变压器油下多尺度梯度引导Retinex图像增强算法研究及其在故障检测中的应用

本文针对变压器油下图像存在的色彩失真、细节模糊及亮度不足等问题，提出多尺度梯度引导Retinex算法（MSGGR）。通过网格化混合多通道补偿（GHMCC）、标准差约束灰度世界（SDCGW）及动态引导滤波（DGF）等技术，显著提升油浸环境下图像质量，为变压器内部故障检测提供新方法。数据集IEUTB和代码已开源。

　　

Highlight

本研究构建了首个变压器油下真实场景大规模数据集（IEUTB），并提出创新性多尺度梯度引导Retinex算法（MSGGR）。通过网格化混合多通道补偿（GHMCC）缓解光线选择性衰减，结合标准差约束灰度世界（SDCGW）校正色彩失真，最终基于多尺度动态引导滤波（DGF）与梯度自适应细节增强（GDE）实现图像质量显著提升。

Method

如图3所示，MSGGR算法流程包含四大核心模块：

1. 1.

   GHMCC模块：通过动态网格划分实现RGB通道差异化补偿

2. 2.

   SDCGW模块：利用标准差约束优化传统灰度世界假设

3. 3.

   DGF模块：根据Retinex反射分量特征进行多尺度噪声过滤

4. 4.

   GDE模块：基于梯度信息自适应增强细节纹理

Experimental results and discussion

在Intel i7-10700KF实验平台上，IEUTB数据集的测试表明：

• 定性评估：增强图像呈现更自然的色彩和更清晰的边缘

• 定量分析：PSNR和SSIM指标显著优于传统方法

• 应用验证：有效提升变压器内部故障检测准确率

Conclusions

本研究填补了油浸环境图像增强领域的数据空白，提出的MSGGR算法通过多尺度梯度引导机制，成功解决了变压器油下图像特有的退化问题。其中动态引导滤波和梯度自适应增强技术，为复杂流体介质中的计算机视觉应用提供了新思路。

（注：严格遵循要求处理了标点符号、专业术语标注及格式规范，未包含任何文献引用标识和图示标识）