CN105023014A - 一种无人机巡检输电线路图像内的杆塔目标提取方法 - Google Patents

Abstract

本发明公开了一种无人机巡检输电线路图像内的杆塔目标提取方法，属于模式识别与智能计算技术领域。本发明的杆塔目标提取方法，其步骤为：将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，将HSI色度饱和度亮度空间的I分量图像经中值滤波后进行二值化处理得到电力杆塔轮廓的二值图像；采用改进的Susan角点检测方法对电力杆塔轮廓二值图像进行角点检测，并在电力杆塔轮廓二值图像中标记出所有角点的位置；基于不变矩的质心检测算法检测出角点序列的质心，并以此为中心，标注出电力杆塔在原图中的位置。通过使用本发明中的技术方案，可以对电力杆塔进行实时精确提取，且为杆塔上绝缘子、金具等电力部件的故障诊断提供了保证。

Description

一种无人机巡检输电线路图像内的杆塔目标提取方法

技术领域

本发明属于模式识别与智能计算技术领域，更具体地说，涉及一种无人机巡检输电线路图像内的杆塔目标提取方法。

背景技术

随着我国国民经济持续快速发展和城市建设规模日益扩大，高科技产业、金融、医疗卫生等行业快速密集发展，对电力能源的需求日益增强，而经济发展不仅使城乡电网负荷快速增长，也对供电的可靠性和供电质量提出了更高的要求。因此，电力公司需要对电力线路设备尤其是电力线和电力杆塔进行定期巡检，以保证电力传输系统的稳定安全运行和社会生产生活的正常进行。我国的电力线路走廊，经常需要穿越各种复杂的地理环境，频繁经过湖泊水库以及崇山峻岭等，因此，输电线路具有覆盖范围大、分布区域广、传输距离长、地理条件复杂多变及受环境气候影响显著等特点，从而给线路的日常运行、维护和检修带来极大挑战。

我国输电线路的巡视一般采用人工巡视方式，这种方法虽简单，但效率较低，周期较长，且需要配备大量光学设备和素质高、经验丰富的巡线人员，对人力、财力的要求较高。且当杆塔较高、周围地理环境较复杂时，人工巡线就更加困难，容易遗漏故障，造成巡线不彻底，从而使得人工巡线方式逐渐难以满足高压电网的运行维护要求。

从上世纪九十年代开始，欧美一些发达国家就已经尝试将无人机应用于输电线路抢修等工作。直升机巡检输电线路技术，具有安全快捷、受地域限制小、能快速发现故障等优点。我国从上世纪后期开始尝试直升机巡线作业，近几年来，我国加大了对无人机巡线技术的研发投入，2012年山东电力在全国率先实现了将无人机巡线纳入线路巡检常态化应用。2013年，由国家电网青海省电力公司检修公司承担的“高海拔地区输电线路无人巡检技术的应用研究”顺利通过国家电网公司的验收，并通过了青海省科技厅的鉴定。

电力杆塔是输电线路中的重要组成部分，其按作用可以分为：直线杆塔、跨越杆塔、耐张杆塔、转角杆塔、T接杆塔、终端杆塔、换位杆塔七种。杆塔是架空电力线路最主要的设备之一，用来支持导线、避雷线和各类连接金具，图像中杆塔区域的确定对于直升机巡检有着深远的意义。通过检测图像中的杆塔区域，可以给出检测各类部件的小范围区域，同时，每具杆塔在电力部门都备用详细的基建资料可供查询，其中包括其地理信息、各类线路部件安装数目和位置信息等等，依据这些信息我们可以更加准确地提取图像中各类部件包括绝缘子、电力线、引流线、地线、防震锤、间隔棒、悬垂线夹等的具体位置及其数量，并且进一步实现各类部件常见故障的智能诊断。

