本發(fā)明屬于圖像處理技術(shù)領域，具體涉及基于快速隨機Radon變換的無人機視覺巡線方法。

背景技術(shù)：

近年來，我國電網(wǎng)發(fā)展迅速，但在解決電網(wǎng)發(fā)展滯后的同時，密集的高壓線群給高壓線的破損檢測與養(yǎng)護工作也帶來了巨大的挑戰(zhàn)。目前，很多國家開展了高壓線辨識研究工作。如研制紅外探測器、電磁場探測器、近地告警系統(tǒng)、毫米波雷達、激光雷達以及安裝于電力線鐵塔上的探測儀等。近年來，國內(nèi)相關(guān)研究大多利用毫米波段高壓線的RCS電磁散射特性和如群組性等進行高壓線檢測，南京理工大學、華南理工大學、哈爾濱工業(yè)大學、中電十所和中電二十七所等在該領域取得了豐富成果。但該方法對硬件設備依賴性強，使用不同探測器效果不同，而探測器價格昂貴，無形中提高了設備的成本,基于圖像的供電線路檢測開始興起，并成為研究熱點。

由于無人機具有體積小，重量輕，機動靈活，安全和成本低等優(yōu)點，近年以來，國內(nèi)外對無人機的研制和開發(fā)都投入大量人力和物力，許多新技術(shù)、新傳感器被有針對性地開發(fā)和使用，比如小型激光測距儀，雷達，慣導器件等。然而在無人機(特別是小型無人機)等特殊應用領域，受到體積，功耗和重量等諸多因素的限制，以相機為主要傳感器的計算機視覺技術(shù)優(yōu)勢正在凸顯。

無人機以高壓輸電線作為導航目標，進行線狀目標的自動識別。目前有關(guān)線狀目標自動識別的方法為對電線圖像提取邊緣獲取直線，然后通過Radon變換對高壓輸電線進行識別。由于高壓輸電線周圍環(huán)境的復雜性、成像條件惡劣等因素的影響，圖像中高壓輸電線的邊緣不是很明顯，另外加上噪聲的干擾，提取的邊緣信息不是很可靠，而且還包含很多冗余的邊緣信息，給后續(xù)判斷和識別帶來了很大困難。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供基于快速隨機Radon變換的無人機視覺巡線方法，以克服上述現(xiàn)有技術(shù)存在的缺陷，本發(fā)明基于高壓輸電線是暗目標且近似水平的線狀特征，利用基于角度限定的多尺度線狀目標強化方法對目標進行優(yōu)化，然后對篩選后結(jié)果進行一定角度范圍內(nèi)的Radon變換，并在Radon變換中通過限定閾值的取值范圍來達到準確識別高壓電線的結(jié)果。

為達到上述目的，本發(fā)明采用如下技術(shù)方案：

基于快速隨機Radon變換的無人機視覺巡線方法，包括以下步驟：

步驟1：利用無人機圖像采集設備，獲得要處理的高壓線圖像，并將獲得的降質(zhì)圖像轉(zhuǎn)為灰度圖；

步驟2：對步驟1中獲得的灰度圖提取邊緣；

步驟3：對步驟2中經(jīng)過處理的圖像進行基于角度限定參數(shù)判決的Radon變換，將豎直方向檢測到的線去掉；

步驟4：采用加入雙閾值取值范圍的隨機Radon圖像檢測算法對經(jīng)步驟3的圖像進行判決，得到輸電直線。

進一步地，步驟2中采用Canny算子對步驟1中獲得的高壓線圖像提取邊緣。

進一步地，步驟3中基于角度限定參數(shù)判決的Radon變換具體為：確定Radon變換角度為θ∈[0,90°]，然后對步驟2處理過的圖像進行Radon變換，得到參數(shù)平面內(nèi)點的積累厚度和點的坐標。

進一步地，步驟4中雙閾值的取值范圍為(max_r*threshold1，max_r*threshold2)，其中max_r為點的積累厚度的最大值，且threshold1＝0.72，threshold2＝0.75。

進一步地，步驟4中加入雙閾值取值范圍的隨機Radon圖像檢測算法具體為：在參數(shù)平面內(nèi)，當點的積累厚度在雙閾值取值范圍內(nèi)時，判決為輸電直線；當點的積累厚度不在雙閾值取值范圍內(nèi)時，判決為干擾直線。

進一步地，步驟4中得到輸電直線后，通過辨識調(diào)節(jié)因子進一步判定，得到最終輸電直線，所述辨識調(diào)節(jié)因子s是步驟1采集的高壓線圖像像素點上下鄰近范圍的灰度值之差，將經(jīng)過步驟4判決后得到的點的坐標映射到坐標平面，當辨識調(diào)節(jié)因子w＞0.02，則證明直線上下鄰近范圍的灰度值近似，即判決為最終輸電導線，當辨識調(diào)節(jié)因子w≤0.02，則證明直線上下鄰近范圍的灰度值相差較大，即判決為干擾直線。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：

本發(fā)明基于高壓輸電線是暗目標且近似水平的線狀特征，利用基于角度限定的多尺度線狀目標強化方法對目標進行優(yōu)化，然后對篩選后結(jié)果進行一定角度范圍內(nèi)的Radon變換，將豎直方向檢測到的線去掉，并在Radon變換中通過限定閾值的取值范圍來達到準確識別高壓電線的結(jié)果。

進一步地，本發(fā)明采用Canny算子對高壓線圖像提取邊緣，Canny算子邊緣定位的精確性和抗噪聲能力效果較好。

進一步地，本發(fā)明引入辨識調(diào)節(jié)因子，在Radon變換中引入像素灰度值的辨識調(diào)節(jié)因子在很大程度上可抑制近似水平物體的干擾。

附圖說明

圖1是本發(fā)明的流程示意圖；

圖2傳統(tǒng)方法與本發(fā)明方法的對比圖，其中(a)、(c)、(e)是常規(guī)Radon算法檢測結(jié)果；(b)、(d)、(f)是本發(fā)明快速隨機Radon算法檢測結(jié)果。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步詳細描述：

基于快速隨機Radon變換的無人機視覺巡線方法，包括以下步驟：

步驟1中獲得高壓線圖像：利用無人機圖像采集設備，獲得要處理高壓線圖像rgb，并將獲得降質(zhì)圖像轉(zhuǎn)為灰度圖i。

步驟2中用Canny算子進行圖片邊緣提取處理：

BW＝edge(i,’canny’,thresh,sigma)

thresh是敏感度閾值參數(shù)，默認值為空矩陣[]。此處為一列向量，為算法指定閾值的上下限。第一個元素是閾值下限，第二個元素是閾值上限。如果只指定一個閾值元素，那么默認此元素為閾值上限，其0.4倍的值作為閾值下限。如果閾值參數(shù)沒有指定，則算法自行確定敏感度閾值的上下限。

在各類邊緣檢測算子中，Roberts算子和Log算子雖然定位精度高，但是受噪聲影響大；Sobel算子和Prewitt算子模板相對較大因此去噪能力較強，具有平滑作用，而且能濾除一些噪聲，去掉一部分偽邊緣，但是同時也平滑了真正的邊緣，降低了邊緣定位精度?？傮w來講，Canny算子邊緣定位的精確性和抗噪聲能力效果較好。因此本發(fā)明中采用Canny算子來進行圖片邊緣提取。

步驟3中基于角度限定參數(shù)判決：由于相機與高壓輸電線之間距離和角度的影響，在同一個場景中，高壓線成像時粗細是不一致的。因此，應用多尺度線狀目標強化濾波器，可強化不同尺度范圍內(nèi)的高壓線目標，但該算法把高壓線目標強化出來的同時也把電線桿、樹木等豎直目標強化出來，這對后續(xù)的高壓線檢測帶來嚴重干擾。實際應用中，高壓輸電線是近似水平的，而電線桿、樹木等干擾物體是豎直的。因此提出基于角度限定參數(shù)判決，以抑制豎直方向的線狀物體對識別目標的干擾。故本算法處理每一幀數(shù)據(jù)時角度由θ∈[0,180°]縮小到θ∈[0,90°]，theta＝randperm(90)。

由于無人機是平行高壓線飛行并以高壓線作為導航目標，因此高壓線成像近似水平方向，為了只強化水平方向的高壓線目標，對經(jīng)過邊緣檢測處理的高壓線圖像bw進行基于角度限定參數(shù)判決后，采取Radon變換，得到參數(shù)平面內(nèi)點的積累厚度r和點的坐標xp,以實現(xiàn)對輪廓圖像中的直線像素的檢測。

Radon公式如下:

R(ρ,θ)＝∫∫f(x,y)δ(ρ-x cosθ-y sinθ)dxdy (1)

