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，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，采用圖像局部自適應(yīng)閾值分割算法，彌補Hough變換算法的不足。實驗結(jié)果表明，該算法能在復雜背景中對高壓線進行有效識別。

關(guān)鍵詞：高壓線檢測；圖像算術(shù)運算；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

文獻標識碼：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，密集的高壓線群對直升機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，每10 000 h飛行中，直升機平均會發(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、激光雷達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行高壓線檢測，南京理工大學、華南理工大學、哈爾濱工業(yè)大學、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，使用不同探測器效果不同，而探測器價格昂貴，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、邊緣檢測和特征目標提取等技術(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，要在復雜背景中識別出高壓線，首先需要進行背景過濾。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，因此需要增強背景和高壓線之間的差異。此外，不可見細節(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，所以需要對圖像進行“虛假邊緣”和噪聲過濾處理。

去除背景前，圖像增強將增大圖像灰度級的動態(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，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，利用圖像算術(shù)加法運算找出背景。其原理是依據(jù)像素灰度值，保留屬于背景的像素點，過濾掉不屬于背景的像素點。對樹木、房屋等像素值較低的背景像素點而言，像素值增加一倍并不會使其超出圖像最大灰度級，所以這些像素點將被保留下來。經(jīng)過圖像算術(shù)加法運算后，可找出待過濾的背景，但此時背景圖像灰度值已增加一倍，所以需要先降低背景像素值，再利用增強后的圖像和已降低像素值的背景圖像之間的差異性進行背景過濾。

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變換算法能準確檢測出目標直線，在圖像處理中得到廣泛應(yīng)用。但其將圖像中的每一個邊緣點映射到參數(shù)空間相應(yīng)的曲線中，再在累加器中對滿足條件的點進行累加，其時間復雜度和空間復雜度可以近似地認為T（n）=O（n3）和S（n）=O（n2），所以該方法計算量大，需預存參數(shù)空間，一定程度上浪費存儲資源。本文利用目標高壓線和背景“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小窗口進行閾值分割，且該小窗口能逐像素滑動，直至遍歷整個圖像。最后，每個像素點的閾值判斷均與該點周圍環(huán)境緊密相連，而不是對單個像素點進行判斷。

2.1 自適應(yīng)閾值計算

閾值采用常用的最大類間方差法來計算，其具體算法原理如下：設(shè)圖像有L個灰度級，灰度值是i的像素數(shù)為ni，則總像素數(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個區(qū)域，即將灰度級分為兩類，背景類A=（0，1，……，t）和目標類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

計算閾值后，使用局部閾值分割方法進行高壓線檢測和“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像素進行閾值分析，將該點像素值與閾值進行比較，判斷該點是目標還是背景。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)每一幅圖像計算出一個適合該圖像的閾值，閾值計算方法采用最大類間方差法，基本思路如下：

如式（10）、（11）所示，利用預設(shè)像素大小的窗口（如3*3）在圖像中逐像素滑動，直到遍歷整個圖像，在每個窗口對應(yīng)的圖像子區(qū)域中，計算窗口內(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。

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)換后的圖像進行增強，依次進行背景過濾、邊緣檢測，得到目標候選區(qū)域；②計算圖像局部自適應(yīng)閾值，并對目標候選區(qū)域進行閾值分割找出目標邊緣；③對圖像進行中值去噪，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、霧霾等導致光線不充足時，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行3次計算，計算量較大，不能滿足實時系統(tǒng)的有關(guān)要求。而灰度圖像只有8位，計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。灰度處理后的圖像如圖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

經(jīng)過灰度轉(zhuǎn)換后，圖像灰度動態(tài)變化范圍有所降低，同時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圖像，使用線性變換方法擴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，同時削弱其它不需要的信息[8]。如圖3所示，增強后的圖像突出了樹木等背景信息，削弱了背景中的細節(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)運算加法操作找到圖像背景。對圖像的每一個像素進行乘2操作，得到圖像背景。若計算結(jié)果超出灰度值最大值，則使計算結(jié)果為灰度值最大值；若計算結(jié)果小于灰度值最小值，則使計算結(jié)果為灰度值最小值。然后，使用圖像算術(shù)運算除法和減法過濾圖像背景。將經(jīng)過算術(shù)運算加法操作后的圖像除以2，再將增強后的圖像減去該圖像，得到去除背景后的圖像。若計算結(jié)果超出灰度值最大值，則使計算結(jié)果為灰度值最大值；若計算結(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)運算方法進行去除背景。從圖4可以看出，經(jīng)過加法運算后，已找出圖像背景，再對圖像進行減法運算，過濾圖像中的復雜背景。

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，采用3x3水平sobel算子模板，使其與已過濾背景的圖像進行卷積，實現(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)細節(jié)，低階比特面則分布一些細小的細節(jié)，而這些細節(jié)通常是視覺感覺不到的[9]。圖像經(jīng)過算術(shù)運算后會留下大量不可見細節(jié)，且圖像質(zhì)量越差，不可見細節(jié)越多。邊緣檢測只能檢測特定的邊緣，邊緣檢測后，這些細節(jié)也會強烈響應(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，對圖像進行分割處理。如圖7所示，大量“虛假邊緣”已經(jīng)被過濾，同時保留了高壓線，但有少量噪聲需要過濾。采用此方法，時間復雜度T（n）=O（n2），低于Hough變換算法的T（n）=O（n3）；空間復雜度和Hough變換算法一樣，同為S（n）=O（n2）。實際中，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。先在像素的濾波窗口內(nèi)進行統(tǒng)計排序，用領(lǐng)域內(nèi)像素灰度中值替代該像素值。該方法其實是強制將該像素點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，如果該點為孤立點，則該點的像素值將位于統(tǒng)計排序的兩邊，中值濾波取濾波窗口的中間亮度，該點會被濾掉，如圖8所示。

3.7 彩色圖像的高壓線目標顯示

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)境有一個整體判斷，可用紅色像素在原圖上標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 實驗結(jié)果

在Matlab 7.0 環(huán)境中，通過編程實現(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行過濾，效果較好。然后，對圖像進行中值濾波去除孤立點。最后，使用紅色像素在原圖上標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)運算方法和局部自適應(yīng)閾值分割算法進行復雜背景的過濾及高壓線提取，并最終在原圖上標示出高壓線的位置。本方法計算量小、速度快，能有效過濾復雜背景和噪音。

參考文獻：

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

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

[3] 王家秀.直升機載毫米波防撞系統(tǒng)技術(shù)研究[D].南京：南京理工大學，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].延安大學學報：自然科學版，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，2012.

[8] 余章明，張元，廉飛宇，陳得民，王紅民.數(shù)字圖像增強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：機械工業(yè)出版社，2003：86.

（責任編輯：陳福時）