本发明公开了一种基于聚类分析的破损绝缘子图像提取方法，具体按照以下步骤实施：步骤1，读取巡检绝缘子原始图像P，并进行预处理，步骤2获得与两个分量对应的K维码本向量，步骤3，获取属于目标区域的色调分量H和饱和度分量S的聚类中心；步骤4，得到色调分量H和饱和度分量S的模糊隶属度uHO和uSO；步骤5，利用色调分量H和饱和度分量S的模糊隶属度uHO和uSO，构造二维特征向量F(x,y)，步骤6，对特征向量F(x,y)进行聚类分析，获取对应的cF(x,y)，步骤7，根据步骤6获取的cF(x,y)，可获取巡检绝缘子图像中绝缘子的背景区域及目标区域。本发明解决了现有技术中存在的无法在巡检图像中准确提取破损绝缘子的问题。
1.一种基于聚类分析的破损绝缘子图像提取方法，其特征在于，具体按照以下步骤实施：步骤1，读取巡检绝缘子原始图像P，所述的图像P表示的是绝缘子在RGB颜色空间下的图像，设图像P的尺寸为N×M，通过图像预处理，将图像P由RGB颜色空间转换到HSI颜色空间；
步骤2，利用LBG算法对步骤1中的绝缘子预处理后的图像P的色调分量H和饱和度分量S进行处理，获得与两个分量对应的K维码本向量 和步骤3，对步骤2所得码本向量 和
通过K-means聚类算法获取属于目标区域的色调分量H和饱和度分量S的聚类中心；
步骤4，根据步骤1获取的绝缘子图像P中色调值和饱和度值计算整幅图像色调值和饱和度值的均值，并得到色调分量H和饱和度分量S的模糊隶属度uHO和uSO；
步骤5，利用步骤4获得的色调分量H和饱和度分量S的模糊隶属度uHO和uSO，构造一个式(9)所示的二维特征向量F(x,y)，F(x,y)＝(uHO(x,y),uSO(x,y)) (9)其中F(x,y)表示像素点(x,y)与绝缘子目标区域的距离特征，x∈[1,N],y∈[1,M]，可以构成一个N×M的2维向量矩阵；
步骤6：对步骤5获得的特征向量F(x,y)进行聚类分析，获取对应的cF(x,y)；
步骤7，根据步骤6获取的cF(x,y)，分别将输入图像P中cF(x,y)＝1的坐标点的像素值赋值为(0,0,0)，输出图像；将输入图像P中cF(x,y)＝2的坐标点的像素值赋值为(0,0,0)，输出图像，即可获取巡检绝缘子图像中绝缘子的背景区域及目标区域。
2.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤1中的图像P在转换时的公式如下：其中，R、G、B、表示在RGB空间下图像P的各分量，而H、S和I表示图像P在HSI颜色空间下的各颜色分量；
H分量表征图像P中各像素点的色调，S分量表征图像P中各像素点的饱和度，I分量表征图像P中各像素点的强度，其中，H(x,y)∈[0,360],S(x,y)∈[0,1],I(x,y)∈[0,1]，其中，x∈[1,N],y∈[1,M]。
3.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤2具体按照以下步骤实施：步骤2.1，对色调分量H进行计算，获得色调分量H对应的K维码本向量；
步骤2.2，对图像P的饱和度分量S进行计算，获得饱和度分量S对应的K维码本向量。
4.根据权利要求3所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤2.1具体按照以下步骤实施：步骤2.1.1，选取步骤1中获得的图像P的各像素点的色调值H(x,y)作为样本，x∈[1,N],y∈[1,M]，获取色调值中心点 作为训练向量的初始码本 中的码字，其中， 表示码字的集合， 码本维数kH为1；
步骤2.1.2，通过分离码本 使码本的维数kH加倍，Qi表示第i次分离出的码本，i＝1,2,3,...，分离公式如下：其中i＝1,2,3,...表示码本分离的次数， 表示第i次分离出的码本中的第jH个码字，其中jH＝1,2,...,2(i-1)，kH＝2(i-1)表示第i次分离出的码本的维数，得到的分离后的新的码本 式中ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝
步骤2.1.3，对于步骤1获得的图像P中的各像素点的色调值H(x,y)，按照公式(1)计算出与H(x,y)对应的cH(x,y)的值，当cH(x,y)＝t时，将H(x,y)分配到第t个聚簇中，分配到第t个聚簇中的H(x,y)构成一个新的集合Ht，其中，cH(x,y)＝1,2,...,2(i-1)，t＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，表示H(x,y)与码字 之间的欧氏距离， 表示第i次分离出的码本中的第H
步骤2.1.4，根据步骤2.1.3获取的各个聚簇对应的H(x,y)，更新码本 中的每个码字 即按照公式(2)重新计算各码字 的值，(i-1)
其中j＝1,2,...,2 ，码本 中的值均由新计算出的码字 替换，其中 表示第i次分离出的码本中的第jH个码字；
步骤2.1.5，计算经过i次分离后的H(x,y)聚类的失真值DH，计算公式如下：其中 表示H(x,y)与码字 之间的欧氏距离，
当H(x,y)聚类的失真率 大于预设的阈值ε2时，执行步骤2.1.3和步骤2.1.4，当H(x,y)聚类的失真率 小于等于预设的阈值ε2时，执行步骤2.1.6，其中DH'表示图像色调值H(x,y)聚类前一次计算的失真值，鉴于H(x,y)∈[0,360]，设DH'的初始值为
360，DH表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
步骤2.1.6，当色调值H(x,y)的聚簇数kH未达到指定值K时，即kH＜K时，重复步骤2.1.2～步骤2.1.5，当kH＝K时，获取图像色调值H(x,y)的K维码本向量
5.根据权利要求3所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤2.2具体按照以下步骤实施：步骤2.2.1，选取步骤1中获得的图像P的各像素点的饱和度值S(x,y)作为样本，x∈[1,N],y∈[1,M]，获取饱和度值中心点 作为训练向量的初始码本 中的码字， 表示初始码字的集合， 码本维数kS为1；
步骤2.2.2，通过分离现有码本 使码本的维数kS加倍，QiS表示第i次分离出的码本，i＝1,2,3,...，则分离公式如下：其中i＝1,2,3,...表示码本分离的次数， 表示第i次分离出的码本中的第jS个码字，其中jS＝1,2,...,2(i-1)，kS＝2(i-1)表示第i次分离出的码本的维数，获取新的码本式中ε1为预设误差变量阈值，设ε1＝0.1；
步骤2.2.3，对于步骤1获得的图像P中的各像素点的饱和度值S(x,y)，按照公式(3)计算出与S(x,y)对应的cS(x,y)的值，当cS(x,y)＝g时，将S(x,y)分配到第g个聚簇中，分配到第g个聚簇中的S(x,y)构成一个新的集合Sg，其中，cS(x,y)＝1,2,...,2(i-1)，g＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，表示S(x,y)与码字 之间的欧氏距离， 表示第i次分离出的码本中的S
