一种基于kapur熵的配电网巡检图像分割方法及系统与流程

1.本发明涉及配电网巡检技术领域，尤其涉及一种基于kapur熵的配电网巡检图像分割方法及系统。


背景技术：

2.目前，国内电力行业所普遍采用的线路巡检方式有两种，一种是传统的人工巡检方式，即人工巡视、手工记录的模式，这种方式存在人为因素较多、管理不便等问题；另一种方式是通过深度学习对巡检图像进行训练识别。其中，通过人工对巡检图像进行巡查或通过深度学习进行巡查电力设备故障或缺失情况，虽然可以代替传统的人工巡检，但是人工对巡检图像进行巡查往往效率低下，人力损耗严重。通过深度学习对巡检图像进行巡查电力设备故障往往受制于数据集的大小，结构复杂，分割精度与数据量有关，需要大量的数据集进行训练才能达到一定的分割精度，并且存在计算量大、便携性差、硬件成本较高、模型设计复杂等缺点。


技术实现要素：

3.本发明提供了一种基于kapur熵的配电网巡检图像分割方法及系统，以解决现有技术中存在的问题。
4.为了实现上述目的，本发明通过如下的技术方案来实现：
5.第一方面，本发明提供一种基于kapur熵的配电网巡检图像分割方法，包括：
6.s1：输入待巡检的配电网无人机巡检彩色图像；
7.s2：在每幅彩色图像中分别提取rgb三个通道不同的m
×
n个像素点，每个像素点的灰度值为dk，k∈[1，m
×
n]，每个像素点的灰度值取值范围为[0，l-1]，其中m和n分别代表图像中rgb三个通道中像素点的行和列，l表示为灰度值的级数；
[0008]
s3：分别对rgb三个通道依次进行选取阈值，并根据阈值进行分割；
[0009]
s4：设定分割图像的阈值个数val；
[0010]
s5：初始化哈里斯鹰种群算法；
[0011]
s6：获取步骤2中图像的灰度值的像素点个数；
[0012]
s7：根据灰度值为j的像素点个数，计算每个灰度值对应像素点个数所占像素总数的比例pj；
[0013]
s8：计算初始化的适应度函数，保存适应度最大值和最优阈值可能解；
[0014]
s9：迭代计算n个哈里斯鹰位置；
[0015]
s10：判断是否结束迭代过程；
[0016]
s11：输出rgb像素点灰度值更新后的图像。
[0017]
第二方面，本技术提供一种基于kapur熵的配电网巡检图像分割系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
[0018]
有益效果：
[0019]
本发明提供的基于kapur熵的配电网巡检图像分割方法，不需要任何真值来提取图像中包含的对象。使用了kapur熵为目标函数，以确定每一代哈里斯鹰种群的适应度。利用logistic混沌映射对特征向量进行了混沌初始化，增加了解的多样性，能够有效对图像进行预处理，提高后期配电网巡检图像的处理与分析的精度、低误差率和高效性。
附图说明
[0020]
图1为本发明优选实施例的一种基于kapur熵的配电网巡检图像分割方法的流程图。
具体实施方式
[0021]
下面对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
[0022]
除非另作定义，本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。
[0023]
请参见图1，本技术提供的一种基于kapur熵的配电网巡检图像分割方法，包括：
[0024]
s1：输入配电网无人机巡检彩色图像。
[0025]
s2：在每幅彩色图像中分别提取rgb三个通道不同的m
×
n个像素点，每个像素点的灰度值为dk，k∈[1，m
×
n]，每个像素点的灰度值取值范围为[0，l-1]，其中m和n分别代表图像中rgb三个通道中像素点的行和列，l表示为灰度值的级数。
[0026]
s3：分别依次对rgb三个通道采取下述步骤进行分割。
[0027]
彩色图像有rgb三个通道，需要对rgb三个通道依次进行选取阈值，并进行分割。
[0028]
s4：设定分割图像的阈值个数val。
[0029]
图像分割的目标数取决于阈值个数val，val个阈值能将图像分割为val+1个目标，因此分割前需要设定分割图像的阈值个数val，此时种群的维度为val+1。
[0030]
s5：初始化哈里斯鹰种群算法。
[0031]
随机设置第一个哈里斯鹰的初始位置，通过使用下述公式应用logistic混沌映射设置剩余的哈里斯鹰：
[0032]fv+1
＝cfv(1-fv)，c＝4
[0033]
式中，c表示交叉参数，fv表示此时第v个哈里斯鹰的初始位置。
[0034]
s6：获取图像的灰度值的像素点个数
[0035]
根据步骤2中获取的所有像素点和每个像素点的灰度值dk，得到灰度值j从0到l-1的所有hj，其中hj表示灰度值为j的像素点个数，j∈[0，l-1]。
[0036]
s7：根据灰度值为j的像素点个数，计算每个灰度值对应像素点个数所占像素总数的比例pj：pj＝hj/(m
×
n)，j∈[0，l-1]，其中m
×
n表示像素点总数，l表示灰度级数。
[0037]
s8：计算初始化的适应度函数，保存适应度最大值和最优阈值可能解
[0038]
通过将特定特征向量也就是步骤5所初始化的哈里斯鹰种群的位置，作为参数传递给适应度函数来确定哈里斯老鹰队的适应值。
[0039]
取步骤5中的n个哈里斯鹰初始位置x0，将第i个哈里斯鹰的初始位置表示为其对应的一组灰度值概率和表示为每组中包含val+1个灰度值概率和，i∈[1，n]，计算过程如下：
[0040]
8.1)按顺序取val+2个灰度值，分别为0、中的val个阈值和l-1，其中每两个相邻灰度值之间的范围表示一个区间，用val+2个灰度值将灰度值范[0，l-1]划分为c+1个灰度值区间，将第i组第q个灰度值区间的灰度值概率和表示为
[0041]
计算第1个灰度值区间的灰度值概率和：
[0042]
计算第r个灰度值区间的灰度值概率和：
[0043]
计算第val+1个灰度值区间的灰度值概率和：
[0044]
其中表示第i个哈里斯鹰初始位置的第r个阈值，pj表示灰度值为j的像素点占像素点总数的比例。
[0045]
8.2)取步骤5中的pj与上述中的n组灰度值概率和ω
°
，计算n组灰度值区间的熵h
°
，其中第i组灰度值区间的熵表示为第i组中第q个灰度值区间的熵表示为其中的计算过程如下：
[0046]
计算第1个灰度值区间的熵：
[0047]
计算第r个灰度值区间的熵：
[0048]
计算第val+1个灰度值区间的熵：
[0049]
其中表示第i个哈里斯鹰初始位置的第r个阈值，pj表示灰度值为j的像素点占总像素点总数的比例。
[0050]
8.3)计算n个哈里斯鹰初始位置适应度，第i个哈里斯鹰初始位置的适应度表示为其计算公式如下：
[0051][0052]
计算适应度最大值
[0053]
其中xb表示n个哈里斯鹰位置中适应度最大的一组阈值可能解，也称为最优阈值可能解，表示第i个哈里斯鹰位置第λ个灰度值区间的熵。
[0054]
s9：迭代计算n个哈里斯鹰位置。
[0055]
取t表示当前迭代次数，maxt表示迭代总次数，t∈[0，maxt]，其中t＝0代表开始迭代前的初始状态，设第i个哈里斯鹰第t次迭代的适应度为其迭代步骤如下：
[0056]
初始化迭代次数t，令t＝1；
[0057]
选出第t-1次迭代适应度最高的n1个和适应度最低的n2个哈里斯鹰位置并将群体中其余人工鱼解更新为其中i∈[1，n]；
[0058]
根据以下公式更新哈里斯鹰位置
[0059]
对于开发阶段，设置跳跃强度(js)：js＝2(1-rand())；
[0060]
用公式确定当前能量e；
[0061]
9.1)如果|e(t)|≥1则
[0062]
按照公式进行探索，并相应地更新哈里斯鹰的位置。其中x(t)代表哈里斯鹰在第t次迭代中的位置，x(t+1)表示第t次迭代结束时哈里斯鹰的位置。猎物所在的位置由x
prey
(t)指定。x
rand
(t)是从当前的哈里斯鹰集合中选择的随机解。此外，r、e1、e2、e3、e4是在(0，1)范围内随机选择的值。ll和ul分别表示解的下界和上界。x
mea
n(t)用于表示当前哈里斯鹰队的平均或平均位置。
[0063]
9.2)如果|e(t)|＜1则
[0064]
设x和r分别代表猎物当前的能量和猎物逃跑的可能性。
[0065]
9.2.1)如果r≥0.5and|x(t)≥0.5，则
[0066]
根据公式x(t+1)＝δx(t)-e|js
×
x
prey
(t)-x(t)|、δx(t)＝x
prey
(t)-x(t)、js＝2(1-e5)选择软围攻，并更新哈里斯鹰的位置。
[0067]
9.2.2)如果r≥0.5and|x(t)＜0.5，则
[0068]
根据公式x(t+1)＝x
prey
(t)-e|δx(t)|选择硬围攻，并更新哈里斯鹰的位置。
[0069]
9.2.3)如果r＜0.5and|x(t)≥0.5，则
[0070]
选择软围攻，根据公式k＝x
prey
(t)-x|js
×
x
prey
(t)-x(t)|、l＝k+r
×
levy(n)、逐步快速俯冲，并更新哈里斯鹰的位置。
[0071]
9.2.4)如果r＜0.5and|x(t)|＜0.5，则
[0072]
选择硬围攻，根据公式k＝x
prey
(t)-e|js
×
x
prey
(t)-x
mean
(t)|、l＝k+r
×
levy(n)逐步快速俯冲，并更新哈里斯鹰的位置。
[0073]
9.3)计算第t次迭代中适应度函数，重复s8。
[0074]
9.4)判断是否更新适应度最大值与最优阈值解：
[0075]
取步骤9.3)中n个适应度其中第i个适应度表示为比较与步骤8)中所述适应度最大值f(xb)的大小：
[0076]
如果则将适应度最大值f(xb)更新为并将s8)
[0077]
中所述最优阈值可能解xb更新为否则，不进行更新。
[0078]
s10：判断是否结束迭代过程。
[0079]
比较t与maxt的大小，如果t＜maxt，则令t＝t+1，返回步骤9.1)，否则，输出迭代中最佳的f(xb)与xb，结束迭代过程，执行步骤(11)，其中t表示当前迭代次数，maxt表示迭代总数。
[0080]
s11：输出rgb像素点灰度值更新后的图像。
[0081]
本技术的基于kapur熵的配电网巡检图像分割方法，不需要任何真值来提取图像中包含的对象。使用了kapur熵为目标函数，以确定每一代哈里斯鹰种群的适应度。利用logistic混沌映射对特征向量进行了混沌初始化，增加了解的多样性，能够有效对图像进行预处理，提高后期配电网巡检图像的处理与分析的精度、低误差率和高效性。
[0082]
本技术还提供一种基于kapur熵的配电网巡检图像分割系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。该系统可以实现上述方法的各个实施例，且能达到相同的有益效果，此处，不做赘述。
[0083]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。