基于改进遗传算法的电力设备红外图像分割研究
李祥 崔昊杨 皮凯云 许永鹏 钱婷
摘 要： 针对传统的遗传算法对目标图像感兴趣部位（ROI）分割存在收敛速度慢、耗时长、分割过当等缺点，提出一种改进遗传算法的分割方法，该方法采用最佳熵阈值法确定分割阈值，从而减少计算量，缩短耗时。通过Matlab仿真实验所得结果表明，改进后的遗传算法在电力设备红外图像分割的时间和效果上均优于传统算法。
关键词： 遗传算法； 最佳熵阈值； 电力设备红外图像； 图像分割
中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2017）21?0056?03
Research on electrical equipment infrared image segmentation
based on improved genetic algorithm
LI Xiang1， CUI Haoyang1， PI Kaiyun1， XU Yongpeng2， QIAN Ting3
（1. School of Electronics and Information Engineering， Shanghai University of Electric Power， Shanghai 200090， China；
2. Department of Electrical Engineering， Shanghai Jiao Tong University， Shanghai 200240， China；
3. Department of Communication and Information Engineering， Shanghai Technical Institute of Electronics & Information， Shanghai 210411， China）
Abstract： Since the traditional genetic algorithm used to segment the region of interest （ROI） for target image has the disadvantages of slow convergence rate， long time?consumption and excessive segmentation， a segmentation method based on the improved genetic algorithm is presented. The optimal entropy threshold method is adopted in the method to determine the segmentation threshold， reduce the amount of calculation， and shorten the time?consumption. The results of Matlab simulation experiment show that the improved genetic algorithm is superior to the traditional one in the aspects of electric equipment′s infrared image segmentation time and effect.
Keywords： genetic algorithm； optimal entropy threshold； power equipment infrared image； image segmentation
0 引 言
隨着智能电网的建设与电力系统规模的扩大，电力设备发生故障的概率也逐渐增大，这就对电力设备高可靠性、高智能化的要求也不断提高。而大多数的电力设备故障的表象均为温度异常，因此，通过红外热成像法对电力设备运行状态实时在线监测日益受到供电企业的重视[1]。红外热成像（IRT）是用光学探测器检测物体表面发射出的红外辐射能量，并将其转换成电信号，最终在视频监视器上形成物体表面温度场分布图像。由于电力设备故障发生的种类和部位不同，就会导致设备表面呈现不同的温度分布形式。
经过分析设备表面温度场分布状况，从而确定电力设备中潜在的故障隐患事故的发生。然而，对设备表面温度场分析的焦点主要集中在故障发生处。因此，就需要采用有效的红外图像分割方法将设备红外图像故障处单独分割出来。对设备故障处的红外分割图像进一步的处理，从而确定设备故障的种类和程度。对此，国内外众多学者对红外图像分割技术进行研究。文献[2]采用简单的阈值分割法对电力设备红外图像进行故障部位分割；文献[3]采用阈值分割与形态学标记法获得ROI；文献[4]采用传统的遗传算法进行电力设备红外图像分割；图像[5]采用分水岭算法对电力设备故障部位边缘进行提取处理。但是以上分割方法均存在分割耗时等不足，而针对红外图像感兴趣区域经常出现分割过当等问题。
