1、 硕士学位论文基于红外成像技术的电气设备故障诊断Electrical Equipment Fault Diagnosis Based onInfrared Imaging Technology徐雪涛2014年 3月国内图书分类号： TM726国际图书分类号： 621.3学校代码： 10079密级：公开硕士学位论文基于红外成像技术的电气设备故障诊断硕士研究生：徐雪涛导 师： 李宝树教授申请学位：工学硕士学专科：电气工程业：电工理论与新技术所在学院：电气与电子工程学院答辩日期：2014年 3月授予学位单位：华北电力大学Classified Index: TM726U.D.C: 621.3Thesi
2、s for the Master DegreeElectrical Equipment Fault Diagnosis Based onInfrared Imaging TechnologyCandidate： Xuetao XuSupervisor： Prof. Baoshu LiSchool of Electrical and ElectronicEngineeringSchool：Date of Defence： March, 2014Degree-Conferring-Institution： North China Electric Power University华北电力大学硕士学
3、位论文原创性声明本人郑重声明：此处所提交的硕士学位论文基于红外成像技术的电气设备故障诊断，是本人在导师指导下，在华北电力大学攻读硕士学位期间独立进行研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人已发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签名： 日期： 年 月 日华北电力大学硕士学位论文使用授权书基于红外成像技术的电气设备故障诊断系本人在华北电力大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归华北电力大学所有，本论文的研究内容不得以其它单位的名义发表。本人完全了解华北
4、电力大学关于保存、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版本，同意学校将学位论文的全部或部分内容编入有关数据库进行检索，允许论文被查阅和借阅。本人授权华北电力大学，可以采用影印、缩印或扫描等复制手段保存、可以公布论文的全部或部分内容。本学位论文属于（请在以下相应方框内打 “”）：保密 ，在不保密年解密后适用本授权书作者签名： 日期：日期：年年月月日日导师签名：摘 要摘要随着我国电网规模的不断扩大以及智能电网的迅速发展，能够迅速而准确的判断电气设备是否发生故障变的尤为重要，红外热成像技术在电气设备故障诊断中具有非接触、不停机、不停电的优点，为此得到了广泛的应
5、用。然而红外图像在生成过程中可能会受到各种噪声 (电子设备本身、周围环境等 )的影响，为此需要对图像进行去噪处理，在传统的人工巡检以及图像监控系统中，当图像传输到监控终端后需要值班人员时刻认真排查、监控红外图像是否发生过热故障，不免会发生疏漏或误判、并且浪费了大量的人力物力，不符合现代智能电网建设的要求。因此本文提出了电气设备故障自动定位与诊断的思想，即通过对拍摄的电气设备红外图像进行分析研究，使系统自动判断电气设备是否发生故障并自动定位故障位置，然后以发出警报或者短信的形式表现出来。本文简要介绍了电气设备故障发热原理，由于红外图像在生成过程中普遍生成脉冲噪声和高斯噪声，本文提出了一种与均值滤
6、波相结合的像素同龄组方法，能够很好的消除红外图像的脉冲噪声，在高密度脉冲噪声的情况下，去噪效果更加显著。之后通过 NSCT变换增强了图像边缘细节，实现了红外图像的预处理。特征值提取是图像处理较为关键的一步，针对红外图像光照不均匀、对比度不强的特点，本文提出了基于改进型 PCNN的图像分割方法，之后采用仿射不变性ASIFT算法对图像进行识别和分类，ASIFT算法对图像的各种变化都有很好的仿射效果。最后采用拓扑矩阵修正的思想实现了故障区域自动定位，然后用相对温差法结合温度数据库实现了电气设备故障诊断。关键词：电气设备；红外图像；故障诊断；图像处理；IAbstractAbstractWith the
