CN107341470A - 一种基于航拍图像的输电线检测方法 - Google Patents
一种基于航拍图像的输电线检测方法 Download PDFInfo
- Publication number
- CN107341470A CN107341470A CN201710532067.3A CN201710532067A CN107341470A CN 107341470 A CN107341470 A CN 107341470A CN 201710532067 A CN201710532067 A CN 201710532067A CN 107341470 A CN107341470 A CN 107341470A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- transmission line
- aerial images
- line
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于航拍图像的输电线检测方法,包括以下步骤:首先利用Hessian矩阵得到每个像素点对应的二维增强矩阵特征值和特征向量,根据特征值和特征向量的关系,得到航拍图像边缘信息;然后根据航拍图像中输电线分布特点,提出航拍图像输电线分布简化模型;将航拍图像进行分块,得到输电线区域的边界,求得区域分割系数。对该图像应用Hough变换检测方法检测输电线;最后使用线间距和输电线斜率判定剔除不符合的线段,保留符合要求的线段即为真实的输电线。本发明检测速度快,检测精度高,能够在复杂背景航拍图像中检测到真实输电线信息;采用本发明解决了耗时久,检测进度差的问题。有效的提高了航拍图像中输电线目标检测识别率。
Description
技术领域
本发明属于图像处理的技术领域,特别涉及区域分割和改进随机Hough变换的基于航拍图像的输电线检测方法。
背景技术
随着国家电网投资规模的不断扩大,网络结构越来越复杂,电网巡视和维护的工作量巨大,传统的输电线路和变电站人工巡视操作方式已经满足不了高效的电网巡检工作要求。为此,国家电网公司大力推广无人机线路巡检。由于航拍图像背景为复杂多变的自然背景,直接对航拍图像进行输电线的检测会产生很高的误检率和漏检率。
为了减弱背景噪音对输电线目标的干扰,近年来国内对航拍图像中检测输电线进行了多种方法的研究,赵利坡等人通过对输电线目标进行基于方向约束的线状目标增强以抑制竖直方向的干扰物体和其他非线状背景和噪音,通过Radon变换引入识别因子来去除水平干扰物体,但是该方法约束条件苛刻,只能识别近似水平方向的输电线,局限性较大。(赵利坡,范慧杰,朱琳琳,等.面向巡线无人机高压线实时检测与识别算法[J].小型微型计算机***,2012,33(4):882-886.)。曹蔚等人用方向滤波的结果进行自相关增强能在大幅减弱航拍图像中复杂环境背景的同时增强电力线目标,有效提高图像的电力线目标检测识别率。但是算法效率和增强效果依赖于迭代次数,需要人工控制迭代次数才能达到最佳效果。(曹蔚然,朱琳琳,韩建达.一种可迭代基于多向自相关的航拍电力线图像增强方法[J].机器人,2015,37(6):738-747.)黄东芳等人利用搜索聚类提取像素点并结合形态学处理像素点从而去除图像中的背景噪音。用阈值区间的自适应估算方法来计算Hough变换的参数阈值,从而识别出图像中的输电线。但参数阈值的选取流程复杂,耗时长而且在对比度较低的情况下识别效果差。(黄东芳,胡桂明,周杨.基于一种改进的Hough变换的输电线提取与识别[J].计算技术与自动化,2016,35(3):50-53)。
发明内容
本发明的目的是针对现有技术的不足而提供的一种基于航拍图像的输电线检测方法,该方法结合大量航拍图像实例和输电线特征设计出航拍图像中输电线的简化模型图,确定输电线区域边界,对输电线区域进行划分并得到分割系数。消除了非输电线区域的背景噪音,并对输电线区域内线间距离进行计算删除不符合要求的线状物,减少随机Hough变换中参数空间遍历所需时间,同时降低了误检和丢失输电线目标的概率。
实现本发明目的的具体技术方案是:
一种基于航拍图像的输电线检测方法,该方法包括以下步骤:
步骤1:图像预处理
在获取航拍图像之后,使用Hessian矩阵对图像进行预处理,增强输电线线性特征,减弱背景噪音,得到航拍图像的边缘信息;具体包括:
S11:对航拍图像进行灰度化处理,将原始航拍图像转换成灰度图像。
S12:计算灰度化图像中每个像素点在X方向二阶偏导数Y方向的二阶偏导数以及XY方向的二阶导数YX方向的二阶导数
S13:Hessian矩阵公式为Hessian描述了灰度图像各个方向上灰度梯度变化,通过Hessian矩阵计算得到灰度图像的边缘信息。步骤2:输电线区域分割
依据航拍图像中输电线的分布特点,构建出航拍图像中输电线分布简化模型;对航拍图像进行分块进行搜索,得到输电线区域的边界,将航拍图像分割成输电线区域和非输电线区域,计算得到区域分割系数;具体包括:
S21:根据航拍图像中输电线分布的特点构建出航拍图像输电线分布简化模型,模型中有四条平行的输电线L1,L2,L3,L4,其中,输电线之间间距为d1和d2,输电线区域为S';
S22:将航拍图像进行垂直方向分块,从左到右分成8块,形成8个宽度相同像素条;
S23:以边界为搜索的起点,首先从上至下搜索,在第一个像素条内搜索找到第一个最长的线状物边缘,即为L1的片段,然后继续向下搜索,依次找到L2,L3,L4片段;寻找到L4片段后继续搜索直到图像下边界,发现当搜索的距离超过d2时,也就是超过L6所在位置时,就再也搜索不到任何线段的片段;对L6位置进行标记,即为第一个像素条内输电线区域下边界,然后再从下一个像素条开始从下到上搜索,直到所有的像素条搜索完毕;
S24:拼接全部像素条中搜索到的输电线区域上下边界,得到abcd四个顶点包围的完整输电线区域S';
S25:计算区域分割系数Ic,Ic是输电线区域的像素和与航拍图像像素和的比值;N'为输电线区域像素的数量,N为航拍图像像素的数量,Si是航拍图像中第i个像素,S'j是输电线区域中第j个像素,其中,经过计算得到Ic。
步骤3:输电线检测
对航拍图像使用随机Hough变换进行检测线段,并加入斜率判断方法来剔除不符合要求的线段,最后使用线间距进一步剔除不符合要求的线段,只保留符合要求的线段即为输电线;具体包括:
S31:建立航拍图像空间I={(xi,yi)}和参数空间P={(ρi,θi)};
S32:将航拍图像中的参数空间量化成Nρ×Nθ的累加器阵,其中xm,ym分别为航拍图像空间中横坐标和纵坐标的最大值,Nθ=2π;
S33:将图像空间上的每一点(x,y)映射到参数空间,其中,映射使用Hough变换,公式为ρ=xcosθ+ysinθ,每次映射都累加到Ai(ρi,θi)累加器中;
S34:检测航拍图像的累加器Ai(ρi,θi)局部最大值,通过预设阈值Th,保留所有候选输电线;
S35:对航拍图像中所有候选输电线的斜率值k进行计算统计计数,保留计数最多的输电线;
其中直线上任意两点(xm,ym)和(xn,yn),斜率值
S36:计算所有航拍图像中候选输电线之间的间距,间距di与d1,d2任意一个的方差小于0.01,则保留该候选输电线;
直线方程一般式为Ax+By+C=0,(A,B不能同时为0),适用于所有直线。
两条平行直线分别为Ax+By+C1=0和Ax+By+C2=0,C1,C2不能相等,相等则两条直线重合了,它们之间的距离
所述航拍图像中输电线分布的特点包括:
(1)输电线的拓扑结构都是直线,并且穿过图像;
(2)输电线是互相平行,而且输电线之间的距离都是固定的;
(3)输电线的宽度是1到2个像素点;
(4)输电线是成对出现的。
本发明的有益效果在于:
针对传统Hough变换方法检测输电线耗时太久,随机Hough变换方法丢失和误检输电线概率偏大的问题,本发明基于区域分割的改进随机Hough变换方法,通过将输电线区域和非输电线区域分割,减少背景噪音干扰,然后通过输电线间距减少虚假峰值带来的影响。
本发明适合无人机在野外森林植被复杂的自然环境下进行输电线巡检,不仅能够更准确的检测出航拍图像中的输电线,同时减少检测时间,能够快速有效的检测出航拍图像中的输电线,具有一定的实用性。
附图说明
图1是为本发明流程图;
图2是航拍图像中输电线分布简化模型图;
图3是输电线区域划分时像素条分块示意图;
图4是三组无人机航拍原图像;
图5是三组图像预处理后检测结果图像;
图6是三组图像使用传统方法检测结果图像;
图7是三组图像使用本发明检测结果图像。
具体实施方式
下面结合附图及实施例对本发明作详细描述。
本发明包括以下阶段:
图像预处理阶段:在获取航拍图像之后,使用Hessian矩阵对图像进行预处理,增强输电线线性特征,减弱背景噪音。
输电线区域分割阶段:根据输电线发布特点,提出航拍图像输电线分布简化模型。对图像进行分块进行搜索,得到输电线区域的边界,从而将航拍图像分割成输电线区域和非输电线区域,计算出区域分割系数,然后根据输电线之间距离和边界信息生成该图像的输电线分布实例。
输电线检测阶段:对航拍图像使用改进的Hough变换进行检测,并加入斜率判断机制来剔除不符合要求的输电线,最后使用线间距进一步剔除不符合要求的线段,保留符合要求的线段即为输电线。
所述图像预处理阶段包括以下步骤:
步骤A1:对航拍图像进行灰度化处理,将原始航拍图像转换成灰度图像。首先使用cvLoadImage函数读取如图4所示的原始航拍图像,读取格式为原图格式,然后使用cvCvtColor函数将读取的航拍图像转换成灰度图像,灰度图像深度为8。
步骤A2:计算灰度化图像中每个像素点在X方向二阶偏导数Y方向的二阶偏导数以及XY方向的二阶导数YX方向的二阶导数
步骤A3:Hessian矩阵公式为Hessian描述了灰度图像各个方向上灰度梯度变化,对每个像素点使用Hessian矩阵求取该点的特征向量和对应的特征值,较大特征值对应的特征向量是垂直于边缘的,较小特征值对应的特征向量是沿着边缘的方向,通过Hessian矩阵计算得到灰度图像的边缘信息,而且增强了航拍图像中的线状目标,减少了背景的干扰信息,如图5所示。
所述输电线区域分割阶段包括以下步骤:
步骤B1:根据航拍图像中输电线分布的特点构建出航拍图像输电线分布简化模型,如图2所示,模型中有四条平行的输电线L1,L2,L3,L4,输电线区域边界线为L5,L6其中,输电线之间间距为d1和d2,从图2中可知d1是较小的间距,d2为较大的间距,以abcd四个顶点构成的四边形为输电线区域S'。
步骤B2:将航拍图像进行垂直方向分块,从左到右分成8块,形成8个宽度相同像素条,如图3所示,每个像素条的面积均相等。
步骤B3:所述航拍图像由Hessian预处理后的航拍图像已经检测到图像中包括输电线目标在内的所有边缘信息。因为输电线在图像中总是从图像一端横穿到另一端,所以从图像边界开始搜索,以边界为搜索的起点。首先从上至下搜索,在第一个像素条内搜索找到第一个最长的线状物边缘,即为L1的片段,然后继续向下搜索,依次找到L2,L3,L4片段;寻找到L4片段后继续搜索直到图像下边界,发现当搜索的距离超过d2时,也就是超过L6所在位置时,就再也搜索不到任何线段的片段;此时对L6位置进行标记,L6是第一个像素条内输电线区域下边界。
步骤B4:在所述航拍图像中,接着从下至上搜索,以下边界为起点,沿着垂直方向向上开始搜索。第一个找到的为L4的片段,依次找到L3,L2,L1片段。寻找到L1片段后继续向上搜索直到图像上边界,同样当搜索的距离超过d2时,也就是超过L5所在位置时,就再也搜索不到任何线段的片段。对L5位置进行标记,即为第二个像素条内输电线区域的上边界,依次循环搜索下一个像素条直到找到最后一个像素条的上边界。
步骤B5:开始拼接全部像素条的输电线区域上下边界,即可得到abcd四个顶点包围的完整输电线区域S'。
步骤B6:计算区域分割系数Ic,Ic是输电线区域的像素和与航拍图像像素和的比值;N'为输电线区域像素的数量,N为航拍图像像素的数量,Si是航拍图像中第i个像素,S'j是输电线区域中第j个像素,其中,经过计算得到Ic。
步骤B7:理论证明区域分割系数Ic如何降低输电线检测中丢失输电线的概率。
假设航拍图像中一根输电线由n个像素组成,对随机取样两个像素的一次试
验中,在参数空间图像中检测到该输电线的概率为Pc;
M次试验后,检测到输电线的次数是二项分布中的变量ξ;
则k0次实验丢失该输电线的概率为Pmiss;
其中k为第k次实验次数。
由于Pc增大,Pc(ξ=k)变小,所以Pmiss相对就变小了。
经过理论证明区域分割系数Ic能降低输电线检测中丢失输电线的概率。
步骤B8:理论证明区域分割系数Ic如何降低输电线检测误检输电线的概率。
假设航拍图像中一根误检的输电线由m个像素构成,对随机取样两个像素的一次试验中,在参数空间图像中检测到该输电线的概率为Pr;
M次试验后,检测到输电线的次数是二项分布中的变量ξ;
则k0次实验误检该输电线的概率为Pfalse;
其中k为第k次实验次数。
由于Pr增大,Pr(ξ=k)变小,所以Pfalse相对就变小了。
经过上述理论证明,分割系数Ic可以降低输电线检测误检输电线的概率。
所述输电线检测阶段包括以下步骤:
步骤C1:建立航拍图像空间I={(xi,yi)}和参数空间P={(ρi,θi)}。
步骤C2:将航拍图像中的参数空间量化成Nρ×Nθ的累加器阵,其中xm,ym分别为航拍图像空间中横坐标和纵坐标的最大值,Nθ=2π。
步骤C3:建立参数空间累加器Ai(ρi,θi),与步骤C2中的累加器阵一一对应,并将初始化值设为零。遍历图像空间上的每一点(x,y),并将该点映射到参数空间,使用Hough变换计算对应的ρ值,公式为ρ=xcosθ+ysinθ,每次映射都累加到对应的累加器Ai(ρi,θi)。
步骤C4:对累加器Ai(ρi,θi)进行统计计数,检测累加器Ai(ρi,θi)局部峰值,通过预设阈值Th,并对3*3领域中对除去峰值外的其他累加器进行清零,保留所有候选输电线。
步骤C5:对航拍图像中所有候选输电线的斜率值k进行计算并统计计数,保留计数最多的输电线;
其中直线上任意两点(xm,ym)和(xn,yn),斜率值
步骤C6:计算所有航拍图像中候选输电线之间的间距,间距di与d1,d2任意一个的方差小于0.01,则保留该候选输电线。
直线方程一般式为Ax+By+C=0,(A,B不能同时为0),适用于所有直线。
两条平行直线分别为Ax+By+C1=0和Ax+By+C2=0,C1,C2不能相等,相等则两条直线重合了,它们之间的距离
最终检测结果如图7所示,航拍图像中本发明的方法很好的过滤了输电线附近的背景噪音,圆顶和田地信息被弱化从而抑制背景噪音,虽然输电线目标清晰度有一定程度的减弱,但是输电线目标依然清晰的被识别,提取的输电线线段连贯完整,整体检测效果优于传统方法,图6中使用传统方法检测时检测出大量背景噪音,尤其是输电线目标与森林背景重合的地方出现输电线边缘部分模糊不清,田地和小茅屋圆顶部分产生大量干扰信息,部分干扰信息与输电线混杂在一起,整体输电线检测效果不佳。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (5)
1.一种基于航拍图像的输电线检测方法,其特征在于,该方法包括以下步骤:
步骤1:图像预处理
在获取航拍图像之后,使用Hessian矩阵对图像进行预处理,增强输电线线性特征,减弱背景噪音,得到航拍图像的边缘信息;
步骤2:输电线区域分割
依据航拍图像中输电线的分布特点,构建出航拍图像中输电线分布简化模型;对航拍图像进行分块进行搜索,得到输电线区域的边界,将航拍图像分割成输电线区域和非输电线区域,计算得到区域分割系数;
步骤3:输电线检测
对航拍图像使用随机Hough变换进行检测线段,并加入斜率判断方法来剔除不符合要求的线段,最后使用线间距进一步剔除不符合要求的线段,只保留符合要求的线段即为输电线。
2.根据权利要求1所述的基于航拍图像的输电线检测方法,其特征在于所述步骤1具体包括:
S11:对航拍图像进行灰度化处理,将原始航拍图像转换成灰度图像。
S12:计算灰度化图像中每个像素点在X方向二阶偏导数Y方向的二阶偏导数以及XY方向的二阶导数YX方向的二阶导数
S13:Hessian矩阵公式为Hessian描述了灰度图像各个方向上灰度梯度变化,通过Hessian矩阵计算得到灰度图像的边缘信息。
3.根据权利要求1所述的基于航拍图像的输电线检测方法,其特征在于所述步骤2具体包括:
S21:根据航拍图像中输电线分布的特点构建出航拍图像输电线分布简化模型,模型中有四条平行的输电线L1,L2,L3,L4,输电线区域边界线为L5,L6其中,输电线之间间距为d1和d2,输电线区域为S';
S22:将航拍图像进行垂直方向分块,从左到右分成8块,形成8个宽度相同像素条;
S23:以边界为搜索的起点,首先从上至下搜索,在第一个像素条内搜索找到第一个最长的线状物边缘,即为L1的片段,然后继续向下搜索,依次找到L2,L3,L4片段;寻找到L4片段后继续搜索直到图像下边界,发现当搜索的距离超过d2时,也就是超过L6所在位置时,就再也搜索不到任何线段的片段;对L6位置进行标记,即为第一个像素条内输电线区域下边界,然后再从下一个像素条开始从下到上搜索,直到所有的像素条搜索完毕;
S24:拼接全部像素条中搜索到的输电线区域上下边界,得到abcd四个顶点包围的完整输电线区域S';
S25:计算区域分割系数Ic,Ic是输电线区域的像素和与航拍图像像素和的比值;N'为输电线区域像素的数量,N为航拍图像像素的数量,Si是航拍图像中第i个像素,S'j是输电线区域中第j个像素,其中,经过计算得到Ic。
4.根据权利要求3所述的基于航拍图像的输电线检测方法,其特征在于所述航拍图像中输电线分布的特点包括:
(1)输电线的拓扑结构都是直线,并且穿过图像;
(2)输电线是互相平行,而且输电线之间的距离都是固定的;
(3)输电线的宽度是1到2个像素点;
(4)输电线是成对出现的。
5.根据权利要求1所述的基于航拍图像的输电线检测方法,其特征在于所述步骤3具体包括:
S31:建立航拍图像空间I={(xi,yi)}和参数空间P={(ρi,θi)};
S32:将航拍图像中的参数空间量化成Nρ×Nθ的累加器阵,其中xm,ym分别为航拍图像空间中横坐标和纵坐标的最大值,Nθ=2π;
S33:将图像空间上的每一点(x,y)映射到参数空间,其中,映射使用Hough变换,公式为ρ=xcosθ+ysinθ,每次映射都累加到Ai(ρi,θi)累加器中;
S34:检测航拍图像的累加器Ai(ρi,θi)局部最大值,通过预设阈值Th,保留所有候选输电线;
S35:对航拍图像中所有候选输电线的斜率值k进行计算统计计数,保留计数最多的输电线;
其中直线上任意两点(xm,ym)和(xn,yn),斜率值
S36:计算所有航拍图像中候选输电线之间的间距,间距di与d1,d2任意一个的方差小于0.01,则保留该候选输电线;
直线方程一般式为Ax+By+C=0,A,B不能同时为0,适用于所有直线。
两条平行直线分别为Ax+By+C1=0和Ax+By+C2=0,C1,C2不能相等,相等则两条直线重合了,它们之间的距离
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710532067.3A CN107341470B (zh) | 2017-07-03 | 2017-07-03 | 一种基于航拍图像的输电线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710532067.3A CN107341470B (zh) | 2017-07-03 | 2017-07-03 | 一种基于航拍图像的输电线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107341470A true CN107341470A (zh) | 2017-11-10 |
CN107341470B CN107341470B (zh) | 2020-10-16 |
Family
ID=60218878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710532067.3A Active CN107341470B (zh) | 2017-07-03 | 2017-07-03 | 一种基于航拍图像的输电线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341470B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509906A (zh) * | 2018-03-30 | 2018-09-07 | 长安大学 | 无人机航拍路基线光点捕捉双阈值Radon识别方法 |
CN108594226A (zh) * | 2018-04-20 | 2018-09-28 | 国网山西省电力公司阳泉供电公司 | 一种顾及地形的山区sar图像输电塔架检测方法 |
CN109035267A (zh) * | 2018-06-22 | 2018-12-18 | 华东师范大学 | 一种基于深度学习的图像目标抠取方法 |
CN109088656A (zh) * | 2018-09-30 | 2018-12-25 | 浙江瑞能通信科技股份有限公司 | 高压传输电线安全监控方法 |
CN109117757A (zh) * | 2018-07-27 | 2019-01-01 | 四川大学 | 一种提取航拍图像中拉索的方法 |
CN112115985A (zh) * | 2020-08-31 | 2020-12-22 | 南京航空航天大学 | 一种多信息级联聚类输电线检测方法 |
CN112464789A (zh) * | 2020-11-25 | 2021-03-09 | 河海大学常州校区 | 基于线特征的输电线路提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7359555B2 (en) * | 2004-10-08 | 2008-04-15 | Mitsubishi Electric Research Laboratories, Inc. | Detecting roads in aerial images using feature-based classifiers |
CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
US8604969B2 (en) * | 2010-04-05 | 2013-12-10 | Raytheon Company | System and method of using image grids in detection of discrete objects |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
-
2017
- 2017-07-03 CN CN201710532067.3A patent/CN107341470B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7359555B2 (en) * | 2004-10-08 | 2008-04-15 | Mitsubishi Electric Research Laboratories, Inc. | Detecting roads in aerial images using feature-based classifiers |
US8604969B2 (en) * | 2010-04-05 | 2013-12-10 | Raytheon Company | System and method of using image grids in detection of discrete objects |
CN103162669A (zh) * | 2013-03-01 | 2013-06-19 | 西北工业大学 | 航拍图像机场区域检测方法 |
CN105760812A (zh) * | 2016-01-15 | 2016-07-13 | 北京工业大学 | 一种基于Hough变换的车道线检测方法 |
Non-Patent Citations (1)
Title |
---|
孙实超: "无人机航拍图像的输电线识别方法", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509906A (zh) * | 2018-03-30 | 2018-09-07 | 长安大学 | 无人机航拍路基线光点捕捉双阈值Radon识别方法 |
CN108509906B (zh) * | 2018-03-30 | 2022-02-08 | 长安大学 | 无人机航拍路基线光点捕捉双阈值Radon识别方法 |
CN108594226A (zh) * | 2018-04-20 | 2018-09-28 | 国网山西省电力公司阳泉供电公司 | 一种顾及地形的山区sar图像输电塔架检测方法 |
CN109035267A (zh) * | 2018-06-22 | 2018-12-18 | 华东师范大学 | 一种基于深度学习的图像目标抠取方法 |
CN109117757A (zh) * | 2018-07-27 | 2019-01-01 | 四川大学 | 一种提取航拍图像中拉索的方法 |
CN109117757B (zh) * | 2018-07-27 | 2022-02-22 | 四川大学 | 一种提取航拍图像中拉索的方法 |
CN109088656A (zh) * | 2018-09-30 | 2018-12-25 | 浙江瑞能通信科技股份有限公司 | 高压传输电线安全监控方法 |
CN112115985A (zh) * | 2020-08-31 | 2020-12-22 | 南京航空航天大学 | 一种多信息级联聚类输电线检测方法 |
CN112464789A (zh) * | 2020-11-25 | 2021-03-09 | 河海大学常州校区 | 基于线特征的输电线路提取方法 |
CN112464789B (zh) * | 2020-11-25 | 2022-09-02 | 河海大学常州校区 | 基于线特征的输电线路提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107341470B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341470A (zh) | 一种基于航拍图像的输电线检测方法 | |
CN112819804B (zh) | 一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法 | |
CN106157323B (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN107093205A (zh) | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 | |
CN103234969B (zh) | 一种基于机器视觉的织物纬密度测量新方法 | |
CN107492094A (zh) | 一种高压电线绝缘子的无人机视觉检测方法 | |
Liao et al. | Study on power line insulator defect detection via improved faster region-based convolutional neural network | |
CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
CN108664939A (zh) | 一种基于hog特征与深度学习的遥感图像飞机识别方法 | |
CN113592822A (zh) | 一种电力巡检图像的绝缘子缺陷定位方法 | |
CN109886937A (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
CN109447036A (zh) | 一种图像数字分割与识别方法及*** | |
CN114863258B (zh) | 海天线场景中基于视角转换检测小目标的方法 | |
CN111553898A (zh) | 一种基于卷积神经网络的面料疵点检测方法 | |
CN115205256A (zh) | 一种融合迁移学习的输电线路绝缘子缺陷检测方法及*** | |
CN106447662A (zh) | 一种基于组合距离的fcm图像分割算法 | |
CN106228172A (zh) | 基于聚类分析的破损绝缘子图像提取方法 | |
CN113554036A (zh) | 一种改进orb算法的特征点提取与匹配方法 | |
CN108090460A (zh) | 基于韦伯多方向描述子的人脸表情识别特征提取算法 | |
CN112232249A (zh) | 一种基于深度特征的遥感图像变化检测方法及装置 | |
Heng et al. | Anti-vibration hammer detection in UAV image | |
CN110070532A (zh) | 基于三维图像与二维图像特征结合的织物平整度评价方法 | |
CN109977892A (zh) | 基于局部显著性特征和cnn-svm的舰船检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |