王芝茗，燕福龍，朱琳琳，曹蔚然

(1．遼寧省電力有限公司，遼寧 沈陽 110006;2．中國科學(xué)院沈陽自動化研究所，遼寧 沈陽 110016)

采用航拍圖像作為高壓輸電巡檢手段的設(shè)想由來已久，但由于受到當(dāng)時硬、軟件技術(shù)的限制未能發(fā)展起來［1］，一般多采用雷達作為檢測設(shè)備［2］。直到近些年，航拍圖像這種技術(shù)手段才又引起人們的廣泛關(guān)注。如，Zhengrong Li等人采用一種基于知識并帶有PCNN(Pulse-Coupled Neural Network)濾波器的方法來實現(xiàn)無人機巡檢［3］;而Li Fu等人采用聯(lián)合電線形態(tài)學(xué)特性和通用線段檢測的方法來檢測圖像中的電線目標(biāo)［4］。旋翼無人機由于其可控性較強、速度適中而被更多地應(yīng)用于對可操作性及可觀測性要求較高的領(lǐng)域如高壓輸電線巡檢應(yīng)用。旋翼無人機結(jié)合航拍技術(shù)進行高壓輸電線巡檢被證明是一種可行的巡檢技術(shù)。旋翼無人機高壓輸電線航拍圖像中的電線檢測問題是一類特殊的圖像線檢測問題，其具有航拍高壓輸電線圖像的若干特有特征，如背景復(fù)雜、電力線高亮、電力線細弱、電力線平行等。這些特征決定了其線檢測問題的復(fù)雜性，增加了線檢測的難度，降低了線檢測的準(zhǔn)確率。針對這些特點，本文提出一種基于多向濾波的線增強算法，實驗結(jié)果證明它具有高魯棒性、高精確性的特點，因而適用于旋翼無人機高壓輸電線的巡檢應(yīng)用。

1 圖像線索增強技術(shù)

圖像增強技術(shù)對于圖像檢測識別的結(jié)果影響重大。在高壓輸電線巡檢中，圖像線狀目標(biāo)增強的結(jié)果對能否正確、快速識別電線起著極為重要的作用，圖像線狀目標(biāo)增強稱為圖像線索增強。目前，人們對圖像增強技術(shù)已有多年研究，而對線索增強技術(shù)特別是電線一類的長直線增強技術(shù)的研究則相對較少。以下對目前比較常用的線索增強技術(shù)進行闡述。

1.1 邊緣檢測

邊緣檢測是一類傳統(tǒng)的圖像處理方法，其具體的算法有很多，如Prewitt算子，Sobel算子，Canny算子等。這些算法主要是采用一階微分算子考查圖像的一階導(dǎo)數(shù)的特性［5］，由于其結(jié)果的線狀性而可以應(yīng)用于線索增強。目前，Canny算子由于其優(yōu)異的性能而應(yīng)用廣泛［6－8］。

Canny算子是由John F.Canny于1986年開發(fā)出來的一個多級邊緣檢測算法。其中，Canny創(chuàng)立了邊緣檢測計算理論，其目標(biāo)是找到一個最優(yōu)的邊緣檢測算法。同時，Canny引入了非最大抑制概念，把邊緣定義為在梯度方向具有最大梯度值的點。Canny提出圖像邊緣檢測必須滿足2個條件:能有效地抑制噪聲;必須盡量精確確定邊緣的位置。

Canny算法步驟可以描述為:首先對圖像進行高斯平滑處理;然后對處理后的圖像進行梯度計算，包括計算梯度的大小和梯度的方向;第三步對梯度幅值進行非極大值抑制;最后，采用雙閾值算法檢測和連接邊緣。

1.2 Hessian矩陣

Hessian矩陣方法是由德國人Ludwig Otto Hesse于19世紀(jì)提出的。Hessian矩陣一般被應(yīng)用于牛頓類型方法中的大規(guī)模優(yōu)化問題，它是函數(shù)的泰勒展開的一個二次項系數(shù)，即:

