CN109360217A - 输变电设备图像边缘检测方法、装置及系统 - Google Patents

Abstract

本发明公开了一种输变电设备图像边缘检测方法、装置及系统，包括：基于引力场强度理论计算图像梯度幅值；对所述梯度幅值进行非极大值抑制；进行自适应双阈值处理进行边缘链接。本发明引入了引力场强度理论来代替图像梯度，得到引力场强度算子，并针对较少边缘信息和丰富边缘信息两种典型图像，分别提出了基于图像梯度幅度和标准差均值的自适应阈值选取方法。不仅保留了传统Canny算法的优点，而且增强了噪声抑制能力，保留了更多的边缘信息，具有更高的信噪比。能够自动获取阈值，在实际工程应用中具有较高的实用价值。通过输变电巡检图片的对比试验验证，证明本发明的检测结果优于传统的检测方法，能够有效解决输变电巡检图像识别准确率低的问题。

Description

输变电设备图像边缘检测方法、装置及系统

技术领域

本发明属于图像处理领域，涉及一种输变电设备图像边缘检测方法、装置及系统，尤其涉及一种基于自适应双阈值Canny算法的输变电设备图像边缘检测方法、装置及系统。

背景技术

图像的边缘信息是图像最基本的特征之一，而图像边缘的检测也是图像处理的关键技术之一。图像边缘信息作为图像中最重要的信息之一，可以描述目标轮廓、目标区域内的相对位置等重要信息。边缘检测是图像处理中最重要的过程之一，检测结果将直接影响图像的分析。Canny边缘检测算法是1986年John F.Canny开发的一种基于图像梯度计算的边缘检测算法，它是边缘检测的一种标准算法，其广泛应用于图像处理，特别是模式识别、机器视觉方面发挥了特别重要的作用。

电力设备的运行状态直接影响电力系统的安全运行，随着智能巡检机器人业务的逐渐发展，巡检图像识别技术成为智能巡检最重要的研究内容。但是，目前在输变电智能巡检过程采集图像受外界天气、物体表面采光等因素影响较大，利用传统的canny算法不能很好的适应输变电巡检中复杂条件下的边缘检测过程，主要表现在，传统的canny算法存在对噪声敏感、滤除噪声时容易丢失弱边缘信息，高低双阈值的固定参数适应性差等情况。因此，现有技术有待于进一步改进。

发明内容

针对上述问题，本发明提出一种输变电设备图像边缘检测方法、装置及系统，不仅保留了传统Canny算法的优点，而且增强了噪声抑制能力，保留了更多的边缘信息，具有更高的信噪比，能够自动获取阈值，在实际工程应用中具有较高的实用价值。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种输变电设备图像边缘检测方法，包括：

