CN104573703B - 基于偏导分布与边界策略的输电线快速识别方法 - Google Patents
基于偏导分布与边界策略的输电线快速识别方法 Download PDFInfo
- Publication number
- CN104573703B CN104573703B CN201310525925.3A CN201310525925A CN104573703B CN 104573703 B CN104573703 B CN 104573703B CN 201310525925 A CN201310525925 A CN 201310525925A CN 104573703 B CN104573703 B CN 104573703B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- prime
- mtd
- mtr
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明提出了一种具有准确性和实时性的输电线识别方法，包括两方面的创新：新的Radon变换积分公式和基于边界策略的Radon变换搜索方法。利用本发明提出的新的Radon变换积分公式可以代替传统的目标增强过程，通过偏微分函数数值的对称性使得Radon积分变换在背景部分的取值得到抑制，而输电线部分保留。在提出新的Radon变换积分公式的同时，本发明根据应用的需求从图像的边界开始Radon变换，通过边界选定的方式限定搜索区域，从而达到了减少计算时间的目的。本发明中利用的自然图像偏微分函数对称分布规律是本项目中首先发现的，国内外未见相关研究。通过理论研究和实验验证，本发明可以实时、有效地识别各种复杂航拍图像中的输电线。
Description
技术领域
本发明涉及数字图像处理技术和模式识别，具体地说是一种应用于无人机高压输电线巡检的输电线自动识别方法。
背景技术
对高压输电线路进行定期巡检，确保电网系统安全运行具有很重要的实际意义。早期的输电线路监测重要依靠人工巡线，受地形环境和天气状况等影响较大，存在效率低、工作量大和周期长等缺点。利用无人直升机对输电线路进行巡检作为一种新兴的技术手段，具有效率高，成本低、适用范围广的优点。采用基于视觉的输电线自动识别技术可以辅助无人机进行自主巡线，大幅提高巡线的效率。
利用无人直升机对高压电力输电线巡检是新型的一种检测手段，目前关于输电自动识别的相关文献还十分有限，现有公开可查阅文件都会将电力识别过程分为两个部分：线状目标强化与线段提取。
线状目标强化部分的目的是将输电线目标从图像背景中强化出来，去除和减弱其他物体的干扰。目前利用到的方法如下：
（1）边缘提取是图像分割的一种重要手段，输电线作为一种线状目标在图像是有边缘的。文献【1】【2】就分别利用Sobel，Canny边缘检测算子对输电线进行检测，这类方法的一个主要缺点是增强了高压线特征的同时，将背景中的曲线边缘亦进行了强化，即强化了背景噪声扰动。
（2）脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）是依据动物的大脑皮层上的同步脉冲发放现象提出的。目前在图像处理方面有广泛的应用。Li zengrong等利用一种改进的PCNN方法提取航拍图像中的输电线，这类方法对于环境的适应性较差【3】。
（3）输电线是一种典型的线状目标，线状目标增强方法可以更有针对性的强化图像中的输电线，提高识别的正确正确率。文献【4】针对线特征目标进行模板运算。Hessian矩阵的特征值与特征矩阵在不同的图象结构处有不同的特点，文献【5】就利用对Hessian矩阵的分析寻找图像中的线状目标，这类方法能够较好地强化高压线特征，但其计算时间较长，实时性差。
（4）还有研究者利用图像分割的方法进行输电线的增强，文献【6】就提出了一种基于模拟退火微粒群算法的2维最大类间方差法进行图像分割，该方法的问题是实时性较差。
线段提取是在目标强化的基础上识别图像中的线段目标，完成识别输电线的识别。目前常用的方法总结如下：
（5）Hough和Radon变换是检测直线常见的方法，目前的文献大多都是采用这两种方法进行输电线的识别【3-5】，其中文献【5】在radon变换的基础上加入了角度约束，文献在【3】Hough变换后又利用平行线约束进行输电线的识别，这类方法的识别率较低，通常只能识别出部分高压输电线。
（6）链码（Freeman码）用曲线的起始点的坐标和边界点方向代码来描述曲线或边界的方法，也有研究者采用链码的方法进行输电线的识别，这类方法对于噪声很敏感，对图像质量要求很高【2】【6】。
由以上所列举的方式方法来看，目前的输电线自动识别方法都在输电线强化的基础上进行的，最终的识别效果受线状目标增强效果的影响很大。在背景复杂的情况下，如果输电线未能从背景图像中强化出来，会导致后续的识别过程的失败。另外，传统的Hough和Radon变换作为一种遍历积分运算，计算量非常大，影响算法的实时性。在实际应用中，目前的方法都有很多先天性的弊端需要改进。为了解决以上问题，我们基于本发明首先发现了自然图像中高压线像素具有的偏导数分布规律，利用输电线在图像中的走向特点和边界联通特性，提出了一种原创性的方法解决野外复杂航拍图像中输电线的自动识别问题。从理论依据和实际试验来看，该方法鲁棒性强，正确率高，实时性好。
参考文献：
【1】孙凤杰，楚征，范杰青，高压输电线图像边缘检测方法研究【J】电力系统通信，2010210（31）
【2】刘鲲鹏，王滨海，陈西广，金立军，基于Freeman改进准则的输电线短股识别，【J】机电工程201229（2）
【3】Zhengrong Li,Yuee Liu,Rodney Walker,Ross Hayward,JinglanZhang.Towards Automatic Power Line Detection for UAV Surveillance systemUsing Pulse Coupled Neural Filter and Hough Transform[J]Machine Vision andApplications200921(5)
