背景复杂下航拍图像的电力线识别算法

2019-08-07赵浩程雷俊峰王先培曹文彬姚鸿泰蔡兵兵

测绘通报 2019年7期

赵浩程，雷俊峰，王先培，赵乐，田猛，曹文彬，姚鸿泰，蔡兵兵

(武汉大学电子信息学院，湖北武汉 430072)

随着高压输电线网络的不断建设，电力线的安全性检测与维护工作变得越加繁重。传统的人工巡检电力线方式无法满足日益繁重的电力线巡检工作要求。因此，电力企业开始大范围使用搭载摄像头的无人机进行电力线巡检。但复杂多变的背景(如河流、数目、草地、房屋、农田等)对电力线识别过程造成了困难。因此，如何从充满复杂背景的航拍图像中完整准确地识别出电力线已成为电力线无人巡检的关键问题之一[1-7]。

近年来，国内外科研人员对从航拍图像中检测电力线进行了许多研究。其中，文献[8]利用搜索聚类算法与形态学处理相结合降低了图像中的背景噪音，并使用阈值区间方法计算Hough变换的参数自适应估算，从而识别出图像中的输电线，但该方法参数选择过程复杂，识别效果在低对比度的情况下较差。文献[9]设计了一种电力线快速提取算法，该算法将形态学处理、Canny算子和Hough变换相结合，实现了对电力线的完整提取，但该方法的稳健性较差，处理不同背景下的电力线效果差别较大。文献[10]使用黑塞矩阵实现了对图像的边缘检测，然后利用随机Hough变换检测各条块区域内的输电线，但该方法只针对电力线从左到右横跨图像的情况，未对电力线从上到下跨越图像的情况进行分析。

针对上述方法对背景复杂航拍图像的电力线识别问题，本文提出一种复杂背景下电力线识别新方法。为提高图像对比度，首先对无人机俯拍图像进行直方图均衡化处理，增强边缘检测效果；然后为适应多种复杂背景，使用无参数的边缘绘图-参数自由(edge drawing-parameter free,EDPF)算法检测电力线边缘与滤除大量背景噪声，同时将LoG算子引入EDPF算法中改善锚点的选择过程；最后将先验知识与Radon变换相结合实现对电力线的准确识别。

1 复杂背景下电力线识别

无人机低空俯拍的电力线图像具有对比度低、电力线近似为直线、电力线宽度较窄、背景复杂等特点。根据这些特征，本文算法主要包括图像增强处理、图像边缘检测、电力线识别等。

1.1 电力线图像增强处理

航拍图像中存在对比度低和灰度分布不均匀的现象，因此需要利用直方图均衡化方法[11]对电力线图像进行处理，该方法是将原图像的直方图中灰度分布调整为均匀分布。如图1—图3所示。

从直方图均衡化后的灰度图(如图4所示)可知，虽然电力线得到了增强，但是仍然受到复杂背景的干扰。

1.2 电力线图像边缘检测

为完整地检测出电力线边缘并滤除复杂背景的干扰，本文利用无参数、适应性强的EDPF算法实现对电力线边缘的检测。EDPF算法[12]是从ED(edege drawing)算法[13]发展而来。ED算法与传统的边缘检测器Canny、Ratio、形态学检测方法不同，传统的边缘检测器通过阈值梯度幅度聚类以确定边缘元素，而ED算法先沿着行和列调用稀疏点(称为锚点)，然后通过智能的启发式边缘追踪程序连接这些锚点。该算法主要分为4个步骤：

(1) 对图像进行滤波操作，如利用高斯滤波器，以抑制噪声并平滑图像。

(2) 计算平滑图像的每个像素处的梯度大小和方向，可以使用任何已知的梯度算子，如Prewitt、Sobel、Scharr等。

(3) 计算一组特殊像素，称为锚点，这些像素是具有很高概率边缘元素的像素。锚对应于由梯度算子产生最大值的像素，即梯度图的峰值。

(4) 通过在边缘点之间绘制边缘来连接步骤(3)中计算的锚点。

EDPF算法是所有参数处于最大值时的原始ED算法，以检测所有的可能边缘段，然后利用亥姆霍兹原理检测出无效的假性线段。对线段的验证过程为：

定义如下

(1)

式中，MN为图像尺寸；C为组合方法的数量；n为线段长度；p=0.125，为线方向的精度；k为沿着线段的梯度角对齐像素数。若NFA(n,k)≤1，则线段为有效线段，否则为无效线段。

EDPF算法中锚点是指梯度局部最大值，锚点的选取是通过与邻近点比较进行的，若比较值大于阈值，则为锚点。本文为降低EDPF算法中锚点选取的错误率，将五阶LoG算子作为比较时的权重判定，公式如下

(2)

像素点的比较值T(x,y)可表示为

T(x,y)=16G(x,y)-2G(x+1,y)-

2G(x,y+1)-2G(x-1,y)-2G(x,y-1)-

G(x,y-2)-G(x+1,y-1)-G(x+2,y)-

G(x+1,y+1)-G(x,y+2)-G(x-1,y+1)-

G(x-2,y)-G(x-1,y-1)

(3)

在锚点的选择过程中，计算像素点的T(x,y)，若T(x,y)≥Tth，则G(x,y)点为锚点，否则为普通边缘点。

图5中噪声多为点状，且集中分布在图像的中间部分；图6中噪声多为线段，且零散分布在图像中。通过比较，改进的EDPF算法可获取完整的边缘图像，同时滤除大部分背景噪声。

1.3 基于先验知识和Radon变换识别电力线

边缘检测后的图像中依然存在大量的背景噪声，为从边缘信息中提取出电力线，利用Radon变换从中提取直线段。Radon变换是将数字图像矩阵在某一指定角度射线方向上作线性变换。连续图像的Radon变换为

(4)

(5)

式中，ρ表示直线空间坐标原点到直线的距离；θ表示垂直距离和x的夹角；S表示图像平面；f(x,y)为图像上某一点(x,y)的像素灰度值。Radon变换将图像中每一条直线对应为ρ-θ空间内的一个点，当原图像中存在一条直线时，在法线方向上的投影值最大，在ρ-θ空间内表现为峰值。

虽然Radon变换对电力线提取范围作了一定约束，但仍存在部分直线干扰物，因此需要进一步对电力线进行识别处理，如图7所示。

在无人机的俯拍电力线图像中，电力线之间近似平行，且两条电力线保持着一定距离。在通过Radon变换获得ρ-θ空间信息后，将倾角相近且距离相近的直线归为同一组，筛选出与电力线夹角差值较大的其他直线。

2 试验结果与分析

为验证本文所提出算法的可行性，进行了两组对比试验。首先为验证算法对于不同复杂背景的处理效果，选择不同背景下的4组图像作为试验对象，如图8所示；然后选择本文提出的改进EDPF算法、Canny算法[14]、ED算法和LoG算子对4组图像进行边缘检测；最后利用本文算法、传统的Canny算法与Hough变换相结合的方法、LSD算法[15]分别对4组图像中的电力线进行识别和对比分析，如图9、图10所示。

图9中，ED算法对边缘敏感，导致背景1、3、4情况下电力线边缘被背景噪声严重干扰，对于低对比度的背景2情况下可检测到完整的电力线；Canny算法检测出背景1、2情况下电力线模糊不清，同时电力线多为不连续的短线段，无法检测出背景3、4情况下的电力线；LoG算子可检测出背景1、2情况下的电力线，但无法从背景3、4情况下的噪声中检测出电力线，同时LoG算子检测结果为离散不连续的边缘点；本文所改进后的EDPF算法在完整检测出背景1、2、3情况下的电力线的同时，也滤除了大部分背景噪声，对于更复杂的背景4，可检测出以荒土为背景的电力线。通过比较，相对于ED算法、Canny算法、LoG算子，改进后的EDPF算法对复杂背景下电力线的检测效果整体优于其他3种，且可以滤除更多的背景噪声，抑制背景噪声的干扰。

图10中，Canny算法与Hough变换相结合的方法存在断裂与漏检现象，且检测出了一些无关的背景线段，在背景1的处理中更为明显，同时检测出背景4中左上角的电力线；LSD算法将电力线均能识别出来，不存在漏检现象，但会将无关的背景噪声线段识别出来，如识别出背景1中屋顶的噪声线段，且在背景4左上角的区域识别出大量的噪声线段；本文算法可完整识别出4幅图像中的电力线，尤其可以识别出背景4左上角区域中的电力线，且不存在漏检现象和检测出噪声现象。相比于LSD算法、传统的Canny算法与Hough变换相结合的方法，本文方法可完整地识别出多种复杂背景下的电力线，且识别准确率更高，更适用于复杂背景下的电力线识别工作。