0 引言

    隨著電力企業(yè)針對電力設(shè)備狀態(tài)檢修工作的深入開展，紅外成像技術(shù)因其不用停電并能檢測設(shè)備是否存在故障的優(yōu)勢，已經(jīng)成為電力設(shè)備帶電檢測的重要手段。然而，目前對紅外成像技術(shù)的分析主要依賴專業(yè)技術(shù)人員憑借經(jīng)驗完成，這對于工作人員而言，設(shè)備紅外檢測需要耗費大量時間，存在工作量大、效率低、易漏檢、管理成本高等缺點。因此，構(gòu)建一個紅外圖像處理系統(tǒng)實現(xiàn)自動監(jiān)測電力故障情況，成為了電力企業(yè)開展電力故障檢測的亟需解決的問題。

    在整個紅外圖像處理系統(tǒng)中，高質(zhì)量的故障區(qū)域提取不僅能夠準確地確定場景中的設(shè)備故障點，而且能夠為后續(xù)的狀態(tài)檢測與故障識別提供好的特征信息。通常，電力故障紅外圖像存在一些固有特征，其主要表現(xiàn)在：(1)故障區(qū)域相比于正常區(qū)域所呈現(xiàn)的亮度要高，即對應的圖像灰度值較大；(2)故障區(qū)域與非故障區(qū)域存在一定的邊界，當從故障區(qū)域過渡到非故障區(qū)域，所體現(xiàn)出來的梯度相對較大。然而，采用傳統(tǒng)的提取方法，如最大類間方差法(Otsu)容易因背景類方差大的影響，與實際的閾值發(fā)生偏離；Meanshift聚類以及圖割等方法也同樣會將整個圖像劃分為多個部分，且需要進一步處理才能得到高質(zhì)量的有效區(qū)域。脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network，PCNN)是基于仿生學而發(fā)展成為一種有效的區(qū)域提取方法，該方法可以使得相似灰度的神經(jīng)元同步發(fā)放脈沖，從而在一定程度上可區(qū)分不相似神經(jīng)元。然而，PCNN模型目標提取的性能受參數(shù)影響較大，特別是動態(tài)閾值的調(diào)整、連接系數(shù)和迭代次數(shù)的選擇，這使得其在提取圖像區(qū)域提取過程受到了很大的限制。

    為了有效解決PCNN模型參數(shù)設(shè)置問題，國內(nèi)外的研究工作主要集于參數(shù)的簡化以及模型的改進^[1-4]，并嘗試尋找圖像特性與參數(shù)之間的關(guān)系。畢英偉等^[5]從圖像本身空間和灰度特性出發(fā)，自適應調(diào)整連接權(quán)重、連接系數(shù)。CHEN Y等^[6]根據(jù)神經(jīng)元動態(tài)特性建立了參數(shù)與圖像靜態(tài)特性之間的關(guān)系，得到了一組自適應參數(shù)。WEI S等^[7]根據(jù)人眼對亮度的直觀感受建立了閾值衰減常數(shù)與圖像特性之間的關(guān)系，并采用基于熵的方法確定迭代次數(shù)，使得模型能自動區(qū)域提取，但其他一些參數(shù)仍需要手工調(diào)整，例如連接系數(shù)。因連接系數(shù)對神經(jīng)元發(fā)放同步脈沖具有重要意義，KUNTIMAD G和RANGANATH H S^[4]首次分析了在灰度分布重疊情況下的該值的區(qū)間范圍，但所得到的完美分割條件相當嚴格，而方勇等^[8]提出了更為簡潔的估計方法。另外，由于PCNN是一個迭代的區(qū)域提取模型，為了能自適應得到結(jié)果，常用的方法是通過添加一種停止規(guī)則，如熵準則^[5，7，9]、類內(nèi)最小離散度^[10]等，但這些方法的嵌入都需要令所有神經(jīng)元都發(fā)生點火，而且提取效果受這些準則影響較大。

    本文針對電力系統(tǒng)故障紅外自動檢測，提出了一種以聚類為規(guī)則的PCNN紅外圖像亮度區(qū)域提取方法。在該方法中，將神經(jīng)元點火區(qū)域歸類為目標并保持神經(jīng)元點火狀態(tài)，融合一種非參數(shù)聚類規(guī)則，確保點火的神經(jīng)元與目標區(qū)域的相似性，使得本文的方法具有更優(yōu)的區(qū)域提取性能。

1 脈沖耦合神經(jīng)網(wǎng)絡(luò)

    脈沖耦合神經(jīng)網(wǎng)絡(luò)作為新一代神經(jīng)網(wǎng)絡(luò)，起源于ECKHORN R等^[11]對貓等哺乳動物視覺神經(jīng)元發(fā)放脈沖現(xiàn)象的研究，構(gòu)成PCNN的單個神經(jīng)元模型如圖1所示。

    與其他神經(jīng)網(wǎng)絡(luò)圖像處理不同的是PCNN無需訓練，而且其內(nèi)部隱含著兩大重要機制^[12]：同步點火和動態(tài)閾值調(diào)制。同步點火機制是基于點火的神經(jīng)元通過鄰域連接激勵鄰域神經(jīng)元點火原理，有助于提取目標相似區(qū)域。而動態(tài)閾值調(diào)制，是以全局閾值為基礎(chǔ)，并隨神經(jīng)元點火狀態(tài)而發(fā)生變化，從而在一定程度上可控制目標區(qū)域到背景區(qū)域的變化。由圖1可知，每一個神經(jīng)元的行為可以用簡潔的離散數(shù)學模型描述：

其中，下標x表示神經(jīng)元x對應像素的空間坐標位置， y為x鄰域集合N_x中的一個神經(jīng)元，且每個神經(jīng)元與圖像空間坐標位置一一對應，從而形成一個二維網(wǎng)絡(luò)模型，n為迭代次數(shù)。根據(jù)上述的離散數(shù)學模型，可以將模型劃分為三個部分：信息輸入、耦合調(diào)制和脈沖生成。信息輸入主要來自連接輸入L和反饋輸入F兩個通道，在每一個通道中，神經(jīng)元分別通過權(quán)重矩陣M/W接收來自鄰域神經(jīng)元點火信息，另外，在反饋輸入F接收來自外部的圖像信息I，如灰度、紋理等。這些信息都將在衰減常數(shù)α_F和α_L作用下呈指數(shù)衰減，V_F和V_L表示其鄰域輸入幅度。在連接系數(shù)β作用下，每一個輸入通道所攜帶著的神經(jīng)元信息將以非線性耦合的方式調(diào)整神經(jīng)元的內(nèi)部活動激勵U，如式(3)所示。當神經(jīng)元x內(nèi)部活動激勵U_x超過閾值E_x時，由式(4)可知，神經(jīng)元發(fā)生點火，即輸出脈沖Y_x=1。隨后在式(5)所示的動態(tài)閾值調(diào)制下，神經(jīng)元周而復始地發(fā)生點火，使得在某個時刻，相似的神經(jīng)元能夠同時點火，從而生成脈沖序列，便于后續(xù)分析。

2 簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)及參數(shù)設(shè)置

2.1 簡化模型

    由于PCNN在處理過程中，需要設(shè)置多個參數(shù)，常用的方法是通過反復實驗的方式調(diào)整^[3]，特別是動態(tài)閾值E。因神經(jīng)元點火的變化使得模型是按時間順序而不是直接根據(jù)圖像灰度信息生成脈沖序列，從而引起目標區(qū)域劃分成多個脈沖序列。為此，在本文中，根據(jù)目標區(qū)域信息構(gòu)建新的動態(tài)閾值，如圖2所示。

    相比于圖1的PCNN模型，本文模型在連接輸入L和反饋輸入F兩通道中添加了鄰域灰度信息，并適當簡化得到的連接輸入L和反饋輸入F：

    這種簡化使得神經(jīng)元內(nèi)部活動U的調(diào)節(jié)更為直觀，同時也可以減少參數(shù)確定的復雜性。此外，為了協(xié)調(diào)該模型的同步點火機制，本文根據(jù)目標區(qū)域信息自適應確定連接系數(shù)β，并通過融合了一種非參數(shù)的聚類規(guī)則，抑制因過大的連接系數(shù)而被點火的神經(jīng)元，使得模型通過迭代能夠有效地分離目標和背景。

2.2 參數(shù)設(shè)置

2.2.1 權(quán)重W/M的確定

    在輸入通道中，每一個神經(jīng)元通過權(quán)重W/M傳遞8鄰域神經(jīng)元信息，在本文中，權(quán)重W取值為相鄰神經(jīng)元的歐氏距離的倒數(shù)，如下式所示。

    結(jié)合式(6)可知，只有當神經(jīng)元發(fā)生點火時，其鄰域連接輸入才不為零，從而使得鄰域神經(jīng)元的內(nèi)部活動激勵增加，并因此可能被捕獲而發(fā)生同步點火。

    在反饋通道中，為了對噪聲的抑制，且假設(shè)噪聲服從高斯分布，則權(quán)重矩陣M設(shè)置為：

其中，σ_h為高斯尺度。

2.2.2 動態(tài)閾值的確定

    從式(5)不難發(fā)現(xiàn)，當神經(jīng)元內(nèi)部活動U超過動態(tài)閾值E時，得到脈沖輸出Y。由于原始的動態(tài)閾值是周期性變化過程，而且背景神經(jīng)元也會經(jīng)歷點火，這增加了確定模型的最佳區(qū)域提取的難度。為此，本文構(gòu)建了一種分段閾值：

其中，V_E與T_H為門限值。相比式(5)的動態(tài)閾值，該閾值E直接將圖像直方圖分為兩個區(qū)段，即[0 T_H]、[T_H 255]。顯然，灰度值在區(qū)間[0 T_H]的神經(jīng)元其門限值要高于灰度值在[T_H 255]的神經(jīng)元。在保持神經(jīng)元點火狀態(tài)不變的情況下，假設(shè)目標區(qū)域像素灰度值總是圍繞其均值分布，進而選擇T_H為區(qū)域均值：

    另外，由式(10)可知，門限值V_E控制灰度在區(qū)間[0 T_H]的神經(jīng)元點火狀態(tài)，而在區(qū)間[0 T_H]，最大灰度值為T_H。因此本文令V_E=T_H，從而使得在連接系數(shù)β和鄰域點火神經(jīng)元作用下，當鄰域神經(jīng)元內(nèi)部活動U超過目標均值，可將該神經(jīng)元歸類為目標而發(fā)生點火，但為了捕獲鄰域相似的神經(jīng)元且避免非目標區(qū)域神經(jīng)元發(fā)放脈沖，本文模型需要設(shè)置合適的連接系數(shù)β。

2.2.3 連接系數(shù)的確定

    在PCNN數(shù)學模型中，β值通常是一個確定的常數(shù)值，當β值越大，由式(3)可知，鄰域神經(jīng)元內(nèi)部活動激勵U越大，使得鄰域神經(jīng)元被捕獲的可能性隨之也增加，因此捕獲鄰域神經(jīng)元所需的β值滿足：

2.2.4 迭代次數(shù)的確定及輸出

    由于PCNN模型圖像處理是一個迭代過程，因變化的β和內(nèi)部連接耦合的雙重影響，每一次迭代得到的新點火神經(jīng)元{x|Y_x(n-1)=0 & Y_x(n)=1}中容易存在被捕獲的背景神經(jīng)元，為此本文將融合一種概率密度最大聚類規(guī)則，重新調(diào)整點火神經(jīng)元的狀態(tài)。

    假設(shè)采樣點x_i∈R^d，i=1，…，N。則點x處的概率密度估計如下式所示：

    因此在迭代過程中，當前的樣本中心會收斂到概率密度極大的中心位置，為了清晰的描述其迭代過程，其中心點漂移如圖3所示。

    由于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組合得到新的核函數(shù)：

其中，K為高斯核函數(shù)，h_s為圖像空間帶寬，h_r是灰度帶寬，C為歸一化常數(shù)。

    在上述的聚類規(guī)則下，當前新點火的神經(jīng)元狀態(tài)能夠有效得到調(diào)整，同時為本文的PCNN模型提供了更為高效的迭代停止條件，即在迭代過程中，脈沖輸出Y不再發(fā)生變化時，將其作為模型的最終提取結(jié)果。

3 實驗結(jié)果及分析

    為了便于比較與分析，本文模型在Intel(R) Core(TM) i5 CPU 4 GB內(nèi)存PC MATLAB(2010b)上編程實現(xiàn)。圖4(a)~圖4(b)給出了實拍紅外圖像。顯然，電力故障區(qū)域即為圖像中亮度較高的區(qū)域。實驗中，本文模型的初始化參數(shù)σ_h=1，β=0.3，核參數(shù)h_s=3，h_r=5，k=10，以及最高亮度神經(jīng)元為初始點火神經(jīng)元。為了進一步說明該模型比傳統(tǒng)閾值方法以及PCNN模型分割的有效性，在相同平臺下應用Otsu、EM、PCNN^[7]以及Normalized Cuts^[14]等與本文方法進行對比實驗，得到的結(jié)果分別如圖5(a)~圖5(e)所示。

    從圖5所示的區(qū)域提取結(jié)果可見，本文提出的模型對故障區(qū)域以及區(qū)域完整性都得到了很好的保障；Otsu方法因閾值受非感興趣區(qū)域方差大，使得閾值向低灰度值偏移，最終獲取的結(jié)果顯然將非故障區(qū)域歸類為故障區(qū)域；EM方法是一種參數(shù)化的閾值方法，通常假設(shè)圖像直方圖中目標和背景呈高斯分布，因此受均值、方差等參數(shù)影響較大，特別是高亮區(qū)域灰度均值大，但方差小，最終導致分割失效；PCNN模型分割在一定程度上依賴于其參數(shù)設(shè)置，WEI S的方法因受熵規(guī)則以及動態(tài)閾值的影響，使得提取結(jié)果與實際相差較大；Normalized cuts針對紅外檢測圖像，也表現(xiàn)出較差的提取效果。而本文方法是建立在電力設(shè)備紅外故障特性基礎(chǔ)上，其次，區(qū)域亮度均值作為閾值能夠有效地抑制背景神經(jīng)元的點火，并在連接系數(shù)的作用下融合概率密度最大聚類規(guī)則，使得最終獲得完整的區(qū)域，從而為后續(xù)電力故障自動辨識奠定基礎(chǔ)。

4 結(jié)論

    本文給出了一種基于PCNN的電力系統(tǒng)故障區(qū)域的提取方法。在該方法中，設(shè)計了一種新穎的自適應動態(tài)閾值，并研究了連接系數(shù)確定的有效方法。同時，通過采用一種聚類方法進一步提高模型的性能。實驗結(jié)果表明，所提出的算法是有效可行的，且與傳統(tǒng)閾值、Normalized Cuts以及PCNN分割方法相比，本文算法能夠得到較優(yōu)的結(jié)果。為此，作為電力故障區(qū)域自動化檢測重要的一部分，本方法可以極大地方便運維人員在線巡檢、數(shù)據(jù)分析等操作，同時為后續(xù)的快速定位奠定基礎(chǔ)。

參考文獻

[1] 周東國，高潮，郭永彩.自適應分層閾值的簡化PCNN紅外人體圖像分割[J].計算機輔助設(shè)計與圖形學學報，2013，25(2)：208-214.

[2] 江平，張強，李靜，等.基于NSST和自適應PCNN的圖像融合算法[J].激光與紅外，2005，44(1)：108-113.

[3] MA Y，LIU L，ZHAN K，et al.Pulse-coupled neural networks and one-class support vector machines for geometry invariant texture retrieval[J].Image and Vision Computing，2010，28(11)：1524-1529.

[4] KUNTIMAD G，RANGANATH H S.Perfect image segmentation using pulse coupled neural networks[J].IEEE Transactions on Neural Networks，1999，10(3)：591-598.

[5] 畢英偉，邱天爽.一種基于簡化PCNN的自適應圖像分割方法[J].電子學報，2005，33(4)：647-653.

[6] CHEN Y，PARK S K，MA Y，et al.A new automatic parameter setting method of a simplified PCNN for image segmentation[J].IEEE Transactions on Neural Networks，2011，22 (6)：880-892.

[7] WEI S，HONG Q，HOU M.Automatic image segmentation based on PCNN with adaptive threshold time constant[J].Neurocomputing，2011，74(9)：1485-1491.

[8] 方勇，戚飛虎，裴炳鎮(zhèn).一種新的PCNN實現(xiàn)方法及其在圖像處理中的應用[J].紅外與毫米波學報，2005，24(4)：291-295.

[9] 馬義德，戴若蘭，李廉.一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和圖像熵的自動圖像分割方法[J].通信學報，2002，23(1)：26-31.

[10] 齊永鋒，火元蓮，張家樹.基于簡化的PCNN與類內(nèi)最小離散度的圖像自動分割方法[J].光電子·激光，2008，19(9)：1258-1261.

[11] ECKHORN R，REITBOECK H J，ARNDT M，et al.Feature linking via synchronization among distributed assem blies：simulations of results from cat visual cortex[J].Neural Computation，1990，2(3)：293-307.

[12] KINSER J M.A simplified pulse-coupled neural network[C].Proc.SPIE，Orlando，USA，1996，2760：563-569.

[13] SHEIKH Y A，KHAN E A，KANADE T.Mode-seeking byMedoidshifts[C].Proc.of the IEEE International Conference on Computer Vision，Rio de Janeiro，2007：1-8.

[14] Shi Jianbo，MALIK J.Normalized cuts and image segmentation[J].IEEE Transactions on PatternAnalysis and Machine Intelligence，2000，22(8)：888-905.