復(fù)雜背景輸電線圖像中部件邊緣提取算法研究.pdf

1、輸電線巡檢可以發(fā)現(xiàn)線路中存在的安全隱患，避免重大電力事故的發(fā)生，對(duì)電力系統(tǒng)的正常運(yùn)行起著重要作用。直升機(jī)巡檢輸電線是國(guó)家智能電網(wǎng)的重要組成部分，可以降低傳統(tǒng)人工巡檢輸電線的工作量，提高巡線效率和準(zhǔn)確率。隨著計(jì)算機(jī)視覺(jué)技術(shù)的快速發(fā)展，使工作人員從對(duì)海量航空輸電線圖像的人工判讀任務(wù)中解放出來(lái)成為可能，各種用于輸電線圖像處理的技術(shù)應(yīng)運(yùn)而生。邊緣檢測(cè)技術(shù)是一種重要的圖像處理技術(shù)，一方面，邊緣檢測(cè)技術(shù)的研究具有重要的理論意義，它對(duì)邊緣檢測(cè)理論是一

2、種有益的補(bǔ)充。另一方面，邊緣檢測(cè)技術(shù)的研究對(duì)提高直升機(jī)巡線的智能化水平有著重要的現(xiàn)實(shí)意義。準(zhǔn)確高效的輸電線部件邊緣提取大大降低后續(xù)任務(wù)處理的難度，為線路部件識(shí)別和缺陷診斷提供可靠的依據(jù)。
　　 由于航空輸電線圖像存在著復(fù)雜的自然背景，表現(xiàn)為輸電線和背景之間對(duì)比度較低、存在大量噪聲、偽目標(biāo)和一定程度的紋理不一致性等問(wèn)題，使得現(xiàn)有的邊緣檢測(cè)算法很難獲得滿意的結(jié)果。本課題以航空輸電線圖像為重點(diǎn)研究對(duì)象，在對(duì)傳統(tǒng)邊緣檢測(cè)算法進(jìn)行深入研究

3、的基礎(chǔ)上，創(chuàng)新性地提出了如下四種邊緣檢測(cè)算法。
　　 1.傳統(tǒng)邊緣檢測(cè)算法大多只利用灰度梯度作為圖像的邊緣特征，在處理具有復(fù)雜背景的航空輸電線圖像時(shí)容易漏檢弱邊緣，對(duì)噪聲有較差的抑制能力。針對(duì)此問(wèn)題，通過(guò)對(duì)大量輸電線紋理特征的分析發(fā)現(xiàn)，輸電線部件和背景之間存在明顯的紋理差異，基于此，構(gòu)造了基于紋理特征差異的邊緣檢測(cè)算子來(lái)確定輸電線候選邊緣點(diǎn)。然后，借鑒傳統(tǒng)邊緣檢測(cè)算法的步驟，即閾值去噪和邊緣連接，提出一種基于紋理特征的邊緣檢測(cè)算

4、法(SWIFTS算法)。實(shí)驗(yàn)結(jié)果表明，和Ratio算法相比，SWIFTS算法可以更完整地提取輸電線部件邊緣，更有效地保留輸電線斷股處邊緣的彎曲信息，具有更強(qiáng)的抑制噪聲的能力。
　　 2.噪聲抑制能力和邊緣定位精度是Canny邊緣檢測(cè)算法中的一對(duì)矛盾，在處理具有復(fù)雜背景的航空輸電線圖像時(shí)這對(duì)矛盾尤為突出。Canny算法利用高斯函數(shù)來(lái)近似Canny三準(zhǔn)則下的最優(yōu)離散邊緣檢測(cè)模板，通過(guò)尺度參數(shù)σ來(lái)調(diào)節(jié)這一對(duì)矛盾，但是這對(duì)矛盾仍然存在。

5、為了更好地平衡這對(duì)矛盾，本文將修正的(r)密度函數(shù)作為邊緣檢測(cè)核函數(shù)，同時(shí)引入邊緣保持參數(shù)ε，使得這一對(duì)矛盾可以相互獨(dú)立地進(jìn)行調(diào)節(jié)。結(jié)合對(duì)輸電線圖像紋理特征的分析，論文提出一種基于紋理特征和(r)分布的邊緣檢測(cè)算法(TGA算法)。理論分析以及一維信號(hào)上的實(shí)驗(yàn)表明，對(duì)于給定的抑制噪聲的能力，本文算法具有更高的邊緣定位精度;在復(fù)雜背景的航空輸電線圖像上，本文算法取得了較好的邊緣檢測(cè)結(jié)果。
　　 3.TDAC主動(dòng)輪廓模型在檢測(cè)紋理目標(biāo)

6、邊緣時(shí)易陷入局部極小值、對(duì)初始輪廓的位置較為敏感以及基于梯度下降流的數(shù)字最小化方法會(huì)降低曲線的收斂速度、增加算法的時(shí)間復(fù)雜度。本文充分利用圖像的紋理信息，在全局最小主動(dòng)輪廓的框架下提出一種基于主成分分析(PCA)優(yōu)化紋理特征的全局最小主動(dòng)輪廓模型(PCA-GMTD模型)。該模型首先用GLCIA算法快速地計(jì)算灰度共生矩陣，提取目標(biāo)的紋理特征，將提取的紋理特征聚類為強(qiáng)紋理特征和弱紋特征理兩類，然后用PCA有選擇地優(yōu)化弱紋理特征，將優(yōu)化結(jié)果中

7、的前幾個(gè)主成分和第一類強(qiáng)紋理特征相結(jié)合形成最終的特征空間。最終的紋理特征空間既能保證有較強(qiáng)的紋理區(qū)分能力，又能保證有足夠多的紋理特征數(shù)量，可以有效地區(qū)分低對(duì)比度紋理目標(biāo)。實(shí)驗(yàn)結(jié)果證明，PCA-GMTD模型在處理具有低對(duì)比度、強(qiáng)噪聲的復(fù)雜航空絕緣子圖像時(shí)能夠獲得較理想的邊緣檢測(cè)結(jié)果，與ACWE模型、TDAC模型和FGMAC模型相比，具有較高的邊緣檢測(cè)精度和較快的收斂速度。
　　 4.Xie提出的主動(dòng)輪廓模型在檢測(cè)紋理不一致目標(biāo)的邊

8、緣時(shí)，同一紋理目標(biāo)不同紋理區(qū)域容易被檢測(cè)出不同的邊緣的問(wèn)題。針對(duì)這一問(wèn)題，本文首先用半局部算子提取圖像的紋理特征，然后利用輪廓線內(nèi)外紋理特征分布的差異來(lái)構(gòu)造能量函數(shù)，用以驅(qū)動(dòng)輪廓線的演化。最后，在GMAC框架下提出基于半局部紋理特征分布的全局最小主動(dòng)輪廓模型(STD-GMAC模型)。模型最小化求解時(shí)采用變分對(duì)偶規(guī)則技術(shù)，使得該模型能夠快速收斂到全局極小值。與Xie模型的實(shí)驗(yàn)比較表明，STD-GMAC模型更好地解決了不一致紋理目標(biāo)的邊緣檢