基于切比雪夫多項式描述子的復雜背景下輸電線路提取算法

趙常威，李森林，程登峰，操松元，嚴 波，陳 忠

(1.國網安徽省電力公司 電力科學研究院，合肥 230022；2.國網安徽省電力公司，合肥 230061)

基于切比雪夫多項式描述子的復雜背景下輸電線路提取算法

趙常威1，李森林1，程登峰1，操松元2，嚴 波2，陳 忠1

(1.國網安徽省電力公司 電力科學研究院，合肥 230022；2.國網安徽省電力公司，合肥 230061)

在電力系統中，利用計算機視覺和圖像處理技術對輸電線路的進行檢測，在保障電力系統的安全運行方面具有非常重要的作用；針對復雜背景下的輸電線路，提出了一種基于切比雪夫多項式描述子輸電線路提取算法，該算法首先對輸入圖像進行預處理，其次利用隨機Hough 變換提取圖像中的直線和曲線，然后利用切比雪夫多項式描述子的曲線描述優勢，對所提取的對象進行特征描述，為了提高提取的精確度，通過K-means聚類分析方法來訓練視覺字典，通過視覺字典的比對，最終確定圖像中的輸電線路；實驗結果說明了所提出的算法可以精確地提取復雜背景下的輸電線路。

切比雪夫多項式描述子；隨機Hough變換；輸電線路；K-means聚類；曲線描述

0 引言

在電力系統中，架空線路輸電是電力工業發展以來所采用的主要輸電方式。依賴于人工對輸電線路進行巡檢和維護的方式不僅效率低、成本高，而且存在著很大的安全性問題。隨著智能技術的發展，利用計算機視覺和圖像處理技術對輸電線路的進行檢測，在保障電力系統的安全運行方面具有非常重要的作用。由于圖像數據獲取易受到傳感器、拍攝環境、拍攝角度等多種因素的影響，所獲得的圖像都不是單純的輸電線路，大多含有復雜的背景，研究復雜背景下的輸電線路的提取算法具有重要的意義。

近期，研究者們提出了許多在可見光圖像中利用計算機視覺和圖像處理技術來識別提取輸電線路的算法。文獻[1]提出了一種在復雜自然背景條件下,用Ratio算子和分段Radon變換從航空影像中自動提取550 kV高壓電力線的算法，該方法能自動提取復雜自然背景下的高壓電力線； 文獻[2]在利用Canny算子提取圖像邊緣、Hough 變換生成破碎直線段的基礎上提出一種根據電力線的幾何特征恢復完整電力線的算法, 該算法可以無人機航拍影像中提取出完整的電力線；文獻[3]在分析輸電線路無人機巡檢系統航拍圖像中電力線特征的基礎上，運用 Ratio算子和Hough變換，提出一種基于特征檢測的電力線提取算法；文獻[4]提出了一種基于Hough 變換和支持向量機(SVM)的輸電線路檢測算法，將該算法用于檢測毫米波雷達所獲取的視頻圖像；文獻[5]利用多個激光器用于定位，提出了一種基于HSV空間奇異值分解的輸電線路檢測算法，用于復雜環境和背景條件下的輸電線路檢測；文獻[6]提出了一種基于隨機Hough 變換和線追蹤技術的電力線檢測算法，并指出大多數的已有的電力線檢測工作側重于直線檢測，并不能應用于具有較大曲率電力線圖像的檢測；目前在電力線提取方面有一定成果，但在復雜背景中提取電力線還是存在提取的電力線斷裂不完整、算法復雜不穩定等不足之處[7]。

現有的輸電線路檢測算法很多處理的是航拍圖像或視頻，其中大多的航拍圖像或視頻中的輸電線路成直線狀或近乎于直線，實際上，由于輸電線路的圖像或視頻數據獲取受到傳感器、拍攝環境、拍攝角度等多種因素的影響，輸電線路的形狀可能并不是呈現直線、拋物線等規則形狀，而是一些復雜的曲線。針對上述問題，本文提出了一種基于切比雪夫多項式描述子的復雜背景下輸電線路提取算法，該算法利用隨機Hough 變換提取圖像中的直線和曲線，然后利用切比雪夫多項式描述子對所提取的對象進行特征描述，并通過K-means聚類分析方法來訓練視覺字典，通過視覺字典的比對，最終確定圖像中的輸電線路。

1 圖像預處理與特征提取

1.1 圖像濾波

由于圖像獲取的復雜性，直接對圖像進行特征提取往往效果不好，在進行圖像處理與分析之前，需要對包含輸電線路的圖像進行必要的預處理以達到減少噪聲等因素的影響。首先對圖像進行中值濾波，中值濾波可以克服邊緣模糊和噪聲等問題，可以較好地保留輸電線路的邊緣信息；利用直方圖均衡化來增強圖像的對比度，以方便輸電線路的定位；然后利用閾值分割法獲得二值圖像以實現前景和背景的分離。

1.2 特征提取

Hough變換是一種提取邊緣特征的方法，可以提取直線、圓、橢圓、曲線等形狀[8]。傳統的Hough變換雖然具有簡單以及對于局部瑕疵是不敏感的優點，但存在著計算時間長，在復雜背景下容易誤檢測的缺點，隨機Hough變換[9]在提取邊緣像素時采用的是一種隨機的方法，效率高，同時對圖像的噪聲更魯棒[10]，因此采用隨機Hough變換來提取輸電線路。

2 切比雪夫多項式描述子

在計算機視覺和圖像處理領域中，圖像邊界是非常有用的信息，圖像的邊界一般表示成一個封閉的或者開的曲線，研究者提出了很多描述閉曲線的方法，如傅里葉描述子[11]、隱含多項式曲線[12]、曲率尺度空間[13]等，實際上，很多從圖像中提取得形狀是開的，如數字簽名[14]、含有蟲蛀缺陷的植物器官的形狀[15]等，因此一些開曲線的描述子，如：p型傅里葉描述子(P-type Fourier descriptor)、跟蹤開曲線(tracing open curves)等,上述開曲線描述子存在著對噪聲敏感、計算復雜度高等缺點[16]，因此，文獻[16]提出了切比雪夫多項式描述子(Chebyshev polynomial descriptors，CPDs)用于描述開曲線，該描述子具有很強的開曲線表示能力、準確性和穩定性高，計算簡單等優點。考慮到電力線的特征，我們選用切比雪夫多項式描述子來描述電力線。

切比雪夫多項式定義為:

P0(t)=1,P1(t)=t，Pm(t)=

2tPm-1(t)-Pm-2(t),m=2,3,…

(1)

一維函數f(t)可展開為:

(2)

實際中，為了實現可計算性，一般取前m項作為f(t)的近似值，即:

(3)

一個開曲線C的參數方程可以表示為Z(t)=(x(t),y(t),t∈[0,L])，其中x(t)與y(t)表示長度為t時的曲線橫坐標和縱坐標，是關于長度t的函數，L是曲線的總長度。x(t)與y(t)可以看成是兩個一維函數，按照切比雪夫多項式展開為:

(4)

其中:系數ai(i=0,1,…,m-1),bi(i=0,1,…,m-1),稱為曲線C的切比雪夫多項式描述子(CPDs)記為TC=(a0,a1,…,am-1,b0,b1,…,bm-1)。詳見文獻[16]。

3 輸電線路的提取

在訓練階段，提取大量特征作為訓練集，為了減少冗余的特征，首先利用聚類分析方法來選擇代表性的特征即視覺字典，本文使用K-Means作為聚類方法，K-Means聚類[17]的是一種無監督學習方法，應用非常廣的，是一個迭代的算法，其學習策略是最小化所有樣本到對應聚類中心的聚類的平方和，從而使生成的相同類簇的樣本盡可能緊湊，不同類別之間的樣本盡可能分開。它是一種簡單、快速的空間聚類方法，也是較為實用的聚類算法。K-Means算法[18]描述如下：

2)其次計算每個樣本點分別到K個中心點的距離，

(5)

并把每個樣本標記為離它最近的中心點那一類；

3)根據當前樣本的類別更新中心點;

4)如果中心點沒更新則結束否則轉到2)繼續迭代。

最后電力線的視覺字典可以表示為：

L={(T1,μ1),(T2,μ2),…,(Tk,μk)}

(6)

其中：Tk表示第k個視覺單詞的直方圖向量，它是第k類中所有特征向量的平均值。μi(i=1,…,k)為匹配閾值，通過訓練樣本來獲得。

圖1 本文算法的流程圖

4 實驗結果與分析

本文使用大量含有輸電線路的圖像作為訓練樣本，實驗是在Windows 7環境下，編譯軟件為Visual Studio 2010和Matlab 2012(b)_，電腦配置為Intel core i7-4790 CPU@3.6 GHz，8核。

圖2是本文算法對輸電線路的檢測結果。圖2(a)是原始圖像，從圖中可以看出，圖像中含有多條輸電線路，還有建筑、樹木等復雜背景。圖2(b)是利用隨機Hough變換檢測出的曲線(灰色部分)，可見除了輸電線路之外，還有一些其他曲線，需要進一步進行判別，圖2(c)是利用在進行視覺字典匹配之后，曲線是被識別為輸電線路和非輸電線路，圖2(d)為最終檢測結果，從結果可以發現，圖像中可見的輸電線路均已檢測出來。

圖2 輸電線路的檢測

5 結論

輸電線路的檢測是電力傳輸系統中非常重要的問題，為了解決復雜背景下的輸電線路檢測問題，本文提出了一種基于切比雪夫多項式描述子的復雜背景下輸電線路提取算法，該算法利用隨機Hough 變換提取圖像中的直線和曲線，然后利用切比雪夫多項式描述子的曲線描述優勢，對所提取的對象進行特征描述，并通過K-means聚類分析方法來訓練視覺字典，通過視覺字典的比對，檢測出圖像中的輸電線路。

實驗結果說明了本文方法可以精確地提取復雜背景下的輸電線路。但從實驗結果看，本文算法只能夠檢測出圖像中可見的輸電線路，在檢測出的9條輸電線路中，有一條并不完整，這是由于該輸電線路可見度很低，未檢測部分基本不可見，這需要進一步進行經驗判斷，也是我們今后的研究方向。

[1] 李朝陽，閻廣建,等. 高分辨率航空影像中高壓電力線的自動提取[J].中國圖象圖形學報, 2007, 12(6):1041-1047.

