一种城轨列车受电弓滑板边缘检测方法与流程

本发明属于受电弓故障检测技术领域，特别是一种城轨列车受电弓滑板边缘检测方法。

背景技术：

随着列车速度的提升和营运里程的增加，列车的安全性能越来越重要。受电弓一般安装在列车顶部，在运行过程中与接触线滑动接触，从接触网上取得电能，是列车在运行过程中获取可靠电能的重要部件。碳滑板是列车受电弓系统获取电能的关键部分，在列车营运过程中，碳滑板易受磨损，磨耗一旦超过警戒值会造成严重的交通事故。

johnf.canny提出了canny边缘检测算子，该方法属于多级边缘检测算法，通过寻找最优检测、最优定位与唯一响应获取图像的边缘。但是canny边缘检测具有下列缺陷：(1)在第一步高斯滤波过程中，滤除图片噪声的同时也弱化边缘信息，漏掉一些特征不明显的边缘；(2)在第二步计算幅值和梯度过程中，使用2×2领域来计算梯度和幅值，这种方法对噪声很敏感，易检测到伪边缘；(3)在第四步设置双阈值过程中，双阈值的选取对边缘的最终确定有很大影响，很难选定一个最优值。人工经验法设置阈值后，不能自适应根据每张图片信息重新选取阈值。

技术实现要素：

本发明的目的在于提供一种准确性高、实时性好的城轨列车受电弓滑板边缘检测方法，从而及时采取有效措施消除安全隐患。

实现本发明目的的技术解决方案是：一种城轨列车受电弓滑板边缘检测方法，基于改进的canny算子，具体包括以下步骤：

步骤1，获取受电弓滑板灰度图像信号，使用图像信号与自适应尺寸的高斯卷积核进行卷积运算，得到滤波后的图像；

步骤2，在3*3的8邻域内用梯度算子计算经过滤波后的图像的梯度幅值及方向；

步骤3，对梯度幅值进行非极大值抑制，采用双阈值的自适应提取，进行边缘连接，得到受电弓滑板边缘图像。

进一步地，步骤1所述的获取受电弓滑板灰度图像信号，使用图像信号与自适应尺寸的高斯卷积核进行卷积运算，具体如下：

将获得的受电弓滑板彩色图像信号转化为灰度图像信号，并与自适应尺寸的高斯卷积核进行卷积运算，设定自适应尺寸的高斯卷积核的尺寸为m*n，图像像素为ω*h，则自适应尺寸的高斯卷积核的计算公式如下：

进一步地，步骤2所述的在3*3的8邻域内用梯度算子计算经过滤波后的图像的梯度幅值及方向，具体如下：

3*3的8邻域的方向偏导数和差分公式如下：

其中，g(i,j)为图像上(i,j)点的图像灰度值，px(i,j)为x方向的偏导数，py(i,j)为y方向的偏导数，p45(i,j)为45°方向的偏导数，p135(i,j)为135°方向的偏导数，fx(i,j)为使用差分运算得出的x方向的图像梯度，fy(i,j)为使用差分运算得出的y方向的图像梯度；

则梯度公式为：

其中，m(i,j)、θ(i,j)分别为(i,j)点的梯度幅值和梯度方向。

进一步地，步骤3所述的对梯度幅值进行非极大值抑制，采用双阈值的自适应提取，进行边缘连接，得到受电弓滑板边缘图像，具体如下：

步骤3.1、利用线性插值沿点(i,j)的梯度方向获取该点的相邻最大梯度值，如果该梯度值大于点(i,j)的梯度值，则将点(i,j)的灰度值置为0；反之，则保留点(i,j)的灰度值；

步骤3.2、定义类内均值μi和方差

其中，设灰度值为j的像素的总数是nj，pj为其占整幅图像像素总数的比例；i为根据整幅图像所划分的不同灰度值区间的下角标，所划分的灰度值区间总数等于根据全部像素点梯度幅值划分的类别数；

步骤3.3、非极大值抑制后的图像，梯度幅值分为3类：c0为非边缘点像素，梯度幅值范围为[0,1,…,k]；c1为边缘点像素，梯度幅值范围为[k+1,k+2,…,m]；c2为疑似边缘点像素，梯度幅值范围为[m+1,m+2,…,l-1]；

定义基于类内方差最小化自适应确定高低阈值和梯度幅度直方图的评价函数j(k,m)为：

将式(7)代入式(8)并进行推导得到：

其中，所得解k,m即为像素点梯度幅值阈值；使用k和m进行图像边缘连接，即可得到受电弓滑板边缘图像。

本发明与现有技术相比，其显著优点是：(1)基于改进的canny算子，采用自适应高斯核算法进行降噪滤波时，更好地获取了目标检测中的实际尺寸；(2)将邻域范围扩大到3*3的8邻域，使得检测更精确；(3)使用类内方差最小化和梯度幅度直方图，提高了边缘提取的检测精度，检测结果明显，方法适用性强。

附图说明

图1为本发明城轨列车受电弓滑板边缘检测方法的流程示意图。

图2为本发明实施例中受电弓左半部分图像。

图3为本发明实施例中受电弓左半部分经传统canny算子处理图。

图4为本发明实施例中受电弓左半部分经改进canny算子处理图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

结合图1，本发明城轨列车受电弓滑板边缘检测方法，首先获取受电弓滑板灰度图像信号，使用图像信号与自适应尺寸的高斯卷积核进行卷积运算；然后在3*3的8邻域内用梯度算子计算经过滤波后的图像的梯度幅值及方向；最后对梯度幅值进行非极大值抑制，采用双阈值的自适应提取，进行边缘连接，得到受电弓滑板边缘图像，包括以下步骤：

步骤1，获取受电弓滑板灰度图像信号，使用图像信号与自适应尺寸的高斯卷积核进行卷积运算，具体如下：

将获得的受电弓滑板彩色图像信号转化为灰度图像信号，并与自适应尺寸的高斯卷积核进行卷积运算，设定自适应尺寸的高斯卷积核的尺寸为m*n，图像像素为ω*h，则自适应尺寸的高斯卷积核的计算公式如下：

步骤2，在3*3的8邻域内用梯度算子计算经过滤波后的图像的梯度幅值及方向，具体如下为：

3*3的8邻域的方向偏导数和差分公式如下：

其中，g(i,j)为图像上(i,j)点的图像灰度值，px(i,j)为x方向的偏导数，py(i,j)为y方向的偏导数，p45(i,j)为45°方向的偏导数，p135(i,j)为135°方向的偏导数，fx(i,j)为使用差分运算得出的x方向的图像梯度，fy(i,j)为使用差分运算得出的y方向的图像梯度；

则梯度公式为：

其中，m(i,j)、θ(i,j)分别为(i,j)点的梯度幅值和梯度方向。

步骤3，对梯度幅值进行非极大值抑制，采用双阈值的自适应提取，进行边缘连接，得到受电弓滑板边缘图像，具体如下：

步骤3.1、利用线性插值沿点(i,j)的梯度方向获取该点的相邻最大梯度值，如果该梯度值大于点(i,j)的梯度值，则将点(i,j)的灰度值置为0；反之，则保留点(i,j)的灰度值；

步骤3.2、定义类内均值μi和方差

其中，设灰度值为j的像素的总数是nj，pj为其占整幅图像像素总数的比例；i为根据整幅图像所划分的不同灰度值区间的下角标，所划分的灰度值区间总数等于根据全部像素点梯度幅值划分的类别数；

步骤3.3、非极大值抑制后的图像，梯度幅值分为3类：c0为非边缘点像素，梯度幅值范围为[0,1,…,k]；c1为边缘点像素，梯度幅值范围为[k+1,k+2,…,m]；c2为疑似边缘点像素，梯度幅值范围为[m+1,m+2,…,l-1]；

定义基于类内方差最小化自适应确定高低阈值和梯度幅度直方图的评价函数j(k,m)为：

将式(7)代入式(8)并进行推导得到：

其中，所得解k,m即为像素点梯度幅值阈值；使用k和m进行图像边缘连接，即可得到受电弓滑板边缘图像。

实施例1

使用本发明城轨列车受电弓滑板边缘检测方法，对改进的边缘检测算子进行实验分析，图2是图像采集系统采集的受电弓左半部分图像，分别用传统canny算子、自适应canny算子进行边缘检测处理，结果图如图3、图4。

结合图3、图4，利用改进后的canny算子提取图像边缘时，对噪声的滤除效果较好，改进后的边缘检测图上的伪边缘较少，图像更清晰，利于进行图像边缘连接和提高系统的检测精度。