一种用于架空配电线路监测场景的图像分割方法与流程

本发明属于图像处理技术，尤其涉及一种用于架空配电线路监测场景的图像分割方法。

背景技术：

随着图像监测技术的兴起以及输电线路图像监控装置的应用，架空配电线路实时图像监测也逐渐被人们重视。然而，架空配电线路一般在乡镇、农村等地区居多，涉及的点多且面广，普通的图像监测方式需要大量的人力去自行分析识别，难以及时无误地发现异常现象，起到及早排查和预防事故的效果。因此，架空配电线路监测图像智能化识别技术是解决上述问题的可行途径，而解决线路的图像分割问题则是关键。

然而，在架空配电线路监测场景中，从实际拍出的图像效果来看，监测图像呈现监测目标和背景比例悬殊与信噪比偏低的特点，而且由于电网监测可靠性和实时性的要求，图像分割的方法在效果精准度和时间效率上也要达到较高的标准，可是，目前常用的几类图像分割算法，如基于阈值的方法、基于区域的方法、基于边缘的方法、区域与边缘相结合的方法以及多尺度分割法等均无法很好的满足适用于架空配电线路监测场景的图像分割方法的要求。较为可取方法是采用二维otsu算法来进行图像分割，二维otsu算法既利用了图像的像素点灰度信息，同时又利用了像素点的领域空间相关信息，对于低对比度，低信噪比的目标，仍具有较高的分割效果；不过，其计算的复杂度和计算时间被大大提高，难以满足应用需求。

技术实现要素：

本发明要解决的技术问题是：提供一种用于架空配电线路监测场景的图像分割方法，以解决现有技术针对架空配电线路监测图像的分割的方法，计算的复杂度和计算时间被大大提高，难以满足应用需求等技术问题。

本发明技术方案：

一种用于架空配电线路监测场景的图像分割方法，它包括：

(1)获取原始图像并进行灰度化处理；

(2)对灰度化图像进行图像增强处理；

(3)对灰度化图像进行降噪处理；

(4)对二维otsu算法进行降维处理；

(5)分别设定降维后的一维otsu算法的阈值初值范围；

(6)在阈值初值范围内，对两个一维otsu算法使用递推公式分别求解出灰度值最佳阈值s和领域灰度值最佳阈值t；

(7)根据步骤(6)的灰度值最佳阈值s和领域灰度值最佳阈值t对原图进行图像分割。

所述的图像增强处理将在图像中为图像分割提取目标的架空线路图像信息进行凸显强调，将背景图像进行弱化抑制。

所述的图像降噪处理采用的是小波自适应阈值法。

对二维otsu算法进行降维处理是将传统二维otsu算法降维形成两个一维otsu算法，即根据图像的像素点灰度值f(x，y)获取一个灰度值最佳阈值s，根据该像素点的邻域灰度均值g(x，y)获取一个领域灰度值最佳阈值t。

分别设定降维后的一维otsu算法的阈值初值范围的方法为：

(5a)采用降低图像分辨率的方式去定位确定低分辨率时图像的阈值初值范围；

(5b)将原图另存为低分辨率图像，由低分辨率图像的阈值初值范围推算原图的阈值初值范围。

由低分辨率图像的阈值初值范围推算原图的阈值初值范围是先将原图另存为低分辨率的图片，原图分辨率与低分辨率之比为k，k>1，在确定低分辩率图的阈值初值范围后，利用原图阈值初值范围与低分辨率图的阈值初值范围存在k倍关系确定原图阈值初值范围。

所述的递推公式具体为：

设s∈[0,l]，pi是归一化后的第i级的直方图像素数：

(1)利用公式，得到初值pb(0)、μb(0)、pf(0)、μf(0)；

(2)当s递增时，则有：

pb(s+1)＝pb(s)+ps+1

pf(s+1)＝pf(s)+ps+1

(3)直到s＝l-1，循环结束后，按照式得出灰度值最佳阈值s；

其中，原始图像中背景和目标的类间方差σ²b(s)为：

pb(s)为背景出现概率、μb(s)为背景出现概率均值、pf(s)为目标出现概率、μf(s)为目标出现概率均值。

在进行图像分割时：

假设某原始图像有l个灰度级，图像总像素数为n，像素灰度值为i,灰度为像素i的个数为ni，则可以得到各灰度级出现的概率为：pi＝ni/n；在图像分割中，按照图像灰度级用灰度阈值s将灰度划分为背景c0＝(0,1,2…,s)和目标c1(s+1,s+2,…,l-1)两类，二者出现的概率pb(s)和pf(s)分别为：

因此，c0和c1的均值μb(s)、μf(s)分别为：

原始图像的灰度平均值为：

本发明的有益效果

本发明在二位otsu算法的基础上，对二维otsu改进，在计算上进行快速定位阈值范围和降维处理，既保留了二维算法原来对于低对比度、低信噪比的目标，仍具有较高的分割效果的优点，又弥补了二维otsu算法，计算复杂，处理时间长的缺陷。

本发明充分考虑了架空线配电线路监测场景下具有的图像特征，所提出的算法在此场景下具有很好的应用效果。

解决了现有技术针对架空配电线路监测图像的分割的方法，计算的复杂度和计算时间被大大提高，难以满足应用需求等技术问题。

附图说明

图1为本发明实施例提供的图像分割方法的实现流程图；

图2为本发明所使用的已转化灰度图的架空配电线路图；

图3为本发明对已灰度化处理的架空配电线路图进行图像增强效果图；

图4为图3进行降噪处理后采用传统二维otsu算法分割的效果图；

图5本发明用于架空配电线路的效果图。

具体实施方式

参见图1所示：一种用于架空配电线路监测场景的图像分割方法，其特征在于，包括以下步骤：

(1)获取原始图像并对其进行灰度化处理；

(2)对灰度化图像进行图像增强处理；

(3)对灰度化图像进行降噪处理；

(4)对传统的二维otsu算法进行降维处理；

(5)分别设定降维后的一维otsu算法的阈值初值范围；

(5a)先采用降低图像分辨率的方式快速去定位确定低分辨率时图像的阈值初值范围；

(5b)将原图另存为低分辨率图像，由低分辨率图像的阈值初值范围推算估计原图的阈值初值范围；

(6)在估算出的阈值初值范围的基础上并留有一定裕度，在最后确定较为精确的阈值初值范围内，对两个一维otsu算法使用递推公式分别求解出灰度值最佳阈值s和领域灰度值最佳阈值t；

(7)根据步骤(6)的最佳阈值对原图进行图像分割。

所述的图像增强处理将在图像中占比很小的但为图像分割提取目标的架空线路图像信息进行凸显强调，将不感兴趣的背景图像进行弱化抑制，改善图像质量，加强图像判读和识别、分割的效果。如图3所示，图3为在图2灰度化处理的基础上进行图像增强，突出增强了图形中的架空线，对其它背景进行了弱化。

所述的图像降噪处理采用的是可以很好保留线路远端细节的小波自适应阈值法。图4为在图3基础上进行降噪处理并采用传统二位otsu算法进行图像分割的效果图，可以看出经降噪和分割处理后的图形中，已经基本将架空线的图形分割提取处出来且原来架空线路周围的干扰点也较多被消除，可见降噪效果较为有效。

所述的对传统的二维otsu算法进行降维处理是将传统二维otsu算法降维形成两个一维otsu算法，即根据图像的像素点灰度值f(x，y)获取一个灰度值最佳阈值s，根据该像素点的邻域灰度均值g(x，y)获取一个领域灰度均值领域灰度值最佳阈值t。

在进行图像分割时，假设某原始图像有l个灰度级，图像总像素数为n，像素灰度值为i,灰度为像素i的个数为ni，则可以得到各灰度级出现的概率为：pi＝ni/n；在图像分割中，按照图像灰度级用灰度值最佳阈值s将灰度划分为背景c0＝(0,1,2…,s)和目标c1(s+1,s+2,…,l-1)两类，二者出现的概率pb(s)和pf(s)分别为：

因此，c0和c1的均值μb(s)、μf(s)分别为：

原始图像的灰度平均值为：

所述的递推公式具体为：

设s∈[0,l]，pi是归一化后的第i级的直方图像素数：

(1)利用公式，得到初值pb(0)、μb(0)、pf(0)、μf(0)；

(2)当s递增时，则有：

pb(s+1)＝pb(s)+ps+1

pf(s+1)＝pf(s)+ps+1

(3)直到s＝l-1，循环结束后，按照式得出灰度值最佳阈值s。

其中，原始图像中背景和目标的类间方差σ²b(s)为：

背景出现概率pb(s)、背景出现概率均值μb(s)、目标出现概率pf(s)、目标出现概率均值μf(s)。一维otsu算法中每次循环时均需要此4个参数进行计算：譬如，当s递增时，背景区域会增加一个灰度级，而目标区域减少一个灰度级，在这个过程中只有s值是新增加的灰度级，前一次计算的结果可以用在当次的计算中。

同理，可求得领域灰度值最佳阈值t。

所述由低分辨率图像的阈值初值范围推算估计原图的阈值初值范围是先将原图另存为低分辨率的图片，原图分辨率与低分辨率之比为k(k>1)，在快速确定低分辩率图的阈值初值范围后，利用原图阈值初值范围与低分辨率图的阈值初值范围也存在k倍关系确定原图阈值初值范围。

图像的分辨率越大，包含的像素点数越多，在计算阈值初值范围时所花时间就越多，因此采用低分辩率的图像快速计算出低分辨率图像的阈值初值范围如[a,b]，则粗略估算原图的阈值初值范围为[ka,kb]，如此提升了计算阈值初值范围的速度，也较为精确的缩减阈值范围，减少了利用递推公式的递推次数，进一步提升了图像分割的效率。

所述在估算出的阈值初值范围的基础上并留有一定裕度，如[ka+α,kb+β]，裕度值α，β可根据监测图像的拍摄环境、实际的分割效果人为设定。比如在某个场景中根据最后分割效果来看可能需要α取值为10效果最好，而在另一处的场景中可能需要α取值为25效果最好。

图5用本发明所提出的方法进行图像分割的效果图，对比图5和图4，可以看出，从效果上来说本发明所提出的分割方法与二维otsu算法基本一样，不过从处理时间上来看，本发明所提出的方法对二维otsu算法进行降维，分解位两个一维otsu求解，计算的复杂程度被大大降低，处理时间要，明显的由于传统的二维otsu算法。