基于多特征融合与改进霍夫变换电缆检测研究.docVIP

基于多特征融合与改进霍夫变换电缆检测研究 　　摘要：隧道墙体表面存在裂纹、水泥颗粒、施工标准线等干扰，再加上光照的影响，给电缆检测带来很大困难。针对一般算法难以同时克服多种干扰的不足，从电缆边界特征出发，提出用多特征融合和改进霍夫变换相结合的算法确定电缆区域。首先运用背景减除或边缘检测确定感兴趣区域；然后融合图像的梯度、灰度和邻域特征得到边界集合图；最后用一种改进的霍夫变换从边界集合图中将边界提取出来。实验表明，该算法能够适应背景和目标的复杂变化，满足电缆实时检测要求。 　　关键词关键词：边界定位；感兴趣区域；多特征融合；霍夫变换 　　DOIDOI：10.11907/rjdk.171934 　　中图分类号：TP319 　　文献标识码：A文章编号文章编号2017）011019304 　　0引言 　　为保证隧道内电缆没有破损，需要定期对电缆表面及电缆卡扣进行检查，长期以来都由人工进行。受人的眼睛疲劳和情绪影响[1]，不能长期有效地对破损电缆进行排查，研究高效、准确的自动检测技术意义重大。将电缆区域分割出来是实现检测的关键一步，由于隧道墙体表面存在裂纹、水泥颗粒、施工标准线等，且电缆表面亮度分布不均，再加上光照不均及产生的阴影，使得传统方法不能达到理想效果。 　　常用的图像分割[2]有基于边缘的[3]、阈值的[45]、区域的以及特殊理论的方法。基于边缘的分割对噪声敏感，适用于噪声较小且不太复杂的图像[6]。传统的阈值分割一般只考虑像素自身的灰度值，未考虑空间特征对噪声也很敏感这一因素[7]。基于区域的分割方法需手工确定种子点，当分割目标较大时效率不高[8]。基于特殊理论的分割方法主要问题是耗时太长，将其与一些节省时间的算法联合是图像分割的一种趋向[8]。近几年，一些学者提出了一些改进算法。文献[9]中使用结合直方图反投影的多特征目标检测算法进行目标检测，能达到实时检测要求，处理效果也较为理想。不过当目标和背景的灰度、纹理相近时容易出现过分割现象。Akash等[10]提出了一种将萤火虫算法与K均值算法相结合的算法，能够快速有效地分割复杂的多目标图像，但对目标边界识别效果差且受噪声影响较大。 　　虽然墙面和电缆表面复杂多变，但电缆和墙面的分界处灰度较小、梯度较大、领域分布独特。针对这些特点，先将图像经过预处理确定感兴趣区域，然后遍历各像素融合其灰度、梯度、领域特点，将疑似边缘的像素点标记出来。考虑到边界的连续性、平行性及噪声分布分散性，采用霍夫变换将边界提取出来。由于标准霍夫变换耗时较长，不能满足视频图像实时检测要求，故提出一种改进的霍夫变换算法。 　　1霍夫变换 　　霍夫变换是常见的间断边界检测方法，其基本思想是图像空间与参数空间点的对偶性。在图像XY坐标空间中，过点（xi，yi）的直线满足： 　　yi=axi+b（1） 　　其中a、b分别表示斜率和截距。 　　参照图1在标准参数化方式下，式（1）还可表示为： 　　ρ=xicosθ+yisinθ，0≤θ≤π（2） 　　可以看出，在图像空间里共线的点1和2对应于参数空间里相交于点p的两条线。换言之，参数空间中相交的线与图像空间中共线的点相对应。 　　标准霍夫变换将参数空间视为离散，把ρθ平面量化成许多小格，对XY坐标系中的每一个像素点（x，y）依次求出不同θ量化值对应的ρ值，并在对应的量化小格中进行投票。检测量化参数空间中投票结果的峰值，此峰值对应的（ρ，θ）就是图像域中共线点数目最多的直线方程参数。将检测到的峰值及其一定范围内的邻域值清零，然后继续检测，直到检测出所有满足要求的直线为止。这种算法鲁棒性较强、受噪声影响小，但运算量大，在极端情况下，其运算复杂度为O（N3）。 　　图1直线检测中的霍夫变换 　　2改进算法 　　2.1图像预处理 　　综合考虑空域滤波、频域滤波以及双边滤波等多种滤波方式后，本文采用高斯低通滤波器。它是一种根据高斯函数的形状决定权值的线性平滑滤波器，对于滤除呈正态分布的噪声十分有效，适当选取截止频率D0可使滤波效果最佳。 　　3实验结果及性能分析 　　对本算法进行有效性、时效性实验，实验环境为：IntelCorei5，3.20GHz，512G内存，软件环境为MATLAB R2012b。在提取到电缆边界后，对电缆区域进行填充。选取了视频中包含所有干扰类型的第6帧、第237帧和第607帧作为待处理图。将本文算法与文献[9]和文献[10]提出的算法进行对比，见图4、图5、图6。 　　实验结果表明，当背景的灰度、纹理与目标区域相近或噪声较大时，反投影直方图法和萤火虫算法与K均值相结合的算法都不能准确定位目标区域，且识别结果中边界较为粗糙，没能去掉阴影影响，而本文提出的算法处理效果较为理想，能准确对目标