一种改进PCM聚类的绝缘子图像分割方法与流程

本发明涉及一种绝缘子可见光图像分割方法，尤其涉及基于改进pcm聚类算法的绝缘子图像分割方法。

背景技术：

绝缘子是一种特殊的绝缘控件，在架空输电线路中具有重要作用。而长期工作的绝缘子经受线路机电负荷、恶劣环境的影响可能出现绝缘子裂开和击穿的现象，同时环境污染使绝缘子表面沉积污秽物质而导致绝缘子发生污秽闪络。这些情况的出现容易引发长时间、大面积的恶性停电事故。因此涌现许多对绝缘子检测的研究，在考虑到绝缘子运作和成本的情况下，使用图像的方法对绝缘子进行缺陷检测和污秽程度识别等研究越来越多。图像处理的方法对绝缘子进行污秽程度识别和缺陷检测等能够极大的降低成本、避免人工的主观失误。而如何将绝缘子从复杂的背景中精确分割出来是整个技术路线中十分重要的环节，它直接影响着用于研究绝缘子的特征量能否提取准确。实际情况中绝缘子所处的背景复杂多样，这使得对绝缘子图像的分割变得十分困难。而在研究绝缘子污秽程度识别和缺陷检测的过程中许多研究人员的方案中对绝缘子图像分割时没有考虑到复杂环境的影响,因此准确的将绝缘子从复杂的背景中提取对于研究基于图像的方法分析研究绝缘子具有重要的意义。

申请号为“201810565986:a”，名称为“基于距离变换和标记分水岭算法的绝缘子图像分割方法”的专利公开了一种绝缘子红外图像分割方法。该分割算法先通过对二值图像进行形态学骨架化处理，得到每个绝缘子对应的十字交点坐标，在交点坐标处采用泛洪扩散法计算图像的灰度值，以此为中心扩散得到只含绝缘子串区域的二值图，然后利用分水岭算法对绝缘子片进行分割。方法针对于绝缘子红外图像进行分割，而红外图像比可见光图像的成本高出许多，同时其方法属于低级语义的分割方法，若用于对可见光复杂背景绝缘子图像分割，分割效果将很难达到要求。

申请号为“201510134259:a”，名称为“基于类间极大化的pcm聚类累计数的图像分割方法”的专利公开了一种基于pcm改进的灰值图像分割方法。该方法通过增加在函数中惩罚项克服传统pcm易类中心点重合的缺陷。但是使用该算法没有考虑图像的空间信息，对噪声的抗干扰能力有限，若用于对复杂背景的绝缘子图像进行分割，同样很难达到要求。

技术实现要素：

针对绝缘子图像的分割，绝缘子自身的色彩值在空间上分布较为集中，主要困难在于背景多样且复杂使得图像变成了非线性的和非球形的数据，同时在背景中也可能存在大片色彩值集中的区域、与绝缘子在色彩值上相近的区域以及许多小块色彩不一的区域形成影响分割的不良因素，提供一种基于改进pcm聚类算法对可见光绝缘子图像进行分割，以提高对运行中高电压线路绝缘子的检测准确率和节约成本为目的。

为了达到本发明的目的，根据传统聚类方法pcm的优势和缺陷，提出在其损失函数中引入类间距离惩罚项以解决pcm聚类一致性问题同时引入局部相关因子s，融入图像的局部空间信息。通过上诉方法以此在保留pcm优势的同时弥补其缺陷，以及引入空间信息提高对绝缘子图像的分割精度。

改进pcm聚类算法的绝缘子图像分割方法，包括以下步骤：

(1)对绝缘子图像进行中值滤波，进行简单的去噪；

(2)将rgb类型的绝缘子图像转换到lab与hsv色彩空间，选取a、b分量与h、s分量作为特征分量；

(3)利用改进pcm聚类算法对选取上诉特征分量的像素点进行聚类，类别数c＝3；

(4)根据聚类结果的隶属度，将原图像每一类别的内容分离出来，根据紧密性确定绝缘子内容类别。

其中，所述改进pcm聚类算法，包括以下步骤：

模糊聚类算法模型是约束条件下寻求最优解的问题。给定样本空间x＝{x1,x2,...,xn}，pcm的约束条件：

pcm损失函数：

其中t∈epcm，v＝(v1,v2,...,vn)为聚类中心组成的矢量；n为样本点的数目，c为类别数，m为模糊因子，dij为第j个样本点到第i个聚类中心的欧式距离，γi是惩罚因子；使用lagrange乘数法，结合约束条件最小化jpcm，得到聚类中心vi和隶属度tij的更新公式：

