郭志民1，陳 詠2，萬迪明1，張小斐1，郭祥富1
（1.國網(wǎng)河南省電力公司電力科學研究院，河南 鄭州450052；2.上海交通大學 電子工程系圖像通信與網(wǎng)絡工程研究所，上海200240）
摘 要： 在智能輸電線路綜合監(jiān)測系統(tǒng)中，基于直升機巡檢航拍獲得的視頻圖像進行故障的自動檢測，克服了人工巡檢的缺陷，具有安全可靠、不受地域影響、成本低以及高效快捷的優(yōu)勢。由于監(jiān)測系統(tǒng)的目標對象為輸電線路，因此輸電線路的定位直接影響到整個檢測系統(tǒng)的輸出。考慮到電力線的直線形狀特性，以及在可見光下具備特定的光譜特性——灰度值一般較低且多為黑灰色，提出一種基于圖像區(qū)域形狀與顏色濾波的輸電線路實時定位方法。其中，為了準確判斷直線形狀特性，采用了一種無量綱的邊緣圖提取方法，可有效抵抗光照畸變和背景噪聲的干擾。同時，在多個航拍圖像序列中隨機選取了上萬個電力線像素，基于三維顏色空間建立了電力線像素顏色值與灰度軸夾角的直方圖分布，從而針對輸電線路區(qū)域確定了有效的顏色濾波統(tǒng)計閾值條件。實驗結(jié)果表明，所提出的輸電線路定位方法，具有實時性好、定位準確性高以及抗干擾能力強的優(yōu)勢。
關鍵詞： 智能監(jiān)控；邊緣檢測；輸電線檢測
0 引言
輸電線路的定期巡檢是有效保證輸電線路及其設備安全運行的一項基礎性工作，用直升機對高壓電線進行巡檢正在逐步取代傳統(tǒng)的人工檢測輸電線的方式，得到了越來越廣泛的應用。因此，如何在復雜的地理背景環(huán)境下，準確快速地確定輸電線的位置仍然是極具挑戰(zhàn)性的課題，而且輸電線定位對之后的輸電線故障的檢測以及分類都起著至關重要的作用，影響到了整個智能電路綜合監(jiān)測系統(tǒng)的準確性。
近年來，隨著高分辨率航拍傳感器在航空攝影中的應用，使得航空攝影測量技術有了極大的發(fā)展，“直升機巡視為主，人工巡視為輔”已經(jīng)成為我國高壓、超高壓線路巡檢的發(fā)展方向。在直升機巡檢過程中，可以攜帶可見光數(shù)碼照相機、數(shù)碼攝相機和紅外熱成像儀等設備記錄巡檢線路的圖像信息，這些圖像信息包含了輸電線路的基本特征及運行狀態(tài)。通過對這些航拍圖像的處理可以了解輸電線路的基本狀況，發(fā)現(xiàn)各種設備缺陷和故障隱患。但是如何準確地定位出輸電線的位置仍然面臨著許多挑戰(zhàn)：如視頻質(zhì)量不佳、拍攝背景復雜干擾較多都會導致漏檢和錯檢，導致輸電線定位的準確性明顯下降。另一方面，準確的輸電線定位是智能監(jiān)測系統(tǒng)的基礎，輸電線定位精度直接影響到故障檢測以及故障分類的有效性，其根據(jù)輸電線的拓撲結(jié)構位置信息來確定故障檢測區(qū)域范圍。因此，提高輸電線定位的準確性以及減少對輸電線區(qū)域的漏檢率有著重要的現(xiàn)實意義。目前，利用巡航照片進行輸電線檢測的方法主要是基于圖像的灰度梯度信息來獲取圖像的輪廓，然后利用Hough直線檢測來定位出輸電線區(qū)域。但是，由于航拍過程中背景環(huán)境非常復雜，道路邊緣、房頂、各種標識及雜物都存在線性的邊緣，并且由于航拍圖像中的輸電線較細，往往只有2～3個像素點的寬度，一旦圖像存在一定的模糊就很難提取到完整的邊緣，因此單純利用邊緣檢測加上直線檢測較難準確完整地定位出輸電線在圖像中的位置。
現(xiàn)有的輸電線定位算法中，最主要的難點在于如何準確地檢測出圖像中的邊緣信息，以及如何排除背景中同樣具有直線形狀的非目標物。現(xiàn)有的輸電線定位算法利用圖像的灰度信息來進行邊緣檢測以及直線檢測，在簡單的背景環(huán)境下可以取得較好的效果，但在背景環(huán)境復雜的情況下往往難以取得理想的結(jié)果，因此如何更好地在復雜的背景下提取圖像的邊緣信息，并有效排除非目標物是輸電線定位的一個關鍵問題。
本文基于輸電線的形狀以及顏色特征提出了一種魯棒的輸電線定位方法，該方法考慮到輸電線除了有長直線的形狀特征外，還有一定的顏色分布特性——由于其制作材料的特性，輸電線在可見光下具備特定的光譜特性，即灰度值一般較低且多為黑灰色。因此，可以通過顏色和形狀濾波排除掉很大一部分的非目標物，使得在較為復雜的環(huán)境下也能較好地定位輸電線區(qū)域，提升了輸電線定位的魯棒性。
