CN112270327A - 基于局部融合频域特征的输电导线覆冰分类方法 - Google Patents

Abstract

本发明公开基于局部融合频域特征的输电导线覆冰分类方法，首先，对无人机采集的输电导线覆冰图像进行预处理和显著性提取，分割得到前景导线图像；其次，裁剪不包含前景导线的冗余部分并对剩余部分进行均匀分块；然后，利用非下采样双正交小波变换和方向性滤波器对所有子块图像进行分解，得到1个低频子带和8个高频子带；最后，计算各带通子带的均值、方差、功率谱密度和谱熵，构建频域融合特征C作为输入进行动态加权朴素贝叶斯分类，以完成导线覆冰分类。该方法能够准确提取输电线路图像中的覆冰导线，有利于进行融冰时间预测，预防导线脱冰跳跃及疲劳断线。

Description

基于局部融合频域特征的输电导线覆冰分类方法

技术领域

本发明属于电力输电线路监测技术领域，具体涉及一种基于局部融合频域特征的输电导线覆冰分类方法。

背景技术

野外的架空输电导线在冷暖气流交汇之际，频繁出现雾气凝滞现象，导致其被厚厚的冰层包裹，负荷应力集中，弧垂过大，进而引发断线、倒塔事故。在冰雪天气下，传统的人工巡线危险系数高、操作难度大，因此，直接利用搭载云台摄像机的无人机对输电线路进行远程的状态监测逐渐成为主流。

根据输电线路运行现场温度、湿度、风力等微气象条件的差异，导线覆冰可分为四大类：软雾凇、硬雾凇、雨凇和混合淞。不同类别冰层的消融时间不同，带来的危害程度也不同。因此，及时对导线覆冰类型进行识别，有助于后期对融冰时间的预测和输电线路运行可靠性的评估。现有的基于可见光图像的导线覆冰分类技术都是以整副覆冰图像为研究对象，在空间域内对其进行特征提取以实现冰层的分类，容易将混合淞误判为其他覆冰类型，因此，研究基于局部融合频域特征的输电导线覆冰分类方法，有非常重要的现实意义。

发明内容

本发明的目的是提供一种基于局部融合频域特征的输电导线覆冰分类方法，能够准确提取输电线路图像中的覆冰导线，有利于进行融冰时间预测，预防导线脱冰跳跃及疲劳断线。

本发明所采用的技术方案是，基于局部融合频域特征的输电导线覆冰分类方法，按照以下步骤具体实施：

步骤1，操控无人机使其携带的云台摄像机近距离聚焦拍摄架空输电导线，以采集导线覆冰图像I₁；对获取的输电导线图像I₁进行高斯滤波和直方图均衡化处理，得到去噪增强后的图像I₂，以突出前景导线部分；

步骤2，对去噪增强后的图像I₂进行显著性检测，分割提取出导线部分得到前景图像I₃；对图像I₃进行灰度化得到灰度前景图像I₄，实现降低图像维度的目的；

步骤3，分别正向和反向遍历灰度前景图像I₄，以黑色像素点占比小于90％的行作为上下界限，裁剪其中不含前景导线的部分得到待分块图像I₅；然后将图像I₅切割成若干个50×50像素的正方形子块图像I_b1、I_b2……I_bn；

步骤4，对步骤3中子块图像I_b1、I_b2……I_bn进行非下采样双正交小波分解和非下采样方向性滤波得到1个低频子带和8个高频子带；

步骤5，分别提取步骤4中所有高低频子带的均值、方差、功率谱密度和谱熵作为融合特征算子，对步骤3中的子块图像I_b1、I_b2……I_bn进行动态加权朴素贝叶斯分类，以确定导线子块图像的覆冰类型，再根据导线覆冰图像所对应的所有子块图像的识别结果，判定原始导线图像覆冰类型为软雾凇、硬雾凇、雨凇或混合淞。

本发明的特征还在于，

步骤3按照以下步骤实施：

步骤3.1，从第一行开始按行遍历灰度前景图像I₄，当某一行的黑色像素点个数占比小于90％时，令该行为上切割界限；

步骤3.2，从最后一行开始按行反向遍历灰度前景图像I₄，当某一行的黑色像素点个数占比小于90％时，令该行为下切割界限；

步骤3.3，根据步骤3.1和步骤3.2中确定的切割界限，对灰度前景图像I₄进行裁剪，剔除遍历经过的部分得到待分块图像I₅；

步骤3.4，以图像I₅的左上角为起点，将其切割成若干个50×50的正方形子块图像，并按从左至右、从上至下的顺序对这些子块图像进行编号，表示为I_b1、I_b2……I_bn，图像右侧和下侧多余的部分删除。

