暗通道先验理论的绝缘子图像去雾算法

张俊林，石冬阳，贾 兵，聂 玲

(重庆科技学院 电气工程学院，重庆 401331)

0 引言

绝缘子是分布在输电线路上的绝缘体，对输电线路的正常运行起着至关重要的作用[1-4]。绝缘子长期处于复杂多变的环境之中，受环境等因素影响，加上自身材料老化等原因容易发生自爆故障。若绝缘子发生自爆故障，轻则导致所在区域范围性停电，影响所在地居民的正常生活和生产，重则影响整条输电线路的正常运行和电气设备的使用寿命，若不能及时发现绝缘子存在的故障，则会给输电线路带来巨大的安全隐患[5-6]。因此，对输电线路绝缘子自爆的检测具有十分重要的意义。

随着计算机视觉和深度学习技术的发展，产生了多种检测绝缘子自爆的方法，并获得了良好的故障检测效果，一定程度上提升了电力工人输电线路安全巡检的效率。但其中绝大多数绝缘子缺陷检测模型都是基于没有雾霾的场景，雾霾一旦出现，会使得无人机拍摄到的绝缘子图像变得模糊不清，重要特征无法有效呈现，从而导致绝缘子缺陷检测模型的精度大大降低。近年来出现了多种图像去雾方法，但图像去雾后仍有噪声存在图像中，降低了图像质量和图像分辨率[7-9]。因此，为了最大程度降低雾霾带来的影响，需要在绝缘子缺陷检测前对绝缘子图像进行去雾处理，使其恢复到无雾图像。同时，还需要在去雾的基础上保证良好的图像去噪性能以提升图像质量，进而提升绝缘子缺陷检测的精度。

1 相关研究

目前，针对绝缘子自爆的研究方法都有一定的局限性。赖秋频等[10]在YOLOv2深度学习网络的基础上建立了绝缘子自爆缺陷检测模型,但雾霾天气对该模型的识别精度影响较大。周仿荣等[11]提出一种基于YOLOv3的输电线路缺陷快速检测方法，在保证识别精度的同时提升了识别速度。方挺等[12]提出基于粒子群优化参数的蚁群算法来检测绝缘子轮廓及其数目，但该方法无法适应雾霾与噪声等复杂环境。严波等[13]串联使用Faster R-CNN网络对绝缘子自爆图像进行提取和识别，提高了检测精度，但对环境复杂因素考虑不足。唐小煜等[14]提出了基于U-net和YOLOv4-的绝缘子图像分割与缺陷检测方法，但运用优化的U-net模型获取绝缘子区域掩模图像的同时缺少了去雾等预处理。刘逸凡等[15]提出了基于EfficientDet和双目摄像头的绝缘子缺陷检测方法，该方法具有良好的效率和适用性，但在绝缘子数据集真实度与复杂度方面未考虑雾霾的存在。王梦[16]通过训练Resnet-101和vgg16的Faster R-CNN模型，实现了对绝缘子自爆缺陷和定位的检测，但缺陷检出率仅为 0.89，检测精度较低。

综上所述，大多数绝缘子自爆研究方法取得了较好的检测效果，但忽略了雾霾等复杂环境的影响。

2 传统绝缘子缺陷检测模型

为了有效避免图像中雾霾的影响，提升绝缘子缺陷检测模型的精度，以文献[10]的缺陷检测模型为研究基础。绝缘子图像检测传统模型的基本原理见图1。

图1 绝缘子图像检测传统模型基本原理框图

2.1 Canny边缘检测

2.1.1图像灰度化

Canny算法的处理对象为灰度图，故需先将图像进行灰度转换。结果由图像RGB三个通道的采样值加权平均得到，计算式为：

Gray=0.299R+0.587G+0.114B

(1)

RGB代表光学三原色中3个通道的亮度。

2.1.2高斯滤波处理

Canny算法常用高斯滤波器来降低图像高斯噪声的影响，即与图像进行卷积以滤除图像中的噪声[17]。高斯分布函数为：

(2)

σ是高斯滤波器的参数，其选取还需参考具体图像的实际情况。原图像I(x,y)与式(2)进行卷积，得到处理后图像H(x,y)，表达式为：

H(x,y)=G(x,y)*I(x,y)

(3)

2.1.3计算梯度幅值和方向

Canny算法计算梯度值时采用一阶有限差分，图像在x和y方向上的偏导数矩阵为：

Wx(i,j)=[I(i,j+1)-I(i,j)+

I(i+1,j+1)-I(i+1,j)]/2

(4)

Wy(i,j)=[I(i,j)-I(i+1,j)+

I(i,j+1)-I(i+1,j+1)]/2

(5)

梯度幅值和方向可由式(6)和式(7)的W(i,j)和θ(i,j)表示。

(6)

(7)

2.1.4对梯度幅值进行非极大值抑制

由于图像中噪声的影响，处理后的结果可能会出现伪边缘的现象。非极大值抑制通过寻找梯度方向上的非零点，然后对该点方向导数上相邻两点的梯度值进行比较来消除图像伪边缘。

2.1.5双阈值检测和连接边缘

双阈值法通常先设定一个高低阈值来区分边缘像素，判断其边缘点8邻域中是否存在高于高阈值的像素值。如果存在，则认为该边缘属于真实边缘；若不存在，则直接舍弃。

2.2 Hough直线检测

霍夫变换的基本原理是将图像空间中的直线分别映射到 Hough 参数空间的点，同时运用累加器来检测参数空间中的峰值点。运用该峰值点可以确定图像空间中对应直线的信息参数，即峰值点的值与图像空间中的直线是一一对应的，从而快速准确地实现图像空间中直线检测。

2.3 图像旋转

考虑到边缘检测后的绝缘子图像普遍存在相对水平位置倾斜的问题，将绝缘子边缘图像进行水平旋转。旋转角度近似等于直线检测结果中若干条直线斜率平均值，计算式为：

(8)

式中：gθ指旋转角度；hi指直线斜率；n指直线数量。

2.4 垂直投影

使用垂直投影对水平位置的绝缘子边缘图像处理后的图像能充分反映绝缘子边缘形状的变化规律，获得绝缘子是否发生自爆的信息。

3 传统绝缘子缺陷检测模型的改进

从上述绝缘子缺陷检测模型中可以看出，这些模型没有考虑图像中雾霾因素的影响。Fang等[18]在大气散射模型的基础上，通过统计 5 000 多幅图像的特征，提出了暗通道先验算法(DCP算法)。该算法因具有结构简单、性能优越的特点在各领域得到了广泛应用，故本文中运用该算法进行去雾预处理。为了保证图像在去雾后具有一定的抗噪性能，在暗通道先验去雾算法的基础上融入高斯滤波算法与图像对数增强算法进行图像去噪和增强，并对图像亮度进行调整使图像特征更加明显。从理论上来说，采用该方法的图像具有更高的峰值信噪比，同时缩小了与原图之间的差距。改进后模型的结构如图2所示。

图2 改进后绝缘子缺陷检测模型结构框图

3.1 暗通道先验去雾算法

雾霾图像的散射模型为

I(x)=j(x)t(x)+A(1-t(x))

(9)

其中：I(x)指输入的雾霾图像；j(x)指去雾处理后图像；t(x)为透射率；A为全局大气光值。由此可知，只要得到A与t(x)，就能获得去雾后图像。

3.1.1定义暗通道

根据相关研究，在大量无雾图像的暗通道图数据中，超过90%的无雾图像像素值极低，其中75%无雾图像像素值为0。无雾图像可由式(10)表示。

(10)

其中：jc(y)指j的任意一个颜色通道；Ω(x)指像素点x处的窗口；c指RGB三个通道。

由上述定义可得知

jdark→0

(11)

3.1.2求解全球大气光值

利用暗通道图与雾霾原图像的对应关系，通过获取暗通道图中前0.1%亮度像素点的位置来对应原雾霾图像中相应位置较高亮度的值，以此选作全球大气光值。

3.1.3透射公式

对式(9)两侧同时除以大气光值：

(Ic(x))/Ac=t(x)(jc(x))/Ac+1-t(x)

(12)

(13)

根据暗通道先验定义可得：

(14)

代入式(13)可得：

(15)

在实际情况中，即使晴天远处也会存在雾，因此需引入因子ω。为使图片保留一定的雾霾，常取值0.95。此时透射率为：

(16)

3.1.4有雾图像处理公式

由于透射率t的值会直接影响j的值，若t的值过小，会导致图像去雾效果出现整体白场的现象，此时需设定下限值t0。当值t

j(x)=(I(x)-A)/(max(t(x),t0))+A

(17)

