陳　建，沈?yàn)t軍，姚一楊，劉　雄，琚小明

(1.國家電網(wǎng)浙江省電力公司信息通信分公司，浙江 杭州 310007；2.華東師范大學(xué) 計(jì)算機(jī)科學(xué)與軟件工程學(xué)院，上海 200062)

0　引　言

隨著國家電網(wǎng)投資規(guī)模的不斷擴(kuò)大，網(wǎng)絡(luò)結(jié)構(gòu)越來越復(fù)雜，電網(wǎng)巡視和維護(hù)的工作量巨大[1]，傳統(tǒng)的輸電線路和變電站人工巡視操作方式已經(jīng)滿足不了高效的電網(wǎng)巡檢工作要求。為此，國家電網(wǎng)公司大力推廣無人機(jī)線路巡檢[2-5]。由于航拍圖像背景為復(fù)雜多變的自然背景，直接對航拍圖像進(jìn)行輸電線的檢測會產(chǎn)生很高的誤檢率和漏檢率。

為了減弱背景噪音對輸電線目標(biāo)的干擾，近年來國內(nèi)對航拍圖像中檢測輸電線進(jìn)行了多種方法的研究，趙利坡等[6]通過對輸電線目標(biāo)進(jìn)行基于方向約束的線狀目標(biāo)增強(qiáng)以抑制豎直方向的干擾物體和其它非線狀背景和噪音，通過Radon變換引入識別因子來去除水平干擾物體，但是該方法約束條件苛刻，只能識別近似水平方向的輸電線，局限性較大。曹蔚等[7]用方向?yàn)V波的結(jié)果進(jìn)行自相關(guān)增強(qiáng)能在大幅減弱航拍圖像中復(fù)雜環(huán)境背景的同時(shí)增強(qiáng)電力線目標(biāo)，有效提高圖像的電力線目標(biāo)檢測識別率。但是算法效率和增強(qiáng)效果依賴于迭代次數(shù)，需要人工控制迭代次數(shù)才能達(dá)到最佳效果。黃東芳等[8]利用搜索聚類提取像素點(diǎn)并結(jié)合形態(tài)學(xué)處理像素點(diǎn)去除圖像中的背景噪音。用閾值區(qū)間的自適應(yīng)估算方法來計(jì)算Hough變換的參數(shù)閾值，從而識別出圖像中的輸電線。然而，參數(shù)閾值的選取流程復(fù)雜，耗時(shí)長而且在對比度較低的情況下識別效果差。

針對以上這些方法應(yīng)對復(fù)雜背景環(huán)境時(shí)存在的不足，本文在前人在輸電線檢測的研究為基礎(chǔ)，結(jié)合大量航拍圖像實(shí)例和輸電線特征設(shè)計(jì)出航拍圖像中輸電線的簡化模型圖，確定輸電線區(qū)域邊界，對輸電線區(qū)域進(jìn)行劃分并得到分割系數(shù)。消除了非輸電線區(qū)域的背景噪音，并對輸電線區(qū)域內(nèi)線間距離進(jìn)行計(jì)算刪除不符合要求的線狀物，減少隨機(jī)Hough變換中參數(shù)空間遍歷所需時(shí)間，同時(shí)降低了誤檢和丟失輸電線目標(biāo)的概率。

1　圖像預(yù)處理

對航拍圖像進(jìn)行分析處理，有著準(zhǔn)確性，實(shí)時(shí)性，魯棒性的要求。在分析航拍圖像之前必須對其進(jìn)行預(yù)處理，從而達(dá)到增強(qiáng)輸電線特征，減少背景干擾的目的。