【4】王亚萍，韩军，陈舫明，徐雄，林聚财，可见光图像中的高压线缺陷自动诊断方法【J】计算机工程与应用2011 47（12）
【5】赵利坡，范慧杰，朱琳琳，唐延东，面向巡线无人机高压线实时检测与识别算法【J】小型微型计算机系统2012 33（4）
【6】孙凤杰，杨镇澴，李媛媛，范杰清输电导线目标识别方法【J】中国图象图形学报，2012 17（3）
发明内容
针对现有技术中存在的上述问题，本发明提供一种基于偏导分布与边界策略的输电线快速识别方法。
本发明为实现上述目的所采用的技术方案是：一种基于偏导分布与边界策略的输电线快速识别方法，包括以下步骤：
计算图像中各个像素的偏导数；
有选择的以图像四条边中的若干条为起始，对图像进行Radon变换：将偏导数函数G(x,y)作为Radon变换中的积分函数，通过公式
做Radon变换，使得背景干扰在积分过程中抵消变弱，而其中的线状目标得到保留；其中θ为直线与水平轴的夹角；ρ为直线与参考原点的垂直距离；(x,y)表示图像坐标；δ(x)为脉冲激励函数，其变量x取值为零时，δ(x)的取值为1；否则取值为0，RG(ρ,θ)表示做Radon变换后的变换矩阵；
在所述变换矩阵的峰值中进行筛选和聚类，进而识别出输电线。
所述图像中各个像素的偏导数通过下式计算：
G(x,y)=I(x,y)-I(x+1,y)+I(x,y)-I(x,y+1) （2）
其中，I(x,y)表示坐标(x,y)处像素的灰度值，G(x,y)为该点的偏导数值。
所述以图像左边为起始，对图像进行Radon变换的公式为：
以图像右边为起始，对图像进行Radon变换的公式为：
以图像上边为起始，对图像进行Radon变换的公式为：
以图像下边为起始，对图像进行Radon变换的公式为：
其中，x’’和y’’与以积分起始点A为原点O’’组成相对于xOy图像坐标系的移动坐标系x’’O’’y’’；ρ’’和θ’’是在x’’O’’y’’坐标系下的极坐标幅值和角度；h是图像高度的一半；w是图像宽度的一半；符号rho表示ρ的最大取值，在数值上等于图像对角线的一半；AD是图像边界上的线积分起点偏离同向坐标轴原点的距离，其取值有方向性，当其与坐标轴同向时取正值，反之取负值。
所述在所述变换矩阵的峰值中进行筛选和聚类，进而识别出输电线，包括以下步骤：
在变换矩阵RG(ρ,θ)中分别寻找正、负N个峰值，利用线状目标所在位置处正负极值成对出现的特点，寻找对应的ρ取值差小于设定阈值T1，且角度一致的正负直线对，取其中线作为候选直线，删除没有匹配成直线对的直线；
统计候选直线所对应的角度θ并利用C均值聚类方法对角度进行聚类，将候选直线分为若干组，每组内的直线具有相近的倾斜角度θ；假设包含最多候选直线组为LineGroupN，其组内直线倾斜角度得均值θpl即为输电线所对应的角度；
移除与输电线不平行的直线，即不包括在LineGroupN组内的直线；
合并距离相近，即对应的ρ取值差小于设定阈值T2的直线，余下的结果即为识别出的输电线。
本发明具有以下优点及有益效果：
1）思想新颖，简单，有效。本发明中发现的自然图像偏微分函数的对称分布规律是本发明中首先提出的。利用此发明提出了新的变换公式，省去了图像增强的步骤；
2）对低对比度图像中的输电目标有卓越的识别能力；
3）针对性选择搜索范围，计算效率高。
附图说明
图1是算法整体流程框图；
图2a是若干个自然图像；
图2b是图2a的偏导数图像；
图2c是图2b的对称性分布统计图
图3a是左边边界搜索策略示意图；
图3b是下边边界搜索策略示意图；
图4a是输电线识别实例1的原始图像；
图4b是输电线识别实例1的偏导数图像；
图4c是输电线识别实例1的待选直线图像；
图4d是输电线识别实例1的初筛结果图像；
图4e是输电线识别实例1的输电线识别结果图像；
图5a是输电线识别实例2的原始图像；
图5b是输电线识别实例2的偏导数图像；
图5c是输电线识别实例2的待选直线图像；
图5d是输电线识别实例2的初筛结果图像；
图5e是输电线识别实例2的输电线识别结果图像。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明首先了发现自然图像中偏导数对称分布的规律，利用这个规律和Radon变换的计算原理，提出一种新的Radon计算公式。同时根据输电线在图像中贯穿左右或上下的现象，提出了基于边界策略的直线搜索方法。本发明包括两部分，原创性的Radon变换公式和直线搜索方法，这种新的Radon变换公式可以突出野外复杂背景下的弱输电线目标，提高识别方法的准确性，而这种新的直线搜索方法使得搜索更有目的性，大幅减少计算量，提高算法实时性。总之，本发明提出了一种原创性的基于图像中输电线的识别方法，该方法识别能力强，计算速度快，可以实时地识别各种复杂野外场景下的输电线。
本发明的具体技术方案如下（流程图如附图1所示）：
1基于偏微分图像的Radon变换
本发明在发现自然图像的偏导数的对称分布的规律下，提出了一种新的Radon变换积分形式。计算步骤如下
a)计算图像的偏微分图
为了识别各个方向的输电线，本发明中计算了横纵两个方向的偏导数，计算公式如公式（1），按式（2）计算图像中各个像素的偏导数。
G(x,y)=I(x,y)-I(x+1,y)+I(x,y)-I(x,y+1) （2）
其中I(x,y)表示坐标(x,y)处像素的灰度值，G(x,y)为该点的偏导数值。
b）新Radon变换
在研究中我们发现函数G(x,y)的数值分布近似为关于零对称的偶函数，如附图2所示。所以本发明中创新性地将偏导数函数G(x,y)作为Radon变换中的积分函数，如式（3）所示，利用其对称性和Radon变换的积分过程使得背景干扰在积分过程中抵消变弱，而其中的线状目标得到保留。
其中θ为直线的角度，本发明中为直线与水平轴的夹角，ρ为直线与参考原点的垂直距离。
2基于边界策略的直线搜索
传统的Radon变换将在图像内在每个由(ρ,θ)定义的直线上进行积分，但是这么计算无疑需要大量的计算，影响算法的实时性。我们观察输电线图像，发现电线总是从图像的一边出现最后在图像的另一边消失，即输电线总是穿过图像。这启发我们输电线的搜索可以从图像四条边中的一条开始。据此，我们提出一种基于边界策略的算法(BSRT)，以满足节省时间并提高算法鲁棒性与并行性的目的。
BSRT几何图示如附图3所示。
算法需要指定一个参考角度以覆盖所有可能搜索区域，这里我们选择对角线角度，即图像对角线与x轴所夹的角度θ0作为参考角度。
这里x’’和y’’与以积分起始点A为原点O’’组成相对于xOy图像坐标系的移动坐标系x’’O’’y’’。ρ’’和θ’’是在x’’O’’y’’坐标系下的极坐标幅值和角度。h是图像高度的一半，w是宽度的一半。符号rho表示ρ的最大取值，它在数值上等于图像对角线的一半。AD是图像边界上的线积分起点偏离同向坐标轴原点的距离，其取值有方向性，当其与坐标轴同向时取正值，反之取负值。计算公式(4-7)分别是以图像左、右、下、上四条边为起始的积分公式，而(8)则是总的集成公式，其四个积分区域中的重叠部分会被去掉。
正如图3（a）所示，点A是图像左侧边上的一点。AC和AB是从点A开始的积分域的两条边界。∠CAM和∠BAM都等于对角线角度θ0。而ρ1和ρ2是AB和AC距离原点O的距离，θ1和θ2是它们与x轴所成夹角。而ρ和θ代表AB和AC之间的任一条线的距原点距离及与x轴夹角。注意，θ的取值应在0到π之间，如果θ>π，则θ=θ-π，ρ=-ρ.于是，如图3中所示θ1=90+θ0度,则ρ1≥0;θ2=90-θ0度,则ρ2≤0;θ在θ1和θ2之间变化,则ρ的正负依赖于θ是否比π大。所以这种情况下θ有两段取值，一段为[0，90–θ0]，另一段为[90+θ0，179]，如图3（a）所示。
右侧边的情况与左侧边相似，顶边与底边相似，顶、底边情况与左、右侧边有些不同。主要是θ的取值情况发生变化。
这样，不难看出，BSRT方法简便、快捷，可以有效减小算法运行时间以及增加算法的并行性，因为其可对图像四条边分别进行有选择的计算。在不确定线段走向的情况下可以选择多个边的组合。式（8）是对所有情况进行计算的公式。
R={R1,R2,R3,R4} （8）
3基于聚类的输电线识别
图像的Radon变换的结果是一个变换矩阵RG(ρ,θ),图像中的直线对应变换矩阵RG(ρ,θ)中的峰值。在进行完Radon变换后，剩下的工作就是在这些峰值中寻找与输电线对应的直线。本发明利用输电线在图像中为高亮度平行线的特点，使用了先筛选，后聚类的输电线识别方法，寻找图像中的输电线。具体步骤如下：
1）按第一部分的方法计算图像的偏导数图像；
2）按第二部分的方法计算相应的变换矩阵RG(ρ,θ);
3）在变换矩阵RG(ρ,θ)中分别寻找正、负N个峰值，利用线状目标所在位置与正负极值成对出现的特点，寻找距离近（两条直线所对应的ρ取值差小于设定阈值T1）而且角度一致的正负直线对，取其中线作为候选直线，删除没有匹配成直线对的直线；
4）统计候选直线所对应的角度θ并利用C均值聚类方法对角度进行聚类，将候选直线分为若干组，每组内的直线具有相近的倾斜角度θ。假设包含最多候选直线组为LineGroupN，其组内直线倾斜角度得均值θpl即为输电线所对应的角度；5）移除与输电线不平行的直线，即不包括在LineGroupN组内的直线；
6）合并距离相近（对应的ρ取值差小于设定阈值T2）的直线，余下的结果即为识别出的输电线。
本发明原理：
本发明的是基于本课题组发现的图像偏微分对称分布的规律而提出的。经过对大量的图片的计算分析，我们发现自然图像的偏微分函数G(x,y)的数值分布是关于零对称的，如图（2）所示。
P(g)是函数G(x,y)的分布函数，设图像大小为m*n，P(g)的计算方法如下
P(g)是近似关于零对称的，也就是说
为了验证函数的对称性，我们设计了如下的计算公式，
如果函数严格关于零对称，该对称衡量变量的取值为1，函数的对称性越好，该变量的取值越高。为了验证本发现规律的普遍性，我们对300幅自然图片的偏导数函数值分布对称性进行了统计计算，其中查过半数的图像的对称衡量变量超过0.98,86%的变量超过0.95，仅有一幅图像的对称性低于0.90.该统计结果有力的支持了我们的发现规律。根据这个规律，我们提出了本发明中新的Radon计算公式
由公式可见，新的Radon变换是图像偏导数函数的部分数值加和，而偏微分函数的分布是关于零对称的，函数RG(ρ,θ)在任意点的期望值为0，也就是说在背景处，RG(ρ,θ)函数的积分结果因为G(x,y)的正负累加抵消而取值趋近为零。而在特殊点（输电线）所在处，RG(ρ,θ)的取值会出现峰值。基于此，本发明利用新的变换公式可以减弱图像背景噪声的影响，而保留输电线，可以在检测低对比度，复杂背景下的输电线。
本发明利用新的变换函数提高了识别正确率，同时通过改变radon变换的搜索方式来提高计算的正确率。Radon变换是一种在角度θ和距离ρ特定的直线上积分的计算，理论上需要遍历图像中所有可能的角度和距离。在实际的应用中输电线在图像中的分布是有规律可循的，可以有选择性的对相关区域进行计算。本发明中利用输电线在图像中贯穿的特性选择在不同的边界上开始直线的搜索，有针对性而且极大减少了计算时间。
下面结合附图4,5和实例对本发明作进一步详细说明。
1）计算偏导数图像
图4和图5分别为1024*576，300*260的彩色图像，计算其灰度图，利用公式2计算原图的偏导数图，计算结果如图4（b）和图5（b）所示，其中红色表示该像素点偏导数取值为正，蓝色取值为负。
2）基于边界策略的Radon变换计算
选取图像的左边作为搜索的初始边界；以图4为例，图像对角线与x轴的夹角为29.3度，按照式(4),从左侧顶点向下逐点计算通过该点的角度为0-30,150-179之间的直线的radon变换的积分值。角度间隔为1。需要计算34560条直线。计算结果以矩阵形式存在矩阵中。于此类似图5需要计算21320条直线。如果对图像全部的直线进行遍历计算的话，则分别需要计算314880和107440条直线。
3）初步筛选
在得到Radon变换的矩阵后，分别取正负极值的前30个峰值，其对应的直线如图4（c），图5（c），其中黑色的为负的取值，白色的为正的取值。找到其中互相配对的直线。删除没有匹配直线的候选结果。初步筛选的结果如图（d）所示。由实验结果可看到，经过初步筛选，大部分的误识别已经被去除。
4）确定输电线方向，去除误识别
去配对结果的中线作为待识别的结果，对这些候选直线的角度进行聚类，选择包含目标最多的类作为识别结果。图4经过初步筛选后没有其他误识别，只有一个聚类中心。所以所有的候选目标都被认为是输电线。图5经过初步筛选后有八条候选直线，按角度聚类聚为2类，其中输电线对应的类包括7个目标，所以作为最后的识别结果输出，剩下一条直线则被去除。最终的识别结果分别如图4（e），5（e）所示。
两个计算实例所用的时间分别为0.14s和0.032s。
Claims (3)
1.一种基于偏导分布与边界策略的输电线快速识别方法，其特征在于，包括以下步骤：
计算图像中各个像素的偏导数；
有选择的以图像四条边中的若干条为起始，对图像进行Radon变换：将偏导数函数G(x,y)作为Radon变换中的积分函数，通过公式
<mrow>
<mi>R</mi>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>&rho;</mi>
<mo>-</mo>
<mi>x</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>-</mo>
<mi>y</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
做Radon变换，使得背景干扰在积分过程中抵消变弱，而其中的线状目标得到保留；其中θ为直线与水平轴的夹角；ρ为直线与参考原点的垂直距离；(x,y)表示图像坐标；δ(x)为脉冲激励函数，其变量x取值为零时，δ(x)的取值为1；否则取值为0，RG(ρ,θ)表示做Radon变换后的变换矩阵；
在所述变换矩阵的峰值中进行筛选和聚类，进而识别出输电线；
所述以图像左边为起始，对图像进行Radon变换的公式为：
<mrow>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mi>A</mi>
<mi>D</mi>
<mo>-</mo>
<mi>h</mi>
</mrow>
<mrow>
<mi>A</mi>
<mi>D</mi>
<mo>+</mo>
<mi>h</mi>
</mrow>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mn>2</mn>
<mi>w</mi>
</mrow>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>&rho;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>cos&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>sin&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<msup>
<mi>dx</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>dy</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>&rsqb;</mo>
<mo>&cup;</mo>
<mo>&lsqb;</mo>
<mi>&pi;</mi>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>&pi;</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&rho;</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>2</mn>
<mi>r</mi>
<mi>h</mi>
<mi>o</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>x</mi>
<mo>+</mo>
<mi>w</mi>
<mo>,</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>y</mi>
<mo>+</mo>
<mi>A</mi>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
以图像右边为起始，对图像进行Radon变换的公式为：
<mrow>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mi>A</mi>
<mi>D</mi>
<mo>-</mo>
<mi>h</mi>
</mrow>
<mrow>
<mi>A</mi>
<mi>D</mi>
<mo>+</mo>
<mi>h</mi>
</mrow>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mi>w</mi>
</mrow>
<mn>0</mn>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>&rho;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>cos&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>sin&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<msup>
<mi>dx</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>dy</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>&rsqb;</mo>
<mo>&cup;</mo>
<mo>&lsqb;</mo>
<mi>&pi;</mi>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>&pi;</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&rho;</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>2</mn>
<mi>r</mi>
<mi>h</mi>
<mi>o</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<mi>w</mi>
<mo>,</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>y</mi>
<mo>+</mo>
<mi>A</mi>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
以图像上边为起始，对图像进行Radon变换的公式为：
<mrow>
<msub>
<mi>R</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mn>2</mn>
<mi>h</mi>
</mrow>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mi>A</mi>
<mi>D</mi>
<mo>-</mo>
<mi>w</mi>
</mrow>
<mrow>
<mi>A</mi>
<mi>D</mi>
<mo>+</mo>
<mi>w</mi>
</mrow>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>&rho;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>cos&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>sin&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<msup>
<mi>dx</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>dy</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>&pi;</mi>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&rho;</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>2</mn>
<mi>r</mi>
<mi>h</mi>
<mi>o</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>x</mi>
<mo>+</mo>
<mi>A</mi>
<mi>D</mi>
<mo>,</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>y</mi>
<mo>-</mo>
<mi>h</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
以图像下边为起始，对图像进行Radon变换的公式为：
<mrow>
<msub>
<mi>R</mi>
<mn>4</mn>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mi>h</mi>
</mrow>
<mn>0</mn>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mi>A</mi>
<mi>D</mi>
<mo>-</mo>
<mi>w</mi>
</mrow>
<mrow>
<mi>A</mi>
<mi>D</mi>
<mo>+</mo>
<mi>w</mi>
</mrow>
</msubsup>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>&rho;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>cos&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>sin&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<msup>
<mi>dx</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<msup>
<mi>dy</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&theta;</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>&pi;</mi>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&rho;</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>2</mn>
<mi>r</mi>
<mi>h</mi>
<mi>o</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>x</mi>
<mo>+</mo>
<mi>A</mi>
<mi>D</mi>
<mo>,</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>y</mi>
<mo>+</mo>
<mi>h</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，x”和y”与以积分起始点A为原点O”组成相对于xOy图像坐标系的移动坐标系x”O”y”；ρ”和θ”是在x”O”y”坐标系下的极坐标幅值和角度；h是图像高度的一半；w是图像宽度的一半；符号rho表示ρ的最大取值，在数值上等于图像对角线的一半；AD是图像边界上的线积分起点偏离同向坐标轴原点的距离，其取值有方向性，当其与坐标轴同向时取正值，反之取负值；θ0为对角线角度。
2.根据权利要求1所述的基于偏导分布与边界策略的输电线快速识别方法，其特征在于，所述图像中各个像素的偏导数通过下式计算：
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
G(x,y)＝I(x,y)-I(x+1,y)+I(x,y)-I(x,y+1) (2)
其中，I(x,y)表示坐标(x,y)处像素的灰度值，G(x,y)为该点的偏导数值。
3.根据权利要求1所述的基于偏导分布与边界策略的输电线快速识别方法，其特征在于，所述在所述变换矩阵的峰值中进行筛选和聚类，进而识别出输电线，包括以下步骤：
在变换矩阵RG(ρ,θ)中分别寻找正、负N个峰值，利用线状目标所在位置处正负极值成对出现的特点，寻找对应的ρ取值差小于设定阈值T1，且角度一致的正负直线对，取其中线作为候选直线，删除没有匹配成直线对的直线；
统计候选直线所对应的角度θ并利用C均值聚类方法对角度进行聚类，将候选直线分为若干组，每组内的直线具有相近的倾斜角度θ；假设包含最多候选直线组为LineGroupN，其组内直线倾斜角度得均值θpl即为输电线所对应的角度；
移除与输电线不平行的直线，即不包括在LineGroupN组内的直线；
合并距离相近，即对应的ρ取值差小于设定阈值T2的直线，余下的结果即为识别出的输电线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310525925.3A CN104573703B (zh) | 2013-10-29 | 2013-10-29 | 基于偏导分布与边界策略的输电线快速识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310525925.3A CN104573703B (zh) | 2013-10-29 | 2013-10-29 | 基于偏导分布与边界策略的输电线快速识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104573703A CN104573703A (zh) | 2015-04-29 |
| CN104573703B true CN104573703B (zh) | 2017-09-29 |
Family
ID=53089725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310525925.3A Expired - Fee Related CN104573703B (zh) | 2013-10-29 | 2013-10-29 | 基于偏导分布与边界策略的输电线快速识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104573703B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127105A (zh) * | 2016-06-13 | 2016-11-16 | 长安大学 | 基于快速随机Radon变换的无人机视觉巡线方法 |
| CN109426277B (zh) * | 2017-08-30 | 2022-11-08 | 广州极飞科技股份有限公司 | 移动轨迹规划的方法及装置 |
| CN109300118B (zh) * | 2018-09-11 | 2021-09-10 | 东北大学 | 一种基于rgb图像的高压电力线路无人机巡检方法 |
| CN114081198B (zh) * | 2021-10-26 | 2023-02-17 | 农业农村部南京农业机械化研究所 | 一种球茎类作物自动切根装置及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5390111A (en) * | 1993-11-12 | 1995-02-14 | General Electric Company | Method and system for processing cone beam data for reconstructing free of boundary-induced artifacts a three dimensional computerized tomography image |
