0 引言

近年来，对铁路接触网的智能视频监测技术日趋成熟，高速铁路通车里程长，途经各种复杂地形地貌环境。以兰新高铁为例，其沿线多次发生导线大幅舞动现象，电力线舞动会造成断线、放电、金具磨损等事故发生^[1-3]。精确快速识别视频监测传输所得图像中电力线目标，可以判断电力线舞动情况，监测线路运行状态，提前对线路故障发出预警，最大程度地减少经济损失，保障铁路运输安全^[4-6]。

铁路接触网线路运行环境复杂，电力线目标在图像中极其细弱，且电力线与背景像素值接近，易出现由背景干扰引起的电力线漏检、误检等现象^[7]。目前，在电力线图像处理方面的研究主要集中于图像处理算法的改进优化，利用算法快速准确地识别电力线目标。为更好地识别检测图像中电力线，学者基于多种方法进行了研究。Zhu等人利用双边滤波对航拍图像进行增强处理，对导线双边缘进行加权平均计算，处理效果较好，但在算法效率上可以做进一步提升^[8]；曹蔚然等人利用自相关增强方法减弱电力线图像中的复杂背景，增强电力线目标，提高了图像中电力线识别率，但算法需人工控制迭代次数才可达到良好的识别效果^[9]；周封等人针对复杂多变的电力线图像提出了基于颜色空间变量的分类及特征提取方法，有效完成对图像边缘特征的提取，但算法处理基于大量的统计数据，实现过程复杂繁琐^[10]；针对复杂背景下的电力线，赵乐等人提出一种结合Ratio算法和改进的霍夫变换对电力线目标提取的新方法^[11]，算法有良好的抗噪能力，可以精确提取图像中电力线，但算法计算过程复杂，需反复确定线特征检测阈值。

针对上述问题，本文提出了一种不同类别背景下铁路接触网电力线目标边缘自动提取与检测方法。通过分析不同图像中电力线的特征，得到电力线目标的灰度分布，对图像中目标进行预处理增强完成边缘特征检测铺垫。利用基于统计模型的Ratio算子，引入线特征检测阈值，对图像中电力线目标进行边缘检测，对图像检测到边缘进行四方向链码追踪处理完成边缘提取。

1 图像特征

作为铁路供电系统中最重要的组成部分，接触网线路常年暴露在自然环境中，输电走廊内建筑物、道路、山地等构成了复杂多变的运行环境。

在铁路沿线，接触网主要包括接触线、正馈线、保护线、承力索等线索^[12]。铁路所经地区跨度大、背景差异明显、环境天气状况复杂多变，故选择复杂背景下铁路接触网电力线图像进行目标边缘检测与提取。

1.1 电力线图像

常见的接触网电力线路图像背景类型有以下几种：背景为蔚蓝色天空、背景为灰暗的天空、背景为深绿色的树木、背景为白茫茫的雪地等，同时也会大量出现局部背景偏亮、偏暗及混杂有其他背景的复杂图像。如图 1所示，6张电力线图像背景各不相同，在不同环境背景下电力线目标边缘特征差异较大。因此对于不同背景的电力线图像有必要进行图像特征统计，观察提取其像素分布特征。

根据对大量电力线图像边缘的观察，可以统计电力线相比于其他图像，其主要特点如下：

1）接触网每跨距电力线实际长度为40~65 m，基本横跨整幅图像。

2）电力线在图像中类似抛物线，由于图像畸变及拍摄方式相异，在空间位置中电力线变化较大。

3）电力线像素所占宽度一般为3~6个像素点。

4）电力线在图像中拓扑结构清晰，中间有支柱隔开，特点明确。

1.2 电力线图像分类

监测视频传输的接触网电力线图像均为RGB图像，即以R(红)，G(绿)，B(蓝)3种基色混合而成的颜色模型显示，数据量大，处理过程复杂，较难探测在不同背景下电力线像素值的差异^[13-14]。本文将RGB图像转化为以色调(H)、饱和度(S)和明度(V)表示的HSV颜色模型，按照不同空间中的颜色变量和电力线图像特征之间的差异，将图像分为特殊背景图像、前景突出图像、正常背景图像、背景突出图像。

1.3 灰度值分布

为完成电力线目标边缘检测与提取，研究图像中电力线周围像素点的灰度分布特征。从电力线纵向分析，图中电力线目标在局部范围内可以看作是光亮的直线，显示为一条或几条线段相互平行，在图中表现出长、直、亮的特点。从横向分析，电力线灰度像素值分布为山峰状。为仔细观察图像中电力线在不同方向上的灰度分布，提取如图 2所示的电力线局部背景。

选取具有代表性、不同背景下不同角度的图像，分析电力线周围像素值的分布情况。选择部分电力线目标段，如图中加粗段所示，在横向方向确定5个等距离点，沿此5个点以垂直于所选目标段方向线段两侧(电力线纵向)各延伸10个像素点，如图中箭头所示。提取这些像素点的灰度值，即得到电力线周围背景中灰度分布数据。采集不同背景图像中电力线目标灰度值数据，将每张图中所得5组数据用不同颜色展示，横轴为电力线目标位置，纵轴为该点灰度值，得到电力线目标背景灰度分布示意图，如图 3(a)—图 3(e)所示。

由图 3(a)—图 3(e)可以看出电力线目标段周围具体像素值的分布。为直观表现电力线目标段纵向灰度的立体分布情况，以蓝色天空背景下接触网电力线为目标，绘制了目标段周围像素分布3维图，如图 3(f)所示。由图 3(f)可以看到电力线像素呈山脊形分布，在目标段两侧像素值有明显变化，相对两侧，目标像素灰度值变化明显，差异显著，符合图 3(a)—图 3(e)数值分析结果。从图 3整体分析可以看出，电力线目标段在图像中纵向灰度分布类似脉冲分布，中间明亮，两侧较暗。相邻背景之间亮度杂乱灰暗。结合不同背景下电力线纵向灰度的分布情况及像素分布特性，得到灰度拉伸阈值范围及特定背景下线特征检测阈值l_th的范围，提升预处理效果，完善结合背景特征和改进Ratio算子的区域链码算法。

2 图像预处理

图像在传输过程中受到噪声，环境等因素的影响，电力线目标边缘细节特征不明显。相对于普通图像，电力线图像目标较明确，背景复杂，目标较亮且细^[15]。常用图像增强方法处理该特殊图像并不会得到清晰目标，甚至在大多数情况下会出现背景覆盖电力线目标的效果，影响后续电力线边缘检测效果。故利用电力线目标的灰度特征以及局部范围中目标与背景之间的关系，预处理图像，加强图中的电力线目标，体现目标细节方便后续处理。

2.1 灰度化

视频监测传输图像为RGB色彩模型，所占通信通道空间大、传输效率低、速度慢。电力线目标的识别不用考虑其形态特征，且灰度图像也可以表达图像中目标色度和亮度等级的分布。同时为减少数据量，提升算法识别准确度，提高算法速率，对目标图像进行灰度化处理。

根据颜色分量空间之间的亮度变化，按下式对RGB三分量进行加权平均，得到较合理的灰度图。

$ {G_\text{ray}}(i, j) = 0.299R(i, j){\text{ + }}0.578G(i, j){\text{ + }}0.114B(i, j) $

(1)

式中：(i, j)是图像中像素点的横、纵坐标；G_ray代表灰度化处理后的灰度值；R代表红色分量的灰度值；G代表绿色分量的灰度值；B代表蓝色分量的灰度值。

2.2 图像滤波

在拍摄传输过程中图像存在大量噪声，环境的影响也使图像细节特征表现不明显^[16-17]。为尽可能消除其对边缘提取的影响，用高斯滤波的方法对图像进行处理。图像离散2维高斯滤波计算式如下

$ C(x, y) = \sum\limits_{u = - c}^{\text{c}} {\sum\limits_{v = - c}^c {} } I(x + u, y + v)G(u, v) $

(2)

式中：I为图像；(x, y)为图像中像素点的横、纵坐标；(u, v)为邻域像素点；c为滤波模板长/宽的一半，G(u, v)满足如式(3)。

$ G(u, v, \sigma ) = \frac{1}{{2{\text{π }}{\sigma ^2}}}{{\text{e}}^{ - \frac{{{u^2} + {v^2}}}{{2{\sigma ^2}}}}} $

(3)

