一种面向油浸变压器内检的物理感知图像增强方法与流程

摘要: 本发明涉及图像处理,尤其涉及一种面向油浸变压器内检的物理感知图像增强方法。背景技术:1、油浸变压器是电力系统中的关键设备,其内部缺陷的早期精准识别对保障电网安全...
一种面向油浸变压器内检的物理感知图像增强方法与流程

本发明涉及图像处理,尤其涉及一种面向油浸变压器内检的物理感知图像增强方法。

背景技术:

1、油浸变压器是电力系统中的关键设备,其内部缺陷的早期精准识别对保障电网安全运行至关重要。目前,油浸变压器内检机器人已成为替代人工停电拆检的重要手段。然而,受绝缘油复杂光学特性的影响,内检机器人采集的图像普遍存在严重退化:绝缘油中密集分布的微米级油滴引发强烈的米氏散射,导致图像对比度下降、缺陷细节模糊;同时绝缘油对不同波段光线的吸收存在显著差异,短波蓝光衰减最为剧烈,致使图像呈现明显的黄色色偏;此外,油膜镜面反射还会引入局部眩光与非均匀模糊,进一步掩盖绕组裂纹、碳痕、电树枝放电等关键缺陷信息。现有水下图像增强方法虽已发展出基于物理模型、统计特性及深度学习的各类技术,但油浸环境在散射介质尺度、光谱吸收规律及退化形式等方面具有独特性,直接套用现有方法难以彻底抑制密集油滴散射,无法精准校正黄色色偏,甚至可能引入伪影或破坏缺陷结构的真实性。

2、中国专利公开号:cn112862698a公开了一种基于结构感知和纹理敏感的物理启发学习的水下图像增强方法。本发明建立了一种新的基于物理启发的学习模型,该模型由水下成像模型重构而成,比较容易实现。具体来说,本发明设计了一个结构感知纹理敏感网络(satsnet),利用结构感知增强(sae)模块来学习结构信息,主要用于恢复退化图像,并设计了纹理敏感增强(tse)模块来提取纹理信息进行进一步增强。

3、由此可见,该现有技术存在以下问题:

4、未考虑油浸环境中油滴密集散射与蓝光强吸收导致的黄色色偏问题,直接套用于油浸变压器内检场景时,难以有效抑制油滴散射且无法精准校正色偏。

技术实现思路

1、为此,本发明提供一种面向油浸变压器内检的物理感知图像增强方法,用以克服现有技术中未考虑油浸环境中油滴密集散射与蓝光强吸收导致的黄色色偏问题,直接套用于油浸变压器内检场景时,难以有效抑制油滴散射且无法精准校正色偏的问题。

2、为实现上述目的,本发明提供一种面向油浸变压器内检的物理感知图像增强方法,包括:

3、步骤s1,获取由油浸变压器内检机器人在绝缘油环境下采集的内检退化图像,在不同分辨率下提取所述内检退化图像的局部缺陷特征与全局散射退化特征,将所述局部缺陷特征与所述全局散射退化特征进行融合,得到多尺度融合特征;

4、步骤s2,构建油浸成像物理模型,将所述内检退化图像输入所述油浸成像物理模型进行物理参数估计,得到环境光强度与透射率,基于所述环境光强度与所述透射率对所述多尺度融合特征进行调制,得到深度特征;

5、步骤s3,对所述深度特征沿若干个空间方向进行选择性全局扫描,提取油滴散射在空间上的全局分布特征,得到全局增强特征;

6、步骤s4,根据所述全局增强特征对所述内检退化图像进行物理模型逆复原并补偿残差,得到增强后的内检图像。

7、进一步地,在步骤s1中,得到多尺度融合特征,包括:

8、步骤s11,在第一分辨率下提取所述内检退化图像的局部缺陷特征;

9、步骤s12,在第二分辨率下提取所述内检退化图像包含雾状遮挡特征的全局散射退化特征;

10、步骤s13,在第三分辨率下提取所述内检退化图像包含色偏分布特征的全局散射退化特征;

11、步骤s14,将所述局部缺陷特征与所述全局散射退化特征进行融合,得到多尺度融合特征。

12、进一步地,在步骤s2中,得到环境光强度与透射率,包括:

13、步骤s21,从所述内检退化图像中计算初始透射率估计;

14、步骤s22,结合所述初始透射率估计,对所述内检退化图像进行卷积与特征映射,得到初始环境光强度与初始透射率;

15、步骤s23,对所述初始环境光强度与所述初始透射率进行取值范围约束,得到约束后的环境光强度与透射率。

16、进一步地,在步骤s2中,得到深度特征,包括:

17、以所述环境光强度与所述透射率作为调制信号,对所述多尺度融合特征进行逐通道仿射变换,得到调制后特征;

18、将所述调制后特征与所述多尺度融合特征进行残差连接,得到深度特征。

19、进一步地,在步骤s3中,得到全局增强特征,包括:

20、步骤s31,沿水平方向从左至右和从右至左分别对所述深度特征进行顺序扫描,将当前扫描位置的特征与前一扫描位置传递来的特征进行融合,得到水平方向更新特征;

21、步骤s32,沿垂直方向从上至下和从下至上分别对所述深度特征进行顺序扫描,将当前扫描位置的特征与前一扫描位置传递来的特征进行融合,得到垂直方向更新特征;

22、步骤s33,将水平方向更新特征与垂直方向更新特征进行融合,得到全局增强特征。

23、进一步地,在步骤s4中,得到增强后的内检图像,包括:

24、步骤s41,根据所述全局增强特征估计最终环境光强度、最终透射率以及残差修正项;

25、步骤s42,将所述内检退化图像与所述最终环境光强度、所述最终透射率共同代入油浸成像退化模型的逆过程,得到物理模型复原结果;

26、步骤s43,将所述残差修正项叠加至所述物理模型复原结果,得到增强后的内检图像。

27、进一步地,在步骤s42中,得到物理模型复原结果,包括:

28、根据所述最终透射率确定环境光贡献的权重,将所述最终环境光强度与所述权重相乘,得到环境光贡献分量;

29、从所述内检退化图像中去除所述环境光贡献分量,再按照所述最终透射率进行比例恢复,得到物理模型复原结果。

30、进一步地,在步骤s43中,将所述残差修正项叠加至所述物理模型复原结果,包括:

31、将所述残差修正项与所述物理模型复原结果逐像素相加,得到叠加后的图像;

32、对叠加后的图像进行像素值裁剪,将超出正常显示范围的像素值调整至正常显示范围内,得到增强后的内检图像。

33、进一步地,还包括:

34、采用混合损失函数对所述增强后的内检图像进行约束,所述混合损失函数包含基础损失项、边缘保持损失项、颜色一致性损失项以及物理一致性损失项。

35、进一步地,所述物理一致性损失项通过对比所述物理模型复原结果与真实图像之间的差异,对所述环境光强度与所述透射率的估计过程施加约束。

36、与现有技术相比,本发明的有益效果在于,本发明通过在不同分辨率下分别提取局部缺陷特征与全局散射退化特征并进行融合,第一分辨率保留缺陷边缘与纹理细节,第二分辨率捕捉油滴散射引起的雾状遮挡分布,第三分辨率刻画蓝光衰减导致的黄色色偏空间分布,使多尺度融合特征能够同时包含高频缺陷信息与中低频退化信息,使高分辨率的缺陷细节与低分辨率的散射退化信息在同一个特征图中实现互补,实现了对油浸变压器内检图像中缺陷结构与散射退化的联合表征。

37、进一步地,本发明通过将暗通道先验与轻量级卷积神经网络相结合,从内检退化图像中估计环境光强度与透射率,并利用估计得到的物理参数对多尺度融合特征进行逐通道仿射变换,使物理模型先验显式地注入深度特征空间;再通过残差连接保留原始特征中的缺陷细节,解决了物理参数估计不稳定、调制过程中细节丢失的问题。

38、进一步地,本发明通过沿水平方向和垂直方向分别进行双向顺序扫描,将每个像素位置与相邻像素传递来的特征进行逐点融合,使每个像素能够同时感知到不同方向的远距离上下文信息,解决了局部卷积操作感受野有限、难以完整获取油滴散射在整个图像空间上全局分布规律的问题。

39、进一步地,本发明通过将全局增强特征输入三个并行预测头,分别估计最终环境光强度、最终透射率及残差修正项,其中环境光强度与透射率经约束至预设阈值区间以保证物理合理性,残差修正项经双曲正切函数约束至对称区间以实现双向补偿;然后基于最终透射率确定环境光贡献权重,从内检退化图像中去除环境光贡献分量并按透射率进行比例恢复,得到物理模型复原结果;再将残差修正项逐像素叠加至复原结果以补偿物理模型的近似误差和局部细节损失;最后通过像素值裁剪确保输出图像符合正常显示范围;通过物理模型逆复原从全局层面消除油滴散射与色偏,通过残差修正项从局部层面补偿细节损失,实现了散射抑制、色偏校正与细节保真的统一。

40、进一步地,本发明通过构造包含基础损失项、边缘保持损失项、颜色一致性损失项和物理一致性损失项的混合损失函数,对增强图像进行多维度约束。其中,基础损失项保证像素级重建精度,边缘保持损失项维持缺陷边界的清晰度,颜色一致性损失项校正黄色色偏,物理一致性损失项通过对比物理模型复原结果与真实图像的差异间接约束物理参数的估计过程。四项损失协同优化,使网络在学习图像增强的同时遵循油浸成像的物理规律,解决了纯数据驱动方法易产生伪影、物理合理性差的问题,实现了增强效果与物理一致性的统一。