專利名稱：基于紋理聚類的電力塔桿圖像描述方法
技術(shù)領(lǐng)域：
本發(fā)明主要屬于電力塔桿描述技術(shù)領(lǐng)域，特別涉及基于紋理聚類的電力塔桿圖像描述方法。
背景技術(shù)：
當(dāng)今社會(huì)電力傳輸系統(tǒng)的可靠運(yùn)行已經(jīng)是國民正常生產(chǎn)生活的重要前提。因此電力傳輸系統(tǒng)提供可靠、優(yōu)質(zhì)的電力能源重要性不言而喻。然而，長距離輸配電線路采用的主要方式是高壓和超高壓架空線路。電力公司對(duì)線路設(shè)備尤其是電力塔桿和電電力線進(jìn)行定期巡檢，以保證電力傳輸系統(tǒng)的安全穩(wěn)定運(yùn)行和國民生產(chǎn)正常有序的進(jìn)行。采集架空電力線路運(yùn)行狀態(tài)數(shù)據(jù)，定期巡檢線路環(huán)境是保證線路穩(wěn)定運(yùn)行的重要措施。因?yàn)殡娏€和電力桿塔的附件長期暴露在戶外，一方面受到機(jī)械載荷和電力負(fù)荷的 內(nèi)部壓力的影響，另一方面還要經(jīng)受污穢、雷擊、強(qiáng)風(fēng)、洪水、滑坡、沉陷、地震和鳥害等外界因素的侵害；如果不及時(shí)發(fā)現(xiàn)和消除隱患，很小的破損就有可能產(chǎn)生故障，最終導(dǎo)致嚴(yán)重的事故發(fā)生，以致造成很大面積斷電，從而對(duì)社會(huì)生產(chǎn)和人民生活產(chǎn)生嚴(yán)重的影響以及重大的經(jīng)濟(jì)損失。所以，對(duì)輸電線路進(jìn)行定期巡檢，隨時(shí)了解輸電線路的運(yùn)行狀態(tài)以及線路周圍環(huán)境和保護(hù)區(qū)的狀態(tài)變化情況，及時(shí)掌握其狀態(tài)，發(fā)現(xiàn)和杜絕隱患，預(yù)防事故的發(fā)生，確保供電安全。目前國內(nèi)外通用的巡檢方式無疑是人工巡檢、直升機(jī)巡檢和飛行機(jī)器人巡檢這三種。無論采用哪種方式去巡檢，巡檢采集到的圖像數(shù)據(jù)量很大，如何能夠自動(dòng)地從這些海量巡檢視頻/圖像數(shù)據(jù)中找到線纜、電力塔桿以及電力塔桿上的設(shè)備，從而發(fā)現(xiàn)設(shè)備故障，是實(shí)現(xiàn)自動(dòng)、高效、準(zhǔn)確巡檢的重要任務(wù)。由于電力塔桿上承載了大量電力輸配電設(shè)備，從海量的巡檢視頻/圖像中自動(dòng)檢測(cè)電力塔桿是進(jìn)一步完成電力塔桿設(shè)備自動(dòng)巡檢的重要途徑。為了有效檢測(cè)巡檢視頻/圖像中的各類電力塔桿，需要抽象描述電力塔桿特征，構(gòu)造電力塔桿特征描述子。然而由于電力塔桿類型的不同，以及包含電力塔桿的圖像紋理信息復(fù)雜。以往的特征描述方法很難有效地表示電力塔桿。由于巡檢數(shù)據(jù)中電塔的顏色、紋理、形狀和結(jié)構(gòu)各異，很難用單一的一種特征來描述。圖像特征提取與描述是計(jì)算機(jī)視覺技術(shù)中關(guān)鍵性的步驟，同時(shí)也是計(jì)算機(jī)視覺中最基本最重要的研究內(nèi)容，是成功進(jìn)行圖像理解，分析的關(guān)鍵技術(shù)所在。常用的圖像特征描述方法基本上是基于顏色特征、紋理特征、形狀特征、空間關(guān)系特征這四個(gè)方面的。

發(fā)明內(nèi)容