目前国内外关于电力杆塔图像识别方法的研究均较少，且由于电力杆塔的图像背景较为复杂，现有检测方法的适应性不强，对电力杆塔的识别精度相对较低，从而不能对电力杆塔中各部件的常见故障进行有效诊断。如，中国专利申请号为CN201210250850.8的专利公开了一种电力杆塔轮廓的快速图像识别方法，该申请案是基于改进的Harris角点检测方法，来实现对已知区域形状的轮廓图像中电力塔杆像素的检测，但由于航拍图像噪声大，harris角点检测对噪声较为敏感，不利于角点量的提取，且其对于图像几何尺度变化不具有不变性，即当图像的几何尺度发生变化时，Harris角点检测的性能则下降，从而导致对电力杆塔的识别精度降低。此外，角点检测的速度关系到后续工作的效率，而harris角点算法运行时间较长，不利于航拍图像的实时处理，使得图像的边缘变的模糊，易造成人眼视觉上的失真。

发明内容

1.发明要解决的技术问题

本发明的目的在于克服采用现有电力杆塔图像识别方法不能对输电线路中的电力杆塔图像进行有效提取，提取精度较低，且运行时间较长，导致不能对电力杆塔图像进行实时提取的不足，提供了一种无人机巡检输电线路图像内的杆塔目标提取方法。通过使用本发明中输电线路图像内的杆塔目标提取方法，可以对输电线路中的电力杆塔进行精确提取，且运行时间较短，能够实现对图像的实时处理，同时也为杆塔上绝缘子、金具等电力部件的故障诊断提供了预研基础。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的一种无人机巡检输电线路图像内的杆塔目标提取方法，其步骤为：

步骤一、将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，提取HSI色度饱和度亮度空间的I分量图像，并将该I分量图像经中值滤波后进行二值化处理得到电力杆塔轮廓的二值图像；

步骤二、基于Susan角点检测方法，结合电力杆塔在航拍图像中表现为可视的中轴对称多边形且呈角点密集分布的特征，采用经过改进的Susan角点检测方法对电力杆塔轮廓的二值图像进行角点检测，并在电力杆塔轮廓的二值图像中标记出所有角点的位置；

步骤三、采用基于不变矩的质心检测算法检测出上述角点序列的质心，并以此为中心，标注出电力杆塔在原图中的位置。

更进一步地，步骤一中将拍摄的图像由RGB色彩空间转换到HSI色度饱和度亮度空间的转换方程为：

$\left\{\begin{array}{c}H=\left\{\begin{array}{cc}\mathrm{\θ}& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.\\ S=1-\frac{3*\min \left(R,G,B\right)}{R+G+B}\\ I=\frac{R+G+B}{3}\end{array}\right.---\left(1\right),$

式(1)中，H、S、I分别为HSI色度饱和度亮度空间的色调分量、色饱和度分量和亮度分量， $\mathrm{\θ}={\cos }^{-1}\left\{\frac{\[(R-G)+(R-B)\]/2}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right\}.$

更进一步地，步骤一中对提取的亮度I分量图像进行中值滤波时，选用3*3中值滤波模板遍历亮度I分量图像中的各像素点，对任一像素点，取以该像素点为中心3*3邻域内的亮度平均值重新给该像素点赋值，即实现了对亮度I分量图像的中值滤波。

更进一步地，步骤一中采用最大类间方差法对亮度I分量图像进行二值化处理，其具体步骤为：遍历亮度I分量图像中每个像素点的亮度值，取出各像素点的亮度值，假设亮度I分量图像中各像素点的亮度取值范围为0～m-1，此处m-1为亮度I分量图像中像素点的最大亮度，上述亮度范围内的亮度均值为μ，亮度为i的图像出现的概率为p_i，给定亮度阈值T，该亮度阈值T将图像中的杆塔目标与背景分离为G₀＝{0～T-1}和G₁＝{T～m-1}两个亮度区间，且G₀出现的概率为w₀，G₁出现的概率为w₁，则G₀和G₁区间内的平均亮度μ₀、μ₁以及这两个区间的类间方差δ²(T)分别为：

$\{\begin{array}{c}{\mathrm{\μ}}_0=\underset{i=0}{\overset{T-1}{\Σ}}\frac{{\mathrm{ip}}_i}{w_0}=\frac{\mathrm{\μ}\left(T\right)}{w\left(T\right)},{\mathrm{\μ}}_1=\frac{\mathrm{\μ}-\mathrm{\μ}\left(T\right)}{1-w\left(T\right)}\\ {\mathrm{\δ}}^2\left(T\right)=w_0{\left({\mathrm{\μ}}_0-\mathrm{\μ}\right)}^2+w_1{\left({\mathrm{\μ}}_1-\mathrm{\μ}\right)}^2\end{array}---\left(2\right),$

