技术领域本发明涉及输电线路巡检技术领域，尤其是一种基于图像识别技术的绝缘子完全分割算法。
背景技术：
近年来，随着信息化技术的快速发展，视频识别技术也逐渐的发展成熟，利用识别技术对人脸、行为、模式等识别日渐增多，但是对于输电线路的故障识别应用很少。视频识别技术发展历史悠久，自20世纪50年代开始，人们便开始了对二维图像分析与识别技术的研究工作，当时的工作主要集中在诸如光学字符识别、工件表面、显微图片和航空图片的分析和解释等工作上。60年代，人们开始进行三维结构的分析和三维机器视觉的研究工作，到了70年代，已经出现了一些视觉应用系统。直到今天，图像识别技术的新概念、新方法、新理论仍在不断的涌现，始终是一个非常活跃的领域。现在人们已充分认识到图像处理和识别技术是认识世界，改造世界的重要手段。视频识别技术日趋成熟。目前，绝缘子炸裂检测很多场合是通过人工查看绝缘子的图像或者是利用设备或仪器如超声波和红外线等来辅助检测绝缘子的故障。这样将大大增加人工负担和设备的费用。目前，无人机巡视已投入实际应用之中，利用无人机易达易悬停和易操控的特点，无人机可以灵活地对巡视目标进行细节拍摄。要使得输电线路巡视的图像数据发挥其价值。输电线路的巡检，不论是人工巡视、无人机巡视、巡线设备巡视、还是其他视频设备进行线路巡视，随之而来的将是大量图像数据，这些图像数据如果依靠人工进行分析查看，将大增加工作的强度，降低工作效率。如果一人仔细查看一张图像需要30秒，那么查看100张图像需要3000秒＝50分钟，50分钟不间断的查看不光要增加疲劳度，还会影响分析的准确度。但是利用计算机技术和图像技术，100张图像的分析时间缩短之几分钟，这样的效率将大大改善人工观察的存在问题，避人为经验或工作强度疲劳造成的误判漏判，提升工作整体效率，提高精细化管理模式，提升智能化程度。节约了大量的人力查看时间也是节约了不少的经济投入，同时加强数据管理，体现每一条巡视图像数据的价值。为巡检决策、计划等提供依据，降低风险，具有较大的社会效益和经济效益。输电线路巡视的图像数据通常是由无人机航拍获取，这些航拍图像中包含了复杂的背景如房屋、草木、铁塔和山峦丘陵，同时受到当时天气因素的影响，如雾霾，曝光不足等客观环境因素的影响，获得的图像数据通常包含了除绝缘子目标在内的其他复杂背景，拍摄图像的亮度，清晰度和目标的角度等各不相同，因此，如何在复杂背景中，彻底分割出所需的目标即绝缘子，剔除非目标，是实现计算机判断绝缘子炸裂故障的关键所在，截至现在，还没有一种专门针对于绝缘子图像分割的算法。
技术实现要素：
本发明所要解决的技术问题是提供一种能够在复杂背景中彻底分割出所需绝缘子目标、剔除非目标的基于图像识别技术的绝缘子完全分割算法。本发明解决其技术问题所采用的技术方案为：该基于图像识别技术的绝缘子完全分割算法，包括以下步骤：A、将需要处理的航拍绝缘子图像转到Lab空间，在Lab空间的a空间中，利用绝缘子的颜色特征，提取a通道的图像；B、对a空间图像进行直方图均衡化处理；C、对a空间图像进行最大类间方差法进行分割得到图像I(i,j)；0≤i≤W,0≤j≤H；D、将需要处理的航拍绝缘子图像先进行灰度化处理得到灰度空间图像，接着对灰度空间图像进行最大类间方差法进行分割得到图像M(i,j)；0≤i≤W,0≤j≤H；E、将图像I(i,j)与图像M(i,j)进行逻辑与运算得到绝缘子的分割图像R(i,j)；0≤i≤W,0≤j≤H；F、利用分割图像R(i,j)的形态学特征和连通域特征，计算每个绝缘子的连通域面积，并确定连通域面积阈值，去除分割图像R(i,j)的背景杂质，所述背景杂质是指绝缘子的连通域面积小于连通域面积阀值的绝缘子图像。进一步的是，在步骤C和步骤D中所述的最大类间方差法的具体方法如下：首先确定分割阀值k，然后根据k图像分割成前景类图像C1和背景类图像C2,其中C1＝[0,k]，C2＝[k+1，L-1],L表示图像的灰度级个数,其中所述分割阀值k采用如下方法确定：首先，计算类间方差mG表示整个图像的全局灰度值，Pi表示为灰度级为i的像素个数占整个图像像素总数的比例，D1表示前景类图像C1出现的概率；接着通过遍历k的值得到类间方差的集合Q，k的取值范围是[0,255]，选出集合Q中类间方差的最大值所述所对应的k值即为分割阈值。进一步的是，在步骤E中，所述逻辑与的定义为R(i,j)＝(I(i,j)&&M(i,j))*255；0≤i≤W,0≤j≤H。进一步的是，在步骤F中，采用如下方法确定连通域面积阀值，首先，将所有的绝缘子的连通域面积值组成areas数组，接着选取areas数组中的前K个面积值组成“小根堆”形式，所述的“小根堆”是指树的根节点的值始终小于它的左右孩子节点的值；然后将areas数组中的K+1个元素与“小根堆”的堆顶元素比较，如果大于堆顶元素则使用K+1个元素替换掉“堆顶”元素并调整数值顺序使其恢复成“小根堆”形式，如果小于堆顶元素，则继续比较下一个元素，直到areas数组内的除前K个面积值之外的其它数值比较结束后，对得到的K个数进行排序，取K个数的中值midarea，面积阈值为0.5*midarea。本发明的有益效果：该基于图像识别技术的绝缘子完全分割算法通过将需要处理的航拍绝缘子图像转到Lab空间，在Lab空间的a空间中，利用绝缘子的颜色特征，提取a通道的图像并进行直方图均衡化处理，然后对a空间图像进行最大类间方差法进行分割得到图像I(i,j)；同时将需要处理的航拍绝缘子图像先进行灰度化处理得到灰度空间图像，接着对灰度空间图像进行最大类间方差法进行分割得到图像M(i,j)，将图像I(i,j)与图像M(i,j)进行逻辑与运算得到绝缘子的分割图像R(i,j)；最后利用分割图像R(i,j)的形态学特征和连通域特征，计算每个绝缘子的连通域面积，并确定连通域面积阈值，去除分割图像R(i,j)的背景杂质，利用该分割算法能够在复杂的背景中，彻底分割出所需的目标即绝缘子，剔除非目标，为绝缘子炸裂的判别奠定基础。附图说明图1为对a空间图像进行最大类间方差法进行分割得到的图像I(i,j)分割效果图；图2为对灰度空间图像进行最大类间方差法进行分割得到图像M(i,j)分割效果图；图3为经过逻辑与运算后得到的图像R(i,j)分割效果图；图4为所述小根堆示意图；图5为第一张原始的航拍绝缘子图像；图6为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第一张原始的航拍绝缘子图像后得到的分割效果图；图7为第二张原始的航拍绝缘子图像；图8为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第二张原始的航拍绝缘子图像后得到的分割效果图；图9为第三张原始的航拍绝缘子图像；图10为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第三张原始的航拍绝缘子图像后得到的分割效果图；图11为第四张原始的航拍绝缘子图像；图12为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第四张原始的航拍绝缘子图像后得到的分割效果图；图13为第五张原始的航拍绝缘子图像；图14为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第五张原始的航拍绝缘子图像后得到的分割效果图；图15为第六张原始的航拍绝缘子图像；图16为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第六张原始的航拍绝缘子图像后得到的分割效果图；图17为第七张原始的航拍绝缘子图像；图18为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第七张原始的航拍绝缘子图像后得到的分割效果图。具体实施方式本发明所述的基于图像识别技术的绝缘子完全分割算法，包括以下步骤：A、将需要处理的航拍绝缘子图像转到Lab空间，在Lab空间的a空间中，利用绝缘子的颜色特征，提取a通道的图像；B、对a空间图像进行直方图均衡化处理；C、对a空间图像进行最大类间方差法进行分割得到图像I(i,j)；0≤i≤W,0≤j≤H；所述W为1920，所述H为1080；D、将需要处理的航拍绝缘子图像先进行灰度化处理得到灰度空间图像，接着对灰度空间图像进行最大类间方差法进行分割得到图像M(i,j)；0≤i≤W,0≤j≤H；所述W为1920，所述H为1080；E、将图像I(i,j)与图像M(i,j)进行逻辑与运算得到绝缘子的分割图像R(i,j)；0≤i≤W,0≤j≤H；所述W为1920，所述H为1080；F、利用分割图像R(i,j)的形态学特征和连通域特征，计算每个绝缘子的连通域面积，并确定连通域面积阈值，去除分割图像R(i,j)的背景杂质，所述背景杂质是指绝缘子的连通域面积小于连通域面积阀值的绝缘子图像。该基于图像识别技术的绝缘子完全分割算法通过将需要处理的航拍绝缘子图像转到Lab空间，在Lab空间的a空间中，利用绝缘子的颜色特征，提取a通道的图像并进行直方图均衡化处理，然后对a空间图像进行最大类间方差法进行分割得到图像I(i,j)；同时将需要处理的航拍绝缘子图像先进行灰度化处理得到灰度空间图像，接着对灰度空间图像进行最大类间方差法进行分割得到图像M(i,j)，将图像I(i,j)与图像M(i,j)进行逻辑与运算得到绝缘子的分割图像R(i,j)；最后利用分割图像R(i,j)的形态学特征和连通域特征，计算每个绝缘子的连通域面积，并确定连通域面积阈值，去除分割图像R(i,j)的背景杂质，利用该分割算法能够在复杂的背景中，彻底分割出所需的目标即绝缘子，剔除非目标，为绝缘子炸裂的判别奠定基础。在上述实施方式中，最大类间方差法是进行有效阈值分割方法的一种，不需要手工设定阈值，它可以依据一定的准则自动寻找最优阈值进行分割。由于航拍图像受不同客观因素的影响，航拍的图像亮度，色调和饱和度等各不相同，为使算法具有普遍适用性，因此选用最大类间方差法，其依据的准则为前景和背景的方差，寻找的最优阈值使得前景和背景的方差最大。在步骤C和步骤D中所述的最大类间方差法的具体方法如下：首先确定分割阀值k，然后根据k图像分割成前景类图像C1和背景类图像C2,其中C1＝[0,k]，C2＝[k+1，L-1],L表示图像的灰度级个数,其中所述分割阀值k采用如下方法确定：首先，计算类间方差mG表示整个图像的全局灰度值，Pi表示为灰度级为i的像素个数占整个图像像素总数的比例，D1表示前景类图像C1出现的概率；接着通过遍历k的值得到类间方差的集合Q，k的取值范围是[0,255]，选出集合Q中类间方差的最大值所述所对应的k值即为分割阈值。图1为对a空间图像进行最大类间方差法进行分割得到的图像I(i,j)分割效果图；图2为对灰度空间图像进行最大类间方差法进行分割得到图像M(i,j)分割效果图。为了进一步的剔除非目标，更加彻底的分割出所需的目标绝缘子，在步骤E中，所述逻辑与的定义为R(i,j)＝(I(i,j)&&M(i,j))*255；0≤i≤W,0≤j≤H。图3为经过逻辑与运算后得到的图像R(i,j)分割效果图。另外，在步骤F中，采用如下方法确定连通域面积阀值，首先，将所有的绝缘子的连通域面积值组成areas数组，接着选取areas数组中的前K个面积值组成“小根堆”形式，所述的“小根堆”是指树的根节点的值始终小于它的左右孩子节点的值；所述小根堆示意图如图4所示，然后将areas数组中的K+1个元素与“小根堆”的堆顶元素比较，如果大于堆顶元素则使用K+1个元素替换掉“堆顶”元素并调整数值顺序使其恢复成“小根堆”形式，如果小于堆顶元素，则继续比较下一个元素，直到areas数组内的除前K个面积值之外的其它数值比较结束后，对得到的K个数进行排序，取K个数的中值midarea，面积阈值为0.5*midarea。将每个绝缘子的连通域面积与上述连通域面积阀值相比较，剔除小于连通域面积阀值的绝缘子图像，即去除分割图像R(i,j)的背景杂质。图5为第一张原始的航拍绝缘子图像；图6为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第一张原始的航拍绝缘子图像后得到的分割效果图；图7为第二张原始的航拍绝缘子图像；图8为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第二张原始的航拍绝缘子图像后得到的分割效果图；图9为第三张原始的航拍绝缘子图像；图10为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第三张原始的航拍绝缘子图像后得到的分割效果图；图11为第四张原始的航拍绝缘子图像；图12为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第四张原始的航拍绝缘子图像后得到的分割效果图；图13为第五张原始的航拍绝缘子图像；图14为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第五张原始的航拍绝缘子图像后得到的分割效果图；图15为第六张原始的航拍绝缘子图像；图16为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第六张原始的航拍绝缘子图像后得到的分割效果图；图17为第七张原始的航拍绝缘子图像；图18为利用本发明所述基于图像识别技术的绝缘子完全分割算法分割第七张原始的航拍绝缘子图像后得到的分割效果图。由上述对比图可以明确得出，利用该分割算法能够在复杂的背景中，彻底分割出所需的目标即绝缘子，剔除非目标，为绝缘子炸裂的判别奠定基础。