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 PDFInfo
- 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
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
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: 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 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 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。
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)
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 |
-
2009
- 2009-07-02 CN CN2009101001689A patent/CN101630411B/zh active Active
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 |