基于稀疏表示图像修复的二次设备状态识别方法

摘要

本发明公开了基于稀疏表示图像修复的二次设备状态识别方法，包括：采集二次设备的图像，对设备图像进行高光区域检测；对检测出的高光区域的设备图像块进行图像稀疏表示，修复图像；从修复的设备图像中提取二次设备的边缘轮廓，识别二次设备的状态。本发明采用二维最大类间方差法，对设备图像进行二值化，识别设备图像的高光区域、非高光区域。本发明对二次设备的图像的高光区域进行修复后，根据修复的设备图像自动识别二次设备的状态，大大降低了二次设备状态的误判率，使得二次设备状态的自动识别更加准确可靠，且提高了设备状态识别的效率，使电网的安全稳定运行更加有保障。

权利要求

1.基于稀疏表示图像修复的二次设备状态识别方法，其特征在于，包括以下步骤：步骤1：采集二次设备的图像，对设备图像进行高光区域检测；

步骤2：对检测出的高光区域的设备图像块进行图像稀疏表示，修复图像；

步骤3：从修复的设备图像中提取二次设备的边缘轮廓，识别二次设备的状态；

步骤2具体包括：

步骤2.1：采用阈值分割方法对设备图像进行二值化，识别设备图像的高光区域、非高光区域；

步骤2.2：对设备图像的非高光区域构建字典；

步骤2.3：若设备图像存在高光区域，对高光区域的边界点计算优先权，找出优先权值最大的边界点；

步骤2.4：选取以优先权值最大的边界点为中心的k×k区域，并求解此区域的稀疏表示的系数矩阵；

步骤2.5：利用求解的系数矩阵修复设备图像的高光区域；

步骤2.6：判断修复的设备图像是否存在高光区域，若存在高光区域，执行步骤2.3，若不存在高光区域，则输出修改的设备图像；

步骤2.3采用改进的优先权计算公式

式中Nk(p)为以p点为中心的k×k大小的窗口， 表示窗口内的非高光区域； 表示窗口的梯度幅度， 的计算式如下：式中 表示用Sobel算子的滤波核Sx对窗口区域进行卷积滤波核

表示用Sobel算子的滤波核Sy对窗口区域进行卷积滤波核

2.根据权利要求1所述的基于稀疏表示图像修复的二次设备状态识别方法，其特征在于，所述阈值分割方法为二维最大类间方差法。

3.根据权利要求1所述的基于稀疏表示图像修复的二次设备状态识别方法，其特征在于，步骤3对压板的状态进行识别，步骤3具体包括：步骤3.1：从修复的压板图像中提取压板的边缘轮廓，存入二维点集q中；

步骤3.2：选取二维点集q中的一组压板轮廓点Sl,l＝1,2,...p，p为压板图像中压板的总数量，选取点集Sl中图像坐标系y值最大的点作为极点，确定点集Sl的凸包；

步骤3.3：选取点集Sl的凸包的任意一边作为与凸包的外接矩形的重合边，找出重合边的中垂线两侧距离中垂线最远的凸包的两个顶点以及距离重合边最远的凸包的顶点，进而确定凸包的外接矩形，计算外接矩形的面积；

步骤3.4：重复步骤3.3，比较凸包的外接矩形的面积，将面积最小的外接矩形作为凸包的最小外接矩形；

步骤3.5：重复步骤3.2～3.4，直至确定出压板图像中的所有压板边缘轮廓的最小外接矩阵；

步骤3.6：根据压板的边缘轮廓的凸包的最小外接矩阵的面积Si,i＝1,2,...p，逐个判断压板图像中压板的状态，若Si>S0，压板为投出状态；若 压板为投入状态；若压板为备用状态，其中S0为投入状态的压板的最大面积。

说明书

基于稀疏表示图像修复的二次设备状态识别方法

技术领域

[0001] 本发明属于变电站二次设备运维领域，具体涉及一种基于稀疏表示图像修复的二次设备状态识别方法。

背景技术

[0002] 随着国内智能电网的快速发展，变电站的无人值守模式和智能化巡检也在不断推广和深入。国内外关于变电站智能巡检的研究也逐渐聚焦于图像处理技术的设备运行状态辨识和异常检测。

[0003] 电气一次设备和二次设备的运行环境存在极大差异，导致其图像处理的难点不同。其中，一次设备的图像处理存在图像背景复杂、局部放电等异常画面捕捉困难的问题；而二次设备的图像处理的主要难点在于光源变化多样，存在高光和阴影干扰等问题。当巡检机器人采集到高光、阴影干扰的图像后，二次设备状态识别的准确率会大大下降，甚至造成误判，从而影响工作效率。

[0004] 目前，图像处理和图像识别技术在一次设备的运检和机器人巡检中的应用较多，但在二次设备运检中的应用较少，且都没有考虑到由于拍摄角度、阳光或者图像采集设备等其他因素导致图像本身不利于状态识别的情况。

[0005] 因此，研究一种基于改进稀疏表示算法消除变电站现场图像中的高光干扰，并在此基础上提取压板边缘倾角完成压板的投退状态识别。

发明内容

[0006] 本发明的目的是针对上述问题，提供一种基于稀疏表示图像修复的二次设备状态识别方法，对设备图像进行高光区域检测后，对高光区域进行修复，然后从修复的设备图像中提取二次设备的边缘轮廓，识别二次设备的状态，提高二次设备状态识别的准确率和识别的效率。

[0007] 本发明的技术方案是基于稀疏表示图像修复的二次设备状态识别方法，包括以下步骤：步骤1：采集二次设备的图像，对设备图像进行高光区域检测；

[0008] 步骤2：对检测出的高光区域的设备图像块进行图像稀疏表示，修复图像；

[0009] 步骤3：从修复的设备图像中提取二次设备的边缘轮廓，识别二次设备的状态。

[0010] 进一步地，步骤2具体包括：

[0011] 步骤2.1：采用阈值分割方法对设备图像进行二值化，识别设备图像的高光区域、非高光区域；步骤2.2：对设备图像的非高光区域构建字典；

[0012] 步骤2.3：若设备图像存在高光区域，对高光区域的边界点计算优先权，找出优先权值最大的边界点；

[0013] 步骤2.4：选取以优先权值最大的边界点为中心的k×k区域，并求解此区域的稀疏表示的系数矩阵；

[0014] 步骤2.5：利用求解的系数矩阵修复设备图像的高光区域；

[0015] 步骤2.6：判断修复的设备图像是否存在高光区域，若存在高光区域，执行步骤2.3，若不存在高光区域，则输出修改的设备图像。

[0016] 优选地，所述阈值分割方法为二维最大类间方差法。

[0017] 优选地，步骤2.3采用改进的优先权计算公式

[0018]

[0019] 式中Nk(p)为以p点为中心的k×k大小的窗口， 表示窗口内的非高光区域；表示窗口的梯度幅度， 的计算式如下：

[0020]

[0021] 式中 表示用Sobel算子的滤波核Sx对窗口区域进行卷积

[0022]

[0023] 滤波核

[0024]

[0025] 表示用Sobel算子的滤波核Sy对窗口区域进行卷积

[0026]

[0027] 滤波核

[0028]

[0029] 进一步地，步骤3对压板的状态进行识别，步骤3具体包括：

[0030] 步骤3.1：从修复的压板图像中提取压板的边缘轮廓，存入二维点集q中；

[0031] 步骤3.2：选取二维点集q中的一组压板轮廓点Sl,l＝1,2,...p，p为压板图像中压板的总数量，选取点集Sl中图像坐标系y值最大的点作为极点，确定点集Sl的凸包；

[0032] 步骤3.3：选取点集Sl的凸包的任意一边作为与凸包的外接矩形的重合边，找出重合边的中垂线两侧距离中垂线最远的凸包的两个顶点以及距离重合边最远的凸包的顶点，进而确定凸包的外接矩形，计算外接矩形的面积；

[0033] 步骤3.4：重复步骤3.3，比较凸包的外接矩形的面积，将面积最小的外接矩形作为凸包的最小外接矩形；

[0034] 步骤3.5：重复步骤3.2～3.4，直至确定出压板图像中的所有压板边缘轮廓的最小外接矩阵；

[0035] 步骤3.6：根据压板的边缘轮廓的凸包的最小外接矩阵的面积Si,i＝1,2,...p，逐个判断压板图像中压板的状态，

[0036] 优选地，步骤3.6中，若Si>S0，压板为投出状态；若 压板为投入状态；若 压板为备用状态，其中S0为投入状态的压板的最大面积。

[0037] 相比现有技术，本发明的有益效果：

[0038] 1)本发明对二次设备的图像的高光区域进行修复后，根据修复的设备图像自动识别二次设备的状态，大大降低了二次设备状态的误判率，使得二次设备状态的自动识别更加准确可靠，且提高了设备状态识别的效率，使电网的安全稳定运行更加有保障；

[0039] 2)本发明将改进的优先权计算公式与稀疏表示算法结合，提高了图像高光区域的修复效果和修复效率；

[0040] 3)本发明根据压板的边缘轮廓的凸包的最小外接矩形的面积，判断区分压板的3种状态，准确性好，误判的可能性小；

[0041] 4)本发明采用二维最大类间方差法计算阈值对二次设备图像的高光区域和非高光区域进行分离，提升了算法的抗噪声能力，分割目标和背景的效果更好；

[0042] 5)本发明的方法对带玻璃反光的二次设备的图像的状态识别的准确性好，能完全消除玻璃反光对设备状态识别的影响。

附图说明

[0043] 下面结合附图和实施例对本发明作进一步说明。

[0044] 图1为本发明实施例的流程示意图。

[0045] 图2为本发明实施例的带高光区域的压板图像。

[0046] 图3为本发明实施例压板图像的高光区域的识别结果的示意图。

[0047] 图4为本发明实施例压板图像的修复图像的示意图。

[0048] 图5为凸包的原理示意图。

[0049] 图6a为投入状态的压板图像的示意图。

[0050] 图6b为退出状态的压板图像的示意图。

[0051] 图6c为备用状态的压板图像的示意图。

具体实施方式

[0052] 如图1所示，基于稀疏表示图像修复的二次设备状态识别方法，用于识别压板的状态，包括以下步骤：

[0053] 步骤1：采集二次设备的图像，二次设备带玻璃柜门，如图2所示，对设备图像进行高光区域检测；

[0054] 步骤2：对检测出的高光区域的设备图像块进行图像稀疏表示，修复图像；

[0055] 步骤2.1：采用二维最大类间方差法对设备图像进行二值化，识别出设备图像的高光区域、非高光区域，如图3所示；

[0056] 步骤2.2：对设备图像的非高光区域构建字典；

[0057] 步骤2.3：若设备图像存在高光区域，对高光区域的边界点计算优先权，找出优先权值最大的边界点；

[0058] 步骤2.4：选取以优先权值最大的边界点为中心的k×k区域，并求解此区域的稀疏表示的系数矩阵；

[0059] 步骤2.5：利用求解的系数矩阵修复设备图像的高光区域；

[0060] 步骤2.6：判断修复的设备图像是否存在高光区域，若存在高光区域，执行步骤2.3，若不存在高光区域，则输出修改的设备图像，如图4所示；

[0061] 步骤3：从修复的设备图像中提取二次设备的边缘轮廓，识别二次设备的状态；

[0062] 步骤3.1：采用Canny算子从修复的压板图像中提取压板的边缘轮廓，存入二维点集q中；

[0063] 步骤3.2：选取二维点集q中的一组压板轮廓点Sl,l＝1,2,...p，p为压板图像中压板的总数量，选取点集Sl中图像坐标系y值最大的点作为极点，确定点集Sl的凸包；

[0064] 步骤3.3：选取点集Sl的凸包的任意一边作为与凸包的外接矩形的重合边，找出重合边的中垂线两侧距离中垂线最远的凸包的两个顶点以及距离重合边最远的凸包的顶点，进而确定凸包的外接矩形，计算外接矩形的面积；

[0065] 步骤3.4：重复步骤3.3，比较凸包的外接矩形的面积，将面积最小的外接矩形作为凸包的最小外接矩形；

[0066] 步骤3.5：重复步骤3.2～3.4，直至确定出压板图像中的所有压板边缘轮廓的最小外接矩阵；步骤3.6：根据压板的边缘轮廓的凸包的最小外接矩阵的面积Si,i＝1,2,...p，逐个判断压板图像中压板的状态，若Si>S0，压板为投出状态，图6b所示为抽出状态的压板；若 压板为投入状态，图6a为投入状态的压板；若 压板为备用状态，其
中S0为投入状态的压板的最大面积，图6c为备用状态的压板。

[0067] 步骤1中，根据玻璃柜门高光区域的特点，选取阈值分割的二值化方法对图像进行高光检测，并标记，即白色区域为高光区域，黑色区域为非高光区域，因为实际上图像是连贯的，每个像素点之间都是相互关联的，因此为了提升算法的抗噪声能力，更好的分割目标和背景，像素点的位置信息也要考虑在内，所以采用二维最大类间方差法计算阈值，对于一幅M×N的图像，设图像灰度级为L，点(x，y)的灰度值为f(x，y)，以(x，y)为中心，k×k领域内的平均灰度值为g(x，y)，则有：

[0068]

[0069] 其中0

[0070] 以f(x，y)作为横坐标，g(x，y)为纵坐标，构建二维向量(i，j)，最优阈值T*的计算公式如下：

[0071]

[0072] 式中ω0I表示灰度级不大于T的概率， Pi为灰度级为i的概率；ω1I表示灰度级大于T的概率 ， μ0I表示灰度级1～T的期望，μ1I表示灰度级T+1～L的期望， μTI表示灰度级
1‑L的期望， ω0J表示平均灰度值不大于T的概率， ω1J表
示平均灰度值为T+1～L的概率， μ0J表示平均灰度值为1～T的期望，
μTJ表示平均灰度值为1‑L的期望，

[0073] 步骤2.3采用改进的优先权计算公式

[0074]

[0075] 式中Nk(p)为以p点为中心的k×k大小的窗口， 表示窗口内的非高光区域；表示窗口的梯度幅度， 的计算式如下：

[0076]

[0077] 式中 表示用Sobel算子的滤波核Sx对窗口区域进行卷积

[0078]

[0079] 滤波核

[0080]

[0081] 表示用Sobel算子的滤波核Sy对窗口区域进行卷积

[0082]

[0083] 滤波核

[0084]

[0085] 设ψp是以p点为中心的待修复k×k大小的图像块，p点位于高光区域的边界上，将位于高光区域的像素点标记为I，待修复的高光区域的稀疏表示如下

[0086]

[0087]

[0088] 式中ψp\I为图像块中的非高光区域，D\I为整幅图像中非高光区域的数据字典，D表示整幅图像的数据字典，λ为常数， 表示修复窗口，利用已知区域求解待修复区域的系数矩阵 然后重构待修复图像块ψp。

[0089] 步骤3采用Graham算法确定压板轮廓的凸包，Graham算法确定n个点的点集的凸包的具体过程如下：

[0090] (1)找出点集左下方的边缘点P1，如图5所示；

[0091] (2)以P1为极点，将点P1与点集中的所有点连接，对这些点的连接线段与水平线的夹角角度进行由小到大的排序，当有相等的角度和与P1在同一直线上的点，删除离P1近的点，保留距P1最远的点；

[0092] (3)将极点P1和极角最小的点P2压入栈中；

[0093] (4)将栈顶的两个点连成一条直线L，观察离直线L最近的点Pi，i≥3是在直线L的左侧还是右侧，如果是在直线的右边，则执行步骤(5)，如果是在直线上或者是直线左侧，则执行步骤(6)；

[0094] (5)在直线L的右边，那么栈顶元素不是凸包上的点，将栈顶元素出栈，回到步骤(4)；

[0095] (6)若是在直线左侧，则点Pi是凸包上的点，压入栈中；

[0096] (7)遍历所有点集直至Pn，将栈中的点依次连接，将Pn与P1连接，得到凸包；若没有到Pn，那么继续执行步骤(4)。