上式中，且w₀+w₁＝1，w₀μ₀+w₁μ₁＝μ；

随着亮度阈值T在0～m-1亮度范围内逐步递增，使亮度阈值T取到0～m-1范围内的所有数值，求解出最大类间方差maxδ²(T)，此时对应的T值即为亮度最佳分割阈值，将亮度值小于该T值的像素点的亮度值设为0，大于该T值的像素点的亮度值设为1，即得到电力杆塔轮廓的二值图像。

更进一步地，采用经过改进的Susan角点检测方法对电力杆塔轮廓的二值图像进行角点检测的具体步骤为：

步骤a、使用一个圆形窗口模版作为Susan角点检测的模板，该圆形模板的半径r＝37个像素，且该圆形模板的中心为模板的核；

步骤b、使上述圆形模板在电力杆塔轮廓的二值图像上进行移动，对电力杆塔轮廓的二值图像上的每个像素点进行逐一检测，使待检测点处于圆形模板的核，给定阈值g，并将圆形模板内其他所有像素点的亮度值分别与待检测点的亮度值按照式(3)进行运算：

$f(\stackrel{\→}{r_1}(u,v),\stackrel{\→}{r_0}(x,y))=e^{-{\left(\frac{I\left(\stackrel{\→}{r_1}\left(u,v\right)\right)-I\left(\stackrel{\→}{r_0}\left(x,y\right)\right)}{g}\right)}^6}$

上述运算式中，为模板中心像素点，即待检测点的坐标，为模板内除其中心点以外的其他像素点的坐标，I(u,v)和I(x,y)分别为点的亮度值，阈值g的初始值取10，为待检测点的吸收核同值区；

步骤c、电力杆塔轮廓的二值图像上所有像素点的角点量按照式(4)进行计算：

$R\left(\stackrel{\&RightArrow;}{r_0}\right)=\left\{\begin{array}{ccc}\mathrm{\&lambda;}-USAN\left(\stackrel{\&RightArrow;}{r_0}\right)& if& \left(USAN\right(\stackrel{\&RightArrow;}{r_0})<\mathrm{\&lambda;})\\ 0& if& \left(USAN\right(\stackrel{\&RightArrow;}{r_0})\&GreaterEqual;\mathrm{\&lambda;})\end{array}\right.---\left(4\right),$

上式中，角点响应函数阈值λ取USAN_MAX/2，USAN_MAX为电力杆塔轮廓的二值图像上所有像素点的吸收核同值区的最大值；

步骤d、将得到的电力杆塔轮廓的二值图像上所有像素点的角点量及角点坐标存储在与拍摄的原图像等长宽的M*N矩阵A中，使用10*10的模版遍历矩阵A中的每一个像素点的角点量值并进行局部极大值抑制，经过抑制后剩下的像素点即为杆塔轮廓连接处的角点，将矩阵A中所有像素点的角点量值按照以下运算重新赋值：

将所有像素点重新赋值后的角点量f(x,y)及角点坐标重新存储于M*N矩阵A*中，在电力杆塔轮廓的二值图像中标记出所有角点的位置。

3.有益效果

采用本发明提供的技术方案，与现有技术相比，具有如下显著效果：

(1)本发明的一种无人机巡检输电线路图像内的杆塔目标提取方法，结合输电线路图像的特点，选择合适的颜色空间及相配的空间分割策略，并根据输电线路中电力杆塔的成像特点，经长期的理论分析与实践，选择改进的Susan角点检测方法实现了对电力杆塔轮廓二值图像的角点检测，并采用基于不变矩的质心检测算法检测出上述角点序列的质心，从而标注出电力杆塔在原图中的位置。本发明实现了将电力杆塔从含有大量复杂背景的输电线路图像中识别并提取出来，提取精度较高，且运行速度快，能够进行实时提取，且为杆塔上绝缘子、金具等电力部件故障的精确诊断提供了有效保证。

附图说明

图1是本发明的一种无人机巡检输电线路图像内的杆塔目标提取方法的流程图；

图2是本发明实施例1中实际航拍得到的输电线路原图像；

图3是本发明实施例1中的电力杆塔轮廓的二值图像；

图4是本发明实施例1中将采用改进的Susan角点检测方法所检测出的电力杆塔的角点进行标记后的图像；

图5是本发明实施例1中基于不变矩的质心检测算法检测出角点序列的质心后所提取出的杆塔位置的结果图像。

具体实施方式

为进一步了解本发明的内容，现结合实施例对本发明作详细描述。

实施例1

电力杆塔在航拍图像中的特点表现为：(1)电力杆塔在航拍图像中占用较多的像素，且亮度值较大；(2)电力杆塔在航拍图像中表现为可视的中轴对称多边形；(3)电力杆塔轮廓连接点处表现为角点密集区域。

本实施例的一种无人机巡检输电线路图像内的杆塔目标提取方法，是结合电力杆塔在航拍图像中的以上特点所开发出来的，其流程如图1所示，其具体步骤为：

步骤一、电力杆塔在航拍图像中占用较多的像素，且杆塔整体亮度值相对于背景较大，因此，将拍摄的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，提取HSI色度饱和度亮度空间的I分量图像，其中，将图像由RGB色彩空间转换到HSI色度饱和度亮度空间的转换方程为：

$\left\{\begin{array}{c}H=\left\{\begin{array}{cc}\mathrm{\&theta;}& B\&le;G\\ 360-\mathrm{\&theta;}& B>G\end{array}\right.\\ S=1-\frac{3*\min \left(R,G,B\right)}{R+G+B}\\ I=\frac{R+G+B}{3}\end{array}\right.---\left(1\right),$

上式中，R、G、B分别为RGB色彩空间的三个分量，H、S、I分别为HSI色度饱和度亮度空间的色调分量、色饱和度分量和亮度分量，

对提取的亮度I分量图像进行中值滤波，具体操作为：选用3*3中值滤波模板遍历亮度I分量图像中的各像素点，对任一像素点，取以该像素点为中心3*3邻域内的亮度平均值重新给该像素点赋值，即实现了对亮度I分量图像的中值滤波。在图像传输过程中外部干扰和系统内部干扰会给图像带来很多的随机噪声干扰，对图像进行中值滤波后可以很好地消除分布在图像上的各类随机噪声，而又不影响人眼对图像的感觉。

将上述中值滤波后的亮度I分量图像采用最大类间方差法进行二值化处理，得到电力杆塔轮廓的二值图像，其具体步骤为：遍历亮度I分量图像中每个像素点的亮度值，取出各像素点的亮度值，假设亮度I分量图像中各像素点的亮度取值范围为0～m-1，此处m-1为亮度I分量图像中像素点的最大亮度，上述亮度范围内的亮度均值为μ，亮度为i的图像出现的概率为p_i，给定亮度阈值T，该亮度阈值T将图像中的杆塔目标与背景分离为G₀＝{0～T-1}和G₁＝{T～m-1}两个亮度区间，且G₀出现的概率为w₀，G₁出现的概率为w₁，则G₀和G₁区间内的平均亮度μ₀、μ₁以及这两个区间的类间方差δ²(T)分别为：

$\{\begin{array}{c}{\mathrm{\&mu;}}_0=\underset{i=0}{\overset{T-1}{\&Sigma;}}\frac{{\mathrm{ip}}_i}{w_0}=\frac{\mathrm{\&mu;}\left(T\right)}{w\left(T\right)},{\mathrm{\&mu;}}_1=\frac{\mathrm{\&mu;}-\mathrm{\&mu;}\left(T\right)}{1-w\left(T\right)}\\ {\mathrm{\&delta;}}^2\left(T\right)=w_0{\left({\mathrm{\&mu;}}_0-\mathrm{\&mu;}\right)}^2+w_1{\left({\mathrm{\&mu;}}_1-\mathrm{\&mu;}\right)}^2\end{array}---\left(2\right),$

上式中，且w₀+w₁＝1，w₀μ₀+w₁μ₁＝μ。

随着亮度阈值T在0～m-1亮度范围内逐步递增，使亮度阈值T取到0～m-1范围内的所有数值，求解出最大类间方差maxδ²(T)，此时对应的T值即为亮度最佳分割阈值，将亮度值小于该T值的像素点的亮度值设为0，大于该T值的像素点的亮度值设为1，即得到电力杆塔轮廓的二值图像，如图2和图3所示分别为本实施例中实际航拍得到的输电线路的原图像和电力杆塔轮廓的二值图像。

值得说明的是，特征提取、目标识别在一定程度上均依赖于图像分割质量的好坏，图像分割的质量决定了图像分析的最终效果。尽管针对图像分割已提出了许多算法，但由于图像本身的特殊性和复杂性以及背景的差异性，针对具体的应用领域有不同的需求，因此，不同应用领域对图像分割算法的要求也就有所不同。而本实施例中的最大类间方差法是根据输电线路及电力杆塔的成像特点，经过大量的对比研究所得出的最适于电力杆塔识别与提取的图像分割算法。

步骤二、基于Susan角点检测方法，结合电力杆塔在航拍图像中表现为可视的中轴对称多边形且呈角点密集分布的特征，采用经过改进的Susan角点检测方法对电力杆塔轮廓的二值图像进行角点检测，并在电力杆塔轮廓的二值图像中标记出所有角点的位置。采用上述改进的Susan角点检测方法对电力杆塔轮廓的二值图像进行角点检测的具体步骤为：

步骤a、使用一个圆形窗口模版作为Susan角点检测的模板，该圆形模板的半径r＝37个像素，且该圆形模板的中心为模板的核。

步骤b、使上述圆形模板在电力杆塔轮廓的二值图像上进行移动，对电力杆塔轮廓的二值图像上的每个像素点进行逐一检测，使待检测点处于圆形模板的核，给定阈值g，并将圆形模板内其他所有像素点的亮度值分别与待检测点(模板中心像素点)的亮度值按照式(3)进行运算：

$f({\stackrel{\&RightArrow;}{r}}_1(u,v),{\stackrel{\&RightArrow;}{r}}_0(x,y))={e^{-\left(\frac{I\left({\stackrel{\&RightArrow;}{r}}_1(u,v)\right)-I\left({\stackrel{\&RightArrow;}{r}}_0(x,y)\right)}{g}\right)}}^6$

上述运算式中，为模板中心像素点，即待检测点的坐标，为模板内除其中心点以外的其他像素点的坐标，I(u,v)和I(x,y)分别为点的亮度值，阈值g的初始值取10，以保证算法正常启动不会陷入死循环。为待检测点的吸收核同值区。

步骤c、电力杆塔轮廓的二值图像上所有像素点的角点量按照式(4)进行计算：

$R\left(\stackrel{\&RightArrow;}{r_0}\right)=\left\{\begin{array}{ccc}\mathrm{\&lambda;}-USAN\left(\stackrel{\&RightArrow;}{r_0}\right)& if& \left(USAN\right(\stackrel{\&RightArrow;}{r_0})<\mathrm{\&lambda;})\\ 0& if& \left(USAN\right(\stackrel{\&RightArrow;}{r_0})\&GreaterEqual;\mathrm{\&lambda;})\end{array}\right.---\left(4\right),$

上式中，角点响应函数阈值λ取USAN_MAX/2，USAN_MAX为电力杆塔轮廓的二值图像上所有像素点的吸收核同值区的最大值。

步骤d、将得到的电力杆塔轮廓的二值图像上所有像素点的角点量及角点坐标存储在与拍摄的原图像等长宽的M*N矩阵A中，使用10*10的模版遍历矩阵A中的每一个角点量值并进行局部极大值抑制，经过抑制后剩下的像素点即为杆塔轮廓连接处的角点，将矩阵A中所有像素点的角点量值按照以下运算重新赋值：

将所有像素点重新赋值后的角点量f(x,y)及角点坐标另外存储于M*N矩阵A*中，在电力杆塔轮廓的二值图像中标记出所有角点的位置，如图4所示。

步骤三、针对电力杆塔在图像中表现为角点密集区域，采用基于不变矩(几何矩)的质心检测算法检测出电力杆塔轮廓的二值图像中角点序列的质心，并以此为中心，标注出电力杆塔在原图中的位置。本实施例中几何矩m_pq(p、q＝0.1.2.3....)定义为：

$m_{pq}=\underset{y=1}{\overset{M}{\&Sigma;}}\underset{x=1}{\overset{N}{\&Sigma;}}{x}^p{y}^{q}f(x,y)---\left(6\right),$

其中，第0阶矩为：

$m_{00}=\underset{y=1}{\overset{M}{\&Sigma;}}\underset{x=1}{\overset{N}{\&Sigma;}}f(x,y),$

第1阶矩为：

$m_{10}=\underset{y=1}{\overset{M}{\&Sigma;}}\underset{x=1}{\overset{N}{\&Sigma;}}xf(x,y),$

$m_{01}=\underset{y=1}{\overset{M}{\&Sigma;}}\underset{x=1}{\overset{N}{\&Sigma;}}yf(x,y),$

质心的坐标Centroid为：Centroid(x_c,y_c)。

其中记录y轴正负方向y绝对值最大的角点与质心的距离作为矩形框的长，再记录x轴正负方向x绝对值最大的角点与质心的距离作为矩形框的宽。依据杆塔角点集的质心位置以及上述矩形框的长和宽，即可在电力杆塔轮廓的二值图像中标记出电力杆塔的位置，如图5所示。本实施例中采用经过改进的Susan角点检测方法对电力杆塔轮廓的二值图像进行角点检测，并通过采用基于不变矩的质心检测算法检测出电力杆塔轮廓的二值图像中角点序列的质心，从而可以将电力杆塔从背景复杂的输电线路图像中提取出来，提取精度较高，可以使图像中的背景对电力杆塔轮廓提取的干扰降到最低，从而为电力杆塔中绝缘子等部件的故障检测提供了基础。

本发明的一种无人机巡检输电线路图像内的杆塔目标提取方法是基于Qt平台开发的，可以直接提供给电力部门使用及二次开发，算法处理时间平均大约50ms，处理速度较快，可移植到视频实时处理系统中。

Claims (5)

1.一种无人机巡检输电线路图像内的杆塔目标提取方法，其特征在于：其步骤为：

步骤一、将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，提取HSI色度饱和度亮度空间的I分量图像，并将该I分量图像经中值滤波后进行二值化处理得到电力杆塔轮廓的二值图像；

步骤二、基于Susan角点检测方法，结合电力杆塔在航拍图像中表现为可视的中轴对称多边形且呈角点密集分布的特征，采用经过改进的Susan角点检测方法对电力杆塔轮廓的二值图像进行角点检测，并在电力杆塔轮廓的二值图像中标记出所有角点的位置；

步骤三、采用基于不变矩的质心检测算法检测出上述角点序列的质心，并以此为中心，标注出电力杆塔在原图中的位置。

2.根据权利要求1所述的一种无人机巡检输电线路图像内的杆塔目标提取方法，其特征在于：步骤一中将拍摄的图像由RGB色彩空间转换到HSI色度饱和度亮度空间的转换方程为：

$\left\{\begin{array}{c}H=\left\{\begin{array}{cc}\mathrm{\&theta;}& B\&le;G\\ 360-\mathrm{\&theta;}& B>G\end{array}\right.\\ S=1-\frac{3*\min \left(R,G,B\right)}{R+G+B}\\ I=\frac{R+G+B}{3}\end{array}\right.---\left(1\right),$

式(1)中，H、S、I分别为HSI色度饱和度亮度空间的色调分量、色饱和度分量和亮度分量， $\mathrm{\&theta;}={\cos }^{-1}\left\{\frac{\&lsqb;(R-G)+(R-B)\&rsqb;/2}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right\}.$

3.根据权利要求2所述的一种无人机巡检输电线路图像内的杆塔目标提取方法，其特征在于：步骤一中对提取的亮度I分量图像进行中值滤波时，选用3*3中值滤波模板遍历亮度I分量图像中的各像素点，对任一像素点，取以该像素点为中心3*3邻域内的亮度平均值重新给该像素点赋值，即实现了对亮度I分量图像的中值滤波。

4.根据权利要求3所述的一种无人机巡检输电线路图像内的杆塔目标提取方法，其特征在于：步骤一中采用最大类间方差法对亮度I分量图像进行二值化处理，其具体步骤为：遍历亮度I分量图像中每个像素点的亮度值，取出各像素点的亮度值，假设亮度I分量图像中各像素点的亮度取值范围为0～m-1，此处m-1为亮度I分量图像中像素点的最大亮度，上述亮度范围内的亮度均值为μ，亮度为i的图像出现的概率为p_i，给定亮度阈值T，该亮度阈值T将图像中的杆塔目标与背景分离为G₀＝{0～T-1}和G₁＝{T～m-1}两个亮度区间，且G₀出现的概率为w₀，G₁出现的概率为w₁，则G₀和G₁区间内的平均亮度μ₀、μ₁以及这两个区间的类间方差δ²(T)分别为：

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_0=\underset{i=0}{\overset{T-1}{\&Sigma;}}\frac{{\mathrm{ip}}_i}{w_0}=\frac{\mathrm{\&mu;}\left(T\right)}{w\left(T\right)},{\mathrm{\&mu;}}_1=\frac{\mathrm{\&mu;}-\mathrm{\&mu;}\left(T\right)}{1-w\left(T\right)}\\ {\mathrm{\&delta;}}^2\left(T\right)=w_0{\left({\mathrm{\&mu;}}_0-\mathrm{\&mu;}\right)}^2+w_1{\left({\mathrm{\&mu;}}_1-\mathrm{\&mu;}\right)}^2\end{array}\right.---\left(2\right),$

上式中，且w₀+w₁＝1，w₀μ₀+w₁μ₁＝μ；

随着亮度阈值T在0～m-1亮度范围内逐步递增，使亮度阈值T取到0～m-1范围内的所有数值，求解出最大类间方差maxδ²(T)，此时对应的T值即为亮度最佳分割阈值，将亮度值小于该T值的像素点的亮度值设为0，大于该T值的像素点的亮度值设为1，即得到电力杆塔轮廓的二值图像。

5.根据权利要求4所述的一种无人机巡检输电线路图像内的杆塔目标提取方法，其特征在于：采用经过改进的Susan角点检测方法对电力杆塔轮廓的二值图像进行角点检测的具体步骤为：

步骤a、使用一个圆形窗口模版作为Susan角点检测的模板，该圆形模板的半径r＝37个像素，且该圆形模板的中心为模板的核；

步骤b、使上述圆形模板在电力杆塔轮廓的二值图像上进行移动，对电力杆塔轮廓的二值图像上的每个像素点进行逐一检测，使待检测点处于圆形模板的核，给定阈值g，并将圆形模板内其他所有像素点的亮度值分别与待检测点的亮度值按照式(3)进行运算：

上述运算式中，为模板中心像素点，即待检测点的坐标，为模板内除其中心点以外的其他像素点的坐标，I(u,v)和I(x,y)分别为点的亮度值，阈值g的初始值取10，为待检测点的吸收核同值区；

步骤c、电力杆塔轮廓的二值图像上所有像素点的角点量按照式(4)进行计算：

$R\left(\stackrel{\&RightArrow;}{r_0}\right)=\left\{\begin{array}{ccc}\mathrm{\&lambda;}-USAN\left(\stackrel{\&RightArrow;}{r_0}\right)& if& \left(USAN\right(\stackrel{\&RightArrow;}{r_0})<\mathrm{\&lambda;})\\ 0& if& \left(USAN\right(\stackrel{\&RightArrow;}{r_0})\&GreaterEqual;\mathrm{\&lambda;})\end{array}\right.---\left(4\right),$

上式中，角点响应函数阈值λ取USAN_MAX/2，USAN_MAX为电力杆塔轮廓的二值图像上所有像素点的吸收核同值区的最大值；

步骤d、将得到的电力杆塔轮廓的二值图像上所有像素点的角点量及角点坐标存储在与拍摄的原图像等长宽的M*N矩阵A中，使用10*10的模版遍历矩阵A中的每一个角点量值并进行局部极大值抑制，经过抑制后剩下的像素点即为杆塔轮廓连接处的角点，将矩阵A中所有像素点的角点量值按照以下运算重新赋值：

将所有像素点重新赋值后的角点量f(x,y)及角点坐标另外存储于M*N矩阵A*中，在电力杆塔轮廓的二值图像中标记出所有角点的位置。