获取原始灰度图像，并对其进行平滑处理获得平滑图像；

基于引力场强度理论计算所述平滑图像的梯度幅值；

对所述梯度幅值进行非极大值抑制，获得候选边缘图像；

对所述候选边缘图像进行自适应双阈值处理，进行边缘链接。

优选地，所述平滑图像的表达式为：

I(x,y)＝G(x,y)*f(x,y)；

式中，f(x,y)表示原始灰度图像；G(x,y)表示二维高斯滤波函数。

优选地，所述基于引力场强度理论计算所述平滑图像的梯度幅值，具体为：

基于引力场强度理论计算所述平滑图像中各个像素的图像梯度，所述各个像素的图像梯度的具体计算公式为：

式中，表示分配给平滑图像中某个像素的总场强；G是重力常数；m是图像上某个像素的质量，即灰度值；是像素1指向像素2的矢量；

采用有限差分3x3像素邻近区域的像素分布计算出平滑图像上某个像素I[i,j]的梯度幅值和方向；所述像素I[i,j]的梯度幅值为：

式中，i和j分别是x和y方向上的单位矢量，表示像素I[i,j]X方向上梯度分量；表示像素I[i,j]Y方向上梯度分量；

其中，所述像素I[i,j]X方向上梯度分量的计算公式为：

所述像素I[i,j]Y方向上梯度分量的计算公式为：

优选地，所述对梯度幅值进行非极大值抑制，获得候选边缘图像，具体包括以下步骤：

在每个像素处，检查该像素是否是其梯度方向上的邻域中的局部最大值，找寻出像素点局部最大值，检测该像素处的值是否是某一个邻域内的最大值，是，则保留，否则去除。

优选地，所述对梯度幅值进行非极大值抑制，获得候选边缘图像，具体包括以下步骤：

对于图像上每个像素点，采用8个方向组成的3×3相邻区域沿梯度方向对其梯度量值进行插值，如果其梯度幅值大于梯度方向上的两个插值结果，则它将被标记为候选边缘点，否则将被标记为非边缘点，获取候选边缘图像；所述候选边缘图像为二值图像，非边缘点的灰度值均为0，标记为边缘点的局部灰度极大值点的灰度值设为255。

优选地，所述对候选边缘图像进行自适应双阈值处理，进行边缘链接，具体包括以下步骤：

对所述候选边缘图像进行分类判别；

当判断出所述候选边缘图像属于小倍率近景图像时，则计算出高阈值和低阈值，基于所述高阈值和低阈值完成选边缘图像的灰度值标记处理；

当判断出所述候选边缘图像属于大倍率远景图像时，则首先计算出整个候选边缘图像的梯度幅度均值E_ave，并将候选边缘图像上每个像素点的梯度幅值与所述梯度幅度均值E_ave进行比较，完成选边缘图像的灰度值标记处理。

优选地，当判断出所述候选边缘图像属于小倍率近景图像时，则计算出高阈值和低阈值，基于所述高阈值和低阈值完成选边缘图像的灰度值标记处理，具体包括以下步骤：

当判断出所述候选边缘图像属于小倍率近景图像时，利用下式计算候选边缘图像的梯度幅度均值E_ave：

式中，E[i,j]表示像素I[i,j]梯度幅度，m为图像中行像素点个数，n为图像中列像素点个数；

计算候选边缘图像的标准差，所述标准差的计算公式为：

计算高阈值，所述高阈值计算公式为：

T_h＝E_ave+k·σ

式中，k是系数，k∈(1.2,1.6)；

计算低阈值，所述低阈值的计算公式为：

T_l＝T_h/2；

检测经过预处理的候选边缘图像的每个像素的灰度值，并做以下处理：

如果某像素的梯度幅值高于高阈值T_h，则将其标记为强边缘像素，置为255；如果边缘像素的梯度值小于低阈值T_l，则置为0；

如果边缘某像素的梯度值小于高阈值T_h并且大于低阈值T_l，则将其标记为弱边缘像素，该像素仅仅在连接到一个高于高阈值T_h的像素时被保留，要考察该像素点周围领域的8像素是否有灰度值为255的，若没有灰度值为255的，表示这是一个孤立的局部极大值点，置为0；若有灰度值为255的，表示这是一个跟其他边缘有连接关系的像素点，并以此边缘点为基本点再次检测八邻域，链接边缘直至与其余边缘连接。

优选地，当判断出所述候选边缘图像属于大倍率远景图像时，则首先计算出整个候选边缘图像的梯度幅度均值E_ave，将候选边缘图像上每个像素点的梯度幅值与所述梯度幅度均值E_ave进行比较，完成候选边缘图像的灰度值标记处理，具体包括以下步骤：

计算出候选边缘图像的梯度幅度均值E_ave，所述梯度幅度均值E_ave的计算公式为：

计算出每个像素的梯度幅值

将候选图像上每个像素点的梯度幅值与梯度幅度均值进行比较，如果像素I[i,j]的梯度幅度小于E_ave的则直接将其灰度值标记为0，如果像素I[i,j]的梯度幅度大于 E_ave的不作处理，由此获得经过预处理的候选图像；

计算候选边缘图像的标准差，所述标准差的计算公式为：

计算高阈值，所述高阈值计算公式为：

T_h＝E_ave+k·σ

式中，k是系数，k∈(1.2,1.6)；

计算低阈值，所述低阈值的计算公式为：

T_l＝T_h/2

检测经过预处理的候选边缘图像的每个像素的灰度值，如果某一像素的幅值超过高阈值T_h,该像素被保留为边缘像素，该像素值被置为255；如果某一像素的幅值小于低阈值T_l, 该像素值被置为0；如果某一像素的幅值小于T_h并且大于T_l,该像素仅仅在连接到一个高于高阈值T_h的像素时被保留。

灰度值介于高阈值T_h和低阈值T_l之间的，考察该像素点周围领域的8像素是否有灰度值为255的，若没有255的，表示这是一个孤立的局部极大值点，予以排除，置为0；若有255的，表示这是一个跟其他边缘有连接关系的，并以此边缘点为基本点再次检测八邻域，链接边缘直至与其余边缘连接。

第二方面，本发明提供了一种输变电设备图像边缘检测装置，包括：

平滑图像获取模块，用于获取原始灰度图像，并对其进行平滑处理获得平滑图像；

平滑图像的梯度幅值计算模块，用于基于引力场强度理论计算所述平滑图像的梯度幅值；

候选边缘图像获取模块，用于对梯度幅值进行非极大值抑制，获得候选边缘图像；

对所述候选边缘图像进行自适应双阈值处理，进行边缘链接。

第三方面，本发明提供了一种输变电设备图像边缘检测系统，包括：

处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行第一方面中任一项所述的步骤。

与现有技术相比，本发明的有益效果：

本发明提出的一种输变电设备图像边缘检测方法，引入引力场强度的概念计算图像梯度，并针对较少边缘信息和丰富边缘信息两种典型图像，提出基于图像梯度幅度和标准差均值的自适应阈值选取方法。相较于经典canny边缘检测算法，能够根据边缘信息较少和边缘信息丰富两种情况选择不同的自适应阈值选取方法，有助于保留更多有用的细节边缘和更强的噪声；通过与其它边缘检测算法对比实验观察，在输变电设备图像边缘检测的对比试验表明，改进的Canny算法简单易行，可以保留更多有用的边缘信息，并且对噪声更具鲁棒性。

附图说明

图1为本发明实施例的流程示意图；

图2(a)为变电站电流互感器油位原始图像；

图2(b)为采用传统canny算法进行边缘检测的检测结果示意图；

图2(c)为利用Sobel算子进行梯度计算的检测结果示意图；

图2(d)为利用Prewitt算子进行梯度计算的检测结果示意图；

图2(e)为利用本发明改进的Canny算法进行边缘检测的检测结果示意图；

图3(a)变电站储能开关图像；

图3(b)为采用传统canny算法进行边缘检测的检测结果示意图；

图3(c)通过用于具有较少边缘信息检测方法，k＝1.2；

图3(d)通过用于具有较少边缘信息检测方法，k＝1.6；

图3(e)为利用本发明改进的canny算法用于丰富边缘、21X21领域、k＝1.2的图像；

图4为非极大值抑制原理示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

现有技术中，输变电场景采集的图像受外界天气、物体表面采光等因素影响较大，传统的Canny算法对噪声敏感，因此在滤除噪声时容易丢失弱边缘信息，且高低双阈值的固定参数适应性差，不能适应不同条件下的边缘检测过程。为此，本发明提出了一种基于自适应阈值Canny算法的输变电设备图像边缘检测方法、装置及系统，针对边缘信息少和边缘信息丰富两种典型的图像边缘检测情况提出两种不同的自适应阈值选择方法，能够很好地解决传统canny边缘检测算法容易丢失弱边缘信息、固定参数适应性差的问题，可以保留更多有用的边缘信息，并且对噪声更具鲁棒性，在实际工程应用中具有较高的实用价值。

实施例1

本发明实施例提供了一种输变电设备图像边缘检测方法，具体为一种基于自适应阈值 Canny算法的输变电设备图像边缘检测方法，包括：

获取到原始灰度图像，并对所述原始灰度图像进行平滑处理消除噪声，得到平滑图像；

由于边缘检测是基于对图像灰度差异运算实现的，所以如果输入的是RGB彩色图像，需要先进行灰度图像的转换；在本发明实施例中，所述RGB彩色图像转换成灰度图像可以采用现有技术中的下述常用公式：

Gray＝R*0.299+G*0.587+B*0.114；

在本实施例的一种具体方式时，可以选用二维高斯滤波函数构造滤波器，对原始灰度图像f(x,y)进行卷积操作，得到平滑图像I(x,y)，所述平滑图像I(x,y)的表达式为：

I(x,y)＝G(x,y)*f(x,y)； (1)

