CN105513039A - 一种带电绝缘子串覆冰桥接度智能图像分析方法 - Google Patents

Abstract

一种带电绝缘子串覆冰桥接度智能图像分析方法，所述方法包括，将原始图像由RGB颜色空间转换至HSI颜色空间，并对其颜色特征进行描述；采集双伞绝缘子分割图像；确定绝缘子覆冰区域，获取覆冰绝缘子的颜色特征、灰度特征和纹理特征；构造多类SVM分类器，采用SVM多类分类法对训练样本分类；结合缺点补偿算法和冗点删除算法自动检测双伞绝缘子盘径端点；对所述双伞绝缘子盘径端点进行自动配对；对所述双伞绝缘子盘径端点进行筛选，确定轮廓跟踪起点，完成双伞绝缘子冰棱桥接百分比的计算。通过对双伞悬式绝缘子图像进行覆冰桥接百分比智能分析，有效克服了传统图像分割造成的有效信息丢失的缺陷。

Description

一种带电绝缘子串覆冰桥接度智能图像分析方法

技术领域

本发明涉及一种图像分析方法，具体涉及带电绝缘子串覆冰桥接度智能图像分析方法。

背景技术

衡量绝缘子冰棱桥接状态定义为绝缘子冰棱桥接百分比如图2所示，绝缘子是一种特殊的绝缘控件，在架空输电线路中起十分重要的作用。按照结构可将绝缘子分为：盘型悬式绝缘子、柱式绝缘子、针式绝缘子等。

双伞型绝缘子即以两个等径的绝缘子为单位组成的绝缘子串，其重要特点之一为各伞盘径相等。

对于该类绝缘子，只计算单位绝缘子下沿距离下一个单位绝缘子上沿之间的桥接百分比，如图3所示。该系统基于上述概念分析与定义，设计并实现智能图像分析系统，自动进行图像分割和特征提取并分类，计算绝缘子冰棱桥接百分比。

传统的基于智能视频的图像分析技术是采用人工测量、分割的方式并利用计算机分析图像中包含的信息，同时按照一定准则执行目标识别并提取信息的过程；该方法由于图像分割不准确，造成了有效信息丢失。

发明内容

为了克服上述缺陷，本发明提出一种带电绝缘子串覆冰桥接度智能图像分析方法，解决了传统图像分割造成的有效信息丢失的问题。

本发明的目的是采用下述技术方案实现的：

一种带电绝缘子串覆冰桥接度智能图像分析方法，所述方法包括，

将原始图像由RGB颜色空间转换至HSI颜色空间，并对其颜色特征进行描述；

采集双伞绝缘子分割图像；

确定绝缘子覆冰区域，获取覆冰绝缘子的颜色特征、灰度特征和纹理特征；

构造多类SVM分类器，采用SVM多类分类法对训练样本分类；

结合缺点补偿算法和冗点删除算法自动检测双伞绝缘子盘径端点；

对所述双伞绝缘子盘径端点进行自动配对；

对所述双伞绝缘子盘径端点进行筛选，确定轮廓跟踪起点，完成双伞绝缘子冰棱桥接百分比的计算。

优选的，所述对其颜色特征进行描述包括，

定义HSI颜色空间中的颜色分量为Co；

Co＝max{R，G，B}(1)

其中R、G、B为图像某像素的RGB空间的三个颜色分量。

优选的，所述采集双伞绝缘子分割图像包括，利用Otsu阈值分割法，对原始图像进行K-MEANS聚类分割，分割数目为K＝2，以颜色分量的最大值Co_max和最小值Co_min作为K-MEANS聚类分割的初始聚类中心；设聚类分割中均值较高的一类为K₁，均值较低的一类为K₂；

所述双伞覆冰绝缘子图像的各像素点值为：

$p\left(i,j\right)=\left\{\begin{array}{cc}255& (i,j)\∈K_1\\ 0& (i,j)\∈K_2\end{array}\right.---\left(2\right).$

进一步地，所述确定绝缘子覆冰区域包括，扫描所述双伞覆冰绝缘子分割图像，选取值为1的像素点，即绝缘子覆冰区域，获取其颜色特征为：

$F_{color}=\frac{{\mathrm{\Σ}}_{i,j}\frac{p\left(i,j\right)}{255}}{{\mathrm{\Σ}}_{i,j}1}---\left(3\right).$

优选的，所述灰度特征包括，灰度均值F_μ和标准方差F_σ；所述均值F_μ和标准方差F_σ与覆冰的薄厚程度相关；其中，覆冰越厚，其均值F_μ和标准方差F_σ则越大。

进一步地，所述纹理特征的包括，构建灰度共生矩阵，提取所述灰度共生矩阵的典型特征值，计算其平均值作为所述纹理特征；将图像压缩灰度级数设置为8，步长为d＝1；

设图像x轴像素总长度为N_x，y轴像素总长度为N_y，G表示灰度级的数量，N_g为灰度级的最高级，其表达式为：

x＝{1，2...N_x}

y＝{1，2...N_y}

G＝{1，2...N_g}(4)；

定义灰度共生矩阵为矩阵M，方向为θ，步长为d；则

M(i，j，θ)＝p(i，j，d，θ)(5)

式(5)中，i，j＝1，2...N_g，即灰度共生矩阵M的大小为N_g×N_g；i，j的距离为步长为d，θ＝0°、45°、90°、135°。

进一步地，所述灰度共生矩阵的典型特征值，包括能量、对比度、相关性和熵；

其中，所述能量，用于衡量图像像素分布均匀程度；

$F_{\mathrm{ASM}}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{p}^2(i,j)---\left(4\right)$

所述对比度，用于表示沟纹的深浅程度；

$F_{\mathrm{con}}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}P(i,j)---\left(5\right)$

所述相关性，用于比较灰度共生矩阵中行或者列元素的相似度；

$F_{\mathrm{cor}}=\frac{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\left(\mathrm{ij}\right)P(i,j)-\stackrel{-}{\mathrm{xy}}}{{\mathrm{\δ}}_x{\mathrm{\δ}}_y}---\left(6\right)$

所述熵，用于描述图像所包含的离散信息；

$F_{\mathrm{ent}}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}P(i,j)\log P(i,j)---\left(7\right).$

优选的，所述构造SVM多类分类器包括，采用1对1的算法构造多类SVM分类器，所述SVM多类分类器由若干二分类的SVM组成；

采用SVM多类分类法对训练样本分类包括，将n个训练样本两两组合，共种组合方式；分别对组合后的每组训练样本进行分类。

进一步地，所述分别对组合后的每组训练样本进行分类包括，确定每组训练的两个平面H₁和H₂，二者相互平行且中间存在间隔；将位于平面H₁左侧的训练样本归属为其中一类，位于平面H₂右侧的样本归属为另一类，所述间隔为不可分区域。

优选的，所述自动检测双伞绝缘子盘径端点包括，以覆冰的下边缘起点作为绝缘子盘径左端点，终点为盘径右端点；结合缺点补偿算法和冗点删除算法自动检测绝缘子盘径端点；若其中一侧点集中任意相邻两点纵坐标差值大于预设阈值，则在两点间插入一点再执行冗点删除算法；若其中一侧点集中任意相邻两点纵坐标差值小于预设阈值，则两点其中一点为冗余点，将其删除；循环进行自动检测直至点集不再被修改。

进一步地，所述缺点补偿算法具体包括：

11-1搜索分割图像K₁、K₂左右两侧轮廓的极左值和极右值，构造点集leftDia和rightDia以及所述点集leftDia和rightDia的副本leftD和rightD；设置初始化校正参数为T＝0.67，盘径端点误差阈值为Tc＝30；

11-2遍历点集leftDia，其中相邻两点纵坐标差值均值为Avg；

若所述点集中leftDia两点P₁(x₁，y₁)、P₂(x₂，y₂)...(y₁＜y₂)满足下式，则为相邻两点；

$y_2-y_1>\frac{\mathrm{Avg}}{T}---\left(8\right)$

若P₁和P₂两点间存在纵坐标为0.5*(y₂-y₁)的点P₀(x₀，y₀)，且满足：

|y₀-0.5*(y₂-y₁)|＜T_c(9)

则在点集leftDia中添加左轮廓中纵坐标值为y₀的点作为绝缘子盘径端点。

进一步地，所述冗点删除算法具体包括：

首先，对点集leftDia进行冗点删除，遍历点集leftDia，相邻两点纵坐标差值均值为Avg；判断是否存在相邻两点P₁(x₁，y₁)、P₂(x₂，y₂)...(y₁＜y₂)使得差值y₂-y₁最小，满足下式：

y₂-y₁＞Avg*(T-10％)、(10)

设P₁与leftDia中的前序点纵坐标差值为d₁，P₂与后继点纵坐标差值为d₂，若只有d₁满足式(11)，将P₂删除，反之则删除P₁；

$d_i>\frac{\mathrm{Avg}}{T+10\%}(i=\mathrm{1,2})---\left(11\right)$

若d₁、d₂均满足或者均不满足式(11)，则遍历点集rightDia，分别寻找与P₁、P₂纵坐标差值最小的点；设所述差值分别为dr₁和dr₂；若dr₁＞dr₂，则从leftDia删除P₂；反之删除P₁；

再次，根据点集leftDia的冗点删除方法，对点集rightDia进行冗点删除；

最后，逐点比较leftDia与leftD、rightDia与rightD间的点是否全部相等，若是，则结束。

优选的，所述双伞绝缘子盘径端点自动配对包括，定义散列表H和H_r，以及经过绝缘子盘径端点的轮廓两侧端点集leftP和rightP，该点集中的点按纵坐标值排序；

在所述点集leftP中取点P_l1(x_l1，y_l1)，在所述点集rightP中取纵坐标差值为|y’_l1-y_l1|最小的点P’_l1(x’_l1，y’_l1)，在散列表H中插入(P_l1，P’_l1)；依次遍历点集leftP中其余点P_l2...P_ln，散列表H包含n组数据；

在所述点集rightP中取点P_r1(x_r1，y_r1)，在所述点集leftP中取纵坐标差值为|y’_r1-y_r1|最小的点P’_r1(x’_r1，y’_r1)，生成数据组(P_r1，P’_r1)；同时在散列表H中查找是否已包含该数据组(P_r1，P’_r1)，若是，则在散列表H_r中插入数据组(P_r1，P’_r1)；同理，遍历点集rightP中其余点P_r2...P_rm，散列表H_r包含min{n，m}组数据。

优选的，所述确定轮廓跟踪起点，、完成双伞绝缘子冰棱桥接百分比的计算包括，

以左轮廓点集为基准，遍历点集leftP，制定校正原则，相邻两点纵坐标差值存入集合Diff中；

选取集合Diff中的最大值max和最小值min作为初始聚类中心进行K-MEANS聚类，聚类数目为2，设K1的初始轮廓跟踪起点序号集合为Start；

所述校正原则包括，遍历Start，将相邻起点序号作差，若该差值为大于等于3的奇数，则隔行插入序号；若为大于等于4的偶数，则隔行计算总和，并插入和最大的序号。

与现有技术相比，本发明达到的有益效果是：

1、本发明提出一种完整的基于图像的绝缘子桥接百分比计算方法，克服了传统的人工测量方式，使得测量工作更为便捷，有效的提高了工作效率；且极大程度上节省了人力资源，从而节约了成本。

