于虹

(云南电网公司电力科学研究院,昆明 650217)

电力设备X射线数字图像拼接技术研究

于虹

(云南电网公司电力科学研究院,昆明 650217)

针对电力设备体积一般较大,而X射线数字成像受成像板大小所限,无法在一张图片上显示出设备全局情况的问题,提出一种基于粒子群优化的最大互信息相关的无缝拼接方法,以实现将多次拍摄的设备局部X射线图像拼接成为一张整体X射线数字图像,从而便于对电力设备内部情况做出整体评价。研究结果表明该方法能实现多张X射线图像的无缝拼接,具有良好地鲁棒性。

X射线；粒子群；设备；可视化；拼接；

0 前言

对于电力设备而言,其运行的可靠性与设备本身的设计、制造、运输、安装和调试都有极大的关系,因此相关的标准制定了产品的形式、出厂和现场的试验标准,从不同的角度和层次保证设备能够达到其功能要求,并能在至少规定的时间内不丧失其功能。但对于各种电力设备而言,由于在设计、材料、制造等环节考虑的不足,往往会出现由于自身原因导致的设备故障,而影响到电网的安全、稳定和可靠运行。因此,如何判断电力设备的健康状况一直以来都是生产运行和研究部门极为关注的问题[1-2]。与此同时,针对电力设备各种检测方法,也是为了达到此目标。电力系统现有传统技术手段,如局部放电检测,它们具有检测结果不直观、不可视的问题,仅能了解缺陷的外部物理参数和所处的大致区域。如果不对设备进行停电、解体检修,一般无法确缺陷部件和缺陷程度。即使能够停电并解体检修,也往往由于电力设备内部空间狭窄,观测困难,难以正确判断电力设备内部故障的原因,从而导致制定检修策略存在盲目性。近几年,通过将X射线数字成像技术引入电力系统对设备进行透视检测,实现了电力设备不解体情况下,对其内部的可视化检测,直观、可靠地确定缺陷部位和程度[3-4]。然而,由于电力设备体积一般较大,而X射线数字图像受成像板的尺寸限制,无法在一张图片上显示设备整体情况,而需分段拍摄,然后将分段拍摄的局部图像拼接成为一张整体图像,便于对电力设备做出整体的评价。针对此问题,本文通过比较改进模板匹配算法、互信息算法及基于像素相关的改进SIFT方法,提出基于粒子群优化的最大互信息相关的无缝拼接算法,实验结果表明,该方法具有较强的鲁棒性。

1 基准图像匹配

图像配准是指对于一幅图像寻求一种 (或一系列)空间变换,使它与另一幅图像上的对应点达到空间上的一致。配准的结果应使两幅图像上所有的点,或至少是所有具有意义的点及感兴趣的点都达到匹配[5]。

对在不同时间或不同条件下获取的两幅图像I(x)和J(x)配准,就是要定义一个相似性测度,并寻找一个空间变换关系,使得经过该空间变换后,两幅图像的相似性达到最大。即使得图像I上的每一个点在图像J上都有唯一的点与之对应,且这两点对应同一位置。

式中S是相似性测度,Tα为空间变换,α为空间变换参数。配准过程可归结为寻求最佳空间变换：

基于灰度信息的图像配准方法一般不需对图像进行复杂的预处理,而是利用图像本身具有的灰度的一些统计信息来度量图像的相似程度。其主要特点是实现简单,但应用范围较窄,不能直接用于校正图像的非线性形变,而在最优变换的搜索过程中往往需要巨大的运算量。同时,X射线数字图像具有灰度信息的图像,因此本文采用基于灰度信息的匹配方法进行图像匹配。

假设标准参考图像为R,待配准图像为S,R大小为m×n,S大小为M×N,基于灰度信息的图像配准方法的基本流程是以参考图像R叠放在待配准图像S上平移,参考图像覆盖被搜索的那块区域叫子图Sij。i和j为子图左上角待配准图像S上的坐标。搜索范围如下所示。

通过比较R和Sij的相似性,完成配准过程。

互相关配准方法是最基本的基于灰度统计的图像配准方法。它要求参考图像和待匹配图像具有相似的尺度和灰度信息,并以参考图像作为模板在待匹配图像上进行遍历,计算每个位置处参考图像和待匹配图像的互相关。互相关最大的位置就是参考图像中与待匹配图像相应的位置。

常用的互相关计算公式有如下两种：

设R(x,y)和S(x,y)分别表示参考图像和待配准图像。

X射线图像进行拼接时首先需要确定基准图像,在基准图像的待拼接区域寻找一个M∗N的特征块。本文通过灰度差异最大原则,即使用一个滑动窗在待拼接区域滑动,每次都计算窗内像素平均值。求出用每一像素值减去平均值的绝对值,最后将这些灰度差异相加便是这个位置的灰度差异值。因为灰度差异大的区域图像较为复杂,特征较为明显,所以取灰度差异最大值的特征块为基准匹配区域。

图1 基准匹配特征块选取示意图

基准匹配特征块如图1(c)所示,其大小为72∗72像素,图1(a)和图1(b)为待拼接图像,其大小为2 048∗2 048像素。当匹配特征块在图像一中滑动时,最大互信息值为1.168 8,第一幅度图像的与标准特征块的整体偏移量为81个像素；同理,标准匹配特征块与第二幅图像的最大互信息值为4.141 3,第二幅图像的整体偏移量为91像素,通过基准特征块确定图1(a)和图1 (b)配准时的相对位置。

2 待拼接图像

传统的图像相关度匹配算法是在参考图像上抽取一个网格阵列,使其在待匹配图像上移动,计算两幅图像的所有网格点对应像素点的灰度值差的平方和最小,找到最小网格值的位置即认为是最佳匹配位置。然而,在X射线图像匹配中,由于不同的射线图像灰度的差异,使用传统方法匹配的准确度不高。因此,本文提出采用改进的一个基于粒子群优化的拼接算法,该算法首先在找出基准匹配区域后,开始在待拼接图像的拼接区域使用一个与基准匹配区域同样大小滑动块寻找最佳匹配点[6-7]。

窗口每次移动若干个像素的位置,每移动一次进行一次比较,求出当前窗口下的像素与基准匹配区域的像素对应的比值D；求出此区域所有的比值之后,再求出这些比值的均值R；并求出均值R与比值D的差的绝对值P。图2是图像位置调整处理后输出的图像,采用最大互信息熵相关的方法对待拼接图像位置进行调整,图2中左侧为黑色像素为图1(c)相对图1(a)参考图像位置调整的结果,右侧灰色像素为图1(b)相对图1(b)位置调整结果。算法中为了提高拼接的速度,先进行粗略的匹配,再进行细致匹配。图3～图5为三组X射线图像的位置调整处理结果。

图2 位置调整处理图

图3 第一组X射线图像位置调整处理图

图4 第二组X射线图像位置调整处理图

图5 第三组X射线图像位置调整处理图

3 基于SIFT的鲁棒匹配方法

尺度不变特征提取算法总的来说分为4步：检测尺度空间极值、特征点位置提取、计算特征点的描述信息和生成本地特征描述符。

1)检测尺度空间极值：尺度空间理论是通过对原始图像进行尺度变换,获得图像多尺度下的尺度空间表示序列,对这些序列进行尺度空间主轮廓的提取,并以该主轮廓作为一种特征向量,实现边缘、角点检测和不同分辨率上的特征提取等。为了对图像进行多尺度划分,我们主要是利用高斯核对原始图像进行尺度变换,获得图像多尺度下的尺度空间表示序列,对这些序列进行尺度空间特征提取。高斯核的定义如下所示。

