[发明专利]一种基于局部区域聚类的电力设备故障区域提取方法

权利要求书

1.一种基于局部区域聚类的电力设备故障区域提取方 法，其特征在于，包括以下步骤：

步骤1：构建电力故障图像的Mediodshift区域聚类模型；

步骤2：根据Mediodshift区域聚类特性调整邻域像素的灰度；

步骤3：对调整后邻域像素进行局部区域聚类；

步骤4：阈值自高向低变化，循环步骤2-4，直至故障区域聚类完成；

步骤2中所述根据Mediodshift区域聚类特性调整邻域像素的灰度，具体方法为：

令m₂(n)和m₁(n)分别为目标区域Ω₂(n)和背景区域Ω₁(n)的均值，n为迭代次数，整个图像区间满足Ω＝Ω₁∪Ω₂；

任取一个像素x∈N，如果该点的灰度值大于m₂(n)，则必然会通过Medioshift归类为目标；而对于灰度值小于m₁(n)，则迭代时Mediodshift会将其归类为背景；然而当该点的灰度值介于(m₁(n)，m₂(n))之间，则该像素的聚类会间接影响最终完整区域提取性能的优劣；

因此，为了能够获取目标邻域相似灰度的像素，建立了如下的调整方法：

其中，I(x)表示像素x的灰度值；c_i,i＝1,2,3分别为系数，其累加和为1；sign()为符号项；

由上式可知，右边由三部分构成，分别是激励项，自身项以及惩罚项；其中，自身项系数c₂占据一定的比例；而其他两项由其区域特性决定；激励项c₁，主要由该像素x的邻域中是否含有目标像素的多少决定，设置为：

其中k为其邻域像素中属于目标的个数，当该像素邻域目标像素较多时，其本身为目标的概率也会因此而增加；而惩罚项因子c₃主要由该像素灰度值是否处于目标和背景中间而进行惩罚，特别是低于中间值时，其得到的灰度值会降低，使得其不再被Mediodshift聚类；

步骤3中所述对调整后邻域像素进行局部区域聚类，具体为：

在Mediodshift迭代聚类分割中，规定背景区域Ω₁标记为0，目标区域Ω₂标记为1，分别表示为Ω₁＝{z|R_z(n)＝0,z∈Ω}和Ω₂＝{z|R_z(n)＝1,z∈Ω}，其中R为整个图像Ω的聚类结果，n代表迭代时刻；

其中，规定局部区域为在每次迭代过程中所产生的目标区域到背景区域的过渡区域；

由此，可得到局部区域N为：

N(n)＝{x|M_x(n)＝1}∩{x|R_x(n-1)＝0}

式中为了获得邻域集合N，引入了数学形态学中的膨胀处理，由当前迭代得到的目标区域Ω₂进行膨胀，得到M为：

其中，表示膨胀符号，B为一个r×r的结构算子，这个结构算子包含圆形、方形和棱形；

为了获得目标区域Ω₂的邻域空间像素，在构造结构算子时采用方形，r为3的全1矩阵，以获取8-邻域空间像素；

针对邻域像素x∈N，采用Medoidshift对局部区域N的像素进行分类判别；

在规定标记区域为目标的情况下，当迭代得到的收敛点落入目标区域，则认为该候选像素为目标像素，即归类为Ω₂；

规定标记为目标区域像素不再重新分类，使得在迭代过程中满足

背景区域则满足

相对应地，会得到一组均值{m_i(n)}_i＝1,2；

步骤4中所述阈值自高向低变化直至局部区域聚类完成，具体为：

引入了阈值分割机制，即采用当前的目标聚类均值m₂(n)对整个图像进行分割，然后针对新的区域采用对邻域进行聚类，从而实现整幅图像中故障区域的聚类。

2.根据权利要求1所述的基于局部区域聚类的电力设备故障区域提取方 法，其特征在于：步骤1中所述Mediodshift区域聚类模型为：

假设给定采样点x_i∈R^d，i＝1，…，n，则点x处的概率密度估计为：

其中，Φ(·)为高斯核函数，h为固定带宽，d表示维数，则聚类中心点可以通过最小化下式：

迭代得到，其中下标k表示迭代次数；y_k表示当前中心点的位置；y_k+1为迭代到下一步的中心点，且选自样本集{x_i}中满足上式的一个点；

对等上式右边一阶导估计y_k+1，可得

由于在迭代过程中，y_k是来自样本集{x_i}中点，必然地，y_k+1属于样本集；

因此，在不断的迭代情况下，每一次得到的样本中心点都只需要计算在样本集中{x_i}的结果，最终当前的样本中心会收敛到了概率密度极大的中心位置；

由于二维图像空间平面和灰度空间是两个独立的空间，因此本文将每个空间的核进行相乘，组合得到新的核函数：

其中Φ(·)为高斯核函数，h_s为图像空间带宽，h_r是灰度带宽，C为归一化常数，x为采样点，包含了图像空间特征x^s以及灰度空间特征x^r。