CN113705433A - 一种基于可见光航拍图像的电力线检测方法 - Google Patents

一种基于可见光航拍图像的电力线检测方法 Download PDF

Info

Publication number
CN113705433A
CN113705433A CN202110991888.XA CN202110991888A CN113705433A CN 113705433 A CN113705433 A CN 113705433A CN 202110991888 A CN202110991888 A CN 202110991888A CN 113705433 A CN113705433 A CN 113705433A
Authority
CN
China
Prior art keywords
image
edge
power line
gray
visible light
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.)
Withdrawn
Application number
CN202110991888.XA
Other languages
English (en)
Inventor
刘传洋
刘景景
陈林
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.)
Chizhou University
Original Assignee
Chizhou University
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 Chizhou University filed Critical Chizhou University
Priority to CN202110991888.XA priority Critical patent/CN113705433A/zh
Publication of CN113705433A publication Critical patent/CN113705433A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20036—Morphological image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于可见光航拍图像的电力线检测方法，涉及航拍图像电力线检测技术领域，包括以下步骤：获取无人机航拍可见光图像，对图像进行灰度化处理，通过图像增强技术增强电力线边缘信息，通过阈值化处理得到二值化图像，对二值图像进行Canny边缘检测，采用形态学算法对边缘检测处理后的边缘像素点进行处理，基于粒子群滤波优化的霍夫变换算法检测电力线，对图像中的电力线进行直线特征提取。本发明通过引入直方图均衡化、形态学算法消除了图像背景大量杂乱的近似直线的结构，电力线附近大量断裂的细小边缘得到连接和平滑；将粒子群滤波应用于电力线检测，可以有效减少重复计算，提高计算速度，且能获得更好的检测性能。

Description

一种基于可见光航拍图像的电力线检测方法
技术领域
本发明属于航拍图像电力线检测技术领域，具体涉及一种基于可见光航拍图像的电力线检测方法。
背景技术
对电力线的检查大多是从地面人工巡检进行的，或者是使用直升机进行。由于输电线路的跨度较长，并且由于输电线路分布在崎岖和峻岭地区，人工巡检方法耗时，并且可能存在一定的危险；直升机巡检费用比较昂贵。随着无人机摄影测量技术的快速发展以及测量相机分辨率的提升，无人机摄像技术在电力巡线方面得到广泛应用。障碍物识别，尤其是电力线检测，对无人机飞行安全至关重要。电力线在图像中表现为长而连续的线，且接近水平方向，可近似看作为直线。于是电力线检测问题可以转化为寻找图像中的直线。然而无人机采集的可见光航拍图像中背景相当复杂，天空、建筑物、电线杆及植被等背景对电力线的灰度有较大影响。通过Canny算子检测出的电力线的大致轮廓线并没有提取完整的电力线，经过霍夫变换检测电力线时，容易受到噪声影响，存在拟合的电力线误差率较大且很容易产生假直线的缺陷，使得检测出来的电力线精度不高。
发明内容
(一)解决的技术问题
本发明针对上述电力线边缘检测与特征提取的缺陷问题，提供了一种基于可见光航拍图像的电力线检测方法，通过引入直方图均衡化、形态学算法消除了图像背景大量杂乱的近似直线的结构，电力线附近大量断裂的细小边缘得到连接和平滑；为了使直线检测更精确，避免错检和漏检，将粒子群滤波应用于电力线检测，可以有效减少重复计算，提高计算速度，且能获得更好的检测性能。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于可见光航拍图像的电力线检测方法，包括以下步骤：
S1、获取无人机航拍可见光图像，对图像进行尺寸调整；
S2、对步骤S1得到的图像进行灰度化处理，得到灰度图像；
S3、为提升图像的整体对比度，通过图像增强技术增强电力线边缘信息；
S4、利用最大类间方差法获取灰度图像f(x,y)的最优二值化分割阈值，通过阈值化处理得到二值化图像B(x,y)；
S5、对图像B(x,y)进行Canny边缘检测处理获得边缘图像E(x,y)；
S6、采用形态学算法对边缘检测处理后的边缘像素点进行处理；
S7、基于粒子群滤波优化的霍夫变换算法检测电力线，对图像中的电力线进行直线特征提取。
根据本发明的一实施例，所述步骤S2获得的灰度图像为Gray(x,y)＝0.2989R+0.5870G+0.1140B，其中，Gray(x,y)为灰度图像，R、G、B为航拍图像的3个通道的像素分布函数。
根据本发明的一实施例，所述步骤S3采用的图像增强技术包括高斯滤波、直方图均衡化。
根据本发明的一实施例，所述步骤S3对灰度图像进行直方图均衡化处理，直方图均衡化具体包括如下步骤：
S3.1、统计灰度图像Gray(x,y)各灰度级的像素数目nk，其中L为总灰度等级，k＝0,1,...,L-1；
S3.2、根据步骤S3.1的像素统计结果，获取各灰度级概率密度：pr(rk)＝nk/N,0≤rk≤1；rk为第k级灰度值，N为图像的像素总数，nk为第k级灰度值的总像素数，pk(rk)为第k级灰度值的概率；
S3.3、直方图均衡化处理是以累积分布函数变换法为基础的直方图修正法，计算变换函数
Figure BDA0003232618520000031
S3.4、计算输出灰度级gk＝int((gmax-gmin)×sk(rk)+gmin+0.5)/(L-1)其中int(·)为数值向下取整函数，gmax取值为L-1，gmin取值为0；
S3.5、根据Gray(x,y)与gk的映射关系获取图像增强后的灰度图像f(x,y)。
根据本发明的一实施例，所述步骤S5中的Canny边缘检测具体包括如下步骤：
S5.1、用高斯滤波器来对图像滤波，以去除图像中的噪声，二维高斯函数为
Figure BDA0003232618520000032
σ作为高斯滤波器参数用于控制图像的平滑度；
S5.2、利用2×2邻域内的一阶微分算子计算平滑图像的局部梯度和边缘方向，梯度方向强度局部最大值的点即为边缘点，选取
Figure BDA0003232618520000033
梯度大小M和方向θ计算如下：
Figure BDA0003232618520000034
θ(i,j)＝arctan[Q(i,j)/P(i,j)]；
S5.3、对步骤S5.2所得的梯度进行非极大值抑制，生成的边缘点在渐变中生成脊，沿着脊的顶部跟踪，并将实际上不在脊顶部的像素设置为零，从而在输出中给出一条细线来实现非最大值抑制；
S5.4、用双阈值算法检测和连接边缘，两个阈值为T1和T2，且T1＜T2，当脊像素值大于阈值T2，则称为强边缘像素，当脊像素值介于阈值T1和T2之间，则称为弱边缘像素，通过将强像素的8连通弱边缘连接获得边缘图像E(x,y)。
