專利名稱：基于紋理聚類的電力塔桿圖像描述方法
技術領域：
本發(fā)明主要屬于電力塔桿描述技術領域，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：
當今社會電力傳輸系統(tǒng)的可靠運行已經(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。電力公司對線路設備尤其是電力塔桿和電電力線進行定期巡檢，以保證電力傳輸系統(tǒng)的安全穩(wěn)定運行和國民生產(chǎn)正常有序的進行。采集架空電力線路運行狀態(tài)數(shù)據(jù)，定期巡檢線路環(huán)境是保證線路穩(wěn)定運行的重要措施。因為電力線和電力桿塔的附件長期暴露在戶外，一方面受到機械載荷和電力負荷的 內部壓力的影響，另一方面還要經(jīng)受污穢、雷擊、強風、洪水、滑坡、沉陷、地震和鳥害等外界因素的侵害；如果不及時發(fā)現(xiàn)和消除隱患，很小的破損就有可能產(chǎn)生故障，最終導致嚴重的事故發(fā)生，以致造成很大面積斷電，從而對社會生產(chǎn)和人民生活產(chǎn)生嚴重的影響以及重大的經(jīng)濟損失。所以，對輸電線路進行定期巡檢，隨時了解輸電線路的運行狀態(tài)以及線路周圍環(huán)境和保護區(qū)的狀態(tài)變化情況，及時掌握其狀態(tài)，發(fā)現(xiàn)和杜絕隱患，預防事故的發(fā)生，確保供電安全。目前國內外通用的巡檢方式無疑是人工巡檢、直升機巡檢和飛行機器人巡檢這三種。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備，從而發(fā)現(xiàn)設備故障，是實現(xiàn)自動、高效、準確巡檢的重要任務。由于電力塔桿上承載了大量電力輸配電設備，從海量的巡檢視頻/圖像中自動檢測電力塔桿是進一步完成電力塔桿設備自動巡檢的重要途徑。為了有效檢測巡檢視頻/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、形狀和結構各異，很難用單一的一種特征來描述。圖像特征提取與描述是計算機視覺技術中關鍵性的步驟，同時也是計算機視覺中最基本最重要的研究內容，是成功進行圖像理解，分析的關鍵技術所在。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、空間關系特征這四個方面的。

發(fā)明內容
本發(fā)明針對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出電力塔桿的普適特點，即每個電力塔桿自身之間存在大量重復相似的顏色紋理和形狀結構。根據(jù)這一特點，本發(fā)明建立起了一套魯棒的電塔描述子計算方法。
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。因為在一定拍攝視角和空間范圍內，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的顏色亮度變化和形狀結構。這種相似性的精髓就是圖像本身是相似的，這種相似性是因為它們重復方式相似，而不是因為顏色和紋理相似。通過數(shù)學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的紋理和形狀。不管是鋼材材質還是水泥材質的電力塔桿，都具有紋理和形狀上的重復性。因此，相似描述子適用于電塔圖像的特征描述。由于直接計算該描述子很復雜，我們提出了一種高效的計算方法用來快速，準確地描述電力塔桿。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);對數(shù)據(jù)集合X = (xl, x2,. . . xt)進行歸一化處理；然后,通過k均值聚類數(shù)據(jù)得到k個聚類中心向量；最后，以改進的爬山法優(yōu)化聚類結果，搜索最優(yōu)的k個聚類中心向量，故以此k個中心向量構造碼本；3)根據(jù)步驟2)生成的碼本，把已經(jīng)生成的每一個碼本和需要檢測的整幅圖像做卷積，那么會生成與每一個碼本相關度不同的相關面集合；4)根據(jù)步驟3)生成的相關面集合，從這些生成的相關面集合中選取與每一個碼本的相關度最大的相關面，這樣就生成了與碼本數(shù)目相同的相關面集合，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面，計算分配到同一個原型分配圖中的相關面的個數(shù)，然后以直方圖的形式表示，計算出描述子。計算出描述子，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雜背景下電力塔桿獨特的紋理特性，而且能夠大范圍的表示電力塔桿的形狀和相似性等特點。同時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，以便達到全局最優(yōu)；對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確率和速度，提高了電力塔桿的描述速度。通過運用本發(fā)明提供的方法，有效地改變了以往的復雜背景下電力塔桿描述準確率低和速度慢的不足，對后續(xù)的電力塔桿檢測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
具體實施例方式
針對發(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，進而加速巡檢圖像中電力塔桿的描述速度，同時還降低了空間復雜。為進一步的電力塔桿檢測節(jié)省了很多寶貴時間。下面結合附圖和具體的實施例子對該發(fā)明做進一步詳細說明。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);對數(shù)據(jù)集合X = (xl, x2,. . . xt)進行歸一化處理；然后,通過k均值聚類數(shù)據(jù)得到k個聚類中心向量；最后，以改進的爬山法優(yōu)化聚類結果，搜索最優(yōu)的k個聚類中心向量，故以此k個中心向量構造碼本；爬山法是一種局部搜索方法，爬山者在每向前進一步，都需先計算東、西、南、北這4個方向的權重。若這4個值中的最優(yōu)值好于當前值，則用該值取代當前值，繼續(xù)向前搜索。否則，如果當前值好于周圍4個方向前進一步的值，認為當前點就是頂峰，搜索結束。爬山者每前進一步都是向梯度最大的方向前進，而不是盲目前進，因此能夠找到一條很快到達峰頂?shù)穆肪€。但是當山脈有許多頂峰，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，假如爬山者的當前位置為某點，則在爬山者的四周隨機產(chǎn)生η個不同方向的點，則可以通過每前進一步的步長可以計算出周圍η個不同方向的下一個點的位置，進而計算出全局最優(yōu)的位置。改進后的爬山法突破了傳統(tǒng)的爬山法容易進入局部最優(yōu)的不足，具有較好的全局搜索能力。選取k-means算法對輸入的特征向量進行聚類，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，被廣泛地應用于圖像處理和數(shù)據(jù)挖掘等領域中。算法以k為參數(shù)，把η個對象分為k個類，使類內具有很高的相似度，而類間相似度很低。算法首先隨機選擇k個點，每個點初始地代表了一個類的中心或平均值，對剩余的每個點根據(jù)其與各個類中心的距離，將它賦給離它最近的類，然后重新計算每個類的平均值，不斷重復該過程，直到準則函數(shù)收斂。但k-means算法的缺點在于易陷入局部最優(yōu)解難以達到全局最優(yōu)解。此處改進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達到最優(yōu)值。然后計算描述圖像中的電力塔桿的描述子，關鍵是計算該描述子的張量。計算該張量有兩種方法1)直接通過局部相似計算；2)計算原型分配圖。我們選擇通過計算原型分配圖的方法來有效計算出描述子的張量。具體的步驟如下3)根據(jù)步驟2)生成的碼本，把已經(jīng)生成的每一個碼本和需要檢測的整幅圖像做卷積，那么會生成與每一個碼本相關度不同的相關面集合；4)根據(jù)步驟3)生成的相關面集合，從這些生成的相關面集合中選取與每一個碼本的相關度最大的相關面，這樣就生成了與碼本數(shù)目相同的相關面集合，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面，計算分配到同一個原型分配圖中的相關面的個數(shù)，然后以直方圖的形式表示，計算出描述子。計算出描述子，即可得到描述子的張量；到此為止我們有效計算出來該描述子的張量，而描述子的張量是一個依賴于圖像大小的4維張量。這個不可能直接運用到分類器中，因為分類器需要固定大小的描述子。為了便于計算，我們構造基于描述子的張量的圖像描述子，即相關面集描述子。
相關面集描述子的原理和詞袋描述子的原理是一樣的根據(jù)生成的碼本把相關面表示成向量的形式，并用直方圖表示。我們可以通過調整相關面的大小到(mXm)，并用該發(fā)明中的聚類方法生成含有L個原型分配圖的集合，從而可以從圖像中得到相關面的碼本。在已有的原型分配圖的情況下，把每個相關面分配到與其相似度最大的原型分配圖中，并計算出分配在同一個原型分配圖中的相關面的個數(shù)，進而從描述子的張量得出相關面集。然而在相關面集描述子中，相關面的排列順序是未知的。但是每一個相關面都是針對圖像中的某個像素，所以單個相關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?；谠撁枋鲎拥拿枋龇椒▋?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，時間復雜度是HW/k，空間復雜度為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上，占用內存小。優(yōu)化后的該描述子的空間復雜度是HW，而原型碼本部分占用的內存空間，空間復雜度僅為HW，大大節(jié)省了整體的存儲空間。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，所述的紋理聚類方法是以整幅圖像內在的相似性為基礎構造描述子，而局部相似描述子僅刻畫了感興趣目標之間的相似性。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。它能夠描述圖像本身大范圍的相似性和形狀特點。電力塔桿圖像中，目標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)域來表示和計算電塔特征，忽略了電力塔桿本身內在的相似性，這樣造成了過多的背景紋理噪聲，且數(shù)據(jù)復雜，大大影響了描述子的準確性和描述效力。而采用該描述子可以在計算電力塔桿圖像內在相似度時排除一些背景紋理的干擾，增強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確度。
權利要求
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);對數(shù)據(jù)集合X = (xl, x2,. . . Xt)進行歸一化處理；然后，通過k均值聚類數(shù)據(jù)得到k個聚類中心向量；最后，以改進的爬山法優(yōu)化聚類結果，搜索最優(yōu)的k個聚類中心向量,故以此k個中心向量構造碼本； 3)根據(jù)步驟2)生成的碼本，把已經(jīng)生成的每一個碼本和需要檢測的整幅圖像做卷積，那么會生成與每一個碼本相關度不同的相關面集合； 4)根據(jù)步驟3)生成的相關面集合，從這些生成的相關面集合中選取與每一個碼本的相關度最大的相關面，這樣就生成了與碼本數(shù)目相同的相關面集合，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面，計算分配到同一個原型分配圖中的相關面的個數(shù)，然后以直方圖的形式表示，計算出描述子。
2.根據(jù)權利要求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領域的基于紋理聚類的電力塔桿圖像描述方法。本發(fā)明先從訓練樣本中生成碼本，然后用這些碼本與測試圖像做卷積生成相關面，再從相關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圖像為實驗數(shù)據(jù)，驗證了該發(fā)明適用于豐富紋理中的電力桿塔描述，描述準確且計算復雜度較低。
文檔編號G06F19/00GK102831295SQ201210251160
公開日2012年12月19日 申請日期2012年7月19日 優(yōu)先權日2012年7月19日
發(fā)明者吳華, 葉文, 柳長安, 楊國田, 劉春陽 申請人:華北電力大學