3.2.3實際案例：基于大數據技術的電氣設備紅外圖像處理

（4）紅外圖像預處理模型

1）基于MapReduce的圖像預處理框架。

MapReduce是Hadoop的核心計算框架，MapReduce本身就是用于并行處理大數據集的軟件框架。MapReduce的根源是函數性編程中的Map和Reduce函數。它由兩個可能包含有許多實例（許多Map和Reduce）的操作組成。Map函數接收一組數據并將其轉換為一個鍵/值對列表，輸入域中的每個元素對應一個鍵/值對。Reduce函數接收Map函數生成的列表，然后根據它們的鍵（為每個鍵生成一個鍵/值對）縮小鍵/值對列表。

圖3-24MapReduce邏輯處理圖

對于紅外圖像預處理具體業務，輸入與輸出都是同一張表(imgTable),我們只需要在Map函數中獲取一張圖像信息簇(f_img)的內容，然后進行一系列處理工作，最終再將結果寫入ImgTable的溫度信息簇中即可。圖像計算結果可以在Map中直接寫回ImgTable,也可以在Reduce階段再寫入，考慮到Reduce階段沒有更多操作，為了減少了一步Copy操作，直接在Map階段將處理結果重新寫入圖像表。

圖3-25圖像預處理整體框架

2）基于K-Means的圖像除背景設計。

K-means聚類算法作為大數據技術中聚類分析的重要組成部分，在紅外圖像分割提取方面發揮著重要的作用，它依照溫度的差異，可以根據人為設定的聚類個數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，并為后續的圖像提取以及溫度識別帶來了便利。

聚類研究首先從n個數據對象中選擇k個對象作為初始聚類中心；而對于所剩下的其他對象，則根據它們與這些聚類中心的歐式距離，分別將它們分配給與其最相似的聚類；重新計算新類的聚類中心，并再次選擇剩余對象進行分類，不斷重復這一過程直到標準測度函數開始收斂為止。雖然聚類中心可以任意選擇，但如果選擇的初始值越接近最終的聚類中心，則聚類算法迭代的次數越少，算法的效率越高。

整個紅外圖像的溫度可以分為五類：環境溫度、環境與設備邊緣外側溫度、環境與設備體邊緣內側溫度、設備體平均溫度以及設備體最局溫度。

圖3-26圖像溫度分類分析

因此對K-means參數進行設置時，人為規定聚類數，五個初始中心點分別為：

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.

通過以上設置可將一張紅外圖像內的溫度聚成五類，然后將第一、第二類的區域RGB信息設置成純黑色背景（0,0,0），溫度信息設置成環境溫度（圖像最小溫度）。

一張紅外圖像一般存儲著溫度矩陣信息、RGB矩陣信息以及語言或者文字注解信息。圖像RGB信息一般采用標準的JPG或者PNG等標準格式存儲。溫度矩陣信息的存儲沒有標準格式，但RGB信息與溫度信息之間存在著一定的轉換關系。對于已知溫度矩陣解碼格式的圖像，采用溫度矩陣進行聚類，而對于未知格式的紅外圖像，可以使用RGB直接進行聚類，或者將RGB矩陣轉化為溫度矩陣后或者對RGB轉化為灰度矩陣后再進行聚類。考慮到聚類的效率問題，,使用RGB需要對三維向量進行距離比較，效率遠不如其他兩種方式。

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

書名：電力大數據：能源互聯網時代的電力企業轉型與價值創造

ISBN：978-7-111-51693-4

作者：賴征田

出版日期：2016-01

出版社：機械工業出版社