根据本发明的一实施例，所述步骤S6对边缘图像E(x,y)进行膨胀运算，
Figure BDA0003232618520000043
其中
Figure BDA0003232618520000041
为3×3的正方形结构元素，*为其中心点，ε为边缘图像E(x,y)种任意位置的像素点，
Figure BDA0003232618520000044
为膨胀运算符，ED(x,y)为膨胀处理后的运算结果，膨胀运算具体包括如下步骤：
S6.1、从边缘图像E(x,y)中寻找算法起始点(第一个像素值为0的点)；
S6.2、将结构元素S的中心移动至0点；
S6.3、判断结构元素覆盖范围内的像素值中是否存在大小为1的目标点，如果存在，则设定膨胀后图像中相同位置上的像素值为1，如果不存在，则设定膨胀后图像中相同位置上的像素值为0；
S6.4、寻找下一个像素值为0的点；
S6.5、重复步骤S6.2-S6.4，直到搜索处理完毕，得到膨胀后的图像ED(x,y)。
根据本发明的一实施例，所述步骤S7中特征提取步骤如下：
S7.1、基于贝叶斯规则建立粒子群滤波优化模型，对于观测量z1:t＝{z1,...,zt}，{1,2,...,t-1,t}为系统状态，条件概率p(xt|xt-1,ut)随状态变化的后验概率为p(xt|z1:t-1)＝∫p(xt|xt-1)p(xt-1|z1:t-1)dxt-1，观测模型为p(zt|xt)，状态更新为：
Figure BDA0003232618520000042
S7.2、利用霍夫变换检测出图像ED(x,y)中包含电力线的线段；
S7.3、使用kmeans聚类对霍夫空间中的粒子进行聚类，找到每个簇的最佳粒子，计算样本的权重；
S7.4、通过平均粒子的距离和方向来计算电力线的方向；
S7.5、重采样加权样本，根据运动模型移动粒子，计算后验状态分布；
S7.6、重复步骤S7.4-S7.5，继续进行迭代直至达到最大迭代次数。
(三)有益效果
本发明的有益效果：一种基于可见光航拍图像的电力线检测方法，直方图均衡化处理后得到的二值化图像保留了更多的电力线边缘像素点，边缘连续性更好；形态学算法消除了图像背景中大量杂乱的近似直线的结构，电力线附近大量断裂的细小边缘得到连接和平滑；粒子群滤波应用于霍夫变换提取电力线特征，滤除了较多的背景噪声，可以有效减少重复计算，提高计算速度，使得电力线检测更精确，避免了错检和漏检。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明流程图；
图2为本发明直方图均衡化流程图；
图3为本发明Canny边缘检测流程图；
图4为本发明膨胀运算流程图；
图5为本发明特征提取流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1，一种基于可见光航拍图像的电力线检测方法，结合流程图1，包括以下步骤：
S1、获取无人机航拍可见光图像，对图像进行尺寸调整。
S2、对步骤S1得到的图像进行灰度化处理，得到灰度图像；Gray(x,y)＝0.2989R+0.5870G+0.1140B,其中，Gray(x,y)为灰度图像，R、G、B为航拍图像的3个通道的像素分布函数。
S3、为提升图像的整体对比度，通过图像增强技术增强电力线边缘信息；所述图像增强技术包括高斯滤波、直方图均衡化；所述步骤S2所得的灰度图像进行直方图均衡化处理；结合流程图2，直方图均衡化具体包括如下步骤：
S3.1、统计灰度图像Gray(x,y)各灰度级的像素数目nk，其中L为总灰度等级，k＝0,1,...,L-1；
S3.2、根据步骤S3.1的像素统计结果，获取各灰度级概率密度：pr(rk)＝nk/N,0≤rk≤1；rk为第k级灰度值，N为图像的像素总数，nk为第k级灰度值的总像素数，pk(rk)为第k级灰度值的概率；
S3.3、直方图均衡化处理是以累积分布函数变换法为基础的直方图修正法，计算变换函数sk：
Figure BDA0003232618520000061
S3.4、计算输出灰度级gk：gk＝int((gmax-gmin)×sk(rk)+gmin+0.5)/(L-1)其中int(·)为数值向下取整函数，gmax取值为L-1，gmin取值为0；
S3.5、根据Gray(x,y)与gk的映射关系获取图像增强后的灰度图像f(x,y)。
S4、利用最大类间方差法获取灰度图像f(x,y)的最优二值化分割阈值，通过阈值化处理得到二值化图像B(x,y)。
S5、对图像B(x,y)进行Canny边缘检测处理获得边缘图像E(x,y)，结合流程图3，边缘检测具体包括如下步骤：
S5.1、用高斯滤波器来对图像滤波，以去除图像中的噪声，二维高斯函数为
Figure BDA0003232618520000071
σ作为高斯滤波器参数用于控制图像的平滑度；
S5.2、利用2×2邻域内的一阶微分算子计算平滑图像的局部梯度和边缘方向，梯度方向强度局部最大值的点即为边缘点，选取
Figure BDA0003232618520000072
梯度大小M和方向θ计算如下：
Figure BDA0003232618520000073
θ(i,j)＝arctan[Q(i,j)/P(i,j)]；
S5.3、对步骤S5.2所得的梯度进行非极大值抑制，生成的边缘点在渐变中生成脊，沿着脊的顶部跟踪，并将实际上不在脊顶部的像素设置为零，从而在输出中给出一条细线来实现非最大值抑制；
S5.4、用双阈值算法检测和连接边缘，两个阈值为T1和T2，且T1＜T2，当脊像素值大于阈值T2，则称为强边缘像素，当脊像素值介于阈值T1和T2之间，则称为弱边缘像素，通过将强像素的8连通弱边缘连接获得边缘图像E(x,y)；
S6、采用形态学算法对边缘检测处理后的边缘像素点进行处理；对边缘图像E(x,y)进行膨胀运算，
Figure BDA0003232618520000075
其中
Figure BDA0003232618520000074
为3×3的正方形结构元素，*为其中心点，ε为边缘图像E(x,y)种任意位置的像素点，
Figure BDA0003232618520000076
为膨胀运算符，ED(x,y)为膨胀处理后的运算结果，结合流程图4，膨胀运算具体包括如下步骤：
S6.1、从边缘图像E(x,y)中寻找算法起始点(第一个像素值为0的点)；
S6.2、将结构元素S的中心移动至0点；
S6.3、判断结构元素覆盖范围内的像素值中是否存在大小为1的目标点，如果存在，则设定膨胀后图像中相同位置上的像素值为1，如果不存在，则设定膨胀后图像中相同位置上的像素值为0；
S6.4、寻找下一个像素值为0的点；
S6.5、重复步骤S6.2-S6.4，直到搜索处理完毕，得到膨胀后的图像ED(x,y)。
S7、基于粒子滤波优化的霍夫变换算法检测电力线，对图像中的电力线进行直线特征提取，结合流程图5，特征提取步骤如下：
S7.1、基于贝叶斯规则建立粒子滤波优化模型，对于观测量z1:t＝{z1,...,zt}，{1,2,...,t-1,t}为系统状态，条件概率p(xt|xt-1,ut)随状态变化的后验概率为p(xt|z1:t-1)＝∫p(xt|xt-1)p(xt-1|z1:t-1)dxt-1，观测模型为p(zt|xt)，状态更新为：
Figure BDA0003232618520000081
S7.2、利用霍夫变换检测出图像ED(x,y)中包含电力线的线段；
S7.3、使用kmeans聚类对霍夫空间中的粒子进行聚类，找到每个簇的最佳粒子，计算样本的权重；
S7.4、通过平均粒子的距离和方向来计算电力线的方向；
S7.5、重采样加权样本，根据运动模型移动粒子，计算后验状态分布；
S7.6、重复步骤S7.4-S7.5，继续进行迭代直至达到最大迭代次数。
综上所述，本发明实施例，基于可见光航拍图像的电力线检测方法，直方图均衡化处理后得到的二值化图像保留了更多的电力线边缘像素点，边缘连续性更好；形态学算法消除了图像背景中大量杂乱的近似直线的结构，电力线附近大量断裂的细小边缘得到连接和平滑；粒子群滤波应用于霍夫变换提取电力线特征，滤除了较多的背景噪声，可以有效减少重复计算，提高计算速度，使得电力线检测更精确，避免了错检和漏检。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于可见光航拍图像的电力线检测方法，其特征在于，包括以下步骤：
S1、获取无人机航拍可见光图像，对图像进行尺寸调整；
S2、对步骤S1得到的图像进行灰度化处理，得到灰度图像；
S3、为提升图像的整体对比度，通过图像增强技术增强电力线边缘信息；
S4、利用最大类间方差法获取灰度图像的最优二值化分割阈值，通过阈值化处理得到二值化图像B(x,y)；
S5、对图像B(x,y)进行Canny边缘检测处理获得边缘图像E(x,y)；
S6、采用形态学算法对边缘检测处理后的边缘像素点进行处理；
S7、基于粒子群滤波优化的霍夫变换算法检测电力线，对图像中的电力线进行直线特征提取。
2.如权利要求1所述的一种基于可见光航拍图像的电力线检测方法，其特征在于，所述步骤S2获得的灰度图像为Gray(x,y)＝0.2989R+0.5870G+0.1140B，其中，Gray(x,y)为灰度图像，R、G、B为航拍图像的3个通道的像素分布函数。
3.如权利要求2所述的一种基于可见光航拍图像的电力线检测方法，其特征在于，所述步骤S3采用的图像增强技术包括高斯滤波、直方图均衡化。
4.如权利要求3所述的一种基于可见光航拍图像的电力线检测方法，其特征在于，所述步骤S3对灰度图像进行直方图均衡化处理，直方图均衡化具体包括如下步骤：
S3.1、统计灰度图像Gray(x,y)各灰度级的像素数目nk，其中L为总灰度等级，k＝0,1,...,L-1；