传统的遗传和阈值分割法存在收敛性差、阈值寻找不是最优等缺点，给电力设备红外分割带来了很大的困扰。因此，如何提高收敛速度和缩短分割时间成为电力设备红外图像分割的关键。为有效解决上述问题，本文提出一种改进的遗传算法，通过与最佳熵阈值分割算法结合，能够使其自动调整，保证算法的收敛性，能够对设备故障处图像恰当分割，具有较高的鲁棒性。
1 遗传算法与最佳熵阈值
遗传算法是一种模拟生物遗传进化过程中自适应的全局搜索算法。将要处理的具体问题看作为一种生存环境，问题中的解作为生存在环境中的个体，通过运用目标函数对个体进行逐个评价，通过优胜劣汰的机制选择出最优的个体。
在应对背景简单的电力设备红外图像时，阈值分割的方法是较为简单有效的分割方法。但是由于采集图像时可能受到一些干扰，分割目标与周围环境灰度值较为接近，此时得到的图像灰度直方图就有可能不能出现双峰形式。因此采用简单的阈值分割法就不能得到满意的目标分割区域。本文采用最佳熵阈值分割方法与遗传算法相结合的改进算法，能够加快算法的收敛速度，还能有效地避免算法陷入局部最优而产生退化。其基本原理为：在灰度大小为[m×n，]灰度级为[L]的图像中，[Nij]表示灰度级为[i，]所占总数为[j，]则该点灰度值概率为[pij=Nijm×n，]假定阈值[（s，t）]把图像分割为目标与背景两个区域，由于电力设备的主要信息都保留在上述两个区域中，此时计算可以忽略其他的噪声影响和边缘模糊干扰[6]。
2 算法步骤
本文通过最佳熵阈值分割的方法对传统的遗传算法进行改进，通过重新选择、交叉、变异得到最优的个体[7]。从而增强了变异的多样性，加快了全局搜索速度，从而获得最佳的解。整体步骤为：
（1） 整体编码
首先对图像灰度直方图进行处理，得到灰度值在0～255的灰度图像，再采用16位二进制编码，前8位二进制编码表示分割阈值[s]，后8位表示分割阈值[t]。采用均匀分布的原则产生（0，0）～（255，255）之间的[n]个个体，分别对他们进行16位二进制编码[8]。
（2） 选择适应函数
根据最佳熵阈值分割的原理，采用背景和目标的熵测值作为适应函数：
[f（t1，t2）=HO（t1，t2）+HB（t1，t2）=log（POPB）+hOPO+hL-hOPB]
式中：[PO=t=isj=itPij]表示目标区域所占面积；[PB=t=0sj=0tPij]表示背景区域所占面积；[HO（t1，t2）]表示目标区域的熵值；[HB（t1，t2）]表示背景区域的熵值[9]。
（3） 交叉操作
本文采用下述原则进行交叉操作，保证交叉操作后的个体朝着最优解的方向进化。
若[f（t1，t1）（X）>f（t1，t1）（X），]则[X=（x0，…，xm，ym+1，…，y1）；]若[f（t1，t1）（Y）>f（t1，t1）（Y），]则[Y=（y0，…，ym，xm+1，…，x1），][X]與[Y]为新一代个体。交叉操作的位置分别为前8位为[m，]后8位为[n]。
（4） 终止条件
在所有个体中产生满足条件的最优解，进入到内层循环并将满意的子群存储在内层中，将不满足内层循环的个体放在外层进行再次循环，直到满足最佳熵阈值，否则将该个体淘汰[10]。
3 实验仿真与结果分析
本次实验在CPU为2.60 GHz的双核PC机，运行内存为4 GB，运行环境为Matlab 2012a，采用255阶灰度图像。图1为电力设备红外热像图，图1圆圈中为故障发热严重部位，图2为经过灰度图像处理的灰度图像。图3和图4分别为传统遗传算法和改进后遗传算法的分割效果图。两种算法的耗时及阈值如表1所示。
从表1和图3，图4中可以看出，传统的遗传算法大致能够分割出电力设备的故障部位，其耗时为8.4 ms，但是图3中导线接触杆已经被过度分割，而其下方非故障部位的边缘位置分割效果不佳，不能完全把分割目标从背景中分割出去。而改进的遗传算法不仅能够精确地把电力设备故障部位从背景中分割，而且在电力设备边缘部位同样能够把目标和背景区域分开，不存在过当分割的缺陷。此外改进遗传算法的分割时间仅为2.9 ms，可见改进后的算法在效率上提升明显，能够快速地搜索最佳熵阈值并进行收敛，在运算速度上也有大幅的提升。
4 结 语
基于传统遗传算法和最佳熵阈值图像分割算法，本文提出一种改进型的遗传算法。首先通过最佳熵阈值分割法得到分块最佳熵阈值，然后给定最佳阈值改进遗传算法。通过Matlab 仿真实验平台对电力设备故障红外图像进行分割实验，实验结果表明，改进后的遗传算法能够从背景中有效地分割出电力设备故障部位，不存在分割过当的缺点，在设备图像的边缘位置处理效果明显；改进后的算法运算速度较快，加速了收敛过程，具有良好的鲁棒性。
注：本文通讯作者为崔昊杨。
参考文献
[1] 顾鹏程，黄福珍.基于改进Chan?Vese模型的电力设备红外图像分割[J].计算机工程与应用，2016（10）：193?196.