步骤2.2.4，根据步骤2.2.3获取的各个聚簇对应的S(x,y)，更新码本 中的每个码字 即按照公式(4)重新计算各码字 的值，其中jS＝1,2,...,2(i-1)，码本 中的值均由新计算出的码字 替换，其中 表示第i次分离出的码本中的第jS个码字；
步骤2.2.5，计算经过i次分离后S(x,y)聚类的失真值DS，计算公式如下：其中 表示S(x,y)与码字 之间的欧氏距离，
当S(x,y)聚类的失真率 大于预设的阈值ε2时，重复步骤2.2.3和步骤2.2.4，失真率 小于等于ε2时，执行步骤2.2.6，其中DS'表示图像饱和度值S(x,y)聚类前一次计算的失真值，鉴于S(x,y)∈[0,1]，设DS'的初始值设为1，DS表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝
步骤2.2.6，当图像饱和度值S(x,y)的聚簇数kS未达到指定值K时，即kS＜K时，重复步骤
当kS＝K时，获取图像饱和度值S(x,y)的K维码本向量
6.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤3具体按照以下步骤实施：步骤3.1，对步骤2所得码本向量 进行K-means聚类算法获得色调分量H目标区域的聚类中心，即目标区域对应的码字，步骤3.2，对步骤2所得码本向量 进行K-means聚类算法获得饱和度分量S目标区域的聚类中心，即目标区域对应的码字。
7.根据权利要求6所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤3.1具体为：步骤3.1.1，以步骤1读取的绝缘子图像P中各像素点的色调值H(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本 用于K-means算法的初始码本；
步骤3.1.2，按照公式(5)计算图像P中H(x,y)对应的cH(x,y)的值，当cH(x,y)＝l时，将图像中像素点(x,y)对应的色调值H(x,y)分配到第l个聚簇中，其中，cH(x,y)＝1,2,3,...,K，l＝1,2,3,...,K， 表示当前码本 中的任一码字，jH＝1,
步骤3.1.3，对当前码本 进行更新，即利用公式(6)重新计算出码本 中的每个码字式中，jH＝1,2,...,K，其中，H(x,y)属于第jH个聚簇时，1{cH(x,y)＝jH}的值为1，否则，若H(x,y)不属于第jH个聚簇，1{cH(x,y)＝jH}的值为0；
步骤3.1.4，计算K个聚簇的均方误差函数MSEH及误差精度ε3，ε3＝MSEH-MSEH'
式中，MSEH'为前一次均方误差值，鉴于H∈[0,360]，设MSEH'的初始值为360，MSEH为当前均方误差值， 为H(x,y)到码字 的欧氏距离，ε3表示误差精度；
根据所需误差精度，若ε3≤0.001时，执行步骤3.1.5；
否则，若ε3>0.001，则重复步骤3.1.2和步骤3.1.3；
步骤3.1.5，以图像形式分别输出K个聚簇包含的色调值H(x,y)的集合，在输出的图像中确定需要获取的目标区域，并获取巡检绝缘子图像目标区域色调值H(x,y)及其对应的聚类中心，即码字mH，其中
8.根据权利要求6所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤3.2具体为：步骤3.2.1，以步骤1读取的绝缘子图像P中各像素点的饱和度值S(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本 用于K-means算法的初始码本；
步骤3.2.2，按照公式(7)计算图像P中S(x,y)对应的cS(x,y)的值，当cS(x,y)＝l时，将图像中像素点(x,y)对应的饱和度值S(x,y)分配到第l个聚簇中，其S中，cS(x,y)＝1,2,...,K，l＝1,2,...,K， 表示当前码本 中的任一码字，j＝1,2,...,K；
步骤3.2.3，对当前码本 进行更新，利用公式(8)重新计算出码本 中的每一个码字式中，jS＝1,2,...,K，其中，S(x,y)属于第jS个聚簇时，1{cS(x,y)＝jS}的值为1，否则，若S(x,y)不属于第jS个聚簇，1{cS(x,y)＝jS}的值为0；
步骤3.2.4，计算K个聚簇的均方误差函数MSES及误差精度ε3，ε3＝MSES-MSES'
式中，MSES'为前一次均方误差值，鉴于S∈[0,1]，设MSES'的初始值为1，MSES为当前均方误差值， 为S(x,y)到码字 的欧氏距离，ε3表示误差精度，根据所需误差精度，若ε3≤0.001时，则执行步骤3.2.5；
否则，若ε3>0.001，则重复步骤3.2.2和步骤3.2.3；
步骤3.2.5，以图像形式分别输出K个聚簇包含的饱和度值S(x,y)的集合，在输出图像中确定需要获取的目标区域，并获取巡检绝缘子目标区域的饱和度值S(x,y)及其对应的码字mS，其中
9.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤4具体按照以下步骤实施：步骤4.1，通过步骤1获取的巡检绝缘子图像P中色调值H(x,y)计算整幅图像色调值的均值CH，计算公式如下：步骤4.2，根据步骤3获取的图像目标区域色调值H(x,y)对应的码字mH构造模糊隶属度函数，所述的模糊隶属度函数的具体构造如下：
其中uHO(x,y)表示像素点(x,y)处色调值H(x,y)属于目标区域的隶属度，uHB(x,y)表示像素点(x,y)处色调值H(x,y)属于背景区域的隶属度，uHO(x,y)和uHB(x,y)的取值范围均为[0，1]，当H(x,y)＝mH时，uHO(x,y)＝1，uHB(x,y)＝0；
步骤4.3，通过步骤1获取的巡检绝缘子图像P中饱和度值S(x,y)计算整幅图像饱和度值的均值CS，计算公式如下：步骤4.4，根据步骤3获取的图像目标区域饱和度值S(x,y)对应的码字mS构造模糊隶属度函数，模糊隶属度函数的具体构造如下：
其中uSO(x,y)表示像素点(x,y)处饱和度值S(x,y)属于目标区域的隶属度，uSB(x,y)表示像素点(x,y)处饱和度值S(x,y)属于背景区域的隶属度，uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，当S(x,y)＝mS时，uSO(x,y)＝1，uSB(x,y)＝0。
10.根据权利要求1所述的基于聚类分析的破损绝缘子图像提取方法，其特征在于，所述的步骤6具体按照以下步骤实施，步骤6.1，通过LBG算法对步骤5获取的特征向量F(x,y)进行处理，具体的步骤为：步骤6.1.1，选取F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，获取F(x,y)的中心点对应的向量 作为训练向量的初始码本 中的码字， 为二维向量；
步骤6.1.2，通过公式(10)分离步骤6.1.1获取的初始码本 获取码本其中q21表示分离后获得的码本 的第一个码字，q22表示分离后获得的码本 的第二个码字，ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1；
