一种输电线分割方法、装置、电子设备及存储介质与流程

1.本发明涉及线路检测技术领域，尤其涉及一种输电线分割方法、装置、电子设备及存储介质。


背景技术：

2.输电线是电网的重要部件，是电力输送的动脉。外力破坏、气象灾害、线路老化等因素造成的输电线损坏，严重威胁电网的稳定运行。
3.现有技术通常通过无人机或巡线机器人对输电线进行自动巡检，以维护管养输电线。输电线分割，即在图像中逐像素区分输电线和背景，从而得到像素级分割的二值图，是实现输电线识别、定位、参数测量、缺陷识别的前提。现有的输电线分割或检测方法包括数字图像处理算法和深度学习算法。
4.然而，传统的数字图像处理算法通常采用边缘检测和霍夫直线检测，在输电线背景复杂的条件下，算法鲁棒性不佳；深度学习算法计算量较大，数据标注成本高，不适用于部署在巡检无人机或巡线机器人上。在输电线背景复杂或弧垂时，通过现有技术无法对输电线进行有效分割。


技术实现要素：

5.本发明提供了一种输电线分割方法、装置、电子设备及存储介质，可以提高输电线分割结果的鲁棒性和准确性，且不依赖大量训练数据。
6.第一方面，本发明实施例提供了一种输电线分割方法，包括：
7.获取待分割输电线对应的原始图像，对原始图像进行预处理，得到待分割输电线对应的目标图像；
8.提取目标图像的图像特征，根据图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图；
9.根据颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定待分割输电线对应的目标视觉显著图；
10.采用条件随机场算法crf，对目标视觉显著图进行处理，得到输电线的分割结果。
11.第二方面，本发明实施例还提供了一种输电线分割装置，包括：
12.预处理模块，用于获取待分割输电线对应的原始图像，对原始图像进行预处理，得到待分割输电线对应的目标图像；
13.特征提取模块，用于提取目标图像的图像特征，根据图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图；
14.显著图融合模块，用于根据颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定待分割输电线对应的目标视觉显著图；
15.显著图后处理模块，用于采用条件随机场算法crf，对目标视觉显著图进行处理，得到输电线的分割结果。
16.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
17.至少一个处理器；以及
18.与至少一个处理器通信连接的存储器；其中，
19.存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例提供的输电线分割方法。
20.第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的输电线分割方法。
21.本发明实施例提供的技术方案，通过获取待分割输电线对应的原始图像，对原始图像进行预处理，得到待分割输电线对应的目标图像，提取目标图像的图像特征，根据图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，根据颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定待分割输电线对应的目标视觉显著图，采用条件随机场算法crf，对目标视觉显著图进行处理，以根据处理结果确定输电线的分割结果的技术手段，解决了在复杂背景和输电线弧垂状态下，输电线分割鲁棒性不佳的问题，可以提高输电线分割的准确性。
22.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
23.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1是根据本发明实施例一提供的一种输电线分割方法的流程图；
25.图2a是根据本发明实施例二提供的另一种输电线分割方法的流程图；
26.图2b是根据本发明实施例二提供的一种颜色特征视觉显著图确定方法的流程图；
27.图2c是根据本发明实施例二提供的一种结构特征视觉显著图确定方法的流程图；
28.图2d是根据本发明实施例二提供的一种纹理特征视觉显著图确定方法的流程图；
29.图3是根据本发明实施例三提供的一种输电线分割装置的结构示意图；
30.图4是根据本发明实施例四提供的一种输电线分割方法的电子设备的结构示意图。
具体实施方式
31.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
