CN107833206A - 一种复杂背景下电力线精确提取方法 - Google Patents
一种复杂背景下电力线精确提取方法 Download PDFInfo
- Publication number
- CN107833206A CN107833206A CN201711004062.XA CN201711004062A CN107833206A CN 107833206 A CN107833206 A CN 107833206A CN 201711004062 A CN201711004062 A CN 201711004062A CN 107833206 A CN107833206 A CN 107833206A
- Authority
- CN
- China
- Prior art keywords
- power line
- mrow
- msub
- line
- image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000005316 response function Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013316 zoning Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 206010057855 Hypotelorism of orbit Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及输电线系统故障诊断技术，具体涉及一种复杂背景下电力线精确提取方法，首先利用Ratio算子实现对电力线边缘的检测，在保证电力线连续性的前提下，尽量引入较少噪声，给出了线特征检测阈值l th 的参考范围。对边缘检测结果进行四连通聚类分析，以消除引入的背景噪声。然后，利用Hough变换实现对电力线的初步提取。虽然背景噪声已基本被消除，但是粗糙的电力线边缘仍会导致提取出的电力线存在断裂和重叠的问题。因此，最后设计直线编组算法，连接断裂的电力线并消除重叠的部分，得到最终的电力线提取结果。该方法给出了Ratio算法中线特征检测阈值l th 的参考范围，不仅确保电力线连续、完整，而且能够消除大量背景噪声。
Description
技术领域
本发明属于输电线系统故障诊断技术领域，尤其涉及一种复杂背景下电力线精确提取方法。
背景技术
输电线路具有覆盖范围广、传输距离长、可靠性要求高等特点，是电力系统的重要组成部分。输电线往往处于复杂的外部环境中，地面上分布的高度不一的植被、建筑都对其构成潜在威胁。假若这些物体与高压输电线的距离过近，可能引发线路跳闸等事故。因此，对输电线路通道环境的巡检十分重要。
随着小型无人机和高分辨率可见光相机的快速发展，以单目或者双目相机航空摄影测量的方式实现输电线通道环境巡检成为新的研究思路，从具有复杂背景的航拍图像中准确、完整提取电力线是无人机电力线巡检的关键技术。
长期以来，如何检测线型并有效描述线型特征备受科研人员的关注。其中，利用Canny边缘检测算法提取线型物体边缘并结合霍夫(Hough)变换提取、连接直线的方法得到了广泛应用。因Canny边缘检测算法抗噪性能较弱，无法在复杂背景中有效地检测出电力线边缘，所以无法利用Hough变换精确提取和拟合电力线；近年来科研人员较多采用抗噪性能较好的Ratio边缘检测算法来实现复杂地物背景下电力线边缘的检测，但无法准确定义线特征检测阈值lth，电力线提取存在一定漏检、误检；采用脉冲耦合神经网络法(PCNN，PCNN-Pulse Coupled Neural Network)滤除背景噪声并结合Hough变换提取电力线，虽然电力线提取的准确度较好，但其运算速度较慢；在直线提取领域，经典LSD(Line SegmentDetector)算法得到了广泛应用，但其在复杂背景下，受树枝、树干等线型结构干扰严重。
发明内容
本发明的目的是提供一种给出了Ratio算法中线特征检测阈值lth的参考范围,能够确保电力线连续、完整，且消除大量背景噪声的电力线提取方法。
为实现上述目的，本发明采用的技术方案是：一种复杂背景下电力线精确提取方法，包括以下步骤：
步骤1、设定水平方向的Ratio边缘检测算子，以电力线图像D(x,y)中任一像素点g0为中心，在其邻域设定5×5的矩形窗并自上而下划分成上、中、下三个子矩形窗，中间区域G1为1×5的矩形窗，上方区域G2和下方区域G3为2×5的矩形窗；分别计算区域G1、G2和G3内的全部像素的灰度平均值，通过比较区域G1的灰度平均值与区域G2和G3的灰度平均值的差异，判断中心像素点g0是否为线型结构上的点；得出Ratio算法中线特征检测阈值lth的选取区间，获得边缘图像E1(x,y)；