所述二维高斯滤波函数的表达式为：

式(2)中，σ为标准差，代表高斯滤波器的参数，它控制平滑图像的扩展，σ越大，数据分布越分散，σ越小，数据分布越集中；在图形或滤波效果上表现为：σ越大，曲线越扁平，高斯滤波器的频带就越宽，平滑程度就越好，σ越小，曲线越瘦高，高斯滤波的频带就越窄，平滑程度也越弱；x和y分别代表图像的横坐标值和纵坐标值。

基于引力场强度理论计算所述平滑图像的梯度幅值；在本发明实施例的一种具体实施方式中，具体包括以下子步骤：

基于引力场强度理论计算所述平滑图像中各个像素的图像梯度；假设每个像素都是一个质量等于其灰度值的物体，即某个像素的图像梯度是由其周围像素产生的引力场强度的组合计算生成，所述各个像素的图像梯度的具体计算公式为：

式(3)中，是分配给平滑图像中某个像素的总场强；G是重力常数；m是图像上某个像素的质量，即灰度值；是像素1指向像素2的矢量。

在现有技术中的Canny算法中，是采用2x2像素邻近区域的一阶偏导的有限差分来计算平滑图像I(x,y)的梯度幅值和梯度方向，其中，图像I(x,y)上点(i,j)的图像梯度E[i,j]在 x和y方向偏导数的2个阵列E_x[i,j]和E_y[i,j]分别为：

E_x[i,j]＝(I[i+1,j]-I[i,j]+I[i+1,j+1]-I[i,j+1])/2 (4)

E_y[i,j]＝(I[i,j+1]-I[i,j]+I[i+1,j+1]-I[i+1,1])/2 (5)

平滑图像I(x,y)的梯度幅值为：

平滑图像I(x,y)的梯度方位角为:

θ(i,j)＝arctan(E_y[i,j]/E_x[i,j]) (7)

这种方法对边缘的定位比较准确，但对噪声过于敏感，比较容易检测到伪边缘或漏掉真实边缘的细节部分。

针对传统的2x2邻域像素求梯度幅值的缺陷，有人提出在8邻域内通过计算x方向、y方向、135℃、45℃方向偏导数有限差分来确定像素梯度幅值方法，这种方法能够保留更多的边缘信息。表1显示了3x3像素邻近区域位置。

表1 3x3像素的位置

I[i-1,j+1]	I[i,j+1]	I[i+1,j+1]
			I[i-1,j]	I[i,j]	I[i+1,j]
I[i-1,j-1]	I[i,j-1]	I[i+1,j-1]

下面采用有限差分3x3像素邻近区域的像素分布来计算某个平滑图像上的像素I[i,j]的梯度幅值和方向。

表2 3x3像素I[i,j]的八个方向的灰度分布值

m1	m2	m3
			m8	I[i,j]	m4
m7	m6	m5

假设位于像素I[i,j]左上角的像素的灰度值为m1，并且其周围的顺时针方向上的像素的灰度值依次为m2，m3，...m8,具体参见表2，即：所述像素I[i,j]的引力场总强度通过式(3)计算得到。

像素I[i,j]X方向上梯度分量是：

像素I[i,j]Y方向梯度分量是：

因此，像素I[i,j]的梯度幅值为：

像素I[i,j]的梯度方位角为：

其中i和j分别是x和y方向上的单位矢量，θ是引力场强度的方向，G是重力常数，是x方向的矢量表示，是y方向的矢量表示。

步骤S3，对梯度进行非极大值抑制，获得候选边缘图像；在本发明实施例的一种具体实施方式中，具体为：

在每个像素处，检查该像素是否是其梯度方向上的邻域中的局部最大值，找寻出像素点局部最大值，检测该像素处的值是否是某一个邻域内的最大值，是，则保留，否则去除，剔除掉一大部分非边缘点。

本发明中所采用的非极大值抑制的工作原理为现有技术，具体为：

如图4所示，c表示中心目标位置点，要进行非极大值抑制，首先要确定像素点c的灰度值在其8个邻域点内是否为最大。图4中的倾斜线条方向为像素点c的梯度方向，这样就确定像素点c的局部最大值肯定分布在这条倾斜线条上，除了像素点c外，梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。因此，判断像素点c灰度与这两个点灰度大小即可判断像素点c外是否为其邻域内的局部最大灰度点。如果经过判断，像素点c的灰度值小于这两个点中的任意一个，那就说明像素点c外不是局部极大值，那么则可以排除像素点c外为边缘。