2、双伞绝缘子的桥接百分比计算自动化程度高。系统能自动截获绝缘子覆冰视频监控图像，自动计算输出各个绝缘子间的最长冰棱位置及桥接百分比数值。

3、计算结果准确率较高。

附图说明

图1为本发明提供的带电绝缘子串覆冰桥接度智能图像分析方法流程图；

图2背景技术提供的计算绝缘子冰棱桥接百分比的结构示意图；

图3为背景技术提供的双伞绝缘子冰棱桥接百分比计算区域示意图；

图4本发明提供的图像分割流程图；

图5本发明提供的图像测量的区域示意图；

图6本发明提供的自动检测双伞绝缘子盘径端点方法流程图；

图7本发明提供的图像测量的轮廓跟踪起点检测结果示意图；

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

如图1所示，一种带电绝缘子串覆冰桥接度智能图像分析方法，所述方法包括，

将原始图像由RGB颜色空间转换至HSI颜色空间，并对其颜色特征进行描述；所述对其颜色特征进行描述包括，

定义HSI颜色空间中的颜色分量为Co；

Co＝max{R，G，B}(1)

其中R、G、B为图像某像素的RGB空间的三个颜色分量。

如图4所示，采集双伞绝缘子分割图像；所述采集双伞绝缘子分割图像包括，利用Otsu阈值分割法，对原始图像进行K-MEANS聚类分割，分割数目为K＝2，以颜色分量的最大值Co_max和最小值Co_min作为K-MEANS聚类分割的初始聚类中心；设聚类分割中均值较高的一类为K₁，均值较低的一类为K₂；

所述双伞覆冰绝缘子图像的各像素点值为：

$p\left(i,j\right)=\left\{\begin{array}{cc}255& (i,j)\∈K_1\\ 0& (i,j)\∈K_2\end{array}\right.---\left(2\right).$

如图5所示，确定绝缘子覆冰区域，获取覆冰绝缘子的颜色特征、灰度特征和纹理特征；所述确定绝缘子覆冰区域包括，扫描所述双伞覆冰绝缘子分割图像，选取值为1的像素点，即绝缘子覆冰区域，获取其颜色特征为：

$F_{color}=\frac{{\mathrm{\Σ}}_{i,j}\frac{p\left(i,j\right)}{255}}{{\mathrm{\Σ}}_{i,j}1}---\left(3\right).$

所述灰度特征包括，灰度均值F_μ和标准方差F_σ；所述均值F_μ和标准方差F_σ与覆冰的薄厚程度相关；其中，覆冰越厚，其均值F_μ和标准方差F_σ则越大。

所述纹理特征的包括，构建灰度共生矩阵，提取所述灰度共生矩阵的典型特征值，计算其平均值作为所述纹理特征；将图像压缩灰度级数设置为8，步长为d＝1；

设图像x轴像素总长度为N_x，y轴像素总长度为N_y，G表示灰度级的数量，N_g为灰度级的最高级，其表达式为：

x＝{1，2...N_x}

y＝{1，2...N_y}

G＝{1，2...N_g}(4)；

定义灰度共生矩阵为矩阵M，方向为θ，步长为d；则

M(i，j，θ)＝p(i，j，d，θ)(5)

