CN111739042B - 一种基于数字图像特征的复杂背景电力线提取方法 - Google Patents
一种基于数字图像特征的复杂背景电力线提取方法 Download PDFInfo
- Publication number
- CN111739042B CN111739042B CN202010499513.7A CN202010499513A CN111739042B CN 111739042 B CN111739042 B CN 111739042B CN 202010499513 A CN202010499513 A CN 202010499513A CN 111739042 B CN111739042 B CN 111739042B
- Authority
- CN
- China
- Prior art keywords
- power line
- line segment
- value
- peak
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 238000003708 edge detection Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/12—Edge-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于数字图像特征的复杂背景电力线提取方法,包括:针对待处理的电力线图像进行处理,获取去除背景的电力线灰度图像矩阵;根据预先获取的待处理的电力线图像中电力线的呈向,按照列或行依次提取去除背景的电力线灰度图矩阵中像素点的像素值,并对像素值进行平滑处理,获取每一列或每一行像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值;根据所述每一列或每一行像素值曲线的所有波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值和第一阈值和第二阈值,确定电力线。没有大量样本训练的情况下对电力线进行提取,减少电力线提取的时间,提高复杂背景下电力线提取的效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于数字图像特征的复杂背景电力线提取方法。
背景技术
高压输电线路是电力系统的核心,引流线作为调节控制电路通断的重要组成部分。因此,带电连接引流线,保证电路正常运行十分重要。传统人工连接电力线受高压通电危险性高,效率低,人工操作成本高。近年来,机器人,借助视觉系统,输电线路的自动识别可以广泛应用于线路故障检测。当前电力线检测技术仅针对于贯穿于图像平面的直电力线,没有考虑电力线自重原因产生的悬垂,并且使用机器学习需要大量的图像训练样本进行训练,但是,如果没有大样本训练的情况下对电力线进行提取时,提取的时间会很长,另外在复杂背景下电力线提取的效率也会很低。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种基于数字图像特征的复杂背景电力线提取方法,其解决了当前电力线检测技术仅针对于贯穿于图像平面的直电力线,没有考虑电力线自重原因产生的悬垂,并且在没有大样本训练的情况下对电力线进行提取时,提取的时间会很长,另外在复杂背景下电力线提取的效率也会很低的技术问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
本发明实施例提供一种基于数字图像特征的复杂背景电力线提取方法。
本发明实施例提出的一种基于数字图像特征的复杂背景电力线提取方法,包括:
S1、针对待处理的电力线图像进行处理,获取去除背景的电力线灰度图像矩阵;
所述去除背景的电力线灰度图像矩阵为m行像素点乘以n列像素点的矩阵;
S2、根据预先获取的待处理的电力线图像中电力线的呈向,按照列或按照行依次提取所述去除背景的电力线灰度图矩阵中像素点的像素值,并对所述像素值进行平滑处理,获取所述每一列或每一行像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值;
S3、根据所述每一列或每一行像素值曲线的所有波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值和预先设定的第一阈值和第二阈值,确定电力线。
优选的,所述步骤S1具体包括:
S11、针对待处理的电力线图像,进行灰度处理,获取原始电力线灰度图;
S12、针对所述原始电力线灰度图中的电力线边缘进行提取,获取电力线的边缘检测图像;
S13、针对所述电力线的边缘检测图像进行去除背景处理,获取第二边缘检测图像;
S14、针对所述第二边缘检测图像与所述原始电力线灰度图进行加减运算,获取所述去除背景的电力线灰度图像矩阵。
