一种用于输电线路在线监测的智能电力金具缺陷识别方法

摘要

本发明涉及图像数据识别技术领域，具体涉及一种用于输电线路在线监测的智能电力金具缺陷识别方法，该方法包括：利用相机对图像进行识别并对图像数据进行处理获取智能电力金具的灰度图像，获取灰度图像的边缘二值图中每个边缘的二叉树，获取裂纹二叉树及最小外接矩形区域，获取多个聚类区域，获取裂纹区域，本发明采用图像识别的形式，根据智能电力金具表面缺陷裂纹分叉的形状特征，得到裂纹二叉树，从而实现对裂纹区域进行初次识别，然后基于提取区域结合裂纹的方向、色调和距离综合识别裂纹区域，从而提高了裂纹区域识别的准确性。

权利要求

1.一种用于输电线路在线监测的智能电力金具缺陷识别方法，其特征在于，包括：获取智能电力金具的灰度图像；

获取灰度图像的边缘二值图像，将每个边缘线上的边缘点的对应邻域内边缘点的个数大于预设的个数阈值的边缘像素点作为右子树的节点，将每个边缘线上边缘点的对应邻域内边缘点的个数小于或者等于预设的个数阈值的边缘点作为左子树的节点，并得到每个边缘线对应的二叉树；

获取二叉树中的裂纹二叉树，获取每个裂纹二叉树在边缘二值图像中对应的边缘点构成区域的最小外接矩形区域；

获取二叉树中的裂纹二叉树包括：

将二叉树中同时存在左子树和右子树的二叉树作为裂纹二叉树；

以裂纹二叉树中的左子树中的任意一个节点、右子树中的每个节点对应的像素点分别作为初始聚类中心，根据最小外接矩形区域内的像素点与每个初始聚类中心对应的边缘点的欧氏距离、色调差值对最小外接矩形区域内的像素点进行聚类，得到多个聚类区域；

得到多个聚类区域包括：

根据像素点与每个初始聚类中心对应的边缘点的欧氏距离平方值与色调差值的绝对值的乘积作为像素点与每个初始聚类中心对应的边缘点的差异值；

将像素点与每个初始聚类中心对应的边缘点的差异值中的最小差异值对应的初始聚类中心与像素点聚为一类，得到第一聚类区域；

更新第一聚类区域的聚类中心，获取下一个目标像素点与更新后的聚类中心对应的边缘点的差异值；

将下一个目标像素点与更新后的聚类中心对应的边缘点的差异值中的最小差异值对应的更新后的聚类中心与像素点聚为一类，得到第二聚类区域；

以此类推，直至最小外接矩形区域内的所有像素点均被聚类，得到每个初始聚类中心对应的聚类区域；

获取每个聚类区域的主成分方向，获取聚类区域内每个像素点与聚类区域的聚类中心的连线方向，获取像素点与聚类区域的聚类中心的连线方向，与聚类区域的主成分方向的夹角；根据夹角与预设的夹角阈值判断像素点是否为裂纹像素点，并得到每个聚类区域对应的初始裂纹区域；根据所有初始裂纹区域得到裂纹区域。

2.根据权利要求1所述的一种用于输电线路在线监测的智能电力金具缺陷识别方法，其特征在于，当夹角小于或者等于预设的夹角阈值时，则像素点为裂纹像素点；当夹角大于预设的夹角阈值时，则像素点为非裂纹像素点。

3.根据权利要求1所述的一种用于输电线路在线监测的智能电力金具缺陷识别方法，其特征在于，所有初始裂纹区域连通得到的区域作为裂纹区域。

4.根据权利要求1所述的一种用于输电线路在线监测的智能电力金具缺陷识别方法，其特征在于，将边缘点的对应邻域内边缘点的个数小于预设的个数阈值时对应的边缘点作为左子树中的叶子节点。