式(5)中，i，j＝1，2...N_g，即灰度共生矩阵M的大小为N_g×N_g；i，j的距离为步长为d，θ＝0°、45°、90°、135°。

实施例：设定16*16非重叠窗口，计算窗口内0°、45°、90°、135°四个方向的灰度共生矩阵，使其满足：

p(i，j，d，0°)＝#{(x₁，y₁)(x₂，y₂)∈N_x×N_y|f(x₁，y₁)＝i，f(x₂，y₂)＝j；

x₂-x₁＝0，|y₂-y₁|＝d}

p(i，j，d，45°)＝#{(x₁，y₁)(x₂，y₂)∈N_x×N_y|f(x₁，y₁)＝i，f(x₂，y₂)＝j；

x₂-x₁＝-d，y₂-y₁＝d或x₂-x₁＝d，y₂-y₁＝-d}

p(i，j，d，90°)＝#{(x₁，y₁)(x₂，y₂)∈N_x×N_y|f(x₁，y₁)＝i，f(x₂，y₂)＝j；

|x₂-x₁|＝d，y₂-y₁＝0}

p(i，j，d，135°)＝#{(x₁，y₁)(x₂，y₂)∈N_x×N_y|f(x₁，y₁)＝i，f(x₂，y₂)＝j；

x₂-x₁＝d，y₂-y₁＝d或x₂-x₁＝-d，y₂-y₁＝-d}

其中，符号#{x}表示满足集合条件的元素个数。

所述灰度共生矩阵的典型特征值，包括能量、对比度、相关性和熵；

其中，所述能量，用于衡量图像像素分布均匀程度；

$F_{\mathrm{ASM}}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{p}^2(i,j)---\left(4\right)$

所述对比度，用于表示沟纹的深浅程度；

$F_{\mathrm{con}}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}P(i,j)---\left(5\right)$

所述相关性，用于比较灰度共生矩阵中行或者列元素的相似度；

$F_{\mathrm{cor}}=\frac{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\left(\mathrm{ij}\right)P(i,j)-\stackrel{-}{\mathrm{xy}}}{{\mathrm{\δ}}_x{\mathrm{\δ}}_y}---\left(6\right)$

所述熵，用于描述图像所包含的离散信息；

$F_{\mathrm{ent}}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}P(i,j)\log P(i,j)---\left(7\right).$

构造多类SVM分类器，采用SVM多类分类法对训练样本分类；所述构造SVM多类分类器包括，采用1对1的算法构造多类SVM分类器，所述SVM多类分类器由若干二分类的SVM组成；训练样本为不同覆冰程度的绝缘子图像。

采用SVM多类分类法对训练样本分类包括，将n个训练样本两两组合，共种组合方式；分别对组合后的每组训练样本进行分类。

所述分别对组合后的每组训练样本进行分类包括，确定每组训练的两个平面H₁和H₂，二者相互平行且中间存在间隔；将位于平面H₁左侧的训练样本归属为其中一类，位于平面H₂右侧的样本归属为另一类，所述间隔为不可分区域。

如图6所示，结合缺点补偿算法和冗点删除算法自动检测双伞绝缘子盘径端点；

所述自动检测双伞绝缘子盘径端点包括，以覆冰的下边缘起点作为绝缘子盘径左端点，终点为盘径右端点；结合缺点补偿算法和冗点删除算法自动检测绝缘子盘径端点；若其中一侧点集中任意相邻两点纵坐标差值大于预设阈值，则在两点间插入一点再执行冗点删除算法；若其中一侧点集中任意相邻两点纵坐标差值小于预设阈值，则两点其中一点为冗余点，将其删除；循环进行自动检测直至点集不再被修改。

所述缺点补偿算法具体包括：

(a)搜索分割图像K₁、K₂左右两侧轮廓的极左值和极右值，构造点集leftDia和rightDia以及所述点集leftDia和rightDia的副本leftD和rightD；设置初始化校正参数为T＝0.67，盘径端点误差阈值为Tc＝30；

(b)遍历点集leftDia，其中相邻两点纵坐标差值均值为Avg；

若所述点集中leftDia两点P₁(x₁，y₁)、P₂(x₂，y₂)...(y₁＜y₂)满足下式，则为相邻两点；

$y_2-y_1>\frac{\mathrm{Avg}}{T}---\left(8\right)$

若P₁和P₂两点间存在纵坐标为0.5*(y₂-y₁)的点P₀(x₀，y₀)，且满足：

|y₀-0.5*(y₂-y₁)|＜T_c(9)

