CN107742301B - 基于图像分类的复杂背景下输电线路图像处理方法 - Google Patents
基于图像分类的复杂背景下输电线路图像处理方法 Download PDFInfo
- Publication number
- CN107742301B CN107742301B CN201711008680.1A CN201711008680A CN107742301B CN 107742301 B CN107742301 B CN 107742301B CN 201711008680 A CN201711008680 A CN 201711008680A CN 107742301 B CN107742301 B CN 107742301B
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- power transmission
- images
- pixel
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 162
- 238000003672 processing method Methods 0.000 title abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000005286 illumination Methods 0.000 claims description 40
- 230000000877 morphologic effect Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于图像分类的复杂背景下输电线路图像处理方法,属于图片处理技术领域。通过图像特征变量统计、图像分类、初次滤波、对比度增强、二次滤波、边缘检测、边缘优化完成复杂背景下输电线路图像特征提取。本发明根据输电线路图像各颜色空间中的变量值对图像进行分类处理,针对性强,处理效果好。通过对图像灰度平均值和最大类间方差法求出的阈值进行线性变换确定直方图均衡化的分段区间,拉伸区间和canny算子的参数,较好的完成图像对比度增强和边缘特征提取,适用性强。提出了一种边缘优化方法,最大限度的去除非目标边缘的影响。本发明能够根据图像特征进行自适应图像处理,可靠性高,对实现输电线路智能化在线监测有着重大的意义。
Description
技术领域
本发明专利涉及图片处理技术领域,尤其涉及一种基于图像分类的复杂背景下输电线路图像处理方法。
背景技术
输电线路是电力系统的重要组成部分,它担负着输送和分配电能的任务,输电导线覆冰、舞动、断线、弧垂过大等不正常状态很容易导致输电线路故障,严重影响电力系统的安全稳定运行,从而造成巨大经济损失。因此,做好输电线路监测和预防工作,及时发现,及时处理输电线路故障,对电网安全运行具有重大意义。
目前,高压输电线路的监测主要是人工巡检,通过人工现场观察来获取信息,但人工巡检需要极大的人员投入,成本高,并且只能获得输电线路当时的状态信息,误差也比较大,而且对于一些交通不便的山区,人工巡检具有一定的难度。因此,有必要对输电线路进行实时在线监测,利用在线监测获得的数据信息分析输电线路的运行状况,及时发现问题,及时预防,减少输电线路故障造成的损失。
采用基于智能视频的输电线路在线监测技术能够实时监测输电线路状况,通过对输电线路视频图像进行智能分析处理,分析输电线路故障,方法简单,效率高,适用性强。目前国内关于此方面的专利十分稀少,如中国专利“基于视频差异分析的输电线路绝缘子覆冰厚度测量方法”(申请号:201110173506.9)等类型专利,都提出了运用图像处理的方法来分析输电线状态并判断输电线故障,具有效率高,适用性强的优点,但是目前国内诸如此类的专利大多仅仅针对几张相同类型的图像讨论图像处理方法,没有考虑不同图像背景对输电线路图像处理效果的影响,难以对不同背景类型的输电线路图像进行正确分析,具有非常大的局限性,无法实现输电线路高度智能化在线监测。
发明内容
为了克服现有技术的不足,本发明提出了一种基于图像分类的复杂背景下输电线路图像处理方法。该方法效率高,适用性强,能够根据不同背景类型的图像特征进行自适应图像处理,可靠性高,极大的改善了图像处理效果,另外提出了一种非输电线边缘去除方法,可以有效去除非输电线边缘,方便进行进一步的输电线路故障分析。
本发明解决其技术问题所采用的技术方案是:
所述的基于图像分类的复杂背景下输电线路图像处理方法,包括以下步骤:
步骤1:计算输电线路图像中与图像特征相关的各变量值;
步骤2:根据计算出的各变量值对输电线路图像进行分类;
步骤3:根据不同类别输电线路图像的特征,预估其对比度增强处理可能产生的效果,分别采用适合的滤波方法进行初次滤波;
步骤4:对不同类别输电线路图像分别进行适合的分段直方图均衡化增强处理,然后根据处理效果,分别采用适合的滤波方法进行二次滤波;
步骤5:采用canny边缘检测算法检测输电线路边缘;
步骤6:采用概率霍夫直线变换和形态学运算结合图像像素特征统计排除方法,对输电线路边缘进行提取,同时去除非输电线路边缘,得到最终的输电线路轮廓。
所述的步骤1中的变量值包括:输电线路图像的灰度平均值,亮度平均值,特定灰度值区间的像素点数量,RGB三通道的各通道像素平均值之差的绝对值,前景背景分割阈值,前景背景分割阈值与像素灰度平均值之差的绝对值。
所述的步骤2中的输电线路图像分类,具体包括以下步骤:
步骤A:判断像素灰度值在230—255区间的像素点数量,如果像素点数量值大于设定阈值a1则将输电线路图像划分为雪天类图像,否则为非雪天类图像;
步骤B:判断非雪天类图像RGB三通道的各通道像素平均值之差的绝对值,如果三个差值的绝对值中有一个大于设定阈值a2,则将输电线路图像划分为特殊颜色背景类图像,否则为正常颜色背景类图像;
步骤C:判断特殊颜色背景类图像的像素灰度平均值,当图像亮度平均值大于设定阈值a3时将输电线路图像划分为光照较强的特殊颜色背景类图像,否则为光照较弱的特殊颜色背景类图像;
步骤D:判断正常颜色背景类图像的前景背景分割阈值与像素灰度平均值之差的绝对值,当二者之差的绝对值大于设定阈值a4且像素灰度平均值大于设定阈值a5时,将输电线路图像划分为前景突出类图像;当二者之差的绝对值大于设定阈值a6且像素灰度平均值小于设定阈值a7时,将输电线路图像划分背景突出类图像;
步骤E:对于正常颜色背景类图像,当步骤D的条件都不满足时,转而判断图像亮度平均值,如果图像亮度平均值小于设定阈值a8时则将输电线路图像划分为光照不足类图像,图像亮度平均值大于设定阈值a8小于设定阈值a9则将输电线路图像划分为正常光照类图像,图像亮度平均值大于设定阈值a9将输电线路图像划分为光照强烈类图像;
步骤F:对于雪天类图像,首先判断RGB三通道的各通道像素平均值之差的绝对值,当三个差值的绝对值中有一个大于设定阈值a10时,将输电线路图像划分为特殊颜色背景的雪天类图像;
步骤G:如果三个差值的绝对值小于设定阈值a10时,转而判断图像亮度平均值,当图像亮度平均值小于设定阈值a11时将输电线路图像划分为光照较弱的雪天类图像;当图像亮度平均值大于设定阈值a11时,将输电线路图像划分为光照较强的雪天类图像。
根据计算出的各变量值对输电线路图像进行分类,在处理过程中对不同背景类型图像进行针对性的处理,图像处理效果好,可靠性高。
所述的步骤3和步骤5中的滤波方法包括:均值滤波,中值滤波,高斯滤波和双边滤波。初次滤波去除图像本身噪声的同时也消弱了后续对图像进行对比度增强产生噪声的能力,二次滤波可以消除对比度增强产生的噪声,二者相互结合,并根据不同类别输电线路图像采用适合的滤波方法,增强了对噪声的处理能力,有利于后续的图像处理。
所述的步骤4中的对不同类别输电线路图像分别进行适合的分段直方图均衡化增强处理,是针对不同类别的图像,分别根据图像本身的前景背景分割阈值对图像进行不同的分段直方图均衡化处理,其中直方图均衡化的分段区间和拉伸区间分别由图像前景背景分割阈值和像素灰度平均值经过线性变换取得。
所述的步骤5中的canny边缘检测算法中的高阈值与低阈值两个参数是通过对最大类间方差法求出的输电线路图像的前景背景分割阈值进行线性变换得出。
通过对图像灰度平均值和最大类间方差法求出的阈值进行线性变换确定直方图均衡化的分段区间,拉伸区间和canny算子的参数,加强了图像对比度增强效果,能够较好的提取边缘特征,适用性强。
所述的步骤6中的提取输电线路边缘并去除非输电线路边缘,具体包括以下步骤:
步骤A:对canny边缘检测过的输电线路图像进行形态学闭运算处理,用适当大小的模板填充去除比较细小的孔洞使图像更加平滑;
步骤B:用一个十字模板遍历经过形态学闭运算处理后的输电线路图像中像素值为255的像素,对照十字模板去掉不符合输电线路图像像素特征的像素点;
步骤C:对处理过后的输电线路图像进行概率霍夫直线检测;
步骤D:以适当大小的模板对概率霍夫检测后的输电线路图像进行形态学膨胀运算;
