一种基于盲去卷积的输电线路图片去模糊方法

1.本发明涉及输电线路的图片处理技术领域，尤其是涉及一种基于盲去卷积的输电线路图片去模糊方法。


背景技术：

2.输电线路的安全运行是我国能源发展的重要保障，但由于输电线路长期处在复杂地理位置的自然环境条件下，因而输电线路有较高故障率，从而导致事故发生。目前，我国大力推进以现代信息技术为核心的输电线路智能化巡检技术，直升机、无人机巡检在输电线路上获取的视觉信息具有更大的空间自由度。随着可见光传感器技术的发展，这些巡检方式能够对输电线路进行更精细化的感知，提升输电线路状态评估的智能化水平，积极防治与应对输电事故的发生，对我国能源互联网安全有重要意义。
3.实际情况中，由于输电线路长期处在复杂地理位置的自然环境条件下，在航拍巡检获取输电线路图片的过程中，获取的图片会受到由于低照明度、大气环境、不明物遮挡等导致的背景虚化问题，使得在巡检过程中获取的图片出现模糊、不清晰等现象，对后续输电线路中危险源的检测分析造成影响，关系到了输电线路的正常运行。
4.图片去模糊领域中有非盲去模糊和盲去模糊。非盲去模糊要在模糊核已知的情况下进行，但大多数情况下模糊核是未知的，盲去模糊是现在的主流研究方向。现有盲去模糊技术通过加入权重机制来弱化边缘的振铃效应，但效果不佳，且在盲去卷积过程中会丢失一些图片细节。


技术实现要素：

5.本发明为了解决上述问题，提出了一种基于盲去卷积的输电线路图片去模糊方法，基于盲去卷积方法，在每次迭代复原过程中使用richardson
‑
lucy算法和canny算法，具有较好的图片复原效果。
6.为达到上述目的，本发明通过以下技术方案实现：一种基于盲去卷积的输电线路图片去模糊方法，包括：
7.步骤s1、获取输电线路的原始图片数据。
8.步骤s2、对所述原始图片数据进行筛选得到初始模糊图片数据。
9.步骤s3、给所述初始模糊图片数据中每一所述初始模糊图片加入预设的高斯噪声，得到加噪模糊图片数据。
10.步骤s4、通过盲去卷积方法对所述加噪模糊图片数据中每一所述加噪模糊图片进行去模糊处理。
11.可选的，所述步骤s1包括：
12.步骤s11、设置无人机巡检的路径参数，所述无人机按照所述路径参数对所述输电线路进行巡检，并拍摄所述输电线路的原始图片。
13.步骤s12、在系统端中设置若干个文件夹。
14.步骤s13、所述无人机拍摄的所述输电线路的原始图片通过其设有的图传设备传输至所述系统端中，并对应存入所述文件夹中。
15.可选的，所述原始图片包含有输电线、杆塔、绝缘子、螺丝、u型环中的一个或其任意一组合。
16.可选的，所述步骤s3包括：通过图片退化模型将均值为m、方差为v的所述高斯噪声δn(x,y)添加到每一所述初始模糊图片上，得到每一所述初始模糊图片对应的所述加噪模糊图片，所述图像退化模型公式为：
17.g(x,y)＝f(x,y)*h(x,y)+δn(x,y)
18.其中：f(x,y)表示为所述初始模糊图片，h(x,y)表示为所述初始模糊图片的点扩散函数，g(x,y)表示为所述加噪模糊图片，m取值为0，v取值为10
‑
5，x表示为像素在x方向的坐标，y表示为像素在y方向的坐标。
19.可选的，所述步骤s4还包括：采用richardson
‑
lucy算法对每一所述加噪模糊图片进行迭代复原，得到一复原图片和一所述点扩散函数；在第k次所述迭代复原时，使用所述richardson
‑
lucy算法进行所述迭代复原的迭代公式如下：
[0020][0021][0022]
其中：表示为第k次迭代得到的所述复原图片，表示为第k
‑
1次迭代得到的所述复原图片，表示为第k
‑
1次迭代得到的所述点扩散函数，为的转置，为第k次迭代得到的所述点扩散函数，为的转置，*为卷积运算，i表示为第k
‑
1次迭代的复原图片或点扩散函数，i+1表示为第k次迭代的复原图片或点扩散函数。
[0023]
可选的，所述k取值范围为[1,18]，且为整数。