5.根据权利要求1所述的一种用于输电线路在线监测的智能电力金具缺陷识别方法，其特征在于，获取边缘二值图像包括：利用边缘检测算法获取灰度图对应的边缘图像；

对边缘图像进行二值化得到边缘二值图像，其中，边缘二值图像中边缘像素点的灰度值置为0，背景像素点的灰度值置为1。

说明书

一种用于输电线路在线监测的智能电力金具缺陷识别方法

技术领域

[0001] 本发明涉及图像数据识别技术领域，具体涉及一种用于输电线路在线监测的智能电力金具缺陷识别方法。

背景技术

[0002] 随着科学技术的进步与相关工业制造水平的不断完善与发展，人们的生活水平相应地不断提高和改善，伴随着社会需求的不断增加，电力能源在现代化生产动力中凸显出举足轻重的地位。而电力运输系统是最为复杂的人工系统之一，整个电力系统的安全稳定运行与社会的发展与进步息息相关。输电线路是整个电力系统中最基本的部分，同样也是最重要的组成部分，为了确保输电线路的安全有效运行，通常会使用线缆金具对输电线路进行在线检测以确保整个电力系统发电、输电、变电、配电不同工作过程中安全平稳运行，避免因供电系统故障而给相关企业生产发展和居民日常生活带来较大的影响。

[0003] 智能电力金具作为输电线路中不可缺少的重要组成部分与输电线路长期暴露在户外，不仅要承受外部自然环境中复杂多变的恶劣条件，而且还要长期承受电力系统内部的机械复合张力和电力负荷作用，使得相关电力金具部件容易出现裂纹缺陷，从而使得其对输电线路的在线检测不准确，故需要对电力金具进行裂纹缺陷检测。

[0004] 现有技术中，通常是采用阈值分割的方法对裂纹缺陷检测，但阈值分割算法中通常需要根据不同的应用设置相应的阈值，因此，阈值分割效果的好坏很大程度上依赖于该阈值的设定，而阈值设定具有较强的主观性，阈值设置不合理就会导致缺陷区域检测得不准确。

发明内容

[0005] 本发明提供一种用于输电线路在线监测的智能电力金具缺陷识别方法，以解决现有的缺陷区域检测得不准确的问题。

[0006] 本发明的一种用于输电线路在线监测的智能电力金具缺陷识别方法采用如下技术方案：

[0007] 获取智能电力金具的灰度图像；

[0008] 获取灰度图像的边缘二值图像，将每个边缘线上的边缘点的对应邻域内边缘点的个数大于预设的个数阈值的边缘像素点作为右子树的节点，将每个边缘线上边缘点的对应邻域内边缘点的个数小于或者等于预设的个数阈值的边缘点作为左子树的节点，并得到每个边缘线对应的二叉树；

[0009] 获取二叉树中的裂纹二叉树，获取每个裂纹二叉树在边缘二值图像中对应的边缘点构成区域的最小外接矩形区域；

[0010] 以裂纹二叉树中的左子树中的任意一个节点、右子树中的每个节点对应的像素点分别作为初始聚类中心，根据最小外接矩形区域内的像素点与每个初始聚类中心对应的边缘点的欧氏距离、色调差值对最小外接矩形区域内的像素点进行聚类，得到多个聚类区域；

[0011] 获取每个聚类区域的主成分方向，获取聚类区域内每个像素点与聚类区域的聚类中心的连线方向，获取像素点与聚类区域的聚类中心的连线方向，与聚类区域的主成分方向的夹角；根据夹角与预设的夹角阈值判断像素点是否为裂纹像素点，并得到每个聚类区域对应的初始裂纹区域；根据所有初始裂纹区域得到裂纹区域。