步骤E:将经过膨胀运算后的输电线路图像与canny边缘检测后的输电线路图像进行与运算,即对于两张图像中坐标相同的两个像素,如果像素值相等则保持像素值不变,像素值不相等则将像素值设为0,求出最终输电线路边缘特征图像。
采用边缘优化,在保留输电线路边缘的同时最大程度的去除非输电线路边缘,避免了背景所形成边缘对特征提取过程的干扰。
与现有技术相比较,本发明具有如下优点:
1)采用智能视频分析技术对输电线路进行特征提取分析,进而判断输电线路故障,方法简单经济,操作方便,可靠性高,能够实时监测分析输电线路运行状态,保证了电力系统运行的稳定性。
2)采用图像分类处理,在处理过程中对不同背景类型图像进行相应处理,针对性较强,处理效果好,可靠性高。
3)采用初次滤波和二次滤波相互结合去除图像噪声,其中初次滤波去除图像本身噪声同时消弱后续对图像进行对比度增强产生噪声的能力,二次滤波消除对比度增强产生的噪声,二者相互结合,并根据不同类别输电线路图像采用适合的滤波方法,增强了对噪声的处理能力,有利于后续的图像处理。
4)采用自适应分段区间和自适应阈值的方法,通过对图像灰度平均值和最大类间方差法求出的阈值进行线性变换确定直方图均衡化的分段区间,拉伸区间和canny算子的参数,加强了图像对比度增强效果,能够较好的提取边缘特征,适用性强。
5)采用边缘优化,结合概率霍夫直线变换和形态学运算与图像像素的邻域像素特征统计排除方法,对输电线路边缘进行提取,同时去除非输电线路边缘,避免了背景所形成边缘对特征提取过程的干扰,方便对输电线路的状态进行分析。
附图说明
图1:基于图像分类的复杂背景下输电线路图像处理方法流程图。
图2:不同背景类型的输电线路图像。
图3:不同背景输电线路图像的变量值统计图。
图4:输电线路图像分类方法流程图。
图5:初次滤波处理后的输电线路图像。
图6:预处理后的输电线路图像。
图7:边缘检测后的输电线路图像。
图8:形态学闭运算处理后的输电线路图像。
图9:输电线路边缘优化所用十字模板示意图。
图10:背景像素去除处理后的输电线路图像。
图11:概率霍夫直线检测后的输电线路图像。
图12:输电线路边缘优化后的输电线路图像。
具体实施方式
下面结合附图对本发明作进一步详细的说明:
本发明基于图像分类的复杂背景下输电线路图像处理方法,如图1所示,具体按以下步骤实施:
首先计算如图2所示六张不同背景类型的输电线路图像中与图像特征相关的各变量值,包括输电线路图像的灰度平均值H,亮度平均值V,特定灰度值区间的像素点数量N,RGB三通道的各通道像素平均值之差的绝对值RG、RB、GB,前景背景分割阈值T,前景背景分割阈值与像素灰度平均值之差的绝对值M,结果如图3所示。
然后根据计算出的各变量值对输电线路图像进行分类,如图4所示,具体包括以下步骤:
步骤A:判断像素灰度值在230—255区间的像素点数量,对于1000*1000像素的图像,如果像素点数量值大于10000,则将输电线路图像划分为雪天类图像,否则为非雪天类图像;
步骤B:判断非雪天类图像RGB三通道的各通道像素平均值之差的绝对值,如果三个差值的绝对值中有一个大于23,则将输电线路图像划分为特殊颜色背景类图像,否则为正常颜色背景类图像;
步骤C:判断特殊颜色背景类图像的像素灰度平均值,当图像亮度平均值大于140时将输电线路图像划分为光照较强的特殊颜色背景类图像,否则为光照较弱的特殊颜色背景类图像;
步骤D:判断正常颜色背景类图像的前景背景分割阈值与像素灰度平均值之差的绝对值,当二者之差的绝对值大于40且像素灰度平均值大于150时,将输电线路图像划分为前景突出类图像;当二者之差的绝对值大于40且像素灰度平均值小于120时,将输电线路图像划分背景突出类图像;
步骤E:对于正常颜色背景类图像,当步骤D的条件都不满足时,转而判断图像亮度平均值,如果图像亮度平均值小于140时则将输电线路图像划分为光照不足类图像,图像亮度平均值大于140小于190则将输电线路图像划分为正常光照类图像,图像亮度平均值大于190将输电线路图像划分为光照强烈类图像;
步骤F:对于雪天类图像,首先判断RGB三通道的各通道像素平均值之差的绝对值,当三个差值的绝对值中有一个大于23时,将输电线路图像划分为特殊颜色背景的雪天类图像;
