文档介绍：李建国,李幸汶,卜祥洲,陈涛(;)摘要:水珠识别分析方法是利用数字图像处理及模式识别技术实现,本文简要说明了水珠通过边缘检测实现模式识别和计算的原理。同时,着重讨论了水珠识别过程中的噪声识别算法,详尽地阐述了识别过程中的阈值选取方法。此应用表明了算法的实时性好,可靠性高,能很好地满足工业生产和检测要求,大大提高了水珠识别的自动化与智能化。关键词:水珠识别边缘检测边缘轮廓引言图像识别是计算机视觉领域的一个非常活跃的课题。近几年来人们对图像识别做了大量的研究,提出了很多种算法和方法,但电力行业应用的相对较少。传统的图像识别方法已不能满足高精度,高效率的要求。电力输配电企业对绝缘子的憎水性要求较高,因为其憎水性直接决定着绝缘子绝缘性能的好坏,并可以减少高压电击穿和污闪故障的发生。因绝缘子的憎水性变差而导致泄漏电流的增加,大大提高了输配电线路的安全隐患。因此,迫切需要提高绝缘子憎水性能安全检测的手段,实现检测的自动化和智能化。目前,检测系统都是拆卸绝缘子并通过实验室法进行测试,不能实现在线检测。D取像得到的图像,核心功能是水珠识别算法,算法的不同就决定了检测效果有很大的差别。那么,设计一个既快速又稳定的水珠识别算法,对水珠识别来说具有十分重要的意义。本文就是在如何准确提取水珠面积(或轮廓)的思想下,提出的一种新的识别算法。且通过人机交互接口,还可以满足其它行业(如建材或医疗)不同精度和质量级别需求。工作原理其基本工作原理:喷水装置在喷雾过程中,D(ChargecoupledDevice)在线拍摄图像数据,图像数据经图像采集卡收集并传入计算机,由系统水珠识别算法设置相应的阈值,检测水珠边缘界线并计算水珠面积和所占用面积比,同时通过水珠的边缘轮廓计算水珠的形状因子。形状因子决定了水珠是否有粘连或流动,而面积反应了水珠的大小。计算这些元素,首先需要得到水珠的外形或形状轮廓,即:水珠边缘的检测。Sobel(索贝尔)算子:索贝尔算子(Sobeloperator)是图像处理中的常用算子之一,主要用作边缘检测。在技术上,它是一离散性差分算子,用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子,将会产生对应的梯度矢量或是其法矢量。对梯度幅值进行非极大值抑制,若(x,y)像素点的梯度幅值M(x,y)大于或等于沿梯度方向上,即:平行于H(x,y)方向的两个相邻像素点的梯度幅值,则判定该点为可能的边缘点。该算子包含两组3x3的矩阵,分别为横向及纵向运算模板,如果用Sobel算子检测图像的边缘,可以先分别用水平算子和垂直算子对图像进行平面卷积,即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像,其公式如下:=A=A图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合,来计算梯度的大小:Gx=(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)+(-2)*f(x-1,y)+0*f(x,y)+2*f(x+1,y)+(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)=[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]Gy=1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)+0*f(x-1,y)+0*f(x,y)+0*f(x+1,y)+(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)=[f(x-1,y-1)+2*f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]其中f(a,b),表示图像(a,b)点的灰度值。图像的每一个像素的横向及纵向灰度值通过以下公式结合,来计算该点灰度的大小:通常,为了提高效率,使用不开方的近似值:如果梯度G大于某一阈值,则认为该点(x,y)为边缘点。可用以下公式计算梯度方向:上例中,如果角度Θ等于零,即代表图像在该处拥有纵向边缘,左方较右方暗。在边沿检测中,常用的一种模板是Sobel算子。Sobel算子有两个,一个用来检测水平边沿,另一个用来检测垂直边沿。与“和”相比,Sobel算子对于象素的位置的影响做了加权,因此效果更好。Sobel算子另一种形式是各向同性Sobel(IsotropicSobel)算子,也由一个水平和垂直边沿检测算子组成。各向同性Sobel算子和普通Sobel算子相比,它的位置加权系数更为准确,在检测不同方向的边沿时梯度的幅度一致。由于水珠图像的特殊性,处理该类型图像轮廓时,并不需要对梯度方向进行运算,所以程序并没有给出各向同性Sobel算子的处理