基于輸電線路懸掛異物航拍圖像的圖像分割算法研究?

錢世豪 李 軍 馬佶辰

（南京理工大學自動化學院 南京 210094）

1 引言

當輸電線路懸掛有風箏、氣球、塑料垃圾袋等異物時，高壓電的極限放電距離縮短，嚴重時可造成片區大面積停電。近年來，該類電力事故時有發生［1～2］。因此，及時發現異物并采取相應措施，具有十分重要的意義。圖像分割是圖像分析中非常重要的預處理步驟，將輸電線路和懸掛異物從航拍圖像中分割出來對后續異物的識別與定位工作至關重要［3］。

我國電力系統結構復雜，隨著高電壓、長距離輸電線路的發展，輸電網絡穿越的地理環境日趨復雜，依靠人工巡線排查異物變得越來越艱難，容易漏檢而造成安全隱患［4］。因此，無人機巡線技術的發展需求日益迫切。無人機巡線技術是借助無人機上的光學成像設備對輸電線走廊進行拍攝，并應用計算機智能處理巡檢帶回的大量圖像數據來判斷線路上是否存在異物并進行異物定位。我國電力巡線無人機技術尚不成熟，國內外資料針對輸電線路上的異物識別與定位都少有涉及，文獻［5～7］對前景與背景的區域分割技術進行了一定的研究，這些都為輸電線路懸掛異物航拍圖像的圖像分割工作提供了思路［5～7］。

本文以在四川山區拍攝所得的輸電線路航拍圖像為例，針對復雜背景下輸電線路懸掛異物航拍圖像前景與背景的分割問題，提出一種可適應大量此類圖像的圖像分割方法。該方法由圖像預處理、圖像分割和圖像分析三個步驟構成。圖像預處理步驟主要完成航拍圖片放大裁剪、濾波等工作；圖像分割步驟提出并選用一種基于粒子群優化算法改進的OTSU 雙閾值分割算法對圖像進行前景與背景的初分割，并選用SVM 算法對圖像進行再分割，據此大致完成將電力線和異物與背景分離的工作；圖像分析步驟提出一種基于區域特征的二值圖像處理方法，并據此完成將電力線和異物與背景分離的最終工作。最后，通過樣本圖片分析了算法的準確率和運算時間。結果表明，該算法能快速準確地對輸電線路懸掛異物航拍圖像進行前景與背景的分割。如圖1 所示，落在山林上方電力線上的白色氣球狀物體即是目標異物。

圖1 懸掛異物的輸電線路圖像

2 圖像預處理

2.1 圖像放大裁剪

考慮到無人機在進行輸電線路航拍圖像采集過程中的安全性問題，無人機在飛行拍攝時一般離輸電線路較遠，又由于輸電線路狹長的物理特征，這些因素導致航拍圖像中輸電線路和異物體積微小，這對后續工作造成了不利的影響。因此，在圖像分割之前需要對航拍圖像進行放大和裁剪的操作。通過大量樣本圖像的實驗測試，本文對每張圖像都進行先放大至原圖的140%，然后裁剪成四張子圖像的預處理操作，每張子圖像的大小為400×250。圖2 為含有異物的子圖像，由此可知，放大裁剪步驟使得輸電線路和懸掛異物的特征更為凸顯，方便后續工作的展開。

圖2 預處理后的子圖像

2.2 圖像濾波

部分航拍圖像存在著信噪比低的問題，這給后續圖像處理與識別工作帶來困難。由于輸電線圖像中的背景較為復雜，輸電線目標本身相對于復雜背景較為細弱，導致輸電線目標更易受到各類噪聲的干擾。一般椒鹽噪聲會在輸電線圖像的數字傳輸過程中產生，為了盡可能抑制巡檢作業時產生的椒鹽噪聲，需要對航拍圖像進行去噪處理［8］。本文針對輸電線圖像中噪聲的特點，使用中值濾波對椒鹽噪聲進行了濾波操作。