优选的,
所述步骤S12具体包括:采用ratio边缘检测算子,对所述原始电力线灰度图中的电力线分别按照0°、45°、135°三个方向进行特征检测,获取电力线的边缘检测图像;
所述步骤S13具体包括:采用八连通域处理算法,对所述电力线的边缘检测图像进行去除背景处理,获取第二边缘检测图像。
优选的,所述步骤S2具体包括:
若电力线的呈向为水平呈向时,则按照所述去除背景的电力线灰度图像矩阵中的列依次提取所述去除背景的电力线灰度图像矩阵中每一列的像素值,并对所述像素值进行平滑处理,获取所述每一列像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值。
优选的,所述步骤S2具体包括:
若电力线的呈向为铅锤呈向时,则按照所述去除背景的电力线灰度图像矩阵中的行依次提取所述去除背景的电力线灰度图像矩阵中每一行的像素值,并对所述像素值进行平滑处理,获取所述每一行像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值。
优选的,所述步骤S3包括:
S31、根据所述每一列所对应的像素值曲线,针对所述去除背景的电力线灰度图像矩阵中任意相邻两列像素值曲线中的任一列像素值曲线,从所述任一列像素值曲线的第一个波峰点的位置开始到最后一个波峰点的位置,依次获取所述任一列像素值曲线的波峰点的位置分别与所述任一列相邻的像素值曲线的所有波峰点的位置的第一数值;
其中,所述第一数值为:
其中,d为第一数值;w1、w2、w3分别为预先设定的波峰点的位置、峰值、波宽的权重;ij、ij+1分别表示相邻两列像素值曲线中波峰点的位置,pj、pj+1分别表示相邻两列像素值曲线中与所述波峰点的位置ij和ij+1对应的峰值,bj、bj+1分别表示相邻两列像素值曲线中与所述波峰点的位置ij和ij+1对应的波宽;
S32、通过预先设定的第一阈值,在所述第一数值中筛选出第二数值;
所述第二数值为满足预先设定的第一阈值的第一数值;
S33、将所有与所述第二数值相应的两个波峰点的位置连接形成第一线段;
所述第一线段为:所述去除背景的电力线灰度图像矩阵中所有任意相邻两列像素值曲线中的波峰点的位置满足预先设定的第一阈值的第一数值相应的两个波峰点的位置的连接线段;
S34、根据所述第一线段和所述第二阈值,确定电力线。
优选的,所述步骤S34包括:
针对所有所述第一线段中的任一第一线段,判断所述任一第一线段是否具有相应的后续第一线段;
所述与任一第一线段相应的后续第一线段为:起始位置在所述任一第一线段之后的列的波峰点的位置的第一线段;
若不具有,则将所述任一第一线段作为电力线;
若具有,则根据容积误差函数确定所述任一第一线段分别与相应的后续第一线段的距离值,并根据所述距离值和第二阈值确定与所述任一第一线段对应的最终后续第一线段;
所述与任一第一线段对应的最终后续第一线段为:与所述任一第一线段的距离值满足第二阈值的后续第一线段;
将所述任一第一线段与所述最终后续第一线段连接作为电力线。
优选的,所述步骤S3包括:
S31、根据所述每一行所对应的像素值曲线,针对所述去除背景的电力线灰度图像矩阵中任意相邻两行像素值曲线中的任一行像素值曲线,从所述任一行像素值曲线的第一个波峰点的位置开始到最后一个波峰点的位置,依次获取所述任一行像素值曲线的波峰点的位置分别与所述任一行相邻的下一行像素值曲线的所有波峰点的位置的第三数值;
其中,所述第三数值为:
其中,d1为第三数值;w1、w2、w3分别为预先设定的波峰点的位置、峰值、波宽的权重;ik、ik+1分别表示相邻两行像素值曲线中波峰点的位置,pk、pk+1分别表示相邻两行像素值曲线中与所述波峰点的位置ik和ik+1对应的峰值,bk、bk+1分别表示相邻两行像素值曲线中与所述波峰点的位置ik和ik+1对应的波宽;
S32、通过预先设定的第一阈值,在所述第三数值中筛选出第四数值;
所述第四数值为满足预先设定的第一阈值的第三数值;
S33、将所有与所述第四数值相应的两个波峰点的位置连接形成第二线段;
所述第二线段为:所述去除背景的电力线灰度图像矩阵中所有任意相邻两行像素值曲线中的波峰点的位置满足预先设定的第一阈值的第三数值相应的两个波峰点的位置的连接线段;
S34、根据所述第二线段和所述第二阈值,确定电力线。
优选的,所述步骤S34包括:
针对所有所述第二线段中的任一第二线段,判断所述任一第二线段是否具有相应的后续第二线段;
所述与任一第二线段相应的后续第二线段为:起始位置在所述任一第一线段之后的行的波峰点的位置的第二线段;
若不具有,则将所述任一第二线段作为电力线;
若具有,则根据容积误差函数确定所述任一第二线段分别与相应的后续第二线段的距离值,并根据所述距离值和第二阈值确定与所述任一第二线段对应的最终后续第二线段;
