CN110189344B - 一种电力刀闸图像中直线段提取方法 - Google Patents

一种电力刀闸图像中直线段提取方法 Download PDF

Info

Publication number
CN110189344B
CN110189344B CN201910332865.0A CN201910332865A CN110189344B CN 110189344 B CN110189344 B CN 110189344B CN 201910332865 A CN201910332865 A CN 201910332865A CN 110189344 B CN110189344 B CN 110189344B
Authority
CN
China
Prior art keywords
straight line
pixel
segment
line segment
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.)
Active
Application number
CN201910332865.0A
Other languages
English (en)
Other versions
CN110189344A (zh
Inventor
李庆武
马啸川
雷萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201910332865.0A priority Critical patent/CN110189344B/zh
Publication of CN110189344A publication Critical patent/CN110189344A/zh
Application granted granted Critical
Publication of CN110189344B publication Critical patent/CN110189344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种电力刀闸图像中直线段提取方法，首先对目标图像进行预处理，预处理包括边缘检测、二值化、形态学处理和图像细化等步骤；利用Hough算法对预处理后的目标图像进行直线检测，将检测结果作为先验直线段；再获取距离先验直线段较近的点集，进行基于最小二乘法的直线拟合，得到粗拟合直线；将距离粗拟合直线进一步处理得到精拟合直线段；利用Mean‑shift算法对精拟合直线段进行距离聚类，从而将位置相似的直线段剔除，得到去重直线段；最后通过Mean‑shift算法对去重直线段进行角度聚类。本发明的方法提升了电力刀闸图像中直线段提取的完整性，也提高了直线段提取的准确率。

Description

一种电力刀闸图像中直线段提取方法
技术领域
本发明属于图像处理技术领域，涉及一种电力刀闸图像中直线段提取方法。
背景技术
电力刀闸是变电站高压开关设备中应用最为频繁的一种设备，它作为输变电系统的元件虽然工作原理及结构较为简单，可是因为使用的数目基数大，相对来说更容易出现刀臂分合不完全的故障，一旦故障将严重影响电力系统的稳定运行。电力刀闸刀臂边缘的直线段角度可以直接反映出电力刀闸的分合状态，因此而提取电力刀闸的直线特征是电力刀闸分合状态检测的重要步骤。
直线段提取是图像处理领域中的一个基础问题，在航空影像分析、尺寸检测、目标识别和相机标定等众多领域中是至关重要的一步。针对电力刀闸图像，利用现有的Hough、LSD和EDLines等直线检测算法所提取出的直线段结果，往往存在直线段分离成多段、微弯曲的直线被漏检和同一位置检测出多条直线段等情况，从而无法在电力刀闸刀臂上提取出完整、准确的直线段，导致无法准确计算出刀臂边缘的直线段角度，对后续的电力刀闸分合状态检测带来了不利影响。并且，在电力刀闸图像中并不是所有的直线段都是有意义的，往往只需要提取出刀臂上下边缘的直线段，而现有直线检测算法并没有对电力刀闸图像中的直线段进行自适应的方向筛选。
基于上述讨论，本发明提出了一种电力刀闸图像中直线段提取方法，可以完整、准确地提取出电力刀闸图像中的刀臂边缘直线段。
发明内容
本发明所要解决的技术问题是：如何实现完整、准确地提取出电力刀闸图像中的刀臂边缘直线段。
为解决上述技术问题，本发明提出了一种电力刀闸图像中直线段提取方法，包括以下步骤：
1)图像预处理，对图像进行边缘检测、二值化和形态学膨胀处理；
2)对预处理后的图像进行直线检测，得到先验直线段；
3)基于先验直线段进行直线粗拟合，得到粗拟合直线；
4)基于粗拟合直线进行直线精拟合，得到精拟合直线段；
5)对精拟合直线段进行去重处理，得到去重直线段；
6)对去重直线段进行方向筛选，完成直线段提取。
本发明所达到的有益效果：对粗拟合直线进行精拟合，降低了同一直线段被分离成多段的可能性；对精拟合直线段进行去重处理，避免了同一位置检测出多条直线段的情况；对去重直线段进行方向筛选，剔除了图像中的部分干扰直线段，保留了更为显著的直线段，本发明的方法提升了电力刀闸图像中直线段提取的完整性，也提高了直线段提取的准确率。
附图说明
图1为本发明的一种电力刀闸图像中直线段提取方法的流程图。
具体实施方式
本发明的实际流程图如图1所示，一种电力刀闸图像中直线段提取方法，包括以下步骤：
1)图像预处理。
具体步骤如下：
11)令Img表示输入图像，对输入图像Img进行边缘检测，将边缘检测结果图像记为ImgEdge；其中，边缘检测采用的方法有多种，可采用Dollár P,Zitnick C L.StructuredForests for Fast Edge Detection[C]IEEE International Conference on ComputerVision.IEEE Computer Society,2013:1841-1848(基于结构森林的快速边缘检测)；
12)对边缘检测结果图像ImgEdge进行OSTU二值化处理，将二值化结果图像记为ImgBw；
13)对二值化结果图像ImgBw进行形态学膨胀，将膨胀结果图像记为ImgDilated；
14)对膨胀结果图像ImgDilated进行图像细化，将细化结果图像记为ImgThin；其中图像细化采用的方法为现有方法，可采用：Zhang T Y.A fast parallel algorithm forthinning digital patterns[J].Comm Acm,1984,27(3):236-239。(一种用于图像细化的快速并行算法)
2)对预处理后的图像进行直线检测，得到先验直线段：
对细化结果图像ImgThin进行Hough直线检测，检测出的直线段即为先验直线段，记为priorSegLine，priorSegLine[i]表示第i条先验直线段，i的取值范围是1～npSL，npSL是priorSegLine的总数量；
3)基于先验直线段进行直线粗拟合，得到粗拟合直线。
具体步骤如下：
31)计算直线段的归属像素点集：
将先验直线段priorSegLine[i]所表示的直线记为priorLine[i]，priorLine[i]的表示公式如下：
0＝Aix+Biy+Ci
其中，Ai、Bi和Ci表示直线priorLine[i]的一般式方程参数，x和y分别表示图像中的横纵坐标；
归属像素点集表示细化结果图像ImgThin中所有距离直线priorLine[i]不超过阈值T1的像素点，若图像中的像素点满足如下公式，则将该像素点记为先验直线段priorSegLine[i]的一个归属像素点：
Figure GDA0003748640270000041
其中，(x0,y0)表示细化结果图像ImgThin中的像素点；
将所有满足上式的像素点(x0,y0)的集合记为归属像素点集pointsAttached[i]，表示先验直线段priorSegLine[i]的归属像素点集；
32)基于最小二乘法对归属像素点集进行直线拟合：
基于最小二乘法对归属像素点集pointsAttached[i]进行直线拟合，拟合得到的直线即粗拟合直线，记为initialLine[i]，并将粗拟合直线initialLine[i]的斜率记为
Figure GDA0003748640270000042
截距记为
Figure GDA0003748640270000043
其中斜率
Figure GDA0003748640270000044
和截距
Figure GDA0003748640270000045
的计算公式如下：
Figure GDA0003748640270000046
其中，npA是归属像素点集pointsAttached[i]中归属像素点的数量，
Figure GDA0003748640270000047
和
Figure GDA0003748640270000048
分别表示归属像素点集pointsAttached[i]中第z个归属像素点
Figure GDA0003748640270000049
的横坐标和纵坐标，z的取值范围是1～npA，inv()表示括号内矩阵的逆矩阵，T()表示括号内矩阵的转置矩阵；
33)重复步骤31)和步骤32)，直至每条先验直线段priorSegLine[i]都计算得到其对应的归属像素点集pointsAttached[i]和粗拟合直线initialLine[i]。
4)基于粗拟合直线进行直线精拟合，得到精拟合直线段。具体步骤如下：
41)计算归属像素点在粗拟合直线上的映射点：
粗拟合直线initialLine[i]是根据归属像素点集pointsAttached[i]计算得到的，现计算归属像素点集pointsAttached[i]中的归属像素点
Figure GDA0003748640270000051
在粗拟合直线initialLine[i]上的映射点
Figure GDA0003748640270000052
计算公式如下：
Figure GDA0003748640270000053
42)对归属像素点集进行排序：
一个归属像素点对应一个映射点，按照映射点横坐标的大小，对归属像素点集pointsAttached[i]进行从小到大的排序，将排序后的归属像素点集记为排序归属像素点集pointsSorted[i]，将
Figure GDA0003748640270000054
记为排序归属像素点集pointsSorted[i]中第m个归属像素点，可知
Figure GDA0003748640270000055
43)对排序后的归属像素点进行分段：
基于欧式距离对排序归属像素点集pointsSorted[i]中相邻的归属像素点进行距离判断，若当前归属像素点
Figure GDA0003748640270000056
与上一个归属像素点
Figure GDA0003748640270000057
的距离disAttached小于常量阈值T2，则认为
Figure GDA0003748640270000058
和
Figure GDA0003748640270000059
属于同一像素段，若
Figure GDA00037486402700000510
和
Figure GDA00037486402700000511
间的距离一disAttached大于T2，则认为
Figure GDA00037486402700000512
和
Figure GDA00037486402700000513
属于不同像素段，距离一disAttached的计算公式如下：
Figure GDA00037486402700000514
计算完成后，可以得到
Figure GDA00037486402700000515
个像素段，
Figure GDA00037486402700000516
表示排序归属像素点集pointsSorted[i]分段后得到的像素段数量，令
Figure GDA0003748640270000061
表示第
Figure GDA0003748640270000062
个像素段中的归属像素点数量，其中
Figure GDA0003748640270000063
的取值范围是
Figure GDA0003748640270000064
44)像素段筛选：
对步骤43)中得到的像素段基于像素数量进行筛选，若归属像素点数量
Figure GDA0003748640270000065
则将归属像素点数量
Figure GDA0003748640270000066
对应的像素段保留，若
Figure GDA0003748640270000067
则将
Figure GDA0003748640270000068
对应的像素段剔除，其中T3是一个常量阈值，当
Figure GDA0003748640270000069
在取值范围内遍历完全后，即完成像素段筛选；将保留下来的像素段记为
Figure GDA00037486402700000610
表示第
Figure GDA00037486402700000611
个筛选得到的像素段，
Figure GDA00037486402700000612
的取值范围是
Figure GDA00037486402700000613
其中
Figure GDA00037486402700000614
是保留下来的像素段的数量；
45)像素段合并
在步骤44)中筛选得到的像素段其中的归属像素点已经过排序，因此可得保留像素段
Figure GDA00037486402700000615
中的最小横坐标大于保留像素段
Figure GDA00037486402700000616
中的最大横坐标；将保留像素段
Figure GDA00037486402700000617
中具有最小横坐标的像素点记为
Figure GDA00037486402700000618
将保留像素段
Figure GDA00037486402700000619
中具有最大横坐标的像素点记为
Figure GDA00037486402700000620
若
Figure GDA00037486402700000621
与
Figure GDA00037486402700000622
之间的距离二disSeg小于常量阈值T4，则将保留像素段
Figure GDA00037486402700000623
中的像素点按照现有顺序插入到保留像素段
Figure GDA00037486402700000624
的尾部，
Figure GDA00037486402700000625
与
Figure GDA00037486402700000626
之间的距离二disSeg大于T4，则不做处理，其中距离二disSeg的计算公式如下：
Figure GDA00037486402700000627
当
Figure GDA00037486402700000628
在取值范围内遍历完全后，即完成像素段合并；将合并后的像素段记为合并像素段
Figure GDA00037486402700000629
表示第
Figure GDA00037486402700000630
个合并后的像素段，
Figure GDA00037486402700000631
的取值范围是
Figure GDA00037486402700000632
其中
Figure GDA00037486402700000633
是像素段
Figure GDA00037486402700000634
合并后像素段的数量，再将segMax[i]记为合并后像素段中具有最大像素点数量的最大像素段；
46)计算精拟合直线段：
基于最小二乘法对最大像素段segMax[i]进行直线拟合，计算方法与步骤32)一致，将拟合出的直线记为refineLine[i]，将直线refineLine[i]的斜率记为
Figure GDA00037486402700000635
截距记为
Figure GDA00037486402700000636
将最大像素段segMax[i]中具有最小横坐标的像素点记为
Figure GDA00037486402700000637
具有最大横坐标的像素点记为
Figure GDA0003748640270000071
分别计算像素点
Figure GDA0003748640270000072
与像素点
Figure GDA0003748640270000073
在直线refineLine[i]的映射点，并分别记为
Figure GDA0003748640270000074
和
Figure GDA0003748640270000075
计算方法与步骤41)一致；
分别以
Figure GDA0003748640270000076
和
Figure GDA0003748640270000077
作为线段的起点与终点，即得到精拟合直线段，记为refineSegLine[i]，其斜率和截距与直线refineLine[i]相同，分别为
Figure GDA0003748640270000078
和
Figure GDA0003748640270000079
47)重复步骤41)至步骤46)，直至每条粗拟合直线initialLine[i]都计算得到其对应的精拟合直线段refineSegLine[i]。
5)对精拟合直线段进行去重处理，得到去重直线段，具体步骤如下：
51)计算精拟合直线段与图像中心点的距离：
将细化结果图像ImgThin的图像中心点记为(xcenter,ycenter)，计算精拟合直线段refineSegLine[i]与中心点(xcenter,ycenter)间的距离disCenter[i]，距离disCenter[i]的计算公式如下：
Figure GDA00037486402700000710
其中，
Figure GDA00037486402700000711
和
Figure GDA00037486402700000712
是精拟合直线段refineSegLine[i]对应的直线refineLine[i]的一般式直线方程参数。
52)判断精拟合直线段与图像中心点的位置关系：
计算精拟合直线段refineSegLine[i]是否在图像中心点(xcenter,ycenter)的上方，计算公式如下：
Figure GDA00037486402700000713
其中，up[i]表示线段refineSegLine[i]与图像中心点(xcenter,ycenter)的位置关系，down是一个常量阈值；
53)基于Mean-shift算法对精拟合直线段进行距离聚类：
重复步骤51)和步骤52)，直至每条精拟合直线段refineSegLine[i]都计算得到其对应的(disCenter[i],up[i])；
将((disCenter[1],up[1]),...,(disCenter[i],up[i]),...,(disCenter[npSL],up[npSL]))作为Mean-shift算法的输入，计算后可得到n4个距离聚类，n4是计算得到距离聚类的数量，用表示disCluster[j]第j个距离聚类，则j的取值范围是1～n4，每个距离聚类disCluster[ji]都包含聚类中心disCluster[j].dis和聚类方位disCluster[j].up；
若|disCenter[i]-disCluster[j].dis|＜＝T5，其中是一个T5常量阈值，并且up[i]＝＝disCluster[j].up，则认为精拟合直线段refineSegLine[i]属于距离聚类disCluster[j]；由此可将npSL条精拟合直线段分配给个n4距离聚类。
54)精拟合直线段去重：
距离聚类disCluster[j]包含若干条精拟合直线段，仅保留其中具有最大像素点数量的像素段，将其作为去重直线段，并重新命名为去重直线段goodSegLine[j]；
当j在取值范围内遍历完全后，即完成精拟合直线段去重。此时，由原来的npSL条先验直线段变成了n4条去重直线段。
6)对去重直线段进行方向筛选，完成直线段提取。
具体步骤如下：
61)计算去重直线段角度：
令
Figure GDA0003748640270000081
表示去重直线段goodSegLine[j]中具有最小横坐标的像素点，令
Figure GDA0003748640270000082
表示去重直线段goodSegLine[j]中具有最大横坐标的像素点，去重直线段goodSegLine[j]的角度计算公式如下：
Figure GDA0003748640270000083
其中，angle[j]表示goodSegLine[j]的角度；
62)基于Mean-shift算法对去重直线段进行角度聚类：
重复步骤61)，直至每条去重直线段goodSegLine[j]都计算得到其对应的角度angle[j]；
将(angle[1],...,angle[j],...,angle[n4])作为Mean-shift算法的输入，计算后可得到n5个角度聚类，n5是计算得到角度聚类的数量，用表示angleCluster[k]第k个角度聚类，则k的取值范围是1～n5；每个角度聚类angleCluster[k]都包含聚类中心angleCluster[k].angle；
若|goodSegLine[j]-angleCluster[k].angle|＜＝T6，则认为去重直线段goodSegLine[j]属于聚类angleCluster[k]；由此可将n4条去重直线段分配给n5个角度聚类；
63)角度聚类评分：
将角度聚类angleCluster[k]包含的去重直线段的数量记为lk，角度聚类angleCluster[k]中第ok条去重直线段二记为angleCluster[k][ok]，ok的取值范围是1～lk；
去重直线段二angleCluster[k][ok]是由精拟合直线段筛选得到，因此去重直线段二angleCluster[k][ok]的长度可以通过其对应的精拟合直线段两端点的欧式距离计算得到，将去重直线段二angleCluster[k][ok]的长度记为length[k][ok]；同时，去重直线段二angleCluster[k][ok]到图像中心点的距离即去重直线段二angleCluster[k][ok]对应的精拟合直线段到图像中心点的距离，故将去重直线段二angleCluster[k][ok]到图像中心点的距离重命名为dis[k][ok]；
角度聚类angleCluster[k]的评分计算公式如下：
Figure GDA0003748640270000091
其中，rank[k]表示角度聚类angleCluster[k]的评分，σ和α是常量；
64)角度聚类筛选：
重复步骤63)，直至每个角度聚类angleCluster[k]都计算得到其对应的评分rank[k]，若评分rank[k]＞＝T7，则保留角度聚类angleCluster[k]；若rank[k]＜T7，则剔除角度聚类angleCluster[k]；遍历完成后，所有保留下来的角度聚类中的去重直线段二，即最终提取出的直线段，完成直线段提取。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种电力刀闸图像中直线段提取方法，其特征在于，包括以下步骤：
1)图像预处理，对图像进行边缘检测、二值化和形态学膨胀处理；
图像预处理具体步骤包括：
11)令Img表示输入图像，对输入图像Img进行边缘检测，将边缘检测结果图像记为ImgEdge；
12)对边缘检测结果图像ImgEdge进行OSTU二值化处理，将二值化结果图像记为ImgBw；
13)对二值化结果图像ImgBw进行形态学膨胀，将膨胀结果图像记为ImgDilated；
14)对膨胀结果图像ImgDilated进行图像细化，将细化结果图像记为ImgThin；
2)对预处理后的图像进行直线检测，得到先验直线段；对细化结果图像ImgThin进行Hough直线检测，检测出的直线段即为先验直线段，记为priorSegLine，priorSegLine[i]表示第i条先验直线段，i的取值范围是1～npSL，npSL是priorSegLine的总数量；
3)基于先验直线段进行直线粗拟合，得到粗拟合直线；具体步骤如下：
31)计算直线段的归属像素点集：
将先验直线段priorSegLine[i]所表示的直线记为priorLine[i]，priorLine[i]的表示公式如下：
0＝Aix+Biy+Ci
其中，Ai、Bi和Ci表示直线priorLine[i]的一般式方程参数，x和y分别表示图像中的横纵坐标；
归属像素点集表示细化结果图像ImgThin中所有距离直线priorLine[i]不超过阈值T1的像素点，若图像中的像素点满足如下公式，则将该像素点记为先验直线段priorSegLine[i]的一个归属像素点：
Figure FDA0003748640260000021
其中，(x0,y0)表示细化结果图像ImgThin中的像素点；
将所有满足上式的像素点(x0,y0)的集合记为归属像素点集pointsAttached[i]，表示先验直线段priorSegLine[i]的归属像素点集；
32)基于最小二乘法对归属像素点集进行直线拟合：
基于最小二乘法对归属像素点集pointsAttached[i]进行直线拟合，拟合得到的直线即粗拟合直线，记为initialLine[i]，并将粗拟合直线initialLine[i]的斜率记为
Figure FDA0003748640260000022
截距记为
Figure FDA0003748640260000023
其中斜率
Figure FDA0003748640260000024
和截距
Figure FDA0003748640260000025
的计算公式如下：
Figure FDA0003748640260000026
其中，npA是归属像素点集pointsAttached[i]中归属像素点的数量，
Figure FDA0003748640260000027
和
Figure FDA0003748640260000028
分别表示归属像素点集pointsAttached[i]中第z个归属像素点
Figure FDA0003748640260000029
的横坐标和纵坐标，z的取值范围是1～npA，inv()表示括号内矩阵的逆矩阵，T()表示括号内矩阵的转置矩阵；
33)重复步骤31)和步骤32)，直至每条先验直线段priorSegLine[i]都计算得到其对应的归属像素点集pointsAttached[i]和粗拟合直线initialLine[i]；
4)基于粗拟合直线进行直线精拟合，得到精拟合直线段；
5)对精拟合直线段进行去重处理，得到去重直线段；
6)对去重直线段进行方向筛选，完成直线段提取。
2.根据权利要求1所述的电力刀闸图像中直线段提取方法，其特征在于：在步骤4)中，具体步骤如下：
41)计算归属像素点在粗拟合直线上的映射点：
粗拟合直线initialLine[i]是根据归属像素点集pointsAttached[i]计算得到的，现计算归属像素点集pointsAttached[i]中的归属像素点
Figure FDA0003748640260000031
在粗拟合直线initialLine[i]上的映射点
Figure FDA0003748640260000032
计算公式如下：
Figure FDA0003748640260000033
42)对归属像素点集进行排序：
一个归属像素点对应一个映射点，按照映射点横坐标的大小，对归属像素点集pointsAttached[i]进行从小到大的排序，将排序后的归属像素点集记为排序归属像素点集pointsSorted[i]，将
Figure FDA0003748640260000034
记为排序归属像素点集pointsSorted[i]中第m个归属像素点，可知
Figure FDA0003748640260000035
43)对排序后的归属像素点进行分段：
基于欧式距离对排序归属像素点集pointsSorted[i]中相邻的归属像素点进行距离判断，若当前归属像素点
Figure FDA0003748640260000036
与上一个归属像素点
Figure FDA0003748640260000037
的距离disAttached小于常量阈值T2，则认为
Figure FDA0003748640260000038
和
Figure FDA0003748640260000039
属于同一像素段，若
Figure FDA00037486402600000310
和
Figure FDA00037486402600000311
间的距离一disAttached大于T2，则认为
Figure FDA00037486402600000312
和
Figure FDA00037486402600000313
属于不同像素段，距离一disAttached的计算公式如下：
Figure FDA00037486402600000314
计算完成后，可以得到
Figure FDA0003748640260000041
个像素段，
Figure FDA0003748640260000042
表示排序归属像素点集pointsSorted[i]分段后得到的像素段数量，令
Figure FDA0003748640260000043
表示第
Figure FDA0003748640260000044
个像素段中的归属像素点数量，其中
Figure FDA0003748640260000045
的取值范围是
Figure FDA0003748640260000046
44)像素段筛选：
对步骤43)中得到的像素段基于像素数量进行筛选，若归属像素点数量
Figure FDA0003748640260000047
则将归属像素点数量
Figure FDA0003748640260000048
对应的像素段保留，若
Figure FDA0003748640260000049
则将
Figure FDA00037486402600000410
对应的像素段剔除，其中T3是一个常量阈值，当
Figure FDA00037486402600000411
在取值范围内遍历完全后，即完成像素段筛选；将保留下来的像素段记为
Figure FDA00037486402600000412
表示第
Figure FDA00037486402600000413
个筛选得到的像素段，
Figure FDA00037486402600000414
的取值范围是
Figure FDA00037486402600000415
其中
Figure FDA00037486402600000416
是保留下来的像素段的数量；
45)像素段合并：
在步骤44)中筛选得到的像素段其中的归属像素点已经过排序，因此可得保留像素段
Figure FDA00037486402600000417
中的最小横坐标大于保留像素段
Figure FDA00037486402600000418
中的最大横坐标；将保留像素段
Figure FDA00037486402600000419
中具有最小横坐标的像素点记为
Figure FDA00037486402600000420
将保留像素段
Figure FDA00037486402600000421
中具有最大横坐标的像素点记为
Figure FDA00037486402600000422
若
Figure FDA00037486402600000423
与
Figure FDA00037486402600000424
之间的距离二disSeg小于常量阈值T4，则将保留像素段
Figure FDA00037486402600000425
中的像素点按照现有顺序插入到保留像素段
Figure FDA00037486402600000426
的尾部，
Figure FDA00037486402600000427
与
Figure FDA00037486402600000428
之间的距离二disSeg大于T4，则不做处理，其中距离二disSeg的计算公式如下：
Figure FDA00037486402600000429
当
Figure FDA00037486402600000430
在取值范围内遍历完全后，即完成像素段合并；将合并后的像素段记为合并像素段
Figure FDA00037486402600000431
表示第
Figure FDA00037486402600000432
个合并后的像素段，
Figure FDA00037486402600000433
的取值范围是
Figure FDA00037486402600000434
其中
Figure FDA00037486402600000435
是像素段
Figure FDA00037486402600000436
合并后像素段的数量，再将segMax[i]记为合并后像素段中具有最大像素点数量的最大像素段；
46)计算精拟合直线段：
基于最小二乘法对最大像素段segMax[i]进行直线拟合，计算方法与步骤32)一致，将拟合出的直线记为refineLine[i]，将直线refineLine[i]的斜率记为
Figure FDA0003748640260000051
截距记为
Figure FDA0003748640260000052
将最大像素段segMax[i]中具有最小横坐标的像素点记为
Figure FDA0003748640260000053
具有最大横坐标的像素点记为
Figure FDA0003748640260000054
分别计算像素点
Figure FDA0003748640260000055
与像素点
Figure FDA0003748640260000056
在直线refineLine[i]的映射点，并分别记为
Figure FDA0003748640260000057
和
Figure FDA0003748640260000058
计算方法与步骤41)一致；
分别以
Figure FDA0003748640260000059
和
Figure FDA00037486402600000510
作为线段的起点与终点，即得到精拟合直线段，记为refineSegLine[i]，其斜率和截距与直线refineLine[i]相同，分别为
Figure FDA00037486402600000511
和
Figure FDA00037486402600000512
47)重复步骤41)至步骤46)，直至每条粗拟合直线initialLine[i]都计算得到其对应的精拟合直线段refineSegLine[i]。
3.根据权利要求2所述的电力刀闸图像中直线段提取方法，其特征在于：在步骤5)中，具体步骤如下：
51)计算精拟合直线段与图像中心点的距离
将细化结果图像ImgThin的图像中心点记为(xcenter,ycenter)，计算精拟合直线段refineSegLine[i]与中心点(xcenter,ycenter)间的距离disCenter[i]，距离disCenter[i]的计算公式如下：
Figure FDA00037486402600000513
其中，
Figure FDA00037486402600000514
和
Figure FDA00037486402600000515
是精拟合直线段refineSegLine[i]对应的直线refineLine[i]的一般式直线方程参数；
52)判断精拟合直线段与图像中心点的位置关系：
计算精拟合直线段refineSegLine[i]是否在图像中心点(xcenter,ycenter)的上方，计算公式如下：
Figure FDA00037486402600000516
其中，up[i]表示线段refineSegLine[i]与图像中心点(xcenter,ycenter)的位置关系，down是一个常量阈值；
53)基于Mean-shift算法对精拟合直线段进行距离聚类：
重复步骤51)和步骤52)，直至每条精拟合直线段refineSegLine[i]都计算得到其对应的(disCenter[i],up[i])；
将((disCenter[1],up[1]),...,(disCenter[i],up[i]),...,(disCenter[npSL],up[npSL]))作为Mean-shift算法的输入，计算后可得到n4个距离聚类，n4是计算得到距离聚类的数量，用表示disCluster[j]第j个距离聚类，则j的取值范围是1～n4，每个距离聚类disCluster[ji]都包含聚类中心disCluster[j].dis和聚类方位disCluster[j].up；
若|disCenter[i]-disCluster[j].dis|＜＝T5，其中是一个T5常量阈值，并且up[i]＝＝disCluster[j].up，则认为精拟合直线段refineSegLine[i]属于距离聚类disCluster[j]；由此可将npSL条精拟合直线段分配给个n4距离聚类；
54)精拟合直线段去重：
距离聚类disCluster[j]包含若干条精拟合直线段，仅保留其中具有最大像素点数量的像素段，将其作为去重直线段，并重新命名为去重直线段goodSegLine[j]；当j在取值范围内遍历完全后，即完成精拟合直线段去重；此时，由原来的npSL条先验直线段变成了n4条去重直线段。
4.根据权利要求3所述的电力刀闸图像中直线段提取方法，其特征在于：在步骤6)中，具体步骤如下：
61)计算去重直线段角度：
令
Figure FDA0003748640260000061
表示去重直线段goodSegLine[j]中具有最小横坐标的像素点，令
Figure FDA0003748640260000062
表示去重直线段goodSegLine[j]中具有最大横坐标的像素点，去重直线段goodSegLine[j]的角度计算公式如下：
Figure FDA0003748640260000063
其中，angle[j]表示goodSegLine[j]的角度；
62)基于Mean-shift算法对去重直线段进行角度聚类：
重复步骤61)，直至每条去重直线段goodSegLine[j]都计算得到其对应的角度angle[j]；
将(angle[1],...,angle[j],...,angle[n4])作为Mean-shift算法的输入，计算后可得到n5个角度聚类，n5是计算得到角度聚类的数量，用表示angleCluster[k]第k个角度聚类，则k的取值范围是1～n5；每个角度聚类angleCluster[k]都包含聚类中心angleCluster[k].angle；
若|goodSegLine[j]-angleCluster[k].angle|＜＝T6，则认为去重直线段goodSegLine[j]属于聚类angleCluster[k]；由此可将n4条去重直线段分配给n5个角度聚类；
63)角度聚类评分：
将角度聚类angleCluster[k]包含的去重直线段的数量记为lk，角度聚类angleCluster[k]中第ok条去重直线段二记为angleCluster[k][ok]，ok的取值范围是1～lk；
去重直线段二angleCluster[k][ok]是由精拟合直线段筛选得到，因此去重直线段二angleCluster[k][ok]的长度可以通过其对应的精拟合直线段两端点的欧式距离计算得到，将去重直线段二angleCluster[k][ok]的长度记为length[k][ok]；同时，去重直线段二angleCluster[k][ok]到图像中心点的距离即去重直线段二angleCluster[k][ok]对应的精拟合直线段到图像中心点的距离，故将去重直线段二angleCluster[k][ok]到图像中心点的距离重命名为dis[k][ok]；
角度聚类angleCluster[k]的评分计算公式如下：
Figure FDA0003748640260000071
其中，rank[k]表示角度聚类angleCluster[k]的评分，σ和α是常量；
64)角度聚类筛选：
重复步骤63)，直至每个角度聚类angleCluster[k]都计算得到其对应的评分rank[k]，若评分rank[k]＞＝T7，则保留角度聚类angleCluster[k]；若rank[k]＜T7，则剔除角度聚类angleCluster[k]；遍历完成后，所有保留下来的角度聚类中的去重直线段二，即最终提取出的直线段，完成直线段提取。
CN201910332865.0A 2019-04-24 2019-04-24 一种电力刀闸图像中直线段提取方法 Active CN110189344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910332865.0A CN110189344B (zh) 2019-04-24 2019-04-24 一种电力刀闸图像中直线段提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910332865.0A CN110189344B (zh) 2019-04-24 2019-04-24 一种电力刀闸图像中直线段提取方法

Publications (2)

Publication Number Publication Date
CN110189344A CN110189344A (zh) 2019-08-30
CN110189344B true CN110189344B (zh) 2022-09-13

Family

ID=67715030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910332865.0A Active CN110189344B (zh) 2019-04-24 2019-04-24 一种电力刀闸图像中直线段提取方法

Country Status (1)

Country Link
CN (1) CN110189344B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689529A (zh) * 2019-09-21 2020-01-14 南京鑫和汇通电子科技有限公司 一种上下边界不平行的对开式刀闸开合角度检测方法
CN111829467B (zh) * 2020-06-24 2022-12-09 国家电网有限公司技术学院分公司 一种基于接线角度和位置的接线评估方法及系统
CN112489070B (zh) * 2020-11-23 2024-10-15 广东电网有限责任公司 一种用于压板标识牌的状态识别方法和装置
CN112529014B (zh) * 2020-12-14 2023-09-26 中国平安人寿保险股份有限公司 直线检测方法、信息提取方法、装置、设备及存储介质
CN113538393A (zh) * 2021-07-26 2021-10-22 中冶京诚工程技术有限公司 棒线材原料坯弯曲检测方法、装置、设备及可读存储介质
CN113569736A (zh) * 2021-07-28 2021-10-29 南方电网数字电网研究院有限公司 刀闸状态识别方法、装置、计算机设备和存储介质
CN113724313B (zh) * 2021-09-01 2024-05-28 河北工业大学 一种基于相关分析的深度图像直线段的识别与提取方法
CN113705524A (zh) * 2021-09-06 2021-11-26 上海景吾智能科技有限公司 图像中垂直线检测方法及系统
CN114549993B (zh) * 2022-02-28 2022-11-11 成都西交智汇大数据科技有限公司 实验中线段图像的评分方法、系统、设备及可读存储介质
CN115690104B (zh) * 2022-12-30 2023-03-07 合肥图迅电子科技有限公司 一种晶圆裂缝检测方法、装置及存储介质
CN116912273B (zh) * 2023-09-13 2023-12-12 国网山东省电力公司莱芜供电公司 基于三维gis的输电线路跨越施工方案可视化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090046930A1 (en) * 2007-08-14 2009-02-19 Electronics And Telecommunications Research Institute Method and apparatus for extracting line segments from image using incremental pixel extension
CN107833206A (zh) * 2017-10-24 2018-03-23 武汉大学 一种复杂背景下电力线精确提取方法
CN109242880A (zh) * 2018-08-24 2019-01-18 国网福建省电力有限公司漳州供电公司 一种基于图像处理的电力线提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090046930A1 (en) * 2007-08-14 2009-02-19 Electronics And Telecommunications Research Institute Method and apparatus for extracting line segments from image using incremental pixel extension
CN107833206A (zh) * 2017-10-24 2018-03-23 武汉大学 一种复杂背景下电力线精确提取方法
CN109242880A (zh) * 2018-08-24 2019-01-18 国网福建省电力有限公司漳州供电公司 一种基于图像处理的电力线提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
变电站机器人自动巡检中的刀闸开合状态分析;马啸川等;《电子测量与仪器学报》;20180630;第32卷(第6期);第64-71页 *

Also Published As

Publication number Publication date
CN110189344A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110189344B (zh) 一种电力刀闸图像中直线段提取方法
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN103207898B (zh) 一种基于局部敏感哈希的相似人脸快速检索方法
CN109389180A (zh) 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN107622489B (zh) 一种图像篡改检测方法及装置
CN104463196A (zh) 一种基于视频的天气现象识别方法
CN107358259B (zh) 基于GLOH描述子和GVF-Snake模型的绝缘子覆冰检测方法
CN109360179B (zh) 一种图像融合方法、装置及可读存储介质
CN102236675A (zh) 图像特征点匹配对处理、图像检索方法及设备
CN107203742B (zh) 一种基于显著特征点提取的手势识别方法及装置
CN109800660A (zh) 一种基于大数据聚类的电压暂降源识别方法和系统
CN116912234B (zh) 一种基于图像特征的电缆绞线质量检测方法
CN104573713A (zh) 一种基于图像纹理特征的互感器红外图像识别方法
CN106991401A (zh) 一种基于K‑means聚类算法的车道线检测方法
CN111524164A (zh) 一种目标跟踪方法、装置及电子设备
CN108596196B (zh) 一种基于绝缘子图像特征词典的污秽状态评估方法
Rahman et al. Human ear recognition using geometric features
CN104361339B (zh) 掌形图形提取及识别方法
CN104504161B (zh) 一种基于机器人视觉平台的图像检索方法
CN117788902A (zh) 超高压检修作业人员安全评估方法、装置、设备及介质
CN107392127B (zh) 基于切比雪夫多项式描述子的输电线路提取方法
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN106446832B (zh) 一种基于视频的实时检测行人的方法
CN109299304B (zh) 目标图像检索方法及系统
CN106407902A (zh) 一种基于几何差异的飞机目标识别方法

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