一种精细化的图像边缘信息确定方法、系统及电子设备

技术领域

本发明涉及数字图像处理技术领域，尤其是涉及一种精细化的图像边缘信息确定方法、系统及电子设备。

背景技术

电网设备的工作状态直接影响着输变电网络能否安全运行，因此实时获取电网设备的工作状态对于输变电线路的安全管控至关重要，当前电网设备的物理状态监测过程主要通过摄录设备采集的图像(或视频)的方式所实现。由于输变电网涉及众多的电网设备且包含数量和种类繁多的电缆，并且采集的图像亮度极易受到变化的天气影响，加大了常规检测算法对电网设备运行状态精准把握的难度。

现有技术中采用了图像边缘提取算法进行电网设备的检测，但是现有的边缘提取算法存在着所检测的边缘幅值和方向信息不够准确、缺少精细化的边缘信息等问题，降低了电网设备监控的效果。

发明内容

有鉴于此，本发明的目的在于提供一种精细化的图像边缘信息确定方法、系统及电子设备，以改善电网设备图像中的边缘幅值和方向信息准确性，提升图像边缘信息的可用度，为后续的特征编码和状态分析提供精炼丰富的设备状态变化特征信息。

第一方面，本发明实施例提供了一种精细化的图像边缘信息确定方法，该方法应用于电网设备状态监测图像中，包括：

获取被监测的电网设备的数字彩色图像，并将数字彩色图像转换为第一灰度图像；

对第一灰度图像进行滤波操作得到第二灰度图像，并对第二灰度图像进行值域映射转换以及幅值归一化反转处理，生成第三灰度图像；

获取第三灰度图像对应的幅度梯度图像和方向梯度图像，根据预设阈值确定幅度梯度图像的高门限阈值和低门限阈值；其中，高门限阈值和低门限阈值用于提取图像边缘的像素；

根据幅度梯度图像、方向梯度图像、高门限阈值和低门限阈值对图像边缘的像素进行二次计算，并将计算结果作为图像边缘的像素值。

在一些实施方式中，上述将数字彩色图像转换为第一灰度图像的过程，通过以下算式实现：

B(x,y)＝0.299I

其中，B(x,y)为第一灰度图像；I

在一些实施方式中，上述对第一灰度图像进行滤波操作得到第二灰度图像的过程，包括：

初始化7×7的二位数字矩阵的高斯滤波器；

将高斯滤波器与第一灰度图像进行卷积滤波，得到第二灰度图像；上述过程通过以下算式实现：

f(x,y)＝h(x,y,1)*B(x,y)，

其中，

在一些实施方式中，上述对第二灰度图像进行值域映射转换以及幅值归一化反转处理，生成第三灰度图像的过程，包括：

将第二灰度图像的像素值的范围从0-255线性映射至0.00-1.00的数值区间，得到第二灰度图像的值域映射转换图；

以0.01为增幅单位获取值域映射转换图的直方图，并确定直方图中像素最多的幅值位置；若该位置的数值大于等于0.50，则第二灰度图为夜晚拍摄；若该位置的数值小于0.50，则第二灰度图为白天拍摄；

对值域映射转换图进行幅值归一化处理，并对白天拍摄的第二灰度图进行反转处理，生成具有统一背景的第三灰度图像；该步骤所用算式如下：

其中，C(x,y)为第三灰度图像；f(x,y)为第二灰度图像的值域映射转换图。

在一些实施方式中，上述获取第三灰度图像对应的幅度梯度图像和方向梯度图像的过程，包括：

计算第三灰度图像的每一个像素的8邻域像素的梯度值；

选取8邻域像素的梯度值中的最大梯度值作为该像素的梯度值，最大梯度值所对应的方向作为该像素的梯度方向；

根据第三灰度图像的每一个像素的最大梯度值确定幅度梯度图像；根据第三灰度图像对应的每一个像素的最大梯度值方向确定方向梯度图像。

在一些实施方式中，上述根据预设阈值确定幅度梯度图像的高门限阈值和低门限阈值的过程，包括：

以0.01为步长单位，获取幅度梯度图像从0.00至1.00幅值范围的直方图；

设置低门限阈值为0.07，并在直方图中从1.00开始以0.01的步长进行递减；当幅值大于加权系数0.4乘以所有大于低门限阈值的梯度像素数所对应的幅度值时的幅值即为高门限阈值。

在一些实施方式中，上述根据幅度梯度图像、方向梯度图像、高门限阈值和低门限阈值对图像边缘像素进行二次计算的过程，包括：

若幅度梯度图像中待检测像素的幅度梯度值不大于低门限阈值时，待检测像素不是图像边缘，待检测像素的梯度值设置为0；

若幅度梯度图像中待检测像素的幅度梯度值不小于高门限阈值时，待检测像素是图像边缘，待检测像素的幅度梯度值即为待测像素的梯度值；

若幅度梯度图像中待检测像素的幅度梯度值大于低门限阈值且小于高门限阈值时，则根据方向梯度图像获取待检测像素的梯度方向，并与待检测像素邻域中同方向的2个领域像素点进行比较确定待检测像素的梯度值。

第二方面，本发明实施例提供了一种精细化的图像边缘信息确定系统，应用于电网设备状态监测图像中，该系统包括：

第一图像转换模块，用于获取被监测的电网设备的数字彩色图像，并将数字彩色图像转换为第一灰度图像；

第二图像转换模块，用于对第一灰度图像进行滤波操作得到第二灰度图像，并对第二灰度图像进行值域映射转换以及幅值归一化反转处理，生成第三灰度图像；

第三图像转换模块，用于获取第三灰度图像对应的幅度梯度图像和方向梯度图像，根据预设阈值确定幅度梯度图像的高门限阈值和低门限阈值；其中，高门限阈值和低门限阈值用于提取图像边缘的像素；

边缘确定模块，用于根据幅度梯度图像、方向梯度图像、高门限阈值和低门限阈值对图像边缘的像素进行二次计算，并将计算结果作为图像边缘的像素值。

第三方面，本发明实施例还提供一种电子设备，包括：处理器和存储器；存储器上存储有计算机程序，计算机程序在被处理器运行时实现上述第一方面任意可能的实施方式中提到的精细化的图像边缘信息确定方法的步骤。

第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其中，计算机程序被处理器运行时实现上述第一方面任意可能的实施方式中提到的精细化的图像边缘信息确定方法的步骤。

本发明实施例带来了以下有益效果：

本发明提供了一种精细化的图像边缘信息确定方法、系统及电子设备，应用于电网设备状态监测图像中，该方法首先获取被监测的电网设备的数字彩色图像，并将数字彩色图像转换为第一灰度图像。然后对第一灰度图像进行滤波操作得到第二灰度图像，对第二灰度图像进行值域映射转换以及幅值归一化反转处理生成第三灰度图像，并获取第三灰度图像对应的幅度梯度图像和方向梯度图像，根据预设阈值确定幅度梯度图像的高门限阈值和低门限阈值；其中，高门限阈值和低门限阈值用于提取图像边缘的像素。最后根据幅度梯度图像、方向梯度图像、高门限阈值和低门限阈值对图像边缘的像素进行二次计算，并将计算结果作为图像边缘的像素值。该方法的独特之处在于实现过程中尽可能地使用原始图像携带的一次信息，没有使用在一次信息基础上加工的二次信息，减少了边缘检测的误差，改善了电网设备图像中的边缘幅值和方向信息准确性，提升了图像边缘信息的可用度，为后续的特征编码和状态分析提供了精炼丰富的设备状态变化特征信息，改善了电网设备的监控质量。

本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明实施例提供的一种精细化的图像边缘信息确定方法的流程图；

图2为本发明实施例提供的精细化的图像边缘信息确定方法中，对第二灰度图像进行值域映射转换以及幅值归一化反转处理，生成第三灰度图像的过程的流程图；

图3为本发明实施例提供的经值域映射转换以及幅值归一化反转处理前后的对比图；

图4为本发明实施例提供的精细化的图像边缘信息确定方法中，获取第三灰度图像对应的幅度梯度图像和方向梯度图像过程的流程图；

图5为本发明实施例提供的精细化的图像边缘信息确定方法中，待计算像素以及周围像素的位置结构示意图；

图6为本发明实施例提供的精细化的图像边缘信息确定方法中，根据预设阈值确定幅度梯度图像的高门限阈值和低门限阈值过程的流程图；

图7为本发明实施例提供的精细化的图像边缘信息确定方法中，根据幅度梯度图像、方向梯度图像、高门限阈值和低门限阈值对图像边缘的像素进行二次计算过程的流程图；

图8为本发明实施例提供的一种精细化的图像边缘信息确定系统的结构示意图；

图9为本发明实施例提供的一种电子设备的结构示意图。

图标：

810-第一图像转换模块；820-第二图像转换模块；830-第三图像转换模块；840-边缘确定模块；101-处理器；102-存储器；103-总线；104-通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

