金立軍，姚春羽，閆書佳，張文豪

（同濟大學 電子與信息工程學院，上海201804）

近年來，各地因為施放風箏、氣球等，危及電網(wǎng)安全的事件時有發(fā)生，其中不少造成了嚴重跳閘事故.輸電線路懸掛諸如此類的異物不僅使高壓電的極限放電距離縮短，危及電力線下的行人與車輛安全，嚴重時甚至造成片區(qū)大面積停電.因此，及時發(fā)現(xiàn)異物，以便采取相應措施，具有十分重要的意義.

現(xiàn)有排查異物的方法主要是人工巡線法，然而隨著高電壓、大功率、長距離輸電線路的發(fā)展，輸電網(wǎng)絡穿越的地理環(huán)境日趨復雜，依靠人工巡線排查異物變得越來越艱難.為了降低工作強度，提高工作效率，近幾年，出現(xiàn)了借助飛行器作為運載工具，裝載可見光成像檢測設備對110～1 000kV高壓輸電線走廊進行巡檢的方法［1］，并應用計算機智能處理巡檢帶回的大量圖像數(shù)據(jù)來判斷線路上是否存在異物.我國無人飛行器尚處于試飛階段，國內(nèi)外資料針對輸電線路上的異物識別都少有涉及，文獻［2－6］針對圖像空間直線進行了提取和檢測，為輸電線路的識別提供了思路.

本文以圖1為例，針對輸電線路航拍圖像中的異物識別問題，改進傳統(tǒng)Otsu（最大類間方差）圖像分割方法，并提出了一種新的針對輸電線路圖像的濾波方法，然后基于Hough變換原理提取含有異物的輸電線路特征向量，以最小風險決策原則為前提設計分類器，判斷輸電線路是否掛有異物，并搭建可視化界面進行批處理實驗驗證，為基于飛行器航拍的電網(wǎng)巡線提供參考，以保障電網(wǎng)的安全運行.

如圖1所示，落在樹林上方電力線上的風箏即是目標異物.

圖1 懸掛異物的輸電線路圖像Fig.1 Transmission line image with extra matters

1 輸電線路航拍圖像背景分割

航拍圖像默認格式為基于RGB（紅色、綠色、籃色）顏色空間的彩色圖像，其巨大的數(shù)據(jù)量不僅增加硬件設備的成本投入，而且降低了計算機的運算速度.因此，首先將RGB彩色圖像按照下式轉(zhuǎn)化為灰度圖像［7］，以減少數(shù)據(jù)維數(shù)，提高計算速度.

式中：IGray（x，y）為各像素點的灰度值；IR（x，y），IG（x，y），IB（x，y）分別為紅色、綠色和藍色分量值.

航拍圖像背景往往是我國復雜的地貌，對圖像處理和目標異物檢測精度帶來極大的干擾，復雜背景含有的無關信息也會嚴重影響計算速度.因此，必須準確地分割航拍圖像背景.

1.1 傳統(tǒng)的Otsu分割方法

圖像分割是圖像處理中最困難的任務之一，目前尚無通用的方法，其中，Otsu自適應閾值分割算法是單閾值分割中最簡單高效的方法之一.該方法不需要先驗知識，將圖像分割為目標和背景兩類［8］.

設圖像大小為M×N，目標像素個數(shù)為N1，背景像素個數(shù)為N2，則目標和背景像素個數(shù)占整幅圖像的比例分別為

令目標和背景的平均灰度分別為μ1和μ2，圖像的總平均灰度記為μ，有

則目標與背景的方差可表示為

利用關系式（2）—（4），采用遍歷法求得使g值最大的閾值T，該閾值將航拍圖像分割為背景和輸電線路兩部分.

1.2 基于形態(tài)學的改進Otsu算法

由于航拍圖像背景異常復雜，對圖1所示的航拍圖像直接Otsu分割求得的閾值T＝0.337 3，灰度直方圖并不含有顯著的雙峰，如圖2a所示，因此單獨利用Otsu算法分割效果不甚理想，如圖3a所示.

為此，本文提出一種基于數(shù)學形態(tài)學的改進Otsu算法.形態(tài)學算法是一種非線性的濾波方法，用于分析幾何形狀和結(jié)構，是建立在集合代數(shù)基礎上，用集合論方法定量描述幾何結(jié)構的科學［7，9］.

最基本的形態(tài)學運算子有腐蝕和膨脹運算.結(jié)構元素S在一個給定的目標圖像X上移動，在每一個當前位置x，S［x］有3種可能的狀態(tài)：①S［x］?X；②S［x］?X；③（S［x］∩X）∪（S［x］∩ˉX）.

腐蝕運算子表示為

膨脹運算子表示為

腐蝕運算可以消除物體邊界點，如果兩個物體之間有細小的連接.膨脹運算的作用是將物體周圍的背景點合并到物體中來［8］.形態(tài)學算法的處理性能主要取決于結(jié)構元素結(jié)構類型及其尺寸的選取.

本文提出雙層級聯(lián)式形態(tài)學結(jié)構處理方法，把兩種不同結(jié)構、不同尺寸的形態(tài)學結(jié)構元素級聯(lián)起來，可改變輸電線路航拍圖像灰度值分布，使其直方圖呈現(xiàn)雙峰，改善Otsu算法的分割效果.先將直徑為20像素的圓形結(jié)構元作為結(jié)構元素對灰度圖做腐蝕操作，再用邊長為25像素的方形結(jié)構元作為結(jié)構元素對腐蝕后的圖像做膨脹操作，最后用原圖減去該結(jié)果以體現(xiàn)原始圖像的灰度峰值，使其直方圖呈現(xiàn)雙峰，如圖2b所示.此時利用Otsu算法分割求得閾值T＝0.141 2，得到的分割結(jié)果如圖3b所示.可見，分割效果得到了極大改善.

圖3 航拍圖像分割結(jié)果對比Fig.3 Result contrast of the aerial image segmentation

2 基于輸電線路幾何特征的航拍圖像濾波

航拍圖像背景灰度值及其分布的隨機性較大，圖像分割后背景中仍會存在與輸電線路灰度值相近的噪聲，需進一步地濾波處理.

傳統(tǒng)的濾波方法無法達到局部濾波的效果，針對此問題，本文提出一種利用輸電線路直線幾何特征的方法對分割后的航拍圖像濾波.輸電線路在圖像中呈現(xiàn)的直線特性如下：

（1）圖像分割時的膨脹操作，避免了電力線不連續(xù)的情況發(fā)生.因此，相對于分散在圖像各處的不規(guī)則形狀的噪聲，一條電力線可近似看作矩形，其長寬比具有一定規(guī)律.

（2）相對于不規(guī)則噪聲所占圖像面積的比例，圖像中輸電線路區(qū)域的面積所占比例更大.

該方法的數(shù)學表達式如下：

式中：R（i）表示在對分割后圖像的4領域像素無連接的各部分標記并編號之后，第i部分記為B（i），其幾何長度與寬度之比滿足特性（1），即B（i）的水平最大寬度與垂直最大寬度之比在當輸電線路與水平線的最小夾角＜45°時＞β；當夾角＞45°時＜1/β；P（i）表示B（i）滿足特性（2），即B（i）面積所占比例＞λ.經(jīng)過大量實驗得到β＝11，λ＝1/500.只有同時滿足這兩個條件的區(qū)域，才是輸電線路區(qū)域，否則全部濾除，以達到濾波的效果.

利用該方法對圖3b進行濾波，結(jié)果如圖4所示，輸電線路區(qū)域被完整而準確地提取出來.

此時處理結(jié)果為二值圖，所含信息量過少，利用該結(jié)果圖像中目標像素位置基于原灰度圖做圖像還原，得到簡單背景的航拍灰度圖G（x，y）作為進一步異物識別的處理對象.

圖4 基于輸電線路特征的航拍圖像濾波結(jié)果Fig.4 Aerial image filter result based on the feature of transmission line

3 航拍圖像異物識別

在航拍圖像中準確識別異物故障的前提是對電力線的識別和準確定位，電力線在圖像中可以看作是一組貫穿圖像的平行直線［3］.本文通過梯度法獲取電力線的邊緣，利用Hough變換理論檢測電力線，并判斷其是否掛有異物.

3.1 Hough變換原理

Hough變換是一種直線描述方法，將笛卡兒坐標空間的直線變換為極坐標空間中的點，并將極坐標空間分為累加器單元［5－6］.在笛卡兒坐標空間中，圖像中的直線可以表示為標準式

式中：ρ為直線距原點的法線距離；θ為該法線與x軸的夾角.直線經(jīng)過Hough變換后在極坐標空間中表示為一個點（ρ，θ），極坐標空間中的每一條正弦曲線表示通過特定點（x，y）的一簇直線.將ρ和θ分成許多小段，每一個ρ段和每一個θ段構成一個小單元（Δρ，Δθ），對應每個小單元設置一個累加器Accum，當?shù)芽▋鹤鴺藘?nèi)所有像素的坐標（x，y）完成變換后，累計落在各個小單元中次數(shù)較多的單元可認為是笛卡兒坐標空間中直線所在.

3.2 異物識別

3.2.1 梯度方向?qū)?shù)

灰度圖像的梯度方向?qū)?shù)實際上表示的是灰度值在梯度方向上的變化速率.距離場的脊線正是距離場的梯度發(fā)生突變的地方［10］，文中電力線與背景相交的邊界即灰度值的梯度發(fā)生突變的位置.首先計算圖像G（x，y）的梯度方向?qū)?shù)，此時方向?qū)?shù)取得最大值，即梯度向量的模［9］，如下式所示：設定適當?shù)奶荻确较驅(qū)?shù)的閾值T1，即可檢測到電力線的邊緣.

3.2.2 累加器設計

根據(jù)輸入圖像的大小，動態(tài)地設定累加器.對于G（x，y），設其大小為［M，N］，則累加器 Accum［ρ，θ］的大?。踡，n］由下式?jīng)Q定：

其中極坐標空間中θ的取值范圍為［－π/2，π/2］.

3.2.3 特征向量的提取與分類決策

灰度圖像經(jīng)過梯度變換后，對梯度方向?qū)?shù)＞T1的像素坐標進行Hough變換，并計入累加器.通過創(chuàng)建局部極大值濾波器找到累加器中的局部極大值Nlocmax［ρi，θj］（1≤i≤m，1≤j≤n），并將局部極大值的個數(shù)，即不同的斜率截距數(shù)記為Nmaxnum.

根據(jù)Nlocmax［ρi，θj］在原始圖像中搜索線段.由于Hough變換未考慮點的相鄰性，本文假定一條有意義的線段其共線點數(shù)至少是T2，并認為當間隔點數(shù)＞T3時為兩條斜率和截距相同的線段，T2和T3為基于大量實驗的經(jīng)驗值.記錄線段的端點坐標Nsegend［xi1，yj1，xi2，yj2］，并將線段個數(shù)記為Nsegnum.若輸電線路航拍圖像存在異物，一條電力線被分為兩條線段，故選取特征向量I為

實際中，電力線存在一定的寬度，在圖像上與背景的交界邊緣數(shù)為2，而檢測到的線段數(shù)為線段邊緣數(shù)，因此含有異物的輸電線路圖像應滿足

式（8）表示當不同的斜率截距數(shù)小于線段數(shù)時，可認為輸電線路含有異物，反之則不含異物.

4 實例分析與批處理驗證

利用本文算法對如圖5所示的航拍圖像進行處理，農(nóng)田上方的電力線上纏繞了一個塑料袋，處理結(jié)果如圖6所示.可見，本算法能將其中異物準確識別出來.

圖5 驗證實例Fig.5 Validation examples

圖6 算法處理結(jié)果Fig.6 Result of the algorithm

另外，為驗證本文異物識別算法的通用性，基于Matlab－GUI（graphical user interface）板塊搭建可視化界面做批處理操作實驗，流程如圖7所示，在最小風險決策準則［11－13］的前提下，設定最佳閾值T1，應用于大量輸電線路圖像，主界面如圖8所示.

隨機選取150張樣本，其中含有異物的樣本34張，將所有樣本隨機平均分為5批導入系統(tǒng)，進行識別并統(tǒng)計誤識率，誤識率表達式為

式中：Er為誤判率；Nerror為被錯誤分類的樣本數(shù)；Nsum為樣本總數(shù).

實驗結(jié)果見表1.本文的方法在5次實驗中均能檢測出異物樣本，滿足最小風險決策準則.雖然Hough變換具有較強的魯棒性，但是在Hough變換后的累加過程中，像素在原圖像中的實際分布未知，因此Hough變換會將一些偽點當作直線，某些正常樣本如交叉電力線，會被誤檢成故障樣本.

表1 誤識率分析表Tab.1 Analysis of the false recognition rate

5 結(jié)論

基于航拍圖像的輸電線路異物識別不僅能避免人工巡線的艱苦工作環(huán)境，還能提高巡線效率.

本文提出的基于形態(tài)學算法的改進Otsu圖像分割方法極大地改善了傳統(tǒng)的Otsu分割效果.傳統(tǒng)的濾波方法的處理對象往往是圖像整體，不具有針對性，本文提出的針對輸電線路幾何特性的濾波方法能夠有效去除分散在航拍圖像中的噪聲，準確提取輸電線路區(qū)域，提高異物識別的效率.通過計算輸電線路灰度圖像梯度，避免了Hough變換原理適用于二值圖像的局限性，在航拍圖像中檢測電力線位置并識別異物故障，能夠?qū)⒑挟愇锏妮旊娋€圖像準確識別出來，為輸電線路故障診斷提供了新的手段.開發(fā)的輸電線路異物軟件可進行海量圖像的批處理，操作簡單便捷，具有實際工程應用價值.

［1］ 肖世杰.構建中國智能電網(wǎng)技術思考［J］.電力系統(tǒng)自動化，2009，33（9）：1.XIAO Shijie.Consideration of technology for constructing Chinese smart grid［J］.Automation of Electric Power Systems，2009，33（9）：1.

［2］ Li Zhengrong，Liu Yuee，Rodney A Walker，et al.Towards automatic power line detection for a UAV surveillance system using pulse coupled neural filter and an improved Hough transform［J］.Vision and Applications，2010，17（21）：677.

［3］ Chan T S，Yip K K R.Line detection algorithm［C］∥Proceedings of the 1996 International Conference on Pattern Recognition，［S.L.］：IEEE，1996：126—130.

［4］ Nitin Aggarwal，William Clem Karl Line.Detection in images through regularized Hough transform［J］.IEEE Transactions on Image Processing，2006，15（3）：582.

［5］ 張春森.基于Hough變換的空間點位自動檢測［J］.計算機工程，2006，32（13）：200.ZHANG Chunsen.Auto－position detection of spatial points based on Hough transformation［J］.Computer Engineering，2006，32（13）：200.

［6］ 王華楠.Hough變換在視覺檢測系統(tǒng)中的應用研究［D］.大連：大連理工大學機械制造及其自動化，2006.WANG Huanan.The application research of Hough Transform in vision measurement［D］.Dalian：Mechanical Manufacture and Automation of Dalian University of Technology，2006.

［7］ 阮秋琦.數(shù)字圖像處理學［M］.北京：電子工業(yè)出版社，2008.RUAN Qiuqi. Digital image processing ［M］. Beijing：Publishing House of Electronics Industry，2008.

［8］ 吳世英，鄭肇葆，虞欣.基于智能遺傳算法和Otsu法的多目標圖像分割方法［J］.測繪信息與工程，2006，31（4）：47.WU Shiying，ZHENG Zhaobao，YU Xin.A multi－object image segmentation approach based on intelligent genetic algorithm and Otsu algorithm［J］.Journal of Geomatics，2006，31（4）：47.

［9］ 岡薩雷斯.數(shù)字圖像處理［M］.阮秋琪，阮宇智，譯.北京：電子工業(yè)出版社，2005.Gonzalez R C.Digital image processing［M］.Translated by RUAN Qiuqi，RUAN Yuzhi.Beijing：Publishing House of Electronics Industry，2005.

［10］ 劉俊濤，劉文予，吳彩華，等.一種提取物體線形骨架的新方法［J］.自動化學報，2008，34（6）：617.LIU Juntao，LIU Wenyu，WU Caihua，et al.A new method of extracting objects curve－skeleton［J］.Acta Automatica Sinica，2008，34（6）：617.

［11］ 孫即祥.現(xiàn)代模式識別［M］.2版.北京：高等教育出版社，2008.SUN Jixiang.Modern pattern recognition［M］.2nd ed.Beijing：Higher Education Press，2008.

［12］ Haralick R M，Shanmugam K，Dinstein Its Hak.Textural features for image classification［J］.IEEE Transactions on Image Processing，1973，3（6）：610.

［13］ 包曉敏，汪亞明.基于最小風險貝葉斯決策的織物圖像分割［J］.紡織學報，2006，27（2）：33.BAO Xiaomin，WANG Yaming.Image segmentation based on the minimum risk Bayes decision［J］.Journal of Textile Research，2006，27（2）：33.