本發明涉及一種圖像處理方法，屬于圖像處理，尤其涉及一種基于零樣本學習的電網線路圖分割方法及系統。

背景技術：

1、隨著電力行業的快速發展和城市化進程的加速，電網的安全運行越來越受到社會的關注，而電網線路的及時和準確檢測是保證電網安全運行的重要環節；傳統的電網線路檢測方式主要依賴于人工巡檢，不僅效率低下，而且可能存在安全隱患，隨著無人機技術的快速發展，利用無人機進行電網線路的航拍巡檢成為了一種新的解決方案，無人機航拍能夠提供大量的高分辨率圖像，為電網線路的檢測提供了豐富的數據資源。

2、然而，由無人機航拍獲得的電網線路圖像通常包含大量的背景噪聲和復雜的場景，這為電網線路的實例分割帶來了很大的挑戰，傳統的實例分割方法通常需要大量的標注數據來訓練模型，在電網線路中，其檢測場景較為復雜，獲取大量復雜場景的標注數據是不現實的，需要付出較高的成本。因此，亟需一種成本較低的手段，實現對電網線路復雜場景圖像的精準分割。

技術實現思路

1、本發明的目的是克服現有技術中存在的上述缺陷與問題，提供一種成本較低，且可以實現復雜場景圖像精準分割的基于零樣本學習的電網線路圖分割方法及系統。

2、為實現以上目的，本發明的技術解決方案是：一種基于零樣本學習的電網線路圖分割方法，包括：

3、s1、獲取電網線路鳥瞰圖作為輸入數據；

4、s2、基于開集目標檢測算法，學習輸入數據的圖像特征，獲得輸入數據的圖像檢測框；

5、s3、基于萬物分割算法，在萬物分割算法的解碼器模塊中加入適應性特征定位算法更新萬物分割算法的圖像標記交叉注意力函數，獲得自矯正萬物分割模型；

6、所述更新后的圖像標記交叉注意力函數如下：

7、dcattn(t，x)＝σ(q(t)·k(xp+δp)t)·v(xp+δp)；

8、其中：t為提示標記的特征，xp為圖像特征，q、k、v分別為查詢、鍵和值的嵌入投影函數，σ為歸一化指數函數，xp+δp為更新后的采樣位置上重新采樣獲得的圖像特征；

9、s4、將輸入數據的圖像檢測框作為自矯正萬物分割模型的框提示進行輸入并引入多尺度推理機制對電網線路鳥瞰圖進行分割，完成對電網線路鳥瞰圖的實例分割。

10、所述步驟s3，具體是指：

11、所述萬物分割算法的原始圖像標記交叉注意力函數公式如下：

12、cattn(t，x)＝σ(q(t)·k(xp)t)·v(xp)；

13、在所述萬物分割算法的解碼器模塊中加入適應性特征定位算法，所述適應性特征定位算法首先進行特征提取，令輸入特征f(i)表示從圖像特征中提取的特征向量，然后定義調整函數為g(f(i)，θ)，并根據輸入特征f(i)調整參數θ，最后使用調整后的參數θ′＝g(f(i)，θ)更新圖像標記交叉注意力函數；其中：f(i)＝xp，θ′＝δp；δp為偏移，其表達式如下：

14、δp＝θs(θoffset(xp))；

15、其中：θs為縮放函數，θoffset為偏移網絡。

16、所述步驟s4中，所述引入多尺度推理機制對電網線路鳥瞰圖進行分割是指：

17、首先將原始圖像轉換成不同的尺度，獲得各個尺度的圖像特征，然后考慮圖像特征的全局大尺度特征與局部小尺度特征，基于萬物分割算法分別提取圖像特征并進行分割，隨后將各個尺度的圖像特征進行融合，獲得融合多尺度特征，最后基于融合多尺度特征對電網線路鳥瞰圖進行分割，完成對電網線路鳥瞰圖的實例分割。

