【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种用于红外图像的超像素聚类方法及装置。
技术介绍
1、变电设备的稳定运行对于保障公共电力供应的安全性和可靠性至关重要。然而，由于长时间带电作业和材料老化，变电设备可能会产生发热和高温故障，这可能导致断路和设备损毁。因此，采用红外热像仪采集红外图像进行定期巡检是确保电力系统安全运行的关键步骤。
2、热红外仪采集的红外图像分辨率较低，受环境影响比较大，对于同一个数据点的数据，可能会产生波动，这会造成红外图像与其它数据进行配准融合时产生不准确问题。针对这一问题，现有技术中一般采用超像素聚类解决此问题。
3、超像素聚类是图像处理中的一项关键技术，它将图像聚类成具有相似特征的区域，对于后续的图像分析任务具有重要意义。现有的超像素聚类主要可分为传统的超像素聚类方法以及基于深度学习的超像素聚类方法。传统的超像素聚类方法也可以简单的划分成基于计算机图形计算方法以及基于梯度的聚类方法。其中第一种主要是通过计算机图形学方法如腐蚀、膨胀、开运算以及闭运算等操作对图片中的像素进行迭代计算，该方法通常将像素的邻近关系作为边的检索条件，将超像素聚类转化为图的连通性划分的优化问题，一般需要进行大量的迭代运算并且对于部分算子的权重参数异常敏感。第二种方式主要是由kmeans聚类的思想延伸而来，其代表方法就是简单线性迭代聚类(simple lineariterative clustering,slic)，其通过选择初始聚类数量后，依据距离度量函数更新聚类中心新并优化聚类结果，直到满足迭代次数，该方法思路简
4、基于深度学习的超像素聚类大多依托于cnn对于图片强大的特征提取效果实现，首先用cnn提取特征，然后采用聚类的方法根据特征进行超像素聚类，本质上是在cnn扩展数据特征维度后，再使用传统聚类方法进一步完成超像素聚类。此外，现有技术中还有通过将深度学习与slic的思想结合，例如，专利文本(cn107316289b)公开了一种基于深度学习和超像素聚类的大田稻穗聚类方法，该方法利用超像素聚类技术中的简单线性迭代聚类方法，将具有相似特征的相邻像素构成图像块即超像素，在大规模训练样本自动标注和选择的基础上，由深度学习技术中的卷积神经网络判别超像素类别实现稻穗的初步聚类，并由基于熵率的超像素聚类方法对初步聚类结果进行优化。其同样保留了slic多次迭代更新聚类中心的思想，但是需要大量的人工标注，同时在时间方面并没有很明显地优化。但是这些深度学习的方法并没有对于超像素的连通性进行约束，因此可能会产生分离的零碎超像素，为了保证超像素的连通性，需要增加额外的后处理步骤将零碎超像素进行合并，而这个后处理步骤往往是独立于深度学习的框架。因此为了省去合并超像素的后处理步骤，现有技术中提出了超像素差值网络(superpixel interpolationnetwork，sin)，其根据超像素个数生成初始分辨率的超像素结果，并通过水平和竖直2个方向交替插值生成与原图像相同分辨率的超像素聚类结果，这种方式可以避免产生零碎超像素，并且保证了时效性，但是超像素聚类的结果并不理想。以上方法均为监督学习的方法，需要预先对于数据进行大量的处理和标注，并且需要大批量的数据进行训练实现模型的泛化。
5、此外，现有技术中还有利用cnn无监督生成超像素，该方法将图像超像素聚类任务看作分类任务，对于每个像素进行不同超像素模块的分类任务，利用图像重构的损失和交叉熵损失构造损失函数，去除对于标签的依赖。lns(learning superpixel in a non-iterative and lifelong manner)方法同样基于cnn实现了无监督、非迭代、轻量化的超像素聚类网络。但以上无监督的方法强烈依赖大量数据训练，如果输入图像与训练集特征差异较大，模型的最终表现会受到很大的挑战。
6、综上，由于红外热像仪采集的红外图像分辨率低，图像模糊，含噪声多等问题，且变电设备结构复杂，传统超像素聚类方法往往难以准确捕捉边缘信息，导致聚类结果失真，聚类准确性不高。而深度学习方法并没有对于超像素的连通性进行约束，因此可能会产生分离的零碎超像素，此外，不管是有监督的学习方法还是无监督的学习方法，需要大批量的数据进行训练实现模型的泛化，计算速度慢。
技术实现思路
1、本专利技术提供了一种用于红外图像的超像素聚类方法及装置，能够保证红外图像超像素聚类的准确性。
2、一种用于红外图像的超像素聚类方法，包括：
3、采集原始红外图像，并将所述原始红外图像转换到lab颜色空间，获得lab颜色模式图像；
4、对所述lab颜色模式图像提取感兴趣区域；
5、对所述lab颜色模式图像的每个像素的每个特征要素采用sobel算子计算梯度，获得每个像素的梯度值；
6、设置初始聚类个数，根据所述梯度值和所述初始聚类个数采用非迭代聚类方法对所述lab颜色模式图像进行初始聚类，获得初始超像素聚类结果；
7、根据所述初始超像素聚类结果更新聚类个数；
8、根据感兴趣区域内像素的梯度值和更新的聚类个数采用迭代聚类方法对感兴趣区域进行二次聚类，获得感兴趣区域的精细超像素聚类结果；
9、基于初始超像素聚类结果和感兴趣区域的精细超像素聚类结果进行零碎超像素合并，获得最终聚类结果。
10、进一步地，对所述lab颜色模式图像提取感兴趣区域，包括：
11、根据预设的a通道色调阈值和b通道色调阈值，遍历所述lab颜色模式图像的每个像素，选取a通道值和b通道值大于所述a通道色调阈值和b通道色调阈值的像素作为感兴趣区域。
12、进一步地，对所述lab颜色模式图像的每个像素的每个特征要素采用sobel算子计算梯度，包括：
13、采用sobel算子对所述lab颜色模式图像的每个像素的亮度、a通道和b通道进行梯度计算，获得亮度梯度值和色调梯度值；
14、根据亮度空间范围和色调空间范围，对所述亮度梯度值和色调梯度值进行归一化处理和合并，获得像素的梯度值。
15、进一步地，根据所述梯度值和所述初始聚类个数采用非迭代聚类方法对所述lab颜色模式图像进行初始聚类，获得初始超像素聚类结果，包括：
16、设置k个初始的第一聚类中心并建立k个队列，k为所述初始聚类个数；
17、搜索初始的第一聚类中心邻域内的像素，并根据搜索的像素的梯度值计算像素与初始的第一聚类中心的距离，将像素信息与距离信息组成元素，按照距离从小到大的顺序依次将所述元素加入至相应的队列中；
18、将初始的第一聚类中心作为初始的超像素；
19、从所述各个队列中提取第一个元素对应的像素加入至相应的超像素中，并释放队列中的剩余元素，对加入至超像素中的像素进行标记；
20、循环执行如下第一聚类操作，直到所有的像素都分配至相应的超像素：计算超像素内各个像素与第一聚类中心本文档来自技高网...
【技术保护点】
1.一种用于红外图像的超像素聚类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，对所述Lab颜色模式图像提取感兴趣区域，包括：
3.根据权利要求1所述的方法，其特征在于，对所述Lab颜色模式图像的每个像素的每个特征要素采用Sobel算子计算梯度，包括：
4.根据权利要求1所述的方法，其特征在于，根据所述梯度值和所述初始聚类个数采用非迭代聚类方法对所述Lab颜色模式图像进行初始聚类，获得初始超像素聚类结果，包括：
5.根据权利要求1所述的方法，其特征在于，获得的初始超像素聚类结果包括感兴趣区域的初始超像素聚类结果和非感兴趣区域的初始超像素聚类结果；更新的聚类个数为感兴趣区域的初始超像素的个数；
6.根据权利要求4所述的方法，其特征在于，根据搜索到的像素的梯度值计算像素与第一聚类中心的距离，包括：
7.根据权利要求5所述的方法，其特征在于，根据搜索到的像素的梯度值计算像素与第二聚类中心的距离，包括：
8.根据权利要求1所述的方法，其特征在于，基于初始超像素聚类结果和感兴趣区域的精细
9.根据权利要求7所述的方法，其特征在于，零碎超像素与其邻域范围内超像素的相似程度通过以下公式进行计算：
10.一种用于红外图像的超像素聚类装置，其特征在于，包括：
...【技术特征摘要】
1.一种用于红外图像的超像素聚类方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，对所述lab颜色模式图像提取感兴趣区域，包括：
3.根据权利要求1所述的方法，其特征在于，对所述lab颜色模式图像的每个像素的每个特征要素采用sobel算子计算梯度，包括：
4.根据权利要求1所述的方法，其特征在于，根据所述梯度值和所述初始聚类个数采用非迭代聚类方法对所述lab颜色模式图像进行初始聚类，获得初始超像素聚类结果，包括：
5.根据权利要求1所述的方法，其特征在于，获得的初始超像素聚类结果包括感兴趣区域的初始超像素聚类结果和非感兴趣区域的初始超像素聚类结果；更...
【专利技术属性】
技术研发人员：鞠玲，张泽，闻丹银，时维俊，徐兴春，何菲，李勇，吴艳，周佳佳，陈文，卞凯鸣，廖小云，欧阳利剑，徐俊，刘黎，冯唯，
申请(专利权)人：国网江苏省电力有限公司泰州供电分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。