其中模糊因子m控制着数据点对不同聚类隶属度的模糊程度，在不做特殊要求下取m＝2；

其中惩罚因子γi根据类别簇的大小调节隶属度，避免出现数据点不属于任何一类的情况，取值如下：

k>0，通常取k＝1，其中uij为fcm聚类后的隶属度；

由于pcm的隶属度只是考虑了类内数据的相似性，因此pcm对噪声点具有一定的抑制作用。但其同时也忽略了类间差距，在初始隶属度矩阵时如果类别数据具有一定程度的相似性，将会出现类中一致现象(类中心点重合)。针对类中心点重合问题，在pcm的损失函数中加入类间距离惩罚项，使得类中心相互排斥；类间距离惩罚项的表达式为：

同时针对绝缘子背景复杂对分割产生的不良因素和绝缘子盘面本身的特点，提出局部相关因子s，通过引入局部空间信息，以更好的抑制噪声点，提高对绝缘子的分割效果；下面假设第j个像素点是滤波窗口的中心像素点(比如，3×3窗口)，定义局部相关因子sij(j像素点属于第i类的局部相关因子)；

对图像进行pcm聚类分割，设置分割的类别数为c,则会存在c个隶属度图像矩阵t；ti表示一个图像矩阵，矩阵中每一个数值分别是对应位置像素属于第i类的隶属值。然后分别对每个概率图像矩阵t进行高斯加权滤波，得到矩阵w定义为邻近相关矩阵，得到wij(属于第i类邻近相关矩阵的第j个像素点滤波后的值)，是由周围像素点值根据高斯函数关系加权所得到的，即表现为周围像素离中心点越近影响越大，由近到远的影响力(权值)由高斯函数所决定，使得每个中心点j与周围的像素点产生了一定的联系，因此也表现为j中心点领域范围内所有像素点属于i类的数值化；对wij进行标准化如下：

根定义局部相关因子sij为:

将相关因子引入pcm损失函数得到新的类内距离项：

在引入局部相似以及聚类中心互斥的情况下，最终的损失函数形式如下：

其中第一项用于实现最小化同类数据点之间的距离，引入的局部相似因子sij则在原始模糊聚类只考虑到数据间基本特征相似(例如：颜色、纹理等)的基础上，使得第一项融入了空间上特征，更好的描述了同类数据之间的关系；因为pcm聚类放松了fcm的约束，第二项则用于抑制隶属度矩阵变成零矩阵，也是避免出现某类别中没有数据的现象；第三项则是实现类中心互相排斥的效果，用于避免pcm出现类中心重合的现象；改进pcm的隶属度tij与类中心vi更新迭代公式如下：

从中可以更加直观的看出局部相似因子的作用，当对j数据点进行i类的隶属度更新时，如果其周围数据点属于i类的隶属度高则sij为较小值，对应更新j数据点属于i类的隶属值tij将增大；反之如果周围数据点属于i类的隶属度低，则对应更新j数据点的属于i类的隶属值tij将减小；

通过tij和的vi更新迭代可以找到最优的隶属度和类中心。

本发明针对实际情况中绝缘子图像背景具有复杂多样的特点，提出了一种改进的可能性c-均值聚类方法(pcm)对绝缘子可见光图像进行分割。在损失函数中加入类中心相斥项缓解常规pcm聚类中心点重合问题，同时通过定义局部相关因子，引入图像的空间局部信息增强对噪声的抗干扰能力、提高分割精度。选择绝缘子图像lab色彩空间的a、b分量以及hsv色彩空间的h、s分量作为颜色特征，使用改进的pcm聚类方法对绝缘子图像进行聚类分割，为绝缘子缺陷检测以及污秽等级识别等研究提供理论基础和技术支持，改进算法弥补了传统pcm的缺陷同时融入图像的局部空间信息，对噪声影响数据和绝缘子图像进行聚类分割，有良好的聚类和分割效果。

