CN112580447B - 一种基于边缘二阶统计与融合的电力线检测方法 - Google Patents
一种基于边缘二阶统计与融合的电力线检测方法 Download PDFInfo
- Publication number
- CN112580447B CN112580447B CN202011407985.1A CN202011407985A CN112580447B CN 112580447 B CN112580447 B CN 112580447B CN 202011407985 A CN202011407985 A CN 202011407985A CN 112580447 B CN112580447 B CN 112580447B
- Authority
- CN
- China
- Prior art keywords
- power line
- image
- pixel
- grad
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V10/30—Noise filtering
-
- 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
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于边缘二阶统计与融合的电力线检测方法,包括步骤:将无人机采集的巡检图像变为灰度图,并采用边缘检测算法得到图像完整的边缘信息;对边缘图像进行形态学处理,平滑图像边缘,降低噪声干扰;提取边缘图像的一阶统计特征,获取图像的主要形态特征,减少背景对电力线提取的干扰;采用直线检测算法进行航拍图像中电力线的检测,得到粗糙的电力线初步检测结果;分析电力线初步检测结果,融合形态与位置上接近的电力线,实现二阶段的电力线检测结果精细化,实现由粗到细的电力线检测过程。本发明解决航拍背景对电力线检测的干扰,降低噪声的影响,同时解决电力线检测不完整的情况,能够检测出完整的电力线。
Description
技术领域
本发明涉及电力系统航拍图像检测技术领域,特别是一种基于边缘二阶统计与融合的电力线检测方法。
背景技术
现有的技术方案主要分为以下三个角度,其一是边缘检测角度,边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。一些边缘检测的算子包括Prewitt算子、Sobel算子、Canny算子等。因电力线往往为悬链线,其形态特征类似图像中的边缘特征,因此从边缘检测角度出发能够实现电力线检测的目标。其二是图像分割的角度,图像分割是将图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。根据电力线的灰度特征,选择合适的灰度阈值,筛选剔除阈值以外的像素目标,重点提取阈值内的目标,将电力线从航拍图像中分割出来。其三是基于深度学习的方法进行电力线的检测,深度学习是目前人工智能领域广泛应用的一项技术,通过深度学习算法能够快速学习目标内部潜在特征,进而达到对未训练目标的识别与分辨。通过深度学习的方法学习无人机航拍图像中电力线的特征信息,进而达到电力线的检测目标。
然而在针对无人机航拍的图像时,上述技术方案存在以下缺点:
基于边缘检测的算法:因电力线往往为悬链线,其形态特征类似图像中的边缘特征,因此从边缘检测角度出发能够实现电力线检测的目标,然而当所涉及的图像为无人机航拍图像,背景复杂,边缘特征丰富,噪声干扰明显,采用该方法检测的结果存在噪声,并且存在电力线检测结果不够连续的情况;
基于图像分割的算法:将电力线从航拍图像中分割出来,这种方法难以平衡抗噪性与精确率的关系,精确率的提高会导致抗噪性的降低。同时电力线在航拍图像中占比不足,因此图像分割难度大;
基于深度学习的方法进行电力线的检测,这种方法需要大量的训练数据,然目前尚不存在公开的无人机航拍电力线图像的数据集,且因为电力线与航拍背景比例严重失衡,因此网络学习存在困难,检测结果仍然包含一定的噪声。
发明内容
有鉴于此,本发明的目的是提出一种基于边缘二阶统计与融合的电力线检测方法,解决航拍背景对电力线检测的干扰,降低噪声的影响,同时解决电力线检测不完整的情况,能够检测出完整的电力线。
本发明采用以下方案实现:一种基于边缘二阶统计与融合的电力线检测方法,具体包括以下步骤:
将无人机采集的巡检图像变为灰度图,并采用边缘检测算法得到图像完整的边缘信息;
对边缘图像进行形态学处理,平滑图像边缘,降低噪声干扰;
提取边缘图像的一阶统计特征,获取图像的主要形态特征,减少背景对电力线提取的干扰;
采用直线检测算法进行航拍图像中电力线的检测,得到粗糙的电力线初步检测结果;
分析电力线初步检测结果,融合形态与位置上接近的电力线,实现二阶段的电力线检测结果精细化,实现由粗到细的电力线检测过程。
进一步地,所述采用边缘检测算法得到图像完整的边缘信息具体包括以下步骤:
采用高斯滤波的方式抑制高斯噪声,选定一个大小为5×5,标准差为1的高斯核Ker5,将Ker5与灰度图像卷积得到抑制高斯噪声的图像;