圖像預(yù)處理最常見方法有Canny算子邊緣檢測方法[9]，Canny方法具有較高的檢測精度和較多的應(yīng)用場景[10]，由于Canny算子對噪聲比較敏感，不適用于復(fù)雜背景下輸電線邊緣檢測。而Hessian矩陣方法[11,12]已經(jīng)被大量應(yīng)用于圖像中線狀目標(biāo)的增強(qiáng)，相比于Canny方法本文用Hessian方法來對航拍圖像進(jìn)行增強(qiáng)預(yù)處理并提取所有邊緣點(diǎn)，對于二維圖像，Hessian矩陣為

(1)

Hessian矩陣描述了不同方向上灰度梯度的變化，通過Hessian矩陣求取對應(yīng)像素點(diǎn)的特征值和特征向量。

2　改進(jìn)的隨機(jī)Hough變換輸電線檢測方法

2.1　標(biāo)準(zhǔn)Hough變換和隨機(jī)Hough變換

標(biāo)準(zhǔn)Hough變換定義請參見文獻(xiàn)[13]，其基本思想使用點(diǎn)-線對偶性，使得整體檢測問題轉(zhuǎn)換成局部檢測問題。

避免垂直直線斜率無限的問題，一般采用直線的極坐標(biāo)方程

ρ=xcosθ+ysinθ

(2)

式中：ρ為直角坐標(biāo)系原點(diǎn)到直線的距離，θ為直線與x軸的夾角。

圖1有一組點(diǎn)位于同一直線上，每個(gè)點(diǎn)對應(yīng)了參數(shù)空間中的一條正弦曲線，這些曲線在極坐標(biāo)系有共同的交點(diǎn)。先設(shè)定一個(gè)累加器組A[θ,ρ]，初始值為0，對每一個(gè)像素點(diǎn)(xi,yi)進(jìn)行遍歷θ的取值，計(jì)算對應(yīng)的ρ，若其值對應(yīng)累加器組某一個(gè)值，則該累加器加1，直到遍歷完所有像素。

圖1　極坐標(biāo)方程下的點(diǎn)-線對偶

由于標(biāo)準(zhǔn)Hough變換對圖像中每個(gè)像素都進(jìn)行映射，計(jì)算復(fù)雜度較高，不適合無人機(jī)航拍圖像的處理?；诟怕式y(tǒng)計(jì)的隨機(jī)Hough變換的基本思想?yún)⒁娢墨I(xiàn)[14,15]，通過多對一的映射方式，避免了標(biāo)準(zhǔn)Hough變換中一到多映射所需的龐大計(jì)算量，但是依然存在無效累計(jì)的問題，在復(fù)雜場景下容易檢測出虛假輸電線或漏檢輸電線。

經(jīng)過我們的大量無人機(jī)航拍圖像統(tǒng)計(jì)分析，80%以上的航拍圖像中輸電線只占整個(gè)不到40%的區(qū)域。但是隨機(jī)Hough變換沒有考慮輸電線檢測中輸電線會集中在一塊區(qū)域，在整個(gè)圖像空間中隨機(jī)取點(diǎn)會浪費(fèi)大量時(shí)間并引入非輸電線區(qū)域的背景噪音。

2.2　改進(jìn)的隨機(jī)Hough變換

本文針對隨機(jī)Hough變換方法進(jìn)行改進(jìn)，提出一種基于區(qū)域分割的隨機(jī)Hough變換方法。其主要思想是根據(jù)輸電線在圖像中區(qū)域分布特點(diǎn)，將含有輸電線區(qū)域邊界進(jìn)行標(biāo)記并劃分出輸電線區(qū)域，并通過輸電線平行且成對出現(xiàn)的特征引入斜率判斷機(jī)制來減小虛假峰值檢測帶來的誤檢，從而改善輸電線檢測的速度和效果。

