CN105701835A - 面向电力设施的图像边缘检测方法及*** - Google Patents

Abstract

本发明属于计算机图像处理技术领域，尤其涉及一种面向电力设施的图像边缘检测方法及***，包括：获取电力设施图像数据，图像获取进行图像预处理，包括图像灰度化、图像增强、直方图均衡化、中值滤波以及采用阈值分割改进算法进行图像分割，然后通过双结构化的结构森林改进算法进行边缘检测；将阈值分割算法和传统的边缘检测算子两者结合在一起，能够快速并且清晰的检测出输电线路覆冰的边缘，并且能够将输电线路内部的纹理状况忽略掉；对图片信息采用结构化学习的输入，这样既能保证处理数据量的减少，又能够有效的区分图片中的信息是否为边缘信息，这样不仅提高了图像边缘检测的速度，更为重要的是提高了边缘检测算法的准确性。

Description

面向电力设施的图像边缘检测方法及***

技术领域

本发明属于计算机图像处理技术领域，尤其涉及一种面向电力设施的图像边缘检测方法及***。

背景技术

在众多对电力设施的不利影响中，覆冰就是对电气设备影响最为严重一项。输电线路等电气设备在覆冰严重的情况下会造成很多的危害，例如杆塔的倾倒、杆塔变形、导线断裂、绝缘子损坏和闪络等。

相关技术中的边缘检测方法在检测图像边缘时，需要消耗大量的时间，满足不了实时性的要求，并且提取边缘的准确度较低。

发明内容

为了能够填补现有电力设施异常事件检测***如覆冰边缘检测的空白，并解决图像边缘检测过程耗时较长、准确性不高的问题，本发明提出了一种面向电力设施的图像边缘检测方法及***。

方法包括：

步骤1、获取电力设施图像数据I(x,y)；

步骤2、将上述图像进行图像预处理，包括图像灰度化、图像增强、直方图均衡化、中值滤波以及采用阈值分割改进算法对图像进行分割，得到预处理后的灰度图像数据J(x,y)；

步骤3、通过双结构化的结构森林改进算法对图像边缘进行检测。

所述采用阈值分割改进算法对图像进行分割，具体包括：

将阈值分割算法和传统的边缘检测算子两者结合在一起，通过传统的边缘检测算子能够快速并且清晰的检测出输电线路覆冰的边缘，而通过阈值分割算法，则能够将输电线路内部的纹理状况忽略掉，方便对于输电线路覆冰的厚度测量。

所述通过双结构化的结构森林改进算法对图像边缘进行检测，具体包括：

在线性离散空间中，对于各种算法的输入和输出都进行结构化的定义；

对于随机森林的输出值Y，采用结构化学习的方法将一个像素点及其周围分布的点组合在一起，组成一个区域Z；

将输电线路覆冰图片作为输入，提取输入图片中的结构和纹理信息，通过模型训练和随机森林边缘检测得到线路边缘输出信息，然后通过结构化学习的方法得到最后的输电线路覆冰边缘检测图像。

进一步的，按照以下方式将一个像素点及其周围分布的点组合在一起：∏:Y→Z。其中，Y是一个包含16×16个像素点的结构化输出值，通过上式的处理，将16×16这个区域内的各个像素点的信息转变成Z；Z是一个的二进制变量，里面包含了Y中的每一个像素点的二进制编码信息，并且Z是一个多维的矢量；对Z进行降维时需满足以下公式：其中p^*为结构森林的泛化误差；s是树的分类强度，p为树之间的平均相关系数。

进一步的，将结构森林改进算法中的每一棵决策树都看做是一个弱分类器，采用递归的方法独立进行训练；对于到达节点的输电线路图像的训练样本集Ω，计算得到一个分类准则h(x,Θ)，按照下式计算分类准则：h(x,Θ)＝δ(φ^T(x)ψ(x)＞0)，x∈R^M表示训练样本，Θ＝[φ,ψ]为弱分类器的参数，其中Θ(·)为筛选函数，ψ为参数列向量或者参数矩阵，Θ决定了弱分类器的分类超曲面形式，δ是一个指示函数；