式中：σ为标准差；取u，v方向上的$ \sigma $相同。

2.3 直方图均衡化

经过高斯滤波处理后的图像，去除了孤立点噪声的局部影响。常见因素下光照、空气透光会使图像出现偏暗，电力线目标和不同的背景之间灰度值极度接近的情况，图中目标难以分辨识别。对图像进行灰度非线性拉伸，均匀分配原直方图中的像素，以提高图像对比度^[18]，使灰度化后图中比较灰暗的电力线目标，表现清晰，方便后续检测边缘。

结合图像电力线灰度值分析结果，得到不同类别背景下电力线目标阈值范围如表 1所示，表中T为图像背景分割阈值，H为中图像灰度平均值。将灰度直方图中的98%按比例拉伸到全部空间，剩余端头各1%的灰度拉伸至全部空间中，灰度拉伸如式(4)。

$ A\text{(}x\text{, }y\text{) =}\left\{\begin{array}{l}0\text{，}&I(x, y)\le a\\ \frac{C(x, \text{ }y)-a}{b-a}\times 255, &a < I(x, y) < b\\ 255\text{，}&I(x, y)\ge b\end{array}\right. $

(4)

其中，$ I\left( {x, y} \right) \in \left[ {0, 255} \right], a = 25.5, b = 229.5 $

$ x \in \left[ {0, 1, \ldots n} \right], {\text{ }}y \in \left[ {0, 1, \ldots m} \right] $

式中：C(x, y)为高斯滤波后的灰度值；A(x, y)为拉伸后的结果；m、n为图像的尺寸；a、b为灰度拉伸的起止值。

3 边缘检测与提取

从图像中提取电力线可以分为边缘检测和边缘提取2个步骤。相比Canny，Prewitt等经典边缘检测算法，基于统计模型的线条边缘检测算法Ratio算子具有良好的抗噪能力^[19-20]，通过对模型的统计分析可以在复杂的背景中提取检测到电力线的边缘细节。其中，Ratio算子中线特征检测阈值l_th的取值决定了边缘提取结果，若l_th设置小于背景阈值，提取的边缘虽然连续但噪声太多，无法清晰对目标进行边缘检测；若l_th数值超出背景范围阈值，提取得到边缘会出现漏检及断股的现象。同时，虽然边缘检测得到电力线目标轮廓较完整，但由于背景噪声及部分线段重叠、断裂、模糊的影响，电力线目标段并不连续。

针对上述问题，首先利用Ratio算子检测预处理加强后的目标图像，为避免噪声影响及误检漏检状况的发生，结合所得不同背景下电力线灰度值的参考范围，引入可变化线特征检测阈值l_th。然后对边缘检测结果进行区域链码聚类分析，确保边缘完整准确。流程示意如图 4所示。

3.1 改进的Ratio边缘检测

从大量电力线图像分析得到，电力线目标在图像中可近似为贯穿整个平面的轻微弧度抛物线，且电力线在背景下对比度较低，电力线像素值所占比例小，且信号弱。

设定水平方向的Ratio边缘检测算子如图 5所示。以电力线目标像素点X₀为中心点，在其邻域设定5×5大小的区域，并划分为3个不同的矩形窗，其中灰色边界X₁为1×5大小的矩形窗，黑色边界X₂和白色边界X₃为2×5大小的矩形窗。通过计算得到X₁、X₂和X₃范围内全部像素点的灰度平均值，对比X₁区域内灰度均值与X₂和X₃区域内灰度均值的差别，判断中心目标像素点X₀是否为线性目标结构上的点。

结合灰度值对复杂背景下电力线目标的像素值分析，从而提高算法识别精确度，降低噪声影响，具体流程如下：

1）在图像D(x, y)中选取X_ij为起始像素点，在其邻域像素选择5×5大小的区域，i和j的取值范围为：i=3, 4, ∙∙∙, M−2；j=3, 4, ∙∙∙, N−2。其中，M、N分别为图中横坐标i、纵坐标j的最大值。

2）以X₀为边限，分别计算X₁、X₂和X₃区域的灰度平均值。

$ {u_k} = \frac{1}{{{n_k}}}\sum\limits_{{R_k} \in {X_k}} {D({R_k})} $

(5)

式中：u_k为范围内灰度平均值；n_k为区域范围内总像素数；R_k为区域范围内像素点；k=1, 2, 3。

3）定义区域i和j的边缘检测响应函数l_ot为

$ {l_{ot}} = 1 - \min \left( {\frac{{{u_o}}}{{{u_t}}}, \frac{{{u_t}}}{{{u_o}}}} \right) $

