CN103903008A - 一种基于图像识别输电线路的雾等级的方法以及系统 - Google Patents

Abstract

本发明提供一种基于图像识别输电线路的雾等级的方法以及系统，该方法包括：采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像；根据所述的训练图像建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类；分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的特征；将所述图像类的特征作为朴素贝叶斯的输入数据进行训练，得到雾等级识别模板库；采集输电线路的待识别图像；提取所述的待识别图像对应的特征；根据所述的雾等级识别模板库对所述待识别图像对应的特征进行识别，得到识别结果；输出所述待识别图像的识别结果。根据水平能见度距离划分，雾等级分为轻雾、雾、大雾、浓雾、强浓雾，实现对雾的等级的分类识别。

Description

一种基于图像识别输电线路的雾等级的方法以及系统

技术领域

本发明关于电力监测技术领域，特别是关于电力系统中输电线路的检测技术，具体的讲是一种基于图像识别输电线路的雾等级的方法以及系统。

背景技术

雾天天气严重威胁着电力系统的安全运行。雾天气会使输电线路受到污染，对输电线路造成雾闪和污闪现象。雾闪是由于浓雾中所含的污染物较多,使电线受到污染，导致含雾空气导电率剧增，引起输电线路短路、跳闸、掉闸等故障，造成电网大面积断电的现象。雾闪可以使电力机车停运、工厂停产、市民生活断电。污闪是指电气设备绝缘表面附着的污秽物在潮湿条件下，其可溶物质逐渐溶于水，在绝缘表面形成一层导电膜，使绝缘子的绝缘水平大大降低，在电场力作用下出现的强烈放电现象，容易造成绝缘子串闪落。

现有技术中，对雾进行检测的方案主要是基于视频图像进行的。公开号为CN1410757、发明名称为“火灾及烟雾检测与控制系统”的专利申请公开了一种火灾检测系统组合二氧化碳气体检测器和烟雾检测器。逻辑电路组合两个检测器的输出，以便减少伪报警并提供快速的响应时间。在优选实施例中，减少了定期进行清洁的需要，在另一个优选实施例中，可以得到指示不同类型的火灾，例如有火焰火灾和无火焰火灾的两个报警。系统可以设置有火焰火灾和烟雾的图形，用于引导消防队员。在另一个优选实施例中，试验性的火灾报警指示解除本地空气调节系统，借以帮助隔离和控制任何现有的火灾。

公开号为CN1406366、发明名称为“视频烟雾检测系统”的专利公开了通过一种视频烟雾检测系统，具有至少一个用来摄取视频图像的装置和具有一种在其中通过处理来确定视频图像各个像素或各组像素的信号处理器，在所述处理中获得一种对于亮度有代表性的值，并针对表征烟雾出现的变化来分析所述值的时间过程进行分析研究。所述处理是给每个像素分配一个边缘值(K_i，j)的边缘抽取处理。除边缘抽取处理之外还从运动方面对视频图像进行运动检测的分析研究。

上述两篇专利均涉及通过视频对烟雾的检测技术，但并不涉及对电力系统中输电线路存在的雾的检测。因此，如何对电力系统中的雾天气进行分析识别，以减少电网大面积断电的现象对国民经济造成重大损失是是本领域亟待解决的技术难题。

发明内容

为了克服现有技术存在的上述缺陷，本发明提供了一种基于图像识别输电线路的雾等级的方法以及系统，通过采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像，建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类，提取图像类的特征作为朴素贝叶斯的输入进行训练，得到雾等级识别模板库，进而实现对雾的等级的分类识别。

本发明的目的之一是，提供一种基于图像识别输电线路的雾等级的方法，包括：采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像；根据所述的训练图像建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类；分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的特征；将所述图像类的特征作为朴素贝叶斯的输入进行训练，得到雾等级识别模板库；采集输电线路的待识别图像；提取所述的待识别图像对应的特征；根据所述的雾等级识别模板库对所述待识别图像对应的特征进行识别，得到识别结果；输出所述待识别图像的识别结果。

