CN109543622A - 一种输电线路绝缘子图像分割方法 - Google Patents
一种输电线路绝缘子图像分割方法 Download PDFInfo
- Publication number
- CN109543622A CN109543622A CN201811414833.7A CN201811414833A CN109543622A CN 109543622 A CN109543622 A CN 109543622A CN 201811414833 A CN201811414833 A CN 201811414833A CN 109543622 A CN109543622 A CN 109543622A
- Authority
- CN
- China
- Prior art keywords
- image
- grayscale image
- transmission line
- enhanced
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000005540 biological transmission Effects 0.000 title claims abstract description 37
- 238000005192 partition Methods 0.000 title claims abstract description 26
- 239000012212 insulator Substances 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 20
- 238000001514 detection method Methods 0.000 description 9
- 239000003016 pheromone Substances 0.000 description 8
- 239000002131 composite material Substances 0.000 description 7
- 238000009413 insulation Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 239000007921 spray Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种输电线路绝缘子图像分割方法,包括如下步骤:获取包含高压线和绝缘子的航拍图像;对所述航拍图像进行预处理,得到灰度图;对所述灰度图进行图像增强,确定图像增强后的灰度图;利用加权可变的模糊C均值聚类算法对所述图像增强后的灰度图进行分割。本发明充分地利用图像的空间信息,采用不同的权值,提高了绝缘子图像分割的效果和效率,为后续绝缘子的识别和缺陷诊断工作提供理论基础和技术支持。
Description
技术领域
本发明涉及高压输电线路巡检领域,特别是涉及一种输电线路绝缘子图像分割方法。
背景技术
高压输电线路由于其所处环境非常恶劣,且长期暴露在野外,因此高压输电线路在运行过程中会受到自然条件和人为因素等方面的影响,例如:输电线路由于风力产生的舞动、由于天气产生的覆冰等问题,如果处理不及时,会严重影响电力***的安全运行,可能会发生事故。绝缘子是输电线路的重要附件之一,需要定期进行状态监测,根据不同类型绝缘子的各自特性,绝缘子的故障包括掉串、裂纹或破损、污闪和异物入侵等。大部分航拍图像中除了绝缘子外,还包括很多附加的信息,例如输电线路、塔干,因此如何在航拍图像中从复杂附加背景信息中准确有效地提取出绝缘子,从而为后续识别和缺陷诊断工作提供帮助是十分重要的。
目前绝缘子的检测方法有许多,例如:观察法、激光多谱勒振动法、超声波检测法、红外检测法、航拍法。当输电线路图像受航拍角度、外界光线和阴雨雾霾天气等多种因素影响时,这些检测方法效果不理想。由于目前的检测研究专门以绝缘子图像为背景,并不针对空中输电线路巡检图像的绝缘子。空中输电线路巡检图像的绝缘子检测方法大多利用传统的图像分割算法或对传统的图像分割算法进行改进。
申请号为“201610116085.9”,名称为“基于图像识别技术的绝缘子完全分割算法”的专利公开了一种从图像中识别绝缘子的绝缘子分割算法。该分割算法通过将绝缘子图像转到Lab空间,提取a通道的图像并进行直方图均衡化处理,然后对a空间图像进行最大类间方差法进行分割得到图像I(i,j);同时将绝缘子图像先进行灰度化处理得到灰度空间图像,接着对灰度空间图像进行最大类间方差法进行分割得到图像M(i,j),将图像I(i,j)与图像M(i,j)进行逻辑与运算得到绝缘子的分割图像R(i,j);最后利用分割图像R(i,j)的形态学特征和连通域特征,去除分割图像R(i,j)的背景杂质。此方法能从输电线路中分割出绝缘子,但是只是对特定航拍图像能够分割出绝缘子。
