0 引言

在對電力系統(tǒng)設(shè)備進行維護時,工作人員常常需要到現(xiàn)場進行巡檢^[1],以核對相應(yīng)開關(guān)狀態(tài),這樣不僅勞動強度大、操作時間長,且安全性低。通過引入視頻圖像識別技術(shù),可實現(xiàn)現(xiàn)場電力設(shè)備開關(guān)狀態(tài)的自動識別,在節(jié)省人力物力的同時大大提高了工作效率。

霧霾天氣的出現(xiàn)為電力巡檢帶來了很大挑戰(zhàn)。場景中的物體反射到達視頻采集設(shè)備中的光線變少,且受到霧中顆粒物反射光或散射光的干擾^[2],采集到的視頻圖像無法反映真實的場景信息。對于采用視頻圖像識別技術(shù)監(jiān)測電力設(shè)備開關(guān)狀態(tài)來說,霧天采集的圖像使得通過圖像提取有用信息的難度加大^[2],大大地降低了識別的精度和效率。因此,必須對采集的圖像進行清晰化處理,才能保證開關(guān)狀態(tài)的準確識別。

圖像去霧一般有兩種方式,即圖像增強^[3]和復(fù)原。現(xiàn)階段采用比較廣泛的是基于物理模型的方法,即對霧霾圖像降質(zhì)的根本原因進行分析,構(gòu)建霧天的圖像成像模型^[4],然后對有霧圖像進行復(fù)原來達到去霧的目的。Tan^[5]實現(xiàn)去霧的方法是提高圖像的對比度,但是該方法容易出現(xiàn)過度增強、顏色失真等問題。Fattal^[6]則使用獨立成分分析法,即假設(shè)透射率與表面投影局部不相關(guān),此算法只能在霧較少的情況下達到滿意的效果。基于暗通道先驗^[7]的去霧算法是何愷明博士提出的一種經(jīng)典的針對單幅圖像進行去霧的方法,此方法去霧效果理想,但是算法的復(fù)雜度很高,去霧效率相對較低。

針對現(xiàn)有算法的局限性,本文以何愷明提出的算法為基礎(chǔ),提出了一種優(yōu)化的去霧算法。該算法采用灰度開運算來自適應(yīng)獲取大氣光強,采用下采樣和插值的方法來提高透射率的估計速度,針對大量天空區(qū)域存在的問題,采用形態(tài)學(xué)算法并引入容差機制對透射率進行優(yōu)化。最后,本文以霧霾環(huán)境下采集到的配網(wǎng)柱上跌落式開關(guān)視頻圖像為例,對其進行去霧處理并識別開關(guān)狀態(tài),采用尺度不變特征變換匹配算法（Scale-Invariant Feature Transform,SIFT）對開關(guān)進行提取定位,Hough變換算法對開關(guān)狀態(tài)進行識別,仿真和實驗表明效果良好。

 1 暗通道先驗

霧霾圖像的形成過程^[7]可表示為：

 （2）

式中：J^c表示圖像J的一個顏色通道,r、g、b分別表示紅綠藍3種顏色通道,Ω(x)表示以x為中心的方形窗口,J^dark表示圖像J的暗通道,使用公式（2）所表達的統(tǒng)計性規(guī)律稱為暗通道先驗。

