CN111340833A - 最小二乘去干扰随机Hough变换的输电线提取方法 - Google Patents
最小二乘去干扰随机Hough变换的输电线提取方法 Download PDFInfo
- Publication number
- CN111340833A CN111340833A CN202010106909.0A CN202010106909A CN111340833A CN 111340833 A CN111340833 A CN 111340833A CN 202010106909 A CN202010106909 A CN 202010106909A CN 111340833 A CN111340833 A CN 111340833A
- Authority
- CN
- China
- Prior art keywords
- image
- straight line
- interference
- points
- 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.)
- Granted
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 23
- 230000005540 biological transmission Effects 0.000 title claims abstract description 20
- 238000000605 extraction Methods 0.000 title abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 25
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract 2
- 238000007689 inspection Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G06T5/70—
-
- 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
-
- 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
- G06T2207/20024—Filtering details
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种最小二乘去干扰随机Hough变换的输电线提取方法,首先获取无人机拍摄的输电线图像;其次对获取的无人机拍摄的图像进行中值滤波处理;然后采用改进的Canny算子对处理过后的图像进行边缘检测,从而获取图像中粗边缘;接着采用随机Hough对获取的粗边缘图像进行多条导线分割处理;最后利用改进去干扰最小二乘法分别对所得分割区域的数据进行直线拟合,从而获取输电线边缘。本发明可以有效的进行最终导线的获取。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种最小二乘去干扰随机Hough变换的输电线提取方法。
背景技术
随着无人机的大力发展,它将代替人类可以执行很多危险的作业。同时伴随着数字图像处理的飞速发展,通过无人机巡航进行拍摄所要获取的目标识别物,通过对这些图像进行相应的分析,人们就可以获取大量的有用信息,从而对危险的预判或者对物体本质的研究。
在目前现有阶段,对于电力系统的巡检还是主要以人工为主,视频实时监控为辅助。但是这些巡检方法在进行检测时候会存在一些问题,如巡检人员的安全没有保障,巡检一般高度在15米以上,因此,巡检人员的安全会存在一定的风险。工作效率低下,由于需要进行高攀,因此会很大程度上影响工作进度。此外,当遇到有问题的线路,不能及时的处理,导致工作周期变长。因此在这种情况下提出无人机电力巡检,从而将采集到的图像进行分析,从而获取导线的信息,以方便后续工作。
在传统的图像处理中对图像的边缘提取,一般都是通过现有的算子进行检测。例如:Rober边缘检测算子、Sobel边缘检测算子、Canny边缘检测算子以及Laplace边缘检测算子等。但是这些常见的算子往往对于简单的图像、噪声比较小的图像进行边缘检测的时候比较理想。但是,无人机在巡航阶段,可能受到天气的影响、无人机飞行姿态、导线的复杂背景环境或者摄像机的曝光度影响导致无人机拍摄出来的图像质量不高,在进行目标提取的时候不是那么容易,因此需要对采集到的图像进行相应的处理后,才能更好的进行导线提取的要求。
发明内容
本发明提供一种最小二乘去干扰随机Hough变换的输电线提取方法,以克服上述现有技术存在的缺陷,本发明可以有效的进行最终导线的获取。
为达到上述目的,本发明采用如下技术方案:
最小二乘去干扰随机Hough变换的输电线提取方法,先通过随机Hough进行直线检测获取可能存在的直线,然后通过去干扰最小二乘法对每一条直线进行拟合,拟合时候首先保证这一族数据的均方差最小,即将干扰点去除,进而确定输电线;
