一种基于模板匹配的输电线杆塔鸟巢识别方法与流程

本发明涉及模板匹配，具体涉及一种基于模板匹配的输电线杆塔鸟巢识别方法。

背景技术：

经济发展不仅使城乡电网负荷快速增长，也对供电可靠性和供电质量提出了更高的要求。我国的电力线路走廊，经常需要穿越各种复杂的地理环境，频繁经过湖泊水库以及崇山峻岭等，输电线路这种覆盖范围大、分布区域广、传输距离长、地理条件复杂多变及受环境气候影响显著等特点，给线路的日常运行、维护和检修带来极大挑战。

输电线路的巡视一般采用人工巡视方式，这种方法虽简单，但效率较低，周期较长，且需要配备大量光学设备和素质高、经验丰富的巡线人员，对人力、财力的要求较高。随着我国基于无人机的输电线路巡检技术的发展和应用，对于如何在复杂的自然背景下，利用图像处理技术，从航空影像中自动精确地提取线路设备(如导线、绝缘子等)，准确识别检测其缺陷，成为一项关键技术问题。

目前，大部分基于无人机输电线路巡检技术的研究都是关于导线的断股和异物悬挂、绝缘子缺失等缺陷检测。而对于输电线杆塔横鸟巢识别技术的研究却少之又少。同时，由于图片背景较为复杂，难以获得令人较为满意的检测效果。杆塔是输电线路中的重要部件，一旦出现故障隐患，将直接威胁高压电网安全，甚至造成难以估量的损失。

本文针对这一不足，重点研究了航拍图像中的杆塔鸟巢的识别。

技术实现要素：

本发明公开了一种基于航拍图像的输电线杆塔鸟巢识别方法，主要内容包括航拍图像预处理、利用模板匹配法检测鸟巢、显示匹配结果。

本发明的总体设计思想是：由于航拍图片背景比较复杂，且拍摄角度不固定，本文首先将航拍图从grb空间转换为hsi空间。为了减少运算量，提高识别速度，通过对图片进行降维处理，然后分别在h和s通道上做预处理。经过预处理后，载入准备好的模板，利用模板匹配法将待识别的图像与模板图像进行信息区叠加，对叠加后的图像进行匹配像素统计，从而得到匹配系数，取匹配系数最大值为最佳匹配。图1是该方法总体流程图。

附图说明

图1主程序流程图；

图2-1加椒盐噪声图与自适应滤波后对比截图；

图2-2his单通道图像；

图2-3his单通道图像阈值分割；

图2-4h和s通道阈值分割后取交集效果；

图2-5sobel算子；

图2-6sobel边缘检测效果图；

图3-1模板匹配过程；

图3-2鸟巢模板；

图3-3鸟巢识别结果。

具体实施方式

图像预处理

由于不存在完美状态，在获取图像过程中不可避免总会引入各种噪声，不仅妨碍感官，更会妨碍后续图源信息的理解和分析，给处理结果造成误差，因此，在对图像处理之前一般会所得目标图像进行去噪处理。滤波是信号处理中的概念，目的是将信号中特定波段的频率滤除，为去噪中很经典的处理方法。

自适应中值滤波

中值滤波效果依赖于滤波窗口的大小，太大使边缘模糊，太小了则去噪效果不佳。因为噪声点和边缘点同样是灰度变化较为剧烈的像素，普通中值滤波改变噪声点灰度时，也将一定程度改变边缘像素的灰度值。而噪声点像素值几乎都是邻域内的极值，但边缘通常不会是，则能利用这一特征来限制中值滤波。

具体的改进方法可为：逐行扫描图像，当处理每一个像素时，判断该像素是否是滤波窗口覆盖下邻域像素的极大值或者极小值。如果是，则采用正常的中值滤波处理该像素；如果不是，则不予处理。这种方法能够非常有效地去除突发噪声点，尤其是椒盐噪声，并且几乎不影响边缘。对比图如图2-1所示。

