CN110956078B - 一种电力线检测方法及装置 - Google Patents

Abstract

本发明提供一种电力线检测方法及装置，属于电力线检测技术领域。该方法包括：获取电力线图像；提取电力线图像的边缘像素点；利用所述电力线图像的边缘像素点构建直线支撑区域；对构建好的直线支撑区域进行调整：其中，迭代执行如下步骤：当直线支撑区域的长度大于设定长度阈值，且直线支撑区域的内点密度小于设定内点密度阈值时，剔除直线支撑区域长度方向上两侧的像素点，直至长度大于等于设定长度阈值且内点密度大于等于设定内点密度阈值，得到调整后的直线支撑区域；进行直线编组拟合得到图像中的电力线。本发明的直线支撑区域调整方式能降低电力线漏检的几率。

Description

一种电力线检测方法及装置

技术领域

本发明涉及一种电力线检测方法及装置，属于电力线检测技术领域。

背景技术

随着无人机技术的高速发展，无人机巡航环境中复杂背景环境下的电力线等线类障碍物的检测成为热点。

目前的直线检测算法主要有基于边缘图像和基于图像梯度两种方法：(1)基于边缘图像的方法主要是Hough变换，其中，标准Hough变换占用系统资源较多，运算复杂、效率与精度低；随机Hough变换、概率Hough变换或离散Hough变换等，虽然降低了标准Hough变换的运算量与内存消耗，提高了直线检测的精度，并通过对像素点进行预编组和聚类，很好的解决虚假直线以及直线信息缺失的问题，但总体上的运算复杂度仍然较高，时间效率低。(2)基于图像梯度的方法主要根据梯度相同的相邻像素点数目来提取直线，存在误检过多的情况，R.Grompone结合图像梯度与Helmholtz原则，提出了直线段检测算法(LineSegment Detector，LSD)，提高了直线检测的准确度；Akinlar和Topal提出了一种对边缘点拟合的边缘检测算法(Edge Drawing，ED)，提高了直线检测效率，但检测的直线容易出现断裂。

通过对城市环境下无人机巡航过程中的图像分析，发现城市空间环境较为复杂，且城市空间环境中光照情况差异较大，随着无人机空间位置的变换，在巡航过程中还可能存在因飞行速度过快导致的图像模糊，利用传统直线检测方法进行复杂背景下的电力线检测，容易出现电力线误检、漏检与断裂等问题，难以实现复杂城市环境下的电力线检测。

发明内容

本发明的目的是提供一种电力线检测方法及装置，用以解决利用传统直线检测方法进行复杂背景下的电力线检测，容易出现电力线漏检的问题。

为实现上述目的，本发明提供了一种电力线检测方法，该方法包括以下步骤：

1)获取电力线图像；

2)提取电力线图像的边缘像素点；

3)利用所述电力线图像的边缘像素点构建直线支撑区域；

4)对构建好的直线支撑区域进行调整：其中，迭代执行如下步骤：当直线支撑区域的长度大于设定长度阈值，且直线支撑区域的内点密度小于设定内点密度阈值时，剔除直线支撑区域长度方向上两侧的像素点，直至长度大于等于设定长度阈值且内点密度大于等于设定内点密度阈值，得到调整后的直线支撑区域；

5)进行直线编组拟合得到图像中的电力线。

本发明还提供了一种电力线检测装置，该装置包括处理器和存储器，所述处理器用于运行存储在所述存储器中的程序指令以实现以上电力线检测方法。

本发明的有益效果是：在直线支撑区域构建完成后，还通过迭代执行如下步骤对直线支撑区域进行调整：当直线支撑区域的长度大于设定长度阈值，且直线支撑区域的内点密度小于设定内点密度阈值时，剔除直线支撑区域长度方向上两侧的像素点，直至长度大于等于设定长度阈值且内点密度大于等于设定内点密度阈值，得到调整后的直线支撑区域；由此可见：当直线支撑区域需要进行调整时，本发明通过剔除直线支撑区域长度方向上两侧的像素点使直线支撑区域逐渐变小，与传统直线检测方法中将直线支撑区域从中间直接截断的调整方式相比，本发明能够更好地保留图像中的电力线直线特征，避免出现电力线被小型物体遮挡而检测不到的情况，进而降低电力线漏检的几率。

进一步地，在上述方法及装置中，进行直线编组拟合前，还利用Helmholtz原则对所有长度大于等于设定长度阈值且内点密度大于等于设定内点密度阈值的直线支撑区域进行验证，对所有通过验证的直线支撑区域对应的直线段进行直线编组拟合得到图像中的电力线。

利用Helmholtz原则对所有长度大于等于设定长度阈值且内点密度大于等于设定内点密度阈值的直线支撑区域进行验证，只对通过验证的直线支撑区域对应的直线段进行直线编组拟合，通过剔除掉不符合要求的直线支撑区域，降低了直线支撑区域的误检率，进而降低了电力线检测的误检率，解决了电力线检测中的误检问题，提高了电力线检测的准确率。

进一步地，在上述方法及装置中，所述步骤3)中，仅对梯度角度在设定角度范围内的电力线图像的边缘像素点进行伪排序，按照梯度等级从高到低依次选取种子点作为初始点构建直线支撑区域。

利用设定角度范围剔除掉电力线图像的边缘像素点中竖直等其他方向的非目标直线像素点，仅对梯度角度满足设定角度范围的电力线图像的边缘像素点进行伪排序，能降低后续排序像素点的数据量，进而降低运算时间，提高直线支撑区域的构建效率。

进一步地，在上述方法及装置中，进行伪排序时，按照梯度值范围为0～255将梯度值划分为256个等级，边缘像素点根据其梯度值大小划分到相应的256个等级中。

进行伪排序时将梯度值划分为256个等级，与传统LSD算法进行伪排序时设定的1024个等级相比，降低了排序的复杂度，提高了像素点排序的时间效率。

进一步地，在上述方法及装置中，所述直线编组拟合的步骤包括：首先，通过计算直线段中点到其他所有直线段的相对距离，将相对距离小于设定距离阈值的直线段编成一组，完成直线编组；然后，利用最小二乘法对每个直线编组内的直线段进行拟合得到拟合直线；最后，将各拟合直线延伸到图像边界，得到图像中的所有电力线。

进行直线编组拟合时，先通过一次性计算直线段中点到其他所有直线段的相对距离，将相对距离小于设定距离阈值的直线段编成一组，再对组内直线段进行拟合，即本发明只在编组完成后对组内直线段进行一次拟合，进行直线编组时无需进行直线拟合，与现有的通过直线拟合实现直线编组的直线编组拟合方法相比，能够减少直线拟合次数，避免多次拟合造成的误差，减低算法运算量，提高电力线的检测效率。

为了提高光照情况变化剧烈的场景下电力线图像的边缘像素点的提取效果，使本发明的电力线检测方法在电力线图像光照差异较大时仍能取得较好的检测效果，进一步地，在上述方法及装置中，提取电力线图像的边缘像素点时，结合图像灰度特征和最大类间方差法自适应确定电力线图像的边缘检测阈值。

为了实现自适应确定电力线图像的边缘检测阈值，进一步地，在上述方法及装置中，所述电力线图像的边缘检测阈值为：使电力线图像前景和背景的灰度方差g最大的电力线图像前景与背景的分割阈值，其中，g＝α₀α₁(β₀-β₁)²，α₀、α₁分别为电力线图像前景、背景像素点数的占幅比，β₀、β₁分别为电力线图像前景、背景的平均灰度。

为了更好地实现直线支撑区域的构建，进一步地，在上述方法及装置中，所述构建直线支撑区域的步骤包括：将选取的种子点作为直线支撑区域的初始像素点，以该点的梯度角作为区域方向角度，将梯度角与区域方向角度的误差值小于设定角度误差的邻域像素点加入直线支撑区域，标记该邻域像素点状态为已使用，按照公式

更新区域方向角度，并沿区域梯度正负方向继续遍历，直到没有像素点加入直线支撑区域；其中，θ₀为区域方向角度，θ_i为直线支撑区域内第i个像素点的梯度角。

附图说明

图1是本发明方法实施例中电力线检测方法的流程图；

图2是本发明方法实施例中不同光照下电力线图像的边缘提取效果对比图；

图3是本发明方法实施例中直线支撑区域的构建流程图；

图4是本发明方法实施例中直线编组拟合的流程图；

图5是本发明方法实施例中简单背景下的电力线检测结果对比图；

图6是本发明方法实施例中复杂背景下的电力线检测结果对比图；

图7是本发明方法实施例中不同光照背景下的电力线检测结果对比图；

图8是本发明方法实施例中不同运动模糊情况下的电力线检测结果对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例对本发明进行进一步详细说明。

方法实施例：

如图1所示，本实施例提供了一种电力线检测方法，主要包括边缘提取、直线支撑区域构建和直线编组拟合三个步骤，首先结合图像灰度特征提取电力线图像的直线边缘点，提高复杂光照环境下电力线边缘点的提取准确率，然后利用边缘点梯度构建直线支撑区域，消除大部分的场景噪声，结合电力线图像特征对直线支撑区域进行筛选，建立电力线对应的目标直线段，最后根据线段所在直线间的欧式距离完成直线的聚类，相对于传统直线检测方法，提高了电力线检测的准确率，能够降低电力线漏检几率，消除误检电力线，连接断裂的电力线。

下面对每个步骤进行详细介绍。

1、边缘提取

本实施例采用一种结合图像灰度特征的自适应边缘提取算法，根据电力线图像的前景与背景像素点的平均灰度差值选取合适的阈值，再依据图像梯度场对电力线图像的边缘点进行提取，提高复杂光照情况下的边缘点提取的鲁棒性。

具体如下：

采用2阶梯度算子计算像素点梯度，算子模型G_x、G_y为：

进而利用像素点(x,y)的灰度值计算像素梯度场，梯度计算公式为：

式中，G_x(x,y)为像素点(x,y)在x方向的梯度值，G_y(x,y)为像素点(x,y)在y方向的梯度值，g(x,y)为像素点(x,y)的总梯度幅值。

像素点(x,y)的梯度角θ(x,y)和梯度幅值G(x,y)的计算公式为：

接着用非极大值抑制法筛除掉梯度非局部最大值的像素点，保留梯度局部最大值的像素点作为电力线图像的候选边缘点，然后根据滞后阈值法对候选边缘点进一步筛选，提取电力线图像的边缘像素点。

为适应图像光照差异较大的情况，本实施例结合图像灰度特征和最大类间方差法自适应的选择图像滞后阈值(即图像的边缘检测阈值)：假设图像H前景与背景分割阈值为Th，前景像素点数的占幅比为α₀，平均灰度为β₀；背景像素点数的占幅比为α₁，平均灰度为β₁。定义前景和背景的灰度方差为g如公式(4)所示，则使得g值最大的Th即为适应图像H的边缘检测阈值。

g＝α₀α₁(β₀-β₁)² (4)

将本实施例的边缘提取算法与传统的Canny算法进行实验验证对比分析，如图2所示，图中(a)、(b)、(c)为不同光照下的原始图像，(a1)、(b1)、(c1)分别为不同光照下Canny算法的边缘提取效果图，(a2)、(b2)、(c2)分别为不同光照下本实施例的边缘提取算法的边缘提取效果图；经过对比可以看出，本实施例的边缘提取算法在光照变化场景下的图像边缘点提取效果较好，对电力线的边缘点提取较为完整，可以为后续的线基元提取奠定基础，并减少了提取的数据量，提高了算法的检测效率。

本实施例中的边缘提取算法，即使在光照情况变化剧烈的实际情况下，电力线图像光照差异相差较大时，依然能取得较好的边缘点提取效果，有利于实现光照变化情况下的电力线检测；作为其他实施方式，在图像光照差异不大的情况下，还可以选取现有的Canny、Sobel、Prewitt等边缘提取算法来提取电力线图像的边缘像素点。

2、直线支撑区域构建

构建直线支撑区域是电力线检测的关键步骤，传统方法主要通过对像素点的梯度排序，从高梯度依次向下选择像素点作为区域初始点，添加邻域中梯度角在最大容忍误差内的像素点到直线支撑区域，最终输出直线支撑区域的角度与端点坐标。而传统直线支撑区域构建方法难以适应复杂背景中电力线的检测，容易出现误检、漏检与断裂等问题，因此本实施例结合电力线的图像特征改进直线支撑区域的构建方法，提高电力线检测的准确率。

首先对电力线图像中电力线特征进行分析，得到以下特征：1)电力线近似为线状物体，图像中的电力线可视为微弯的直线；2)电力线具有一定范围的倾斜角度，且近似平行，长度相似，贯穿整幅图像。

本实施例的直线支撑区域的构建流程图如图3所示，包括直线支撑区域初构建、直线支撑区域调整和直线支撑区域验证三个步骤。

(1)直线支撑区域初构建

由于真实场景中电力线长度较长，且近似平行，图像中电力线一般贯穿整幅图像且其角度在一定范围内变化，因此本实施例中利用设定角度范围[-τ,τ](具体大小可根据实际需要设置)剔除掉电力线图像的边缘像素点中竖直等其他方向的非目标直线像素点，仅对梯度角度满足设定角度范围的电力线图像的边缘像素点进行伪排序，以降低后续排序像素点的数据量，进而降低运算时间，提高直线支撑区域的构建效率。

为节省算法的迭代时间，降低排序的复杂度，提高像素点排序的时间效率，本实施例中设定像素点梯度值范围为0～255，若梯度值大于255，则默认梯度值为255，以此建立对应的256个bin(即等级)，将边缘像素点根据其梯度值大小划分到相应的256个等级中。

从等级最高的bin中选取种子点P，将其作为直线支撑区域的初始像素点(即初始点)，以该点的梯度角θ_i作为区域方向角度θ₀，若邻域内像素点的梯度角与区域方向角度θ₀的误差值小于设定角度误差τ，则将该邻域像素点加入直线支撑区域，并标记该邻域像素点状态为已使用(即USED)，按照公式(5)更新区域方向角度θ₀，并沿区域梯度正负方向继续遍历，令遍历过的像素点状态为USED，直到没有像素点加入直线支撑区域；然后，按照梯度等级从高到低依次选取状态为未使用(即UNUSED)的边缘像素点作为种子点继续构建新的直线支撑区域，直到所有像素点的状态为USED。

作为其他实施方式，还可以采用传统的LSD算法进行直线支撑区域的初构建。

(2)直线支撑区域调整

利用直线支撑区域的长度和内点密度对直线支撑区域进行调整，其中，直线支撑区域的设定长度阈值为λ，直线支撑区域的设定内点密度阈值为η，设定长度阈值和设定内点密度阈值的大小均可根据实际需要设置。

当直线支撑区域的长度大于λ时，统计直线支撑区域内与区域方向角度θ₀的误差在τ内的像素点即区域内点的个数，计算直线支撑区域的内点密度d如公式(6)，若直线支撑区域的内点密度d小于η，则对直线支撑区域进行调整，即剔除直线支撑区域长度方向上两侧的像素点(例如剔除长度方向上两侧八分之一区域的像素点，具体可根据实际需要调整)对直线支撑区域进行调整，并对剩余像素点形成的新的直线支撑区域继续进行长度和内点密度的判断，直至长度大于等于λ且内点密度大于等于η，得到调整后的直线支撑区域；若在调整过程中，生成的新的直线支撑区域的长度小于λ，则放弃该直线支撑区域。

其中，若初构建的直线支撑区域的长度小于λ，则直接删除该初构建的直线支撑区域；若初构建的直线支撑区域本身即满足长度大于等于λ且内点密度大于等于η，则直接保留该初构建的直线支撑区域。

本实施例中通过剔除直线支撑区域长度方向上两侧的像素点使直线支撑区域逐渐变小，与传统直线检测方法中将直线支撑区域从中间直接截断的调整方式相比，能够更好地保留图像中的电力线直线特征，避免出现电力线被小型物体遮挡而检测不到的情况，进而降低电力线漏检的几率。

