CN103047938B - 输电线路覆冰厚度检测方法及检测装置 - Google Patents

Abstract

本发明公开了一种输电线路覆冰厚度检测方法及检测装置。本发明利用形态学在图像边缘检测上的优势，通过对所采集的输电线路覆冰图像进行滤波及CB形态学边缘处理，能在滤除噪声的同时准确有效的检测出图像的边缘信息，实现输电线路覆冰厚度的计算。该技术原理简单、直观易行、检测可靠，不受传感器灵敏度及所选力学模型的影响，为从形态学上测量覆冰厚度做了有益的尝试，为输电线路的安全稳定运行提供了一种新的检测技术。

Description

输电线路覆冰厚度检测方法及检测装置

技术领域

本发明涉及电力传输技术领域，尤其涉及一种输电线路覆冰厚度检测方法及检测装置。

背景技术

由于我国地域广阔，地形复杂，输电线路覆冰现象在我国比较广泛，我国许多地区都曾发生过覆冰灾害事故。其中覆冰最严重的地区主要集中在湖南、湖北、贵州、江西、云南、四川、河南等省。覆冰会引起导线舞动、杆塔倾斜倒塌、线路跳闸短线、绝缘子闪络等问题，严重影响电网的安全稳定运行。2008年春节前后南方出现的严重冰雪灾害，造成了巨大的经济损失，严重影响了国民的正常生活。

因此，随时掌握线路覆冰的现场情况，实时检测覆冰厚度，当覆冰量超过预设量时及时给出预警信号并采取除冰措施对防灾减灾起着关键性的作用。目前，输电线路覆冰厚度的检测方法主要有两种。第一种方法是通过传感器检测导线覆冰重力变化、风偏角度、绝缘子倾斜角度以及风速风向等信息，建立数学模型计算出当前线路的覆冰厚度。这种方法受传感器精度及所选数学模型的制约，所选模型不同得出的覆冰厚度可能有较大差异。第二种方法是在杆塔上安装图像采集终端，通过对终端传回的图像进行边缘检测处理，求得导线覆冰前后的像素差，利用建立像素值与实际几何距离的对应关系求出覆冰厚度。该方法可以直观的得到覆冰类型和形状，通过专家软件得出覆冰厚度，原理简单，易于操作,测量精度高。但是，目前的图像检测算法易受噪声的影响，经常检测出伪边缘，不能有效的检测出图像的边缘信息。

发明内容

针对上述现有技术，本发明的目的在于提供一种输电线路覆冰厚度的检测技术，从而不受传感器灵敏度及所选力学模型的影响，能消除噪声的影响并准确地检测出图像的边缘信息，从而实现输电线路覆冰厚度的计算。

根据本发明的一个方面，提供一种输电线路覆冰厚度检测方法，所述方法包括如下步骤：

灰度化步骤，对所采集的输电线路覆冰图像进行灰度化，以将彩色图像转化为灰度图像；

滤波步骤，采用形态学多尺度开-闭滤波，即运用一系列不断增加的结构元素对上述灰度图像执行开-闭滤波处理；

边缘检测步骤，基于改进的多尺度CB形态学边缘检测算子，对滤波后的图像进行多尺度CB形态学边缘检测；

二值化步骤，采用最大类间差法计算最佳分割阈值，并根据该阈值对边缘检测后的边缘图像进行二值化处理；以及

覆冰厚度计算步骤，基于图像像素点和覆冰厚度的几何模型，对二值化处理后的二值图像进行计算，从而得到输电线路覆冰厚度。

优选地，在所述灰度化步骤中，根据公式（3）将RGB图像的每个像素进行转化，从而形成灰度图像：

Y=0.299*R+0.587*G+0.114*B    (3)

其中，Y为亮度，即灰度图像中像素点的灰度值，R、G、B分别为彩色图像中像素点的红色、绿色和蓝色分量。

优选地，在所述滤波步骤中，对灰度图像采用形态学多尺度开-闭滤波的具体方式如下：

设A是一幅图像，B为结构元素，表示集合B的映射，A^C表示A的补集，

A被B膨胀的运算定义公式如下：

$A\⊕B=\left\{Z\right|{\widehat{\left(B\right)}}_Z\∩A\≠\mathrm{\φ}\}---\left(4\right)$