7、 constant expansion of Chinas power grid as well as the rapiddevelopment of smart grid, It is very important for us to determine whether thefailure of electrical equipment. Infrared thermal imaging technology has anon-contact, no power outages, downtime advantages in electrical equipment faultdiagno
8、sis, so it has been widely applied. However, the infrared images are subject tovarious noise (Electronic equipment itself, the surrounding environment) during thebuild process, so we need denoising. in the traditional manual inspection and imagemonitoring system, it require staff carefully checking
9、and monitoring the occurrenceof overheating fault after the image is transferred to the monitor terminal, which willinevitably occur omissions or false, and waste a lot of manpower and resources, doesnot meet the modern smart grid construction requirements. So this paper presents theidea of electric
10、al equipment fault automatic localization and diagnosis, by analyzingand studying infrared images or video, make sure the system automatically judgeelectrical equipment whether failure and automatically locate the fault location, thensend text messages and alarms.This paper briefly introduces the pr
11、inciple of overheating fault of electricalequipment, Since infrared images in general generate impulse noise and Gaussiannoise during the build process, this paper proposes the method which is pixel peergroups combined with the mean filter, the denoising significantly better in the case ofhigh-densi
12、ty impulse noise. Then the images edge detail is enhanced through NSCTtransform and achieve the infrared image preprocessing. Feature extraction is morecritical step in image processing. For infrared image uneven illumination, contrast isnot strong, the paper proposed the image segmentation method b
13、ased on improvedPCNN, then achieve image recognition and classification after using fully affineinvariant ASIFT algorithm, ASIFT algorithm has a good affine results for imagesvarious changes. Finally using the idea of topological matrix correction to automaticachieve fault-zone positioning, and then
14、 use the relative temperature differencemethod combined with temperature database to achieve electrical equipment faultdiagnosis.Keywords: Electrical equipment; infrared image; fault diagnosis; Image processing ;II目 录目录摘要 . IAbstract . II第 1章绪论 .11.1课题的研究背景和意义 11.2红外诊断技术在电力系统中的应用 .21.3国内外研究现状 .21.4本
15、文主要内容 .4第 2章红外图像增强 .62.1图像增强概述 .62.2基于改进型像素同龄组的高密度脉冲噪声图像去噪 .62.2.1像素同龄组 72.2.2算法及流程 92.2.3实验结果分析 102.3基于 NSCT 变换的图像增 强技术 .132.3.1 NSCT变换 原理 .132.3.2算法流程及实验结果分析 18第 3章红外绝缘子图像分割 .203.1图像分割方法 .203.1.1基于边缘检测的分割方法 203.1.2阈值分割方法 223.1.3结合特定理论工具的分割方法 223.2改进型 PCNN 在绝缘 子图像分割中的应用 .233.2.1改进型类内绝对差法 233.2.2 PC
16、NN分割原理 .243.2.3实验结果与分析 28第 4章基于 ASIFT的隔离开关红外图像识别 314.1 SIFT算法的基本原理 314.2 ASIFT算法基本原理 .344.3实验结果与分析 .36第 5章隔离开关红外图像过热区域定位及故障判断 .385.1相对温差法 .38III目 录5.2基于拓扑矩阵修正的故障自动定位与诊断 .395.3结果分析 .40第 6章结论与展望 .436.1结论 .436.2展望 .43参考文献 .45攻读硕士学位期间发表的论文 .48致谢 .49作者简介 .50附录 .51IV华北电力大学硕士学位论文第 1 章绪论1.1课题的研究背景和意义随着我国社会经
17、济的进一步发展，对电力的需求越来越大，促使电网规模不断扩大。电力系统一旦发生事故，将会造成大规模的停电，严重影响国民正常生活和社会生产，因此，要尽量确保电网的可靠性与安全性供电，高压电气设备在电力系统中种类最为庞大、数量最多，占据着至关重要的位置，它们的安全运行己成为影响电力系统经济、安全和稳定运行的重要因素 1。有关资料统计表明，如果电气设备发生缺陷故障，其 25%是由于连接接头松动引起的，在磨损、材料不合格、腐蚀、氧化、工艺设计等方面的影响下，电气接头和连接件由于时间关系有可能破损发生故障，严重影响设备安全运行。一般来说，电气设备在发生故障前就会有征兆产生，当电气设备发生故障时往往伴随着表
18、面温升及热像特征的变异，不同于其他情况下同类设备的温升及分布特征。红外热成像技术在电气设备故障诊断中具有非接触、不停电、不停机的优点，恰好满足了电力系统故障诊断的要求 2。红外热像检测技术在电气设备故障诊断方面已经被广泛应用，实践证明，这是一种行之有效的检测技术，对这种具有诸多优点的红外技术进行研究具有重要的意义。红外热成像技术通过检测电气设备故障时发出大量的热量，能预先有效和及时地发现运行中的电气设备是否存在故障隐患，以利于现场值班人员及时地采取措施，避免了电气设备故障时造成的电能质量下降和不必要的能量损失和浪费，并且对因故障发热而引起的设备突发性事故有很好的预防作用，提高了设备的安全经济性
19、运行。伴随着计算机、微电子技术的发展，智能电网概念的提出，提高电力系统的智能自动化水平迫在眉睫。近年来国家大力建设无人巡线机器人、无人值守变电站，通过将其拍摄的视频或图像远程传输到监控系统中由值班人员进行排查，但现有的监控系统不具有智能分析与判断这一能力，在电气设备发生故障时不能及时处理，具有以下缺点：巡线机器人或摄像仪器所拍摄的大量图像传输到监控端，这就要求工作人员精神高度集中，每时每刻对图像进行观察分析，极大地增大了现场值班人员的工作负担；由于人工判断的主观因素以及人眼疲劳的弱点，极有可能会引起诊断的误判和遗漏。为了及时、准确的排除、检查电气设备故障，需要借助计算机图像处理、模式识别，图像
20、分析等技术。本课题就是藉此而提出的，通过引入图像处理技术，可促进电气设备监测系统的智能化、自动化，提高红外1华北电力大学硕士学位论文技术检测后的工作效率，取得更高的经济效益，具有很好的发展前景。1.2红外诊断技术在电力系统中的应用电气设备正常运行时，交流电流通过导电体，设备就要发热。导电体在传输电能的过程中，由于电阻的存在，在单位时间内就会产生电阻损耗，进而发热；由于交变磁场的作用，绝缘体内也会产生介质损耗，某些电气设备（例如变压器、互感器等）内部的铁磁体会产生涡流损耗和磁滞损耗。这些损耗几乎全部变为热能，从而加热了电气设备。电气设备在运行状态下，当出现故障或缺陷时，由于电压，电流效应或传热途
21、径发生变化，必然伴随着异常的温升及热场分布，只要红外检测仪能够检测到设备异常的温升及热场分布，设备运行中存在的任何过热故障就能被发现。红外热像检测主要包括对变电站的变压器、隔离开关、断路器以及输电线路和塔杆上的避雷器、绝缘子、线路金具等进行巡视。将人工或机器人巡检携带红外热像仪、各变电站安装的红外摄像仪器所拍摄的红外图像实时传输到地面监控端，由基站操作人员根据图像中断路器、绝缘子等电气设备温升变化判断是否发生故障。一变电站隔离开关和刀闸的红外热像图如图所示。图 1-1电气设备红外图像对变电站而言，可从故障发热机理来说明电气设备故障红外诊断技术的适用范围：（1）高压电气设备内部绝缘故障的诊断；（
22、2）铁磁损耗或涡流故障诊断；（3）高压电气设备内部导流回路的诊断；（4）电压分布异常和泄漏电流增大故障的诊断；（5）油浸电气设备缺油故障的诊断。1.3国内外研究现状2华北电力大学硕士学位论文英国物理学家 F.W.赫胥尔在 1800年发现了红外线，从此红外技术在各个领域内得到了广泛的应用。此后美国率先开发研制了第一代红外成像装置，被称为红外寻视系统， 20世纪 60年代中期，第二代红外成像装置在瑞典被研制成功，其最大的优点是具有了测温的功能，因此最后被正式命名为红外热像仪。在以后的发展过程中，红外热像仪被瑞典国家电业局成功地应用于电气设备故障诊断中。随着红外技术的发展，较先进的红外测温仪开始逐渐
23、用于测量工业设备温度，检测电缆、刀闸、变压器和电机等电气设备的过热接头，在电气设备过热故障诊断这一方面，红外测温技术进入了一个新阶段 3。我国最早应用是在 1975年引进的第一台红外热像仪，电力行业方面， 20世纪 60年代，长春光机研究所、沈阳电业局和东北电力技术改进局共同开发研制红外测温仪 ZHW-2，这是我国第一代电气设备探测诊断仪器。产品推广应用后，电气设备的过热故障诊断质量和速度有了很大的提高。 20世纪 80年代就 500KV平武输电工程接头普查首次在电力系统应用了红外热像仪，极大地提高了电气设备探测和诊断技术水平。 1988年，由华北电力试验研究所承担的红外课题发电与变电设备红外
24、诊断技术的主要研究，该项目应用了红外热成像与红外测温仪两种检测手段，对华北电网的主要电厂和设备进行故障检测，该成果带来的显著经济效益是多方面的。其中，唐山供电局反映，对变电设备进行测温效果很好，检测速度快，过热点显示清晰，为保障安全供电做出巨大贡献。由于红外诊断技术具有许多优势，多年来从事该工作的人员一直寻找着中国自己的电力红外行标。该标准经过多次实验和专家认证，我国电力行业相继制定了 DL/T664-1999带电设备红外诊断应用规范和 DL/T664-2008带电设备红外诊断应用规范等行业标准，对基于红外的带电设备故障诊断有较好的指导作用 4。图像处理技术主要包含图像变换、图像去噪和增强、图
25、像分割、图像分类等方面内容。随着计算机科学的发展和数学理论的引入，图像处理技术有了长足的进步和发展，现阶段已深入应用于各个领域，形成了一门综合性学科。目前大多数变电站以及监控中心已经安装了图像或视频监控系统，可实现现场设备监视、控制远程摄像机运动等功能。但传统的视频监控系统并没有图像识别功能，对电气设备故障缺乏自动识别与分析功能。仍然需要依靠现场操作人员对图像进行分析和研究，系统缺少自动分析功能。切实提高图像分析能力，成为迫切需要解决的问题，近年来，许多学者将图像处理技术应用到了电力系统中，取得了一些比较好的成果，湖南大学的李佐胜在文献 5中通过建立不同湿度条件下各现场污秽等级绝缘子热像灰度直
26、方图特征库，实现了绝缘子在不同湿度条件下各现场污秽等级的确定；华北电力大学的仝卫国在文献 6中提出了一种基于主动视觉的输电线弧垂测量新方法，将航拍图像采集看作是一个主动视觉过3华北电力大学硕士学位论文程，利用三维重构技术与 GPS定位技术，构建了输电线的空间曲线模型，进而计算出输电线路弧垂的大小；胡世征在文献 7中说明了为判断电气设备缺陷而使用相对温差判断方法的必要性，论证了设备对应点的相对温差与其接触电阻的相对偏差的相关关系，确定了相对温差判据的标准；金光熙在文献 8中通过分析绝缘子在电阻劣化和表面污秽时的发热规律以及实际运行绝缘子的热像特征，证明了可用高分辨的红外热像仪来检测和分析实际运行
27、中的绝缘子运行状态。1.4本文主要内容本课题主要对电气设备（如绝缘子、隔离开关、断路器等）红外图像处理技术进行了分析研究，实现了电气设备故障自动定位与诊断。工作流程框架图如图所示。图像采集图像预处理拓扑矩阵修正图像分割疑似故障点定位电气设备分类相对温差法故障诊断是发出警报图 1-2本文工作流程框架图通过以下几个方面来说明各个环节所做的工作：（1）介绍本课题的研究背景和意义，简要叙述红外技术在电力系统中的应用以及红外诊断技术和图像处理技术在国内外研究现状，最后介绍本文工作流程和结构安排。（2）简要叙述红外图像预处理的必要性，对红外图像去噪和对边缘细节增强进行了分析和研究，提出了基于像素同龄组的脉
28、冲噪声去除方法和基于 NSCT变换的图像边缘细节增强技术两种方法，采用这两种方法能有效地去除红外图像在生成过程中所产生的脉冲噪声和高斯噪声，并增强了红外图像的边缘细节。（3）在红外图像预处理的基础上，针对红外图像对比度不强、光照不均匀4华北电力大学硕士学位论文的特点，提出了基于改进型 PCNN的绝缘子红外图像分割算法，之后采用 ASIFT算法进行电气设备识别和分类，判断电气设备类型。（4）在以上识别结果的基础上，通过拓扑矩阵修改对疑似故障点进行自动定位，之后采用相对温差判断法对红外图像进行诊断，判断电气设备是否发生故障，实现了基于红外成像技术的电气设备故障自动诊断。5华北电力大学硕士学位论文第
29、 2 章红外图像增强2.1图像增强概述图像的在生成、传输、变换过程中，不可避免的会受到采集设备内部电子器件噪声及各种外界因素的干扰，因此会夹带各种类型的噪声，导致图像细节模糊、质量有所下降。图像增强的目的在于：（1）抑制图像中的一些无用信息（噪声），使图像的边缘细节更加清晰；（2）改善图像的视觉效果，提高图像质量等，使人或机器更合理地分析图像中的有用信息。图像在生成、传输、变换过程中受到采集设备内部电子器件噪声及各种外界因素干扰，会夹带各种类型的噪声，影响图像质量。在各种噪声中脉冲噪声（又称椒盐噪声）是最为常见的一种噪声，室外的图像一般含的噪声为高斯噪声和椒盐噪声。针对红外图像脉冲噪声的去除，
30、国内外的研究人员提出了多种方法，这些方法总体上分为两大类，一类是在频域上去噪，以小波及超小波去噪 9,10 为代表，一类是在空域上去噪，包括中值滤波，均值滤波 11,12及像素同龄组去噪等 13-18 。2.2基于改进型像素同龄组的高密度脉冲噪声图像去噪脉冲噪声在图像中一般表示为黑白相间的暗亮斑点，是在图像传感器、传输信道、解码处理等过程中产生的。经过长期的实验分析，在图像的生成过程中，离散的脉冲噪声是影响图像质量最为严重的因素之一。因此，需要对采集的图像需进行滤波处理。脉冲噪声模型一般如式所示。pa z ap(z) p z b （2-1）b0 其他如果 b a，灰度值 b将以亮点的形式在图像
31、中显示，同 时， a的值将在图像中显示为一个暗点；当 p或 p都为零的时候，脉冲噪声则被称为单极脉冲噪声； a b当 p或 p均不可能为零，尤其当它们近似相等时，脉冲噪声值将类似于随机分a b布在图像上的胡椒和盐粉微粒，正是由于这个原因，双极脉冲噪声也被称为椒盐噪声 19。在实验的时候，通常假设 a和b是饱和值，在数字图像处理中，它等于图像中灰度值所允许的最小和最大值，也就是说在在一个八位图像中， a 0、b 255。中值滤波是目前应用最为广泛的一种脉冲噪声去除方法，然而传统的中值滤6华北电力大学硕士学位论文波一般是用图像中心像素点的灰度值用其邻域的中值来代替，在去除噪声的同时使图像细节变得模
32、糊，丢失其中最重要的边缘等细节信息。尤其是噪声密度大于30%时 ，缺陷更为明显。文献13中，作者提出了利用像素同龄组平均（ Peer Group Averaging，PGA）的思想来实现图像增强，文献 14-18中研究人员利用这一思想完成了图像去噪。然而这些方法对图像中的所有点进行处理，而不是针对灰度值 0和 255的可能为脉冲噪声的像素点进行处理，当脉冲噪声过大时，其去噪效果急剧下降。本文针对图像高密度脉冲噪声的特点，在借鉴 PGA思想的基础 上，提出了一种新的基于像素同龄组的去除脉冲噪声算法。该方法首先遍历图像寻找灰度值为 0和 255的像素点作为中心点，在其 33邻域内寻找其他灰度值的像
33、素点，若存在，采用像素同龄组和均值滤波结合的方法处理，若不存在，自适应扩大邻域范围，直到找到为止，并用其均值代替中心点。2.2.1像素同龄组对于一个给定的像素 p，其像素同龄组被定义成一个在其邻域内与其相似的集合。针对相似这个标准，国内外学者提出了多种同龄组的选择方式。在文献 13中使用像素灰度值与中心点灰度值的绝对值在某个范围内的方式选择像素同龄 组，假定像素 p的灰度值为 f x, y，在 p的某个邻域内的像素 q（灰度值为 f (s, t)），则满足 f s,t f x, y md的那些像素组成了像素 p的像素同龄组。该方法的原理简单，但不同的图像，其 md差别很大，因此，在使用时需针对
34、图像的特点多次实验 md的值方能取得较好的效果，不适合去噪程序的自动运行。在文献14-18中，像素同龄组是根据邻域内其他像素与中心像素点的相似性的排序来确定的。假定 是两个像素的一个相似性度量，在 nn窗口W中所有像素表示 为 f , f ., f，其中 f为窗口中心像素点，这个相似性度量满足如下两个要求：1 2 n2 1W f , f ,., f （2-2）(1) (2) 2(n )这里 f表示离中心像素点第 i个最相似的像素 (i )( f f ) ( f , f ) .( f , f ) （2-3）1, (1) 1 (2) 1 2(n )显然， f f(1) 1中心像素点 f含有 m个元
35、素的像素同龄组 G f1的定义如式1 mG f1 f ,i 1,m （2-4）m (i)这种方式的关键是 m的选取，文献14首次将 Fisher 判别式引入像素同龄组7华北电力大学硕士学位论文中来解决这个问题，令 ( f , f ) | f f |，表示 f和 f两像素灰度值差的绝i 1 (i ) (i) 1 (i ) 1对值，则有 . ，这样就得到了以 f为中心像素点的 n n邻域内到中1 2 2 1n心像素点距离的一个从小到大的序列 ， ， ，利用 Fisher判别式将 ，1 2 2 ini 1,.,n进行分类，获得中心像素点 f的同龄组个数，并根据同 龄组个数信息获21得具体的同龄组像素
36、。Fisher判别式的目标函数是：F(k) | a a |/(v v ) k 1,2,.n 12 2 （2-5）1 2 1 2其中2 2nik1k n ka / k， a / (n k 1)， v ( a )，v ( a )2 221 i 12 i 21 i 2 ii1 ik1 i1文献14中判 别分析方法的基本思想是投影，将高维数据点投影到低维空间上，根据类间方差最大、类内方差最小的原则确定判别函数，因此，可通过对每一个 k值计算 F(k)，找出是的 F(k) 最大时对应的 k值，这样，找出对应前 k个 i所对应的像素组成中心点 f的像素同龄组。 1从 Fisher判别式的表达式可以看出，利
37、用 Fisher判别式得到的同龄组个数不可能是 n2个，这就使得即使邻域内所有元素与中心点均相似也不可能将其分到一组中。同龄组表示与中心点相似的像素点的集合，而均方差表示像素点之间的离散程度，均方差越小，表明离散程度越小，像素点越相似，均方差的定义见式3 3 ( (x x )klk1 l1/ n)2 1/2（2-6）1 ij另外，在式（ 2-6）中，将 x替换为 x 表示邻域内中心点的均方差，如式ij ij3 3 ( (x x ) / n)1/22 （2-7）2 kl ijk1 l1式（2-6 ），式（2-7 ）中， x 表示中心像素点的灰度值， x为中心点 33邻ij kl域W内像素的灰度值
38、， x表示W 内像素灰度值的平均值， n表示W内像素个数。ij中心点均方差 反映的是邻域内其他像素点与中心点的离散程度， 该值越2大，表示邻域内像素与中心点的离散程度越大，这些点与中心点越不相似；反之，该值越小，表示邻域内像素与中心点的离散程度越小，这些点与中心点越相似。本文综合考虑邻域内均方差 和邻域内中心点均方差 来确定像素同龄1 2 组，在邻域内所有像素 f , f ., f中，求取邻域均方差 和中心点 f均方差 的1 2 n2 1 1 2较小者 min( , )，之后计算中心像素点 f 和其邻域内像素点 f灰度值的绝min 1 2 1 i8华北电力大学硕士学位论文对值 d。当 d 时，
39、则可判断 f为 f的像素同龄组，否则不是。利用这种方式min i 1可以得到邻域内所有元素都是中心点同龄组的情况，而 Fisher判别式则不能。2.2.2算法及流程当图像像素点受到脉冲噪声影响后，其灰度值一般以极大值或极小值表示，并在图像中随机分布。对于 8bit的灰度图像，定义灰度值为 0和 255为脉冲噪声。本文中，对于一个图像 X，如果某个像素 x( i, j)的灰度 值为孤立的 0或 255，可认为该像素是脉冲像素。为了避免处理脉冲噪声时，修改后的像素点对其他像素点计算结果的影响，引入 Y表示去噪后的图像。本文算法思想是首先检测出脉冲噪声点，并获得其 33邻域元素，根据非 0和 255
40、元素个数分情况处理，具体步骤如下：（1）依次遍历待处理图像的每个像素点，如果该像素点的值不为 0或 255，则令Y(i , j) X (i, j)，继续 遍历下一个像素；否则认为 是噪声点，对其处理。（2）以该点为中心点，获得其 n n(n 3)邻域内所有点的集合，去掉集合中灰度值为 0和 255的元素，得到集合为 V，V的元素个数 N，如果 N 0，则转V V到第（4），否则转到（3）。（3）令 n n 2，获得中心点 n n邻域内所有点的集合，去掉集合中 0和255的元素，得到 V ，如果 V 的元素个数仍为 0 ，则继续以步长为 2的方式增大n的值，直到得到的集合 V 不再为空为止。利用
41、集合 V 中所有元素的平均值替换该中心点的灰度值。（4）将该中心点的邻域内像素分为两组， V和V，V包含该中心点在该邻 1 2 1域内的同龄组并将同龄组内灰度值值为 0和 255的像素去除，V包含该中心点邻 2域内除中心点同龄组外的其他像素，去掉 V中 0 和 255的像素，比较 V和V集合2 1 2的元素个数，哪个集合的元素个数多，说明在这个邻域内中心点像素的灰度值与哪个集合可能更接近，这样，该中心点的灰度值就由集合元素个数多的集合元素平均值替代。（5）循环结束，输出图像。整个流程算法如图所示9华北电力大学硕士学位论文图 2-1算法流程图图 2-1中 Card(V )表示集合 V的基，即集合
42、的V的元素个数， mean( V )表示V 中元素的平均值。2.2.3实验结果分析为了说明本文算法（ PA）的有效性，与几个优秀的算法进行了对比，包括：标准中值滤波（ MF）、文献20,21中的 DBAIN 。测试图像选用二幅电气设备红外图像，图片大小均为 240320。添加脉冲噪声，噪声密度从 10%到 90%变化，每隔 20% 测试一次。为了进一步验证对高密度噪声的去噪能力，将噪声添加到95%。 NAFSM算法需设置参数，本文 选用 T 110，T2 30。图像去噪性能的好坏以 PSNR 、 SSIM22和 IEF来衡量。由于噪声是随机添加的，因此，即使是同一张测试图片，同一个噪声密度，其
43、两次运行的结果仍有不同，尤其是 IEF差别较大。因此，本文针对同一张图片，同一噪声密度，运行 5次，求平均值作为最终结果。各评价指标中 PSNR表示峰值信噪比，越大越好， IEF表示图像增强因子，越大越好， SSIM表示结构相似度指数越大越好，最大为 1，各评价指标计算公式如式PSNR 10log ( 2552 )MSE（2-8）1010华北电力大学硕士学位论文(x y )2ij ij其中， MSE i j MN( (r x )2ij ijIEF i j （2-9）( y x )2ij iji j(2 C )(2 C )SSIM (x, y) ( x y 1 xy 2 （2-10 ） C )(
44、 C )2 2 2 2x y 1 x y 21 1 1 1其中， x， y， (MN 1 (x )2) 2，x MN i y MN ij x ij xi j i j i j1 1 12 (x )(y )，ij x ij y ( (y ) ， (MN 12MN 1y ij y xyi j i j这里 C 和C 是 调节参数，本文取 C =0.01， C =0.03。1 2 1 2公式（2-8 ）-（2-10）中出现的 x 表示原图像， y 表示去噪后图像， r 表示加噪图像， MN表示图像的大小。表 1和表 2分别给出了测试电气设备红外图像在不同密度、不同评价指标下几种算法的对比情况。可以看出，
45、提出的算法在不同密度等级下，各项评价指标均优于其他三种算法，尤其是当噪声密度高于 50%时，该算法在各项指标下均有较好的表现。即使在 95%超高噪声密度情况下，二幅隔离开关图像的 PSNR、SSIM 和 IEF三项评价指 标仍具有较高的值，较好的复原了原图像。图 2-4电气设备红外图像11华北电力大学硕士学位论文图 2-5各算法针对噪声污染为 30%和 90%情况下的 Lena和绝缘子图像的去噪效果图表 2-1隔离开关 1红外图像各 评价指标对比Noise PSNR SSIM IEFMF DBAIN PA MF DBAIN PA MF DBAIN PA10% 39.42 46.76 46.01
46、 0.9891 0.9988 0.9987 294.49 1561 127930% 24.49 41.55 42.40 0.7797 0.9937 0.9958 27.76 1391 171150% 14.99 39.65 39.85 0.1923 0.9835 0.9913 5.21 1127 158970% 9.49 31.55 38.68 0.0221 0.9567 0.9830 2.0690% 6.07 25.64 34.03 0.0055 0.8839 0.9586 1.2095% 5.38 22.72 32.95 0.0047 0.8412 0.9373 1.09327109581
47、3511015622表 2-2隔离开关 2红外图像各 评价指标对比Noise PSNR SSIM IEFMF DBAIN PA MF DBAIN PA MF DBAIN PA10% 32.51 36.86 42.21 0.9235 0.9890 0.9907 50.70 137.12 459.0630% 23.67 33.89 37.24 0.7197 0.9560 0.9685 19.41 205.83 443.8850% 15.40 30.22 33.87 0.2304 0.8993 0.9357 4.83 147.12 338.2870% 10.07 25.93 31.06 0.0458 0.7827 0.8848 1.98 76.72 248.7190% 6.78 20.23 26.98 0.0114 0.5628