32.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
33.实施例一
34.图1为本发明实施例一提供的一种输电线分割方法的流程图，本实施例可适用于对输电线进行分割的情况，该方法可以由输电线分割装置来执行，该输电线分割装置可以采用硬件和/或软件的形式实现，该输电线分割装置可配置于电子设备中。
35.如图1所示，本实施例公开的一种输电线分割方法包括：
36.s110、获取待分割输电线对应的原始图像，对原始图像进行预处理，得到待分割输电线对应的目标图像。
37.在本实施例中，原始图像可以是图像采集设备获取的未经处理的图像。预处理可以是对原始图像进行降噪处理。目标图像可以是对原始图像进行降噪处理后的图像。具体的，预处理方法可以为中值滤波算法。
38.s120、提取目标图像的图像特征，根据图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图。
39.在本实施例中，可选的，图像特征包括待分割输电线对应的颜色、结构和纹理等方面的特征。
40.在此步骤中，可选的，提取到待分割输电线的目标图像特征后，可以采用预设的图像处理算法，分别对所述待分割输电线的颜色特征、结构特征以及纹理特征进行处理，得到颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图。
41.s130、根据颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定待分割输电线对应的目标视觉显著图。
42.在本实施例中，目标视觉显著图可以是采用空间域或变换域等方法，对颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图进行融合得到的视觉显著图。
43.s140、采用crf算法，对目标视觉显著图进行处理，以根据处理结果确定输电线的分割结果。
44.在本实施例中，条件随机场(conditional random field，crf)算法可以是一种用于标志和划分序列结构数据的概率化结构模型。在采用crf算法对目标视觉显著图进行处理后，得到的处理结果中包括待分割输电线与背景的分割结果。
45.具体的，在确定了待分割输电线对应的目标视觉显著图之后，通过采用crf算法，对目标视觉显著图进行处理，可以使得目标视觉显著图中的输电线与图像背景的分割边界更加平滑和准确。
46.在此步骤中，可选的，获取到目标视觉显著图的处理结果后，可以直接根据所述处理结果计算输电线的中心线、端点等关键信息；或者可以将所述处理结果传输至下游计算系统，通过下游计算系统根据所述处理结果，对输电线进行分析，得到更丰富的信息，如输电线缺陷、异常信息。对此，本实施例并不进行限制。
47.本实施例的技术方案，通过提取目标图像的颜色、结构和纹理特征，根据各图像特征，确定待分割输电线对应的颜色、结构和纹理特征的视觉显著图，将上述视觉显著图融合成目标视觉显著图，并采用crf算法处理上述目标视觉显著图的技术手段。首先，相比于采用边缘检测和霍夫直线检测的数字图像处理算法，解决了在复杂背景和输电线弧垂状态下分割或检测鲁棒性不佳的问题，提高了输电线分割结果的准确性；其次，相比于深度学习算法，减少了对人工标注数据的依赖，节约了输电线分割的成本；减少了对硬件算力的依赖，适合部署在巡检无人机和巡检机器人等移动设备上，扩大了输电线分割的范围。
48.本实施例的技术方案，通过获取待分割输电线对应的原始图像，对原始图像进行预处理，得到待分割输电线对应的目标图像，提取目标图像的图像特征，根据图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，根据颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定待分割输电线对应的目标视觉显著图，采用crf算法，对目标视觉显著图进行处理，得到输电线的分割结果的技术手段，解决了在输电线背景复杂的情况下，无法准确分割输电线的问题，提高了输电线分割的稳定性和精确度。
49.实施例二
50.图2a为本发明实施例二提供的另一种输电线分割方法的流程图，本实施例是基于上述各实施例的进一步优化与扩展，并可以与上述实施方式中各个可选技术方案结合。
51.如图2a所示，本实施例公开的一种输电线分割方法包括：
52.s210、获取待分割输电线对应的原始图像，对原始图像进行预处理，得到待分割输电线对应的目标图像。
53.s220、提取目标图像的图像特征，根据图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图。