步骤2、利用四连通聚类去噪算法，对步骤1中的边缘图像E1(x,y)进一步去噪，获取边缘图像E2(x,y)；
步骤3、设定较小的峰值判断阈值hp＝|α*max(H)|，式中H为权值统计矩阵，max()为求取矩阵H最大值的函数，α为峰值系数，利用Hough变换算法实现对电力线的初步提取，得到直线段集合L；
步骤4、设计基于最小二乘原理的直线编组连接算法，设定直线组间距离阈值dth；对步骤3的直线段集合L中各直线进行分组并拟合处理，设定直线长度阈值qth，消除错误的直线段，最终完成对断裂电力线的连接和重复电力线的消除，实现电力线的提取。
在上述的复杂背景下电力线精确提取方法中，步骤1的实现包括以下步骤：
步骤1.1、在电力线图像D(x,y)中选取gij作为起始中心像素点，并在其领域设定5×5的矩形窗，i和j的取值范围为：i＝3,4,…,M-2，j＝3,4,…,N-2，式中：M为电力线图像D(x,y)的行数，N为电力线图像D(x,y)的列数；
步骤1.2、分别计算区域G1、G2和G3的灰度平均值：
式中：uk为灰度平均值；nk为对应区域内的像素总数；Rk为对应区域内的像素点集合；k＝1,2,3；
步骤1.3、定义边缘响应函数lot：
式中：min()为取最小值函数，uo和ut为灰度均值，o＝1,2,3；t＝1,2,3；
步骤1.4、求取线型边缘响应函数lij并将其存入数组Uij：
lij＝min(l12,l13)
式中，l12为区域G1和G2的边缘响应函数，l13为区域G1和G3的边缘响应函数；
步骤1.5、取i＝i+1,j＝j+1，重复步骤1.1至步骤1.4，直至遍历电力线图像D(x,y)；求取数组Uij中的最大值：
Umax＝max(Uij)；
步骤1.6、线特征检测阈值的选取区间为边缘图像E(i,j)为：
步骤1.7、重复步骤1.6，遍历电力线图像D(x,y)中全部像素点，得到边缘图像E1(x,y)。
在上述的复杂背景下电力线精确提取方法中，步骤3中峰值系数α＝0.05。
在上述的复杂背景下电力线精确提取方法中，步骤4中设定直线组间距离阈值dth包括以下步骤：
步骤4.1、求取直线段集合L中散点的y坐标的最大值ymax和最小值ymin，获取电力线最大间隔Y2＝|ymax-ymin|，根据电力线图像D(x,y)中电力线数量Nl，得电力线间的最大平均间隔为则有
步骤4.2、根据采样后的图像分辨率，预估电力线的宽度Y1，则dth≥Y1；直线组间距离阈值dth的取值范围为
本发明的有益效果：给出了Ratio算法中线特征检测阈值lth的参考范围，结合四连通聚类分析，不仅能够确保电力线连续、完整，而且能够消除大量背景噪声。采用的直线编组连接算法能够有效解决Hough变换提取电力线时的断裂和重叠问题。实现了复杂背景下的对电力线的提取兼顾完整性和准确性。
附图说明
图1为本发明一个实施例整体算法流程图；
图2为本发明一个实施例四连通聚类去噪算法流程图；
图3为本发明一个实施例直线编组连接算法流程图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例首先利用Ratio算子实现对电力线边缘的检测，在保证电力线连续性的前提下，尽量引入较少噪声，给出了线特征检测阈值lth的参考范围。对边缘检测结果进行四连通聚类分析，以消除引入的背景噪声。然后，利用Hough变换实现对电力线的初步提取。虽然背景噪声已基本被消除，但是粗糙的电力线边缘仍会导致提取出的电力线存在断裂和重叠的问题。因此，最后设计直线编组算法，连接断裂的电力线并消除重叠的部分，得到最终的电力线提取结果。
具体方案如下：一种复杂背景下电力线精确提取方法：
步骤一、首先设定水平方向的Ratio边缘检测算子，以电力线图像D(x,y)中任一像素点g0为中心，在其邻域设定5×5的矩形窗并从上到下划分成上、中、下三个子矩形窗，中间区域G1为1×5的矩形窗，上方区域G2和下方区域G3为2×5的矩形窗。分别计算区域G1、G2和G3内的全部像素的灰度平均值，通过比较区域G1的灰度平均值与区域G2和G3的灰度平均值的差异，判断中心像素点g0是否为线型结构上的点。本实施例给出了Ratio算法中线特征检测阈值lth的选取区间，便于后续去噪算法的执行，具体实现流程为：
1)在电力线图像D(x,y)中选取gij作为起始中心像素点，并在其领域设定5×5的矩形窗，i和j的取值范围为：i＝3,4,…,M-2，j＝3,4,…,N-2，式中：M为电力线图像D(x,y)的行数，N为电力线图像D(x,y)的列数。
2)分别计算区域G1、G2和G3的灰度平均值：
式中：uk为灰度平均值；nk为此区域内的像素总数；Rk为此区域内的像素点集合；k＝1,2,3。
3)定义边缘响应函数lot：
式中：min()为取最小值函数，uo和ut为灰度均值，o＝1,2,3；t＝1,2,3。
4)求取线型边缘响应函数lij并将其存入数组Uij：
lij＝min(l12,l13)
