一种在线监测配电图像结构边缘检测方法与流程

本发明属于电网监测技术领域，尤其涉及一种在线监测配电图像结构边缘检测方法。

背景技术：

随着电网技术的发展，在线监控以及无人机监控拍摄日益成为大规模电网巡检的有效方式之一，在线监控具有稳定、高效的特点，能够大大降低人力资源负担，减少人为因素以及天气影响，在线监控主要获取配电操作数据以及实时影像数据等，实时影像数据主要用于判断配电结构工作状态、计算配电结构表面污渍面积等，传统方法是通过人工在线辨识监测，其监测效率以及质量难以保证，随着计算机图片处理以及识别技术的发展，使用计算机进行监测和反馈是一个有效途径，然而对于包含丰富信息元素的图片而言，计算机往往智能针对特别的关键标志性结构进行识别定位，对于一些细节以及很多次要结构元素识别性较差。

技术实现要素：

本发明创造的目的在于，提供一种能够辨别图片中结构的边缘特性，以便于计算机提取和识别配电结构的检测方法，该方法能够智能的处理关键性边缘要素以及非关键性结构点，对图片数据进行有效涮选提出，降低了数据处理的量，提高了大量图片处理的效率，有利于提高电网在线监控以及智能监控的效果，降低监控以及数据处理的硬件需求和工作成本。

为实现上述目的，本发明创造采用如下技术方案。

一种在线监测配电图像结构边缘检测方法，包括如下步骤：

步骤一、获取配电结构的图片图片；

步骤二、利用高斯滤波器处理图片以使其平滑，保证图片边缘变化较为均匀，能够实现拟合，具体的高斯平滑函数为：

g(v，y)＝f(v，y)*h(v，y)

步骤二、经过高斯平滑函数处理后，图片边缘均匀，为了确定边缘的关键点以构建完整的边缘结构，同时省略非关键点以提高图片处理效率，降低资源利用李，利用一阶偏导的有限差分来计算梯度的幅值和方向，以利用梯度作为关键点和非关键点的涮选和剔除的要素；

具体的一阶差分卷积模板为：

w1(m，n)＝f(m，n)*h1(m，n)；w2(m，n)＝f(m，n)*h2(m，n)

步骤三、对梯度和幅值进行非极大值抑制，以剔除图片中的非关键点，保留局部梯度最大的点，如图1所示，构建依次相邻的四个双扇形领域，利用梯度的方向n[i，j]＝sector(h[i，j])对四个领域依次编号0、1、2、3，得到领域的组合，在每一个像素点，将领域的中心像素mi，(i＝0、1、2、3)与沿梯度方向的两个像素相比，若mi的梯度值不比两个相邻像素的梯度值大，则令mi＝0，即n[i，j]＝nms(m[i，j]，n[i，j])；

步骤四、用双阈值算法检测和连接边缘，其具体步骤是，根据边缘检测精度的需求，选取双阈值s1和s2，且s1∪s2，将低于阈值的所有值赋零值，得到两个阈值边缘图片t1[i，j]和t2[i，j]，将得到两个阈值边缘图片t1[i，j]∪t2[i，j]，在t1中收取边缘，将t2中所有间隙连接起来，得到预处理后的图片

步骤五、对计算直方图，其中id为预处理后图片，取直方图的谷点作为边缘检测的阈值k，得到边缘图片b1(x，y)，b1(x，y)图片上边缘大部分是闭合的，但也可能存在少数不闭合的情况，这种边缘并非单像素的，因此对f(x，y)进行非极大值抑制，以抑制单边界领域的多个响应，以k为阈值进行分割得到二值边缘图片b2(x，y)；对图片b1(x，y)寻找所有连通的非边缘区域，并标记为ri(i＝1，2，...n)，对每个区域ri分别进行区域生长，直到边界为单像素8连通。

区域生长规则和步骤如下：

s1、首先只向点集b3进行生长，以保证最终结果的边缘中包含非最大抑制点，生长结束后，对b4中的点按其在f(x，y)中对应的灰度排序，从灰度值最小点开始进行生长，确认每一个点都只与一个区域相邻，若不是，则停止向该点生长；其中b3＝b1∪b2，b1为b1(x，y)图像中边缘点的集合，b2表示b2(x，y)图像中边缘点的集合；b4表示在区域ri中属于b3，且与其四连通的区域不超过一个的点的集合；

s2、生长结束后，找到区域ri的新的边缘，重复上述过程直至收敛；

s3、将上述过程中的b3换作b1，重复相同过程；直至收敛获取图片边缘。

其有益效果在于：

本发明能够很好地提取配电结构图像中的闭合边缘。一般来说，可见光图像结构表面的灰度并非一致，而是受结构和表面涂层影响形成几个灰度比较接近的小区域。本方法提取的边缘，体现了这种特点，在准确提取配电结构外部轮廓的同时，保留了内部的细节边缘，为后面的特征提取保留了更多可用信息。

附图说明

图1是双扇形领域划分示意图。

具体实施方式

以下结合具体实施例对本发明创造作详细说明。

步骤一、获取配电结构的图片图片；

步骤二、利用高斯滤波器处理图片以使其平滑，保证图片边缘变化较为均匀，能够实现拟合，具体的高斯平滑函数为：

g(v，y)＝f(v，y)*h(v，y)

步骤二、经过高斯平滑函数处理后，图片边缘均匀，为了确定边缘的关键点以构建完整的边缘结构，同时省略非关键点以提高图片处理效率，降低资源利用李，利用一阶偏导的有限差分来计算梯度的幅值和方向，以利用梯度作为关键点和非关键点的涮选和剔除的要素。具体的一阶差分卷积模板为：

w1(m，n)＝f(m，n)*h1(m，n)；w2(m，n)＝f(m，n)*h2(m，n)

步骤三、对梯度和幅值进行非极大值抑制，以剔除图片中的非关键点，保留局部梯度最大的点，如图1所示，构建依次相邻的四个双扇形领域，利用梯度的方向n[i，j]＝sector(h[i，j])对四个领域依次编号0、1、2、3，得到领域的组合，在每一个像素点，将领域的中心像素mi，(i＝0、1、2、3)与沿梯度方向的两个像素相比，若mi的梯度值不比两个相邻像素的梯度值大，则令mi＝0，即n[i，j]＝nms(m[i，j]，n[i，j])；

步骤四、用双阈值算法检测和连接边缘，其具体步骤是，根据边缘检测精度的需求，选取双阈值s1和s2，且s1∪s2，将低于阈值的所有值赋零值，得到两个阈值边缘图片t1[i，j]和t2[i，j]，将得到两个阈值边缘图片t1[i，j]∪t2[i，j]，在t1中收取边缘，将t2中所有间隙连接起来，得到预处理后的图片；

步骤五、对计算直方图，其中id为预处理后图片，取直方图的谷点作为边缘检测的阈值k，得到边缘图片b1(x，y)，b1(x，y)图片上边缘大部分是闭合的，但也可能存在少数不闭合的情况，这种边缘并非单像素的，因此对f(x，y)进行非极大值抑制，以抑制单边界领域的多个响应，以k为阈值进行分割得到二值边缘图片b2(x，y)；对图片b1(x，y)、b2(x，y)寻找所有连通的非边缘区域，并标记为ri(i＝1，2，...n)，对每个区域ri分别进行区域生长，直到边界为单像素8连通；

区域生长规则和步骤如下：

s1、首先只向点集b3进行生长，以保证最终结果的边缘中包含非最大抑制点，生长结束后，对b4中的点按其在f(x，y)中对应的灰度排序，从灰度值最小点开始进行生长，确认每一个点都只与一个区域相邻，若不是，则停止向该点生长；其中b3＝b1∪b2，b1为b1(x，y)图像中边缘点的集合，b2表示b2(x，y)图像中边缘点的集合；b4表示在区域ri中属于b3，且与其四连通的区域不超过一个的点的集合；

s2、生长结束后，找到区域ri的新的边缘，重复上述过程直至收敛；

s3、将上述过程中的b3换作b1，重复相同过程；直至收敛获取图片边缘。

最后应当说明的是，以上实施例仅用以说明本发明创造的技术方案，而非对本发明创造保护范围的限制，尽管参照较佳实施例对本发明创造作了详细地说明，本领域的普通技术人员应当理解，可以对本发明创造的技术方案进行修改或者等同替换，而不脱离本发明创造技术方案的实质和范围。