1 基于相位一致性的邊緣檢測
在輸電線的定位問題中，如何準確地獲取圖像的邊緣信息是準確定位輸電線位置的關鍵[1]。傳統(tǒng)方法中最常用的邊緣檢測算法是使用Canny算法，這是因為Canny邊緣檢測算法與Roberts算子以及Sobel算子等相比，Canny算子的邊緣提取最為完整，而且連續(xù)性好，原因在于它在邊緣檢測時進行了“非極大值抑制”和“形態(tài)學連接”，利用雙閾值算法檢測并連接邊緣，使得圖像邊緣盡可能地實現(xiàn)閉合。但是Canny算法中為了減少噪聲帶來的影響采用了高斯平滑的方法，使得邊緣的定位不夠準確，此外在邊緣提取中它主要采用了圖像的梯度信息，而梯度信息對光照條件敏感[2]，拍攝角度的變化以及陰影的存在都會影響邊緣檢測的魯棒性。
利用相位一致性[3-4]來提取邊緣信息，可以獲得邊緣的準確位置，并且該方法屬于一種無量綱的邊緣提取算子，對光照條件不敏感，可以適應直升機巡航過程中拍攝角度不斷變化的實際需求。利用相位一致性來檢測邊緣的方法主要是基于局部能量模型，該模型認為邊緣的位置不應該僅僅是梯度變化最大的點，而是從頻率域出發(fā)，如果像素點的傅里葉分量相位具有很高的一致性，那么該點很可能位于邊緣位置或者是特征點。Kovesi提出的相位一致性Phase Congruency(PC)的測量方法為：
其中E(x)表示了局部的能量值，∑nAn(x)代表了每一個頻率分量的幅值之和，常數(shù)ε取一個很小的值，用于保證分母非零。
由于E(x)和A(x)的計算比較復雜，在實際應用中，往往利用復數(shù)小波響應來計算PC的值。首先去除圖像的直流分量，然后用F(x)和H(x)來分別代表輸入圖像的小波響應的實部和虛部：
利用小波濾波器組的局部分析特性，可以方便地計算得到E(x)和A(x)的值。若相位具有很高的一致性，那么PC的值應該接近1，反之PC則取接近于0的值。可以看出，PC是個無量綱的邊緣檢測算子。相位一致性算法排除了光強變化造成的干擾，對光照變化以及陰影條件下的邊緣檢測效果有了明顯提高。式(1)也可以用每個頻率分量與整體的相位差的余弦函數(shù)來表示：
但是這種相位一致性的計算方法對噪聲非常敏感，并且存在一個缺陷就是當只含有一個頻率分量時，計算得到的PC值始終為1但卻沒有實際意義。為了避免這種情況的產(chǎn)生并抑制噪聲帶來的干擾，引入了頻帶寬度的權重系數(shù)W(x)和噪聲閾值T，提高了PC值的抗噪性。因此PC值的計算公式可以進一步定義為：
式(6)中的運算符(.)+表示如果括號內(nèi)的值小于0則取0，若括號內(nèi)的值為正則不作變化。
對于噪聲的估計，考慮到噪聲兩個特性：其一，噪聲是遍布在圖像中的，它的值一般是一個常量；其二，邊緣一般都是獨立分布在圖像中的。由這兩點可以推斷出最小尺度的小波濾波器響應主要是來源于噪聲的響應，因此噪聲的平均值可以用最小尺度上的濾波器響應A0(x)來估計：
假設噪聲的頻譜是平坦的，那么就可以用各個相關帶寬的最小尺度的小波濾波器響應來估計整體的噪聲。根據(jù)Parseval定理，空間域頻率響應的平方值就是信號的功率，并假設濾波器響應的平方正比于其帶寬，就可以用噪聲的均值來估計整幅圖像的噪聲：
其中，N是小波濾波器組的尺度個數(shù)，m表示相鄰尺度之間的比例因子，k是放大因子用于估計噪聲的最大值，一般取2.5~3。
上述PC計算方法抗噪性能較好，但是對于存在模糊的邊緣，檢測效果不佳。根據(jù)式（5）可以看出能量E(x)是一個余弦函數(shù)，隨相位的差值變化而變化，但是并不敏感。為了增加PC值的敏感度增強其在存在模糊的圖像中檢測邊緣的效果，可以利用正弦函數(shù)的特性：
通過式（9）計算PC值，這樣得到的邊緣檢測結(jié)果抗噪性能好，并且在存在輕微抖動的圖像中仍然可以準確地定位邊緣。在輸電線巡航的過程中，由于直升機本身的不穩(wěn)定獲取的圖像往往存在一定的運動模糊和噪聲干擾，使用PC方法獲取的邊緣可以很大程度地去除噪聲干擾，獲取清晰的邊緣圖。
2 基于形狀和顏色濾波實現(xiàn)輸電線定位
獲取了較好的邊緣信息后，對邊緣圖進行二值化，然后利用Hough直線檢測[5-6]的方法在圖像中尋找可能存在的直線，這樣可以得到圖像中所有可能存在的直線的位置。由此可以發(fā)現(xiàn)，在復雜背景下獲取的邊緣信息存在許多非目標物，并且由于邊緣檢測比較敏感，有時會將云朵的形狀，地面的紋路都清晰地檢測出來，這些邊緣是我們不需要的，它們會在Hough直線檢測中造成干擾。因此要在直線檢測之前先對圖像進行預處理，以去除非目標物帶來的干擾，本文對輸電線的顏色特性給出了統(tǒng)計分析，具體檢測流程如圖1所示。
輸電線的顏色特性，主要是由于輸電線材料通常是鋼芯鋁絞線，該材料在可見光下具有特定的光譜且灰度值一般較低且多為銀白色，這一顏色特性在RGB顏色空間中則表現(xiàn)為輸電線所在像素點非常靠近灰度軸，如圖2所示。
因此對圖像中的每一個像素點都計算其顏色矢量與灰度軸的夾角值：
對式（10）計算出的夾角值用直方圖進行統(tǒng)計，根據(jù)統(tǒng)計直方圖的分布獲取輸電線的顏色分布范圍。在本次實驗中采用了長度為20 s的測試視頻，每隔2 s取一幀圖像用于進行統(tǒng)計，圖3(a)是在取出的10張測試圖像中所有像素點的灰度軸夾角余弦值的統(tǒng)計圖，圖3(b)是人工標記出的這10張圖像中的輸電線，獲取其像素點并作其灰度軸夾角余弦值的統(tǒng)計直方圖。通過對比這兩張圖可以發(fā)現(xiàn)，輸電線的夾角范圍很小，集中在靠近灰度軸的附近，而整幅圖像中往往有彩色的物體存在，因此與灰度軸的夾角相對較大。按圖3(a)中所示在靠近cosθ=1處的第一個波谷位置即紅線所示位置取閾值0.996對圖像進行濾波，則可以去除一部分偏離灰度軸的背景區(qū)域，之后再進一步利用形狀濾波來定位輸電線，可以減少非目標物的錯檢。
圖4為濾波后得到的二值圖像，其中用灰度值255顯示了屬于輸電線顏色分布范圍的像素點，其余像素點都置為黑色。
然后根據(jù)這張二值圖像對已經(jīng)獲取的邊緣圖像作進一步的形狀濾波，只保留符合條件的物體的邊緣，用于排除了復雜背景中非目標物帶來的影響——主要是利用了輸電線的形狀特性和拓撲結(jié)構特性定位出輸電線在航拍圖像中的位置。在航拍獲取的圖像中，輸電線基本是貫穿整幅圖片的長直線，并且由于航拍過程中飛行高度一定，電力線的寬度一般在2～5個像素之間，拓撲結(jié)構一般為不相交的平行直線[7]。因此可以根據(jù)輸電線的形狀特征進行進一步的篩選。然后，根據(jù)直線的斜率以及所在的位置對它們進行歸類，將屬于同一條輸電線的直線歸為一類，然后判斷出每一條線的總長度。輸電線在航拍圖像中一般都貫穿整幅圖像，因此若一條直線的總長度小于圖像最短邊的一半時，則可以認為該直線不是輸電線的邊緣。
3 實驗比較與分析
為了更好地說明相位一致性的邊緣檢測較之于傳統(tǒng)的Canny檢測方法具有更好的邊緣檢測特性，以及利用形狀和顏色濾波定位輸電線可以有效地減少漏檢、錯檢，本文選取了一些場景來進行實驗，分別比較了兩種邊緣檢測效果的不同以及基于兩種邊緣檢測結(jié)果輸出的輸電線定位效果。
圖5顯示了兩種邊緣檢測的結(jié)果，本文選取了3個場景下的結(jié)果圖像作對比。通過比較第一行我們可以發(fā)現(xiàn)，Canny檢測雖然可以在大部分情況下得到較好的檢測結(jié)果，但對于光照變化較大的情況以及圖像對比度較低的情況下會發(fā)生漏檢，而相位一致性方法則對光照不敏感，可以完整地檢測出輸電線路區(qū)域，準確地貼合了實際情況；第二行的場景中存在光線變化，Canny檢測可以很好地獲取近處的輸電線的邊緣，但對于遠處的輸電線由于對比度不夠強，有些輸電線的邊緣就不能完整地檢測出來了，而相位一致性算法則可以很好地將所有直線的邊緣都完整地檢測出來了，這樣完整的邊緣圖像能夠有效地減少之后輸電線定位中發(fā)生的漏檢情況。第三個場景中背景較為復雜，相位一致性的檢測方法雖然很好地將輸電線的邊緣提取出來，但同樣提取出了很多背景中不明顯的非目標物的邊緣，這對于今后利用直線檢測定位輸電線造成干擾，因此需要對邊緣檢測的結(jié)果進一步做顏色濾波，有效排除背景干擾。