其中:J為Jacobian矩陣，H為Hessian矩陣。

對于二維圖像，Hessian矩陣被定義為如下形式:

這里f為圖像函數(shù)，Ixx，Ixy，Iyx和Iyy分別代表f對x、y及混合的二階偏導(dǎo)數(shù)。

Hessian矩陣可以有效表達圖像的主元信息，它在圖像處理領(lǐng)域中已有不少應(yīng)用［9－10］。這里采用其特征值來構(gòu)建增強圖像。

2 基于多向濾波的圖像增強

卷積是一種線性運算，它是通過兩個函數(shù)f和g生成第三個函數(shù)的一個數(shù)學(xué)算子，表征函數(shù)f經(jīng)過翻轉(zhuǎn)和平移與 g得到重疊部分的累積。公式如下:

圖像處理中常見的Mask都是卷積，卷積被廣泛應(yīng)用于圖像濾波。運算本文針對無人機巡線的應(yīng)用，根據(jù)高壓輸電線路在圖像中的特點，提出了一種新的多向卷積濾波方法，對圖像中的輸電線進行增強。

如圖1所示，輸電線路在圖像中是比周圍像素亮度高的線狀目標(biāo)。其中剖面的亮度分布如圖2所示?？梢钥闯鲈谳旊娋€延伸方向上圖像中間亮度值與兩側(cè)亮度值有明顯的落差?；诖?，提出了一組線性濾波算子，對各個方向的線狀目標(biāo)進行提取。

圖3為本文提出的水平方向上的濾波算子，2個算子分別對圖像進行卷積計算。最后的計算結(jié)果為2個卷積結(jié)果的乘積，只有當(dāng)像素對2個算子都有較強的反應(yīng)時才認為該像素屬于某個水平線狀目標(biāo)，避免了區(qū)域邊緣的影響。

為了對各個方向目標(biāo)都進行檢測，設(shè)計了12對 (24個)濾波算子，每對間隔15°。定義L0與R0分別為水平方向的2個算子，以其中心點作為坐標(biāo)原點 ［0，0］，則其中第n對濾波算子則分別由L0與R0繞中心旋轉(zhuǎn)θ=n*15°得到。旋轉(zhuǎn)矩陣為

圖3 水平方向上的濾波算子

然后利用該組算子分別對圖像進行各個方向上的線狀目標(biāo)增強，保留其中響應(yīng)最強的值，這樣無論輸電線的方向如何，都可以對其進行增強。

3 試驗結(jié)果

將canny算子、Hessian矩陣以及本文提出的MDF方法進行試驗對比。所有試驗都是在2.5 GHz雙核CPU，2 GB內(nèi)存的機器上運行。用樣品合成圖像和實際無人機圖像分別對上面提到的3種算法做試驗。為驗證結(jié)果，采用Radon變換對3種方法增強后的結(jié)果進行線識別，取前8條線。樣品合格圖像結(jié)果如下。

從圖4中不難看出，Hessian矩陣方法耗時最多，而Canny算子和MDF方法用時較少。值得注意的是 (d)中MDF算法在處理圖像時有2條從左上到右下方向的斜線被處理得較虛弱而未能在后續(xù)的線檢測中出現(xiàn)，這是因為MDF方法的結(jié)果與其角度分辨率成正比，要想取得更理想的結(jié)果就必須提高角度分辨率。

選擇2幅實際無人機圖像來進行試驗。第一幅圖像結(jié)果如圖5所示。從圖5的處理結(jié)果來看，Hessian矩陣方法耗時仍是最多，其他二者用時較小且相差不大。但在面對這種細紋理的雜亂背景時，Canny算子的效果變差，識別出現(xiàn)了丟線及錯誤的現(xiàn)象，在這種背景下邊緣變得異常復(fù)雜，Canny算子會增強圖像背景噪聲并使得電線部分信息被背景噪聲淹沒。Hessian矩陣方法雖正確識別出了電線，但雜亂的背景也被增強，這對于線識別終究是不利的。而MDF方法在這種背景下卻表現(xiàn)優(yōu)異，有效地抑制了背景噪聲，并重點突出了電線部分。

第二幅實際無人機電力巡線航拍圖像結(jié)果如圖6所示。從圖6結(jié)果來看，3種算法的耗時相對仍與前同。但在面對更為復(fù)雜的背景時，Canny算子的結(jié)果變得極為不好，令線檢測丟失所有目標(biāo)。Hessian矩陣方法不但耗時多，且在此時也在8條線中僅有2條指示正確。而MDF方法則顯示出了較好的結(jié)果，不但用時少，而且8條線中僅有一條偏出，這顯示MDF方法有效地增強的圖像中的線狀目標(biāo)成分，對后續(xù)的線識別起到了正確的引導(dǎo)作用。

圖6 第二幅實際無人機圖像試驗

表1 各增強方法的用時比較 s

從表1的試驗結(jié)果中可以看出，Hessian矩陣方法耗時最多，Canny算子在背景復(fù)雜的情況下效果變差，而本文提出的MDF算法表現(xiàn)出較強的魯棒性和實時性，不但用時較少，而且有效突出了圖像中的長直線目標(biāo)，為后續(xù)的線狀目標(biāo)識別掃清了障礙。

4 結(jié)論

基于視覺圖像的旋翼無人機高壓輸電線巡檢中的圖像線檢測問題具有其特殊性，表現(xiàn)為圖像背景復(fù)雜，目標(biāo)電線極易與背景混淆而難于識別，所以一個好的圖像線索增強算法對于這類線識別問題意義重大。本文正是基于這一考慮提出了一種圖像線索增強算法MDF，試驗結(jié)果表明，這種線索增強算法相比于傳統(tǒng)邊緣檢測算法以及應(yīng)用廣泛的Hessian矩陣算法，在魯棒性、實時性上都有更好的表現(xiàn)，非常適用于無人機高壓輸電線巡檢應(yīng)用。

［1］ 王先敏，曾化慶，熊 智．視覺導(dǎo)航技術(shù)的發(fā)展及其研究分析 ［J］．信息與控制，2010，39(5):607－613．

［2］ Q．Ma，D．S．Goshi，Y．C．Shih，M．T．Sun．An Algorithm for Power Line Detection and Warning Based on a Millimeter-Wave Radar Video ［J］．Image Processing，IEEE Transactions，Vol．20，Issue，12，Dec，2011，pp．3534 －3543．

［3］ Z．Li，Y．Liu，R．Hayward，et al．．Knowledge-based power line detection for UAV surveillance and inspection systems［J］．Image and Vision Computing，New Zealand，IVCNZ．23rd．International Conference，Nov．2008，pp．26 －28．

［4］ L．Fu S．Lu．Obstacle detection algorithms for aviation ［J］．Computer Science and Automation Engineering(CSAE)，IEEE International Conference， Vol． 4， June， 2011， pp． 710－714．

［5］ 苑瑋琦，王建軍，張宏勛．一種基于梯度極值的邊緣檢測算法 ［J］．信息與控制，1997，26(2):117－120．

［6］ K．Deguchi，T．Izumitani，H．Hontani．Detection and Enhancement of Line Structures ［J］．IWVF4，LNCS 2059，2001，pp．313－322．

［7］ D．Marr，and E．C．Hildreth．Theory of Edge Detection［J］．Proceedings of the Royal Society，vol．207，1994，pp．187－217．

［8］ W．Phueakjeen．A study of the edge detection for road lane［J］． Electrical Engineering/Electronics， Computer， Tele．a(chǎn)nd Info．Tech．(ECTI-CON)，2011 8th International Conference，2011，pp．995 －998．

［9］ R．Lakemond，C．Fookes，and S．Sridharan．Affine adaptation of local image features using the hessian matrix．In Proc．Advanced Video and Signal Based Surveillance［J］．IEEE conference，Genoa，Italy，Jan．，2009，PP．496 －501．

［10］ S．Lefkimmiatis．Hessian-Based Norm Regularization for Image Restoration With Biomedical Applications［J］．Image Processing，IEEE Transactions，Vol．21(3)，2012，pp．983－995．