[0012] 优选的，得到多个聚类区域包括：

[0013] 根据像素点与每个初始聚类中心对应的边缘点的欧氏距离平方值与色调差值的绝对值的乘积作为像素点与每个初始聚类中心对应的边缘点的差异值；

[0014] 将像素点与每个初始聚类中心对应的边缘点的差异值中的最小差异值对应的初始聚类中心与像素点聚为一类，得到第一聚类区域；

[0015] 更新第一聚类区域的聚类中心，获取下一个目标像素点与更新后的聚类中心对应的边缘点的差异值；

[0016] 将下一个目标像素点与更新后的聚类中心对应的边缘点的差异值中的最小差异值对应的更新后的聚类中心与像素点聚为一类，得到第二聚类区域；

[0017] 以此类推，直至最小外接矩形区域内的所有像素点均被聚类，得到每个初始聚类中心对应的聚类区域。

[0018] 优选的，获取像素点与每个初始聚类中心对应的边缘点的差异值包括：

[0019] 将像素点与每个初始聚类中心对应的欧氏距离的平方值、色调差值绝对值的乘积作为像素点与每个初始聚类中心对应的边缘点的差异值。

[0020] 优选的，当夹角小于或者等于预设的夹角阈值时，则像素点为裂纹像素点；当夹角大于预设的夹角阈值时，则像素点为非裂纹像素点。

[0021] 优选的，将所有初始裂纹区域连通得到的区域作为裂纹区域。

[0022] 优选的，获取二叉树中的裂纹二叉树包括：

[0023] 将二叉树中同时存在左子树和右子树的二叉树作为裂纹二叉树。

[0024] 优选的，将边缘点的对应邻域内边缘点的个数小于预设的个数阈值的边缘点时对应的边缘点作为左子树中的叶子节点。

[0025] 优选的，获取边缘二值图像包括：

[0026] 利用边缘检测算法获取灰度图对应的边缘图像；

[0027] 对边缘图像进行二值化得到边缘二值图像，其中，边缘二值图像中边缘像素点的灰度值置为0，背景像素点的灰度值置为1。

[0028] 本发明的一种用于输电线路在线监测的智能电力金具缺陷识别方法的有益效果是：

[0029] 通过对裂纹边缘和正常的金具边缘进行边缘分析，得到裂纹边缘、金具边缘对应的边缘点的邻域内的边缘点的数量不同，故先获取边缘二值图像，然后依据边缘二值图像中每个边缘上的边缘点的邻域内的边缘点的数量来构建二叉树，利用构建的二叉树结构将裂纹边缘、金具边缘区分开得到裂纹边缘对应的裂纹二叉树，从而实现初步对裂纹边缘的提取；然后基于裂纹二叉树对其对应的边缘点的最小外接矩形区域，获取最小外接矩形区域的目的是为了防止某些位于裂纹的细小边缘上的裂纹点未识别到进而影响裂纹区域的提取，故以最小外接矩形内的裂纹二叉树中的右子树对应的裂纹分叉处的节点为初始聚类中心，左子树对应的任意一个节点为初始聚类中心，对最小外接矩形内的每个像素点基于色调、距离进行聚类，实现第二次对裂纹区域进行提取，基于得到聚类区域内像素点与聚类中心的连线方向与聚类区域的主成分方向来进一步精确提取最小外接矩形区域内的所有裂纹像素点，并得到裂纹区域，从而实现了对裂纹区域的精确提取。

附图说明

[0030] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。

[0031] 图1为本发明的一种用于输电线路在线监测的智能电力金具缺陷识别方法的实施例的流程图。

[0032] 图2为本发明的一种用于输电线路在线监测的智能电力金具缺陷识别方法的实施例的金具边缘对应的二叉树的结构示意图。

[0033] 图3为本发明的一种用于输电线路在线监测的智能电力金具缺陷识别方法的实施例的裂纹边缘对应的裂纹二叉树的结构示意图。实施方式

[0034] 下面将结合本发明实施例中的附图，对本发明实施例中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。

[0035] 本发明的一种用于输电线路在线监测的智能电力金具缺陷识别方法的实施例，如图1所示，本实施例包括：

[0036] S1、获取智能电力金具的灰度图像；

[0037] 为了获取成像清晰、特征细节表征全面的智能电力金具表面图像，使用CCD相机对输电线路中智能电力金具进行拍摄采集，得到RGB空间下的智能电力金具表面图像，具体的，由于在自然工作环境中对输电线路中智能电力金具表面进行拍摄采集，拍摄采集的工作环境中会出现不可预测的自然随机噪声，这些随机噪声可能会对后续智能电力金具缺陷的识别判断造成较大的影响和误差，为了尽可能削弱甚至消除这些随机噪声带来的影响，使用引导滤波方法对采集得到的RGB空间下的智能电力金具表面图像进行降噪分析处理，引导滤波算法是图像滤波降噪过程中的公知技术，相对于其他传统滤波方法，可以更好的保留图像边缘局部细节信息，同时具有较好的实时性效果，符合本发明在线实时监测的应用场景，为了提高整个智能电力金具缺陷识别系统的实时性效果，降低计算误差，提高识别检测的精确程度，对处理后得到的智能电力金具的HSV图像进行转换，使用加权平均法将RGB空间下的智能电力金具表面图像转化得到智能电力金具表面的灰度图像。

[0038] 同时，为了便于提取该智能电力金具表面颜色特征信息作为智能电力金具缺陷识别的一种判断依据，将RGB空间下的智能电力金具表面图像转化得到HSV颜色空间下的智能电力金具的HSV图像。

[0039] S2、获取灰度图像的边缘二值图中每个边缘的二叉树；

[0040] 具体的，获取灰度图像的边缘二值图像，将每个边缘线上的边缘点的对应邻域内边缘点的个数大于预设的个数阈值的边缘像素点作为右子树的节点，将每个边缘线上边缘点的对应邻域内边缘点的个数小于或者等于预设的个数阈值的边缘点作为左子树的节点，并得到每个边缘线对应的二叉树。

[0041] 其中，由于智能电力金具长时间暴露于复杂的自然环境，同时受到输电线的机械外力作用导致智能电力金具表面出现裂纹缺陷，裂纹缺陷即在智能电力金具表面出现裂纹，为了对智能电力金具表面这种裂纹进行识别，使用Canny算子对步骤S1得到智能电力金具表面灰度图像进行边缘检测，得到边缘图像。

[0042] 由于，根据得到的边缘二值图像中不仅会存在智能电力金具表面边缘的特征信息，还会有智能电力金具表面中裂纹缺陷的特征信息，为了获取智能电力金具表面的裂纹缺陷的特征信息，需要对智能电力金具表面的边缘图像进行二值化得到边缘二值图像，其中，边缘二值图像中边缘像素点的灰度值置为0，背景像素点的灰度值置为1。

[0043] 由于自然环境和机械外力作用影响下导致的智能电力金具表面出现裂纹缺陷情使得智能电力金具表面的裂纹区域的形成的边缘对应的像素点与智能电力金具表面边缘位置处的像素点会有区别，即智能电力金具表面发生裂纹后通常会呈现树枝分杈状裂纹，与其余智能电力金具表面边缘闭合曲线像素点的几何外形特征有较为明显的特征，因此，本实施例根据这两者几何外形上较为显著的区别对智能电力金具表面的边缘二值图像上的像素点进行划分；即对于智能电力金具的边缘其为闭合曲线，故其上任意一个边缘点的8邻域内有且仅有2个边缘像素点，而对于智能电力金具表面的裂纹边缘，其边缘呈现树枝分杈状，故裂纹边缘上的边缘点的8邻域内存在大于2个边缘像素点，因此，设定边缘点的对应邻域内边缘点的个数阈值2，依据次特征构建每个边缘线对应的二叉树，二叉树为现有技术本实施例不再赘述。

[0044] 具体的，得到每个边缘线对应的二叉树包括：将每个边缘线上的边缘点的对应邻域内边缘点的个数大于预设的个数阈值的边缘像素点作为右子树的节点，将每个边缘线上边缘点的对应邻域内边缘点的个数小于或者等于预设的个数阈值的边缘点作为左子树的节点，并得到每个边缘线对应的二叉树，如图2所示，以边缘中的边缘点a为例，若边缘点a为中心的8邻域方向中存在对应两个边缘点的灰度值为0，即为黑色边缘线上的像素点，则以像素点a为根节点构造二叉树，将对应的8邻域中的下个边缘点添加到边缘点a为根节点的二叉树的左子树中，继续遍历边缘上的边缘点，当遍历再次回到像素点a说明该边缘线闭合，或某个像素点a的8邻域中只存在一个像素点数值为0说明此时位于边缘线尾部，此时结束遍历，得到如图2所示的二叉树；如以边缘点a为起点在智能电力金具表面的某个边缘上进行遍历时，若存在某个边缘点b的8邻域中灰度值为0的边缘点大于两个，则确定边缘点b位于裂纹边缘的分叉位置，将该像素点添加到以边缘点a为根节点的右子树中，其余8邻域中灰度值为0的边缘点等于或者小于两个的边缘点仍添加到以像素点a为根节点的左子树中，最终得到如图3所示的二叉树，同理，得到所有边缘对应的二叉树，其中，将边缘点的对应邻域内边缘点的个数小于预设的个数阈值2时的边缘点作为左子树中的叶子节点，需要说明的是，对于金具边缘其为一个闭合曲线，故在金具边缘的左子树中的叶子节点为与根节点相邻的金具边缘像素点，即沿背离金具边缘线的方向与根节点相邻的金具边缘像素点为金具边缘的左子树中的叶子节点。

[0045] 至此，得到了所有边缘对应的二叉树。

[0046] S3、获取裂纹二叉树及最小外接矩形区域；

[0047] 具体的，获取二叉树中的裂纹二叉树，获取每个裂纹二叉树在边缘二值图像中对应的边缘点构成区域的最小外接矩形区域；

[0048] 在步骤S2中得到了每个边缘线对应的二叉树，本发明需要检测裂纹区域，故需要挑选出所有二叉树中的裂纹边缘对应的二叉树，以便于后续裂纹区域的识别，由于，智能电力金具的边缘其为闭合曲线，故其上任意一个边缘点的8邻域内有且仅有2个边缘点，故对于智能电力金具的边缘的二叉树中只有左子树，右子树为空，智能电力金具的边缘对应的二叉树如图2所示，而对于智能电力金具表面的裂纹边缘，其边缘呈现树枝分杈状，故裂纹边缘上的边缘点的8邻域内存在大于2个边缘像素点，故裂纹边缘对应的二叉树中既有左子树又有右子树，裂纹边缘对应的二叉树如图3所示，因此，依据此分析，从所有边缘对应的二叉树中获取裂纹边缘对应的裂纹二叉树，即将二叉树中同时存在左子树和右子树的二叉树作为裂纹二叉树；然后对每个裂纹二叉树在边缘二值图像中对应的边缘点构成区域作最小外接矩形得到的最小外接矩形区域。

[0049] S4、获取多个聚类区域；

[0050] 具体的，以裂纹二叉树中的左子树中的任意一个节点、右子树中的每个节点对应的像素点分别作为初始聚类中心，根据像素点与每个初始聚类中心对应的边缘点的欧氏距离平方值与色调差值的绝对值的乘积作为像素点与每个初始聚类中心对应的边缘点的差异值。

[0051] 其中，对于裂纹二叉树，本实施例以裂纹二叉树中的左子树中的任意一个节点、右子树中的每个节点对应的像素点分别作为初始聚类中心，原因是由于裂纹二叉树的左子树是背景类像素点，且背景类像素灰度相似，故将在左子树中选取一个节点作为背景类像素的初始聚类中心，右子树的节点是明确确定为缺陷的裂纹像素点，且对于裂纹其有很多分叉，故以每个右子树的节点（即树杈的分叉点）为初始聚类中心来进行聚类，从而利用这种方法设置初始聚类中心可以使得聚类算法收敛更快，提高聚类收敛效果，具体的，本实施例采用K‑means聚类算法，K‑means聚类算法为现有技术，本实施例不再赘述；具体的，获取多个聚类区域包括：本实施例聚类过程以一个初始聚类中心为例，即根据像素点与每个初始聚类中心对应的边缘点的欧氏距离、色调差值获取像素点与每个初始聚类中心对应的边缘点的差异值；获取像素点与每个初始聚类中心对应的边缘点的差异值中的最小差异值，若最小差异值对应的初始聚类中心为第一初始聚类中心，将第一初始聚类中心与像素点聚为一类，得到第一聚类区域；更新第一聚类区域的第一初始聚类中心得到更新后的聚类中心，获取下一个目标像素点与更新后的聚类中心对应的边缘点的差异值；若下一个目标像素点与更新后的聚类中心对应的边缘点的差异值中的最小差异值对应的聚类中心为更新第一聚类区域的第一初始聚类中心得到更新后的聚类中心，那么将更新后的聚类中心与像素点聚为一类，得到第二聚类区域；以此类推，直至最小外接矩形区域内的所有像素点均被聚类，得到每个初始聚类中心对应的聚类区域。

[0052] 其中，根据像素点与每个初始聚类中心对应的边缘点的欧氏距离平方值与色调差值的绝对值的乘积作为像素点与每个初始聚类中心对应的边缘点的差异值；具体的，差异值计算公式为：

[0053]

[0054] 表示最小外接矩形区域中的像素点c与初始聚类中心k对应的边缘点的差异值；

[0055] 表示最小外接矩形区域中的像素点c在HSV图像中对应的色调值；

[0056] 表示初始聚类中心k对应的边缘点在HSV图像中对应的色调值；

[0057] 表示最小外接矩形区域中的像素点c与初始聚类中心k对应的边缘点的欧氏距离的平方值；

[0058] 需要说明的是，下一个目标像素点与更新后的聚类中心对应的边缘点的差异值与获取像素点与每个初始聚类中心对应的边缘点的差异值的方法相同，其中，若像素点c为最小外接矩形区域中对应的裂纹二叉树上的像素点时，则像素点c为最小外接矩形区域中对应的裂纹二叉树中根节点与最右节点对应的像素点连线的中点位置处的像素点；通过两个像素点的欧氏距离来反映像素点c与初始聚类中心k对应的边缘点的差异性，由于智能电力金具表面裂纹通常是存在宽度的，因此在输电线智能电力金具表面裂纹区域中，当周围不同的像素点距离某个聚类中心对应的像素点的空间距离越小时，越有可能归为一类，即数值越小，越有可能归为一个区域，在输电线智能电力金具表面裂纹附近，表面颜色越接近的两个像素点归为一类的概率越大，因此， 表示色调值的差值绝对值，差值绝对值越小，对应的两个像素点在颜色上越接近，越有可能归为同一个区域，对于本发明聚类得到的聚类区域即裂纹的主干区域和分支区域。

[0059] S5、获取裂纹区域；

[0060] 具体的，获取每个聚类区域的主成分方向，获取聚类区域内每个像素点与聚类区域的聚类中心的连线方向，根据聚类区域内的像素点与聚类区域的聚类中心的连线方向、聚类区域的主成分方向获取每个最小外接矩形区域中的裂纹区域。

[0061] 根据步骤S4中得到的像素点与每个初始聚类中心对应的边缘点的差异值，差异值越小，越说明像素点与初始聚类中心对应的边缘点越相近，即色调及距离都相近，故可以获取像素点与每个初始聚类中心对应的边缘点的差异值中的最小差异值，那么最小差异值对应的初始聚类中心即为像素点的聚类中心，为了提高裂纹缺陷的识别精度，本实施例需要依据每个裂纹上主干方向和分支方向进一步对裂纹像素点进行提取，具体的，获取像素点与聚类区域的聚类中心的连线方向、聚类区域的主成分方向的夹角；根据夹角与预设的夹角判断像素点是否为裂纹像素点，基于得到聚类区域内像素点与聚类中心的连线方向与聚类区域的主成分方向的方向差异性（即夹角大小），来表征每个像素点与对应的裂纹分叉处的节点的差异性，由于裂纹每个分叉树枝的方向是一致的，如果像素点与聚类中心的方向，与聚类区域（分叉树枝）的主成分方向一致，那么就认为像素点也为裂纹形成的分叉裂纹上，故以此来判断是否为裂纹像素点，并得到每个聚类区域对应的初始裂纹区域，根据所有初始裂纹区域得到裂纹区域，即所有初始裂纹区域连通得到裂纹区域，本实施例先对夹角进行归一化，使夹角位于0到1，然后，设定夹角，其中本实施例的夹角阈值取经验值0.2°，当夹角小于预设夹角阈值时，则认为夹角对应的像素点为裂纹像素点，当夹角大于或者等于预设夹角阈值时，则认为夹角对应的像素点其他像素点，故，以此将每个聚类区域中的所有裂纹像素点进行提取，并裂纹像素点构成的初始裂纹区域，将所有初始裂纹区域拼接得到每个最小外接矩形区域中的裂纹区域。

[0062] 本发明的一种用于输电线路在线监测的智能电力金具缺陷识别方法，通过对裂纹边缘和正常的金具边缘进行边缘分析，得到裂纹边缘、金具边缘对应的边缘点的邻域内的边缘点的数量不同，故先获取边缘二值图像，然后依据边缘二值图像中每个边缘上的边缘点的邻域内的边缘点的数量来构建二叉树，利用构建的二叉树结构将裂纹边缘、金具边缘区分开得到裂纹边缘对应的裂纹二叉树，从而实现初步的对裂纹边缘的提取；然后基于裂纹二叉树对其对应的边缘点的最小外接矩形区域，获取最小外接矩形区域的目的是为了防止某些位于裂纹的细小边缘上的裂纹点未识别到进而影响裂纹区域的提取，故以最小外接矩形内的裂纹二叉树中的右子树对应得裂纹分叉处的节点为初始聚类中心，左子树对应的任意一个节点为初始聚类中心，对最小外接矩形内的每个像素点基于色调、距离进行聚类，实现第二次对裂纹区域的进行提取，基于得到聚类区域内像素点与聚类中心的连线方向与聚类区域的主成分方向的方向差异性，来表征每个像素点与对应的裂纹分叉处的节点的差异性，从而进一步精确提取最小外接矩形区域内的所有裂纹像素点，并得到裂纹区域，本发明实现了对裂纹区域的精确提取。

[0063] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。