電力設(shè)備狀態(tài)檢測(cè)的識(shí)別和分割技術(shù)概述目錄TOC\o"1-3"\h\u10333電力設(shè)備狀態(tài)檢測(cè)的識(shí)別和分割技術(shù)概述 1216621.1基于形態(tài)學(xué)標(biāo)記的電力設(shè)備紅外熱像分割方法 193281.2基于HSI空間梯度法的紅外圖像高溫區(qū)域提取方法 12286471.3基于K-means算法的RGB彩圖提取方法 19由于電力設(shè)備狀態(tài)檢測(cè)圖像的多樣性及復(fù)雜性，選擇具有良好描述和分類性能的檢測(cè)圖像狀態(tài)特征參數(shù)，以及提取這些特征就成為解決圖像檢測(cè)與識(shí)別問(wèn)題的關(guān)鍵，為不同類型、不同部件典型熱缺陷或故障的統(tǒng)計(jì)分析提供數(shù)據(jù)支持。本章研究了適合于變電站人工巡視、在線監(jiān)測(cè)等采集圖像數(shù)據(jù)分析應(yīng)用的背景分離、圖像分割、特征提取技術(shù)，并通過(guò)紅外圖像處理提取熱點(diǎn)溫度分布、局部過(guò)熱區(qū)域、異常部位等特征參數(shù)，實(shí)現(xiàn)紅外熱像核心區(qū)域分割和特征提取。1.1基于形態(tài)學(xué)標(biāo)記的電力設(shè)備紅外熱像分割方法1）傳統(tǒng)的紅外熱像分割方法基于閾值的分割方法及基于邊緣的分割方法是常見(jiàn)的紅外熱像分割方法，其中，閾值方法無(wú)法體現(xiàn)紅外圖像中灰度分布的空間情況，只能獲取紅外熱像的像素灰度值變化的范圍。而邊緣分割方法開(kāi)展紅外熱像的分割處理的依據(jù)是，邊緣所圍成區(qū)域的兩側(cè)特性不同，以下將具體闡述下這兩種方法的分割情況。（1）基于閾值的分割方法計(jì)算便捷是基于閾值分割方法的關(guān)鍵特點(diǎn)，而如何確定最優(yōu)閾值是紅外熱像閾值分割處理的最重要步驟。設(shè)為分割閾值，為灰度化后的紅外熱像，表示二值圖像，則紅外熱像的最基本閾值處理：（式1SEQ公式\*ARABIC\s11）通過(guò)閾值T將分成目標(biāo)區(qū)域和背景區(qū)域兩部分。但一般情況下，獲取的紅外熱像目標(biāo)和背景，并不是均勻的處于兩個(gè)灰度范圍，通過(guò)兩個(gè)或兩個(gè)以上的閾值，進(jìn)行目標(biāo)區(qū)域分割才能夠滿足要求。如選擇一個(gè)區(qū)間作為閾值，（式12）閾值一般可寫(xiě)成如下形式：（式13）其中，是像素點(diǎn)處的灰度值，為像素空間坐標(biāo)，是該點(diǎn)鄰域的局部特性。常見(jiàn)的三種不同類型閾值，(1)全局閾值，僅與目標(biāo)像素點(diǎn)的灰度值有函數(shù)關(guān)系；(2)局部閾值，與點(diǎn)的灰度值和該點(diǎn)的局部領(lǐng)域特征有關(guān)系；(3)動(dòng)態(tài)閾值，與目標(biāo)像素點(diǎn)的局部特征、灰度值和位置均有函數(shù)關(guān)系。本節(jié)主要介紹的是最大類間方差閾值法，即OTSU法，其基本思想是，若灰度化后的紅外熱像灰度級(jí)范圍是[0，L-1]，像素個(gè)數(shù)是N，其灰度是i，ni表示灰度級(jí)是i的像素個(gè)數(shù)，則灰度是i的像素，出現(xiàn)的概率為pi=ni/N，使用閾值t可以把圖像灰度級(jí)分成兩部分，即，C0=(0，1，2…，t)和C1=(t+1，t+2，…，L-1)，則兩類出現(xiàn)的概率分別為：（式14）兩類的灰度均值分別為：（式15）（式16）類間方差定義為：（式17）則最佳閾值的表達(dá)式為：（式18）在最大類間方差閾值法中，方差為灰度分布的均一性度量指標(biāo)，方差越大，則組建灰度圖像的C0和C1差分更大，當(dāng)目標(biāo)區(qū)域和背景區(qū)域的差異最大時(shí)，誤判概率就最小，得到最佳閾值分割圖像。圖1-1變壓器套管的紅外熱像圖及OTSU分割圖以電力變壓器套管的紅外熱像圖為例，進(jìn)行OTSU法分割處理，如圖中，我們可以發(fā)現(xiàn)，OTSU分割法，將變壓器套管的紅外熱像圖進(jìn)行了分割處理，但是效果不理想，提取的目標(biāo)區(qū)域較大，并未準(zhǔn)確的定位紅外熱像的異常區(qū)域，需要進(jìn)一步的完善。（2）基于邊緣檢測(cè)的分割方法基于邊緣的圖像分割方法，主要是通過(guò)檢測(cè)圖像局部特性的不連續(xù)性，并連接邊緣點(diǎn)成邊界，從而分割圖像。通過(guò)使用局部窗口操作，判斷邊緣點(diǎn)，基本依據(jù)就是圖像的二階導(dǎo)數(shù)過(guò)零點(diǎn)或一階導(dǎo)數(shù)極值。圖像邊緣像素的灰度變化可以通過(guò)下圖說(shuō)明。分別為一階導(dǎo)數(shù)和二階導(dǎo)數(shù)所示形狀。圖1-2梯度算子原理圖紅外熱像圖中處的梯度是一個(gè)矢量，且梯度對(duì)應(yīng)一階導(dǎo)數(shù)（式19）式(2-53)中，是x方向的梯度，是y方向的梯度。梯度的方向角及幅度：（式110）（式111）由上式能夠得到，在其灰度最大變化方向上單位距離所增加的量，即梯度值。而圖像的梯度通過(guò)差分代替微分來(lái)進(jìn)行處理：（式112）常規(guī)的邊緣檢測(cè)算子有Sobel算子、Canny算子、Krisch算子、Roberts算子、Prewitt算子及Laplace算子等。本文以Laplace（拉普拉斯）算子為例進(jìn)行分析。拉普拉斯算子是各向同性的二階導(dǎo)數(shù)：（式113）對(duì)于數(shù)字圖像來(lái)講，的二階偏導(dǎo)數(shù)可以表示為：（式114）由上式可得拉普拉斯算子為：（式115）但由于拉普拉斯算子為二階差分，其方向信息丟失，常產(chǎn)生雙像素，對(duì)噪聲有雙倍加強(qiáng)的作用。鑒于此，將拉普拉斯邊緣檢測(cè)和高斯濾波結(jié)合形成高斯-拉普拉斯算子，即LoG(LaplacianofGaussian)算子。LoG算子通過(guò)Gaussian濾波對(duì)圖像進(jìn)行平滑處理，再通過(guò)Laplacian算子，參照二階微分過(guò)零點(diǎn)實(shí)現(xiàn)邊緣檢測(cè)，（式116）式中，是方差，r是離原點(diǎn)的徑向距離，即。(a)灰度化處理后的紅外熱像圖(b)LaplacianofGaussian算子圖1-3基于邊緣檢測(cè)的處理結(jié)果圖以變壓器套管為例，采用LoG邊緣算子處理，我們可以發(fā)現(xiàn)，變壓器套管通過(guò)LoG邊緣算子進(jìn)行了邊緣提取，但是提取范圍比較大，而且對(duì)噪聲不敏感，產(chǎn)生了過(guò)度的邊緣檢測(cè)，可以應(yīng)用到設(shè)備形狀的提取或設(shè)備類型識(shí)別等領(lǐng)域，針對(duì)本文的電力設(shè)備的紅外熱像故障區(qū)域提取問(wèn)題，無(wú)法滿足實(shí)驗(yàn)要求，分割效果較差。（3）分水嶺分割方法分水嶺分割法的借鑒地理學(xué)知識(shí)，將地理學(xué)中的地形高度應(yīng)用到圖像的像素點(diǎn)灰度值，采用模擬浸水過(guò)程，進(jìn)行分水嶺分割：圖1-4模擬浸水示意圖集水盆是分水嶺法中的關(guān)鍵部分，能夠體現(xiàn)局部最小值的附近區(qū)域，在模擬浸水過(guò)程中，水平面將在集水盆中上漲，然后被分水嶺所阻攔，從而保證不同集水盆中的水互不影響。當(dāng)模擬浸水過(guò)程結(jié)束時(shí)，即形成最終的分水嶺。因?yàn)榉指畹膱D像包括目標(biāo)區(qū)域和背景區(qū)域，其中，目標(biāo)區(qū)域的內(nèi)部和背景區(qū)域灰度變化相對(duì)較小，而目標(biāo)區(qū)域和背景區(qū)域的邊緣處灰度值變化較大。因此，可以稱梯度圖像中灰度值較均勻的區(qū)域是局部極小值區(qū)域，而邊緣區(qū)域則對(duì)應(yīng)分水嶺，分水嶺連接后，即可得到最終的分割圖像。運(yùn)用分水嶺分割法，運(yùn)算速度快，分割以后對(duì)象具有完整邊界，而且可以檢測(cè)出弱邊緣對(duì)象。由于圖像噪聲等因素的干擾，梯度圖像將會(huì)有偽局部最小區(qū)域，導(dǎo)致過(guò)分割現(xiàn)象的產(chǎn)生。通過(guò)研究，人們發(fā)現(xiàn)了一個(gè)防止過(guò)分割發(fā)生的一種方法，這種方法就是在用梯度幅度對(duì)目標(biāo)圖像進(jìn)行處理后再運(yùn)用另外一些知識(shí)添加一個(gè)預(yù)處理階段，并將這些知識(shí)融入到圖像分割的整個(gè)過(guò)程當(dāng)中，對(duì)圖像分割得到的區(qū)域數(shù)目進(jìn)行嚴(yán)格控制，從而防止過(guò)分割現(xiàn)象的產(chǎn)生。這些知識(shí)當(dāng)中，使用最廣泛效果最好的為基于標(biāo)記的理論。在融入標(biāo)記的理論后，我們希望分別有一個(gè)內(nèi)部和外部標(biāo)記集合，然后用這些標(biāo)記修改得到的梯度圖像以取得更好地分割效果。2）基于形態(tài)學(xué)標(biāo)記的分水嶺分割法本文采用了一種基于形態(tài)學(xué)標(biāo)記的改進(jìn)分水嶺算法，具體算法流程所示。輸入紅外熱像輸入紅外熱像形態(tài)學(xué)預(yù)重建形態(tài)學(xué)后重建分割紅外熱像形態(tài)學(xué)梯度標(biāo)記提取并分割處理標(biāo)記圖像對(duì)分割圖像進(jìn)行修正修正后圖像進(jìn)行分水嶺分割輸出圖像圖1-5基于形態(tài)學(xué)標(biāo)記的分水嶺分割算法主要流程圖（1）形態(tài)學(xué)梯度形態(tài)學(xué)梯度是一種通過(guò)檢測(cè)目標(biāo)圖像中某點(diǎn)的梯度值大小來(lái)確定這一點(diǎn)是否存在輪廓邊緣的方法。在形態(tài)學(xué)梯度中，利用結(jié)構(gòu)元素b對(duì)目標(biāo)圖像分別做膨脹和腐蝕，求出f的局部極大值和局部極小值，所以我們用數(shù)字差分定義的梯度來(lái)與之相對(duì)應(yīng)，其形態(tài)學(xué)梯度圖像可表示：（式117）其中表示形態(tài)學(xué)的膨脹，表示形態(tài)學(xué)的腐蝕，表示圓盤(pán)狀元素。為了更好地提高邊緣檢測(cè)的質(zhì)量，一般將形態(tài)學(xué)梯度和閾值法結(jié)合起來(lái)使用（2）形態(tài)學(xué)重建對(duì)于形態(tài)學(xué)梯度圖像來(lái)說(shuō)，雖然對(duì)噪聲進(jìn)行了去除，但不可能去除得十分徹底，圖像當(dāng)中仍然含有噪聲。因此，這里就需要利用一種新的圖像處理技術(shù)：形態(tài)學(xué)重建。形態(tài)學(xué)重建是指先形態(tài)學(xué)開(kāi)重建，再形態(tài)學(xué)閉重建，通過(guò)把開(kāi)、閉重建組合在一起，進(jìn)一步消除目標(biāo)圖像中含有的噪聲以及那些無(wú)法包含結(jié)構(gòu)元素的像素點(diǎn)。形態(tài)學(xué)開(kāi)重建和閉重建運(yùn)算是通過(guò)結(jié)合形態(tài)學(xué)膨脹和腐蝕兩個(gè)運(yùn)算方法形成的。對(duì)于形態(tài)學(xué)梯度圖像、參照?qǐng)D像與結(jié)構(gòu)元素b，形態(tài)學(xué)膨脹可定義為)（式118）其中b為圓盤(pán)狀結(jié)構(gòu)元素，表示逐點(diǎn)求最小值，形態(tài)學(xué)膨脹為迭代性的運(yùn)算。當(dāng)?shù)拇螖?shù)達(dá)到預(yù)設(shè)值或者時(shí)，中止。因此，形態(tài)學(xué)開(kāi)重建定義為：（式119）其中表示測(cè)地學(xué)膨脹收斂的結(jié)果。形態(tài)學(xué)開(kāi)、閉重建是互為對(duì)偶的。因此，形態(tài)學(xué)腐蝕及閉重建可定義為：（式120）（式121）其中，表示的是逐點(diǎn)求最大值，表示形態(tài)學(xué)腐蝕時(shí)的結(jié)果。因此，形態(tài)學(xué)重建的定義為：（式122）（3）標(biāo)記提取經(jīng)過(guò)形態(tài)學(xué)重建處理后，減少了噪聲，但無(wú)可避免會(huì)含有許多偽極小值點(diǎn)。本文利用擴(kuò)展最小變換技術(shù)。擴(kuò)展最小變換技術(shù)的工作方法是：首先給出一個(gè)圖像閾值H，通過(guò)與之來(lái)比對(duì)，消去局部區(qū)域中小于H的極小值點(diǎn)，這樣就可以大大減少了過(guò)分割區(qū)域的數(shù)目。所以，H值的確定非常重要。如果H值太小，去除的極小值點(diǎn)也相對(duì)較少，就不能發(fā)揮顯著作用；如果值太大，又把大多數(shù)事實(shí)存在的極小值點(diǎn)給去除了，又會(huì)出現(xiàn)欠分割的現(xiàn)象。H值的選擇一般都是根據(jù)先驗(yàn)知識(shí)來(lái)確定的，并沒(méi)有特定的選擇方法。這里采用所有極小值的平均值來(lái)修正值的大小。假設(shè)中極小值為，則（式123）在運(yùn)用擴(kuò)展最小變換前，采取Gaussian濾波器獲得低頻。則可以表示為：（式124）其中，為擴(kuò)展最小變換，為二值標(biāo)記圖像，也就是經(jīng)擴(kuò)展最小變換后的圖像。（4）分水嶺分割通過(guò)變換提取極小值后，用極小值強(qiáng)制標(biāo)記運(yùn)算修改，即可得到，可表示為：（式125）最后進(jìn)行分水嶺分割，得到分割后的紅外熱像圖。下面對(duì)分水嶺分割算法和基于形態(tài)學(xué)的分水嶺分割算法進(jìn)行分析對(duì)比。首先，對(duì)電力變壓器套管的原始紅外熱像圖進(jìn)行傳統(tǒng)的分水嶺分割處理，分割目標(biāo)是熱異常區(qū)域，但圖中，存在嚴(yán)重的過(guò)分分割現(xiàn)象。圖1-6原始熱像圖及傳統(tǒng)分水嶺處理后的彩色標(biāo)記圖然后，采用本文方法對(duì)電力變壓器套管的原始紅外熱像圖進(jìn)行分割處理，按照分割步驟，可依次獲得調(diào)整后的區(qū)域最大值分割圖，形態(tài)學(xué)開(kāi)、閉重建后的分割圖，標(biāo)記邊界后的分割圖，本文方法分割后的彩色標(biāo)記分割圖，如下圖所示。(a)(b)(c)(d)圖1-7基于形態(tài)學(xué)標(biāo)記的分水嶺分割圖從圖中可以看出在，采用基于形態(tài)學(xué)標(biāo)記的分水嶺分割方法處理后，電力變壓器套管的紅外熱像圖的過(guò)分割現(xiàn)象明顯減少，由傳統(tǒng)分水嶺方法分割的24個(gè)區(qū)域，減少為3個(gè)區(qū)域，圖像中目標(biāo)區(qū)域輪廓更清楚，有效地減少了分水嶺變換后的個(gè)數(shù)，證明了這種分割方法可行性，并且順利提取出圖像的熱異常區(qū)域。1.2基于HSI空間梯度法的紅外圖像高溫區(qū)域提取方法紅外圖像反映的是目標(biāo)與背景的熱輻射，與可見(jiàn)光的圖像相比，紅外圖像中目標(biāo)與背景的對(duì)比度低，邊緣模糊，從而難以用常規(guī)的邊緣提取方法提取目標(biāo)有效的輪廓信息。與灰度圖像相比，彩色圖像具有其顏色特性，可以分解為不同的顏色空間，針對(duì)RGB顏色空間有一定的局限性，在此基礎(chǔ)上提出了將紅外圖像的轉(zhuǎn)換到HSI空間，經(jīng)驗(yàn)證比RGB效果理想。因此本文從HSI顏色空間（其中H是色調(diào)，S是飽和度，I是強(qiáng)度）入手，運(yùn)用一種改進(jìn)的中值濾波對(duì)其進(jìn)行濾波，在其基礎(chǔ)上對(duì)圖像求梯度，即可得到圖像的溫度高的區(qū)域，經(jīng)試驗(yàn)此方法得到了比較好的效果。1）圖像高溫區(qū)域提取原理以紅外檢測(cè)圖像為例，如圖所示，紅外圖像存在邊緣模糊、對(duì)比度差、空間域上存在孤立的點(diǎn)和小塊噪聲等特點(diǎn)。中值濾波法可以在保護(hù)圖像邊緣細(xì)節(jié)信息的前提下有效地降低圖像空間域背景對(duì)目標(biāo)的干擾。而梯度在提取圖像中顏色變化的邊緣方面有較好的效果，對(duì)圖像求取梯度變換則可得到該圖像顏色隨溫度變化的分布曲線。因此本文主要采用改進(jìn)的中值濾波和梯度法提取圖像的高溫區(qū)域。圖1-8絕緣子的紅外圖（1）HSI顏色空間變換本文在提取圖像目標(biāo)時(shí)，先將紅外圖像轉(zhuǎn)換到HSI顏色空間（H色調(diào)，S飽和度，I亮度）進(jìn)行處理。以紅外圖像中的溫度最高區(qū)域?yàn)槟繕?biāo)，其反映在HSI空間上為一塊黑色區(qū)域，即顏色最亮的彩色紅外圖像區(qū)域在S空間上表現(xiàn)為黑色，與周圍的顏色變化比較大，有利于后期基于梯度法的目標(biāo)區(qū)域識(shí)別。由于HSI色彩空間和RGB色彩空間只是同一物理量的不同表示法，因而可以通過(guò)RGB空間分量獲取HSI空間分量的值，其轉(zhuǎn)換公式為：（式1SEQ公式\*ARABIC\s126）（式127）（式128）式中，H、S、I分別為HSI分量，根據(jù)公式可以將紅外圖像的RGB顏色空間轉(zhuǎn)換到HSI空間。(2)圖像噪聲處理針對(duì)紅外圖像高背景，低反差的特點(diǎn)和HSI空間顏色的特征，在對(duì)其進(jìn)行噪聲處理時(shí)，首先保證圖像尖銳的邊緣，然后祛除背景噪聲對(duì)目標(biāo)提取的影響。為避免一般的中值濾波可能因排序取中值而破壞結(jié)構(gòu)和空間的領(lǐng)域信息，改善其濾波效果，在該原理基礎(chǔ)上提出了改進(jìn)型的中值濾波方法：首先，在圖像中取出一個(gè)任意正方形矩陣模板并將其矩陣定義為C；其次，取出C矩陣的第一行定義為e，將e和C內(nèi)其它行組成一個(gè)新的行矩陣b，并求出b矩陣的中值f；最后，將中值f賦給模板中心元素，未被賦值的元素則取原值。經(jīng)實(shí)驗(yàn)此方法能在消去噪聲的同時(shí)保證圖像的邊緣信息，對(duì)背景的處理效果較為理想。(3)梯度邊緣提取梯度是一種行之有效的邊緣檢測(cè)方法。圖像中不同區(qū)域灰度會(huì)發(fā)生變化,特別是邊緣區(qū)域變化明顯,這種變化可以通過(guò)灰度梯度表示。梯度的正負(fù)反映其邊緣的走勢(shì)，相當(dāng)于方向。因上面得到的圖像有可能背景有很多弱的干擾，其對(duì)圖像目標(biāo)識(shí)別沒(méi)有影響，但影響整個(gè)梯度圖的美觀，所以本文采用簡(jiǎn)單的直方圖增強(qiáng)，對(duì)預(yù)處理后的圖像進(jìn)行簡(jiǎn)單的圖像增強(qiáng)，即可得到背景簡(jiǎn)單的灰度圖，從而有利于后期目標(biāo)的提取。對(duì)處理后的灰度圖求梯度，可獲取圖像灰度值的顯著變化的地方即目標(biāo)的邊緣。圖像梯度可以把圖像看成二維離散函數(shù)，梯度其實(shí)就是這個(gè)二維離散函數(shù)的求導(dǎo)，在標(biāo)量場(chǎng)f中的一點(diǎn)處存在一個(gè)矢量G，該矢量方向?yàn)閒在該點(diǎn)處變化率最大的方向，其模也等于這個(gè)最大變化率的數(shù)值，則矢量G稱為標(biāo)量場(chǎng)f的梯度。二維圖像梯度梯度為：對(duì)于圖像是離散的:2)高溫區(qū)域提取流程圖本文對(duì)紅外圖像處理的流程所示：對(duì)紅外圖像進(jìn)行顏色空間轉(zhuǎn)換，將其從RGB顏色空間轉(zhuǎn)變成HSI顏色空間，對(duì)該空間的圖像用改進(jìn)的中值濾波處理，去除噪聲；針對(duì)要提取的目標(biāo)，對(duì)濾波處理后的圖像求梯度，并對(duì)不連續(xù)的梯度圖進(jìn)行簡(jiǎn)單的后期處理，即可得到溫度最高區(qū)域的邊緣。通過(guò)對(duì)紅外圖像溫度最高區(qū)域的提取，可以為紅外圖像目標(biāo)識(shí)別以及進(jìn)一步的紅外故障診斷提供技術(shù)基礎(chǔ)。圖1-9系統(tǒng)流程圖3）實(shí)驗(yàn)驗(yàn)證本文選用FLIR的A40-M拍攝了大量的模擬故障紅外圖像，其中包含斷股，連接處故障等，并選擇連接處故障為研究對(duì)象驗(yàn)證本文方法。下圖為背景噪聲干擾較大的模擬紅外故障圖及對(duì)應(yīng)的可見(jiàn)光原圖。圖1-SEQ圖\*ARABIC\s110紅外圖像和可見(jiàn)光圖像圖1-11HSI顏色空間圖像根據(jù)公式可將紅外圖像轉(zhuǎn)換到HSI顏色空間，由轉(zhuǎn)換后的HSI顏色空間可知紅外圖像的最亮點(diǎn)在HSI空間分量中的S圖中表現(xiàn)為黑色，且在原圖中顏色越亮，黑色越明顯，該圖背景對(duì)提取目標(biāo)的干擾比其他兩個(gè)分量要少，更適合本文后期處理。選S圖為研究對(duì)象，并對(duì)S圖按照前面的濾波方法進(jìn)行處理，效果如圖圖1-12去除噪聲的圖像通過(guò)對(duì)去除噪聲后的圖像進(jìn)行簡(jiǎn)單的背景處理如圖像增強(qiáng)，可得到背景簡(jiǎn)單的灰度圖，為了試驗(yàn)求梯度對(duì)此方法的適用性，根據(jù)公式對(duì)處理完的圖像求簡(jiǎn)單的梯度，發(fā)現(xiàn)效果較為理想，從圖中可以看出梯度的值很明顯的反應(yīng)了圖像中待分解目標(biāo)的邊緣信息，下圖為對(duì)圖像的某一行求的梯度（絕對(duì)值），如圖所示。圖1-13圖像的梯度從圖2-46中可看出待分解的目標(biāo)區(qū)域邊緣比背景干擾區(qū)域邊緣處的顏色反差明顯，可知其反映的梯度值的絕對(duì)值要比干擾區(qū)域的梯度值大很多。通過(guò)上面梯度實(shí)驗(yàn)，本文也得到同樣的結(jié)論，以此為指導(dǎo)思想，對(duì)圖像求梯度，并對(duì)梯度值取絕對(duì)值，以此獲取圖像變化的邊緣區(qū)域，利用Matlab繪制出三維曲線梯度圖的正面圖和用等高線的平面視角圖（其顏色映射的數(shù)量為2，視角為[0,-90]），可得下圖。圖1-14三維和平面梯度圖從圖中可以看出對(duì)處理后的圖像求梯度進(jìn)行邊緣提取是可行的，三維圖反映了待檢測(cè)目標(biāo)的邊緣信息，由于本文前期的方法可以將圖片的背景處理的比較簡(jiǎn)單，易于后期目標(biāo)的提取，可以看出其周圍的梯度值比其他區(qū)域的梯度值大很多，從下圖可以看出其邊緣梯度值若用兩顏色描繪，其邊緣基本是連續(xù)的，目標(biāo)的邊緣在圖中可以很方便的求出。將此圖與原圖對(duì)比，可知，本文的梯度邊緣法可以將紅外圖像中溫度最高區(qū)域的邊緣提取出來(lái)，本方法提取出來(lái)的邊緣，即為原圖中溫度最高的區(qū)域的邊緣。經(jīng)對(duì)其他拍攝的紅外圖進(jìn)行抽檢測(cè)試，取得了較為理想的效果，再次驗(yàn)證了本文方法的可行性。本文方法采用改進(jìn)的中值濾波在空間域有效地降低了圖像的高頻噪聲，同時(shí)有效的提高了圖像的邊緣對(duì)比度，在此基礎(chǔ)上對(duì)其求梯度，得到紅外圖像的溫度最高點(diǎn)的邊緣，為紅外圖像目標(biāo)識(shí)別以及進(jìn)一步的紅外故障診斷提供了技術(shù)基礎(chǔ)。1.3基于K-means算法的RGB彩圖提取方法在灰度圖像上進(jìn)行圖像分割，灰度值相近的不同物體在聚類時(shí)難免會(huì)造成混淆導(dǎo)致圖像分割不清晰。紅外圖像將不同溫度由不同的顏色顯示出來(lái)，因此，本課題又提出一種基于彩色特征進(jìn)行電力設(shè)備及高溫區(qū)域的分割方法。1）K-means原理K-means聚類算法是一種比較基本的聚類劃分算法，由J.B.MacQueen于1967年首次提出，并歷經(jīng)40多年的研究和發(fā)展，已經(jīng)在紅外圖像分割中扮演者一個(gè)重要的角色。K-means算法的原理是將圖片分成n個(gè)樣本后從n個(gè)樣本中選取k個(gè)樣本作為初始聚類中心，對(duì)于剩下的樣本計(jì)算樣本與各個(gè)聚類中心的距離（歐氏距離，假設(shè)圖像中有兩個(gè)點(diǎn)A（x1