基于梯度對稱性的無人機影像電力線自動提取方法

楊 亮，李輝芳，江萬壽，譚 波，周偉才，劉丙財

(1.武漢大學(xué) 測繪遙感信息工程國家重點實驗室， 湖北 武漢 430079；2.深圳供電局有限公司， 廣東 深圳 518000)

0 引 言

電力系統(tǒng)的巡檢是輸電線路維護的重要手段，是電力系統(tǒng)安全穩(wěn)定運行的重要保障，對于提高應(yīng)對自然災(zāi)害的能力，確保電網(wǎng)安全穩(wěn)定運行具有重大意義[1]。近年來，國內(nèi)外有很多利用航拍影像提取電力線的方法與技術(shù)[2-10]。然而，在這些算法中，都存在無法有效處理背景線特征，或者電力線提取準(zhǔn)確性低的問題。

文獻(xiàn)[4]提出一種基于區(qū)域增長和Ridge-Based Line Detector的電力線提取方法，然而該方法僅僅適用于背景較為簡單的情況[4]，缺乏有效的去噪能力，無法甄別篩選電力線線特征，排除非電力線線特征（如桿塔和道路等）的干擾，抗噪性較差；文獻(xiàn)[6][9]提出了一種基于ratio-radon和卡爾曼濾波跟蹤的電力線提取方法，但是該算法需要影像中電力線方向作為先驗知識，只適用于處理所有影像中電力線方向相同的情況[9]，然而，在實際應(yīng)用中，轉(zhuǎn)角塔的存在會使得電力塔兩側(cè)的電力線方向發(fā)生變化，可靠性差；文獻(xiàn)[10]提出一種基于ratio邊緣檢測算子和Ransac算法的電力線自動提取算法，但是算法在Ransac抽取電力線點，并用這些點擬合二次電力曲線的過程中，舍棄了一組內(nèi)多個分裂導(dǎo)線，只用一條導(dǎo)線代替多個分裂導(dǎo)線[10]，造成提取的電力線數(shù)量不完整問題，精度低。在電力線提取的算法中，較為通用的是ratio-radon[6]-[9]算法，其首先利用ratio算法[11]提取電力線像素點，然后利用radon變換算法提取并連接電力線。然而由于radon變換無法得到線段起點終點的位置，因此對于存在桿塔的影像，其電力線的終點取決于影像分塊位置，無法得到電力線與桿塔的掛線點，提取的電力線準(zhǔn)確性不足。另外文獻(xiàn)[6]對于電力線的篩選規(guī)則不具有通用性，如電力線的像素寬度大致為一個像素、電力線的方向大致不變，電力線在圖像中灰度值通常低于背景灰度、電力線有特定的光譜屬性等。

針對航空影像提取電力線出現(xiàn)的抗噪性低、準(zhǔn)確性差、可靠性低的問題，本文提出一種基于梯度對稱性方法，對LSD提取的線特征進(jìn)行統(tǒng)計與篩選，自動獲得影像中電力線方向并進(jìn)行篩選；利用梯度對稱性方法，檢測并定位電力桿塔位置，建立桿塔與桿塔之間緩沖區(qū)，縮小電力線檢測范圍；提出一種緩沖區(qū)線段序列化連接方法，提取出準(zhǔn)確、完整的電力線。

1 關(guān)鍵技術(shù)與流程

1.1 算法流程

本文算法流程框架圖如圖1所示。

圖1 算法技術(shù)框架圖Fig.1 Algorithm technology framework

1.2 梯度對稱性

把圖像看成二維離散函數(shù)，圖像梯度其實就是這個二維離散函數(shù)的求導(dǎo)，梯度的方向

在圖像灰度最大變化率上，它恰好可以反映出圖像邊緣上的灰度變化。如圖2所示。

圖2 梯度方向Fig.2 Gradient direction

對于一般線特征來說，梯度方向如圖2，而對于電力線等寬度只有幾個像素的線特征來說，其梯度方向分布如圖3所示，即梯度分布具有對稱性。本文利用這種梯度分布的對稱性來定位圖像中電力線在影像中的位置，如圖4（圖中線段的灰度值是梯度方向值，如0、180）所示；而對于房屋道路邊緣或者車道線，梯度不具有對稱性或者由于線段過寬破壞了梯度的對稱。如圖5所示。

