论文部分内容阅读
摘要：随着经济的高速发展，高压输电线路网越建越密集。高压输电线路长期暴露在恶劣环境中，组成部件或多或少受到损坏，绝缘子缺失、防震锤缺失、金具锈蚀等都是常见的缺陷损坏类型。其中，绝缘子、防震锤、金具等关键部件的损坏严重影响输电线路的安全运行。 关键词：输电线路;锈蚀;缺陷检测
1相关研究现状
1相关图像分割算法
1.1阈值分割算法
阈值分割算法的关键在于确定一个合适的阈值，然后将每个灰度值跟这个阈值作比较，大于阈值的归为一类，小于阈值的归为另一类，从而将图像分为物体和背景。阈值分割的方法简单、计算速度快、运算效率高，特别是图像中存在特别大的灰度对比差异的情况下，能得到很好的分割效果。然而该算法也存在一定的局限性，阈值分割通常都不考虑图像的空间特征及其连续性，也没有考虑图像的纹理特征等有用信息，只考虑图像像素本身的取值，这就使得分割对噪声特别敏感，在复杂多样的图像中很难有较好的分割效果。本文在获取高压输电线路前景铁架时并不适用阈值分割的方法。
1.1.2区域分割算法
区域分割算法加入了图像之间的空间联系，弥补了阈值分割算法中没有或很少考虑像素点空间关系的缺点。该算法利用图像的空间性质，认为分割出来的属于同一区域的像素具有相似的性质。区域分割算法主要包括区域生长法和区域分裂合并法。区域生长法的缺陷是每一个需提取的区域都必须先给出种子点，然后提取出与种子点一样符合规定标准的区域。这种方法对噪声很敏感，易造成区域不连续性。区域分裂合并法并不需事先确定种子像素点就可同时进行分裂、合并运算，又或是先把输入图像分割成几个子区域，然后归并相似度大于某个值的子区域。区域分裂合并法的缺陷是如果分裂深度不够，那么分割效果不理想;如果分割深度过深，又使得合并难度增大，分割时间较长。
1.2相关高斯混合模型学习
高斯混合模型是单高斯分布概率密度函数的延伸。假如有一批观察数据表示为 X={x1，x2，x3，...，xn}，数据个数为 n，在 d维空间中的分布不是椭球状，那么就不适合以一个单一的高斯密度函数来描述这些数据点的概率密度函数。假设每个点由一个单高斯分布生成，而这一批数据由 M个单高斯模型生成，具体某个数据 xi属于哪个高斯模型未知，且每个单高斯模型在混合模型中所占的比例αj未知，将所有的来自不同分布的数据点混合在一起，该分布就可称为混合高斯分布。
1.3相关形态学操作
图像分割后难免会出现一些虚边缘及一些零星的小团块物体，导致分割不彻底，影响分割效果，不利于后续工作的实施，这就需对其进行形态学操作。膨胀和腐蚀这两种操作是形态学处理的基础，主要应用于灰度图像或二值图像，本文使用的是三通道的彩色图像，各个通道腐蚀膨胀操作过程相对独立，单独处理。
对于单通道图像的腐蚀操作如下：
式中，dst（x，y）为腐蚀后的图像;src（x+dx，y+dy）为原图像;B为结构元素;（dx，dy）为 B结构元素值。
由式（2）很容易理解腐蚀甚至膨胀的原理，这些就是基本的形态学操作。本文主要使用腐蚀操作来消除分散的不必要的小团块物体，以便于排除干扰，突出目标物体，实现较好的分割结果。
2半交互式图像分割及锈蚀缺陷检测
2.1半交互式图像分割算法
在实际高压输电线路图像采集过程中，同一场景需拍摄大量输电线路图像，且连续循环拍摄，以便于后期图像处理工作。而基于无人机环绕拍摄的特殊性，在同一场景中且处于同一时间段的图像不但背景物体相似，而且在颜色、纹理、形状等特征方面也有极大的相似性。為此，可在 GrabCut算法基础上，只需对场景中的其中一张图像进行简单的人工交互标记前景点和背景点，并以此为结点初始化并构建 GMM模型;然后利用迭代逼近思想对 GMM参数进行更新以获得昀佳 GMM模型;昀后判断其他图像的高斯模型概率完成图像的昀优分割。
根据上述分析得到算法 1，总结实现步骤为如下。
输入图像T，手动标定矩形框。
矩形框范围内为前景待选区域，框外标记为背景区域（TB背景，TF前景待选区域）。
（3）在矩形框范围内人工标记前景点和背景点。
通过标定的矩形区域初始化图 T。利用 K-means算法分别用 SF（前景）和 SB（背景）两个集合初始化前景和背景的混合高斯模型，获得 GMM参数的初始值。
（5）以人工标记的像素值作为样本点构建高斯前景模型和背景模型。