或 $A\⊕B=\left\{Z\right|[{\widehat{\left(B\right)}}_Z\∩A\≠A]\}---\left(5\right)$

A被B腐蚀的运算定义公式如下：

AΘB={Z(B)_Z∩A^C=φ}    (6)

或 $\mathrm{A\ΘB}=\left\{Z\right|{\left(B\right)}_Z\⊆A\}---\left(7\right)$

A关于B开运算定义公式如下：

A关于B闭运算定义公式如下：

$A\·B=(A\⊕B)\mathrm{\ΘB}---\left(9\right)$

则定义A关于B的开-闭运算公式如下：

AΦB=(AοB)·B    (10)

则得到所定的A关于B的多尺度开-闭运算公式为下面公式（11），

利用该公式对上述灰度图像执行形态学多尺度开-闭滤波处理：

AΦ{B}=((…((AΦB¹)ΦB²…ΦBⁿ)    (11)

其中，公式（11）中{B}＝{B¹，B²，……Bⁿ}，Bⁿ是半径为n的圆盘结构元素。

优选地，其中n取3。

优选地，在所述边缘检测步骤中，对滤波后的图像进行多尺度CB形态学边缘检测的具体方式如下：

设灰度图像为f，结构元素为B，将结构元素的轮廓记为则定义f关于结构元素B的轮廓的CB形态学膨胀和腐蚀运算公式分别为：

${\mathrm{CBD}}_B\left(f\right)=f\⊕\∂B---\left(12\right)$

${\mathrm{CBE}}_B\left(f\right)=\mathrm{f\Θ}\∂B---\left(13\right)$

定义f关于结构元素B的轮廓的CB形态开、闭运算及MOB和MCB如下：

${\mathrm{CBO}}_{\mathrm{Bi}}\left(f\right)=(\mathrm{f\Θ}\∂B_i)\⊕B_i---\left(14\right)$

${\mathrm{CBC}}_{\mathrm{Bi}}\left(f\right)=(f\⊕\∂B_i)\mathrm{\Θ}{B}_i---\left(15\right)$

${\mathrm{MO}}_B\left(f\right)=\underset{1\≤i\≤n}{\max }\{f,{\mathrm{CBO}}_{\mathrm{Bi}}\left(f\right)\}---\left(16\right)$

${\mathrm{MO}}_B\left(f\right)=\underset{1\≤i\≤n}{\min }\{f,{\mathrm{CBO}}_{\mathrm{Bi}}\left(f\right)\}---\left(17\right)$

定义如下两个改进的形态学算子：

OMCO_j(f)=CBO_Bj(MC_B(CBO_B1(f)))    (18)

CMOC_j(f)=CBC_Bj(MO_B(CBC_B1(f)))    (19)

改进形态学算子的n尺度运算MMOn(f)和MMCn(f)定义如下：

${\mathrm{MMO}}^n\left(f\right)=\underset{1\≤j\≤n}{\max }\left\{\mathrm{OMC}{O}_j\left(f\right)\right\}---\left(20\right)$

${\mathrm{MMC}}^n\left(f\right)=\underset{1\≤j\≤n}{\min }\left\{\mathrm{CMO}{C}_j\left(f\right)\right\}---\left(21\right)$

利用上述改进形态学算子的n尺度运算进一步提出改进的n尺度CB形态学边缘检测算子，即MMN算子如下：

Edge(f)=CBD_B1[MMCⁿ(MMOⁿ(f))]-CBE_B1[MMCⁿ(MMOⁿ(f))]    (22)

利用上述MMN算子对滤波后的图像进行多尺度CB形态学边缘检测，其中，该MMN算子首先用改进形态学算子的多尺度运算对图像进行处理，然后用结构元素序列中尺寸较小的元素对图像进行CB膨胀和腐蚀操作以提取图像边缘。

优选地，所述MMN算子中参数的选取包括结构元素的选取和n的选取，其中结构元素选取菱形结构元素或四连通轮廓结构元素，而n≤5。

优选地，在所述二值化步骤中，采用最大类间差法计算最佳分割阈值，将边缘图像灰度值大于该阈值的像素点判断为白色，否则判断为黑色，以将该边缘图像转换为二值图像。

优选地，在所述覆冰厚度计算步骤中，具体以如下方式来计算输电线路覆冰厚度：

输电线路的覆冰厚度是以图像的像素点形式表示的，首先建立图像像素点与覆冰厚度的几何模型，输电线路的最大径向距离设为一段线路最大径向距离的平均值，设未覆冰时输电线路的直径为D₀，其径向距离对应的像素点数为M₀；覆盖冰雪后，输电线路的平均最大径向距离D₁的像素点数为M₁，

设M(x)表示一段输电线路上点x1到点x2中的x点所对应的最大径向距离的像素点数，则输电线路的平均最大径向距离像素点数M₁如公式：

$M_1=\frac{\underset{x1}{\overset{x2}{\mathrm{\Σ}}}M\left(x\right)}{x2-x1}---\left(1\right)$

则该段输电线路的覆冰厚度如公式（3）：

$D=\frac{(\frac{M_1}{M_0}{D}_0-D_0)}{2}---\left(2\right)$

通过上述公式（1）对二值化处理后的二值图像中一段输电线路的平均最大径向距离像素点数M₁进行计算，然后通过上述公式（2）计算出输电线路的覆冰厚度。

根据本发明的另一个方面，还提供一种输电线路覆冰厚度的检测装置，所述装置包括以下模块：

灰度化模块，用于对所采集的输电线路覆冰图像进行灰度化，以将彩色图像转化为灰度图像；

滤波模块，用于采用形态学多尺度开-闭滤波，即运用一系列不断增加的结构元素对上述灰度图像执行开-闭滤波处理；

边缘检测模块，用于基于改进的多尺度CB形态学边缘检测算子，对滤波后的图像进行多尺度CB形态学边缘检测；

二值化模块，用于采用最大类间差法计算最佳分割阈值，并根据该阈值对边缘检测后的边缘图像进行二值化处理；以及

覆冰厚度计算模块，用于基于图像像素点和覆冰厚度的几何模型，对二值化处理后的二值图像进行计算，从而得到输电线路覆冰厚度。

根据上述技术方案，本发明利用形态学在图像边缘检测上的优势，通过对所采集的输电线路覆冰图像进行滤波及CB形态学边缘处理，能在滤除噪声的同时准确有效的检测出图像的边缘信息，实现输电线路覆冰厚度的计算。该技术原理简单、直观易行、检测可靠，不受传感器灵敏度及所选力学模型的影响，为从形态学上测量覆冰厚度做了有益的尝试，为输电线路的安全稳定运行提供了一种新的检测技术。

附图说明

图1是本发明中输电线路覆冰厚度检测方法的步骤流程图；

图2是本发明中输电线路覆冰厚度的几何分析模型示意图；

图3是本发明一个具体实施方式中输电线路覆冰图像灰度化后的效果图；

图4是本发明一个具体实施方式中输电线路覆冰图像滤波后的效果图；

图5是本发明一个具体实施方式中输电线路覆冰图像边缘提取后的效果图；

图6是本发明一个具体实施方式中输电线路覆冰图像二值化后的效果图；

图7是本发明中输电线路覆冰厚度检测装置的系统结构图。

具体实施方式

在运用本发明中的检测技术之前，要进行输电线路覆冰图像的采集。具体地，通过塔杆上的图像监测终端采集输电线路覆冰的现场图像，通过无线通信网络将该图像传输到后台控制中心，后台控制中心接收该图像后对其执行本发明中的输电线路覆冰厚度检测方法，从而计算出输电线路的覆冰厚度。

在本发明的覆冰厚度计算中，输电线路的覆冰厚度是以图像的像素点形式表示的，因此首先需要建立图像像素点与覆冰厚度的几何模型，这是进行实际覆冰厚度计算的重要基础。图2是本发明中输电线路覆冰厚度的几何分析模型示意图，下面结合图2来介绍该几何模型。

输电线路在覆冰过程中，由于重力的作用，一般输电线路的上部分积冰较轻，下部分较重，同段输电线路不同位置的最大径向距离也各不相同，为了最大程度的精确监测线路的覆冰厚度，本发明中输电线路的最大径向距离设为一段线路最大径向距离的平均值。设未覆冰时，输电线路(导线或绝缘子)的直径为D₀，其径向距离对应的像素点数为M₀；覆盖冰雪后，输电线路的平均最大径向距离D₁的像素点数为M₁。

如图2所示，设M(x)表示一段输电线路上点x1到点x2中的x点所对应的最大径向距离的像素点数，则输电线路的平均最大径向距离像素点数M₁如公式（1）：

$M_1=\frac{\underset{x1}{\overset{x2}{\mathrm{\Σ}}}M\left(x\right)}{x2-x1}---\left(1\right)$

则该段输电线路的覆冰厚度如公式（2）：

$D=\frac{(\frac{M_1}{M_0}{D}_0-D_0)}{2}---\left(2\right)$

图1是本发明中输电线路覆冰厚度的检测方法的步骤流程图。如图1所示，本发明中的输电线路覆冰厚度检测方法包括以下步骤：灰度化步骤，对所采集的输电线路覆冰图像进行灰度化，以将彩色图像转化为灰度图像；

滤波步骤，采用形态学多尺度开-闭滤波，即运用一系列不断增加的结构元素对上述灰度图像执行开-闭滤波处理；

边缘检测步骤，基于改进的多尺度CB形态学边缘检测算子，对滤波后的图像进行多尺度CB形态学边缘检测；

二值化步骤，采用最大类间差法计算最佳分割阈值，并根据该阈值对边缘检测后的边缘图像进行二值化处理；以及

覆冰厚度计算步骤，基于图像像素点和覆冰厚度的几何模型，对二值化处理后的二值图像进行计算，从而得到输电线路覆冰厚度。

下面就结合附图来详细介绍本发明中输电线路覆冰厚度的检测方法的各步骤：

1、               灰度化步骤

灰度化步骤，该步骤用于对所采集的输电线路覆冰图像进行灰度化，以将彩色图像转化为灰度图像。

杆塔所采集到的输电线路覆冰图像是彩色图像，如果直接对彩色图像进行处理则需要分别对R、G、B各分量进行处理，这会大大增加图像处理的复杂度和时间，对计算机系统的要求也很高，增加了硬件设备的成本。因此在本步骤中，根据下面公式（3）将RGB图像的每个像素进行转化，从而形成灰度图像：

Y=0.299*R+0.587*G+0.114*B    (3)

其中，Y为亮度，即灰度图像中像素点的灰度值，R、G、B分别为彩色图像中像素点的红色、绿色和蓝色分量。

2、               滤波步骤

滤波步骤，该步骤用于采用形态学多尺度开-闭滤波，即运用一系列不断增加的结构元素对上述灰度图像执行开-闭滤波处理。

由于雨雪、大雾、沙尘等天气影响及不同季节和时间段采集的图像的背景及对比度各不相同，冰雪反光也会使图像边缘模糊，再加上图像传输过程中不可避免的会引入一些噪声。在提取图像的边缘时可能会产生伪边缘，降低边缘的检测精度。由于形态学开运算可以去除比结构元素更小的明亮细节，闭运算可以去除比结构元素更小的暗色细节，所以它们经常组合在一起用来平滑图像并去除噪声。本发明采用形态学多尺度开-闭滤波，即运用一系列不断增加的结构元素来执行开-闭滤波，其基本原理如下：

设A是一幅图像，B为结构元素，表示集合B的映射，A^C表示A的补集。

A被B膨胀的运算定义公式如下：

$A\⊕B=\left\{Z\right|{\widehat{\left(B\right)}}_Z\∩A\≠\mathrm{\φ}\}---\left(4\right)$

或 $A\⊕B=\left\{Z\right|[{\widehat{\left(B\right)}}_Z\∩A\≠A]\}---\left(5\right)$

A被B腐蚀的运算定义公式如下：

AΘB={Z|(B)_Z∩A^C=φ}     (6)