所述与任一第二线段对应的最终后续第二线段为:与所述任一第二线段的距离值满足第二阈值的后续第二线段;
将所述任一第二线段与所述最终后续第二线段连接作为电力线。
优选的,还包括步骤S4:
针对所述任一电力线所对应的所有波峰点的位置进行存储,获取与所述任一电力线所对应的编组;
其中,与任一电力线所对应的编组包括:所述任一电力线中的所有波峰点的位置;
所述第一阈值为5;
所述第二阈值为8。
(三)有益效果
本发明的有益效果是:本发明的一种基于数字图像特征的复杂背景电力线提取方法,基于数字图像像素特征并根据图像中相邻两列或两行之间的第一数值来确定电力线,相对于现有技术而言,其可以在没有大样本训练的情况下对电力线进行提取,减少电力线提取的时间,提高复杂背景下电力线提取的效率。
附图说明
图1为本发明的一种基于数字图像特征的复杂背景电力线提取方法流程图;
图2为实施例中去除背景的电力线灰度图像矩阵;
图3为实施例中的八连通域示意图;
图4为实施例中的去除背景的电力线灰度图像矩阵其中一列像素值所对应的像素值曲线;
图5为实施例中第一线段示意图;
图6为实施例中获取的电力线示意图;
图7为实施例中采用计算机提取第一线段示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
参见图1,本实施例中一种基于数字图像特征的复杂背景电力线提取方法,包括:
S1、针对待处理的电力线图像进行处理,获取去除背景的电力线灰度图像矩阵。
参见图2,所述去除背景的电力线灰度图像矩阵为m行像素点乘以n列像素点的矩阵。
S2、根据预先获取的待处理的电力线图像中电力线的呈向,按照列或按照行依次提取所述去除背景的电力线灰度图矩阵中像素点的像素值,并对所述像素值进行平滑处理,获取所述每一列或每一行像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值。
S3、根据所述每一列或每一行像素值曲线的所有波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值和预先设定的第一阈值和第二阈值,确定电力线。
本实施例中,所述步骤S1具体包括:
S11、针对待处理的电力线图像,进行灰度处理,获取原始电力线灰度图。
S12、针对所述原始电力线灰度图中的电力线边缘进行提取,获取电力线的边缘检测图像。
S13、针对所述电力线的边缘检测图像,进行去除背景处理,获取第二边缘检测图像。
S14、针对所述第二边缘检测图像与所述原始电力线灰度图进行加减运算,获取所述去除背景的电力线灰度图像矩阵。
本实施例中,
所述步骤S12具体包括:采用ratio边缘检测算子,对所述原始电力线灰度图中的电力线分别按照0°、45°、135°三个方向进行特征检测,获取电力线的边缘检测图像。
参见图3,本实施例中所述步骤S13具体包括:采用八连通域处理算法,对所述电力线的边缘检测图像,进行去除背景处理,获取第二边缘检测图像。
本实施例中,所述步骤S2具体包括:
若电力线的呈向为水平呈向时,则按照所述去除背景的电力线灰度图像矩阵中的列依次提取所述去除背景的电力线灰度图像矩阵中每一列的像素值,并对所述像素值进行平滑处理,参见图4,获取所述每一列像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值。
本实施例中,所述步骤S2具体包括:
若电力线的呈向为铅锤呈向时,则按照所述去除背景的电力线灰度图像矩阵中的行依次提取所述去除背景的电力线灰度图像矩阵中每一行的像素值,并对所述像素值进行平滑处理,获取所述每一行像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值。
本实施中,假设电力线的呈向为水平呈向时,所述步骤S3包括:
S31、根据所述每一列所对应的像素值曲线,针对所述去除背景的电力线灰度图像矩阵中任意相邻两列像素值曲线中的任一列像素值曲线,从所述任一列像素值曲线的第一个波峰点的位置开始到最后一个波峰点的位置,依次获取所述任一列像素值曲线的波峰点的位置分别与所述任一列相邻的下一列像素值曲线的所有波峰点的位置的第一数值。
其中,所述第一数值为:
其中,d为第一数值;w1、w2、w3分别为预先设定的波峰点的位置、峰值、波宽的权重;ij、ij+1分别表示相邻两列像素值曲线中波峰点的位置,pj、pj+1分别表示相邻两列像素值曲线中与所述波峰点的位置ij和ij+1对应的峰值,bj、bj+1分别表示相邻两列像素值曲线中与所述波峰点的位置ij和ij+1对应的波宽。
