CN107392886A - 一种电力设备图像处理方法 - Google Patents

Abstract

本发明公开了一种电力设备图像处理方法，其包括以下步骤：分别获取并处理电力设备图像和样本图像，所述处理包括图像预处理和图像处理，所述图像处理包括特征参数提取；对比所述电力设备图像和样本图像的特征参数，根据对比结果描述所述电力设备图像对应的电力设备的状态。使用本发明方法对电力设备图像进行处理，将电力设备图像转换为其对应的电力设备的状态描述，从而通过计算设备有效提取对电力设备监测有价值的信息，大大降低人工成本和存储空间需求，并且极大地提高了监测效率和精确性。

Description

一种电力设备图像处理方法

技术领域

本发明涉及一种图像处理方法，尤其涉及一种电力设备图像处理方法。

背景技术

随着国民经济的持续发展，我国的电力系统正在向以特高压为主干网架、各级电网相互协调的坚强智能电网方向发展，而“自愈”是智能电网的基本特征之一。所谓“自愈”，不仅要求电网能够自动快速隔离故障并恢复健全区域的供电，而且还要求能够对电网进行在线监测和安全预警，能够及时发现故障并采取措施消除隐患，使电网恢复健康运行以避免事故发生。

据统计，电力系统中70％的故障是由电气设备故障引起的，而超过半数以上的电气设备故障都与因泄露电流、漏磁、连接松动、接触不良等造成的发热有关。电气设备长期处于异常发热状态会引起金属构件“蠕变”、绝缘材料老化和劣化，最终造成严重的设备损坏而引发电网故障。由此，如何利用高科技手段进行系统化、标准化的管理，消除危险点，是摆在电力系统科研单位面前的新问题，这对减少事故发生提高设备运行可靠性具有重要的意义。

近年来,基于图像的检测技术在电力设备检测中广泛应用：传统的人工巡检或在线监测系统可以采集大量的可见光、红外、紫外等检测图像；采用直升机、无人机、机器人等搭载照相机、红外成像仪、紫外检测仪等手段实现高效、快速的输电线路和变电站巡检也得到迅速推广和应用。通过这些大量的原始图像数据，例如视频图片、红外热像、紫外成像等，可以有效地发现电力设备外观、运行环境、局部过热、局部放电等电力设备主要缺陷，为设备管理和运行维护提供重要依据。但是，这类原始图像数据存量巨大、增长速度快且价值密度低，相关数据的有效应用存在较大困难：一方面图像数据在生产管理系统(PMS)中处理需要非常大量的存储空间，利用率很低，另一方面对这些数据的人工检查和识别需要花费大量的人力和时间，分析效率很低，而且给出的结果存在主观性、模糊性、不完全、易漏检和误检等问题，可能丧失最佳发现和处理时机。

目前有些电力公司在电厂、变电站等场所安装了视频监控系统，可实现监视现场设备、控制远程摄像机动作等功能。但这些视频监控系统视频图像识别功能并不成熟，主要采用红外和紫外图像技术，在可见光成像方面存在缺陷。为充分发挥视频监控系统的功能，更准确地判断现场发生事故告警的原因，发明人考虑应将红外、紫外和可见光图像处理相结合，以实现设备告警的图像识别，为事故检测提供新的手段，为事故分析提供可靠的依据。

发明内容

本发明的目的是提供一种电力设备图像处理方法，该方法可以通过计算设备使用，使用该方法对电力设备图像进行处理可以将电力设备图像转换为其对应的电力设备的状态描述，从而可以通过计算设备有效提取对电力设备监测有价值的信息，大大降低人工成本和存储空间需求，并且极大地提高了监测效率和精确性。

基于上述目的，本发明提供了一种电力设备图像处理方法，其包括以下步骤：

分别获取并处理电力设备图像和样本图像，所述处理包括图像预处理和图像处理，所述图像处理包括特征参数提取；

对比所述电力设备图像和样本图像的特征参数，根据对比结果描述所述电力设备图像对应的电力设备的状态。

本发明所述的电力设备图像处理方法，其基于电力设备图像和样本图像的特征参数的对比判断所述电力设备的状态。因此，通常需要先建立包含样本图像的特征参数的样本库。电力设备图像通常是实时采集。本发明方法可以通过算法实现，因此可以通过计算设备使用。使用本发明方法对电力设备图像进行处理，将电力设备图像转换为其对应的电力设备的状态描述，从而通过计算设备有效提取对电力设备监测有价值的信息，大大降低人工成本和存储空间需求，并且极大地提高了监测效率和精确性。

进一步地，本发明所述的电力设备图像处理方法中：

所述电力设备图像和样本图像包括可见光图像，其特征参数包括是否存在典型缺陷、是否存在异物入侵、覆冰和积雪厚度以及污秽程度中的至少一种；

所述电力设备的状态包括电力设备的变形破损或裂纹、绝缘子表面污秽、设备覆冰和积雪、部件脱落或移位、导线断裂或断股、线路走廊植被过高或线路离建筑物过近、异物入侵、环境异常以及刀闸闭合是否到位中的至少一种。

上述方案中，所述典型缺陷特征参数通常用于对应判断所述变形破损或裂纹、部件脱落或移位、导线断裂或断股、刀闸闭合是否到位等电力设备的状态；所述是否存在异物入侵特征参数通常用于对应判断所述线路走廊植被过高或线路离建筑物过近、异物入侵、环境异常等电力设备的状态；所述覆冰和积雪厚度特征参数通常用于对应判断所述设备覆冰和积雪、环境异常等电力设备的状态；所述污秽程度特征参数通常用于对应判断所述绝缘子表面污秽等电力设备的状态。

更进一步地，上述电力设备图像处理方法中：所述电力设备图像和样本图像还包括红外图像和/或紫外图像，其特征参数还包括局部过热和/或局部放电；

所述电力设备的状态还包括电力设备的环境状态和/或绝缘状态。

上述方案中，将红外、紫外和可见光图像处理相结合，为电力设备监测提供新的手段，为事故分析提供可靠的依据。所述局部过热特征参数通常用于对应判断所述环境状态、绝缘状态等电力设备的状态；所述局部放电特征参数通常用于对应判断所述绝缘状态等电力设备的状态。

进一步地，本发明所述的电力设备图像处理方法中：所述图像预处理包括灰度化、去噪、超分率重建和配准中的至少一种。

上述方案中：

所述图像预处理中的灰度化通常将输入的彩色图像转化为灰度图像，彩色图像变成灰度格式，是要扔掉图像的颜色信息，用灰度表示图像的亮度信息，彩色图像每个像素占3字节，即24位，而变成灰度图像后，每个像素占1字节，即占8位，像素的灰度值是当前彩色图像像素的亮度，在灰度图像中，Y被称为灰度值，它位于某个范围之内：Y_min≤Y≤Y_max，理论上要求Y仅为正的，且为有限值，区间(Y_min，Y_max)称为灰度级，一般常用灰度级为(0，255)，这里Y_min＝0为黑，Y_max＝225为白，所有中间值是从黑到白的各种灰度，总共256级。

所述采用超分率(super resolution，SR)重建通常用于图像复原。所述SR重建通常采用基于自适应双边全变差(self-adapting bilateral total variation，SBTV)的图像SR重建算法。在双边全变差SR重建算法的基础上，引入自适应加权系数矩阵α_i(self-adapting weight coefficients matrix，SWCM)，最终将图像SR重建转变为对一个多元函数ρ_SBTV(z)的最小化求解方案，其中ρ_SBTV(z)的表达式如下：

其中r₁m×r₂n为原图像像素点在SR图像Z中经字典排序所形成的向量，l和m是经SR重建后的图像与原图像的像素点位移，α_i是自适应加权系数矩阵的元数；z_i(l，m)是为重建图像z中相同位置的像素与其周围像素的差值，在灰度图像中，z_i(l，m)∈(0，255)。如果z_i偏大，表明重建图像z在第i像素点周围存在着突变，即第i点周围存在边缘，因此则希望重建算法能对第i点周围的边缘进行锐化，突出边缘的显示效果；反之，如果z_i(l，m)偏小，表明图像z在第i像素点周围很平滑，则希望重建算法能抑制噪声。所以，根据式(2)的重建算法可达到根据不同图像自身特点进行SR重建的目的。

更进一步地，上述电力设备图像处理方法中：所述图像预处理和/或所述图像处理还包括图像分割。

上述方案中，图像分割可以用于获取目标图像。

更进一步地，上述电力设备图像处理方法中：所述图像分割采用基于灰度阈值的分割方法。

更进一步地，上述电力设备图像处理方法中：所述图像处理还包括图像融合。

上述方案中，所述图像融合通常是将配准后的可见光图像与红外图像和/或紫外图像相融合。

更进一步地，上述电力设备图像处理方法中：所述去噪采用中值滤波。

上述方案中，所述图像预处理中的去噪采用中值滤波：可在一定条件下克服线性滤波器如邻域平滑滤波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为有效。中值滤波就是用一个奇数点的移动窗口，将窗口中心点的值用窗口内各点的中值代替。

设有一个一维序列f₁，f₂，...，f_n，取窗口长度为m，其中，m为奇数，对其进行中值滤波，就是从输入序列中相继抽出m个数，再将这m个数按其数值大小排序，取其序号为中心点的那个数作为滤波输出，用数学公式表示为：

中值滤波的滤波方法是对滑动滤波窗口(2N+1)内的像素做大小排序，滤波结果的输出像素值规定为序列的中值。

更进一步地，上述电力设备图像处理方法中：所述配准采用SIFT算法。

上述方案中，所述配准采用SIFT(Scale Invariant Feature Transform)算法解决了特征点匹配对于图像旋转，缩放和平移的不变性。同时，SIFT算法对于光照和拍摄角度也体现了一定的鲁棒性。

SIFT算法主要引入了尺度空间的概念。尺度空间通过建立图像的金字塔结构来模拟相机的缩放功能。在具体实现中，SIFT采用了高斯差分来建立图像的金字塔结构。

相同大小的图像构成了一个子八度(octave)，下一个子八度的图像比上一个子八度的图像小了2倍，这样的结构不断重复，直至图像缩小到一定程度为止。因此，这样的图像金字塔结构可以模拟相机2倍，4倍，8倍，16倍以及更多偶数倍的缩放。

为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。

中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。

进一步地，本发明所述的电力设备图像处理方法中：所述图像处理采用像素级算法。

上述方案中，所述的电力设备监控中使用的图像处理并不是都在FPGA(Field－Programmable Gate Array，现场可编程门阵列)中完成，FPGA将经过处理的图像特征数据上传至PC机，采用GPU(Graphics Processing Unit,图形处理器)对图像的进行并行快速处理。图像处理算法多种多样，但从并行快速处理的角度来看，像素级处理和部分特征级处理算法适合采用GPU进行快速处理。像素级处理即由一幅像素图像产生另一幅像素图像，处理数据大部分是几何的、规则的和局部的。根据处理过程中的数据相关性，像素级处理又可进一步分为点运算、局部运算和全局运算。特征级处理是在像素图像产生的一系列特征上进行的操作。常用的特征包括：形状特征、纹理特征、梯度特征和三维特征等，一般采用统一的测度，如：均值、方差等，来进行描述和处理，具有在特征域内进行并行处理的可能性。但是，由于其特征具有象征意义和非局部特性，在局部区域并行的基础上，需要对总体进行处理。因此图像处理算法采用像素级处理算法，且GPU的SIMD并行流式处理在进行像素级的图像处理时具有明显的优势。

进一步地，本发明所述的电力设备图像处理方法中：所述特征参数提取采用基于结构元分析的特征提取方法。

上述方案中，首先进行颜色空间转换；然后匹配结构元，得到颜色和结构元映射子图,从而获取连通粒属性并生成相应的特征向量；最后加权合并为全局图像特征用于图像检索。

更进一步地，上述电力设备图像处理方法中：所述特征参数提取包括以下步骤：

颜色空间转换；

统计结构元；

提取结构元连通性特征，获取结构元连通粒属性；

提取颜色连通性特征，获取颜色连通粒属性；

特征参数融合。

上述方案的详细原理将在具体实施方式部分结合附图介绍。

本发明所述的电力设备图像处理方法具有以下优点：

(1)可以通过计算设备有效提取对电力设备监测有价值的信息，大大降低人工成本和存储空间需求，并且极大地提高了监测效率和精确性。

(2)克服了图像数据在生产管理系统(PMS)中处理需要非常大量的存储空间，利用率很低，以及这些数据的人工检查和识别需要花费大量的人力和时间，分析效率很低，而且给出的结果存在主观性、模糊性、不完全、易漏检和误检等问题，可能丧失最佳发现和处理时机等缺陷。

(3)可将红外、紫外和可见光图像处理相结合，充分发挥视频监控系统的功能，更准确地判断现场发生事故告警的原因，实现设备告警的图像识别，为事故检测提供新的手段，为事故分析提供可靠的依据。

此外，本发明所述的电力设备图像处理方法对电力设备检测评估技术包括以下三个促进效果：

(1)及时、高效地处理大量巡检、在线监测获取的设备状态检测图像数据，结合红外、紫外成像技术可自动提取和分析设备的环境、外观、局放、温度等关键状态的特征信息，提高设备状态检测图像数据处理和电力设备状态评估的实时性和准确性，增强电力设备状态评估系统的分析能力，从而为电网状态检修决策提供有效支持。

(2)促进电力设备状态检测和评估领域的技术进步，提高图形图像数据的分析和处理效率，改良电网设备生产管理模式。随着带电检测技术的广泛应用以及直升飞机和无人机巡检的逐步推广，海量图像数据自动处理的应用前景非常广阔。

(3)电力设备状态检测图像特征提取与数字化处理系统，解决长期以来设备状态检测图像数据依赖人工处理、利用率低的问题，及时、准确地掌握设备健康状态，减少设备故障，提升检测效率，提高电网安全运行水平，增加供电可靠性，减少停电事故，为打造坚强的电网提供有力的技术保障。

附图说明

图1为本发明所述的电力设备图像处理方法在一种实施方式下的流程示意图。

图2为本发明所述的电力设备图像处理方法在一种实施方式下的使用的硬件结构的框图。

图3为SIFT算法中的坐标旋转示意图。

图4为SIFT算法中的描述子的生成示意图。

图5为基于结构元分析的图像特征提取流程示意图。

图6为基于GPU的图像并行计算基本流程图。

具体实施方式

下面结合说明书附图及实施例进一步说明本发明所述的技术方案。

图1示意了本发明所述的电力设备图像处理方法在一种实施方式下的流程。图2示意了本发明所述的电力设备图像处理方法在一种实施方式下使用的硬件结构。

如图2所示，本实施方式中的电力设备图像处理方法使用的硬件包括数据监测系统、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、主机处理器、结构化数据存储模块以及VGA显示模块。其中FPGA被设置为包括图像数据处理模块、图像数据采集模块、I²C控制模块、VGA控制模块以及缓存区。其中，主机处理器、结构化数据存储模块以及VGA显示模块可以由计算机提供。连接关系如图2所示。其中，数据监测系统主要包括PMS数据检测系统、远程视频监控系统、输变电设备状态监测系统和直升机、无人机等，其功能是获取电力设备的检测图像；FPGA是整个硬件部分的核心，包括图像数据的采集、图像数据的缓存、对数据监测和VGA显示部分的控制，并协助主机处理完成图像数据的处理功能。

如图1所示，结合参考图2，本实施方式中的电力设备图像处理方法的流程包括步骤：

步骤110：通过数据监测系统和FPGA的图像数据采集模块获取电力设备图像(包括视频中的图像)，包括人工巡视和检测图像数据、远程在线监测图像数据以及直升机/无人机自动巡检图像数据。该电力设备图像包括紫外成像、红外热像以及可见光图像。

步骤120：通过FPGA的图像数据处理模块和主机处理器处理电力设备图像，包括图像预处理和图像处理，该图像处理包括图像融合和特征参数提取。

上述图像预处理包括灰度化、去噪、图像分割、超分率重建以及配准，具体来说：

通过FPGA的图像数据处理模块灰度化：

将所得的彩色图像转化为灰度图像，彩色图像变成灰度格式，是要扔掉图像的颜色信息，用灰度表示图像的亮度信息，彩色图像每个像素占3字节(24位)，而变成灰度图像后，每个像素占1字节(占8位)，像素的灰度值是当前彩色图像像素的亮度，在灰度图像中，Y被称为灰度值，它于某个范围之内：Y_min≤Y≤Y_max，理论上要求Y仅为正的，且为有限值，区间(Y_min，Y_max)称为灰度级，一般常用灰度级为(0，255)，这里为Y_min＝0黑，，Y_max＝255为白，所有中间值是从黑到白的各种灰度，总共256级。

图像为RGB模式，RGB代表红绿蓝，一幅RGB图像就是由无数个彩色像素点组成，每个彩色像素的颜色是由红绿蓝三种颜色组合而成，把一幅RGB图像数字化表达成一个有由M×N个彩色像素点组成，其中M代表二维图像横坐标方向每行的彩色像素点个数，N代表二维图像纵坐标方向每列的彩色像素点个数，而每个彩色像素的灰度级由红绿蓝三种颜色的灰度级决定，因而每个像素点也有一个由三种颜色灰度级组成的向量，所以最后RGB图像数字表达成一个M×N×3的三维数组，其中每一个彩色像素点都是在特定空间位置的彩色图像相对应的红、绿、蓝三分量，RGB模型为图像中每一个像素的RGB分量分配一个0至255范围内的灰度值，对其灰度化的方法主要有三种：

(1)最大值法：将彩色图像中的三分量亮度的最大值作为灰度图的灰度值：

f(i，j)＝max(R(i，j)，G(i，j)，B(i，j)) (4)

(2)平均值法：将彩色图像中的三分量亮度求平均得到一个灰度图：

f(i，j)＝(R(i，j)，G(i，j)，B(i，j))/3 (5)

(3)加权平均法：根据重要性及其它指标，将三个分量以不同的权值进行加权平均，由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按式(3)对RGB三分量进行加权平均能得到较合理的灰度图像：

f(i，j)＝0.2989R(i，j)+0.5870G(i，j)+0.1140B(i，j) (6)

通过FPGA的图像数据处理模块采用中值滤波去噪：

采用中值滤波去噪可以在一定条件下克服线性滤波器如邻域平滑滤波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为有效。中值滤波就是用一个奇数点的移动窗口，将窗口中心点的值用窗口内各点的中值代替；设有一个一维序列f₁，f₂，...，f_n，取窗口长度为m，其中，m为奇数，对其进行中值滤波，就是从输入序列中相继抽出m个数，再将这m个数按其数值大小排序，取其序号为中心点的那个数作为滤波输出，用数学公式表示为：

中值滤波的滤波方法是对滑动滤波窗口(2N+1)内的像素做大小排序，滤波结果的输出像素值规定为序列的中值。

通过FPGA的图像数据处理模块进行图像分割：

本实施方式中采用基于灰度阈值的分割方法，首先确定最优阈值，最优阈值是分割的关键，设定某一阈值T，用将图像的数据分成两部分：大于T的像素群和小于T的像素群，设f(x，y)是灰度级图像，T为分割阈值，而g(x，y)代表二值图像，则图像在阈值上的结果可以表示为：

这就是阈值分割，目的是求一个阈值T，并用T将图像f(x，y)分成对象物和背景两个领域；在实际处理时，为了显示需要一般用255表示背景，用0表示对象物。

由于实际得到的图像目标和背景之间不一定单纯地分布在两个灰度范围内，此时就需要两个或两个以上的阈值来提取目标，比如选择一个区间(T₁，T₂)作为阈值，用下面的式(9)进行图像二值化处理，

阈值写成如下形式：

T＝T(x，y，f(x，y)，P(x，y)) (10)

其中(x，y)为像素空间坐标，f(x，y)代表像素点(x，y)处的灰度值，P(x，y)代表该点邻域的局部特性；根据对T的不同限制，可得到三种不同类型的阈值，即：

(1)全局阈值T＝T(F(x，y))：阈值只和该点的灰度值有关。

(2)局部阈值T＝T(P(x，y)，f(x，y))：阈值与点的灰度值和该点的局部领域特征有关。

(3)动态阈值T＝T(x，y，f(x，y)，P(x，y))：阈值与该点的位置、灰度值以及局部特征都有关系。

全局阈值是整张图片都是用一个灰度阈值进行分割，因此一般需要选取最佳阈值来进行分割，当图像灰度直方图具有双峰特性时，需选取两峰之间的谷对应的灰度作为阈值；最佳阈值采用迭代式阈值选择法，其步骤如下：

①求出图像的最大灰度值和最小灰度值，分别记为Z_max和Z_min，令阈值为：

T₀＝(Z_max+Z_min)/2 (11)

②根据阈值T₀将图像分为前景和背景，分别求出两者的平均灰度值Z₀和Z_b，求出新阈值为:

T＝(Z₀+Z_b)/2 (12)

③若两个平均灰度值Z_a和Z_b不再变化或T不再变化，则T即为阈值；否则转步骤②，迭代计算。

通过FPGA的图像数据处理模块超分率重建：

将分割过后的图像进行超分率(super resolution，SR)重建。超分率重建法采用基于自适应双边全变差(self-adapting bilateral total variation，SBTV)的图像超分率重建算法。在双边全变差超分率重建算法的基础上，引入自适应加权系数矩阵(self-adapting weight coefficients matrix，SWCM)，最终将图像超分率重建转变为对一个多元函数ρ_SBTV(z)的求解方案。此种超分率算法的关键是确定自适应加权系数α_i。自适应加权系数矩阵α_i的确定直接关系到超分率重建算法的最终效果，而α_i和z_i(l，m)的大小直接相关，α_i的计算方法如下

其中，l和m是经超分率重建后的图像与原图像的像素点位移，z_i(l，m)是重建图像z中相同位置的像素与其周围像素的差值。根据式(13)可确定α_i的值在区间之内。

同样根据式(13)较大的z_i(l，m)显示了边缘的存在，因此需要较小的α_i来锐化边缘，虽然在边缘处可能产生噪声，但是由于就大量图像而言，边缘部分出现的概率较小，而且图像边缘部分的抗噪能力较强，因此在图像边缘处产生噪声的代价是值得了；反之，较小的z_i(l，m)需要较大的α_i来抑制噪声，从而达到了自适应的效果。α_i选取的条件和由此对图像效果产生的影响如表1所示：

表1自适应加权系数的选取对图像的影响

zi(l，m)	图像特征	发生可能性	αi	重建图像影响
					较大	边缘明显	较小	较小	边缘增强
较小	光滑	较大	较大	噪声抑制

根据z_i(l，m)计算出α_i，采用梯度下降法对式(2)中的函数ρ_SBTV(z)进行最小化，在最小化过程中采用逐次逼近计算出梯度下降法中的最优梯度步长，这里就不详细描述。

通过主机处理器配准：

本实施方式中图像配准采用SIFT算法处理，使用96维描述子对重建后的图像进行配准。

以关键点为中心，计算描述子所需的图像区域半径R

式中σ_octave是特征点所在组的组内尺度，关键点的邻域划分为d×d个子区域，d＝4。对像素点的横纵坐标都处于(-R，R)范围内的点计算它们在旋转关键点的梯度方向后的坐标，以确保旋转不变性，如图3所示。

旋转以后的新坐标为

在图像区域半径范围内对每个像素点求其梯度幅值和方向。然后对每个梯度幅值乘以高斯权重参数，生成方向直方图，描述子的生成见图4。图4中的d_r和d_c分别表示每个像素点在子区域内的相对位置，其中d_r表示像素点距子区域上方边缘的相对位置，1-d_r表示像素点距子区域下方边缘的相对位置；同样的，d_c表示像素点距子区域右方边缘的相对位置，1-d_c像素点距子区域左方边缘的相对位置。

权值的计算公式为

式中x_k为该像素点与关键点的列距离，y_k该像素点与关键点的行距离，x_k等于0.5d。计算每个子区域的6个方向的梯度方向直方图，统计每个梯度方向的累加值，即可形成一个种子点，共16个种子点，每个种子点6个方向，即可形成16×6＝96维描述子。

接下来对产生的96维描述子ω_j进行归一化处理为l_j，此过程可消除光照对匹配的影响。

在图像采集过程中，非线性光照，相机饱和度变化等问题可能存在，因此而导致的描述子在某些方向梯度值过大，而对梯度的方向影响微弱，造成匹配的误匹配。所以，需要设置一个门限值，来限制较大的梯度值。如果经过一次的归一化处理后，还有梯度值大于0.2存在，则将该梯度值取0.2，然后再一次进行归一化处理。

在匹配阶段，本发明采用穷举法对图像的96维描述子进行匹配。对于两个特征点的集合，求一个特征集中的每个关键点在另一个特征集中的最近邻与次近邻的距离比率ratio，如果ratio小于阈值，则对应的特征点视为正确匹配，否则抛弃，本发明ratio选择为0.80。

在匹配过程中，由于光照、图像大小、噪声等因素的影响，仍会存在部分的误匹配点，而这些误匹配点需要消除。从有用的数据中去除无用的数据，比较经典的算法就是最小二乘法和随机抽样一致性算法(Random Sample Consensus，RANSAC)。最小二乘法在错误率较少的情况下，有显著的效果，但当错误率超过50％以后，最小二乘法就失效了。为了增强匹配的鲁棒性，本实施方式采用RANSAC算法。RANSAC算法是通过一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。步骤如下：

(1)从匹配结果得到的P对匹配对随机选取3对特征匹配点对,构成N的一个子集S，由式(18)和式(19)得到相应的变换模型参数矩阵H。

其中h₁₁、h₁₂等为变换模型参数矩阵H元素，S是计算集合P中的一个子集，S'是经过模型变换后的结果，根据逆矩阵的计算得出模型变换矩阵。

(2)计算集合P中剩余匹配点在变换模型参数矩阵H下的投影变换结果，然后计算该结果与其在模型H中对应的匹配点的误差，并统计误差值小于阈值t的匹配点的数目，这些点为内点，构成的集合S’是S的一致集。

(3)如若一致集S中匹配点数目大于3，则用最小二乘法重新计算新的模型H’，重新抽取3组，重复以上过程。

(4)在完成一定的抽样次数以后，若未找到一致集，则算法无效；否则选取抽样后得到的最大的一致集来判断内外点，得到最终结果。

通过主机处理器进行图像融合：

本实施方式中图像融合是将配准后的可见光图像与红外图像和紫外图像相融合。

通过主机处理器进行特征参数提取：

本实施方式中特征参数提取采用基于结构元分析的特征提取方法。首先进行颜色空间转换；然后匹配结构元，得到颜色和结构元映射子图,从而获取连通粒属性并生成相应的特征向量；最后加权合并为全局图像特征用于图像检索。具体过程如图5所示。

自适应融合目标和背景的图像特征提取步骤如下：

(1)颜色空间转换，获取图像大小,记为M×N，把图像颜色空间由RGB转换为HSV,量化表示为C(x，y)，1≤x≤M，1≤y≤N。

(2)统计结构元。把图像划分为多个2×2的块,然后匹配结构元,得到一个大小的映射子图,表示为T(i，j),取值为[0，8]。当T(i，j)＝s时,特征向量

(3)结构元连通性特征提取。在T(i，j)中分层提取连通粒属性.第s层表示为J_s＝{N_s，M_s，S_s，O}，合并所有层的特征得到一组36维的向量。

(4)颜色连通性特征提取。在颜色映射子图C(x，y)上提取各颜色层的连通粒属性.第L层表示为K_L＝{N_L，M_L，S_L，O_L}，合并所有层的特征得到一组288维的向量.

(5)图像特征融合。首先将获取的3个分向量代入式(21),通过计算得到权重集合ω_i

ω_i＝γ×f(b_i) (21)

然后将这些值代入式(22),

G＝[ω₁×Norm(b₁)，ω₂×Norm(b₂)，...，ω_N×Norm(b_N)] (22)

其中B＝{b₁，b₂，...，b_N}是图像处理后的向量集合，N为子向量的个数，b_i＝{x₁，x₂，...，x_m}表示该集合的任意子向量，x₁为子向量中的元素，各子向量归一化表示为Norm(b_i)，ω＝{ω₁，ω₂，...，ω_N}为向量权重集合。

对各分向量进行标准归一化，加权合并为一组图像特征向量

G＝[ω₁×Norm(Y)，ω₂×Norm(J)，...，ω_N×Norm(K)]

其中：

γ＝ln(mean(||Y||₁，||J||₁，||K||₁))。

本实施方式中提取的特征参数包括：设备局部放电特征参数、设备局部过热特征参数、设备外观状态特征参数、异物接触或入侵识别特征参数、环境状态特征参数。

步骤130：获取并处理典型样本图像，包括图像预处理和图像处理，该图像处理包括特征参数提取。

该步骤的图像预处理、特征参数提取具体方法与步骤120中的图像预处理、特征参数提取方法相同，在此不再赘述。

上述步骤120和步骤130中的图像处理采用像素级算法。图6示意了基于GPU的图像并行计算基本流程。

如图6所示，利用GPU进行并行化处理主要包括两个部分：数据的加载和计算结果的反馈、保存。

1)数据加载。

在GPU的流式编程模型中，所有的数据以“流”的形式进行加载处理，通过抽象的3DAPI进行访问。在利用GPU进行图像处理时，把待处理的图像打包为纹理，在绘制四边形时进行加载、处理。为保证GPU上片段程序能够逐像素的对纹理图像进行处理，必须将投影变换设置为正交投影，视点变换的视区与纹理大小相同，使得光栅化后的每个片段(fragment)和每个纹理单元(Texel)一一对应。对于图像处理算法中其他数据量很小的参数，直接通过接口函数进行设置。

2)计算结果的反馈、保存。

应用程序是通过调用3D API绘制带纹理的四边形，激活GPU上的片段程序进行图像处理的，而GPU片段着色器的直接渲染输出是一个帧缓冲区，它对应着计算机屏幕上的一个窗口，传统上用来容纳要显示到屏幕的像素，但是在GPU流式计算中可以用来保存计算结果。虽然CPU可以通过3D API直接读写这个帧缓冲区，将渲染处理的结果从帧缓存中复制到系统内存进行保存，但是帧缓存的大小受窗口大小限制，而且由于总线带宽限制，从显存到系统内存的数据回读操作效率低下。对于大幅影像的处理应用是显然不适合的，特别是在中间计算结果的保存反馈时，采用帧缓存方式将成为制约GPU性能发挥的最主要瓶颈。针对以上问题，可利用离线渲染缓存Pbuffer作为输出缓存。Pbuffer是OpenGL1.3版本的WGL_ARB_pbuffer扩展提供的输出缓存，它通过在显存中开辟一个不可见的数据缓冲区，取代帧缓存来保存片段处理器的输出结果。如果这个结果只是中间计算数据，还可以采用渲染到纹理的技术，把Pbuffer中的数据绑定到一个纹理，供下一片绘制的片段程序取用，减少数据在显存和系统内存之间的传输，实现整个数据流在GPU芯片内部的流转，显著提高数据的反馈速度。在需要GPU反复执行的情况下，可以构造两个Pbuffer，交替的作为输入或输出纹理使用，产生所谓的“Ping-Pong”方法，有效避免中间计算结果的回读操作。

步骤140：利用人工智能学习样本图像的特征参数并对比分析电力设备图像的特征参数，根据对比结果描述电力设备图像对应的电力设备的状态。

本实施方式中，对比典型设备图像和缺陷图像样本库，分析电力设备图像特征参数，通过特征模型的学习和训练有效地识别电力设备及其部件，提取设备外观、环境、局部过热、局部放电等电力设备及其运行环境的主要状态特征参数，对电力设备的绝缘状态、外观状态及环境状态进行评估和诊断，并在VGA显示模块上显示最终的判断结果，该最终判断结果以特定结构表示，并存在结构化数据存储模块上，方便调用查看，节约维修成本，大大提高电网运行效率。该特定结构为一个一维数组，其表达形式为：Result(设备号，运行状态)。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (12)

1.一种电力设备图像处理方法，其特征在于，包括以下步骤：

分别获取并处理电力设备图像和样本图像，所述处理包括图像预处理和图像处理，所述图像处理包括特征参数提取；

对比所述电力设备图像和样本图像的特征参数，根据对比结果描述所述电力设备图像对应的电力设备的状态。

2.如权利要求1所述的电力设备图像处理方法，其特征在于：

所述电力设备图像和样本图像包括可见光图像，其特征参数包括是否存在典型缺陷、是否存在异物入侵、覆冰和积雪厚度以及污秽程度中的至少一种；

所述电力设备的状态包括电力设备的变形破损或裂纹、绝缘子表面污秽、设备覆冰和积雪、部件脱落或移位、导线断裂或断股、线路走廊植被过高或线路离建筑物过近、异物入侵、环境异常以及刀闸闭合是否到位中的至少一种。

3.如权利要求2所述的电力设备图像处理方法，其特征在于：

所述电力设备图像和样本图像还包括红外图像和/或紫外图像，其特征参数还包括局部过热和/或局部放电；

所述电力设备的状态还包括电力设备的环境状态和/或绝缘状态。

4.如权利要求1-3中任意一项权利要求所述的电力设备图像处理方法，其特征在于：所述图像预处理包括灰度化、去噪、超分率重建和配准中的至少一种。

5.如权利要求4所述的电力设备图像处理方法，其特征在于：所述图像预处理和/或所述图像处理还包括图像分割。

6.如权利要求5所述的电力设备图像处理方法，其特征在于：所述图像分割采用基于灰度阈值的分割方法。

7.如权利要求4所述的电力设备图像处理方法，其特征在于：所述图像处理还包括图像融合。

8.如权利要求4所述的电力设备图像处理方法，其特征在于：所述去噪采用中值滤波。

9.如权利要求4所述的电力设备图像处理方法，其特征在于：所述配准采用SIFT算法。

10.如权利要求1-3或权利要求5-9中任意一项权利要求所述的电力设备图像处理方法，其特征在于：所述图像处理采用像素级算法。

11.如权利要求1-3或权利要求5-9中任意一项权利要求所述的电力设备图像处理方法，其特征在于：所述特征参数提取采用基于结构元分析的特征提取方法。

12.如权利要求11所述的电力设备图像处理方法，其特征在于：所述特征参数提取包括以下步骤：

颜色空间转换；

统计结构元；

提取结构元连通性特征，获取结构元连通粒属性；

提取颜色连通性特征，获取颜色连通粒属性；

特征参数融合。