申请号为“201810012817.9”,名称为“一种基于配电线路航拍图像的绝缘子污闪状态检测方法”的专利公开了一种基于航拍图像的绝缘子污闪状态检测方法,专利的检测方法如下:将巡线时的航拍图像RGB空间转换到YCbCr空间;然后设置分割阈值,根据阈值对图像进行二值化;分离出绝缘子图像,规定背景及正常绝缘子的图像为正样本,含有绝缘子污闪的图像为负样本;数据增强;提取所有绝缘子图像在V通道颜色分量的均值、方差、斜度、峰度、熵等5个特征;设计和训练SVM分类器,得到分类器模型,从而得到绝缘子图像污闪检测分类模型。该方法能通过SVM分类器得到绝缘子污闪分类,但是当背景复杂时效果不好。
申请号为“201710592642.9”,名称为“基于Lab颜色模式的复合绝缘子的图像检测方法及***”的专利公开了一种基于Lab颜色模式的复合绝缘子的图像检测方法及***,其中方法包括干燥的复合绝缘子表面图像采集和复合绝缘子表面的喷水处理,还包括以下步骤:喷水后的复合绝缘子表面图像采集,对采集的所述图像的颜色模式进行调整,提取所述图像颜色空间的差异,构建水珠信息的灰度图,利用最大灰度熵分割出水珠区域。通过利用两幅图像进行对比,以及Lab颜色空间的转换,对复合绝缘子表面的水珠分布能进行判定,从而提取出复合绝缘子表面的水珠信息。该方法对喷水有严格要求,并且喷水效果会直接影响检测结果。
发明内容
本发明的目的是提供一种输电线路绝缘子图像分割方法,用来提高绝缘子图像分割的效果和效率。
为实现上述目的,本发明提供了如下方案:
一种输电线路绝缘子图像分割方法,包括如下步骤:
获取包含高压线和绝缘子的航拍图像;
对所述航拍图像进行预处理,得到灰度图;
对所述灰度图进行图像增强,确定图像增强后的灰度图;
利用加权可变的模糊C均值聚类算法对所述图像增强后的灰度图进行分割。
可选的,所述航拍图像为RGB类型的彩色图像,对所述航拍图像进行缩放压缩。
可选的,所述对所述航拍图像进行预处理,包括将缩放压缩后的所述RGB类型的彩色图像的RGB空间转换为HSI空间,选取S分量作为所述灰度图。
可选的,所述对所述灰度图进行图像增强,确定图像增强后的灰度图,具体为:
利用正弦隶属度函数将所述灰度图由空间域映射到模糊域中,确定模糊特征平面{μij},所述正弦隶属度函数如下所示:
其中,xij表示像素(i,j)的灰度值,μij表示像素(i,j)的隶属度,B为条件参数,在0和图像的最小灰度值之间取值,默认情况下为0,q为调节参数,xmax表示图像的最大灰度值;
对所述模糊特征平面进行逆变换,得到μi'j
对所述逆变换后的灰度图采用灰度线性变换做灰度扩展处理,通过调节参数B和q来改变所述正弦隶属度函数的隶属度和渡越点的位置,确定所述图像增强后的灰度图。
可选的,所述通过调节参数B和q来改变所述正弦隶属度函数的隶属度和渡越点的位置,确定所述图像增强后的灰度图,具体包括:
将所述逆变换后的灰度图f(x,y)的灰度范围线性地扩展至[Fm'in,Fm'ax],线性变换如下式所示:
其中,Fmin,Fmax分别为所述逆变换后的灰度图的最小、最大灰度级,F′min,F′max分别为所述图像增强后的灰度图的最小、最大灰度级,且F′min≤Fmin,F′max≥Fmax,f'(x,y)为线形变换后的灰度图。
可选的,所述利用加权可变的模糊C均值聚类算法对所述图像增强后的灰度图进行分割,具体流程如下:
步骤1041:通过蚁群算法确定所述图像增强后的灰度图的初始聚类中心V(0)=vj,初始化隶属度矩阵U(t)=μij(t),其中,t=0;
步骤1042:通过公式计算所述图像增强后的灰度图中所有像素点加权后的灰度值;
其中,空间权值函数Ω代表加权窗口中像素的总个数,c代表调整常量,xk(t)表示所述加权窗口中第k个点的像素值,x'k(t)为所述加权窗口中所有像素的均值;xi(t)表示所述图像增强后的灰度图中第i个点的像素值;所述加权窗口的中心点为所述图像增强后的灰度图中第i个点,xi(t)∈xk(t);
步骤1043:通过公式
更新所述隶属度矩阵U(t);
其中,xi(t)为所述图像增强后的灰度图第i行的像素向量,g(xi)(t)为所述图像增强后的灰度图所有像素点灰度值加权后第i行的像素向量,m为隶属度矩阵的调节参数,n是指所述图像增强后的灰度图的像素行数;
步骤1044:通过公式更新所述聚类中心V(t);
其中,α为权值参数,α∈(0,1);
步骤1045:比较V(t-1)和V(t),如果||V(t-1)-V(t)||≤ε,停止迭代,其中ε表示聚类中心的变化值;否则,t=t+1,返回步骤1042;