则在点集leftDia中添加左轮廓中纵坐标值为y₀的点作为绝缘子盘径端点。

所述冗点删除算法具体包括：

首先，对点集leftDia进行冗点删除，遍历点集leftDia，相邻两点纵坐标差值均值为Avg；判断是否存在相邻两点P₁(x₁，y₁)、P₂(x₂，y₂)...(y₁＜y₂)使得差值y₂-y₁最小，满足下式：

y₂-y₁＞Avg*(T-10％)(10)

设P₁与leftDia中的前序点纵坐标差值为d₁，P₂与后继点纵坐标差值为d₂，若只有d₁满足式(11)，将P₂删除，反之则删除P₁；

$d_i>\frac{\mathrm{Avg}}{T+10\%}(i=\mathrm{1,2})---\left(11\right)$

若d₁、d₂均满足或者均不满足式(11)，则遍历点集rightDia，分别寻找与P₁、P₂纵坐标差值最小的点；设所述差值分别为dr₁和dr₂；若dr₁＞dr₂，则从leftDia删除P₂；反之删除P₁；

再次，根据点集leftDia的冗点删除方法，对点集rightDia进行冗点删除；

最后，逐点比较leftDia与leftD、rightDia与rightD间的点是否全部相等，若是，则结束。

对所述双伞绝缘子盘径端点进行自动配对；

所述双伞绝缘子盘径端点自动配对包括，定义散列表H和H_r，以及经过绝缘子盘径端点的轮廓两侧端点集leftP和rightP，该点集中的点按纵坐标值排序；

在所述点集leftP中取点P_l1(x_l1，y_l1)，在所述点集rightP中取纵坐标差值为|y’_l1-y_l1|最小的点P’_l1(x’_l1，y’_l1)，在散列表H中插入(P_l1，P’_l1)；依次遍历点集leftP中其余点P_l2...P_ln，散列表H包含n组数据；

在所述点集rightP中取点P_r1(x_r1，y_r1)，在所述点集leftP中取纵坐标差值为|y’_r1-y_r1|最小的点P’_r1(x’_r1，y’_r1)，生成数据组(P_r1，P’_r1)；同时在散列表H中查找是否已包含该数据组(P_r1，P’_r1)，若是，则在散列表H_r中插入数据组(P_r1，P’_r1)；同理，遍历点集rightP中其余点P_r2...P_rm，散列表H_r包含min{n，m}组数据。

如图7所示，对所述双伞绝缘子盘径端点进行筛选，确定轮廓跟踪起点，完成双伞绝缘子冰棱桥接百分比的计算。

所述确定轮廓跟踪起点，完成双伞绝缘子冰棱桥接百分比的计算包括，

以左轮廓点集为基准，遍历点集leftP，制定校正原则，相邻两点纵坐标差值存入集合Diff中；

选取集合Diff中的最大值max和最小值min作为初始聚类中心进行K-MEANS聚类，聚类数目为2，设K1的初始轮廓跟踪起点序号集合为Start；

所述校正原则包括，遍历Start，将相邻起点序号作差，若该差值为大于等于3的奇数，则隔行插入序号；若为大于等于4的偶数，则隔行计算总和，并插入和最大的序号。

根据轮廓跟踪起点，结合绝缘子冰棱桥接百分比公式自动完成双伞绝缘子冰棱桥接百分比的计算；其中，a为绝缘子覆冰区域，b为轮廓跟踪起点。

最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，这些变更、修改或者等同替换，其均在其申请待批的权利要求范围之内。

Claims (14)

1.一种带电绝缘子串覆冰桥接度智能图像分析方法，其特征在于，所述方法包括，

将原始图像由RGB颜色空间转换至HSI颜色空间，并对其颜色特征进行描述；

采集双伞绝缘子分割图像；

确定绝缘子覆冰区域，获取覆冰绝缘子的颜色特征、灰度特征和纹理特征；

构造多类SVM分类器，采用SVM多类分类法对训练样本分类；

结合缺点补偿算法和冗点删除算法自动检测双伞绝缘子盘径端点；

对所述双伞绝缘子盘径端点进行自动配对；

对所述双伞绝缘子盘径端点进行筛选，确定轮廓跟踪起点，完成双伞绝缘子冰棱桥接百分比的计算。

2.根据权利要求1所述的方法，其特征在于，所述对其颜色特征进行描述包括，定义HSI颜色空间中的颜色分量为Co；

Co＝max{R,G,B}(1)

其中，R、G、B为图像某像素的RGB空间的三个颜色分量。

3.根据权利要求1所述的方法，其特征在于，所述采集双伞绝缘子分割图像包括，利用Otsu阈值分割法，对原始图像进行K-MEANS聚类分割，分割数目为K＝2，以颜色分量的最大值Co_max和最小值Co_min作为K-MEANS聚类分割的初始聚类中心；设聚类分割中均值较高的一类为K₁，均值较低的一类为K₂；

所述双伞覆冰绝缘子图像的各像素点值为：

4.根据权利要求1-3任一所述的方法，其特征在于，所述确定绝缘子覆冰区域包括，扫描所述双伞覆冰绝缘子分割图像，选取值为1的像素点，即绝缘子覆冰区域，获取其颜色特征为：

5.根据权利要求1所述的方法，其特征在于，所述灰度特征包括，灰度均值F_μ和标准方差F_σ；所述均值F_μ和标准方差F_σ与覆冰的薄厚程度相关；其中，覆冰越厚，其均值F_μ和标准方差F_σ则越大。

6.根据权利要求1-3任一所述的方法，其特征在于，所述纹理特征的包括，构建灰度共生矩阵，提取所述灰度共生矩阵的典型特征值，计算其平均值作为所述纹理特征；将图像压缩灰度级数设置为8，步长为d＝1；

设图像x轴像素总长度为N_x，y轴像素总长度为N_y，G表示灰度级的数量，N_g为灰度级的最高级，其表达式为：

x＝{1，2...N_x}

y＝{1，2...N_y}

G＝{1，2...N_g}(4)；

定义灰度共生矩阵为矩阵M，方向为θ，步长为d；则

M(i，j，θ)＝p(i，j，d，θ)(5)

式(5)中，i，j＝1，2...N_g，即灰度共生矩阵M的大小为N_g×N_g；i，j的距离为步长为d，θ＝0°、45°、90°、135°。

7.根据权利要求6所述的方法，其特征在于，所述灰度共生矩阵的典型特征值，包括能量、对比度、相关性和熵；

其中，所述能量，用于衡量图像像素分布均匀程度；

所述对比度，用于表示沟纹的深浅程度；

所述相关性，用于比较灰度共生矩阵中行或者列元素的相似度；

所述熵，用于描述图像所包含的离散信息；

8.根据权利要求1所述的方法，其特征在于，所述构造SVM多类分类器包括，采用1对1的算法构造多类SVM分类器，所述SVM多类分类器由若干二分类的SVM组成；

采用SVM多类分类法对训练样本分类包括，将n个训练样本两两组合，共种组合方式；分别对组合后的每组训练样本进行分类。

9.根据权利要求8所述的方法，其特征在于，所述分别对组合后的每组训练样本进行分类包括，确定每组训练的两个平面H₁和H₂，二者相互平行且中间存在间隔；将位于平面H₁左侧的训练样本归属为其中一类，位于平面H₂右侧的样本归属为另一类，所述间隔为不可分区域。

10.根据权利要求1所述的方法，其特征在于，所述自动检测双伞绝缘子盘径端点包括，以覆冰的下边缘起点作为绝缘子盘径左端点，终点为盘径右端点；结合缺点补偿算法和冗点删除算法自动检测绝缘子盘径端点；若其中一侧点集中任意相邻两点纵坐标差值大于预设阈值，则在两点间插入一点再执行冗点删除算法；若其中一侧点集中任意相邻两点纵坐标差值小于预设阈值，则两点其中一点为冗余点，将其删除；循环进行自动检测直至点集不再被修改。

11.根据权利要求10所述的方法，其特征在于，所述缺点补偿算法具体包括：

11-1搜索分割图像K₁、K₂左右两侧轮廓的极左值和极右值，构造点集leftDia和rightDia以及所述点集leftDia和rightDia的副本leftD和rightD；设置初始化校正参数为T＝0.67，盘径端点误差阈值为Tc＝30；

11-2遍历点集leftDia，其中相邻两点纵坐标差值均值为Avg；

若所述点集中leftDia两点P₁(x₁，y₁)、P₂(x₂，y₂)…(y₁＜y₂)满足下式，则为相邻两点；

若P₁和P₂两点间存在纵坐标为0.5*(y₂-y₁)的点P₀(x₀，y₀)，且满足：

|y₀-0.5*(y₂-y₁)|＜T_e(9)

则在点集leftDia中添加左轮廓中纵坐标值为y₀的点作为绝缘子盘径端点。

12.根据权利要求11所述的方法，其特征在于，所述冗点删除算法具体包括：

首先，对点集leftDia进行冗点删除，遍历点集leftDia，相邻两点纵坐标差值均值为Avg；判断是否存在相邻两点P₁(x₁，y₁)、P₂(x₂，y₂)…(y₁＜y₂)使得差值y₂-y₁最小，满足下式：

y₂-y₁＞Avg*(T-10％)(10)

设P₁与leftDia中的前序点纵坐标差值为d₁，P₂与后继点纵坐标差值为d₂，若只有d₁满足式(11)，将P₂删除，反之则删除P₁；

若d₁、d₂均满足或者均不满足式(11)，则遍历点集rightDia，分别寻找与P₁、P₂纵坐标差值最小的点；设所述差值分别为dr₁和dr₂；若dr₁＞dr₂，则从leftDia删除P₂；反之删除P₁；

再次，根据点集leftDia的冗点删除方法，对点集rightDia进行冗点删除；

最后，逐点比较leftDia与leftD、rightDia与rightD间的点是否全部相等，若是，则结束。

13.根据权利要求1所述的方法，其特征在于，所述双伞绝缘子盘径端点自动配对包括，定义散列表H和H_r，以及经过绝缘子盘径端点的轮廓两侧端点集leftP和rightP，该点集中的点按纵坐标值排序；

在所述点集leftP中取点P_I1(x_I1，y_I1)，在所述点集rightP中取纵坐标差值为|y′_I1-y_I1|最小的点P’_I1(x’_I1y’_I1)，在散列表H中插入(P_I1，P’_I1)；依次遍历点集leftP中其余点P_I2…P_In，散列表H包含n组数据；

在所述集rightP中取点P_r1(x_r1，y_r1)，在所述点集leftP中取纵坐标差值为|y’_r1-y_r1|最小的点P’_r1(x’_r1y’_r1)生成数据组(P_r1，P’_r1)；同时在散列表H中查找是否已包含该数据组(P_r1，P’_r1)，若是，则在散列表H_r中插入数据组(P_r1，P’_r1)；同理，遍历点集rightP中其余点P_r2…P_rm，散列表H_r包含min{n，m}组数据。

14.根据权利要求1所述的方法，其特征在于，所述确定轮廓跟踪起点，完成双伞绝缘子冰校桥接百分比的计算包括，

以左轮廓点集为基准，遍历点集、leftP，制定校正原则，相邻两点纵坐标差值存入集合Diff中；

选取集合Diff中的最大值max和最小值min作为初始聚类中心进行K-MEANS聚类，聚类数目为2，设K1的初始轮廓跟踪起点序号集合为Start；

所述校正原则包括，遍历Start，将相邻起点序号作差，若该差值为大于等于3的奇数，则隔行插入序号；若为大于等于4的偶数，则隔行计算总和，并插入和最大的序号。