在本发明中，因其相邻各点有很强的相关性，边缘特征又要保证不被模糊，所以中值滤波法最合适。

空间变换及处理

hsi色彩空间用色调(hue)、色饱和度(saturation)和亮度(intensity)来描述色彩。用色调和饱和度表示颜色的类别与深浅程度，用亮度指示颜色的相对明暗度。hsi色彩空间将图像的色度与亮度分开，为彩色图像处理提供了极大的便利，对于特定颜色，只需要针对h和s分量，在平面进行分析处理，而忽略右侧的i分量。将航拍图像转换到hsi空间，并将三通道分离，获取h和s分量单通道图像如图2-2所示。

由于图像分辨率比较高，计算耗费的时间就比较长。因此，在通道分离后，对图像大小进行重置，减小为原来0.5倍，这样可以减少计算量，加快代码运行效率。接着分别对h和s通道进行阈值分割，获取的前景图像如图2-3所示。

由图2-3可见，h通道噪点相对较少，也基本消除了单幅图像中光线强弱对前景提取的影响，而s通道中存在大量的噪点色块。通过对不同背景中不同颜色杆塔的大量测试可知，h分量单通道阈值分割，可将大多情况下的杆塔较完整地提取；s分量虽能将杆塔提取，却极易出现误检。可见，单独使用hsi色彩空间的某一种分量，很难获取较准确的前景图像。将图2-3所示的两幅图像求交集，如此便可同时利用h和s分量信息，同时忽略i分量，避免光照的影响，如图2-4所示。

分析以上可知，将图像首先从rgb色彩空间转换到hsi空间，再分别对h和s通道进行阈值分割，最后将分割结果求交集，这一方法可以将草地、水泥地上等背景去除，减少干扰识别的因素。

sobel边缘检测

sobel算子是一种基于梯度的边缘检测方法。sobel算子的表达式为：

g(i,j)＝|f(i-l,j+1)+2f(i,j+l)+f(i+1,j+1)-f(i-1,j-l)-2f(i,j-l)-f(i+1,j-l)|

+|f(i-l,j-1)+2f(i-l,j)+f(i-l,j+l)-f(i+1,j-l)-2f(i+1,j)-f(i+l,j+1)|

sobel边缘检测算子的两个卷积计算模板如图2-5所示，图像中的每个点都用这两个模板作卷积，第一个模板对通常的垂直边缘响应最大，第二个模板对水平边缘响应最大。两个卷积的最大值作为该点的输出值，运算结果是一幅边缘幅度图像。sobel算子对灰度渐变和噪声较多的图像处理得较好。

sobel算子首先对图像进行平滑处理，具有一定的噪声抑制能力，然后再作微分运算，可以产生很好的边缘效果，但也会检测出一些伪边缘，使得边缘较粗。考虑到图像实时处理要求计算速度快，而杆塔鸟巢的特征明显，精度要求不高，因此采用基于一阶导数的sobel算子进行边缘检测。检测结果如图2-6所示。

基于模板匹配的鸟巢识别

匹配是将输入与事先己有的表达进行结合，或根据已知模式寻找相应的模式的过程，即建立未知与已知之间的联系以识别未知对象的过程。将已知模式的集合称为模板库，未知模式的集合成为测试样本库。如图3-1所示，在模板库中找到待分类模式所属的类别的过程即为匹配。

模板导入

本发明针对发票编号进行识别，将标准的发票编号字体的数字模板导入数据库中，利用matlab自带图像输入语，即句，即：

temp＝imread('c:\users\administrator\desktop\muban.bmp')；

鸟巢模板如图3-2所示。

鸟巢识别流程

首先将待识别字体模板输入数据库中，然后将待识别航拍图片图片输入程序中，通过空间变换、阈值分割、边缘检测，将图像背景去除，并与模板进行相乘，统计每次模板匹配后的相关系数，相关系数越大表示匹配程度较高。选取相关系数最大的点作为识别结果，最后将识别结果输出。识别结果如图3-3所示。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。