基于切比雪夫多项式描述子的复杂背景下输电线路提取方法

摘要

本发明公开了一种基于切比雪夫多项式描述子复杂背景下的输电线路提取算法，其包括：对输入图像进行预处理，利用随机Hough变换提取图像中的直线和曲线，利用切比雪夫多项式描述子的曲线描述优势，对所提取的对象进行特征描述，并通过K‑means聚类分析方法来训练视觉字典，通过视觉字典的比对，提取图像中的输电线路。本发明能有效提高复杂背景下的输电线路提取的精度。

说明书

技术领域

本发明涉及电力系统、模式识别及分类领域，尤其是特定目标的分类与检测。

背景技术

在电力系统中，架空线路输电是电力工业发展以来所采用的主要输电方式。依赖于人工对输电线路进行巡检和维护的方式不仅效率低、成本高，而且存在着很大的安全性问题。随着智能技术的发展，利用计算机视觉和图像处理技术对输电线路的进行检测，在保障电力系统的安全运行方面具有非常重要的作用。由于图像数据获取易受到传感器、拍摄环境、拍摄角度等多种因素的影响，所获得的图像都不是单纯的输电线路，大多含有复杂的背景，研究复杂背景下的输电线路的提取算法具有重要的意义。

近期，研究者们提出了许多在可见光图像中利用计算机视觉和图像处理技术来识别提取输电线路的算法。文献(“李朝阳，阎广建等.高分辨率航空影像中高压电力线的自动提取[J],中国图象图形学报,2007,12(6):1041-1047.”)提出了一种在复杂自然背景条件下,用Ratio算子和分段Radon变换从航空影像中自动提取550kV高压电力线的算法，该方法能自动提取复杂自然背景下的高压电力线，但该方法所处理是高空拍摄的影像，电力线程直线状，无法提取具有程具有较大曲率的曲线状电力线；文献(“李彩林，冯朝晖等.复杂地物背景下的电力线提取方法[J]，计算机工程与应用，2016,52(22):198-202.”)在利用Canny算子提取图像边缘、Hough变换生成破碎直线段的基础上提出一种根据电力线的几何特征恢复完整电力线的算法,该算法可以无人机航拍影像中提取出完整的电力线，但该方法所处理是高空拍摄的影像，只能提取直线状的电力线，无法提取曲线状电力线；文献(“张少平，杨忠等.基于特征检测的航拍图像电力线提取方法[J],应用科技，2012，39(5):36-39.”)在分析输电线路无人机巡检系统航拍图像中电力线特征的基础上，运用Ratio算子和Hough变换，提出一种基于特征检测的电力线提取算法，但该方法所处理是无人机拍摄的影像，只能提取直线状的电力线，无法提取曲线状电力线；文献(“Qirong Ma,DarrenS.Goshi,Yi-Chi Shih,Ming-Ting Sun,An Algorithm for Power Line Detection andWarning Based on a Millimeter-Wave Radar Video[J],IEEE Transactions on ImageProcessing,2011,20(12):3534-3543.”)提出了一种基于Hough变换和支持向量机(SVM)的输电线路检测算法，将该算法用于检测毫米波雷达所获取的视频图像，但该方法无法处理存在复杂背景的可见光图像中的电力线提取问题；文献(“Wei Song,Xiaorui Hu,Jin Fu,Qing Zhou,Ting Zhou,Pengju Si,The Method of Hybrid-laser Image Spot ExtractsBased on HSV Space SVD for Power Transmission Line Detection[C],2016IEEEInternational Conference on Information and Automation(ICIA),2016,1361-1364”)利用多个激光器用于定位，提出了一种基于HSV空间奇异值分解的输电线路检测算法，用于复杂环境和背景条件下的输电线路检测，但该方法仍无法处理曲线状电力线提取问题；

现有大多数的已有的电力线检测工作侧重于直线检测，并不能应用于具有较大曲率电力线图像的检测；同时，但在复杂背景中提取电力线还是存在提取的电力线断裂不完整、算法复杂不稳定等不足之处。

发明内容

本发明为克服上述现有技术的不足之处，提供一种基于切比雪夫多项式描述子复杂背景下的输电线路提取算法，以期能克服复杂背景对电力线检测的影响，并能够检测和提取曲线状电力线，从而能可以精确地提取复杂背景下的输电线路。

本发明为解决技术问题所采用的技术方案是：

本发明一种基于切比雪夫多项式描述子的复杂背景下输电线路提取方法的特点是按如下步骤进行：

步骤1、采集输电线路上的若干幅电力线图像，并进行中值滤波和直方图均衡化的预处理，得到若干幅预处理后的电力线图像；再利用阈值分割法对所述预处理后的电力线图像进行处理，得到若干幅二值图像，记任意一幅二值图像为当前图像；

步骤2、采用随机Hough变换对所述当前图像中的曲线进行检测，得到若干条曲线，记任意一条曲线为C；

步骤3、利用切比雪夫多项式描述子对所述曲线C进行特征表示，得到m阶切比雪夫多项式描述子，记为T_C＝(a₀,a₁,…,a_m-1,b₀,b₁,…,b_m-1)；a₀,a₁,…,a_m-1表示所述曲线C的横坐标函数按照切比雪夫多项式展开后的系数，b₀,b₁,…,b_m-1表示所述曲线C的纵坐标函数按照切比雪夫多项式展开后的系数；

步骤4、利用机器学习方法训练电力线的视觉字典：

步骤4.1、随机初始化K个中心点表示第i个中心点，i＝1,2,…,K；

步骤4.2、计算所述曲线C的m阶切比雪夫多项式描述子T_C到第i个中心点的距离从而得到样本点到K个中心点的距离{d₁,d₂,…,d_i,…,d_K}；从所述距离{d₁,d₂,…,d_i,…,d_K}中选取最小值并将样本点T_C归类到最小值所对应的类中；而将所有曲线归类到相应的类中，并得到K个类；

步骤4.3、计算所述K个类的中心点并与原始K个中心点进行比较，若均相同，则执行步骤4.4；否则，将计算得到的K个类的中心点赋值给所述K个中心点进行更新后，返回步骤4.2；

步骤4.4、计算所述K个类的中心点中每个类的平均值，得到平均值向量表示第i个类的平均值；

步骤4.5、利用式(1)得到电力线的视觉字典L：

式(1)中，μ_i为第i个类的匹配阈值，匹配阈值μ_i为第i个类中所有m阶切比雪夫多项式描述子与第i个类的平均值之间差值的最大模；

步骤5、通过字典匹配，消除非电力线特征：

步骤5.1、获取输电线路上的另一幅电力线图像作为测试图像，并按照步骤1至步骤3进行处理，得到所述测试图像中n条曲线的m阶切比雪夫多项式描述子，记为{T⁽¹⁾,T⁽²⁾,…,T^(j),…,T⁽ⁿ⁾}；T^(j)表示所述测试图像中第j条曲线的m阶切比雪夫多项式描述子，1≤j≤n；

步骤5.2、初始化j＝1；

步骤5.3、初始化i＝1；

步骤5.4、将第j条曲线的m阶切比雪夫多项式描述子T^(j)与第i个类的平均值相减后得到的差值与第i个类的匹配阈值μ_i相比较，若差值小于等于匹配阈值μ_i，则表示第j条曲线的m阶切比雪夫多项式描述子T^(j)属于第i个类，执行步骤5.5；否则，表示第j条曲线的m阶切比雪夫多项式描述子T^(j)不属于第i个类，执行步骤5.6；

步骤5.5，判断j＞n是否成立，若成立，则表示测试图像与所述视觉字典L匹配完成，得到更新后的m阶切比雪夫多项式描述子所对应的p条曲线作为电力线；否则，将j+1赋值给j后，返回步骤5.3；

步骤5.6，判断i＞K是否成立，若成立，则表示第k条曲线的m阶切比雪夫多项式描述子T^(j)不属于任何一个类，并从n条曲线的m阶切比雪夫多项式描述子中删除第j条曲线的m阶切比雪夫多项式描述子T^(j)后，将j+1赋值给j，执行步骤5.3；否则，将i+1赋值给i后，返回步骤5.4。

与已有的技术相比，本发明的有益效果体现在：

1、本发明首先对输入图像进行预处理，利用随机Hough变换提取图像中的直线和曲线，利用切比雪夫多项式描述子的曲线描述优势，对所提取的对象进行特征描述，并通过K-means聚类分析方法来训练视觉字典，通过视觉字典的比对，提取图像中的输电线路，从而有效提高了复杂背景下的输电线路检测的精度。

2、本发明采用随机Hough变换对图像进行检测，可以有效地提取提取图像中的直线和曲线；

3、本发明采用切比雪夫多项式描述子对开曲线和直线进行描述，可以对所描述的对象进行有效的特征表示；

4、本发明采用机器学习中K-means聚类分析方法来训练视觉字典，模型训练环节简单，同时样本的多样性也提高了对不同场景的适应性，通过字典匹配，从而提高了输电线路检测的精度。

附图说明

图1是本发明的算法流程图。

具体实施方式

本实施例中，如图1所示，一种基于切比雪夫多项式描述子的复杂背景下输电线路提取方法，是对输入图像进行预处理，利用随机Hough变换提取图像中的直线和曲线，利用切比雪夫多项式描述子的曲线描述优势，对所提取的对象进行特征描述，并通过K-means聚类分析方法来训练视觉字典，通过视觉字典的比对，提取图像中的输电线路，具体是按如下步骤进行：

步骤1、采集输电线路上的若干幅电力线图像，并进行中值滤波和直方图均衡化的预处理，中值滤波可以克服边缘模糊和噪声等问题，可以较好地保留输电线路的边缘信息；利用直方图均衡化来增强图像的对比度，得到若干幅预处理后的电力线图像；再利用阈值分割法对预处理后的电力线图像进行处理，得到若干幅二值图像，记任意一幅二值图像为当前图像；