圖3 梯度對稱性Fig.3 Gradient symmetry

圖4 電力線篩選Fig.4 Power lines selection

圖5 對稱性破壞Fig.5 Breach of symmetry

1.3 利用LSD對影像進(jìn)行線段提取

LSD[12]是一種直線檢測分割算法，它能在線性的時間內(nèi)得出亞像素級精度的檢測結(jié)果。

相對于其他線段檢測算法，LSD提取的線段具有準(zhǔn)確、噪聲少等特點。該算法流程為[13]：

1）以s=0.8的尺度對輸入圖像進(jìn)行高斯降采樣。

2）計算每一個點的梯度值以及梯度方向。

3）根據(jù)梯度值對所有點進(jìn)行偽排序，建立狀態(tài)列表，所有點設(shè)置為“未使用”狀態(tài)。

4）將梯度值小于一定閾值ρ的點狀態(tài)表中相應(yīng)位置設(shè)置為“使用”狀態(tài)。

5）取出列表中梯度最大（偽排列的首位）的點作為種子點（seed），狀態(tài)列表中設(shè)為“使用”狀態(tài)。

do：

①以種子點為起點，搜索周圍“未使用”狀態(tài)的點并且方向在一定閾值范圍內(nèi)的點，狀態(tài)改為“使用”狀態(tài)。

②生成包含所有滿足點的矩形R。

③判斷同性點密度是否滿足閾值，若不滿足，截斷矩形R變?yōu)槎鄠€矩形框，直至滿足。

④計算NFA（Number of False Alarms），該參數(shù)代表在完美噪聲圖像中不應(yīng)該檢測到目標(biāo)，該參數(shù)值越小，證明提取出的線段越可靠。

⑤改變矩形R使NFA的值更小直至NFA小于一定閾值<=ε，矩陣R加入輸出列表。

1.4 電力桿塔識別與電力區(qū)域定位

桿塔線特征與電力線有很多相似之處，但是由于桿塔的線特征過寬，其并不具有梯度對稱性的特點。為了使桿塔利用梯度對稱性檢測出來，本算法對提取的線段進(jìn)行了膨脹處理。

此外，電力塔的最大特征就是塔身的各種方向的綴條相互交錯，形成網(wǎng)狀結(jié)構(gòu)，因此線與線之間交叉點非常多，且交叉角度隨機變化，因此本文算法流程如下：

1）進(jìn)行LSD線段提取（如圖6（1）所示）；

2）對提取的線段進(jìn)行膨脹處理；

3）利用對稱性篩選電力線與電力桿塔備選線特征（如圖6（2）所示）；

4）尋找線特征交叉點（如圖6（3）所示）；

這個事例說明了延遲滿足法的局限性，自控力是內(nèi)化的能力，就像它的名字一樣，是“自己主動去控制”，而我們使用延遲滿足法時，其實是用外在力量影響孩子。靠外力實現(xiàn)的自控，短期內(nèi)有一定效果，但肯定不如孩子主動控制好。

5）對交叉點進(jìn)行膨脹處理，使得桿塔內(nèi)交叉點在同一二值區(qū)域內(nèi)；

6）計算并統(tǒng)計影像中二值區(qū)域內(nèi)交叉點的角度；

7）二值區(qū)域內(nèi)角度值個數(shù)超過一定數(shù)量（重復(fù)的角度值被合并）將判定為電力桿塔。

得到電力塔的區(qū)域后，可以對電力塔區(qū)域進(jìn)行質(zhì)心位置計算，對多張影像進(jìn)行電力塔檢測得到多個質(zhì)心坐標(biāo)，匹配后即可得到電力塔三維位置。得到電力塔三維位置后即可用三維線段連接各個電力塔的中心位置，并投影到影像上，建立一定寬度的緩沖區(qū)，將電力線區(qū)域從影像中定位出來。

圖6 電力塔識別Fig.6 Detection of power tower

1.5 電力線篩選

經(jīng)過電力區(qū)域計算后，算法排除了在電力區(qū)域外的非電力線線特征。對于電力區(qū)域內(nèi)的線特征，算法將繼續(xù)篩選。

首先，利用梯度對稱性統(tǒng)計電力線方向，篩選出符合梯度對稱性的線特征，并且對線特征進(jìn)行統(tǒng)計得到電力線的方向角度。然后利用電力線方向繼續(xù)篩選，得到既符合梯度對稱性又與電力線方向一致的線特征，如圖7所示。

將篩選過的線特征兩端延長至影像邊緣，影像中每一像素的灰度值代表通過該像素上的線段數(shù)，由于電力線線特征所在區(qū)域密度大，所以累計影像中對應(yīng)的位置像素灰度值較大，如圖7所示，由此區(qū)分電力線和非電力線。