实际上，我们只能得到像素点c外邻域的8个点的值，而dTmp1和dTmp2并不在其中，要得到dTmp1、dTmp2这两个像素灰度值就需要对该两个点两端的已知灰度(g1、g2、g3、g4等)进行线性插值，也即根据图4中的g1和g2对dTmp1进行插值，根据g3和g4对dTmp2进行插值，下面利用g1、g2、g3、g4的加权和得到两个插值坐标的梯度值，公式如下：

dTmp1＝weight*g1+(1-weight)*g2 (12)

dTmp2＝weight*g3+(1-weight)*g4 (13)

其中，weight由x和y方向的梯度值确定，其中gx和gy为目标位置点的梯度方向导数：

如果|gy|>|gx|，这说明该点的梯度方向更靠近Y轴方向，如果|gx|>|gy|，此时说明该点的梯度方向更靠近X轴方向，比较中心位置C处的梯度幅值与两个插值点处的梯度幅值dTmp1和dTmp2的比较，确定是否为极值点。

完成非极大抑制后，得到一个二值图像，二值图像用一个由0和255成的二维矩阵表示，这两个可取的值分别对应于非边缘点和边缘点。

步骤S4：自适应双阈值计算和边缘链接；在本发明实施例的一种具体实施方式中，具体为：

在经过非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，可以通过选择方法1和方法2的双阈值做进一步的筛选。如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制。

在机器人巡检特定环境中，抓拍的输变电设备图像的倍率、大小等属性信息可以通过与摄像机机芯交互获取，根据倍率信息可以确定图像的边缘信息是较多还是较少的情况。首先确定抓拍的图像是属于小倍率近景还是大倍率远景，生成的小倍率近景图片具有边缘信息较少、梯度幅度分布不分散的特点，这类图片利用下面方法1进行计算；生成的大倍率远景图片具有边缘信息丰富、梯度幅度分布分散的特点，并且各部分对比度不一致，图像的标准差较大，选择方法1对整个图像的双阈值无法帮助完成边缘检测，这类图片利用下面的方法2进行计算。

(1)方法1：具有边缘信息较少、梯度幅度分布不分散的图像的计算方法

当判定输入图像为小倍率近景图像时，利用下式计算图像的梯度幅度均值：

式中，E[i,j]表示图像像素I[i,j]梯度幅度，m为图像中行像素点个数，n为图像中列像素点个数。

图像标准差计算公式为：

高阈值计算公式为：

T_h＝E_ave+k·σ (16)

式中，k是系数，k∈(1.2,1.6)；

低阈值计算公式为：

T_l＝T_h/2 (17)

检测经过非极大抑制后的图像矩阵元素，如果某像素的梯度幅值高于高阈值T_h，则将其标记为强边缘像素，置为255；如果边缘像素的梯度值小于低阈值T_l，则会被抑制，置为0。如果边缘某像素的梯度值小于高阈值T_h并且大于低阈值T_l，则将其标记为弱边缘像素，该像素仅仅在连接到一个高于高阈值T_h的像素时被保留，要考察该像素点周围领域的 8像素是否有灰度值为255的，若没有255的，表示这是一个孤立的局部极大值点，予以排除，置为0；若有255的，表示这是一个跟其他边缘有连接关系的，并以此边缘点为基本点再次检测八邻域，链接边缘直至与其余边缘连接。

(2)方法2：具有边缘信息丰富、梯度幅度分布分散的大倍率远景图像的计算方法

当判定输入图像为大倍率远景图像时，这类图像边缘信息丰富、梯度幅度分布分散，选择整个图像的双阈值无法帮助完成边缘检测，因为对于某些具有小梯度大小的边缘区域，选定的阈值将过高，这会导致细节边缘丢失，因此：

首先利用方法1中的式(14)计算出整个图像的梯度幅度均值E_ave，利用式(3)所述引力场强度公式计算出每个像素的梯度幅值，然后将图像上每个像素点的梯度幅值与梯度幅度均值比较，如果像素I[i,j]的梯度幅度小于E_ave的 则直接将其灰度值标记为0。这一过程有助于保证对于视野较大且边缘信息丰富的图像的检测质量，不会在边缘较少的区域引入更多的噪声。

基于N x N矩阵图像梯度中的元素的梯度幅度和标准偏差的平均值来计算像素I[i,j] 的阈值，通过方法1中公式(14)和公式(15)可以获得像素的均值和标准差，通过方法1中公式(16)和公式(17)可以获得像素的阈值。

检测经过非极大抑制后的图像矩阵元素，如果某一像素的幅值超过高阈值T_h,该像素被保留为边缘像素，该像素值被置为255；如果某一像素的幅值小于低阈值T_l,该像素被排除为边缘像素，该像素值被置为0；如果某一像素的幅值小于T_h并且大于T_l,该像素仅仅在连接到一个高于高阈值T_h的像素时被保留，此时要考察该像素点周围领域的8像素是否有灰度值为255的，若没有255的，表示这是一个孤立的局部极大值点，予以排除，置为0；若有255的，表示这是一个跟其他边缘有连接关系的，并以此边缘点为基本点再次检测八邻域，链接边缘直至与其余边缘连接。

通过检测和链接边缘可以获得整个图像的边缘信息。

为了验证本发明方法的有效性，以输变电机器人巡检设备CT油位计和储能开关等采集图像为研究对象，利用MATLAB工具对传统的Canny边缘检测算法与改进的算法进行性能对比测试实验。

实验1：由于变电站电流互感器油位图像的油位线边缘信息较少，计算出的梯度幅度和标准差的均值很小，k设为1.6，利用方法1为整个图像选择一个双阈值是可行的边缘检测方法。

图2(a)为变电站电流互感器油位原始图像；

图2(b)为采用传统canny算法进行边缘检测的结果示意图，可见，传统的Canny算法对噪声敏感；

图2(c)和图2(d)分为为利用Sobel算子何Prewitt算子进行梯度计算的检测结果示意图；图2(e)为利用了本发明实施例提出的改进Canny算法进行边缘检测的检测结果示意图。图2(e)与图2(c)和图2(d)的不同之处在于：在图2(e)使用引力场强度算子来计算梯度幅度，后两种分别使用Sobel算子和Prewitt算子，不难看出，图2(e) 保留了比图2(c)和图2(d)更有用的边，这表明引力场强度算子比Sobel和Prewitt 算子表现更好。

实验2：由于变电站储能开关图像的边缘信息丰富，图像各部分对比度不一致，经过上述方法1计算，图像的标准差较大，因此选择整个图像的双阈值方法无法帮助完成边缘检测，故选择对图像中每个像素选择双阈值方法进行计算梯度，并与梯度幅度均值E_ave比较，如果像素I[i,j]的梯度幅度小于E_ave的则直接将其标记为非边缘点，这些区域的梯度幅度和标准差均值很小，不会在边缘较少的区域引入更多的噪声。

图3(a)是变电站储能开关设备原图，可见其具有丰富的边缘信息。

图3(b)为采用传统canny算法进行边缘检测的结果示意图。

图3(c)和图3(d)分别显示利用边缘信息较少的方法进行检测的结果。在图3(c)中，k的值是1.6，图3(d)中的k是1.2。很显然，边缘信息较少的方法应用在具有丰富边缘信息的图像的双阈值计算中，无法帮助实现细节边缘提取。

图3(e)显示了利用本发明的改进canny算法对边缘信息丰富的图像的边缘检测结果，因为这种图像的标准差很大，当k很小时，它可以保留更多的边缘信息，其中每个像素都有其自身的双阈值，设定N＝21，k＝1.2。

基于上述两个实验，可以验证保护内容的有效性，具有较少边缘信息的图像，标准差比较小，适合采用方法1进行边缘检测比较合适；具有丰富边缘信息的图像，标准差比较大，采用方法1中描述的选择整个图像的双阈值并不能完成边缘检测，可采用方法2所述对图像中每个像素选择双阈值方法进行边缘检测，将图像上每个像素点的梯度幅值与梯度幅度均值进行比较和筛选。与传统方法相比，本发明提出的这种方法能够保留更多的局部边缘信息，对噪声更强壮，并且可以保留更多有用的边缘信息，具有更好的边缘检测效果。

综上所述：

本发明的一种输变电设备图像边缘检测方法、装置及系统，包括：基于引力场强度理论计算图像梯度幅值；对梯度进行非极大值抑制；进行自适应双阈值处理和边缘链接。本发明引入了引力场强度理论来代替图像梯度，得到引力场强度算子，并针对较少边缘信息和丰富边缘信息两种典型图像，分别提出了基于图像梯度幅度和标准差均值的自适应阈值选取方法。不仅保留了传统Canny算法的优点，而且增强了噪声抑制能力，保留了更多的边缘信息，具有更高的信噪比。能够自动获取阈值，在实际工程应用中具有较高的实用价值。通过输变电巡检图片的对比试验验证，证明本发明的检测结果优于普通的Sobel算法、Prewitt算法和传统的Canny算法，能够有效解决输变电巡检图像识别准确率低的问题，能够有效解决输变电巡检图像识别准确率低的问题。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种输变电设备图像边缘检测方法，其特征在于，包括：

获取原始灰度图像，并对其进行平滑处理获得平滑图像；

基于引力场强度理论计算所述平滑图像的梯度幅值；

对所述梯度幅值进行非极大值抑制，获得候选边缘图像；

对所述候选边缘图像进行自适应双阈值处理，进行边缘链接。

2.根据权利要求1所述的一种输变电设备图像边缘检测方法，其特征在于：所述平滑图像的表达式为：

I(x,y)＝G(x,y)*f(x,y)；

式中，f(x,y)表示原始灰度图像；G(x,y)表示二维高斯滤波函数。

3.根据权利要求所述的一种输变电设备图像边缘检测方法，其特征在于：所述基于引力场强度理论计算所述平滑图像的梯度幅值，具体为：

基于引力场强度理论计算所述平滑图像中各个像素的图像梯度，所述各个像素的图像梯度的具体计算公式为：

式中，表示分配给平滑图像中某个像素的总场强；G是重力常数；m是图像上某个像素的质量，即灰度值；是像素1指向像素2的矢量；

采用有限差分3x3像素邻近区域的像素分布计算出平滑图像上某个像素I[i,j]的梯度幅值和方向；所述像素I[i,j]的梯度幅值为：

式中，i和j分别是x和y方向上的单位矢量，表示像素I[i,j]X方向上梯度分量；表示像素I[i,j]Y方向上梯度分量；

其中，所述像素I[i,j]X方向上梯度分量的计算公式为：

所述像素I[i,j]Y方向上梯度分量的计算公式为：

4.根据权利要求1所述的一种输变电设备图像边缘检测方法，其特征在于：所述对梯度幅值进行非极大值抑制，获得候选边缘图像，具体包括以下步骤：

在每个像素处，检查该像素是否是其梯度方向上的邻域中的局部最大值，找寻出像素点局部最大值，检测该像素处的值是否是某一个邻域内的最大值，是，则保留，否则去除。

5.根据权利要求4所述的一种输变电设备图像边缘检测方法，其特征在于：所述对梯度幅值进行非极大值抑制，获得候选边缘图像，具体包括以下步骤：

对于图像上每个像素点，采用8个方向组成的3×3相邻区域沿梯度方向对其梯度量值进行插值，如果其梯度幅值大于梯度方向上的两个插值结果，则它将被标记为候选边缘点，否则将被标记为非边缘点，获取候选边缘图像；所述候选边缘图像为二值图像，非边缘点的灰度值均为0，标记为边缘点的局部灰度极大值点的灰度值设为255。

6.根据权利要求1所述的一种输变电设备图像边缘检测方法，其特征在于：所述对候选边缘图像进行自适应双阈值处理，进行边缘链接，具体包括以下步骤：

对所述候选边缘图像进行分类判别；

当判断出所述候选边缘图像属于小倍率近景图像时，则计算出高阈值和低阈值，基于所述高阈值和低阈值完成选边缘图像的灰度值标记处理；

当判断出所述候选边缘图像属于大倍率远景图像时，则首先计算出整个候选边缘图像的梯度幅度均值E_ave，并将候选边缘图像上每个像素点的梯度幅值与所述梯度幅度均值E_ave进行比较，完成选边缘图像的灰度值标记处理。

7.根据权利要求1所述的一种输变电设备图像边缘检测方法，其特征在于：当判断出所述候选边缘图像属于小倍率近景图像时，则计算出高阈值和低阈值，基于所述高阈值和低阈值完成选边缘图像的灰度值标记处理，具体包括以下步骤：

当判断出所述候选边缘图像属于小倍率近景图像时，利用下式计算候选边缘图像的梯度幅度均值E_ave：

式中，E[i,j]表示像素I[i,j]梯度幅度，m为图像中行像素点个数，n为图像中列像素点个数；

计算候选边缘图像的标准差，所述标准差的计算公式为：

计算高阈值，所述高阈值计算公式为：

T_h＝E_ave+k·σ

式中，k是系数，k∈(1.2,1.6)；

计算低阈值，所述低阈值的计算公式为：

T_l＝T_h/2；

检测经过预处理的候选边缘图像的每个像素的灰度值，并做以下处理：

如果某像素的梯度幅值高于高阈值T_h，则将其标记为强边缘像素，置为255；如果边缘像素的梯度值小于低阈值T_l，则置为0；

如果边缘某像素的梯度值小于高阈值T_h并且大于低阈值T_l，则将其标记为弱边缘像素，该像素仅仅在连接到一个高于高阈值T_h的像素时被保留，要考察该像素点周围领域的8像素是否有灰度值为255的，若没有灰度值为255的，表示这是一个孤立的局部极大值点，置为0；若有灰度值为255的，表示这是一个跟其他边缘有连接关系的像素点，并以此边缘点为基本点再次检测八邻域，链接边缘直至与其余边缘连接。

8.根据权利要求1所述的一种输变电设备图像边缘检测方法，其特征在于：当判断出所述候选边缘图像属于大倍率远景图像时，则首先计算出整个候选边缘图像的梯度幅度均值E_ave，将候选边缘图像上每个像素点的梯度幅值与所述梯度幅度均值E_ave进行比较，完成候选边缘图像的灰度值标记处理，具体包括以下步骤：

计算出候选边缘图像的梯度幅度均值E_ave，所述梯度幅度均值E_ave的计算公式为：

计算出每个像素的梯度幅值

将候选图像上每个像素点的梯度幅值与梯度幅度均值进行比较，如果像素I[i,j]的梯度幅度小于E_ave的则直接将其灰度值标记为0，如果像素I[i,j]的梯度幅度大于E_ave的不作处理，由此获得经过预处理的候选图像；

计算候选边缘图像的标准差，所述标准差的计算公式为：

计算高阈值，所述高阈值计算公式为：

T_h＝E_ave+k·σ

式中，k是系数，k∈(1.2,1.6)；

计算低阈值，所述低阈值的计算公式为：

T_l＝T_h/2

检测经过预处理的候选边缘图像的每个像素的灰度值，如果某一像素的幅值超过高阈值T_h,该像素被保留为边缘像素，该像素值被置为255；如果某一像素的幅值小于低阈值T_l,该像素值被置为0；如果某一像素的幅值小于T_h并且大于T_l,该像素仅仅在连接到一个高于高阈值T_h的像素时被保留。

灰度值介于高阈值T_h和低阈值T_l之间的，考察该像素点周围领域的8像素是否有灰度值为255的，若没有255的，表示这是一个孤立的局部极大值点，予以排除，置为0；若有255的，表示这是一个跟其他边缘有连接关系的，并以此边缘点为基本点再次检测八邻域，链接边缘直至与其余边缘连接。

9.一种输变电设备图像边缘检测装置，其特征在于，包括：

平滑图像获取模块，用于获取原始灰度图像，并对其进行平滑处理获得平滑图像；

平滑图像的梯度幅值计算模块，用于基于引力场强度理论计算所述平滑图像的梯度幅值；

候选边缘图像获取模块，用于对梯度幅值进行非极大值抑制，获得候选边缘图像；

对所述候选边缘图像进行自适应双阈值处理，进行边缘链接。

10.一种输变电设备图像边缘检测系统，其特征在于，包括：

处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行权利要求1～8中任一项所述的步骤。