举例说明,假设本实施例中去除背景的电力线灰度图像矩阵中的第j列所对应的像素曲线中具有9个波峰点,依次包括:波峰点11、波峰点12、波峰点13、波峰点14、波峰点15、波峰点16、波峰点17、波峰点18、波峰点19,假设本实施例中去除背景的电力线灰度图像矩阵中的第j+1列具有3个波峰点,依次包括:波峰点21、波峰点22、波峰点23,那么,采用上述第一数值的计算公式分别计算第j列波峰点与第j+1列波峰点的第一数值,具体为:
波峰点11与波峰点21的第一数值、波峰点11与波峰点22的第一数值、波峰点11与波峰点23的第一数值。
波峰点12与波峰点21的第一数值、波峰点12与波峰点22的第一数值、波峰点12与波峰点23的第一数值。
波峰点13与波峰点21的第一数值、波峰点13与波峰点22的第一数值、波峰点13与波峰点23的第一数值。
波峰点14与波峰点21的第一数值、波峰点14与波峰点22的第一数值、波峰点14与波峰点23的第一数值。
波峰点15与波峰点21的第一数值、波峰点15与波峰点22的第一数值、波峰点15与波峰点23的第一数值。
波峰点16与波峰点21的第一数值、波峰点16与波峰点22的第一数值、波峰点16与波峰点23的第一数值。
波峰点17与波峰点21的第一数值、波峰点17与波峰点22的第一数值、波峰点17与波峰点23的第一数值。
波峰点18与波峰点21的第一数值、波峰点18与波峰点22的第一数值、波峰点18与波峰点23的第一数值。
波峰点19与波峰点21的第一数值、波峰点19与波峰点22的第一数值、波峰点19与波峰点23的第一数值。
S32、通过预先设定的第一阈值,在所述第一数值中筛选出第二数值。
所述第二数值为满足预先设定的第一阈值的第一数值。
S33、将所有与所述第二数值相应的两个波峰点的位置连接形成第一线段。
所述第一线段为:所述去除背景的电力线灰度图像矩阵中所有任意相邻两列像素值曲线中的波峰点的位置满足预先设定的第一阈值的第一数值相应的两个波峰点的位置的连接线段。
举例说明,本实施例中去除背景的电力线灰度图像矩阵中的相邻的第j列和第j+1列中,假设第j列波峰点12与第j+1列中波峰点21的第一数值满足预先设定的第一阈值时,则将波峰点12的位置与波峰点21的位置连接起来,同时,如果第j+2列中存在一个波峰点A与第j+1列中波峰点21的第一数值满足预先设定的第一阈值时,也将第j+2列中存在的这个波峰点A的位置与波峰点21的位置连接起来,而且在第j+3列(j+3≤n)中并没有一个波峰点与第j+2列中存在的这个波峰点A的第一数值满足预先设定的第一阈值时,这样就形成了一个第一线段X,参见图5,那么这一个第一线段的起点就是第j列波峰点12的位置,这一个第一线段的终点就是第j+2列中波峰点A的位置。
在本实施例的实际应用中,参见图7,假设电力线的呈向为水平呈向时采用计算机提取第一线段的示意图。
假设第j列波峰点15与第j+1列中波峰点23的第一数值满足预先设定的第一阈值时,则将波峰点15的位置与波峰点23的位置连接起来,同时,假设第j+2列中存在一个波峰点B与第j+1列中波峰点23的第一数值满足预先设定的第一阈值时,也将第j+2列中存在的这个波峰点B的位置与波峰点23的位置连接起来,如果第j+3列中存在一个波峰点C与第j+2列中波峰点B的第一数值满足预先设定的第一阈值时,也将第j+3列中存在的这个波峰点C的位置与波峰点B的位置连接起来,同时,在第j+4列(j+4≤n)中并没有一个波峰点与第j+3列中存在的这个波峰点C的第一数值满足预先设定的第一阈值时这样就形成了另一个第一线段Y,参见图5,那么这个第一线段的起点就是第j列波峰点15的位置,这个第一线段的终点就是第j+4列中波峰点C的位置。
S34、根据所述第一线段和所述第二阈值,确定电力线。
本实施例中,所述步骤S34包括:
针对所有所述第一线段中的任一第一线段,判断所述任一第一线段是否具有相应的后续第一线段。
所述与任一第一线段相应的后续第一线段为:起始位置在所述任一第一线段之后的列的波峰点的位置的第一线段。
若不具有,则将所述任一第一线段作为电力线。
若具有,则根据容积误差函数确定所述任一第一线段分别与相应的后续第一线段的距离值,并根据所述距离值和第二阈值确定与所述任一第一线段对应的最终后续第一线段。
所述与任一第一线段对应的最终后续第一线段为:与所述任一第一线段的距离值满足第二阈值的后续第一线段。
将所述任一第一线段与所述最终后续第一线段连接作为电力线。
举例说明,假设本实施例中去除背景的电力线灰度图像矩阵中第j+3列(j+3≤n)中并没有一个波峰点与第j+2列中任意一个波峰点的第一数值满足预先设定的第一阈值时,且第j+3列中具有一个波峰点D与第j+4列中的一个波峰点E的第一数值满足第一阈值,且第j+4列中的一个波峰点E与第j+5列中具有一个波峰点F的第一数值满足第一阈值,且第j+5列中的波峰点F与第j+6列(j+6≤n)中所有的波峰点的第一数值都不满足第一阈值时,则依次连接波峰点D的位置、波峰点E的位置、波峰点F的位置,形成一个第一线段Z,参见图5。
本实施例中,第一线段Z是第一线段X的后续第一线段,因为第一线段Z的起点是波峰点D的位置,且波峰点D所在的列在第一线段X的之后的列。
然后根据容积误差函数计算第一线段X与相应的后续第一线段(本实施例中第一线段X与相应的后续第一线段是第一线段Z)的距离值,如果第一线段X与第一线段Z的距离值小于预先设定的第二阈值时,则将第一线段X与第一线段Z连接起来作为电力线,参见图6,那么这条电力线就是波峰点12的位置、波峰点21的位置、波峰点A位置、波峰点D的位置、波峰点E的位置、波峰点F的位置的连接线。
本实施例中,所述步骤S3包括:
S31、根据所述每一行所对应的像素值曲线,针对所述去除背景的电力线灰度图像矩阵中任意相邻两行像素值曲线中的任一行像素值曲线,从所述任一行像素值曲线的第一个波峰点的位置开始到最后一个波峰点的位置,依次获取所述任一行像素值曲线的波峰点的位置分别与所述任一行相邻的下一行像素值曲线的所有波峰点的位置的第三数值。
其中,所述第三数值为:
其中,d1为第三数值;w1、w2、w3分别为预先设定的波峰点的位置、峰值、波宽的权重;ik、ik+1分别表示相邻两行像素值曲线中波峰点的位置,pk、pk+1分别表示相邻两行像素值曲线中与所述波峰点的位置ik和ik+1对应的峰值,bk、bk+1分别表示相邻两行像素值曲线中与所述波峰点的位置ik和ik+1对应的波宽。
S32、通过预先设定的第一阈值,在所述第三数值中筛选出第四数值。
所述第四数值为满足预先设定的第一阈值的第三数值。
S33、将所有与所述第四数值相应的两个波峰点的位置连接形成第二线段。
所述第二线段为:所述去除背景的电力线灰度图像矩阵中所有任意相邻两行像素值曲线中的波峰点的位置满足预先设定的第一阈值的第三数值相应的两个波峰点的位置的连接线段。
S34、根据所述第二线段和所述第二阈值,确定电力线。
本实施例中,所述步骤S34包括:
针对所有所述第二线段中的任一第二线段,判断所述任一第二线段是否具有相应的后续第二线段。
所述与任一第二线段相应的后续第二线段为:起始位置在所述任一第一线段之后的行的波峰点的位置的第二线段。
若不具有,则将所述任一第二线段作为电力线。
若具有,则根据容积误差函数确定所述任一第二线段分别与相应的后续第二线段的距离值,并根据所述距离值和第二阈值确定与所述任一第二线段对应的最终后续第二线段。
所述与任一第二线段对应的最终后续第二线段为:与所述任一第二线段的距离值满足第二阈值的后续第二线段。
将所述任一第二线段与所述最终后续第二线段连接作为电力线。
本实施例中,还包括步骤S4:
针对所述任一电力线所对应的所有波峰点的位置进行存储,获取与所述任一电力线所对应的编组。
其中,与任一电力线所对应的编组包括:所述任一电力线中的所有波峰点的位置。
所述第一阈值为5;
所述第二阈值为8。
本实施例的一种基于数字图像特征的复杂背景电力线提取方法,基于数字图像像素特征并根据图像中相邻两列或两行之间的第一数值来确定电力线,相对于现有技术而言,其可以在没有大量样本训练的情况下对电力线进行提取,减少电力线提取的时间,提高复杂背景下电力线提取的效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (4)
1.一种基于数字图像特征的复杂背景电力线提取方法,其特征在于,包括:
S1、针对待处理的电力线图像进行处理,获取去除背景的电力线灰度图像矩阵;
所述去除背景的电力线灰度图像矩阵为m行像素点乘以n列像素点的矩阵;
S2、根据预先获取的待处理的电力线图像中电力线的呈向,按照列或按照行依次提取所述去除背景的电力线灰度图矩阵中像素点的像素值,并对所述像素值进行平滑处理,获取所述每一列或每一行像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值;
S3、根据所述每一列或每一行像素值曲线的所有波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值和预先设定的第一阈值和第二阈值,确定电力线;
所述步骤S1具体包括:
S11、针对待处理的电力线图像,进行灰度处理,获取原始电力线灰度图;
S12、针对所述原始电力线灰度图中的电力线边缘进行提取,获取电力线的边缘检测图像;
S13、针对所述电力线的边缘检测图像进行去除背景处理,获取第二边缘检测图像;
S14、针对所述第二边缘检测图像与所述原始电力线灰度图进行加减运算,获取所述去除背景的电力线灰度图像矩阵;
所述步骤S12具体包括:采用ratio边缘检测算子,对所述原始电力线灰度图中的电力线分别按照0°、45°、135°三个方向进行特征检测,获取电力线的边缘检测图像;
所述步骤S13具体包括:采用八连通域处理算法,对所述电力线的边缘检测图像进行去除背景处理,获取第二边缘检测图像;
所述步骤S2具体包括:
S2-A、若电力线的呈向为水平呈向时,则按照所述去除背景的电力线灰度图像矩阵中的列依次提取所述去除背景的电力线灰度图像矩阵中每一列的像素值,并对所述像素值进行平滑处理,获取所述每一列像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值;
若电力线的呈向为水平呈向时,所述步骤S3包括:
S31-A、根据所述每一列所对应的像素值曲线,针对所述去除背景的电力线灰度图像矩阵中任意相邻两列像素值曲线中的任一列像素值曲线,从所述任一列像素值曲线的第一个波峰点的位置开始到最后一个波峰点的位置,依次获取所述任一列像素值曲线的波峰点的位置分别与所述任一列相邻的像素值曲线的所有波峰点的位置的第一数值;
其中,所述第一数值为:
其中,d为第一数值;w1、w2、w3分别为预先设定的波峰点的位置、峰值、波宽的权重;ij、ij+1分别表示相邻两列像素值曲线中波峰点的位置,pj、pj+1分别表示相邻两列像素值曲线中与所述波峰点的位置ij和ij+1对应的峰值,bj、bj+1分别表示相邻两列像素值曲线中与所述波峰点的位置ij和ij+1对应的波宽;
S32-A、通过预先设定的第一阈值,在所述第一数值中筛选出第二数值;
所述第二数值为满足预先设定的第一阈值的第一数值;
S33-A、将所有与所述第二数值相应的两个波峰点的位置连接形成第一线段;
所述第一线段为:所述去除背景的电力线灰度图像矩阵中所有任意相邻两列像素值曲线中的波峰点的位置满足预先设定的第一阈值的第一数值相应的两个波峰点的位置的连接线段;
S34-A、根据所述第一线段和所述第二阈值,确定电力线;
所述步骤S2具体包括:
S2-B、若电力线的呈向为铅锤呈向时,则按照所述去除背景的电力线灰度图像矩阵中的行依次提取所述去除背景的电力线灰度图像矩阵中每一行的像素值,并对所述像素值进行平滑处理,获取所述每一行像素值所对应的像素值曲线和所述像素值曲线中波峰点的位置以及与所述波峰点的位置所对应的波宽、峰值;
若电力线的呈向为铅锤呈向时,所述步骤S3包括:
S31-B、根据所述每一行所对应的像素值曲线,针对所述去除背景的电力线灰度图像矩阵中任意相邻两行像素值曲线中的任一行像素值曲线,从所述任一行像素值曲线的第一个波峰点的位置开始到最后一个波峰点的位置,依次获取所述任一行像素值曲线的波峰点的位置分别与所述任一行相邻的下一行像素值曲线的所有波峰点的位置的第三数值;
其中,所述第三数值为:
其中,d1为第三数值;w1、w2、w3分别为预先设定的波峰点的位置、峰值、波宽的权重;ik、ik+1分别表示相邻两行像素值曲线中波峰点的位置,pk、pk+1分别表示相邻两行像素值曲线中与所述波峰点的位置ik和ik+1对应的峰值,bk、bk+1分别表示相邻两行像素值曲线中与所述波峰点的位置ik和ik+1对应的波宽;
S32-B、通过预先设定的第一阈值,在所述第三数值中筛选出第四数值;
所述第四数值为满足预先设定的第一阈值的第三数值;
S33-B、将所有与所述第四数值相应的两个波峰点的位置连接形成第二线段;
所述第二线段为:所述去除背景的电力线灰度图像矩阵中所有任意相邻两行像素值曲线中的波峰点的位置满足预先设定的第一阈值的第三数值相应的两个波峰点的位置的连接线段;
S34-B、根据所述第二线段和所述第二阈值,确定电力线。
2.根据权利要求1所述的方法,其特征在于,所述步骤S34-A包括:
针对所有所述第一线段中的任一第一线段,判断所述任一第一线段是否具有相应的后续第一线段;
所述与任一第一线段相应的后续第一线段为:起始位置在所述任一第一线段之后的列的波峰点的位置的第一线段;
若不具有,则将所述任一第一线段作为电力线;
若具有,则根据容积误差函数确定所述任一第一线段分别与相应的后续第一线段的距离值,并根据所述距离值和第二阈值确定与所述任一第一线段对应的最终后续第一线段;
所述与任一第一线段对应的最终后续第一线段为:与所述任一第一线段的距离值满足第二阈值的后续第一线段;
将所述任一第一线段与所述最终后续第一线段连接作为电力线。
3.根据权利要求1所述的方法,其特征在于,所述步骤S34-B包括:
针对所有所述第二线段中的任一第二线段,判断所述任一第二线段是否具有相应的后续第二线段;
所述与任一第二线段相应的后续第二线段为:起始位置在所述任一第一线段之后的行的波峰点的位置的第二线段;
若不具有,则将所述任一第二线段作为电力线;
若具有,则根据容积误差函数确定所述任一第二线段分别与相应的后续第二线段的距离值,并根据所述距离值和第二阈值确定与所述任一第二线段对应的最终后续第二线段;
所述与任一第二线段对应的最终后续第二线段为:与所述任一第二线段的距离值满足第二阈值的后续第二线段;
将所述任一第二线段与所述最终后续第二线段连接作为电力线。
4.根据权利要求2或3所述的方法,其特征在于,还包括步骤S4:
针对所述任一电力线所对应的所有波峰点的位置进行存储,获取与所述任一电力线所对应的编组;
其中,与任一电力线所对应的编组包括:所述任一电力线中的所有波峰点的位置;
所述第一阈值为5;
所述第二阈值为8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010499513.7A CN111739042B (zh) | 2020-06-04 | 2020-06-04 | 一种基于数字图像特征的复杂背景电力线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010499513.7A CN111739042B (zh) | 2020-06-04 | 2020-06-04 | 一种基于数字图像特征的复杂背景电力线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111739042A CN111739042A (zh) | 2020-10-02 |
CN111739042B true CN111739042B (zh) | 2023-06-09 |
Family
ID=72648458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010499513.7A Active CN111739042B (zh) | 2020-06-04 | 2020-06-04 | 一种基于数字图像特征的复杂背景电力线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739042B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007241606A (ja) * | 2006-03-08 | 2007-09-20 | Niles Co Ltd | 白線検出装置 |
CN103383729A (zh) * | 2013-05-27 | 2013-11-06 | 中国农业大学 | 行列排列目标的定位方法及系统 |
CN103886594A (zh) * | 2014-03-19 | 2014-06-25 | 武汉工程大学 | 路面线激光车辙检测与识别方法及处理系统 |
CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
CN107103324A (zh) * | 2017-04-05 | 2017-08-29 | 广东电网有限责任公司清远供电局 | 输电线路识别方法和装置 |
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 |
CN108986055A (zh) * | 2018-07-11 | 2018-12-11 | 湖北工业大学 | 一种鸡蛋蛋壳表面细微裂纹的视觉检测方法 |
CN109087295A (zh) * | 2018-07-31 | 2018-12-25 | 贵州大学 | 基于灰度值投影法的桥梁露筋视觉检测方法 |
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 |
CN110390672A (zh) * | 2019-07-11 | 2019-10-29 | 中国计量大学 | 一种基于EDLines的电力线快速提取方法 |
CN110956078A (zh) * | 2019-10-09 | 2020-04-03 | 中国人民解放军战略支援部队信息工程大学 | 一种电力线检测方法及装置 |
-
2020
- 2020-06-04 CN CN202010499513.7A patent/CN111739042B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007241606A (ja) * | 2006-03-08 | 2007-09-20 | Niles Co Ltd | 白線検出装置 |
CN103383729A (zh) * | 2013-05-27 | 2013-11-06 | 中国农业大学 | 行列排列目标的定位方法及系统 |
CN103886594A (zh) * | 2014-03-19 | 2014-06-25 | 武汉工程大学 | 路面线激光车辙检测与识别方法及处理系统 |
CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
CN107103324A (zh) * | 2017-04-05 | 2017-08-29 | 广东电网有限责任公司清远供电局 | 输电线路识别方法和装置 |
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 |
CN108986055A (zh) * | 2018-07-11 | 2018-12-11 | 湖北工业大学 | 一种鸡蛋蛋壳表面细微裂纹的视觉检测方法 |
CN109087295A (zh) * | 2018-07-31 | 2018-12-25 | 贵州大学 | 基于灰度值投影法的桥梁露筋视觉检测方法 |
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 |
CN110390672A (zh) * | 2019-07-11 | 2019-10-29 | 中国计量大学 | 一种基于EDLines的电力线快速提取方法 |
CN110956078A (zh) * | 2019-10-09 | 2020-04-03 | 中国人民解放军战略支援部队信息工程大学 | 一种电力线检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
Ling Lu et al..Eye Location Based on Gray Projection.《2009 Third International Symposium on Intelligent Information Technology Application》.2009,第58-60页. * |
柳冠伊 等.基于线阵扫描图像的玉米果穗性状检测技术.《农业机械学报》.2013,第44卷(第11期),第276-280页. * |
石伟 等.基于灰度投影的硬板纸计数方法研究与应用.《包装学报》.2017,第9卷(第1期),第66-71页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111739042A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562805B (zh) | 一种以图搜图的方法及装置 | |
CN108428227B (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
CN108664981B (zh) | 显著图像提取方法及装置 | |
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN109523470B (zh) | 一种深度图像超分辨率重建方法及系统 | |
CN108961180B (zh) | 红外图像增强方法及系统 | |
CN108492294B (zh) | 一种图像色彩和谐程度的评估方法及装置 | |
CN104573675B (zh) | 作业图像的展示方法和装置 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN103208097A (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN111597932A (zh) | 基于卷积神经网络的道路裂缝图像识别方法、装置及系统 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN109740672B (zh) | 多流特征距离融合系统与融合方法 | |
CN115578585A (zh) | 工业图像异常检测方法、系统、计算机设备和存储介质 | |
CN109949334B (zh) | 基于深度强化网络残差连接的轮廓检测方法 | |
CN109934835B (zh) | 基于深度强化网络邻接连接的轮廓检测方法 | |
CN111739042B (zh) | 一种基于数字图像特征的复杂背景电力线提取方法 | |
CN108764248A (zh) | 图像特征点的提取方法和装置 | |
CN113256608A (zh) | 工件缺陷检测方法和装置 | |
CN110033443B (zh) | 一种显示面板缺陷检测方法 | |
CN106845550B (zh) | 一种基于多模板的图像识别方法 | |
CN115457269A (zh) | 一种基于改进DenseNAS的语义分割方法 | |
CN109685757A (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 | |
CN112465817A (zh) | 一种基于方向滤波器的路面裂缝检测方法 | |
CN113298102A (zh) | 一种目标分类模型的训练方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |