CN102831295B - 基于纹理聚类的电力塔杆图像描述方法 - Google Patents

Abstract

本发明公开了属于电力塔杆描述技术领域的基于纹理聚类的电力塔杆图像描述方法。本发明先从训练样本中生成码本，然后用这些码本与测试图像做卷积生成相关面，再从相关面中选取与码本相似度最大的那些组成电力塔杆的原型分配图，并把原型分配图表示成直方图，即张量，最后，把张量量化成固定大小的可以用在分类器中的相关面集描述子。本发明的有益效果为：以各类架空电力线路巡检所得的含有电力塔杆的真实图像为实验数据，验证了该发明适用于丰富纹理中的电力杆塔描述，描述准确且计算复杂度较低。

Description

基于纹理聚类的电力塔杆图像描述方法

技术领域

本发明主要属于电力塔杆描述技术领域，特别涉及基于纹理聚类的电力塔杆图像描述方法。

背景技术

当今社会电力传输系统的可靠运行已经是国民正常生产生活的重要前提。因此电力传输系统提供可靠、优质的电力能源重要性不言而喻。然而，长距离输配电线路采用的主要方式是高压和超高压架空线路。电力公司对线路设备尤其是电力塔杆和电电力线进行定期巡检，以保证电力传输系统的安全稳定运行和国民生产正常有序的进行。

采集架空电力线路运行状态数据，定期巡检线路环境是保证线路稳定运行的重要措施。因为电力线和电力杆塔的附件长期暴露在户外，一方面受到机械载荷和电力负荷的内部压力的影响，另一方面还要经受污秽、雷击、强风、洪水、滑坡、沉陷、地震和鸟害等外界因素的侵害；如果不及时发现和消除隐患，很小的破损就有可能产生故障，最终导致严重的事故发生，以致造成很大面积断电，从而对社会生产和人民生活产生严重的影响以及重大的经济损失。所以，对输电线路进行定期巡检，随时了解输电线路的运行状态以及线路周围环境和保护区的状态变化情况，及时掌握其状态，发现和杜绝隐患，预防事故的发生，确保供电安全。

目前国内外通用的巡检方式无疑是人工巡检、直升机巡检和飞行机器人巡检这三种。无论采用哪种方式去巡检，巡检采集到的图像数据量很大，如何能够自动地从这些海量巡检视频/图像数据中找到线缆、电力塔杆以及电力塔杆上的设备，从而发现设备故障，是实现自动、高效、准确巡检的重要任务。

由于电力塔杆上承载了大量电力输配电设备，从海量的巡检视频/图像中自动检测电力塔杆是进一步完成电力塔杆设备自动巡检的重要途径。为了有效检测巡检视频/图像中的各类电力塔杆，需要抽象描述电力塔杆特征，构造电力塔杆特征描述子。然而由于电力塔杆类型的不同，以及包含电力塔杆的图像纹理信息复杂。以往的特征描述方法很难有效地表示电力塔杆。

由于巡检数据中电塔的颜色、纹理、形状和结构各异，很难用单一的一种特征来描述。图像特征提取与描述是计算机视觉技术中关键性的步骤，同时也是计算机视觉中最基本最重要的研究内容，是成功进行图像理解，分析的关键技术所在。常用的图像特征描述方法基本上是基于颜色特征、纹理特征、形状特征、空间关系特征这四个方面的。

发明内容：

本发明针对上述缺陷公开了基于纹理聚类的电力塔杆图像描述方法。本发明通过分析大量巡检数据中的电力塔杆成像特征总结出电力塔杆的普适特点，即每个电力塔杆自身之间存在大量重复相似的颜色纹理和形状结构。根据这一特点，本发明建立起了一套鲁棒的电塔描述子计算方法。

本发明提出了一种基于纹理聚类的电力塔杆图像的描述方法。因为在一定拍摄视角和空间范围内，图像本身的相似性更能够兼备整幅图像的相似性和空间信息，可以更好地描述图像中一定范围内的颜色亮度变化和形状结构。这种相似性的精髓就是图像本身是相似的，这种相似性是因为它们重复方式相似，而不是因为颜色和纹理相似。通过数学模型表示图像中大量存在的相似的纹理与形状特征。由于电力塔杆的金属支架相互交叠，在图像间存在着相似且重复的纹理和形状。不管是钢材材质还是水泥材质的电力塔杆，都具有纹理和形状上的重复性。因此，相似描述子适用于电塔图像的特征描述。由于直接计算该描述子很复杂，我们提出了一种高效的计算方法用来快速，准确地描述电力塔杆。

基于纹理聚类的电力塔杆图像描述方法包括以下步骤：

1）基于词袋模型的区域块划分与表示：

用横线和竖线把电力塔杆图像划分为t个区域，然后用灰度直方图去表示这些区域；

2）纹理聚类和码本生成：

使用向量xi表示步骤1）中的每个区域的灰度直方图，i取1至t，从而得到数据集合X＝(x1,x2,...xt)；对数据集合X＝(x1,x2,...xt)进行归一化处理；然后，通过k均值聚类数据得到k个聚类中心向量；最后，以改进的爬山法优化聚类结果，搜索最优的k个聚类中心向量，故以此k个中心向量构造码本；

3）根据步骤2）生成的码本，把已经生成的每一个码本和需要检测的整幅图像做卷积，那么会生成与每一个码本相关度不同的相关面集合；

4）根据步骤3）生成的相关面集合，从这些生成的相关面集合中选取与每一个码本的相关度最大的相关面，这样就生成了与码本数目相同的相关面集合，即原型分配图；

5）根据步骤4）的原型分配图，选取与原型分配图中的相似性最大的相关面，计算分配到同一个原型分配图中的相关面的个数，然后以直方图的形式表示，计算出描述子。

计算出描述子，即可得到描述子的张量。

本发明的有益效果为：

1）基于纹理聚类的电力塔杆图像描述方法，该描述方法有效地表示了复杂背景下电力塔杆独特的纹理特性，而且能够大范围的表示电力塔杆的形状和相似性等特点。同时采用这种描述子刻画图像中电塔的纹理和形状是为描述不同类型的电力塔杆在图像中的共有特征提供了很好的方法。

2）基于纹理聚类的电力塔杆图像描述方法，该描述方法提高了全局搜索能力；加快了收敛过程，以便达到全局最优；对于图像中电力塔杆的描述，它能够加快码本的生成提高了准确率和速度，提高了电力塔杆的描述速度。通过运用本发明提供的方法，有效地改变了以往的复杂背景下电力塔杆描述准确率低和速度慢的不足，对后续的电力塔杆检测工作起到了非常重要的作用。

附图说明：

图1为基于纹理聚类的电力塔杆图像描述方法流程图

具体实施方式：

针对发明的目的，本发明提出了一种基于纹理聚类的电力塔杆图像描述方法用来有效刻画不同类型的电力塔杆的形状和纹理特征和通过提高聚类的收敛速度和全局搜素能力来加速码本的生成，进而加速巡检图像中电力塔杆的描述速度，同时还降低了空间复杂。为进一步的电力塔杆检测节省了很多宝贵时间。下面结合附图和具体的实施例子对该发明做进一步详细说明。

如图1所示，基于纹理聚类的电力塔杆图像描述方法包括以下步骤：

1）基于词袋模型的区域块划分与表示：

为了表示一幅图像，可以把图像视作一个文档。同样,图像的“单词”也需要定义。然而,图像中“单词”并不是像文档中的现成的单词。要能够用“单词”描述图像,它通常包括以下步骤:区域划分、区域表示。用横线和竖线把电力塔杆图像划分为t个区域，然后用灰度直方图去表示这些区域。

2）纹理聚类和码本生成：

使用向量xi表示步骤1）中的每个区域的灰度直方图，i取1至t，从而得到数据集合X＝(x1,x2,...xt)；对数据集合X＝(x1,x2,...xt)进行归一化处理；然后，通过k均值聚类数据得到k个聚类中心向量；最后，以改进的爬山法优化聚类结果，搜索最优的k个聚类中心向量，故以此k个中心向量构造码本；

爬山法是一种局部搜索方法，爬山者在每向前进一步，都需先计算东、西、南、北这4个方向的权重。若这4个值中的最优值好于当前值，则用该值取代当前值，继续向前搜索。否则，如果当前值好于周围4个方向前进一步的值，认为当前点就是顶峰，搜索结束。爬山者每前进一步都是向梯度最大的方向前进，而不是盲目前进，因此能够找到一条很快到达峰顶的路线。但是当山脉有许多顶峰，该方法容易陷入局部最优，可能找不到实际的顶峰。本发明通过增加搜索方向提高爬山法的全局搜索能力，假如爬山者的当前位置为某点，则在爬山者的四周随机产生n个不同方向的点，则可以通过每前进一步的步长可以计算出周围n个不同方向的下一个点的位置，进而计算出全局最优的位置。改进后的爬山法突破了传统的爬山法容易进入局部最优的不足，具有较好的全局搜索能力。选取k-means算法对输入的特征向量进行聚类，k-means算法是解决聚类分析问题的一种经典，使用最广泛的算法，因其算法简单且收敛速度快等优点，被广泛地应用于图像处理和数据挖掘等领域中。算法以k为参数，把n个对象分为k个类，使类内具有很高的相似度，而类间相似度很低。算法首先随机选择k个点，每个点初始地代表了一个类的中心或平均值，对剩余的每个点根据其与各个类中心的距离，将它赋给离它最近的类，然后重新计算每个类的平均值，不断重复该过程，直到准则函数收敛。但k-means算法的缺点在于易陷入局部最优解难以达到全局最优解。此处改进的爬山法有着很好的全局搜索能力，使得k-means算法能在全局范围内达到最优值。

然后计算描述图像中的电力塔杆的描述子，关键是计算该描述子的张量。计算该张量有两种方法：1）直接通过局部相似计算；2）计算原型分配图。我们选择通过计算原型分配图的方法来有效计算出描述子的张量。具体的步骤如下：

3）根据步骤2）生成的码本，把已经生成的每一个码本和需要检测的整幅图像做卷积，那么会生成与每一个码本相关度不同的相关面集合；

4）根据步骤3）生成的相关面集合，从这些生成的相关面集合中选取与每一个码本的相关度最大的相关面，这样就生成了与码本数目相同的相关面集合，即原型分配图。

5）根据步骤4）的原型分配图，选取与原型分配图中的相似性最大的相关面，计算分配到同一个原型分配图中的相关面的个数，然后以直方图的形式表示，计算出描述子。

计算出描述子，即可得到描述子的张量；

到此为止我们有效计算出来该描述子的张量，而描述子的张量是一个依赖于图像大小的4维张量。这个不可能直接运用到分类器中，因为分类器需要固定大小的描述子。为了便于计算，我们构造基于描述子的张量的图像描述子，即相关面集描述子。

相关面集描述子的原理和词袋描述子的原理是一样的：根据生成的码本把相关面表示成向量的形式，并用直方图表示。我们可以通过调整相关面的大小到（m×m），并用该发明中的聚类方法生成含有L个原型分配图的集合，从而可以从图像中得到相关面的码本。在已有的原型分配图的情况下，把每个相关面分配到与其相似度最大的原型分配图中，并计算出分配在同一个原型分配图中的相关面的个数，进而从描述子的张量得出相关面集。然而在相关面集描述子中，相关面的排列顺序是未知的。但是每一个相关面都是针对图像中的某个像素，所以单个相关面仍包含图像中的空间信息。这就有效地刻画了图像中电力塔杆的纹理和形状特征。

基于该描述子的描述方法优化了电力塔杆的表示方法，优化后的该描述子模型引入了原型分配图，时间复杂度是HW/k，空间复杂度为HW，其中，H是图像的长度，W是图像的宽度，k是码本维数。该描述子模型在存储上，占用内存小。优化后的该描述子的空间复杂度是HW，而原型码本部分占用的内存空间，空间复杂度仅为HW，大大节省了整体的存储空间。因此，本发明中的描述方法有效地解决了描述电力塔杆的精度和速度等问题。

作为本发明的一种改进，所述的纹理聚类方法是以整幅图像内在的相似性为基础构造描述子，而局部相似描述子仅刻画了感兴趣目标之间的相似性。该描述子不仅综合了自身的相似形状和纹理，而且兼备了局部相似描述子的优点。它能够描述图像本身大范围的相似性和形状特点。电力塔杆图像中，目标物电力塔杆作为图像的主体，一般在图像中所占比例较大。若用局部相似的方法，划分为多小区域来表示和计算电塔特征，忽略了电力塔杆本身内在的相似性，这样造成了过多的背景纹理噪声，且数据复杂，大大影响了描述子的准确性和描述效力。而采用该描述子可以在计算电力塔杆图像内在相似度时排除一些背景纹理的干扰，增强了描述子的描述能力，从而提高了描述子表示电力塔杆的准确度。

Claims (1)

1.基于纹理聚类的电力塔杆图像描述方法，其特征在于，包括以下步骤：

1)基于词袋模型的区域块划分与表示：

用横线和竖线把电力塔杆图像划分为t个区域，然后用灰度直方图去表示这些区域；

2)纹理聚类和码本生成：

使用向量xi表示步骤1)中的每个区域的灰度直方图，i取1至t，从而得到数据集合X＝(x1,x2,...xt)；对数据集合X＝(x1,x2,...xt)进行归一化处理；然后，通过k均值聚类数据得到k个聚类中心向量；最后，以改进的爬山法优化聚类结果，搜索最优的k个聚类中心向量，故以此k个中心向量构造码本；

3)根据步骤2)生成的码本，把已经生成的每一个码本和需要检测的整幅图像做卷积，那么会生成与每一个码本相关度不同的相关面集合；

4)根据步骤3)生成的相关面集合，从这些生成的相关面集合中选取与每一个码本的相关度最大的相关面，这样就生成了与码本数目相同的相关面集合，即原型分配图；

5)根据步骤4)的原型分配图，选取与原型分配图中的相似性最大的相关面，计算分配到同一个原型分配图中的相关面的个数，然后以直方图的形式表示，计算出描述子；即可得到描述子的张量；

所述改进的爬山法为通过增加搜索方向提高爬山法的全局搜索能力，假如爬山者的当前位置为某点，则在爬山者的四周随机产生n个不同方向的点，则通过每前进一步的步长计算出周围n个不同方向的下一个点的位置，进而计算出全局最优的位置；

所述描述方法还包括：根据生成的码本把相关面表示成向量的形式，并用直方图表示；通过调整相关面的大小到(m×m)，并用聚类方法生成含有L个原型分配图的集合，从而可以从图像中得到相关面的码本；在已有的原型分配图的情况下，把每个相关面分配到与其相似度最大的原型分配图中，并计算出分配在同一个原型分配图中的相关面的个数，进而从描述子的张量得出相关面集；

基于该描述子的描述方法优化了电力塔杆的表示方法，优化后的该描述子模型引入了原型分配图，时间复杂度是HW/k，空间复杂度为HW，其中，H是图像的长度，W是图像的宽度，k是码本维数。