复制成功
  • 图案背景
  • 纯色背景
shiluodehu..

上传于:2015-06-15

粉丝量:0

该文档贡献者很忙,什么也没留下。



基于复杂背景下绝缘子的识别

下载积分:333

内容提示:   摘 要  由于输电线路长期在恶劣的自然环境下运行, 加上长期机械负荷和强电场的因素, 会使绝缘子产生故障, 所以要对输电线路进行定期巡检。 然而因为架设的输电线路需要经过山川河流等许多的复杂地形, 人工检测的难度非常大。 当前,输电线路的巡检已经普遍采用直升机实行数据采集, 但是怎样从冗杂的数据中检测出输电线路中各部件的故障是目前研究工作的要点。 本篇论文的主要目的是研究航拍输电线路图像中绝缘子部件的分割与识别,这也正是绝缘子故障检测的基础工作, 并且可以直接用于直升机航拍巡检图像中绝缘子部件的提取。 该方法首先将 RGB 色彩空间...

文档格式:DOCX| 浏览次数:19| 上传日期:2015-06-15 00:14:35| 文档星级:
  摘 要  由于输电线路长期在恶劣的自然环境下运行, 加上长期机械负荷和强电场的因素, 会使绝缘子产生故障, 所以要对输电线路进行定期巡检。 然而因为架设的输电线路需要经过山川河流等许多的复杂地形, 人工检测的难度非常大。 当前,输电线路的巡检已经普遍采用直升机实行数据采集, 但是怎样从冗杂的数据中检测出输电线路中各部件的故障是目前研究工作的要点。 本篇论文的主要目的是研究航拍输电线路图像中绝缘子部件的分割与识别,这也正是绝缘子故障检测的基础工作, 并且可以直接用于直升机航拍巡检图像中绝缘子部件的提取。 该方法首先将 RGB 色彩空间分为三个单独通道, 并选用 B通道进行分割, 然后采用 sobel 算子边缘检测法对图像进行分割处理, 接着用形态学滤波的方法滤除噪声, 再用连通区域标记的方法将分割出的绝缘子串进行标记, 最后采用基于面积的特征提取方法完整地将绝缘子提取出。 经过实验表明, 本文的方法能够有效的识别并提取出目标绝缘子图像, 但是由于航拍图像中复杂的背景干扰以及航拍角度等外在因素的干扰, 就会给目标的提取带来一定的困难, 所以还需要对提取方法加以研究和改进。 关键词: 数字图像处理, 图像去噪, 绝缘子提取, 连通区域标记, 形态学滤波,特征提取   ABSTRACT Due to the transmission line running for a long time in your bad natural environment, and factors such as the mechanical load and strong electric field for a long time, can make the malfunction of the insulator so need regular checking on transmission lines. But due to the laying of the transmission line passes through mountains and rivers and many other complex terrain, and the difficulty of manual inspection. At present, the inspection of the transmission line has been widely used in helicopter for data collection, and how to detect from multifarious data for the parts of the transmission line fault is the focus of current research. In this paper, the main work is to study the aerial transmission line insulator in image segmentation and recognition, it is also the foundation of fault identification, can be used for the extraction of image from a helicopter aerial inspection insulator images. This method first of all, the RGB color space is divided into three separate channels, and selects the B channel segmentation. And then apply sobel edge operator method for image segmentation, then, with morphological filtering method to filter out noise. To use the method of the connected area will split out the insulator string, finally adopts the method of feature extraction is complete to pick out the insulator.After Halcon experiment simulation software, the method can effectively from complex background images full of extracting target image. Said by experiment, the method can effectively extract the targets, due to the complex background of aerial images and aerial perspective, and a series of external factors, can bring certain difficulty to the extraction of target, so still need to improve on extraction method. KEY WORDS: digital image processing, image denoising, Insulator extract, Connected Component Labeling, morphological filter, feature extraction    目录 摘 要............................................................................................................................... I ABSTRACT .................................................................................................................. II 第 1 章 绪 论................................................................................................................ 1 1.1 课题研究背景及意义....................................................................................... 1 1.2 国内外研究现状............................................................................................... 1 1.3 本课题研究工作与结构安排........................................................................... 3 第 2 章 RGB 色彩空间................................................................................................... 5 2.1RGB 彩色空间介绍 .......................................................................................... 5 第 3 章 图像分割.......................................................................................................... 7 3.1 图像分割简介................................................................................................... 7 3.2 图像分割方法概述........................................................................................... 7 3.2.1 基于阈值的分割方法............................................................................ 7 3.2.2 基于区域的图像分割............................................................................ 9 3.3.3 基于边缘检测的图像分割.................................................................. 10 3.3 实验结果对比分析......................................................................................... 12 第 4 章 形态学处理.................................................................................................... 15 4.1 形态学处理简介............................................................................................. 15 4.2 形态学处理方法概述..................................................................................... 15 4.2.1 腐蚀: .................................................................................................. 16 4.2.2 膨胀...................................................................................................... 16 4.2.3 开运算.................................................................................................. 16 4.2.4 闭运算.................................................................................................. 17 4.3 实验结果对比分析......................................................................................... 17 第 5 章 连通区域标记................................................................................................ 20 5.1 连通区域标记简介......................................................................................... 20   5.2 连通区域标记方法概述................................................................................. 20 5.2.1 象素标记.............................................................................................. 20 5.2.2 游程连通性分析.................................................................................. 21 第 6 章 特征提取........................................................................................................ 22 6.1 特征提取简介................................................................................................. 22 6.2 特征提取概述................................................................................................. 22 6.2.1 颜色特征描述...................................................................................... 22 6.2.2 形状特征分析....................................................................................... 23 第 7 章 总结与展望.................................................................................................... 26 7.1 总结................................................................................................................. 26 7.2 展望................................................................................................................. 26 参考文献...................................................................................................................... 28 致 谢.......................................................................................... 错误! 未定义书签。   1 第 1 章 绪 论 本章简略介绍课题的研究目的及意义, 该课题国内外研究现状以及论文内容安排等。 1.1 课题研究背景及意义 绝缘子是输电线路中的一种特殊的绝缘部件, 用来支撑和固定母线与带电导体、 并且使带电导体之间或者导体与大地之间有充足的绝缘距离。 绝缘子在架空输电线路中能起到起到重要的作用, 但是输电线路中的绝缘子在运行过程中由于长期的机电与电磁负荷, 还有周围复杂的环境等作用, 就会出现绝缘电阻值降低, 绝缘子开裂甚至击穿等故障, 直接或者间接影响电网安全。为了保证电网线路的安全运行, 必须对输电线路劣化绝缘子检测技术进行深入的研究和改进。 电网安全和是否能稳定运行越来越受到国家重视。 绝缘子在输配电系统中应用尤其广泛, 并且在近年大力发展的超高压、 特高压交、 直流输电系统中, 整个电网系统的投资及安全水平更是取决于绝缘子的安全问题。 目前, 我国电网中广泛存在输变电设备老旧, 设备没有改造完全, 抵抗事故能力差等问题。 根据国家电网公司的统计, 由绝缘子缺陷引起的事故已经成为电力系统故障发生率的第一位,因此输电巡线工作也成了保障电网安全的重要环节。 当前直升机巡线已经成为多条重要输电线路的日常巡线手段, 成为人工巡线的重要辅助手段, 直升机巡检输电线路相较于人工巡检输电线路, 更加的准确。 因此, 输电线上应用直升机巡线已经越来越普遍。 这样不仅可以大幅度降低巡线成本, 提高巡线效率, 同时也能够提高巡线人员安全工作。 通过对直升机巡检线路采集到的大量航拍图像处理和分析即可发现输电线路中的故障与缺陷, 因此数字图像处理技术应用在电力线路巡检中具有非常好的前景。 1.2 国内外研究现状 伴随着科学技术日新月异的发展, 世界各国当前都普遍采用直升机对输电线路进行巡线检测, 并且结合日益发展的计算机信息技术和图像处理技术, 输电线 2 路的故障检测变得日益便捷化和智能化。 上个世纪中叶, 欧美等一些发达国家就已经开始用直升机代替人工进行航拍输电线路。 随着航空交通工具技术的发展与进步, 西欧、 北欧等一些发达国将更多的注意力放在直升机巡检输电线路上, 并且取得了优异的成绩。尤其是在美国,已经能够利用直升机在不停电的状态下更换高电压输电线路中部分零部件。 欧美、 中东和以色列以及日本等科学技术比较先进的国家经过半世纪的研究探索,将直升机在带电作业, 架设线路等技术发展的越来越成熟。 借鉴这些早使用直升机进行电力作业的国家的经验, 我国也开始了相关方面的研究和实践, 并且取得了良好的效果。 在我国最早采用直升机进行输电线路巡检等作业的是华北电网, 起到了良好的带头作用。 在华北电网刚引进直升机进行输电线路巡检的初期, 由于当时科学技术的落后, 并没有取得理想的效果, 相关领域的研究也就此搁置。 而现在随着我国经济的发展, 科学技术方面也有了长足的进步, 这两方面的条件促进了相关的研究再次进行, 相关技术的发展满足当前行业对电力日益增长的需求。 在上世纪末本世纪初, 华中地区, 西北地区、 东北地区、 华北地区等电网开始利用直升机巡检输电线路等技术的研究。 其中成绩显著的是华北电网, 该公司与北京的一家直升机公司合作, 对华北电网的输电线进行了大规模巡检, 巡查过程中发现了多处故障、 并且进行及时修复, 避免了大面积停电事故发生。 浙江电力局绍兴分局也紧随其后利用直升机进行了巡查, 发现多处安全隐患, 及时地进行了维护。 10 年初, 浙江电力局绍兴分局开发的“直升机巡检输电线路” 系统通过了考核, 该系统的主要作用是实现采集信息的数字化、 目标跟踪自动化、 故障识别智能化等功能, 其技术发展水平在国际同行业中排名前列。 随着直升机在电力工程应用上的普及, 相关技术得到了极大进步, 尤其是在国家电力总公司提出了明确的目标之后, 直升机在电力工程上的应用范围得到了进一步扩大, 有关的标准也进一步得到完善。 如图 1-1 为国家电网公司的直升机正对输电线路进行巡检。 3  图 1-1 直升机航拍输电线路 目前, 我国与世界上的绝缘子在线检测的主要方法常分为两大类: 非接触式检测法与接触式检测法。 非接触式检测方法主要包括超声波检测法、 激光多普勒振东法、 红外线测温度法、 电晕摄像机法、 声波检测法及无线电波检测法等。 接触式检测方法主要包括: 电压分布检测法、 泄漏电流检测法以及脉冲电流检测法等。 如今, 我国大部分科研院机构都已经研发出了针对绝缘子的在线监测系统。如: 西安高压研究所研制的基于 GPS 的绝缘子污秽遥测新系统, 哈尔滨超高压研究所研制的基于泄露电流绝缘子在线监测系统都投入实际应用并取得了 良好的效果。 虽然对绝缘子的研究由很多, 但是在可见光图像中对复杂背景下的绝缘子进行提取仍是研究的一个难点。 1.3 本课题研究工作与结构安排 本文主要用以数字图像处理与分析技术来实现绝缘子识别与提取。 全文共分为 6 章, 具体结构如下: 第 1 章 绪论, 介绍了课题研究目的及意义和国内外研究现状。 第 2 章 介绍 RGB 彩色空间的概念, 最终确定采用 B 通道分量图进行图像分割。 第 3 章 介绍图像分割技术的基本概念, 并确定采用 sobel 算子边缘检测法进行图像分割。 第 4 章 介绍形态学滤波的基本概念, 并确定采用开运算与闭运算相结合的 4 滤波方式。 第 5 章 介绍特征提取的基本概念, 并确定采用基于面积的图像特征提取方式。 第 6 章 总结与展望。 5 第 2 章 RGB 色彩空间 2.1RGB 彩色空间介绍 如下图 2-1 所示, 为直升机航拍巡检得到的航拍绝缘子部件的图像, 其分辨率为 690*518。 图 2-1 航拍绝缘子图像 大部分的彩色图像是由 RGB 三通道构成的, RGB(红绿蓝) 空间是依据人眼识别的颜色定义出的, 可用来表示大部分颜色。 RGB 颜色空间是数字图像处理里最基本的颜色模型, 依据三基色原理, 用基色光单位来表示光的量, 而在RGB 色彩空间中, 任意颜色的光 F 都可以用 R、 G、 B 三种颜色的不同分量叠加混合而成: F=r[R]+g[G]+b[B] (2-1) 它是在配色实验的基础上建立的, RGB 彩色空间的示意图如图 2-2 所示 图 2-2RGB 彩色空间示意图 6 RGB 颜色空间模型是数字图像处理中最基本的色彩模式, 它是在配色实验的基础上成立的, RGB 颜色空间的基本观点是认为人眼有蓝、 绿、 红 3 种感受色彩的细胞, 它们的最大感光灵敏度分别落在红色、 蓝色和绿色区域, 其合成的光谱就是视觉曲线。 而原图则是由三个通道组成的, 为了将 R、 G、 B 三通道分开, 如图 2-3(a)、(b)、(c) 所示: 为 RGB 图像转换为三通道的 R、 G、 B 分量图。 图 2-3R 通道分量图 图 2-4G 通道分量图 图 2-5B 通道分量图 通过观察, 在 B 分量图中, 绝缘子串区域较亮, 背景区域较暗, 绝缘子图像和背景的对比度最大, 为了方便下一步的提取, 所以选择用户 B 通道的分量图来分割绝缘子图像。 下面第三章进一步介绍图像分割的原理和方法。 7 第 3 章 图像分割 3.1 图像分割简介 经常说的图像分割指的是根据图像的灰度值、 颜色、 纹理以及形状等一些特征将图像区分为许多互相不相交的区域, 而且在同一区域内使这些特征呈现相似性, 但是在不同区域内使这些特征呈现出明显的差异性。 图像分割从根本上说是把各个像素进行分类。 而在本幅图中为了将绝缘子和背景分离出来采用图像分割方法, 从而方便后一步的特征提取。 3.2 图像分割方法概述 图像分割方法基本上可以分为三大类: 1. 基于阈值选择的图像分割法 2. 基于区域的图像分割方法 3. 基于边缘检测的图像分割方法。 3.2.1 基于阈值的分割方法 一般在一幅图像中, 图像背景和目标图像有不同的灰度值, 而阈值法的基本思想是根据图像灰度特征计算灰度的阈值, 并且把图像中每个像素点的灰度值与所选取的灰度阈值做对比, 最后根据比较的结果将每个像素放到合适的类别中。所以, 阈值法最关键的一步就是按照某一个准则函数求取最佳灰度阈值。 设一幅图像为 f(x, y) , 它的灰度范围是[0, L-1], 阈值法就是在 0 和 L-1 间选择一个合适的灰度值 T, 这个值称为灰度阈值。 图像分割方法就可描述为: 1 ( , )0 ( , )f i j( , )g i jf i jTT(3-1) 这样得到的 g(x, y) 是一副二值图像, 阈值的选取对阈值图像分割是非常重要的。 而选取阈值有一下几种方法: (1) 直方图阈值 如果比较背景区域和目标区域, 并且目标区域足够大, 而且目标与背景之间差异足够大, 这样目标区域与背景区域各自在灰度直方图中自己形成波峰, 由于每两个波峰之间形成一个低谷, 因而选择双峰间低谷处所对应的灰度值为阈值,可将两个区域分离。 把这种通过选取直方图阈值来分割目标和背景的方法称为直 8 方图阈值双峰法。 (2) 最大熵阈值法 熵的概念是平均信息量, 利用图像直方图的熵来寻找最佳阈值称作最佳熵阈值法, 这样做可以使目标图像与背景图像之间分布的信息量最大。 假设图像灰度直方图范围为{0,1, …, l-1}, 根据信息论, 熵的定义为: 10ln(),LiiiiiNHpppN (3-2) 设 t 为分割阈值,0ttiiPp, 用来表示直方图灰度取值在[0, t]区间内的所有像素的概率和, 这样图像的后验熵为: '( )L()(1) ln(1)ttttHtPin PPP (3-3) 最佳阈值就是熵函数取最大值时对应的灰度值 t。 (3) 迭代法 迭代法是基于逼近的思想, 其步骤如下: ①首先求根据图像灰度直方图求出的最大灰度值和最小灰度值, 分别记作Zmax 和 Zmin, 记阈值 T0=(Zmax+Zmin) /2 为初始值; ②根据上一步的阈值 T0 将图像分割为前景和背景, 然后求出这两者的平均灰度值记作 Z0 和 ZB; ③求出新的阈值 Tk=Tk+1, 则所得即为阈值; 否则转为 2, 继续迭代。 阈值分割采用迭代法得到的图像效果很好。 基于迭代的阈值法能够区分出图像的前景和背景, 但是并不能很好的区分细微处。 (4) 最大类间法 日本学者大津在 1979 年提出最大类间法, 最大类间法可自动适应阈值的确定, 又称作大津法, 简称 OTSU。 最大类间法按照图像的灰度特性, 将图像分成背景和前景两个部分。 只要背景和前景之间的类间方差越大, 就说明背景与前景的差别越大, 当把部分背景误判为前景或者前景误判为背景时两部分差异就会变小。所以, 要使错分概率最小就意味着要使最大类间方差最大。 对于图像 I(x,y), 把前景和背景的分割阈值记作 T, 把前景像素点数目占整幅图像的比例记为 ω0, 其平均灰度值记为 μ0;把背景像素点数占整幅图像的比例为 ω1, 平均灰度记为 μ1。 把 9 图像总的平均灰度值记为 μ, 类间方差记作 g。 假设图像的大小为 M×N, 并且图像背景较暗, 图像中像素点灰度值小于阈值 T 的像素个数记作 N0, 像素灰度大于阈值 T 的像素个数记作 N1, 则有: ω0=N0/ M×N (1) ω1=N1/ M×N (2) N0+N1=M×N (3) ω0+ω1=1 (4) μ=ω0*μ0+ω1*μ1 (5) g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6) 将式(5) 代入(6) 式, 得到等价公式: g=ω0ω1(μ0-μ1)^2 (7) 最后采用遍历的方法得到使类间方差最大的阈值 T, 即为所求。 3.2.2 基于区域的图像分割 (1) 区域生长法 区域生长又称为区域增长, 将具有相似性质的像素集合起来构成一个区域是区域生长的基本思想。 它的本质是把相似的像素连接成一片区域。 并且构成的这些区域是互不相交的, 每一区域都满足特定区域的一致性, 实施时, 先在这个要被分割区的域内确定一个种子像素当作生长起始点, 然后再判断种子像素的领域中是否有与种子像素相似的像素(根据某种事先确定的生长或相似准则来判定), 如果相似就将它们合并到种子像素所在的区域中。 重复上面过程, 将新生成的像素当作种子像素, 直到再没有满足条件的像素可被包括进来, 这样一个区域就生长成了。 在实际应用中以下 3 个步骤可以实现区域生长法: ①选择一组正确的起始点种子像素, 要确定这个种子像素可以代表所需区域。 ②然后通过相似性判别生长将领域中相邻像素包括进来。  10③最终确定区域生长过程中停止的规则。 (2) 分裂—合并分割法 分裂—合并的分割方法是指按照某种区域属性的一致性测度, 从树的某一层开始, 把应该合并的区域加以合并, 应该细分的区域再进行细分。 这样来看, 区域分割是区域生长的一个逆过程, 它首先从整幅图像开始, 进行不断的分裂的道不同的子区域, 然后再把前景区域合并, 最终以实现目标的提取。 经典的分割方法如四叉树或金字塔座位。 3.3.3 基于边缘检测的图像分割 数字图像分割、 目标区域分割与识别、 特征形状提取等图像分析领域中十分重要的一项就是边缘检测, 同时也是图像提取与识别中判断图像特征的一个重要属性。 物体的边缘以也就是在图像灰度直方图中局部灰度值变化最显著的部分。常见的三种边缘有: 阶梯型边缘(step-edge) , 屋顶行边缘(Roof-edge) , 线性边缘(Line-edge)。 在实际的图像分割中, 往往只用到一阶和二阶导数, 虽然, 原理上, 可以用更高阶的导数, 但是, 因为噪声的影响, 在纯粹二阶的导数操作中就会出现对噪声的敏感现象, 三阶以上的导数信息往往失去了应用价值。 二阶导数还可以说明灰度突变的类型。 在有些情况下, 如灰度变化均匀的图像, 只利用一阶导数可能找不到边界, 此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感,解决的方法是先对图像进行平滑滤波, 消除部分噪声, 再进行边缘检测。 不过,利用二阶导数信息的算法是基于过零检测的, 因此得到的边缘点数比较少, 有利于后继的处理和识别工作。 各种算子的存在就是对这种导数分割原理进行的实例化计算, 是为了在计算过程中直接使用的一种计算单位。 (1) Sobel 算子 其主要用于边缘检测, 在技术上它是以离散型的差分算子, 用来运算图像亮度函数的梯度的近似值, Sobel 算子是典型的基于一阶导数的边缘检测算子, 由于该算子中引入了类似局部平均的运算, 因此对噪声具有平滑作用, 能很好的消除噪声的影响。Sobel 算子对于象素的位置的影响做了加权, 与 Prewitt 算子、Roberts算子相比因此效果更好。  11Sobel 算子包含两组 3x3 的矩阵, 分别为横向及纵向模板, 将之与图像作平面卷积, 即可分别得出横向及纵向的亮度差分近似值。 实际使用中, 常用如下两个模板来检测图像边缘。 检测水平边沿横向模板:10420210 1xG (3-4) 检测垂直平边沿纵向模板:121000121yG(3-5) 图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合, 来计算梯度的大小。2x2y2GGG(3-6) 然后可用以下公式计算梯度方向。arctan()yxGG (3-7) 在以上例子中, 如果以上的角度Θ 等于零, 即代表图像该处拥有纵向边缘,左方较右方暗。 缺点是 Sobel 算子并没有将图像的主题与背景严格地区分开来,换言之就是 Sobel 算子并没有基于图像灰度进行处理, 由于 Sobel 算子并没有严格地模拟人的视觉生理特征, 所以提取的图像轮廓有时并不能令人满意。 (2) Roberts 算子 罗伯茨算子、 Roberts 算子是一种最简单的算子, 是一种利用局部差分算子寻找边缘的算子, 他采用对角线方向相邻两象素之差近似梯度幅值检测边缘。 检测垂直边缘的效果好于斜向边缘, 定位精度高, 对噪声敏感, 无法抑制噪声的影响。 1963 年, Roberts 提出了这种寻找边缘的算子。 Roberts 边缘算子是一个 2x2 的模板, 采用的是对角方向相邻的两个像素之差。 从图像处理的实际效果来看, 边缘定位较准, 对噪声敏感。 适用于边缘明显且噪声较少的图像分割。 Roberts 边缘检测算子是一种利用局部差分算子寻找边缘的算子, Roberts 算子图像处理后结果边缘不是很平滑。 经分析, 由于 Roberts算子通常会在图像边缘附近的区域内产生较宽的响应, 故采用上述算子检测的边缘图像常需做细化处理, 边缘定位的精度不是很高。 (3) Prewitt 算子 Prewitt 算子是一种一阶微分算子的边缘检测, 利用像素点上下、 左右邻点  12的灰度差, 在边缘处达到极值检测边缘, 去掉部分伪边缘, 对噪声具有平滑作用。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的, 这两个方向模板一个检测水平边缘, 一个检测垂直边缘。 对数字图像 f(x, y), Prewitt 算子的定义如下: G(i)=|[f(i-1,j-1)+f(i-1,j)+f(i-1, j+1)]-[f(i+1,j-1)+f(i+1, j)+f(i+1, j+1)]| (3-8) G(j)=|[f(i-1,j+1)+f(i,j+1)+f(i+1, j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1, j-1)]| (3-9) 则 P(i,j)=max[G(i),G(j)]或 P(i,j)=G(i)+G(j) (3-10) 经典 Prewitt 算子认为: 凡灰度新值大于或等于阈值的像素点都是边缘点。即选择适当的阈值 T, 若 P(i,j)≥T, 则(i,j)为边缘点, P(i,j)为边缘图像。 这种判定是欠合理的, 会造成边缘点的误判, 因为许多噪声点的灰度值也很大, 而且对于幅值较小的边缘点, 其边缘反而丢失了。 Prewitt 算子对噪声有抑制作用, 抑制噪声的原理是通过像素平均, 但是像素平均相当于对图像的低通滤波, 所以 Prewitt 算子对边缘的定位不如 Roberts算子。 因为平均能减少或消除噪声, Prewitt 梯度算子法就是先求平均, 再求差分来求梯度。 水平和垂直梯度模板分别为: 检测水平边沿横向模板: 10 110 110 1xG  (3-11) 检测垂直平边沿纵向模板:111000111yG(3-12) 该算子与 Sobel 算子类似, 只是权值有所变化, 但两者实现起来功能还是有差距的, 据经验得知 Sobel 要比 Prewitt 更能准确检测图像边缘。 3.3 实验结果对比分析 采用全局阈值法、 局部阈值法、 最大类间法和 sobel 算子边缘检测法对图像进行分割处理。  13 图 3-1 全局阈值 T=148 图 3-2 局部阈值 图 3-3 最大类间法 图 3-4 Sobel 边缘提取 实验结果显示, 全局阈值法不能有效的将瓷片提取出, 且噪声较多。 最大类间法和局部阈值法都不能完整的将绝缘子提取出, 部分瓷片有遗漏。 对比可得边缘提取可以最大程度的保留绝缘子瓷片的完整性, 所以选择边缘提取和阈值分割相结合可以完整的将瓷片提出。 如下图 3-5 所示, 为采用 sobel 算子 3×3 模板对原图进行边缘提取后再选取 T=30 进行阈值分割后的图像。 可以将绝缘子瓷片完整提取出。 虽然噪点较多,可进一步考虑形态学滤波予以消除。  14 图 3-5 图像分割后的绝缘子图像  15第 4 章 形态学处理 4.1 形态学处理简介 对上一步图像分割后的到的图像进行形态学处理, 可以有效的滤除噪声, 保留图像中原有信息。 同时, 提取边缘也比较平滑。 数学形态学(Mathematcial Morphology) 诞生于1964年, 从某种特定意义上来讲, 形态学图像处理是以几何学为基础的。 它着重研究图像的几何结构, 其基本思想是用具有一定形状的结构元素去度量和体悟图像中的对应形状, 以达到对图像分析和识别的目的。 用于描述数学形态学的语言是集合论, 因此它可以用一个统一而强大的工具来解决图像处理中所遇到的问题。 迄今为止, 还没有一种方法能像数学形态学那样既有坚实的理论基础, 简洁、 朴素、 统一的基本思想, 又有如此广泛的使用价值。 有人称数学形态学在理论上是严谨的, 在基本观念上却是简单和优美的。 其主要用途是获取物体拓扑结构信息, 通过物体和结构元素相互作用的某些运算, 得到物体更本质的形态。 在图像处理中的主要应用是: (1) 利用形态学的基本运算, 对图像进行观察和处理, 从而达到改善图像质量的目的; (2) 描述和定义图像的各种几何参数和特征, 例如面积、 周长、 连通度、 颗粒度、 骨架和方向性等。 数学形态学方法比其他空域或频域图像处理和分析方法具有一些明显的优势。 例如, 在图像恢复处理中, 基于数学形态学的形状滤波器可借助于先验的几何特征信息, 利用形态学算子, 既可以有效地滤除噪声, 又可以保留图像中的原有信息; 另外, 数学形态学算法易于用并行处理方法有效地实现, 而且硬件实现容易。 基于数学形态学的边缘信息提取处理优于基于微分运算, 它不像微分算法对噪声那样敏感, 同时, 提取的边缘也比较平滑, 利用数学形态学方法提取的图像骨架也比较连续, 断点少。 4.2 形态学处理方法概述 基本的形态运算是腐蚀和膨胀。 开运算和闭运算。 膨胀和腐蚀是形态学处理  16的基础, 许多形态学算法都是以这两种运算为基础的。 4.2.1 腐蚀: 对Z中的集合A和B , B对A进行腐蚀的过程如下: ①用结构元素B, 扫描图像A的每一个像素。 ②用结构元素与其覆盖的二值图像做“与” 操作。 ③如果都为1, 结果图像的该像素为1, 否则为0. 腐蚀的作用是消除物体所有边界点。 如果结构元素取3*3的黑点块, 则称为简单腐蚀, 其结果使区域的边界沿周边减少一个像素; 如果区域是圆的, 则每次腐蚀后它的直径将减少2个像素。 腐蚀可以把小于结构元素的物体去除, 选取不同大小的结构元素, 可去掉不同大小且无意义的物体。如果两物体间有细小连通,当结构元素足够大时, 腐蚀运算可以将物体分开。 4.2.2 膨胀 膨胀可以看作是腐蚀的对偶运算, 其定义是: 把结构元素B平移a后得到Sa,若Sa击中A, 记下这个a点。 所有满足上述条件的a点组成的集合称作A被B膨胀的结果。 整个操作过程如下: ①用结构元素B, 扫描图像A的每一个像素。 ②用结构元素与其覆盖的二值图像做“与” 操作。 ③如果都为0, 结果图像的该像素为0, 否则为1。 膨胀的作用是把图像区域周围的背景点合并到区域中, 其结果是使区域的面积增大相应数量的点。 如果结构元素取3*3, 则称为简单膨胀, 其结果使区域的边界沿周边增加一个像素, 如果区域是圆的, 则每次膨胀后区域的直径增加两个像素, 如果两个物体距离比较近, 通过膨胀可能连通到一起。 膨胀对填补分割后物体中的空洞很有用。 4.2.3 开运算 虽然腐蚀处理可以将粘连的目标物体进行分离, 膨胀处理可以将断开的目标物进行连接, 但同时都存在一个问题, 就是经过腐蚀处理后, 目标物的面积小于原有面积, 而经过膨胀处理以后, 目标物的面积大于原有面积。 开、 闭运算就是  17为了解决这个问题而被提出的。 使用同一个结构元素对图像先腐蚀再进行膨胀的运算称为开运算。 开运算通常用来消除小对象物、 在纤细点处分离物体、 平滑较大物体的边界的同时并不明显改变其面积。 开运算通常是在需要去除小颗粒噪声, 以及断开目标物之间粘连时使用。 其主要作用与腐蚀相似, 与腐蚀操作相比, 具有可以基本保持目标原有大小不变的优点。 4.2.4 闭运算 闭运算是开运算的对偶运算, 定义为先膨胀后再做腐蚀。 闭运算是通过填充图像的凸角来滤波图像的, 能够填平小孔, 弥合小裂缝, 而总的位置形状不变。不同结构元素的选择导致了不同的分割, 结构元素大小的不同将导致滤波效果的不同。 4.3 实验结果对比分析 由上一步图像分割的图像还存在很多噪点, 利用形态学滤波, 采用不同结构不同尺寸的结构元素进行开运算、 闭运算, 通过实验结果来决定采用方法。 图 4-1 1*1 圆形结构元素开运算 图 4-2 2*2 圆形结构元素开运算  18 图 4-3 2*2 矩形结构元素开运算 图 4-4 3*3 矩形结构元素开运算 图 4-51*1 圆形结构元素闭运算 图 4-6 3 * 3 圆形结构元素闭运算 图 4-73 * 3 矩形结构元素闭运算 图 4-8 5 * 5 矩形结构元素闭运算 由实验结果可得, 采用大小为1的圆形结构元素开运算可以减少部分噪声并且尽大可能保留绝缘子的完整性。 当结构元素为2时, 虽然噪声被消除, 但是绝  19缘子的完整性被破坏。 结构元素尺寸选择越大, 开运算结果越明显, 同时, 绝缘子信息丢失越多。 本文采用两种结构、 尺寸相同的1 * 1圆形结构元素对图像进行先开运算后闭运算。 可最大程度保留绝缘子信息。 但噪声并没有完全滤除, 后一步考虑特征提取将绝缘子提取出。 如图为形态学滤波后的图像。 图4-9 形态学滤波后图像  20第 5 章 连通区域标记 5.1 连通区域标记简介 取阈分割得到的图象常包括多个区域, 需要通过标记把它们分别提取出来。标记分割后(二值) 图象中各区域的简单而有效的方法是检查各象素与其相邻象素的连通性。 5.2 连通区域标记方法概述 连通区域标记有两种基本方法, 像素标记法和游程标记法。 下面介绍这两种实用的算法: 5.2.1 象素标记 假设对1幅二值图象从左向右、 从上向下进行扫描(起点在图象的左上方)。要标记当前正被扫描的象素需要检查它与在它之前扫描到的若干个近邻象素的连通性。 例如当前正被扫描象素的灰度值为1, 则将它标记为与之相连通的目标象素。 如果它与2个或多个目标相连通, 则可以认为这些目标实际是同1个, 并把它们连接起来。 如果发现了 从为0的象素到1个孤立的为1的象素的过渡, 就赋1个新的目标标记。 现先考虑4连通的情况。 根据以上建立的概念我们可如下进行标记。 假如当前象素的值是0, 就移到下1个扫描位置。 假如当前象素的值是1, 检查它左边和上边的2个近邻象素(根据所用的扫描次序, 当我们到达当前象素时这2个近邻象素已被处理过了)。 如果它们都是0, 就给当前象素1个新的标记(根据已有信息,直到目前这是该连通区域第1次被扫描到)。 如果上述2个近邻元素只有1个值为1,就把该象素的标记赋给当前象素。 如果它们的值都为1且具有相同的标记, 就将该标记赋给当前象素。 如果它们的值都为1但具有不同的标记, 就将其中的1个标记赋给当前象素并做个记号表明这2个标记等价 (2个近邻象素通过当前象素而连通)。 在扫描终结时所有值为1的点都已标记但有些标记是等价的。 我们所需做的就是将所有等价的标记对归入等价组, 对各个组赋1个不同的标记。 然后第2次扫  21描图象, 将每个标记用它所在等价组的标记代替。 为了给8-连通的区域标记, 我们可采用相同的方式, 只是不仅对当前象素左边和上边的2个近邻象素, 而且对2个上对角的近邻象素也要检查(同样, 所用的扫描次序保证当我们到达当前象素时, 这4-个象素已被处理过了)。 假如当前象素的值是0, 就移到下1个扫描位置。 假如当前象素的值是1并且上述4个相邻象素都是0, 给当前象素赋1个新的标记。 如果只有1个相邻象素为1, 就把该象素的标记赋给当前象素。 如果2个或多个相邻象素为1, 就将其中1个的标记赋给当前象素并做个记号表明它们等价。 在扫描结束后将所有等价的标记归入等价组, 对每个组赋1个唯一的标记。 然后第2次扫描图象, 将每个标记用它所在等价组的标记代替。 5.2.2 游程连通性分析 1. 游程 游程是将一系列重复的像素点值使用 该值和一个计数值表示, 如数据{0A,0A,,0A,0A,0A,0A,0A,0B,0B,0B,0B,0B},可以表示为{07,0A, 05, 0B},仅需要4Byte.同时, 在连通区域标记时, 无需判断这12个像素的连通性, 只需要判断两个游程之间的连通性。 2. 基于游程节点的连通性分析 游程连通性指如果游程中至少1个像素与另一个游程中的像素满足4-连通或者8-连通。 本文采用像素标记, 将图像中具有相同像素值且位置相邻的前景像素点组成的图像区域找到并且标记。 如图, 为连通区域标记后的图像: 图 5-1 连通性区域标记后的图像  22第 6 章 特征提取 6.1 特征提取简介 特征提取是计算机视觉和图像处理中的一个概念。 它指的是使用计算机提取图像信息, 决定每个图像的点是否属于一个图像特征。 特征提取的结果是把图像上的点分为不同的子集, 这些子集往往属于孤立的点、 连续的曲线或者连续的区域。 至今为止特征没有万能和精确的定义。 特征的精确定义往往由问题或者应用类型决定。 特征是一个数字图像中“有趣” 的部分, 它是许多计算机图像分析算法的起点。 因此一个算法是否成功往往由它使用和定义的特征决定。 因此特征提取最重要的一个特性是“可重复性” : 同一场景的不同图像所提取的特征应该是相同的。 6.2 特征提取概述 图像特征可以分为: 视觉特征和统计特征。 图像的视觉特征是指人的视觉直接感受到的自然特征(例如区域的颜色、 亮度、 纹理、 轮廓等); 统计特征是指需要通过变换或测量才能得到的人为特征(例如各种变换的频谱、 直方图、 各阶矩等)。 6.2.1 颜色特征描述 颜色特征属于图像的内部特征, 描述了图像或图像区域所对应的表面性质。它对图像的表面尺寸、 方向、 大小、 视觉等变化不敏感, 因此颜色特征被广泛应用于图像识别。 根据颜色与空间属性的关系, 颜色特征的表示方法有颜色矩、 颜色直方图等。 (1) 颜色矩 颜色矩是以数字方法为基础的, 通过计算矩来描述颜色的分布。 颜色通常直接在 RGB 空间计算, 由于颜色分布信息主要集中在低阶矩, 因此常用一阶矩、二阶矩和三阶矩来表达图像的颜色分布。 (2) 颜色直方图  23许多图像识别系统中广泛采用颜色直方图作为图像的颜色特征, 它所描述的是不同色彩在整幅图像中所占的比例, 而不关心每种色彩所处空间位置, 即无法描述图像中的对象。 颜色直方图反应了图像颜色分布的统计性, 适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。 最常用的颜色空间有RGB 颜色空间和 HSV 颜色空间等。 6.2.2 形状特征分析 物体和区域的形状是图像表达和图像检索中的另一重要的特征。 但不同于颜色或纹理等底层特征, 形状特征的表达必须以对图像中物体或区域的划分为基础。 (1) 链码 链码在图像处理和模式识别中是一种常用的表示方法, 用来表示线条模式。根据链的斜率不同, 常用的有 4 方向和 8 方向链码。 在 4 方向链码中, 4 个方向码的长度都是一个像素单位; 在 8 方向链码中, 水平和垂直方向的方向码的长度都是一个像素单位, 而对角线方向的 4 个方向码为√2 倍的像素单位。 因此它们的共同点是直线段的长度固定, 方向数有限。 故此可以利用一系列具有这些特点的相连直线段来表示目标的边界。 由于表示一个方向数比表示一个坐标值所需比特数少, 而且对每一个点又只需一个方向数就可以代替两个坐标值, 因此链码表达可以大大减少边界所需的数据量, 所以常用链码作为对边界点的一种编码表示方法。 (2) 几何特征的描述 a.质心 由于目标在图像中总有一定的面积大小, 通常不是一个像素的, 因此有必要定义目 标在图像中的精确位置。 定义目 标面积中心点就是该目 标在图像中的位置, 面积中心就是单位面积质量恒定的相同形状图形的质心。 b.周长 区域的周长即区域的边界长度, 一个形状简单的物体用相对较短的周长来包围它所占有的面积内像素, 周长就是围绕所有这些像素的外边界的长度。 通常,测量这个长度时包含了 许多 90° 的转弯, 从而夸大了 周长值。 区域的周长在区别具有简单或复杂形状物体时特别有用。 由于周长的表示方法不同, 因为计算方  24法也不同, 常用的简便方法如下: ① 隙码表示: 当把图像中的像素看作单位面积小方块时, 则图像中的区域和背景均由小方块组成, 区域的周长即为区域和背景缝隙的长度和, 交界线有且仅有水平和垂直两个方向。 ② 链码表示: 当把像素看作一个个点时, 周长定义为区域边界像素的 8 链码的长度之和。 当链码值为奇数时, 其长度记为√2; 当链码值为偶数时, 其长度记作 1, 则周长 p 表示为 P=Ne+√2N0 (6-1) 式中: Ne 和 N0 分别为 8 方向边界链码中走偶数步与走奇数布的数目。 ③ 面积表示: 即周长用区域边界点数之和表示。 c. 面积 面积是物体总尺寸的一个方便的度量, 面积只与该物体的边界有关, 而与其内部灰度级的变化无关。 一个形状简单的物体可用相对较短的周长来包围它所占的面积。 ① 像素计数面积 对某个图像区域 Ri, 其面积 Ai 就是统计 Ri 中边界内部(也包括边界上)的像素点的灰度级之和。 对于二值图像, 若用 1 表示目标, 用 0 表示背景, 其面积就是统计 f(x,y)=1的个数。 ② 链码计算面积 根据 Freeman4-链码表示的轮廓由水平和垂直部分组成, 用水平部分所在的y 坐标加权和表示区域面积, 即用 0 码值所在的 y 坐标之和减去 2 码值所在的 y坐标之和。 d.距离 图像中两点 P(i.j) 和 Q(h,k) 之间的距离, 常用以下 3 种方法: ①欧几里德距离: de(P,Q)=√ [(i-h)² +(j-k) ² ] (6-2) ②市区距离: d4(P,Q)=| i-h| +| j-k| (6-3) ③棋盘距离:  25d8(P,Q)=max(| i-h| ,| j-k| ) (6-4) 本文通过对形态学滤波后的绝缘子图像进行分析, 由于噪点还未全部消除,且噪点的面积和绝缘子的面积相差较多, 所以选用形状特征分析中的面积特征提取将绝缘子与噪点分离开, 从而完整的将绝缘子部分提取出。 如下图为特征提取后的图像。 图 6-1 特征提取后绝缘子图像  26第 7 章 总结与展望 7.1 总结 本文对直升机航拍巡检像进行分析, 提出来一种能够准确从复杂背景中提取绝缘子图像的方法, 相比采用颜色识别绝缘子的方法, 能够有效的滤除多余信息,将绝缘子图像完整提取出, 较大提高了识别绝缘子的正确率, 从而可以进一步发现绝缘子故障和缺陷...

关注我们

关注微信公众号