由暗通道先驗規(guī)律可得初始的透射率估計：

 （4）

式中：t₀為控制閾值,一般取0.1^[7]。

 2 優(yōu)化的去霧算法

2.1 自動調(diào)節(jié)大氣光強

暗通道中存在的白色物體會對大氣光強的估計產(chǎn)生很大影響^[8],對式（1）進行灰度開運算可減小此影響,即：

 （6）

由式（6）可得透射率的初始估值,即：

 （8）

由式（8）可得出大氣光強A的區(qū)間估計為：

 （10）

式中：mean(·)表示對所有元素取均值。由于α與Π^dark的灰度分布有關(guān),所以可判斷大氣光強A具有自動調(diào)節(jié)功能^[8]。

2.2 透射率優(yōu)化

用初始透射率t(x)以及經(jīng)過軟摳圖算法進行優(yōu)化后的透射率如圖1所示。

圖1 傳統(tǒng)暗通道先驗算法透射率示意Fig.1 Transmissivity of traditional dark channel prior

將圖1的兩個透射率圖像進行比較可知,軟摳圖優(yōu)化后的透射率圖像經(jīng)過優(yōu)化后的效果主要表現(xiàn)在灰度變化比較明顯的區(qū)域^[3],因此本文針對此區(qū)域（即邊緣）進行優(yōu)化,這樣可以減少優(yōu)化范圍,降低算法復(fù)雜度。本文采用基于形態(tài)學(xué)開運算^[9]算法對透射率進行細化,開運算處理可以有效快速地通過估算霧的密度來優(yōu)化透射率,可以改善恢復(fù)圖像產(chǎn)生的塊效應(yīng)。

同時,針對天空、白色物體等明亮區(qū)域暗通道先驗失效的問題,通過引入容差機制^[10]對明亮區(qū)域的透射率進行調(diào)整。假設(shè)δ^c(x)表示像素x的相對顏色值,容差機制可描述為：

 （12）

它表示圖像在x的像素I^c與大氣光強A^c之間的距離,距離越大,表明兩者相差越大,反之兩者越相近^[10]。當K(x)接近0時,像素x可視為圖像的
光強。

本文設(shè)定閾值K₀,當容差K(x)小于K₀時,說明像素點的透射率估計偏差較大,需要進行調(diào)整,反之則不需要進行調(diào)整^[11]。修正后的透射率估計為：

Fig.2 The flow chart of improved defogging algorithm " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">圖2 改進的去霧算法流程Fig.2 The flow chart of improved defogging algorithm

算法使用MATLAB R2016b環(huán)境編程實現(xiàn)。何的算法獲得的透射率及去霧后圖像與本文算法獲得的透射率及去霧后圖像的對比如圖3所示。

由圖3可以看出,本文提出的算法獲得的透射率邊緣比何提出的算法獲得的透射率邊緣更加清晰,獲得的去霧圖像的細節(jié)也比較明顯。

圖3 兩種算法的透射率及去霧圖像Fig.3 Transmissivity and defogging images of two algorithms

此外再針對兩種不同尺寸圖像分別采用兩種算法進行去霧處理,對比結(jié)果如圖4所示。

圖4 利用兩種算法恢復(fù)出的兩幅圖像Fig.4 Two images of two defogging algorithms

兩種算法的執(zhí)行時間對比見表1所列。

表1 本文算法與He算法時間對比Tab.1 Time comparison between two defogging algorithms

由此可以看出,本文提出的算法相較傳統(tǒng)暗通道先驗去霧算法在速度上有了顯著提高,去霧效果比較理想,可以滿足圖像識別的要求,同時為工業(yè)上實現(xiàn)實時監(jiān)測提供了可能。

 3 開關(guān)狀態(tài)識別

跌落式開關(guān)又叫跌落式熔斷器,是一種短路保護開關(guān),在10 kV/12 kV配電線路分支線和配電變壓器中得到了廣泛應(yīng)用^[12],它能有效適應(yīng)戶外的操作環(huán)境,具有經(jīng)濟、操作方便等特點。因此,被廣泛應(yīng)用于10 kV/12 kV配電線路和配電變壓器一次側(cè)作為保護和進行設(shè)備投、切操作之用^[12]。同時,因為其有一個明顯的斷點,具備隔離開關(guān)的功能,為電力設(shè)備的檢修創(chuàng)造了一個安全的作業(yè)環(huán)境。

3.1 開關(guān)定位

對柱上跌落式開關(guān)進行定位采用尺度不變特征變換匹配算法（Scale-Invariant Feature Transform,SIFT）。SIFT特征對旋轉(zhuǎn)、尺度縮放、亮度變化等都具有不變性^[13],是非常穩(wěn)定的局部特征。算法具體流程為如下。

1）尺度空間構(gòu)造。生成尺度空間需要先構(gòu)造圖像高斯金字塔,然后利用連續(xù)的高斯卷積核與原圖像進行卷積生成^[14]。一幅二維圖像在不同尺度下的尺度空間可表示為：

 （15）

式中：(x,y)為圖像的像素坐標,I(x,y)為圖像數(shù)據(jù)。σ稱為尺度空間因子,可反映圖像的平滑程度^[15]。

將相鄰組別的高斯圖像相減,可以得到一組高斯差分圖像：

 （17）

 （19）

 （21）

式（21）中的[x′,y′,1]^T和[x,y,1]^T表示任一組特征匹配點在模板圖像和待匹配圖像上的像素點坐標,H稱為投影變換矩陣。

確定匹配關(guān)系后需要把式（21）中的H進行參數(shù)估計,再配合隨機采樣的方式,至少需要4個匹配點來提高估計的適應(yīng)性^[15]。同時,為提高匹配的準確度,需要加大抽樣次數(shù)。

3.2 開關(guān)狀態(tài)識別

Hough變換是利用圖像的全局特性,將圖像的邊緣像素進行連接^[13],繼而組成區(qū)域的封閉邊界。這種算法可以把不連續(xù)的像素點進行連接,從而對已知的形狀進行檢測。本文采用直線Hough變換對開關(guān)狀態(tài)進行識別檢測。直線變換的方程為：

Fig.5 The flow chart of switch recognition " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">圖5 開關(guān)識別算法流程Fig.5 The flow chart of switch recognition

經(jīng)過去霧處理之后的圖像以及模板圖像識別前均先經(jīng)過灰度化處理,即將彩色圖像轉(zhuǎn)化成灰度圖像,這樣可以提高后續(xù)算法的處理速度。經(jīng)過特征點匹配后將匹配出的圖像進行二值化處理、閉運算填補邊緣、Canny邊緣檢測,然后再經(jīng)過Hough變換進行狀態(tài)識別判斷。待識別圖像與去霧后圖像如圖6所示。

圖6 待識別圖像與去霧后圖像Fig.6 The images to be identified and defogged

經(jīng)SIFT算法匹配出的圖像如圖7所示。

圖7 特征點匹配Fig.7 The image of feature point matching

圖7根據(jù)模板庫共匹配出3個跌落式開關(guān)。由于二值化后的開關(guān)圖像邊緣存在參差不齊的現(xiàn)象,如果直接對其進行邊緣檢測再進行Hough變換,不能準確地識別出開關(guān),因此本文在圖像二值化后加入形態(tài)學(xué)閉運算,很好地消除了不好的邊緣,使得識別效果更加突出。二值化及閉運算處理結(jié)果如圖8所示。

圖8 二值化及閉運算處理結(jié)果Fig.8 The binary image and closed operation image

從圖8中可看出經(jīng)過閉運算后邊緣效果良好,能為后續(xù)直線檢測奠定良好的基礎(chǔ)。經(jīng)過形態(tài)學(xué)閉運算后采用Canny邊緣檢測^[16]算法提取開關(guān)邊緣、Hough變換對開關(guān)中直線進行識別,識別結(jié)果如圖9所示。

圖9 Canny邊緣檢測及Hough變換識別Fig.9 The image of Canny and Hough

開關(guān)的狀態(tài)分為3種,分別為“分”、“合”、“未合好”。本文設(shè)定直線夾角閾值,直線若平行,則說明開關(guān)處于“合”狀態(tài);不平行且小于閾值,則處于“未合好”狀態(tài);大于閾值則處于“分”狀態(tài)。由上述可判斷,本文采用的圖像開關(guān)處于“分”狀態(tài)。至此,開關(guān)狀態(tài)識別完畢。

 4 結(jié)語

本文針對霧霾環(huán)境下采集的視頻圖像提出了