一种基于kapur熵的配电网巡检图像分割方法及系统技术方案

本发明专利技术涉及配电网巡检技术领域，尤其涉及一种基于kapur熵的配电网巡检图像分割方法及系统，该方法不需要任何真值来提取图像中包含的对象。使用了Kapur熵为目标函数，以确定每一代哈里斯鹰种群的适应度。利用Logistic混沌映射对特征向量进行了混沌初始化，增加了解的多样性，能够有效对图像进行预处理，提高后期配电网巡检图像的处理与分析的精度、低误差率和高效性。高效性。高效性。

【技术实现步骤摘要】
一种基于kapur熵的配电网巡检图像分割方法及系统


[0001]本专利技术涉及配电网巡检
，尤其涉及一种基于kapur熵的配电网巡检图像分割方法及系统。

技术介绍

[0002]目前，国内电力行业所普遍采用的线路巡检方式有两种，一种是传统的人工巡检方式，即人工巡视、手工记录的模式，这种方式存在人为因素较多、管理不便等问题；另一种方式是通过深度学习对巡检图像进行训练识别。其中，通过人工对巡检图像进行巡查或通过深度学习进行巡查电力设备故障或缺失情况，虽然可以代替传统的人工巡检，但是人工对巡检图像进行巡查往往效率低下，人力损耗严重。通过深度学习对巡检图像进行巡查电力设备故障往往受制于数据集的大小，结构复杂，分割精度与数据量有关，需要大量的数据集进行训练才能达到一定的分割精度，并且存在计算量大、便携性差、硬件成本较高、模型设计复杂等缺点。

技术实现思路

[0003]本专利技术提供了一种基于kapur熵的配电网巡检图像分割方法及系统，以解决现有技术中存在的问题。
[0004]为了实现上述目的，本专利技术通过如下的技术方案来实现：
[0005]第一方面，本专利技术提供一种基于kapur熵的配电网巡检图像分割方法，包括：
[0006]S1：输入待巡检的配电网无人机巡检彩色图像；
[0007]S2：在每幅彩色图像中分别提取RGB三个通道不同的M
×
N个像素点，每个像素点的灰度值为d
k
，k∈[1，M
×
N]，每个像素点的灰度值取值范围为[0，L
‑
1]，其中M和N分别代表图像中RGB三个通道中像素点的行和列，L表示为灰度值的级数；
[0008]S3：分别对RGB三个通道依次进行选取阈值，并根据阈值进行分割；
[0009]S4：设定分割图像的阈值个数val；
[0010]S5：初始化哈里斯鹰种群算法；
[0011]S6：获取步骤2中图像的灰度值的像素点个数；
[0012]S7：根据灰度值为j的像素点个数，计算每个灰度值对应像素点个数所占像素总数的比例P
j
；
[0013]S8：计算初始化的适应度函数，保存适应度最大值和最优阈值可能解；
[0014]S9：迭代计算N个哈里斯鹰位置；
[0015]S10：判断是否结束迭代过程；
[0016]S11：输出RGB像素点灰度值更新后的图像。
[0017]第二方面，本申请提供一种基于kapur熵的配电网巡检图像分割系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
[0018]有益效果：
[0019]本专利技术提供的基于kapur熵的配电网巡检图像分割方法，不需要任何真值来提取图像中包含的对象。使用了Kapur熵为目标函数，以确定每一代哈里斯鹰种群的适应度。利用Logistic混沌映射对特征向量进行了混沌初始化，增加了解的多样性，能够有效对图像进行预处理，提高后期配电网巡检图像的处理与分析的精度、低误差率和高效性。
附图说明
[0020]图1为本专利技术优选实施例的一种基于kapur熵的配电网巡检图像分割方法的流程图。
具体实施方式
[0021]下面对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]除非另作定义，本专利技术中使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本专利技术中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。
[0023]请参见图1，本申请提供的一种基于kapur熵的配电网巡检图像分割方法，包括：
[0024]S1：输入配电网无人机巡检彩色图像。
[0025]S2：在每幅彩色图像中分别提取RGB三个通道不同的M
×
N个像素点，每个像素点的灰度值为d
k
，k∈[1，M
×
N]，每个像素点的灰度值取值范围为[0，L
‑
1]，其中M和N分别代表图像中RGB三个通道中像素点的行和列，L表示为灰度值的级数。
[0026]S3：分别依次对RGB三个通道采取下述步骤进行分割。
[0027]彩色图像有RGB三个通道，需要对RGB三个通道依次进行选取阈值，并进行分割。
[0028]S4：设定分割图像的阈值个数val。
[0029]图像分割的目标数取决于阈值个数val，val个阈值能将图像分割为val+1个目标，因此分割前需要设定分割图像的阈值个数val，此时种群的维度为val+1。
[0030]S5：初始化哈里斯鹰种群算法。
[0031]随机设置第一个哈里斯鹰的初始位置，通过使用下述公式应用Logistic混沌映射设置剩余的哈里斯鹰：
[0032]f
v+1
＝cf
v
(1
‑
f
v
)，c＝4
[0033]式中，c表示交叉参数，f
v
表示此时第v个哈里斯鹰的初始位置。
[0034]S6：获取图像的灰度值的像素点个数
[0035]根据步骤2中获取的所有像素点和每个像素点的灰度值d
k
，得到灰度值j从0到L
‑
1的所有h
j
，其中h
j
表示灰度值为j的像素点个数，j∈[0，L
‑
1]。
[0036]S7：根据灰度值为j的像素点个数，计算每个灰度值对应像素点个数所占像素总数的比例P
j
：P
j
＝h
j
/(M
×
N)，j∈[0，L
‑
1]，其中M
×
N表示像素点总数，L表示灰度级数。
[0037]S8：计算初始化的适应度函数，保存适应度最大值和最优阈值可能解
[0038]通过将特定特征向量也就是步骤5所初始化的哈里斯鹰种群的位置，作为参数传递给适应度函数来确定哈里斯老鹰队的适应值。
[0039]取步骤5中的N个哈里斯鹰初始位置X0，将第i个哈里斯鹰的初始位置表示为其对应的一组灰度值概率和表示为每组中包含val+1个灰度值概率和，i∈[1，N]，计算过程如下：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于kapur熵的配电网巡检图像分割方法，其特征在于，包括：S1：输入待巡检的配电网无人机巡检彩色图像；S2：在每幅彩色图像中分别提取RGB三个通道不同的M
×
N个像素点，每个像素点的灰度值为d
k
，k∈[1，M
×
N]，每个像素点的灰度值取值范围为[0,L
‑
1]，其中M和N分别代表图像中RGB三个通道中像素点的行和列，L表示为灰度值的级数；S3：分别对RGB三个通道依次进行选取阈值，并根据阈值进行分割；S4：设定分割图像的阈值个数val；S5：初始化哈里斯鹰种群算法；S6：获取步骤2中图像的灰度值的像素点个数；S7：根据灰度值为j的像素点个数，计算每个灰度值对应像素点个数所占像素总数的比例P
j
；S8：计算初始化的适应度函数，保存适应度最大值和最优阈值可能解；S9：迭代计算N个哈里斯鹰位置；S10：判断是否结束迭代过程；S11：输出RGB像素点灰度值更新后的图像。2.根据权利要求1所述的基于kapur熵的配电网巡检图像分割方法，其特征在于，所述S5包括：随机设置第一个哈里斯鹰的初始位置，通过使用下述公式应用Logistic混沌映射设置剩余的哈里斯鹰：f
v+1
＝cf
v
(1
‑
f
v
)，c＝4；式中，c表示交叉参数，f
v
表示此时第v个哈里斯鹰的初始位置。3.根据权利要求1所述的基于kapur熵的配电网巡检图像分割方法，其特征在于，所述S6包括：根据S2中获取的所有像素点和每个像素点的灰度值d
k
，得到灰度值j从0到L
‑
1的所有h
j
,其中h
j
表示灰度值为j的像素点个数，j∈[0,L
‑
1]。4.根据权利要求1所述的基于kapur熵的配电网巡检图像分割方法，其特征在于，所述S7中，计算每个灰度值对应像素点个数所占像素总数的比例P
j
满足如下关系式：P
j
＝h
j
/(M
×
N)，j∈[0,L
‑
1]；式中，M...

【专利技术属性】
技术研发人员：万代，宋兴荣，赵邈，周恒逸，彭思敏，莫文慧，朱吉然，张志丹，段绪金，李金亮，羿敏，杨淼，黄志鸿，唐海国，张帝，周可慧，梁冠萱，王邹俊，邓威，陈伟，由凯，
申请(专利权)人：国网湖南省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：