设定水平与垂直两个方向的卷积算子分别表示为Sox和Soy;
遍历灰度图像,分别将灰度图像与Sox和Soy进行卷积操作,得到图像中像素点的水平和垂直方向的梯度值Gradx(k,m)和Grady(k,m);
根据水平和垂直方向的梯度值,计算某点的梯度幅值:
Grad(k,m)=|Grady(k,m)|+|Gradx(k,m)|;
式中,Grad(k,m)表示像素(k,m)的像素值,Gradx(k,m)表示(k,m)像素点处的水平梯度值,Grady(k,m)表示(k,m)像素点处的垂直梯度值;并将所有Grad(k,m)的值保存为一个二维梯度向量Gradv;
根据每一点的水平梯度与垂直梯度的大小关系确定该点的梯度方向,并将每一点梯度的方向保存为一个二维方向向量Directv;
设定阈值Threshg,判断图像中的像素点的像素值Grad(k,m)与阈值Threshg的大小关系,若Grad(k,m)小于Threshg,则将此点的像素值设为0,并更新二维梯度向量Gradv和二维方向向量Directv;
遍历像素点,根据梯度向量Gradv与方向向量Directv的关系求出锚点;
根据锚点位置关系,逐一连接锚点得到图像完整的边缘信息。
进一步地,所述根据每一点的水平梯度与垂直梯度的大小关系确定该点的梯度方向具体为:若Gradx(k,m)>Grady(k,m),则表示垂直边缘通过这个像素,梯度方向为0,若Gradx(k,m)<Grady(k,m),则表示水平边缘通过这个像素,梯度方向为90。
进一步地,所述根据梯度向量Gradv与方向向量Directv的关系求出锚点具体为:
若Directv=90,则判断以下条件,若满足条件,则该点为锚点:
Grad(k,m)-Grad(k,m-1)≥Threshanchor;
Grad(k,m)-Grad(k,m+1)≥Threshanchor;
若Directv=0,则判断以下条件,若满足条件,则该点为锚点:
Grad(k,m)-Grad(k-1,m)≥Threshanchor;
Grad(k,m)-Grad(k+1,m)≥Threshanchor;
式中,Threshanchor表示锚阈值,用来调整锚的数量。
进一步地,所述根据锚点位置关系,逐一连接锚点得到图像完整的边缘信息具体为:
若方向向量Directv=90,则以这个锚点(k,m)开始,从左右两个方向开始遍历梯度图,每次都选择左侧三个像素即像素(k-1,m-1)、(k-1,m)、(k-1,m+1)处最大的梯度值或右侧三个像素(k+1,m-1)、(k+1,m)、(k+1,m+1)像素处的最大梯度值,直到当前像素的梯度值为0,或者移动到已处理过得像素;若方向向量Directv=0,则以这个锚点(k,m)开始,从上下两个方向开始遍历梯度图,每次都选择上方三个像素即像素(k-1,m-1)、(k,m-1)、(k+1,m-1)处最大的梯度值或下方三个像素(k-1,m+1)、(k,m+1)、(k+1,m+1)像素处的最大梯度值,直到当前像素的梯度值为0,或者移动到已处理过得像素。
进一步地,所述提取边缘图像的一阶统计特征,获取图像的主要形态特征,减少背景对电力线提取的干扰具体包括以下步骤:
1)利用固定阈值的二值化算法对形态学操作之后的图像进行二值化操作,获取二值图像;
2)设待处理像素点的八邻域表示为:
3)判断待处理像素点是否满足以下四个条件,若满足,则标记为可删除点即该待处理像素点的像素值为0;四个条件如下:
NUM01(p1)=1;
p2×p4×p6=0;
p4×p6×p8=0;
式中,pi的像素值为0或1,其中像素值若为1则表示为目标,若像素值为0表示为背景,NUM01(p1)表示此像素的八邻域中按p2p3p4p5p6p7p8p9的顺序,存在像素值从0变为1的个数;
4)判断待处理像素点是否满足以下四个条件,若满足,则标记为可删除点;其中四个条件如下:
NUM01(p1)=1;
p2×p4×p8=0;
p2×p6×p8=0;
式中,pi的像素值为0或1,其中像素值若为1则表示为目标,若像素值为0表示为背景,NUM01(p1)表示此像素的八邻域中按p2p3p4p5p6p7p8p9的顺序,存在像素值从0变为1的个数;
5)遍历二值化后的图像序列,若待处理像素点的像素值为1,则重复进行步骤2)、3)、4),若不是则遍历下一个像素点;
6)将所有标记为可删除点的像素设为0,得到经过边缘特征统计分析的电力线检测图像。
进一步地,所述直线检测算法采用LSD算法。
进一步地,所述采用直线检测算法进行航拍图像中电力线的检测,得到粗糙的电力线初步检测结果具体包括以下步骤:
1)遍历图像的所有像素点,首先将图像进行高斯降采样,降低图像的阶梯效应;
2)计算各点的梯度值的大小和方向,并根据梯度的大小排序;
3)根据像素点x,y的梯度幅值gradx,y与阈值δ的大小关系,将梯度值小于阈值的像素点标记为不可用的像素点,其余像素点标记为可用的像素点;
4)遍历所有标记为可用的像素点,将梯度幅值最大的点作为种子点,以该点的水平线角度/>作为区域的初始角度θi rel,并在种子点的八邻域中寻找角度偏差在范围τ之内的点,并将该点加入到区域中θi rel,并更新区域θi rel,直至区域θi rel中的所有点的八邻域与该区域θi rel的角度偏差都不在范围τ之内;
5)构造一个矩形reci,包含线支持区域θi rel中的所有点,将θi rel的值作为矩形reci的方向;
6)计算该矩形的对齐点密度Di,判断对齐点密度Di是否大于最低阈值D0,如果对齐点密度Di不大于最低阈值,则减少角度容忍值τ,返回步骤(4),否则进入步骤7);
7)输出直线段数据信息并判断是否仍有状态为可用的点,若有则返回步骤4),否则得到结果即为粗糙的电力线初步检测结果。
进一步地,所述分析电力线初步检测结果,融合形态与位置上接近的电力线,实现二阶段的电力线检测结果精细化,实现由粗到细的电力线检测过程具体包括以下步骤:
1)记录直线检测得到的电力线为Li,记录Li的两个坐标分别为Li(x1,y1)和Li(x2,y2);
2)计算所有Li的长度大小,并排序,判断电力线Li的长度大小与Lengthmin的关系,若Li小于Lengthmin,则删除这条Li;
3)将Li与Li+1分别沿着斜率与斜率相反方向延长40个像素大小,得到两条新的线段LNi和LNi+1,表示为LNi(x1,y1)LNi(x2,y2)和LNi+1(x3,y3)LNi+1(x4,y4),并根据以下条件判断两条线段是否相交,若满足以下条件则不相交,若不满足则不相交:
max(x1,x2)<min(x3,x4);
max(y1,y2)<min(y3,y4);
max(x3,x4)<min(x1,x2);
max(y3,y4)<min(y1,y2);
((x3-x1)(y2-y1)-(x2-x1)(y3-y1))×((x2-x1)(y4-y1)-(x4-x1)(y2-y)1)<0;
((x1-x3)(y4-y3)-(x4-x3)(y1-y3))×((x4-x3)(y2-y3)-(x2-x3)(y4-y3))<0;
4)若相交,则将检测线段更新为:
5)遍历所有的Li,反复执行步骤2)3)4),得到航拍图像中的所有电力线。
本发明还提供了一种基于边缘二阶统计与融合的电力线检测系统,包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:本发明采用边缘检测的方法,但是边缘检测的结果仅仅作为电力线检测过程的中间结果,边缘特征提取之后再利用一阶段边缘特征统计的方式去除冗余的边缘特征,结合直线检测的方法实现初步的电力线检测。同时为解决电力线检测结果不完整的问题,本发明采用的二阶段边缘特征融合分析的方式能够有效融合形态与位置接近的电力线检测结果,保证电力线检测结果的完整性。
附图说明
图1为本发明实施例的方法流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于边缘二阶统计与融合的电力线检测方法,具体包括以下步骤:
将无人机采集的巡检图像变为灰度图,并采用基于边缘绘制思想的ED(EdgeDrawing)边缘检测算法得到图像完整的边缘信息;
对边缘图像进行形态学处理,平滑图像边缘,降低噪声干扰;
提取边缘图像的一阶统计特征,获取图像的主要形态特征,减少背景对电力线提取的干扰;
采用直线检测算法进行航拍图像中电力线的检测,得到粗糙的电力线初步检测结果;
分析电力线初步检测结果,融合形态与位置上接近的电力线,实现二阶段的电力线检测结果精细化,实现由粗到细的电力线检测过程。
较佳的,在本实施例中,将无人机采集的图像处理为灰度图像的方法为:
1)首先读入三通道图像,得到图像三个通道的像素值;
2)遍历图像的每个像素点,更新图像中每个像素点的像素值为:
Gray(i,j)=0.1140×B(i,j)+0.5870×G(i,j)+0.2989×R(i,j)
其中,Gray(i,j)表示灰度图(i,j)像素处的像素值,B(i,j)表示Blue通道的(i,j)像素处的像素值,G(i,j)表示Green通道的(i,j)像素处的像素值,R(i,j)表示Red通道的(i,j)像素处的像素值。
在本实施例中,所述采用边缘检测算法得到图像完整的边缘信息具体包括以下步骤:
采用高斯滤波的方式抑制高斯噪声,选定一个大小为5×5,标准差为1的高斯核Ker5,将Ker5与灰度图像卷积得到抑制高斯噪声的图像:
设定水平与垂直两个方向的卷积算子分别表示为Sox和Soy,分别表示如下:
其中,Sox和Soy分别表示水平和垂直方向的卷积算子;
遍历灰度图像,分别将灰度图像与Sox和Soy进行卷积操作,得到图像中像素点的水平和垂直方向的梯度值Gradx(k,m)和Grady(k,m);
式中,Gradx(k,m)表示(k,m)像素点处的水平梯度值,Grady(k,m)表示(k,m)像素点处的垂直梯度值,Val(i,j)表示灰度图像中像素点(i,j)的像素值;
根据水平和垂直方向的梯度值,计算某点的梯度幅值:
Grad(k,m)=|Grady(k,m)|+|Gradx(k,m)|;
式中,Grad(k,m)表示像素(k,m)的像素值,Gradx(k,m)表示(k,m)像素点处的水平梯度值,Grady(k,m)表示(k,m)像素点处的垂直梯度值;并将所有Grad(k,m)的值保存为一个二维梯度向量Gradv;
根据每一点的水平梯度与垂直梯度的大小关系确定该点的梯度方向,并将每一点梯度的方向保存为一个二维方向向量Directv;
设定阈值Threshg,判断图像中的像素点的像素值Grad(k,m)与阈值Threshg的大小关系,若Grad(k,m)小于Threshg,则将此点的像素值设为0,并更新二维梯度向量Gradv和二维方向向量Directv;
遍历像素点,根据梯度向量Gradv与方向向量Directv的关系求出锚点;
根据锚点位置关系,逐一连接锚点得到图像完整的边缘信息。
在本实施例中,所述根据每一点的水平梯度与垂直梯度的大小关系确定该点的梯度方向具体为:若Gradx(k,m)>Grady(k,m),则表示垂直边缘通过这个像素,梯度方向为0,若Gradx(k,m)<Grady(k,m),则表示水平边缘通过这个像素,梯度方向为90。
在本实施例中,所述根据梯度向量Gradv与方向向量Directv的关系求出锚点具体为:
若Directv=90,则判断以下条件,若满足条件,则该点为锚点:
Grad(k,m)-Grad(k,m-1)≥Threshanchor;
Grad(k,m)-Grad(k,m+1)≥Threshanchor;
若Directv=0,则判断以下条件,若满足条件,则该点为锚点:
Grad(k,m)-Grad(k-1,m)≥Threshanchor;
Grad(k,m)-Grad(k+1,m)≥Threshanchor;
式中,Threshanchor表示锚阈值,用来调整锚的数量,当锚阈值变大时,锚数量变小,锚阈值变小时,锚数量变少。
在本实施例中,所述根据锚点位置关系,逐一连接锚点得到图像完整的边缘信息具体为:
若方向向量Directv=90,则以这个锚点(k,m)开始,从左右两个方向开始遍历梯度图,每次都选择左侧三个像素即像素(k-1,m-1)、(k-1,m)、(k-1,m+1)处最大的梯度值或右侧三个像素(k+1,m-1)、(k+1,m)、(k+1,m+1)像素处的最大梯度值,直到当前像素的梯度值为0,或者移动到已处理过得像素;若方向向量Directv=0,则以这个锚点(k,m)开始,从上下两个方向开始遍历梯度图,每次都选择上方三个像素即像素(k-1,m-1)、(k,m-1)、(k+1,m-1)处最大的梯度值或下方三个像素(k-1,m+1)、(k,m+1)、(k+1,m+1)像素处的最大梯度值,直到当前像素的梯度值为0,或者移动到已处理过得像素。
较佳的,在本实施例中,形态学处理操作包括膨胀操作和腐蚀操作,能够有效降低噪声的影响。
在本实施例中,对以上步骤获取的边缘形态特征信息进行统计分析,保留电力线的核心像素特征,去除冗余像素点的形态信息。所述提取边缘图像的一阶统计特征,获取图像的主要形态特征,减少背景对电力线提取的干扰具体包括以下步骤:
1)利用固定阈值的二值化算法对形态学操作之后的图像进行二值化操作,获取二值图像;固定阈值的二值化公式为:
其中,thresh为阈值,Src为形态学处理后的图像,Dst为固定阈值二值化的结果图,Src(i,j)表示位于Src图像的(i,j)位置的像素值,Dst(i,j)表示位于Dst图像的(i,j)位置的像素值,Val表示二值化操作后的像素值,此处设为1。
2)设待处理像素点的八邻域表示为:
3)判断待处理像素点是否满足以下四个条件,若满足,则标记为可删除点即该待处理像素点的像素值为0;四个条件如下:
NUM01(p1)=1;
p2×p4×p6=0;
p4×p6×p8=0;
式中,pi的像素值为0或1,其中像素值若为1则表示为目标,若像素值为0表示为背景,NUM01(p1)表示此像素的八邻域中按p2p3p4p5p6p7p8p9的顺序,存在像素值从0变为1的个数;
4)判断待处理像素点是否满足以下四个条件,若满足,则标记为可删除点;其中四个条件如下:
NUM01(p1)=1;
p2×p4×p8=0;
p2×p6×p8=0;
式中,pi的像素值为0或1,其中像素值若为1则表示为目标,若像素值为0表示为背景,NUM01(p1)表示此像素的八邻域中按p2p3p4p5p6p7p8p9的顺序,存在像素值从0变为1的个数;
5)遍历二值化后的图像序列,若待处理像素点的像素值为1,则重复进行步骤2)、3)、4),若不是则遍历下一个像素点;
6)将所有标记为可删除点的像素设为0,得到经过边缘特征统计分析的电力线检测图像。
在本实施例中,所述直线检测算法采用LSD算法,电力线本为微弯的曲线,但经过边缘特征统计分析这一过程的处理,电力线可以近似视为直线。
在本实施例中,所述采用直线检测算法进行航拍图像中电力线的检测,得到粗糙的电力线初步检测结果具体包括以下步骤:
1)遍历图像的所有像素点,首先将图像进行高斯降采样,降低图像的阶梯效应,采样率为0.8;
2)计算各点的梯度值的大小和方向,并根据梯度的大小排序:
式中,gradx表示像素点x,y的水平方向梯度值,grady表示像素点x,y的垂直方向梯度值,valx,y表示像素点x,y的像素值,θ表示梯度方向,gradx,y表示像素点x,y的梯度幅值,根据gradx,y大小进行排序;
3)根据像素点x,y的梯度幅值gradx,y与阈值δ的大小关系,将梯度值小于阈值的像素点标记为不可用的像素点,其余像素点标记为可用的像素点;
4)遍历所有标记为可用的像素点,将梯度幅值最大的点作为种子点,以该点的水平线角度/>作为区域的初始角度θi rel,并在种子点的八邻域中寻找角度偏差在范围τ之内的点,并将该点加入到区域中θi rel,并更新区域θi rel,直至区域θi rel中的所有点的八邻域与该区域θi rel的角度偏差都不在范围τ之内;
5)构造一个矩形reci,包含线支持区域θi rel中的所有点,将θi rel的值作为矩形reci的方向;
式中,cix表示矩形reci的中心点横坐标,ciy表示矩形reci的中心点纵坐标。
6)计算该矩形的对齐点密度Di,判断对齐点密度Di是否大于最低阈值D0,如果对齐点密度Di不大于最低阈值,则减少角度容忍值τ,返回步骤(4),否则进入步骤7);
式中,k表示区域中对齐点的数量,Si表示矩形区域的面积;
7)输出直线段数据信息并判断是否仍有状态为可用的点,若有则返回步骤4),否则得到结果即为粗糙的电力线初步检测结果。
在本实施例中,电力线检测结果融合的处理是为了将LSD算法得到的电力线检测结果进一步筛选,为了防止电力线检测结果不完整现象的发生,将形态上接近的电力线融合为一根电力线,同时因为电力线的长度一般不会太短,因此去除长度小于一定阈值的电力线有助于提高电力线检测的准确率,所述分析电力线初步检测结果,融合形态与位置上接近的电力线,实现二阶段的电力线检测结果精细化,实现由粗到细的电力线检测过程具体包括以下步骤:
1)记录直线检测得到的电力线为Li,记录Li的两个坐标分别为Li(x1,y1)和Li(x2,y2);
2)计算所有Li的长度大小,并排序,判断电力线Li的长度大小与Lengthmin的关系,若Li小于Lengthmin,则删除这条Li;
3)将Li与Li+1分别沿着斜率与斜率相反方向延长40个像素大小,得到两条新的线段LNi和LNi+1,表示为LNi(x1,y1)LNi(x2,y2)和LNi+1(x3,y3)LNi+1(x4,y4),并根据以下条件判断两条线段是否相交,若满足以下条件则不相交,若不满足则不相交:
max(x1,x2)<min(x3,x4);
max(y1,y2)<min(y3,y4);
max(x3,x4)<min(x1,x2);
max(y3,y4)<min(y1,y2);
((x3-x1)(y2-y1)-(x2-x1)(y3-y1))×((x2-x1)(y4-y1)-(x4-x1)(y2-y1))<0;
((x1-x3)(y4-y3)-(x4-x3)(y1-y3))×((x4-x3)(y2-y3)-(x2-x3)(y4-y3))<0;
4)若相交,则将检测线段更新为:
5)遍历所有的Li,反复执行步骤2)3)4),得到航拍图像中的所有电力线。
本实施例还提供了一种基于边缘二阶统计与融合的电力线检测系统,包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种基于边缘二阶统计与融合的电力线检测方法,其特征在于,包括以下步骤:
将无人机采集的巡检图像变为灰度图,并采用边缘检测算法得到图像完整的边缘信息;
对边缘图像进行形态学处理,平滑图像边缘,降低噪声干扰;
提取边缘图像的一阶统计特征,获取图像的主要形态特征,减少背景对电力线提取的干扰;
采用直线检测算法进行航拍图像中电力线的检测,得到粗糙的电力线初步检测结果;
分析电力线初步检测结果,融合形态与位置上接近的电力线,实现二阶段的电力线检测结果精细化,实现由粗到细的电力线检测过程;
所述提取边缘图像的一阶统计特征,获取图像的主要形态特征,减少背景对电力线提取的干扰具体包括以下步骤:
1)利用固定阈值的二值化算法对形态学操作之后的图像进行二值化操作,获取二值图像;
2)设待处理像素点的八邻域表示为:
3)判断待处理像素点是否满足以下四个条件,若满足,则标记为可删除点即该待处理像素点的像素值为0;四个条件如下:
NUM01(p1)=1;
p2×p4×p6=0;
p4×p6×p8=0;
式中,pi的像素值为0或1,其中像素值若为1则表示为目标,若像素值为0表示为背景,NUM01(p1)表示此像素的八邻域中按p2p3p4p5p6p7p8p9的顺序,存在像素值从0变为1的个数;
4)判断待处理像素点是否满足以下四个条件,若满足,则标记为可删除点;其中四个条件如下:
NUM01(p1)=1;
p2×p4×p8=0;
p2×p6×p8=0;