中值濾波的基本原理是將目標像素點鄰域所有像素灰度值的統計排序中值取代目標像素灰度值。中值濾波能夠有效消除孤立的噪聲點，并可以讓中值濾波后的圖像邊緣更加理想。設g( x,y )表示原始像素點的灰度值，f( x,y )為像素點中值濾波后的灰度值。當窗口模板用A 表示時，則其定義如式（1）所示：

其主要流程如下：

1）選擇一個大小適宜的目標像素窗口；

2）使用窗口遍歷圖像中的所有像素，對窗口覆蓋的圖像區域中所具有的像素灰度值進行統計并對其進行排序操作；

3）找出窗口中的中值，然后將中值替代窗口中心位置的像素。

通過中值濾波處理后，航拍圖像中的椒鹽噪聲能夠有效地被去除。窗口的大小決定了會對多少像素進行排序統計，若窗口的大小選擇不合適，就會影響排序統計的速度。經過多次實驗測試，本文采用3*3 大小窗口的中值濾波處理椒鹽噪聲效果最好。

3 圖像分割

3.1 圖像初分割

在圖像分割步驟中，本文提出并選用一種基于粒子群優化算法改進的OTSU 雙閾值分割算法對圖像進行前景與背景的初分割。

3.1.1 OTSU雙閾值分割算法

一維最大類間方差法是由日本學者大津展之于1979 年提出的，是一種自適應的閾值確定算法，又叫大津法，簡稱OTSU［9］。它是按圖像的灰度特性，將圖像分成背景和目標兩部分。背景和目標之間的類間方差越大，說明構成圖像的兩部分的差別越大，當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小。因此，使類間方差最大的分割意味著錯分概率最小。OTSU自適應閾值分割算法是單閾值分割中最簡單高效的方法之一。

由于噪聲等干擾因素的存在，灰度直方圖不一定存在明顯的波峰和波谷。因此，僅僅利用一維直方圖來確定閾值往往會造成錯誤分割。針對這種情況，國內外學者提出了二維最大類間方差法。它不僅考慮了圖像的灰度信息，還考慮了鄰域空間的相關信息。因此二維最大類間方差算法與基于一維直方圖的分割算法相比具有更高的分割精度和魯棒性。

通過OTSU 雙閾值分割算法對航拍圖像進行圖像初分割，將航拍圖像初步分割為輸電線路和異物與背景兩部分，二值圖像和彩色圖像的結果如圖3和圖4所示。

圖3 圖像初分割后的二值子圖像

圖4 圖像初分割后的彩色子圖像

3.1.2 基于粒子群算法改進的OTSU 雙閾值分割算法

雖然二維OTSU 算法與一維OTSU 算法相比具有更高的分割精度和魯棒性，但是二維OTSU 算法的信息量也大大增加［10～12］。多閾值分割問題可轉化為一系列單閾值分割問題來解決，但這需要在全灰度范圍內搜索一個最佳門限組合，這就導致算法計算復雜、耗時較多，難于實際應用。為簡化計算，可利用粒子群優化算法來搜索最佳閾值。

PSO 算法系統初始化為一組隨機解，通過迭代搜尋最優值。它沒有遺傳算法使用的交叉以及變異，而是粒子在解空間追隨最優的粒子進行搜索［13］。同遺傳算法比較，PSO 的優勢在于簡單容易實現并且沒有許多參數需要調整，目前已廣泛應用于函數優化問題中。粒子群優化算法采用了“速度-位移”搜索模型，將群體中的個體看作搜索空間中沒有質量和體積的粒子，粒子在空間中以一定的速度飛行，并根據個體和群體的最優位置動態調整自身的速度和位置，每個粒子代表解空間的一個候選解，解的優劣程度由適應度函數決定，適應度函數則根據優化目標定義。

經過多次實驗測試，本文將粒子群算法中粒子個數N 設置為20，迭代次數k 設置為3000 次，慣性權重ω 設置為0.9，加速因子c1，c2均設置為2.0。將OTSU 雙閾值分割算法中式（3）的方差計算函數作為粒子群優化算法中的適應值函數，粒子的位置通過閾值t1，t2可表示為xi=( )ti1,ti2，飛行速度可表示為vi=( )vi1,vi2，最終求得最佳閾值t1*和t2*。

對圖2分別采用傳統OTSU 雙閾值分割算法和基于粒子群優化算法改進的OTSU 雙閾值分割算法來計算最佳閾值和，結果表明，本文提出的算法大大減少了算法的計算耗時，同時也保證了計算結果的精確性。表1 展示了兩種算法的性能比較，其中算法1代表傳統的OTSU 雙閾值分割算法，算法2 代表本文提出的基于粒子群優化算法改進的OTSU雙閾值分割算法。

表1 兩種算法的性能比較

3.2 圖像再分割

在圖像分割步驟中，本文在圖像初分割的基礎上選用SVM 算法對圖像進行前景與背景的再分割。

支持向量機（SVM）是90 年代中期興起的一類基于統計學理論的機器學習方法，該算法通過最小化結構風險來提升學習機的泛化能力，在統計樣本較少時，也可得到良好的統計規律［14～15］。SVM 算法源于二分類的監督學習算法，用戶需用一些標簽數據（知道具體分類的樣本）來訓練學習。

其中，K(xi,xj)是核函數，因RBF 核函數只有一個參數，比其它核函數模型簡單，因此本文選用RBF核函數為SVM的核函數，RBF核函數表達式為

用SVM 分割圖像的過程，即是將屬于目標的像素點分為一類，屬于背景的像素點歸為另一類。在這個過程中，需要提取兩類像素點的特征進行SVM分類器的訓練。之前在提取特征的時候，多數情況下只提取圖像的顏色特征，因為顏色特征最為直觀，而且很容易被人類視覺所察覺。但是對于圖像來說，除了顏色信息以外，它還有其他特征。在將顏色作為特征進行圖像分割時，顏色所提供的信息量是不夠的，所以不能僅僅用顏色特征完全代表圖像。除了顏色特征之外，圖像還有紋理、形狀等特征。紋理特征是指圖像的均勻、細致、粗糙等現象，是圖像表面所呈現出來的特點，反映了在空間中的圖像像素灰度值的分布。綜上所述，本文提取圖像的顏色特征和紋理特征進行SVM 分類器的訓練。

顏色特征是彩色圖像分割中應用最為廣泛的視覺特征［16］。另外，顏色特征不完全由圖像的視角、尺寸、方向等決定，所以比其他視覺特征魯棒性更高。在提取顏色特征時，本文選擇最常用的RGB 顏色空間，分別提取每個像素點在R、G 、B三個通道的特征值，表示為

紋理特征用來描述彩色圖像的信息和深度，它反映了圖像顏色和灰度的變化，是人眼視覺的重要組成部分。紋理特征是用數學或信息論的方法抽取的紋理度量。LBP（Local Binary Pattern，局部二值模式）是一種用來描述圖像局部紋理特征的算子，它具有旋轉不變性和灰度不變性等顯著的優點，具有對光照不敏感的特性。

原始LBP 算法的基本思想是在3*3 的窗口內，以窗口中心像素為閾值，將相鄰的8 個像素的灰度值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為0。LBP 的操作可以被定義為

其中，( xc,yc)是中心像素，亮度是ic，而ip則是相鄰像素的亮度，s 在這里是一個函數符號，可表示為

這樣，3*3 鄰域內的8 個點經過比較可產生8位二進制數，如圖5 中00010011（通常轉換為十進制數即LBP 碼，共256 種），即得到該窗口中心像素點的LBP 值，并用這個值來反映該區域的紋理信息。

圖5 LBP值計算

將LBP 特征值表示為Ti,j，則訓練樣本的特征向量可以表示為本文從40 張樣本航拍圖像中進行樣本挑選，每幅圖像通過人工選擇前景樣本點10 個和背景樣本點15 個。將這400 個正樣本點和600 個負樣本點組成的訓練樣本集利用OpenCV 集成的train 函數進行離線訓練，將訓練好的分類器模型保存為XML 文件形式。在對圖4進行圖像再分割時，遍歷圖像中的彩色像素點，通過加載訓練好的分類器XML 文件，然后調用predict 函數進行預測，若該函數返回值為1 表明該像素點屬于前景部分應當進行保留，若結果為0 則表明該像素點屬于背景部分應當進行刪除。圖4 經過圖像再分割步驟后的結果如圖6所示。

(1)壩面坡度局部調整段坡度調整范圍應在壩體原設計內外坡坡度范圍以內，這樣可以確保坡面坡度有前期穩定計算實驗、研究支持[4]。

圖6 圖像再分割后的子圖像

4 圖像分析

從圖6 中可以發現分割后的二值圖像中仍然存在一些對前景目標識別不利的干擾區域，但這些區域通常是孤點或小的獨立區域。因此如果通過分析并對區域的某些特征參數進行限制，就可以將絕大部分的干擾區域刪除，突出需要分析的前景部分。OpenCV 提供了一個簡單的函數findContours，可以提取出圖像中連通區域的輪廓，然后可對識別出的連通區域進行獨立的分析，而每個連通的區域又可以通過算法確定一些特征參數。經過多次實驗，本文采用區域面積參數和區域邊界長寬參數來表征各連通域的特征。

區域面積參數最直觀的描述是像素面積，即區域所包含的像素數目，如果設A 表示區域的像素面積，那么依次遍歷連通域中的每一個像素，并通過計數器計數就可以得到該連通域的區域面積參數［17～19］。

區域邊界長寬參數用來描述連通域最小外接矩形的長和寬，通常將長寬比作為一個連通域的區域特征［20～21］。區域外接矩形模型如圖7所示。如果設外接矩形的長和寬分別為a 和b，則區域長寬比L 可以表示為

本文設置一個區域面積參數的閾值Athres和一個區域長寬比參數的閾值Lthres：

算法流程設計如圖8所示。

該算法中主要判定依據是，區域面積微小時可直接判定為干擾區，其次判定面積較小的區域，對于這部分區域可能為噪聲密集區形成的噪聲連通域，也應當去除。最后考慮到架空電力線形成的是類直線區域，因此區域長寬比參數的閾值Lthres1應設置為一個較大的值。經過多次實驗，本文將區域面積參數的閾值Athres1設置為45，區域長寬比參數的閾值Lthres1設置為3。

經過該算法處理后得到的目標前景圖像如圖9，對比圖6 可以明顯發現，干擾區域基本全部被濾除，同時架空電力線以及懸掛異物得到了很好的保留，這對后續懸掛異物的準確定位至關重要。

圖9 基于區域特征處理后的二值圖像

5 算法評估

輸入本文算法的樣本圖像可分為兩種類型：一種為輸電線路不含異物圖像，一種為輸電線路含異物圖像。為了評估本文算法的有效性與運算效率，同時方便相關領域內其他人員研究使用，我們在Visual Studio 2017 集成開發環境中使用OpenCV 計算機視覺庫對本文的算法進行了程序實現。

本文選取40 張樣本圖像，其中20 張含有懸掛異物，20 張不含有懸掛異物。算法程序運行在Win7 操作系統的PC 電腦上，電腦CPU 型號為i5-2450M，運行內存為6G，對40 張樣本圖像亂序進行處理。針對算法的準確率與平均運算時間，本文進行了多次實驗，結果如表2所示。

表2 算法的準確率和運算時間

結果顯示，本文算法在大多數情況下能將前景與背景準確分割，因此該算法在準確性上基本符合要求。由于在現實情況中需要對大量的輸電線路航拍圖像進行處理，這就要求算法擁有較快的運算時間。結果顯示，本文算法處理一張航拍圖像的平均時間較短，能滿足實際運行情況，因此該算法在運算快速性上基本符合要求。

6 結語

圖像分割是輸電線路懸掛異物識別與定位的預處理工作，對此本文提出了一種基于輸電線路懸掛異物航拍圖像的圖像分割算法，并通過樣本圖像實驗對該算法的準確性和運算快速性進行了分析評估。結果表明，該算法能快速準確地將前景與背景分割。