本發(fā)明針對(duì)上述缺陷公開了基于紋理聚類的電力塔桿圖像描述方法。本發(fā)明通過分析大量巡檢數(shù)據(jù)中的電力塔桿成像特征總結(jié)出電力塔桿的普適特點(diǎn)，即每個(gè)電力塔桿自身之間存在大量重復(fù)相似的顏色紋理和形狀結(jié)構(gòu)。根據(jù)這一特點(diǎn)，本發(fā)明建立起了一套魯棒的電塔描述子計(jì)算方法。
本發(fā)明提出了一種基于紋理聚類的電力塔桿圖像的描述方法。因?yàn)樵谝欢ㄅ臄z視角和空間范圍內(nèi)，圖像本身的相似性更能夠兼?zhèn)湔鶊D像的相似性和空間信息，可以更好地描述圖像中一定范圍內(nèi)的顏色亮度變化和形狀結(jié)構(gòu)。這種相似性的精髓就是圖像本身是相似的，這種相似性是因?yàn)樗鼈冎貜?fù)方式相似，而不是因?yàn)轭伾图y理相似。通過數(shù)學(xué)模型表示圖像中大量存在的相似的紋理與形狀特征。由于電力塔桿的金屬支架相互交疊，在圖像間存在著相似且重復(fù)的紋理和形狀。不管是鋼材材質(zhì)還是水泥材質(zhì)的電力塔桿，都具有紋理和形狀上的重復(fù)性。因此，相似描述子適用于電塔圖像的特征描述。由于直接計(jì)算該描述子很復(fù)雜，我們提出了一種高效的計(jì)算方法用來快速，準(zhǔn)確地描述電力塔桿。基于紋理聚類的電力塔桿圖像描述方法包括以下步驟I)基于詞袋模型的區(qū)域塊劃分與表示用橫線和豎線把電力塔桿圖像劃分為t個(gè)區(qū)域，然后用灰度直方圖去表示這些區(qū)域；

2)紋理聚類和碼本生成使用向量Xi表示步驟I)中的每個(gè)區(qū)域的灰度直方圖，i取I至t，從而得到數(shù)據(jù)集合X = (xl, x2,. . . xt);對(duì)數(shù)據(jù)集合X = (xl, x2,. . . xt)進(jìn)行歸一化處理；然后,通過k均值聚類數(shù)據(jù)得到k個(gè)聚類中心向量；最后，以改進(jìn)的爬山法優(yōu)化聚類結(jié)果，搜索最優(yōu)的k個(gè)聚類中心向量，故以此k個(gè)中心向量構(gòu)造碼本；3)根據(jù)步驟2)生成的碼本，把已經(jīng)生成的每一個(gè)碼本和需要檢測(cè)的整幅圖像做卷積，那么會(huì)生成與每一個(gè)碼本相關(guān)度不同的相關(guān)面集合；4)根據(jù)步驟3)生成的相關(guān)面集合，從這些生成的相關(guān)面集合中選取與每一個(gè)碼本的相關(guān)度最大的相關(guān)面，這樣就生成了與碼本數(shù)目相同的相關(guān)面集合，即原型分配圖；5)根據(jù)步驟4)的原型分配圖，選取與原型分配圖中的相似性最大的相關(guān)面，計(jì)算分配到同一個(gè)原型分配圖中的相關(guān)面的個(gè)數(shù)，然后以直方圖的形式表示，計(jì)算出描述子。計(jì)算出描述子，即可得到描述子的張量。本發(fā)明的有益效果為I)基于紋理聚類的電力塔桿圖像描述方法，該描述方法有效地表示了復(fù)雜背景下電力塔桿獨(dú)特的紋理特性，而且能夠大范圍的表示電力塔桿的形狀和相似性等特點(diǎn)。同時(shí)采用這種描述子刻畫圖像中電塔的紋理和形狀是為描述不同類型的電力塔桿在圖像中的共有特征提供了很好的方法。2)基于紋理聚類的電力塔桿圖像描述方法，該描述方法提高了全局搜索能力；力口快了收斂過程，以便達(dá)到全局最優(yōu)；對(duì)于圖像中電力塔桿的描述，它能夠加快碼本的生成提高了準(zhǔn)確率和速度，提高了電力塔桿的描述速度。通過運(yùn)用本發(fā)明提供的方法，有效地改變了以往的復(fù)雜背景下電力塔桿描述準(zhǔn)確率低和速度慢的不足，對(duì)后續(xù)的電力塔桿檢測(cè)工作起到了非常重要的作用。