GMM的标号和背景 GMM的标号，并构建αn=1和αn=0掩码图像。
EM算法学习并更新 GMM参数。
迭代执行步骤（5）～（7），直到构建理想的前背景模型。
根据构建的概率模型，将其他图像的像素点匹配建好的前景模型和背景模型，对新图像像素点进行模型分类，实现图像分割。
（10）对分割后的图像进行腐蚀操作，优化分割效果。 通过以上算法步骤就可以对一组相似场景的图像实现很好的分割效果，通俗易懂，便于实现。根据以上步骤，可得到如下输入输出过程。
2.2锈蚀缺陷检测算法过程
针对航拍图像，锈蚀缺陷主要存在于金属器具、连接装置、接地装置、杆塔等位置，然而对于一张彩色的背景复杂的图像，基于单纯的颜色特征的的锈蚀提取会受到很多相似颜色的干扰，易造成误检或漏检。为此要想得到理想的检测效果就必须从图像的分割开始，提取前景目标，从而可对后期锈蚀部件确认有很大的帮助。图像分割后就可直接对前景目标进行锈蚀缺陷区域的检测和识别，但前提还是要对采集的航拍图像进行简单背景和复杂背景的分类处理。
由以上分析可得该算法 2的主要步骤如下。
（1）输入航拍图像I，对图像进行简单的增强预处理。
对于单张图像，人工标记矩形框，框范围内为前景待选区域，框外标记为背景区域。通过标定的矩形框来初始化图I，获得 GMM参数的初始值，然后在矩形框范围内人工标记前景点和背景点，通过 GrabCut算法实现分割。对于一组相似场景的图像，对其中一张图像人工标记前景点和背景点，构建前景混合高斯模型和背景混合高斯模型，不断迭代更新GMM参数，直至构建理想的前背景模型，然后对新图像实现半交互式的图像分割。
对分割后的图像进行简单的形态学开运算操作，优化分割结果。
将分割后得到的彩色图像变换 YCrCb颜色空间。
提取分离三通道的彩色图像，得到 Cr单通道的灰度图像。
根据锈蚀缺陷颜色特征对单通道灰度图像进行阈值分割，完成检测。通过以上算法步骤就可对航拍图像实现良好的分割效果，并得到满意的锈蚀检测效果。该检测算法简单易懂，易于实现，有很好的实用性。
根据锈蚀缺陷检测的流程及以上详细步骤，可得到如下输入输出过程。
参考文献
[1]周良芬，何建农.基于 GrabCut改进的图像分割算法[J].计算机应用，2013（1）：49-52.
[2]张洪才.直升机巡检输电线路锈蚀缺陷识别方法研究[D].大连：大连海事大学，2009.
1相关研究现状
1相关图像分割算法
1.1阈值分割算法
阈值分割算法的关键在于确定一个合适的阈值，然后将每个灰度值跟这个阈值作比较，大于阈值的归为一类，小于阈值的归为另一类，从而将图像分为物体和背景。阈值分割的方法简单、计算速度快、运算效率高，特别是图像中存在特别大的灰度对比差异的情况下，能得到很好的分割效果。然而该算法也存在一定的局限性，阈值分割通常都不考虑图像的空间特征及其连续性，也没有考虑图像的纹理特征等有用信息，只考虑图像像素本身的取值，这就使得分割对噪声特别敏感，在复杂多样的图像中很难有较好的分割效果。本文在获取高压输电线路前景铁架时并不适用阈值分割的方法。
1.1.2区域分割算法
区域分割算法加入了图像之间的空间联系，弥补了阈值分割算法中没有或很少考虑像素点空间关系的缺点。该算法利用图像的空间性质，认为分割出来的属于同一区域的像素具有相似的性质。区域分割算法主要包括区域生长法和区域分裂合并法。区域生长法的缺陷是每一个需提取的区域都必须先给出种子点，然后提取出与种子点一样符合规定标准的区域。这种方法对噪声很敏感，易造成区域不连续性。区域分裂合并法并不需事先确定种子像素点就可同时进行分裂、合并运算，又或是先把输入图像分割成几个子区域，然后归并相似度大于某个值的子区域。区域分裂合并法的缺陷是如果分裂深度不够，那么分割效果不理想;如果分割深度过深，又使得合并难度增大，分割时间较长。
1.2相关高斯混合模型学习
高斯混合模型是单高斯分布概率密度函数的延伸。假如有一批观察数据表示为 X={x1，x2，x3，...，xn}，数据个数为 n，在 d维空间中的分布不是椭球状，那么就不适合以一个单一的高斯密度函数来描述这些数据点的概率密度函数。假设每个点由一个单高斯分布生成，而这一批数据由 M个单高斯模型生成，具体某个数据 xi属于哪个高斯模型未知，且每个单高斯模型在混合模型中所占的比例αj未知，将所有的来自不同分布的数据点混合在一起，该分布就可称为混合高斯分布。
