周敏 吳冰

摘 ?要： 輸電線路覆冰一直是電力系統(tǒng)迫切希望解決的重要問題之一。針對輸電線路覆冰邊緣檢測，提出了一種基于圖像融合技術(shù)的方法對輸電線路覆冰狀態(tài)進(jìn)行判定。對輸電線路進(jìn)行邊緣檢測是通過圖像預(yù)處理、Canny算子的邊緣檢測、形態(tài)學(xué)邊緣檢測以及像素級圖像融合等方法實(shí)現(xiàn)的。實(shí)驗(yàn)仿真表明：融合后的圖像邊緣能夠取各自的優(yōu)勢，使邊緣檢測效果更好。

關(guān)鍵詞： 邊緣檢測;形態(tài)學(xué);Canny算子;圖像融合;輸電線路

中圖分類號： TP391.41 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.08.045

本文著錄格式：周敏，吳冰. 基于圖像融合的輸電線路覆冰邊緣檢測[J]. 軟件，2019，40（8）：199202

【Abstract】： Ice coating on transmission lines has always been one of the most important issues that the power system is eager to solve. Aiming at the detection of ice-covered edge of transmission line， a method based on image fusion technology is proposed to judge the ice-covered state of transmission line. Edge detection of transmission lines is achieved by image preprocessing， edge detection of Canny operator， morphological edge detection， and pixel-level image fusion. The experimental simulation shows that the edge of the image after fusion can take their own advantages and make the edge detection effect better.

【Key words】： Edge detection; Morphology; Canny operator; Image fusion; Transmission line

0 ?引言

隨著我國電力技術(shù)和經(jīng)濟(jì)的發(fā)展，高壓線路逐漸增多，電力系統(tǒng)的穩(wěn)定安全運(yùn)行已經(jīng)成了社會(huì)經(jīng)濟(jì)發(fā)展的必要前提。近些年國家實(shí)施了西電東送、北電南送等重大項(xiàng)目，但是這些項(xiàng)目都需要經(jīng)過重度覆冰區(qū)域。為了確保安全和穩(wěn)定的電力傳輸，有必要檢測傳輸線上的覆冰的厚度。由于輸電線路所處的地形氣候條件的影響，覆冰的檢測也有最初的人工巡視逐漸走向智能化。姚江根據(jù)歷史覆冰數(shù)據(jù)，對覆冰等級進(jìn)行劃分并建立了覆冰災(zāi)害預(yù)警流程[1]。劉暢建立了冰層厚度的中長期預(yù)測模型，以預(yù)測其厚度[2]。劉鵬采用基于主動(dòng)輪廓模型的研究方法進(jìn)行邊緣檢測，提出了覆冰厚度的計(jì)算方法[3]。近年來，雖有圖像法研究覆冰厚度的，但研究的重點(diǎn)多數(shù)在厚度方面的研究。圖像方法用于檢測結(jié)冰之前和之后的圖像，并且檢測的準(zhǔn)確性僅與相機(jī)拍攝的圖像質(zhì)量直接相關(guān)。因此，對于覆冰厚度的計(jì)算，找到合適的圖像邊緣檢測的方法才是最重要的。

1 ?圖像預(yù)處理

1.1 ?基于小波變換的閾值去噪

在小波變換中，圖像信號能量主要在絕對值較大的小波系數(shù)中，噪聲能量主要在絕對值較小的小波系數(shù)中。小波變換去噪方法如下：首先，通過小波變換圖像獲得小波分解系數(shù)。其次，為不同尺度的小波系數(shù)設(shè)置閾值，并將低于某一閾值的小波系數(shù)改變?yōu)榱悖瑥亩梢垣@得高于閾值的小波系數(shù)[4]。由于去除了低頻信號，小波系數(shù)基本上可以理解為由圖像信號引起，從而消除了圖像中的大部分噪聲。最后，通過逆小波變換重建圖像以獲得去噪圖像。在上述去噪過程中，最關(guān)鍵的問題是確定閾值[5]。確定閾值的最經(jīng)常使用的方法是Donoho等人提出的Visu shrink收縮方法[6]。在這種收縮方法中，最佳閾值T由以下公式選擇：

Canny邊緣檢測算法步驟如下：

（1）對預(yù)處理好的圖片用高斯濾波器再次平滑圖像。

（2）計(jì)算濾波后并考慮對角線影響的圖像梯度的幅值和方向。

（3）對梯度幅值進(jìn)行非極大值抑制處理，即找出圖像梯度中的局部極大值點(diǎn)，把非局部極大值點(diǎn)置零。

（4）用雙閾值 和 檢測和連接邊緣。

2.2 ?形態(tài)學(xué)邊緣檢測

許多邊緣檢測算子通過計(jì)算圖像中局部小區(qū)域的差異來檢測邊緣[9]。因此，這種邊緣檢測算子對噪聲敏感，并且還在邊緣檢測時(shí)增強(qiáng)或放大噪聲。數(shù)學(xué)形態(tài)學(xué)可以簡化圖像數(shù)據(jù)，保持其基本形狀特征，并去除不相關(guān)的結(jié)構(gòu)[10]。

當(dāng)然，關(guān)于權(quán)值的取值還需要仔細(xì)考慮。對于綜合模型的解，希望它既能克服兩個(gè)模型的缺點(diǎn)，又能綜合它們各自的優(yōu)點(diǎn)。由于已經(jīng)檢測出覆冰圖像的邊緣信息，用線性平均加權(quán)可以更好的選擇需要突出的優(yōu)勢，是比較好的用于覆冰圖像邊緣的融合技術(shù)。多次實(shí)驗(yàn)可以得到權(quán)值取0.45檢測的結(jié)果比較好。 實(shí)現(xiàn)圖像融合的算法如下圖3所示。

4 ?仿真與結(jié)論

文中對實(shí)際環(huán)境里的輸電線路拍攝的覆冰圖像進(jìn)行處理，先對低清晰度的圖像做預(yù)處理操作，緊接著用Canny邊緣檢測和形態(tài)學(xué)邊緣檢測算法分別對輸電線路的邊緣進(jìn)行檢測，在用Hougu邊緣提取出來檢測的邊緣的直線部分，為接下來的融合提供鋪墊。在以上工作的基礎(chǔ)上，用線性平均加權(quán)法對其檢測的邊緣進(jìn)行優(yōu)缺點(diǎn)互補(bǔ)，使檢測的邊緣更加準(zhǔn)確。下圖（b）到（e）是本文算法的仿真結(jié)果。

結(jié)論：通過仿真結(jié)果，可以看出Canny邊緣檢測出來的有少許背景的邊緣，形態(tài)學(xué)的抗噪性能好，沒有檢測出背景邊緣，但是縮小了覆冰的邊緣。經(jīng)過hougu直線加測以及圖像融合后，檢測的邊緣具有兩者的優(yōu)勢，使覆冰邊緣檢測更加準(zhǔn)確。是一種非常不錯(cuò)的圖像融合方法。

參考文獻(xiàn)

[1] 李沛然， 蘇衛(wèi)東， 段振華， 等. 國家電網(wǎng)運(yùn)營診斷關(guān)鍵技術(shù)研究與實(shí)證分析[J]. 軟件， 2016， 37（01）： 127-131.

[2] 劉暢. 基于馬爾可夫過程的輸電線路覆冰厚度預(yù)測模型研究[D]. 華北電力大學(xué)， 2014.

[3] 劉鵬. 基于圖像處理的輸電線路覆冰檢測方法研究[D]. 華中科技大學(xué)， 2012.

[4] 曹妍， 陳偉， 徐森. 圖像去噪方法研究與仿真[J]. 軟件， 2015， 36（4）： 33-36

[5] 王賽男， 邢冬梅. 基于MATLAB的小波閾值濾波與應(yīng)用[J].軟件， 2015， 36（10）： 102-104

[6] 宋治國， 鄧小飛. 基于小波閾值收縮的圖像降噪[J]. 吉首大學(xué)學(xué)報(bào)（自科版）， 2012， 33（2）： 78-79.

[7] 鐘彩. 邊緣檢測算法在圖像預(yù)處理中的應(yīng)用[J]. 軟件， 2013， 34（1）： 158-159

[8] 郭璇， 鄭菲， 趙若晗， 等. 基于閾值的醫(yī)學(xué)圖像分割技術(shù)的計(jì)算機(jī)模擬及應(yīng)用[J]. 軟件， 2018， 39（3）： 12-15

[9] 艾超. 基于方向小波變換的圖像邊緣檢測算子研究[D]. 西安電子科技大學(xué)， 2013.

[10] 梁英波， 張利紅. 基于多尺度數(shù)學(xué)形態(tài)學(xué)梯度的圖像檢測[J]. 周口師范學(xué)院學(xué)報(bào)， 2012， 29（5）： 60-62.

[11] 孫繼平， 吳冰， 等. 基于膨脹腐蝕運(yùn)算的神經(jīng)網(wǎng)絡(luò)圖像預(yù)處理方法及其應(yīng)用研究[J]. 計(jì)算機(jī)學(xué)報(bào)， 2005， 28（6）： 985-990.

[12] 蒲石， 龍文光. 基于膨脹和腐蝕的迭代優(yōu)化算法[J]. 四川師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2014， 37（3）： 408-412.

[13] 凌永國， 韋樹貢. 基于邊緣和數(shù)學(xué)形態(tài)學(xué)復(fù)雜背景車輛定位[J]. 廣西民族師范學(xué)院學(xué)報(bào)， 2017， 34（3）： 131-133.

[14] 陳洪波. Hough變換及改進(jìn)算法與線段檢測[D]. 廣西師范大學(xué)， 2004.

[15] 方趙林， 彭潔， 葛春霞， 等. 基于改進(jìn)加權(quán)算法的實(shí)時(shí)圖像數(shù)據(jù)融合研究[J]. 浙江工業(yè)大學(xué)學(xué)報(bào)， 2017， 45（3）： 325- 329.