基于多特征融合与改进霍夫变换的电缆检测研究

于书盼+韩彦芳

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：16727800（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，能准确对目标区域进行定位且抗噪能力较强。

为验证算法的时效性，选取该视頻中具有代表性的第6、51、159、237、652帧进行时间性能分析，表1为标准霍夫变换与改进霍夫变换运算时间对比结果。

可见改进的霍夫变换在直线提取部分所耗时间比标准霍夫变换大大降低。另外，边界提取前一部分平均用时为24ms，提取边界总用时为35～45ms左右，对于20帧/s的采样速率，能满足实际工程需求。

4结语

本文针对复杂背景下仅靠单一特征无法将目标区域准确检测的问题，采用了多特征融合的方式，先将目标边界点尽可能显示出来，再从中提取出所需边界。在提取边界线时，针对标准霍夫变换耗时太多的问题，提出一种基于分块的两点表决式霍夫变换，使其达到实时检测要求。实验结果表明，本文提出的算法对复杂墙面背景电缆的检测比一般算法在检测效果上有很大提升，能满足实时检测的工程需求。

参考文献参考文献：endprint

[1]韩芳芳.表面缺陷视觉在线检测关键技术研究[D].天津：天津大学，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]杨陶，田怀文，刘晓敏，等.基于边缘检测与Otsu的图像分割算法研究[J].计算机工程，2016，42（11）：255260.

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

[6]高朝阳，张太发，曲亚男.图像边缘检测研究进展[J].科技导报，2010，28（20）：112117.

[7]许新征，丁世飞，史忠植，等.图像分割的新理论和新方法[J].电子学报，2010（2A）：7682.

[8]张博.基于边缘检测的细胞图像分割方法研究与实现[D].武汉：武汉大学，2011.

[9]苏延召，李艾华，金广智，等.简单结合直方图反投影的多特征运动阴影检测算法[J].光电子激光，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，王运琼，游志胜.简单有效的运动汽车投影阴影分割算法[J].光学学报，2007，27（5）：835840.

责任编辑（责任编辑：杜能钢）endprint