电力环境是指高压输电线路走廊、变电站(所)、配电网等专门用于电能量输送与变换的物理空间区域，这些区域中架设了大量的形态各异的输电线路，配置了各种形式的电力设备与装置。其中，类似于断路器、隔离开关等装置的外观状态变化就直接反映了该电器的开、闭状态，而PT(Potential Transformer，电压互感器)、CT(Current transformer，电流互感器)的外观颜色变化及是否有漏油污渍则反映了这些设备是处于健康状态还是亚健康状态。为此，电力部门在一些重要的设备区域专门安装了监控设备24小时监测电网设备的外观状态变化，并将采集的视频(图像)上传至调度中心和电网运检管控平台，供相关部门人员随时调看取证。

然而，这种传统的工作模式已经不能适应智能电网发展的要求。一方面，被监测的电力设备数量种类太多，以至于现有的调度和运检人员配备根本无法顾及；另一方面，基于人工进行的海量视频与图像的检测过滤无法做到准确实时，这种完全凭经验进行的设备状态判断缺乏统一的衡量尺度。随着人工智能和机器视觉技术的不断进步，可以通过智能化的检测技术解决电网设备实时状态监测问题，尽可能地取代人的工作，全天候地发挥作用。

电网设备状态监测不同于一般的应用场景，主要有三个特点：

1、被监测区域有许多大小粗细不一的架空线缆、杆塔与电器设备，它们与被监测设备混为一体，加大了监测的难度。

2、各种天气与日照的变化时刻改变着视频(图像)的清晰度和对比度，造成了采集的视频(图像)背景场景的不一致性。

3、在特定的场景位置，为每个监测对象安装了专门的摄像机或卡片机，24小时采集被监测设备的状态信息。

从特点1和特点2可知，电网设备状态监测过程中存在着背景复杂、光线不一致等不利因素，影响着电网设备的监测效果。

对于图像预处理和图像边缘检测的算法有很多，现有技术中常用的算法是Canny算法，这个算法包含4个步骤：

1、用高斯滤波器平滑原图像，以减小噪音对检测性能的影响；

2、用水平和垂直方向的一阶偏导数的有限差分计算图像中的每个像素点的梯度幅值和梯度方向；

3、基于相邻像素方向信息进行梯度幅值非极大值抑制；

4、用双阈值算法检测和连接边缘像素点。

Canny算法在很多应用场景下的检测性能是能够满足应用要求的，但是对于24小时任意气象条件下的全天候电网设备状态监测所需要的高准确率还是存在一定的差距。结合电力环境下电网设备图像的特性分析发现，该类算法存在着所检测的边缘幅值和方向信息不够准确、缺少精细化的边缘信息等问题。这些问题源于这个算法的两个方面：一方面是边缘的定义问题，严格意义上定义的边缘是指图像亮度发生跃变部分，松弛一点的定义是指图像局部区域亮度发生显著变化的部分。边缘信息是有高低层次之分的，如果算法只是提取了跃变值较大的部分，而丢失了跃变值较小的部分，很可能使得边缘信息不够完整。另一方面是算法本身的问题，该算法所得到的梯度值和梯度方向不一定是每个像素点的最大值及其对应的方向；非极大值抑制可能丢失某些梯度值较小和曲率变化较大的边缘像素点信息；基于硬判决的双阈值边缘像素检测也会进一步丢失一些弱小的边缘信息，所有这些丢失的边缘信息都会影响后续处理过程的性能，进而降低正确判决准确率。

综上所述，现有的图像边缘检测算法存在着检测的图像边缘梯度幅值和方向信息不够准确、缺少精细化的边缘信息等问题，进而影响电网设备状态监测的准确率，这对于应用基于人工智能和机器视觉技术的无人值守的电网在线设备状态监测存在着安全隐患。

基于此，本发明实施例提供了一种精细化的图像边缘信息确定方法、系统及电子设备，以改善电网设备图像中的边缘幅值和方向信息准确性，提升图像边缘信息的可用度，为后续的特征编码和状态分析提供精炼丰富的设备状态变化特征信息。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种精细化的图像边缘信息确定方法进行详细介绍。

参见图1所示的一种精细化的图像边缘信息确定方法的流程图，该方法应用于电网设备状态监测图像中，包括以下步骤：

步骤S101，获取被监测的电网设备的数字彩色图像，并将数字彩色图像转换为第一灰度图像。

数字彩色图像来源可以是专门架设的用于拍摄被监测的电器设备的卡片机或摄像机，也可以是手持式照相机拍摄的彩色图像样本。一般地，所拍摄的图像分辨率不低于1280×720。

数字彩色图像转换为第一灰度图像的目的是简化图像边缘信息检测过程的数据处理量，实现过程可通过彩色图像像素的R、G、B通道强度进行加权求和来得到灰度值为0-255范围内的灰度图像。

步骤S102，对第一灰度图像进行滤波操作得到第二灰度图像，并对第二灰度图像进行值域映射转换以及幅值归一化反转处理，生成第三灰度图像。

对第一灰度图像进行滤波操作得到第二灰度图像的目的，是减轻图像中的噪音对设备状态特征提取与分析的影响。滤波操作时选择的参数除了考虑消除噪声之外，还应尽可能地保持图像边缘信息的完整度。

对第二灰度图像进行值域映射转换的目的是统一后续的数据处理值域，也是数据归一化的操作。对于映射值域是0-1、精度为0.01的范围，0.00表示最黑；1.00表示最白。

幅值归一化反转处理之前需要对图像是否反转进行判断，具体实现过程可结合第二灰度图像的直方图来执行。

归一化处理是对灰度图像中灰度值最大的像素作为标准值，其它像素值与标准值进行比值的过程，归一化处理后结合上述的阈值判断，对白天图像进行反转处理，目的是为后续的处理提供统一的背景条件。

步骤S103，获取第三灰度图像对应的幅度梯度图像和方向梯度图像，根据预设阈值确定幅度梯度图像的高门限阈值和低门限阈值；其中，高门限阈值和低门限阈值用于提取图像边缘的像素。

幅度梯度图像以及方向梯度图像是通过计算第三灰度图像中每个像素的8领域像素的梯度值及梯度方向获取的。计算过程中，每个方向的梯度值是以3个相邻的子方向中的最大梯度值进行表征，并且在获取所有8个方向的梯度值后选取其中的最大梯度值及该值对应的梯度方向作为该像素的梯度数据，由此获得最终的幅度梯度图像和方向梯度图像。可见所有的梯度值和梯度方向均来自原始图像携带的一次信息，并没有在一次信息的基础上进行二次加工，更加忠实地表现了原始图像的信息。

幅度梯度图像的低门限阈值的设置时，需要结合幅度梯度图像直方图来设置，低门限阈值表征了低限的图像背景区域像素的梯度幅值；高门限阈值设置时需结合低门限阈值和直方图，遵循可以虚增不能漏掉的思想，因为漏掉就意味着后续处理过程中缺少这些像素的信息，影响最终的边缘识别效果。

步骤S104，根据幅度梯度图像、方向梯度图像、高门限阈值和低门限阈值对图像边缘的像素进行二次计算，并将计算结果作为图像边缘的像素值。

幅度梯度图像包含了图像像素的梯度值，方向梯度图像包含了图像像素的梯度方向。对于某个幅度梯度介于高门限阈值和低门限阈值的像素，需要结合方向梯度图像选择并确定边缘像素点，具体的说还需要结合与该像素同一方向领域的两个像素的梯度方向进行进一步的判定，实现二次计算。最终通过遍历图像的所有像素，并采用上述过程，确定所有图像边缘像素信息。

通过上述实施例中提供的可知，该方法在图像边缘信息确定过程中完全是使用原始图像携带的一次信息，没有使用在一次信息基础上加工的二次信息，这样可以显著地减少边缘检测的误差，改善电网设备图像中的边缘幅值和方向信息的准确性，提升了图像边缘信息的可用度，为后续的特征编码和状态分析提供精炼丰富的设备状态变化特征信息，增加了电网设备监控的质量。

在一些实施方式中，上述将数字彩色图像转换为第一灰度图像的过程，通过以下算式实现：

B(x,y)＝0.299I

其中，B(x,y)为第一灰度图像；I

一般来说，I

在一些实施方式中，上述对第一灰度图像进行滤波操作得到第二灰度图像的过程，包括：

初始化7×7的二位数字矩阵的高斯滤波器；

将高斯滤波器与第一灰度图像进行卷积滤波，得到第二灰度图像；上述过程通过以下算式实现：

f(x,y)＝h(x,y,1)*B(x,y)，

其中，

严格意义上说，

在一些实施方式中，上述对第二灰度图像进行值域映射转换以及幅值归一化反转处理，生成第三灰度图像的过程，如图2所示，包括：

步骤S201，将第二灰度图像的像素值的范围从0-255线性映射至0.00-1.00的数值区间，得到第二灰度图像的值域映射转换图。

线性映射过程是将0-255整数区间映射到0.00-1.00的小数区间；其中，0.00表示最黑；1.00表示最白。

步骤S202，以0.01为增幅单位获取值域映射转换图的直方图，并确定直方图中像素最多的幅值位置；若该位置的数值大于等于0.50，则第二灰度图为夜晚拍摄；若该位置的数值小于0.50，则第二灰度图为白天拍摄。

由于值域映射转换图中是0.00-1.00的区间，因此以0.01为增幅单位进行转换的话，得到的直方图共有100个数值等级。在这100个数值等级中寻找像素最多的位置，该位置的数值如果大于等于0.50，则说明是夜晚拍摄的图像；如果该数值小于0.50，则说明是白天拍摄的图像。

步骤S203，对值域映射转换图进行幅值归一化处理，并对白天拍摄的第二灰度图进行反转处理，生成具有统一背景的第三灰度图像。

该步骤所用算式如下：

其中，C(x,y)为第三灰度图像；f(x,y)为第二灰度图像的值域映射转换图。

为了展示经过值域映射转换以及幅值归一化反转处理的结果，参考图3所示的经值域映射转换以及幅值归一化反转处理前后的对比图。可见，夜晚拍摄的图像经过值域映射转换以及幅值归一化反转处理后，线条边缘依旧保持着比较锐利的成像；白天的图像经过值域映射转换以及幅值归一化反转处理后经过反转处理，线条边缘相比于处理前更加锐利清晰。因此，无论在白天还是夜晚，通过值域映射转换以及幅值归一化反转处理的灰度图像中的电器设备和线缆的亮度均高于背景颜色，这位后续的边缘确定过程提供了统一的处理场景。

在一些实施方式中，上述获取第三灰度图像对应的幅度梯度图像和方向梯度图像的过程，如图4所示，包括：

步骤S401，计算第三灰度图像的每一个像素的8邻域像素的梯度值。

该步骤中的待计算像素以及周围像素的位置结构示意图如图5所示，以待测像素(x,y)的右侧像素作为起点，按照逆时针方向顺序对周围8邻域的方向像素进行标记，标记结果为0°、45°、90°、135°、180°、225°、270°、315°，相应的像素位置坐标如图5所示，此后不再赘述。

计算所述待计算像素相邻8个方向的像素的梯度值；所用算式如下：

梯度值d

梯度值d

梯度值d

梯度值d

梯度值d

梯度值d

梯度值d

梯度值d

其中，d

步骤S402，选取8邻域像素的梯度值中的最大梯度值作为该像素的梯度值，最大梯度值所对应的方向作为像素的梯度方向。

对应步骤S401中的像素标记结果，将所述d

步骤S403，根据第三灰度图像的每一个像素的最大梯度值确定幅度梯度图像；根据第三灰度图像对应的每一个的最大梯度值方向确定方向梯度图像。

上述计算过程与现有的其他算法有二点不同，一是每个方向的梯度值都是以3个相邻近的子方向的中的最大梯度值表征，而该像素点的梯度值及梯度方向是以8邻域的方向像素中的最大梯度值及其对应的梯度方向表征；二是所有的梯度值及梯度方向均来自于原始图像携带的一次信息，精度更高。

具体的与现有Canny算法获取的梯度值和梯度方向进行对比，现有技术中的Canny算法首先计算灰度图像C(x,y)的X轴和Y轴的一阶偏导数：

梯度值：

梯度方向：

可以看出，Canny算法是用同一方向的6个像素综合计算得到X轴和Y轴方向的梯度值，再对其平方和开方，即该像素点的梯度值源于图像的一次信息。梯度方向θ(x,y)则不同，是由一次信息加工而来的。如果梯度值不准确，由此推导而来的梯度方向也是不准确的，技术上称其为误差传播。显然，Canny算法与该实施方式在计算梯度值和梯度方向有着显著的不同。

通过随机抽取的一组5幅白天拍摄的电力场景的图像样本的实验数据，可以说明Canny算法生成的梯度值和梯度方向不够准确的问题，方向梯度采用该实施方式提到的方法计算得到的。

表1方向梯度最大值非主方向的比率(％)

表1的数据说明，超过一半像素的最大梯度值并不在主方向上，也就是说，如果算法只是使用主方向的梯度值，至少有一半的数值并不是最大值，当然由此数值计算而来的梯度方向也是不准确的。另外，Canny算法采取的基于X轴和Y轴的梯度平方和开方所求得的梯度值，这将中和X轴和Y轴的梯度值大小不一的现象，而边缘检测的目的是确定每个像素点最大的梯度值及其对应的方向。从这一点来看，本实施方式中给出的梯度值及其方向更加准确。

在一些实施方式中，上述根据预设阈值确定幅度梯度图像的高门限阈值和低门限阈值的过程，如图6所示，包括：

步骤S601，以0.01为步长单位，获取幅度梯度图像从0.00至1.00幅值范围的直方图。

该步骤可通过前述步骤生成的第二灰度图像的值域映射转换图直接得到。

步骤S602，设置低门限阈值为0.07，并在直方图中从1.00开始以0.01的步长进行递减；当幅值大于加权系数0.4乘以所有大于低门限阈值的梯度像素数所对应的幅度值时的幅值即为高门限阈值。

上述步骤包含着两个基本判断，一个是取低门限阈值T

为了检验T

表2低于T

表2中的数字说明，约三分之二的梯度值是背景像素，滤除这部分像素可以极大地降低后续过程的数据处理量；而高于T

在一些实施方式中，上述根据幅度梯度图像、方向梯度图像、高门限阈值和低门限阈值对图像边缘的像素进行二次计算的过程，如图7所示，包括：

步骤S701，若幅度梯度图像中待检测像素的幅度梯度值不小于低门限阈值时，待测像素不是图像边缘，待测像素的梯度值设置为0。

若幅值梯度图像中某个像素点的梯度值D

步骤S702，若幅度梯度图像中待检测像素的幅度梯度值不小于高门限阈值时，待测像素是图像边缘，待测像素的幅度梯度值即为待测像素的梯度值。

若幅值梯度图像中某个像素点的梯度值D

步骤S703，若幅度梯度图像中待检测像素的幅度梯度值大于低门限阈值且小于高门限阈值时，则根据方向梯度图像获取待测像素的梯度方向，并与待测像素邻域中同方向的2个领域像素点进行比较确定待测像素的梯度值。

若幅值梯度图像中某个像素点的梯度值D

若该点的梯度方向D

若该点的梯度方向D

若该点的梯度方向D

若该点的梯度方向D

若该点的梯度方向D

若该点的梯度方向D

若该点的梯度方向D

若该点的梯度方向D

对于幅值梯度D

仍以前述实施方式中的5幅测试图像为例，为了更好地进行对比，表3中给出了同向判决和多项判决两组数据，前者是指相邻的两个像素之一的梯度方向须与本像素的梯度方向一致，后者是指相邻的两个像素之一的梯度方向须在本像素方向的±45°范围之内。

表3基于T

表3的测试数据说明，基于相邻像素的方向信息所检测的边缘像素数量多于高门限T

通过上述实施例中提供的可知，该方法在图像边缘信息确定过程中尽可能的使用原始图像携带的一次信息，并没有使用在一次信息基础上加工的二次信息，由此减少了边缘检测的误差；改善了电网设备图像中的边缘幅值和方向信息准确性，提升了图像边缘信息的可用度，为后续的特征编码和状态分析提供精炼丰富的设备状态变化特征信息，增加了电网设备的监控质量。

对应于上述方法实施例，本发明实施例还提供了一种精细化的图像边缘信息确定系统，应用于电网设备状态监测图像中，其结构示意图如图8所示，该系统包括：

第一图像转换模块810，用于获取被监测的电网设备的数字彩色图像，并将数字彩色图像转换为第一灰度图像；

第二图像转换模块820，用于对第一灰度图像进行滤波操作得到第二灰度图像，并对第二灰度图像进行值域映射转换以及幅值归一化反转处理，生成第三灰度图像；

第三图像转换模块830，用于获取第三灰度图像对应的幅度梯度图像和方向梯度图像，根据预设阈值确定幅度梯度图像的高门限阈值和低门限阈值；其中，高门限阈值和低门限阈值用于提取图像边缘的像素；

边缘确定模块840，用于根据幅度梯度图像、方向梯度图像、高门限阈值和低门限阈值对图像边缘的像素进行二次计算，并将计算结果作为图像边缘的像素值。

本发明实施例提供精细化的图像边缘确定系统，与上述实施例提供的精细化的图像边缘确定方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

本实施例还提供一种电子设备，为该电子设备的结构示意图如图9所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述精细化的图像边缘信息确定方法。

图9所示的电子设备还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。

其中，存储器102可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。

处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以用软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。