[發明專利]面向電力設施的圖像邊緣檢測方法及系統

在審

• 申請號: 201610108566.5
• 申請日: 2016-02-26
• 公開（公告）號: CN105701835A
• 公開（公告）日: 2016-06-22
• 發明（設計）人: 王震宇;周輝;于彬
• 申請（專利權）人: 華北電力大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06Q50/06
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 朱琨

技術領域

本發明屬于計算機圖像處理技術領域，尤其涉及一種面向電力設施的圖像 邊緣檢測方法及系統。

背景技術

在眾多對電力設施的不利影響中，覆冰就是對電氣設備影響最為嚴重一項。 輸電線路等電氣設備在覆冰嚴重的情況下會造成很多的危害，例如桿塔的傾倒、 桿塔變形、導線斷裂、絕緣子損壞和閃絡等。

相關技術中的邊緣檢測方法在檢測圖像邊緣時，需要消耗大量的時間，滿 足不了實時性的要求，并且提取邊緣的準確度較低。

發明內容

為了能夠填補現有電力設施異常事件檢測系統如覆冰邊緣檢測的空白，并 解決圖像邊緣檢測過程耗時較長、準確性不高的問題，本發明提出了一種面向 電力設施的圖像邊緣檢測方法及系統。

方法包括：

步驟1、獲取電力設施圖像數據I(x,y)；

步驟2、將上述圖像進行圖像預處理，包括圖像灰度化、圖像增強、直方圖 均衡化、中值濾波以及采用閾值分割改進算法對圖像進行分割，得到預處理后 的灰度圖像數據J(x,y)；

步驟3、通過雙結構化的結構森林改進算法對圖像邊緣進行檢測。

所述采用閾值分割改進算法對圖像進行分割，具體包括：

將閾值分割算法和傳統的邊緣檢測算子兩者結合在一起，通過傳統的邊緣 檢測算子能夠快速并且清晰的檢測出輸電線路覆冰的邊緣，而通過閾值分割算 法，則能夠將輸電線路內部的紋理狀況忽略掉，方便對于輸電線路覆冰的厚度 測量。

所述通過雙結構化的結構森林改進算法對圖像邊緣進行檢測，具體包括：

在線性離散空間中，對于各種算法的輸入和輸出都進行結構化的定義；

對于隨機森林的輸出值Y，采用結構化學習的方法將一個像素點及其周圍 分布的點組合在一起，組成一個區域Z；

將輸電線路覆冰圖片作為輸入，提取輸入圖片中的結構和紋理信息，通過 模型訓練和隨機森林邊緣檢測得到線路邊緣輸出信息，然后通過結構化學習的 方法得到最后的輸電線路覆冰邊緣檢測圖像。

進一步的，按照以下方式將一個像素點及其周圍分布的點組合在一起：∏:Y→Z。其中，Y是一個包含16×16個像素點的結構化輸出值，通過上式的處理，將16×16這個區域內的各個像素點的信息轉變成Z；Z是一個的二進制變量，里面包含了Y中的每一個像素點的二進制編碼信息，并且Z是一個多維的矢量；對Z進行降維時需滿足以下公式：其中p^*為結構森林的泛化誤差；s是樹的分類強度，p為樹之間的平均相關系數。

進一步的，將結構森林改進算法中的每一棵決策樹都看做是一個弱分類器， 采用遞歸的方法獨立進行訓練；對于到達節點的輸電線路圖像的訓練樣本集Ω， 計算得到一個分類準則h(x,Θ)，按照下式計算分類準則： h(x,Θ)＝δ(φ^T(x)ψ(x)＞0)，x∈R^M表示訓練樣本，Θ＝[φ,ψ]為弱分類器的參數， 其中Θ(·)為篩選函數，ψ為參數列向量或者參數矩陣，Θ決定了弱分類器的分 類超曲面形式，δ是一個指示函數；

當訓練樣本滿足h(x,Θ)小于設定閾值時，它落入左子節點；反之，則落入 右子節點；遞歸上述過程直到落入節點的樣本個數少于閾值，或者樣本純度大 于閾值；此時，這個節點成為葉子節點，否則，在每個節點處要尋找最優的系 數Θ^*使訓練樣本分類后的信息增益最大化；將訓練后所有的葉子節點組合在一 起，就構成了輸電線路訓練得到的分類器和模型。

系統包括依次相連的獲取模塊、預處理模塊、邊緣檢測模塊；

獲取模塊：用于獲取電力設施圖像數據I(x,y)；

預處理模塊：用于對上述電力設施圖像數據I(x,y)繼續進行灰度化、直方圖 均衡化、圖像濾波以及圖像分割，得到預處理后的圖像數據J(x,y)；

邊緣檢測模塊：用于對上述預處理后的圖像數據J(x,y)進行邊緣的提取。

所述預處理模塊包括依次相連的灰度化單元、直方圖均衡化單元、圖像濾 波單元、圖像分割單元：

灰度化單元：利用加權平均法將攝像機獲取的電力設施彩色圖像轉換為灰 度圖像，最大限度突出圖像的紋理邊緣和整體特性；