基于多特征融合與改進(jìn)霍夫變換的電纜檢測(cè)研究

于書盼+韓彥芳

摘要：隧道墻體表面存在裂紋、水泥顆粒、施工標(biāo)準(zhǔn)線等干擾，再加上光照的影響，給電纜檢測(cè)帶來(lái)很大困難。針對(duì)一般算法難以同時(shí)克服多種干擾的不足，從電纜邊界特征出發(fā)，提出用多特征融合和改進(jìn)霍夫變換相結(jié)合的算法確定電纜區(qū)域。首先運(yùn)用背景減除或邊緣檢測(cè)確定感興趣區(qū)域；然后融合圖像的梯度、灰度和鄰域特征得到邊界集合圖；最后用一種改進(jìn)的霍夫變換從邊界集合圖中將邊界提取出來(lái)。實(shí)驗(yàn)表明，該算法能夠適應(yīng)背景和目標(biāo)的復(fù)雜變化，滿足電纜實(shí)時(shí)檢測(cè)要求。

關(guān)鍵詞關(guān)鍵詞：邊界定位；感興趣區(qū)域；多特征融合；霍夫變換

DOIDOI：10.11907/rjdk.171934

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2017）011019304

0引言

為保證隧道內(nèi)電纜沒(méi)有破損，需要定期對(duì)電纜表面及電纜卡扣進(jìn)行檢查，長(zhǎng)期以來(lái)都由人工進(jìn)行。受人的眼睛疲勞和情緒影響[1]，不能長(zhǎng)期有效地對(duì)破損電纜進(jìn)行排查，研究高效、準(zhǔn)確的自動(dòng)檢測(cè)技術(shù)意義重大。將電纜區(qū)域分割出來(lái)是實(shí)現(xiàn)檢測(cè)的關(guān)鍵一步，由于隧道墻體表面存在裂紋、水泥顆粒、施工標(biāo)準(zhǔn)線等，且電纜表面亮度分布不均，再加上光照不均及產(chǎn)生的陰影，使得傳統(tǒng)方法不能達(dá)到理想效果。

常用的圖像分割[2]有基于邊緣的[3]、閾值的[45]、區(qū)域的以及特殊理論的方法。基于邊緣的分割對(duì)噪聲敏感，適用于噪聲較小且不太復(fù)雜的圖像[6]。傳統(tǒng)的閾值分割一般只考慮像素自身的灰度值，未考慮空間特征對(duì)噪聲也很敏感這一因素[7]?；趨^(qū)域的分割方法需手工確定種子點(diǎn)，當(dāng)分割目標(biāo)較大時(shí)效率不高[8]。基于特殊理論的分割方法主要問(wèn)題是耗時(shí)太長(zhǎng)，將其與一些節(jié)省時(shí)間的算法聯(lián)合是圖像分割的一種趨向[8]。近幾年，一些學(xué)者提出了一些改進(jìn)算法。文獻(xiàn)[9]中使用結(jié)合直方圖反投影的多特征目標(biāo)檢測(cè)算法進(jìn)行目標(biāo)檢測(cè)，能達(dá)到實(shí)時(shí)檢測(cè)要求，處理效果也較為理想。不過(guò)當(dāng)目標(biāo)和背景的灰度、紋理相近時(shí)容易出現(xiàn)過(guò)分割現(xiàn)象。Akash等[10]提出了一種將螢火蟲算法與K均值算法相結(jié)合的算法，能夠快速有效地分割復(fù)雜的多目標(biāo)圖像，但對(duì)目標(biāo)邊界識(shí)別效果差且受噪聲影響較大。

雖然墻面和電纜表面復(fù)雜多變，但電纜和墻面的分界處灰度較小、梯度較大、領(lǐng)域分布獨(dú)特。針對(duì)這些特點(diǎn)，先將圖像經(jīng)過(guò)預(yù)處理確定感興趣區(qū)域，然后遍歷各像素融合其灰度、梯度、領(lǐng)域特點(diǎn)，將疑似邊緣的像素點(diǎn)標(biāo)記出來(lái)?？紤]到邊界的連續(xù)性、平行性及噪聲分布分散性，采用霍夫變換將邊界提取出來(lái)。由于標(biāo)準(zhǔn)霍夫變換耗時(shí)較長(zhǎng)，不能滿足視頻圖像實(shí)時(shí)檢測(cè)要求，故提出一種改進(jìn)的霍夫變換算法。

1霍夫變換

霍夫變換是常見(jiàn)的間斷邊界檢測(cè)方法，其基本思想是圖像空間與參數(shù)空間點(diǎn)的對(duì)偶性。在圖像XY坐標(biāo)空間中，過(guò)點(diǎn)（xi，yi）的直線滿足：

yi=axi+b（1）

其中a、b分別表示斜率和截距。

參照?qǐng)D1在標(biāo)準(zhǔn)參數(shù)化方式下，式（1）還可表示為：

ρ=xicosθ+yisinθ，0≤θ≤π（2）

可以看出，在圖像空間里共線的點(diǎn)1和2對(duì)應(yīng)于參數(shù)空間里相交于點(diǎn)p的兩條線。換言之，參數(shù)空間中相交的線與圖像空間中共線的點(diǎn)相對(duì)應(yīng)。

標(biāo)準(zhǔn)霍夫變換將參數(shù)空間視為離散，把ρθ平面量化成許多小格，對(duì)XY坐標(biāo)系中的每一個(gè)像素點(diǎn)（x，y）依次求出不同θ量化值對(duì)應(yīng)的ρ值，并在對(duì)應(yīng)的量化小格中進(jìn)行投票。檢測(cè)量化參數(shù)空間中投票結(jié)果的峰值，此峰值對(duì)應(yīng)的（ρ，θ）就是圖像域中共線點(diǎn)數(shù)目最多的直線方程參數(shù)。將檢測(cè)到的峰值及其一定范圍內(nèi)的鄰域值清零，然后繼續(xù)檢測(cè)，直到檢測(cè)出所有滿足要求的直線為止。這種算法魯棒性較強(qiáng)、受噪聲影響小，但運(yùn)算量大，在極端情況下，其運(yùn)算復(fù)雜度為O（N3）。

圖1直線檢測(cè)中的霍夫變換

2改進(jìn)算法

2.1圖像預(yù)處理

綜合考慮空域?yàn)V波、頻域?yàn)V波以及雙邊濾波等多種濾波方式后，本文采用高斯低通濾波器。它是一種根據(jù)高斯函數(shù)的形狀決定權(quán)值的線性平滑濾波器，對(duì)于濾除呈正態(tài)分布的噪聲十分有效，適當(dāng)選取截止頻率D0可使濾波效果最佳。

3實(shí)驗(yàn)結(jié)果及性能分析

對(duì)本算法進(jìn)行有效性、時(shí)效性實(shí)驗(yàn)，實(shí)驗(yàn)環(huán)境為：IntelCorei5，3.20GHz，512G內(nèi)存，軟件環(huán)境為MATLAB R2012b。在提取到電纜邊界后，對(duì)電纜區(qū)域進(jìn)行填充。選取了視頻中包含所有干擾類型的第6幀、第237幀和第607幀作為待處理圖。將本文算法與文獻(xiàn)[9]和文獻(xiàn)[10]提出的算法進(jìn)行對(duì)比，見(jiàn)圖4、圖5、圖6。

實(shí)驗(yàn)結(jié)果表明，當(dāng)背景的灰度、紋理與目標(biāo)區(qū)域相近或噪聲較大時(shí)，反投影直方圖法和螢火蟲算法與K均值相結(jié)合的算法都不能準(zhǔn)確定位目標(biāo)區(qū)域，且識(shí)別結(jié)果中邊界較為粗糙，沒(méi)能去掉陰影影響，而本文提出的算法處理效果較為理想，能準(zhǔn)確對(duì)目標(biāo)區(qū)域進(jìn)行定位且抗噪能力較強(qiáng)。

為驗(yàn)證算法的時(shí)效性，選取該視頻中具有代表性的第6、51、159、237、652幀進(jìn)行時(shí)間性能分析，表1為標(biāo)準(zhǔn)霍夫變換與改進(jìn)霍夫變換運(yùn)算時(shí)間對(duì)比結(jié)果。

可見(jiàn)改進(jìn)的霍夫變換在直線提取部分所耗時(shí)間比標(biāo)準(zhǔn)霍夫變換大大降低。另外，邊界提取前一部分平均用時(shí)為24ms，提取邊界總用時(shí)為35～45ms左右，對(duì)于20幀/s的采樣速率，能滿足實(shí)際工程需求。

4結(jié)語(yǔ)

本文針對(duì)復(fù)雜背景下僅靠單一特征無(wú)法將目標(biāo)區(qū)域準(zhǔn)確檢測(cè)的問(wèn)題，采用了多特征融合的方式，先將目標(biāo)邊界點(diǎn)盡可能顯示出來(lái)，再?gòu)闹刑崛〕鏊柽吔纭Ｔ谔崛∵吔缇€時(shí)，針對(duì)標(biāo)準(zhǔn)霍夫變換耗時(shí)太多的問(wèn)題，提出一種基于分塊的兩點(diǎn)表決式霍夫變換，使其達(dá)到實(shí)時(shí)檢測(cè)要求。實(shí)驗(yàn)結(jié)果表明，本文提出的算法對(duì)復(fù)雜墻面背景電纜的檢測(cè)比一般算法在檢測(cè)效果上有很大提升，能滿足實(shí)時(shí)檢測(cè)的工程需求。

參考文獻(xiàn)參考文獻(xiàn)：endprint

[1]韓芳芳.表面缺陷視覺(jué)在線檢測(cè)關(guān)鍵技術(shù)研究[D].天津：天津大學(xué)，2011.

[2]MEHMET S，BULENT S.Survey over image thresholding techniques and quantitative performance evaluation[J].Journal of Electronic Imaging，2004，13（1）：146165.

[3]RAFAEL C GONZALES，RICHARD E WOODS.Digital image processing[M].Third Edition，Publishing House of Electronics Industry，2011.

[4]楊陶，田懷文，劉曉敏，等.基于邊緣檢測(cè)與Otsu的圖像分割算法研究[J].計(jì)算機(jī)工程，2016，42（11）：255260.

[5]A BERGER S， DELLA PIETRA. Maximum entropy approach natural language processing[J].Computational Linguistics，1996，22（1）：3971.

[6]高朝陽(yáng)，張?zhí)l(fā)，曲亞男.圖像邊緣檢測(cè)研究進(jìn)展[J].科技導(dǎo)報(bào)，2010，28（20）：112117.

[7]許新征，丁世飛，史忠植，等.圖像分割的新理論和新方法[J].電子學(xué)報(bào)，2010（2A）：7682.

[8]張博.基于邊緣檢測(cè)的細(xì)胞圖像分割方法研究與實(shí)現(xiàn)[D].武漢：武漢大學(xué)，2011.

[9]蘇延召，李艾華，金廣智，等.簡(jiǎn)單結(jié)合直方圖反投影的多特征運(yùn)動(dòng)陰影檢測(cè)算法[J].光電子激光，2014，25（7）：13951402.

[10]AKASH SHARMA，SMRITI SEHGAL.Image segmentation using firefly algorithm [C].IEEE Conference on Information Technology （InCITe），2016：99102.

[11]BRUTZER S， HOFERLIN B， HEIDEMANN G. Evaluation of background subtraction techniques for video surveillance[C].IEEE Conference on Computer Vision and Pattern Recognition，2011：19371944.

[12]劉直芳，王運(yùn)瓊，游志勝.簡(jiǎn)單有效的運(yùn)動(dòng)汽車投影陰影分割算法[J].光學(xué)學(xué)報(bào)，2007，27（5）：835840.

責(zé)任編輯（責(zé)任編輯：杜能鋼）endprint