[发明专利]一种基于对象级马尔可夫随机场的电力线提取方法

说明书

本发明公开了一种基于对象级马尔可夫随机场的电力线提取方法，包括：采用线检测器提取航拍图像中的线型基元并创建线段候选池，通过引入K近邻算法的思想，构建新的非规则非接触邻域系统，在特征场引入线型基元多维上下文信息构建具有引力特性参数的高斯‑马尔可夫模型，在标记场将线型基元之间的角度上下文信息引入局部概率的计算模型中，构建具有各向异性加权惩罚的多级逻辑模型，对电力线进行拟合和连接。该方法提高了多场景下应用的灵活性并兼顾电力线提取的精度。

技术领域

本发明涉及输电线系统故障诊断技术领域，更具体的涉及一种基于对象级马尔可夫随机场的电力线提取方法。

背景技术

近年来，无人机巡检技术因在电力线路巡检工作中具备高机动性、高灵活性和低成本等优势，逐渐成为研究热点。如何在无人机采集的多场景可见光航拍图像中稳定、准确提取电力线，是该技术实现自动化亟待解决的核心难题之一。

电力线走廊环境异常复杂，可能包含多种多样的植被、地形结构和人工建筑等。无人机采集的航拍图像往往具有复杂、多变的背景，导致电力线提取算法在多场景下存在稳定性和灵活性较差、漏检和误检较多等问题。

国内外针对性地先后提出了多种电力线提取算法，根据算法的核心特性可大致分为四大类。1)基于边缘检测算子的电力线提取算法，此类算法结构简单，但算法精度和稳定性较差；2)基于辅助物的电力线提取算法，此类算法受辅助物限制，多场景应用能力较弱。3)基于浅层上下文信息的电力线提取算法，此类算法对上下文信息的建模依然无法脱离先验知识，上下文信息与电力线分类模型的结合方式较为粗糙，未深入挖掘图像像素点或区域之间的多维特征关联，算法的多场景适用性和电力线提取的精度有所欠缺。4)基于深度学习的算法，此类算法目前在电力线图像分类应用相对成熟，在电力线目标提取领域仍处于探索阶段，需要长久理论研究和经验积累。主要原因有以下两个方面：一方面，当前国内外没有公开可用的包含大量样本的样本库和对应真值库；另一方面，电力线是一种相对特殊的目标，受特征图大小的限制，在利用卷积层、池化层等提取特征时，可能出现电力线特征被其周围大量干扰背景特征融合的情况，像素级提取精度难以保证。

发明内容

本发明实施例提供一种基于对象级马尔可夫随机场的电力线提取方法，用以解决上述背景技术中提出的问题。

本发明的目的是提供一种在多种复杂场景下，同时具备高灵活性和高精度的电力线提取方法，满足无人机输电线巡检的自动化需求。

本发明实施例提供一种基于对象级马尔可夫随机场的电力线提取方法，包括：

利用直线检测算法LSD提取输入图像I中线型基元L_i，定义线段候选池L,将，将每一个线型基元L_i作为图模型中的节点V_i，构建非规则的图模型G＝(V,E)，根据各个节点之间的欧式距离，构建非规则非接触邻域系统NS；

利用K-means算法将线型基元划分为k类、并获取初始分割；

根据线型基元间的多维上下文信息，定义对象级高斯-马尔可夫模型的特征线性回归方程、并对特征线性回归方程参数进行估算，然后建立特征线性回归方程程残差项的概率分布模型，完成特征场似然函数的计算；

根据线型基元之间的角度上下文信息，重新定义双点势能函数，构建具有各向异性加权惩罚的多级逻辑模型，获取标记场局部概率分布；

根据最大后验概率准则，得到电力线的初步提取结果，对初步提取结果拟合和连接，获取最终电力线提取结果。

进一步，构建非规则非接触邻域系统NS包括以下步骤：