式中,pi的像素值为0或1,其中像素值若为1则表示为目标,若像素值为0表示为背景,NUM01(p1)表示此像素的八邻域中按p2p3p4p5p6p7p8p9的顺序,存在像素值从0变为1的个数;
5)遍历二值化后的图像序列,若待处理像素点的像素值为1,则重复进行步骤2)、3)、4),若不是则遍历下一个像素点;
将所有标记为可删除点的像素设为0,得到经过边缘特征统计分析的电力线检测图像;
所述分析电力线初步检测结果,融合形态与位置上接近的电力线,实现二阶段的电力线检测结果精细化,实现由粗到细的电力线检测过程具体包括以下步骤:
1)记录直线检测得到的电力线为Li,记录Li的两个坐标分别为Li(x1,y1)和Li(x2,y2);
2)计算所有Li的长度大小,并排序,判断电力线Li的长度大小与Lengthmin的关系,若Li小于Lengthmin,则删除这条Li;
3)将Li与Li+1分别沿着斜率与斜率相反方向延长40个像素大小,得到两条新的线段LNi和LNi+1,表示为LNi(x1,y1)LNi(x2,y2)和LNi+1(x3,y3)LNi+1(x4,y4),并根据以下条件判断两条线段是否相交,若满足以下条件则不相交,若不满足则不相交:
max(x1,x2)<min(x3,x4);
max(y1,y2)<min(y3,y4);
max(x3,x4)<min(x1,x2);
max(y3,y4)<min(y1,y2);
((x3-x1)(y2-y1)-(x2-x1)(y3-y1))×((x2-x1)(y4-y1)-(x4-x1)(y2-y)1)<0;
((x1-x3)(y4-y3)-(x4-x3)(y1-y3))×((x4-x3)(y2-y3)-(x2-x3)(y4-y3))<0;
4)若相交,则将检测线段更新为:
遍历所有的Li,反复执行步骤2)3)4),得到航拍图像中的所有电力线。
2.根据权利要求1所述的一种基于边缘二阶统计与融合的电力线检测方法,其特征在于,所述采用边缘检测算法得到图像完整的边缘信息具体包括以下步骤:
采用高斯滤波的方式抑制高斯噪声,选定一个大小为5×5,标准差为1的高斯核Ker5,将Ker5与灰度图像卷积得到抑制高斯噪声的图像;
设定水平与垂直两个方向的卷积算子分别表示为Sox和Soy;
遍历灰度图像,分别将灰度图像与Sox和Soy进行卷积操作,得到图像中像素点的水平和垂直方向的梯度值Gradx(k,m)和Grady(k,m);
根据水平和垂直方向的梯度值,计算某点的梯度幅值:
Grad(k,m)=|Grady(k,m)|+|Gradx(k,m)|;
式中,Grad(k,m)表示像素(k,m)的像素值,Gradx(k,m)表示(k,m)像素点处的水平梯度值,Grady(k,m)表示(k,m)像素点处的垂直梯度值;并将所有Grad(k,m)的值保存为一个二维梯度向量Gradv;
根据每一点的水平梯度与垂直梯度的大小关系确定该点的梯度方向,并将每一点梯度的方向保存为一个二维方向向量Directv;
设定阈值Threshg,判断图像中的像素点的像素值Grad(k,m)与阈值Threshg的大小关系,若Grad(k,m)小于Threshg,则将此点的像素值设为0,并更新二维梯度向量Gradv和二维方向向量Directv;
遍历像素点,根据梯度向量Gradv与方向向量Directv的关系求出锚点;
根据锚点位置关系,逐一连接锚点得到图像完整的边缘信息。
3.根据权利要求2所述的一种基于边缘二阶统计与融合的电力线检测方法,其特征在于,所述根据每一点的水平梯度与垂直梯度的大小关系确定该点的梯度方向具体为:若Gradx(k,m)>Grady(k,m),则表示垂直边缘通过这个像素,梯度方向为0,若Gradx(k,m)<Grady(k,m),则表示水平边缘通过这个像素,梯度方向为90。
4.根据权利要求2所述的一种基于边缘二阶统计与融合的电力线检测方法,其特征在于,所述根据梯度向量Gradv与方向向量Directv的关系求出锚点具体为:
若Directv=90,则判断以下条件,若满足条件,则该点为锚点:
Grad(k,m)-Grad(k,m-1)≥Threshanchor;
Grad(k,m)-Grad(k,m+1)≥Threshanchor;
若Directv=0,则判断以下条件,若满足条件,则该点为锚点:
Grad(k,m)-Grad(k-1,m)≥Threshanchor;
Grad(k,m)-Grad(k+1,m)≥Threshanchor;
式中,Threshanchor表示锚阈值,用来调整锚的数量。
5.根据权利要求2所述的一种基于边缘二阶统计与融合的电力线检测方法,其特征在于,所述根据锚点位置关系,逐一连接锚点得到图像完整的边缘信息具体为:
若方向向量Directv=90,则以这个锚点(k,m)开始,从左右两个方向开始遍历梯度图,每次都选择左侧三个像素即像素(k-1,m-1)、(k-1,m)、(k-1,m+1)处最大的梯度值或右侧三个像素(k+1,m-1)、(k+1,m)、(k+1,m+1)像素处的最大梯度值,直到当前像素的梯度值为0,或者移动到已处理过得像素;若方向向量Directv=0,则以这个锚点(k,m)开始,从上下两个方向开始遍历梯度图,每次都选择上方三个像素即像素(k-1,m-1)、(k,m-1)、(k+1,m-1)处最大的梯度值或下方三个像素(k-1,m+1)、(k,m+1)、(k+1,m+1)像素处的最大梯度值,直到当前像素的梯度值为0,或者移动到已处理过得像素。