[2] 邹辉，黄福珍.基于FAsT?Match算法的电力设备红外图像分割[J].红外技术，2016，38（1）：21?27.
[3] 吴掬鸥，袁晓桂.基于阈值分割技术的图像分割法研究[J].现代电子技术，2016，39（16）：105?107.
[4] 孙继周，王小雄，罗佳佳.基于图像识别的错位图书检测技术研究[J].现代电子技术，2016，39（5）：58?62.
[5] 张志宏.遗传算法优化阈值的激光主动图像分割[J].激光杂志，2016，37（4）：84?87.
[6] 丁锐，刘甲甲.改进Otsu图像多阈值分割方法[J].计算机应用，2013，33（6）：210?216.
[7] 李康顺，李茂民，张文生.一种改进遗传算法的图像分割方法[J].计算机应用研究，2009，26（11）：365?367.
[8] 蓝友梳.基于改进遗传算法的最佳阈值的图像分割[J].情报探索，2012（12）：101?103.
[9] 隋然，潘点飞.基于改进遗传算法的最佳阈值分割方法及性能评价[J].微机与应用，2015，34（14）：45?48.
[10] 冯俊.基于图像分析的电力设备故障检测技术研究[J].现代电子技术，2015，38（24）：7?11.
摘 要： 针对传统的遗传算法对目标图像感兴趣部位（ROI）分割存在收敛速度慢、耗时长、分割过当等缺点，提出一种改进遗传算法的分割方法，该方法采用最佳熵阈值法确定分割阈值，从而减少计算量，缩短耗时。通过Matlab仿真实验所得结果表明，改进后的遗传算法在电力设备红外图像分割的时间和效果上均优于传统算法。
关键词： 遗传算法； 最佳熵阈值； 电力设备红外图像； 图像分割
中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2017）21?0056?03
Research on electrical equipment infrared image segmentation
based on improved genetic algorithm
LI Xiang1， CUI Haoyang1， PI Kaiyun1， XU Yongpeng2， QIAN Ting3
（1. School of Electronics and Information Engineering， Shanghai University of Electric Power， Shanghai 200090， China；
2. Department of Electrical Engineering， Shanghai Jiao Tong University， Shanghai 200240， China；
3. Department of Communication and Information Engineering， Shanghai Technical Institute of Electronics & Information， Shanghai 210411， China）
Abstract： Since the traditional genetic algorithm used to segment the region of interest （ROI） for target image has the disadvantages of slow convergence rate， long time?consumption and excessive segmentation， a segmentation method based on the improved genetic algorithm is presented. The optimal entropy threshold method is adopted in the method to determine the segmentation threshold， reduce the amount of calculation， and shorten the time?consumption. The results of Matlab simulation experiment show that the improved genetic algorithm is superior to the traditional one in the aspects of electric equipment′s infrared image segmentation time and effect.