通過統(tǒng)計(jì)分析大量無人機(jī)航拍圖像，發(fā)現(xiàn)60%以上的航拍圖像有以下特點(diǎn)：①航拍圖像中輸電線的拓?fù)浣Y(jié)構(gòu)都是直線，并且穿過圖像；②輸電線都是互相平行，而且輸電線之間的距離都是固定的；③輸電線的寬度大約是1到2個(gè)像素點(diǎn)；④輸電線一般情況下都是成對出現(xiàn)的。根據(jù)以上描述的4個(gè)特點(diǎn)可以設(shè)計(jì)出相應(yīng)的航拍圖像中輸電線簡化模型S。航拍圖像中輸電線符合上述4個(gè)特點(diǎn)即可適用該模型。如圖2所示，L1,L2,L3,L4分別為4根輸電線，輸電線之間的距離為d1,d2，abcd分別為輸電線區(qū)域邊界端點(diǎn)，輸電線區(qū)域S′即為abcd為頂點(diǎn)形成的四邊。

圖2　航拍圖像中輸電線的簡化模型S

接下來介紹輸電線區(qū)域劃分和模型生成過程：經(jīng)由Hessian預(yù)處理后的航拍圖像已經(jīng)檢測到圖像中包括輸電線目標(biāo)在內(nèi)的所有邊緣信息。因?yàn)檩旊娋€在圖像中總是從圖像一端橫穿到另一端，所以從圖像邊界開始搜索，以邊界為搜索的起點(diǎn)。劃分輸電線區(qū)域有以下3個(gè)步驟：

(1)首先從上至下搜索，先垂直方向分塊，將整個(gè)圖像從左到右分成8塊，形成8個(gè)寬度相同像素條，如圖3所示，上邊界為起點(diǎn)垂直方向向下開始搜索。然后在這個(gè)像素條內(nèi)搜索線段的邊緣信息，使用子線性算法[17]找到第一個(gè)最長的線狀物邊緣，即為L1的部分片段，然后繼續(xù)向下搜索，依次找到L2,L3,L4片段。線段之間最大間距為d2，最小間距為d1。尋找到L4片段后繼續(xù)搜索直到圖像下邊界，發(fā)現(xiàn)大于d2間距也就是虛線L6所在位置時(shí)就沒有線段片段存在。對虛線L6位置進(jìn)行標(biāo)記，即為第一個(gè)像素條內(nèi)輸電線區(qū)域下邊界。

圖3　輸電線區(qū)域劃分時(shí)像素條分塊

(2)接著從下至上搜索，以下邊界為起點(diǎn)，沿著垂直方向向上開始搜索。第一個(gè)找到的為L4部分片段，依次找到L3,L2,L1片段。尋找到L1片段后繼續(xù)向上搜索直到圖像上邊界，同樣發(fā)現(xiàn)大于d2間距也就是虛線L5所在位置時(shí)就沒有線段片段存在。對虛線L5位置進(jìn)行標(biāo)記，即為第二個(gè)像素條內(nèi)輸電線區(qū)域的上邊界。

(3)拼接全部像素條的輸電線區(qū)域上下邊界，即可得到abcd這4個(gè)頂點(diǎn)包圍的完整輸電線區(qū)域S′。

輸電線區(qū)域劃分后就可以得到d1,d2和輸電線區(qū)域面積相關(guān)參數(shù)值，從而構(gòu)成符合該圖像的特定簡化模型。

區(qū)域分割系數(shù)

(3)

考慮一根輸電線由n個(gè)像素組成，對隨機(jī)取樣兩個(gè)像素的一次實(shí)驗(yàn)中，在參數(shù)空間圖像中檢測到該輸電線的概率為Pc；

隨機(jī)Hough變換方法

(4)

本文改進(jìn)方法

(5)

由于區(qū)域分割系數(shù)0

M次實(shí)驗(yàn)后，檢測到輸電線的次數(shù)是二項(xiàng)分布中的變量ξ

(6)

則k0次實(shí)驗(yàn)丟失該輸電線的概率為Pmiss

(7)

由于Pc增大，Pc(ξ=k)變小，所以Pmiss相對就變小了。

考慮一根誤檢的輸電線由m個(gè)像素構(gòu)成，對隨機(jī)取樣兩個(gè)像素的一次實(shí)驗(yàn)中，在參數(shù)空間圖像中檢測到該輸電線的概率為Pr；