步骤G:如果三个差值的绝对值小于23时,转而判断图像亮度平均值,当图像亮度平均值小于设定阈值120时将输电线路图像划分为光照较弱的雪天类图像;当图像亮度平均值大于设定阈值120时,将输电线路图像划分为光照较强的雪天类图像。按照所述方式对输电线路图像进行分类,可以得出具体实施例中所列举的6张图像按照编号顺序分类分别为正常光照类图像、光照较强的特殊颜色背景类图像、光照不足类图像、光照不足类图像、光照较强的特殊颜色背景类图像、特殊颜色背景的雪天类图像。
图像分类完成后,分别对不同种类图像进行预处理。首先,根据不同类别输电线路图像的特征,预估其对比度增强处理可能产生的效果,分别采用适合的滤波方法进行初次滤波,本专利采取如下方式:特殊颜色背景的雪天类图像采用高斯滤波;光照较弱的雪天类图像采用双边滤波;光照较强的雪天类图像采用高斯滤波;光照较强的特殊颜色背景类图像采用高斯滤波;光照较弱的特殊颜色背景类图像采用均值滤波;前景突出类图像采用中值滤波;背景突出类图像采用高斯滤波;光照不足类图像采用双边滤波;正常光照类图像采用高斯滤波;光照强烈类图像采用中值滤波。按照文中所述方法对图像进行初次滤波处理,结果如图5所示,由图中可以看出,经过初步滤波处理,图像变得较为模糊和平滑,噪声减少。
初次滤波之后,对不同类别输电线路图像分别进行适合的分段直方图均衡化增强处理,然后根据处理效果,分别采用适合的滤波方法进行二次滤波,具体采用如下方式:
对于背景突出类图像,判断前景背景分割阈值T,当T<50时,将图像整体灰度平均值H划分为0—(H+40)和(H+40)—255两个区间,并分别对这两个区间应用直方图均衡化增强处理,直方图均衡化的对应拉伸区间分别为0—(H-20)和(H-20)—255,当T>50时,将图像整体灰度平均值H划分为0—(T-10)和(T-10)—255两个区间,并分别对这两个区间应用直方图均衡化增强处理,直方图均衡化的对应拉伸区间分别为0—(H+20)和(H+20)—255两个区间,其二次滤波采用中值滤波;
对于光照不足类图像,将图像整体灰度平均值H划分为0—(T-10)和(T-10)—255两个区间,并分别对这两个区间应用直方图均衡化增强处理,直方图均衡化的对应拉伸区间分别为0—(H+30)和(H+30)—255两个区间,其二次滤波采用双边滤波;
对于光照强烈类图像,判断前景背景分割阈值T,当T<120时,将图像整体灰度平均值H划分为0—(T-20)和(T-20)—255两个区间,并分别对这两个区间应用直方图均衡化增强处理,直方图均衡化的对应拉伸区间分别为0—(H-20)和(H-20)—255,当T>120时,将图像整体灰度平均值H划分为0—(T-50)和(T-50)—255两个区间,并分别对这两个区间应用直方图均衡化增强处理,直方图均衡化的对应拉伸区间分别为0—H和H—255两个区间,其二次滤波采用中值滤波;
光照较弱的雪天类图像和光照较弱的特殊颜色背景类图像直接采用直方图均衡化增强处理,不进行区间划分,其中光照较弱的雪天类图像的二次滤波采用双边滤波,光照较弱的特殊颜色背景类图像的二次滤波采用高斯滤波;
对于特殊颜色背景的雪天类图像、光照较强的雪天类图像、光照较强的特殊颜色背景类图像、前景突出类图像和正常光照类图像不采用分段直方图均衡化增强处理和二次滤波处理。
分段直方图均衡化增强处理和第二次均值滤波处理后的结果如图6所示,由图中可以看出经过预处理后的输电线边缘特征明显增强。
采用canny边缘检测算法检测输电线路边缘,canny边缘检测的高低阈值通过对最大类间方差法求出的输电线路图像的前景背景分割阈值进行线性变换得出,具体方法是对二次滤波处理后的图像应用最大类间方差法求得前景与背景分割阈值T2,并判断前景背景分割阈值T2,当T2≤100时,低阈值为T2/2,高阈值为T2;当T2>100时,低阈值为(T2*0.7)/2,高阈值为T2*0.7。边缘检测后的图像如图7所示,由图中可以看出检测到的图像边缘特征较强,图像的噪声相对较少。
最后结合概率霍夫直线变换和形态学运算与图像像素的邻域像素特征统计排除方法,对输电线路边缘进行提取,同时去除非输电线路边缘,得到最终的输电线路轮廓,具体包括以下步骤:
步骤A:对经过canny边缘检测的输电线路图像进行形态学闭运算处理,用3*3的模板填充去除比较细小的孔洞使图像更加平滑,结果如图8所示;
步骤B:用如图9所示的十字模板遍历经过形态学闭运算处理后的输电线路图像中像素值为255的像素,当模板灰色部分所接触像素值为0的像素个数大于6时,中心像素值保持255不变,否则将中心像素值置0,结果如图10所示,由图中可以看出经过像素处理,去除了大量非输电线边缘像素,使背景物体的边缘不再连续,而输电线边缘则较好的保留了下来;
步骤C:对处理过后的输电线路图像进行概率霍夫直线检测,结果如图11所示;
步骤D:以9*9的模板对概率霍夫检测后的输电线路图像进行形态学膨胀运算;
步骤E:将经过膨胀运算后的输电线路图像与canny边缘检测后的输电线路图像进行与运算,即对于两张图像中坐标相同的两个像素,如果像素值相等则保持像素值不变,像素值不相等则将像素值设为0,求出最终输电线路边缘特征图像,结果如图12所示,由图中可以看出,最终图像处理结果只剩下所需要的输电线路边缘,其它背景边缘皆被较好的去除。
以上所述仅为本发明的较佳实施实例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于图像分类的复杂背景下输电线路图像处理方法,其特征在于,所述方法包括以下步骤:
步骤1:计算输电线路图像中与图像特征相关的各变量值;
步骤2:根据计算出的各变量值对输电线路图像进行分类;
步骤3:根据不同类别输电线路图像的特征,预估其对比度增强处理可能产生的效果,分别采用适合的滤波方法进行初次滤波;
步骤4:对不同类别输电线路图像分别进行适合的分段,再进行直方图均衡化增强处理,然后根据处理效果,分别采用适合的滤波方法进行二次滤波;
步骤5:采用canny边缘检测算法检测输电线路边缘;
步骤6:采用概率霍夫直线变换和形态学运算结合图像像素特征统计排除方法,对输电线路边缘进行提取,同时去除非输电线路边缘,得到最终的输电线路轮廓;
所述的步骤1中的变量值包括:输电线路图像的灰度平均值,亮度平均值,特定灰度值区间的像素点数量,RGB三通道的各通道像素平均值之差的绝对值,前景背景分割阈值,前景背景分割阈值与像素灰度平均值之差的绝对值;
所述的步骤2中的输电线路图像分类,具体包括以下步骤:
步骤A:判断像素灰度值在230—255区间的像素点数量,如果像素点数量值大于设定阈值a1则将输电线路图像划分为雪天类图像,否则为非雪天类图像;
步骤B:判断非雪天类图像RGB三通道的各通道像素平均值之差的绝对值,如果三个差值的绝对值中有一个大于设定阈值a2,则将输电线路图像划分为特殊颜色背景类图像,否则为正常颜色背景类图像;
步骤C:判断特殊颜色背景类图像的像素灰度平均值,当图像亮度平均值大于设定阈值a3时将输电线路图像划分为光照较强的特殊颜色背景类图像,否则为光照较弱的特殊颜色背景类图像;
步骤D:判断正常颜色背景类图像的前景背景分割阈值与像素灰度平均值之差的绝对值,当二者之差的绝对值大于设定阈值a4且像素灰度平均值大于设定阈值a5时,将输电线路图像划分为前景突出类图像;当二者之差的绝对值大于设定阈值a6且像素灰度平均值小于设定阈值a7时,将输电线路图像划分背景突出类图像;
步骤E:对于正常颜色背景类图像,当步骤D的条件都不满足时,转而判断图像亮度平均值,如果图像亮度平均值小于设定阈值a8时则将输电线路图像划分为光照不足类图像,图像亮度平均值大于设定阈值a8小于设定阈值a9则将输电线路图像划分为正常光照类图像,图像亮度平均值大于设定阈值a9将输电线路图像划分为光照强烈类图像;
步骤F:对于雪天类图像,首先判断RGB三通道的各通道像素平均值之差的绝对值,当三个差值的绝对值中有一个大于设定阈值a10时,将输电线路图像划分为特殊颜色背景的雪天类图像;
步骤G:如果三个差值的绝对值小于设定阈值a10时,转而判断图像亮度平均值,当图像亮度平均值小于设定阈值a11时将输电线路图像划分为光照较弱的雪天类图像;当图像亮度平均值大于设定阈值a11时,将输电线路图像划分为光照较强的雪天类图像;
所述的步骤4中的对不同类别输电线路图像分别进行适合的分段,再进行直方图均衡化增强处理,是针对不同类别的图像,分别根据图像本身的前景背景分割阈值对图像进行不同的分段,再进行直方图均衡化处理,其中直方图均衡化的分段区间和拉伸区间分别由图像前景背景分割阈值和像素灰度平均值经过线性变换取得。
2.根据权利要求1所述的基于图像分类的复杂背景下输电线路图像处理方法,其特征在于,所述的步骤3和步骤4 中的滤波方法包括:均值滤波,中值滤波,高斯滤波和双边滤波。
3.根据权利要求1所述的基于图像分类的复杂背景下输电线路图像处理方法,其特征在于,所述的步骤5中的canny边缘检测算法中的高阈值与低阈值两个参数是通过对最大类间方差法求出的输电线路图像的前景背景分割阈值进行线性变换得出。
4.根据权利要求1所述的基于图像分类的复杂背景下输电线路图像处理方法,其特征在于,所述的步骤6中的提取输电线路边缘并去除非输电线路边缘,具体包括以下步骤:
步骤A:对canny边缘检测过的输电线路图像进行形态学闭运算处理,用适当大小的模板填充去除比较细小的孔洞使图像更加平滑;
步骤B:用一个十字模板遍历经过形态学闭运算处理后的输电线路图像中像素值为255的像素,对照十字模板去掉不符合输电线路图像像素特征的像素点;
步骤C:对处理过后的输电线路图像进行概率霍夫直线检测;
步骤D:以适当大小的模板对概率霍夫检测后的输电线路图像进行形态学膨胀运算;
步骤E:将经过膨胀运算后的输电线路图像与canny边缘检测后的输电线路图像进行与运算,即对于两张图像中坐标相同的两个像素,如果像素值相等则保持像素值不变,像素值不相等则将像素值设为0,求出最终输电线路边缘特征图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711008680.1A CN107742301B (zh) | 2017-10-25 | 2017-10-25 | 基于图像分类的复杂背景下输电线路图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711008680.1A CN107742301B (zh) | 2017-10-25 | 2017-10-25 | 基于图像分类的复杂背景下输电线路图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107742301A CN107742301A (zh) | 2018-02-27 |
CN107742301B true CN107742301B (zh) | 2021-07-30 |
Family
ID=61238210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711008680.1A Expired - Fee Related CN107742301B (zh) | 2017-10-25 | 2017-10-25 | 基于图像分类的复杂背景下输电线路图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742301B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416749A (zh) * | 2018-02-28 | 2018-08-17 | 沈阳东软医疗系统有限公司 | 一种超声图像处理方法、装置和计算机设备 |
CN110751618B (zh) * | 2019-06-05 | 2022-12-30 | 浙江大华技术股份有限公司 | 一种漂浮物检测方法、装置及电子设备 |
CN110363719B (zh) * | 2019-07-01 | 2021-07-27 | 湖南开启时代智能科技有限公司 | 一种细胞分层图像处理方法及系统 |
CN110378403B (zh) * | 2019-07-10 | 2024-04-26 | 江西理工大学 | 一种绕线盘分类识别方法及系统 |
CN111027546B (zh) * | 2019-12-05 | 2024-03-26 | 嘉楠明芯(北京)科技有限公司 | 一种字符分割方法、装置以及计算机可读存储介质 |
CN114792299A (zh) * | 2021-01-25 | 2022-07-26 | 山东信通电子股份有限公司 | 一种输电线路异常状态检测方法及装置 |
CN113538488A (zh) * | 2021-07-16 | 2021-10-22 | 合肥国轩高科动力能源有限公司 | 一种bms充电口的识别方法 |
CN114549670B (zh) * | 2022-02-23 | 2023-04-07 | 京东方数字科技有限公司 | 图像处理方法及图像处理系统 |
CN114494256B (zh) * | 2022-04-14 | 2022-06-14 | 武汉金龙电线电缆有限公司 | 基于图像处理的电线生产缺陷检测方法 |
CN114529545B (zh) * | 2022-04-22 | 2022-07-12 | 天津理工大学 | 一种基于无人机的道路缺陷自动检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819286A (zh) * | 2010-04-09 | 2010-09-01 | 东南大学 | 一种基于图像灰度直方图的雾天检测方法 |
CN103325102A (zh) * | 2013-06-03 | 2013-09-25 | 武汉理工大学 | 基于直方图均衡化的雾天退化图像处理方法 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
CN104123310A (zh) * | 2013-04-28 | 2014-10-29 | 百度在线网络技术(北京)有限公司 | 基于卫星图像的路网信息的处理方法及装置 |
CN104834912A (zh) * | 2015-05-14 | 2015-08-12 | 北京邮电大学 | 一种基于图像信息检测的天气识别方法及装置 |
KR20150094165A (ko) * | 2014-02-10 | 2015-08-19 | 전북대학교산학협력단 | 차량 번호판의 문자 분할 방법 및 장치 |
CN106204528A (zh) * | 2016-06-27 | 2016-12-07 | 重庆理工大学 | 一种零件几何质量的尺寸检测方法 |
CN106295655A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检图像的输电线路部件自动提取方法 |
CN106651855A (zh) * | 2016-12-30 | 2017-05-10 | 国网山东省电力公司济宁供电公司 | 输电线路通道隐患自动识别与告警的图像监拍方法 |
CN107169957A (zh) * | 2017-04-28 | 2017-09-15 | 燕山大学 | 一种基于机器视觉的玻璃瑕疵在线检测系统及方法 |
-
2017
- 2017-10-25 CN CN201711008680.1A patent/CN107742301B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819286A (zh) * | 2010-04-09 | 2010-09-01 | 东南大学 | 一种基于图像灰度直方图的雾天检测方法 |
CN104123310A (zh) * | 2013-04-28 | 2014-10-29 | 百度在线网络技术(北京)有限公司 | 基于卫星图像的路网信息的处理方法及装置 |
CN103325102A (zh) * | 2013-06-03 | 2013-09-25 | 武汉理工大学 | 基于直方图均衡化的雾天退化图像处理方法 |
CN103442209A (zh) * | 2013-08-20 | 2013-12-11 | 北京工业大学 | 一种输电线路的视频监控方法 |
KR20150094165A (ko) * | 2014-02-10 | 2015-08-19 | 전북대학교산학협력단 | 차량 번호판의 문자 분할 방법 및 장치 |
CN104834912A (zh) * | 2015-05-14 | 2015-08-12 | 北京邮电大学 | 一种基于图像信息检测的天气识别方法及装置 |
CN106204528A (zh) * | 2016-06-27 | 2016-12-07 | 重庆理工大学 | 一种零件几何质量的尺寸检测方法 |
CN106295655A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检图像的输电线路部件自动提取方法 |
CN106651855A (zh) * | 2016-12-30 | 2017-05-10 | 国网山东省电力公司济宁供电公司 | 输电线路通道隐患自动识别与告警的图像监拍方法 |
CN107169957A (zh) * | 2017-04-28 | 2017-09-15 | 燕山大学 | 一种基于机器视觉的玻璃瑕疵在线检测系统及方法 |
Non-Patent Citations (9)
Title |
---|
Dynamic multi-histogram equalisation for image contrast enhancement with improved brightness preservation;G. Senthamarai et al;《 2015 2nd International Conference on Electronics and Communication Systems (ICECS)》;20150618;第1205-1209页 * |
Multi Segment Histogram Equalization for Brightness Preserving Contrast Enhancement;David C. Wyld et al;《Advances in Computer Science, Engineering & Applications》;20120527;第1卷;第193-202页 * |
一种基于双阈值红外图像增强新算法;崔尧等;《红外与激光工程》;20061031;第35卷;摘要 * |
一种基于改进Canny的边缘检测算法;许宏科等;《红外技术》;20140331;第36卷(第3期);第2.3节倒数2段 * |
动态阈值Prewitt边缘检测与细化算法研究;王海峰等;《煤炭技术》;20090831;第28卷(第8期);摘要 * |
印前作业中图像偏色的判断;刘元生;《印刷世界》;20080131;第2节 * |
基于图像处理的交通灯检测技术;吴国庆等;《现代电子技术》;20170415;第40卷(第8期);第103-106页 * |
复杂环境下道路车道线识别算法的研究;曹月花等;《现代电子技术》;20170715;第40卷(第14期);第1.1节、图1 * |
红外图像自适应增强算法研究;赵俊成;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141115(第11期);第5.8节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107742301A (zh) | 2018-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742301B (zh) | 基于图像分类的复杂背景下输电线路图像处理方法 | |
CN108307146B (zh) | 一种高压输电线路安全隐患检测系统及方法 | |
CN109993736B (zh) | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 | |
CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN112270247A (zh) | 基于帧间差分和颜色直方图差值的关键帧提取方法 | |
CN110852320A (zh) | 基于深度学习的输电通道异物入侵检测方法 | |
CN108154492B (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
Aydın et al. | Particle swarm based arc detection on time series in pantograph-catenary system | |
CN102609704A (zh) | 雾天条件下视频监控图像运动目标的检测装置和方法 | |
CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN112819784A (zh) | 一种配电线路导线断股散股检测方法及系统 | |
CN105741244A (zh) | 一种室内巡检机器人弱光下去除阴影和光晕的方法 | |
CN110782409A (zh) | 一种去除多运动物体阴影的方法 | |
CN107657260B (zh) | 一种输电线路周边环境中地面隐患的检测方法 | |
CN112837313A (zh) | 一种输电线路异物的图像分割的方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN107564018A (zh) | 一种利用改进迭代算法提取目标图像的方法 | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN107886493B (zh) | 一种输电线路的导线分股缺陷检测方法 | |
CN108596196B (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20210730 Termination date: 20211025 |
|
CF01 | Termination of patent right due to non-payment of annual fee |