18、所述步驟s1中，所述電網線路鳥瞰圖是指：

19、通過無人機航拍或網絡獲取電網線路鳥瞰圖，所述電網線路鳥瞰圖不包含可用于直接指示圖像內容的特定部分或特性的附加標簽信息。

20、所述輸入數據的圖像特征包括：電網線路鳥瞰圖中支架、桿塔與線路的視覺特征與語義特征；

21、所述視覺特征包括：顏色、邊緣、紋理、形狀、輪廓、特定圖案、線路走向、連接點、密度、環境背景、地形地貌、設施設備；

22、所述語義特征包括：空間關系、互動關系、線路類型、線路狀態、安全隱患。

23、一種基于零樣本學習的電網線路圖分割系統，包括：

24、輸入數據獲取模塊，用于獲取電網線路鳥瞰圖作為輸入數據；

25、圖像特征獲取模塊，用于基于開集目標檢測算法，學習輸入數據的圖像特征，獲得輸入數據的圖像檢測框；

26、自矯正模型構建模塊，用于在萬物分割算法的解碼器模塊中加入適應性特征定位算法更新萬物分割算法的圖像標記交叉注意力函數，獲得自矯正萬物分割模型；

27、所述更新后的圖像標記交叉注意力函數如下：

28、dcattn(t，x)＝σ(q(t)·k(xp+δp)t)·v(xp+δp)；

29、其中：t為提示標記的特征，xp為圖像特征，q、k、v分別為查詢、鍵和值的嵌入投影函數，σ為歸一化指數函數，xp+δp為更新后的采樣位置上重新采樣獲得的圖像特征；

30、實例分割模塊，用于將輸入數據的圖像檢測框作為自矯正萬物分割模型的框提示進行輸入并引入多尺度推理機制對電網線路鳥瞰圖進行分割，完成對電網線路鳥瞰圖的實例分割。

31、所述自矯正模型構建模塊，用于根據以下方法獲得自矯正萬物分割模型；

32、所述萬物分割算法的原始圖像標記交叉注意力函數公式如下：

33、cattn(t，x)＝σ(q(t)·k(xp)t)·v(xp)；

34、在所述萬物分割算法的解碼器模塊中加入適應性特征定位算法，所述適應性特征定位算法首先進行特征提取，令輸入特征f(i)表示從圖像特征中提取的特征向量，然后定義調整函數為g(f(i)，θ)，并根據輸入特征f(i)調整參數θ，最后使用調整后的參數θ′＝g(f(i)，θ)更新圖像標記交叉注意力函數；其中：f(i)＝xp，θ′＝δp；δp為偏移，其表達式如下：

35、δp＝θs(θoffset(xp))；

36、其中：θs為縮放函數，θoffset為偏移網絡；

37、則更新后的圖像標記交叉注意力函數如下：

38、dcattn(t，x)＝σ(q(t)·k(xp+δp)t)·v(xp+δp)；

39、其中：t為提示標記的特征，xp為圖像特征，q、k、v分別為查詢、鍵和值的嵌入投影函數，σ為歸一化指數函數，xp+δp為更新后的采樣位置上重新采樣獲得的圖像特征。

40、所述實例分割模塊，用于根據以下方法進行實例分割；

41、首先將原始圖像轉換成不同的尺度，獲得各個尺度的圖像特征，然后考慮圖像特征的全局大尺度特征與局部小尺度特征，基于萬物分割算法分別提取圖像特征并進行分割，隨后將各個尺度的圖像特征進行融合，獲得融合多尺度特征，最后基于融合多尺度特征對電網線路鳥瞰圖進行分割，完成對電網線路鳥瞰圖的實例分割。

42、所述輸入數據獲取模塊獲取的輸入數據包括：

43、通過無人機航拍或網絡獲取電網線路鳥瞰圖，所述電網線路鳥瞰圖不包含可用于直接指示圖像內容的特定部分或特性的附加標簽信息。

44、所述圖像特征獲取模塊獲取的輸入數據的圖像特征包括：

45、電網線路鳥瞰圖中支架、桿塔與線路的視覺特征與語義特征；

46、所述視覺特征包括：顏色、邊緣、紋理、形狀、輪廓、特定圖案、線路走向、連接點、密度、環境背景、地形地貌、設施設備；

47、所述語義特征包括：空間關系、互動關系、線路類型、線路狀態、安全隱患。

48、與現有技術相比，本發明的有益效果為：

49、本發明一種基于零樣本學習的電網線路圖分割方法及系統中，方法首先獲取電網線路鳥瞰圖作為輸入數據，然后基于開集目標檢測算法，學習輸入數據的圖像特征，獲得輸入數據的圖像檢測框，隨后基于萬物分割算法，在其解碼器模塊中加入適應性特征定位算法更新圖像標記交叉注意力函數，獲得自矯正萬物分割模型，最后將輸入數據的圖像檢測框作為自矯正萬物分割模型的框提示進行輸入并引入多尺度推理機制對電網線路鳥瞰圖進行分割，完成對電網線路鳥瞰圖的實例分割；本設計在應用中，通過開集目標檢測算法與萬物分割算法相結合，并設計了適應性特征定位算法對萬物分割算法進行自矯正，實現了零樣本下的電網線路圖像的實例分割，并且解決了開集目標檢測算法檢測框自動標注精準度不高的缺陷，同時通過引入多尺度推理機制，進一步提高了電網線路的復雜場景分割的準確性和魯棒性。因此，本發明不僅成本較低，而且可以實現復雜場景圖像精準分割。