当训练样本满足h(x,Θ)小于设定阈值时，它落入左子节点；反之，则落入右子节点；递归上述过程直到落入节点的样本个数少于阈值，或者样本纯度大于阈值；此时，这个节点成为叶子节点，否则，在每个节点处要寻找最优的系数Θ^*使训练样本分类后的信息增益最大化；将训练后所有的叶子节点组合在一起，就构成了输电线路训练得到的分类器和模型。

***包括依次相连的获取模块、预处理模块、边缘检测模块；

获取模块：用于获取电力设施图像数据I(x,y)；

预处理模块：用于对上述电力设施图像数据I(x,y)继续进行灰度化、直方图均衡化、图像滤波以及图像分割，得到预处理后的图像数据J(x,y)；

边缘检测模块：用于对上述预处理后的图像数据J(x,y)进行边缘的提取。

所述预处理模块包括依次相连的灰度化单元、直方图均衡化单元、图像滤波单元、图像分割单元：

灰度化单元：利用加权平均法将摄像机获取的电力设施彩色图像转换为灰度图像，最大限度突出图像的纹理边缘和整体特性；

直方图均衡化单元：利用直方图均衡化方法改变像素点灰度范围使得图像的边缘突出情况更好的反应出来，从而能够更好的得到图像的细节，进而增强电气设备边缘检测的准确性；

图像滤波单元：采用中值滤波的方法对图像进行滤波处理；

图像分割单元：采用阈值分割改进算法，将阈值分割算法和传统的边缘检测算子两者结合在一起，通过传统的边缘检测算子能够快速并且清晰的检测出输电线路覆冰的边缘，而通过阈值分割算法，则能够将输电线路内部的纹理状况忽略掉，方便对于输电线路覆冰的厚度测量。

所述边缘检测模块，用于预处理后得到的图像数据进行边缘的提取，包括：

第一确定单元：用于对数据样本进行训练，以供后期分类使用；

第二确定单元：通过随机森林算法对图像进行分类，从而提取图像边缘。

所述第一确定单元包括：

模块训练单元：对于到达节点的输电线路图像的训练样本集Ω，计算得到一个分类准则h(x,Θ)，按照下式计算分类准则：h(x,Θ)＝δ(φ^T(x)ψ(x)＞0)，x∈R^M表示训练样本，Θ＝[φ,ψ]为弱分类器的参数，其中Θ(·)为筛选函数，ψ为参数列向量或者参数矩阵，Θ决定了弱分类器的分类超曲面形式，δ是一个指示函数；

当训练样本满足h(x,Θ)小于设定阈值时，它落入左子节点；反之，则落入右子节点；递归上述过程直到落入节点的样本个数少于阈值，或者样本纯度大于阈值；此时，这个节点成为叶子节点，否则，在每个节点处要寻找最优的系数Θ^*使训练样本分类后的信息增益最大化；将训练后所有的叶子节点组合在一起，就构成了输电线路训练得到的分类器和模型。

所述第二确定单元包括：

边缘检测单元：用于通过训练后得到的模型对图像边缘进行检测并提取。

本发明的有益效果在于：在电力设施图像进入随机森林算法处理之前，首先将图片的信息进行结构化学习的输入，这样既能保证处理数据量的减少，并且通过结构化学习的方式，能够有效的区分图片中的信息是否为边缘信息，这样不仅提高了图像边缘检测的速度，更为重要的是提高了边缘检测算法的准确性。

附图说明

图1是根据本发明实施例的电力设施图像边缘检测的流程图；

图2是根据本发明实施例优选实例的电力设施图像边缘检测的流程示意图；

图3是根据本发明实施例的电力设施图像边缘检测装置的结构框图。

具体实施方式

下面结合附图，对实施例作详细说明。

图1是根据本发明实施例的电力设施图像边缘检测的方法的流程图，如图1所示，该方法主要包括步骤1至步骤3。

步骤1，获取电力设施图像I(x,y)。

步骤2，将上述图像进行图像预处理，包括图像灰度化、图像增强、直方图均衡化、中值滤波以及采用阈值分割改进算法进行图像分割，得到预处理后的灰度图像数据J(x,y)。

步骤3，通过双结构化的结构森林改进算法对图像边缘进行检测。

应用本发明实施例的技术方案，检测电力设施图像边缘时，提高了图像边缘检测的准确性，缩短了边缘检测的时间。

采用阈值分割改进算法对图像进行分割，将阈值分割算法和传统的边缘检测算子两者结合在一起，通过传统的边缘检测算子能够快速并且比较清晰的检测出输电线路覆冰的边缘，而通过阈值分割算法，则能够将输电线路内部的纹理状况忽略掉，方便后面对于输电线路覆冰的厚度测量

