为了在电力设备红外图像中较好地检测故障区域，提出一种基于分层聚类迭代的红外图像故障区域自动提取方法。在该方法中，首先以脉冲耦合神经网络(Pulse-coupled neural network，PCNN)作为红外图像处理核心模型，通过设置 PCNN模型内在参数以及引入聚类机理，使得模型在迭代过程中可将整个图像划分成多个具有相似特性的区域。在此基础上，通过计算各个层点火区域均值以及对均值大小进行排序，然后针对灰度值较高的点火区域，结合边界检测算子并利用相似度评价方式对相邻区域进行合并处理，实现红外图像中热故障区域的有效提取。最后对真实红外图像进行测试并对比现有的一些方法，验证文中方法对热故障区域提取的有效性和适用性。

为了较好地实现电力设备红外图像故障区域提取，提出了一种基于 Canny算子边界检测的脉冲耦合神经网络( Pulse-coupled Neural Network，PCNN)红外图像区域提取方法。在该方法中，首先以 PCNN模型同步点火特性为基础，通过优化原始 PCNN模型内在的参数，使得模型迭代过程中将图像转换成为时间点火序列，然后引入 Canny边界检测算子并结合区域灰度特性，获取最佳时刻的脉冲输出信息，实现红外图像中热故障区域的有效提取。最后通过真实红外故障图像测试，验证了文中方法的有效性和适用性，同时方便了后续的特征提取与识别。

在红外电气故障监测中, 设备过热故障区通常表现出高亮度等特点, 然而现有的提取方法因红外图像固有的低对比度、边界模糊等特点容易引起提取区域范围增大。为此, 本文提出了一种基于扩展的均值漂移聚类的红外图像故障过热区域提取方法, 引入了基于邻域灰度的权重因子。同时, 为了提升聚类效率, 摒弃了传统均值漂移算法遍历整个红外图像平面进行迭代聚类的方法, 融合了自高向低的聚类阈值分割机制, 使得改进的均值漂移算法能快速地将故障区域像素进行聚类, 实现红外图像中热故障区域的有效提取。实验结果表明本文区域提取性能优于目前现有的一些方法以及传统均值漂移聚类方法。