54.在本发明实施例的一个可选实施方式中，图2b是本实施例提供的一种颜色特征视觉显著图确定方法的流程图。如图2b所示，提取目标图像的图像特征，根据图像特征确定待分割输电线对应的颜色特征视觉显著图，包括s221-s223，其中：
55.s221、对目标图像进行灰度化处理，并将处理后的目标图像输入至脉冲耦合神经网络。
56.在本实施例中，灰度化处理，用于将一幅彩色图像转换为灰度图像。灰度图像上每个像素的颜色值又称为灰度，可以是黑白图像中的颜色深度。颜色深度的范围一般从0到255，例如，白色为255，黑色为0。
57.具体的，对于目标图像的每个像素，可以通过计算每个像素的红、绿和蓝颜色分量的加权和，得到每个像素的灰度值。计算公式为：
58.grey＝0.2989
×
r+0.5870
×
g+0.1140
×b59.其中，grey为像素灰度值，r为红色分量值，g为绿色分量值，b为蓝色分量值。
60.s222、通过脉冲耦合神经网络，对目标图像中的特征进行提取，并根据特征提取结果输出图像处理结果。
61.在本实施例中，特征提取结果可以是提取目标图像中呈现高亮度的物体。图像处理结果可以是保留图像中较亮物体，并抑制图像中较暗物体的图像。
62.s223、根据图像处理结果，以及目标图像中每个像素在不同颜色分量下对应的方
差值，确定待分割输电线对应的颜色特征视觉显著图。
63.在本实施例中，可以根据待分割输电线的灰白色特征，利用目标图像中每个像素对应的红、绿和蓝各颜色分量的方差值，抑制目标图像中的非灰像素，从而进一步突出目标图像中的输电线，得到目标图像的颜色特征视觉显著图，具体的计算公式为：
[0064][0065]
其中，sc为颜色特征视觉显著图，i
p
为灰度化处理后的目标图像，sc(i)和i
p
(i)分别表示sc和i
p
中第i个像素的值。r(i)、g(i)和b(i)分别表示目标图像中第i个像素的r、g和b颜色分量值。μ(i)为r(i)、g(i)和b(i)的均值，m为可以调整大小的超参数，∈可以是值很小的非零常数，用于避免上述公式的分母为零。
[0066]
在本发明实施例的另一可选实施方式中，图2c是本实施例提供的一种结构特征视觉显著图确定方法的流程图。如图2c所示，确定待分割输电线对应的结构特征视觉显著图，包括s224-s226，其中：
[0067]
s224、对目标图像进行灰度化处理，得到处理后的目标图像。
[0068]
s225、根据目标图像中，每个像素的像素值以及邻域像素的像素值，确定每个像素对应的相对总变差(relative total variation，rtv)。
[0069]
在本实施例中，在灰度化后的目标图像中，邻域像素可以是某一像素对应邻域中的像素。
[0070]
在此步骤中，可选的，可以对每个像素的像素值以及邻域像素的像素值，进行线性或非线性处理，得到每个像素对应的rtv。
[0071]
在本实施例的一个实施方式中，根据目标图像中，每个像素的像素值以及邻域像素的像素值，确定每个像素对应的相对总变差，包括：根据目标图像中，每个像素的像素值以及邻域像素的像素值，确定每个像素与邻域像素之间的欧式距离；根据每个像素与邻域像素之间的欧式距离，以及邻域像素在结构特征视觉显著图中对应的预设像素值，确定每个像素对应的水平总变差、竖直总变差、水平固有变差和竖直固有变差；根据每个像素对应的水平总变差、竖直总变差、水平固有变差和竖直固有变差，确定每个像素对应的相对总变差。
[0072]
具体的，在结构特征视觉显著图中，第i个像素处的水平总变差通过下述计算公式得到：
[0073][0074]
第i个像素处的竖直总变差通过下述计算公式得到：
[0075][0076]
第i个像素处的水平固有变差，可以通过下述计算公式得到：
[0077][0078]
第i个像素处的竖直固有变差，可以通过下述计算公式得到：
[0079][0080]
其中，i为灰度化后的目标图像，ss为结构特征视觉显著图，i(i)为i上的第i个像素，ss(i)为ss上的第i个像素，ni为第i个像素的邻域。de(i,j)为第i个像素和第j个像素之间的欧式距离。
[0081]
在一个具体的实施例中所述欧式距离还可以用余弦相似度或曼哈顿距离进行替代，本实施例对此并不进行限制。σ为可根据实际情况调节的超参数。
[0082]
在结构特征视觉显著图中，第i个像素处的相对总变差rtv(i)的计算公式为：
[0083][0084]
其中，tvh(i)为水平总变差，tvv(i)为竖直总变差，ivh(i)为水平固有变差，ivv(i)为竖直固有变差，∈可以为值很小的非零常数，用于避免上述公式的分母为零。
[0085]
s226、根据每个像素在结构特征视觉显著图中对应的预设像素值、每个像素在目标图像中对应的像素值，以及每个像素对应的相对总变差，确定待分割输电线对应的结构特征视觉显著图。
[0086]
具体的，结构特征视觉显著图ss通过下述计算公式得到：
[0087][0088]
其中，λ为相对总变差的加权系数。
[0089]
在本发明的实施例中，待分割输电线通常具有平滑的边缘，该结构特征区别于地面、树林和书面等背景。通过目标图像灰度化，根据目标图像中，每个像素的像素值以及邻域像素的像素值，确定每个像素对应的相对总变差，根据每个像素在结构特征视觉显著图中对应的预设像素值、每个像素在目标图像中对应的像素值，以及每个像素对应的相对总变差，确定待分割输电线对应的结构特征视觉显著图的技术手段，抑制了目标图像中边缘不平滑的结构特征，保留输电线的结构特征，提高了输电线结构特征分割的准确性。
[0090]
在本发明实施例的又一可选实施方式中，图2d是本实施例提供的一种纹理特征视觉显著图确定方法的流程图。如图2d所示，确定待分割输电线对应的纹理特征视觉显著图，包括s227-s229，其中：
[0091]
s227、确定目标图像中每个像素对应的特征向量，对全部像素对应的特征向量进行聚类，得到多个聚类簇。
[0092]
在本实施例中，特征向量可以是将目标图像中每个像素的像素值向量化得到的向量。聚类簇可以是一组包括类似的数据对象的集合。
[0093]
示例性的，可以根据目标图像中像素的像素值，采用词袋模型确定每个像素对应的特征向量，然后利用k-均值聚类算法，对每个像素对应的特征向量进行聚类，获得k个聚
类簇。
[0094]
s228、确定每个特征向量针对各聚类簇的所属概率，根据概率生成多个纹理特征分布图。
[0095]
在此步骤中，具体的，可以通过下述公式得到每个特征向量针对各聚类簇的所属概率p(ck|ni)：
[0096][0097]
其中，为第k个聚类簇的中心向量；δ为超参数，可以根据实际情况调节；表示ni到ck的余弦距离。ni为每个像素的像素值对应的特征向量。
[0098]
s229、根据多个纹理特征分布图，确定待分割输电线对应的纹理特征视觉显著图。
[0099]
在此步骤中，可选的，可以对多个纹理特征分布图进行融合操作，得到待分割输电线对应的纹理特征视觉显著图。
[0100]
在本实施例的一个实施方式中，根据多个纹理特征分布图，确定待分割输电线对应的纹理特征视觉显著图，包括：根据目标图像中每个像素对应的水平坐标和竖直坐标，确定每个纹理特征分布图对应的水平方差和竖直方差；根据每个纹理特征分布图对应的水平方差和竖直方差，确定每个纹理特征分布图对应的空间方差；根据多个纹理特征分布图分别对应的空间方差，确定待分割输电线对应的纹理特征视觉显著图。
[0101]
具体的，第k张纹理特征分布图对应的水平方差的计算公式为：
[0102][0103]
第k张纹理特征分布图对应的竖直方差的计算公式为：
[0104][0105]
其中，n表示目标图像的像素总数，xi为第i个像素在目标图像中的水平坐标，yi为第i个像素在目标图像中的竖直坐标。
[0106]
第k张纹理特征分布图的空间方差的计算公式为：
[0107]
v(k)＝vhk+v
vk[0108]
其中，vhk为第k张纹理特征分布图水平方差，vvk为第k张纹理特征分布图竖直方差。
[0109]
电子设备可以通过将v(k)归一到[0,1]，计算k张纹理特征分布图的加权融合结果，加权融合结果即为纹理特征视觉显著图s
t
，s
t
的计算公式为：
[0110][0111]
在本发明的实施例中，输电线通常具有螺旋状纹理，通过根据目标图像中每个像素对应的水平坐标和竖直坐标，确定每个纹理特征分布图对应的水平方差和竖直方差；根据每个纹理特征分布图对应的水平方差和竖直方差，确定每个纹理特征分布图对应的空间方差；根据多个纹理特征分布图分别对应的空间方差，确定待分割输电线对应的纹理特征视觉显著图的技术手段，抑制目标图像中非螺旋状纹理的物体，保留输电线的纹理特征，提
高了输电线分割的准确性。
[0112]
s230、按照预设的加权比例，对颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图进行求和，得到待分割输电线对应的目标视觉显著图。
[0113]
在本实施例中，目标视觉显著图可以是颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图融合后的视觉显著图。
[0114]
具体的，可以将颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图分别归一化到[0,1]，再进行加权求和，得到融合后的视觉显著图sf，计算公式如下所示：
[0115]
sf＝α
·
sc+β
·ss
+γ
·st
[0116]
其中，sc为颜色特征视觉显著图，ss为结构特征视觉显著图，s
t
为纹理特征视觉显著图。α、β和γ分别为sc、ss和s
t
的加权系数。
[0117]
s240、采用crf算法，对目标视觉显著图进行处理，以根据处理结果确定输电线的分割结果。
[0118]
在输电线分割的过程中，上述可选实施方式s221、s224、s227的执行顺序不分先后，即可以优先确定待分割输电线的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图中的任何一个，本实施例不作具体限定。
[0119]
本实施例的技术方案，通过目标图像灰度化，根据灰度图像，提取灰度图像中的颜色、结构和纹理特征，确定颜色、结构和纹理特征的视觉显著图，按照预设的加权比例，对颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图进行求和，得到待分割输电线对应的目标视觉显著图，采用crf算法，对目标视觉显著图进行处理，得到输电线的分割结果的技术手段，解决了在不同场景、不同光照条件下，输电线分割的稳定性和准确性不佳的问题。通过构建颜色、纹理和结构等不同特征下的视觉显著图，并对上述视觉显著图进行融合和后处理操作，为输电线工作状态的自动识别等下游任务提供便利。
[0120]
实施例三
[0121]
图3为本发明实施例三提供的一种输电线分割装置的结构示意图，本实施例可适用于对输电线进行分割的情况，该输电线分割装置可以采用硬件和/或软件的形式实现，并可配置于电子设备中。
[0122]
如图3所示，本实施例公开的输电线分割装置包括：
[0123]
预处理模块31，用于获取待分割输电线对应的原始图像，对原始图像进行预处理，得到待分割输电线对应的目标图像；
[0124]
特征提取模块32，用于提取目标图像的图像特征，根据图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图；
[0125]
显著图融合模块33，用于根据颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定待分割输电线对应的目标视觉显著图；
[0126]
显著图后处理模块34，用于采用crf算法，对目标视觉显著图进行处理，得到输电线的分割结果。
[0127]
本实施例中的技术方案，通过提取目标图像的颜色、结构和纹理特征，根据各图像特征，确定待分割输电线对应的颜色、结构和纹理特征的视觉显著图，将上述视觉显著图融合成目标视觉显著图，并采用crf算法处理上述目标视觉显著图的技术手段，区别于采用边
缘检测和霍夫直线检测的数字图像处理算法。解决了在采用数字图像处理算法分割或检测输电线时，算法鲁棒性不佳的问题，提高了输电线分割结果的准确性。本实施例的技术方案，相对于深度学习算法，减少了对人工标注数据的依赖，节约了输电线分割的成本；减少了对硬件算力的依赖，适合部署在巡检无人机和巡检机器人等移动设备上，扩大了输电线分割的范围。
[0128]
可选的，特征提取模块32包括颜色特征提取子模块，该子模块包括：
[0129]
灰度化处理单元，对目标图像进行灰度化处理，并将处理后的目标图像输入至脉冲耦合神经网络；
[0130]
图像处理单元，通过脉冲耦合神经网络，对目标图像中的特征进行提取，并根据特征提取结果输出图像处理结果；
[0131]
颜色视觉显著图确定单元，根据图像处理结果，以及目标图像中每个像素在不同颜色分量下对应的方差值，确定待分割输电线对应的颜色特征视觉显著图。
[0132]
可选的，特征提取模块32包括结构特征提取子模块，该子模块包括：
[0133]
目标图像处理单元，用于对目标图像进行灰度化处理，得到处理后的目标图像；
[0134]
相对总变差确定单元，用于根据目标图像中，每个像素的像素值以及邻域像素的像素值，确定每个像素对应的相对总变差；
[0135]
结构视觉显著图确定单元，用于根据每个像素在结构特征视觉显著图中对应的预设像素值、每个像素在目标图像中对应的像素值，以及每个像素对应的相对总变差，确定待分割输电线对应的结构特征视觉显著图。
[0136]
可选的，相对总变差确定单元，包括：
[0137]
距离确定子单元，用于根据目标图像中，每个像素的像素值以及邻域像素的像素值，确定每个像素与邻域像素之间的欧式距离；
[0138]
变差确定子单元，用于根据每个像素与邻域像素之间的欧式距离，以及邻域像素在结构特征视觉显著图中对应的预设像素值，确定每个像素对应的水平总变差、竖直总变差、水平固有变差和竖直固有变差；
[0139]
相对总变差确定子单元，用于根据每个像素对应的水平总变差、竖直总变差、水平固有变差和竖直固有变差，确定每个像素对应的相对总变差。
[0140]
可选的，特征提取模块32包括纹理特征提取子模块，该子模块包括：
[0141]
聚类簇确定单元，用于确定目标图像中每个像素对应的特征向量，对全部像素对应的特征向量进行聚类，得到多个聚类簇；
[0142]
纹理分布图确定单元，确定每个特征向量针对各聚类簇的所属概率，根据概率生成多个纹理特征分布图；
[0143]
纹理视觉显著图确定单元，根据多个纹理特征分布图，确定待分割输电线对应的纹理特征视觉显著图。
[0144]
可选的，纹理视觉显著图确定单元，包括：
[0145]
水平和竖直方差确定子单元，用于根据目标图像中每个像素对应的水平坐标和竖直坐标，确定每个纹理特征分布图对应的水平方差和竖直方差；
[0146]
空间方差确定子单元，根据每个纹理特征分布图对应的水平方差和竖直方差，确定每个纹理特征分布图对应的空间方差；
[0147]
纹理视觉显著图确定子单元，用于根据多个纹理特征分布图分别对应的空间方差，确定待分割输电线对应的纹理特征视觉显著图。
[0148]
可选的，显著图融合模块33，包括：
[0149]
加权求和单元，用于按照预设的加权比例，对颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图进行求和，得到待分割输电线对应的目标视觉显著图。
[0150]
本发明实施例所提供的输电线分割装置可执行本发明任意实施例所提供的输电线分割方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本技术任意方法实施例中的描述。
[0151]
实施例四
[0152]
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0153]
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0154]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0155]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如输电线分割方法。
[0156]
在一些实施例中，输电线分割方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的输电线分割方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行输电线分割方法。
[0157]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实
现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0158]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0159]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0160]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0161]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0162]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0163]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0164]
上述具体实施方式，并不构成对本发明保护范围的限制。本邻域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种输电线分割方法，其特征在于，所述方法包括：获取待分割输电线对应的原始图像，对所述原始图像进行预处理，得到所述待分割输电线对应的目标图像；提取所述目标图像的图像特征，根据所述图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图；根据所述颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定待分割输电线对应的目标视觉显著图；采用条件随机场算法crf，对所述目标视觉显著图进行处理，以根据处理结果确定输电线的分割结果。2.根据权利要求1所述的方法，其特征在于，提取所述目标图像的图像特征，根据所述图像特征确定待分割输电线对应的颜色特征视觉显著图，包括：对所述目标图像进行灰度化处理，并将处理后的目标图像输入至脉冲耦合神经网络；通过所述脉冲耦合神经网络，对所述目标图像中的特征进行提取，并根据特征提取结果输出图像处理结果；根据所述图像处理结果，以及目标图像中每个像素在不同颜色分量下对应的方差值，确定待分割输电线对应的颜色特征视觉显著图。3.根据权利要求1所述的方法，其特征在于，确定待分割输电线对应的结构特征视觉显著图，包括：对所述目标图像进行灰度化处理，得到处理后的目标图像；根据所述目标图像中，每个像素的像素值以及邻域像素的像素值，确定每个像素对应的相对总变差；根据每个像素在结构特征视觉显著图中对应的预设像素值、每个像素在目标图像中对应的像素值，以及每个像素对应的相对总变差，确定待分割输电线对应的结构特征视觉显著图。4.根据权利要求3所述的方法，其特征在于，根据所述目标图像中，每个像素的像素值以及邻域像素的像素值，确定每个像素对应的相对总变差，包括：根据所述目标图像中，每个像素的像素值以及邻域像素的像素值，确定每个像素与邻域像素之间的欧式距离；根据每个像素与邻域像素之间的欧式距离，以及邻域像素在结构特征视觉显著图中对应的预设像素值，确定每个像素对应的水平总变差、竖直总变差、水平固有变差和竖直固有变差；根据每个像素对应的水平总变差、竖直总变差、水平固有变差和竖直固有变差，确定每个像素对应的相对总变差。5.根据权利要求1所述的方法，其特征在于，确定待分割输电线对应的纹理特征视觉显著图，包括：确定目标图像中每个像素对应的特征向量，对全部像素对应的特征向量进行聚类，得到多个聚类簇；确定每个特征向量针对各聚类簇的所属概率，根据所述概率生成多个纹理特征分布图；
根据所述多个纹理特征分布图，确定待分割输电线对应的纹理特征视觉显著图。6.根据权利要求5所述的方法，其特征在于，根据所述多个纹理特征分布图，确定待分割输电线对应的纹理特征视觉显著图，包括：根据所述目标图像中每个像素对应的水平坐标和竖直坐标，确定每个纹理特征分布图对应的水平方差和竖直方差；根据每个纹理特征分布图对应的水平方差和竖直方差，确定每个纹理特征分布图对应的空间方差；根据多个纹理特征分布图分别对应的空间方差，确定待分割输电线对应的纹理特征视觉显著图。7.根据权利要求1所述的方法，其特征在于，根据所述颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定待分割输电线对应的目标视觉显著图，包括：按照预设的加权比例，对所述颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图进行求和，得到待分割输电线对应的目标视觉显著图。8.一种输电线分割装置，其特征在于，所述装置包括：预处理模块，用于获取待分割输电线对应的原始图像，对所述原始图像进行预处理，得到所述待分割输电线对应的目标图像；特征提取模块，用于提取所述目标图像的图像特征，根据所述图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图；显著图融合模块，用于根据所述颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定分割测输电线对应的目标视觉显著图；显著图后处理模块，用于采用条件随机场算法crf，对所述目标视觉显著图进行处理，得到输电线的分割结果。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的输电线分割方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的输电线分割方法。

技术总结
本发明实施例公开了一种输电线分割方法、装置、电子设备及存储介质，包括：获取待分割输电线对应的原始图像，对原始图像进行预处理，得到待分割输电线对应的目标图像；提取目标图像的图像特征，根据图像特征确定待分割输电线对应的颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图；根据颜色特征视觉显著图、结构特征视觉显著图，以及纹理特征视觉显著图，确定待分割输电线对应的目标视觉显著图；采用CRF算法，对目标视觉显著图进行处理，以根据处理结果确定输电线的分割结果。本发明实施例的技术方案可以实现在输电线背景复杂的条件下，准确地将输电线从背景中分割出来，提高了输电线分割结果的鲁棒性，且无需大量训练数据训练算法。量训练数据训练算法。量训练数据训练算法。


技术研发人员：乔嘉赓 杨帆 钟红 贾恒杰 洪焕森 沈卫彬 徐伟青
受保护的技术使用者：广东电网有限责任公司韶关供电局
技术研发日：2023.04.13
技术公布日：2023/7/12