(6)

式中：min(*)为最小值取值函数；u_o和u_t为灰度均值；o=1, 2, 3；t=1, 2, 3。

4）定义特征检测响应函数值l并将其存入数组U_ij中

$ l = \min ({l_{12}}, {l_{13}}) \in {U_{ij}} $

(7)

5）重复执行1)—4)步骤，移动X_ij直至遍历位置索引集合$ \mathit{\Omega} $。

$ \mathit{\Omega} = \{ (i, j)\mid 3 \leqslant i \leqslant M - 2, 3 \leqslant j \leqslant N - 2\} $

(8)

6）通过对大量样本下的数据统计，得到不同背景下线特征检测阈值的参考选取范围l_th，引入l_th则边缘检测的结果E(i, j)为

$ E(i, j) = \left\{ {\begin{array}{*{20}{c}} {1, Uij \gt lth} \\ {0, Uij \lt lth} \end{array}} \right. $

(9)

7）重复步骤6)，遍历图像D(x, y)，在边缘处补“0”得到边缘图像E(x, y)。

3.2 区域链码聚类分析

由电力线图像可知，电力线图像的背景噪声大多分布于电力线两侧，少部分噪声点分布在其他区域。噪声在图像中占据面积大、分布较为连续，考虑到电力线在图像中的分布特点，因此本文采用基于区域四方向连通聚类分析的电力线边缘和背景噪声分类方法。

图 6为四方向链码定义示意图。图中四方向链码为以像素点O为中心，若像素点A位于其A1、A2、A3和A4四个位置中任一位置，即认为像素点A和像素点O属于同一个区域。根据区域四链码分类规则，设计对边缘图像E(x, y)进行聚类分析的算法，具体步骤如下：

1）遍历整个边缘图像E(x, y)，记录像素灰度值为1的像素点的位置索引(i_n, j_n)，将其存入数组I₁={(i₁, j₁), (i₂, j₂), (i₃, j₃), ∙∙∙, (i_n, j_n)}，其中m、n代表图像像素点(即图像尺寸)，n≥1。

2）读取数组I₁中的索引点，判断是否被分类，若点(i_m, j_m)未被分类(1≤m≤n)，构造四方向区域链码索引数组I_r，将点(i_m，j_m)从数组I₁中删除并存入I_r(起始r=1)中。

3）判断数组I₁中的任意一点(i_p, j_p)是否和数组I_r中的点(i_m, j_m)构成四连通区域，即判断是否满足下式，其中，$ \emptyset $代表数学空集。

$ \left\{ {\left( {{i_p}, {j_p}} \right)} \right\} \cap \left\{ \begin{gathered} \left( {{i_m} + 1, {j_m}} \right), {\text{ }}\left( {{i_m}, {j_m} + 1} \right), {\text{ }} \hfill \\ \left( {{i_m} - 1, {j_m}} \right){\text{ }}, \left( {{i_m}, {j_m} - 1} \right) \hfill \\ \end{gathered} \right\} \ne \emptyset $

(10)

若点(i_p, j_p)和数组I_r中的任意一点构成四方向区域则将点存入I_r中，同时删除其在I₁中的记录。重复此步骤，直至所有点均不满足条件。

4）若I₁≠$ \emptyset $，r=r+1，重复步骤2)，3)。若I₁=$ \emptyset $, 则所有边缘点均已分类统计，进行步骤5)。

5）统计数组I_r, I_r+1, I_r+2, ∙∙∙, I_r+z中像素点的数量N_r, N_r+1, N_r+2, ∙∙∙, N_r+z，其中z≥1。

6）设定响应阈值N_th，根据图像背景复杂度与阈值N_th之间相关关系，N_th取值区间为[200, 400]。删除像素点数量N≤N_th的区域，并得到边缘图像E₂(x, y)。

4 试验分析 4.1 基本算法试验

作为最普适的边缘检测算法，Canny算法可以很好地抑制噪声并检测到图像边缘细节，达到平衡的状态^[21]，故选用Canny和Ratio算子对电力线进行边缘检测做对比试验。试验首先对图 7中原图 7(a)做预处理，增强图像中电力线目标，同时用Canny边缘检测算法检验预处理增强效果，对比结果如图 7(c)、图 7(d)所示。图 7(e)、图 7(f)分别为图 7(b)经过Ratio和改进Ratio算子处理后得到的图像，图 7(f)经四方向区域链码追踪试验后得到RBCT算法检测图 7(g)。