式中，l12为区域G1和G2的边缘响应函数，l13为区域G1和G3的边缘响应函数；
5)i＝i+1,j＝j+1，重复算法流程1)到4)，直至遍历电力线图像D(x,y)；求取数组Uij中的最大值：
Umax＝max(Uij)
6)本实施例给出了线特征检测阈值的参考选取范围那么边缘检测的结果E(i,j)为：
7)重复算法流程6)，遍历电力线图像D(x,y)中全部像素点，得到边缘图像E1(x,y)。
步骤二、利用四连通聚类去噪算法，对步骤一中的边缘图像E1(x，y)进一步去噪，消除大量随机分布的噪声点并确保电力线不存在断裂的情况，获取边缘图像E2(x,y)。
步骤三、在背景噪声得到有效消除的前提下，设定较小的峰值判断阈值hp＝|α*max(H)|，式中H为权值统计矩阵，max()为求取矩阵H最大值的函数，α为峰值系数，利用Hough变换算法实现对电力线的初步提取，得到直线段集合L。
步骤四、设计基于最小二乘原理的直线编组连接算法，设定直线组间距离阈值dth，对步骤三的直线段集合L中各直线进行分组并拟合处理，设定直线长度阈值qth，消除错误的直线段，最终可完成对断裂电力线的连接和重复电力线的消除，实现对复杂背景下电力线的精确提取。
设定直线组间距离阈值dth的步骤：求取直线段集合L中散点的y坐标的最大值ymax和最小值ymin，获取电力线最大间隔Y2＝|ymax-ymin|，根据电力线图像D(x,y)中电力线数量Nl，得电力线间的最大平均间隔为则有根据采样后的图像分辨率，预估电力线的宽度Y1，则dth≥Y1；直线组间距离阈值dth的取值范围为
步骤一中Ratio算子的线特征检测阈值lth直接决定了边缘检测的效果，决定了电力线边缘是否连续以及背景噪声的多少。传统线特征检测阈值选取是单凭经验的方式，提前设定某一经验阈值lth，然后依次计算每一像素点的线特征响应函数值并与经验阈值lth比较，据此获取边缘点，然后根据实验效果，调整阈值lth。此种方式存在较多的问题，不仅无法自适应设定阈值lth，而且阈值调整较为麻烦，不能快速估计一个较好的“阈值区间”。本实施例在折衷考虑电力线的连续性和噪声抑制能力的理念下，通过大量统计实验，给出了Ratio算法线特征检测阈值lth的参考选取范围是：在保证电力线连续的前提下，初步消除了大量背景噪声。
步骤一中边缘图像E1(x,y)的噪声点之间没有形成大面积的连续区域，存在一定的间隙。但是，电力线边缘像素点不仅十分密集，而且相对较为连续，所以采用步骤二中四连通聚类去噪算法可有效地消除散乱分布的噪声点并确保电力线的连续、完整。
步骤一和步骤二可有效抑制电力线图像中的复杂背景噪声，基于这两个步骤，步骤三中可设定较小的峰值判断阈值hp＝|α*max(H)|同时不会引入过多的干扰直线段，式中H为权值统计矩阵，max()为求取矩阵H最大值的函数，峰值系数α。hp的大小直接取决于峰值系数α，因此设定较小的峰值系数α＝0.05。
通过步骤三所获取的直线段集合L中存在大量重复、断裂的直线段，因此在最小二乘原理的基础上设计直线段编组连接算法，以消除重复直线段并拟合断裂的直线段，最终实现对电力线的精确提取。
具体实施时，如图1所示，分为四个步骤。
首先利用窗口大小为5×5的改进Ratio算子实现对电力线图像E1(x,y)的边缘检测，给出了线特征检测阈值lth的参考范围，在保证电力线连续性的前提下，初步消除部分背景噪声，获取边缘图像E1(x，y)。
第一步，首先设定水平方向的Ratio边缘检测算子，以电力线图像D(x,y)中任一像素点g0为中心，在其邻域设定5×5的矩形窗并从上到下划分成上、中、下三个子矩形窗，中间区域G1为1×5的矩形窗，上方区域G2和下方区域G3为2×5的矩形窗。分别计算区域G1、G2和G3内的全部像素的灰度平均值，通过比较区域G1的灰度平均值与区域G2和G3的灰度平均值的差异，可判断中心像素点g0是否为线型结构上的点。本实施例给出了Ratio算法中线特征检测阈值lth的选取区间，便于后续去噪算法的执行，具体实现流程为：
1、在电力线图像D(x,y)中选取gij作为起始中心像素点，并在其领域设定5×5的矩形窗，i和j的取值范围为：i＝3,4,…,M-2，j＝3,4,…,N-2，式中：M为电力线图像D(x,y)的行数，N为电力线图像D(x,y)的列数。
2、分别计算区域G1、G2和G3的灰度平均值：
式中：uk为灰度平均值；nk为此区域内的像素总数；Rk为此区域内的像素点集合；k＝1,2,3。
3、定义边缘响应函数lot：
式中：min()为取最小值函数，uo和ut为灰度均值，o＝1,2,3；t＝1,2,3。
4、求取线型边缘响应函数lij并将其存入数组Uij：
lij＝min(l12,l13)
式中，l12为区域G1和G2的边缘响应函数，l13为区域G1和G3的边缘响应函数；
5、i＝i+1,j＝j+1，重复算法流程1到4，直至遍历电力线图像D(x,y)；求取数组Uij中的最大值：
Umax＝max(Uij)
6、本实施例给出了线特征检测阈值的参考选取范围那么边缘检测的结果E(i,j)为：
7、重复算法流程6，遍历电力线图像D(x,y)中全部像素点，得到边缘图像E1(x,y)。
第二步，利用四连通聚类去噪算法，对步骤一中的边缘图像E1(x，y)进一步去噪，消除大量随机分布的噪声点并确保电力线不存在断裂的情况，获取边缘图像E2(x,y)。
噪声点之间没有形成大面积的连续区域，存在一定的间隙。但是，电力线边缘像素点不仅十分密集，而且相对较为连续。因此采用四连通聚类去噪算法对边缘图像E1(x，y)进一步去噪，如图2所示，具体流程如下：
(1)遍历边缘图像E1(x，y)，记录全部像素灰度值为1的像素点的位置索引(i1,j1)，并将其存入数组Index{(i1,j1),(i2,j2),(i3,j3),…,(in,jn)}，其中n满足1≤n≤100。
(2)依次读取数组Index中的索引点，判断其是否已被分类，若点(ik,jk)未被分类，则建立四连通区域位置索引数组Ci(起始i＝1)，并将(ik,jk)存入Ci中。同时，从数组Index中删除点(ik,jk)。
(3)判断数组Index中任一点(ip,jp)是否可与数组Ci中任意一点(ik,jk)构成四连通区域，即是否满足下式：
若点(ip,jp)可与数组Ci中某一点构成四连通区域，则将其存入Ci中并在数组Index中删除此点，重复算法流程(3)。若数组Index中所有点均不能与数组Ci中任何一点构成四连通区域，进行算法流程(4)。
(4)若则i＝i+1，重复算法流程(2)和(3)。若说明所有边缘点已经被分类，进行算法(5)。
(5)分别统计数组Ci,Ci+1,Ci+2,…,Ci+n中像素点的数量Ni,Ni+1,Ni+2,…,Ni+n。
(6)设定阈值Nth＝300，删除像素点数量N≤Nth的区域，可得到边缘图像E2(x,y)。
第三步，在背景噪声得到有效消除的前提下，设定较小的峰值判断阈值hp＝|α*max(H)|，式中H为权值统计矩阵，max()为求取矩阵H最大值的函数，峰值系数α，利用Hough变换算法实现对电力线的初步提取，得到直线段集合L。
Hough变换是提取线型特征的常用方法，可以将平面直角坐标系内的直线转换为极坐标系内的点，这种线-点变换是一种对偶运算，可以使直线提取问题转化为计数问题，通过参数空间投票算法检测出直线特征。经过Hough变换后，平面直角坐系下的直线li的斜率k和截距b可由极坐标系下一对参数(ρi,θi)唯一确定。由于此直线上每一点经Hough变换后，在参数空间上形成的各正弦曲线都会交于同一点(ρ0,θ0)，所以通过对参数空间各正弦曲线经过的每一点进行权值统计，设定直线峰值判断阈值hp，求取权值峰值点即可确定平面坐标系内的直线方程。
为尽可能保证电力线提取结果的完整性，在背景噪声得到有效消除的前提下，设定较小的峰值判断阈值hp＝|α*max(H)|，式中H为权值统计矩阵，max()为求取矩阵H最大值的函数，峰值系数α，利用Hough变换算法实现对电力线的初步提取，得到直线段集合L。hp的大小直接取决于峰值系数α，因此设定较小的峰值系数α＝0.05。
第四步，设计基于最小二乘原理的直线编组连接算法，设定直线组间距离阈值dth，对步骤3的直线段集合L中各直线进行分组和拟合处理，设定直线长度阈值qth，消除错误的直线段，最终可完成对断裂电力线的连接和重复电力线的消除，实现对复杂背景下电力线的精确提取。
本实施例采用一种直线编组连接的方法，解决电力线提取结果中的电力线断裂和重叠的问题。算法流程如图3所示，具体实现流程如下：
①获取Hough变换得到的直线段集合L，其中L＝{l1,l2,…,ln-1,ln}，直线段的数量为n。每一段直线lk＝{Pk1(xk1,yk1),Pk2(xk2,yk2)},1≤k≤n，Pk1和Pk2分别为直线lk的起点和终点坐标。初始化直线组的数量Num＝0，各组直线的存储数组索引号m＝1。
②依次遍历直线段集合L，寻找未被分类的直线段li。建立存储数组Tm，将li中起点和终点数据存入Tm中，令Num＝Num+1并从集合L中删除li。
③利用最小二乘拟合直线的原理，拟合数组Tm中散点数据，求取参数am和bm，得到直线方程ym＝amxm+bm。判断集合L中任一直线段lk的起点Pk1和终点Pk2到直线ym的欧氏距离的最大值dmax是否小于设定直线组间距离阈值dth，以实现尽可能保证同一条电力线上的多组直线段被编为一组，并且避免将非同一条电力线上的直线段编为一组。
其中最大距离dmax：
dmax＝max(dk1,dk2)
式中：A＝am,B＝-1,C＝bm。若dmax＜dth，则将直线段lk加入数组Tm并从集合L中删除lk。实时动态更新参数am和bm，重复算法流程(3)，直至遍历集合L中全部直线段。
④判断集合L中是否存在未分组的直线段，若存在未分组的直线段，令m＝m+1，跳转至算法流程②。若全部直线段已完成分组，执行算法流程⑤。
⑤分别对各组线段T1,T2,…,Tm进行最小二乘拟合，连接电力线断裂部分并合并重叠的部分。其中，若电力线直线性较好，不存在明显弧垂，则对其进行直线拟合；若电力线存在一定的弧垂，则对其进行二次曲线拟合。
⑥计算拟合后的各条线段的长度qi，其中1≤i≤m。由于电力线往往贯穿整幅图像，所以其长度较长，以此作为先验知识，遍历各组线段，设定直线长度阈值qth：若qi＞qth，保留该线段；若qi≤qth，删除该线段。
通过本实施例上述4个步骤，可最终实现在复杂背景下电力线的精确提取。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
Claims (4)
1.一种复杂背景下电力线精确提取方法，其特征是，包括以下步骤：
步骤1、设定水平方向的Ratio边缘检测算子，以电力线图像D(x,y)中任一像素点g0为中心，在其邻域设定5×5的矩形窗并自上而下划分成上、中、下三个子矩形窗，中间区域G1为1×5的矩形窗，上方区域G2和下方区域G3为2×5的矩形窗；分别计算区域G1、G2和G3内的全部像素的灰度平均值，通过比较区域G1的灰度平均值与区域G2和G3的灰度平均值的差异，判断中心像素点g0是否为线型结构上的点；得出Ratio算法中线特征检测阈值lth的选取区间，获得边缘图像E1(x,y)；
步骤2、利用四连通聚类去噪算法，对步骤1中的边缘图像E1(x,y)进一步去噪，获取边缘图像E2(x,y)；
步骤3、设定较小的峰值判断阈值hp＝|α*max(H)|，式中H为权值统计矩阵，max()为求取矩阵H最大值的函数，α为峰值系数，利用Hough变换算法实现对电力线的初步提取，得到直线段集合L；
步骤4、设计基于最小二乘原理的直线编组连接算法，设定直线组间距离阈值dth；对步骤3的直线段集合L中各直线进行分组并拟合处理，设定直线长度阈值qth，消除错误的直线段，最终完成对断裂电力线的连接和重复电力线的消除，实现电力线的提取。
2.如权利要求1所述的复杂背景下电力线精确提取方法，其特征是，步骤1的实现包括以下步骤：
步骤1.1、在电力线图像D(x,y)中选取gij作为起始中心像素点，并在其领域设定5×5的矩形窗，i和j的取值范围为：i＝3,4,…,M-2，j＝3,4,…,N-2，式中：M为电力线图像D(x,y)的行数，N为电力线图像D(x,y)的列数；
步骤1.2、分别计算区域G1、G2和G3的灰度平均值：
<mrow>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>G</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中：uk为灰度平均值；nk为对应区域内的像素总数；Rk为对应区域内的像素点集合；k＝1,2,3；
步骤1.3、定义边缘响应函数lot：
<mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>o</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>u</mi>
<mi>o</mi>
</msub>
<msub>
<mi>u</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>u</mi>
<mi>t</mi>
</msub>
<msub>
<mi>u</mi>
<mi>o</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
式中：min()为取最小值函数，uo和ut为灰度均值，o＝1,2,3；t＝1,2,3；
步骤1.4、求取线型边缘响应函数lij并将其存入数组Uij：
lij＝min(l12,l13)
式中，l12为区域G1和G2的边缘响应函数，l13为区域G1和G3的边缘响应函数；
步骤1.5、取i＝i+1,j＝j+1，重复步骤1.1至步骤1.4，直至遍历电力线图像D(x,y)；求取数组Uij中的最大值：
Umax＝max(Uij)；
步骤1.6、线特征检测阈值的选取区间为边缘图像E(i,j)为：
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>l</mi>
<mo>></mo>
<msub>
<mi>l</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>l</mi>
<mo><</mo>
<msub>
<mi>l</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
步骤1.7、重复步骤1.6，遍历电力线图像D(x,y)中全部像素点，得到边缘图像E1(x,y)。
3.如权利要求1所述的复杂背景下电力线精确提取方法，其特征是，步骤3中峰值系数α＝0.05。
4.如权利要求1所述的复杂背景下电力线精确提取方法，其特征是，步骤4中设定直线组间距离阈值dth包括以下步骤：
步骤4.1、求取直线段集合L中散点的y坐标的最大值ymax和最小值ymin，获取电力线最大间隔Y2＝|ymax-ymin|，根据电力线图像D(x,y)中电力线数量Nl，得电力线间的最大平均间隔为则有
步骤4.2、根据采样后的图像分辨率，预估电力线的宽度Y1，则dth≥Y1；直线组间距离阈值dth的取值范围为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711004062.XA CN107833206B (zh) | 2017-10-24 | 2017-10-24 | 一种复杂背景下电力线精确提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711004062.XA CN107833206B (zh) | 2017-10-24 | 2017-10-24 | 一种复杂背景下电力线精确提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107833206A true CN107833206A (zh) | 2018-03-23 |
| CN107833206B CN107833206B (zh) | 2021-07-06 |
Family
ID=61649173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711004062.XA Expired - Fee Related CN107833206B (zh) | 2017-10-24 | 2017-10-24 | 一种复杂背景下电力线精确提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107833206B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120074A (zh) * | 2019-05-10 | 2019-08-13 | 清研同创机器人（天津）有限公司 | 一种复杂环境下的带电作业机器人线缆定位方法 |
| CN110189344A (zh) * | 2019-04-24 | 2019-08-30 | 河海大学常州校区 | 一种电力刀闸图像中直线段提取方法 |
| CN110390672A (zh) * | 2019-07-11 | 2019-10-29 | 中国计量大学 | 一种基于EDLines的电力线快速提取方法 |
| CN110956078A (zh) * | 2019-10-09 | 2020-04-03 | 中国人民解放军战略支援部队信息工程大学 | 一种电力线检测方法及装置 |
| CN111311884A (zh) * | 2020-01-13 | 2020-06-19 | 徐琳 | 基于内容检测的信号识别系统及方法 |
| CN111523583A (zh) * | 2020-04-16 | 2020-08-11 | 国网河北省电力有限公司石家庄市栾城区供电分公司 | 一种利用无人机对设备铭牌照片自动识别分类的方法 |
| CN111739042A (zh) * | 2020-06-04 | 2020-10-02 | 中南大学 | 一种基于数字图像特征的复杂背景电力线提取方法 |
| CN112364874A (zh) * | 2020-09-15 | 2021-02-12 | 广东电网有限责任公司 | 一种输电线的提取方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7477804B2 (en) * | 2003-11-13 | 2009-01-13 | Samsung Electronics Co., Ltd. | Image interpolation apparatus and method |
| CN101980287A (zh) * | 2010-11-28 | 2011-02-23 | 河海大学常州校区 | 一种采用非下采样轮廓波变换的图像边缘检测方法 |
| CN102393961A (zh) * | 2011-06-29 | 2012-03-28 | 山东电力研究院 | 基于计算机视觉的飞行器输电线路实时检测跟踪方法 |
| CN102663725A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 基于线特征和控制点的可见光和sar图像配准方法 |
| CN103150725A (zh) * | 2013-02-06 | 2013-06-12 | 华中科技大学 | 基于非局部均值的susan边缘检测方法及系统 |
| CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
| CN104573650A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 一种基于滤波响应的电线检测分类方法 |
| CN105139374A (zh) * | 2015-07-09 | 2015-12-09 | 天津航天中为数据系统科技有限公司 | 一种输电线路跟踪方法及系统 |
| CN105572541A (zh) * | 2015-12-07 | 2016-05-11 | 浙江大学 | 一种基于视觉注意机制的高压巡线故障检测方法及系统 |
| CN106355580A (zh) * | 2016-09-22 | 2017-01-25 | 云南电网有限责任公司电力科学研究院 | 一种杆塔倾倒的检测方法及装置 |
-
2017
- 2017-10-24 CN CN201711004062.XA patent/CN107833206B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7477804B2 (en) * | 2003-11-13 | 2009-01-13 | Samsung Electronics Co., Ltd. | Image interpolation apparatus and method |
| CN101980287A (zh) * | 2010-11-28 | 2011-02-23 | 河海大学常州校区 | 一种采用非下采样轮廓波变换的图像边缘检测方法 |
| CN102393961A (zh) * | 2011-06-29 | 2012-03-28 | 山东电力研究院 | 基于计算机视觉的飞行器输电线路实时检测跟踪方法 |
| CN102663725A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 基于线特征和控制点的可见光和sar图像配准方法 |
| CN103150725A (zh) * | 2013-02-06 | 2013-06-12 | 华中科技大学 | 基于非局部均值的susan边缘检测方法及系统 |
| CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
| CN104573650A (zh) * | 2014-12-31 | 2015-04-29 | 国家电网公司 | 一种基于滤波响应的电线检测分类方法 |
| CN105139374A (zh) * | 2015-07-09 | 2015-12-09 | 天津航天中为数据系统科技有限公司 | 一种输电线路跟踪方法及系统 |
| CN105572541A (zh) * | 2015-12-07 | 2016-05-11 | 浙江大学 | 一种基于视觉注意机制的高压巡线故障检测方法及系统 |
| CN106355580A (zh) * | 2016-09-22 | 2017-01-25 | 云南电网有限责任公司电力科学研究院 | 一种杆塔倾倒的检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| QINGGANG WU等: "Extraction of power lines from aerial images based on Hough transform", 《SPIE ASIA-PACIFIC REMOTE SENSING, 2010》 * |
| 张少平: "输电线路典型目标图像识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189344A (zh) * | 2019-04-24 | 2019-08-30 | 河海大学常州校区 | 一种电力刀闸图像中直线段提取方法 |
| CN110189344B (zh) * | 2019-04-24 | 2022-09-13 | 河海大学常州校区 | 一种电力刀闸图像中直线段提取方法 |
| CN110120074A (zh) * | 2019-05-10 | 2019-08-13 | 清研同创机器人（天津）有限公司 | 一种复杂环境下的带电作业机器人线缆定位方法 |
| CN110390672A (zh) * | 2019-07-11 | 2019-10-29 | 中国计量大学 | 一种基于EDLines的电力线快速提取方法 |
| CN110956078A (zh) * | 2019-10-09 | 2020-04-03 | 中国人民解放军战略支援部队信息工程大学 | 一种电力线检测方法及装置 |
| CN110956078B (zh) * | 2019-10-09 | 2023-06-30 | 中国人民解放军战略支援部队信息工程大学 | 一种电力线检测方法及装置 |
| CN111311884A (zh) * | 2020-01-13 | 2020-06-19 | 徐琳 | 基于内容检测的信号识别系统及方法 |
| CN111523583A (zh) * | 2020-04-16 | 2020-08-11 | 国网河北省电力有限公司石家庄市栾城区供电分公司 | 一种利用无人机对设备铭牌照片自动识别分类的方法 |
| CN111523583B (zh) * | 2020-04-16 | 2022-06-24 | 国网河北省电力有限公司石家庄市栾城区供电分公司 | 一种利用无人机对设备铭牌照片自动识别分类的方法 |
| CN111739042A (zh) * | 2020-06-04 | 2020-10-02 | 中南大学 | 一种基于数字图像特征的复杂背景电力线提取方法 |
| CN111739042B (zh) * | 2020-06-04 | 2023-06-09 | 中南大学 | 一种基于数字图像特征的复杂背景电力线提取方法 |
| CN112364874A (zh) * | 2020-09-15 | 2021-02-12 | 广东电网有限责任公司 | 一种输电线的提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107833206B (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107833206A (zh) | 一种复杂背景下电力线精确提取方法 | |
| CN104182985B (zh) | 遥感图像变化检测方法 | |
| CN106023148B (zh) | 一种序列聚焦观测模式下恒星像点位置提取方法 | |
| CN109376637A (zh) | 基于视频监控图像处理的人数统计系统 | |
| CN109035292A (zh) | 基于深度学习的运动目标检测方法及装置 | |
| CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
| CN103164711A (zh) | 基于像素和支持向量机的区域人流密度估计的方法 | |
| CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
| CN104778713B (zh) | 一种图像处理方法 | |
| CN104504389A (zh) | 一种基于卷积神经网络的卫星云量计算方法 | |
| CN109446917A (zh) | 一种基于级联霍夫变换的消失点检测方法 | |
| CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
| CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
| CN106128121A (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
| CN109801236A (zh) | 一种基于混合高斯模型的光子点云去噪方法 | |
| CN105374047A (zh) | 基于改进的双边滤波与聚类的sar图像变化检测方法 | |
| CN110795463A (zh) | 面向电力系统暂态分析的海量时间序列数据可视化方法 | |
| CN108010065A (zh) | 低空目标快速检测方法及装置、存储介质及电子终端 | |
| CN102129559B (zh) | 基于PrimalSketch算法的SAR图像目标检测方法 | |
| CN103323839B (zh) | 一种获取低空飞行目标高度信息的方法、装置 | |
| CN105022101B (zh) | 强对流云团追踪方法 | |
| CN106558041A (zh) | 凝胶电泳数字图像中基于局部抑制的条带探测算法 | |
| CN102155933A (zh) | 一种基于视频差异分析的输电导线舞动测量方法 | |
| CN107123126A (zh) | 一种人流运动场景热度估计方法 | |
| CN104502992B (zh) | 一种基于空时过采样扫描的弱小点目标精确定位方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210706 |