CN101630411B - 基于熵值的面向输电线路部件识别的自动阈值图象分割方法 - Google Patents

基于熵值的面向输电线路部件识别的自动阈值图象分割方法 Download PDF

Info

Publication number
CN101630411B
CN101630411B CN2009101001689A CN200910100168A CN101630411B CN 101630411 B CN101630411 B CN 101630411B CN 2009101001689 A CN2009101001689 A CN 2009101001689A CN 200910100168 A CN200910100168 A CN 200910100168A CN 101630411 B CN101630411 B CN 101630411B
Authority
CN
China
Prior art keywords
image
entropy
histogram
gray level
grey level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN2009101001689A
Other languages
English (en)
Other versions
CN101630411A (zh
Inventor
黄宵宁
张真良
盛晔
宋伟光
成剑英
韦爱平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Zhejiang Electric Power Co
Shaoxing Electric Power Bureau
Original Assignee
Nanjing Institute of Technology
Zhejiang Electric Power Co
Shaoxing Electric Power Bureau
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology, Zhejiang Electric Power Co, Shaoxing Electric Power Bureau filed Critical Nanjing Institute of Technology
Priority to CN2009101001689A priority Critical patent/CN101630411B/zh
Publication of CN101630411A publication Critical patent/CN101630411A/zh
Application granted granted Critical
Publication of CN101630411B publication Critical patent/CN101630411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种基于熵值的面向输电线路部件识别的自动阈值图象分割方法，包括以下步骤：将输入的输电线路彩色图像转换为灰度图像，针对灰度图像建立其灰度直方图和熵值直方图；依据熵值直方图确定适当的灰度拉伸方案，对灰度图像进行灰度拉伸；重复上述步骤中的建立灰度直方图和熵值直方图的方法，对灰度拉伸后的灰度图像重新建立其熵值直方图；此时的熵值直方图显示为单调上升曲线，寻找熵值曲线上熵值突变的拐点；用最大距离法求出拐点，该拐点对应的灰度值即为图像阈值分割的最佳阈值；用最佳阈值对拉伸后的灰度图像进行阈值变换，完成图像分割。本发明具有算法实现简单、计算开销小、运算速度快的优点，能满足以天空为主要背景的输电线路自动巡线的高分辨率图像实时预处理需要。