隨機(jī)Hough變換方法

(8)

本文改進(jìn)方法

(9)

M次實(shí)驗(yàn)后，檢測到輸電線的次數(shù)是二項(xiàng)分布中的變量ξ

(10)

則k0次實(shí)驗(yàn)誤檢該輸電線的概率為Pfalse

(11)

由于Pr增大，Pr(ξ=k)變小，所以Pfalse相對就變小了。

本文首先結(jié)合實(shí)踐情況構(gòu)建出航拍輸電線簡化模型圖，通過模型圖描述確定輸電線區(qū)域邊界，限定輸電線區(qū)域。通過計(jì)算得出區(qū)域分割系數(shù)，將大量無關(guān)輸電線信息的背景噪音從航拍圖像中分離，從而將參數(shù)空間中遍歷像素的數(shù)量大大減少，提高了輸電線檢測速度，并降低了輸電線目標(biāo)丟失和誤檢的概率，提高了輸電線目標(biāo)檢測的概率。

2.3　輸電線檢測算法

本文使用改進(jìn)的隨機(jī)Hough方法對航拍圖像進(jìn)行處理后，雖然減少了非輸電線區(qū)域背景噪音帶來的干擾，但還是存在虛假峰值檢測的問題。

如果設(shè)定的閾值為88，如果有3個(gè)閾值大于88的累加單元，這3個(gè)累加單元將被檢測成3條輸電線從而造成誤檢現(xiàn)象。本文利用輸電線成對出現(xiàn)而且平行的特性，可以對檢測的直線進(jìn)行斜率對比以及直線之間距離進(jìn)行計(jì)算處理，淘汰不符合要求的輸電線，從而大大降低了因?yàn)樘摷俜逯禉z測導(dǎo)致的輸電線誤檢。

取直線上任意兩點(diǎn)(xm,ym)和(xn,yn)，其中

(12)

任意兩條平行直線Ax+By+C1=0和Ax+By+C2=0，距離

(13)

輸電線檢測算法流程如下：

輸入：航拍圖像的二值圖像

輸出：輸電線被標(biāo)記出來的二值圖像

步驟1建立圖像空間，參數(shù)空間；

步驟2確定輸電線區(qū)域邊界，計(jì)算出區(qū)域分割系數(shù)，劃分輸電線區(qū)域和無關(guān)區(qū)域；

步驟3將輸電線區(qū)域參數(shù)空間離散成一個(gè)累加器陣，將圖像中每個(gè)點(diǎn)映射到參數(shù)空間對應(yīng)的累加器中；

步驟4檢測累加器陣局部最大值，得到對應(yīng)參數(shù)，并通過預(yù)設(shè)閾值保留所有候選輸電線；

步驟5計(jì)算出所有候選輸電線的斜率，針對不同斜率值進(jìn)行統(tǒng)計(jì)計(jì)數(shù)，保留計(jì)數(shù)最多的輸電線；

步驟6計(jì)算平行輸電線之間的相互距離，與圖2中4個(gè)數(shù)值中任何一個(gè)的方差小于0.01，則保留該輸電線。

3　實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的基于改進(jìn)隨機(jī)Hough變換檢測航拍輸電線的圖像檢測效果和所需時(shí)間。實(shí)驗(yàn)平臺為Win10操作系統(tǒng)下，Visual Studio 2012+OpenCV 2.4.13。本文選取3組無人機(jī)航拍圖像，首先用Canny算子邊緣檢測方法和Hessian方法分別對3組圖像進(jìn)行預(yù)處理，然后采用標(biāo)準(zhǔn)Hough變換算法、隨機(jī)Hough變換算法和本文改進(jìn)的隨機(jī)Hough變換方法，分別從檢測效果和所需時(shí)間進(jìn)行了比較。

3.1　兩種方法預(yù)處理效果對比

本實(shí)驗(yàn)采用了abc三組不同復(fù)雜背景下無人機(jī)航拍輸電線的圖像，圖像分辨率為620*810。分別使用Canny方法和Hessian方法作用于航拍圖像，其實(shí)驗(yàn)效果如圖4所示。從圖4中3組整個(gè)效果上看，Canny方法檢測出大量背景邊緣線，部分輸電線被邊緣線覆蓋，影響檢測效果。

圖4　Canny方法和Hessian方法邊緣檢測效果

使用Hessian方法對實(shí)驗(yàn)圖像進(jìn)行增強(qiáng)，第一組和第三組都得到較好的邊緣點(diǎn)，第二組因?yàn)楸尘白顬閺?fù)雜和背景中田地的干擾，增強(qiáng)效果不如第一組和第三組。但是都對輸電線的線狀特征進(jìn)行了增強(qiáng)，并對復(fù)雜的自然背景做了平滑處理，去除了部分森林樹木的干擾信息，有利于下一步算法檢測出圖像中的輸電線。

3.2　3種輸電線檢測算法檢測效果和性能對比

3組實(shí)驗(yàn)圖像經(jīng)過Hessian方法預(yù)處理后，輸電線目標(biāo)得到了一定程度的增強(qiáng)。在預(yù)處理的基礎(chǔ)上，對3組圖像分別使用標(biāo)準(zhǔn)Hough變換，隨機(jī)Hough變換，以及本文改進(jìn)的隨機(jī)Hough變換方法，其實(shí)驗(yàn)效果如圖5所示。

圖5　傳統(tǒng)方法和本文方法效果對比

圖5中，第一組中田地和樹木信息較多，傳統(tǒng)Hough變換進(jìn)行輸電線檢測時(shí)檢測出大量背景噪音，尤其是輸電線目標(biāo)與森林背景重合的地方出現(xiàn)輸電線邊緣部分模糊不清，隨機(jī)Hough變換雖然在一定程度上減少了輸電線附近田地帶來的噪音，但是依然會影響整體輸電線檢測效果，本文方法很好地過濾了輸電線附近的背景噪音，提取的輸電線線段連貫完整，整體檢測效果優(yōu)于標(biāo)準(zhǔn)Hough變換和隨機(jī)Hough變換。第二組中相對于第一組和第三組背景噪音最為復(fù)雜，不管是傳統(tǒng)Hough變換和隨機(jī)Hough變換，檢測出田地和小茅屋圓頂部分產(chǎn)生大量干擾信息，部分干擾信息與輸電線混雜在一起，嚴(yán)重影響了輸電線檢測效果，而且輸電線部分多處發(fā)生斷裂，本文方法中圓頂和田地信息被弱化從而抑制背景噪音，雖然輸電線目標(biāo)清晰度有一定程度的減弱，但是輸電線目標(biāo)依然清晰的被識別，檢測效果整體優(yōu)于標(biāo)準(zhǔn)Hough變換和隨機(jī)Hough變換。第三組中輸電線尾部被田地土壤信息干擾嚴(yán)重，標(biāo)準(zhǔn)Hough變換和隨機(jī)Hough變換檢測出的尾部和背景的田地土壤信息相互干擾導(dǎo)致邊緣信息不完整，無法很好識別輸電線，本文方法中輸電線尾部信息邊緣與田地土壤分離并弱化田地信息，雖然導(dǎo)致尾端檢測效果不如輸電線其它部分，但整體檢測效果依然優(yōu)于標(biāo)準(zhǔn)Hough變換和隨機(jī)Hough變換。

本實(shí)驗(yàn)中采用的硬件平臺如下：CPU為i7-3520M，主頻2.9 GHZ，內(nèi)存8 GB，以3種方法檢測直線所需時(shí)間來評估其性能，表1列舉了3種不同的方法在檢測輸電線的耗時(shí)以及檢測輸電線時(shí)的閾值。在閾值接近的情況下，a組中，本文方法檢測輸電線時(shí)間是標(biāo)準(zhǔn)Hough變換的35%，是隨機(jī)Hough變換的58%。b組中，本文方法檢測輸電線時(shí)間是標(biāo)準(zhǔn)Hough變換的38%，是隨機(jī)Hough變換的61%。c組中，本文方法檢測輸電線時(shí)間是標(biāo)準(zhǔn)Hough變換的34%，是隨機(jī)Hough變換的58%。這說明在背景復(fù)雜的航拍圖像中，本文提出的方法能夠有效地減少輸電線檢測所需時(shí)間，提高了輸電線檢測性能。

表1　輸電線檢測的3種方法實(shí)驗(yàn)結(jié)果對比

4　結(jié)束語

針對傳統(tǒng)Hough變換方法檢測輸電線耗時(shí)太久，隨機(jī)Hough變換方法丟失和誤檢輸電線概率偏大的問題，提出一種基于區(qū)域分割的改進(jìn)隨機(jī)Hough變換方法，通過區(qū)域分割系數(shù)將輸電線區(qū)域和非輸電線區(qū)域分割，減少背景噪音干擾，然后通過輸電線間距減少虛假峰值帶來的影響。實(shí)驗(yàn)結(jié)果表明，所提出的方法適合無人機(jī)在野外森林植被復(fù)雜的自然環(huán)境下進(jìn)行輸電線巡檢，不僅能夠更準(zhǔn)確地檢測出航拍圖像中的輸電線，同時(shí)減少檢測時(shí)間，能夠快速有效地檢測出航拍圖像中的輸電線，具有一定的實(shí)用性。

參考文獻(xiàn)：

[1]QIN Qin,GUO Qiang,ZHOU Qinyong,et al.The security and stability of power grids in 13th five-year planning and countermeasures[J].Electric Power,2015,48(1):25-32(in Chinese).[覃琴,郭強(qiáng),周勤勇,等.國網(wǎng)“十三五”規(guī)劃電網(wǎng)面臨的安全穩(wěn)定問題及對策[J].中國電力,2015,48(1):25-32.]

[2]TANG Mingwen,DAI Lihao,LIN Chaohui,et al.Application of unmanned aerial vehicle in inspecting transmission lines[J].Electric Power,2013,46(3):35-38(in Chinese).[湯明文,戴禮豪,林朝輝,等.無人機(jī)在電力線路巡視中的應(yīng)用[J].中國電力,2013,46(3):35-38.]

[3]PENG Xiangyang,CHEN Chi,RAO Zhangquan,et al.Safety inspection and intelligent diagnosis of transmission line based on unmanned helicopter of multi sensor data acquisition[J].High Voltage Engineering,2015,41(1):159-166(in Chinese).[彭向陽,陳馳,饒章權(quán),等.基于無人機(jī)多傳感器數(shù)據(jù)采集的電力線路安全巡檢及智能診斷[J].高電壓技術(shù),2015,41(1):159-166.]

[4]DENG Rongjun,WANG Bin,XIONG Dian,et al.A path planning for power transmission lines inspection with unmanned aerial vehicle based on genetic-pattern searching algorithm[J].Computer Measurement & Control,2015,23(4):1299-1301(in Chinese).[鄧榮軍,王斌,熊典,等.基于遺傳算法的輸電線路無人機(jī)巡檢路徑規(guī)劃[J].計(jì)算機(jī)測量與控制,2015,23(4):1299-1301.]

[5]YANG Chengshun,YANG Zhong,GE Le,et al.Transmission line intelligent inspection system based on multi-rotor unmanned aerial vehicle[J].Journal of University of Jinan(Scie-nce and Technology),2013,27(4):358-362(in Chinese).[楊成順,楊忠,葛樂,等.基于多旋翼無人機(jī)的輸電線路智能巡檢系統(tǒng)[J].濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,27(4):358-362.]

[6]ZHAO Lipo,FAN Huijie,ZHU Linlin,et al.Research on real-time detection and recognition algorithm of high-voltage transmission line for inspection with unmanned aerial vehicle[J].Journal of Chinese Computer Systems,2012,33(4):882-886(in Chinese).[趙利坡,范慧杰,朱琳琳,等.面向巡線無人機(jī)高壓線實(shí)時(shí)檢測與識別算法[J].小型微型計(jì)算機(jī)系統(tǒng),2012,33(4):882-886.]

[7]CAO Weiran,ZHU Linlin,HAN Jianda.An iterable multidirectional autocorrelation approach for aerial power line image enhancement[J].Robot,2015,37(6):738-747(in Chinese).[曹蔚然,朱琳琳,韓建達(dá).一種可迭代基于多向自相關(guān)的航拍電力線圖像增強(qiáng)方法[J].機(jī)器人,2015,37(6):738-747.]

[8]HUANG Dongfang,HU Guiming,ZHOU Yang.Extraction and recognition of transmission line based on an improved Hough transform[J].Computing Technology and Automation,2016,35(3):50-53(in Chinese).[黃東芳,胡桂明,周楊.基于一種改進(jìn)的Hough變換的輸電線提取與識別[J].計(jì)算技術(shù)與自動化,2016,35(3):50-53.]

[9]XU Hongke,QIN Yanyan,CHEN Huiru.An improved algorithm for edge detection based on Canny[J].Infrared Techno-logy,2014,36(3):210-214(in Chinese).[許宏科,秦嚴(yán)嚴(yán),陳會茹.一種基于改進(jìn)Canny的邊緣檢測算法[J].紅外技術(shù),2014,36(3):210-214.]

[10]LIU Qingmin,ZHANG Lei,LI Xue.Chip image edge detection based on improved Canny algorithm[J].Computer Engineering and Design,2016,37(11):3063-3067(in Chinese).[劉慶民,張蕾,李雪.基于改進(jìn)Canny的芯片圖像邊緣檢測算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2016,37(11):3063-3067.]

[11]Zhang Z,Su X,Ding L,et al.Multi-scale image segmentation of coal piles on a belt based on the Hessian matrix[J].Particuology,2013,11(5):549-555.

[12]Lefkimmiatis S,Bourquard A,Unser M.Hessian-based norm regularization for image restoration with biomedical applications[J].IEEE Trans Image Process,2012,21(3):983-995.

[13]Baker L,Mills S,Langlotz T,et al.Power line detection using Hough transform and line tracing techniques[C]//International Conference on Image and Vision Computing.New Zealand:IEEE,2017.

[14]Mukhopadhyay P,Chaudhuri BB.A survey of Hough transform[J].Pattern Recognition,2015,48(3):993-1010.

[15]QIAO Yinqi,XIAO Jianhua,HUANG Yinhe,et al.Randomized Hough transform straight line detection based on least square correction[J].Journal of Computer Applications,2015,35(11):3312-3315(in Chinese).[喬寅騏,肖健華,黃銀和,等.基于最小二乘修正的隨機(jī)Hough變換直線檢測[J].計(jì)算機(jī)應(yīng)用,2015,35(11):3312-3315.]

[16]CAO Weiran,ZHU Linlin,HAN Jianda.Fast line detection method applied in UAV high voltage line inspection[J].Application Research of Computers,2014,31(10):3196-3200(in Chinese).[曹蔚然,朱琳琳,韓建達(dá).面向旋翼無人機(jī)的高壓輸電線在線檢測方法[J].計(jì)算機(jī)應(yīng)用研究,2014,31(10):3196-3200.]

[17]Horev I,Nadler B,Arias-Castro E,et al.Detection of long edges on a computational budget:A sublinear approach[J].Siam Journal on Imaging Sciences,2015,8(1):458-483.