[2] 李彩林，馮朝暉,等.復雜地物背景下的電力線提取方法[J].計算機工程與應用，2016,52(22):198-202.

[3] 張少平，楊 忠,等.基于特征檢測的航拍圖像電力線提取方法[J].應用科技，2012，39(5):36-39.

[4] Ma Q R, Goshi D S, Shih Y C, et al.An algorithm for power line detection and warning based on a millimeter-wave radar video[J].IEEE Transactions on Image Processing,2011,20(12):3534-3543.

[5] Song W, Hu X R, Fu J, et al.The method of hybrid-laser image spot extracts based on HSV space SVD for power transmission line detection[A].2016 IEEE International Conference on Information and Automation (ICIA)[C].2016:1361-1364.

[6] Baker L, Mills S, Langlotz T,et al.Power line detection using Hough transform and line tracing techniques[A].2016 International Conference on Image and Vision Computing，New Zealand (IVCNZ)[C].2016:1-6.

[7] 汪 林， 王燕午， 千 琳， 等.基于無人機的航空影像電力線提取方法的研究[J].城市勘測，2013，3：92-95.

[8] Ren D, Wang Q, Sun F. A fast and effective algorithm based on improved Hough transform[J]. Journal of the Indian Society of Remote Sensing, 2016, 44(3):465-469.

[9] Xu L, Oja E, Kultanen P.A new curve detection method:Randomized Hough transform (RHT)[J]. Pattern Recognition Letters,1990, 11: 331-338.

[10] Baker L, Mills S, Langlotz T,et al.Power line detection using Hough transform and line tracing techniques[A].2016 International Conference on Image and Vision Computing New Zealand (IVCNZ)[C].2016:1-6.

[11] Zahn C T, Roskies R Z. Fourier descriptors for plane closed curves[J]. IEEE Trans，Comput, 1972，21(3)：269-281.

[12] Rouhani M, Sappa A. Implicit polynomial representation through a fast fitting error estimation[J]. IEEE Trans. Image Process, 2012，21(4)：2089-2098.

[13] Mokhtarian F, Mackworth A K. A theory of multiscale curvature-based shape representation for planar curves[J]. IEEE Trans.Pattern Anal.Mach.Intell.,1992，14 (8) ：789-805.

[14] Mori M, Uchida S, Sakano H. Global feature for online character recognition[J]. Pattern Recognit.Lett., 2014，35 (1)：142-148.

[15] Tanaka E, Tamura Y, Hosoya M, et al. Protrusion fourier descriptor:skeleton-based representation of open curves[J]. Forma， 2008，23(1)：9-18.

[16] Wu G, Zhang Y C,A new Chebyshev polynomials descriptor applicable to open curves[J].Pattern Recognition Letters,2015,62:41-48.

[17] Macqueen J. Some methods for classification and analysis of multivariate observations[A]. Berkeley Symposium on Mathematical Statistics and Probability[C]. 1967:281-297.

[18]吳文峰.基于局部特征字典的圖像分類算法研究[D].深圳:深圳大學，2012.

Transmission Line Extraction Algorithm Based on Chebyshev Polynomial Descriptors in Complex Background

Zhao Changwei1，Li Senlin1，Cheng Dengfeng1，Cao Songyuan2，Yan Bo2, Chen Zhong1

(1.Electric Power Research Institute of State Grid Anhui Electric Power Company, Hefei 230022,China;2.State Grid Anhui Electric Power Company, Hefei 230061,China)

In the power system, there is a very important role in the protection of the safe operation of the power system by using computer vision and image processing technology to detect the transmission line. For the complex background, a transmission line detecting algorithm based on the Chebyshev polynomial descriptors(CPDs) is proposed. The algorithm firstly preprocesses the input image. Secondly, the random Hough transform is used to extract the straight lines and curves in the image, which are then described by the CPDs. In order to improve the accuracy of the extraction, the K-means clustering analysis method is used to train the visual dictionary, and the transmission lines in the image are finally determined by the comparison of the visual dictionary. The experimental results show that the proposed algorithm can accurately extract the transmission lines in complex background.

Chebyshev polynomial descriptors;random Hough transform; transmission line; K-means clustering; curve description

2017-05-08；

2017-05-22。

趙常威(1988-)，男，碩士，工程師，主要從事輸電線路狀態監測技術方向的研究。

1671-4598(2017)12-0170-02

10.16526/j.cnki.11-4762/tp.2017.12.044

TP391.41

A