对于二维图像I(x,y),其尺度空间表示为：

本步骤主要是建立高斯金字塔和DOG(differenceof Gaussian)金字塔,然后在DOG金字塔里面进行极值检测,以初步确定特征点的位置和所在尺度。对图像二维平面空间和DOG尺度空间中同时检测局部极值以作为特征点,以使特征具备良好的独特性和稳定性。DOG算子定义为两个不同尺度的高斯核的差分,其具有计算简单的特点,是归一化LOG(laplacian-of-Gaussian)算子的近似。

为得到在不同尺度空间下的稳定特征点,将图像I(x,y)与不同尺度因子下的高斯核G(x, y,σ)进行卷积操作,构成高斯金字塔。一般高斯金字塔分为4阶,每阶分为5层尺度图像。在同一阶中相邻两层的尺度因子比例系数为k。接着建立DOG金字塔,DOG金字塔通过高斯金字塔中相邻尺度空间函数相减得到。

2)特征点位置提取：通过尺度空间检测出来的特征点,由于DOG算子的自身特性会对噪声和边缘信息比较敏感,因此,为得到更适合图像拼接的特征点还需对特征点进行提取,除去低对比度的特征点和不稳定的边缘响应点,以增强匹配稳定性、提高抗噪声能力。通过拟和三维二次函数以精确确定关键点的位置和尺度,通常可以通过对该点进行泰勒展开,尺度空间函数D(x, y,σ)在局部极值点 (x0,y0,σ)处的泰勒展开如式 (9)所示。

3)计算特征点的描述信息：尺度不变特征提取算法最大的优点是具有旋转不变性,而使其具有旋转不变性的关键步骤是利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数。

上式 (10)为点 (x,y)处的梯度值和方向,L为所用的尺度为每个特征点各自所在的尺度,(x,y)要确定具体层数。图像特征用椭圆表示,椭圆的中心位置代表了关键点在图像中的二维坐标位置,椭圆的长轴代表了关键点的尺度,椭圆的方向代表了该关键点的方向,此时,图像的特征点已检测完毕,每个特征点有3个信息、位置、对应尺度、方向。

4)生成本地特征描述符：首先将坐标轴旋转为特征点的方向,来确保旋转不变性,以特征点为中心取8∗8的窗口 (特征点所在的行和列不取)。然后,在每4∗4的图像小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,形成一个种子点。实际计算过程中,为了增强匹配的稳健性,对每个特征点使用4∗4共16个种子点来描述,每个种子点有8个方向向量信息,这样对于一个特征点就可以产生4∗4∗8共128个数据,最终形成128维的SIFT特征向量,所需的图像数据块为16∗16。此时特征向量已经去除了尺度变化、旋转等几何变形因素的影响,再继续将特征向量的长度归一化,则可以进一步去除光照变化的影响。依次根据以上4个步骤,可提取在不同尺度下都保持同一特性的特征。

由于设备的移动会导致采集的图像发生平移、错位、旋转等问题,因而,本文采用改进SIFT算法对X射线扫描图像进行匹配。SIFT算法是一种提取局部特征的算法,其提取特征点的匹配能力较强,利用它可以在尺度空间寻找极值点,提取位置、尺度、旋转不变量,从而确定二维平面中故障出现的位置信息,特征子描述中在32维高维向量中选取梯度相关的8维向量,从而大大优化计算速度。图6是改进SIFT算法对X射线扫描图像进行匹配过程。

图6 改进SIFT算法匹配过程图

图6(a)和图6(b)为待拼接图像特征点提取效果图,粉色箭头表示梯度变化的方向,图6(c)为图6(a)和图6(b)中特征点匹配的结果图。从匹配结果可以看出,图6(c)中有110个坐标点对匹配。图7～图10为三组图像对特征点提取及匹配试验,试验结果表明,本文的提取方法,可稳定的提取待拼接图像中的特征点,从而达到良好的拼接效果。

图7 第一组图像特征点匹配结果图

图8 第二组图像特征点匹配结果图

图9 第三组图像特征点匹配结果图

本文提出基于X射线图片的匹配方法是在SIFT匹配算法基础上的,因而具有良好的旋转特性不变性。此外,由于对SIFT特征描述子进行改进,有效节省匹配时间。

5)X射线拼接无缝拼接技术：在找到匹配位置并进行灰度调整后,如果直接进行拼接会在两幅图像的拼接处出现一条明显的拼接缝,这是由于图像间存在亮度差造成的。为了达到无缝拼接,本文对两幅图像的交叠区域进行渐变系数加权值融合。首先,计算两重叠部分的累积直方图,然后利用直方图匹配的方法,建立起灰度级的映射关系,非重叠部分和重叠部分具有相同灰度时按此映射关系变换即可,而重叠部分没有的灰度级,则可按预测的映射关系变换。对设备X射线数字图像拼接过程如图10所示。

图10 罐式断路器拼接处理过程图

图10是对罐式断路器两幅X射线透照图像进行拼接处理的结果图,原来两幅度图像大小均为2 048∗2 048像素,拼接处理后图像大小变为2 048∗2 611像素,试验结果可知,提出的拼接算法可以较好的处理不同偏差下的X射线图像的拼接处理过程。图11和图12分别是电压互感器和GIS设备的无缝拼接结果图。

图11 电压互感器拼接结果图

图12 GIS设备拼接结果图

4 结束语

X射线数字成像技术可在电力设备不解体情况下,对其内部情况的可视化无损检测。但电力设备体积一般较大,而X射线图像受成像板的尺寸限制,无法在一张图片上显示设备整体情况,需分段拍摄,然后将分段拍摄的局部图像拼接成为一张整体图像,便于对电力设备做出整体的评价。针对此问题,本文提出通过像素级的基准图像匹配区域寻找、待拼接图像最近拼接区域寻找、图像拼接处融合等关键步骤,利用SIFT方法对旋转的图像进行校正,使得拼接后X射线图像的拼接准确度和效率都得到提高,且本文提出的无缝拼接方法具有较强的鲁棒性。

[1] 李继胜,赵学风,杨景刚,等.GIS典型缺陷局部放电测量与分析 [J].高电压技术,2009,35(10)：2440-2445.

[2] 王天健.GIS局部放电检测与故障识别 [D].北京交通大学,2010.

[3] 艾维平.DXR250RT平板探测器X射线实时成像检测系统的研究 [D].兰州理工大学,2007.

[4] 董旭.医用X射线数字摄影 (CR/DR)系统检测方法的研究和评定 [J].中国医学装备,2010,7(1)：8-11.

[5] HSadamitsu Nishihara.A basic study automatic recognition of osteoporosis using abdominal X-ray CT images[J].Journal of proceedings of SPIE-The international society for optical engineering,2004,2(5370)：926-933.

[6] Huang Huiyu,Hsiao Chunnan.Image inpainting based on illuminationvariationandstructureconsistency[J]. International journal of advancements in computing technology, 2011,3(6)：1-9.

[7] (Li Jin,WANG Yanwei,et al.A FNL means de-noise algorithm based on gradient calibration[J].International journal of advancements in computing technology,2011,3(9)：147-154.

Research on the Mosaic Technology of X-ray Digital Image for Electric Power Equipment

YU Hong
(Yunnan Electric Power Research Institute,Kunming 650217)

Aiming at the problem of the unable display the equipment overall situation problem in a picture,it is proposed the particle swarm optimization with maximum mutual information related to the seamless mosaic method while the X-ray digital imaging by the imaging plate size limit and the power equipment generally larger.The local X-ray image mosaic taken as a whole X-ray digital image is achieved.The overall?evaluation of the internal situation of power equipment is given.The results show that the method proposed in this paper can not only realize a X-ray image seamless mosaic,and has good robustness.

X-ray；particle swarm；equipment；visualization；mosaic

TM83

B

1006-7345(2015)01-0001-06

2014-06-18

于虹 (1978),女,博士后,高级工程师,云南电网公司电力科学研究院,主要从事电力系统及其自动化,模式识别与智能系统方面工作 (e-mail)yuhong2388245＠163.com。