步骤6.1.3，对于步骤5获取F(x,y)，按照公式(11)计算出与F(x,y)对应的cF(x,y)的值，当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，分配到第r个聚簇中的F(x,y)构成一个新的集合Fr，其中，cF(x,y)＝1,2，t＝1,2，x∈[1,N],y∈[1,M]， 表示F(x,y)与码字 之间的欧氏距离， 为码本 中第jF个码字，jF＝1,2；
步骤6.1.4，根据步骤6.1.3获取的各个聚簇对应的F(x,y)，更新码本 中的每个码字 即按照公式(12)重新计算各码字，其中，jF＝1,2；
步骤6.1.5，计算F(x,y)聚类的失真值DF，计算公式如下：其中， 表示F(x,y)与码字 之间的欧氏距离，
当F(x,y)的聚类的失真率 大于预设的阈值ε2时，重复步骤6.1.3和步骤6.1.4，失真率 小于等于预设阈值ε2时，获取最终码本 执行步骤6.2，其中DF'表示F(x,y)聚类前一次计算的失真值，鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，设DF'的初始值为1.41，DF表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
步骤6.2，根据步骤6.1获取的码本 通过K-means算法对特征向量F(x,y)进行聚类分析，具体的步骤为：
步骤6.2.1，选取步骤5获取的F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，以步骤6.1获取的码本 用于K-means算法的初始码本；
步骤6.2.2，按照公式(13)计算F(x,y)对应的cF(x,y)的值，当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，其中，cF(x,y)＝1,2，r＝1,2，jF＝1,2，表示F(x,y)和 之间的欧氏距离；
步骤6.2.3，对当前码本 进行更新，利用公式(14)重新计算出码本 中的每一个码字，式中，jF＝1,2，其中，F(x,y)属于第jF个聚簇时，1{cF(x,y)＝jF}的值为1，否则，若F(x,y)不属于第jF个聚簇，1{cF(x,y)＝jF}的值为0；
步骤6.2.4，计算两个聚簇的均方误差函数MSEF及误差精度ε3，ε3＝MSEF-MSEF'
鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，故设MSEF'的初始值为1.41，MSEF为当前均方误差值， 为F(x,y)到码字 的欧氏距离，ε3表示误差精度，
根据所需误差精度，若ε3≤0.001时，获取最终聚类码本 以及F(x,y)对应的cF(x,y)，执行步骤7，否则，若ε3>0.001，则重复步骤6.2.2和步骤6.2.3。
基于聚类分析的破损绝缘子图像提取方法
技术领域
[0001] 本发明属于电力设备监测技术领域，涉及一种基于聚类分析的破损绝缘子图像提取方法。
背景技术
[0002] 绝缘子是架空输电线路上的重要组成部分，由于其长期暴露在野外，同时又受到持续的机械张力、电气闪络、材料老化等的影响，导致绝缘水平下降出现裂缝、破损等故障，如不及时修复更换，极有可能发生绝缘事故，造成大面积的停电和巨大的经济损失，因此需要对高压绝缘子进行定期巡检和维修。由于户外绝缘子所在输电线路地形复杂，随着直升机电网运行维护技术的发展，正常巡视方式迫切要求从“人工巡视”向“直升机巡视为主，人工巡视为辅”的方式转变。直升机巡视可以实现全方位、多角度的巡检，由于光照的影响，以及巡检绝缘子照片角度不唯一增加了破损绝缘子图像的提取难度，这为下一步对绝缘子故障的检测与诊断带来重大影响。因此，如何排除光照的影响，以及在不同拍摄角度的巡视绝缘子图像中准确提取破损绝缘子图像是巡检和维修绝缘子的关键技术难题。
发明内容
[0003] 本发明的目的是提供一种基于聚类分析的破损绝缘子图像提取方法，解决了现有技术中存在的无法在巡检图像中准确提取破损绝缘子的问题。
[0004] 本发明所采用的技术方案是，
[0005] 一种基于聚类分析的破损绝缘子图像提取方法，具体按照以下步骤实施：
[0006] 步骤1，读取巡检绝缘子原始图像P，图像P表示的是绝缘子在RGB颜色空间下的图像，设图像P的尺寸为N×M，通过图像预处理，将图像P由RGB颜色空间转换到HSI颜色空间；
[0007] 步骤2，利用LBG算法对步骤1中的绝缘子预处理后的图像P的色调分量H和饱和度分量S进行处理，获得与两个分量对应的K维码本向量 和
[0008] 步骤3，对步骤2所得码本向量 和，通过K-means聚类算法获取属于目标区域的色调分量H和饱和度
分量S的聚类中心；
[0009] 步骤4，根据步骤1获取的绝缘子图像P中色调值和饱和度值计算整幅图像色调值和饱和度值的均值，并得到色调分量H和饱和度分量S的模糊隶属度uHO和uSO；
[0010] 步骤5，利用步骤4获得的色调分量H和饱和度分量S的模糊隶属度uHO和uSO，构造一个式(9)所示的二维特征向量F(x,y)，
[0011] F(x,y)＝(uHO(x,y),uSO(x,y)) (9)
[0012] 其中F(x,y)表示像素点(x,y)与绝缘子目标区域的距离特征，x∈[1,N],y∈[1,M]，可以构成一个N×M的2维向量矩阵；
[0013] 步骤6：对步骤5获得的特征向量F(x,y)进行聚类分析，获取对应的cF(x,y)，[0014] 步骤7，根据步骤6获取的cF(x,y)，分别将输入图像P中cF(x,y)＝1的坐标点的像素值赋值为(0,0,0)，输出图像；将输入图像P中cF(x,y)＝2的坐标点的像素值赋值为(0,0,0)，输出图像，即可获取巡检绝缘子图像中绝缘子的背景区域及目标区域。
[0015] 本发明的特点还在于，
[0016] 步骤1中的图像P在转换时的公式如下：
[0017]
[0018]
[0019]
[0020] 其中，R、G、B、表示在RGB空间下图像P的各分量，而H、S和I表示图像P在HSI颜色空间下的各颜色分量；
[0021] H分量表征图像P中各像素点的色调，S分量表征图像P中各像素点的饱和度，I分量表征图像P中各像素点的强度，
[0022] 其中，H(x,y)∈[0,360],S(x,y)∈[0,1],I(x,y)∈[0,1]，
[0023] 其中，x∈[1,N],y∈[1,M]。
[0024] 步骤2具体按照以下步骤实施：
[0025] 步骤2.1，对色调分量H进行计算，获得色调分量H对应的K维码本向量；
[0026] 步骤2.2，对图像P的饱和度分量S进行计算，获得饱和度分量S对应的K维码本向量。
[0027] 步骤2.1具体按照以下步骤实施：
[0028] 步骤2.1.1，选取步骤1中获得的图像P的各像素点的色调值H(x,y)作为样本，x∈[1,N],y∈[1,M]，获取色调值中心点 作为训练向量的初始码本 中的码字，其中，表示码字的集合， 码本维数kH为1；
[0029] 步骤2.1.2，通过分离码本 使码本的维数kH加倍，QiH表示第i次分离出的码本，i＝1,2,3,...，分离公式如下：
[0030]
[0031]
[0032] 其中i＝1,2,3,...表示码本分离的次数， 表示第i次分离出的码本中的第jH个码字，其中jH＝1,2,...,2(i-1)，kH＝2(i-1)表示第i次分离出的码本的维数，得到的分离后的新的码本 式中ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1；
[0033] 步骤2.1.3，对于步骤1获得的图像P中的各像素点的色调值H(x,y)，按照公式(1)计算出与H(x,y)对应的cH(x,y)的值，
[0034]
[0035] 当cH(x,y)＝t时，将H(x,y)分配到第t个聚簇中，分配到第t个聚簇中的H(x,y)构(i-1) (i-1)成一个新的集合Ht，其中，cH(x,y)＝1,2,...,2 ，t＝1,2,...,2 ，x∈[1,N],y∈[1,M]， 表示H(x,y)与码字 之间的欧氏距离， 表示第i次分离出的码本中
的第jH个码字；
[0036] 步骤2.1.4，根据步骤2.1.3获取的各个聚簇对应的H(x,y)，
[0037] 更新码本 中的每个码字 即按照公式(2)重新计算各码字 的值，
[0038]
[0039] 其中j＝1,2,...,2(i-1)，码本 中的值均由新计算出的码字 替换，其中 表示第i次分离出的码本中的第jH个码字；
[0040] 步骤2.1.5，计算经过i次分离后的H(x,y)聚类的失真值DH，计算公式如下：
[0041]
[0042] 其中 表示H(x,y)与码字 之间的欧氏距离，
[0043] 当H(x,y)聚类的失真率 大于预设的阈值ε2时，执行步骤2.1.3和步骤2.1.4，
[0044] 当H(x,y)聚类的失真率 小于等于预设的阈值ε2时，执行步骤2.1.6，[0045] 其中DH'表示图像色调值H(x,y)聚类前一次计算的失真值，鉴于H(x,y)∈[0,360]，设DH'的初始值为360，DH表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
[0046] 步骤2.1.6，当色调值H(x,y)的聚簇数kH未达到指定值K时，即kH＜K时，重复步骤2.1.2～步骤2.1.5，
[0047] 当kH＝K时，获取图像色调值H(x,y)的K维码本向量
[0048] 步骤2.2具体按照以下步骤实施：
[0049] 步骤2.2.1，选取步骤1中获得的图像P的各像素点的饱和度值S(x,y)作为样本，x∈[1,N],y∈[1,M]，获取饱和度值中心点 作为训练向量的初始码本 中的码字， 表示初始码字的集合， 码本维数kS为1；
[0050] 步骤2.2.2，通过分离现有码本 使码本的维数kS加倍，表示第i次分离出的码本，i＝1,2,3,...，则分离公式如下：
[0051]
[0052]
[0053] 其中i＝1,2,3,...表示码本分离的次数， 表示第i次分离出的码本中的第jS个码字，其中jS＝1,2,...,2(i-1)，kS＝2(i-1)表示第i次分离出的码本的维数，获取新的码本式中ε1为预设误差变量阈值，设ε1＝0.1；
[0054] 步骤2.2.3，对于步骤1获得的图像P中的各像素点的饱和度值S(x,y)，按照公式(3)计算出与S(x,y)对应的cS(x,y)的值，
[0055]
[0056] 当cS(x,y)＝g时，将S(x,y)分配到第g个聚簇中，分配到第g个聚簇中的S(x,y)构成一个新的集合Sg，
[0057] 其中，cS(x,y)＝1,2,...,2(i-1)，g＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，[0058] 表示S(x,y)与码字 之间的欧氏距离， 表示第i次分离出的码本中的第jS个码字；
[0059] 步骤2.2.4，根据步骤2.2.3获取的各个聚簇对应的S(x,y)，
[0060] 更新码本 中的每个码字 即按照公式(4)重新计算各码字 的值，
[0061]
[0062] 其中jS＝1,2,...,2(i-1)，码本 中的值均由新计算出的码字 替换，其中 表示第i次分离出的码本中的第jS个码字；
[0063] 步骤2.2.5，计算经过i次分离后S(x,y)聚类的失真值DS，计算公式如下：
[0064]
[0065] 其中 表示S(x,y)与码字 之间的欧氏距离，
[0066] 当S(x,y)聚类的失真率 大于预设的阈值ε2时，重复步骤2.2.3和步骤2.2.4，
[0067] 失真率 小于等于ε2时，执行步骤2.2.6，
[0068] 其中DS'表示图像饱和度值S(x,y)聚类前一次计算的失真值，鉴于S(x,y)∈[0,1]，设DS'的初始值设为1，DS表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
[0069] 步骤2.2.6，当图像饱和度值S(x,y)的聚簇数kS未达到指定值K时，即kS＜K时，重复步骤2.2.2～步骤2.2.5，
[0070] 当kS＝K时，获取图像饱和度值S(x,y)的K维码本向量
[0071] 步骤3具体按照以下步骤实施：
[0072] 步骤3.1，对步骤2所得码本向量 进行K-means聚类算法获得色调分量H目标区域的聚类中心，即目标区域对应的码字，
[0073] 步骤3.2，对步骤2所得码本向量 进行K-means聚类算法获得饱和度分量S目标区域的聚类中心，即目标区域对应的码字。
[0074] 步骤3.1具体为：
[0075] 步骤3.1.1，以步骤1读取的绝缘子图像P中各像素点的色调值H(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本 用于K-means算法的初始码本；
[0076] 步骤3.1.2，按照公式(5)计算图像P中H(x,y)对应的cH(x,y)的值，[0077]
[0078] 当cH(x,y)＝l时，将图像中像素点(x,y)对应的色调值H(x,y)分配到第l个聚簇H中，其中，cH(x,y)＝1,2,3,...,K，l＝1,2,3,...,K， 表示当前码本 中的任一码字，j＝1,2,...,K，
[0079] 步骤3.1.3，对当前码本 进行更新，即利用公式(6)重新计算出码本 中的每个码字
[0080]
[0081] 式中，jH＝1,2,...,K，其中，H(x,y)属于第jH个聚簇时，1{cH(x,y)＝jH}的值为1，[0082] 否则，若H(x,y)不属于第jH个聚簇，1{cH(x,y)＝jH}的值为0；
[0083] 步骤3.1.4，计算K个聚簇的均方误差函数MSEH及误差精度ε3，
[0084]
[0085] ε3＝MSEH-MSEH'
[0086] 式中，MSEH'为前一次均方误差值，鉴于H∈[0,360]，设MSEH'的初始值为360，MSEH为当前均方误差值， 为H(x,y)到码字 的欧氏距离，ε3表示误差精度；
[0087] 根据所需误差精度，若ε3≤0.001时，执行步骤3.1.5；
[0088] 否则，若ε3>0.001，则重复步骤3.1.2和步骤3.1.3；
[0089] 步骤3.1.5，以图像形式分别输出K个聚簇包含的色调值H(x,y)的集合，在输出的图像中确定需要获取的目标区域，并获取巡检绝缘子图像目标区域色调值H(x,y)及其对应的聚类中心，即码字mH，其中
[0090] 步骤3.2具体为：
[0091] 步骤3.2.1，以步骤1读取的绝缘子图像P中各像素点的饱和度值S(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本 用于K-means算法的初始码本；
[0092] 步骤3.2.2，按照公式(7)计算图像P中S(x,y)对应的cS(x,y)的值，[0093]
[0094] 当cS(x,y)＝l时，将图像中像素点(x,y)对应的饱和度值S(x,y)分配到第l个聚簇中，其中，cS(x,y)＝1,2,...,K，l＝1,2,...,K， 表示当前码本 中的任一码字，jS＝1,2,...,K；
[0095] 步骤3.2.3，对当前码本 进行更新，利用公式(8)重新计算出码本 中的每一个码字
[0096]
[0097] 式中，jS＝1,2,...,K，其中，S(x,y)属于第jS个聚簇时，1{cS(x,y)＝jS}的值为1，[0098] 否则，若S(x,y)不属于第jS个聚簇，1{cS(x,y)＝jS}的值为0；
[0099] 步骤3.2.4，计算K个聚簇的均方误差函数MSES及误差精度ε3，
[0100]
[0101] ε3＝MSES-MSES'
[0102] 式中，MSES'为前一次均方误差值，鉴于S∈[0,1]，设MSES'的初始值为1，MSES为当前均方误差值， 为S(x,y)到码字 的欧氏距离，ε3表示误差精度，
[0103] 根据所需误差精度，若ε3≤0.001时，则执行步骤3.2.5；
[0104] 否则，若ε3>0.001，则重复步骤3.2.2和步骤3.2.3；
[0105] 步骤3.2.5，以图像形式分别输出K个聚簇包含的饱和度值S(x,y)的集合，在输出图像中确定需要获取的目标区域，并获取巡检绝缘子目标区域的饱和度值S(x,y)及其对应的码字mS，其中
[0106] 步骤4具体按照以下步骤实施：
[0107] 步骤4.1，通过步骤1获取的巡检绝缘子图像P中色调值H(x,y)计算整幅图像色调值的均值CH，计算公式如下：
[0108]
[0109] 步骤4.2，根据步骤3获取的图像目标区域色调值H(x,y)对应的码字mH构造模糊隶属度函数，
[0110] 模糊隶属度函数的具体构造如下：
[0111]
[0112] uHB(x,y)＝1-uHO(x,y)
[0113] 其中uHO(x,y)表示像素点(x,y)处色调值H(x,y)属于目标区域的隶属度，uHB(x,y)表示像素点(x,y)处色调值H(x,y)属于背景区域的隶属度，uHO(x,y)和uHB(x,y)的取值范围均为[0，1]，
[0114] 当H(x,y)＝mH时，uHO(x,y)＝1，uHB(x,y)＝0；
[0115] 步骤4.3，通过步骤1获取的巡检绝缘子图像P中饱和度值S(x,y)计算整幅图像饱和度值的均值CS，计算公式如下：
[0116]
[0117] 步骤4.4，根据步骤3获取的图像目标区域饱和度值S(x,y)对应的码字mS构造模糊隶属度函数，
[0118] 模糊隶属度函数的具体构造如下：
[0119]
[0120] uSB(x,y)＝1-uSO(x,y)
[0121] 其中uSO(x,y)表示像素点(x,y)处饱和度值S(x,y)属于目标区域的隶属度，uSB(x,y)表示像素点(x,y)处饱和度值S(x,y)属于背景区域的隶属度，uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，
[0122] 当S(x,y)＝mS时，uSO(x,y)＝1，uSB(x,y)＝0。
[0123] 步骤6具体按照以下步骤实施，
[0124] 步骤6.1，通过LBG算法对步骤5获取的特征向量F(x,y)进行处理，具体的步骤为：
[0125] 步骤6.1.1，选取F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，获取F(x,y)的中心点对应的向量 作为训练向量的初始码本 中的码字， 为二维向量；
[0126] 步骤6.1.2，通过公式(10)分离步骤6.1.1获取的初始码本 获取码本[0127]
[0128] 其中q21表示分离后获得的码本 的第一个码字，q22表示分离后获得的码本 的第二个码字，ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1；
[0129] 步骤6.1.3，对于步骤5获取F(x,y)，按照公式(11)计算出与F(x,y)对应的cF(x,y)的值，
[0130]
[0131] 当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，分配到第r个聚簇中的F(x,y)构成一个新的集合Fr，其中，cF(x,y)＝1,2，t＝1,2，x∈[1,N],y∈[1,M]， 表示F(x,y)与码字 之间的欧氏距离， 为码本 中第jF个码字，jF＝1,2；
[0132] 步骤6.1.4，根据步骤6.1.3获取的各个聚簇对应的F(x,y)，
[0133] 更新码本 中的每个码字 即按照公式(12)重新计算各码字，
[0134]
[0135] 其中，jF＝1,2；
[0136] 步骤6.1.5，计算F(x,y)聚类的失真值DF，计算公式如下：
[0137]
[0138] 其中， 表示F(x,y)与码字 之间的欧氏距离，
[0139] 当F(x,y)的聚类的失真率 大于预设的阈值ε2时，重复步骤6.1.3和步骤6.1.4，
[0140] 失真率 小于等于预设阈值ε2时，获取最终码本 执行步骤6.2，其中DF'表示F(x,y)聚类前一次计算的失真值，鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，设DF'的初始值为1.41，DF表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005；
[0141] 步骤6.2，根据步骤6.1获取的码本 通过K-means算法对特征向量F(x,y)进行聚类分析，具体的步骤为：
[0142] 步骤6.2.1，选取步骤5获取的F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，以步骤6.1获取的码本 用于K-means算法的初始码本；
[0143] 步骤6.2.2，按照公式(13)计算F(x,y)对应的cF(x,y)的值，
[0144]
[0145] 当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，其中，cF(x,y)＝1,2，r＝1,2，jF＝1,2， 表示F(x,y)和 之间的欧氏距离；
[0146] 步骤6.2.3，对当前码本 进行更新，利用公式(14)重新计算出码本 中的每一个码字，
[0147]
[0148] 式中，jF＝1,2，其中，F(x,y)属于第jF个聚簇时，1{cF(x,y)＝jF}的值为1，[0149] 否则，若F(x,y)不属于第jF个聚簇，1{cF(x,y)＝jF}的值为0；
[0150] 步骤6.2.4，计算两个聚簇的均方误差函数MSEF及误差精度ε3，
[0151]
[0152] ε3＝MSEF-MSEF'
[0153] 式中，MSEF'为前一次均方误差值，
[0154] 鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，故设MSEF'的初始值为1.41，MSEF为当前均方误差值， 为F(x,y)到码字的欧氏距离，ε3表示误差精度，
[0155] 根据所需误差精度，若ε3≤0.001时，获取最终聚类码本 以及F(x,y)对应的cF(x,y)，执行步骤7，
[0156] 否则，若ε3>0.001，则重复步骤6.2.2和步骤6.2.3。
[0157] 本发明的有益效果是，与现有的图像提取算法相比，本发明采用K-means算法直接对彩色巡检绝缘子图像进行处理，排除表示颜色光亮的强度分量I，只对色调分量H和饱和度分量S进行聚类分析，不受空间分布的影响，能够避免太阳光照射导致玻璃绝缘子反光以及多角度拍摄的影响，提取破损绝缘子图像的目标区域。此外，通过LBG算法改进的K-means算法，减少了K-means算法的迭代系数，又具有快速、直观、易于实现的优点，模糊理论的引入使得该方法具有很好的鲁棒性和稳定性。本发明能及时根据获取的绝缘子图片准确的提取绝缘子，以便及时判断绝缘子的工作状况，进行修复更换，避免绝缘事故的发生。因此，使用该方法有利于“直升机巡检”方式的实现，从而具有重大的意义。
附图说明
[0158] 图1是本发明基于聚类分析的破损绝缘子图像提取方法的整体流程图；
[0159] 图2是本发明基于聚类分析的破损绝缘子图像提取方法中的LBG算法的流程图；
[0160] 图3是本发明基于聚类分析的破损绝缘子图像提取方法中的K-means算法流程图；
[0161] 图4表示采集到的1#绝缘子的图像1；
[0162] 图5表示采集到的2#绝缘子的图像2；
[0163] 图6表示对1#绝缘子的图像1采用otsu方法的分割结果；
[0164] 图7表示对2#绝缘子的图像2采用otsu方法的分割结果；
[0165] 图8表示对1#绝缘子的图像1采用遗传算法的分割结果；
[0166] 图9表示对2#绝缘子的图像2采用遗传算法的分割结果；
[0167] 图10表示对1#绝缘子的图像1采用本发明算法的分割结果；
[0168] 图11表示对2#绝缘子的图像2采用本发明算法的分割结果；
[0169] 图12表示对1#绝缘子的图像1采用本发明算法的提取结果；
[0170] 图13表示对2#绝缘子的图像2采用本发明算法的提取结果。
具体实施方式
[0171] 下面结合附图和具体实施方式对本发明进行详细说明。
[0172] 一种基于聚类分析的破损绝缘子图像提取方法，如图1所示，具体按照以下步骤实施：
[0173] 步骤1：读取巡检绝缘子原始图像P，图像P表示的是绝缘子在RGB颜色空间下的图像，设图像P的尺寸为N×M，通过图像预处理，将图像P由RGB颜色空间转换到HSI颜色空间，具体在转换时的公式如下：
[0174]
[0175]
[0176]
[0177] 其中，R、G、B、表示在RGB空间下图像P的各分量，而H、S和I表示图像P在HSI颜色空间下的各颜色分量。
[0178] H分量表征图像P中各像素点的色调，S分量表征图像P中各像素点的饱和度，I分量表征图像P中各像素点的强度，
[0179] 其中，H(x,y)∈[0,360],S(x,y)∈[0,1],I(x,y)∈[0,1]，
[0180] 其中，x∈[1,N],y∈[1,M]。
[0181] 步骤2：利用LBG算法对步骤1中的绝缘子预处理后的图像P的色调分量H和饱和度分量S进行处理，获得与两个分量对应的K维码本向量，LBG算法的流程图如图2所示，[0182] 具体的步骤为：
[0183] 步骤2.1，对色调分量H进行计算，获得色调分量H对应的K维码本向量。
[0184] 具体步骤为：
[0185] 步骤2.1.1，选取步骤1中获得的图像P的各像素点的色调值H(x,y)作为样本，x∈[1,N],y∈[1,M]，获取色调值中心点 作为训练向量的初始码本 中的码字。其中，表示码字的集合， 码本维数kH为1。
[0186] 步骤2.1.2，通过分离码本 使码本的维数kH加倍，QiH表示第i次分离出的码本，i＝1,2,3,...，分离公式如下：
[0187]
[0188]
[0189] 其中i＝1,2,3,...表示码本分离的次数， 表示第i次分离出的码本中的第jH个码字，其中jH＝1,2,...,2(i-1)，kH＝2(i-1)表示第i次分离出的码本的维数，得到的分离后的新的码本 式中ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1。
[0190] 步骤2.1.3，对于步骤1获得的图像P中的各像素点的色调值H(x,y)，按照公式(1)计算出与H(x,y)对应的cH(x,y)的值，
[0191]
[0192] 当cH(x,y)＝t时，将H(x,y)分配到第t个聚簇中，分配到第t个聚簇中的H(x,y)构成一个新的集合Ht，其中，cH(x,y)＝1,2,...,2(i-1)，t＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]， 表示H(x,y)与码字 之间的欧氏距离， 表示第i次分离出的码本中的第jH个码字。
[0193] 步骤2.1.4，根据步骤2.1.3获取的各个聚簇对应的H(x,y)。
[0194] 更新码本 中的每个码字 即按照公式(2)重新计算各码字 的值，
[0195]
[0196] 其中j＝1,2,...,2(i-1)，码本 中的值均由新计算出的码字 替换，其中 表示第i次分离出的码本中的第jH个码字。
[0197] 步骤2.1.5，计算经过i次分离后的H(x,y)聚类的失真值DH，计算公式如下：
[0198]
[0199] 其中 表示H(x,y)与码字 之间的欧氏距离，
[0200] 当H(x,y)聚类的失真率 大于预设的阈值ε2时，执行步骤2.1.3和步骤2.1.4，
[0201] 当H(x,y)聚类的失真率 小于等于预设的阈值ε2时，执行步骤2.1.6，其中DH'表示图像色调值H(x,y)聚类前一次计算的失真值，鉴于H(x,y)∈[0,360]，设DH'的初始值为360，DH表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005。
[0202] 步骤2.1.6，当色调值H(x,y)的聚簇数kH未达到指定值K时，即kH＜K时，重复步骤2.1.2～步骤2.1.5，
[0203] 当kH＝K时，获取图像色调值H(x,y)的K维码本向量
[0204] 步骤2.2，对图像P的饱和度分量S进行计算，获得饱和度分量S对应的K维码本向量。
[0205] 步骤2.2.1，选取步骤1中获得的图像P的各像素点的饱和度值S(x,y)作为样本，x∈[1,N],y∈[1,M]，获取饱和度值中心点 作为训练向量的初始码本 中的码字， 表示初始码字的集合， 码本维数kS为1。
[0206] 步骤2.2.2，通过分离现有码本 使码本的维数kS加倍，表示第i次分离出的码本，i＝1,2,3,...，则分离公式如下：
[0207]
[0208]
[0209] 其中i＝1,2,3,...表示码本分离的次数， 表示第i次分离出的码本中的第jS个码字，其中jS＝1,2,...,2(i-1)，kS＝2(i-1)表示第i次分离出的码本的维数，获取新的码本式中ε1为预设误差变量阈值，设ε1＝0.1。
[0210] 步骤2.2.3，对于步骤1获得的图像P中的各像素点的饱和度值S(x,y)，按照公式(3)计算出与S(x,y)对应的cS(x,y)的值，
[0211]
[0212] 当cS(x,y)＝g时，将S(x,y)分配到第g个聚簇中，分配到第g个聚簇中的S(x,y)构成一个新的集合Sg，
[0213] 其中，cS(x,y)＝1,2,...,2(i-1)，g＝1,2,...,2(i-1)，x∈[1,N],y∈[1,M]，[0214] 表示S(x,y)与码字 之间的欧氏距离， 表示第i次分离出的码S
本中的第j个码字。
[0215] 步骤2.2.4，根据步骤2.2.3获取的各个聚簇对应的S(x,y)。
[0216] 更新码本 中的每个码字 即按照公式(4)重新计算各码字 的值，
[0217]
[0218] 其中jS＝1,2,...,2(i-1)，码本 中的值均由新计算出的码字 替换，其中 表S示第i次分离出的码本中的第j个码字。
[0219] 步骤2.2.5，计算经过i次分离后S(x,y)聚类的失真值DS，计算公式如下：
[0220]
[0221] 其中 表示S(x,y)与码字 之间的欧氏距离，
[0222] 当S(x,y)聚类的失真率 大于预设的阈值ε2时，重复步骤2.2.3和步骤2.2.4，
[0223] 失真率 小于等于ε2时，执行步骤2.2.6，
[0224] 其中DS'表示图像饱和度值S(x,y)聚类前一次计算的失真值，鉴于S(x,y)∈[0,1]，设DS'的初始值设为1，DS表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005。
[0225] 步骤2.2.6，当图像饱和度值S(x,y)的聚簇数kS未达到指定值K时，即kS＜K时，重复步骤2.2.2～步骤2.2.5，
[0226] 当kS＝K时，获取图像饱和度值S(x,y)的K维码本向量
[0227] 步骤3，对步骤2所得码本向量 和通过K-means聚类算法获取属于目标区域的色调分量H和饱和度分量S的聚类中心。
[0228] 具体按照以下步骤实施：
[0229] 步骤3.1，对步骤2所得码本向量 进行K-means聚类算法获得色调分量H目标区域的聚类中心，即目标区域对应的码字，K-means聚类算法的流程如图3所示，
[0230] 具体步骤是，
[0231] 步骤3.1.1，以步骤1读取的绝缘子图像P中各像素点的色调值H(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本 用于K-means算法的初始码本。
[0232] 步骤3.1.2，按照公式(5)计算图像P中H(x,y)对应的cH(x,y)的值，[0233]
[0234] 当cH(x,y)＝l时，将图像中像素点(x,y)对应的色调值H(x,y)分配到第l个聚簇中。其中，cH(x,y)＝1,2,3,...,K，l＝1,2,3,...,K， 表示当前码本 中的任一码字，jH＝1,2,...,K。
[0235] 步骤3.1.3，对当前码本 进行更新，即利用公式(6)重新计算出码本 中的每个码字
[0236]
[0237] 式中，jH＝1,2,...,K，其中，H(x,y)属于第jH个聚簇时，1{cH(x,y)＝jH}的值为1，[0238] 否则，若H(x,y)不属于第jH个聚簇，1{cH(x,y)＝jH}的值为0。
[0239] 步骤3.1.4，计算K个聚簇的均方误差函数MSEH及误差精度ε3，
[0240]
[0241] ε3＝MSEH-MSEH'
[0242] 式中，MSEH'为前一次均方误差值，鉴于H∈[0,360]，设MSEH'的初始值为360，MSEH为当前均方误差值。 为H(x,y)到码字 的欧氏距离，ε3表示误差精度。
[0243] 根据所需误差精度，若ε3≤0.001时，执行步骤3.1.5；
[0244] 否则，若ε3>0.001，则重复步骤3.1.2和步骤3.1.3。
[0245] 步骤3.1.5，以图像形式分别输出K个聚簇包含的色调值H(x,y)的集合，在输出的图像中确定需要获取的目标区域，并获取巡检绝缘子图像目标区域色调值H(x,y)及其对应的聚类中心，即码字mH，其中
[0246] 步骤3.2，对步骤2所得码本向量 进行K-means聚类算法获得饱和度分量S目标区域的聚类中心，即目标区域对应的码字。
[0247] 步骤3.2.1，以步骤1读取的绝缘子图像P中各像素点的饱和度值S(x,y)为样本，x∈[1,N],y∈[1,M]，将步骤2获取的K维码本 用于K-means算法的初始码本。
[0248] 步骤3.2.2，按照公式(7)计算图像P中S(x,y)对应的cS(x,y)的值，[0249]
[0250] 当cS(x,y)＝l时，将图像中像素点(x,y)对应的饱和度值S(x,y)分配到第l个聚簇中，其中，cS(x,y)＝1,2,...,K，l＝1,2,...,K， 表示当前码本 中的任一码字，jS＝1,2,...,K。
[0251] 步骤3.2.3，对当前码本 进行更新，利用公式(8)重新计算出码本 中的每一个码字
[0252]
[0253] 式中，jS＝1,2,...,K，其中，S(x,y)属于第jS个聚簇时，1{cS(x,y)＝jS}的值为1，[0254] 否则，若S(x,y)不属于第jS个聚簇，1{cS(x,y)＝jS}的值为0。
[0255] 步骤3.2.4，计算K个聚簇的均方误差函数MSES及误差精度ε3。
[0256]
[0257] ε3＝MSES-MSES'
[0258] 式中，MSES'为前一次均方误差值，鉴于S∈[0,1]，设MSES'的初始值为1，MSES为当前均方误差值。 为S(x,y)到码字 的欧氏距离，ε3表示误差精度。
[0259] 根据所需误差精度，若ε3≤0.001时，则执行步骤3.2.5；
[0260] 否则，若ε3>0.001，则重复步骤3.2.2和步骤3.2.3。
[0261] 步骤3.2.5，以图像形式分别输出K个聚簇包含的饱和度值S(x,y)的集合，在输出图像中确定需要获取的目标区域，并获取巡检绝缘子目标区域的饱和度值S(x,y)及其对应的码字mS，其中
[0262] 步骤4：根据步骤1获取的绝缘子图像P中色调值H(x,y)和饱和度值S(x,y)计算整幅图像色调值和饱和度值的均值，并得到色调分量H和饱和度分量S的模糊隶属度uHO和uSO。
[0263] 步骤4.1，通过步骤1获取的巡检绝缘子图像P中色调值H(x,y)计算整幅图像色调值的均值CH，计算公式如下：
[0264]
[0265] 步骤4.2，根据步骤3获取的图像目标区域色调值H(x,y)对应的码字mH构造模糊隶属度函数。
[0266] 模糊隶属度函数的具体构造如下：
[0267]
[0268] uHB(x,y)＝1-uHO(x,y)
[0269] 其中uHO(x,y)表示像素点(x,y)处色调值H(x,y)属于目标区域的隶属度，uHB(x,y)表示像素点(x,y)处色调值H(x,y)属于背景区域的隶属度，uHO(x,y)和uHB(x,y)的取值范围均为[0，1]。
[0270] 当H(x,y)＝mH时，uHO(x,y)＝1，uHB(x,y)＝0。
[0271] 步骤4.3，通过步骤1获取的巡检绝缘子图像P中饱和度值S(x,y)计算整幅图像饱和度值的均值CS，计算公式如下：
[0272]
[0273] 步骤4.4，根据步骤3获取的图像目标区域饱和度值S(x,y)对应的码字mS构造模糊隶属度函数。
[0274] 模糊隶属度函数的具体构造如下：
[0275]
[0276] uSB(x,y)＝1-uSO(x,y)
[0277] 其中uSO(x,y)表示像素点(x,y)处饱和度值S(x,y)属于目标区域的隶属度，uSB(x,y)表示像素点(x,y)处饱和度值S(x,y)属于背景区域的隶属度，uSO(x,y)和uSB(x,y)的取值范围均为[0，1]。
[0278] 当S(x,y)＝mS时，uSO(x,y)＝1，uSB(x,y)＝0。
[0279] 步骤5，利用步骤4获得的色调分量H和饱和度分量S的模糊隶属度uHO和uSO，构造一个式(9)所示的二维特征向量F(x,y)，
[0280] F(x,y)＝(uHO(x,y),uSO(x,y)) (9)
[0281] 其中F(x,y)表示像素点(x,y)与绝缘子目标区域的距离特征，x∈[1,N],y∈[1,M]，可以构成一个N×M的2维向量矩阵。
[0282] 步骤6：对步骤5获得的特征向量F(x,y)进行聚类分析，获取对应的cF(x,y)，具体步骤如下：
[0283] 步骤6.1，通过LBG算法对步骤5获取的特征向量F(x,y)进行处理。
[0284] 步骤6.1.1，选取F(x,y)作为输入样本，x∈[1,N],y∈[1,M]。获取F(x,y)的中心点对应的向量 作为训练向量的初始码本 中的码字， 为二维向量。
[0285] 步骤6.1.2，通过公式(10)分离步骤6.1.1获取的初始码本 获取码本[0286]
[0287] 其中q21表示分离后获得的码本 的第一个码字，q22表示分离后获得的码本 的第二个码字，ε1为预设误差变量阈值，取值范围为(0,1)，设ε1＝0.1。
[0288] 步骤6.1.3，对于步骤5获取F(x,y)，按照公式(11)计算出与F(x,y)对应的cF(x,y)的值，
[0289]
[0290] 当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，分配到第r个聚簇中的F(x,y)构成一个新的集合Fr，其中，cF(x,y)＝1,2，t＝1,2，x∈[1,N],y∈[1,M]， 表示F FF(x,y)与码字 之间的欧氏距离， 为码本 中第j个码字，j＝1,2。
[0291] 步骤6.1.4，根据步骤6.1.3获取的各个聚簇对应的F(x,y)。
[0292] 更新码本 中的每个码字 即按照公式(12)重新计算各码字，
[0293]
[0294] 其中，jF＝1,2。
[0295] 步骤6.1.5，计算F(x,y)聚类的失真值DF，计算公式如下：
[0296]
[0297] 其中， 表示F(x,y)与码字 之间的欧氏距离，
[0298] 当F(x,y)的聚类的失真率 大于预设的阈值ε2时，重复步骤6.1.3和步骤6.1.4，
[0299] 失真率 小于等于预设阈值ε2时，获取最终码本 执行步骤6.2，其中DF'表示F(x,y)聚类前一次计算的失真值，鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，设DF'的初始值为1.41，DF表示当前失真值，ε2为预设误差变量阈值，根据所需计算精度设ε2＝0.005。
[0300] 步骤6.2，根据步骤6.1获取的码本 通过K-means算法对特征向量F(x,y)进行聚类分析。
[0301] 步骤6.2.1，选取步骤5获取的F(x,y)作为输入样本，x∈[1,N],y∈[1,M]，以步骤6.1获取的码本 用于K-means算法的初始码本。
[0302] 步骤6.2.2，按照公式(13)计算F(x,y)对应的cF(x,y)的值，
[0303]
[0304] 当cF(x,y)＝r时，将F(x,y)分配到第r个聚簇中，其中，cF(x,y)＝1,2，r＝1,2，jF＝1,2， 表示F(x,y)和 之间的欧氏距离。
[0305] 步骤6.2.3，对当前码本 进行更新，利用公式(14)重新计算出码本 中的每一个码字。
[0306]
[0307] 式中，jF＝1,2，其中，F(x,y)属于第jF个聚簇时，1{cF(x,y)＝jF}的值为1，[0308] 否则，若F(x,y)不属于第jF个聚簇，1{cF(x,y)＝jF}的值为0。
[0309] 步骤6.2.4，计算两个聚簇的均方误差函数MSEF及误差精度ε3。
[0310]
[0311] ε3＝MSEF-MSEF'
[0312] 式中，MSEF'为前一次均方误差值，
[0313] 鉴于F(x,y)＝(uHO(x,y),uSO(x,y))，且uSO(x,y)和uSB(x,y)的取值范围均为[0，1]，故设MSEF'的初始值为1.41，MSEF为当前均方误差值。 为F(x,y)到码字的欧氏距离，ε3表示误差精度。
[0314] 根据所需误差精度，若ε3≤0.001时，获取最终聚类码本 以及F(x,y)对应的cF(x,y)，执行步骤7；
[0315] 否则，若ε3>0.001，则重复步骤6.2.2和步骤6.2.3。
[0316] 步骤7，根据步骤6获取的cF(x,y)，分别将输入图像P中cF(x,y)＝1的坐标点的像素值赋值为(0,0,0)，输出图像；将输入图像P中cF(x,y)＝2的坐标点的像素值赋值为(0,0,0)，输出图像，即可获取巡检绝缘子图像中绝缘子的背景区域及目标区域。
[0317] 利用本发明的方法对绝缘子图像进行处理，和利用其它方法对绝缘子进行处理时，其处理效果的对比如图4～13所示，具体来说：
[0318] 图4和图5分别为需要进行处理的复杂背景下不同拍摄角度的1#绝缘子和2#绝缘子的采集图像，记为图像1和图像2，对图像1和图像2分别按照现有的otsu方法和遗传算法进行处理，得到的分割后的二值图像分别为图6、图7、图8和图9所示，而按照本发明的方法进行处理后得到的分割图像如图10和图11所示，从图中可以看出，按照otsu方法进行处理的分割结果，由于太阳光反射以及玻璃绝缘子的透明特性，不能准确地分割出绝缘子的边缘，且分割结果中存在较多小面积干扰连通域，按照遗传算法进行处理的绝缘子，存在噪音较多边缘模糊，不能准确地将绝缘子精确的从背景中提取出来，而按照本发明算法进行处理得到的分割图像，能够克服太阳光反射，绝缘子的拍摄角度及绝缘子透明特性的影响，准确分割出复杂背景下的绝缘子，由此可以看出按照本发明的方法进行处理后的图像的精确程度很高，将分割后的图像图10和图11映射到原图上之后，就可以得到最终的处理结果，如图12和图13所示，即提取出的完整的绝缘子图像。
[0319] 表1表示图像1和图像2采用不同的分割方法的运行时间对比结果，由表1可知，在相同运行环境下，处理同一张图片本文算法相比于遗传算法的运行时间缩短了将近两秒，与otsu方法的运行时间相近，从运行结果与运行时间两项指标来看，本文算法相较于otsu方法与遗传算法具有更好的处理结果。
[0320] 表1采用不同分割方法的运行时间结果对比
[0321]
