[发明专利]无参考图像的变电设备红外热像图质量评价方法及装置

说明书

技术领域

本发明属于图像处理领域，尤其涉及一种无参考图像的变电设备红外热像图质量评价方法及装置。

背景技术

基于图像处理技术对变电设备红外检测热像图进行质量评价，能指导操作人员更好地调整拍摄参数，更好的呈现图像的有效信息，是通过红外热像图来获取变电设备运行状态信息的关键步骤。

对变电设备红外热像图进行质量评价属于图像分类问题，提取图像有效特征并用SVM或KNN分类器进行分类是处理该类图像分类问题的一般方法。该种方法的基本思想是，先通过分析待分类图像特点，选择或设计有效的特征，再对待分类图像提取特征，用分类器进行分类实验，测试和比较所提取特征的分类性能，从而最终选择分类性能最优的特征或特征组合完成对整个数据集的质量评价。

传统的质量评价方法一般是在有参考图像的情况下，提取峰值信噪比(PSNR)、均方误差(MSE)、质量指数Q等各种典型特征，来对图像质量进行客观的评价。该类图像质量评价方法对于有参考图像的情况有较好的评价效果。然而对于电力系统来说，通常是红外热像图没有相应的参考图像的，这就要求对变电设备红外热像图的质量评价工作要在无参考图像的情况下进行。相应地，质量评价指标及特征的选取和设计也要根据图像质量的主观评价方法进行。

发明内容

为了解决现有技术的缺点，本发明的第一目的是提供一种无参考图像的变电设备红外热像图质量评价方法。本发明的一种无参考图像的变电设备红外热像图质量评价方法，包括：

预设衡量图像质量的若干个指标，分别计算图像质量的各个指标相对应的质量评价特征，得到变电设备红外热像图的特征向量；

获取变电设备红外热像图形成训练集，将训练集划分为至少两个质量等级；

提取训练集中各个样本的特征向量并输入至支持向量机进行训练，得到具有质量分类体系的分类器模型；

计算待评价变电设备红外热像图的特征向量并输入至分类器模型，最后输出待评价变电设备红外热像图相对应的质量等级。

本发明的该方法在无参考图像情况下，对变电设备红外热像图进行主观质量评价的指标，并进一步对所设计指标进行了具体化的算法实现，通过机器学习的方式进行自主的质量等级分类，也即对每种指标提取相应质量评价特征。

其中，衡量图像质量的指标包括：图像的一维熵、图像的二维熵、图像清晰度、目标设备中心度和图像结构信息。

优选地，计算图像清晰度相对应的质量评价特征的过程为：

首先对变电设备红外热像图进行灰度化处理，得到灰度图像I；

再将灰度图像I与拉普拉斯算子进行卷积，所得结果求绝对值，得到梯度图像；

最后对所得梯度图像的灰度求方差，作为图像清晰度相对应的质量评价特征。

图像的方差反映了图像的对比度和高频分量的大小，而图像梯度可以反映图像的边缘信息和微小的纹理特征变化信息，因此通过对图像求梯度，再对所得梯度图像求方差，可以衡量图像纹理和边缘的明显程度，以及图像的清晰程度。

依据红外热像图的拍摄原则，质量较好的图像应当使目标设备位于图像中心，目标运行设备和拍摄背景间存在较大的区域间差异性。优选地，计算目标设备中心度相对应的质量评价特征的过程为：

通过otsu二值化分割方法对灰度图像进行二值化分割，得到多个二值化区域，提取有效大小中离图像中心的区域作为中心区域；

求取中心区域的区域面积与图像的面积的商，作为目标设备中心度相对应的质量评价特征。

在红外检测的实验过程中，希望待测设备尽量处于图像中心，并占据大部分空间，从而保证细节分析的准确性。因此通过计算目标设备中心度可以反应图像的检测质量。

优选地，计算图像结构信息相对应的质量评价特征的过程为：

先构造原始红外热像图的参考图像，再计算原始红外热像图与参考图像的结构相似度，构建3维描述特征，得到图像结构信息相对应的质量评价特征。

本发明的第二目的是提供一种无参考图像的变电设备红外热像图质量评价装置，该装置包括：

特征向量计算模块，预设衡量图像质量的若干个指标，分别计算图像质量的各个指标相对应的质量评价特征，得到变电设备红外热像图的特征向量；

样本集获取模块，其用于获取变电设备红外热像图形成训练集，将训练集划分为至少两个质量等级；

分类器模块获取模块，其用于提取训练集中各个样本的特征向量并输入至支持向量机进行训练，得到具有质量分类体系的分类器模型；