[發明專利]一種基于局部區域聚類的電力設備故障區域提取方法

有效

• 申請號: 201911279704.6
• 申請日: 2019-12-13
• 公開（公告）號: CN111079750B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 周正欽;羅傳仙;龔浩;許曉路;江翼;吳念;周文;倪輝;朱詩沁
• 申請（專利權）人: 國網電力科學研究院武漢南瑞有限責任公司
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/762;G06K9/62;G06T5/30;G06T7/00;G06T7/11;G06T7/136
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 李滿;潘杰

1.一種基于局部區域聚類的電力設備故障區域提取方 法，其特征在于，包括以下步驟：

步驟1：構建電力故障圖像的Mediodshift區域聚類模型；

步驟2：根據Mediodshift區域聚類特性調整鄰域像素的灰度；

步驟3：對調整后鄰域像素進行局部區域聚類；

步驟4：閾值自高向低變化，循環步驟2-4，直至故障區域聚類完成；

步驟2中所述根據Mediodshift區域聚類特性調整鄰域像素的灰度，具體方法為：

令m₂(n)和m₁(n)分別為目標區域Ω₂(n)和背景區域Ω₁(n)的均值，n為迭代次數，整個圖像區間滿足Ω＝Ω₁∪Ω₂；

任取一個像素x∈N，如果該點的灰度值大于m₂(n)，則必然會通過Medioshift歸類為目標；而對于灰度值小于m₁(n)，則迭代時Mediodshift會將其歸類為背景；然而當該點的灰度值介于(m₁(n)，m₂(n))之間，則該像素的聚類會間接影響最終完整區域提取性能的優劣；

因此，為了能夠獲取目標鄰域相似灰度的像素，建立了如下的調整方法：

其中，I(x)表示像素x的灰度值；c_i,i＝1,2,3分別為系數，其累加和為1；sign()為符號項；

由上式可知，右邊由三部分構成，分別是激勵項，自身項以及懲罰項；其中，自身項系數c₂占據一定的比例；而其他兩項由其區域特性決定；激勵項c₁，主要由該像素x的鄰域中是否含有目標像素的多少決定，設置為：

其中k為其鄰域像素中屬于目標的個數，當該像素鄰域目標像素較多時，其本身為目標的概率也會因此而增加；而懲罰項因子c₃主要由該像素灰度值是否處于目標和背景中間而進行懲罰，特別是低于中間值時，其得到的灰度值會降低，使得其不再被Mediodshift聚類；

步驟3中所述對調整后鄰域像素進行局部區域聚類，具體為：

在Mediodshift迭代聚類分割中，規定背景區域Ω₁標記為0，目標區域Ω₂標記為1，分別表示為Ω₁＝{z|R_z(n)＝0,z∈Ω}和Ω₂＝{z|R_z(n)＝1,z∈Ω}，其中R為整個圖像Ω的聚類結果，n代表迭代時刻；

其中，規定局部區域為在每次迭代過程中所產生的目標區域到背景區域的過渡區域；

由此，可得到局部區域N為：

N(n)＝{x|M_x(n)＝1}∩{x|R_x(n-1)＝0}

式中為了獲得鄰域集合N，引入了數學形態學中的膨脹處理，由當前迭代得到的目標區域Ω₂進行膨脹，得到M為：

其中，表示膨脹符號，B為一個r×r的結構算子，這個結構算子包含圓形、方形和棱形；

為了獲得目標區域Ω₂的鄰域空間像素，在構造結構算子時采用方形，r為3的全1矩陣，以獲取8-鄰域空間像素；

針對鄰域像素x∈N，采用Medoidshift對局部區域N的像素進行分類判別；

在規定標記區域為目標的情況下，當迭代得到的收斂點落入目標區域，則認為該候選像素為目標像素，即歸類為Ω₂；

規定標記為目標區域像素不再重新分類，使得在迭代過程中滿足

背景區域則滿足

相對應地，會得到一組均值{m_i(n)}_i＝1,2；

步驟4中所述閾值自高向低變化直至局部區域聚類完成，具體為：

引入了閾值分割機制，即采用當前的目標聚類均值m₂(n)對整個圖像進行分割，然后針對新的區域采用對鄰域進行聚類，從而實現整幅圖像中故障區域的聚類。

2.根據權利要求1所述的基于局部區域聚類的電力設備故障區域提取方 法，其特征在于：步驟1中所述Mediodshift區域聚類模型為：

假設給定采樣點x_i∈R^d，i＝1，…，n，則點x處的概率密度估計為：

其中，Φ(·)為高斯核函數，h為固定帶寬，d表示維數，則聚類中心點可以通過最小化下式：

迭代得到，其中下標k表示迭代次數；y_k表示當前中心點的位置；y_k+1為迭代到下一步的中心點，且選自樣本集{x_i}中滿足上式的一個點；

對等上式右邊一階導估計y_k+1，可得

由于在迭代過程中，y_k是來自樣本集{x_i}中點，必然地，y_k+1屬于樣本集；

因此，在不斷的迭代情況下，每一次得到的樣本中心點都只需要計算在樣本集中{x_i}的結果，最終當前的樣本中心會收斂到了概率密度極大的中心位置；

由于二維圖像空間平面和灰度空間是兩個獨立的空間，因此本文將每個空間的核進行相乘，組合得到新的核函數：

其中Φ(·)為高斯核函數，h_s為圖像空間帶寬，h_r是灰度帶寬，C為歸一化常數，x為采樣點，包含了圖像空間特征x^s以及灰度空間特征x^r。