CN110400267A - 一种基于巡检图像的预处理方法 - Google Patents

Abstract

本发明公开了一种基于巡检图像的预处理方法包括图像去雾算法，去除天气因素对图像质量的影响，保证图像的原始特征；图像分割算法，得到满足均匀性和连通性的条件区域，将感兴趣的目标或有意义的区域提取出来；图像去噪算法，去除在成像过程中引入大量噪声，保证目标物的原始特征；图像增强算法，图像增强处理是为了优化图像质量，强调图像中感兴趣区域，提高图像的可读性；图像复原算法，对因出现畸变、模糊、失真或混入噪声产生退化现象的图像进行处理，得到尽可能恢复的源图像。本发明示例的技术方案，用于进行巡检图像的预处理，提升巡检图像的质量，凸显目标物的特征，有利于后期智能识别与分类，比仅依靠人工甄别的方式进行处理而言大大降低了成本。

Description

一种基于巡检图像的预处理方法

技术领域

本发明属于线路维护技术领域，尤其涉及输电线路的维护，具体的说是一种基于巡检图像的预处理方法。

背景技术

随着计算机技术和图像处理技术的发展，基于在线监测、机器人、无人机等新型巡检方式不断出现。利用摄像机，照相机获取的数字图像，如果仅仅依靠人工甄别的方式进行处理，将消耗大量的人力。同时，因为采集角度，天气状况，传输因素等原因，导致采集的图像并不理想。严重影响采集图像的质量的因素主要包括以下几个方面：

光照、复杂场景的影响。即使在同一个位置拍摄的图像，在不同的时间，如中午和黄昏，晴天和雨天等都会导致采集的图像亮度不同。逆光和顺光拍摄的不同，输电线路本身的颜色，等一些列因素都会影响采集图像质量。图像过暗或过亮，都会导致图像对比度不强。同时衍射现象是否明显也会受到光照强度的影响。

天气情况的影响。在晴天，无雾，无尘天气，采集的图像相对较理想。由于均是在野外采集图像，当遇到大雾天气，图像采集会受到过多的影响。当沙尘天气或者能见度相对较低时采集图像，图像会引入较多的噪声。同时在传输图像的过程中，也会产生高斯噪声或者脉冲噪声。

无人机在飞行过程中其成像系统受到运动、姿态变化、机械振动等影响比较常见，导致巡检过程中获取的图像产生失真扭曲和运动模糊。

复杂背景的干扰。采集图像的过程中会遇见复杂的环境，如建筑物，树木遮挡等。

综上所述，输电线路巡检图像具有动态背景复杂、目标旋转、伸缩、被遮挡、目标相对运动的复杂性和随机性等特点，导致目标在图像中不够突出，处理难度大。同时野外采集的图片边缘模糊，对比度相对较差，空间域上存在随机分布的点和小块噪声，导致后期图像处理效果不理想。

发明内容

为解决上述现有技术的中的不足，本发明的目的在于提供一种基于巡检图像的预处理算法技术，该方法用于对巡检图像进行预处理，提升巡检图像质量，保证图像的真实性，凸显目标物的特征，便于后期智能识别分类。

本发明所采用的技术方案为：

一方面，提供了一种基于巡检图像的预处理算法，

所述图像去雾包括：

构建引导滤波，可以用于图像重建、滤波和保边操作等；

从暗通道图中按照亮度的大小取前0.1％的像素；

在原始有雾图像中寻找对应的具有最高亮度的点的值；

进一步的，对去雾后的原始图像进行分割算法处理，

所述图像分割算法包括：

抽取反应灰度变化的边缘点；

结合图像的先验知识剔除某些边界点或填充边界间断点，将这些边缘连接成一条完整的线；

进一步的，对分割后的图像进行算法去噪处理，

所述图像去噪包括：

对含有噪声的图像信号进行小波变换，获得不同尺度上的子图像；

在不同尺度上对细节的小波变换系数设定阈值，把噪声从信号中分离出来；

用重构算法实现图像的复原。

进一步的，对去噪后的巡检图像进行算法增强处理，

所述图像增强包括：

对需要增强的待检测图像采用中值滤波、直方图均衡化处理；

对巡检图像进行图像锐化处理，增强图像的边缘或轮廓。

进一步的，对增强后的巡检图像进行算法复原处理，

所述图像复原技术包括：

对退化图像的模糊和噪声建立数学模型；

通过模型的逆过程来求解原图像。

与现有技术相比，本发明的有益效果为：

1、本发明示例的基于巡检图像的预处理方法，对原始图片进行预处理，消除原始图片中的水雾和噪声，提高原始图片的清晰度，有利于提高后续的智能识别分类的准确性。

2、本发明示例的基于巡检图像的预处理方法，所采用的图像灰度化、直方图、图像增强和图像滤波等方法，使得巡检图像中的目标物更加容易分辨，而且使用方便，运算速度快，噪声消除也很好，同时也没有其他滤波方法导致的图像变模糊的问题，有效保证检测结果的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本发明实施例的流程图；

图2为本发明实施例基于导向滤波的暗通道先验图像去雾算法计算流程图；

图3为小波滤噪声重构图像示意图；

图4为本发明实施例改进后的维纳滤波原理图；

图5为本发明实施例原始图片的图像直方图；

图6为本发明实施例的原始图片经过图像增强的均衡化后的图像直方图；

图7为本发明实施例图像采用预处理算法的效果对比图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，本发明的一个实施例提供了一种基于巡检图像的预处理方法，包括：

S1：原始巡检图像进行去雾处理，得到去雾后的巡检图像；

S2：对去雾操作后的图像进行分割处理，提取到目标图像中的轮廓；

S3：对分割后的图像进行去噪处理，得到去除噪声干扰的巡检图像；

S4：对分割后的图像进行增强处理，突出图像中目标区域；

S5：对增强后的图像进行复原处理，得到最终的预处理图像。

S1中，基于导向滤波的暗通道先验图像去雾算法。暗原色先验理论是指在非天空域像素在某个原色通道的值趋近于0，这种规律被称为暗原色先验。引导滤波是一种需要引导图的边缘保持性滤波器，用于图像重建、滤波和保边操作等。滤波器的输出图像q和引导图I、输入图像p有关，其中I和p是给定值，q与I在窗口ω_k的存在局部线性关系.引导图与输入图预先设定，引导滤波假设在输入图像I与滤波输出图q间是线性关系，在以k为中心的窗口中存在以下局部线性关系：

其中q是输出图的像素值，i,k是图像像素索引，a和b是窗口中心为k点时的线性函数系数.实践过程中，像素很可能会被多个滤波窗口包含，需要将所有包含该点的线性函数加权平均得到如下:

其中，ω_k是所有以k为中心，包含像素i的窗口。

一般步骤为：

1)根据原始雾天图像，得到暗原色图像并计算粗略透射率t(x,y)

2)利用导向滤波器对粗略透射率进行优化得到精细透射率t₁(x,y)

3)由暗原色图像估计大气光值A,将求得的精细透射率和大气光值A值得到复原图像

4)将复原后的初步图像从RGB空间转到HSI空间

5)对照度分量I进行自适应MSR算法处理

6)对饱和度分量S采用自适应线性拉伸进行调整

7)将色彩空间从HSI到RGB得到最后的去雾图

S2中，直方图加权模糊均值聚类分割算法，分类和分割问题本质上是一致的，均是按照某种准则(如最小均方误差)来获得样本的类别标记。同时由于图像分割的无监督性和图像质量评价的主观性使得基于划分的聚类算法特别适合于图像分割问题。

早期的基于的分割算法中，待分析的样本为图像的像素点，特征为像素的灰度，比如对于一幅512x512的图像，分类样本数为262144,对于遥感图像等更大尺寸的图像而言，样本数目将更多，从而影响了分割过程的实时性。既然分类的特征为灰度，人们希望直接把灰度及其出现的频度作为待分类的样本，与基于划分的聚类算法相结合就形成了一维灰度直方图加权的图像分割算法。这样对给定灰度阶的图像，分类的样本不随图像尺寸的增大而增大，比如对于的8bit图像，不论尺寸多大，分类的样本只有256个。图像的尺寸M*N只影响灰度直方图的计算，即各灰度级出现的概率：

其中，n(i)表示灰度为的像素在该图像中出现的次数，L为总的灰阶数目。显然直方图满足条件因此，可直接利用直方图加权模糊均值聚类算法实现图像分割。

S3中，小波去噪算法。由傅立叶变换演变而来的小波变换拥有多分辨率识别的特点，它摒弃了傅立叶变换的弱点，相对于一维数据有较强的逼近性，在数字图像处理领域应用非常广泛。

其主要步骤如下：

许多噪声都近似服从高斯分布，所以在此假设n高斯分布噪声。为了滤除噪声，一般数学变换的应用是必可少的，通常通过变换将信号从时域转换到频域，数学变换最为常用的是傅里叶变换和小波变换。由于小波变换的线性特性，当含噪信号y经过小波变换转换后，结果包含x的小波变换和噪声n小波变换两部分。根据此变换原理，高斯噪声的小波去噪方法为，先对含噪信号进行小波分解，再在各尺度下进行小波系数的获取，对于噪声的小波系数剔除不要，最后利用小波逆变换进行重构，就可以达到去除噪声的目的。

假设待处理的图像信号为f(x,y)∈L²(R²)，二维离散小波的尺度函数与对应的小波函数分别为Φ(x,y)和ψ(x,y)。这里只考虑尺度函数是可分离的情况，从而有下列4个二维基本小波，构成二维小波变换的基础

Φ(x,y)＝Φ(y)Φ(y),Ψ¹(x,y)＝Ψ(x)Ψ(y)

Ψ²(x,y)＝Φ(y)Ψ(y),Ψ³(x,y)＝Ψ(x)Ψ(y)

2-4

则在分辨率为2^-j下，第j层图像的小波变换为：

式中，j≥0,l＝1,2,3,j,l,m,n都为整数。

式中，是f(x,y)第j层的低频分量，代表图像的轮廓；式中的分别是f(x,y)第j层的水平、垂直和对角高频分量，代表图像的细节信息。图像中噪声部分主要集中在高频分量中，所以小波去噪时主要是对高频分量进行。

去除高频分量中的噪声信号的方法，这里采用Donoho在参考文献中提出经典的软阈值方法：假设小波系数为ω，阈值为T，则有：

式中，阈值T的大小与噪声n(x,y)的标准差σ有关。当采用部阈值

式中，N为信号的长度，j分解层数。

噪声的标准差σ在实际应用中通常是未知的，需要对它进行估计。关于噪声标准差σ估计值的研究很多，并给出很多不同的算法，但都没有得出一般性的结论。其中，使用较多的标准差σ估计值为MAD为HH子带(对角高频分量)小波系数的中值。很多噪声标准差σ估计的方法都是以这种方法为基础的，这种方法可以有效的消除噪声，但图像的一些边缘和细节信息也会被平滑掉。可以先使用边缘检测的方法，找出图像中边缘信息的位置并保留边缘信息，再根据阈值去噪方法去除图像中的噪声，这样图像中的边缘等细节信息就不会被去除，从而可以减少由于去噪而造成的图像的信息损失。

基于边缘检测的小波去噪方法，具体步骤如下：

1)根据图像边缘检测的方法，检测图像边缘信息，并保存边缘信息；

2)对图像进行f(x,y)进行多尺度小波变换，得到各层的水平、垂直和对角高频分量的小波系数，分解的层数一般为3层；

3)对高频系数估计其噪声的标准差，令

4)计算各层的阈值T；

5)对各层高频系数进行软阈处理，经过软阈值函数映射后得到了估计系数；

6)对低频系数和处理后的高频系数进行小波逆变换，实现重建与去噪。

7)将重建后的图像与(1)保留的边缘图像相加，得到保留图像细节的去噪图像。

S4中，采用实现简单的基于空域的图像增强技术，对需要增强的待检测图像采用中值滤波、直方图均衡化处理，有效地降低噪声干扰和图像光照不均带来的影响，提升后期识别定位的鲁棒性。具体如下：

空间域图像增强是直接对图像中的像素进行处理，主要分为点处理，包括灰度变换和直方图修正法；区域处理，包括平滑和锐化处理。空间域处理定义公式如下：

g(x,y)＝T[f(x,y)]

2-8

其中f(x,y)表示原图像，g(x,y)表示处理后的图像，T是对f的一种操作。

1)灰度变换

线性灰度变换中常用的是分段线性变换，其突出了感兴趣信息的灰度区间，同时抑制了不感兴趣的灰度区间，一般表达式为：

对数变换的一般表达式为：

s＝clog(1+r)

2-10

幂次变换的一般表达式为：

s＝cr^y

2-11

灰度变换的作用主要有以下四种：亮度调整、对比度拉伸、局部提高或降低对比度、灰度级切片。

直方图均衡化的原理是将原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。是对图像的非线性拉伸，使一定灰度范围内的像素数量大致相同。

图像平滑用于突出图像中的主干部分，目的是使图像的亮度平缓渐变、去除噪声、提高图像质量。图像锐化的目的是增强图像的边缘或轮廓。图像锐化的方法包括一阶微分锐化方法和二阶锐化微分方法。图像锐化常用的是梯度法，对于离散图像处理，微分采用差分近似表示，一元函数f(x,y)的一阶微分的差分形式为：

二阶微分的差分形式为：

S5中，维纳滤波算法是综合退化函数和噪声统计特性两方面的情况后进行图像复原处理的，在噪声较小，图像退化不太严重的情况下，可以获得很好的图像恢复效果，是图像复原算法中应用最广泛的一种。具体如下：

维纳滤波就是找到传输函数为H(u,v)的滤波器，使恢复出的近似原图像f^*(x,y)与真正的原图像f(x,y)的均方误差达最小，即:[f(x,y)-f^*(x,y)]²→min。因此，维纳滤波器通常又称为最小均方误差滤波器。通过维纳滤波获得的原图像的估计:

式中:[]是维纳滤波器；共轭序列H^*(u,v)；p_f(u,v)是未失真图像的功率谱，p_n(u,v)是噪声功率谱，两者比值的作用是进行归一化。实际应用时，p_n(u,v)和p_f(u,v)都是难以估计，所以通常用下面公式来近似维纳滤波复原：

式中:一般用观测图像信噪比的倒数来给常数γ赋值。通过调整常数γ的大小可以获得最优的复原结果。然维纳滤波算法能够自动抑制噪声，在准确已知点扩散函数PSF的情况下，可以非常出色地实现运动模糊图像的恢复。但是，这种算法也存在不足之处：维纳滤波算必须预知或估计出未退化图像和噪声的功率谱。

引入像质评价函数灰度梯度向量模方和G′_k，G′_k的值反应了图像灰度变化率的大小，一副图像越模糊，图像中灰度变化率越小，G′_k的值也就越小；图像由模糊变清晰时，图像中的灰度变化率由小变大，最大值G′_k的对应的图像就是最清晰的图像。在某图像窗口w(M×N)内的灰度梯度向量模方和为：

G′_k＝∑_(x,y)∈w{[f(x,y)-f(x+1,y)]²+[f(x,y)-f(x,y+1)]²}

2-16

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

除说明书所述的技术特征外，其余技术特征为本领域技术人员的已知技术，为突出本发明的创新特点，其余技术特征在此不再赘述。

Claims (7)

1.一种基于巡检图像的预处理方法，其特征是，包括：

其特征是，所述原始图像是对输电线路巡检后得到的巡检影像。

2.根据权利要求1所述的基于巡检图像的预处理方法，其特征是，所述对原始图像进行预处理，包括：图像去雾、图像分割、图像去噪、图像增强和图像复原。

3.根据权利要求2所述的基于巡检图像的预处理方法，其特征是，所述图像去雾包括：构建引导滤波，可以用于图像重建、滤波和保边操作等，从暗通道图中按照亮度的大小取前0.1％的像素，在原始有雾图像中寻找对应的具有最高亮度的点的值。

4.根据权利要求2所述的基于巡检图像的预处理方法，其特征是，所述图像分割包括：

抽取反应灰度变化的边缘点；

结合图像的先验知识剔除某些边界点或填充边界间断点，将这些边缘连接成一条完整的线。

5.根据权利要求2所述的基于巡检图像的预处理方法，其特征是，所述图像去噪包括：

对含有噪声的图像信号进行小波变换，获得不同尺度上的子图像；

在不同尺度上对细节的小波变换系数设定阈值，把噪声从信号中分离出来；

用重构算法实现图像的复原。

6.根据权利要求2所述的基于巡检图像的预处理方法，其特征是，所述图像增强包括：

对需要增强的待检测图像采用中值滤波、直方图均衡化处理；

对巡检图像进行图像锐化处理，增强图像的边缘或轮廓。

7.根据权利要求2所述的基于巡检图像的预处理方法，其特征是，所述图像复原包括：

对退化图像的模糊和噪声建立数学模型；

通过模型的逆过程来求解原图像。