[0024]
可选的，在执行采用richardson
‑
lucy算法对每一所述加噪模糊图片进行第k次迭代复原的步骤之前，所述步骤s4还包括：采用canny算法对第k
‑
1次迭代复原得到的所述复原图片进行边缘检测，生成对应的加权函数，并在迭代复原中对每个像素进行加权。
[0025]
可选的，所述步骤s4还包括：在进行第k次所述迭代复原之前，采用canny算法对所述第k
‑
1次迭代复原得到的所述复原图片进行边缘检测的步骤包括：
[0026]
步骤s41、用具有指定标准差σ的一个高斯滤波器平滑处理
[0027]
步骤s42、在每个像素处计算局部梯度和边缘方向θ(x,y)，具体公式
为：
[0028][0029][0030]
其中：表示为x方向上的梯度，表示为y方向上的梯度。
[0031]
步骤s43、沿着所述局部梯度最大的点生成的线，通过非极大值抑制法寻找局部最大值，将所述局部最大值对应的所述像素设为1，非局部最大值对应的所述像素设置为0，得到
[0032]
步骤s44、对所述步骤s43中得到的所述进行滞后阈值边缘连接处理得到边缘检测结果。
[0033]
步骤s45、将所述步骤s44中得到的所述边缘检测结果进行二值化处理，将非边界像素设为0，边界像素设为1，得到二值化矩阵。
[0034]
步骤s46、将所述步骤s45中得到的所述二值化矩阵加权分配给每个所述像素，生成所述加权函数
[0035]
依此类推，在进行第18次所述迭代复原后，所述步骤s4还包括：用所述candy算法处理所述第18次迭代复原得到的所述复原图片获得所述复原图片对应的所述清晰图片
[0036]
可选的，所述步骤s44中还包括：
[0037]
步骤s441、提前设定一阈值范围[t1,t2]。
[0038]
步骤s442、将所述像素的所述阈值大于t2的所述像素设为边界像素，所述像素的所述阈值在t1和t2之间的所述像素设为待定像素，所述像素的所述阈值小于t1的所述像素设为非边界像素。
[0039]
步骤s443、将所述步骤s442中得到的所述待定像素中与所述边界像素相连的所述待定像素设为边界像素，所述待定像素中除去设为所述边界像素的其余所述待定像素设为非边界像素，以得到所述边缘检测结果。
[0040]
可选的，所述t1取值为0.04，所述t2取值为0.10。
[0041]
本发明至少具有以下有点之一：
[0042]
1)本发明通过在初始模糊图片中加入微量高斯噪声，保留了图片复原过程中的细节信息，提升了图片复原质量；
[0043]
2)本发明对初始模糊图片进行去模糊处理，基于盲去卷积方法，在迭代复原过程中使用canny算法对模糊图片进行加权，具有较好的图片复原效果；
[0044]
3)盲去卷积方法可以消除canny算法对图片造成的边缘模糊，而canny算法又可以减少盲去卷积在图片边缘产生的振铃效应，具有互惠互利的效应。
附图说明
[0045]
图1是本发明一实施例的一种基于盲去卷积的输电线路图片去模糊方法流程图；
[0046]
图2是本发明一实施例的一初始模糊图片；
[0047]
图3是本发明一实施例的给一初始模糊图片加入微量高斯噪声得到的点扩散函数(reconstructed true psf)；
[0048]
图4是本发明一实施例的盲去卷积中采用canny算法对一初始模糊图的边缘检测结果；
[0049]
图5是本发明一实施例的一清晰图片。
具体实施方式
[0050]
以下结合附图和具体实施方式对本发明提供的一种基于盲去卷积的输电线路图片去模糊方法进行清楚、完整地描述，显然，所描述的实施例仅仅是本命一部分实施例，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。
[0051]
如图1所示，本实施例中的基于盲去卷积的输电线路图片去模糊方法，包括：
[0052]
步骤s1、通过无人机，获取所述输电线路的原始图片数据。
[0053]
在本实施例中，关于所述步骤s1包括：
[0054]
步骤s11、设置所述无人机巡检的路径参数，所述无人机按照所述路径参数对所述输电线路进行巡检，并拍摄所述输电线路的原始图片。
[0055]
步骤s12、在所述系统端中设置若干个文件夹。
[0056]
步骤s13、所述无人机拍摄的所述输电线路的原始图片通过其设有的图传设备传输至所述系统端中，并对应存入所述文件夹中，方便巡检人员进行往期巡检结果的调取和查询。
[0057]
在本实施例中，所述原始图片包含有输电线、杆塔、绝缘子、螺丝、u型环中的一个或其任意一组合。
[0058]
步骤s2、如图2所示，在所述系统端中，对所述原始图片数据进行筛选得到初始模糊图片数据。
[0059]
步骤s3、在所述系统端中，给所述初始模糊图片数据中每一所述初始模糊图片加入预设的高斯噪声，得到加噪模糊图片数据。
[0060]
如图3所示，在所述系统端中，所述步骤s3包括：通过图片退化模型将均值为m、方差为v的所述高斯噪声δn(x,y)添加到每一所述初始模糊图片上，得到每一所述初始模糊图片对应的所述加噪模糊图片，所述图像退化模型公式为：
[0061]
g(x,y)＝f(x,y)*h(x,y)+δn(x,y)
ꢀꢀꢀ
(1)
[0062]
其中：f(x,y)表示为所述初始模糊图片，h(x,y)表示为所述初始模糊图片的点扩散函数，g(x,y)表示为所述加噪模糊图片，m取值为0，v取值为10
‑
5，x表示为像素在x方向的坐标，y表示为像素在y方向的坐标。
[0063]
步骤s4、在所述系统端中，通过盲去卷积方法对所述加噪模糊图片数据中每一所述加噪模糊图片进行去模糊处理。
[0064]
在本实施例中，所述步骤s4还包括：采用richardson
‑
lucy算法对每一所述加噪模糊图片进行迭代复原，得到一复原图片和一所述点扩散函数；在第k次所述迭代复原时，使用所述richardson
‑
lucy算法进行所述迭代复原的迭代公式如下：
[0065][0066][0067]
其中：表示为第k次迭代得到的所述复原图片，表示为第k
‑
1次迭代得到的所述复原图片，表示为第k
‑
1次迭代得到的所述点扩散函数，为的转置，为第k次迭代得到的所述点扩散函数，为的转置，*为卷积运算，i表示为第k
‑
1次迭代的复原图片或点扩散函数，i+1表示为第k次迭代的复原图片或点扩散函数。
[0068]
在本实施例中，所述k取值范围为[1,18]，且为整数。
[0069]
如图4所示，在执行采用richardson
‑
lucy算法对每一所述加噪模糊图片进行第k次迭代复原的步骤之前，所述步骤s4还包括：采用canny算法对第k
‑
1次迭代复原得到的所述复原图片进行边缘检测，生成对应的加权函数，并在迭代复原中对每个像素进行加权。
[0070]
在本实施例中，所述步骤s4还包括：在进行第1次所述迭代复原之前，采用canny算法对所述加噪模糊图片g(x,y)进行边缘检测的步骤包括：
[0071]
步骤s41、用具有指定标准差σ的一个高斯滤波器平滑处理g(x,y)。
[0072]
步骤s42、在每个像素处计算局部梯度和边缘方向θ(x,y)，具体公式为：
[0073][0074]
θ(x,y)＝arctan(g
x
/g
y
)
ꢀꢀꢀ
(5)
[0075]
其中：g
x
表示为x方向上的梯度，g
y
表示为y方向上的梯度。
[0076]
步骤s43、沿着所述局部梯度最大的点生成的线，通过非极大值抑制法寻找局部最大值，将所述局部最大值对应的所述像素设为1，非局部最大值对应的所述像素设置为0，得到g1(x,y)。
[0077]
步骤s44、对所述步骤s43中得到的所述g1(x,y)进行滞后阈值边缘连接处理得到边缘检测结果。
[0078]
在本实施例中，关于所述步骤s44中还包括：
[0079]
步骤s441、提前设定一阈值范围[t1,t2]，所述t1取值为0.04，所述t2取值为0.10。
[0080]
步骤s442、将所述像素的所述阈值大于t2的所述像素设为边界像素，所述像素的所述阈值在t1和t2之间的所述像素设为待定像素，所述像素的所述阈值小于t1的所述像素设为非边界像素。
[0081]
步骤s443、将所述步骤s442中得到的所述待定像素中与所述边界像素相连的所述待定像素设为边界像素，所述待定像素中除去设为所述边界像素的其余所述待定像素设为非边界像素，以得到所述边缘检测结果。
[0082]
步骤s45、将所述步骤s44中得到的所述边缘检测结果进行二值化处理，将非边界像素设为0，边界像素设为1，得到二值化矩阵。
[0083]
步骤s46、将所述步骤s45中得到的所述二值化矩阵加权分配给每个所述像素，生成所述加权函数g2(x,y)。
[0084]
以此类推，在进行第k次所述迭代复原之前，采用canny算法对所述第k
‑
1次迭代复原得到的所述复原图片进行边缘检测的步骤包括：
[0085]
步骤s41、用具有指定标准差σ的一个高斯滤波器平滑处理
[0086]
步骤s42、在每个像素处计算局部梯度和边缘方向θ(x,y)，具体公式为：
[0087][0088][0089]
其中：表示为x方向上的梯度，表示为y方向上的梯度。
[0090]
步骤s43、沿着所述局部梯度最大的点生成的线，通过非极大值抑制法寻找局部最大值，将所述局部最大值对应的所述像素设为1，非局部最大值对应的所述像素设置为0，得到
[0091]
步骤s44、对所述步骤s43中得到的所述进行滞后阈值边缘连接处理得到边缘检测结果。
[0092]
在本实施例中，关于所述步骤s44中还包括：
[0093]
步骤s441、提前设定一阈值范围[t1,t2]，所述t1取值为0.04，所述t2取值为0.10。
[0094]
步骤s442、将所述像素的所述阈值大于t2的所述像素设为边界像素，所述像素的所述阈值在t1和t2之间的所述像素设为待定像素，所述像素的所述阈值小于t1的所述像素设为非边界像素。
[0095]
步骤s443、将所述步骤s442中得到的所述待定像素中与所述边界像素相连的所述待定像素设为边界像素，所述待定像素中除去设为所述边界像素的其余所述待定像素设为非边界像素，以得到所述边缘检测结果。
[0096]
步骤s45、将所述步骤s44中得到的所述边缘检测结果进行二值化处理，将非边界像素设为0，边界像素设为1，得到二值化矩阵。
[0097]
步骤s46、将所述步骤s45中得到的所述二值化矩阵加权分配给每个所述像素，生成所述加权函数
[0098]
依此类推，如图5所示，在进行第18次所述迭代复原后，所述步骤s4还包括：用所述canny算法处理所述第18次迭代复原得到的所述复原图片获得所述复原图片对应的所述清晰图片
[0099]
本实施例提供的的一种基于盲去卷积的输电线路图片去模糊方法，在初始模糊图片中加入预设的高斯噪声，保留了图片复原过程中的细节信息，提升了图片复原质量，再基于盲去卷积方法，在盲去卷积方法中加入richardson
‑
lucy算法进行多次迭代复原，在每次迭代复原前使用canny算法对模糊图片进行加权，强调生成图像的边缘信息，具有较好的互利性和普适性。
[0100]
需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
[0101]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0102]
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以
按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0103]
另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0104]
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。