基于改進(jìn)Canny算子的輸電導(dǎo)線圖像邊緣檢測(cè)

李 磊，李英娜,2，趙振剛,2

（1. 昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2. 云南省計(jì)算機(jī)技術(shù)運(yùn)用重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500）

0 引言

輸電導(dǎo)線是電網(wǎng)系統(tǒng)的重要組成部分，定期檢修工作是保障電網(wǎng)工程質(zhì)量的重要手段。在早期的巡線過程中，巡檢人員需要通過目測(cè)的方式檢查線路是否存在損壞現(xiàn)象。這種巡線方式存在以下問題：一方面，由于誤判、漏查等原因，完整、準(zhǔn)確的輸電線路狀況信息無法獲得；另一方面，由于人工巡視的效率遠(yuǎn)遠(yuǎn)小于電網(wǎng)鋪設(shè)效率，而且部分電網(wǎng)建設(shè)在偏僻、環(huán)境復(fù)雜的地區(qū)，對(duì)巡線人員的安全造成威脅。因此該方法不能滿足日益龐大的電能組網(wǎng)巡檢需求。

近年來，科研工作者將圖像處理技術(shù)應(yīng)用到輸電導(dǎo)線的巡檢工作中。利用計(jì)算機(jī)視覺技術(shù)，對(duì)巡線機(jī)器人、無人機(jī)等設(shè)備拍攝出的真實(shí)、完整的輸電線路圖片進(jìn)行目標(biāo)識(shí)別與提取是目前新興的研究方向。文獻(xiàn)[1]提出了一種改進(jìn)的Freeman 鏈碼表示法以實(shí)現(xiàn)輸電導(dǎo)線圖像提取。該方法有效地剔除了背景信息，對(duì)缺損部分進(jìn)行補(bǔ)充擬合，但是準(zhǔn)確度不高。文獻(xiàn)[2]使用改進(jìn)k-means與形態(tài)學(xué)處理相結(jié)合的方式提取導(dǎo)線圖像，雖提高了效率，但是提取出的導(dǎo)線圖像缺損和不連貫現(xiàn)象較嚴(yán)重。文獻(xiàn)[3]綜合利用顏色特征對(duì)導(dǎo)線進(jìn)行識(shí)別。該方法對(duì)顏色敏感，故針對(duì)對(duì)比度低的圖像不能達(dá)到很好的提取效果。文獻(xiàn)[4]用一種改進(jìn)的隨機(jī) Hough變換的方式提取導(dǎo)線圖像。該方法需要人為設(shè)置和調(diào)試參數(shù)，過程繁瑣且容易出現(xiàn)結(jié)果不準(zhǔn)確的問題。

傳統(tǒng)Canny邊緣檢測(cè)算子由于具有準(zhǔn)確度高的優(yōu)點(diǎn)而被廣泛應(yīng)用于圖像邊緣檢測(cè)研究中。文獻(xiàn)[5]使用選擇性平滑濾波算法對(duì)傳統(tǒng)Canny算法中的高斯濾波進(jìn)行改進(jìn)，解決了孤立邊緣被過濾的問題。文獻(xiàn)[6]通過引入小波變換增強(qiáng)方法進(jìn)一步提高了Canny邊緣檢測(cè)的準(zhǔn)確性。文獻(xiàn)[7]使用中值混合濾波的方法去噪，降低了噪聲干擾，使檢測(cè)后的圖片更清晰。

以上算法雖然進(jìn)一步提高了圖像邊緣檢測(cè)的精度，但是存在閾值選取局限性的問題，在閾值選取時(shí)需要人工迭代或根據(jù)經(jīng)驗(yàn)選擇合適的閾值。為了提高閾值選取的自適應(yīng)性，本文引入了最大類間方差法[8]（Otsu法）并對(duì)其進(jìn)行改進(jìn)。國(guó)內(nèi)外研究學(xué)者已經(jīng)使用了遺傳算法[9-11]、粒子群算法[12-14]對(duì)傳統(tǒng)Otsu算法改進(jìn)，提高了Otsu法的計(jì)算效率和檢測(cè)準(zhǔn)確性；但是以上算法在搜索全局最優(yōu)值的過程中表現(xiàn)不佳，容易局限在局部最優(yōu)值中，影響邊緣檢測(cè)效果。

針對(duì)以上問題，本文使用了一種改進(jìn)的Canny算子對(duì)架空輸電導(dǎo)線圖像進(jìn)行識(shí)別。該算法通過改進(jìn)的4方向梯度模板計(jì)算梯度值，并且使用結(jié)合截距法和人工蜂群算法的最大類間方差法以便自適應(yīng)選取全局最佳閾值，目標(biāo)是提高邊緣檢測(cè)的降噪水平，連貫、清晰、準(zhǔn)確地提取導(dǎo)線的邊緣信息，并且減少了人工干預(yù)，使自適應(yīng)性獲得增強(qiáng)。

1 傳統(tǒng)Canny邊緣檢測(cè)方法

Canny邊緣檢測(cè)[15]已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域的各個(gè)方向。傳統(tǒng)Canny邊緣檢測(cè)步驟如下：

步驟1：利用高斯濾波，使圖像中灰度變化劇烈的部分變平滑。高斯核函數(shù)為：

式中：σ為高斯核函數(shù)的標(biāo)準(zhǔn)差，該值越大，圖像平滑效果越清晰。

步驟2：進(jìn)行圖像增強(qiáng)，圖像中的部分像素點(diǎn)之間具有較強(qiáng)的差值，因此能夠利用導(dǎo)數(shù)的特殊性，進(jìn)行一階有限差分計(jì)算，計(jì)算出各個(gè)像素點(diǎn)的梯度值和梯度方向，計(jì)算公式如式（2）（3）所示。

步驟3：利用非極大值抑制，保留具有相同梯度方向的像素點(diǎn)之間的最大值，消除圖像增強(qiáng)過后的離散值，進(jìn)一步提高圖像的清晰度。

步驟4：應(yīng)用雙閾值檢測(cè)篩查目前通過卷積取得的像素點(diǎn)是否屬于邊緣部分。設(shè)置低閾值θ1和高閾值θ2，判斷每個(gè)像素點(diǎn)的灰度梯度與θ1、θ2之間的大小關(guān)系，其選擇策略如表1所示。

表1 雙閾值選擇策略Tab. 1 Dual-threshold selection strategy

傳統(tǒng)Canny算子存在方向模板和閾值選取的局限性問題。

（1）方向模板局限性問題[7]。架空輸電導(dǎo)線由于受自身重力和外界自然氣象（風(fēng)力、溫度）的影響會(huì)形成一定的弧垂。弧垂是指具有一定距離的相鄰兩個(gè)桿塔之間的導(dǎo)線在桿塔上懸掛點(diǎn)和導(dǎo)線最低點(diǎn)的垂直距離[16]。因此，導(dǎo)線一般呈拋物線狀。傳統(tǒng)的Canny算子檢測(cè)的方向模板僅由水平和垂直2個(gè)方向確定，會(huì)丟失導(dǎo)線彎曲部分的邊緣輪廓信息，因此具有一定的局限性。

（2）閾值選取局限性問題[17]。傳統(tǒng) Canny檢測(cè)算法中雙閾值檢測(cè)的高低閾值選取是固定值或者是人工根據(jù)經(jīng)驗(yàn)進(jìn)行迭代選擇，一般低閾值選取50，高閾值選取100。由于不同圖像的亮度、對(duì)比度等參數(shù)不同，該選取策略不適用于對(duì)多種圖片使用同一種雙閾值進(jìn)行分割的情形。另外，對(duì)每一張圖片進(jìn)行人工閾值選擇，耗時(shí)費(fèi)力，降低了圖片分割的效率。

2 改進(jìn)Canny算子的邊緣檢測(cè)

2.1 算法流程

改進(jìn)的Canny算法過程如圖1所示。

圖1 改進(jìn)的Canny算法流程圖Fig. 1 Improved Canny algorithm flow chart

首先輸入圖像，利用高斯濾波器降噪，使用改進(jìn)的4方向模板進(jìn)行一階有限差分計(jì)算；接著進(jìn)行非極大值抑制；然后使用結(jié)合截距法和人工蜂群算法的Otsu算法獲取高閾值，并通過0.5倍高閾值獲取低閾值；最后輸出邊緣檢測(cè)結(jié)果圖。

2.2 方向模板改進(jìn)

為解決方向模板單一的問題，將2方向模板改進(jìn)為4方向模板，充分利用傾斜方向的邊緣信息解決導(dǎo)線彎曲部分邊緣像素丟失的問題。4方向模板的角度包括 0°、45°、90°、135°，模板如圖 2所示。

圖2 4方向模板Fig. 2 4-direction template

經(jīng)濾波處理后，對(duì)所得的導(dǎo)線圖像使用以上4個(gè)模板進(jìn)行線性處理，然后進(jìn)行卷積運(yùn)算，計(jì)算出各個(gè)像素點(diǎn)的梯度值和梯度方向。各個(gè)模板的計(jì)算方法如表2所示。

表2 各模板計(jì)算方法Tab. 2 Calculation method of each template

對(duì)得到的兩組對(duì)角線方向的梯度值選擇較大值，并將其轉(zhuǎn)換到x軸和y軸上。x軸方向如式（4）所示，y軸方向如式（5）所示。

再利用公式（2）（3）分別求得每個(gè)像素點(diǎn)的梯度值以及梯度方向。

2.3 雙閾值選取方法改進(jìn)

本文通過結(jié)合截距法和人工蜂群算法改進(jìn)傳統(tǒng)二維Otsu算法[18]求出全局最佳高閾值θ2，并取0.5倍θ2為低閾值θ1。

（1）截距法

相較一維Otsu算法，二維Otsu算法利用了圖像鄰域中心灰度值與其鄰域均值對(duì)構(gòu)成的二維直方圖進(jìn)行分割，進(jìn)一步提高了抗噪性[19]。但是，傳統(tǒng)的二維Otsu算法引入了灰度值的信息內(nèi)容，增加了運(yùn)算量，嚴(yán)重降低了分割速度，從而降低了分割效率。

文獻(xiàn)[20]提出用一維直線截距直方圖代替二維灰度信息直方圖，并通過求解直線最優(yōu)截距作為圖像最佳閾值的方法達(dá)到降維目的。

根據(jù)文獻(xiàn)[20]，直線i+j=k（i為像素灰度值，j為鄰域灰度值，k為直線的截距）垂直穿過主對(duì)角線，則二維直方圖中會(huì)有2L條與主對(duì)角線相垂直的直線，其范圍是[0，2L–1]。每一條直線截距對(duì)應(yīng)一個(gè)閾值，然后利用Otsu原理求解最佳閾值。

具體的改進(jìn)過程如下：令直線截距表示圖像分割的閾值T，大于閾值T的部分作為背景，小于閾值T的部分作為目標(biāo)。令ω1表示目標(biāo)區(qū)域的概率，令ω2表示背景區(qū)域的概率。結(jié)合一維Otsu的計(jì)算原理，則有：

整個(gè)圖像的總均值為：

目標(biāo)區(qū)域和背景區(qū)域的均值分別為：

將基于中心灰度值和鄰域灰度均值的二維直方圖轉(zhuǎn)化為一維截距直方圖，(L- 1 )×(L- 1 )的搜索空間壓縮為2(L-1)，從而大幅減少了計(jì)算量，有效地提高了分割效率；同時(shí)，彌補(bǔ)了傳統(tǒng)二維Otsu算法因忽略圖3中遠(yuǎn)離對(duì)角線部分的矩形噪聲區(qū)域（A、D）對(duì)結(jié)果造成影響的缺陷。

圖3 二維直方圖投影Fig. 3 Two-dimensional histogram projection

（2）人工蜂群算法

用直線截距作為閾值的方法雖然保留中心灰度值與其鄰域均值等信息，但是由于考慮了直方圖的所有區(qū)域，部分區(qū)域的噪聲值會(huì)被誤判。結(jié)合截距法的Otsu直方圖見圖4。根據(jù)圖4可知，直線在移動(dòng)的過程中，遠(yuǎn)離主對(duì)角線部分的n1，n2中的噪聲也會(huì)被分類到目標(biāo)區(qū)域和背景區(qū)域中，因此可能無法獲得最佳閾值，仍然需要提高算法的抗噪能力。

圖4 結(jié)合截距法的Otsu直方圖投影Fig. 4 Otsu histogram projection combined with intercept method

為了減少噪聲對(duì)閾值選取的影響，本文引入人工蜂群算法[21]（artificial bee colont optimization，ABCO）自動(dòng)獲取全局最優(yōu)閾值。目標(biāo)值函數(shù)為類間方差計(jì)算函數(shù)，見式（12）。人工蜂群算法的適應(yīng)值函數(shù)fit為閾值選取函數(shù)，見式（13）。每個(gè)解的位置對(duì)應(yīng)的目標(biāo)值均代表一個(gè)閾值t。通過多次迭代獲得解的最佳位置，即為目標(biāo)值函數(shù)的最大值，從而獲得最佳閾值t。

高教強(qiáng)國(guó)“中國(guó)模式”是立足中國(guó)高等教育實(shí)際的自主發(fā)展歷程，有著區(qū)別于西方高等教育的獨(dú)特發(fā)展邏輯，其主要特征是中國(guó)特色與全球視野的融合，體現(xiàn)出高教強(qiáng)國(guó)“中國(guó)模式”的中國(guó)和國(guó)際兩個(gè)維度的時(shí)代價(jià)值。

尋找最佳閾值的流程如圖5所示。

圖5 人工蜂群算法流程圖Fig. 5 Artificial bee colony algorithm flow chart

步驟1：根據(jù)式（14）隨機(jī)初始化種群。

式中：xid代表第i個(gè)解（i=1,2,···,N），可用一個(gè)d維向量表示；ud和ld分別代表取值范圍的上限和下限。

步驟2：雇傭蜂根據(jù)式（15）搜索可能的解，然后根據(jù)式（13）確定適應(yīng)值，利用貪心策略選擇較好解并向跟隨蜂分享該解的信息。

式中：j=1,2,···,d；k=1,2,···,N，j≠k，且都為隨機(jī)數(shù)；ε是[–1, 1]之間的隨機(jī)數(shù)。

步驟3：跟隨蜂根據(jù)式（16）計(jì)算跟隨該解的概率。

式中：fit(i)表示第i個(gè)食物源的適應(yīng)值；PN代表食物源的個(gè)數(shù)。

步驟4：類似雇傭蜂的行為，跟隨蜂根據(jù)公式（15）搜索可能的解，依次計(jì)算適應(yīng)值并從中選擇較好解。

步驟5：判斷跟隨蜂選取的解是否需要舍棄。如果因陷入局部最優(yōu)時(shí)需要舍棄，則根據(jù)公式（17）生成偵查蜂隨機(jī)尋找新解；否則記錄當(dāng)前的最優(yōu)解。當(dāng)達(dá)到最大迭代次數(shù)時(shí)輸出最優(yōu)解。

式中：xmin,j，xmax,j分別為第j維的最小值和最大值。

3 實(shí)驗(yàn)驗(yàn)證與分析

3.1 輸電導(dǎo)線圖像邊緣檢測(cè)結(jié)果

對(duì)照傳統(tǒng)Canny算法和相關(guān)文獻(xiàn)算法驗(yàn)證本文算法，其邊緣檢測(cè)效果如圖6所示（圖中加入了δ=0.03高斯噪聲，圖6（a）來源于文獻(xiàn)[22]）。由結(jié)果可以看出：傳統(tǒng)Canny算子在進(jìn)行導(dǎo)線的邊緣檢測(cè)時(shí)會(huì)丟失大量導(dǎo)線邊緣信息且容易受到噪聲影響。文獻(xiàn)[23]算法在閾值選取時(shí)使用一維Otsu算法改進(jìn)。該算法對(duì)導(dǎo)線進(jìn)行邊緣檢測(cè)時(shí)獲取到了導(dǎo)線的邊緣信息，但是提取出的導(dǎo)線邊緣部分區(qū)域存在不連貫現(xiàn)象，并且受到了噪聲干擾，影響實(shí)驗(yàn)結(jié)果。利用文獻(xiàn)[14]的Otsu-PSO改進(jìn)算法選取閾值。該算法檢測(cè)效果進(jìn)一步提升，但出現(xiàn)單邊有間斷和小部分邊界值丟失的情況，且局部依然受到噪聲干擾的影響。本文的改進(jìn)算法在以上算法的基礎(chǔ)上加強(qiáng)了對(duì)細(xì)節(jié)的檢測(cè)效果，使其能有效避免噪聲對(duì)導(dǎo)線提取的影響，提高了導(dǎo)線邊緣提取的完整度。

圖6 導(dǎo)線邊緣檢測(cè)效果Fig. 6 Wire edge detection results

3.2 邊緣檢測(cè)圖像評(píng)價(jià)指標(biāo)

為準(zhǔn)確評(píng)價(jià)本文提出算法的檢測(cè)效果，使用圖像邊緣檢測(cè)的3個(gè)評(píng)價(jià)指標(biāo)進(jìn)行量化比較。

（1）信噪比準(zhǔn)則

均方根誤差（eRMSE）與峰值信噪比[24]（ePSNR）在圖像檢測(cè)領(lǐng)域中通常用于評(píng)判圖像的噪聲水平。eRMSE值越低，ePSNR值越高，圖像的降噪效果越優(yōu)秀。

各算法的eRMSE與ePSNR值見表3。結(jié)果表明，本文算法的eRMSE達(dá)到了最低值，ePSNR達(dá)到了最高值，在抗噪性上抗噪性上均優(yōu)于其他算法。

表3 信噪比評(píng)價(jià)指標(biāo)Tab. 3 Signal-to-noise ratio evaluation index

（2）定位精度準(zhǔn)則

結(jié)構(gòu)相似性[25]（eSSIM）用于評(píng)估圖像質(zhì)量狀況，可以定量分析檢測(cè)后的圖像與原圖像的相似程度，其由亮度、對(duì)比度和結(jié)構(gòu)3種對(duì)比方式組成。eSSIM值越高，圖像的檢測(cè)精度越精準(zhǔn)，各特征與原圖越接近。

計(jì)算結(jié)果見表4。由結(jié)果可以看出，本文算法準(zhǔn)確度比其它幾種算法均有所提升。

表4 定位精度評(píng)價(jià)指標(biāo)Tab. 4 Positioning accuracy evaluation index

（3）單一邊緣響應(yīng)準(zhǔn)則

對(duì)每幅圖像分別統(tǒng)計(jì)邊緣檢測(cè)像素總數(shù)A，4連通域數(shù)B，8連通域數(shù)C；并計(jì)算C與A和B的比值關(guān)系，結(jié)果見表 5。當(dāng)C/A值越小時(shí)，提取出的圖像邊緣特征越連貫；當(dāng)C/B值越小時(shí)，單像素邊緣所占比例越大，越符合單一邊緣響應(yīng)準(zhǔn)則[22]。由表5的數(shù)據(jù)可以看出，本文算法的C/A值與C/B值均低于其他算法。

表5 邊緣檢測(cè)數(shù)統(tǒng)計(jì)Tab. 5 Edge detection count statistics

（4）實(shí)驗(yàn)數(shù)據(jù)結(jié)果

對(duì)8張輸電導(dǎo)線圖片分別使用傳統(tǒng)Canny算法、文獻(xiàn)[14,23]算法和本文算法進(jìn)行檢測(cè)，相關(guān)評(píng)價(jià)指標(biāo)的檢測(cè)結(jié)果如圖7所示。

圖7 邊緣檢測(cè)評(píng)價(jià)指標(biāo)的檢測(cè)結(jié)果Fig. 7 Edge detection evaluation index detection results

由圖7可以看出，文獻(xiàn)[14]算法的ePSNR平均值和eSSIM平均值分別為19.613 9和0.943 3，本文算法的ePSNR平均值和eSSIM平均值分別為21.454 2和0.959 4。與文獻(xiàn)[14]算法相比，本文算法的ePSNR平均提高了9.38%，eSSIM平均提高了1.7%，單一邊緣指標(biāo)均有較大提升。

4 結(jié)論

結(jié)合輸電導(dǎo)線圖像處理，本文針對(duì)傳統(tǒng)Canny算子存在模板選取和閾值選取的問題，對(duì)算法進(jìn)行了改進(jìn)，增強(qiáng)了方向模板多樣性和閾值選取自適應(yīng)性。經(jīng)實(shí)驗(yàn)驗(yàn)證，本文改進(jìn)算法在檢測(cè)效果上具有能夠連貫識(shí)別導(dǎo)線邊緣信息、增加邊緣細(xì)節(jié)的特點(diǎn)，同時(shí)抑制了噪聲干擾和虛假邊緣；在閾值選取過程中引入了人工蜂群算法選取閾值后，算法在尋找全局最優(yōu)值方面更具優(yōu)勢(shì)，有利于導(dǎo)線圖像的后續(xù)研究工作。