Keywords： genetic algorithm； optimal entropy threshold； power equipment infrared image； image segmentation
0 引 言
隨着智能电网的建设与电力系统规模的扩大，电力设备发生故障的概率也逐渐增大，这就对电力设备高可靠性、高智能化的要求也不断提高。而大多数的电力设备故障的表象均为温度异常，因此，通过红外热成像法对电力设备运行状态实时在线监测日益受到供电企业的重视[1]。红外热成像（IRT）是用光学探测器检测物体表面发射出的红外辐射能量，并将其转换成电信号，最终在视频监视器上形成物体表面温度场分布图像。由于电力设备故障发生的种类和部位不同，就会导致设备表面呈现不同的温度分布形式。
经过分析设备表面温度场分布状况，从而确定电力设备中潜在的故障隐患事故的发生。然而，对设备表面温度场分析的焦点主要集中在故障发生处。因此，就需要采用有效的红外图像分割方法将设备红外图像故障处单独分割出来。对设备故障处的红外分割图像进一步的处理，从而确定设备故障的种类和程度。对此，国内外众多学者对红外图像分割技术进行研究。文献[2]采用简单的阈值分割法对电力设备红外图像进行故障部位分割；文献[3]采用阈值分割与形态学标记法获得ROI；文献[4]采用传统的遗传算法进行电力设备红外图像分割；图像[5]采用分水岭算法对电力设备故障部位边缘进行提取处理。但是以上分割方法均存在分割耗时等不足，而针对红外图像感兴趣区域经常出现分割过当等问题。
传统的遗传和阈值分割法存在收敛性差、阈值寻找不是最优等缺点，给电力设备红外分割带来了很大的困扰。因此，如何提高收敛速度和缩短分割时间成为电力设备红外图像分割的关键。为有效解决上述问题，本文提出一种改进的遗传算法，通过与最佳熵阈值分割算法结合，能够使其自动调整，保证算法的收敛性，能够对设备故障处图像恰当分割，具有较高的鲁棒性。
1 遗传算法与最佳熵阈值
遗传算法是一种模拟生物遗传进化过程中自适应的全局搜索算法。将要处理的具体问题看作为一种生存环境，问题中的解作为生存在环境中的个体，通过运用目标函数对个体进行逐个评价，通过优胜劣汰的机制选择出最优的个体。
在应对背景简单的电力设备红外图像时，阈值分割的方法是较为简单有效的分割方法。但是由于采集图像时可能受到一些干扰，分割目标与周围环境灰度值较为接近，此时得到的图像灰度直方图就有可能不能出现双峰形式。因此采用简单的阈值分割法就不能得到满意的目标分割区域。本文采用最佳熵阈值分割方法与遗传算法相结合的改进算法，能够加快算法的收敛速度，还能有效地避免算法陷入局部最优而产生退化。其基本原理为：在灰度大小为[m×n，]灰度级为[L]的图像中，[Nij]表示灰度级为[i，]所占总数为[j，]则该点灰度值概率为[pij=Nijm×n，]假定阈值[（s，t）]把图像分割为目标与背景两个区域，由于电力设备的主要信息都保留在上述两个区域中，此时计算可以忽略其他的噪声影响和边缘模糊干扰[6]。
2 算法步骤
本文通过最佳熵阈值分割的方法对传统的遗传算法进行改进，通过重新选择、交叉、变异得到最优的个体[7]。从而增强了变异的多样性，加快了全局搜索速度，从而获得最佳的解。整体步骤为：
（1） 整体编码
首先对图像灰度直方图进行处理，得到灰度值在0～255的灰度图像，再采用16位二进制编码，前8位二进制编码表示分割阈值[s]，后8位表示分割阈值[t]。采用均匀分布的原则产生（0，0）～（255，255）之间的[n]个个体，分别对他们进行16位二进制编码[8]。
（2） 选择适应函数
根据最佳熵阈值分割的原理，采用背景和目标的熵测值作为适应函数：
[f（t1，t2）=HO（t1，t2）+HB（t1，t2）=log（POPB）+hOPO+hL-hOPB]
式中：[PO=t=isj=itPij]表示目标区域所占面积；[PB=t=0sj=0tPij]表示背景区域所占面积；[HO（t1，t2）]表示目标区域的熵值；[HB（t1，t2）]表示背景区域的熵值[9]。
（3） 交叉操作
本文采用下述原则进行交叉操作，保证交叉操作后的个体朝着最优解的方向进化。
若[f（t1，t1）（X）>f（t1，t1）（X），]则[X=（x0，…，xm，ym+1，…，y1）；]若[f（t1，t1）（Y）>f（t1，t1）（Y），]则[Y=（y0，…，ym，xm+1，…，x1），][X]與[Y]为新一代个体。交叉操作的位置分别为前8位为[m，]后8位为[n]。
（4） 终止条件
在所有个体中产生满足条件的最优解，进入到内层循环并将满意的子群存储在内层中，将不满足内层循环的个体放在外层进行再次循环，直到满足最佳熵阈值，否则将该个体淘汰[10]。
3 实验仿真与结果分析
本次实验在CPU为2.60 GHz的双核PC机，运行内存为4 GB，运行环境为Matlab 2012a，采用255阶灰度图像。图1为电力设备红外热像图，图1圆圈中为故障发热严重部位，图2为经过灰度图像处理的灰度图像。图3和图4分别为传统遗传算法和改进后遗传算法的分割效果图。两种算法的耗时及阈值如表1所示。
从表1和图3，图4中可以看出，传统的遗传算法大致能够分割出电力设备的故障部位，其耗时为8.4 ms，但是图3中导线接触杆已经被过度分割，而其下方非故障部位的边缘位置分割效果不佳，不能完全把分割目标从背景中分割出去。而改进的遗传算法不仅能够精确地把电力设备故障部位从背景中分割，而且在电力设备边缘部位同样能够把目标和背景区域分开，不存在过当分割的缺陷。此外改进遗传算法的分割时间仅为2.9 ms，可见改进后的算法在效率上提升明显，能够快速地搜索最佳熵阈值并进行收敛，在运算速度上也有大幅的提升。
4 结 语
基于传统遗传算法和最佳熵阈值图像分割算法，本文提出一种改进型的遗传算法。首先通过最佳熵阈值分割法得到分块最佳熵阈值，然后给定最佳阈值改进遗传算法。通过Matlab 仿真实验平台对电力设备故障红外图像进行分割实验，实验结果表明，改进后的遗传算法能够从背景中有效地分割出电力设备故障部位，不存在分割过当的缺点，在设备图像的边缘位置处理效果明显；改进后的算法运算速度较快，加速了收敛过程，具有良好的鲁棒性。
注：本文通讯作者为崔昊杨。
参考文献
[1] 顾鹏程，黄福珍.基于改进Chan?Vese模型的电力设备红外图像分割[J].计算机工程与应用，2016（10）：193?196.
[2] 邹辉，黄福珍.基于FAsT?Match算法的电力设备红外图像分割[J].红外技术，2016，38（1）：21?27.
[3] 吴掬鸥，袁晓桂.基于阈值分割技术的图像分割法研究[J].现代电子技术，2016，39（16）：105?107.
[4] 孙继周，王小雄，罗佳佳.基于图像识别的错位图书检测技术研究[J].现代电子技术，2016，39（5）：58?62.
[5] 张志宏.遗传算法优化阈值的激光主动图像分割[J].激光杂志，2016，37（4）：84?87.
[6] 丁锐，刘甲甲.改进Otsu图像多阈值分割方法[J].计算机应用，2013，33（6）：210?216.
[7] 李康顺，李茂民，张文生.一种改进遗传算法的图像分割方法[J].计算机应用研究，2009，26（11）：365?367.
[8] 蓝友梳.基于改进遗传算法的最佳阈值的图像分割[J].情报探索，2012（12）：101?103.
[9] 隋然，潘点飞.基于改进遗传算法的最佳阈值分割方法及性能评价[J].微机与应用，2015，34（14）：45?48.
[10] 冯俊.基于图像分析的电力设备故障检测技术研究[J].现代电子技术，2015，38（24）：7?11.