本发明实施例的方法可以应用到多种场景，尤其是各种电力设施，如杆塔，导线，绝缘子，变压器等图像的边缘检测。

下面对本发明实施例上述各个步骤的优选实施方式进行描述。

(一)步骤2

在本发明实施例的一个实施方式中利用加权平均法将摄像机获取的电力设施彩色图像转换为灰度图像，加权平均法能够最大限度突出图像的纹理边缘和整体特性。

进一步的，在本发明实施例的一个实施方式中，利用直方图均衡化方法改变像素点灰度范围使得图像的边缘突出情况更好的反应出来，从而能够更好的得到图像的细节，进而增强电气设备边缘检测的准确性。

进一步的，在本发明实施例的一个实施方式中，采用中值滤波的非线性滤波方法对图像进行滤波处理。这种方法既能去除噪声带来的影响，又能尽可能的保留图像的细节部分信息，有助于后面的边缘检测。

进一步的，在本发明实施例的一个实施方式中，采用阈值分割改进算法，将阈值分割算法和传统的边缘检测算子两者结合在一起。通过传统的边缘检测算子能够快速并且比较清晰的检测出输电线路覆冰的边缘，而通过阈值分割算法，则能够将输电线路内部的纹理状况忽略掉，方便后面对于输电线路覆冰的厚度测量。

当然，在实际应用中，还可以应用其他准则进行图像灰度化、图像增强、直方图均衡化以及图像滤波，以得到易于后期对图像边缘进行检测的灰度图像，本发明实施例对此不作限定。

(二)步骤3

在本发明实施例中，利用双结构化的结构森林改进算法对电力设施图像边缘进行检测。

进一步的，将输电线路覆冰图片作为输入，提取输入图片中的结构和纹理信息，通过模型的自动训练和随机森林的自动边缘检测得到线路边缘输出信息，然后通过结构化学习的方法得到最后的输电线路覆冰边缘检测图像。

进一步的，在线性离散空间中，对于各种算法的输入和输出进行结构化的定义。包括：对于随机森林的输出值Y，采用结构化学习的方法将一个像素点及其周围分布的点组合在一起，组成一个区域Z。

进一步的，按照以下方式将一个像素点及其周围分布的点组合在一起：∏:Y→Z。Y是一个包含16×16个像素点的结构化输出值，通过上述公式的处理，它将16×16这个区域内的各个像素点的信息转变成Z。Z是一个很长的二进制变量，里面包含了Y中的每一个像素点的二进制编码信息，并且Z是一个多维的矢量。

进一步的，对Z进行降维时需满足以下公式：其中p^*为结构森林的泛化误差；s是树的分类强度，p为树之间的平均相关系数。在对Z进行降低维数的过程中，必须保证结构森林的泛化误差小于最大值。

进一步的，通过模型的自动训练和随机森林的自动边缘检测得到上述输电线路边缘输出信息。结构森林算法中的每一棵决策树都可以看做是一个弱的分类器，它们都是用递归的方法独立进行训练的。对于到达节点的输电线路图像的训练样本集Ω，计算得到一个分类准则h(x,Θ)，按照以下公式计算分类准则：h(x,Θ)＝δ(φ^T(x)ψ(x)＞0)。x∈R^M表示训练样本，Θ＝[φ,ψ]为这个弱分类器的参数，其中Θ(·)为筛选函数，ψ为参数列向量或者参数矩阵。Θ决定了弱分类器的分类超曲面形式。δ是一个指示函数。当样本满足h(x,Θ)小于设定阈值时，它落入左子节点；反之，则落入右子节点。递归上述的过程直到落入节点的样本个数少于阈值，或者样本纯度大于阈值。此时，这个节点成为叶子节点。否则，在每个节点处要寻找最优的系数Θ^*使训练样本分类后的信息增益最大化。将训练后所有的叶子节点按照一点的规则组合在一起，就构成了输电线路训练得到的分类器和模型。

在图像进入随机森林算法处理之前，首先将图片的信息进行结构化学习的输入，既能保证处理数据量的减少，并且通过结构化学习的方式，能够有效的区分图片中的信息是否为边缘信息，不仅提高了图像边缘检测的速度，而且提高了边缘检测算法的准确性。

下面以一个具体实例对本发明实施例的上述方法进行详细描述。

图2是根据本发明实施例优选实例的电力设施图像边缘检测的流程示意图，如图2所示，该方法主要包括以下几个方面：

1，利用加权平均法将摄像机获取的电力设施彩色图像转换为灰度图像，最大限度突出图像的纹理边缘和整体特性。

2，利用直方图均衡化方法改变像素点灰度范围使得图像的边缘突出情况更好的反应出来，从而能够更好的得到图像的细节，进而增强电气设备边缘检测的准确性。

3，采用中值滤波的非线性滤波方法对图像进行滤波处理。这种方法既能去除噪声带来的影响，又能尽可能的保留图像的细节部分信息，有助于后面的边缘检测。

4，采用阈值分割改进算法，将阈值分割算法和传统的边缘检测算子两者结合在一起。通过传统的边缘检测算子能够快速并且比较清晰的检测出输电线路覆冰的边缘，而通过阈值分割算法，则能够将输电线路内部的纹理状况忽略掉，方便后面对于输电线路覆冰的厚度测量。

5，在线性离散空间中，对于各种算法的输入和输出进行结构化的定义。对于随机森林的输出值Y，采用结构化学习的方法将一个像素点及其周围分布的点组合在一起，组成一个区域Z。其中，Y是一个包含16×16个像素点的结构化输出值，Z是一个很长的二进制变量，里面包含了Y中的每一个像素点的二进制编码信息，并且Z是一个多维的矢量。

6，通过模型的自动训练和随机森林的自动边缘检测得到上述输电线路边缘输出信息。结构森林算法中的每一棵决策树都可以看做是一个弱的分类器，它们都是用递归的方法独立进行训练的。对于到达节点的输电线路图像的训练样本集Ω，计算得到一个分类准则h(x,Θ)，按照以下公式计算分类准则：h(x,Θ)＝δ(φ^T(x)ψ(x)＞0)。x∈R^M表示训练样本，Θ＝[φ,ψ]为这个弱分类器的参数，其中Θ(·)为筛选函数，ψ为参数列向量或者参数矩阵。Θ决定了弱分类器的分类超曲面形式。δ是一个指示函数。当样本满足h(x,Θ)小于设定阈值时，它落入左子节点；反之，则落入右子节点。递归上述的过程直到落入节点的样本个数少于阈值，或者样本纯度大于阈值。此时，这个节点成为叶子节点。否则，在每个节点处要寻找最优的系数Θ^*使训练样本分类后的信息增益最大化。将训练后所有的叶子节点按照一点的规则组合在一起，就构成了输电线路训练得到的分类器和模型。

根据本发明实施例，还提供了一种图像边缘检测的装置，用以实现本发明实施例提供的上述方法。

图3是根据本发明实施例的图像边缘检测装置的结构框图，如图3所示，该装置主要包括：获取模块1、预处理模块2以及边缘检测模块3。其中，获取模块1，与摄像头相连接，用于获取电力设施的图像数据I(x,y)；预处理模块2，与获取模块1相连接，用于对上电力设施图像数据I(x,y)继续进行灰度化、直方图均衡化以及图像滤波，得到预处理后的灰度图像数据J(x,y)；边缘检测模块3，与预处理模块2相连接，用于对上述预处理后得到的图像数据J(x,y)进行边缘的提取。

应用本发明实施例的技术方案，提高了图像边缘检测的速度以及边缘检测算法的准确性。本发明实施例的方法可以应用到多种场景，尤其是各种电力设施，如杆塔，导线，绝缘子，变压器等图像的边缘检测。

(一)预处理模块2

在本发明实施例的一个实施方式中，预处理模块2可以将由摄像头获取的电力设施图像进行处理，以供边缘检测模块3进行使用。

进一步的，在本发明实施例的一个实施方式中，预处理模块2可以包括：灰度化单元，利用加权平均法将摄像机获取的电力设施彩色图像转换为灰度图像，最大限度突出图像的纹理边缘和整体特性；直方图均衡化单元：利用直方图均衡化方法改变像素点灰度范围使得图像的边缘突出情况更好的反应出来，从而能够更好的得到图像的细节，进而增强电气设备边缘检测的准确性；滤波单元：采用中值滤波的非线性滤波方法对图像进行滤波处理；图像分割单元：采用阈值分割改进算法，将阈值分割算法和传统的边缘检测算子两者结合在一起，通过传统的边缘检测算子能够快速并且比较清晰的检测出输电线路覆冰的边缘，而通过阈值分割算法，则能够将输电线路内部的纹理状况忽略掉，方便后面对于输电线路覆冰的厚度测量。

