[发明专利]基于缺少断开图像样本的变电站开关分合状态图像识别方法

权利要求书

1.一种基于缺少断开图像样本的变电站开关分合状态图像识别方法，其特征在于，包括如下步骤：

步骤1：对源图像显著区域进行检测，并将显著区域和非显著区域分离，采用NSST算法完成可见光图像与红外图像的融合；

步骤2：采用改进SURF算法对融合图像进行目标特征量提取，准确定位开关图像区域；

步骤3：采用基于混沌布谷鸟算法的多阈值图像分割方法对步骤2定位的开关图像区域进行处理，将目标图像和背景图像分离；

步骤4：基于霍夫变换得出目标图像中开关臂和两个触点所在直线的斜率，并计算出两者的角度差，根据设定的角度差阈值判断开关分合状态；

所述步骤1具体实施过程如下：

步骤1.1：采用均值漂移(Meanshift)算法构建灰度特征图

将红外图像中的像素点记为{X_i，i＝1，2…W}，对应的类中心点记为{C_j，j＝1，2…K}；对应的灰度值分别用X^g和C^g来表示，在某一时刻的位置用X^p和Cp来表示，对类中心进行迭代搜索，将第t+1次搜索时的类中心位置记作：

式中，表示像素点X_i的位置，像素点X_i的灰度值满足如下关系式：

式中，C^g(t)为第t次迭代时X_i对应的类中心灰度值；h为高斯核函数的带宽，重复上述迭代过程，迭代终止条件为连续两次迭代的类中心位置相同或者类中心灰度值的变化不超过阈值T，即满足：

C^g(t+1)＝C^g(t) (3)

或者

||C^g(t+1)-C^g(t)||≤T (4)

再将像素点(x，y)的灰度值赋给对应的类中心C^g(x，y)，从而得到灰度特征图G(x，y)：

G(x，y)＝C^g(x，y) (5)

步骤1.2：采用改进的直方图对比度算法(Histogram based Contrast，HC)构建对比度特征图

像素I_k的特征显著度S(I_k)定义为：

式中，D(I_k，I_i)表示两像素(I_k，I_i)之间在颜色-对立空间(Lab color space)的色彩距离度量，表征像素色彩差异，具有相同颜色的像素被归为一类，为了让度量方式对空间关系更加敏感引入颜色值c：

式中，c_l表示像素I_k的颜色值，n表示像素具有的颜色总数，f_j表示颜色值c_j的概率，将颜色值替换成像素值，并将像素的灰度值按照0-255映射至0-15，利用平滑算法来改善灰度映射过程中的灰度跳变，采用像素点在四邻域的像素值对上式进行改写：

式中，为像素c与四邻域像素的间距，所得对比度特征图记为C(x，y)，

步骤1.3：通过灰度特征图和对比度特征图加权得到初步的全局显著图

采用二维高斯低通滤波器来保证全局显著图的连续性，处理所得到的初步全局显著图记为P：

P＝g(ω₁G+ω₂C) (9)

式中，g表示二维高斯低通滤波器，ω₁，ω₂分别对应灰度特征图和对比度特征图的权重，根据能量值计算得出：

式中，M、N表示像素点(x，y)的上限值；

步骤1.4：采用傅里叶变换的振幅谱方法构建局部显著图

(1)将源图像划分为图像块以获取局部信息

划分得到的图像块大小与源图像大小以及分辨率关系如下：

式中，S_patch表示分成的图像块的大小，λ为平衡参数，S_source表示源图像的大小，R表示源图像的分辨率；

(2)计算图像块间的差值

将傅里叶变换振幅谱的欧氏距离表示为图像块与邻域间的差距，图像块的傅里叶变换如下：

式中，f_L(m，n)和F_L(u，v)分别表示过程(1)中划分的图像块及其傅里叶变换，用极坐标形式表示为：

式中，A表示图像块的振幅谱，μ为指数系数，Φ_L(u，v)为u、v关系式，由此计算出图像块i和j之间的差值，用D_ij表示：

式中，q表示过程(1)划分的图像块总数；

(3)由图像块之间的差值计算权重

由于图像块间的影响会随着空间距离的增加而减小，则两个图像块之间差值的权重δ_i，j表示为：

式中，Eud(i，j)表示两图像块之间的欧氏距离；

(4)图像块赋值

用S_i表示图像块i的值，其由图像块之间的差值D_ij及其权重δ_i，j共同决定：

S_i＝∑_i≠jD_ijδ_i，j (17)