3.2 高斯滤波算法的融入

针对图片中存在的高斯噪声，利用高斯滤波算法来滤除图像中的高斯噪声已成为计算机视觉领域最常用的方法[19]。高斯滤波的步骤如下：

步骤1移动相关核的中心元素，使其位于输入图像待处理像素的正上方；

步骤2将输入图像的像素值作为权重，通过与图像进行卷积处理滤除图像中的噪声，选用的高斯分布函数为：

(18)

式中σ为高斯滤波器的参数。原图像I(x,y)与高斯分布函数作卷积之后得到图H(x,y)，可表示为：

H(x,y)=G(x,y)*I(x,y)

(19)

步骤3 将上述各步骤得到的结果相加作为输出。

3.3 Log变换算法的融入

对数变换的基本原理是将图像的低灰度值部分进行扩展，高灰度值部分进行压缩以强调低灰度部分。其变换公式如下：

s=c·Logv+1(1+v·r)

(20)

式中：v为底数；c为增强系数；s为输出强度；r的取值范围为[0,1]。

由图3可知，x=0.4时，对应s在0.8左右，因此x轴的0～0.4的低灰度部分经过变换扩展到0～0.8的部分，而整个剩余部分则被压缩到0.8～1的区间，达到扩展强调低灰度部分的目的。

图3 对数增强算法原理曲线

根据图3中曲线变化规律可知，底数v越大，对低灰度部分扩展强调的作用就越强。因此，对数变换可以对图像边缘形成强化的作用，从而增强图像的细节特征。

3.4 图像亮度调整

经过上述3个步骤的处理，减小了图像中雾霾和噪声的影响，使得图像信息变得清晰。考虑到图像亮度直接影响其可视化效果和细节特征的呈现，故须对图像亮度进行调整。

通过RGB模型向HIS模型转化，将去雾、去噪后图片的RGB分量转换成HIS分量，此时H代表色调，I代表图像的亮度，S代表饱和度。本次针对亮度I进行增强，利用两模型间的转换关系，将重新得到的HSI分量转化为RGB分量，从而实现对图像亮度的提升。

4 实验设计与分析

4.1 实验环境及参数设置

同态滤波、直方图均衡化算法、Retinex算法、暗通道先验去雾算法是当前的主流去雾算法,具有不错的去雾效果。对比以上4种主流去雾算法与本文算法去雾后的性能，并验证本文方法去雾效果的优越性。实验配置：Intel(R)Core(TM)i7-10750H CPU @ 2.60GHz，16.0 GB内存，NVIDIA GeForce GTX 1650 Ti显卡，实验平台为MatlabR2020b。

4.2 实验结果可视化

设计5组实验，如图4—8所示。每组实验的6幅图片分别代表绝缘子雾霾原图、同态滤波算法处理结果、直方图均衡化算法处理结果、SSR算法处理结果、暗通道先验去雾算法处理结果、本文算法处理结果。

图4 实验1结果

图5 实验2结果

图6 实验3结果

图7 实验4结果

4.3 实验结果分析

4.3.1性能评价指标

从5组实验中可以看出，运用直方图均衡化算法与SSR算法处理后的结果图像存在颜色方面的失真现象；运用暗通道先验去雾算法处理后的图像整体颜色较为深沉；运用本文算法处理后的图像具有较好的图像可视化效果。为客观评价运用以上5种去雾算法得到的结果，介绍以下2种去雾性能评价指标。

1)峰值信噪比(PSNR)

峰值信噪比在图像质量评估方面运用广泛，PSNR值越高，说明图像噪声含量越低，受到的污染越小[20]。其表达式为：

(21)

(22)

MAX=2B-1

(23)

MSE指图像均方差，m和n分别指图像的高度和宽度，I(x,y)指初始雾霾图像，K(x,y)指去雾后图像。MAX指图像的灰度级，B指编码1个像素所用的二进制位数，即B=8，故MAX=255。

2)结构相似性(SSIM)

SSIM基于人类视觉系统，从亮度、结构和对比度3个方面来衡量图像的相似度。其表达式为：

SSIM=L(I,J)×C(I,J)×S(I,J)

(24)

L(I,J)为亮度，C(I,J)为对比度，S(I,J)为结构。SSIM的取值范围为[0,1]，其值越大，代表两幅图像相似度越高[21]。

4.3.2实验结果性能对比及验证

对5组实验图像进行MSE值、PSNR值、SSIM值测试。图像评价结果如表1所示。

表1 图像评价结果

从数据结果中可以发现，运用暗通道先验去雾算法处理后的图像质量相对于运用同态滤波、直方图均衡化算法、SSR算法处理之后的结果具有较高的PSNR值与SSIM值，验证了暗通道先验去雾算法图像去雾的优越性和去雾方法的正确性。当图像中存在雾霾影响时，运用以上图像去雾算法得到的图像PSNR值均小于运用本文算法得到的图像PSNR值，说明本文算法在进行图像去雾的同时很好地提升了图像的抗噪性能，一定程度上降低了噪声对图像质量的影响。从图像结构相似度性能的角度看，运用本文算法得到的SSIM值也达到了最高，取得了较好的图像去雾效果，减小了与原图之间的失真程度；运用直方图均衡化进行图像去雾的效果并不理想，说明该算法在进行图像去雾的同时放大了图像中的噪声。

为了验证本文算法的普适应与优越性，另取30组含有雾霾的图像按照相同的方法进行仿真验证。将30组实验得到的图像PSNR值和图像SSIM的平均值进行对比分析，见图9-10所示。

图9 多样本图像PSNR平均值曲线

由图9和图10可知，当图像含有雾霾时，运用同态滤波算法、直方图均衡化算法、SSR算法、暗通道先验去雾算法处理后得到的图像PSNR平均值均小于运用本文算法得到的PSNR值，说明本文算法在去雾的同时具备了良好的抗噪性能，而运用直方图均衡化算法处理得到的结果并不理想，图像PSNR值达到了最低；在30组实验中，运用本文算法得到的图像PSNR平均值达到37.5 dB，相对于改进前平均提升6.8 dB；图像SSIM平均值达到0.865,相对于改进前平均提升0.143，说明本文算法具有较好的图像复原效果，同时验证了本文算法的普适性，与以上5组实验得到的结论相一致。

图10 多样本图像SSIM平均值曲线

4.4 模型改进前后绝缘子边缘检测效果的对比

为了对比模型改进前后对绝缘子缺陷检测精度的影响，以图4(b)为例，分别运用改进前后的模型进行绝缘子缺陷检测，边缘检测结果分别如图11和图12所示。

由图11可知，当图像中同时含有雾霾噪声时，运用改进前模型得到的边缘检测结果出现了断裂漏检的情况，绝缘子边缘并不完整，图像细节信息丢失，使得模型无法判定绝缘子自爆的位置，从而直接影响该模型后续缺陷检测的精度。由图12可知，经过本文算法图像预处理后检测得到的绝缘子边缘较为完整，结果中基本不存在断裂漏检的情况，对绝缘子缺陷检测模型精度影响较低，说明本文算法能够提升图像质量，有效减小图像边缘信息的损失。

图11 去雾前边缘检测结果

图12 去雾后边缘检测结果

为了对比模型改进前后对绝缘子缺陷检测精度的影响，取50幅含有雾霾的绝缘子样本图像进行缺陷检测，得到检测结果1。将以上50幅样本图像运用暗通道先验去雾算法进行处理，再次进行缺陷检测，得到检测结果2。最后将以上50幅样本图像运用本文算法进行图像去雾处理，得到检测结果3。缺陷检测结果如表2所示。

表2 缺陷检测结果

由以上数据可知，图像中含有雾霾严重影响绝缘子缺陷检测的精度，检测精度只有56%；运用本文算法得到的绝缘子缺陷检测精度相对于运用改进前DCP算法提升了12%，再次验证了本文算法的优势。

5 结论

为减小环境中雾霾对绝缘子缺陷检测精度的影响，以绝缘子缺陷检测模型为基础进行图像去雾预处理。考虑到图像去雾后仍有噪声保留在原图像中会降低图像质量，使得图像特征模糊不清，故在暗通道先验去雾算法的基础上融合高斯滤波算法、对数增强算法。为了获得良好的图像可视化效果，使得图像特征更加明显，对处理后图像亮度进行相应调整，通过5组实验说明了本文算法的优越性。通过30组多样本仿真实验表明了本文算法的普适性和优越性。本研究的创新之处在于在原模型的基础上考虑到环境中雾霾的影响，并对暗通道先验去雾算法进行改进，获得了性能更加优越的图像去雾效果，提升了绝缘子缺陷检测的精度。不足之处在于尚未解决图像中存在的严重雾霾问题。由于绝缘子处于复杂多变的环境之中，如何在去除图像中较为严重的雾霾的同时提高图像抗噪性能是难点，也是未来研究的重要内容。