一种基于Radon变换的电力线检测方法

一种基于radon变换的电力线检测方法
技术领域
1.本发明属于航拍图像电力线检测技术领域，具体涉及一种基于radon变换的电力线检测方法。


背景技术：

2.随着无人机控制和传感器技术的快速发展和航空数字相机分辨率的极大提高，无人机携带摄像设备在电力巡线方面得到广泛应用。然而，电力线检测及障碍物识别，对无人机飞行安全至关重要。电力线在图像中表现为细而长的线，传统的航空摄影测量的影像分辨率太低，无法检测到电力线，也就无法精确计算电力线的高度。canny算子与霍夫变换结合常用来检测航拍图像中的电力线，canny算子已用于电力线检测过程，主要优点是分割过程中计算时间短，但是这种方法的缺点是，当canny算子用于检测像电力线这样的细元件时，可能在电力线两侧检测出两个边缘。虽然霍夫变换在线检测中表现出了较好的抗噪声能力，但在更复杂的背景下，如农田、树下杂草的干扰，其性能大大降低，有时电力线无法完全检测出来，而且还会检出一些无关的线段，如屋脊、杂草、道路等，容易造成错检和漏检，存在直线精度不高的缺陷。


技术实现要素：

3.(一)解决的技术问题
4.本发明针对上述电力线检测的缺陷问题，提供了一种基于radon变换的电力线检测方法，通过hessian矩阵方法进行图像增强预处理，有助于边缘检测和特征提取正确识别出图像中的电力线；采用4方向梯度模板的sobel算子进行边缘检测，大大提高了图像边缘识别效果；利用radon变换算法进行电力线直线特征提取，可以有效克服霍夫变换算法的错检和漏检情况，具有高实时性和高鲁棒性的特点。
5.(二)技术方案
6.为实现以上目的，本发明通过以下技术方案予以实现：
7.一种基于radon变换的电力线检测方法，包括以下步骤：
8.s1、获取无人机航拍可见光图像，消除无效照片、进行图像裁剪；
9.s2、对步骤s1得到的图像进行灰度化处理，得到灰度图像；
10.s3、对灰度图像进行sobel算子边缘检测处理，获得边缘图像e(x,y)；
11.s4、基于radon变换算法对边缘检测图像e(x,y)中的电力线进行直线特征提取。
12.根据本发明的一实施例，所述步骤s2获得的灰度图像为gray(x,y)＝0.2989r+0.5870g+0.1140b,其中，gray(x,y)为灰度图像，r、g、b为航拍图像的3个通道的像素分布函数。
13.根据本发明的一实施例，所述步骤s2采用基于hessian矩阵的图像增强方法增强图像中的线性部分，图像i(x,y)的各点处的hessian矩阵为通过
计算hessian矩阵特征值λ得到增强后输出图像其中v(x,y)为图像增强结果，λ代表hessian矩阵特征值的最大值，r表示团块度度量，s表示平滑度度量，β是r的调整参数，c是s的调整参数。
14.根据本发明的一实施例，所述步骤s3中的sobel算子包括4方向的检测模板，分别为水平方向、45
°
方向、垂直方向和135
°
方向边缘检测模板。
15.根据本发明的一实施例，所述水平方向边缘检测模板为45
°
方向边缘检测模板为垂直方向边缘检测模板为135
°
方向边缘检测模板为
16.根据本发明的一实施例，所述sobel算子边缘检测包括如下步骤：
17.s3.1、将每个方向的检测模板在图像中从一个像素移动到另一个像素，每个模板的中心像素在图像中位置一致；
18.s3.2、将每个模板中的系数与图像像素相乘并累加；
19.s3.3、将步骤s3.2中4个方向检测模板计算所得的数值进行比较；
20.s3.4、将模板中最大值作为灰度值赋给模板中心对应的图像像素，最大值对应的检测模板方向为当前像素的边缘梯度方向；
21.s3.5、重复以上操作直至检测模板遍历整个图像，从而获得边缘检测图像e(x,y)。
22.根据本发明的一实施例，所述radon变换特征提取步骤如下：
23.s4.1、计算radon矩阵t(ρ,θ)，其中d为x
‑
y平面，e(x,y)为像素点在(x,y)上的灰度值，δ为dirac delta函数，保证e(x,y)的积分沿直线进行；
24.s4.2、选取电力线倾斜角度θ，将radon矩阵t(ρ,θ)的前n个点作为候选池；
25.s4.3、使用k
‑
mean++聚类算法对候选池中的角度进行聚类，得到最接近的电力线倾斜角度θ；
26.s4.4、删除不平行的线条，且合并彼此接近的线条；
27.s4.5、在原始图像上标记出检测结果。
28.根据本发明的一实施例，所述步骤s4.2中n取值为20
‑
30。
29.(三)有益效果
30.本发明的有益效果：一种基于radon变换的电力线检测方法，hessian矩阵方法在一定程度上增强了图像的主要信息，保留或增强了线状成分，去除了大片的平滑区域，有助于边缘检测和特征提取正确识别出图像中的电力线；4方向梯度模板sobel算子的边缘检测，具有更强的抗干扰能力，对图像边缘检测精度高，大大提高了图像边缘识别效果；radon变换可以有效克服霍夫变换算法的错检和漏检情况，算法运行时间也比霍夫变换算法有了
大幅提升，具有高实时性和高鲁棒性的特点。
附图说明
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1为本发明流程图；
33.图2为本发明sobel算子边缘检测流程图；
34.图3为本发明radon变换算法特征提取流程图。
具体实施方式
35.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.结合图1，一种基于radon变换的电力线检测方法，结合流程图1，包括以下步骤：
37.s1、获取无人机航拍可见光图像，消除无效照片、进行图像裁剪。
38.s2、对步骤s1得到的图像进行灰度化处理，得到灰度图像；gray(x,y)＝0.2989r+0.5870g+0.1140b，其中，gray(x,y)为灰度图像，r、g、b为航拍图像的3个通道的像素分布函数。图像获取的过程中，往往会由于周围环境等因素的影响而包含大量的噪声，使得图像的质量有所退化。对噪声敏感的图像在特征提取过程中可能得不到完整的边缘图像，极易导致检测错误，影响电力线提取的精度。因此，在对图像进行边缘检测和特征提取之前先进行图像增强处理。本发明用基于hessian矩阵的图像增强方法增强图像中的线性部分，图像i(x,y)的各点处的hessian矩阵为通过计算hessian矩阵特征值λ得到增强后输出图像其中v(x,y)为图像增强结果，λ代表hessian矩阵特征值的最大值，r表示团块度度量，s表示平滑度度量，β是r的调整参数，c是s的调整参数。
39.s3、对增强后图像进行sobel算子边缘检测处理获得边缘图像e(x,y)。
40.sobel算子是一种基于梯度和差分原理的锐化算子，中心附近的像素被加权以突出边缘。传统的sobel算子包含水平梯度模板(用于检测图像的垂直边缘)和垂直梯度模板(用于检测图像的水平边缘)两个方向卷积模板。本发明采用改进sobel算子，由4方向(水平方向、45
°
方向、垂直方向、135
°
方向)边缘检测模板构成。水平方向梯度模板为
45
°
方向梯度模板为垂直方向梯度模板为135
°
方向梯度模板为结合流程图2，改进sobel算子边缘检测具体包括如下步骤：
41.s3.1、将每个方向的检测模板在图像中从一个像素移动到另一个像素，每个模板的中心像素在图像中位置一致；
42.s3.2、将每个模板中的系数与图像像素相乘并累加；
43.s3.3、将步骤s3.2中4个方向检测模板计算所得的数值进行比较；
44.s3.4、将模板中最大值作为灰度值赋给模板中心对应的图像像素，最大值对应的检测模板方向为当前像素的边缘梯度方向；
45.s3.5、重复以上操作直至检测模板遍历整个图像，从而获得边缘检测图像e(x,y)。
46.s4、基于radon变换算法对边缘检测图像e(x,y)中的电力线进行直线特征提取。
47.欧式空间中一条直线可以用从原点到直线的距离ρ以及ρ与x轴的夹角θ来表示，即ρ＝x cosθ+y sinθ。radon变换把图象域中全局检测问题转换为参数域中更容易解决的峰值检测问题。结合流程图3，基于radon变换的特征提取步骤如下：
48.s4.1、计算radon矩阵t(ρ,θ)，其中d为x
‑
y平面，e(x,y)为像素点在(x,y)上的灰度值，δ为dirac delta函数，保证e(x,y)的积分沿直线进行；
49.s4.2、选取电力线倾斜角度θ，将radon矩阵t(ρ,θ)的前n个点作为候选池，n可以取20
‑
30；
50.s4.3、使用k
‑
mean++聚类算法对候选池中的角度进行聚类，得到最接近的电力线倾斜角度θ；
51.s4.4、删除不平行的线条，且合并彼此接近的线条；
52.s4.5、在原始图像上标记出检测结果。
53.综上所述，本发明实施例，基于radon变换的电力线检测方法，hessian矩阵方法在一定程度上增强了图像的主要信息，保留或增强了线状成分，去除了大片的平滑区域，有助于边缘检测和特征提取正确识别出图像中的电力线；4方向梯度模板sobel算子的边缘检测，具有更强的抗干扰能力，对图像边缘检测精度高，大大提高了图像边缘识别效果；radon变换可以有效克服霍夫变换算法的错检和漏检情况，算法运行时间也比霍夫变换算法有了大幅提升，具有高实时性和高鲁棒性的特点。
54.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。