步骤1046:利用所述隶属度矩阵U(t),按照最大隶属度法将所述图像增强后的灰度图中的像素划分到与所述聚类中心V(t)对应的类别中,确定分割结果。
可选的,通过公式计算所述图像增强后的灰度图中所有像素点加权后的灰度值;
其中,空间权值函数具体还包括:当所述加权窗口中缺失相邻像素点时用0补充。
可选的,所述初始化隶属度矩阵U(t)中的值全部为1或者全部为0。
根据本发明提供的发明内容,本发明公开了以下技术效果:
本发明提供的一种输电线路绝缘子图像分割方法,对所述灰度图进行图像增强,提高了灰度图的图像质量,利用加权可变的模糊C均值聚类算法对所述图像增强后的灰度图进行分割,充分利用了图像的空间信息,采用不同的权值,进而提高了绝缘子图像分割的效果和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种输电线路绝缘子图像分割方法的流程示意图;
图2为本发明的利用加权可变的模糊C均值聚类算法对图像增强后的灰度图进行分割的流程示意图;
图3为航拍输电线路绝缘子图像预处理结果示意图;
图3-a为RGB类型的彩色航拍图像示意图;
图3-b为RGB类型图像转换为HSI类型航拍图像示意图;
图3-c为HSI空间中的S分量示意图;
图4为本发明的一种输电线路绝缘子图像分割方法结果示意图;
图4-a为HSI空间中的S分量示意图;
图4-b为采用模糊集进行图像增强后的示意图;
图4-c为采用传统模糊C均值聚类进行图像分割后的示意图;
图4-d为采用基于加权可变模糊C均值聚类的输电线路绝缘子图像分割方法进行图像分割后的示意图;
图5为采用传统模糊C均值聚类进行图像分割方法和采用基于加权可变模糊C均值聚类的输电线路绝缘子图像分割方法进行图像分割后结果的比对示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种输电线路绝缘子图像分割方法,用来提高绝缘子图像分割的效果和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的一种输电线路绝缘子图像分割方法的流程示意图,图2为本发明的利用加权可变的模糊C均值聚类算法对图像增强后的灰度图进行分割的流程示意图。
如图1和图2所示,一种输电线路绝缘子图像分割方法,包括如下步骤:
步骤101:获取包含高压线和绝缘子的航拍图像;
步骤102:对所述航拍图像进行预处理,得到灰度图;
步骤103:对所述灰度图进行图像增强,确定图像增强后的灰度图;
步骤104:利用加权可变的模糊C均值聚类算法对所述图像增强后的灰度图进行分割。
其中,模糊C均值聚类算法英文译文为fuzzy c-means algorithm,称为FCMA或称FCM。
其中,步骤102还包括,所述航拍图像为RGB类型的彩色图像,分辨率高达3072*2048,对所述航拍图像进行缩放压缩,将图像缩放到分辨率为320*240;所述对所述航拍图像进行预处理,包括将缩放压缩后的所述RGB类型的彩色图像的RGB空间转换为HSI空间,选取S分量作为所述灰度图,将所述灰度图转换到[0,255]的像素空间。
步骤103具体为:
利用正弦隶属度函数将所述灰度图由空间域映射到模糊域中,得到模糊特征平面{μij},所述正弦隶属度函数如下所示:
其中,xij表示像素(i,j)的灰度值,μij表示像素(i,j)的隶属度,B为条件参数,在0和图像的最小灰度值之间取值,默认情况下为0,q为调节参数,xmax表示图像的最大灰度值;
对所述模糊特征平面进行逆变换,得到μ′ij
对所述逆变换后的灰度图采用灰度线性变换做灰度扩展处理,通过调节参数B和q来改变所述正弦隶属度函数的隶属度和渡越点的位置,确定所述图像增强后的灰度图。
所述通过调节参数B和q来改变所述正弦隶属度函数的隶属度和渡越点的位置,确定所述图像增强后的灰度图,具体包括:
将所述逆变换后的灰度图f(x,y)的灰度范围线性地扩展至[F′min,F′max],线性变换如下式所示:
其中,Fmin,Fmax分别为所述逆变换后的灰度图的最小、最大灰度级,F′min,F′max分别为所述图像增强后的灰度图的最小、最大灰度级,且F′min≤Fmin,F′max≥Fmax,f'(x,y)为线形变换后的灰度图。
经过灰度线性变换处理后,增大图像的对比度得到增加,这样可以对所述逆变换后的灰度图中的小范围差异进行平滑处理,去除所述逆变换后的灰度图中的小范围噪声和干扰区域,改善了所述逆变换后的灰度图的增强效果。
步骤104:所述利用加权可变的模糊C均值聚类算法对所述图像增强后的灰度图进行分割,具体流程如下:
步骤1041:通过蚁群算法确定所述图像增强后的灰度图的初始聚类中心V(0)=vj,初始化隶属度矩阵U(t)=μij(t),其中,t=0;
步骤1042:从所述图像增强后的灰度图的左上角第一个点开始,依次从左到右,从上到下依次对所述图像增强后的灰度图中像素点顺序编号,通过公式计算所述图像增强后的灰度图中所有像素点加权后的灰度值;
其中,空间权值函数Ω代表加权窗口中像素的总个数,所述加权窗口通常取3×3或5×5的窗口,c代表调整常量,xk(t)表示所述加权窗口中第k个点的像素值,x'k(t)为所述加权窗口中所有像素的均值;xi(t)表示所述图像增强后的灰度图中第i个点的像素值;所述加权窗口的中心点为所述图像增强后的灰度图中第i个点,xi(t)∈xk(t);
步骤1043:通过公式
更新所述隶属度矩阵U(t);
其中,xi(t)为所述图像增强后的灰度图第i行的像素向量,g(xi)(t)为所述图像增强后的灰度图所有像素点灰度值加权后第i行的像素向量,m为隶属度矩阵的调节参数,n是指所述图像增强后的灰度图的像素行数;
步骤1044:通过公式更新所述聚类中心V(t);
其中,α为权值参数,α∈(0,1);
步骤1045:比较V(t-1)和V(t),如果||V(t-1)-V(t)||≤ε,停止迭代,其中ε表示聚类中心的变化值;否则,t=t+1,返回步骤1042;
步骤1046:利用所述隶属度矩阵U(t),按照最大隶属度法将所述图像增强后的灰度图中的像素划分到与所述聚类中心V(t)对应的类别中,确定分割结果。
通过公式计算所述图像增强后的灰度图中所有像素点加权后的灰度值;
其中,空间权值函数具体还包括:当所述加权窗口中缺失相邻像素点时用0补充。
所述初始化隶属度矩阵U(t)中的值全部为1或者全部为0。
其中步骤1041,具体还包括:所述通过蚁群算法确定所述图像增强后的灰度图的初始聚类中心,具体方法为:
设所述图像增强后的灰度图为图像I,初始大小为M×N,所述图像I上随机分布W只蚂蚁,所述图像I的每个像素点都可以视为一个节点,初始时刻,各路径上的信息素量相等,设r为聚类半径,Xi至Xj之间的加权欧氏距离如下所示:
其中,xiw∈Xi,xjw∈Xj,Xi∈(x1,x2......xM),Xj∈(x1,x2......xM),xM表示像素点;
设置信息矩阵τ(0)每个元素的初始值为常数τ,则pij代表(i,j)节点的蚂蚁选择聚类中心的概率,如下所示:
其中Ω1代表(i,j)的相邻节点,ηij代表(i,j)的启发信息,常数为α′和β分布代表信息素矩阵和启发矩阵的相对重要程度,n′为图像I的像素宽度;
其中Z代表归一化因子,Iij为(i,j)的强度值,VC(Iij)代表相邻16个邻域点的函数拟合;
执行两次信息素矩阵的更新;
第一次更新在每个执行步骤中每只蚂蚁移动之后执行,信息素矩阵的每个元素按如下公式更新:
ρ表示信息素的保留率,1-ρ表示信息素的挥发率,为了防止信息的无限累积,ρ取值范围限定在0~1之间,Δ表示表示蚂蚁w在本次循环中,在i到j的路径上留下的信息素的浓度;
第二次更新在每步中所有蚂蚁完成运动之后按照如下式进行:
表示信息素的衰减系数。
图3为航拍输电线路绝缘子图像预处理结果示意图,图3-a为RGB类型的彩色航拍图像示意图,图3-b为RGB类型图像转换为HSI类型图像示意图,图3-c为HSI空间中的S分量示意图,具体如图3所示:图3-a为原始图像;图3-b为RGB转换为HSI空间后的结果图像;图3-c为RGB转换为HSI空间后提取S分量的结果,将S分量转换为0~255范围内,通过图3-c可以看出S分量图像中绝缘子区域突出,在图像中的饱和度高,因此可以区分不同颜色的物体,并可以除去大部分背景的影响。
图4一种基于加权可变模糊C均值聚类的输电线路绝缘子图像分割方法结果示意图,图4-a为HSI空间中的S分量示意图,图4-b为采用模糊集理论进行图像增强后的示意图,具体如图4所示:图4-a为RGB转换为HSI空间后提取S分量的结果,将S分量转换为0~255范围内。图4-b为本发明提出的改进的模糊集的图像增强结果。与传统增强方法相比,本发明提出的基于改进的模糊集增强算法克服了传统增强方法的灰度合并、失真较大、层次感差等缺点,可以对小范围内的差异进行平滑处理,达到了良好的增强效果。图4-c为采用传统FCM算法对图4-b进行图像分割的结果图,图4-d为采用本发明提出的加权可变FCM的图像分割方法对图4-b进行图像分割的结果图。如图4-c所示,采用传统FCM算法可以分割出绝缘子区域,但是一些噪声点、以及包含很少点的小区域并没有得到抑制。如图4-d所示,本发明提出的基于蚁群分类的改进FCM的图像分割方法可以抑制噪声和小范围区域。
图5为一种基于加权可变模糊C均值聚类的输电线路绝缘子图像分割方法结果示意图。为了验证基于加权可变FCM算法的效果,实施例用到的数据集共九组450张图片,每组50张图片,部分图片有随机的噪声,随机选取20张图片,分别设置不同的峰值信噪比(SNR)。然后,利用错分概率函数分别对FCM算法和本文算法进行了检验,错分概率函数如下图所示:
其中,Ci和Cj表示第i类和第j类的像素点个数,c为图像分割的分类数。实验结果如图5所示,设置图像分割的分类数c=2,当SNR≥30时,本发明提出的算法错分概率小于0.1。
本发明提供的一种输电线路绝缘子图像分割方法,对所述灰度图进行图像增强,提高了灰度图的图像质量,利用加权可变的模糊C均值聚类算法对所述图像增强后的灰度图进行分割,充分利用了图像的空间信息,采用不同的权值,进而提高了绝缘子图像分割的效果和效率。
另外,本发明在模糊集理论进行图像增强的基础上引入了灰度线性变换。根据图像的灰度特性,选用像素的相对灰度等级作为模糊特征,采用正弦隶属度函数对图像进行了模糊增强,从而避免了增强后大量灰阶信息的丢失。这样处理的结果加快了最优参数的选择,提高了增强后图像的质量,提高了本申请图像分割算法的可行性和效率。
另外,本发明提出了利用蚁群分类算法寻找初始聚类中心的思想。蚁群算法是一种全局优化的启发式算法,其区别目标和背景的一个重要特征是像素的灰度,因此选用了像素的灰度值作为聚类的一个特征。另外,边界点和噪声点往往是灰度发生突变的地方,而该点处的梯度体现出这种变化,是反映边界点与背景或者目标区域内点区别的重要特征。这样每只蚂蚁可设置为一个灰度和梯度为特征的二维向量,聚类中心看成了蚂蚁需要寻找的“食物源”,图像分割就是这些具有不同特征的蚂蚁搜索食物源的过程,利用蚁群算法的全局性和鲁棒性能够有效克服模糊聚类对初始参数的敏感,提高了本申请图像分割算法的效果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种输电线路绝缘子图像分割方法,其特征在于,包括如下步骤:
获取包含高压线和绝缘子的航拍图像;
对所述航拍图像进行预处理,得到灰度图;
对所述灰度图进行图像增强,确定图像增强后的灰度图;
利用加权可变的模糊C均值聚类算法对所述图像增强后的灰度图进行分割。
2.根据权利要求1所述的一种输电线路绝缘子图像分割方法,其特征在于,所述航拍图像为RGB类型的彩色图像,对所述航拍图像进行缩放压缩。
3.根据权利要求2所述的一种输电线路绝缘子图像分割方法,其特征在于,所述对所述航拍图像进行预处理,包括将缩放压缩后的所述RGB类型的彩色图像的RGB空间转换为HSI空间,选取S分量作为所述灰度图。
4.根据权利要求1所述的一种输电线路绝缘子图像分割方法,其特征在于,所述对所述灰度图进行图像增强,确定图像增强后的灰度图,具体为:
利用正弦隶属度函数将所述灰度图由空间域映射到模糊域中,确定模糊特征平面{μij},所述正弦隶属度函数为:
其中,xij表示像素(i,j)的灰度值,μij表示像素(i,j)的隶属度,B为条件参数,在0和图像的最小灰度值之间取值,默认情况下为0,q为调节参数,xmax表示图像的最大灰度值;
对所述模糊特征平面进行逆变换,得到μ′ij
对逆变换后的灰度图采用灰度线性变换做灰度扩展处理,通过调节参数B和q来改变所述正弦隶属度函数的隶属度和渡越点的位置,确定所述图像增强后的灰度图。
5.根据权利要求4所述的一种输电线路绝缘子图像分割方法,其特征在于,所述通过调节参数B和q来改变所述正弦隶属度函数的隶属度和渡越点的位置,确定所述图像增强后的灰度图,具体包括:
将所述逆变换后的灰度图f(x,y)的灰度范围线性地扩展至[F′min,F′max],线性变换公式为:
其中,Fmin,Fmax分别为所述逆变换后的灰度图的最小、最大灰度级,F′min,F′max分别为所述图像增强后的灰度图的最小、最大灰度级,且F′min≤Fmin,F′max≥Fmax。
6.根据权利要求1所述的一种输电线路绝缘子图像分割方法,其特征在于,所述利用加权可变的模糊C均值聚类算法对所述图像增强后的灰度图进行分割,具体流程为:
步骤1041:通过蚁群算法确定所述图像增强后的灰度图的初始聚类中心V(0)=vj,初始化隶属度矩阵U(t)=μij(t),其中,t=0;
步骤1042:通过公式计算所述图像增强后的灰度图中所有像素点加权后的灰度值;
其中,空间权值函数Ω代表加权窗口中像素的总个数,c代表调整常量,xk(t)表示所述加权窗口中第k个点的像素值,x′k(t)为所述加权窗口中所有像素的均值;xi(t)表示所述图像增强后的灰度图中第i个点的像素值;所述加权窗口的中心点为所述图像增强后的灰度图中第i个点,xi(t)∈xk(t);
步骤1043:通过公式
更新所述隶属度矩阵U(t);
其中,xi(t)为所述图像增强后的灰度图第i行的像素向量,g(xi)(t)为所述图像增强后的灰度图所有像素点灰度值加权后第i行的像素向量,m为所述隶属度矩阵的调节参数,n是指所述图像增强后的灰度图的像素行数;
步骤1044:通过公式更新所述聚类中心V(t);
其中,α为权值参数,α∈(0,1);
步骤1045:比较V(t-1)和V(t),如果||V(t-1)-V(t)||≤ε,停止迭代,其中ε表示聚类中心的变化值;否则,t=t+1,返回步骤1042;
步骤1046:利用所述隶属度矩阵U(t),按照最大隶属度法将所述图像增强后的灰度图中的像素划分到与所述聚类中心V(t)对应的类别中,确定分割结果。
7.根据权利要求6所述的一种输电线路绝缘子图像分割方法,其特征在于,所述通过公式计算所述图像增强后的灰度图中所有像素点加权后的灰度值;
其中,空间权值函数具体还包括:当所述加权窗口中缺失相邻像素点时用0补充。
8.根据权利要求6所述的一种输电线路绝缘子图像分割方法,其特征在于,所述初始化隶属度矩阵U(t)中的值全部为1或者全部为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414833.7A CN109543622A (zh) | 2018-11-26 | 2018-11-26 | 一种输电线路绝缘子图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414833.7A CN109543622A (zh) | 2018-11-26 | 2018-11-26 | 一种输电线路绝缘子图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543622A true CN109543622A (zh) | 2019-03-29 |
Family
ID=65850521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811414833.7A Pending CN109543622A (zh) | 2018-11-26 | 2018-11-26 | 一种输电线路绝缘子图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543622A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539945A (zh) * | 2020-04-28 | 2020-08-14 | 西华大学 | 一种改进pcm聚类的绝缘子图像分割方法 |
CN112581456A (zh) * | 2020-12-23 | 2021-03-30 | 电子科技大学 | 一种适用于超声成像测井的图像裂缝实时提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130077837A1 (en) * | 2010-03-29 | 2013-03-28 | Galderma Research & Development Snc | Fuzzy clustering algorithm and its application on carcinoma tissue |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
CN107403438A (zh) * | 2017-08-07 | 2017-11-28 | 河海大学常州校区 | 改进模糊聚类算法的超声图像病灶区分割方法 |
CN108154490A (zh) * | 2018-01-18 | 2018-06-12 | 长春工程学院 | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 |
-
2018
- 2018-11-26 CN CN201811414833.7A patent/CN109543622A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130077837A1 (en) * | 2010-03-29 | 2013-03-28 | Galderma Research & Development Snc | Fuzzy clustering algorithm and its application on carcinoma tissue |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
CN107403438A (zh) * | 2017-08-07 | 2017-11-28 | 河海大学常州校区 | 改进模糊聚类算法的超声图像病灶区分割方法 |
CN108154490A (zh) * | 2018-01-18 | 2018-06-12 | 长春工程学院 | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 |
Non-Patent Citations (1)
Title |
---|
HONGCHANG KE, HUI WANG AND BIN LI: "Image Segmentation Method of Insulator in Transmission Line Based on Weighted Variable Fuzzy C-Means", 《JOURNAL OF ENGINEERING SCIENCE AND TECHNOLOGY REVIEW》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539945A (zh) * | 2020-04-28 | 2020-08-14 | 西华大学 | 一种改进pcm聚类的绝缘子图像分割方法 |
CN111539945B (zh) * | 2020-04-28 | 2022-09-13 | 西华大学 | 一种改进pcm聚类的绝缘子图像分割方法 |
CN112581456A (zh) * | 2020-12-23 | 2021-03-30 | 电子科技大学 | 一种适用于超声成像测井的图像裂缝实时提取方法 |
CN112581456B (zh) * | 2020-12-23 | 2023-04-18 | 电子科技大学 | 一种适用于超声成像测井的图像裂缝实时提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952A (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN103871029B (zh) | 一种图像增强及分割方法 | |
CN114022432B (zh) | 基于改进的yolov5的绝缘子缺陷检测方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN109558806A (zh) | 高分遥感图像变化的检测方法和*** | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN108647602B (zh) | 一种基于图像复杂度判定的航空遥感图像场景分类方法 | |
CN111783523B (zh) | 一种遥感影像旋转目标检测方法 | |
CN106096655B (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
CN111950515B (zh) | 一种基于语义特征金字塔网络的小人脸检测方法 | |
CN109446894B (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN106611422B (zh) | 基于素描结构的随机梯度贝叶斯sar图像分割方法 | |
CN114241511B (zh) | 一种弱监督行人检测方法、***、介质、设备及处理终端 | |
CN109815800A (zh) | 基于回归算法的目标检测方法及*** | |
CN110084782A (zh) | 基于图像显著性检测的全参考图像质量评价方法 | |
CN115641327B (zh) | 一种基于大数据的建筑工程质量监理和预警*** | |
CN109829881A (zh) | 基于深度学习的鸟巢检测方法及*** | |
CN109034233A (zh) | 一种结合OpenStreetMap的高分辨率遥感影像多分类器联合分类方法 | |
CN109785288A (zh) | 基于深度学习的输电设备缺陷检测方法及*** | |
CN109815798A (zh) | 无人机图像处理方法及*** | |
CN109829519B (zh) | 基于自适应空间信息的遥感图像分类方法及*** | |
Talal et al. | Detection of water-bodies using semantic segmentation | |
CN109165658A (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN111881725B (zh) | 一种融合空频域特征的光学遥感图像船舶目标检测方法 | |
CN109543622A (zh) | 一种输电线路绝缘子图像分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |