《电力大数据》引发技术变革的电力大数据

3.2.3实际案例：基于大数据技术的电气设备红外图像处理

（4）红外图像预处理模型

1）基于MapReduce的图像预处理框架。

MapReduce是Hadoop的核心计算框架，MapReduce本身就是用于并行处理大数据集的软件框架。MapReduce的根源是函数性编程中的Map和Reduce函数。它由两个可能包含有许多实例（许多Map和Reduce）的操作组成。Map函数接收一组数据并将其转换为一个键/值对列表，输入域中的每个元素对应一个键/值对。Reduce函数接收Map函数生成的列表，然后根据它们的键（为每个键生成一个键/值对）缩小键/值对列表。

图3-24MapReduce逻辑处理图

对于红外图像预处理具体业务，输入与输出都是同一张表(imgTable),我们只需要在Map函数中获取一张图像信息簇(f_img)的内容，然后进行一系列处理工作，最终再将结果写入ImgTable的温度信息簇中即可。图像计算结果可以在Map中直接写回ImgTable,也可以在Reduce阶段再写入，考虑到Reduce阶段没有更多操作，为了减少了一步Copy操作，直接在Map阶段将处理结果重新写入图像表。

图3-25图像预处理整体框架

2）基于K-Means的图像除背景设计。

K-means聚类算法作为大数据技术中聚类分析的重要组成部分，在红外图像分割提取方面发挥着重要的作用，它依照温度的差异，可以根据人为设定的聚类个数将红外热成像分为不同的温度层次，这克服了Otsu分割算法的不足，并为后续的图像提取以及温度识别带来了便利。

聚类研究首先从n个数据对象中选择k个对象作为初始聚类中心；而对于所剩下的其他对象，则根据它们与这些聚类中心的欧式距离，分别将它们分配给与其最相似的聚类；重新计算新类的聚类中心，并再次选择剩余对象进行分类，不断重复这一过程直到标准测度函数开始收敛为止。虽然聚类中心可以任意选择，但如果选择的初始值越接近最终的聚类中心，则聚类算法迭代的次数越少，算法的效率越高。

整个红外图像的温度可以分为五类：环境温度、环境与设备边缘外侧温度、环境与设备体边缘内侧温度、设备体平均温度以及设备体最局温度。

图3-26图像温度分类分析

因此对K-means参数进行设置时，人为规定聚类数，五个初始中心点分别为：

k1=图像最低温度，

k2=图像最高温度，

k3=k1+（k5-k1）*2/5，

k4=k1+（k5-k1）*3/5，

k5=k1+（k5-k1）*4/5.

通过以上设置可将一张红外图像内的温度聚成五类，然后将第一、第二类的区域RGB信息设置成纯黑色背景（0,0,0），温度信息设置成环境温度（图像最小温度）。

一张红外图像一般存储着温度矩阵信息、RGB矩阵信息以及语言或者文字注解信息。图像RGB信息一般采用标准的JPG或者PNG等标准格式存储。温度矩阵信息的存储没有标准格式，但RGB信息与温度信息之间存在着一定的转换关系。对于已知温度矩阵解码格式的图像，采用温度矩阵进行聚类，而对于未知格式的红外图像，可以使用RGB直接进行聚类，或者将RGB矩阵转化为温度矩阵后或者对RGB转化为灰度矩阵后再进行聚类。考虑到聚类的效率问题，,使用RGB需要对三维向量进行距离比较，效率远不如其他两种方式。

图3-27原始红外图像图           3-28基于温度矩阵除背景效果

书名：电力大数据：能源互联网时代的电力企业转型与价值创造

ISBN：978-7-111-51693-4

作者：赖征田

出版日期：2016-01

出版社：机械工业出版社