所有试验均在1.8 Hz四核CPU，8 GB内存计算机上运行。试验图片采用2 482×2 160分辨率的实拍场景图像。为比较不同复杂背景下电力线目标的识别效果，对不同场景下的图像都经过同样的预处理加强，以保证相同的图像质量。

图 7(a)为随机挑选某复杂背景下的铁路电力线实拍图，图中包含约70%的树木，20%的建筑物及杆塔、屋顶、避雷针等杂物，3条横跨完整图像的电力线及个别细小电力线目标。对图 7(a)进行预处理增强，经过灰度化、滤波、直方图均衡化后得到电力线加强图 7(b)。图 7(a)为未经处理三通道色彩模型图像，数据量大且颜色种类多，灰度化处理后图像数据量降低且图像色域较暗，动态范围小。经高斯滤波及直方图均衡化处理，图像细节愈加清晰，阈值统计分析后做直方图拉伸处理，使其动态范围变大，灰度值扩大到整个空间。因此，经预处理后原电力线图像背景中树木及建筑物等背景的像素值弱化，电力线目标像素值得到进一步加强。

为突出对比经预处理后的图像对电力线目标的增强效果，利用Canny经典算子对图 7(a)和图 7(b)分别进行边缘检测。可以看到，灰度化后直接对图 7(a)进行边缘检测，得到图 7(c)噪声分布空间遍及整个像素域，电力线目标混杂不清晰，像素点分散断裂不连续，远远达不到识别电力线目标的要求，不能对其进行边缘检测链码追踪等操作。预处理对目标加强后得图 7(d)，可以看到电力线目标部分轮廓边缘，背景中建筑物、树木等明显削弱。原图中部分像素值小且细的电力线没有得到明显改善效果，其像素值与背景环境差异太小，在处理后图像中表现为像素点杂乱堆积、边缘和背景叠加，无法有效分辨出目标边缘分界。相对未进行预处理增强的原始图像，总体上图 7(d)中大部分电力线目标得到明显改观，背景噪声及环境干扰得到进一步弱化。

图 7(e)为经过预处理加强后用Ratio算子边缘检测得到的处理图，Ratio算子在树木及建筑物的背景中清晰检测出图像中大部分电力线目标，图中树木的轮廓、部分建筑物的窗户等得到弱化处理，背景干扰进一步得到削弱。可以看到，在杆塔和众多背景集中的区域，由于像素值接近，背景噪声遗留较多。细节处理方面，图像上部分一建筑物边沿被错误检测到，由于电力线目标交杂区域图像复杂，目标段之间仍存在大量细微噪声，总体检测结果较Canny算子检测效果明显加强，目标清晰。

通过对大量环境背景中电力线目标周围像素值分析得到阈值范围，继而应用改进Ratio算子进行边缘检测得到结果如图 7(f)所示。放大图像观察可知，电力线目标边缘被清晰检测，周围大部分建筑物、树枝等被剔除掉，建筑物复杂轮廓及窗口等密集区域背景噪声基本消除，电力线目标基本完整，与目标灰度值接近的部分边缘没有出现漏检及误检的情况。

经过链码追踪所得电力线目标如图 7(g)所示，可看到经过对边缘的补充及链码追踪，目标双边缘消失，部分夹杂不连续背景噪声的电力线目标在算法处理后得到填充，图像像素分布平稳集中，检测结果准确，完成对图像中电力线目标的检测提取。

4.2 多场景环境试验

为验证本文所提算法的有效性，对多种背景环境下的电力线目标进行提取试验。试验结果如图 8—图 10所示，其中图(a)为原始图像，图(b)为经过改进的Ratio算法边缘提取效果图，图(c)为四方向链码追踪处理效果图。

如图 8所示，该场景为铁路运营电力线传输最常见的背景之一。图像环境背景构成主要为山地、桥梁、天空及杆塔等，电力线目标具有一定的弧度且相对于周边环境对比度较低、信号弱。经过改进的Ratio算子进行边缘检测，可以看到对电力线的检测基本完整且准确。由于桥墩和电力线目标及杆塔的像素值及色域空间非常接近，阈值统计相当，因此在图像检测结果中仍有部分桥墩边缘轮廓存在，该算法精确地在复杂环境下检测到电力线目标边缘。经过四方向链码追踪处理，电力线断裂部分得到补充，背景噪声进一步抑制，线段双边缘消失，得到电力线目标线段完整且连续，完成对整幅图像中电力线目标在复杂背景下的提取。