Description

基于熵值的面向输电线路部件识别的自动阈值图象分割方法
技术领域
本发明涉及一种基于熵值的面向输电线路部件实时识别的自动阈值图象分割方法。本发明属于应用于通过机器视觉来实现输电线路部件实时识别的高分辨率图像预处理，尤其涉及到利用图像的信息熵值来自动选择图像分割阈值，将由输电线路主要部件构成的前景图像分割出来，用于输电线路部件的自动实时识别。
背景技术
输电线路是国民经济的命脉，其安全稳定运行至关重要。巡线，即线路巡检，就是通过巡视检查来掌握线路运行状况及其周围环境的变化，以便及时消除隐患。但输电线路的分布点多面广，所处自然条件复杂多样，传统的人工巡线不仅工作量大，而且条件艰苦。因此以现代信息技术为基础，借助车辆或者飞行器来对输电线路进行车载或机载进行高分辨率成像，利用机器视觉技术来实现自动实时巡线，具有很强的现实意义。
机器视觉自动巡线应用有以下特点：1)高清图像，即对输电线路采用500万像素(即2560*1920)以上的高分辨率成像；2)实时在线处理，要求处理一幅图像不超过40毫秒；3)成像的光照条件零约束，是纯粹的自然光成像。前两个特点要求图像分割、图像识别和理解的算法在计算速度上提出了严峻的要求；第三个特点要求图像预处理不仅实现高速图像分割，还能有效过滤和屏蔽成像过程中引入的各种噪声和成像缺陷(如光照不均、曝光过强、曝光过弱等)。
自动巡线要实现以下功能：1)大部件识别，即对杆塔、绝缘子、导线、地线、引流线、金具等主要线路部件进行视觉识别；2)缺陷检查；3)线路呼称高测量。
图像分割是图像识别和图像理解的基础和关键，也是机器视觉的经典难题，尤其是自动巡线应用中的高清图像和实时性要求对图像分割以及后续的图像识别和图像理解在计算速度上提出了一场严峻的挑战。就图像分割而言，尽管到目前位置，提出的分割算法不下千种，并且每年还有不少新算法出现，但由于实际的机器视觉都是面向某个具体应用的，至今没有一种有效的图像分割算法能满足自动巡线应用对自然光成像的高清图像的实时处理要求。
对机器视觉自动巡线应用的图像分割而言，其基本目的是要将由线路部件构成的前景信息从原始采样图像中准确地抽取出来，实现前景与背景的准确分割，同时能过滤和屏蔽成像过程中引入的各种噪声和成像缺陷。
然而，纵览各种图像分割算法，其中绝大部分都是基于图像在像素级别的不连续性和相似性。也就是说，属于同一目标的区域具有相似性，而不同区域在边界会表现出不连续性。这些方法大致可以分成以下几类：
边缘检测方法：基于图像边缘在像素级别上的某些方向存在边缘梯度，通过从某些方向求图像的一阶(如Roberts算子、Sobel算子、Prewitt算子等)或二阶导数(如高斯-拉普拉斯算子、LOG算子)等微分算子来寻找边缘。Canny算子是一种不采用微分算子的边缘检测算子。但边缘检测方法对成像噪声的抑制效果很一般、对成像缺陷的修复几乎无能为力，其检测效果反而因此而下降。
边缘跟踪方法：由于前述的边缘检测方法检测出的边缘点往往由于成像噪声、光照不均等原因而不连续，边缘跟踪方法就是对这些边缘点进行跟踪，形成连续的边缘。最著名的当属常用于直线、椭圆检测的Hough变换。
区域分割法：包括区域增长法和区域分裂合并法。其基本思想是基于同一区域像素的相似性。对输电线路部件识别这种先验知识很少、场景复杂、成像条件约束很少的应用进行图像确有一定的优势。但由于输电线路部件识别一般采用高分辨率成像设备，而这种算法在具体实现上一般采用递归方法，牵涉到较大的计算时间开销，因此对计算速度影响较大。
最经典的图像分割方法是基于灰度阈值的分割方法。通过设定阈值与像素点的灰度值比较，如灰度值大于阈值，则该像素置为白色，否则置为黑色。这样就将灰度图像转变为二值图像。但在输电线路部件识别这种实时应用中，针对每幅图像或者某类图像来人工设定阈值不能满足实时识别的需要，必须采取自动阈值选取。
尽管自动阈值选取在过去几十年里一直受到学术界的广泛关注，也产生了很多中自动阈值选取方法，其中比较著名的有迭代式阈值选择法、Otsu法、最小误差阈值选择法，以及通过借鉴形态学理论、将像素值视为地形高度、将图像视为地形高度图的分水岭算法(Watershed)，但在实际应用中却没有一种方法能对各种各样的图像都能得到令人满意的结果，也没有一个理论来指导我们该如何针对不同的图像自动选取最“合适”的阈值来对图像进行分割。
发明内容
本发明的目的在于提供了一种基于熵值的面向输电线路部件实时识别的自动阈值图象分割方法。用最大距离法在图像的熵值直方图上直接求取图像分割的最佳阈值，避免了复杂耗时的微分操作，具有算法实现简单、计算开销小、运算速度快的优点，能满足以天空为主要背景的输电线路自动巡线的高分辨率图像实时预处理需要。
为了达到上述目的，本发明的技术方案是：
一种基于熵值的面向输电线路部件识别的自动阈值图象分割方法，包括以下步骤：
(1)将输入的输电线路彩色图像转换为灰度图像，针对灰度图像首先建立其灰度直方图，并根据该灰度直方图建立图像的熵值直方图；针对每个灰度级别，将对应的像素数除以整幅图像的像素总数，得到占比形式的灰度直方图，再就占比形式的灰度直方图对每个像素级别进行积分，得到图像的熵值直方图。
(2)依据熵值直方图确定适当的灰度拉伸方案，对灰度图像进行灰度拉伸。
(3)重复步骤(1)中的建立灰度直方图和熵值直方图的方法，对灰度拉伸后的灰度图像重新建立其灰度直方图和熵值直方图；此时的熵值直方图显示为单调上升曲线，寻找熵值曲线上熵值突变的拐点。
(4)用最大距离法求出拐点，即计算熵值曲线上每个点到连接熵值曲线起点和终点的连线的距离，距离最大的点即为拐点。该拐点对应的灰度值即为图像阈值分割的最佳阈值。
(5)用最佳阈值对拉伸后的灰度图像进行图像分割。凡灰度值大于最佳阈值的像素置为白色，反之置为黑色，得到分割出来的前景图像，完成图像预处理，用于后续的部件识别。
所述的建立灰度直方图是指针对0-255的每个灰度级别对整幅图像进行扫描，统计每个灰度级别的像素数量，将统计结果以直方图形式表示。其中横轴为灰度级别k，取0-255；竖轴为图像中相应灰度级别的像素个数nk。
所述的建立图像的熵值直方图是指首先将灰度直方图转换为占比直方图形式：将每个灰度级别的像素个数nk除以整个图像的像素总数nT，得到每个灰度级别像素占整幅图像像素的百分比，即占比pk；然后对占比直方图进行积分操作，积分公式为： E k = Σ i = 0 k p i , 其中Ek表示灰度级别k的熵值，即灰度级别从0到k的像素占整幅图像的百分比，形成图像的熵值直方图，横轴为灰度级别k，取0-255，竖轴为熵值。
所述的熵值发生突变的拐点是指在熵值直方图上熵值曲线由平缓上升转为急剧上升的点，由解析几何可知，熵值直方图中的拐点对应熵值曲线的二阶导数为零、三阶导数不为零的点，最佳阈值就是该拐点所对应的灰度值。
本发明的有益效果为：本发明通过对输电线路车载部件识别图像样本的研究，发现这些图像样本具有以下特点：1)其背景主要是天空，而山脉等地面景物较少；2)输电线路部件在整幅图像中的像素占比相对较小；3)相对背景而言，输电线路部件的成像灰度总体偏低。针对输电线路车载部件识别的应用，考虑到上述图像样本的统计特性，本发明采用基于熵值的自动阈值图像分割法。这种方法不仅能有效实现图像分割的基本目的，实现由输电线路主要部件构成的前景图像与以天空为主要背景的背景图像的分割，而且还能为判定和修复曝光过强、曝光过弱等图像缺陷提供了有效的手段。同时本发明克服了传统方法中需要对其进行微分操作牵涉到曲线拟合，导致算法复杂度增加、计算时间开销加大，难以满足实时图像分割的需要的缺点。用最大距离法在图像的熵值直方图上直接求取图像分割的最佳阈值，避免了复杂耗时的微分操作，具有算法实现简单、计算开销小、运算速度快的优点，能满足以天空为主要背景的输电线路自动巡线的高分辨率图像实时预处理需要。使整个方法思路清晰、算法实现简单、计算开销小、分割速度快，能满足车载输电线路实时在线自动识别的需要。
附图说明
图1为本发明原始彩色图像(分辨率为2560*1920)；
图2为本发明由原始彩色图像转换而来的灰度图像；
图3为本发明原始灰度图像的灰度直方图；
图4为本发明原始灰度图像的熵值直方图；
图5为本发明经灰度拉伸后的灰度图像；
图6为本发明经灰度拉伸后的灰度直方图；
图7为本发明经灰度拉伸后的熵值直方图；
图8为本发明由熵值直方图确定的图像分割“最佳”阈值；
图9为本发明用“最佳”阈值分割后的图像。
具体实施方式
实施例1
本实施例的一种基于熵值的面向输电线路部件识别的自动阈值图象分割方法。硬件平台为个人微型计算机，操作系统为Windows，图像开发平台为Intel OpenCV，开发工具为Microsoft Visual C++。
具体步骤为：
首先将原始采集的分辨率为2560*1920的彩色图像(图1)通过cvCvtColor函数转换为灰度图像，如图2所示。
然后针对灰度图像建立灰度直方图，见图3所示。图中横轴为像素的灰度级别，取0-255，每个小格代表10；竖轴为图像中相应灰度级别的像素个数nk(其中k表示灰度级别)。具体的灰度直方图数据如下：
  灰度级别k   像素数nk   灰度级别k   像素数nk   灰度级别k   像素数nk   灰度级别k   像素数nk
  0   0   64   8366   128   48706   192   0
  1   0   65   8556   129   65187   193   0
  2   0   66   8624   130   90642   194   0
  3   9   67   8883   131   129919   195   0
  4   25   68   8864   132   176617   196   0
  5   459   69   8791   133   216153   197   0
  6   3564   70   8803   134   234958   198   0
  7   8407   71   8979   135   232644   199   0
  8   10017   72   9048   136   230447   200   0
  9   11558   73   9051   137   243282   201   0
  10   17009   74   9091   138   277431   202   0
  11   20857   75   9114   139   310412   203   0
  12   21997   76   9078   140   324262   204   0
  13   23041   77   9078   141   306941   205   0
  14   24859   78   8919   142   262049   206   0
  15   24355   79   9002   143   210951   207   0
  16   18831   80   9091   144   165027   208   0
  17   11121   81   8901   145   118581   209   0
  18   7742   82   9036   146   71839   210   0
  19   6749   83   8930   147   35518   211   0
  20   6430   84   9109   148   14698   212   0
  21   5661   85   8932   149   5752   213   0
  22   4388   86   8967   150   2619   214   0
  23   3801   87   9179   151   1288   215   0
  24   3116   88   8893   152   706   216   0
  25   2722   89   8936   153   431   217   0
  26   2581   90   8739   154   230   218   0
  27   2499   91   8868   155   143   219   0
  28   2561   92   8886   156   86   220   0
  29   2826   93   9010   157   52   221   0
  30   3045   94   9341   158   39   222   0
  31   3223   95   9649   159   24   223   0
  32   3653   96   9542   160   15   224   0
  33   3961   97   9671   161   19   225   0
  34   4056   98   9708   162   17   226   0
  35   4293   99   9748   163   10   227   0
  36   4578   100   10076   164   18   228   0
  37   4919   101   10310   165   13   229   0
  38   4991   102   10437   166   11   230   0
39 5080 103 10576 167 9 231 0
  40   4915   104   10797   168   8   232   0
  41   5079   105   11040   169   7   233   0
  42   5019   106   11185   170   1   234   0
  43   5178   107   11358   171   5   235   0
  44   5281   108   11428   172   2   236   0
  45   5480   109   11455   173   1   237   0
  46   5635   110   11435   174   2   238   0
  47   5730   111   11432   175   0   239   0
  48   5957   112   11427   176   1   240   0
  49   6023   113   11282   177   0   241   0
  50   6188   114   11649   178   0   242   0
  51   5996   115   11384   179   0   243   0
  52   6157   116   11325   180   0   244   0
  53   6171   117   11208   181   0   245   0
  54   6485   118   11497   182   0   246   0
  55   6745   119   11424   183   1   247   0
  56   6753   120   11695   184   0   248   0
  57   7008   121   11879   185   1   249   0
  58   7108   122   12522   186   1   250   0
  59   7438   123   13676   187   0   251   0
  60   7469   124   16204   188   0   252   0
  61   7836   125   19917   189   0   253   0
  62   7995   126   26782   190   0   254   0
  63   8217   127   35794   191   0   255   0
建立图像的熵值直方图，见图4所示。首先将上述步骤中的灰度直方图转换为占比直方图形式，办法是将每个灰度级别的像素个数nk除以整幅图像的像素总数(2560*1920)，得到每个灰度级别的像素数量在整幅图像像素中的占比pk；
然后对占比直方图进行积分操作，形成图像的熵值直方图。具体积分办法按照 E k = Σ i = 0 k p i 进行(Ek表示灰度级别k的熵值)。积分操作后的熵值直方图数据如下：
 灰度级别k   熵值Ek   灰度级别k   熵值Ek   灰度级别k   熵值Ek   灰度级别k   熵值Ek
 0   0   64   0.0914   128   0.2413   192   1
 1   0   65   0.0931   129   0.2546   193   1
 2   0   66   0.0949   130   0.273   194   1
 3   0   67   0.0967   131   0.2995   195   1
 4   0   68   0.0985   132   0.3354   196   1
 5   0.0001   69   0.1003   133   0.3794   197   1
 6   0.0008   70   0.1021   134   0.4272   198   1
