3.2.3實(shí)際案例：基于大數(shù)據(jù)技術(shù)的電氣設(shè)備紅外圖像處理

（4）紅外圖像預(yù)處理模型

1）基于MapReduce的圖像預(yù)處理框架。

MapReduce是Hadoop的核心計(jì)算框架，MapReduce本身就是用于并行處理大數(shù)據(jù)集的軟件框架。MapReduce的根源是函數(shù)性編程中的Map和Reduce函數(shù)。它由兩個(gè)可能包含有許多實(shí)例（許多Map和Reduce）的操作組成。Map函數(shù)接收一組數(shù)據(jù)并將其轉(zhuǎn)換為一個(gè)鍵/值對(duì)列表，輸入域中的每個(gè)元素對(duì)應(yīng)一個(gè)鍵/值對(duì)。Reduce函數(shù)接收Map函數(shù)生成的列表，然后根據(jù)它們的鍵（為每個(gè)鍵生成一個(gè)鍵/值對(duì)）縮小鍵/值對(duì)列表。

圖3-24MapReduce邏輯處理圖

對(duì)于紅外圖像預(yù)處理具體業(yè)務(wù)，輸入與輸出都是同一張表(imgTable),我們只需要在Map函數(shù)中獲取一張圖像信息簇(f_img)的內(nèi)容，然后進(jìn)行一系列處理工作，最終再將結(jié)果寫(xiě)入ImgTable的溫度信息簇中即可。圖像計(jì)算結(jié)果可以在Map中直接寫(xiě)回ImgTable,也可以在Reduce階段再寫(xiě)入，考慮到Reduce階段沒(méi)有更多操作，為了減少了一步Copy操作，直接在Map階段將處理結(jié)果重新寫(xiě)入圖像表。

圖3-25圖像預(yù)處理整體框架

2）基于K-Means的圖像除背景設(shè)計(jì)。

K-means聚類(lèi)算法作為大數(shù)據(jù)技術(shù)中聚類(lèi)分析的重要組成部分，在紅外圖像分割提取方面發(fā)揮著重要的作用，它依照溫度的差異，可以根據(jù)人為設(shè)定的聚類(lèi)個(gè)數(shù)將紅外熱成像分為不同的溫度層次，這克服了Otsu分割算法的不足，并為后續(xù)的圖像提取以及溫度識(shí)別帶來(lái)了便利。

聚類(lèi)研究首先從n個(gè)數(shù)據(jù)對(duì)象中選擇k個(gè)對(duì)象作為初始聚類(lèi)中心；而對(duì)于所剩下的其他對(duì)象，則根據(jù)它們與這些聚類(lèi)中心的歐式距離，分別將它們分配給與其最相似的聚類(lèi)；重新計(jì)算新類(lèi)的聚類(lèi)中心，并再次選擇剩余對(duì)象進(jìn)行分類(lèi)，不斷重復(fù)這一過(guò)程直到標(biāo)準(zhǔn)測(cè)度函數(shù)開(kāi)始收斂為止。雖然聚類(lèi)中心可以任意選擇，但如果選擇的初始值越接近最終的聚類(lèi)中心，則聚類(lèi)算法迭代的次數(shù)越少，算法的效率越高。

整個(gè)紅外圖像的溫度可以分為五類(lèi)：環(huán)境溫度、環(huán)境與設(shè)備邊緣外側(cè)溫度、環(huán)境與設(shè)備體邊緣內(nèi)側(cè)溫度、設(shè)備體平均溫度以及設(shè)備體最局溫度。

圖3-26圖像溫度分類(lèi)分析

因此對(duì)K-means參數(shù)進(jìn)行設(shè)置時(shí)，人為規(guī)定聚類(lèi)數(shù)，五個(gè)初始中心點(diǎn)分別為：

k1=圖像最低溫度，

k2=圖像最高溫度，

k3=k1+（k5-k1）*2/5，

k4=k1+（k5-k1）*3/5，

k5=k1+（k5-k1）*4/5.

通過(guò)以上設(shè)置可將一張紅外圖像內(nèi)的溫度聚成五類(lèi)，然后將第一、第二類(lèi)的區(qū)域RGB信息設(shè)置成純黑色背景（0,0,0），溫度信息設(shè)置成環(huán)境溫度（圖像最小溫度）。

一張紅外圖像一般存儲(chǔ)著溫度矩陣信息、RGB矩陣信息以及語(yǔ)言或者文字注解信息。圖像RGB信息一般采用標(biāo)準(zhǔn)的JPG或者PNG等標(biāo)準(zhǔn)格式存儲(chǔ)。溫度矩陣信息的存儲(chǔ)沒(méi)有標(biāo)準(zhǔn)格式，但RGB信息與溫度信息之間存在著一定的轉(zhuǎn)換關(guān)系。對(duì)于已知溫度矩陣解碼格式的圖像，采用溫度矩陣進(jìn)行聚類(lèi)，而對(duì)于未知格式的紅外圖像，可以使用RGB直接進(jìn)行聚類(lèi)，或者將RGB矩陣轉(zhuǎn)化為溫度矩陣后或者對(duì)RGB轉(zhuǎn)化為灰度矩陣后再進(jìn)行聚類(lèi)。考慮到聚類(lèi)的效率問(wèn)題，,使用RGB需要對(duì)三維向量進(jìn)行距離比較，效率遠(yuǎn)不如其他兩種方式。

圖3-27原始紅外圖像圖           3-28基于溫度矩陣除背景效果

書(shū)名：電力大數(shù)據(jù)：能源互聯(lián)網(wǎng)時(shí)代的電力企業(yè)轉(zhuǎn)型與價(jià)值創(chuàng)造

ISBN：978-7-111-51693-4

作者：賴(lài)征田

出版日期：2016-01

出版社：機(jī)械工業(yè)出版社