具体包括以下步骤:
步骤1:获取无人机拍摄的输电线图像;
步骤2:对步骤1所获取的无人机拍摄的图像进行高斯滤波处理;
步骤3:采用改进的8-邻域Canny检测算子对步骤2中处理过后的图像进行边缘检测,从而提取图像边缘;
步骤4:将步骤3获取的图像边缘像素的数据集坐标用W表示,接着,利用随机Hough变换计算各条直线的斜率和截距,从而确定直线的大致位置,然后寻找各条直线周边的像素坐标点集;
步骤5:利用改进去干扰最小二乘法分别对每一组像素坐标点集的数据进行拟合,从而获取精确的输电线。
进一步地,步骤2中对所获取的图像采用零均值离散高斯函数进行高斯滤波处理,进而获取降噪的图像,零均值离散高斯函数如下述公式(1-1):
其中,c是规范化系数,(i,j)为步骤1中获得的导线图像的坐标,σ为函数的宽度参数,g(i,j)表示步骤1获得的输电线图像中要处理的像素点。
进一步地,步骤3中通过改进8-邻域Canny检测算子,得到图像的粗边缘,具体为:对步骤2中处理过后的图像求解i方向、j方向、45°方向和135°方向梯度值和方位角,采用如下卷积核:
使用下述公式求解图像在(i,j)处的梯度值和方位角:
|M(i,j)|=max(|g(i,j)i|,|g(i,j)j|,|g(i,j)45°|,|g(i,j)135°|) (1-2)
其中,M(i,j)代表图像在(i,j)处的梯度值,θ(i,j)代表图像在(i,j)处的方位角,其中g(i,j)j代表图像中j方向卷积核,g(i,j)i代表图像中i方向卷积核。
进一步地,步骤4采用Hough变换对图像中像素坐标和空间坐标对应关系进行直线检测,从而获取直线的大致位置,通过下述公式进行直角坐标空间和参数空间进行转换;同时为了获取更加精确的直线位置,寻找各条直线周边的像素坐标点集表示为Wk *,其中Wk *表示满足误差要求的第k条直线附近的点集:
Y=kx+b (1-4)
ρ=xcos(θ)+ysin(θ) (1-5)
其中公式(1-4)代表直角坐标系方程,公式(1-5)代表参数空间坐标系方程,其中ρ表示直线Y与直角坐标原点的距离,θ表示ρ与直角坐标系正方向形成的夹角;
具体包括以下步骤:
步骤4.1:对通过步骤3所获得的图进行扫描,获取边缘像素的数据集坐标点集合W,在W中总共存在N个像素点;将获已经边缘检测后的图像上坐标点对应的参数空间进行离散划分,即将ρ和θ进行等份划分,形成一个m×n空间的累加器,记作p;
步骤4.2:在集合W中随便抽取两个点(xi,yi)和(xi+1,yi+1)代入公式(1-5)计算直线在参数空间中的值Qi=(ρ,θ);
步骤4.3:在参数空间p中寻找Qc,其中Qc表示:若存在|Qc-Qi|<γ时,将对应的累加器Qc进行加1处理即为:accum(Qc)=accum(Qc)+1;当不存在,将Qc插入到参数空间p中;上述γ是允许的误差;
步骤4.4:参数空间进行投票统计,若accum(Qc)>T,其中T表示检测直线的阈值设定,则认定(ρ,θ)是直线的参数,随后将该条直线上面其他点从W中删除,并且将参数空间p重新初始化,否则返回步骤4.2;将二值图中所有的图像点经过上述步骤操作后,进行统计并且获取累加器中最大的值,该值就是相对应的直线的参数空间值,从而通过坐标转换确定直线方程;
步骤4.5:将在图像中获取边缘点的数据集记作W=(xi,yi)T,这些点分布在R条直线附近,同时根据要求从而获取误差的阈值为Ek,同时计算满足误差范围Ek内各条直线周边的像素坐标点集并且存储在Wk *’,实现去干扰,计算公式如下所示::
其中,Wk *表示满足误差要求的第K条直线附近的点集,akxi+bk表示通过随机Hough变换求得直线方程;ak表示步骤4.4中获取直线的斜率,bk表示直线的截距,(xi,yi)是图像中直角坐标系中的点。
具体实现步骤如下所示:
步骤5.1:对获取的目标集合Wk *中的特征点(xi,yi)进行划分,对满足akx+bk≥y的所有特征点用集合M* max进行表示;对满足akx+bk<y的所有特征点用集合M* min进行表示;
步骤5.2:在集合M* max和M* min中找出最大的误差点并且移除此集合,实现去干扰,同时将集合Wk *、M* max以及M* min实时更新;
步骤5.4:然后通过公式计算精确的a、b值,并且在图中进行标记。
与现有技术相比,本发明具有以下有益的技术效果:
本发明中提出的最小二乘去干扰随机Hough变换的输电线提取方法,相对于传统的无人机电力巡检,本发明时刻对图像中导线的提取,传统的边缘算子会出现漏检或者伪检,容易受噪声的影响;同时本发明采用了随机Hough变换进行确定输电线大体位置时刻,计算量得以减小,从而满足实时性的要求,而在使用传统的最小二乘法进行数据拟合时候,可能因为存在噪声点的影响导致在进行拟合时候出现偏差,因此,本发明可以有效的进行最终导线的获取。综上,设计的方法有4点优势分别为:
(1)与以往方法执行顺序不同,本方法先通过随机Hough进行直线检测获取可能存在的直线,然后通过去干扰最小二乘法对每一条直线进行拟合,拟合时候首先保证这一族数据的均方差最小,即可将干扰点进行去除,进而确定输电线。
(2)在使用传统Canny算子进行边缘提取,在一阶导数的梯度方向只有4个,很容易引起对边缘图像漏检和伪检的情况,采用改进的称为8-邻域Canny检测算子,分别加上45°和135°方向的检测,可以有效地保持噪声抑制并且可以实现精确定位。
(3)传统的最小二乘法在进行直线拟合时候,可能由于图像中存在干扰点或者噪声点的影响,使得拟合的函数不通过有效的数据点,导致拟合时候的误差比较大。因此,本发明提出一种改进去干扰最小二乘法,在对每个区域中存在的干扰数据进行剔除,其实质上是去除相距拟合直线远的干扰点。每一次剔除结束需要重新进行直线拟合并且计算均方差,直到均方差小于设定的阈值即可认为最优直线。本方法在去除干扰点的时候,是通过满足最小均方误差确定最后的数据集,而并不像传统方法一样按照比例参数进行确定最终数据集,这也是方法的创新。因为如果采用按照一定的比例去除的传统方法,这种比例有不确定性,是否保证干扰点没有去除,或者过多的去除有效点,传统去干扰方法对最终的直线拟合会有一定的缺陷。
(4)提出将随机Hough变换和改进去干扰最小二乘法进行相结合,首先通过随机Hough变换可以对多条直线数据进行预分类处理,然后使用改进去干扰最小二乘法进行对应直线的拟合。解决掉直接使用Hough变换时候,计算量大、进行直线拟合精度不高以及直线有效区段不易控制的问题。
附图说明
图1为本发明的流程图;
图2是本发明与其他边缘检测算子对无人机采集回来的图像进行导线提取检测效果对比;其中(a):代表无人机采集到的原始图像;(b):传统的Canny算子边缘检测;(c)改进后的Canny算子边缘检测;(d):代表经典Hough变换提取图像导线;(e)代表改进去干扰最小二乘随机hough变换提取的图像导线。
具体实施方式
下面结合附图对本发明作进一步详细描述:
参见图1,最小二乘去干扰随机Hough变换的输电线提取方法,实现步骤如下所示:
步骤1:获取无人机拍摄的输电线图像;
步骤2:对步骤1所获取的无人机拍摄的图像进行高斯滤波处理;其中对所获取的图像采用零均值离散高斯函数进行高斯滤波处理,进而以获取降噪的图像。公式(1)为零均值离散高斯函数:
上述公式中,c是规范化系数,(i,j)为步骤1中获得的输电线图像的坐标,σ为函数的宽度参数,g(i,j)表示步骤1获得的输电线图像中要处理的像素点;
步骤3:采用改进的Canny算子对步骤2中处理过后的图像进行边缘检测,从而可以提取图像边缘;
通过改进Canny算子得到图像的粗边缘,具体做法为:
传统的Canny算子获取梯度值的方式是通过2×2领域求差分,但是对于一阶导数的梯度方向它存在4个,因此,通着这种方法进行检测会出现漏检或者伪检的情况。要解决这个问题就需要对图像除了i方向、j方向、求解梯度值和方位角以外,增加对45°方向和135°方向对梯度值和方位角的求解。称为8-邻域Canny检测算子,用下述公式表示的卷积核。
因此可以使用下述公式进行图像中在(i,j)处的梯度值和方位角:
|M(i,j)|=max(|g(i,j)i|,|g(i,j)j|,|g(i,j)45°|,|g(i,j)135°|)
通过获取图像中的粗边缘,解决掉在使用普通的Canny算子出现的虚检或者漏检的情况,其中,M(i,j)代表图像在(i,j)处的梯度值,θ(i,j)代表图像在(i,j)处的方位角;g(i,j)j代表图像中j方向卷积核,g(i,j)i代表图像中i方向卷积核。
步骤4:采用随机Hough对步骤3中所获取的边缘图像进行直线提取,在此,提取到的直线只是大致位置,需要更加精确的直线,同时为了获取更加精确的直线位置,就需要寻找各条直线周边的像素坐标点集;
步骤4中要获取图像中多条导线的大致位置,其方法步骤为:
①:对通过步骤3所获得的图进行扫描,获取图像边缘的点集合W,在W中总共存在N个像素点;将所要描述图像上点的参数空间进行离散划分,将ρ和θ进行等份划分,形成一个m×n空间的累加器,记作p;。
②:在集合W中随便抽取两个点(xi,yj)和(xi+1,yj+1)代入公式2-38可以计算直线在参数空间中的值Qi=(ρ,θ);
③:在参数空间P中寻找Qc,:若存在|Qc-Qi|<γ时,就需要将对应的累加器Ac进行加1处理即为:accum(Qc)=accum(Qc)+1;当不存在,需要将Qc插入到参数空间P中;上述γ是允许的误差;
④:参数空间进行投票统计accum(Qc)>T,其中T表示检测直线的阈值设定,可以认定(ρ,θ)是直线的参数,随后可以将该条直线上面其他点从W中删除,并且将参数空间P重新初始化。否则需要返回步骤②;
⑤:对于已经采集的数据集W=(xi,yi)T,分别分布在R条直线附近,同时可以根据要求从而获取误差的阈值为Ek,同时需要计算满足误差范围内(Ek)各条直线周边的像素坐标点集并且存储在Wk *,其中计算公式为下所示:
其中,Wk *表示满足误差要求的第K条直线附近的点集。akxi+bk表示通过随机Hough变换求得直线方程。
步骤5:利用最小二乘法分别对每一组数据点集的进行直线拟合,从而获取导线的精确位置;步骤4中获取图像导线的大致区域,接着分别对每条粗直线获取的数据集Wk *的数据进行处理。最后使用改进去干扰最小二乘法可以拟合出导线的精确位置,其中对于参数a、b以及均方差的求解公式可以使用下列公式进行相应的求解:
步骤5中通过改进去干扰最小二乘法进行输电线的精确定位,方法步骤如下所示:
①对获取的目标集合Wk *中的特征点(xi,yi)进行划分,对满足akx+bk≥y的所有特征点用集合M* max进行表示;对满足akx+bk<y的所有特征点用集合M* min进行表示;
②在集合M* max和M* min中找出最大的误差点并且移除此集合,同时将集合Wk *、M* max以及M* min实时更新;
④然后通过公式计算精确的a、b值,并且在图中进行标记。
由图2可以看出,(a)代表无人机采集到的原始图像。(b)代表图像通过普通的Canny变换进行边缘检测,从中可以看出,获取的边缘图像不是足够的完整,同时在原图像边缘比较模糊。(c)代表改进后的Canny算子进行边缘检测,明显比最初的普通Canny算子检测效果好,边缘信息可以清楚的描述。图(d)中可以看出,属于普通Hough变换对直线的提取,但是在导线提取时候会出现漏检的情况。但是本发明提出的最小二乘随机Hough变换一方面提高了运算速度,一方利用了Hough变换的抗干扰能力和改进去干扰最小二乘法拟合精度高的特性,在一定程度上面解决掉直接利用Hough变换进行直线拟合时候的精度不高、直线有效区间不高以及运行效率低的问题。
Claims (5)
1.最小二乘去干扰随机Hough变换的输电线提取方法,其特征在于,先通过随机Hough进行直线检测获取可能存在的直线,然后通过去干扰最小二乘法对每一条直线进行拟合,拟合时候首先保证这一族数据的均方差最小,即将干扰点去除,进而确定输电线;
具体包括以下步骤:
步骤1:获取无人机拍摄的输电线图像;
步骤2:对步骤1所获取的无人机拍摄的图像进行高斯滤波处理;
步骤3:采用改进的8-邻域Canny检测算子,对步骤2中处理过后的图像进行边缘检测,从而提取图像边缘;
步骤4:将步骤3获取的图像边缘像素的数据集坐标用W表示,接着,利用随机Hough变换计算各条直线的斜率和截距,从而确定直线的大致位置,然后寻找各条直线周边的像素坐标点集;
步骤5:利用改进去干扰最小二乘法分别对每一组像素坐标点集的数据进行拟合,从而获取精确的输电线。
3.根据权利要求2所述的最小二乘去干扰随机Hough变换的输电线提取方法,其特征在于,步骤3中通过设计的新的8-邻域Canny检测算子,得到图像的粗边缘,具体为:对步骤2中处理过后的图像求解i方向、j方向、45°方向和135°方向梯度值和方位角,采用如下卷积核:
使用下述公式求解图像在(i,j)处的梯度值和方位角:
|M(i,j)|=max(|g(i,j)i|,|g(i,j)j|,|g(i,j)45°|,|g(i,j)135°|) (1-2)
其中,M(i,j)代表图像在(i,j)处的梯度值,θ(i,j)代表图像在(i,j)处的方位角,其中g(i,j)j代表图像中j方向卷积核,g(i,j)i代表图像中i方向卷积核。
4.根据权利要求3所述的最小二乘去干扰随机Hough变换的输电线提取方法,其特征在于,步骤4采用Hough变换对图像中像素坐标和空间坐标对应关系进行直线检测,从而获取直线的大致位置,通过下述公式进行直角坐标空间和参数空间进行转换;同时为了获取更加精确的直线位置,寻找各条直线周边的像素坐标点集表示为Wk *,其中Wk *表示满足误差要求的第k条直线附近的点集:
Y=kx+b (1-4)
σ=xcos(θ)+ysin(θ) (1-5)
其中公式(1-4)代表直角坐标系方程,公式(1-5)代表参数空间坐标系方程,其中ρ表示直线Y与直角坐标原点的距离,θ表示ρ与直角坐标系正方向形成的夹角;
具体包括以下步骤:
步骤4.1:对通过步骤3所获得的图进行扫描,获取边缘像素的数据集坐标点集合W,在W中总共存在N个像素点;将获已经边缘检测后的图像上坐标点对应的参数空间进行离散划分,即将ρ和θ进行等份划分,形成一个m×n空间的累加器,记作p;
步骤4.2:在集合W中随便抽取两个点(xi,yi)和(xi+1,yi+1)代入公式(1-5)计算直线在参数空间中的值Qi=(ρ,θ);
步骤4.3:在参数空间p中寻找Qc,其中Qc表示:若存在|Qc-Qi|<γ时,将对应的累加器Qc进行加1处理即为:accum(Qc)=accum(Qc)+1;当不存在,将Qc插入到参数空间p中;上述γ是允许的误差;
步骤4.4:参数空间进行投票统计,若accum(Qc)>T,其中T表示检测直线的阈值设定,则认定(ρ,θ)是直线的参数,随后将该条直线上面其他点从W中删除,并且将参数空间p重新初始化,否则返回步骤4.2;将二值图中所有的图像点经过上述步骤操作后,进行统计并且获取累加器中最大的值,该值就是相对应的直线的参数空间值,从而通过坐标转换确定直线方程;
步骤4.5:将在图像中获取边缘点的数据集记作W=(xi,yi)T,这些点分布在R条直线附近,同时根据要求从而获取误差的阈值为Ek,同时计算满足误差范围Ek内各条直线周边的像素坐标点集并且存储在Wk *,实现去干扰,计算公式如下所示:
其中,Wk *表示满足误差要求的第k条直线附近的点集,akxi+bk表示通过随机Hough变换求得直线方程;ak表示步骤4.4中获取直线的斜率,bk表示直线的截距,(xi,yi)是图像中直角坐标系中的点。
5.根据权利要求4所述的最小二乘去干扰随机Hough变换的输电线提取方法,其特征在于,步骤5对获取各条直线附近的点集Wk *,使用最小二乘法对每一个点集Wk *中的数据进行直线拟合,从而获取精确的直线位置,其中对于参数a、b以及均方差使用下列公式进行相应的求解:
具体实现步骤如下所示:
步骤5.1:对获取的目标集合Wk *中的特征点(xi,yi)进行划分,对满足akx+bk≥y的所有特征点用集合M* max进行表示;对满足akx+bk<y的所有特征点用集合M* min进行表示;
步骤5.2:在集合M* max和M* min中找出最大的误差点并且移除此集合,同时将集合Wk *、M* max以及M* min实时更新;
步骤5.4:然后通过公式计算精确的a、b值,并且在图中进行标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106909.0A CN111340833B (zh) | 2020-02-20 | 2020-02-20 | 最小二乘去干扰随机Hough变换的输电线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106909.0A CN111340833B (zh) | 2020-02-20 | 2020-02-20 | 最小二乘去干扰随机Hough变换的输电线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340833A true CN111340833A (zh) | 2020-06-26 |
CN111340833B CN111340833B (zh) | 2023-05-09 |
Family
ID=71185497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010106909.0A Active CN111340833B (zh) | 2020-02-20 | 2020-02-20 | 最小二乘去干扰随机Hough变换的输电线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340833B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180947A (zh) * | 2020-10-22 | 2021-01-05 | 湖南格兰博智能科技有限责任公司 | 一种移动机器人初始行进方向选择方法及其设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080109118A1 (en) * | 2006-11-03 | 2008-05-08 | Schwartz David A | Lane marker detection and fitting |
US20130208997A1 (en) * | 2010-11-02 | 2013-08-15 | Zte Corporation | Method and Apparatus for Combining Panoramic Image |
CN106056619A (zh) * | 2016-06-13 | 2016-10-26 | 长安大学 | 基于梯度约束Radon变换的无人机视觉电线巡检方法 |
CN109325935A (zh) * | 2018-07-24 | 2019-02-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于无人机图像的输电线路检测方法 |
-
2020
- 2020-02-20 CN CN202010106909.0A patent/CN111340833B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080109118A1 (en) * | 2006-11-03 | 2008-05-08 | Schwartz David A | Lane marker detection and fitting |
US20130208997A1 (en) * | 2010-11-02 | 2013-08-15 | Zte Corporation | Method and Apparatus for Combining Panoramic Image |
CN106056619A (zh) * | 2016-06-13 | 2016-10-26 | 长安大学 | 基于梯度约束Radon变换的无人机视觉电线巡检方法 |
CN109325935A (zh) * | 2018-07-24 | 2019-02-12 | 国网浙江省电力有限公司杭州供电公司 | 一种基于无人机图像的输电线路检测方法 |
Non-Patent Citations (2)
Title |
---|
乔闹生;叶玉堂;刘霖;黄永林;杨先明;王昱琳;: "印刷电路板光电图像走线检测研究" * |
王琼;张永丰;李勇;殷美艳;任伟建;: "一种新的基于Hough变换的直线识别方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180947A (zh) * | 2020-10-22 | 2021-01-05 | 湖南格兰博智能科技有限责任公司 | 一种移动机器人初始行进方向选择方法及其设备 |
CN112180947B (zh) * | 2020-10-22 | 2023-09-12 | 湖南格兰博智能科技有限责任公司 | 一种移动机器人初始行进方向选择方法及其设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111340833B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784333B (zh) | 基于点云带权通道特征的三维目标检测方法及系统 | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN107886528B (zh) | 基于点云的配电线路作业场景三维重建方法 | |
CN107220988B (zh) | 基于改进canny算子的零部件图像边缘提取方法 | |
CN106709950B (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN110414308B (zh) | 一种针对输电线路上动态异物的目标识别方法 | |
CN110110687B (zh) | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 | |
CN109858455B (zh) | 一种针对圆形目标的分块检测尺度自适应跟踪方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
CN114155355A (zh) | 基于点云的带电主电线检测方法及装置 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN109712116B (zh) | 输电线路及其附件的故障识别方法 | |
CN111145198A (zh) | 一种基于快速角点检测的非合作目标运动估计方法 | |
CN114431005A (zh) | 智能化农业果实采摘识别与定位方法、系统及装置 | |
CN111340833B (zh) | 最小二乘去干扰随机Hough变换的输电线提取方法 | |
CN112578405B (zh) | 一种基于激光雷达点云数据去除地面的方法及系统 | |
CN111814773A (zh) | 一种划线车位识别方法及系统 | |
Chen et al. | Algorithm design of lane departure warning system based on image processing | |
Yang et al. | Cherry recognition based on color channel transform | |
Zhao et al. | Image Preprocessing of Obstacle Avoidance for Underground Unmanned Aerial Vehicle Based on Monocular Vision |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230403 Address after: Room 508, block a, Rongcheng cloud Valley, 57 Keji 3rd road, Zhangba Street office, high tech Zone, Xi'an City, Shaanxi Province, 710075 Applicant after: Xi'an Huizhi Information Technology Co.,Ltd. Address before: 710064 middle section, south two ring road, Shaanxi, Xi'an Applicant before: CHANG'AN University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |