(2)圖像分類識別
Hu矩是1962年由Hu提出的二維不變矩理論，是提取圖像旋轉、縮放特征的二維不變矩理論，具有旋轉、縮放和平移不變性， 故被廣泛地應用在圖像識別的特征提取中。在具體的模式識別過程中，可將目標圖像的7個不變矩的測量值作為其特征矢量，也可以根據所識別圖像的具體性質選擇不同的不變矩組合，或者將不變矩與其他的特征量相結合。
Hu矩具有圖像旋轉、縮放不變性，但是在實際縮放運算上存在較大的誤差，為了改進這一問題，可以采用改進Hu不變矩，利用不變矩之間的比值來去掉比例因子，使不變矩公式與面積或結構的比例縮放無關，僅與幾何形狀有關，解決因拍攝距離不一致導致的縮放問題。

表3-7電氣設備Hu不變矩值

BP神經網絡是人工神經網絡中最基本的和使用最廣泛的網絡，具有結構簡單、易于實現的優點。BP神經網絡算法又稱為誤差反向傳播算法，具有良好的自適座性和分類識別等能力。
標準BP神經網絡分為三個部分：輸入向量、隱含層神經元和輸出層神經元。輸入層處理單元數等于輸入的圖像特征值個數；隱含層神經元可以按照經驗來選取，選取隱含層數為5;輸出層神經元的個數為1，輸出數值的大小即為電氣設備的種類（如0、1等）。

3-16神經網絡示意圖

采用Matlab中的數字圖像處理模塊對電氣設備紅外圖像進行分類識別，總共進行5次試驗，分別輸入來自某市電力公司變電站現 的270、540、810、1080、1350張紅外圖儉，其中，變壓器、穿墻套管、避雷針、開關、互感器、散熱器、互感器（三相）、斷路器、出線電纜頭各30、60、90、120、150張。總體仿真步驟如下：
1）對所有圖像進行預處理。
2）求取每張圖片的的Hu不變矩和改進的Hu不變矩。
3）選取每類電氣設備測試圖像的1/3作為訓練樣本，對構建的神經網絡分類器進行訓練，并對剩余的圖像進行分類，同時對圖像Hu不變矩和改進的圖像Hu不變矩進行分類。
4）對最終的仿真結果進行歸納總結，手找到準確率最高的分類方法。

用于測試構建的神經網緒分類器隱含層含有5個神經元，采用logsig（S型）函數；輸出層有1個神經元，采用purelin（線性型）函數。學習率段定為0.005，訓練次數為10000次，目標誤差為0.001。
圖3-17表示采用神經網絡分類器進行分類，每種電氣設備選取150幅圖片的情況下，改進的BP算法迭代了31次，達到了目標誤差0.001的要求。

圖3-17 誤差函數曲線收斂示意圖

(3)圖像處理
—張普通的紅外圖像大小一般在250?650KB之間，存儲著約合640x480個點的溫度信息與RGB信息，以及相關語言注解與文本注解等信息。以某地市需要通過紅外圖像診斷的設備10000臺來估算，每日產生的圖像約為3萬張，存儲空間約為14GB，三年的數據量可達3600萬張，存儲空間約為15TB。對于3600萬的記錄數、15TB的數據量的數據規模，傳統的關系型數據庫+文件管理系統模式無法實現高效存儲與快速檢索的需求；基于Hadoop平臺可將紅外圖像視為小文件，本領域需要解決的不僅僅是圖像的存儲、檢索問題，還需在此基礎上進行模式識別與溫度分析等預處理業務，并且需要將相關的預處理結果與圖像信息進行關聯。
基于HBase數據庫技術，不僅僅解決了紅外圖像的高效存儲與檢索問題，也解決了海量圖像預處理問題，并且解決了圖像信息與預處理結果信息（區域信息、溫度信息）之間的關聯問題。