安妮

摘要：采用數(shù)字圖像處理技術(shù)，針對高壓線及其環(huán)境圖像的特點(diǎn)，提出一種基于局部自適應(yīng)閾值分割算法的高壓線圖像檢測方法。利用灰度圖像特性，采用圖像算術(shù)運(yùn)算方法去除圖像背景，以降低后續(xù)處理的難度。在檢測高壓線和濾除“虛假邊緣”時(shí)，采用圖像局部自適應(yīng)閾值分割算法，彌補(bǔ)Hough變換算法的不足。實(shí)驗(yàn)結(jié)果表明，該算法能在復(fù)雜背景中對高壓線進(jìn)行有效識別。

關(guān)鍵詞：高壓線檢測；圖像算術(shù)運(yùn)算；局部分割；自適應(yīng)閾值；數(shù)字圖像處理

DOIDOI：10.11907/rjdk.151512

中圖分類號：TP317.4

文獻(xiàn)標(biāo)識碼：A 文章編號文章編號：16727800（2015）008019304

0 引言

近年來，我國電網(wǎng)發(fā)展迅速，但在解決電網(wǎng)發(fā)展滯后的同時(shí)，密集的高壓線群對直升機(jī)飛行安全帶來的威脅也越來越大[1]。據(jù)國外相關(guān)統(tǒng)計(jì)，每10 000 h飛行中，直升機(jī)平均會發(fā)生10次事故。其中，因與高壓線碰撞引起事故占比約70%[2]。目前，很多國家開展了高壓線辨識研究工作。如研制紅外探測器、電磁場探測器、近地告警系統(tǒng)、毫米波雷達(dá)、激光雷達(dá)以及安裝于電力線鐵塔上的探測儀等[3]。近年來，國內(nèi)相關(guān)研究大多利用毫米波段高壓線的RCS電磁散射特性和如群組性等進(jìn)行高壓線檢測，南京理工大學(xué)、華南理工大學(xué)、哈爾濱工業(yè)大學(xué)、中電十所和中電二十七所等在該領(lǐng)域取得了豐富成果。但該方法對硬件設(shè)備依賴性強(qiáng)，使用不同探測器效果不同，而探測器價(jià)格昂貴，無形中提高了設(shè)備的成本。

本文將數(shù)字圖像處理技術(shù)應(yīng)用于高壓線識別。隨著圖像增強(qiáng)、邊緣檢測和特征目標(biāo)提取等技術(shù)的發(fā)展，圖像處理技術(shù)已廣泛應(yīng)用于航空航天、生物醫(yī)學(xué)工程、通信工程、工業(yè)和工程、軍事等領(lǐng)域[4]。中國專利公開號CN101806888B（公開日2012年9月5日）記載了一種“基于圖像處理的高壓線識別方法” [5]。中國專利公開號CN102930280A（公開日2013年2月13日）即為一種“紅外圖像中自動(dòng)識別架空高壓線的方法”[6]。

1 高壓線圖像檢測技術(shù)

高壓線識別容易受樹木、房屋等障礙物的影響。因此，要在復(fù)雜背景中識別出高壓線，首先需要進(jìn)行背景過濾。但圖像中高壓線直徑屬于毫米級，在圖像中所占像素比例不高，如果直接去除背景，很容易丟失部分高壓線信息，因此需要增強(qiáng)背景和高壓線之間的差異。此外，不可見細(xì)節(jié)信息同樣會對邊緣檢測算法產(chǎn)生影響，從而產(chǎn)生大量的“虛假邊緣”和噪音，所以需要對圖像進(jìn)行“虛假邊緣”和噪聲過濾處理。

去除背景前，圖像增強(qiáng)將增大圖像灰度級的動(dòng)態(tài)變化

范圍，提高圖像整體對比度，并且抑制背景，尤其是像對素較低、覆蓋區(qū)域較大的背景，如樹木、房屋等。雖然高壓線的像素不高，但在圖像處理過程中還是得到了增強(qiáng)，其原因在于高壓線與其所處環(huán)境的像素差較高。針對此特點(diǎn)，利用圖像算術(shù)加法運(yùn)算找出背景。其原理是依據(jù)像素灰度值，保留屬于背景的像素點(diǎn)，過濾掉不屬于背景的像素點(diǎn)。對樹木、房屋等像素值較低的背景像素點(diǎn)而言，像素值增加一倍并不會使其超出圖像最大灰度級，所以這些像素點(diǎn)將被保留下來。經(jīng)過圖像算術(shù)加法運(yùn)算后，可找出待過濾的背景，但此時(shí)背景圖像灰度值已增加一倍，所以需要先降低背景像素值，再利用增強(qiáng)后的圖像和已降低像素值的背景圖像之間的差異性進(jìn)行背景過濾。

2 圖像局部自適應(yīng)閾值分割算法模型

常用的高壓線檢測方法Hough變換算法能準(zhǔn)確檢測出目標(biāo)直線，在圖像處理中得到廣泛應(yīng)用。但其將圖像中的每一個(gè)邊緣點(diǎn)映射到參數(shù)空間相應(yīng)的曲線中，再在累加器中對滿足條件的點(diǎn)進(jìn)行累加，其時(shí)間復(fù)雜度和空間復(fù)雜度可以近似地認(rèn)為T（n）=O（n3）和S（n）=O（n2），所以該方法計(jì)算量大，需預(yù)存參數(shù)空間，一定程度上浪費(fèi)存儲資源。本文利用目標(biāo)高壓線和背景“虛假邊緣”在灰度特征上的差異性特征，提出一種基于局部自適應(yīng)閾值分割的方法。分析目標(biāo)高壓線和背景“虛假邊緣”的圖像灰度特征，利用自適應(yīng)閾值算法，將圖像灰度級分為兩大類。使用3*3小窗口進(jìn)行閾值分割，且該小窗口能逐像素滑動(dòng)，直至遍歷整個(gè)圖像。最后，每個(gè)像素點(diǎn)的閾值判斷均與該點(diǎn)周圍環(huán)境緊密相連，而不是對單個(gè)像素點(diǎn)進(jìn)行判斷。

2.1 自適應(yīng)閾值計(jì)算

閾值采用常用的最大類間方差法來計(jì)算，其具體算法原理如下：設(shè)圖像有L個(gè)灰度級，灰度值是i的像素?cái)?shù)為ni，則總像素?cái)?shù)N=∑L-1i=0ni，各灰度值出現(xiàn)的概率為pi=ni/N。顯然，∑L-1i=0pi=1；設(shè)閾值為t，將圖像分割成2個(gè)區(qū)域，即將灰度級分為兩類，背景類A=（0，1，……，t）和目標(biāo)類B=（t +1，t +2，……，L-1）；兩類灰度出現(xiàn)的概率分別為：

2.2 局部閾值分割

計(jì)算閾值后，使用局部閾值分割方法進(jìn)行高壓線檢測和“虛假邊緣”過濾。傳統(tǒng)閾值分割方法[7]是對圖像中的每一個(gè)像素進(jìn)行閾值分析，將該點(diǎn)像素值與閾值進(jìn)行比較，判斷該點(diǎn)是目標(biāo)還是背景。如式（8）、（9）：

本文提出一種新的局部自適應(yīng)閾值分割算法，其中局部的含義是在圖像中逐像素滑動(dòng)的小窗口，自適應(yīng)閾值表示該算法能夠根據(jù)每一幅圖像計(jì)算出一個(gè)適合該圖像的閾值，閾值計(jì)算方法采用最大類間方差法，基本思路如下：

如式（10）、（11）所示，利用預(yù)設(shè)像素大小的窗口（如3*3）在圖像中逐像素滑動(dòng)，直到遍歷整個(gè)圖像，在每個(gè)窗口對應(yīng)的圖像子區(qū)域中，計(jì)算窗口內(nèi)所有像素的像素值總和sum，若sum大于或等于閾值，令窗口正中間的像素值為1；否則，令窗口正中間的像素值為0，0表示背景，1表示目標(biāo)。

3 基于局部自適應(yīng)閾值分割算法的高壓線圖像檢測

基于局部自適應(yīng)閾值分割算法的高壓線圖像檢測步驟如下：①對灰度轉(zhuǎn)換后的圖像進(jìn)行增強(qiáng)，依次進(jìn)行背景過濾、邊緣檢測，得到目標(biāo)候選區(qū)域；②計(jì)算圖像局部自適應(yīng)閾值，并對目標(biāo)候選區(qū)域進(jìn)行閾值分割找出目標(biāo)邊緣；③對圖像進(jìn)行中值去噪，得到最終檢測的高壓線像素集合；④在原圖上標(biāo)示出高壓線所在位置。流程如圖1所示。

3.1 高壓線灰度圖像處理

由于天氣、霧霾等導(dǎo)致光線不充足時(shí)，可能使得高壓線像素過低，與周邊物體像素差過小。如果采用彩色圖像分割方法，很有可能將部分高壓線誤判為建筑物，從而失去部分信息。目前，大多數(shù)設(shè)備采集到的圖像為32位真彩色圖像，若直接使用，則每一位像素都需要進(jìn)行3次計(jì)算，計(jì)算量較大，不能滿足實(shí)時(shí)系統(tǒng)的有關(guān)要求。而灰度圖像只有8位，計(jì)算量僅為彩色圖像的1/3。此外，對于高壓線而言，并不需要額外的彩色信息?；叶忍幚砗蟮膱D像如圖2所示。

圖1 基于局部自適應(yīng)閾值分割算法的高壓線圖像檢測流程

3.2 圖像增強(qiáng)

經(jīng)過灰度轉(zhuǎn)換后，圖像灰度動(dòng)態(tài)變化范圍有所降低，同時(shí)增添了其它額外信息，使得圖像質(zhì)量下降。因此，采用線性變換方法增強(qiáng)圖像，使用線性變換方法擴(kuò)大圖像中不同物體間的特征差異，從而突出圖像中背景信息，同時(shí)削弱其它不需要的信息[8]。如圖3所示，增強(qiáng)后的圖像突出了樹木等背景信息，削弱了背景中的細(xì)節(jié)信息，方便后續(xù)背景過濾。

3.3 背景過濾

首先，使用圖像算術(shù)運(yùn)算加法操作找到圖像背景。對圖像的每一個(gè)像素進(jìn)行乘2操作，得到圖像背景。若計(jì)算結(jié)果超出灰度值最大值，則使計(jì)算結(jié)果為灰度值最大值；若計(jì)算結(jié)果小于灰度值最小值，則使計(jì)算結(jié)果為灰度值最小值。然后，使用圖像算術(shù)運(yùn)算除法和減法過濾圖像背景。將經(jīng)過算術(shù)運(yùn)算加法操作后的圖像除以2，再將增強(qiáng)后的圖像減去該圖像，得到去除背景后的圖像。若計(jì)算結(jié)果超出灰度值最大值，則使計(jì)算結(jié)果為灰度值最大值；若計(jì)算結(jié)果小于灰度值最小值，則使結(jié)果為灰度值最小值。

利用灰度圖像特性，采用圖像算術(shù)運(yùn)算方法進(jìn)行去除背景。從圖4可以看出，經(jīng)過加法運(yùn)算后，已找出圖像背景，再對圖像進(jìn)行減法運(yùn)算，過濾圖像中的復(fù)雜背景。

3.4 邊緣檢測

常用邊緣檢測算法有Sobel算子、Robert算子、Log算子和Canny算子等。根據(jù)高壓線圖像呈水平邊緣的特點(diǎn)，采用3x3水平sobel算子模板，使其與已過濾背景的圖像進(jìn)行卷積，實(shí)現(xiàn)圖像邊緣檢測，突出水平邊緣的灰度值。Sobel使用的算子模板如圖5所示。

一幅圖像高階比特面會攜帶大量的可見相關(guān)細(xì)節(jié)，低階比特面則分布一些細(xì)小的細(xì)節(jié)，而這些細(xì)節(jié)通常是視覺感覺不到的[9]。圖像經(jīng)過算術(shù)運(yùn)算后會留下大量不可見細(xì)節(jié)，且圖像質(zhì)量越差，不可見細(xì)節(jié)越多。邊緣檢測只能檢測特定的邊緣，邊緣檢測后，這些細(xì)節(jié)也會強(qiáng)烈響應(yīng)sobel算法，如圖6所示，存在大量“虛假邊緣”。

3.5 閾值分割

利用最大類間方差法閾值算法和局部閾值分割方法，對圖像進(jìn)行分割處理。如圖7所示，大量“虛假邊緣”已經(jīng)被過濾，同時(shí)保留了高壓線，但有少量噪聲需要過濾。采用此方法，時(shí)間復(fù)雜度T（n）=O（n2），低于Hough變換算法的T（n）=O（n3）；空間復(fù)雜度和Hough變換算法一樣，同為S（n）=O（n2）。實(shí)際中，本算法只需消耗用于存儲結(jié)果的圖像空間和用于存儲部分變量的空間，而Hough變換算法還要存儲一維數(shù)組累加器，所以本算法消耗的存儲空間少于Hough變換算法。局部自適應(yīng)閾值分割后的圖像如圖7所示。

3.6 中值濾波

中值濾波具有非常優(yōu)秀的去噪能力，尤其是對孤立點(diǎn)。先在像素的濾波窗口內(nèi)進(jìn)行統(tǒng)計(jì)排序，用領(lǐng)域內(nèi)像素灰度中值替代該像素值。該方法其實(shí)是強(qiáng)制將該像素點(diǎn)的值取為濾波窗口的中間亮度，圖像經(jīng)局部自適應(yīng)閾值分割算法后像素值已經(jīng)二值化。所以，在經(jīng)過中值濾波時(shí)，如果該點(diǎn)為孤立點(diǎn)，則該點(diǎn)的像素值將位于統(tǒng)計(jì)排序的兩邊，中值濾波取濾波窗口的中間亮度，該點(diǎn)會被濾掉，如圖8所示。

3.7 彩色圖像的高壓線目標(biāo)顯示

在原圖中除高壓線外，還包含其它信息。為方便相關(guān)人員對環(huán)境有一個(gè)整體判斷，可用紅色像素在原圖上標(biāo)示出高壓線所在位置（黑白效果見圖9），不僅能更加明確高壓線的位置，而且不容易忽視樹木、房屋等其它障礙物信息。

4 實(shí)驗(yàn)結(jié)果

在Matlab 7.0 環(huán)境中，通過編程實(shí)現(xiàn)了上述方法。首先，經(jīng)過Sobel算子邊緣檢測后，圖像檢測到高壓線，產(chǎn)生了大量“虛假邊緣”。采用圖像局部自適應(yīng)閾值分割算法對這些邊緣進(jìn)行過濾，效果較好。然后，對圖像進(jìn)行中值濾波去除孤立點(diǎn)。最后，使用紅色像素在原圖上標(biāo)示出高壓線所在的位置，方便操作人員把握高壓線的位置，同時(shí)不容易忽視障礙物。

5 結(jié)語

本文在分析高壓線及其環(huán)境圖像特性的基礎(chǔ)上，采用圖像算術(shù)運(yùn)算方法和局部自適應(yīng)閾值分割算法進(jìn)行復(fù)雜背景的過濾及高壓線提取，并最終在原圖上標(biāo)示出高壓線的位置。本方法計(jì)算量小、速度快，能有效過濾復(fù)雜背景和噪音。

參考文獻(xiàn)：

[1] 鄭天茹，王濱海.電力巡線無人直升機(jī)障礙規(guī)避系統(tǒng)[J].山東電力技術(shù)，2012（1）：1417.

[2] 徐艷國.直升機(jī)防撞雷達(dá)關(guān)鍵技術(shù)及發(fā)展趨勢[J].現(xiàn)代雷達(dá)，2011，33（2）：912.

[3] 王家秀.直升機(jī)載毫米波防撞系統(tǒng)技術(shù)研究[D].南京：南京理工大學(xué)，2011.

[4] 賀東霞，李竹林，王靜.淺談數(shù)字圖像處理的應(yīng)用與發(fā)展趨勢[J].延安大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，32（4）：1821.

[5] 孟華東.基于圖像處理的高壓線識別方法[P].中國，CN101806888B，201295.

[6] 俞鴻波.從紅外圖像中自動(dòng)識別架空高壓線的方法[P].中國，CN102930280A，2013213.

[7] 謝鵬鶴.圖像閾值分割算法研究[D].湘潭：湘潭大學(xué)，2012.

[8] 余章明，張?jiān)w宇，陳得民，王紅民.數(shù)字圖像增強(qiáng)中灰度變換方法研究[J].電子質(zhì)量， 2009（6）：1820.

[9] 岡薩雷斯.數(shù)字圖像處理[M].阮秋琦，譯.北京：機(jī)械工業(yè)出版社，2003：86.

（責(zé)任編輯：陳福時(shí)）