基于图像数字处理技术的电力设备--毕业设计(共49页).doc

精选优质文档-倾情为你奉上1 引言1.1 课题的背景和意义电力设备（power equipment）是电力系统中必不可少的一部分，它贯穿在电力系统始终，它在运行时损坏在所难免，主要是由长期发热和短时发热所造成，会使电力设备的绝缘性能降低，机械强度降低，导体的接触电阻增加，对电力系统的稳定运行产生着严重的威胁。随着电力生产可靠性要求的提高，电压等级的不断增高，机组容量增大，输电距离增长，对电力设备在运行中的故障隐患的准确诊断和及时维护，显得越来越重要。为了能够保证电力系统的稳定运行度，使用数字图像处理技术进行电力设备的状态检测已成为未来的趋势1。随着我国国民经济的快速增长，电力供应呈总体偏紧，部分地区电力短缺严重的现象，导致电力生产和电力传输中的一些部门满负荷或者超负荷运转，同时对运行中的电力设备带来了严重的考验。而且电力供应的不足直接制约了我国经济发展，制约生产力的发展，也在这种情况下，变电站的电力设备安全、可靠的运行显得尤为重要。为了提高电力系统运行的稳定性。国家正积极提高电力系统的自动化水平，电力系统正在大力建设无人值守变电站。许多变电站在遥测、遥信、遥控、遥调的基础上增加了“遥视”功能，实现了电力系统各种重要参数、设备和场所的监测。将视频图像引入电力设备运行状态的远程监视中带来了巨大的技术进步，但现有的视频监控系统只有视频监控功能和录像功能，不能对监控目标进行智能化的主动识别分析。因此对电力设备所出现的故障不能及时地处理，因此造成一系列的问题。首先，大量的图像传输到调度端，需要操作员时刻观察分析图像，无形中增加了操作员的工作负担；再次，人眼易疲劳的弱点和人工判断的主观性，严重影响了电力设备运行状态监测，不利于电力系统自动化程度的进一步提高；最后，人眼难以分辨细微图像的灰度变化，难以客观判断电力设备表面缺陷的程度2。从以上的具体问题，可以得出电力设备的故障识别需要借助计算机模式识别，以便更及时、更准确地排除故障。图像分析技术可从根本上解决目前电力设备在线监测中存在的一些实际问题：很多高压设备的运行状态难以转换成电信号，在信号转换和传输过程中容易受强电磁场的影响；重要设备的运行参数需要实时监测，采用人工巡视难以满足实时性要求，而且巡视员的责任心、工作态度和精神状况严重影响了检测的结果；另外，人眼难以分辨细微图像的灰度变化，难以客观判断电力设备表面缺陷的程度。本课题的成果及其进一步的研究工作，可促进变电站监测系统的智能化、自动化，提高变电站工作人员的效率，取得更高的经济效益，将具有较大的实用价值和应用前景。1.2 课题的国内外发展现状视觉识别和检测技术在国外发展很快，早在20世纪80年代，美国就有100多家公司跻身于视觉检测系统的经营市场，可见视觉测试系统确实很有前途。基于图像处理的检测系统已经在其他领域取得了一定成果，如文字识别、指纹识别、人物识别、产品检测、军事侦察等。视觉技术在电力系统识别和检测应用也在本世纪已陆续开展，在电力系统中，在近些年，基于图像处理技术在电力系统中的应用，已经进行了一些有益的探索，并且也取得了一些可喜的成就。现代电网自动化技术发展迅速，国外很多地方已经实现了变电站的无人值守。普及无人值守也成为目前和未来电网发展的必然趋势3，在当前电力系统对自动化、智能化程度要求不断提高的背景下，将计算机视觉的相关新技术运用到电力系统中来，结合电力系统变电站的应用场合，为电力系统变电站中视频监控特别是视觉信息相关的监测系统提供一条崭新的技术手段。而国内总体上还处于一种零散的、初步的应用阶段。比较成功的例子如电力设备的红外图像温度检测，基于图像识别的锅炉炉膛燃烧状况监测系统等。20世纪90年来中期以来，特别是我国城乡电网大规模改造以来，220KV以下相继进行无人值班改造。其具体做法是在增加一次系统可靠性和实行微机保护，实现“四遥” ，并增加“遥视”系统。“遥视”系统应用多媒体实时图像监视技术，可以使运行人员远程直接观看变电站现场设备及环境图像。电力设备的检测包括可以对杆塔、导线及避雷器、绝缘子、线路金具、线路周围环境进行巡视。机器人配备的高分辨率CCD摄像机摄取目标图像，实时传输到地面基站，由基站操作人员根据图像中导线、绝缘子等设施的外观确定是否损坏4。人工复查需对图像逐帧观察，效率低但较可靠。高压输电线路巡线机器人一般能发现架空线大部分表面故障。目前有些电厂和变电站安装了视频监控系统，可实现监视现场设备、控制远程摄像机运动、数字视频录像等功能。但这些视频监控系统只有视频监视功能没有视频图像识别功能。还要依靠值班人员直接去观察和分析采集到的图像5，判断电力设备的运行状态，缺乏对变电站电力设备的自动识别与分析功能。而目前提出的检测系统模型实现的视频图像识别内容主要包括：1对户外断路器、隔离开关以及接地刀闸等设备的断开、闭合状态进行检测；2测量输电线垂弧。变电站图像的分析和电力设备运行故障的判别方法的研究还不成熟，本文借鉴了图像处理与识别技术在其它领域内成功应用的经验，将图像处理和模式识别的算法运用到电力设备的识别，从而判断出电力设备的运行状态，达到监测的目的。1.3 论文的主要工作主要是通过采集并处理电力设备的图像来实现对电力设备运行的检测，并通过模式识别技术来判断电力设备的正常与故障情况，并进行校正，从而来保证电力系统的稳定运行。 1、运用数字图像处理技术提高图像的质量，对采集到的电力设备图像进行必要的预处理：图像去噪、图像锐化、边缘检测等。2、使用数字图像处理技术提取电力系统设备图像的特征，主要包括颜色、形状等。3、运用模式识别算法对图像中的电力设备状态进行识别，通过综合运用电力设备提取的特征和识别方法，有效的提高了识别的正确率和识别的速度。4、然后利用MATLAB软件对处理后的实际电力设备图像进行仿真实验，并设计GUI界面显示整个识别过程，能快速直观对结果进行分析，判断出电力设备的运行状态，达到了监测的目的。 2 电力设备图像的预处理随着社会的发展，图像处理技术与计算机视觉在各个领域的应用越来越广泛。本章介绍图像处理技术的基本知识以及它的发展，并且讨论计算机视觉在电力系统中的应用。改善图像质量的处理称为图像的预处理，本章主要介绍了图像预处理的一些基本方法，如直方图增强、图像平滑等。 2.1 数字图像的基本知识2.1.1 图像的颜色模型根据人眼结构，自然界中的所有颜色都可以由红绿蓝(R、G、B)三原色组合而成，也就是通常所指的RGB模型。实际应用中，有时会用到其他一些颜色模型，如CMY颜色模型、YIQ颜色模型、YUV颜色模型及YcbCr颜色模型等6。(1)RGB和CMY颜色模型CMY（Cyan、Magenta、Yellow）颜色模型是一种常用的表示颜色的方式。计算机屏幕的显示通常用RGB颜色模型，它是通过颜色的相加来产生其他颜色，这种做法通常称为加色合成法（Additive Color Synthesis）。而在印刷工业上则通常用CMY颜色模型（一般所称的四色印刷CMYK则是加上黑色），它是通过颜色相减来产生其它颜色的，所以通常称这种方式为减色合成法（Subtractive Color Synthesis）。图2-1为RGB与CMY两个颜色模型的关系图：(2)YIQ颜色模型 图2.1 RGB与CMY色彩系统关系图YIQ颜色模型通常被北美的电视系统所采用（属于NTSC系统），这里Y不是指黄色，而是指颜色的明视度（Luminance），即亮度（Brightness）。其实Y就是图像的灰度值（Gray value），而I和Q则是指色调（Chrominance），即描述图像色彩及饱和度的属性。RGB与YIQ之间的对应关系如下： (式2.1) (式2.2)YUV颜色模型被欧洲的电视系统所采用（属于PAL系统），其中Y和上面的YIQ颜色模型中的Y相同，都是指明视度。U和V虽然也是指色调，但是和I与Q的表达方式不完全相同。RGB与YUV之间的对应关系如下： (式2.3) (式2.4) 4)YcbCr颜色模型YcbCr颜色模型也是一种常见的色彩系统，JPEG采用的颜色模型正是该模型。它是从YUV颜色模型衍生出来的（因此通常还有人称JPEG采用的色彩系统是YUV系统，其实是错误的）。其中Y还是指明视度，而Cb和Cr则是将U和V做少量调整而得到的。RGB颜色模型和YcbCr颜色模型之间的对应关系如下： = (式2.5) (式2.6)其中，本文所涉及的高压断路器开关指示牌的两个状态分别为：绿色底色、字母 “OFF”和红色底色、字母“ON”字符，它具备明显的颜色特征。同时，由于在本文所设计的识别过程中，需要在图像中选取待识别开关的具体位置和区域，而视频服务器实时截取的图片采用的是JPEG压缩格式，直接利用数学算法提取指定区域的特征的方法不易实现，直接影响系统的整体识别时间。相反地，真彩色位图文件（bmp）格式采用的是24位真彩色RGB系统，即在该图像文件中，每个像素（对应屏幕的一个点）均由3个字节表示，三个字节分别表示R、G、B三个分量的值，这样提取指定区域的像素信息就容易的多，因此，本文将图像转换为真彩色位图文件格式，在提取高压断路器开关指示牌颜色特征时采用的是RGB颜色模型。2.1.2 彩色图像的灰度化本文前面将图像转换为BMP真彩色位图文件格式，图像的数据量大。在对开关进行颜色特征提取完毕后（仅对高压断路器开关进行了颜色特征提取，颜色模型采用了RBG模型），为了后期其他特征量的提取方便快捷，需要对图像进行灰度化处理7。灰度图（Grayscale）是只含亮度信息，不含色彩信息的图像，就像我们平时看到亮度由暗到明的黑白照片，变化是连续的。因此，要表示灰度图，就需要把亮度值进行量化。通常划分成0到255共256个级别，0最暗（全黑），255最亮（全白）。从彩色图像到为灰度图的转变可由公式得到：Y =0.299R+0.587G+0.114B （式2.7）2.2 电力设备图像的预处理2.2.1 直方图增强图像的直方图是图像的重要统计特征，它可以认为是图像灰度密度函数的近似。直方图虽然不能直接反映出图像内容，但它反映的是图像灰度分布统计特征。对于数字图像，它可以反映数字图像的概貌性描述，例如图像的灰度范围、灰度的分布、整幅图像的平均亮度和明暗对比度等，并可以由此得出进一步的重要依据。当图像对比度较小时，它的灰度直方图只在灰度轴上较小的一段区间上非零，较暗的图像由于较多的像素灰度值低，因此它的直方图的主体出现在低值灰度区间上，其在高值灰度区间上的幅度较小或为零，而较亮的图像情况正好相反。通常一幅均匀量化的自然图像的灰度直方图在低值灰度区间上频率较大，这样的图像较暗区域中的细节常常看不清楚。为使图像变清晰，可以通过变换使图像的灰度动态范围变大，并且让灰度频率较小的灰度级经变换后，其频率变得大一些，使变换后的图像灰度直方图在较大的动态范围内趋于均化。事实证明，通过图像直方图修改进行图像增强是一种有效的方法。一幅均匀量化的自然图像的灰度直方图通常在低值灰度区间上频率较大，使得图像中较暗区域中的细节常常看不清楚。为了使图像清晰，可将图像的灰度间距拉开，或者使灰度分布均匀，即让灰度直方图在较大的动态范围内趋于一致。从而增大了反差，使图像细节清晰，达到图像增强的目的。对于数字图像，以r表示正规化了的原图像灰度，以s表示经过直方图修正后的图像灰度，即0r，s1。且直方图均衡就是通过灰度函数，将原图像直方图改变成均匀分布的直方图。 (式2.8)即为P(r)的分布累计函数。在数字图像，灰度是离散的。离散化的直方图均衡化公式为：S=Tr= （式2.9） 需要注意的是，由于数字图像的灰度离散化，均衡化图像的直方图只是近似均匀分布。直方图均衡化后的图像灰度动态范围扩大了，量化层间隔扩大了，灰度的级数分布减少了，因而可能出现伪轮廓8。直方图均衡化技术使图像增强的实质在于：（1）两个占有较多像素的灰度变换后灰度之间的差距增大。一般来讲，背景和目标占有较多的像素，这种技术实际上加大了背景和目标的对比度。（2）占有较少像素的灰度变换后需要归并。一般来讲，目标与背景的过渡处像素较少，由于归并，其或者变为背景点或者变为目标点，从而使边界变得陡峭。 MATLAB图像处理工具箱中的imhist函数用来显示灰度图像的直方图，它的语法格式为： i=imhist(I)；图 2.2 导线图像直方图图2.3 导线图像直方图 MATLAB图像处理工具箱中的histeq函数用来对直方图增强。它的语法格式为： I=histeq(I1)； 图2.4 直方图均衡化前后的直方图2.2.2 图像平滑实际获得的图像一般都受到某种干扰而含有噪声。噪声产生的原因决定了噪声的分布特性以及它和图像信号之间的关系，通常噪声可以分成加性噪声、乘性噪声、量化噪声等。这些噪声恶化了图像质量，使图像模糊，甚至淹没特征，给分析带来困难。图像平滑的目的是消除或尽量减少噪声的影响，改善图像质量，有利于抽取对象特征进行分析。经典的平滑技术对噪声使用局部算子，当对某一个像素进行平滑处理时，仅对它的局部小邻域内的一些像素进行平滑，优点是其计算效率高，而且可以多个像素并行处理。图像平滑的主要方法有噪声门限法、加权平均法、领域平均法、中值滤波、掩膜平滑法、空间低通滤波等。噪声门限法是一直简单易行的噪声消除方式，对于因传感器或者信道引起的呈现孤立离散分布的单点噪声具有较好效果。运用噪声门限法进行图像平滑时，首先设定门限值T，然后顺序检测图像的每个像素，将该像素与其邻域内的其他像素进行比较判断，以确定是否为噪声点；若为噪声点，则以其邻域内所有像素灰度的平均值替代，否则，以原灰度值输出。该方法中门限值T选择至关重要，太大，则噪声平滑不够；太小，平滑图像会变得模糊。空间低通滤波等。下面介绍比较常用的中值滤波。中值滤波是抑制噪声的非线性处理方法。它是基于图像这样的一种特性:噪声往往以孤立的点的形式出现，这些点对应的象素很少，而图像则是由象素数较多、面积较大的小块构成。它在一定条件下，可以克服线性滤波器如最小均方滤波，平均值滤波(平滑滤波)等所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最有效。在实际运算工程中并不需要图像的统计特性，这也带来不少方便9。中值滤波是用领域点的中值代替该点的数值，即 (式2.10) 其中为点(x，y)及其领域的灰度值。例如，取一个二维窗口的大小(m×m)，这里m只能取奇数，其中m=3，其中各像素灰度值如下： (式2.11)经过按行排列，得到一个序列为52，26，59，34，63，48，44，51，39，重新排列后的新的序列26，34，39，44，45，51，52，59，63，则Median52，26，59，34，63，48，44，51，39=48。中值滤波是将领域中所有像素按灰度级排序，取其中间值为输出像素。中值滤波的效果依赖于两个要素:领域的空间范围和中值计算中涉及的像素数(当空间范围较大时，一般只取若干稀疏分布的像素做中值计算)。将一维中值滤波的概念推广到二维，一般来说，二维中值滤波比一维中值滤波更能抑制噪声。二维中值滤波器的滤波窗口，可以是线形、方形、圆形及十字形等，不同形状的窗口使用中心必须根据图像的内容和不同的要求加以选择。根据经验，对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口比较适宜;对于包含有尖顶角物体的图像，宜采用十字形窗口。使用二维中值滤波最值得注意的就是保持图像中有效的细线状物体。在一定条件下，中值滤波可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及颗粒噪声最为有效。但对高斯噪声无能为力。需要注意的是，当窗口内噪声点的个数大于窗口一半时，中值滤波的效果不好。而且，对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法，使用中值滤波会造成这些细节丢失。MATLAB图像处理工具箱中的medfilt2函数用来对目标图像进行中值滤波，它的语法格式为： J=medfilt2(I);图2.5 隔离开关中值滤波前后图像 2.3 小结 本章简要介绍了图像色彩模型和图像处理技术的主要内容，其中颜色特征提取选取了RGB的颜色模型，预处理包括直方图增强和中值滤波，对电力设备图像有效地进行去噪，使图像细节更加清晰。 3 电力设备图像分割和数学形态学在图像摄取、传输及处理过程中有许多因素会使图像变得模糊，降低了图像的质量，以下介绍了图像锐化和图像边缘检测的多种算法，使边缘更加清晰。另外还介绍了数学形态学基本理论，包括二值腐蚀、膨胀和种子填充的几何意义和性质以及对电力图像的实际处理效果。3.1 图像锐化图像模糊是常见的图像降质问题。大量的研究表明，图像模糊的实质是图像受到了求和、平均或积分运算。所以，可以不必深究图像模糊降质的物理过程及其数学模型，而根据图像模糊都有相加或积分运算这一共同点，运用相反的运算来减弱和消除模糊。这一类消减图像模糊的增强方法称为图像的锐化。图像锐化的主要目的就是加强图像中的目标边界和图像细节。值得注意的是，锐化处理的图像必须要有较高的信噪比，否则，图像进行锐化后，信噪比会降低，图像质量急剧下降。另外，由于锐化将使噪声受到比信号还强的增强，故必须小心处理。一般都是先进行图像平滑，去除或减轻图像中的干扰噪声，然后才进行锐化处理10。锐化技术可以在空间域进行，从木的方法是对图像进行微分处理;在频率域则运用高通滤波技术。在空间域中，山于需要锐化的图像边界或线条可能是任意走向的，所以期望采用的算子应该是各向同性的。所谓各向同性，是指无论边界或线条走向如何，只要幅度相等，算子就给出相同的输出。数学证明，偏导数的平方和运算是各向同性的，如微分算子和拉普拉斯算子就是各向同性的。本节主要介绍一些常用的图像锐化方法，如微分算子算法、拉普拉斯算子算法等。3.1.1 Sobel算子算法微分算子方法锐化图像时，图像中的噪声、条纹等同样得到加强，这在图像处理中会造成伪边缘和轮廓。Sobel算子则在一定程度上克服了这个问题。Sobel算子的基本思想是:以待增强图像的任意像素(i，j)为中心，截取一个3x3的像素窗口11。分别计算窗口中心像素在x，y方向上的梯度: (式3.1) (式3.2)增强后图像在(i，j)处的灰度值为:(x,y)= (式3.3)Sobel算子在计算x方向和y方向上的梯度时，不像普通梯度算子那样只用两个像素灰度差值来表示，而是采用两列或两行像素灰度加权和的差值来表示，这使得Sobel算子具有如下优点: (1)引入了加权平均，将距离远近产生的影响考虑进去，对图像中的随机噪声具有一定的平滑作用。(2)由于Sobel算子采用间隔两行或者两列的差分，所以图像中边缘两侧的像素得到增强。Sobel算子得到的锐化图像的边缘显得粗而亮。MATLAB图像处理工具箱中的filter2函数用来对目标图像进行Sobel算子锐化，它的语法格式为：h1=fspecial('Sobel');I1=filter2(h1,I); 图3.1 Sobel算子锐化前后图3.1.2 拉普拉斯算子算法拉普拉斯算子是一种十分常用的图像边缘增强处理算子。拉普拉斯算子是线性二次性二次微分算子，具有各向同性和位移不变性，从而满足不同走向的图像边缘的锐化要求。对于连续图像，它的拉普拉斯算子为= (式3.4)当图像模糊是由于扩散现象引起时，不模糊图像等于模糊图像减去它的拉普拉斯运算结果的k倍，即 (式3.5)f为模糊图像，g为锐化以后的图像，k是与扩散效应有关的系数。对于数字图像f(i，j)来讲，拉普拉斯算子定义为:(i,j)= (式3.6)(式3.6)中， = = (式3.7) = =同理求得： = (式3.8)将(式3.6) 和(式3.7)代入(式3.8)： = (式3.9)将式(3.9)加以变换，改写为如下形式： (式3.10) 从式(3.10)可以看出，数字图像在(i，j)点处的拉普拉斯算子，可以由灰度值减去其邻域均值来求得。MATLAB图像处理工具箱中的imfilter函数用来对目标图像进行Laplacian算子锐化，它的语法格式为：h1=0,-1,0;-1,5,-1;0,-1,0;I2=imfilter(I1,h1);图3.2 Laplacian算子锐化前后图 如果一幅待处理的电力设备图像比较模糊，或者说细节不突出，我们为了保证后面的特征提取和分割的效果，就要对此图像进行增强锐化处理。对于边缘需要增强的图像，我们可以选择上面的两种算子对电力设备图像进行处理12。其中L即lacian算子对图像模糊的边缘有一定的增强效果，相比较而言， Sobel算子边缘增强锐化的效果更好。当我们处理的设备图像对边缘要求较高时，我们可以选择Sobel算子进行边缘处理。3.2 图像边缘检测图像的边缘是图像的基本特征之一，它蕴含了图像丰富的内在信息(阶跃性质、形状等)并广泛的用于图像分割、图像分类、图像配准和模式识别中。边缘是指图像局部亮度变化最显著的部分像素的集合。图像的边缘对应着图像灰度的不连续性。显然图像的边缘很少是从一个灰度跳到另一个灰度这样的理想状况。真实图像的边缘通常都具有有限的宽度呈现出陡峭的斜坡状。边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础。图像中的边缘通常与图像亮度或图像亮度的一阶导数的不连续有关。经典的边缘检测方法通常是利用边缘邻近的一阶或二阶导数的变化规律来进行的。数字图像的求导通常是利用差分近似微分来实现的。边缘检测通常借助空域微分算子进行，通过将算子模板与图像进行卷积来完成边缘检测13。常见的边缘检测有:梯度算子、Robert算子、Sobel算子、GauSS一LaplaCian算子、拉普拉斯算子等。(l)梯度检测算子边缘检测是检测图像局部显著变化的最基本运算。边缘的锐利程度由图像灰度的梯度决定。梯度是一个向量，指出灰度变化的最快的方向和数量。在一维情况下，阶跃边缘同图像的一阶导数的局部峰值有关，梯度是函数变化的一种度量而一幅图像可以看作是图像强度连续函数的取样点的阵列。梯度是一阶导数的二维等效式，对于图像在处的梯度为一矢量G(x,y)=G G= (式3.11)梯度的幅值如下：G(x,y)= (式3.12)在实际应用中，通常用绝对值来近似梯度幅值。由矢量分析可知，梯度的方向定义为：(x,y)=arctan() (式3.13) 其中角是相对x轴的角度。对于数字图像，式（3.11）可用差分来近似计算，简单的梯度近似表达式为 (式3.14) (式3.15) 其中，j对应x轴方向，i对应负y轴方向。直接用上式计算，会受到噪声影响。为解决此问题，常用2×2一阶差分模板来求x和y的偏导数：G= G= (式3.16)将邻近的微分值相加，其结果相当于求了两倍的微分值，而不是平均值，在一定程度上增加了鲁棒性。(2)Roberts算子最简单的边缘检测算子是用图像的垂直和水平差分来逼近梯度算子，1963年Roberts提出了边缘检测算子，Roberts交叉算子为梯度幅值计算提供了一种简单的近似方法： (式3.17)用卷积模板表示方法，上式变成 (式3.18)它是一个由2×2模板作用的结果，可表示为 G= G= (式3.19)Roberts算子是直观的也是简单的，但是效果并不好。(3)Prewitt算子Prewitt边缘检测算子是一种类似Sobel边缘检测算子的边缘模板算子，通过对图像进行八个方向的边缘检测，将其中方向响应最大的作为边缘幅度图像的边缘。S= S= (式3.20)如果在每个点噪声都是相同的，那么Prewitt算子是比较好的。事实上，Prewitt算子对噪声很敏感，图像的离散差分对噪声比对原图像更敏感；可以通过先对图像做平滑以改善结果。 (4)GaussLaplacian算子GaussLaplacian算子是一种二阶边缘检测法，通过寻找图像的灰度值的二阶微分中的零穿越来检测边缘点，其算子用模板卷积表示为 (式3.21)通过上面介绍的边缘检测的方法，本文对一个隔离开关的图像进行边缘检测，边缘检测的效果如下图3.3所示：(a) Sobel算子边缘检测(b) Prewitt算子边缘检测 (d) Canny算子边缘检测(c) Roberts算子边缘检测图3.3 图像边缘检测上面图(a)是用Sobel算子边缘检测结果，图(b)是用Prewitt算子边缘检测结果，图(c)是用Roberts算子边缘检测结果，图(d)是用Canny算子边缘检测结果.根据上面应用各种算子方法对电力变压器进行边缘检测的图像可以看出，简单的选择算子来对图像进行边缘检测，用Sobel算子和Prewitt算子进行边缘检测的时取得的效果更好一些。同时可以理解为进行边缘检测的目的就是找出电力设备的边缘，也就是找出设备图像的边缘点。在前面的图像锐化一节中，通过各种算法对电力变压器图像进行了边缘增强以及锐化处理，从得到的变压器图像可以看出：图像中的边缘更加突出了，边缘处像素值的对比度得到了增强，为边缘检测取得良好的效果打下了基础。因此，为了更好的进行边缘检测，我们首先对电力变压器的图像进行边缘增强和锐化处理，然后进行边缘检测，处理结果和比较如下图3.4所示。 图a Sobel算子锐化Roberts算子边缘检测图b Sobel算子锐化Prewitt算子边缘检测 图d 拉普拉斯算子锐化Prewitt算子边缘检测图c 拉普拉斯算子锐化Roberts算子边缘检测 图3.4 图像锐化后边缘检测图中，图(a)是先用Sobel算子增强锐化图像后，再用Roberts算子进行边缘检测的结果，图(b)是先用Sobel算子增强锐化图像后，再用Prewitt算子进行边缘检测的结果，图(c)是先用拉普拉斯算子算子增强锐化图像后，再用Roberts算子进行边缘检测的结果，图(d)是先用拉普拉斯算子增强锐化图像后，再用Prewitt算子进行边缘检测的结果。通过上面的分析和比较，可以看出，我们在对电力设备的图像进行边缘检测时，为了取得良好的效果，交叉选取了锐化过程中效果明显的两个算子进行锐化处理，接着选用了边缘检测效果突出的Roberts算子和Prewitt算子进行边缘检测处理。这样与单独用算子进行检测的结果相比较，锐化后的图像再用边缘检测算子的效果明显提高了很多。3.3 阈值分割基于阈值选取的图像分割方法是提取物体与背景在灰度上的差异，把图像分为具有不同灰度级的目标区域和背景区域的组合，阈值法对物体和背景对比较强的景物分割有着很强优势，计算较为简单，并且可以用封闭和连通的边界定义不交叠的区域，是图像分割中最有效且实用的技术之一。根据获取最优分割阈值的途径，可以把阈值法分为全局阈值法、动态阈值法、模糊阈值法和随机阈值法14等。阈值分割的基本想法是确定一个阈值，然后把每个像素点的像素值和阈值相比较，根据比较的结果把该像素划分为两类：前景和背景。一般可以分成以下3步：(1)确定阈值。(2)将阈值和像素值比较。(3)把像素归类。上面的3个步骤，第一步是关键的，如果能确定一个合适的阈值，就可以对图像进行正确、方便的分割。当照明不均匀、有突发噪声，或者背景灰度变化比较大时，整幅图像分割将没有合适的单一门限，因为单一的阈值不能兼顾图像各个像素的实际情况。这时，可对图像按照坐标分块，对每一块分别选一阈值进行分割，这种选择与坐标相关的阈值进行图像分割的方法称为动态阈值方法15，也称为自适应阈值方法。动态阈值选取比较简单的方法则是对每个像素确定以它为中心的一个领域窗口，计算窗口内像素的最大值和最小值，然后取它们的均值作为阈值。需要注意的是，同一种运算窗口越大，需要处理的数据越多，时间复杂度越大。 P P P PC P P P P图3.5 动态阈值确定方法 在图3.5中，令C表示当前像素，P为C的8领域像素，令maxValue表示8领域像素的最大灰度值，minValue表示8领域像素的最小灰度值，则阈值可以设定为:T= （式3.22）也可以采用均值设定阈值: 其中P是C的8领域像素。 T= （式3.23）对导线图像采用阈值二值化，如图3.6图3.6 阈值分割前后导线图 3.4 数学形态学简介数学形态学(Mathematical Morphology)是建立在集合论基础上的一门新兴学科，非常适合信号的几何形态分析和描述。其基本思想是利用结构元素对信号进行“探测”，保留主要形状，删除不相干形状(如噪声、毛刺)。作为探针的结构元素，可直接携带知识，如方向、大小、色度等信息，探测、研究包含了信号主要信息的结构特征，不同的结构元素可以得到不同的结果。数学形态学的这一“探测”思想对信号处理理论和技术产生了重大影响，广泛应用于图象处理与分析、生物医学工程、机器视觉、工业检测、航空遥感、材料科学和军事科学等领域，并不断的发展和扩大。数学形态学首先处理的是二值图象，称为二值数学形态学(Binary Morphology)。它将二值图象看成是集合，并用结构元素来探察。二值数学形态学是一种针对集合的处理过程，算法简单，适于并行处理，且易于硬件实现，适于对二值图象进行图象分割、细化、抽取骨架、边缘提取、形状分析等处理。数学形态学的基本运算有腐蚀、膨胀、开启和闭合。基于这些基本运算可以推导出更多的数学形态学实用算法。腐蚀和膨胀的定义是和集合及集合的运算的密切相关，下面给出数学形态学的基本概念和运算。3.4.1 膨胀 膨胀一般是给图像中的对象边界添加像素，而腐蚀则是删除对象边界的某些像素。在操作中，输出图像中所有给定像素的状态都是通过对输入图像的相应像素及其像素使用一定的规则进行确定。在操作时，输出像素值是输入图像相应像素邻域内所有像素的最大值，而在腐蚀操作中，输出像素值是输入图像相应像素邻域内所有像素的最小值。膨胀的数学表达为： (式3.24)腐蚀的数学表达式： (式3.25)膨胀和腐蚀这两种运算时紧密在一起的，一个运算对图像的目标的操作相当于另一个对图像背景的操作，所以说膨胀和腐蚀是具有对偶性的。MATLAB图像处理工具箱中的imdilate函数用来对目标二值化图像进行膨胀运算，它的语法格式为： BW=imdilate(BW1,SE);其中所使用的SE是由STREL函数产生。如SE=strel(ball,5.5),SE可以是一个或多个结构元素，或者是数组。根据图像格式和SE的不同。 图3.7 隔离开关膨胀前后图像3.4.2 种子填充种子填充和边缘提取是一对可以互求的操作。知道区域可以求边界，同样，知道了边界可以填充得到区域。也就是说，可以使用结构元素通过对要填充的图进行膨胀、求补和求交操作来实现种子填充。直观地看，种子填充就是指定一个背景点作为起始点，不断地把与之相连的背景点的值由0变1，知道达到物体的边界。种子填充对去除图像中不规则的形状很有效。如一张照片中含有一个圆，但由于反光的原因，图像看起来是一个圆环。在进一步处理之前，可以利用种子填充把圆环恢复成一个圆。MATLAB图像处理工具箱中的imfill函数用来对目标封闭图像进行种子填充，它的语法格式为： BW=imfill(BW1,hotel);它表示填充图像的空洞，该空洞是边缘图像不能达到的图像的像素的集合。 图3.8 隔离开关种子填充前后图3.5 小结本章对变电站电力设备图像进行锐化后再进行边缘检测，效果更佳。利用固定阈值实现图像的二值化分割，可减小将来图像识别中的运算规模，并且能够提高电力设备图像识别的实时性。最后还运用了形态学膨胀运