或 $\mathrm{A\ΘB}=\left\{Z\right|{\left(B\right)}_Z\⊆A\}---\left(7\right)$

A关于B开运算定义公式如下：

A关于B闭运算定义公式如下：

$A\·B=(A\⊕B)\mathrm{\ΘB}---\left(9\right)$

则定义A关于B的开-闭运算公式如下：

AΦB=(AοB)·B    (10)

则得到所定的A关于B的多尺度开-闭运算公式为下面公式（11），利用该公式对上述灰度图像执行形态学多尺度开-闭滤波处理：

AΦ{B}=((…((AΦB¹)ΦB²…ΦBⁿ)    (11)

其中，上面公式（11）中{B}＝{B¹，B²，……Bⁿ}，Bⁿ是半径为n的圆盘结构元素。结构元素的选取直接影响运算的结果，应根据具体的图像特征来确定。其中，n的取值太大会滤除一些图像细节或边缘，并且需要较长的运算时间，取值太小又不能充分的消除噪声。本发明通过实验证明，大部分情况下，n取3时能滤除噪声的同时也能较好的保持图像的边缘信息，更好保证了实时处理的要求。

3、                   边缘检测步骤

边缘检测步骤，该步骤用于基于改进的多尺度CB形态学边缘检测算子，对滤波后的图像进行多尺度CB形态学边缘检测。

CB形态学建立在经典形态学基础之上，但与之又有本质的区别。CB形态学以结构元素的轮廓为“探针”、以“延展度”为处理原则的特点决定了它具有经典形态学和传统边缘检测算子难以比拟的特性。CB形态学利用结构元素的轮廓重新组织形态学运算，弱化了经典形态学对结构元素选取的依赖，提高工作效率的同时更好的保护了图像的边缘细节。

设灰度图像为f，结构元素为B，将结构元素的轮廓记为则定义f关于结构元素B的轮廓的CB形态学膨胀和腐蚀运算公式分别为：

${\mathrm{CBD}}_B\left(f\right)=f\⊕\∂B---\left(12\right)$

${\mathrm{CBE}}_B\left(f\right)=\mathrm{f\Θ}\∂B---\left(13\right)$

定义f关于结构元素B的轮廓的CB形态开、闭运算及MOB和MCB如下：

${\mathrm{CBO}}_{\mathrm{Bi}}\left(f\right)=(\mathrm{f\Θ}\∂B_i)\⊕B_i---\left(14\right)$

${\mathrm{CBC}}_{\mathrm{Bi}}\left(f\right)=(f\⊕\∂B_i)\mathrm{\Θ}{B}_i---\left(15\right)$

${\mathrm{MO}}_B\left(f\right)=\underset{1\≤i\≤n}{\max }\{f,{\mathrm{CBO}}_{\mathrm{Bi}}\left(f\right)\}---\left(16\right)$

${\mathrm{MO}}_B\left(f\right)=\underset{1\≤i\≤n}{\min }\{f,{\mathrm{CBO}}_{\mathrm{Bi}}\left(f\right)\}---\left(17\right)$

CB形态学开、闭算子在实现经典形态学功能的同时还对图像的“突点”和“凹点”进行了拉平，增强了图像的滤波功能，但也会丢失原始图像的一些细节，特别是结构元素尺寸较大时。MOB和MCB算子只保留了对“突点”和“凹点”的滤波功能而不改变f的其他信息，很好的保留了图像细节，但却降低了滤除噪声的能力。

为了取得良好的滤波功能同时保护图像的边缘细节，本发明定义了如下两个改进的形态学算子：

OMCO_j(f)=CBO_Bj(MC_B(CBO_B1(f)))    (18)

CMOC_j(f)=CBC_Bj(MO_B(CBC_B1(f)))    (19)

上面公式中MOB对图像边缘细节有保护作用，因此在CBOBi运算前后插入MOB运算不仅使图像边缘细节在破坏前进行了细节保护，也修补了其对图像边缘的损坏。这样OMCOj(f)运算即具有较强的滤波功能也保护了图像边缘。同样，CMOCj(f)运算也有类似的性质。

为了增强复杂环境下的滤波功能需要使用各种尺寸的结构元素，且小尺度的结构元素Bj可以尽量减弱OMCOj(f)和CMOCj(f)对图像边缘的破坏，因此本发明运用多尺度运算更好的利用了OMCOj(f)和CMOCj(f)对图像的滤波功能及对图像边缘细节的保护功能。

改进形态学算子的n尺度运算MMOn(f)和MMCn(f)定义如下：

${\mathrm{MMO}}^n\left(f\right)=\underset{1\≤j\≤n}{\max }\left\{\mathrm{OMC}{O}_j\left(f\right)\right\}---\left(20\right)$

${\mathrm{MMC}}^n\left(f\right)=\underset{1\≤j\≤n}{\min }\left\{\mathrm{CMO}{C}_j\left(f\right)\right\}---\left(21\right)$

利用改进算子的n尺度运算提出了改进CB形态学算子的n尺度边缘检测算子(MMN算子)：

Edge(f)=CBD_B1[MMCⁿ(MMOⁿ(f))]-CBE_B1[MMCⁿ(MMOⁿ(f))]    (22)

该算子首先用改进算子的多尺度运算对图像进行处理，然后用结构元素序列中尺寸较小的元素对图像进行CB膨胀和腐蚀操作以提取图像边缘。

MMN算子中参数的选取方法：

（1）结构元素的选取

CB形态滤波的性能与结构元素形状的关联不大，本发明针对输电线路特点选取的是菱形结构元素或四连通轮廓结构元素。

(2)n值的选取

n代表的是结构元素的大小尺度参数。噪声信号较强时，n的取值应稍大一些，但是如果n的取值太大，会造成图像细节信息的丢失。试验表明，在一般情况下n≤5能够满足要求。

4、        边缘图像二值化步骤

二值化步骤，该步骤用于采用最大类间差法计算最佳分割阈值，并根据该阈值对边缘检测后的图像进行二值化处理。

采用最大类间差法（OTSU算法）计算最佳分割阈值，将边缘图像灰度值大于该阈值的像素点判断为白色，否则判断为黑色，则将图像转换为二值图像。

5、覆冰厚度计算步骤

覆冰厚度计算步骤，该步骤用于基于图像像素点和覆冰厚度的几何模型，对二值化处理后的二值图像进行计算，从而得到输电线路覆冰厚度。

根据本发明中所使用的图像像素点和覆冰厚度的几何模型公式（2），其中输电线路(导线或绝缘子)的直径D₀和其径向距离对应的像素点数为M₀为已知，只要通过公式（1）对二值化处理后的二值图像中一段输电线路的平均最大径向距离像素点数M₁进行计算，就可以随后通过公式（2）计算出输电线路的覆冰厚度。

同时，如图7所示，本发明还提供了一种输电线路覆冰厚度的检测装置，所述装置包括以下模块：

灰度化模块，用于对所采集的输电线路覆冰图像进行灰度化，以将彩色图像转化为灰度图像；

滤波模块，用于采用形态学多尺度开-闭滤波，即运用一系列不断增加的结构元素对上述灰度图像执行开-闭滤波处理；

边缘检测模块，用于基于改进的多尺度CB形态学边缘检测算子，对滤波后的图像进行多尺度CB形态学边缘检测；

二值化模块，用于采用最大类间差法计算最佳分割阈值，并根据该阈值对边缘检测后的边缘图像进行二值化处理；以及

覆冰厚度计算模块，用于基于图像像素点和覆冰厚度的几何模型，对二值化处理后的二值图像进行计算，从而得到输电线路覆冰厚度。

可见，输电线路覆冰厚度的检测装置的上述模块分别用于实现本发明中输电线路覆冰厚度的检测方法中的灰度化步骤、滤波步骤、边缘检测步骤、二值化步骤和覆冰厚度计算步骤的操作功能，该输电线路覆冰厚度的检测装置可由前述的后台控制中心实现。

具体实施例

在本发明一个具体实施方式中，运用本发明中的输电线路覆冰厚度检测技术对绝缘子串现场积冰雪图像进行处理，以计算当时的覆冰厚度。

具体地，对所采集的导线及绝缘子图像分别进行图像灰度化后，结果如图3a和图3b所示。由于所采集的图像受天气及光线等因素的影响，采集的过程中不可避免的会引入噪声，通过多尺度开-闭滤波后，较好的保护了图像边缘的同时模糊了背景，其结果分别如图4a和图4b所示。之后进一步对图像进行MMN算子提取图像边缘后，处理结果分别如图5a和图5b所示。最后，对所提取的边缘图像采用OTSU算法进行二值化后，结果如图6a和图6b所示。

在本具体实施方式中，通过比较覆冰前后输电线路的直径大小，计算得到当时导线的平均覆冰厚度为5.37mm，绝缘子平均覆冰厚度为6.72mm。

根据上述具体实施方式介绍可见，本发明利用形态学在图像边缘检测上的优势，通过对所采集的输电线路覆冰图像进行滤波及CB形态学边缘处理，能在滤除噪声的同时准确有效的检测出图像的边缘信息，实现输电线路覆冰厚度的计算。该技术原理简单、直观易行、检测可靠，不受传感器灵敏度及所选力学模型的影响，为从形态学上测量覆冰厚度做了有益的尝试，为输电线路的安全稳定运行提供了一种新的检测技术。

Claims (6)

1.一种输电线路覆冰厚度检测方法，其特征在于，所述方法包括如下步骤：

灰度化步骤，对所采集的输电线路覆冰图像进行灰度化，以将彩色图像转化为灰度图像；

滤波步骤，采用形态学多尺度开-闭滤波，即运用一系列不断增加的结构元素对上述灰度图像执行开-闭滤波处理；

边缘检测步骤，基于改进的多尺度CB形态学边缘检测算子，对滤波后的图像进行多尺度CB形态学边缘检测；

二值化步骤，采用最大类间差法计算最佳分割阈值，并根据该阈值对边缘检测后的边缘图像进行二值化处理；以及覆冰厚度计算步骤，基于图像像素点和覆冰厚度的几何模型，对二值化处理后的二值图像进行计算，从而得到输电线路覆冰厚度，

其中，在所述滤波步骤中，对灰度图像采用形态学多尺度开-闭滤波的具体方式如下：

设A是一幅图像，B为结构元素，表示集合B的映射，A^C表示A的补集，

A被B膨胀的运算定义公式如下：

$A\⊕B=\left\{Z\right|{\widehat{\left(B\right)}}_Z\∩A\≠\mathrm{\φ}\}---\left(4\right)$

或 $A\⊕B=\left\{Z\right|[{\widehat{\left(B\right)}}_Z\∩A\≠A]\}---\left(5\right)$

A被B腐蚀的运算定义公式如下：

AΘB＝{Z|(B)_Z∩A^C＝φ}   (6)

或 $\mathrm{A\ΘB}=\left\{Z\right|{\left(B\right)}_Z\⊆A\}---\left(7\right)$

A关于B开运算定义公式如下：

A关于B闭运算定义公式如下：

$A\·B=(A\⊕B)\mathrm{\ΘB}---\left(9\right)$

则定义A关于B的开-闭运算公式如下：

AΦB＝(AοB)·B   (10)

则得到所定义的A关于B的多尺度开-闭运算公式为下面公式(11)，利用该公式对上述灰度图像执行形态学多尺度开-闭滤波处理：

AΦ{B}＝((···((AΦB¹)ΦB²···ΦBⁿ)   (11)

其中，公式(11)中{B}＝{B¹，B²，......Bⁿ}，Bⁿ是半径为n的圆盘结构元素；

在所述覆冰厚度计算步骤中，具体以如下方式来计算输电线路覆冰厚度：

输电线路的覆冰厚度是以图像的像素点形式表示的，首先建立图像像素点与覆冰厚度的几何模型，输电线路的最大径向距离设为一段线路最大径向距离的平均值，设未覆冰时输电线路的直径为D₀，其径向距离对应的像素点数为M₀；覆盖冰雪后，输电线路的平均最大径向距离D₁的像素点数为M₁，

设M(x)表示一段输电线路上点x1到点x2中的x点所对应的最大径向距离的像素点数，则输电线路的平均最大径向距离像素点数M₁如公式：

$M_1=\frac{\underset{x1}{\overset{x2}{\mathrm{\Σ}}}M\left(x\right)}{x2-x1}---\left(1\right)$

则该段输电线路的覆冰厚度如公式：

$D=\frac{(\frac{M_1}{M_0}{D}_0-D_0)}{2}---\left(2\right)$

通过上述公式(1)对二值化处理后的二值图像中一段输电线路的平均最大径向距离像素点数M₁进行计算，然后通过上述公式(2)计算出输电线路的覆冰厚度。

2.根据权利要求1所述的方法，其特征在于，在所述灰度化步骤中，根据公式(3)将RGB图像的每个像素进行转化，从而形成灰度图像：

Y＝0.299*R+0.587*G+0.114*B   (3)

其中，Y为亮度，即灰度图像中像素点的灰度值，R、G、B分别为彩色图像中像素点的红色、绿色和蓝色分量。

3.根据权利要求1所述的方法，其特征在于，其中n取3。

4.根据权利要求1所述的方法，其特征在于，在所述边缘检测步骤中，对滤波后的图像进行多尺度CB形态学边缘检测的具体方式如下：

设灰度图像为f，结构元素为B，将结构元素的轮廓记为则定义f关于结构元素B的轮廓的CB形态学膨胀和腐蚀运算公式分别为：

${\mathrm{CBE}}_B\left(f\right)=\mathrm{f\Θ}\∂B---\left(13\right)$

定义f关于结构元素B的轮廓的CB形态开、闭运算及MO_B和MC_B如下：

${\mathrm{CBO}}_{\mathrm{Bi}}\left(f\right)=(f\⊕\∂B_i)\⊕B_i---\left(14\right)$

${\mathrm{CBC}}_{\mathrm{Bi}}\left(f\right)=(f\⊕\∂B_i)\mathrm{\Θ}{B}_i---\left(15\right)$

${\mathrm{MO}}_B\left(f\right)=\underset{1\≤i\≤n}{\max }\{f,{\mathrm{CBO}}_{\mathrm{Bi}}\left(f\right)\}---\left(16\right)$

${\mathrm{MC}}_B\left(f\right)=\underset{1\≤i\≤n}{\min }\{f,{\mathrm{CBC}}_{\mathrm{Bi}}\left(f\right)\}---\left(17\right)$

定义如下两个改进的形态学算子：

OMCO_j(f)＝CBO_Bj(MC_B(CBO_B1(f)))   (18)

CMOC_j(f)＝CBC_Bj(MO_B(CBC_B1(f)))   (19)

改进形态学算子的n尺度运算MMOⁿ(f)，和MMCⁿ(f)定义如下：

${\mathrm{MMO}}^n\left(f\right)=\underset{1\≤j\≤n}{\max }\left\{O{\mathrm{MCO}}_j\left(f\right)\right\}---\left(20\right)$

${\mathrm{MMC}}^n\left(f\right)=\underset{1\≤j\≤n}{\min }\left\{C{\mathrm{MOC}}_j\left(f\right)\right\}---\left(21\right)$

利用上述改进形态学算子的n尺度运算进一步提出改进的n尺度CB形态学边缘检测算子，即MMN算子如下：

Edge(f)＝CBD_B1[MMCⁿ(MMOⁿ(f))]-CBE_B1[MMCⁿ(MMOⁿ(f))]   (22)

利用上述MMN算子对滤波后的图像进行多尺度CB形态学边缘检测，其中，该MMN算子首先用改进形态学算子的多尺度运算对图像进行处理，然后用结构元素序列中尺寸较小的元素对图像进行CB膨胀和腐蚀操作以提取图像边缘。

5.根据权利要求4所述的方法，其特征在于，所述MMN算子中参数的选取包括结构元素的选取和n的选取，其中结构元素选取菱形结构元素或四连通轮廓结构元素，而n≤5。

6.根据权利要求1所述的方法，其特征在于，在所述二值化步骤中，采用最大类间差法计算最佳分割阈值，将边缘图像灰度值大于该阈值的像素点判断为白色，否则判断为黑色，以将该边缘图像转换为二值图像。