当然，在实际应用中，还可以应用其他准则进行图像灰度化、图像增强、直方图均衡化以及图像滤波，以得到易于后期对图像边缘进行检测的灰度图像，本发明实施例对此不作限定。

(二)边缘检测模块3

在本发明实施例的一个实施方式中，边缘检测模块3可以利用双结构化的结构森林改进算法对上述预处理后的图像数据进行边缘提取检测。

进一步的，上述边缘检测模块3可以包括：第一确定单元，用于对数据样本进行训练，以供后期分类使用；第二确定单元，通过随机森林算法对图像进行分类，从而提取图像边缘。

在本发明实施例的一个实施方式中，上述第一确定单元可以包括：模块训练单元。对于到达节点的输电线路图像的训练样本集Ω，计算得到一个分类准则h(x,Θ)，按照以下公式计算分类准则：h(x,Θ)＝δ(φ^T(x)ψ(x)＞0)。x∈R^M表示训练样本，Θ＝[φ,ψ]为这个弱分类器的参数，其中Θ(·)为筛选函数，ψ为参数列向量或者参数矩阵。Θ决定了弱分类器的分类超曲面形式。δ是一个指示函数。当样本满足h(x,Θ)小于设定阈值时，它落入左子节点；反之，则落入右子节点。递归上述的过程直到落入节点的样本个数少于阈值，或者样本纯度大于阈值。此时，这个节点成为叶子节点。否则，在每个节点处要寻找最优的系数Θ^*使训练样本分类后的信息增益最大化。将训练后所有的叶子节点按照一点的规则组合在一起，就构成了输电线路训练得到的分类器和模型。

进一步的，在本发明实施例的一个实施方式中，上述第二确定单元包括：边缘检测单元，用于通过上述训练后得到的模型对图像边缘进行检测并提取。

针对电力设施异常事件诊断***，应用本发明实施实例的技术方案，获取电力设施图像后，对图像进行预处理，并通过双结构化的结构森林改进算法进行边缘提取，能加快边缘检测的速度，并能提高边缘检测的准确性。该图像边缘检测***为仅利用摄像机进行电力设施的边缘检测提供了可能，为电力设施的异常事件诊断降低了成本。

本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种面向电力设施的图像边缘检测方法，其特征在于，包括：

步骤1、获取电力设施图像数据I(x,y)；

步骤2、将上述图像进行图像预处理，包括图像灰度化、图像增强、直方图均衡化、中值滤波以及采用阈值分割改进算法对图像进行分割，得到预处理后的灰度图像数据J(x,y)；

步骤3、通过双结构化的结构森林改进算法对图像边缘进行检测。

2.根据权利要求1所述方法，其特征在于，所述采用阈值分割改进算法对图像进行分割，具体包括：

将阈值分割算法和传统的边缘检测算子两者结合在一起，通过传统的边缘检测算子能够快速并且清晰的检测出输电线路覆冰的边缘，而通过阈值分割算法，则能够将输电线路内部的纹理状况忽略掉，方便对于输电线路覆冰的厚度测量。

3.根据权利要求1所述方法，其特征在于，所述通过双结构化的结构森林改进算法对图像边缘进行检测，具体包括：

在线性离散空间中，对于各种算法的输入和输出都进行结构化的定义；

对于随机森林的输出值Y，采用结构化学习的方法将一个像素点及其周围分布的点组合在一起，组成一个区域Z；

将输电线路覆冰图片作为输入，提取输入图片中的结构和纹理信息，通过模型训练和随机森林边缘检测得到线路边缘输出信息，然后通过结构化学习的方法得到最后的输电线路覆冰边缘检测图像。

4.根据权利要求3所述方法，其特征在于，所述将一个像素点及其周围分布的点组合在一起具体包括：∏:Y→Z，其中，Y是一个包含16×16个像素点的结构化输出值，通过上式的处理，将16×16这个区域内的各个像素点的信息转变成Z；Z是一个的二进制变量，里面包含了Y中的每一个像素点的二进制编码信息，并且Z是一个多维的矢量；对Z进行降维时需满足以下公式：其中p^*为结构森林的泛化误差；s是树的分类强度，p为树之间的平均相关系数。

5.根据权利要求1所述方法，其特征在于，将所述步骤3中的结构森林改进算法中的每一棵决策树都看做是一个弱分类器，采用递归的方法独立进行训练；对于到达节点的输电线路图像的训练样本集Ω，计算得到一个分类准则h(x,Θ)，按照下式计算分类准则：h(x,Θ)＝δ(φ^T(x)ψ(x)>0)，x∈R^M表示训练样本，Θ＝[φ,ψ]为弱分类器的参数，其中Θ(·)为筛选函数，ψ为参数列向量或者参数矩阵，Θ决定了弱分类器的分类超曲面形式，δ是一个指示函数；

当训练样本满足h(x,Θ)小于设定阈值时，它落入左子节点；反之，则落入右子节点；递归上述过程直到落入节点的样本个数少于阈值，或者样本纯度大于阈值；此时，这个节点成为叶子节点，否则，在每个节点处要寻找最优的系数Θ^*使训练样本分类后的信息增益最大化；将训练后所有的叶子节点组合在一起，就构成了输电线路训练得到的分类器和模型。

6.一种面向电力设施的图像边缘检测***，其特征在于，包括依次相连的获取模块、预处理模块、边缘检测模块；

获取模块：用于获取电力设施图像数据I(x,y)；

预处理模块：用于对上述电力设施图像数据I(x,y)继续进行灰度化、直方图均衡化、图像滤波以及图像分割，得到预处理后的图像数据J(x,y)；

边缘检测模块：用于对上述预处理后的图像数据J(x,y)进行边缘的提取。

7.根据权利要求6所述***，其特征在于，所述预处理模块包括依次相连的灰度化单元、直方图均衡化单元、图像滤波单元、图像分割单元：

灰度化单元：利用加权平均法将摄像机获取的电力设施彩色图像转换为灰度图像，最大限度突出图像的纹理边缘和整体特性；

直方图均衡化单元：利用直方图均衡化方法改变像素点灰度范围使得图像的边缘突出情况更好的反应出来，从而能够更好的得到图像的细节，进而增强电气设备边缘检测的准确性；

图像滤波单元：采用中值滤波的方法对图像进行滤波处理；

图像分割单元：采用阈值分割改进算法，将阈值分割算法和传统的边缘检测算子两者结合在一起，通过传统的边缘检测算子能够快速并且清晰的检测出输电线路覆冰的边缘，而通过阈值分割算法，则能够将输电线路内部的纹理状况忽略掉，方便对于输电线路覆冰的厚度测量。

8.根据权利要求6所述***，其特征在于，所述边缘检测模块，用于预处理后得到的图像数据进行边缘的提取，包括：

第一确定单元：用于对数据样本进行训练，以供后期分类使用；

第二确定单元：通过随机森林算法对图像进行分类，从而提取图像边缘。

9.根据权利要求8所述***，其特征在于，所述第一确定单元包括：

模块训练单元：对于到达节点的输电线路图像的训练样本集Ω，计算得到一个分类准则h(x,Θ)，按照下式计算分类准则：h(x,Θ)＝δ(φ^T(x)ψ(x)>0)，x∈R^M表示训练样本，Θ＝[φ,ψ]为弱分类器的参数，其中Θ(·)为筛选函数，ψ为参数列向量或者参数矩阵，Θ决定了弱分类器的分类超曲面形式，δ是一个指示函数；

当训练样本满足h(x,Θ)小于设定阈值时，它落入左子节点；反之，则落入右子节点；递归上述过程直到落入节点的样本个数少于阈值，或者样本纯度大于阈值；此时，这个节点成为叶子节点，否则，在每个节点处要寻找最优的系数Θ^*使训练样本分类后的信息增益最大化；将训练后所有的叶子节点组合在一起，就构成了输电线路训练得到的分类器和模型。

10.根据权利要求8所述***，其特征在于，所述第二确定单元包括：

边缘检测单元：用于通过训练后得到的模型对图像边缘进行检测并提取。