CN109615598A - 一种基于边缘绘图参数自由算法的输电线识别方法 - Google Patents
一种基于边缘绘图参数自由算法的输电线识别方法 Download PDFInfo
- Publication number
- CN109615598A CN109615598A CN201811502886.4A CN201811502886A CN109615598A CN 109615598 A CN109615598 A CN 109615598A CN 201811502886 A CN201811502886 A CN 201811502886A CN 109615598 A CN109615598 A CN 109615598A
- Authority
- CN
- China
- Prior art keywords
- image
- line segment
- point
- pixel
- line
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005540 biological transmission Effects 0.000 title claims abstract description 20
- 238000013507 mapping Methods 0.000 title claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 229910052704 radon Inorganic materials 0.000 claims abstract description 13
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于边缘绘图参数自由算法的输电线识别方法。本发明将获取的彩色图像进行灰度化处理得到灰度图像,通过直方图均衡化处理后得到直方图处理后图像;通过对直方图处理后图像进行高斯滤波得到去噪后图像,将去噪后图像通过边缘绘图参数自由算法处理得到真性线段图像;利用radon变换从真性线段图像中初步提取出直线段集合,并利用每条直线段的斜率信息筛选出正确的直线段,则正确的直线段就是输电线。本发明可实现快速、精确的识别出完整输电线,同时具备无参数特点,可适应多种环境,鲁棒性更好。
Description
技术领域
本发明属于输电线无人机巡检技术领域,尤其涉及一种基于边缘绘图参数自由算法的输电线识别方法。
背景技术
随着高压输电线网络的不断建设,电力线的安全性检测与维护工作变得越加繁重。传统的人工巡检电力线方式无法满足日益繁重的电力线巡检工作要求。因此,电力企业开始大范围使用搭载摄像头的无人机进行电力线巡检。但复杂多变的背景(如河流、数目、草地、房屋、农田等)给电力线识别过程造成了困难。所以,如何从充满复杂背景的航拍图像中完整且准确地识别出电力线已成为电力线无人巡检的关键问题之一
近年来,国内外科研人员对从无人机航拍复杂图像中检测电力线进行了许多研究。其中,利用搜索聚类算法与形态学处理相结合降低图像中的背景噪音,使用阈值区间方法来计算hough变换的参数自适应估算,从而识别出图像中的输电线,但该方法中参数选择过程复杂,识别效果在低对比度的情况下较差。同时也有人设计了一种电力线快速提取算法,该算法将形态学处理、canny算子和hough变换相结合,实现对电力线的完整提取,但是该方法的鲁棒性较差,处理不同背景下的电力线效果差别较大。使用黑塞矩阵实现对图像的边缘检测,然后利用随机hough变换检测已各条块区域内的输电线,可是该方法只针对电力线从左到右横跨图像的情况,未对电力线从上到下跨越图像的情况进行分析。将hough与形态学、Ratio算子、小波变换三种算法结合,并利用卡曼滤波方法实现电力线拟合连接,但结果与实际存在一定的位置偏差据。
发明内容
本发明提出了一种基于边缘绘图参数自由算法的输电线识别方法,可实现从复杂无人机航拍图像中完整、精确地识别出电力线,并可适应多种环境。
该方法通过以下步骤实现:
步骤1:将获取的彩色图像进行灰度化处理得到灰度图像,通过直方图均衡化处理后得到直方图处理后图像;
步骤2:通过对直方图处理后图像进行高斯滤波得到去噪后图像,将去噪后图像通过边缘绘图参数自由算法处理得到真性线段图像;
步骤3:利用radon变换从真性线段图像中初步提取出直线段集合,并利用每条直线段的斜率信息筛选出正确的直线段,则正确的直线段就是输电线。
作为优选,步骤1中所述彩色图像为无人机航拍图像:
C(x,y)={Bx,y,Gx,y,Rx,y}x∈[1,M],y∈[1,N]