圖6左欄的結(jié)果是只利用了Canny邊緣進行直線檢測來定位輸電線的結(jié)果，右欄是本文提出的利用相位一致性獲取的邊緣圖像經(jīng)過顏色濾波以及直線檢測得到的輸電線定位結(jié)果。我們發(fā)現(xiàn)，第一個場景下傳統(tǒng)方法的定位存在明顯的漏檢，右上角處的輸電線由于距離較遠顏色較淡在傳統(tǒng)的檢測方法中無法檢測出來，發(fā)生了漏檢，而利用文中提出的形狀和顏色濾波來定位輸電線，則可以很好地檢測出所有的直線；第二個場景背景較為復雜，利用形狀信息可以較好地排除誤檢的直線，相較于傳統(tǒng)方法，定位比較準確不會出現(xiàn)檢測到的直線存在斷續(xù)的情況。
4 結(jié)論
本文利用相位一致性的方法進行了邊緣檢測，提高了在拍攝角度、光照變化情況下的輸電線檢測的準確性，直線檢測的方法根據(jù)輸電線的形狀特性來定位輸電線的位置，并在此基礎上結(jié)合其顏色特征對圖像進行顏色濾波，排除了背景中其他具有類似形狀特征的非目標物的干擾，有效準確地定位出了輸電線的具體位置。在對輸電線的航拍巡檢中，文中給出的輸電線位置的定位技術具有重要意義，并且在智能輸電線監(jiān)測系統(tǒng)中，本文提出的方法具有較高的實用價值。
參考文獻
[1] OSKOEI M A，HU H.A survey technical report CES-506，2010, University on edge detection methods[D].University of Essex，Essex.
[2] Yan Shujia，Jin Lijun，Zhang Zhe，et al.Research on fault diagnosisof transmission line based on SIFT feature[J].ISNN 2013，Part II，LNCS 7952：569-577.
[3] Peter Kovesi.Phase congruency detects corners and edges[C].In the Australian Pattern Recognition Society Conference：Digital Image Computing：Techniques and Applications DICTA 2003.December 2003.Sydney：309-318.
[4] KOVESI P.Edges are not just steps[C].Proceedings of ACCV2002 The Fifth Asian Conference on Computer Vision，Melbourne Jan 22-25，2002：822-827.
[5] Li Zhengrong，Liu Yuee，HAYWARD R F，et al.Knowl-edge-based power line detection for UAV surveillance and inspection systems[C].23rd International Conference on Image and Vision Computing New Zealand(IVCNZ 2008)，26-28 November 2008，Christchurch，New Zealand.
[6] Zhang Jingjing，Liu Liang，Wang Binhai，et al.High speed automatic power line detection and tracking for a UAV-Based inspection[C].In the 2012 International Conference on Industrial Control and Electronics Engineering.
[7] 仝衛(wèi)國.基于航拍圖像的輸電線路識別與狀態(tài)檢測方法研究[D].保定：華北電力大學，2011.