CN112419264B - 一种航电系统高压线目标的检测方法 - Google Patents
一种航电系统高压线目标的检测方法 Download PDFInfo
- Publication number
- CN112419264B CN112419264B CN202011317008.2A CN202011317008A CN112419264B CN 112419264 B CN112419264 B CN 112419264B CN 202011317008 A CN202011317008 A CN 202011317008A CN 112419264 B CN112419264 B CN 112419264B
- Authority
- CN
- China
- Prior art keywords
- voltage line
- image
- line
- target
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 229910052704 radon Inorganic materials 0.000 claims description 34
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于直升机障碍检测技术领域,公开了一种航电系统高压线目标的检测方法,包括:获取航电系统中光电传感器采集到的原始图像;基于相对全变差的图像滤波去噪算法进行去躁处理;对去噪后的图像进行线增强滤波;对线目标增强后的图像进行形态学滤波,剔除细小线段;在剔除虚警后的图像中提取直线特征,作为检测出的高压线目标,本发明技术方案可将航电系统关键目标高压线稳定可靠地检测出来,可有效提高直升机的飞行安全性。
Description
技术领域
本发明属于直升机障碍检测技术领域,尤其涉及一种航电系统高压线目标的检测方法。
背景技术
绝大多数直升机的飞行事故都是因为没能及时发现空中的细小障碍物引起的,并且直升机和输电线的碰撞事故占很大一部分,这主要是因为输电线细长、反射面小的特性,传统的毫米波雷达、激光雷达等很难对其距离进行测量。高压线、输电线作为直升机飞行安全设计中的关键目标,需要航电系统对其进行准确检测。相比雷达传感器而言,光电传感器技术最为成熟,而由于高压线目标的长宽比极大,造成基于光电传感器的高压线检测技术一直没有很好的效果,致使飞行员在飞行时需要投入很大的精力来警惕高压线关键目标的存在,给飞行员的安全飞行造成了极大的负担。
发明内容
本发明技术方案针对背景技术中的问题,提供一种航电系统高压线目标的检测方法,可将航电系统关键目标高压线稳定可靠地检测出来,可有效提高直升机的飞行安全性。
为达到上述目的,本发明采用如下技术方案予以实现。
一种航电系统高压线目标的检测方法,所述方法包括:
S1,获取航电系统中光电传感器采集到的原始图像;
S2,基于相对全变差的图像滤波去噪算法对所述原始图像进行去躁处理,得到去噪后的图像;
S3,对所述去噪后的图像进行线增强滤波,得到线目标增强后的图像;
S4,对所述线目标增强后的图像进行形态学滤波,剔除细小线段,得到剔除虚警后的图像;
S5,在所述剔除虚警后的图像中提取直线特征,作为检测出的高压线目标。
本发明技术方案的特点和进一步的改进为:
(1)S2,基于相对全变差的图像滤波去噪算法对所述原始图像进行去躁处理,具体为:
其中I为原始图像,f为基于相对全变差的图像滤波去噪算法对原始图像进行滤波得到的去噪后的图像,p表示图像中的任意一个像素点的位置;λ为平衡权重,∈防止分母为0;
Dx(p),Dy(p)分别定义为:
其中R(p)表示以像素p为中心的矩形区域,gp,q定义为:
σ为尺度参数,Hx(p)和Hy(p)分别定义为:
其中,表示f关于x方向求偏导在像素q处的值,/>表示f关于y方向求偏导在像素q处的值,xp表示像素p处的x值,yp表示像素p处的y值,xq表示像素q处的x值,yq表示像素q处的y值,q为矩形区域R(p)内的任意一个像素。
(2)S3,对所述去噪后的图像进行线增强滤波,具体为采用Hessian算子的高压线增强算法对对所述去噪后的图像进行线增强滤波。
(3)采用Hessian算子的高压线增强算法对所述去噪后的图像进行线增强滤波,具体为:
(3a)在所述去噪后的图像中获取所有待检测点,所述待检测点为去噪后的图像中的边界点;
(3b)确定每个待检测点处的Hessian矩阵;
(3c)根据每个待检测点对应的Hessian矩阵确定对应的特征值;
(3d)根据每个待检测点对应的特征值构建每个待检测点对应的线状特征滤波器;
(3e)所有待检测点对应的线状特征滤波器组成线状滤波器组;
(3f)根据所述线状滤波器组对所述去噪后的图像进行线增强滤波,得到线目标增强后的图像。