步骤2、采用随机Hough变换对当前图像中的曲线进行检测，随机Hough变换在提取边缘像素时采用的是一种随机的方法，效率高，同时对图像的噪声更鲁棒，得到若干条曲线，记任意一条曲线为C；

步骤3、利用切比雪夫多项式描述子对曲线C进行特征表示，得到m阶切比雪夫多项式描述子，记为T_C＝(a₀,a₁,…,a_m-1,b₀,b₁,…,b_m-1)；a₀,a₁,…,a_m-1表示曲线C的横坐标函数按照切比雪夫多项式展开后的系数，b₀,b₁,…,b_m-1表示曲线C的纵坐标函数按照切比雪夫多项式展开后的系数；

切比雪夫多项式描述子具有很强的开曲线表示能力、准确性和稳定性高，计算简单等优点，切比雪夫多项式定义为

P₀(t)＝1,P₁(t)＝t，P_m(t)＝2tP_m-1(t)-P_m-2(t),m＝2,3,...

一维函数f(t)可展开为

实际中，为了实现可计算性，一般取前m项作为f(t)的近似值，即

一个开曲线C的参数方程可以表示为Z(t)＝(x(t),y(t),t∈[0,L])，其中x(t)与y(t)表示长度为t时的曲线横坐标和纵坐标，是关于长度t的函数，L是曲线的总长度。x(t)与y(t)可以看成是两个一维函数，按照切比雪夫多项式展开为

其中系数a_i(i＝0,1,…,m-1),b_i(i＝0,1,…,m-1),称为曲线C的切比雪夫多项式描述子(CPDs)记为T_C＝(a₀,a₁,…,a_m-1,b₀,b₁,…,b_m-1)。

步骤4、利用机器学习中K-means聚类分析方法训练电力线的视觉字典：

步骤4.1、随机初始化K个中心点表示第i个中心点，i＝1,2,…,K；

步骤4.2、计算曲线C的m阶切比雪夫多项式描述子T_C到第i个中心点的距离表示向量的2范数，从而得到样本点到K个中心点的距离{d₁,d₂,…,d_i,…,d_K}；从所得距离{d₁,d₂,…,d_i,…,d_K}中选取最小值并将样本点T_C归类到最小值所对应的类中；而将所有曲线归类到相应的类中，并得到K个类；

步骤4.3、计算步骤4.2所得K个类的中心点并与原始K个中心点进行比较，若均相同，则执行步骤4.4；否则，将计算得到的K个类的中心点赋值给K个中心点进行更新后，返回步骤4.2；

步骤4.4、计算K个类的中心点中每个类的平均值，得到平均值向量表示第i个类的平均值；

步骤4.5、利用式(1)得到电力线的视觉字典L：

式(1)中，μ_i为第i个类的匹配阈值，匹配阈值μ_i为第i个类中所有m阶切比雪夫多项式描述子与第i个类的平均值之间差值的最大模；

步骤5、通过字典匹配，消除非电力线特征：

步骤5.1、获取输电线路上的另一幅电力线图像作为测试图像，并按照步骤1至步骤3进行处理，得到测试图像中n条曲线的m阶切比雪夫多项式描述子，记为{T⁽¹⁾,T⁽²⁾,…,T^(j),…,T⁽ⁿ⁾}；T^(j)表示测试图像中第j条曲线的m阶切比雪夫多项式描述子，1≤j≤n；

步骤5.2、初始化j＝1；

步骤5.3、初始化i＝1；

步骤5.4、将第j条曲线的m阶切比雪夫多项式描述子T^(j)与第i个类的平均值相减后得到的差值与第i个类的匹配阈值μ_i相比较，若差值小于等于匹配阈值μ_i，则表示第j条曲线的m阶切比雪夫多项式描述子T^(j)属于第i个类，执行步骤5.5；否则，表示第j条曲线的m阶切比雪夫多项式描述子T^(j)不属于第i个类，执行步骤5.6；

步骤5.5，判断j＞n是否成立，若成立，则表示测试图像与视觉字典L匹配完成，得到更新后的m阶切比雪夫多项式描述子所对应的p条曲线作为电力线；否则，将j+1赋值给j后，返回步骤5.3；

步骤5.6，判断i＞K是否成立，若成立，则表示第k条曲线的m阶切比雪夫多项式描述子T^(j)不属于任何一个类，并从n条曲线的m阶切比雪夫多项式描述子中删除第j条曲线的m阶切比雪夫多项式描述子T^(j)后，将j+1赋值给j，执行步骤5.3；否则，将i+1赋值给i后，返回步骤5.4。

通过步骤5的匹配，就可以排除大多数非输电线路的特征，留下所有输电线路的特征，达到输电线路检测的目的。