S3.2、根据步骤S3.1的像素统计结果，获取各灰度级概率密度：pr(rk)＝nk/N,0≤rk≤1；rk为第k级灰度值，N为图像的像素总数，nk为第k级灰度值的总像素数，pk(rk)为第k级灰度值的概率；
S3.3、直方图均衡化处理是以累积分布函数变换法为基础的直方图修正法，计算变换函数
Figure FDA0003232618510000021
S3.4、计算输出灰度级gk＝int((gmax-gmin)×sk(rk)+gmin+0.5)/(L-1)其中int(·)为数值向下取整函数，gmax取值为L-1，gmin取值为0；
S3.5、根据Gray(x,y)与gk的映射关系获取图像增强后的灰度图像f(x,y)。
5.如权利要求4所述的一种基于可见光航拍图像的电力线检测方法，其特征在于，所述步骤S5中的Canny边缘检测具体包括如下步骤：
S5.1、用高斯滤波器来对图像滤波，以去除图像中的噪声，二维高斯函数为
Figure FDA0003232618510000022
σ作为高斯滤波器参数用于控制图像的平滑度；
S5.2、利用2×2邻域内的一阶微分算子计算平滑图像的局部梯度和边缘方向，梯度方向强度局部最大值的点即为边缘点，选取
Figure FDA0003232618510000023
梯度大小M和方向θ计算如下：
Figure FDA0003232618510000024
θ(i,j)＝arctan[Q(i,j)/P(i,j)]；
S5.3、对步骤S5.2所得的梯度进行非极大值抑制，生成的边缘点在渐变中生成脊，沿着脊的顶部跟踪，并将实际上不在脊顶部的像素设置为零，从而在输出中给出一条细线来实现非最大值抑制；
S5.4、用双阈值算法检测和连接边缘，两个阈值为T1和T2，且T1＜T2，当脊像素值大于阈值T2，则称为强边缘像素，当脊像素值介于阈值T1和T2之间，则称为弱边缘像素，通过将强像素的8连通弱边缘连接获得边缘图像E(x,y)。
6.如权利要求5所述的一种基于可见光航拍图像的电力线检测方法，其特征在于，所述步骤S6对边缘图像E(x,y)进行膨胀运算，
Figure FDA0003232618510000031
其中
Figure FDA0003232618510000032
为3×3的正方形结构元素，*为其中心点，ε为边缘图像E(x,y)种任意位置的像素点，
Figure FDA0003232618510000033
为膨胀运算符，ED(x,y)为膨胀处理后的运算结果，膨胀运算具体包括如下步骤：
S6.1、从边缘图像E(x,y)中寻找算法起始点(第一个像素值为0的点)；
S6.2、将结构元素S的中心移动至0点；
S6.3、判断结构元素覆盖范围内的像素值中是否存在大小为1的目标点，如果存在，则设定膨胀后图像中相同位置上的像素值为1，如果不存在，则设定膨胀后图像中相同位置上的像素值为0；
S6.4、寻找下一个像素值为0的点；
S6.5、重复步骤S6.2-S6.4，直到搜索处理完毕，得到膨胀后的图像ED(x,y)。
7.如权利要求6所述的一种基于可见光航拍图像的电力线检测方法，其特征在于，所述步骤S7中特征提取步骤如下：
S7.1、基于贝叶斯规则建立粒子群滤波优化模型，对于观测量z1:t＝{z1,...,zt}，{1,2,...,t-1,t}为系统状态，条件概率p(xt|xt-1,ut)随状态变化的后验概率为p(xt|z1:t-1)＝∫p(xt|xt-1)p(xt-1|z1:t-1)dxt-1，观测模型为p(zt|xt)，状态更新为：
Figure FDA0003232618510000041
S7.2、利用霍夫变换检测出图像ED(x,y)中包含电力线的线段；
S7.3、使用kmeans聚类对霍夫空间中的粒子进行聚类，找到每个簇的最佳粒子，计算样本的权重；
S7.4、通过平均粒子的距离和方向来计算电力线的方向；
S7.5、重采样加权样本，根据运动模型移动粒子，计算后验状态分布；
S7.6、重复步骤S7.4-S7.5，继续进行迭代直至达到最大迭代次数。
CN202110991888.XA 2021-09-24 2021-09-24 一种基于可见光航拍图像的电力线检测方法 Withdrawn CN113705433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110991888.XA CN113705433A (zh) 2021-09-24 2021-09-24 一种基于可见光航拍图像的电力线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110991888.XA CN113705433A (zh) 2021-09-24 2021-09-24 一种基于可见光航拍图像的电力线检测方法

Publications (1)

Publication Number Publication Date
CN113705433A true CN113705433A (zh) 2021-11-26

Family

ID=78655561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110991888.XA Withdrawn CN113705433A (zh) 2021-09-24 2021-09-24 一种基于可见光航拍图像的电力线检测方法

Country Status (1)

Country Link
CN (1) CN113705433A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989682A (zh) * 2021-12-29 2022-01-28 天津天元海科技开发有限公司 一种基于无人机遥感的航标巡检系统及巡检方法
CN114627046A (zh) * 2021-12-30 2022-06-14 山东爱普电气设备有限公司 一种基于可见光多滤波维度的电力线检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113989682A (zh) * 2021-12-29 2022-01-28 天津天元海科技开发有限公司 一种基于无人机遥感的航标巡检系统及巡检方法
CN114627046A (zh) * 2021-12-30 2022-06-14 山东爱普电气设备有限公司 一种基于可见光多滤波维度的电力线检测方法及系统
CN114627046B (zh) * 2021-12-30 2024-07-16 山东爱普电气设备有限公司 一种基于可见光多滤波维度的电力线检测方法及系统

Similar Documents

Publication Publication Date Title
CN107016677B (zh) 一种基于fcn和cnn的云图分割方法
CN110097093B (zh) 一种异源图像精确匹配方法
CN111681197B (zh) 一种基于Siamese网络结构的遥感图像无监督变化检测方法
Mu et al. Lane detection based on object segmentation and piecewise fitting
Li et al. Adaptive building edge detection by combining LiDAR data and aerial images
CN109033972A (zh) 一种目标检测方法、装置、设备及存储介质
CN110660065B (zh) 一种红外故障检测识别算法
WO2010034065A1 (en) Detection of vehicles in an image
CN113705433A (zh) 一种基于可见光航拍图像的电力线检测方法
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
CN114842262A (zh) 融合线路通道正射影像的激光点云地物自动识别方法
CN117253150A (zh) 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统
CN115841633A (zh) 一种电力塔和电力线关联矫正的电力塔和电力线检测方法
CN113822361A (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
CN111178175A (zh) 基于高景卫星影像的自动化建筑物信息提取方法及系统
CN114119634B (zh) 结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统
CN116843938A (zh) 一种高空间分辨率遥感图像的混合分类方法
Sukumar et al. A Robust Vision-based Lane Detection using RANSAC Algorithm
CN115841632A (zh) 输电线路提取方法、装置以及双目测距方法
CN114924260A (zh) 一种多激光雷达点云配准方法
CN112884026B (zh) 一种图像识别辅助的输电线路激光LiDAR点云分类方法
CN110211124B (zh) 一种基于MobileNetV2的红外成像结冰湖泊检测方法
CN113095309A (zh) 一种基于点云的道路场景地面标识物的提取方法
CN111680565B (zh) 一种基于sar图像的港口区域舰船目标检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211126