如图 9所示，该图像背景为铁路进站口接触网系统，图中接触网构造复杂，布线密集，除接触线外，还有吊弦、承力索、正馈线等^[22]。在灰暗的天空背景下，接触网、支柱、高楼以及铁路网栏的像素灰度值接近，电力线目标弧度极小，但其跨度大，整体占据整幅图像约2/3面积。经改进的Ratio算子边缘检测可以看到，在此环境背景下，处理得到的图像中电力线目标边缘明确，噪声得到抑制，杂乱的背景大多被消除。经区域链码追踪后图像的电力线目标清晰，弥补了边缘检测后电力线目标断股的缺陷，同时由于背景下铁路网栏结构异于电力线，链码追踪进一步抑制了其对目标提取的影响，从而对电力线目标提取起到补充加强的作用。

如图 10所示，该图像背景为架空电力线野外地区常见环境。在背景天空、乌云的衬托下，电力线目标微弱纤小，桥梁及杆塔占据了图像中绝大部分视野，电力线相对背景并不突出，像素值接近且占比相对较小。不经过预处理或运用常规边缘检测算子对目标进行边缘提取，无法有效检测到电力线线段，甚至在多数情况下电力线目标被误认为是背景噪声去除^[23-24]。统计电力线目标周围平均像素值变化后，同时经过预处理加强线状目标，提高了目标在图像中的对比度。经改进Ratio算子进行边缘检测，每跨间电力线目标的轮廓基本上均被检测到，电力线目标清晰明朗，同时由于桥梁目标大，在检测结果中仍然可以看到有部分背景痕迹存在，图像背景仍有部分细微噪声存在。经过链码追踪处理，电力线目标得到延续，总体能量集中，结果较理想，达到了对图像中电力线提取的目标。

4.3 算法准确率对比

为检验所提算法在检测提取电力线目标的有效性和准确性，选择并比较在3种边缘提取算法下对同一图像中电力线目标的处理效果，同时随机挑选更多的其他环境背景下的电力线图像进行试验。为方便衡量算法计算识别效果，以电力线目标在图像中的线检测结果作为基本衡量标准。

图像中电力线目标以边缘处理算法检测到目标线段在图中的实际距离为检测标准，若检测到电力线目标原始点与实际图像最近点像素值小于5个点，角度与实际电力线目标角度偏差小于等于5°，即认为成功检测到一条电力线目标。错误识别出的电力线段条数记为漏检数目，以所选图中边缘检测结果作为判断标准，并以图中原始点相距大于等于3个点，角度相差大于等于3°为电力线约束目标。电力线目标的识别检测准确率计算式如下

$ S{\text{ = }}\frac{{\max \left( {P - F - L, 0} \right)}}{U} \times 100\% $

(11)

式中：S为目标增强率；P为正确识别的电力线目标数目；F为错误识别目标数目；L为漏检目标数目；U为图像中真实目标数

通过处理大量样本图像，对电力线目标按其所处背景环境分类，并从中随机挑选具有代表性的图像，得到在同一图中3种边缘处理算法对目标的识别准确率如表 2所示。由表 2可以看到，RBCT方法的识别准确率平均保持在85%以上，相对于Canny算子RBCT识别准确率平均提高43%，相对于Ratio算法识别准确率平均提高27%。

5 结论

1）对图像进行预处理增强，分析不同复杂背景下接触网电力线目标背景灰度值，引入线特征检测阈值l_th，利用Ratio算子完成图像边缘检测，图像噪声得到抑制，电力线边缘检测准确完整。

2）区域链码聚类分析可有效检测电力线边缘，去除背景噪声，解决边缘检测出现的断股、分裂、边缘重叠问题，完成对图像电力线目标的提取。

3）试验结果表明，不同类别复杂背景下RBCT算法均可完整准确地提取出电力线目标，算法准确率高，能够应用在电力线单目或多目的视频监测及电力线巡检中，具有很大的工程实际应用价值。