| 标题 | 基于局部自适应阈值分割算法的高压线图像检测方法 |
| 范文 | 安妮 摘要：采用数字图像处理技术，针对高压线及其环境图像的特点，提出一种基于局部自适应阈值分割算法的高压线图像检测方法。利用灰度图像特性，采用图像算术运算方法去除图像背景，以降低后续处理的难度。在检测高压线和滤除“虚假边缘”时，采用图像局部自适应阈值分割算法，弥补Hough变换算法的不足。实验结果表明，该算法能在复杂背景中对高压线进行有效识别。 关键词：高压线检测；图像算术运算；局部分割；自适应阈值；数字图像处理 DOIDOI：10.11907/rjdk.151512 中图分类号：TP317.4 文献标识码：A 文章编号文章编号：16727800（2015）008019304 0 引言 近年来，我国电网发展迅速，但在解决电网发展滞后的同时，密集的高压线群对直升机飞行安全带来的威胁也越来越大[1]。据国外相关统计，每10 000 h飞行中，直升机平均会发生10次事故。其中，因与高压线碰撞引起事故占比约70%[2]。目前，很多国家开展了高压线辨识研究工作。如研制红外探测器、电磁场探测器、近地告警系统、毫米波雷达、激光雷达以及安装于电力线铁塔上的探测仪等[3]。近年来，国内相关研究大多利用毫米波段高压线的RCS电磁散射特性和如群组性等进行高压线检测，南京理工大学、华南理工大学、哈尔滨工业大学、中电十所和中电二十七所等在该领域取得了丰富成果。但该方法对硬件设备依赖性强，使用不同探测器效果不同，而探测器价格昂贵，无形中提高了设备的成本。 本文将数字图像处理技术应用于高压线识别。随着图像增强、边缘检测和特征目标提取等技术的发展，图像处理技术已广泛应用于航空航天、生物医学工程、通信工程、工业和工程、军事等领域[4]。中国专利公开号CN101806888B（公开日2012年9月5日）记载了一种“基于图像处理的高压线识别方法” [5]。中国专利公开号CN102930280A（公开日2013年2月13日）即为一种“红外图像中自动识别架空高压线的方法”[6]。 1 高压线图像检测技术 高压线识别容易受树木、房屋等障碍物的影响。因此，要在复杂背景中识别出高压线，首先需要进行背景过滤。但图像中高压线直径属于毫米级，在图像中所占像素比例不高，如果直接去除背景，很容易丢失部分高压线信息，因此需要增强背景和高压线之间的差异。此外，不可见细节信息同样会对边缘检测算法产生影响，从而产生大量的“虚假边缘”和噪音，所以需要对图像进行“虚假边缘”和噪声过滤处理。 去除背景前，图像增强将增大图像灰度级的动态变化 范围，提高图像整体对比度，并且抑制背景，尤其是像对素较低、覆盖区域较大的背景，如树木、房屋等。虽然高压线的像素不高，但在图像处理过程中还是得到了增强，其原因在于高压线与其所处环境的像素差较高。针对此特点，利用图像算术加法运算找出背景。其原理是依据像素灰度值，保留属于背景的像素点，过滤掉不属于背景的像素点。对树木、房屋等像素值较低的背景像素点而言，像素值增加一倍并不会使其超出图像最大灰度级，所以这些像素点将被保留下来。经过图像算术加法运算后，可找出待过滤的背景，但此时背景图像灰度值已增加一倍，所以需要先降低背景像素值，再利用增强后的图像和已降低像素值的背景图像之间的差异性进行背景过滤。 2 图像局部自适应阈值分割算法模型 常用的高压线检测方法Hough变换算法能准确检测出目标直线，在图像处理中得到广泛应用。但其将图像中的每一个边缘点映射到参数空间相应的曲线中，再在累加器中对满足条件的点进行累加，其时间复杂度和空间复杂度可以近似地认为T（n）=O（n3）和S（n）=O（n2），所以该方法计算量大，需预存参数空间，一定程度上浪费存储资源。本文利用目标高压线和背景“虚假边缘”在灰度特征上的差异性特征，提出一种基于局部自适应阈值分割的方法。分析目标高压线和背景“虚假边缘”的图像灰度特征，利用自适应阈值算法，将图像灰度级分为两大类。使用3*3小窗口进行阈值分割，且该小窗口能逐像素滑动，直至遍历整个图像。最后，每个像素点的阈值判断均与该点周围环境紧密相连，而不是对单个像素点进行判断。 2.1 自适应阈值计算 阈值采用常用的最大类间方差法来计算，其具体算法原理如下：设图像有L个灰度级，灰度值是i的像素数为ni，则总像素数N=∑L-1i=0ni，各灰度值出现的概率为pi=ni/N。显然，∑L-1i=0pi=1；设阈值为t，将图像分割成2个区域，即将灰度级分为两类，背景类A=（0，1，……，t）和目标类B=（t +1，t +2，……，L-1）；两类灰度出现的概率分别为： 2.2 局部阈值分割 计算阈值后，使用局部阈值分割方法进行高压线检测和“虚假边缘”过滤。传统阈值分割方法[7]是对图像中的每一个像素进行阈值分析，将该点像素值与阈值进行比较，判断该点是目标还是背景。如式（8）、（9）： 本文提出一种新的局部自适应阈值分割算法，其中局部的含义是在图像中逐像素滑动的小窗口，自适应阈值表示该算法能够根据每一幅图像计算出一个适合该图像的阈值，阈值计算方法采用最大类间方差法，基本思路如下： 如式（10）、（11）所示，利用预设像素大小的窗口（如3*3）在图像中逐像素滑动，直到遍历整个图像，在每个窗口对应的图像子区域中，计算窗口内所有像素的像素值总和sum，若sum大于或等于阈值，令窗口正中间的像素值为1；否则，令窗口正中间的像素值为0，0表示背景，1表示目标。 3 基于局部自适应阈值分割算法的高压线图像检测 基于局部自适应阈值分割算法的高压线图像检测步骤如下：①对灰度转换后的图像进行增强，依次进行背景过滤、边缘检测，得到目标候选区域；②计算图像局部自适应阈值，并对目标候选区域进行阈值分割找出目标边缘；③对图像进行中值去噪，得到最终检测的高压线像素集合；④在原图上标示出高压线所在位置。流程如图1所示。 3.1 高压线灰度图像处理 由于天气、雾霾等导致光线不充足时，可能使得高压线像素过低，与周边物体像素差过小。如果采用彩色图像分割方法，很有可能将部分高压线误判为建筑物，从而失去部分信息。目前，大多数设备采集到的图像为32位真彩色图像，若直接使用，则每一位像素都需要进行3次计算，计算量较大，不能满足实时系统的有关要求。而灰度图像只有8位，计算量仅为彩色图像的1/3。此外，对于高压线而言，并不需要额外的彩色信息。灰度处理后的图像如图2所示。 图1 基于局部自适应阈值分割算法的高压线图像检测流程 3.2 图像增强 经过灰度转换后，图像灰度动态变化范围有所降低，同时增添了其它额外信息，使得图像质量下降。因此，采用线性变换方法增强图像，使用线性变换方法扩大图像中不同物体间的特征差异，从而突出图像中背景信息，同时削弱其它不需要的信息[8]。如图3所示，增强后的图像突出了树木等背景信息，削弱了背景中的细节信息，方便后续背景过滤。 3.3 背景过滤 首先，使用图像算术运算加法操作找到图像背景。对图像的每一个像素进行乘2操作，得到图像背景。若计算结果超出灰度值最大值，则使计算结果为灰度值最大值；若计算结果小于灰度值最小值，则使计算结果为灰度值最小值。然后，使用图像算术运算除法和减法过滤图像背景。将经过算术运算加法操作后的图像除以2，再将增强后的图像减去该图像，得到去除背景后的图像。若计算结果超出灰度值最大值，则使计算结果为灰度值最大值；若计算结果小于灰度值最小值，则使结果为灰度值最小值。 利用灰度图像特性，采用图像算术运算方法进行去除背景。从图4可以看出，经过加法运算后，已找出图像背景，再对图像进行减法运算，过滤图像中的复杂背景。 3.4 边缘检测 常用边缘检测算法有Sobel算子、Robert算子、Log算子和Canny算子等。根据高压线图像呈水平边缘的特点，采用3x3水平sobel算子模板，使其与已过滤背景的图像进行卷积，实现图像边缘检测，突出水平边缘的灰度值。Sobel使用的算子模板如图5所示。 一幅图像高阶比特面会携带大量的可见相关细节，低阶比特面则分布一些细小的细节，而这些细节通常是视觉感觉不到的[9]。图像经过算术运算后会留下大量不可见细节，且图像质量越差，不可见细节越多。边缘检测只能检测特定的边缘，边缘检测后，这些细节也会强烈响应sobel算法，如图6所示，存在大量“虚假边缘”。 3.5 阈值分割 利用最大类间方差法阈值算法和局部阈值分割方法，对图像进行分割处理。如图7所示，大量“虚假边缘”已经被过滤，同时保留了高压线，但有少量噪声需要过滤。采用此方法，时间复杂度T（n）=O（n2），低于Hough变换算法的T（n）=O（n3）；空间复杂度和Hough变换算法一样，同为S（n）=O（n2）。实际中，本算法只需消耗用于存储结果的图像空间和用于存储部分变量的空间，而Hough变换算法还要存储一维数组累加器，所以本算法消耗的存储空间少于Hough变换算法。局部自适应阈值分割后的图像如图7所示。 3.6 中值滤波 中值滤波具有非常优秀的去噪能力，尤其是对孤立点。先在像素的滤波窗口内进行统计排序，用领域内像素灰度中值替代该像素值。该方法其实是强制将该像素点的值取为滤波窗口的中间亮度，图像经局部自适应阈值分割算法后像素值已经二值化。所以，在经过中值滤波时，如果该点为孤立点，则该点的像素值将位于统计排序的两边，中值滤波取滤波窗口的中间亮度，该点会被滤掉，如图8所示。 3.7 彩色图像的高压线目标显示 在原图中除高压线外，还包含其它信息。为方便相关人员对环境有一个整体判断，可用红色像素在原图上标示出高压线所在位置（黑白效果见图9），不仅能更加明确高压线的位置，而且不容易忽视树木、房屋等其它障碍物信息。 4 实验结果 在Matlab 7.0 环境中，通过编程实现了上述方法。首先，经过Sobel算子边缘检测后，图像检测到高压线，产生了大量“虚假边缘”。采用图像局部自适应阈值分割算法对这些边缘进行过滤，效果较好。然后，对图像进行中值滤波去除孤立点。最后，使用红色像素在原图上标示出高压线所在的位置，方便操作人员把握高压线的位置，同时不容易忽视障碍物。 5 结语 本文在分析高压线及其环境图像特性的基础上，采用图像算术运算方法和局部自适应阈值分割算法进行复杂背景的过滤及高压线提取，并最终在原图上标示出高压线的位置。本方法计算量小、速度快，能有效过滤复杂背景和噪音。 参考文献： [1] 郑天茹，王滨海.电力巡线无人直升机障碍规避系统[J].山东电力技术，2012（1）：1417. [2] 徐艳国.直升机防撞雷达关键技术及发展趋势[J].现代雷达，2011，33（2）：912. [3] 王家秀.直升机载毫米波防撞系统技术研究[D].南京：南京理工大学，2011. [4] 贺东霞，李竹林，王静.浅谈数字图像处理的应用与发展趋势[J].延安大学学报：自然科学版，2013，32（4）：1821. [5] 孟华东.基于图像处理的高压线识别方法[P].中国，CN101806888B，201295. [6] 俞鸿波.从红外图像中自动识别架空高压线的方法[P].中国，CN102930280A，2013213. [7] 谢鹏鹤.图像阈值分割算法研究[D].湘潭：湘潭大学，2012. [8] 余章明，张元，廉飞宇，陈得民，王红民.数字图像增强中灰度变换方法研究[J].电子质量， 2009（6）：1820. [9] 冈萨雷斯.数字图像处理[M].阮秋琦，译.北京：机械工业出版社，2003：86. （责任编辑：陈福时） |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。