面向電力設施的圖像邊緣檢測方法及系統的制作方法
【技術領域】
[0001] 本發明屬于計算機圖像處理技術領域，尤其設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】
[0002] 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。
[0003] 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】
[0004] 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。
[0005] 方法包括：
[0006] 步驟1、獲取電力設施圖像數據Kx, y);
[0007] 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W及采用闊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);
[000引步驟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。
[0009] 所述采用闊值分割改進算法對圖像進行分割，具體包括：
[0010] 將闊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，而通過闊值分割算法，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。
[0011] 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：
[0012] 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；
[0013] 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;
[0014] 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。
[0015] 進一步的，按照W下方式將一個像素點及其周圍分布的點組合在一起：n :Y^Z。 其中，Y是一個包含16 X 16個像素點的結構化輸出值，通過上式的處理，將16 X 16運個區域 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W下公式：
，其中l/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。
[0016] 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Q，計算得到一個 分類準則Kx, 0 )，按照下式計算分類準則:h(x，0 )=s( d)T(x)iKx)>〇)，xeRM表示訓練樣 本，0 = [ 4，4]為弱分類器的參數，其中0 ( ?)為篩選函數，4為參數列向量或者參數矩陣， 0決定了弱分類器的分類超曲面形式，S是一個指示函數；
[0017] 當訓練樣本滿足Mx, 0)小于設定闊值時，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闊值，或者樣本純度大于闊值;此時，運個 節點成為葉子節點，否則，在每個節點處要尋找最優的系數0氣吏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。
[0018] 系統包括依次相連的獲取模塊、預處理模塊、邊緣檢測模塊；
[0019] 獲取模塊:用于獲取電力設施圖像數據Kx, y);
[0020] 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W及圖像分割，得到預處理后的圖像數據J(X，y);
[0021] 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。
[0022] 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：
[0023] 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；
[0024] 直方圖均衡化單元:利用直方圖均衡化方法改變像素點灰度范圍使得圖像的邊緣 突出情況更好的反應出來，從而能夠更好的得到圖像的細節，進而增強電氣設備邊緣檢測 的準確性；
[0025] 圖像濾波單元:采用中值濾波的方法對圖像進行濾波處理；
[0026] 圖像分割單元:采用闊值分割改進算法，將闊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，而通過闊值分割算法，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。
[0027] 所述邊緣檢測模塊，用于預處理后得到的圖像數據進行邊緣的提取，包括：
[0028] 第一確定單元:用于對數據樣本進行訓練，W供后期分類使用；
[0029] 第二確定單元:通過隨機森林算法對圖像進行分類，從而提取圖像邊緣。
[0030] 所述第一確定單元包括：
[0031] 模塊訓練單元:對于到達節點的輸電線路圖像的訓練樣本集Q，計算得到一個分 類準則Mx, 0 )，按照下式計算分類準則:h(x，0 ) = S( d)T(x)iKx)>〇)，xERM表示訓練樣 本，0 = [ 4，4]為弱分類器的參數，其中0 ( ?)為篩選函數，4為參數列向量或者參數矩陣， 0決定了弱分類器的分類超曲面形式，S是一個指示函數；
[0032] 當訓練樣本滿足Mx, 0 )小于設定闊值時，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闊值，或者樣本純度大于闊值;此時，運個 節點成為葉子節點，否則，在每個節點處要尋找最優的系數0氣吏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。
[0033] 所述第二確定單元包括：
[0034] 邊緣檢測單元:用于通過訓練后得到的模型對圖像邊緣進行檢測并提取。
[0035] 本發明的有益效果在于:在電力設施圖像進入隨機森林算法處理之前，首先將圖 片的信息進行結構化學習的輸入，運樣既能保證處理數據量的減少，并且通過結構化學習 的方式，能夠有效的區分圖片中的信息是否為邊緣信息，運樣不僅提高了圖像邊緣檢測的 速度，更為重要的是提高了邊緣檢測算法的準確性。
【附圖說明】
[0036] 圖1是根據本發明實施例的電力設施圖像邊緣檢測的流程圖；
[0037] 圖2是根據本發明實施例優選實例的電力設施圖像邊緣檢測的流程示意圖；
[0038] 圖3是根據本發明實施例的電力設施圖像邊緣檢測裝置的結構框圖。
【具體實施方式】
[0039] 下面結合附圖，對實施例作詳細說明。
[0040] 圖1是根據本發明實施例的電力設施圖像邊緣檢測的方法的流程圖，如圖1所示， 該方法主要包括步驟1至步驟3。
[0041] 步驟1，獲取電力設施圖像Kx,y)。
[0042] 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W及采用闊值分割改進算法進行圖像分割，得到預處理后的灰度圖像數據J(x， y)〇
[0043] 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。
[0044] 應用本發明實施例的技術方案，檢測電力設施圖像邊緣時，提高了圖像邊緣檢測 的準確性，縮短了邊緣檢測的時間。
[0045] 采用闊值分割改進算法對圖像進行分割，將闊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比較清晰的檢測出輸電線路覆冰 的邊緣，而通過闊值分割算法，則能夠將輸電線路內部的紋理狀況忽略掉，方便后面對于輸 電線路覆冰的厚度測量
[0046] 本發明實施例的方法可W應用到多種場景，尤其是各種電力設施，如桿塔，導線， 絕緣子，變壓器等圖像的邊緣檢測。
[0047] 下面對本發明實施例上述各個步驟的優選實施方式進行描述。
[0048] ( - )步驟 2
[0049] 在本發明實施例的一個實施方式中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，加權平均法能夠最大限度突出圖像的紋理邊緣