6.根据权利要求1所述的一种基于边缘二阶统计与融合的电力线检测方法,其特征在于,所述直线检测算法采用LSD算法。
7.根据权利要求6所述的一种基于边缘二阶统计与融合的电力线检测方法,其特征在于,所述采用直线检测算法进行航拍图像中电力线的检测,得到粗糙的电力线初步检测结果具体包括以下步骤:
1)遍历图像的所有像素点,首先将图像进行高斯降采样,降低图像的阶梯效应;
2)计算各点的梯度值的大小和方向,并根据梯度的大小排序;
3)根据像素点x,y的梯度幅值gradx,y与阈值δ的大小关系,将梯度值小于阈值的像素点标记为不可用的像素点,其余像素点标记为可用的像素点;
4)遍历所有标记为可用的像素点,将梯度幅值最大的点作为种子点,以该点的水平线角度/>作为区域的初始角度θi rel,并在种子点的八邻域中寻找角度偏差在范围τ之内的点,并将该点加入到区域中θi rel,并更新区域θi rel,直至区域θi rel中的所有点的八邻域与该区域θi rel的角度偏差都不在范围τ之内;
5)构造一个矩形reci,包含线支持区域θi rel中的所有点,将θi rel的值作为矩形reci的方向;
6)计算该矩形的对齐点密度Di,判断对齐点密度Di是否大于最低阈值D0,如果对齐点密度Di不大于最低阈值,则减少角度容忍值τ,返回步骤(4),否则进入步骤7);
7)输出直线段数据信息并判断是否仍有状态为可用的点,若有则返回步骤4),否则得到结果即为粗糙的电力线初步检测结果。
8.一种基于边缘二阶统计与融合的电力线检测系统,其特征在于,包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407985.1A CN112580447B (zh) | 2020-12-04 | 2020-12-04 | 一种基于边缘二阶统计与融合的电力线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407985.1A CN112580447B (zh) | 2020-12-04 | 2020-12-04 | 一种基于边缘二阶统计与融合的电力线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580447A CN112580447A (zh) | 2021-03-30 |
CN112580447B true CN112580447B (zh) | 2023-08-04 |
Family
ID=75127203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011407985.1A Active CN112580447B (zh) | 2020-12-04 | 2020-12-04 | 一种基于边缘二阶统计与融合的电力线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580447B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066780B (zh) * | 2022-01-17 | 2022-06-03 | 广东欧谱曼迪科技有限公司 | 4k内窥镜图像去雾方法、装置、电子设备及存储介质 |
CN115239966B (zh) * | 2022-05-30 | 2024-04-09 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
CN115438702A (zh) * | 2022-10-18 | 2022-12-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种电力线载波信道噪声检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
CN108682017A (zh) * | 2018-04-11 | 2018-10-19 | 浙江工业大学 | 基于Node2Vec算法的超像素图像边缘检测方法 |
CN109615598A (zh) * | 2018-12-10 | 2019-04-12 | 武汉大学 | 一种基于边缘绘图参数自由算法的输电线识别方法 |
WO2020042866A1 (zh) * | 2018-08-30 | 2020-03-05 | 京东方科技集团股份有限公司 | 线段检测方法、装置、设备和计算机可读存储介质 |
CN111539429A (zh) * | 2020-06-19 | 2020-08-14 | 天津施格机器人科技有限公司 | 一种基于图像几何特征的周转箱自动定位方法 |
CN111754422A (zh) * | 2020-06-02 | 2020-10-09 | 浙江工业大学 | 一种基于EDLines和LSM的视觉巡边方法 |
-
2020
- 2020-12-04 CN CN202011407985.1A patent/CN112580447B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
CN108682017A (zh) * | 2018-04-11 | 2018-10-19 | 浙江工业大学 | 基于Node2Vec算法的超像素图像边缘检测方法 |
WO2020042866A1 (zh) * | 2018-08-30 | 2020-03-05 | 京东方科技集团股份有限公司 | 线段检测方法、装置、设备和计算机可读存储介质 |
CN109615598A (zh) * | 2018-12-10 | 2019-04-12 | 武汉大学 | 一种基于边缘绘图参数自由算法的输电线识别方法 |
CN111754422A (zh) * | 2020-06-02 | 2020-10-09 | 浙江工业大学 | 一种基于EDLines和LSM的视觉巡边方法 |
CN111539429A (zh) * | 2020-06-19 | 2020-08-14 | 天津施格机器人科技有限公司 | 一种基于图像几何特征的周转箱自动定位方法 |
Non-Patent Citations (1)
Title |
---|
一种Sobel算子的抗噪型边缘检测算法;沈德海;张龙昌;鄂旭;;信息技术(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580447A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580447B (zh) | 一种基于边缘二阶统计与融合的电力线检测方法 | |
CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN108460764B (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
CN106934795B (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
US7792382B2 (en) | Method and apparatus for filtering, clustering, and region fitting by mean shift of images using kernel function values | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
CN103093198A (zh) | 一种人群密度监测方法及装置 | |
CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
CN112686248B (zh) | 证件增减类别检测方法、装置、可读存储介质和终端 | |
CN111915628A (zh) | 一种基于预测目标密集边界点的单阶段实例分割方法 | |
CN106022268A (zh) | 一种限速标识的识别方法和装置 | |
CN112580383A (zh) | 二维码识别方法、装置、电子设备及存储介质 | |
Ghahremannezhad et al. | A new adaptive bidirectional region-of-interest detection method for intelligent traffic video analysis | |
CN109785356A (zh) | 一种视频图像的背景建模方法 | |
Ghahremannezhad et al. | Automatic road detection in traffic videos | |
CN113538500B (zh) | 图像分割方法、装置、电子设备和存储介质 | |
KR101690050B1 (ko) | 지능형 영상보안 시스템 및 객체 추적 방법 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN106778675B (zh) | 一种视频图像中目标对象的识别方法和装置 | |
CN109558877A (zh) | 基于kcf的海上目标跟踪算法 | |
CN111241911B (zh) | 一种自适应的车道线检测方法 | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 |
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 |