(5)根据图像块的值构造局部特征图

根据过程(4)所得图像块的值，通过高斯低通滤波得到局部特征图，记为L(m，n)；

步骤1.5：采用加权法得到红外显著图

在得到全局和局部显著图后，采用如下加权得到红外图像显著图，记为SM：

SM＝g(ω₁P+ω₂L) (18)

步骤1.6：显著目标区域和非显著背景区域图像分离

根据步骤1.5得到的红外图像显著图，利用基于大律法和Grabcut的自适应算法将红外图像显著目标区域和非显著背景区域进行分割，并将这种分割方式映射到相应的可见光图像中，使其产生相同的分割结果，将红外和可见光图像的显著性区域记为S，非显著性区域记为N；

步骤1.7：采用NSST算法对预处理的红外图像和可见光图像进行融合

基于NSST算法对红外和可见光图像进行多尺度多方向变换，将红外和可见光图像根据频率进行划分，高频子带系数分别记为和低频子带系数分别记为LC_IR(x，y)和LC_VI(x，y)，其中(x，y)表示红外和可见光图像中某点位置，l表示分解的尺度，k表示分解的方向；

低频分量的融合遵循如下规则：显著区域选择红外图像的低频分量，而非显著区域选择可见光图像的低频分量，表述为：

式中，LC_F(x，y)表示在位置(x，y)处融合的低频子带系数，对于高频分量的融合则采用如下绝对值取大策略：

式中，表示在位置(x，y)处融合的高频子带系数，

最后通过NSST逆变换算法对融合的低频子带系数和高频子带系数取逆得到最终的融合图像；

步骤2具体实施过程如下：

步骤2.1：特征点检测

采用Hessian矩阵对特征点进行检测，每个像素点分别对应一个Hessian矩阵：

式中，x表示特征点的坐标，σ表示尺度，L_xx(x，σ)、L_xy(x，σ)、L_yy(x，σ)分别表示输入图像与高斯二阶微分的卷积，g(σ)为高斯函数；

为使特征点具备尺度无关性，对特征点进行高斯滤波：

L(x，t)＝G(t)·I(x，t) (24)

式中，L(x，t)为不同解析度对应的图像函数，I(x，t)为输入的图像函数，G(t)为高斯二阶微分，用近似值代替L(x，t)进行简化计算，并引入权值带进行误差消除，则Hessian矩阵行简化为：

det(Happrox)＝L_xxL_yy-(0.9L_xy)² (26)

式中，det(Happrox)为像素点的Hessian矩阵行列；L_xx，L_xy，L_yy为高斯滤波后图像在各个方向的二阶导数；

构建图像的尺度空间以获得不同尺度的采样点，实现在尺度空间上对特征点的提取，在像素点经过Hessian矩阵处理之后，将像素点与其三维领域的26个点进行对比，保留极值点；采用三维线性差值法得到亚像素级特征点，并剔除掉小于一定阈值的特征点；

通过确定特征点的主方向来达到旋转不变性的目的，即在特征点的领域内选取60°扇形，对扇形区域中所有点的水平与垂直Haar小波特征进行求和，然后将60°扇形按照一定的间隔进行的旋转，在旋转过程中分别计算水平与垂直Haar小波特征之和，将和最大的扇形所在的方向作为最终特征点的主方向；

步骤2.2：生成特征点描述子

在特征点周围取一个4×4的矩形区域块，方向为特征点的主方向，在各子区域块中分别对25个像素的水平方向和垂直方向的Haar小波特征进行统计，将Haar小波值作为各子区域块的特征向量，得到64维SURF特征描述子；

步骤2.3：特征点匹配

(1)使用欧氏距离选取初步特征点对

通过计算特征点间的欧式距离对特征点匹配度进行判定，欧氏距离越短则特征点的匹配度就越高；

(2)使用余弦相似度函数进一步筛选

在向量空间中绘制向量的坐标值，并计算夹角对应的余弦值，剔除余弦值小于阈值K的特征点向量对，其中，向量a和b的余弦相似度S(a，b)表达式为：

(3)采用改进的RANSAC算法进行图像匹配

采用PROSAC(the progressive sample consensus)算法根据余弦相似度匹配的结果由高到低进行排序，以便快速得到RANSAC算法最佳参数，进而对开关图像区域进行准确快速的定位。