景反照率,t(x)为透射率^[7]。

何对大量户外无雾彩色图像进行统计观察后发现,在绝大多数非天空的局部区域里,某些像素总会有至少一个颜色通道具有很低的值^[7],可表示如下：

（2）

式中：J^c表示图像J的一个颜色通道,r、g、b分别表示红绿蓝3种颜色通道,Ω(x)表示以x为中心的方形窗口,J^dark表示图像J的暗通道,使用公式（2）所表达的统计性规律称为暗通道先验。

由暗通道先验规律可得初始的透射率估计：

（3）

式中：ω(0<ω<=1)为常数,称为去雾控制因子,目的是有针对性地保留一部分雾,在本文中的取值为0.95^[7]。

根据求取的整体大气光值A以及透射率t(x)反推出的无雾图像复原公式为：

（4）

式中：t₀为控制阈值,一般取0.1^[7]。

2 优化的去雾算法

2.1 自动调节大气光强

暗通道中存在的白色物体会对大气光强的估计产生很大影响^[8],对式（1）进行灰度开运算可减小此影响,即：

（5）

式中：Î ^dark,ρ^dark和t′(x)分别为I^dark,ρ^dark和t(x)进行灰度开运算处理的结果。根据暗通道先验规律可知,进行灰度开运算后,如果图像结构元素的尺寸大于暗通道图像中白色物体的尺寸^[8]时,ρ^dark的取值将趋于0。因此,此时式（5）可改写为：

（6）

由式（6）可得透射率的初始估值,即：

（7）

由于t′(x)中的像素值不大于t(x)中像素值,因此Î ^dark(x)/A的取值范围应为[0,1]^[8],即A的取值应大于Î ^dark(x)中像素的最大值。其次,在一般情况下,A的取值不大于原图像中像素的最大值。因此,A的取值范围可表示为：

（8）

由式（8）可得出大气光强A的区间估计为：

（9）

其中α为调节参数,取值范围为[0,1],其表达
式为：

（10）

式中：mean(·)表示对所有元素取均值。由于α与Î ^dark的灰度分布有关,所以可判断大气光强A具有自动调节功能^[8]。

2.2 透射率优化

用初始透射率t(x)以及经过软抠图算法进行优化后的透射率如图1所示。

图1 传统暗通道先验算法透射率示意 Fig.1 Transmissivity of traditional dark channel prior

将图1的两个透射率图像进行比较可知,软抠图优化后的透射率图像经过优化后的效果主要表现在灰度变化比较明显的区域^[3],因此本文针对此区域（即边缘）进行优化,这样可以减少优化范围,降低算法复杂度。本文采用基于形态学开运算^[9]算法对透射率进行细化,开运算处理可以有效快速地通过估算雾的密度来优化透射率,可以改善恢复图像产生的块效应。

同时,针对天空、白色物体等明亮区域暗通道先验失效的问题,通过引入容差机制^[10]对明亮区域的透射率进行调整。假设δ^c(x)表示像素x的相对颜色值,容差机制可描述为：

（11）

设容差参数为K(x),定义如下：

（12）

它表示图像在x的像素I^c与大气光强A^c之间的距离,距离越大,表明两者相差越大,反之两者越相近^[10]。当K(x)接近0时,像素x可视为图像的
光强。

本文设定阈值K₀,当容差K(x)小于K₀时,说明像素点的透射率估计偏差较大,需要进行调整,反之则不需要进行调整^[11]。修正后的透射率估计为：

（13）

2.3 去雾算法实现

本文提出了优化的基于暗通道先验的去雾算法,改进的去雾算法流程如图2所示。

图2 改进的去雾算法流程 Fig.2 The flow chart of improved defogging algorithm

算法使用MATLAB R2016b环境编程实现。何的算法获得的透射率及去雾后图像与本文算法获得的透射率及去雾后图像的对比如图3所示。

由图3可以看出,本文提出的算法获得的透射率边缘比何提出的算法获得的透射率边缘更加清晰,获得的去雾图像的细节也比较明显。

图3 两种算法的透射率及去雾图像 Fig.3 Transmissivity and defogging images of two algorithms

此外再针对两种不同尺寸图像分别采用两种算法进行去雾处理,对比结果如图4所示。

图4 利用两种算法恢复出的两幅图像 Fig.4 Two images of two defogging algorithms

两种算法的执行时间对比见表1所列。

表1 本文算法与He算法时间对比 Tab.1 Time comparison between two defogging algorithms

由此可以看出,本文提出的算法相较传统暗通道先验去雾算法在速度上有了显著提高,去雾效果比较理想,可以满足图像识别的要求,同时为工业上实现实时监测提供了可能。

3 开关状态识别

跌落式开关又叫跌落式熔断器,是一种短路保护开关,在10 kV/12 kV配电线路分支线和配电变压器中得到了广泛应用^[12],它能有效适应户外的操作环境,具有经济、操作方便等特点。因此,被广泛应用于10 kV/12 kV配电线路和配电变压器一次侧作为保护和进行设备投、切操作之用^[12]。同时,因为其有一个明显的断点,具备隔离开关的功能,为电力设备的检修创造了一个安全的作业环境。

3.1 开关定位

对柱上跌落式开关进行定位采用尺度不变特征变换匹配算法（Scale-Invariant Feature Transform,SIFT）。SIFT特征对旋转、尺度缩放、亮度变化等都具有不变性^[13],是非常稳定的局部特征。算法具体流程为如下。

1）尺度空间构造。生成尺度空间需要先构造图像高斯金字塔,然后利用连续的高斯卷积核与原图像进行卷积生成^[14]。一幅二维图像在不同尺度下的尺度空间可表示为：

（14）

其中,G(x,y,σ)为高斯核函数,可表示为：

（15）

式中：(x,y)为图像的像素坐标,I(x,y)为图像数据。σ称为尺度空间因子,可反映图像的平滑程度^[15]。

将相邻组别的高斯图像相减,可以得到一组高斯差分图像：

（16）

式中：m=1,2,…,s;k=2^1/s。

2）寻找极值点。极值点可以在尺度空间中进行查找,查找方式是将空间内所有的点以及相邻尺度与位置的点进行比较^[15],以此来找到局部的极值点。然后将局部的极值点与采样点进行比较,使得在尺度空间和二维图像中都检测到极值点^[15]。

3）寻找关键点。利用式(17)、(18)在极值点中求得关键点,以及关键点的位置和尺度信息。

（17）

（18）

其中,式（17）是根据求导寻找极值点,式（18）采用三维二次拟合的方式将D(x)≤0.03^[15]的不稳定的点除去。

利用式（19）和式（20）计算关键点的方向和
模值。

（19）

（20）

4）产生关键点描述子。以关键点为中心,设置4个4×4的窗口,然后在每个窗口分别计算8个方向的梯度直方图,并将值进行累加,形成128维特征向量。

5）特征量匹配。根据模板图像与采集到的图像特征向量的欧式距离进行判断^[15]。本文设定阈值来确定是否为匹配的特征向量。取模板图像中的某个关键点,根据欧式距离寻找两个匹配最近的点,如果最近距离除以次近距离小于设定的阈值,则将该点定为匹配点^[15]。变换过程为：

（21）

式（21）中的[x′,y′,1]^T和[x,y,1]^T表示任一组特征匹配点在模板图像和待匹配图像上的像素点坐标,H称为投影变换矩阵。

确定匹配关系后需要把式（21）中的H进行参数估计,再配合随机采样的方式,至少需要4个匹配点来提高估计的适应性^[15]。同时,为提高匹配的准确度,需要加大抽样次数。

3.2 开关状态识别

Hough变换是利用图像的全局特性,将图像的边缘像素进行连接^[13],继而组成区域的封闭边界。这种算法可以把不连续的像素点进行连接,从而对已知的形状进行检测。本文采用直线Hough变换对开关状态进行识别检测。直线变换的方程为：

（22）

式中：ρ为直线到原点的距离,θ限定了直线的斜率。对于给定的任意一组(ρ, θ),上式都能唯一确定一条直线^[13]。通过所确定的直线夹角,就能判断开关的状态。

3.3 开关识别实现

对开关进行状态识别分析的流程如图5所示。

图5 开关识别算法流程 Fig.5 The flow chart of switch recognition

经过去雾处理之后的图像以及模板图像识别前均先经过灰度化处理,即将彩色图像转化成灰度图像,这样可以提高后续算法的处理速度。经过特征点匹配后将匹配出的图像进行二值化处理、闭运算填补边缘、Canny边缘检测,然后再经过Hough变换进行状态识别判断。待识别图像与去雾后图像如图6所示。

图6 待识别图像与去雾后图像 Fig.6 The images to be identified and defogged

经SIFT算法匹配出的图像如图7所示。

图7 特征点匹配 Fig.7 The image of feature point matching

图7根据模板库共匹配出3个跌落式开关。由于二值化后的开关图像边缘存在参差不齐的现象,如果直接对其进行边缘检测再进行Hough变换,不能准确地识别出开关,因此本文在图像二值化后加入形态学闭运算,很好地消除了不好的边缘,使得识别效果更加突出。二值化及闭运算处理结果如图8所示。

图8 二值化及闭运算处理结果 Fig.8 The binary image and closed operation image

从图8中可看出经过闭运算后边缘效果良好,能为后续直线检测奠定良好的基础。经过形态学闭运算后采用Canny边缘检测^[16]算法提取开关边缘、Hough变换对开关中直线进行识别,识别结果如图9所示。

图9 Canny边缘检测及Hough变换识别 Fig.9 The image of Canny and Hough

开关的状态分为3种,分别为“分”、“合”、“未合好”。本文设定直线夹角阈值,直线若平行,则说明开关处于“合”状态;不平行且小于阈值,则处于“未合好”状态;大于阈值则处于“分”状态。由上述可判断,本文采用的图像开关处于“分”状态。至此,开关状态识别完毕。

4 结语

本文针对雾霾环境下采集的视频图像提出了一种优化的基于暗通道先验的去雾算法,并以配网柱上跌落式开关视频图像为例,对其进行了去雾、识别。该算法解决了传统暗通道先验算法复杂度高、大片天空区域处理难的问题,可有效实现户外环境下图像的去雾处理。同时,本文针对柱上跌落式开关采用SIFT提取定位、Hough变换识别的算法,能有效识别开关状态,提高了人工巡检效率,对实现电力设备智能监测具有指导意义。本文提出的去雾算法处理速度快且效果理想,为其他场景的去雾处理提供了新思路。

(编辑:邹海彬)

参考文献

[1] 孟令枫, 杨兴, 于晓春, 等. 基于直线检测法的变电站开关状态图像识别系统的研究[J]. 电子质量, 2017, 5(4): 5-8.

MENG Ling-feng, YANG Xing, YU Xiao-chun, et al.Research on substation switch state image recognition system based on line detection method[J]. Electronic Quality, 2017, 5(4): 5-8.

[2] 袁永德. 基于暗通道先验的图像去雾算法研究[D]. 西安: 西北大学, 2016.

[3] 幸山, 严华, 雷印杰. 一种快速暗通道去雾算法[J]. 计算机测量与控制, 2015, 23(12): 4141-4144.

XING Shan, YAN Hua, LEI Yin-jie.A fast dehaze algorithm based on dark channel[J]. Computer Measurement and Control, 2015, 23(12): 4141-4144.

[4] 肖进胜, 高威, 邹白昱, 等. 基于天空约束暗通道先验的图像去雾[J]. 电子学报, 2017, 45(2): 346-352.

XIAO Jin-sheng, GAO Wei, ZOU Bai-yu, et al.Image defogging based on skylight dark channel priori[J]. Journal of Electronics, 2017, 45(2): 346-352.

[5] TAN R T.Visibility in bad weather from a single image[C]// IEEE Conference on Computer Vision and Patter Recognition, 2008: 1-8.

[6] FATTAL R.Single image dehazing[J]. ACM Transactions on Graphics(TOG), 2008, 27(3): 1-9.

[7] HE K, SUN J, TANG X.Single image haze removal using dark channel prior[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341-2353.

[8] 刘海波, 杨杰, 吴正平, 等. 基于暗通道先验和Retinex理论的快速单幅图像去雾方法[J]. 自动化学报, 2015, 41(7): 1264-1273.

LIU Hai-bo, YANG Jie, WU Zheng-ping, et al.Fast single image defogging method based on dark channel priori and Retinex theory[J]. Journal of Automation, 2015, 41(7): 1264-1273.

[9] 贺晓燕. 基于暗通道的图像去雾算法研究[D]. 长沙: 湖南大学, 2015.

[10] 樊金斐. 基于IDCP算法的图像去雾方法研究[D]. 哈尔滨: 哈尔滨理工大学, 2017.

[11] YU L, YAN P, YAN X.Video defogging based on adaptive tolerance[J]. TELKOMNIKA Indonsian Journal of Electrical Engineering, 2012, 10(7): 1644-1654.

[12] 丁盛. 青铜峡市10 kV配电网保护方案研究与应用[D]. 重庆: 重庆大学, 2009.

[13] 左飞. 数字图像处理原理与实践(MATLAB版)[M]. 北京: 电子工业出版社, 2014.

[14] 陈安伟, 乐全明, 张宗益, 等. 基于机器人的变电站开关状态图像识别方法[J]. 电力系统自动化, 2012, 36(6): 101-105.

CHEN An-wei, LE Quan-ming, ZHANG Zong-yi, et al.Image recognition method based on the switching state of the robot substation[J]. Automation of Electric Power Systems, 2012, 36(6): 101-105.

[15] 林陶, 黄国荣, 郝顺义, 等. 尺度不变特征转换算法在图像特征提取中的应用[J]. 计算机应用, 2016, 36(6): 1688-1691, 1698.

LIN Tao, HUANG Guo-rong, HAO Shun-yi, et al.Application of scale invariant feature transformation algorithm in image feature extraction[J]. Journal of Computer Applications, 2016, 36(6): 1688-1691, 1698.

[16] 孙正, 周雅, 赵振兵. 数字图像处理与识别[M]. 北京: 机械工业出版社, 2014.