圖7 電力線篩選Fig.7 Power lines selection

1.6 電力線緩沖區(qū)可靠性序列化連接

從圖8可以看出來提取出來的電力線線特征非常精確，一條電力線可以分別提取兩個邊緣，但是這也給線特征的連接帶來了問題。普通的線段分組算法沒有辦法準(zhǔn)確地連接如此密集、距離如此小的線段。

為此，算法提出一種緩沖區(qū)內(nèi)序列化的線段連接方法。從圖8可以看到，電力線的特點是同一相幾條電力線分裂線是相互平行的，彼此之間不會交叉，它們的順序不會發(fā)生任何變化；而且有的區(qū)域電力線完整，有的區(qū)域電力線分裂性殘缺，完整區(qū)域的電力線準(zhǔn)確性可靠性很高。該算法原理是利用完整的高可靠性區(qū)域，人工對其進(jìn)行編碼排序，來對殘缺的低可靠性區(qū)域進(jìn)行連接。

算法流程如下：

1）建立電力線緩沖區(qū)，將同一相的電力線分裂線劃分到同一緩沖區(qū)內(nèi)部。

2）將電力線利用線特征方向把所有緩沖區(qū)內(nèi)分裂性分為電力線上邊緣與電力線下邊緣兩組，對上邊緣進(jìn)行處理。

3）統(tǒng)計緩沖區(qū)內(nèi)部電力線分裂數(shù)。

4）垂直于電力線方向掃描緩沖區(qū)，只保留符合電力線分裂數(shù)的位置，同時對電力線進(jìn)行排序。

5）對保留下來的電力線進(jìn)行驗證，保證兩條分裂線之間的距離不變或者平滑變化。其方法是計算所有兩個相鄰的分裂電力線之間的距離，假設(shè)分裂電力線長度為m，對于jε[0,m] ，若符合公式(1)，則保留，否則就刪除。

6）連接保留下來的線段。

7）對下邊緣進(jìn)行3）～6）步驟。

8）驗證上邊緣與下邊緣的距離，距離異常的位置刪除后重新連接。

式（1）中，n表示緩沖區(qū)內(nèi)共有n+1條分裂線，dist[i][j]是緩沖區(qū)內(nèi)j位置上第i分裂線與第i+1分裂線之間的距離，dist_ave[i][j]是緩沖區(qū)內(nèi)j位置到j(luò)-10位置上第i分裂線與第i+1分裂線之間的平均距離。

圖8 緩沖區(qū)序列化線段連接Fig.8 Buffer lines sequencing connecting

如圖8所示，1、2、3是電力線上邊緣之間的距離，4、5、6是電力線下邊緣之間的距離，若當(dāng)前1位置為j，則1->dist[0][j]，2->dist[1][j]，3->dist[2][j]，4->dist[0][j-p]，5->dist[1][j-p]，6->dist[2][j-p]。

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)來源

為驗證本文算法的效果，本文采用的實驗數(shù)據(jù)為項目《南方電網(wǎng)重點科技項目：基于直升機進(jìn)行三維實景數(shù)據(jù)采集和量測平臺建設(shè)的研究和應(yīng)用》中，利用無人機所獲得的深圳市400kv高壓輸電線路的航拍影像，該線路電力桿塔高度大約60 m，其電力線路采用的分裂數(shù)為4，每張圖片的地面范圍大概為100 m×70 m。

2.2 實驗過程

本文利用高壓輸電線路的航拍影像進(jìn)行電力線提取的實驗，首先，先驗證在背景存在桿塔的情況下的實驗結(jié)果如圖9～圖12所示。

圖9 LSD結(jié)果Fig.9 LSD results

圖10 電力線段篩選Fig.10 Power lines selection

圖11 電力線連接Fig.11 Power lines connect

圖12 提取結(jié)果Fig.12 Power lines result

2.3 實驗過程分析與總結(jié)

按照論文第二章節(jié)的電力線提取流程，圖9是航空影像經(jīng)過LSD線段檢測、電力桿塔識別、電力區(qū)域定位后的結(jié)果，可以看到影像中電力走廊外部區(qū)域已經(jīng)被隔離，這一步極大地排除了大量非電力線的線特征干擾，但是從圖9中也可以看到，電力走廊中仍然有很多干擾線特征。

接下來首先對電力走廊中的線特征進(jìn)行對稱性的檢測，去除沒有對稱性的線段；然后計算線段累積影像，利用累積影像來篩選線特征，圖10就是篩選處理后的結(jié)果，可以看出，篩選過程可以極大地剔除背景線特征，抗噪性非常強。

對于篩選出來的電力線段，本文利用可靠性序列化線段連接方法，對電力線段進(jìn)行連接，從圖11和圖12可以看出，利用本文線段連接方法可以有效地對電力線進(jìn)行連接，

從以上各個過程結(jié)果圖可以看出，本文算法具有極高的抗噪能力，并且由于序列化線段連接算法，本文的算法可以得到十分完整準(zhǔn)確的電力線。

除此之外，LSD完整地同時提取電力線兩側(cè)的邊緣，由圖可以看出，邊緣提取極其準(zhǔn)確，其算法精度非常高；并且由于可以提取兩側(cè)邊緣，而本文算法僅僅需要一側(cè)邊緣即可，那么電力線漏檢的概率就大大減小了，更加適合電力線與背景對比度較低的航空影像，也就是說本文算法具有極高的可靠度。

2.4 對比實驗

為驗證本文算法的可靠性，本文選取桿塔、植被、道路、裸地背景下的航拍影像，分別采用文獻(xiàn)的算法和本文算法。圖12即是兩種算法的對比結(jié)果，為驗證算法，本文選取的均是電力線與背景對比度較低的影像。

由圖13（1）可以看出，文獻(xiàn)算法由于Radon無法確定線段端點，其電力線的長度取決于影像分塊大??；由圖13（2）（3）（4）可以看出，文獻(xiàn)算法在對比度較差情況下僅能提取一組電力線中的一條或兩條，本文算法可以完整地提取出所有分裂電力線。

2.5 對比實驗分析與總結(jié)

具體來說，本文算法相對于文獻(xiàn)[6]來說，具有如下優(yōu)勢：

圖13 本文提出算法與Ratio-Radon算法的比較（右圖為本文算法）Fig.13 Comparing with Ratio-Radon algorithm（the right is by means of LSD）

1）使用LSD線段檢測算法，檢測的線段精度可以達(dá)到亞像素級別，Ratio算法精度沒有達(dá)到亞像素級別。

2）使用LSD提取的線段是矢量數(shù)據(jù)，可以直接得到線段的坐標(biāo)，線段方向等信息，而Ratio算法僅僅獲得柵格信息，還需要Radon對像素信息進(jìn)行擬合才能得到線段，而擬合過程必然會進(jìn)一步損失精度。

3）LSD可以得到電力線雙側(cè)，任意一側(cè)檢測到即可，大大減小了漏檢的可能性，增加了算法的可靠性，這可以從圖13的（2）（3）（4）看出。

4）Radon算法只是擬合電力線的一種方法，算法無法得出線段兩個端點，也就無法準(zhǔn)確得到電力線與絕緣子的連接處，無法處理影像中存在電力塔的情況。

5）Radon算法的擬合精度不高，常常出現(xiàn)擬合后的線段誤差很大情況。而本文的可靠性序列化連接精度很高，誤差一般可以在一個像素內(nèi)。

6）本文采用電力區(qū)域定位、對稱性檢測、累積影像、可靠性連接的方法來排除線段噪聲的影響，而文獻(xiàn)[6]僅僅只有Radon擬合方法，可以看出本文的抗噪性更強。

另外，和文獻(xiàn)相比較，本算法過程中不需要其他先驗信息（如電力線方向或電力線寬度）就可以提取一張影像中不同寬度和方向的電力線；相對于文獻(xiàn)僅用于高壓線的高度估算，本算法可以自動識別電力桿塔，自動提取兩座相鄰電力桿塔之間所有的分裂電力線，可用于電力線的三維建模。

3 結(jié)束語

近年來，國內(nèi)外有關(guān)從航拍影像中提取高壓電力線的研究日益增多，但是其大部分文獻(xiàn)所提出的方法可能無法處理具有植被、裸地、湖泊、道路、房屋等復(fù)雜背景的影像。本文首先采用電力塔識別算法劃分出電力線區(qū)域，利用LSD線特征提取算法檢測出所有線特征，采用梯度對稱性和線段累積影像對其進(jìn)行篩選，最后對電力線進(jìn)行緩沖區(qū)序列化連接。通過實驗證明，本方法可以對影像進(jìn)行全自動電力線提取，具有更高的精度、抗噪性、可靠性，并且可以實現(xiàn)將其結(jié)果與電力桿塔相關(guān)聯(lián)，對提取航拍影像中電力線以及基于航拍影像的電力線三維建模有重要參考價值。