本发明的目的之一是，提供了一种基于图像识别输电线路的雾等级的系统，所述的系统具体包括：训练图像采集装置，用于采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像；图像类建立装置，用于根据所述的训练图像建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类；图像类特征提取装置，用于分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的特征；贝叶斯训练装置，用于将所述图像类的特征作为朴素贝叶斯的输入数据进行训练，得到雾等级识别模板库；待识别图像采集装置，用于采集输电线路的待识别图像；特征提取装置，用于提取所述的待识别图像对应的特征；图像识别装置，用于根据所述的雾等级识别模板库对所述待识别图像对应的特征进行识别，得到识别结果；识别结果输出装置，用于输出所述待识别图像的识别结果。

本发明的有益效果在于，提供了一种基于图像识别输电线路的雾等级的方法以及系统，通过采集输电线路上图像的最大灰度密度、对比度、饱和度等特征，对这些特征进行训练，即可建立雾等级识别模板库，使用分类算法进行识别，提高了雾等级识别的精度，可以有效预防并减少电网大面积断电的现象对国民经济造成的损失。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于图像识别输电线路的雾等级的方法的流程图；

图2为图1中的步骤S103的具体流程图；

图3为图2中的步骤S201的具体流程图；

图4为图2中的步骤S202的具体流程图；

图5为图2中的步骤S203的具体流程图；

图6为雾等级识别算法的框架图；

图7为本发明实施例提供的一种基于图像识别输电线路的雾等级的系统的结构框图；

图8为图7中的图像类特征提取装置300的具体结构框图；

图9为图8中的概率值特征提取模块301的具体结构框图；

图10为图8中的对比度特征提取模块302的具体结构框图；

图11为图8中的饱和度特征提取模块303的具体结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出一种基于图像识别输电线路的雾等级的方法，图1为该方法的具体流程图，由图1可知，所述的方法包括：

S101：采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像。

本发明在具体的实施例里，可通过固定在输电线路上的摄像头来采集训练图像。分别采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾多个天气下的一系列训练图像。

S102：根据所述的训练图像建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类。

即将步骤S101采集到的一系列图像按照晴天、轻雾、雾、大雾、浓雾、强浓雾的不同，建立对应的图像类。

S103：分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的特征。

图2为步骤S103的具体流程图，由图2可知，该步骤具体包括：

S201：分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的概率值特征。

图3为步骤S201的具体流程图，由图3可知，步骤S201具体包括：

S301：将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像进行灰度化，得到灰度化后的训练图像。图像的灰度变换有时被称为图像的对比度增强或对比度拉伸，目的是为了显示出图像的细节部分或提高清晰度。

S302：对所述灰度化后的训练图像进行灰度直方图统计，得到统计结果。

图像的灰度直方图反映了图像的恶灰度分布情况。从数学上来说，直方图统计一副图像中各个灰度级出现的次数和概率；从图形上说，它是一个二维图，横坐标表示图像中各个象素点的灰度级，纵坐标为各个灰度级上图像像素点出现的个数或出现概率。

S303：根据所述的统计结果确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的概率值特征。在具体的实施方式中，通过对输电线路图像进行灰度统计，将统计结果中最大灰度值在整幅图像中出现的概率值作为概率特征值。

由图2可知，步骤S103还包括：

S202：分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的对比度特征。图4为步骤S202的具体流程图，由图4可知，该步骤具体包括：

S401：将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像从RGB（其中，R表示红色G表示绿色B表示蓝色）颜色空间转化为HSI（H表示色调，S表示饱和度，I表示亮度）颜色空间，得到HSI颜色空间的训练图像；

S402：根据图像亮度标准差公式以及HSI颜色空间的训练图像确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的对比度特征。

大气中各种介质对光线存在衰减和折射作用，即使相同场景图像在不同天气状况下也存在不同对比度，可通过图像对比度特征的提取来分析相应的天气现象影响。一般情况下，计算图像对比度通常采用迈克尔逊Mechelson公式。

$C=\frac{L_{\max }-L_{\min }}{L_{\max }+L_{\min }}---(1-1)$

其中，L_max为图像最大亮度，L_min为图像最小亮度。该式计算简单，得到的对比度因为没有考虑图像中噪声点带来的亮度剧烈变化，所述误差较大。因此本发明采用计算图像亮度标准差(Root Mean Square，RMS)公式的形式，计算图像在不同天气条件对比度：

$C={\left(\frac{\mathrm{\Σ}{L}_{(x,y)}^2-\frac{{\left({\mathrm{\ΣL}}_{(x,y)}\right)}^2}{N_i}}{N_i}\right)}^{\frac{1}{2}}---(1-2)$

其中，L(x,y)为训练图像在(x，y)处亮度，N_i为图像像素点个数，C为对比度。

由图2可知，步骤S103还包括：

S203：分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的饱和度特征。图5为步骤S203的具体流程图，由图5可知，该步骤包括：

S501：将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像从RGB颜色空间转化为HSI颜色空间，得到HSI颜色空间的训练图像。

S502：根据HSI颜色空间的训练图像确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的饱和度特征。

虽然灰度图像在图像特征提取与各种底层算法方面有较为广泛的应用，但是由于图像饱和度与亮度无关，能够较好地反映图像在不同光照环境下的颜色组成特征。因此本发明提取图像HSI颜色空间饱和度直方图，作为分类特征输入分类器。计算公式为：

$S=1-\frac{\sqrt{3}\min \left(\mathrm{RGB}\right)}{\frac{1}{\sqrt{3}}(R+G+B)}---(1-3)$

其中，S为饱和度，R为红色，G为绿色，B为蓝色。

由图1可知，该方法还包括：

S104：将所述图像类的特征作为朴素贝叶斯的输入进行训练，得到雾等级识别模板库。即将获取到的最大灰度值出现的概率值特征、对比度特征、饱和度特征作为朴素Bayes输入数据集进行训练。

Bayes分类算法的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。Bayes定理告诉我们如何通过给定的训练样本集预测未知样本的类别，它的预测依据就是取后验概率，后验概率公式为：

$P\left({\mathrm{\ω}}_i\right|x)=\frac{P\left(x\right|{\mathrm{\ω}}_i)P\left({\mathrm{\ω}}_i\right)}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}P\left(x\right|{\mathrm{\ω}}_j)P\left({\mathrm{\ω}}_j\right)}---(1-4)$

式中，P(w)为先验概率；P(x|w_i)是类条件概率密度函数，表示在已知某类别的特征空间中，出现特征值x的概率密度，即第w_i类样品的属性x是如何分布的；P(w_i|x)为后验概率，表示呈现状态x时，该样品分属各类别的概率，这个概率值可以作为识别对象归属的依据。

在具体的实施例中，采集的训练图像编号为1至6，分别确定出每个图像的最大灰度值概率、对比度、饱和度，进而确定出雾类型，如表1所示。

表1

图像编号	最大灰度值概率	对比度	饱和度	雾类型
					1	0.021657	1.8	1.3	晴天
2	0.030107	1.1	4.7	轻雾
					3	0.054286	0.6	6.4	雾
4	0.061628	0.4	7.1	大雾
					5	0.072472	0.3	8.5	浓雾
6	0.084935	0.1	9.8	强浓雾

在具体的实施例中，得到的雾等级识别模板库如表2所示。如此，通过输电线路固定摄像头采集输电线路训练，通过提取晴天、轻雾、雾、大雾、浓雾、强浓雾的输电线路图像的最大灰度值出现的概率值特征、对比度特征、饱和度特征分别建立晴天、轻雾、雾、大雾、浓雾、强浓雾图像类，进而建立了雾等级识别模板库，可对待识别图像进行雾等级的识别。

表2

雾类型	说明
		轻雾	水平能见度距离在1-10公里之间
雾	水平能见度距离低于1公里
		大雾	水平能见度距离200-500米之间
浓雾	水平能见度距离50-200米之间
		强浓雾	水平能见度不足50米

图6为雾等级识别算法的框架图。由图6可知，上述步骤即为图6中的训练阶段，以下介绍识别阶段。

S105：采集输电线路的待识别图像，在具体的实施例中，可通过输电线路上的摄像头采集待识别图像。

S106：提取所述的待识别图像对应的特征，此处的特征即为概率值特征、饱和度特征、对比度特征，具体的采集方法与步骤S103类似，此处不再赘述。

S107：根据所述的雾等级识别模板库对所述待识别图像对应的特征进行识别，得到识别结果。也即利用朴素Bayes对获取到的待识别图像的概率值特征、对比度特征、饱和度特征进行识别。

S108：输出所述待识别图像的识别结果。

如上即为本发明提供的一种基于图像识别输电线路的雾等级的方法，通过采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像，建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类，提取图像类的特征作为朴素贝叶斯的输入进行训练，得到雾等级识别模板库，进而实现对待识别图像的雾的等级的分类识别。

本发明还提出一种基于图像识别输电线路的雾等级的系统，图7为该系统的具体结构框图，由图7可知，所述的系统包括：

训练图像采集装置100，用于采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像。

本发明在具体的实施例里，可通过固定在输电线路上的摄像头来采集训练图像。分别采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾多个天气下的一系列训练图像。

图像类建立装置200，用于根据所述的训练图像建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类。

即将训练图像采集装置100采集到的一系列图像按照晴天、轻雾、雾、大雾、浓雾、强浓雾的不同，建立对应的图像类。

图像类特征提取装置300，用于分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的特征。

图8为图像类特征提取装置300的具体结构框图，由图8可知，图像类特征提取装置300具体包括：

概率值特征提取模块301，用于分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的概率值特征。

图9为概率值特征提取模块301的具体结构框图，由图9可知，概率值特征提取模块301具体包括：

灰度化单元3011，用于将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像进行灰度化，得到灰度化后的训练图像。图像的灰度变换有时被称为图像的对比度增强或对比度拉伸，目的是为了显示出图像的细节部分或提高清晰度。

直方图统计单元3022，用于对所述灰度化后的训练图像进行灰度直方图统计，得到统计结果。

图像的灰度直方图反映了图像的恶灰度分布情况。从数学上来说，直方图统计一副图像中各个灰度级出现的次数和概率；从图形上说，它是一个二维图，横坐标表示图像中各个象素点的灰度级，纵坐标为各个灰度级上图像像素点出现的个数或出现概率。

概率值特征统计单元3033，用于根据所述的统计结果确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的概率值特征。在具体的实施方式中，通过对输电线路图像进行灰度统计，将统计结果中最大灰度值在整幅图像中出现的概率值作为概率特征值。

由图8可知，图像类特征提取装置300还包括：

对比度特征提取模块302，用于分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的对比度特征。图10为对比度特征提取模块302的具体结构框图，由图10可知，对比度特征提取模块302具体包括：

颜色空间转化单元3021，用于将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像从RGB（其中，R表示红色G表示绿色B表示蓝色）颜色空间转化为HSI（H表示色调，S表示饱和度，I表示亮度）颜色空间，得到HSI颜色空间的训练图像；

对比度特征确定单元3022，用于根据图像亮度标准差公式以及HSI颜色空间的训练图像确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的对比度特征。

大气中各种介质对光线存在衰减和折射作用，即使相同场景图像在不同天气状况下也存在不同对比度，可通过图像对比度特征的提取来分析相应的天气现象影响。一般情况下，计算图像对比度通常采用迈克尔逊Mechelson公式，如公式（1-1）所示。

该式计算简单，得到的对比度因为没有考虑图像中噪声点带来的亮度剧烈变化，所述误差较大。因此本发明采用计算图像亮度标准差(Root Mean Square，RMS)公式的形式，计算图像在不同天气条件对比度，图像亮度标准差公式如公式（1-2）所示。

由图8可知，图像类特征提取装置300还包括：

饱和度特征提取模块303，用于分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的饱和度特征。图11为饱和度特征提取模块303的具体结构框图，由图11可知，饱和度特征提取模块303包括：

颜色空间转化单元3031，用于将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像从RGB颜色空间转化为HSI颜色空间，得到HSI颜色空间的训练图像。

饱和度特征确定单元3032，用于根据HSI颜色空间的训练图像确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的饱和度特征。

虽然灰度图像在图像特征提取与各种底层算法方面有较为广泛的应用，但是由于图像饱和度与亮度无关，能够较好地反映图像在不同光照环境下的颜色组成特征。因此本发明提取图像HSI颜色空间饱和度直方图，作为分类特征输入分类器。计算公式如公式（1-3）所示。

由图7可知，该系统还包括：

贝叶斯训练装置400，用于将所述图像类的特征作为朴素贝叶斯的输入进行训练，得到雾等级识别模板库。即将获取到的最大灰度值出现的概率值特征、对比度特征、饱和度特征作为朴素Bayes输入数据集进行训练。

Bayes分类算法的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。Bayes定理告诉我们如何通过给定的训练样本集预测未知样本的类别，它的预测依据就是取后验概率，后验概率公式如公式（1-4）所示。

在具体的实施例中，采集的训练图像编号为1至6，分别确定出每个图像的最大灰度值概率、对比度、饱和度，进而确定出雾类型，如表1所示。

在具体的实施例中，得到的雾等级识别模板库如表2所示。如此，通过输电线路固定摄像头采集输电线路训练，通过提取晴天、轻雾、雾、大雾、浓雾、强浓雾的输电线路图像的最大灰度值出现的概率值特征、对比度特征、饱和度特征分别建立晴天、轻雾、雾、大雾、浓雾、强浓雾图像类，进而建立了雾等级识别模板库，可对待识别图像进行雾等级的识别。

待识别图像采集装置500，用于采集输电线路的待识别图像，在具体的实施例中，可通过输电线路上的摄像头采集待识别图像。

特征提取装置600，用于提取所述的待识别图像对应的特征，此处的特征即为概率值特征、饱和度特征、对比度特征，具体的采集方法与步骤S103类似，此处不再赘述。

图像识别装置700，用于根据所述的雾等级识别模板库对所述待识别图像对应的特征进行识别，得到识别结果。也即利用朴素Bayes对获取到的待识别图像的概率值特征、对比度特征、饱和度特征进行识别。

识别结果输出装置800，用于输出所述待识别图像的识别结果。

如上即为本发明提供的一种基于图像识别输电线路的雾等级的系统，通过采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像，建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类，提取图像类的特征作为朴素贝叶斯的输入进行训练，得到雾等级识别模板库，进而实现对待识别图像的雾的等级的分类识别。

以下结合具体的实施例进行说明。采用的图像均来源于四川电力公司输电线路视频监控系统。

选用260张输电线路图像进行样本训练，其中建立的晴天图像类的图像为30张、轻雾的图像类为40张、雾天的图像类为35张、大雾的图像类为50张、浓雾的图像类为55张、强浓雾的图像类为50张。训练得到的雾等级识别模板库如表2所示。对210张输电线路图像进行分类识别，其中晴天图像20张、轻雾图像30张、雾天图像35张、大雾图像40张、浓雾图像45张、强浓雾图像40。分类识别结果如表3所示。

表3

待识别图像	图像数目	识别成功数目	成功率
				晴天	20	18	90.0%
轻雾	30	24	80.0%
				雾	35	25	71.4%
大雾	30	23	76.7%
				浓雾	35	22	62.8%
强浓雾	30	26	86.7%

本发明提供了一种基于图像识别输电线路的雾等级的方法以及系统，通过采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像，建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类，提取图像类的特征作为朴素贝叶斯的输入进行训练，得到雾等级识别模板库，进而实现对雾的等级的分类识别，可以有效预防并减少电网大面积断电的现象对国民经济造成的损失。

本发明的有益效果在于：

1.通过提取输电线路固定摄像头采集到图像的最大灰度密度、对比度、饱和度等特征，对这些特征进行训练，即可建立雾等级识别模板库；

2.对从输电线路固定摄像头采集到图像提取最大灰度密度、对比度、饱和度等特征，即可使用分类算法进行识别，提高了雾等级识别的精度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一般计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。

本领域技术人员还可以了解到本发明实施例列出的各种功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于图像识别输电线路的雾等级的方法，其特征是，所述的方法具体包括：

采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像；

根据所述的训练图像建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类；

分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的特征；

将所述图像类的特征作为朴素贝叶斯的输入数据进行训练，得到雾等级识别模板库；

采集输电线路的待识别图像；

提取所述的待识别图像对应的特征；

根据所述的雾等级识别模板库对所述待识别图像对应的特征进行识别，得到识别结果；

输出所述待识别图像的识别结果。

2.根据权利要求1所述的方法，其特征是，分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的特征具体包括：

分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的概率值特征；

分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的对比度特征；

分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的饱和度特征。

3.根据权利要求2所述的方法，其特征是，分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的概率值特征具体包括：

将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像进行灰度化，得到灰度化后的训练图像；

对所述灰度化后的训练图像进行灰度直方图统计，得到统计结果；

根据所述的统计结果确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的概率值特征。

4.根据权利要求2所述的方法，其特征是，分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的对比度特征具体包括：

将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像从红绿蓝RGB颜色空间转化为色调饱和度亮度HSI颜色空间，得到HSI颜色空间的训练图像；

根据图像亮度标准差公式以及HSI颜色空间的训练图像确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的对比度特征。

5.根据权利要求2所述的方法，其特征是，分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的饱和度特征具体包括：

将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像从红绿蓝RGB颜色空间转化为色调饱和度亮度HSI颜色空间，得到HSI颜色空间的训练图像；

根据HSI颜色空间的训练图像确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的饱和度特征。

6.一种基于图像识别输电线路的雾等级的系统，其特征是，所述的系统具体包括：

训练图像采集装置，用于采集输电线路在晴天、轻雾、雾、大雾、浓雾、强浓雾天气的多个训练图像；

图像类建立装置，用于根据所述的训练图像建立晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类；

图像类特征提取装置，用于分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的特征；

贝叶斯训练装置，用于将所述图像类的特征作为朴素贝叶斯的输入数据进行训练，得到雾等级识别模板库；

待识别图像采集装置，用于采集输电线路的待识别图像；

特征提取装置，用于提取所述的待识别图像对应的特征；

图像识别装置，用于根据所述的雾等级识别模板库对所述待识别图像对应的特征进行识别，得到识别结果；

识别结果输出装置，用于输出所述待识别图像的识别结果。

7.根据权利要求6所述的系统，其特征是，所述的图像类特征提取装置具体包括：

概率值特征提取模块，用于分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的概率值特征；

对比度特征提取模块，用于分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的对比度特征；

饱和度特征提取模块，用于分别提取晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的饱和度特征。

8.根据权利要求7所述的系统，其特征是，所述的概率值特征提取模块具体包括：

灰度化单元，用于将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像进行灰度化，得到灰度化后的训练图像；

直方图统计单元，用于对所述灰度化后的训练图像进行灰度直方图统计，得到统计结果；

概率值特征统计单元，用于根据所述的统计结果确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的概率值特征。

9.根据权利要求7所述的系统，其特征是，所述的对比度特征提取模块具体包括：

颜色空间转化单元，用于将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像从红绿蓝RGB颜色空间转化为色调饱和度亮度HSI颜色空间，得到HSI颜色空间的训练图像；

对比度特征确定单元，用于根据图像亮度标准差公式以及HSI颜色空间的训练图像确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的对比度特征。

10.根据权利要求7所述的系统，其特征是，所述的饱和度特征提取模块具体包括：

颜色空间转化单元，用于将晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类中的训练图像从红绿蓝RGB颜色空间转化为色调饱和度亮度HSI颜色空间，得到HSI颜色空间的训练图像；

饱和度特征确定单元，用于根据HSI颜色空间的训练图像确定出晴天、轻雾、雾、大雾、浓雾、强浓雾对应的图像类的饱和度特征。

Images