圖I為基于紋理聚類的電力塔桿圖像描述方法流程圖
具體實(shí)施例方式
針對(duì)發(fā)明的目的，本發(fā)明提出了一種基于紋理聚類的電力塔桿圖像描述方法用來有效刻畫不同類型的電力塔桿的形狀和紋理特征和通過提高聚類的收斂速度和全局搜素能力來加速碼本的生成，進(jìn)而加速巡檢圖像中電力塔桿的描述速度，同時(shí)還降低了空間復(fù)雜。為進(jìn)一步的電力塔桿檢測(cè)節(jié)省了很多寶貴時(shí)間。下面結(jié)合附圖和具體的實(shí)施例子對(duì)該發(fā)明做進(jìn)一步詳細(xì)說明。如圖I所示，基于紋理聚類的電力塔桿圖像描述方法包括以下步驟I)基于詞袋模型的區(qū)域塊劃分與表示為了表示一幅圖像，可以把圖像視作一個(gè)文檔。同樣，圖像的“單詞”也需要定義。然而，圖像中“單詞”并不是像文檔中的現(xiàn)成的單詞。要能夠用“單詞”描述圖像，它通常包括以下步驟區(qū)域劃分、區(qū)域表示。用橫線和豎線把電力塔桿圖像劃分為t個(gè)區(qū)域，然后用灰度直方圖去表示這些區(qū)域。2)紋理聚類和碼本生成 使用向量Xi表示步驟I)中的每個(gè)區(qū)域的灰度直方圖，i取I至t，從而得到數(shù)據(jù)集合X = (xl, x2,. . . xt);對(duì)數(shù)據(jù)集合X = (xl, x2,. . . xt)進(jìn)行歸一化處理；然后,通過k均值聚類數(shù)據(jù)得到k個(gè)聚類中心向量；最后，以改進(jìn)的爬山法優(yōu)化聚類結(jié)果，搜索最優(yōu)的k個(gè)聚類中心向量，故以此k個(gè)中心向量構(gòu)造碼本；爬山法是一種局部搜索方法，爬山者在每向前進(jìn)一步，都需先計(jì)算東、西、南、北這4個(gè)方向的權(quán)重。若這4個(gè)值中的最優(yōu)值好于當(dāng)前值，則用該值取代當(dāng)前值，繼續(xù)向前搜索。否則，如果當(dāng)前值好于周圍4個(gè)方向前進(jìn)一步的值，認(rèn)為當(dāng)前點(diǎn)就是頂峰，搜索結(jié)束。爬山者每前進(jìn)一步都是向梯度最大的方向前進(jìn)，而不是盲目前進(jìn)，因此能夠找到一條很快到達(dá)峰頂?shù)穆肪€。但是當(dāng)山脈有許多頂峰，該方法容易陷入局部最優(yōu)，可能找不到實(shí)際的頂峰。本發(fā)明通過增加搜索方向提高爬山法的全局搜索能力，假如爬山者的當(dāng)前位置為某點(diǎn)，則在爬山者的四周隨機(jī)產(chǎn)生η個(gè)不同方向的點(diǎn)，則可以通過每前進(jìn)一步的步長可以計(jì)算出周圍η個(gè)不同方向的下一個(gè)點(diǎn)的位置，進(jìn)而計(jì)算出全局最優(yōu)的位置。改進(jìn)后的爬山法突破了傳統(tǒng)的爬山法容易進(jìn)入局部最優(yōu)的不足，具有較好的全局搜索能力。選取k-means算法對(duì)輸入的特征向量進(jìn)行聚類，k-means算法是解決聚類分析問題的一種經(jīng)典，使用最廣泛的算法，因其算法簡單且收斂速度快等優(yōu)點(diǎn)，被廣泛地應(yīng)用于圖像處理和數(shù)據(jù)挖掘等領(lǐng)域中。算法以k為參數(shù)，把η個(gè)對(duì)象分為k個(gè)類，使類內(nèi)具有很高的相似度，而類間相似度很低。算法首先隨機(jī)選擇k個(gè)點(diǎn)，每個(gè)點(diǎn)初始地代表了一個(gè)類的中心或平均值，對(duì)剩余的每個(gè)點(diǎn)根據(jù)其與各個(gè)類中心的距離，將它賦給離它最近的類，然后重新計(jì)算每個(gè)類的平均值，不斷重復(fù)該過程，直到準(zhǔn)則函數(shù)收斂。但k-means算法的缺點(diǎn)在于易陷入局部最優(yōu)解難以達(dá)到全局最優(yōu)解。此處改進(jìn)的爬山法有著很好的全局搜索能力，使得k-means算法能在全局范圍內(nèi)達(dá)到最優(yōu)值。然后計(jì)算描述圖像中的電力塔桿的描述子，關(guān)鍵是計(jì)算該描述子的張量。計(jì)算該張量有兩種方法1)直接通過局部相似計(jì)算；2)計(jì)算原型分配圖。我們選擇通過計(jì)算原型分配圖的方法來有效計(jì)算出描述子的張量。具體的步驟如下3)根據(jù)步驟2)生成的碼本，把已經(jīng)生成的每一個(gè)碼本和需要檢測(cè)的整幅圖像做卷積，那么會(huì)生成與每一個(gè)碼本相關(guān)度不同的相關(guān)面集合；4)根據(jù)步驟3)生成的相關(guān)面集合，從這些生成的相關(guān)面集合中選取與每一個(gè)碼本的相關(guān)度最大的相關(guān)面，這樣就生成了與碼本數(shù)目相同的相關(guān)面集合，即原型分配圖。5)根據(jù)步驟4)的原型分配圖，選取與原型分配圖中的相似性最大的相關(guān)面，計(jì)算分配到同一個(gè)原型分配圖中的相關(guān)面的個(gè)數(shù)，然后以直方圖的形式表示，計(jì)算出描述子。計(jì)算出描述子，即可得到描述子的張量；到此為止我們有效計(jì)算出來該描述子的張量，而描述子的張量是一個(gè)依賴于圖像大小的4維張量。這個(gè)不可能直接運(yùn)用到分類器中，因?yàn)榉诸惼餍枰潭ù笮〉拿枋鲎印榱吮阌谟?jì)算，我們構(gòu)造基于描述子的張量的圖像描述子，即相關(guān)面集描述子。
相關(guān)面集描述子的原理和詞袋描述子的原理是一樣的根據(jù)生成的碼本把相關(guān)面表示成向量的形式，并用直方圖表示。我們可以通過調(diào)整相關(guān)面的大小到(mXm)，并用該發(fā)明中的聚類方法生成含有L個(gè)原型分配圖的集合，從而可以從圖像中得到相關(guān)面的碼本。在已有的原型分配圖的情況下，把每個(gè)相關(guān)面分配到與其相似度最大的原型分配圖中，并計(jì)算出分配在同一個(gè)原型分配圖中的相關(guān)面的個(gè)數(shù)，進(jìn)而從描述子的張量得出相關(guān)面集。然而在相關(guān)面集描述子中，相關(guān)面的排列順序是未知的。但是每一個(gè)相關(guān)面都是針對(duì)圖像中的某個(gè)像素，所以單個(gè)相關(guān)面仍包含圖像中的空間信息。這就有效地刻畫了圖像中電力塔桿的紋理和形狀特征。基于該描述子的描述方法優(yōu)化了電力塔桿的表示方法，優(yōu)化后的該描述子模型引入了原型分配圖，時(shí)間復(fù)雜度是HW/k，空間復(fù)雜度為HW，其中，H是圖像的長度，W是圖像的寬度，k是碼本維數(shù)。該描述子模型在存儲(chǔ)上，占用內(nèi)存小。優(yōu)化后的該描述子的空間復(fù)雜度是HW，而原型碼本部分占用的內(nèi)存空間，空間復(fù)雜度僅為HW，大大節(jié)省了整體的存儲(chǔ)空間。因此，本發(fā)明中的描述方法有效地解決了描述電力塔桿的精度和速度等問題。作為本發(fā)明的一種改進(jìn)，所述的紋理聚類方法是以整幅圖像內(nèi)在的相似性為基礎(chǔ)構(gòu)造描述子，而局部相似描述子僅刻畫了感興趣目標(biāo)之間的相似性。該描述子不僅綜合了自身的相似形狀和紋理，而且兼?zhèn)淞司植肯嗨泼枋鲎拥膬?yōu)點(diǎn)。它能夠描述圖像本身大范圍的相似性和形狀特點(diǎn)。電力塔桿圖像中，目標(biāo)物電力塔桿作為圖像的主體，一般在圖像中所占比例較大。若用局部相似的方法，劃分為多小區(qū)域來表示和計(jì)算電塔特征，忽略了電力塔桿本身內(nèi)在的相似性，這樣造成了過多的背景紋理噪聲，且數(shù)據(jù)復(fù)雜，大大影響了描述子的準(zhǔn)確性和描述效力。而采用該描述子可以在計(jì)算電力塔桿圖像內(nèi)在相似度時(shí)排除一些背景紋理的干擾，增強(qiáng)了描述子的描述能力，從而提高了描述子表示電力塔桿的準(zhǔn)確度。
權(quán)利要求
1.基于紋理聚類的電力塔桿圖像描述方法，其特征在于，包括以下步驟 1)基于詞袋模型的區(qū)域塊劃分與表示 用橫線和豎線把電力塔桿圖像劃分為t個(gè)區(qū)域，然后用灰度直方圖去表示這些區(qū)域； 2)紋理聚類和碼本生成 使用向量xi表示步驟I)中的每個(gè)區(qū)域的灰度直方圖，i取I至t，從而得到數(shù)據(jù)集合X = (xl, x2,. . . xt);對(duì)數(shù)據(jù)集合X = (xl, x2,. . . Xt)進(jìn)行歸一化處理；然后，通過k均值聚類數(shù)據(jù)得到k個(gè)聚類中心向量；最后，以改進(jìn)的爬山法優(yōu)化聚類結(jié)果，搜索最優(yōu)的k個(gè)聚類中心向量,故以此k個(gè)中心向量構(gòu)造碼本； 3)根據(jù)步驟2)生成的碼本，把已經(jīng)生成的每一個(gè)碼本和需要檢測(cè)的整幅圖像做卷積，那么會(huì)生成與每一個(gè)碼本相關(guān)度不同的相關(guān)面集合； 4)根據(jù)步驟3)生成的相關(guān)面集合，從這些生成的相關(guān)面集合中選取與每一個(gè)碼本的相關(guān)度最大的相關(guān)面，這樣就生成了與碼本數(shù)目相同的相關(guān)面集合，即原型分配圖； 5)根據(jù)步驟4)的原型分配圖，選取與原型分配圖中的相似性最大的相關(guān)面，計(jì)算分配到同一個(gè)原型分配圖中的相關(guān)面的個(gè)數(shù)，然后以直方圖的形式表示，計(jì)算出描述子。
2.根據(jù)權(quán)利要求I所述的基于紋理聚類的電力塔桿圖像描述方法，其特征在于，計(jì)算出描述子，即可得到描述子的張量。
全文摘要
本發(fā)明公開了屬于電力塔桿描述技術(shù)領(lǐng)域的基于紋理聚類的電力塔桿圖像描述方法。本發(fā)明先從訓(xùn)練樣本中生成碼本，然后用這些碼本與測(cè)試圖像做卷積生成相關(guān)面，再從相關(guān)面中選取與碼本相似度最大的那些組成電力塔桿的原型分配圖，并把原型分配圖表示成直方圖，即張量，最后，把張量量化成固定大小的可以用在分類器中的相關(guān)面集描述子。本發(fā)明的有益效果為以各類架空電力線路巡檢所得的含有電力塔桿的真實(shí)圖像為實(shí)驗(yàn)數(shù)據(jù)，驗(yàn)證了該發(fā)明適用于豐富紋理中的電力桿塔描述，描述準(zhǔn)確且計(jì)算復(fù)雜度較低。
文檔編號(hào)G06F19/00GK102831295SQ201210251160
公開日2012年12月19日 申請(qǐng)日期2012年7月19日 優(yōu)先權(quán)日2012年7月19日
發(fā)明者吳華, 葉文, 柳長安, 楊國田, 劉春陽 申請(qǐng)人:華北電力大學(xué)