(4)子步骤(3d)根据每个待检测点对应的特征值构建每个待检测点对应的线状特征滤波器,具体为:
式中V(λ)∈(0,1),代表最终增强结果,β和c分别是R和S的调节参数,用来调节R和S的灵敏度,λ1、λ2分别为待检测点对应的两个特征值,且λ1≈0,|λ1|<|λ2|。
(5)S5,在所述剔除虚警后的图像中提取直线特征,作为检测出的高压线目标,具体为:
(5a)对所述剔除虚警后的图像进行Radon变换,得到Radon变换后的图像;
(5b)设定Radon变换后的图像的峰值点提取灰度阈值;
(5c)在所述Radon变换后的图像中提取峰值点灰度值大于所述峰值点提取灰度阈值的所有目标峰值点;
(5d)通过Radon反变换,获取所有目标峰值点在所述剔除虚警后的图像中对应的直线段,作为检测出的高压线目标。
(6)子步骤(5d)中,通过Radon反变换,获取所有目标峰值点在所述剔除虚警后的图像中对应的直线段后,所述方法还包括:根据方向梯度检测算法确定每条高压线目标的起点,并确定每条高压线目标的延伸方向。
(7)确定每条高压线目标的延伸方向具体为:
判断每条高压线目标延伸方向的具体方法为:根据线性特征在Radon变换域对应峰值的正负性可判断该高压线目标为亮线还是暗线;
当D>0,且该高压线目标为亮线时,W=θ+π/2;
当D>0,且该高压线目标为暗线时,W=θ-π/2;
当D<0,且该高压线目标为亮线时,W=θ-π/2;
当D<0,且该高压线目标为暗线时,W=θ+π/2;
其中θ为高压线目标法线同x轴夹角,W为高压线目标延伸方向同x轴的夹角,D为该高压线目标起点的梯度值。
(8)确定每条高压线目标的延伸方向之后,所述方法还包括:剔除高压线目标中的虚警,具体为:
对于每条高压线目标,估算其所代表的线段的长度L;
其中,xmin,xmax,ymin,ymax分别表示高压线目标点集内所有点的横纵坐标的最小与最大值;
设Lt为真实高压线的最短长度,则当L小于Lt时,认为该点集代表的线段过短,判为虚警。
为了从复杂杂波背景下提取出高压线目标,本发明技术方案首先需要对光电传感器采集的原始图像进行去噪处理,采用基于相对全变差的图像滤波算法来实现去噪处理;然后借助线增强滤波以增强高压线目标特征;随后进行线段检测和连接,去除细小线段带来的虚警;最后进行直线特征提取,提取出图像中较长的线段。本发明经过滤波去噪、特征增强、线段剔除、峰值点提取、直线还原、起始点获取、虚警剔除等操作,可将航电系统关键目标高压线稳定可靠地检测出来,可有效提高直升机的飞行安全性。
具体实施方式
为了从复杂杂波背景下提取出高压线目标,首先需要对光电传感器采集的原始图像进行去噪处理,本发明实施例采用基于相对全变差的图像滤波算法来实现去噪处理;然后借助线增强滤波以增强高压线目标特征;随后进行线段检测和连接,去除细小线段带来的虚警;最后进行直线特征提取,提取出图像中较长的线段。下面是具体描述:
(1)相对全变差滤波算法由下面的能量方程构成:
其中I为输入的原始图像,f为滤波后的输出图像,p表示像素点的位置。公式中第一项(fp-Ip)2目的使输入图像和输出图像尽可能保持相似。λ为平衡权重,一般设置为0.01,∈防止分母为0,一般设置为0.0001。Dx(p),Dy(p)分别定义为:
其中R(p)表示以像素p为中心的矩形区域,εp,q定义为:
σ为尺度参数,一般设置为0.5。Hx(p),Hy(p)定义为:
相对全变差滤波能够在滤除噪声的同时,保留住图像的主要结构信息,因此可以将图像中的高压线结构完好地保留下来,而将影响检测效果的噪声给滤除掉。
(2)基于Hessian算子的高压线增强算法:
Hessian矩阵是一个自变量为向量的实值函数的二阶偏导数组成的方块矩阵,在图像处理技术中,Hessian矩阵利用高阶微分来分析和检测特定形状的边缘。假设有一个二阶导数连续的二维函数f(x,y),Hessian矩阵可以用来判定某一点是鞍点还是极值点。考察一临界点(x0,y0),有
f(x,y)的Hessian行列式为:
那么判断点(x0,y0)是极值点还是鞍点的原则如下:
(a)当|H|>0时,(x0,y0)为极值点。且当时,(x0,y0)为极小值点;/>时,(x0,y0)为极大值点。
(b)当|H|=0时,Hessian矩阵判断方法失效,无法判断该点为极值点还是鞍点。
(c)当|H|<0时,(x0,y0)为鞍点。
利用Hessian算法可以提取图像中线性特征的像素。对于图像f(x,y)在一待检测点(x0,y0)处的Hessian矩阵为:
H是实对称矩阵,因此Hessian矩阵H的特征值存在,且可以由如下公式表示:
其中,K=(fxx+fyy)/2,
利用Hessian矩阵的特征值,我们便可以判断点(x0,y0)是否为直线上的点。
假设Hessian矩阵的两个特征值|λ|1<|λ2|,点(x0,y0)二阶导数的大小和方向可以由Hessian矩阵的特征值和特征向量来描述,较小特征值λ1反应了点(x0,y0)的曲率大小(当曲线为直线时λ1为0),而较大特征值λ2代表垂直于最大曲率的方向。
Hessian矩阵的特征向量在图像处理中表征图像密度变化剧烈的角点。可以通过Hessian矩阵的具体特征值大小来判断该像素所在区域的形状特征,可用来检测高压线的边缘。理想的线状特征的特征值有如下关系:
λ1≈0
|λ1|<|λ2|
当高压线比周围背景暗时λ2>0,当高压线比周围背景亮时λ2<0。根据以上Hessian矩阵的特性可以定义高压线的特征函数,用于构建线状特征滤波器。特征函数如下
式中V(λ)∈(0,1),代表最终增强结果,其值越接近于1,当前像素属于细长结构的置信度越高。β和c分别是R和S的调节参数,用来调节R和S的灵敏度。
(3)基于形态学滤波的线剔除算法
线剔除算法是将一些孤立的短线段剔除掉,保留连续较长的线段。该算法即执行一个MoutofN检验,需要用到一组(16个)41×41的形态学滤波器。
使用滤波器库中的每一个滤波器对前期图像分割得到的图像进行滤波,即对该滤波器所覆盖空间的像素值进行求和,设和值为M,如果M值大于该滤波器所对应的阈值,则滤波器中心像素输出值被置为1,否则被置为0。阈值随滤波器库中每个滤波器的长度的变化而变化,而滤波器的长度与倾斜角度有关。
这种处理消除了方向不一致的孤立线段,而保留较长的线段和分布在一条直线上并且相邻紧密的几条较短线段。
(4)基于Radon变换的局部峰值点提取
Radon变换是计算图像在某一指定角度射线方向上投影的变换方法,图像的Radon变换反映了图像在不同射线方向上的投影特征,若只考虑二维欧拉空间,其定义为
F(θ,ρ)=∫∫Df(x,y)δ(ρ-x cosθ-y sinθ)dxdy
式中:D为图像区域;f(x,y)为点(x,y)处的灰度值;δ为Dirac Delta函数;ρ为原点到直线的距离;θ为直线的法线与x轴的夹角。Dirac Delta函数使函数积分沿着直线ρ=xcosθ+y sinθ进行,使图像空间中一条直线变换到Radon空间的一点。
Radon变换的这种特性可以应用到图像中的直线检测中,一般来讲,经过高压线增强后的图像中,高压线是比背景要亮的直线,在Radon变换域会相应的形成一个亮的峰值。反过来讲,在Radon变换域检测峰值,就是检测直线。
为了剔除Radon变换域中虚假线性特征引起的峰值点,首先需要提取变换域中所有可能的局部峰值点。如前面所述,原始图像中的每一条线性特征在Radon变换域中均映射成一个尖锐的峰值,因此这一步的检测可以通过在Radon变换域中进行简单的门限化操作有效实现。具体算法为,取邻域窗口大小为n×n,n可根据原始图像大小进行选择。同样,n太小无法有效去除非目标线性特征引起的虚假峰值,n太大则难以提取目标线性特征引起的真实峰值。实验测试表明,n取值在(5,30)之间将较为有效。对于Radon变换域中每个变换系数,计算该系数值与邻域窗口内所有系数的均值的绝对差值,用邻域窗口内系数标准差作为自适应门限值Th进行判决,得到检测输出为一个峰值序列。
自适应门限值Th可以表示为邻域窗口内系数标准差σ的k倍,即
Th=k×σ
其中k值的大小可以通过不同类型的图像实验选定来满足不同的虚警率要求,如要求高检测率的情况下k值应该取得较小。由于Radon变换域中峰值宽度不是无限小,因此如果门限值太低就无法分辨相邻很近的峰值点。一般地,k取值在1-3之间可基本满足要求。
对Radon变换域进行局部峰值门限判决后得到Mmax个峰值点序列,表示为{ρm,θm,Am},m=1,2,...,Mmax,其中,(ρm,θm)和Am分别是峰值点在变换域中的坐标和幅度值。通过选取较小的门限值,可以提取大部分的局部峰值点,此时检测率和虚警率均很高。这些峰值点中有些是由真实高压线特征形成的,另一些则是由自然因素或噪声引起的虚假峰值,因此需要通过进一步估计峰值的形状来识别由真实线性特征引起的峰值。
(5)基于Radon反变换的直线还原
由Radon变换公式可知,变换前后图像空间的基本对应关系为:图像平面空间上的一点(ρn,θn)对应于Radon变换空间上的一条正弦曲线ρn=x cosθn+y sinθn,因此,利用如下的Radon反变换公式可以得到Radon变换空间极值点{ρn,θn,},n=1,2,...,K对应的直线:
(6)高压线起始点确定
为了克服Radon逆变换无法标记高压线线段起点的缺点,利用方向梯度算法在原始图像I中沿高压线直线搜索高压线起点。原始图像中被检测到的高压线直线方程为
ρ=x cosθ+y sinθ
其中x和y是原始图像坐标值,ρ和θ是Radon变换域峰值坐标参量。方向梯度检测算法如下,首先在原始图像中提取所有沿高压线直线的像素点,得到一组长度为NT的点序列(xn,yn),n=1,2,...,NT;其次定义步长范围为p∈(pmin,pmax)。
验证结果表明一般p∈(5,30)可以满足检测的需要。对于序列中的每个点,计算在不同步长下得到的梯度值序列,高压线直线方向的梯度值为Dn=N1-N2,其中N1为该点前p个点的均值,N2为该点后p个点的均值;最后预设门限Tn=±u×σ(u预设参数),其中σ为点序列(xn,yn),n=1,2,...,NT的标准差。如果每个点的最大梯度值Dn,max>u×σ或Dn,max<-u×σ,则表示该点为高压线起点。
判断每条高压线目标延伸方向的具体方法为:根据线性特征在Radon变换域对应峰值的正负性可判断该高压线目标为亮线还是暗线;
当D>0,且该高压线目标为亮线时,W=θ+π/2;
当D>0,且该高压线目标为暗线时,W=θ-π/2;
当D<0,且该高压线目标为亮线时,W=θ-π/2;
当D<0,且该高压线目标为暗线时,W=θ+π/2;
其中θ为高压线直线法线同x轴夹角,W为高压线延伸方向同x轴的夹角,D为该高压线起点的梯度值。根据线性特征在变换域对应峰值的正负性可判断该高压线直线为亮线还是暗线,同时结合高压线起点梯度值的正负性可得到高压线延伸方向同x轴的夹角W的值。
(7)高压线虚警剔除
经过上述处理,为了消除方向不一致的孤立线段,而保留较长的线段和分布在一条直线上并且相邻紧密的几条较短线段,需要设计线段连接滤波器在空间上将分离的小线段连接成较长的线段,以便于随后的直线特征检测器能够将其检测出来。
对于每个线段,估算其所代表的线段的长度为:
其中,xmin,xmax,ymin,ymax分别指点集内所有点的横纵坐标的最小与最大值。
因为高压线一般会有多个检测点被检测到,具有一定的长度,而由于干扰造成的虚警线段一般较短,因此设Lt为高压线的最短长度,则当L小于Lt时,认为该点集代表的线段过短,判为虚警。对于保留的点集,可在原图中得到其对应的直线。
本发明技术方案首先需要对光电传感器采集的原始图像进行去噪处理,采用基于相对全变差的图像滤波算法来实现去噪处理;然后借助线增强滤波以增强高压线目标特征;随后进行线段检测和连接,去除细小线段带来的虚警;最后进行直线特征提取,提取出图像中较长的线段。本发明经过滤波去噪、特征增强、线段剔除、峰值点提取、直线还原、起始点获取、虚警剔除等操作,可将航电系统关键目标高压线稳定可靠地检测出来,可有效提高直升机的飞行安全性。
Claims (7)
1.一种航电系统高压线目标的检测方法,其特征在于,所述方法包括:
S1,获取航电系统中光电传感器采集到的原始图像;
S2,基于相对全变差的图像滤波去噪算法对所述原始图像进行去躁处理,得到去噪后的图像;具体为:
其中I为原始图像,f为基于相对全变差的图像滤波去噪算法对原始图像进行滤波得到的去噪后的图像,p表示图像中的任意一个像素点的位置;λ为平衡权重,∈防止分母为0;
Dx(p),Dy(p)分别定义为:
其中R(p)表示以像素p为中心的矩形区域,gp,q定义为:
σ为尺度参数,Hx(p)和Hy(p)分别定义为:
其中,表示f关于x方向求偏导在像素q处的值,/>表示f关于y方向求偏导在像素q处的值,xp表示像素p处的x值,yp表示像素p处的y值,xq表示像素q处的x值,yq表示像素q处的y值,q为矩形区域R(p)内的任意一个像素;
S3,对所述去噪后的图像进行线增强滤波,得到线目标增强后的图像;
S4,对所述线目标增强后的图像进行形态学滤波,剔除细小线段,得到剔除虚警后的图像;
S5,在所述剔除虚警后的图像中提取直线特征,作为检测出的高压线目标;具体为:
(5a)对所述剔除虚警后的图像进行Radon变换,得到Radon变换后的图像;
(5b)设定Radon变换后的图像的峰值点提取灰度阈值;
(5c)在所述Radon变换后的图像中提取峰值点灰度值大于所述峰值点提取灰度阈值的所有目标峰值点;
(5d)通过Radon反变换,获取所有目标峰值点在所述剔除虚警后的图像中对应的直线段,作为检测出的高压线目标。
2.根据权利要求1所述的一种航电系统高压线目标的检测方法,其特征在于,S3,对所述去噪后的图像进行线增强滤波,具体为采用Hessian算子的高压线增强算法对对所述去噪后的图像进行线增强滤波。
3.根据权利要求2所述的一种航电系统高压线目标的检测方法,其特征在于,采用Hessian算子的高压线增强算法对所述去噪后的图像进行线增强滤波,具体为:
(3a)在所述去噪后的图像中获取所有待检测点,所述待检测点为去噪后的图像中的边界点;
(3b)确定每个待检测点处的Hessian矩阵;
(3c)根据每个待检测点对应的Hessian矩阵确定对应的特征值;
(3d)根据每个待检测点对应的特征值构建每个待检测点对应的线状特征滤波器;
(3e)所有待检测点对应的线状特征滤波器组成线状滤波器组;
(3f)根据所述线状滤波器组对所述去噪后的图像进行线增强滤波,得到线目标增强后的图像。
4.根据权利要求2所述的一种航电系统高压线目标的检测方法,其特征在于,子步骤(3d)根据每个待检测点对应的特征值构建每个待检测点对应的线状特征滤波器,具体为:
式中V(λ)∈(0,1),代表最终增强结果,β和c分别是R和S的调节参数,用来调节R和S的灵敏度,λ1、λ2分别为待检测点对应的两个特征值,且λ1≈0,|λ1|<|λ2|。
5.根据权利要求1所述的一种航电系统高压线目标的检测方法,其特征在于,子步骤(5d)中,通过Radon反变换,获取所有目标峰值点在所述剔除虚警后的图像中对应的直线段后,所述方法还包括:根据方向梯度检测算法确定每条高压线目标的起点,并确定每条高压线目标的延伸方向。
6.根据权利要求5所述的一种航电系统高压线目标的检测方法,其特征在于,确定每条高压线目标的延伸方向具体为:
判断每条高压线目标延伸方向的具体方法为:根据线性特征在Radon变换域对应峰值的正负性可判断该高压线目标为亮线还是暗线;
当D>0,且该高压线目标为亮线时,W=θ+π/2;
当D>0,且该高压线目标为暗线时,W=θ-π/2;
当D<0,且该高压线目标为亮线时,W=θ-π/2;
当D<0,且该高压线目标为暗线时,W=θ+π/2;
其中θ为高压线目标法线同x轴夹角,W为高压线目标延伸方向同x轴的夹角,D为该高压线目标起点的梯度值。
7.根据权利要求5所述的一种航电系统高压线目标的检测方法,其特征在于,确定每条高压线目标的延伸方向之后,所述方法还包括:剔除高压线目标中的虚警,具体为:
对于每条高压线目标,估算其所代表的线段的长度L;
其中,xmin,xmax,ymin,ymax分别表示高压线目标点集内所有点的横纵坐标的最小与最大值;
设Lt为真实高压线的最短长度,则当L小于Lt时,认为该点集代表的线段过短,判为虚警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011317008.2A CN112419264B (zh) | 2020-11-20 | 2020-11-20 | 一种航电系统高压线目标的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011317008.2A CN112419264B (zh) | 2020-11-20 | 2020-11-20 | 一种航电系统高压线目标的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419264A CN112419264A (zh) | 2021-02-26 |
CN112419264B true CN112419264B (zh) | 2023-09-01 |
Family
ID=74777654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011317008.2A Active CN112419264B (zh) | 2020-11-20 | 2020-11-20 | 一种航电系统高压线目标的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419264B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102810202A (zh) * | 2012-05-10 | 2012-12-05 | 南京理工大学 | 基于分数阶差分加权的图像多步残差反馈迭代滤波方法 |
CN103198455A (zh) * | 2013-03-14 | 2013-07-10 | 哈尔滨工程大学 | 一种利用全变差最小化和灰度共生矩阵的图像去噪方法 |
CN105160641A (zh) * | 2015-08-04 | 2015-12-16 | 成都多贝科技有限责任公司 | 基于图像处理的x射线焊缝区域提取方法 |
CN105631833A (zh) * | 2014-10-27 | 2016-06-01 | 陕西启源科技发展有限责任公司 | 一种局部线性全变差滤波方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10417749B2 (en) * | 2016-03-22 | 2019-09-17 | Algolux Inc. | Method and system for edge denoising of a digital image |
-
2020
- 2020-11-20 CN CN202011317008.2A patent/CN112419264B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102810202A (zh) * | 2012-05-10 | 2012-12-05 | 南京理工大学 | 基于分数阶差分加权的图像多步残差反馈迭代滤波方法 |
CN103198455A (zh) * | 2013-03-14 | 2013-07-10 | 哈尔滨工程大学 | 一种利用全变差最小化和灰度共生矩阵的图像去噪方法 |
CN105631833A (zh) * | 2014-10-27 | 2016-06-01 | 陕西启源科技发展有限责任公司 | 一种局部线性全变差滤波方法 |
CN105160641A (zh) * | 2015-08-04 | 2015-12-16 | 成都多贝科技有限责任公司 | 基于图像处理的x射线焊缝区域提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112419264A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN110349207B (zh) | 一种复杂环境下的视觉定位方法 | |
Kaur et al. | Mathematical morphological edge detection for remote sensing images | |
Amer et al. | Edge detection methods | |
Sharma et al. | A comparative study of edge detectors in digital image processing | |
Khaire et al. | A fuzzy set approach for edge detection | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN110110675B (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
Rani et al. | Detection of edges using mathematical morphological operators | |
Alazzawi | Edge detection-application of (first and second) order derivative in image processing: communication | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
CN112419264B (zh) | 一种航电系统高压线目标的检测方法 | |
CN115035350B (zh) | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 | |
Zhang et al. | Infrared small dim target detection based on region proposal | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
Sharma et al. | Study and analysis of edge detection techniques in digital images | |
Ye et al. | Improved edge detection algorithm of high-resolution remote sensing images based on fast guided filter | |
CN114972400A (zh) | 基于频域残差分析的红外弱小目标检测方法 | |
CN113205540A (zh) | 一种多尺度自动各向异性的形态学方向导数边缘检测方法 | |
CN112508113A (zh) | 被动式太赫兹人体图像隐蔽目标的检测方法及装置 | |
CN117173190B (zh) | 基于图像处理的绝缘子红外验损系统 | |
Zeng et al. | Interactive image recognition of space target objects | |
Sahak et al. | A comparison of iris localization techniques for pattern recognition analysis |
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 |