式中，D為整個圖像xy平面；(x,y)為灰度值；ρ為坐標原點到直線的距離；θ為距離與x軸的夾角，θ∈[0,180]；δ為Dirac delta函數(shù)。它使(x,y)沿直線ρ＝x cosθ+y sinθ積分。

Radon變換可以理解為圖像在ρ-θ空間的投影。ρ-θ空間的每一個點對應圖像空間一條直線，而Radon變換是圖像像素值在每條直線上的積分，因此圖像中每條直線會在ρ-θ空間形成一個亮點.直線的檢測轉(zhuǎn)化為在ρ-θ變換域?qū)α咙c的檢測，如figure3所示，結(jié)合1中方向目標角度限定，亮度值較大的點對應圖像中高壓線目標。

步驟4中快速隨機Radon圖像檢測算法：為了抑制豎直方向的線狀物體如電線桿、樹木等，提出了基于角度限定參數(shù)判決。該算法可以強化近似水平方向的線狀目標，同時又可有效抑制豎直方向的線狀物體，但在有些情況下，高壓線周圍可能會有近似水平的干擾物體，例如物體的水平邊緣等。在這種情況下使用基于角度限定參數(shù)判決時，在強化出高壓線的同時也會強化出近似水平的干擾物體或其邊緣，從而影響高壓線的正確識別。

為了克服這一問題，在對強化后的結(jié)果進行Radon變換中通過限定閾值的取值范圍來達到只識別高壓電線的識別結(jié)果。根據(jù)步驟3中點的積累厚度r，得到最大值max_r，雙閾值的取值范圍為(max_r*threshold1，max_r*threshold2)。這樣，在Radon變換中通過限定閾值的取值范圍在一定程度上可抑制近似水平物體的干擾。故可令

threshold1＝0.72；threshold2＝0.75；

[II,JJ]＝find(r>＝(max_r*threshold1)&r<＝(max_r*threshold2))；

由于Radon檢測是通過對每個規(guī)定角度的方向進行線積分，從而得到一個極大值檢測出直線的，所以我們可以對規(guī)定角度添加隨機性，theta＝randperm(80)，增大檢測的隨機性，提升檢測速度，減少檢測時間。

步驟5中在隨機Radon圖像檢測算法引入辨識調(diào)節(jié)因子：由于高壓輸電線上、下鄰近范圍的背景是大致一樣的，所以高壓輸電線上下鄰近范圍的灰度值近似。因此可定義調(diào)節(jié)因子s是圖像像素點上下鄰近范圍的灰度值之差。當為高壓輸電線目標時，由于高壓線上下鄰近范圍的灰度值相似，|s|較小，w較大，從而使高壓輸電線區(qū)域像素的灰度值的調(diào)節(jié)因子變大；相反，如果是近似水平的干擾物體如火車鐵軌等即使識別出干擾物體或其邊緣，但是該干擾物體或其邊緣上下鄰近范圍的灰度值差別較大，|s|較大，w較小，從而使優(yōu)化出的近似水平的干擾物體(如物體的水平邊緣或河岸沿等)區(qū)域的像素灰度值的調(diào)節(jié)因子變小。這樣，在Radon變換中引入像素灰度值的調(diào)節(jié)因子在很大程度上可抑制近似水平物體的干擾。

圖2中4幅圖測試的場景分辨率分別為504*373，474*315和294*395。常規(guī)Radon算法檢測結(jié)果如圖(a)、(c)、(e)中所示，本發(fā)明算法的實驗結(jié)果如圖(b)、(d)、(f)所示，虛線為檢測結(jié)果。計算程序運行的時間，常規(guī)的Radon變換化電線檢測算法時間花費分別為11.340241秒，15.140015秒，7.479158秒，且誤判比較嚴重，將田野等均誤判為電線,判斷正確的部分偏差也較大，尤其在圖(e)中，常規(guī)算法完全失效，檢測出大量的鐵軌和電線桿。而本發(fā)明提出的新的隨機檢測算法在圖(b)、(d)中花費分別為0.755584秒，0.701000秒，時間縮短10倍以上。尤其在結(jié)果圖(f)中，本發(fā)明在隨機Radon圖像檢測算法引入辨識調(diào)節(jié)因子，根據(jù)被檢測直線上下鄰近范圍的灰度值差值可更準確檢測出輸電線與近似水平鐵軌，大大提升檢測的準確率，同時花費時間大大減小，為0.759467秒。