步骤4的具体实施步骤如下：

首先对步骤3中子块图像I_b1、I_b2……I_bn进行具有线性相位性、对称性及正则性的非下采样双正交小波分解得到高频部分和低频部分，然后对高频部分采用分解系数为2的非下采样方向性滤波器进行多方向分解，得到一系列高频子带，对低频部分再次进行非下采样双正交小波分解，最终得到1个低频子带和8个高频子带。

步骤4中，双正交小波的对偶尺度函数

和对偶小波函数ψ(t)、

满足如下尺度方程：

式中，g₀[k]、

g₁[k]、

分别为

ψ(t)、

的低通滤波器系数，k随机选取，用于决定平移幅度，Z为整数，t为自变量；

双正交小波的尺度函数和小波函数满足如下正交关系：

式中，

是由

经过展缩j倍，平移k个单位构成的尺度函数族；

是由

经过展缩l倍，平移n个单位构成的对偶尺度函数族；ψ_j,k是由ψ经过展缩j倍，平移k个单位构成的小波函数族；

是由

经过展缩m倍，平移n个单位构成的对偶小波函数族；δ为Kronecker函数；

则图像f(t)的双正交分解可通过下式完成：

式中，j为分解层数，k用于决定平移幅度，ψ_j,k为j层小波分解的细节系数。

步骤5的具体实施步骤如下：

步骤5.1，分别计算步骤4中1个低频子带和8个高频子带的均值c₁、方差c₂、功率谱密度c₃、谱熵c₄，构建频域融合特征算子C{c₁,c₂,c₃,c₄}，四个特征的计算公式如下：

式中，x_i为第i个像素的值，m为像素总数，A(f_x)是关于空间频率f_x的傅里叶频谱振幅，Δf_x是频率间隔；

步骤5.2，将步骤5.1中获取的融合特征算子C{c₁,c₂,c₃,c₄}分为训练集和测试集，将训练集输入动态加权朴素贝叶斯分类器进行训练；

将给定的一个待分类样本C＝{c₁,c₂,…，c_i}分配给类X_k，且1≤i≤4，1≤k≤4，根据贝叶斯定理有：

朴素贝叶斯分类模型可表示为：

式中，P(X_k)为训练集Ω中类X_k的先验概率，根据训练集中的样本数据计算得到，P(X_k)＝d_k/d，d为训练集中的总样本数，d_k表示训练集中类X_k的样本数，P(c_i|X_k)＝d_ik/d_k，d_ik表示类X_k的样本中特征c_i的取值的样本数。

选取动态权值Q∈[0,1]对其进行加权处理，权值Q以步长0.05在其取值范围内变化，计算补集朴素贝叶斯概率

当朴素贝叶斯概率与补集朴素贝叶斯概率的差最大时的权值Q作为待分类样本C的判定权值，动态权值朴素贝叶斯分类模型：

式中，P(X_k)为训练集Ω中类X_k的先验概率，根据训练集中的样本数据计算得到，P(X_k)＝d_k/d，d为训练集中的总样本数，d_k表示训练集中类X_k的样本数，P(c_i|X_k)＝d_ik/d_k，d_ik表示类X_k的样本中特征c_i的取值的样本数。

训练完成后通过测试集进行测试，实现对输电导线子块图像I_b1、I_b2……I_bn覆冰类型的识别；最后综合每张输电导线覆冰图像所对应的子块图像的覆冰类型识别结果，判定该导线覆冰类型：

子块图像判别为软雾凇，导线覆冰类型为软雾凇；子块图像判别为硬雾凇，导线覆冰类型为硬雾凇；子块图像判别为雨凇，导线覆冰类型为雨凇；子块图像判别为多个覆冰类型，导线覆冰类型为混合凇。

本发明的有益效果是：

(1)本发明方法与现有的以整幅输电导线覆冰图像为研究对象的覆冰分类算法相比，本发明在剔除冗余部分后，对前景导线进行均匀分块处理，根据导线图像局部子块的类型判定结果，确定该输电导线的覆冰类型，有效降低了将混合淞误判为其他覆冰类型的可能性，更加准确高效；

(2)本发明方法中无人机采集的导线覆冰图像容易反光或出现阴影，本发明将导线图像转化至频域，利用多个子带通道的融合特征进行覆冰类型判别，能减小光照的影响，捕捉到更多的纹理细节信息，有助于提高导线覆冰分类的准确性，为基于无人机巡检的输电导线覆冰分类提供了一种新的思路。

附图说明

图1是本发明基于局部融合频域特征的输电导线覆冰分类方法的算法流程图；

图2是四种不同覆冰类型的输电导线图像；

图3是通过本发明方法对覆冰导线图像的均匀分块结果图；

图4是本发明方法中步骤4中频域分解的示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于局部融合频域特征的输电导线覆冰分类方法，如图1-4所示，按照以下步骤具体实施：

步骤1，操控无人机使其携带的云台摄像机近距离聚焦拍摄架空输电导线，以采集导线覆冰图像I₁，如图2所示的分别是无人机采集的软雾凇、硬雾凇、雨凇和混合淞覆冰导线图像，它们都有前景清晰背景较为模糊的特点，并且覆冰输电导线位于图像的中部，有利于后续的分割提取；对获取的输电导线图像I₁进行高斯滤波和直方图均衡化处理，得到去噪增强后的图像I₂，以突出前景导线部分；

步骤2，针对聚焦拍摄获取的输电导线图像具有前景清晰，背景模糊程度高这一特点，对去噪增强后的图像I₂进行显著性检测，分割提取出导线部分得到前景图像I₃；对图像I₃进行灰度化得到灰度前景图像I₄，实现降低图像维度的目的；

步骤3，分别正向和反向遍历灰度前景图像I₄，以黑色像素点(即非导线部分)占比小于90％的行作为上下界限，裁剪其中不含前景导线的部分得到待分块图像I₅；然后将图像I₅切割成若干个50×50像素的正方形子块图像I_b1、I_b2……I_bn，如图3所示；

步骤3.1，因为提取出的前景导线部分往往位于整副导线覆冰图像的中部且贯穿左右，所以从第一行开始按行遍历灰度前景图像I₄，当某一行的黑色像素点(即非导线部分)个数占比小于90％时，令该行为上切割界限；

步骤3.2，从最后一行开始按行反向遍历灰度前景图像I₄，当某一行的黑色像素点个数占比小于90％时，令该行为下切割界限；

步骤3.3，根据步骤3.1和步骤3.2中确定的切割界限，对灰度前景图像I₄进行裁剪，剔除遍历经过的部分得到待分块图像I₅；

步骤3.4，以图像I₅的左上角为起点，将其切割成若干个50×50的正方形子块图像，并按从左至右、从上至下的顺序对这些子块图像进行编号，表示为I_b1、I_b2……I_bn，如图3所示，图像右侧和下侧多余的部分删除。

步骤4，为了保留丰富的细节信息，对步骤3中子块图像I_b1、I_b2……I_bn进行非下采样双正交小波分解和非下采样方向性滤波得到1个低频子带和8个高频子带，频域分解示意图如图4所示；

因为图像的高频和低频分量包含大量纹理细节信息，所以首先对步骤3中子块图像I_b1、I_b2……I_bn进行具有线性相位性、对称性及正则性的非下采样双正交小波分解得到高频部分和低频部分，然后对高频部分采用分解系数为2的非下采样方向性滤波器进行多方向分解，得到一系列高频子带，对低频部分再次进行非下采样双正交小波分解，最终得到1个低频子带和8个高频子带，如图4所示；

其中，双正交小波的对偶尺度函数

和对偶小波函数ψ(t)、

满足如下尺度方程：

式中，g₀[k]、

g₁[k]、

分别为

ψ(t)、

的低通滤波器系数，k随机选取，用于决定平移幅度，Z为整数，t为自变量。

双正交小波的尺度函数和小波函数满足如下正交关系：

式中，

是由

经过展缩j倍，平移k个单位构成的尺度函数族；

是由

经过展缩l倍，平移n个单位构成的对偶尺度函数族；ψ_j,k是由ψ经过展缩j倍，平移k个单位构成的小波函数族；

是由

经过展缩m倍，平移n个单位构成的对偶小波函数族；δ为Kronecker函数。

则图像f(t)的双正交分解可通过下式完成：

式中，j为分解层数，k用于决定平移幅度，ψ_j,k为j层小波分解的细节系数。

步骤5，分别提取步骤4中所有高低频子带的均值、方差、功率谱密度和谱熵作为融合特征算子，对步骤3中的子块图像I_b1、I_b2……I_bn进行动态加权朴素贝叶斯分类，以确定导线子块图像的覆冰类型，再根据导线覆冰图像所对应的所有子块图像的识别结果，判定原始导线图像覆冰类型为软雾凇、硬雾凇、雨凇或混合淞。

步骤5.1，分别计算步骤4中1个低频子带和8个高频子带的均值c₁、方差c₂、功率谱密度c₃、谱熵c₄，构建频域融合特征算子C{c₁,c₂,c₃,c₄}，四个特征的计算公式如下：

式中，x_i为第i个像素的值，m为像素总数，A(f_x)是关于空间频率f_x的傅里叶频谱振幅，Δf_x是频率间隔。

步骤5.2，将步骤5.1中获取的融合特征算子C{c₁,c₂,c₃,c₄}分为训练集和测试集，将训练集输入动态加权朴素贝叶斯分类器进行训练。

将给定的一个待分类样本C＝{c₁,c₂,…，c_i}分配给类X_k，且1≤i≤4，1≤k≤4，根据贝叶斯定理有：

朴素贝叶斯分类模型可表示为：

式中，P(X_k)为训练集Ω中类X_k的先验概率，根据训练集中的样本数据计算得到，P(X_k)＝d_k/d，d为训练集中的总样本数，d_k表示训练集中类X_k的样本数，P(c_i|X_k)＝d_ik/d_k，d_ik表示类X_k的样本中特征c_i的取值的样本数。

传统朴素贝叶斯分类器易受到属性相关性影响，为提高其普适性，选取动态权值Q∈[0,1]对其进行加权处理，权值Q以步长0.05在其取值范围内变化，计算补集朴素贝叶斯概率

当朴素贝叶斯概率与补集朴素贝叶斯概率的差最大时的权值Q作为待分类样本C的判定权值。动态权值朴素贝叶斯分类模型：

式中，P(X_k)为训练集Ω中类X_k的先验概率，根据训练集中的样本数据计算得到，P(X_k)＝d_k/d，d为训练集中的总样本数，d_k表示训练集中类X_k的样本数，P(c_i|X_k)＝d_ik/d_k，d_ik表示类X_k的样本中特征c_i的取值的样本数。

训练完成后通过测试集进行测试，实现对输电导线子块图像I_b1、I_b2……I_bn覆冰类型的识别。最后综合每张输电导线覆冰图像所对应的子块图像的覆冰类型识别结果，判定该导线覆冰类型：

子块图像判别为软雾凇，导线覆冰类型为软雾凇；子块图像判别为硬雾凇，导线覆冰类型为硬雾凇；子块图像判别为雨凇，导线覆冰类型为雨凇；子块图像判别为多个覆冰类型，导线覆冰类型为混合凇。

Claims (5)

1.基于局部融合频域特征的输电导线覆冰分类方法，其特征在于，按照以下步骤具体实施：

步骤1，操控无人机使其携带的云台摄像机近距离聚焦拍摄架空输电导线，以采集导线覆冰图像I₁；对获取的输电导线图像I₁进行高斯滤波和直方图均衡化处理，得到去噪增强后的图像I₂，以突出前景导线部分；

步骤2，对去噪增强后的图像I₂进行显著性检测，分割提取出导线部分得到前景图像I₃；对图像I₃进行灰度化得到灰度前景图像I₄，实现降低图像维度的目的；

步骤3，分别正向和反向遍历灰度前景图像I₄，以黑色像素点占比小于90％的行作为上下界限，裁剪其中不含前景导线的部分得到待分块图像I₅；然后将图像I₅切割成若干个50×50像素的正方形子块图像I_b1、I_b2……I_bn；

步骤4，对步骤3中子块图像I_b1、I_b2……I_bn进行非下采样双正交小波分解和非下采样方向性滤波得到1个低频子带和8个高频子带；

步骤5，分别提取步骤4中所有高低频子带的均值、方差、功率谱密度和谱熵作为融合特征算子，对步骤3中的子块图像I_b1、I_b2……I_bn进行动态加权朴素贝叶斯分类，以确定导线子块图像的覆冰类型，再根据导线覆冰图像所对应的所有子块图像的识别结果，判定原始导线图像覆冰类型为软雾凇、硬雾凇、雨凇或混合淞。

2.根据权利要求1所述的基于局部融合频域特征的输电导线覆冰分类方法，其特征在于，所述步骤3按照以下步骤实施：

步骤3.1，从第一行开始按行遍历灰度前景图像I₄，当某一行的黑色像素点个数占比小于90％时，令该行为上切割界限；

步骤3.2，从最后一行开始按行反向遍历灰度前景图像I₄，当某一行的黑色像素点个数占比小于90％时，令该行为下切割界限；

步骤3.3，根据步骤3.1和步骤3.2中确定的切割界限，对灰度前景图像I₄进行裁剪，剔除遍历经过的部分得到待分块图像I₅；

步骤3.4，以图像I₅的左上角为起点，将其切割成若干个50×50的正方形子块图像，并按从左至右、从上至下的顺序对这些子块图像进行编号，表示为I_b1、I_b2……I_bn，图像右侧和下侧多余的部分删除。

3.根据权利要求1所述的基于局部融合频域特征的输电导线覆冰分类方法，其特征在于，步骤4的具体实施步骤如下：

首先对步骤3中子块图像I_b1、I_b2……I_bn进行具有线性相位性、对称性及正则性的非下采样双正交小波分解得到高频部分和低频部分，然后对高频部分采用分解系数为2的非下采样方向性滤波器进行多方向分解，得到一系列高频子带，对低频部分再次进行非下采样双正交小波分解，最终得到1个低频子带和8个高频子带。

4.根据权利要求3所述的基于局部融合频域特征的输电导线覆冰分类方法，其特征在于，步骤4中，双正交小波的对偶尺度函数

和对偶小波函数ψ(t)、

满足如下尺度方程：

式中，g₀[k]、

g₁[k]、

分别为

ψ(t)、

的低通滤波器系数，k随机选取，用于决定平移幅度，Z为整数，t为自变量；

双正交小波的尺度函数和小波函数满足如下正交关系：

式中，

是由

经过展缩j倍，平移k个单位构成的尺度函数族；

是由

经过展缩l倍，平移n个单位构成的对偶尺度函数族；ψ_j,k是由ψ经过展缩j倍，平移k个单位构成的小波函数族；

是由

经过展缩m倍，平移n个单位构成的对偶小波函数族；δ为Kronecker函数；

则图像f(t)的双正交分解可通过下式完成：

式中，j为分解层数，k用于决定平移幅度，ψ_j,k为j层小波分解的细节系数。

5.根据权利要求1所述的基于局部融合频域特征的输电导线覆冰分类方法，其特征在于，步骤5的具体实施步骤如下：

步骤5.1，分别计算步骤4中1个低频子带和8个高频子带的均值c₁、方差c₂、功率谱密度c₃、谱熵c₄，构建频域融合特征算子C{c₁,c₂,c₃,c₄}，四个特征的计算公式如下：

式中，x_i为第i个像素的值，m为像素总数，A(f_x)是关于空间频率f_x的傅里叶频谱振幅，Δf_x是频率间隔；

步骤5.2，将步骤5.1中获取的融合特征算子C{c₁,c₂,c₃,c₄}分为训练集和测试集，将训练集输入动态加权朴素贝叶斯分类器进行训练；

将给定的一个待分类样本C＝{c₁,c₂,…，c_i}分配给类X_k，且1≤i≤4，1≤k≤4，根据贝叶斯定理有：

朴素贝叶斯分类模型可表示为：

式中，P(X_k)为训练集Ω中类X_k的先验概率，根据训练集中的样本数据计算得到，P(X_k)＝d_k/d，d为训练集中的总样本数，d_k表示训练集中类X_k的样本数，P(c_i|X_k)＝d_ik/d_k，d_ik表示类X_k的样本中特征c_i的取值的样本数。

选取动态权值Q∈[0,1]对其进行加权处理，权值Q以步长0.05在其取值范围内变化，计算补集朴素贝叶斯概率

当朴素贝叶斯概率与补集朴素贝叶斯概率的差最大时的权值Q作为待分类样本C的判定权值，动态权值朴素贝叶斯分类模型：

式中，P(X_k)为训练集Ω中类X_k的先验概率，根据训练集中的样本数据计算得到，P(X_k)＝d_k/d，d为训练集中的总样本数，d_k表示训练集中类X_k的样本数，P(c_i|X_k)＝d_ik/d_k，d_ik表示类X_k的样本中特征c_i的取值的样本数。

训练完成后通过测试集进行测试，实现对输电导线子块图像I_b1、I_b2……I_bn覆冰类型的识别；最后综合每张输电导线覆冰图像所对应的子块图像的覆冰类型识别结果，判定该导线覆冰类型：

子块图像判别为软雾凇，导线覆冰类型为软雾凇；子块图像判别为硬雾凇，导线覆冰类型为硬雾凇；子块图像判别为雨凇，导线覆冰类型为雨凇；子块图像判别为多个覆冰类型，导线覆冰类型为混合凇。

Images