1.3相关形态学操作
图像分割后难免会出现一些虚边缘及一些零星的小团块物体，导致分割不彻底，影响分割效果，不利于后续工作的实施，这就需对其进行形态学操作。膨胀和腐蚀这两种操作是形态学处理的基础，主要应用于灰度图像或二值图像，本文使用的是三通道的彩色图像，各个通道腐蚀膨胀操作过程相对独立，单独处理。
对于单通道图像的腐蚀操作如下：
式中，dst（x，y）为腐蚀后的图像;src（x+dx，y+dy）为原图像;B为结构元素;（dx，dy）为 B结构元素值。
由式（2）很容易理解腐蚀甚至膨胀的原理，这些就是基本的形态学操作。本文主要使用腐蚀操作来消除分散的不必要的小团块物体，以便于排除干扰，突出目标物体，实现较好的分割结果。
2半交互式图像分割及锈蚀缺陷检测
2.1半交互式图像分割算法
在实际高压输电线路图像采集过程中，同一场景需拍摄大量输电线路图像，且连续循环拍摄，以便于后期图像处理工作。而基于无人机环绕拍摄的特殊性，在同一场景中且处于同一时间段的图像不但背景物体相似，而且在颜色、纹理、形状等特征方面也有极大的相似性。為此，可在 GrabCut算法基础上，只需对场景中的其中一张图像进行简单的人工交互标记前景点和背景点，并以此为结点初始化并构建 GMM模型;然后利用迭代逼近思想对 GMM参数进行更新以获得昀佳 GMM模型;昀后判断其他图像的高斯模型概率完成图像的昀优分割。
根据上述分析得到算法 1，总结实现步骤为如下。
输入图像T，手动标定矩形框。
矩形框范围内为前景待选区域，框外标记为背景区域（TB背景，TF前景待选区域）。
（3）在矩形框范围内人工标记前景点和背景点。
通过标定的矩形区域初始化图 T。利用 K-means算法分别用 SF（前景）和 SB（背景）两个集合初始化前景和背景的混合高斯模型，获得 GMM参数的初始值。
（5）以人工标记的像素值作为样本点构建高斯前景模型和背景模型。
GMM的标号和背景 GMM的标号，并构建αn=1和αn=0掩码图像。
EM算法学习并更新 GMM参数。
迭代执行步骤（5）～（7），直到构建理想的前背景模型。
根据构建的概率模型，将其他图像的像素点匹配建好的前景模型和背景模型，对新图像像素点进行模型分类，实现图像分割。
（10）对分割后的图像进行腐蚀操作，优化分割效果。 通过以上算法步骤就可以对一组相似场景的图像实现很好的分割效果，通俗易懂，便于实现。根据以上步骤，可得到如下输入输出过程。
2.2锈蚀缺陷检测算法过程
针对航拍图像，锈蚀缺陷主要存在于金属器具、连接装置、接地装置、杆塔等位置，然而对于一张彩色的背景复杂的图像，基于单纯的颜色特征的的锈蚀提取会受到很多相似颜色的干扰，易造成误检或漏检。为此要想得到理想的检测效果就必须从图像的分割开始，提取前景目标，从而可对后期锈蚀部件确认有很大的帮助。图像分割后就可直接对前景目标进行锈蚀缺陷区域的检测和识别，但前提还是要对采集的航拍图像进行简单背景和复杂背景的分类处理。
由以上分析可得该算法 2的主要步骤如下。
（1）输入航拍图像I，对图像进行简单的增强预处理。
对于单张图像，人工标记矩形框，框范围内为前景待选区域，框外标记为背景区域。通过标定的矩形框来初始化图I，获得 GMM参数的初始值，然后在矩形框范围内人工标记前景点和背景点，通过 GrabCut算法实现分割。对于一组相似场景的图像，对其中一张图像人工标记前景点和背景点，构建前景混合高斯模型和背景混合高斯模型，不断迭代更新GMM参数，直至构建理想的前背景模型，然后对新图像实现半交互式的图像分割。
对分割后的图像进行简单的形态学开运算操作，优化分割结果。
将分割后得到的彩色图像变换 YCrCb颜色空间。
提取分离三通道的彩色图像，得到 Cr单通道的灰度图像。
根据锈蚀缺陷颜色特征对单通道灰度图像进行阈值分割，完成检测。通过以上算法步骤就可对航拍图像实现良好的分割效果，并得到满意的锈蚀检测效果。该检测算法简单易懂，易于实现，有很好的实用性。
根据锈蚀缺陷检测的流程及以上详细步骤，可得到如下输入输出过程。
参考文献
[1]周良芬，何建农.基于 GrabCut改进的图像分割算法[J].计算机应用，2013（1）：49-52.
[2]张洪才.直升机巡检输电线路锈蚀缺陷识别方法研究[D].大连：大连海事大学，2009.