1.一种电力刀闸图像中直线段提取方法，其特征在于，包括以下步骤：

1)图像预处理，对图像进行边缘检测、二值化和形态学膨胀处理；

图像预处理具体步骤包括：

11)令Img表示输入图像，对输入图像Img进行边缘检测，将边缘检测结果图像记为ImgEdge；

12)对边缘检测结果图像ImgEdge进行OSTU二值化处理，将二值化结果图像记为ImgBw；

13)对二值化结果图像ImgBw进行形态学膨胀，将膨胀结果图像记为ImgDilated；

14)对膨胀结果图像ImgDilated进行图像细化，将细化结果图像记为ImgThin；

2)对预处理后的图像进行直线检测，得到先验直线段；对细化结果图像ImgThin进行Hough直线检测，检测出的直线段即为先验直线段，记为priorSegLine，priorSegLine[i]表pSL pSL示第i条先验直线段，i的取值范围是1～n ，n 是priorSegLine的总数量；

3)基于先验直线段进行直线粗拟合，得到粗拟合直线；具体步骤如下：

31)计算直线段的归属像素点集：

将先验直线段priorSegLine[i]所表示的直线记为priorLine[i]，priorLine[i]的表示公式如下：

0＝Aix+Biy+Ci

其中，Ai、Bi和Ci表示直线priorLine[i]的一般式方程参数，x和y分别表示图像中的横纵坐标；

归属像素点集表示细化结果图像ImgThin中所有距离直线priorLine[i]不超过阈值T1的像素点，若图像中的像素点满足如下公式，则将该像素点记为先验直线段priorSegLine[i]的一个归属像素点：其中，(x0,y0)表示细化结果图像ImgThin中的像素点；

将所有满足上式的像素点(x0,y0)的集合记为归属像素点集pointsAttached[i]，表示先验直线段priorSegLine[i]的归属像素点集；

32)基于最小二乘法对归属像素点集进行直线拟合：

基于最小二乘法对归属像素点集pointsAttached[i]进行直线拟合，拟合得到的直线即粗拟合直线，记为initialLine[i]，并将粗拟合直线initialLine[i]的斜率记为 截距记为 其中斜率 和截距 的计算公式如下：pA

其中，n 是归属像素点集pointsAttached[i]中归属像素点的数量， 和 分别表示归属像素点集pointsAttached[i]中第z个归属像素点 的横坐标和纵坐标，z的取pA值范围是1～n ，inv()表示括号内矩阵的逆矩阵，T()表示括号内矩阵的转置矩阵；

33)重复步骤31)和步骤32)，直至每条先验直线段priorSegLine[i]都计算得到其对应的归属像素点集pointsAttached[i]和粗拟合直线initialLine[i]；

4)基于粗拟合直线进行直线精拟合，得到精拟合直线段；

5)对精拟合直线段进行去重处理，得到去重直线段；

6)对去重直线段进行方向筛选，完成直线段提取。

2.根据权利要求1所述的电力刀闸图像中直线段提取方法，其特征在于：在步骤4)中，具体步骤如下：

41)计算归属像素点在粗拟合直线上的映射点：

粗拟合直线initialLine[i]是根据归属像素点集pointsAttached[i]计算得到的，现计算归属像素点集pointsAttached[i]中的归属像素点 在粗拟合直线initialLine[i]上的映射点 计算公式如下：

42)对归属像素点集进行排序：

一个归属像素点对应一个映射点，按照映射点横坐标的大小，对归属像素点集pointsAttached[i]进行从小到大的排序，将排序后的归属像素点集记为排序归属像素点集pointsSorted[i]，将 记为排序归属像素点集pointsSorted[i]中第m个归属像素点，可知

43)对排序后的归属像素点进行分段：

基于欧式距离对排序归属像素点集pointsSorted[i]中相邻的归属像素点进行距离判断，若当前归属像素点 与上一个归属像素点 的距离disAttached小于常量阈值T2，则认为 和 属于同一像素段，若 和 间的距离一disAttached大于T2，则认为和 属于不同像素段，距离一disAttached的计算公式如下：

计算完成后，可以得到 个像素段， 表示排序归属像素点集pointsSorted[i]分段后得到的像素段数量，令 表示第 个像素段中的归属像素点数量，其中 的取值范围是

44)像素段筛选：

对步骤43)中得到的像素段基于像素数量进行筛选，若归属像素点数量 则将归属像素点数量 对应的像素段保留，若 则将 对应的像素段剔除，其中T3是一个常量阈值，当 在取值范围内遍历完全后，即完成像素段筛选；将保留下来的像素段记为 表示第 个筛选得到的像素段，的取值范围是 其中是保留下来的像素段的数量；

45)像素段合并：

在步骤44)中筛选得到的像素段其中的归属像素点已经过排序，因此可得保留像素段中的最小横坐标大于保留像素段 中的最大横坐标；将保留像素段 中具有最小横坐标的像素点记为 将保留像素段

中具有最大横坐标的像素点记为 若 与 之

间的距离二disSeg小于常量阈值T4，则将保留像素段 中的像素点按照现有顺序插入到保留像素段 的尾部， 与 之间的距离二disSeg大于T4，则不做处理，其中距离二disSeg的计算公式如下：当 在取值范围内遍历完全后，即完成像素段合并；将合并后的像素段记为合并像素段表示第 个合并后的像素段， 的取值范围是 其中 是像素段合并后像素段的数量，再将segMax[i]记为合并后像素段中具有最大像素点数量的最大像素段；

46)计算精拟合直线段：

基于最小二乘法对最大像素段segMax[i]进行直线拟合，计算方法与步骤32)一致，将拟合出的直线记为refineLine[i]，将直线refineLine[i]的斜率记为 截距记为将最大像素段segMax[i]中具有最小横坐标的像素点记为 具有最大横坐标的像素点记为 分别计算像素点 与像素点 在直线refineLine[i]的映射点，并分别记为 和 计算方法与步骤41)一致；

分别以 和 作为线段的起点与终点，即得到精拟合直线段，记为refineSegLine[i]，其斜率和截距与直线refineLine[i]相同，分别为 和

47)重复步骤41)至步骤46)，直至每条粗拟合直线initialLine[i]都计算得到其对应的精拟合直线段refineSegLine[i]。

3.根据权利要求2所述的电力刀闸图像中直线段提取方法，其特征在于：在步骤5)中，具体步骤如下：

51)计算精拟合直线段与图像中心点的距离

将细化结果图像ImgThin的图像中心点记为(xcenter,ycenter)，计算精拟合直线段refineSegLine[i]与中心点(xcenter,ycenter)间的距离disCenter[i]，距离disCenter[i]的计算公式如下：其中， 和 是精拟合直线段refineSegLine[i]对应的直线refineLine[i]的一般式直线方程参数；

52)判断精拟合直线段与图像中心点的位置关系：

计算精拟合直线段refineSegLine[i]是否在图像中心点(xcenter,ycenter)的上方，计算公式如下：其中，up[i]表示线段refineSegLine[i]与图像中心点(xcenter,ycenter)的位置关系，down是一个常量阈值；

53)基于Mean‑shift算法对精拟合直线段进行距离聚类：重复步骤51)和步骤52)，直至每条精拟合直线段refineSegLine[i]都计算得到其对应的(disCenter[i],up[i])；

pSL

将((disCenter[1],up[1]),...,(disCenter[i],up[i]),...,(disCenter[n ],uppSL[n ]))作为Mean‑shift算法的输入，计算后可得到n4个距离聚类，n4是计算得到距离聚类的数量，用表示disCluster[j]第j个距离聚类，则j的取值范围是1～n4，每个距离聚类idisCluster[j]都包含聚类中心disCluster[j].dis和聚类方位disCluster[j].up；

若|disCenter[i]‑disCluster[j].dis|＜＝T5，其中是一个T5常量阈值，并且up[i]＝＝disCluster[j].up，则认为精拟合直线段refineSegLine[i]属于距离聚类disClusterpSL[j]；由此可将n 条精拟合直线段分配给个n4距离聚类；

54)精拟合直线段去重：

距离聚类disCluster[j]包含若干条精拟合直线段，仅保留其中具有最大像素点数量的像素段，将其作为去重直线段，并重新命名为去重直线段goodSegLine[j]；当j在取值范pSL围内遍历完全后，即完成精拟合直线段去重；此时，由原来的n 条先验直线段变成了n4条去重直线段。

4.根据权利要求3所述的电力刀闸图像中直线段提取方法，其特征在于：在步骤6)中，具体步骤如下：

61)计算去重直线段角度：

令 表示去重直线段goodSegLine[j]中具有最小横坐标的像素点，令表示去重直线段goodSegLine[j]中具有最大横坐标的像素点，去重直线段goodSegLine[j]的角度计算公式如下：其中，angle[j]表示goodSegLine[j]的角度；

62)基于Mean‑shift算法对去重直线段进行角度聚类：重复步骤61)，直至每条去重直线段goodSegLine[j]都计算得到其对应的角度angle[j]；

将(angle[1],...,angle[j],...,angle[n4])作为Mean‑shift算法的输入，计算后可得到n5个角度聚类，n5是计算得到角度聚类的数量，用表示angleCluster[k]第k个角度聚类，则k的取值范围是1～n5；每个角度聚类angleCluster[k]都包含聚类中心angleCluster[k].angle；

若|goodSegLine[j]‑angleCluster[k].angle|＜＝T6，则认为去重直线段goodSegLine[j]属于聚类angleCluster[k]；由此可将n4条去重直线段分配给n5个角度聚类；

63)角度聚类评分：

k

将角度聚类angleCluster[k]包含的去重直线段的数量记为l ，角度聚类angleClusterk k k k[k]中第o条去重直线段二记为angleCluster[k][o]，o的取值范围是1～l；

k

去重直线段二angleCluster[k][o ]是由精拟合直线段筛选得到，因此去重直线段二kangleCluster[k][o]的长度可以通过其对应的精拟合直线段两端点的欧式距离计算得k k到，将去重直线段二angleCluster[k][o]的长度记为length[k][o]；同时，去重直线段二k kangleCluster[k][o]到图像中心点的距离即去重直线段二angleCluster[k][o]对应的精k拟合直线段到图像中心点的距离，故将去重直线段二angleCluster[k][o]到图像中心点k的距离重命名为dis[k][o]；

角度聚类angleCluster[k]的评分计算公式如下：其中，rank[k]表示角度聚类angleCluster[k]的评分，σ和α是常量；

64)角度聚类筛选：

重复步骤63)，直至每个角度聚类angleCluster[k]都计算得到其对应的评分rank[k]，若评分rank[k]＞＝T7，则保留角度聚类angleCluster[k]；若rank[k]＜T7，则剔除角度聚类angleCluster[k]；遍历完成后，所有保留下来的角度聚类中的去重直线段二，即最终提取出的直线段，完成直线段提取。