(3)直线支撑区域验证

本实施例中，利用Helmholtz原则对所有满足长度大于等于λ且内点密度大于等于η的直线支撑区域进行验证，即判断直线支撑区域的错误报警数(Number of False Alarm，NFA)是否小于ε，若小于则认为该直线支撑区域是ε有意义的直线支撑区域(即通过验证)，并输出通过验证的直线支撑区域对应的直线段的相关参数。

利用Helmholtz原则对直线支撑区域进行验证，只对通过验证的直线支撑区域对应的直线段进行直线编组拟合，通过剔除掉不符合要求的直线支撑区域，能够降低直线支撑区域的误检率，进而降低电力线检测的误检率。其中，利用Helmholtz原则对直线支撑区域进行验证是现有技术，此处不做过多说明。

作为其他实施方式，根据实际应用需求，当直线支撑区域的误检率在一定误差范围内时，也可以省略利用Helmholtz原则对直线支撑区域进行验证的步骤，直接对所有满足长度大于等于λ且内点密度大于等于η的直线支撑区域对应的直线段进行直线编组拟合。

3、直线编组拟合

对于利用传统直线检测方法进行复杂背景下的电力线检测容易出现电力线断裂的问题，本实施例在传统直线检测算法的基础上结合距离度量完成直线的分组和拟合(即直线编组拟合)，拟合断裂线段成一条直线，提高电力线检测的完整性，直线编组拟合的流程图如图4所示：

初步提取的直线段很难准确表示图像中的目标直线，为解决电力线检测结果中的断裂问题，结合欧氏距离和最小二乘算法对步骤2中获得的直线段进行分组和拟合，算法步骤如下：

1)获取直线段(以下简称线段)的端点坐标，并计算线段的相关参数，并标记状态为UNUSED，若L_i＝{P_i1(x_i1，y_i1),P_i2(x_i2，x_i2)}，其中，P_i1、P_i2为线段左、右端点，设线段数目为m，则1＜i＜m。根据公式(7)计算线段L_i的中心点P_i(x_i，y_i)。

其中，线段L_i的斜率k_i、截距b_i计算如下：

2)初始化直线组数j＝0，选取端点中纵坐标最小点所在线段作为初始线段L_j存入直线组K_j，获取初始线段L_j的中心点坐标P_j，定义该中心点到其他线段的距离D_i：

遍历线段集合中状态为UNUSED的线段L_i，设定距离阈值W(具体大小可根据实际需要设置)，若D_i＜W，则将该线段L_i存入直线组K_j，将该线段状态置为USED，若遍历完所有线段则令j＝j+1，并重新进行步骤2)直至所有线段状态为USED；

3)获取直线组K_j内各线段的端点坐标，存入数组R_j中，通过最小二乘算法对直线组内线段进行拟合，若R_j＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}中的横坐标为准确，则其误差e_a＝y_a-kx_a-b，则其误差平方和：

对公式(10)中的k、b求偏导，并求解可得到直线组K_j中拟合直线参数k和b的估计值：

4)图像中电力线大多贯穿整幅图像，因此需延伸步骤3)中得到的拟合直线，获取其与图像边界的交点坐标并输出，得到图像中的所有电力线。

本实施例中，进行直线编组拟合时，先通过一次性计算直线段中点到其他所有直线段的相对距离，将相对距离小于设定距离阈值的直线段编成一组，再对组内直线段进行拟合，即只在编组完成后对组内直线进行一次拟合，进行直线编组时无需进行直线拟合，与现有的通过直线拟合实现直线编组的直线编组拟合方法相比，能够减少直线拟合次数，避免多次拟合造成的误差，减低算法运算量，提高电力线的检测效率。

作为其他实施方式，当对电力线的检测效率要求不高时，还可以采用现有方法进行直线编组拟合，例如赵乐，王先培等在高压电技术第45卷第1期发表的《复杂背景下电力线自动提取算法》中公开的直线编组拟合方法。

为了验证本实施例的电力线检测方法的有效性和鲁棒性，下面结合无人机巡航过程中采集的实际电力线图像设计了三组实验，对本实施例的电力线检测方法与LSD直线检测算法(以下简称LSD算法)的电力线检测结果进行对比分析。

实验1：选取不同背景环境下的电力线图像以验证本实施例的电力线检测方法的有效性，分别见图5(简单背景下)、图6(复杂背景下)。其中，图5、图6中(a)、(b)、(c)为原始图像，(a1)、(b1)、(c1)为LSD算法的电力线检测结果，(a2)、(b2)、(c2)为本实施例的电力线检测方法的电力线检测结果。

图5中(a)的电力线背景的主要干扰物是天空及楼房顶端，电力线检测阈值设定为τ＝45，η＝0.6，W＝1，λ＝0.5rows，其中rows表示图像的长度，对比可知本实施例的电力线检测方法的电力线检测结果较好；图5中(b)、(c)的电力线背景的主要干扰物分别是树木、楼房，由于图像中电力线被遮挡较多，且电力线曲折现象较为明显，调整检测参数w＝3，λ＝0.45rows，LSD算法与本实施例的电力线检测方法实验结果对比明显，对电力线的提取依旧完整和准确。

图6中(a)、(b)、(c)为同时具有地面、草丛、栏杆等背景干扰物的城市图像，电力线被遮挡情况较多，且背景环境复杂，根据实际环境设定w＝4，λ＝0.3rows。综合以上场景实验表明LSD算法对背景简单图像中的电力线检测效果较好，但在复杂背景环境中的电力线检测结果较差，检测多为断裂的直线或者干扰线段，电力线还原度低；本实施例的电力线检测方法在简单与复杂背景干扰下的电力线检测效果均较好，检测结果与实际电力线基本吻合，且无断裂直线，对电力线的还原度较高，满足电力线检测实际需求。

实验2：选取不同光照背景下的电力线图像以验证本实施例的电力线检测方法的有效性，见图7，图中，(a)、(b)、(c)、(d)为依次变换的光照环境下的电力线图像，可以发现电力线对光照比较敏感，随着光照的变化电力线可辨识性降低；(a1)、(b1)、(c1)、(d1)为LSD算法的电力线检测结果，实验结果表明LSD算法对电力线的检测受光照变化影响严重，电力线检测基本为断裂或未检测到，且检测出大量楼房中的非目标噪声线段；(a2)、(b2)、(c2)、(d2)为本实施例的电力线检测方法的电力线检测结果，实验结果表明本实施例的电力线检测方法的电力线检测效果较好，电力线完整度较高，不存在楼房等干扰的噪声线段，检测的直线基本与电力线吻合，且不存在断裂的情况，因此本实施例的电力线检测方法在光照变化情况下的电力线检测效果良好，对于断裂以及虚假直线的处理效果较好。

实验3：选取不同运动模糊情况下的电力线图像以验证本实施例的电力线检测方法的有效性，见图8，图中，(a)、(b)、(c)、(d)为模拟无人机运动过程中拍摄的一组电力线图像，分别为采用平移5、10、15、20个像素来模拟因不同飞行速度导致的运动模糊情况；(a1)、(b1)、(c1)、(d1)为LSD算法的电力线检测结果，其中图像中的直线大多为断裂的短线段，随着平移像素的增加，噪声直线明显增多，且存在多根断裂线段重复检测的问题；(a2)、(b2)、(c2)、(d2)为本实施例的电力线检测方法的电力线检测结果，实验表明本实施例的电力线检测方法相对稳定，当平移像素较小时检测结果与电力线情况基本吻合，电力线的准确度与完整度较好，随着模糊程度的增加，对于弯曲电力线出现部分误检情况，但检测直线与待测电力线位置基本相同，基本满足实验需求。

通过对三组电力线图像的处理与分析，LSD算法整体对线性边缘检测较灵敏，电力线检测主要有大量断裂线段组成，同时还会引入大量干扰线段，且在光照变换及运动模糊的情况下对电力线的检测效果欠佳，无法准确定位电力线。而本实施例的电力线检测方法在复杂背景中的电力线检测效果良好，直线检测数目、准确度以及电力线完整度均优于LSD算法，并对在光照变化与运动模糊图像中的电力线检测效果较好，电力线的检测准确完整，便于对电力线的精确定位。

本实施例的电力线检测方法主要分成三个部分：直线边缘提取、直线支撑区域构建和直线编组拟合，主要有以下几个特点：

1)结合图像灰度特征改善了直线边缘点提取效果，较为完整的提取不同光照情况下的电力线边缘。

2)根据电力线的图像特征改进传统直线支撑区域的构建方法，降低了运算复杂度和直线误检率，提高了算法的处理效率和准确性。

3)在直线支撑区域基础上根据直线间的欧氏距离完成编组，较好解决了电力线检测的断裂问题，提高了电力线检测的精度。

通过大量实验表明，本实施例的电力线检测方法对无人机飞行环境中拍摄的电力线图像中电力线的检测效果较好，非目标直线的漏检、误检情况较少，电力线检测的连贯性良好，有效解决了无人机复杂背景环境电力线图像中电力线的误检、断裂与漏检问题，降低了光照变化对电力线的检测影响，提高了电力线检测的鲁棒性。

装置实施例：

本实施例提供了一种电力线检测装置，该装置包括处理器和存储器，处理器用于运行存储在存储器中的程序指令以实现一种电力线检测方法，该方法在方法实施例中已进行了详细介绍，此处不再赘述。

Claims (5)

1.一种电力线检测方法，其特征在于，该方法包括以下步骤：

1)获取电力线图像；

2)提取电力线图像的边缘像素点；

3)利用所述电力线图像的边缘像素点构建直线支撑区域；所述步骤3)中，仅对梯度角度在设定角度范围内的电力线图像的边缘像素点进行伪排序，按照梯度等级从高到低依次选取种子点作为初始点构建直线支撑区域；所述构建直线支撑区域的步骤包括：将选取的种子点作为直线支撑区域的初始像素点，以该点的梯度角作为区域方向角度，将梯度角与区域方向角度的误差值小于设定角度误差的邻域像素点加入直线支撑区域，标记该邻域像素点状态为已使用，按照公式

更新区域方向角度，并沿区域梯度正负方向继续遍历，直到没有像素点加入直线支撑区域；其中，θ₀为区域方向角度，θ_i为直线支撑区域内第i个像素点的梯度角；

4)对构建好的直线支撑区域进行调整：其中，迭代执行如下步骤：当直线支撑区域的长度大于设定长度阈值，且直线支撑区域的内点密度小于设定内点密度阈值时，剔除直线支撑区域长度方向上两侧的像素点，直至长度大于等于设定长度阈值且内点密度大于等于设定内点密度阈值，得到调整后的直线支撑区域；

5)进行直线编组拟合得到图像中的电力线；进行直线编组拟合前，还利用Helmholtz原则对所有长度大于等于设定长度阈值且内点密度大于等于设定内点密度阈值的直线支撑区域进行验证，对所有通过验证的直线支撑区域对应的直线段进行直线编组拟合得到图像中的电力线；所述直线编组拟合的步骤包括：首先，通过计算直线段中点到其他所有直线段的相对距离，将相对距离小于设定距离阈值的直线段编成一组，完成直线编组；然后，利用最小二乘法对每个直线编组内的直线段进行拟合得到拟合直线；最后，将各拟合直线延伸到图像边界，得到图像中的所有电力线。

2.根据权利要求1所述的电力线检测方法，其特征在于，进行伪排序时，按照梯度值范围为0～255将梯度值划分为256个等级，边缘像素点根据其梯度值大小划分到相应的256个等级中。

3.根据权利要求1所述的电力线检测方法，其特征在于，提取电力线图像的边缘像素点时，结合图像灰度特征和最大类间方差法自适应确定电力线图像的边缘检测阈值。

4.根据权利要求3所述的电力线检测方法，其特征在于，所述电力线图像的边缘检测阈值为：使电力线图像前景和背景的灰度方差g最大的电力线图像前景与背景的分割阈值，其中，g＝α₀α₁(β₀-β₁)²，α₀、α₁分别为电力线图像前景、背景像素点数的占幅比，β₀、β₁分别为电力线图像前景、背景的平均灰度。

5.一种电力线检测装置，其特征在于，该装置包括处理器和存储器，所述处理器用于运行存储在所述存储器中的程序指令以实现权利要求1-4任一项所述的电力线检测方法。

Images