| CN101625723A (zh) * | 2009-07-02 | 2010-01-13 | 浙江省电力公司 | 电力线轮廓的快速图像识别方法 |
| CN202331208U (zh) * | 2011-11-25 | 2012-07-11 | 中国科学院沈阳自动化研究所 | 面向输电线路巡检应用的无人直升机地面控制系统 |
-
2013
- 2013-10-29 CN CN201310525925.3A patent/CN104573703B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5390111A (en) * | 1993-11-12 | 1995-02-14 | General Electric Company | Method and system for processing cone beam data for reconstructing free of boundary-induced artifacts a three dimensional computerized tomography image |
| CN101625723A (zh) * | 2009-07-02 | 2010-01-13 | 浙江省电力公司 | 电力线轮廓的快速图像识别方法 |
| CN202331208U (zh) * | 2011-11-25 | 2012-07-11 | 中国科学院沈阳自动化研究所 | 面向输电线路巡检应用的无人直升机地面控制系统 |
Non-Patent Citations (2)
| Title |
|---|
| 输电线路图像中导线的识别方法研究;樊菊杰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110915(第9期);C042-376 * |
| 面向巡线无人机高压线实时检测与识别算法;赵利坡 等;《小型微型计算机系统》;20120430;第33卷(第4期);882-886 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104573703A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102646193B (zh) | 一种环形排布字符图像分割方法 | |
| CN103793712B (zh) | 一种基于边缘几何特征的图像识别方法及系统 | |
| CN105023014B (zh) | 一种无人机巡检输电线路图像内的杆塔目标提取方法 | |
| CN103839065B (zh) | 人群动态聚集特征提取方法 | |
| CN104134209B (zh) | 一种视觉导航中的特征提取与匹配方法及系统 | |
| CN101216895B (zh) | 一种复杂背景图像中椭圆图像特征的自动提取方法 | |
| CN107705288A (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
| CN104573703B (zh) | 基于偏导分布与边界策略的输电线快速识别方法 | |
| CN107705254B (zh) | 一种基于街景图的城市环境评估方法 | |
| CN106683137A (zh) | 基于人工标志的单目多目标识别与定位方法 | |
| CN104966054B (zh) | 无人机可见光图像中的弱小目标检测方法 | |
| CN104598929A (zh) | 一种hog特征快速提取方法 | |
| CN108537816A (zh) | 一种基于超像素和背景连接先验的显著物体分割方法 | |
| CN109447036A (zh) | 一种图像数字分割与识别方法及系统 | |
| CN110245600A (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
| CN109766850B (zh) | 基于特征融合的指纹图像匹配方法 | |
| CN114241522A (zh) | 现场作业安全穿戴识别方法、系统、设备及存储介质 | |
| CN103208003B (zh) | 一种基于几何图形特征点形状描述子的方法 | |
| CN108983791A (zh) | 一种智能车控制系统 | |
| CN106934832A (zh) | 一种面向视觉巡线的简易直线自动定位方法 | |
| Chen et al. | Algorithm design of lane departure warning system based on image processing | |
| CN109117852B (zh) | 基于稀疏表示的无人机图像适配区自动提取方法及系统 | |
| Ma et al. | A real time detection method of track fasteners missing of railway based on machine vision | |
| CN112488212B (zh) | 一种基于双目视差的车道线识别方法 | |
| Zhu et al. | Visual campus road detection for an ugv using fast scene segmentation and rapid vanishing point estimation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170929 Termination date: 20181029 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |