摘 要：红外图像分割对于电气设备的热故障检测至关重要。鉴于红外图像存在图像模糊、分辨率不高等缺点，为了增强红外图像的清晰度，改进红外图像分割效果，文章提出一种基于改进PSO优化的Otsu电气设备红外图像分割方法。该方法首先使用Sobel算子锐化图像；其次通过PSO-Otsu算法对电气设备红外图像进行分割；最后依据红外图像的特征优化PSO-Otsu算法中的参数，提高算法运行效率。实验结果表明，所提算法分割后的图像轮廓清晰，可识别性高，在图像分割效果和分割速度上都优于对比算法，能够满足对电气设备红外图像实时处理的需求。
关键词：Otsu；PSO-Otsu；电气设备；图像锐化；图像分割
中图分类号：TP301.6 文献标识码：A 文章编号：2096-4706（2024）15-0055-05
Infrared Image Segmentation Algorithm for Electrical Equipment Based on Improved PSO-Otsu
HU Yihong， WANG Kun
（Anhui Intelligent Quality Engineering Technology Co.， Ltd.， Wuhu 241000， China）
Abstract： Infrared image segmentation is crucial for thermal fault detection of electrical equipment. In view of the infrared images have the disadvantages of blurring and low resolution， in order to enhance the clarity of infrared images and improve the effect of infrared image segmentation， the paper proposes an Otsu electrical equipment infrared image segmentation method based on the improved PSO optimization. Firstly， the image is sharpened by Sobel operator. Secondly， the infrared image of electrical equipment is segmented by PSO-Otsu algorithm. Finally， the parameters in PSO-Otsu algorithm are optimized according to the characteristics of infrared image to improve the operation efficiency of the algorithm. The experimental results show that the images segmented by the algorithm proposed in this paper have clear contours and high recognizability. And it is better than the comparison algorithm in terms of image segmentation effect and segmentation speed， and can meet the demand for real-time processing of infrared images for electrical equipment.
Keywords： Otsu; PSO-Otsu; electrical equipment; image sharpening; image segmentation
0 引 言
电气设备在长期运行和环境因素的影响下，可能会出现不同等级的缺陷，甚至导致计划外停机，这对电气系统的安全稳定运行和公司财产造成了极大的威胁[1]。由于电气设备存在一定风险，直接接触会对工作人员造成伤害，因此考虑采用无接触的测量方式。红外热成像技术作为一种非接触无损检测技术，因其克服了传统检测技术的损伤大、效率低和检测难度大等缺点，被广泛应用于电气设备的热故障检测中。但是，由于红外图像的技术缺陷，有时会出现成像图片不清晰的问题[2]。图像锐化处理是解决这一问题的有效方法，其中锐化算子因其代码轻量化、锐化效果好以及处理速度快等优点而被广泛采用。
经过锐化处理，红外图像的清晰度得到增强，分辨率提高，但若需进一步识别，还需对锐化后的红外图像分割以突出关键信息。Otsu算法由于其优秀的图像分割效果和高效的代码执行而被广受青睐。尽管如此，Otsu算法仍存在计算复杂度高、分割速度慢、分割结果易受图片噪声影响等缺点。针对这些问题，许多学者提出了改进方法。陈志伟等[3]提出了一种基于改进Otsu算法的芯片识别分类系统，解决了光照不均匀性带来的影响和图片轮廓修正问题。邢致恺等[4]利用群智能优化算法来优化图像分割算法，解决了Otsu算法在多阈值图像分割中运算时间长和精度低的问题。Ma等[5]利用反向学习策略和自适应加权策略获得较优分割阈值，同时保证了高效率和高质量。Zhao等[6]则通过限制二维灰度阈值搜索范围提高了运行速度，并基于对称布局原则在迭代过程中调整PSO中的粒子位置，提升了阈值搜索速度。
针对红外图像分割效果和算法运行时间的问题，本文提出了一种基于改进粒子群优化算法（Particle Swarm Optimization， PSO）的Otsu电气设备红外图像分割算法。首先，使用Sobel算子对红外图像进行锐化处理，得到更清晰的图像。其次，根据电气设备场景红外图像优化参数后的PSO-Otsu算法实现对锐化后图像的分割。最后，从锐化算子、分割算法、PSO参数优化三方面进行比较实验，验证本算法锐化后的图片效果更佳，程序运行速度更快。
1 Otsu算法
Otsu算法是一种将目标与背景的自适应分割的算法，它基于最小误差概率规则来确定最佳阈值[7]。该算法通过计算目标区域与背景区域的对比度来确定分割阈值，对比度越大，两者的差异越明显。当对比度达到最大时，目标与背景的分割达到最优[8]。
设目标图像的灰度为L，目标图像中所有灰度的集合为G={0，1，2，…，L-1}，把灰度值i的像素计为ni，则图像的总像素数由式（1）表示：
（1）
灰度值为i的像素存在概率由式（2）表示：
（2）
式中：
假设使用灰度值t作为阈值把图像分割成两个区域。将灰度值在[0，t-1]的像素定义为C0，表示背景。灰度值在[t，L-1]之间的像素定义为C1，表示目标。图像中背景区域存在概率ω0和平均灰度值μ0，用式（3）计算：
（3）
图像中目标区域存在概率ω1和平均灰度μ1通过式（4）计算：
（4）
整幅图像平均灰度值μ计算如下：
（5）
则C0和C1之间的类间方差可以表示为：
（6）
一般来说，在红外图像中温度越高，其相对亮度越大，所对应的目标灰度值也就越大。在Otsu中，以分割阈值为界，灰度值高于阈值为目标区域，反之，为背景区域。
2 PSO-Otsu算法
2.1 红外图像预处理
图像锐化的目的是为了解决红外热像仪获取的图片物体轮廓不明显的问题。一般步骤是首先对检测到的轮廓进行补偿，然后增强图像边缘和灰度跳变部分。在图像锐化处理过程中，Robert和Sobel算子[9]在处理低噪声信号的图像效果良好，但在复杂噪声处理方面效果较差。Prewitt算子对噪声抑制效果好，但是对图像边缘的定位较差。Laplacian和LOG算子在进行图像边缘检测时效果良好，但容易受到噪声影响。对于通常噪声较少的红外图像而言，需要解决的主要问题是目标边缘不明显，因此Sobel算子是一个很好的选择。
2.2 PSO算法
PSO算法设计了一种无质量、无大小的粒子，通过模拟鸟群中鸟的运动规律来实现粒子优化。粒子通过速度和位置分别表示粒子移动的快慢和方向[10]。每个粒子在各自所在的区域内寻找最优解，这个解被记为区域最优解pbest[i]。通过粒子间区域最优解的共享，找到其中的最优个体极值作为全局最优解gbest，在寻找全局最优解的过程中，每个粒子通过式（7）和（8）不断更新各自的速度和位置：
（7）
式中，w表示惯性权重，决定粒子的搜索范围；c1、c2表示加速系数，其中c1使粒子趋向于返回到它们各自的最佳搜索区域；c2使粒子移动到当前的最佳搜索区域；r1和r2表示[0，1]之间随机数。
（8）
式中，xi（t）表示当前位置，vi（t+1）表示移动到下一位置过程中的速度，xi（+1t）表示下一位置。
2.3 改进PSO-Otsu算法
2.3.1 PSO-Otsu处理过程
PSO-Otsu算法的原理是将PSO算法中的适应度函数由代替，以求解Otsu的最佳分割阈值，并以最佳分割阈值分割图像。每个粒子当前的位置对应着粒子当前的阈值组合，而这一阈值组合决定了当前得到的与最大的接近度，并通过不断的迭代获得最佳阈值[11]。每个粒子在迭代时，都会通过参考pbest[i]和gbest来更新速度和当前个体阈值。算法流程图如图1所示。
其优化过程可以描述如下：
1）适应度函数初始化：用式（6）计算出图像的，并将作为PSO初始化的适应度函数。
2）PSO算法参数初始化：初始化粒子群数目M、w及最大迭代次数itermax、c1、c2。使用随机函数获得区域内每个粒子的随机初始位置（xi1，xi2，…，xis-1）和初始速度（vi1，vi1，…，vis-1）。
3）粒子位置和速度更新：根据，求出每个粒子的pbest[i]和gbest；根据式（7）和式（8）更新粒子的速度和位置，再根据式（6）计算出新的值。
4）算法终止判断条件：一是算法达到设定的itermax；二是达到最大值保持不变。此时即为图像的最佳分割阈值Tbest。否则，程序转到步骤1）继续执行。
5）使用得到的阈值分割图像：根据最佳分割阈值Tbest对图像进行分割处理。
2.3.2 根据红外图像优化PSO中参数
在PSO算法中，参数值的不同会影响到算法的运行效率。电气设备图像具有其自身的特征，如图像中直线、矩形等规则图形多，不规则曲线少。根据电气设备红外图像的特征调整PSO参数，可以提高计算效率。
M较小时，粒子容易陷入局部最优；较大时，会提高收敛性，并且当种群数目达到一定水平时，进一步增大权重不会再有显著作用。vmax较小时会使粒子收敛速度慢，较大时会导致粒子在调整速度和位置时出现超调现象。itermax太小解不稳定，太大浪费资源。w较大有利于跳出局部极值，较小有利于算法收敛。c1、c2较小使粒子在目标区域外徘徊，较大导致粒子越过目标区域。初始参数的优化通过实验确定最优参数范围，w通过权重自适应的方式调整，c1、c2通过增加收缩因子获得合适的加速度系数。
为解决惯性权重的实际优化问题，我们采用了自适应调整策略，即随着迭代次数的增加，线性的减小w的值。式（9）为描述种群进化整体适应度值的变化，并给出了进化离散度的定义，将第i代种群与第i-1代种群的适应度标准差的比值定义为进化离散度k（i）：
（9）
用Sigmoid函数来构造神经元激活函数，其定义为：
（10）
联合进化离散度k（t）和Sigmoid函数，给出非线性动态自适应惯性权重因子计算式：
（11）
式中，ωmax、ωmin表示最大、最小惯性权重，i表示当前迭代次数，itermax最大迭代次数，阻尼因子b取0.5。
c1将粒子推向个体最优位置pbest[i]，c2将粒子推向群体最优位置gbest，如式（12）通过向速度更新公式中引用收缩因子，改变粒子在局部最优位置的收敛速度。
（12）
其中，收缩因子，c=c1+c2，且c＞2。
3 实验结果与分析
3.1 锐化算子比较
在锐化算子比较实验中，我们选择了Sobel、Roberts、Prewitt、Laplacian和LOG算子。这五种算子较为经典，锐化效果好，为了直观地展示这些算子的性能差异，下面选取了5组经典图片进行比较，如图2所示。
实验结果表明，对于Cameraman图像，Prewitt算子的锐化效果是最好的。但是，在处理线路接合点和电气设备的图像时，Sobel算子的锐化效果明显优于其他算子。通过上述实验对比，在针对电路接合点和电气设备的这类工作环境图像的锐化处理中，Sobel算子的锐化效果更好。
3.2 分割算法比较
如图3所示，通过5组图片在不同算法下的定性对比，可以观察出本文算法在对处理后的图像分割效果上更为优越，分割出来的图片轮廓更加清晰，有利于后续的计算机识别工作。特别是在对电气设备和线路接合点的图像进行分割时，本文算法得到的图片相比其他三种方法更为清晰，可识别度更高。
由于一些图像的分割结果难以通过直观方式进行区分，因此本文采用了CPU占用率、程序运行时间、均方根误差（RMSE）和峰值信噪比（PSNR）等客观评价标准来定量比较不同算法的分割性能。
从平均分割时间来看，GA-Otsu算法在处理Cameraman和线路接合点这两张灰度直方图相对简单的图像时，分割效果优于Otsu算法，但在其他图像上的分割效果甚至不如Otsu方法。相比之下，PSO-Otsu算法的分割时间普遍优于Otsu和GA-Otsu算法，但在处理电气设备这类复杂图像时，其分割时间却略长于Otsu算法。综合比较，本文算法在阈值分割的准确性和运行时间方面均优于其他三种方法。
CPU占用率用来描述计算空间复杂度；程序运行时间用来评估计算时间复杂度；RMSE用于量化预测值与实际值之间的差异，差值越小表示实际值与预测值越接近，即分割效果越好；PSNR是衡量阈值质量的重要指标，PSNR值越大，说明分割结果的质量越高。
表1实验结果表明，在RMSE方面，本文提出的算法RMSE值最小，分割效果最好。在PSNR方面，GA-Otsu阈值质量最差，PSO-Otsu与Otsu算法表现相似，值得注意的是，本文算法获取的阈值质量最佳。从平均分割时间来看，GA-Otsu在处理Cameraman和线路接合点这两张灰度直方图相对简单的图像时，分割效果优于Otsu，但在其他几张的分割效果甚至不如Otsu方法。相比之下，PSO-Otsu的分割时间普遍优于Otsu和GA-Otsu算法，但在处理电气设备这类复杂图像时，其分割时间却比Otsu差一些。综合比较，本文算法在阈值分割的准确性和运行时间方面都要优于其他三种方法。
3.3 针对图像的PSO-Otsu算法参数优化
为了获得更好的电气设备图像分割效果，我们决定对PSO中的参数进一步优化。依次测试M，粒子最大速度和itermax的最优值，前一次测试的最优值直接应用于下一次测试。为了保证实验有序性，进行定量分析，设定初始值itermax为10；粒子最大速度为4。一般来说，itermax越大，所花费的时间越多，但是可以考虑在其他参数都是优化的情况下，减少迭代次数，同样能达到节省程序运行时间的目的。
实验结果表明，对PSO中初始值参数进一步优化，得到的最优值区间范围为：M为[25，35]，粒子最大速度为[5，10]，itermax为[8，10]。
4 结 论
现实环境中获取的红外图像，一般都有模糊和分辨率不高的缺点，为了弥补这个缺点，提高红外图像的分割精度，本文提出了一种改进的PSO-Otsu算法。该方法主要解决了以下三个问题：一是红外图像的锐化。通过对比常用的五种锐化图像算子对五组图像的优化效果，选择应用于电气设备红外图像最优的Sobel算子，该算子优化后的图像轮廓清晰，关键部位突出，适合实际应用的场景。二是红外图像的分割。本文分别使用Otsu、GA-Otsu、PSO-Otsu和本文提出的算法对红外图像进行分割，从分割的效果可以看出，本文算法在分割后的图像可识别度更高，关键位置的轮廓更加突出。三是实时处理能力。优化处理速度效果较好的方法主要有GA和PSO算法，通过实验结果可以看出，PSO优化的Otsu的处理时间更优。此外，根据电气设备图像特征对PSO-Otsu进行的参数优化，进一步提高了程序运行效率。
针对未来研究方向，可以从以下三方面进行改进：一是运用图像融合算法。通过融合红外和可见光图像，结合两类图像的优势信息（红外图像温度信息，可见光图像的纹理信息），提高图像清晰度。二是使用更为先进的算法进行多级阈值分割，比如FCN（Fully Convolutional Network）算法、SetNet算法和SOLO（Segmenting Objects by Locations）算法等。三是增加实验数据，根据特定环境图片，进一步优化算法中的参数。
参考文献：
[1] 刘琦，付宝鑫，杨浩.电力电子技术在风力发电中的应用 [J].电子技术，2023，52（1）：230-231.
[2] 王建鑫，郭佑民，杨君.滚动轴承红外热成像故障诊断与状态监测 [J].红外技术，2023，45（10）：1045-1051.
[3] 陈志伟，李世峰，刘锋.基于改进Otsu算法的芯片识别分类系统 [J].微电子学与计算机，2021，38（4）：6-10.
[4] 邢致恺，贾鹤鸣，宋文龙.基于莱维飞行樽海鞘群优化算法的多阈值图像分割 [J].自动化学报，2021，47（2）：363-377.
[5] MA G R，YUE X F. An Improved Whale Optimization Algorithm Based on Multilevel Threshold Image Segmentation Using the Otsu Method [J/OL].Engineering Applications of Artificial Intelligence，2022，113：104960[2023-12-26].https：//doi.org/10.1016/j.engappai.2022.104960.
[6] ZHAO Y Q，YU X Y，WU H B，et al. RETRACTED： A Fast 2-D Otsu Lung Tissue Image Segmentation Algorithm Based on Improved PSO [[J/OL].Microprocessors and Microsystems，2021，80：103527.[2023-12-26].https：//doi.org/10.1016/j.micpro.2020.103527.
[7] 徐武，王欣达，高寒，等.融合改进人工蜂群与Otsu的图像分割算法 [J].计算机仿真，2023，40（6）：229-233.
[8] 张啸宇，方忠庆，杜义，等.基于改进非洲秃鹫优化算法的图像阈值分割研究 [J].软件工程，2023，26（10）：19-26.
[9] 尹雪松.基于Sobel算子的飞机舱门边缘检测 [J].自动化应用，2023，64（24）：210-212+215.
[10] 袁新杰，刘芳，侯中军.基于GA-PSO-Otsu算法的质子交换膜燃料电池催化层孔结构自适应识别 [J].汽车工程，2023，45（9）：1702-1709.
[11] 徐武，文聪，唐文权，等.基于Lab颜色空间的融合改进二进制量子PSO和Otsu优化算法 [J].计算机应用与软件，2022，39（6）：265-268+349.
作者简介：胡义宏（1975—），男，汉族，安徽芜湖人，工程师，本科，研究方向：图像处理、工业控制、视频及弱电智能化工程规划实施管理；通讯作者：王坤（1998—），男，汉族，安徽亳州人，助理工程师，硕士，研究方向：图像处理、目标检测。