附图说明

下面结合附图对本发明进一步说明。

图1是本发明求局部相关因子s的滤波示意图；

图2是本发明的流程图；

图3(a)是fcm噪声数据聚类结果图；

图3(b)是pcm噪声数据聚类结果图；

图3(c)是k-means噪声数据聚类结果图；

图3(d)是kfcm噪声数据聚类结果图；

图3(e)是ifcm噪声数据聚类结果图；

图3(f)是proposed噪声数据聚类结果图；

图4是本发明绝缘子分割结果图。

具体实施方式

以下结合说明书对本发明的做进一步的详细说明

对绝缘子图像进行中值滤波，以过滤一些拍摄过程中的简单噪声。

绝缘子图像色彩特征分量选取lab颜色空间中a、b分量以及hsv色彩空间中的h与s分量，因为在lab颜色空间中不同的两个点之间的色彩分布是均匀的，同时lab的色彩空间要比rgb模式和cmyk模式的色彩空间大，可以容纳更丰富的图像色彩信息。其次在对绝缘图像进行分割时，需要考虑到光照分布不均的情况，而正好lab与hsv颜色空间可以将色彩信息与亮度信息相区分开。

根据复杂环境下绝缘子图像的特点以及针对pcm的聚类一致性问题和增强对噪声点的抗干扰能力，在损失函数中引入类间互斥项和局部相似因子，提出一种改进的pcm聚类方法，利用局部相似的特性强化样本点与领域样本点的联系以增强分割性能，对复杂背景下的绝缘子进行更加准确分割。内容如下：

通过使类中心之间相互排斥，解决pcm聚类一致性的问题。在损失函数中加入类中心之间距离的惩罚项，以达到抑制类中心点重合的目的。引入的惩罚项为：

其中可以看出，当两个类中心点十分接近是损失值将急剧增大，当类中心重合时，则损失值将是无穷大。通过上诉的惩罚项可以有效的抑制pcm的类中心重合问题。其中加入与最小化每类内数据点之间距离项保持一致，λ用于调控两项之间的偏重程度。若0<λ<1则表示损失函数中更重视最小化类内数据点的距离，若λ>1则表示损失函数更重视最大化类中心点之间的距离即类间的距离。而实际情况中为避免初始化类中心过于靠近，使得该惩罚项占据整个损失函数，因此λ取值一般情况取值将小于0.1(λ具体值需根据特征值的取值范围进行调节)。

针对提高对绝缘子在复杂背景下的分割精度，提出局部相关因子s，从而引入图像的局部空间信息。下面通过图1进行详细说明。由于pcm的条件约束松弛的特点例子中像素矩阵中心点的概率隶属值只纯粹表示像素点属于某类的概率值，因此在该像素点受到各种影响(噪声、光照影响等)的情况下像图1(中心本应该为第一类)进行误判。其实在计算时，该像素点隶属于两类的值都很低，但在判别时因为第二类隶属值略微高于第一类就最终判定为第二类，这样的判定将是十分草率的。图中先进行隶属度图像矩阵t1与t2进行高斯滤波，滤波后的问题中心点集合了周围像素点的综合评价值，得到邻近相关矩阵w1与w2。再经过对wij进行标准化如下：

得到相关因子sij为:

图2给出了改进pcm算法流程图。

根据聚类结果的隶属度，为得到含有绝缘子的类别内容，求每一类聚类内容的像素点紧密性(cp)：

其中n为该类别内容像素点的个数，xi为类别像素点特征向量，v为该类别中心点特征向量。cp越低意味着类内距离越近，该内容像素点在特征空间上越紧密。因绝缘子盘面本身色彩集中的特点，因此cp最低的类别内容判定为绝缘子分割结果。

图3(a)到图3(f)给出了发明算法与fcm、pcm、k-means、kfcm、ifcm聚类方法对噪声数据的聚类结果(改进pcm通过数据点最近的9数据点求得对应的相关因子)。

图4给出了发明算法与fcm、pcm、k-means、kfcm、ifcm聚类方法对绝缘子图像聚类分割的结果。