 7   0.0025   71   0.1039   135   0.4745   199   1
 8   0.0046   72   0.1057   136   0.5214   200   1
 9   0.0069   73   0.1076   137   0.5709   201   1
 10   0.0104   74   0.1094   138   0.6273   202   1
 11   0.0146   75   0.1113   139   0.6905   203   1
 12   0.0191   76   0.1131   140   0.7564   204   1
 13   0.0238   77   0.115   141   0.8189   205   1
 14   0.0288   78   0.1168   142   0.8722   206   1
 15   0.0338   79   0.1186   143   0.9151   207   1
 16   0.0376   80   0.1205   144   0.9487   208   1
 17   0.0399   81   0.1223   145   0.9728   209   1
 18   0.0415   82   0.1241   146   0.9874   210   1
 19   0.0428   83   0.1259   147   0.9947   211   1
 20   0.0442   84   0.1278   148   0.9977   212   1
 21   0.0453   85   0.1296   149   0.9988   213   1
 22   0.0462   86   0.1314   150   0.9994   214   1
 23   0.047   87   0.1333   151   0.9996   215   1
 24   0.0476   88   0.1351   152   0.9998   216   1
 25   0.0482   89   0.1369   153   0.9999   217   1
 26   0.0487   90   0.1387   154   0.9999   218   1
 27   0.0492   91   0.1405   155   0.9999   219   1
 28   0.0497   92   0.1423   156   0.9999   220   1
 29   0.0503   93   0.1442   157   1   221   1
 30   0.0509   94   0.1461   158   1   222   1
 31   0.0516   95   0.148   159   1   223   1
 32   0.0523   96   0.15   160   1   224   1
 33   0.0531   97   0.1519   161   1   225   1
 34   0.0539   98   0.1539   162   1   226   1
 35   0.0548   99   0.1559   163   1   227   1
 36   0.0557   100   0.1579   164   1   228   1
 37   0.0567   101   0.16   165   1   229   1
 38   0.0578   102   0.1622   166   1   230   1
 39   0.0588   103   0.1643   167   1   231   1
 40   0.0598   104   0.1665   168   1   232   1
 41   0.0608   105   0.1688   169   1   233   1
 42   0.0618   106   0.171   170   1   234   1
 43   0.0629   107   0.1733   171   1   235   1
 44   0.064   108   0.1757   172   1   236   1
 45   0.0651   109   0.178   173   1   237   1
  46   0.0662   110   0.1803   174   1   238   1
  47   0.0674   111   0.1826   175   1   239   1
  48   0.0686   112   0.185   176   1   240   1
  49   0.0698   113   0.1873   177   1   241   1
  50   0.0711   114   0.1896   178   1   242   1
  51   0.0723   115   0.192   179   1   243   1
  52   0.0736   116   0.1943   180   1   244   1
  53   0.0748   117   0.1965   181   1   245   1
  54   0.0761   118   0.1989   182   1   246   1
  55   0.0775   119   0.2012   183   1   247   1
  56   0.0789   120   0.2036   184   1   248   1
  57   0.0803   121   0.206   185   1   249   1
  58   0.0818   122   0.2085   186   1   250   1
  59   0.0833   123   0.2113   187   1   251   1
  60   0.0848   124   0.2146   188   1   252   1
  61   0.0864   125   0.2187   189   1   253   1
  62   0.088   126   0.2241   190   1   254   1
  63   0.0897   127   0.2314   191   1   255   1
根据熵值直方图及上述数据可知，当灰度级别为157，相应熵值达到1，即满熵值。从157远小于255可以判定本实施例的原始灰度图像不是满灰度的，需要对原灰度图像进行灰度拉伸操作。具体拉伸办法是将原灰度图像中灰度级别从0-157的灰度值等比例拉伸到0-255的满灰度区间。如原灰度值为k0，则拉伸后的灰度值为 k 1 = int ( k 0 × 255 157 ) . 经灰度拉伸后的灰度图像见图5。重复上述建立图像灰度直方图和熵值直方图的步骤，对拉伸后的灰度图像重新建立其灰度直方图(见图6)和熵值直方图(附图7)。图像经灰度拉伸后的熵值直方图数据如下：
 灰度级别k   熵值Ek   灰度级别k   熵值Ek   灰度级别k   熵值Ek   灰度级别k   熵值Ek
 0   0   64   0.0567   128   0.1094   192   0.1826
 1   0   65   0.0578   129   0.1094   193   0.1826
 2   0   66   0.0578   130   0.1113   194   0.185
  3   0   67   0.0588   131   0.1131   195   0.185
  4   0   68   0.0588   132   0.1131   196   0.1873
  5   0   69   0.0598   133   0.115   197   0.1896
  6   0   70   0.0598   134   0.115   198   0.1896
  7   0   71   0.0608   135   0.1168   199   0.192
  8   0.0001   72   0.0618   136   0.1168   200   0.192
  9   0.0001   73   0.0618   137   0.1186   201   0.1943
  10   0.0008   74   0.0629   138   0.1205   202   0.1965
  11   0.0008   75   0.0629   139   0.1205   203   0.1965
  12   0.0025   76   0.064   140   0.1223   204   0.1989
  13   0.0046   77   0.064   141   0.1223   205   0.1989
  14   0.0046   78   0.0651   142   0.1241   206   0.2012
  15   0.0069   79   0.0662   143   0.1259   207   0.2012
  16   0.0069   80   0.0662   144   0.1259   208   0.2036
  17   0.0104   81   0.0674   145   0.1278   209   0.206
  18   0.0104   82   0.0674   146   0.1278   210   0.206
  19   0.0146   83   0.0686   147   0.1296   211   0.2085
  20   0.0191   84   0.0686   148   0.1296   212   0.2085
  21   0.0191   85   0.0698   149   0.1314   213   0.2113
  22   0.0238   86   0.0711   150   0.1333   214   0.2113
  23   0.0238   87   0.0711   151   0.1333   215   0.2146
  24   0.0288   88   0.0723   152   0.1351   216   0.2187
  25   0.0288   89   0.0723   153   0.1351   217   0.2187
  26   0.0338   90   0.0736   154   0.1369   218   0.2241
  27   0.0376   91   0.0748   155   0.1369   219   0.2241
  28   0.0376   92   0.0748   156   0.1387   220   0.2314
  29   0.0399   93   0.0761   157   0.1405   221   0.2314
  30   0.0399   94   0.0761   158   0.1405   222   0.2413
  31   0.0415   95   0.0775   159   0.1423   223   0.2546
  32   0.0428   96   0.0775   160   0.1423   224   0.2546
  33   0.0428   97   0.0789   161   0.1442   225   0.273
  34   0.0442   98   0.0803   162   0.1442   226   0.273
  35   0.0442   99   0.0803   163   0.1461   227   0.2995
  36   0.0453   100   0.0818   164   0.148   228   0.3354
  37   0.0453   101   0.0818   165   0.148   229   0.3354
  38   0.0462   102   0.0833   166   0.15   230   0.3794
  39   0.047   103   0.0833   167   0.15   231   0.3794
  40   0.047   104   0.0848   168   0.1519   232   0.4272
  41   0.0476   105   0.0864   169   0.1519   233   0.4272
  42   0.0476   106   0.0864   170   0.1539   234   0.4745
  43   0.0482   107   0.088   171   0.1559   235   0.5214
  44   0.0482   108   0.088   172   0.1559   236   0.5214
  45   0.0487   109   0.0897   173   0.1579   237   0.5709
  46   0.0492   110   0.0897   174   0.1579   238   0.5709
  47   0.0492   111   0.0914   175   0.16   239   0.6273
  48   0.0497   112   0.0931   176   0.1622   240   0.6273
  49   0.0497   113   0.0931   177   0.1622   241   0.6905
  50   0.0503   114   0.0949   178   0.1643   242   0.7564
  51   0.0503   115   0.0949   179   0.1643   243   0.7564
  52   0.0509   116   0.0967   180   0.1665   244   0.8189
  53   0.0516   117   0.0985   181   0.1665   245   0.8189
  54   0.0516   118   0.0985   182   0.1688   246   0.8722
  55   0.0523   119   0.1003   183   0.171   247   0.8722
  56   0.0523   120   0.1003   184   0.171   248   0.9151
  57   0.0531   121   0.1021   185   0.1733   249   0.9487
  58   0.0539   122   0.1021   186   0.1733   250   0.9487
  59   0.0539   123   0.1039   187   0.1757   251   0.9728
  60   0.0548   124   0.1057   188   0.1757   252   0.9728
  61   0.0548   125   0.1057   189   0.178   253   0.9874
  62   0.0557   126   0.1076   190   0.1803   254   0.9874
  63   0.0557   127   0.1076   191   0.1803   255   1
至此，图像的熵值直方图及其数据可知熵值曲线为定义域为0-255、值域为0-1的单调上升曲线。从熵值直方图可知，用最大距离法(见图8)可求出拐点，即计算熵值曲线上每个点到连接熵值曲线起点和终点的连线的距离，距离最大的点即为拐点。该拐点对应的灰度值即为图像阈值分割的最佳阈值。由于熵值直方图为离散图形，通过求取熵值曲线上各点到OD的距离Dk，具体数据如下：
  灰度级别k   距离Dk   灰度级别k   距离Dk   灰度级别k   距离Dk   灰度级别k   距离Dk
  0   0   64   0.1367   128   0.2762   192   0.4012
  1   0.0028   65   0.1387   129   0.2789   193   0.4039
  2   0.0055   66   0.1415   130   0.2804   194   0.4051
  3   0.0083   67   0.1435   131   0.2818   195   0.4078
  4   0.011   68   0.1463   132   0.2846   196   0.409
  5   0.0138   69   0.1483   133   0.2861   197   0.41
  6   0.0166   70   0.1511   134   0.2888   198   0.4128
  7   0.0193   71   0.1531   135   0.2903   199   0.4139
  8   0.022   72   0.1551   136   0.2931   200   0.4167
  9   0.0248   73   0.1579   137   0.2945   201   0.4178
  10   0.027   74   0.1599   138   0.296   202   0.419
  11   0.0298   75   0.1627   139   0.2987   203   0.4217
  12   0.0314   76   0.1647   140   0.3002   204   0.4228
  13   0.0327   77   0.1674   141   0.303   205   0.4256
  14   0.0354   78   0.1694   142   0.3045   206   0.4267
  15   0.0365   79   0.1714   143   0.3059   207   0.4295
  16   0.0393   80   0.1741   144   0.3087   208   0.4306
  17   0.0396   81   0.1761   145   0.3101   209   0.4316
  18   0.0424   82   0.1788   146   0.3129   210   0.4344
  19   0.0421   83   0.1807   147   0.3144   211   0.4353
  20   0.0417   84   0.1835   148   0.3171   212   0.4381
  21   0.0445   85   0.1854   149   0.3186   213   0.4389
  22   0.0439   86   0.1873   150   0.3201   214   0.4417
  23   0.0467   87   0.19   151   0.3228   215   0.4421
  24   0.0459   88   0.1919   152   0.3243   216   0.442
  25   0.0487   89   0.1947   153   0.3271   217   0.4448
  26   0.0479   90   0.1966   154   0.3285   218   0.4437
  27   0.048   91   0.1984   155   0.3313   219   0.4464
  28   0.0507   92   0.2012   156   0.3328   220   0.444
  29   0.0519   93   0.203   157   0.3343   221   0.4468
  30   0.0547   94   0.2058   158   0.3371   222   0.4426
  31   0.0563   95   0.2076   159   0.3385   223   0.4359
  32   0.0581   96   0.2104   160   0.3413   224   0.4387
  33   0.0609   97   0.2121   161   0.3428   225   0.4284
  34   0.0627   98   0.2139   162   0.3455   226   0.4312
  35   0.0655   99   0.2167   163   0.3469   227   0.4153
  36   0.0674   100   0.2184   164   0.3483   228   0.3926
  37   0.0702   101   0.2212   165   0.3511   229   0.3954
  38   0.0723   102   0.2229   166   0.3525   230   0.367
  39   0.0745   103   0.2256   167   0.3552   231   0.3698
  40   0.0773   104   0.2273   168   0.3566   232   0.3388
  41   0.0796   105   0.2289   169   0.3594   233   0.3415
  42   0.0823   106   0.2317   170   0.3607   234   0.3108
  43   0.0847   107   0.2333   171   0.3621   235   0.2804
  44   0.0875   108   0.2361   172   0.3649   236   0.2832
  45   0.0899   109   0.2377   173   0.3662   237   0.251
  46   0.0923   110   0.2404   174   0.3689   238   0.2537
  47   0.095   111   0.242   175   0.3702   239   0.2166
  48   0.0974   112   0.2435   176   0.3715   240   0.2193
  49   0.1002   113   0.2463   177   0.3742   241   0.1774
  50   0.1025   114   0.2478   178   0.3755   242   0.1335
  51   0.1053   115   0.2505   179   0.3782   243   0.1363
  52   0.1076   116   0.252   180   0.3794   244   0.0949
  53   0.1099   117   0.2535   181   0.3822   245   0.0977
  54   0.1127   118   0.2563   182   0.3834   246   0.0627
  55   0.1149   119   0.2578   183   0.3845   247   0.0655
  56   0.1177   120   0.2605   184   0.3873   248   0.0379
  57   0.1199   121   0.262   185   0.3884   249   0.0169
  58   0.1221   122   0.2648   186   0.3912   250   0.0197
  59   0.1248   123   0.2663   187   0.3923   251   0.0054
  60   0.127   124   0.2677   188   0.3951   252   0.0082
  61   0.1297   125   0.2705   189   0.3962   253   0.0006
  62   0.1318   126   0.272   190   0.3973   254   0.0034
  63   0.1346   127   0.2747   191   0.4001   255   0
其中距离OD最大的点就是熵值直方图的拐点，即图中的T点。由上述数据表中粗体显示的内容可知，T点所对应的灰度值为221，相应的熵值曲线上点到OD的距离为0.4468。T点所对应的灰度值(221)就是进行图像分割的“最佳”阈值kT。
最后用kT对拉伸后的灰度图像进行阈值变换就完成了图像分割。具体办法是：凡灰度值大于kT的像素置为白色(灰度级别为255)，反之置为黑色(灰度级别为0)，得到分割出来的图像(见图9)。相应的阈值变换代码如下：
void Threshold(IplImage*img，int nKt)
{
unsigned char*data＝img->imageData；
for(int y＝0；y<img->height；y++，data+＝img->widthStep){
for(imt x＝0；x<img->width；x++){
if(data[x]>nKt)    data[x]＝255；
else               data[x]＝0；
}
}
}

Claims (2)

1.一种基于熵值的面向输电线路部件识别的自动阈值图象分割方法，其特征在于：包括以下步骤：
(1)将输入的输电线路彩色图像转换为灰度图像，针对灰度图像首先建立其灰度直方图，并根据该灰度直方图建立图像的熵值直方图；其中，针对每个灰度直方图上的灰度级别，将对应的像素数除以整个图像的像素总数，得到占比形式的灰度直方图，再就占比形式的灰度直方图对每个像素级别进行积分，得到图像的熵值直方图；
(2)依据熵值直方图满熵值对应的灰度值确定灰度拉伸方案；
(3)重复步骤(1)中的建立灰度直方图和熵值直方图的方法，对灰度拉伸后的灰度图像重新建立其熵值直方图；此时的熵值直方图显示为单调上升曲线，寻找熵值曲线上熵值发生突变的拐点；其中，采用最大距离法求出拐点，即计算熵值曲线上每个点到连接熵值曲线起点和终点的连线的距离，距离最大的点即为拐点；该拐点对应的灰度值即为图像阈值分割的最佳阈值；
(4)用最佳阈值对拉伸后的灰度图像进行阈值变换，完成图像分割；凡灰度值大于最佳阈值的像素置为白色，反之置为黑色，得到分割出来的图像。
2.如权利要求1所述的基于熵值的面向输电线路部件识别的自动阈值图象分割方法，其特征在于：所述的熵值发生突变的拐点是指经过拐点以后熵值曲线由平缓转变为急剧上升的点。
CN2009101001689A 2009-07-02 2009-07-02 基于熵值的面向输电线路部件识别的自动阈值图象分割方法 Active CN101630411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2009101001689A CN101630411B (zh) 2009-07-02 2009-07-02 基于熵值的面向输电线路部件识别的自动阈值图象分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2009101001689A CN101630411B (zh) 2009-07-02 2009-07-02 基于熵值的面向输电线路部件识别的自动阈值图象分割方法

Publications (2)

Publication Number Publication Date
CN101630411A CN101630411A (zh) 2010-01-20
CN101630411B true CN101630411B (zh) 2011-10-26

Family

ID=41575512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009101001689A Active CN101630411B (zh) 2009-07-02 2009-07-02 基于熵值的面向输电线路部件识别的自动阈值图象分割方法

Country Status (1)

Country Link
CN (1) CN101630411B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103327322A (zh) * 2013-04-26 2013-09-25 深信服网络科技（深圳）有限公司 图像传输方法及装置
CN104502410A (zh) * 2013-07-21 2015-04-08 国家电网公司 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法
CN104978753A (zh) * 2014-04-02 2015-10-14 深圳市蓝韵实业有限公司 一种乳腺x光图像中乳头区域的分割算法
CN105701807B (zh) * 2016-01-12 2019-05-10 西北工业大学 一种基于投票策略的图像分割方法
CN107967690B (zh) * 2016-10-19 2020-06-09 中国石油天然气股份有限公司 一种自适应铁谱磨粒图像二值化处理方法
CN108062508B (zh) * 2017-10-13 2019-06-04 西安科技大学 变电站复杂背景红外图像中设备的提取方法
CN107730548A (zh) * 2017-10-23 2018-02-23 厦门诺银科技有限公司 一种基于平均灰度和面积的面向加热炉火焰实时检测方法
CN111539429B (zh) * 2020-06-19 2020-11-03 天津施格机器人科技有限公司 一种基于图像几何特征的周转箱自动定位方法
CN113450373A (zh) * 2020-08-18 2021-09-28 中国人民解放军63729部队 一种基于光学实况图像的运载火箭飞行过程特征事件实时判别方法
CN114998313B (zh) * 2022-07-18 2022-10-21 山东海鑫达石油机械有限公司 基于视觉定位的流体输送管管口毛刺识别定位方法

Also Published As

Publication number Publication date
CN101630411A (zh) 2010-01-20

Similar Documents

Publication Publication Date Title
CN101630411B (zh) 基于熵值的面向输电线路部件识别的自动阈值图象分割方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN107437245B (zh) 基于深度卷积神经网络的高速铁路接触网故障诊断方法
CN101710425B (zh) 基于图像灰度梯度和灰度统计直方图的自适应预分割方法
CN103778627B (zh) 一种基于sar图像的海域溢油检测方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN108564114B (zh) 一种基于机器学习的人体粪便白细胞自动识别方法
CN106296612A (zh) 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法
CN102073852B (zh) 基于最优阈值和随机标号法的多车辆分割方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN110197494B (zh) 一种基于单目红外图像的受电弓接触点实时检测算法
CN105139391B (zh) 一种雾霾天气交通图像边缘检测方法
CN110726725A (zh) 一种输电线路金具锈蚀检测方法及装置
CN110060221B (zh) 一种基于无人机航拍图像的桥梁车辆检测方法
CN110175556B (zh) 基于Sobel算子的遥感图像云检测方法
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN105719275A (zh) 一种并行组合的图像缺陷分割方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN108898132A (zh) 一种基于形状上下文描述的太赫兹图像危险品识别方法
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN109523559A (zh) 一种基于改进的能量泛函模型的噪声图像分割方法
CN116524196A (zh) 一种基于图像识别技术的输电线智能检测系统
CN102313740B (zh) 太阳能电池板裂痕检测方法
CN114155226A (zh) 一种微小缺陷边缘计算方法
CN105787955A (zh) 一种带钢缺陷的稀疏分割方法及其分割装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant