CN112435272A - 一种基于图像轮廓分析的高压输电线连通域去除方法 - Google Patents

一种基于图像轮廓分析的高压输电线连通域去除方法 Download PDF

Info

Publication number
CN112435272A
CN112435272A CN202011418168.6A CN202011418168A CN112435272A CN 112435272 A CN112435272 A CN 112435272A CN 202011418168 A CN202011418168 A CN 202011418168A CN 112435272 A CN112435272 A CN 112435272A
Authority
CN
China
Prior art keywords
transmission line
point
power transmission
contour
image
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.)
Pending
Application number
CN202011418168.6A
Other languages
English (en)
Inventor
田裕鹏
施金辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Paiguang High Speed Transport Intelligence Perception Research Institute Co ltd
Original Assignee
Nanjing Paiguang High Speed Transport Intelligence Perception Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Paiguang High Speed Transport Intelligence Perception Research Institute Co ltd filed Critical Nanjing Paiguang High Speed Transport Intelligence Perception Research Institute Co ltd
Priority to CN202011418168.6A priority Critical patent/CN112435272A/zh
Publication of CN112435272A publication Critical patent/CN112435272A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/12—Edge-based segmentation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30172—Centreline of tubular or elongated structure

Abstract

本发明公开了一种基于图像轮廓分析的高压输电线连通域去除方法，本发明基于图像轮廓分析的高压输电线连通域去除方法对获取的输电线的原始图像进行处理，将高压输电线从与其颜色相近的背景中有效提取出来，获取简化了背景的分割图，从分割图中提取输电线的轮廓曲线，并对输电线的轮廓曲线进一步平滑去噪，去除输电线的轮廓曲线中的尖锐点，获取输电线的平滑轮廓曲线，然后设计拐点响应函数标记平滑轮廓曲线中的拐点，通过标记的拐点获取输电线轮廓曲线的边缘；获取输电线轮廓曲线的边缘获取中心线，将高压输电线连通域的分割问题转化为输电线轮廓中心线的提取问题，去除输电线的连通域，解决带电作业时机器人无法准确检测到输电线轮廓的问题。

Description

一种基于图像轮廓分析的高压输电线连通域去除方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于图像轮廓分析的高压输电线连通域去除方法。
背景技术
在配电线路维护等领域采用机器人作业，不仅可以保证作业人员的人身安全，还将节约大量的人力成本，提高生产效率。在室外非结构化作业环境中，机器人视觉系统采集到的图像易受复杂背景、天气和光照等各种环境因素的影响，极大地干扰了输电线的提取效果，分割后的输电线与背景会产生较多的连通区域，大大増加了识别和定位输电线的难度。因此为了使得机器人能够自主完成带电作业任务，研究高压输电线连通域的除去方法具有非常重要的意义。
目前国内外在图像连通域分割方面的研究，主要采用的方法有分水岭分割方法、基于边界角点配对的分割方法以及与结合几何形态学特征与SVM分类器进行粘连分割的方法等。分水岭算法的优点是边界连续，在种子点选取较好的情况下，分割结果稳定；由于种子点的选取是通过连续腐蚀或者通过先做距离变换再通过某个阈值来选取的，该算法对微弱边缘响应良好，但易受噪声影响，存在过分割和误分割问题，迭代膨胀计算量较大，适用于形态无明显凹陷，噪声较小，外形规则的情况。边界角点配对法将所有凹点按照一定规则进行匹配后得到分割结果，该方法直观，简单，且实现快速；但凹点的选择基于轮廓，对轮廓上毛刺和噪声敏感，且存在凹点不能精确求取，凹点配对的困难。结合几何形态学特征与SVM分类器进行粘连分割的方法，其主要思想是对粘连形态先进行分类然后再分割，该方法依赖几何特征并主要取决于描述特征的鲁棒性，而这些特征基本上又决定于具体的成像质量以及相关的经验判断。
以上研究在各自特定的条件下一定程度地解决了连通域的分割问题，但实验环境相对简单，并不适用于环境变化较大且背景复杂的情况，特别是背景和输电线的颜色相近时，输电线的连通域无法分割，带电作业时机器人无法准确的检测到输电线轮廓。
发明内容
本发明主要解决的技术问题是提供一种基于图像轮廓分析的高压输电线连通域去除方法，解决在复杂背景下输电线的连通域无法分割，无法准确检测到输电线轮廓的问题。
为解决上述技术问题，本发明采用的一个技术方案是提供一种基于图像轮廓分析的高压输电线连通域去除方法，包括以下步骤：
获取输电线轮廓曲线，获取具有输电线的原始图像，对所述原始图像进行预处理获取所述输电线的中心点，以所述中心点为中心预设目标区域，根据所述目标区域对所述原始图像进行处理获取简化了复杂背景的分割图，由所述分割图提取输电线轮廓曲线；
判别输电线轮廓曲线的边缘，设计所述输电线轮廓曲线的拐点响应函数，由所述拐点响应函数判别所述输电线轮廓曲线的点是否为拐点，并保留所述拐点，计算两相邻所述拐点之间的距离和方向矢量，若两相邻所述拐点之间的距离大于预设距离阈值且方向矢量在预设方向矢量区间值内，则将相邻所述拐点之间的点作为保留点集，由所述保留点集拟合获得输电线轮廓曲线的边缘；
获取输电线所在区域，由所述输电线轮廓曲线的边缘获取输电线的中心线，所述中心线所在区域作为输电线所在区域，去除输电线所在区域外的其他连通域。
优选的，在所述获取输电线轮廓曲线步骤中，对所述原始图像进行预处理包括以下步骤：
去除所述原始图像颜色，将所述原始图像的颜色空间转换为HSV颜色空间，然后进行三通道阈值分割获得转换图；
获取所述转换图的二值图，预设直方图模板，通过所述直方图模板H通道的色调与所述转换图内像素的色调进行对比，获得该像素与所述直方图模板的相似概率，将所述相似概率的值小于预设的阈值的区域内的像素填充为白色，将所述相似概率的值大于预设所述阈值的区域内的像素填充为黑色，获得二值图；
对所述二值图进行形态学迭代检测获取输电线轮廓的中心点；
提取轮廓所述中心点位置的目标区域，再对所述原始图像进行LAB空间的反向投影得到输电线的概率分布图，最后进行分割得到原始图像的分割图；
从输电线的中心点向外围扩散，确定与中心点相连通的区域，该区域即为输电线轮廓所在的区域及其连通域，其中分割出来的输电线轮廓所在的区域及其连通域对应的分割图即为目标分割图；
对所述目标分割图进行提取，获得输电线轮廓曲线。
优选的，还包括对所述输电线轮廓曲线进行平滑去噪，获取输电线的去噪轮廓曲线。
优选的，还包括去除所述输电线的去噪轮廓曲线的尖锐点集，获取输电线的平滑轮廓曲线。
优选的，将所述平滑轮廓曲线中的任一点作为响应点，以所述响应点为中心设定支持域，所述支持域内由点集组成的曲线的弧长为区域弧长，将所述区域弧长参数化，并构造区域弧长的函数，将该函数作为弧长函数，获取所述弧长函数的最优系数，将所述最优系数代入到所述弧长函数，并对所述弧长函数求解获取在所述响应点处与所述区域弧长相切的切线方程，获取所述支持域内到所述切线方程的垂直距离，由所述垂直距离的累加和获取拐点响应函数。
优选的，在所述支持域内以所述响应点作为零点将支持域内的点集分为正点集和负点集，所述正点集和所述负点集的数量相等。
优选的，所述距离阈值大于或等于500像素。
优选的，所述方向矢量区间值为(-5°～5°)。
优选的，对所述保留点集进行筛选，若所述保留点集与相对的另一保留点集之间的相对距离保持不变，将该保留点集和相对的另一保留点集作为输电线两边的边缘。
优选的，获取所述输电线两边的边缘的点集横坐标的最小值和最大值所对应的点坐标，使用最小二乘法对所述点坐标拟合获得所述输电线的中心线。
本发明的有益效果是：本发明基于图像轮廓分析的高压输电线连通域去除方法对获取的输电线的原始图像进行处理，将高压输电线从与其颜色相近的背景中有效提取出来，获取简化了背景的分割图，从分割图中提取输电线的轮廓曲线，并对输电线的轮廓曲线进一步平滑去噪，去除输电线的轮廓曲线中的尖锐点，获取输电线的平滑轮廓曲线，然后设计拐点响应函数标记平滑轮廓曲线中的拐点，通过标记的拐点获取输电线轮廓曲线的边缘；获取输电线轮廓曲线的边缘获取中心线，将高压输电线连通域的分割问题转化为输电线轮廓中心线的提取问题，从而去除输电线的连通域，解决了带电作业机器人无法准确检测到输电线轮廓的问题。
附图说明
图1是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例的流程图；
图2是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中的原始图像；
图3是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中处理得到的直方图；
图4是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中的处理得到的二值图；
图5是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中最小外接矩形和中心点分布示意图；
图6是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中目标区域的分布示意图；
图7是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中的处理得到的分割图；
图8是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中处理得到的目标分割图；
图9是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中的输电线轮廓曲线示意图；
图10是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中去除尖锐点的原理示意图；
图11是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中去除尖锐点后的平滑轮廓曲线示意图；
图12是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中标记的拐点示意图；
图13是根据本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例中获取的中心线的示意图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1显示了本发明基于图像轮廓分析的高压输电线连通域去除方法一实施例的流程图。在图1中，包括：
第一步骤S1：获取输电线轮廓曲线，获取具有输电线的原始图像，对所述原始图像进行预处理获取输电线的中心点，以所述中心点为中心预设目标区域，根据所述目标区域对所述原始图像进行处理获取简化了复杂背景的分割图，由所述分割图提取输电线轮廓曲线；
第二步骤S2：判别输电线轮廓曲线的边缘，设计所述输电线轮廓曲线的拐点响应函数，由所述拐点响应函数判别所述输电线轮廓曲线的点是否为拐点并保留拐点，计算两相邻拐点之间的距离和方向矢量，若两相邻所述拐点之间的距离大于预设距离阈值且方向矢量在预设方向矢量区间值内，则将相邻所述拐点之间的点作为保留点集，由所述保留点集拟合获得输电线轮廓曲线的边缘；
第三步骤S3：获取输电线所在区域，由所述输电线轮廓曲线的边缘获取输电线的中心线，所述中心线所在区域作为输电线所在区域，去除输电线所在区域外的其他连通域。
优选的，在第一步骤S1中，对所述原始图像进行预处理包括以下步骤：
步骤A，去除原始图像颜色，将原始图像的颜色空间转换为HSV颜色空间，然后进行三通道阈值分割获得转换图。
为了便于说明处理的过程，如图2举例所示，原始图像是具有颜色的彩色图像，输电线图像存在局部光照不均，并且背景中有许多与输电线颜色相融的物体，极大地影响了对该输电线的提取。
此时原始图像的颜色空间为RGB颜色空间，通过颜色空间转换函数(如opencv中的cvtColor颜色空间转换函数)将原始图像的RGB颜色空间转换为HSV颜色空间，获得HSV颜色空间图像，其中，H表示色调，S表示饱和度，V表示明度。
优选的，对所述HSV颜色空间图像进行三通道阈值分割，将HSV颜色空间图像分割为H通道、S通道和V通道，预设H通道、S通道和V通道的阈值分别为：104～180,6～130,7～180。获取颜色参数在阈值内的分割像素，将获取的分割像素合并获得转换图，图3即为对图2进行上述处理后的效果图。
将原始图像的颜色空间转换为HSV颜色空间并进行三通道阈值分割，能够去除原始图像中其他颜色(例如红色、白色等)物体对黑色物体的干扰，仅保留原始图像中颜色为黑色或接近黑色的物体。
步骤B，获取所述转换图的二值图，预设直方图模板，通过所述直方图模板H通道的色调与所述转换图内像素的色调进行对比，获得该像素与直方图模板的相似概率，将相似概率的值小于预设的阈值的区域内的像素填充为白色，将相似概率的值大于预设所述阈值的区域内的像素填充为黑色，获得二值图。
优选的，直方图模板经由大量实验确定，最终确定直方图模板的生成公式为r*i+j，其中r为模板半径，一般选取11，(i,j)为直方图模板图像的像素位置。
优选的，通过opencv库中的calcHist函数获取所述转换图对应的H通道的直方图。
优选的，继续设定H通道的直方图模板，所述直方图模板设定为半径为r的圆形区域，该圆形区域内包括输电线轮廓的色调特征。
以黑色的输电线为例，则直方图模板的色调即为黑色，用直方图模板的色调对比转换图中与直方图模板大小相同区域内像素的色调，获得该区域内像素的色调与直方图模板的色调的相似概率，相似概率的值为0～1，相似概率的值越大，说明该区域像素的色调与直方图模板的色调越相似，越有可能是输电线的色调。
优选的，所述阈值为0.5，将相似概率的值小于0.5的区域的像素使用白色进行填充，将相似概率的值等于或大于0.5的区域的像素使用黑色进行填充，由此即可获得仅有黑白两色的二值图。
在图3所示直方图的基础上，经过上述处理，得到图4所示的二值图。
步骤C，对所述二值图进行形态学迭代检测获取输电线轮廓的中心点ZX2。
优选的，所述二值图内包括有多个轮廓区域，这些轮廓区域看作是有无数个点组成的，不相交的轮廓区域作为一个独立的封闭轮廓区域。
优选的，在获得的二值图中，每个封闭轮廓区域对应有一个最小外接矩形BG1，最小外接矩形BG1将封闭轮廓区域完全包围在内，并且该矩形的面积最小。通过最小外接矩形BG1将二值图中多个封闭轮廓区域进行包围。选出输电线所在的封闭轮廓区域。
优选的，选择输电线所在的封闭轮廓区域的标准是最小外接矩形BG1的面积大于预设的阈值(例如5000)，且最小外接矩形BG1的长宽比为4:1。将满足这两个条件的最小外接矩形BG1包围的封闭轮廓区域作为输电线所在的封闭轮廓区域。
进一步优选的，当确定输电线所在的封闭轮廓区域后，采用十字交叉结构获取最小外接矩形BG1的中心点ZX2，即将最小外接矩形BG1两长边的中点连接，两宽边的中点连接，其交点即为最小外接矩形BG1的中心点ZX2。
优选的，判断最小外接矩形BG1的中心点ZX2是否落到输电线所在的封闭轮廓区域内，即判断最小外接矩形BG1的中心点ZX2是否和输电线所在的封闭轮廓区域内的一个点重合，若与输电线所在的封闭轮廓区域内的一个点重合，说明最小外接矩形BG1的中心点ZX2落到输电线所在的封闭轮廓区域内。若不与输电线所在的封闭轮廓区域内的一个点重合，则说明最小外接矩形BG1的中心点ZX2没有落在输电线所在的封闭轮廓区域内，此时最小外接矩形BG1的中心点ZX2与输电线所在的封闭轮廓区域内的点之间均存在一定的距离，这些距离必然存在一个最小值，即最小距离。在输电线不断选点，使得输电线所在的封闭轮廓区域内的一点到最小外接矩形BG1的中心点ZX2的距离最短，将该点作为输电线轮廓的中心点ZX2。如图5中所示的最小外接矩形BG1和中心点ZX2。
步骤D，提取轮廓中心点ZX2位置的目标区域MB3，如图6所示。再对原始图像进行LAB空间的反向投影得到输电线的概率分布图，最后进行分割得到原始图像的分割图。
原始图像的颜色空间为RGB颜色空间，通过颜色空间转换函数(如opencv中的cvtColor颜色空间转换函数)将原始图像的RGB颜色空间转换为LAB颜色空间，获得LAB颜色空间图像，通过opencv库中的calcHist函数获取LAB颜色空间图像的直方图，以目标区域内的像素特征作为模板，对比LAB颜色空间图像内与目标区域MB3大小相同区域内的像素特征，获取该区域像素与目标区域MB3像素的相似概率，相似概率的值为0～1，相似概率的值越大，说明该区域的像素与目标区域MB3内的像素越相似，越有可能是输电线轮廓。将相似概率的值小于0.5的区域使用白色进行填充，将相似概率的值等于或大于0.5的区域使用黑色进行填充，由此即可获得仅有黑白两色的分割图，如图7所示。
从输电线的中心点ZX2向外围扩散，确定与中心点ZX2相连通的区域，该区域即为输电线轮廓所在的区域及其连通域，其中分割出来的输电线轮廓所在的区域及其连通域对应的分割图即为目标分割图，如图8所示。
步骤E，对所述目标分割图进行提取，获得输电线轮廓曲线，如图9所示。
优选的，在第二步骤S2中，进一步的，对所述输电线轮廓曲线进行平滑去噪，获取输电线的去噪轮廓曲线。
优选的，使用高斯函数对所述输电线轮廓曲线进行平滑去噪。使输电线的轮廓曲线更加规整、平滑，去除了不规则的毛刺噪声，有利于输电线轮廓曲线的进一步处理。
进一步的，包括去除所述输电线的去噪轮廓曲线的尖锐点集，获取输电线的平滑轮廓曲线。
具体实现方法是：标记输电线的去噪轮廓曲线的起点和终点，使用直线连接起点和终点，起点和终点之间的每个点垂直于该直线之间的长度为该点到该直线的垂直距离，若垂直距离的最大值小于预设距离阈值，则去除起点和终点之间的点，若垂直距离的最大值大于预设距离阈值，则将最大值对应的点作为分割点，用直线分别连接起点和分割点、分割点和终点，使用上述方法重复对比起点和分割点、分割点到终点之间点到直线的垂直距离和阈值，直到垂直距离小于预设阈值，由此去除去噪轮廓线曲线上的尖锐点，获取输电线的平滑轮廓曲线。
将输电线去噪轮廓曲线作为由多个离散的点连接组成的曲线，将起点设定为P0，将终点设定为PN，起点P0与终点PN之间包括有n个点，n∈(0、1、2、3……、N)，将起点P0和终点PN使用直线连接，则起点P0和终点PN之间的点到直线的距离分别为D，D包括D1、D2、D3……Dn-1，其中D1、D2、D3……Dn-1中的最大值为Dmax1，设定阈值Dt。
若Dmax1小于Dt，则将起点P0与终点PN之间的点去除，将由多个点n连接形成的曲线转换为仅有起点P0与终点PN两点连接的直线的问题，去除起点P0与终点PN两点之间的尖锐点。
若Dmax1大于Dt，将距离Dmax1对应的点标记为PMAX1，将起点P0与点PMAX1用直线连接，将点PMAX1与终点PN用直线连接，即点PMAX1将起点P0与终点PN之间的曲线分割为近似两个直线之间的问题，用同样的方法判断起点P0与点PMAX1之间点到起点P0与点PMAX1连接的直线之间的距离，最大值为Dmax2，若Dmax2小于Dt，则将起点P0与点PMAX1之间的点去除，若Dmax2大于Dt，则再次以该点进行分割，用同样的方法继续判断，直到两点之间的点到两点之间直线的最大距离小于预设的阈值Dt。从而去除去噪轮廓线曲线的尖锐点。
具体的，如图10所示，在该段曲线中，包括有点PO、P1、P2、P3、P4、P5、P6、P7，此时，P7即为上述中的PN，其中P0为起点，P7为终点，P1、P2、P3、P4、P5、P6是P0和P7之间依次连接的点，使用直线将P0和P7连接，从图10中可知，P2到P0和P7之间的垂直距离最大，即P2即为上述中的PMAX1，P2到直线的距离标记为Dmax1，设定的阈值为Dt，Dmax1＞Dt，则用直线连接P0和P2、P2和P7，判断P1到P0和P2之间直线的垂直距离Dmax2，Dmax2＜Dt，则将P1点去除。P4与P2和P7之间的直线重合，则保留该点，使用直线将P2和P4、P4和P7连接，P3到P2和P4之间直线的垂直距离小于阈值，则去除P3点。P6到P4和P7之间直线的垂直距离Dmax3＞Dt，则用直线连接P4和P6、P6和P7，判断P5到P4和P6之间直线的垂直距离，去除P5点。由此去除的点既包括有P1、P3、P5，保留的点包括有PO、P2、P4、P6、P7，同理，通过该方法去除整段输电线去噪轮廓曲线的尖锐点，获取输电线的平滑轮廓曲线。
去噪轮廓曲线经过去除尖锐点集，获取输电线的平滑轮廓曲线，如图11所示。
优选的，所述平滑轮廓曲线同样是由多个点组成的点集构成的曲线，将平滑轮廓曲线中的任一点作为响应点，以响应点为中心设定支持域，响应点作为零点将支持域内的点集分为正点集和负点集，正点集和负点集的数量相等。支持域内由点集组成的曲线的弧长为区域弧长，将所述区域弧长参数化，并构造区域弧长的函数，将该函数作为弧长函数，获取弧长函数的最优系数，将所述最优系数代入到所述弧长函数，并对所述弧长函数求解获取在响应点处与所述区域弧长相切的切线方程，获取支持域内到切线方程的垂直距离，由所述垂直距离的累加和获取拐点响应函数。
在所述平滑轮廓曲线上选取m点作为响应点，m点的坐标为(xm，ym)，以m点为中心设定半径为L的支持域，支持域内的点集为
Figure BDA0002820934670000111
其中l∈(-L，L)，表示{-L，-L+1，-L+2，…，0，1，2，…，L}，其中{-L，-L+1，-L+2，…，}与0之间为负点集，0与{，1，2，…，L}之间为正点集，l为支持域内的点集个数，Sm+l为(-L，L)点集组成的曲线的区域弧长，当l＝0时，Sm＝0，Sm表示在m点处的弧长。将区域弧长S参数化，弧长参数化方程为：
Figure BDA0002820934670000112
上式中：Sm+l为(-L，L)点集组成的曲线的区域弧长，Sm+l+1为负点集内点m+l+1到点m之间的弧长，Sm+l-1为正点集内m点到m+l-1之间的弧长。xm+l+1为点m+l+1的x轴坐标，xm+l为点m+l的x轴坐标，ym+l+1为点m+l+1的y轴坐标，ym+l为点m+l的y轴坐标，xm+l-1为点m+l-1的x轴坐标，ym+l-1为点m+l-1的y轴坐标。
构造弧长关于x，y的函数：
Figure BDA0002820934670000121
其中：x(S)是弧长S关于x的二次函数，y(s)是弧长S关于y的二次函数，则系数(λ0，λ1，λ2)和(μ0，μ1，μ2)均为系数。
x(S)上的点有
Figure BDA0002820934670000122
y(s)的点有
Figure BDA0002820934670000123
当系数(λ0，λ1，λ2)和(μ0，μ1，μ2)是满足x(Sm)＝xm和y(Sm)＝ym最小二乘意义下的解，由Sm＝0可得：
Figure BDA0002820934670000124
获取最优系数：
记
Figure BDA0002820934670000125
Figure BDA0002820934670000126
由此将求解最优系数的问题转化为求解函数f(λ1，λ2)的最小值问题。对函数f(λ1，λ2)关于λ1，λ2求一阶导数并令为零得：
Figure BDA0002820934670000127
记
Figure BDA0002820934670000128
则上式可转化为矩阵乘积形式Mε＝N，由柯西-施瓦茨不等式可知矩阵M非奇异，从而Mε＝N存在唯一解，即ε＝M-1N。
令
Figure BDA0002820934670000131
Figure BDA0002820934670000132
弧长变量是严格递增的，即λ＞0，从而得出最优系数λ0、λ1、λ2。
同理可得：弧长关于y的函数求解：
Figure BDA0002820934670000133
令
Figure BDA0002820934670000134
Figure BDA0002820934670000135
由所述最优系数获取切线方程：
将获得的最优系数代入到x(S)、y(S)中并求一阶导数，将点(xm，ym)带入可得切线向量：
Figure BDA0002820934670000136
即平滑轮廓曲线上点m的处的切线向量为(λ1，μ1)，所以点m处的切线方程为：
Figure BDA0002820934670000137
支持域内的点集
Figure BDA0002820934670000138
上的任一点到该切线的距离为：
Figure BDA0002820934670000141
拐点响应函数为支持域内的点到切线的相对距离的累积和，拐点响应函数即为：
Figure BDA0002820934670000142
优选的，由所述拐点响应函数获得的值即为m点处的拐点判别函数值，设定拐点判别函数的判别阈值，若所述拐点判别函数值大于所述判别阈值，且为支持域内的极大值，则将m点标记为拐点。
重复上述步骤，对平滑轮廓曲线上的所有的点进行拐点的判别，并将所有的拐点进行标记。在图11的基础上进行拐点标记的结果如图12所示。
进一步的，计算相邻两拐点之间的距离和方向矢量，分别预设距离阈值和方向矢量区间值，若相邻两拐点之间的距离大于预设的距离阈值且方向矢量在所述方向矢量区间值，则将该相邻两拐点之间的点作为保留点集。
进一步的，距离阈值优选大于或等于500像素，方向矢量区间值优选(-5°～5°)。
进一步的，对所述保留点集进行筛选，若所述保留点集与相对的另一保留点集之间的相对距离保持不变。输电线的相对轮廓曲线之间的距离为一般为25个像素，则保留点集之间的相对距离在25个像素上下幅度1～5个像素时，则认为相对的保留点集之间的相对距离保持不变。
在第二步骤S2中，优选的，将两个相对距离保持不变的保留点集作为输电线两边的边缘，获取输电线两边的边缘的点集横坐标的最小值和最大值所对应的点坐标，使用最小二乘法对所述点坐标拟合获得输电线的中心线LZ，如图13所示。获取中心线LZ后，去除中心线LZ外的连通域，即可通过机械手以中心线LZ为中心抓取输电线。
由此可见，本发明基于图像轮廓分析的高压输电线连通域去除方法对获取的输电线的原始图像进行处理，获取简化了背景的分割图，从分割图中提取输电线的轮廓曲线，并对输电线的轮廓曲线进一步平滑去噪，去除输电线的轮廓曲线中的尖锐点，获取输电线的平滑轮廓曲线，然后设计拐点响应函数标记平滑轮廓曲线中的拐点，通过标记的拐点获取输电线轮廓曲线的边缘；获取输电线轮廓曲线的边缘获取中心线，从而去除输电线的连通域。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，包括以下步骤：
获取输电线轮廓曲线，获取具有输电线的原始图像，对所述原始图像进行预处理获取所述输电线的中心点，以所述中心点为中心预设目标区域，根据所述目标区域对所述原始图像进行处理获取简化了复杂背景的分割图，由所述分割图提取输电线轮廓曲线；
判别输电线轮廓曲线的边缘，设计所述输电线轮廓曲线的拐点响应函数，由所述拐点响应函数判别所述输电线轮廓曲线的点是否为拐点，并保留所述拐点，计算两相邻所述拐点之间的距离和方向矢量，若两相邻所述拐点之间的距离大于预设距离阈值且方向矢量在预设方向矢量区间值内，则将相邻所述拐点之间的点作为保留点集，由所述保留点集拟合获得输电线轮廓曲线的边缘；
获取输电线所在区域，由所述输电线轮廓曲线的边缘获取输电线的中心线，所述中心线所在区域作为输电线所在区域，去除输电线所在区域外的其他连通域。
2.根据权利要求1所述的基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，在所述获取输电线轮廓曲线步骤中，对所述原始图像进行预处理包括以下步骤：
去除所述原始图像颜色，将所述原始图像的颜色空间转换为HSV颜色空间，然后进行三通道阈值分割获得转换图；
获取所述转换图的二值图，预设直方图模板，通过所述直方图模板H通道的色调与所述转换图内像素的色调进行对比，获得该像素与所述直方图模板的相似概率，将所述相似概率的值小于预设的阈值的区域内的像素填充为白色，将所述相似概率的值大于预设所述阈值的区域内的像素填充为黑色，获得二值图；
对所述二值图进行形态学迭代检测获取输电线轮廓的中心点；
提取轮廓所述中心点位置的目标区域，再对所述原始图像进行LAB空间的反向投影得到输电线的概率分布图，最后进行分割得到原始图像的分割图；
从输电线的中心点向外围扩散，确定与中心点相连通的区域，该区域即为输电线轮廓所在的区域及其连通域，其中分割出来的输电线轮廓所在的区域及其连通域对应的分割图即为目标分割图；
对所述目标分割图进行提取，获得输电线轮廓曲线。
3.根据权利要求2所述的基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，还包括对所述输电线轮廓曲线进行平滑去噪，获取输电线的去噪轮廓曲线。
4.根据权利要求3所述的基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，还包括去除所述输电线的去噪轮廓曲线的尖锐点集，获取输电线的平滑轮廓曲线。
5.根据权利要求4所述的基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，将所述平滑轮廓曲线中的任一点作为响应点，以所述响应点为中心设定支持域，所述支持域内由点集组成的曲线的弧长为区域弧长，将所述区域弧长参数化，并构造区域弧长的函数，将该函数作为弧长函数，获取所述弧长函数的最优系数，将所述最优系数代入到所述弧长函数，并对所述弧长函数求解获取在所述响应点处与所述区域弧长相切的切线方程，获取所述支持域内到所述切线方程的垂直距离，由所述垂直距离的累加和获取拐点响应函数。
6.根据权利要求5所述的基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，在所述支持域内以所述响应点作为零点将支持域内的点集分为正点集和负点集，所述正点集和所述负点集的数量相等。
7.根据权利要求5所述的基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，所述距离阈值大于或等于500像素。
8.根据权利要求5所述的基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，所述方向矢量区间值为(-5°～5°)。
9.根据权利要求5-8任一所述的基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，对所述保留点集进行筛选，若所述保留点集与相对的另一保留点集之间的相对距离保持不变，将该保留点集和相对的另一保留点集作为输电线两边的边缘。
10.根据权利要求9所述的基于图像轮廓分析的高压输电线连通域去除方法，其特征在于，获取所述输电线两边的边缘的点集横坐标的最小值和最大值所对应的点坐标，使用最小二乘法对所述点坐标拟合获得所述输电线的中心线。
CN202011418168.6A 2020-12-07 2020-12-07 一种基于图像轮廓分析的高压输电线连通域去除方法 Pending CN112435272A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011418168.6A CN112435272A (zh) 2020-12-07 2020-12-07 一种基于图像轮廓分析的高压输电线连通域去除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011418168.6A CN112435272A (zh) 2020-12-07 2020-12-07 一种基于图像轮廓分析的高压输电线连通域去除方法

Publications (1)

Publication Number Publication Date
CN112435272A true CN112435272A (zh) 2021-03-02

Family

ID=74691993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011418168.6A Pending CN112435272A (zh) 2020-12-07 2020-12-07 一种基于图像轮廓分析的高压输电线连通域去除方法

Country Status (1)

Country Link
CN (1) CN112435272A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612496A (zh) * 2022-03-18 2022-06-10 易思维（杭州）科技有限公司 一种直线段轮廓提取方法
CN114798360A (zh) * 2022-06-29 2022-07-29 深圳市欧米加智能科技有限公司 Pcb板点胶的实时检测方法及相关装置
CN116152253A (zh) * 2023-04-20 2023-05-23 四川大学华西医院 心脏磁共振mapping量化方法、系统和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612496A (zh) * 2022-03-18 2022-06-10 易思维（杭州）科技有限公司 一种直线段轮廓提取方法
CN114798360A (zh) * 2022-06-29 2022-07-29 深圳市欧米加智能科技有限公司 Pcb板点胶的实时检测方法及相关装置
CN116152253A (zh) * 2023-04-20 2023-05-23 四川大学华西医院 心脏磁共振mapping量化方法、系统和存储介质
CN116152253B (zh) * 2023-04-20 2023-06-16 四川大学华西医院 心脏磁共振mapping量化方法、系统和存储介质

Similar Documents

Publication Publication Date Title
CN112435272A (zh) 一种基于图像轮廓分析的高压输电线连通域去除方法
Chen et al. A novel color edge detection algorithm in RGB color space
CN108537239B (zh) 一种图像显著性目标检测的方法
CN110415208B (zh) 一种自适应目标检测方法及其装置、设备、存储介质
CN108319973A (zh) 一种树上柑橘果实检测方法
CN112614062B (zh) 菌落计数方法、装置及计算机存储介质
WO2015092904A1 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
CN108399644A (zh) 一种墙体图像识别方法及其装置
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN114511770A (zh) 道路标识标牌识别方法
CN112330561B (zh) 基于交互式前景提取与信息熵分水岭的医学图像分割方法
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
CN112131963A (zh) 一种基于行驶方向结构特征约束的道路标识线提取方法
CN108154496B (zh) 一种适用于电力作业机器人的电力设备外观变化识别方法
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
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN111783773A (zh) 一种面向角度倾斜电线杆标识牌的矫正方法
CN111738931A (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN112633070A (zh) 高分辨率遥感影像建筑物提取方法及系统
CN111815542A (zh) 一种树木年轮图像髓心定位、年轮测量方法
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image
Chen Superpixel segmentation based on Delaunay Triangulation
Wei et al. Method for vortex shape retrieval and area calculation based on convex hull algorithm
CN115187744A (zh) 一种基于激光点云的机柜识别方法
CN112329556A (zh) 一种交通标志检测方法、装置、电子设备和存储介质

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