其中,C(x,y)为彩色图像在像素点(x,y)的彩色像素值,M为图像行的数量,N为图像列的数量,Bx,y为彩色图像x行y列的蓝色像素值,Gx,y为彩色图像x行y列的绿色像素值,Rx,y为彩色图像x行y列的红色像素值;
步骤1中所述灰度化处理为:
G(x,y)=0.3Bx,y+0.59Gx,y+0.11Rx,y
将彩色图像转为灰度图像:
G(x,y){x∈[1,M],y∈[1,N]}
其中,G(x,y)为灰度图像在像素点(x,y)的灰度像素值;
步骤1中所述直方图均衡化处理后图像为:
G(x,y)根据直方图均衡化操作得到直方图处理后图像:
Gh(x,y){x∈[1,M],y∈[1,N]}
其中,Gh(x,y)为直方图处理后图像在像素点(x,y)的灰度值;
作为优选,步骤2中所述通过对直方图处理后图像进行高斯滤波得到去噪后图像为:
利用方差为σ=1、尺寸为5×5的高斯滤波器对直方图处理后图像Gh(x,y){x∈[1,M],y∈[1,N]}进行处理,获得去噪后图像Gd(x,y){x∈[1,M],y∈[1,N]};
根据尺寸为3×3的prewitt算子,计算Gd(x,y){x∈[1,M],y∈[1,N]}中每个像素点(x,y){x∈[1,M],y∈[1,N]}的水平梯度、垂直梯度以及梯度幅值,具体为:
其中,M为图像行的数量,N为图像列的数量,gx(x,y)为像素点(x,y){x∈[1,M],y∈[1,N]}的水平梯度,gy(x,y)为像素点(x,y){x∈[1,M],y∈[1,N]}的垂直梯度,grad(x,y)为像素点(x,y){x∈[1,M],y∈[1,N]}的梯度幅值,G(x,y)表示像素点(x,y)在去噪后图像Gd(x,y){x∈[1,M],y∈[1,N]}中的灰度值;
步骤2中所述将去噪后图像通过边缘绘图参数自由算法处理得到真性线段图像为:
对于去噪后图像Gd(x,y){x∈[1,M],y∈[1,N]}中任一像素点(a,b):
若grad(a,b)>0,则点(a,b)属于边缘点集Ω,若gx(a,b)≥g(y,a)b,则点(a,b)为垂直边缘点,否则为水平边缘点;
从边缘点集Ω中提取锚点,具体过程为:
为提取锚点,每隔4行或每隔4列进行扫描,若扫描点(c,d)为水平边缘点,且grad(c,d)>grad(c,d+1)且grad(c,d)>grad(c,d-1),则点(c,d)为锚点;
若点(c,d)为垂直边缘点,
且grad(c,d)>grad(c+1,d)且grad(c,d)>grad(c-1,d),则点(c,d)为锚点;
通过以下过程连接锚点,得到K条线段,并获得K条线段组成的线段图像S(x,y){x∈[1,M],y∈[1,N]};
连接锚点点集过程为:从锚点开始,查看通过锚点的边缘方向,如果水平边缘穿过锚点,通过向左或向右前进来开始连接过程,连接线段为P(i)(i∈[1,K]),如果垂直边缘穿过锚点,通过向上或向下进行连接过程,只选择一个方向上的三个直接邻居进行比较,选择其中具有最大梯度值的邻居作为下一个起始点,直到满足以下两个条件停止:
移出边缘区域,即当前像素的阈值化梯度值为0;
遇到先前检测到的边缘点;
利用亥姆霍兹原理从线段图像S中删除无效的假性线段,得到真性线段图像St(x,y){x∈[1,M],y∈[1,N]},对于线段图像S中每一条连接线段为P(i)(i∈[1,K]),计算每一条连接线段P(i)(i∈[1,K])的虚假系数NFA(i),若NFA(i)≤1,则连接线段P(i)为有效线段,否则为假性线段,并被删除,最后得到真性线段图像St(x,y){x∈[1,M],y∈[1,N]};
其中,M为图像行的数量,N为图像列的数量,grad(x,y)为像素点(x,y)的梯度幅值,μ为阈值参数,#号表示符合条件的像素数量,NA为奈奎斯特距离,K为连接线段的数量,li为线段图像S中第i条线段P(i)的长度,NFA(i)为线段P(i)(i∈[1,K])的虚假系数;
真性线段图像St中线段数量为L,真性线段为Q(j)(j∈[1,L])
作为优选,步骤3中所述利用radon变换从真性线段图像中初步提取出直线段集合为:
从真性线段图像St中提取出电力线E,使用Radon变换从中提取出直线段集合Ps。Radon变换的过程为:沿着平面中具有不同方向的图像St(x,y){x∈[1,M],y∈[1,N]}进行线性积分,公式写为:
其中,M为图像行的数量,N为图像列的数量,L为真性线段图像St(x,y){x∈[1,M],y∈[1,N]}中线段数量,ρ为方向直线与原点之间的距离,θ为方向直线的倾角;
步骤3中所述并利用每条直线段的斜率信息筛选出正确的直线段为:
通过将R值从大到小排序,取前面最大的10个,并获得相对应的通过获取的10对则可得到包含10条真性线段的直线段集合Ps:
在直线段集合Ps中,-θh为倾角差的下限,θh为倾角差的上限,-ρh为距离差的下限,ρh为距离差的上限,将倾角差θd在[-θh,θh]之以及距离差ρd在[-ρh,ρh],之内的直线归到同一组,同时筛除其他直线,得到步骤3中所述电力线E。
本发明优点在于,可实现快速、精确的识别出完整输电线,同时具备无参数特点,可适应多种环境,鲁棒性更好。
附图说明
图1:为本发明流程图;
图2:为边缘绘图参数自由算法流程图;
图3:为无人机航拍图像;
图4:为经本方法处理后的结果图像。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明的具体实施方案为一种基于边缘绘图参数自由算法的输电线识别方法,具体包括以下步骤:
步骤1:将获取的彩色图像进行灰度化处理得到灰度图像,通过直方图均衡化处理后得到直方图处理后图像;
步骤1中所述彩色图像为无人机航拍图像:
C(x,y)={Bx,y,Gx,y,Rx,y}x∈[1,M],y∈[1,N]
其中,C(x,y)为彩色图像在像素点(x,y)的彩色像素值,M=3000为图像行的数量,N=4000为图像列的数量,Bx,y为彩色图像x行y列的蓝色像素值,Gx,y为彩色图像x行y列的绿色像素值,Rx,y为彩色图像x行y列的红色像素值;
步骤1中所述灰度化处理为:
G(x,y)=0.3Bx,y+0.59Gx,y+0.11Rx,y
将彩色图像转为灰度图像:
G(x,y){x∈[1,M],y∈[1,N]}
其中,G(x,y)为灰度图像在像素点(x,y)的灰度像素值;
步骤1中所述直方图均衡化处理后图像为:
G(x,y)根据直方图均衡化操作得到直方图处理后图像:
Gh(x,y){x∈[1,M],y∈[1,N]}
其中,Gh(x,y)为直方图处理后图像在像素点(x,y)的灰度值;
步骤2:通过对直方图处理后图像进行高斯滤波得到去噪后图像,将去噪后图像通过边缘绘图参数自由算法处理得到真性线段图像;
步骤2中所述通过对直方图处理后图像进行高斯滤波得到去噪后图像为:
利用方差为σ=1、尺寸为5×5的高斯滤波器对直方图处理后图像Gh(x,y){x∈[1,M],y∈[1,N]}进行处理,获得去噪后图像Gd(x,y){x∈[1,M],y∈[1,N]};
根据尺寸为3×3的prewitt算子,计算Gd(x,y){x∈[1,M],y∈[1,N]}中每个像素点(x,y){x∈[1,M],y∈[1,N]}的水平梯度、垂直梯度以及梯度幅值,具体为:
其中,M=3000为图像行的数量,N=4000为图像列的数量,gx(x,y)为像素点(x,y){x∈[1,M],y∈[1,N]}的水平梯度,gy(x,y)为像素点(x,y){x∈[1,M],y∈[1,N]}的垂直梯度,grad(x,y)为像素点(x,y){x∈[1,M],y∈[1,N]}的梯度幅值,G(x,y)表示像素点(x,y)在去噪后图像Gd(x,y){x∈[1,M],y∈[1,N]}中的灰度值;
步骤2中所述将去噪后图像通过边缘绘图参数自由算法处理得到真性线段图像为:
对于去噪后图像Gd(x,y){x∈[1,M],y∈[1,N]}中任一像素点(a,b):
若grad(a,b)>0,则点(a,b)属于边缘点集Ω,若gx(a,b)≥g(y,a)b,则点(a,b)为垂直边缘点,否则为水平边缘点;
从边缘点集Ω中提取锚点,具体过程为:
为提取锚点,每隔4行或每隔4列进行扫描,若扫描点(c,d)为水平边缘点,且grad(c,d)>grad(c,d+1)且grad(c,d)>grad(c,d-1),则点(c,d)为锚点;
若点(c,d)为垂直边缘点,
且grad(c,d)>grad(c+1,d)且grad(c,d)>grad(c-1,d),则点(c,d)为锚点;
通过以下过程连接锚点,得到K条线段,并获得K条线段组成的线段图像S(x,y){x∈[1,M],y∈[1,N]};
连接锚点点集过程为:从锚点开始,查看通过锚点的边缘方向,如果水平边缘穿过锚点,通过向左或向右前进来开始连接过程,连接线段为P(i)(i∈[1,K]),如果垂直边缘穿过锚点,通过向上或向下进行连接过程,只选择一个方向上的三个直接邻居进行比较,选择其中具有最大梯度值的邻居作为下一个起始点,直到满足以下两个条件停止:
移出边缘区域,即当前像素的阈值化梯度值为0;
遇到先前检测到的边缘点;
利用亥姆霍兹原理从线段图像S中删除无效的假性线段,得到真性线段图像St(x,y){x∈[1,M],y∈[1,N]},对于线段图像S中每一条连接线段为P(i)(i∈[1,K]),计算每一条连接线段P(i)(i∈[1,K])的虚假系数NFA(i),若NFA(i)≤1,则连接线段P(i)为有效线段,否则为假性线段,并被删除,最后得到真性线段图像St(x,y){x∈[1,M],y∈[1,N]};
其中,M=3000为图像行的数量,N=4000为图像列的数量,grad(x,y)为像素点(x,y)的梯度幅值,μ=1为阈值参数,#号表示符合条件的像素数量,NA为奈奎斯特距离,K为连接线段的数量,li为线段图像S中第i条线段P(i)的长度,NFA(i)为线段P(i)(i∈[1,K])的虚假系数;
真性线段图像St中线段数量为L,真性线段为Q(j)(j∈[1,L])
步骤3:利用radon变换从真性线段图像中初步提取出直线段集合,并利用每条直线段的斜率信息筛选出正确的直线段,则正确的直线段就是输电线。
步骤3中所述利用radon变换从真性线段图像中初步提取出直线段集合为:
从真性线段图像St中提取出电力线E,使用Radon变换从中提取出直线段集合Ps。Radon变换的过程为:沿着平面中具有不同方向的图像St(x,y){x∈[1,M],y∈[1,N]}进行线性积分,公式写为:
其中,M=3000为图像行的数量,N=4000为图像列的数量,L为真性线段图像St(x,y){x∈[1,M],y∈[1,N]}中线段数量,ρ为方向直线与原点之间的距离,θ为方向直线的倾角;
步骤3中所述并利用每条直线段的斜率信息筛选出正确的直线段为:
通过将R值从大到小排序,取前面最大的10个,并获得相对应的通过获取的10对则可得到包含10条真性线段的直线段集合Ps:
在直线段集合Ps中,-θh=-1为倾角差的下限,θh=1为倾角差的上限,-ρh=-25为距离差的下限,ρh=25为距离差的上限,将倾角差θd在[-θh,θh]之以及距离差ρd在[-ρh,ρh],之内的直线归到同一组,同时筛除其他直线,得到步骤3中所述电力线E。
本方法对原始图像如图3所述,处理后结果如图4所示,本发明的方法可以从无人机航拍图像中完整的识别出电力线,识别的电力线完整连续,且识别准确率高,更易适应复杂背景下的电力线识别工作。
本文中所描述的具体实施案例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种基于边缘绘图参数自由算法的输电线识别方法,其特征在于,包括以下步骤:
步骤1:将获取的彩色图像进行灰度化处理得到灰度图像,通过直方图均衡化处理后得到直方图处理后图像;
步骤2:通过对直方图处理后图像进行高斯滤波得到去噪后图像,将去噪后图像通过边缘绘图参数自由算法处理得到真性线段图像;
步骤3:利用radon变换从真性线段图像中初步提取出直线段集合,并利用每条直线段的斜率信息筛选出正确的直线段,则正确的直线段就是输电线。
2.根据权利要求1所述的基于边缘绘图参数自由算法的输电线识别方法,其特征在于:
步骤1中所述彩色图像为无人机航拍图像:
C(x,y)={Bx,y,Gx,y,Rx,y}x∈[1,M],y∈[1,N]
其中,C(x,y)为彩色图像在像素点(x,y)的彩色像素值,M为图像行的数量,N为图像列的数量,Bx,y为彩色图像x行y列的蓝色像素值,Gx,y为彩色图像x行y列的绿色像素值,Rx,y为彩色图像x行y列的红色像素值;
步骤1中所述灰度化处理为:
G(x,y)=0.3Bx,y+0.59Gx,y+0.11Rx,y
将彩色图像转为灰度图像:
G(x,y){x∈[1,M],y∈[1,N]}
其中,G(x,y)为灰度图像在像素点(x,y)的灰度像素值;
步骤1中所述直方图均衡化处理后图像为:
G(x,y)根据直方图均衡化操作得到直方图处理后图像:
Gh(x,y){x∈[1,M],y∈[1,N]}
其中,Gh(x,y)为直方图处理后图像在像素点(x,y)的灰度值。
3.根据权利要求1所述的基于边缘绘图参数自由算法的输电线识别方法,其特征在于:
步骤2中所述通过对直方图处理后图像进行高斯滤波得到去噪后图像为:
利用方差为σ=1、尺寸为5×5的高斯滤波器对直方图处理后图像Gh(x,y){x∈[1,M],y∈[1,N]}进行处理,获得去噪后图像Gd(x,y){x∈[1,M],y∈[1,N]};
根据尺寸为3×3的prewitt算子,计算Gd(x,y){x∈[1,M],y∈[1,N]}中每个像素点(x,y){x∈[1,M],y∈[1,N]}的水平梯度、垂直梯度以及梯度幅值,具体为:
其中,M为图像行的数量,N为图像列的数量,gx(x,y)为像素点(x,y){x∈[1,M],y∈[1,N]}的水平梯度,gy(x,y)为像素点(x,y){x∈[1,M],y∈[1,N]}的垂直梯度,grad(x,y)为像素点(x,y){x∈[1,M],y∈[1,N]}的梯度幅值,G(x,y)表示像素点(x,y)在去噪后图像Gd(x,y){x∈[1,M],y∈[1,N]}中的灰度值;
步骤2中所述将去噪后图像通过边缘绘图参数自由算法处理得到真性线段图像为:
对于去噪后图像Gd(x,y){x∈[1,M],y∈[1,N]}中任一像素点(a,b):
若grad(a,b)>0,则点(a,b)属于边缘点集Ω,若gx(a,b)≥gy(,a)b,则点(a,b)为垂直边缘点,否则为水平边缘点;
从边缘点集Ω中提取锚点,具体过程为:
为提取锚点,每隔4行或每隔4列进行扫描,若扫描点(c,d)为水平边缘点,且grad(c,d)>grad(c,d+1)且grad(c,d)>grad(c,d-1),则点(c,d)为锚点;
若点(c,d)为垂直边缘点,
且grad(c,d)>grad(c+1,d)且grad(c,d)>grad(c-1,d),则点(c,d)为锚点;
通过以下过程连接锚点,得到K条线段,并获得K条线段组成的线段图像S(x,y){x∈[1,M],y∈[1,N]};
连接锚点点集过程为:从锚点开始,查看通过锚点的边缘方向,如果水平边缘穿过锚点,通过向左或向右前进来开始连接过程,连接线段为P(i)(i∈[1,K]),如果垂直边缘穿过锚点,通过向上或向下进行连接过程,只选择一个方向上的三个直接邻居进行比较,选择其中具有最大梯度值的邻居作为下一个起始点,直到满足以下两个条件停止:
移出边缘区域,即当前像素的阈值化梯度值为0;
遇到先前检测到的边缘点;
利用亥姆霍兹原理从线段图像S中删除无效的假性线段,得到真性线段图像St(x,y){x∈[1,M],y∈[1,N]},对于线段图像S中每一条连接线段为P(i)(i∈[1,K]),计算每一条连接线段P(i)(i∈[1,K])的虚假系数NFA(i),若NFA(i)≤1,则连接线段P(i)为有效线段,否则为假性线段,并被删除,最后得到真性线段图像St(x,y){x∈[1,M],y∈[1,N]};
其中,M为图像行的数量,N为图像列的数量,grad(x,y)为像素点(x,y)的梯度幅值,μ为阈值参数,#号表示符合条件的像素数量,NA为奈奎斯特距离,K为连接线段的数量,li为线段图像S中第i条线段P(i)的长度,NFA(i)为线段P(i)(i∈[1,K])的虚假系数;
真性线段图像St中线段数量为L,真性线段为Q(j)(j∈[1,L])。
4.根据权利要求1所述的基于边缘绘图参数自由算法的输电线识别方法,其特征在于:
步骤3中所述利用radon变换从真性线段图像中初步提取出直线段集合为:
从真性线段图像St中提取出电力线E,使用Radon变换从中提取出直线段集合Ps,Radon变换的过程为:沿着平面中具有不同方向的图像St(x,y){x∈[1,M],y∈[1,N]}进行线性积分,公式写为:
其中,M为图像行的数量,N为图像列的数量,L为真性线段图像St(x,y){x∈[1,M],y∈[1,N]}中线段数量,ρ为方向直线与原点之间的距离,θ为方向直线的倾角;
步骤3中所述并利用每条直线段的斜率信息筛选出正确的直线段为:
通过将R值从大到小排序,取前面最大的10个,并获得相对应的通过获取的10对则可得到包含10条真性线段的直线段集合Ps:
在直线段集合Ps中,-θh为倾角差的下限,θh为倾角差的上限,-ρh为距离差的下限,ρh为距离差的上限,将倾角差θd在[-θh,θh]之以及距离差ρd在[-ρh,ρh],之内的直线归到同一组,同时筛除其他直线,得到步骤3中所述电力线E。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811502886.4A CN109615598A (zh) | 2018-12-10 | 2018-12-10 | 一种基于边缘绘图参数自由算法的输电线识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811502886.4A CN109615598A (zh) | 2018-12-10 | 2018-12-10 | 一种基于边缘绘图参数自由算法的输电线识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615598A true CN109615598A (zh) | 2019-04-12 |
Family
ID=66008735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811502886.4A Pending CN109615598A (zh) | 2018-12-10 | 2018-12-10 | 一种基于边缘绘图参数自由算法的输电线识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615598A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695548A (zh) * | 2020-07-20 | 2020-09-22 | 内蒙古工业大学 | 基于毫米波雷达的高压线检测方法 |
CN112464789A (zh) * | 2020-11-25 | 2021-03-09 | 河海大学常州校区 | 基于线特征的输电线路提取方法 |
CN112580447A (zh) * | 2020-12-04 | 2021-03-30 | 国网福建省电力有限公司泉州供电公司 | 一种基于边缘二阶统计与融合的电力线检测方法 |
CN113361322A (zh) * | 2021-04-23 | 2021-09-07 | 山东大学 | 一种基于加权反卷积层数改进dssd算法的输电线目标检测方法、设备及存储介质 |
CN113469989A (zh) * | 2021-07-14 | 2021-10-01 | 广东电网有限责任公司 | 遥感影像中输电导线的提取方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020028019A1 (en) * | 2000-07-11 | 2002-03-07 | Gholamabbas Hemiari | System and method for the automatic extraction of linear features from digital imagery |
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 |
CN108629788A (zh) * | 2018-05-08 | 2018-10-09 | 苏州大学 | 一种图像边缘检测方法、装置、设备及可读存储介质 |
-
2018
- 2018-12-10 CN CN201811502886.4A patent/CN109615598A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020028019A1 (en) * | 2000-07-11 | 2002-03-07 | Gholamabbas Hemiari | System and method for the automatic extraction of linear features from digital imagery |
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 |
CN108629788A (zh) * | 2018-05-08 | 2018-10-09 | 苏州大学 | 一种图像边缘检测方法、装置、设备及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
CIHAN T ET AL: "《Edge Drawing: A Heuristic Approach to Robust Real-Time Edge Detection》", 《IEEE》 * |
CIHAN TOPAL ET AL: "《Edge Drawing: A combined real-time edge and segment detector》", 《ACM》 * |
CUNEYT AKINLAR ET AL: "《EDPF: A REAL-TIME PARAMETER-FREE EDGE SEGMENT DETECTOR WITH A FALSE DETECTION CONTROL》", 《INTERNATIONAL JOURNAL OF PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE》 * |
黄婷婷: "《无人机自动巡线方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695548A (zh) * | 2020-07-20 | 2020-09-22 | 内蒙古工业大学 | 基于毫米波雷达的高压线检测方法 |
CN112464789A (zh) * | 2020-11-25 | 2021-03-09 | 河海大学常州校区 | 基于线特征的输电线路提取方法 |
CN112464789B (zh) * | 2020-11-25 | 2022-09-02 | 河海大学常州校区 | 基于线特征的输电线路提取方法 |
CN112580447A (zh) * | 2020-12-04 | 2021-03-30 | 国网福建省电力有限公司泉州供电公司 | 一种基于边缘二阶统计与融合的电力线检测方法 |
CN112580447B (zh) * | 2020-12-04 | 2023-08-04 | 国网福建省电力有限公司泉州供电公司 | 一种基于边缘二阶统计与融合的电力线检测方法 |
CN113361322A (zh) * | 2021-04-23 | 2021-09-07 | 山东大学 | 一种基于加权反卷积层数改进dssd算法的输电线目标检测方法、设备及存储介质 |
CN113469989A (zh) * | 2021-07-14 | 2021-10-01 | 广东电网有限责任公司 | 遥感影像中输电导线的提取方法、系统、设备及介质 |
CN113469989B (zh) * | 2021-07-14 | 2022-09-23 | 广东电网有限责任公司 | 遥感影像中输电导线的提取方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615598A (zh) | 一种基于边缘绘图参数自由算法的输电线识别方法 | |
CN105069466B (zh) | 基于数字图像处理的行人服饰颜色识别方法 | |
CN104134209B (zh) | 一种视觉导航中的特征提取与匹配方法及系统 | |
CN106446952B (zh) | 一种乐谱图像识别方法及装置 | |
CN104483326B (zh) | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 | |
CN107423737B (zh) | 异物遮挡的视频质量诊断方法 | |
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 | |
CN105719306B (zh) | 一种高分辨率遥感影像中的建筑物快速提取方法 | |
CN109409205A (zh) | 基于线间距特征点聚类的航拍视频公路车道线检测方法 | |
CN109684941B (zh) | 一种基于matlab图像处理荔枝果实采摘区域划分方法 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
Zeng et al. | Rapid automated detection of roots in minirhizotron images | |
CN110298344A (zh) | 一种基于机器视觉的仪表旋钮定位与检测方法 | |
CN108171674B (zh) | 针对任意视角投影仪图像的视觉矫正方法 | |
CN104778710A (zh) | 一种基于量子理论的形态学图像边缘检测方法 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
CN110222661A (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
Wang et al. | Straight lane line detection based on the Otsu-Canny algorithm | |
CN109712116A (zh) | 输电线路及其附件的故障识别方法 | |
CN101561316A (zh) | 一种基于感兴趣区域(roi)的在线检测视觉数据处理系统 | |
CN112101260A (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
CN111985436A (zh) | 一种基于lsd的车间地标线识别拟合方法 | |
Zhu et al. | Fast and robust 2D-shape extraction using discrete-point sampling and centerline grouping in complex images | |
CN106023168A (zh) | 一种视频监控中边缘检测的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |