# powerline

**Repository Path**: chris118/powerline

## Basic Information

- **Project Name**: powerline
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-13
- **Last Updated**: 2026-06-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 高压导线边缘检测算法

从人工刺点出发，沿指定方向自动搜索高压导线（高压线）的灰色边缘，输出边缘点坐标及可视化结果。

---

## 目录

- [背景与需求](#背景与需求)
- [算法原理](#算法原理)
- [刺点搜索方向规则](#刺点搜索方向规则)
- [代码结构](#代码结构)
- [使用方法](#使用方法)
- [输出文件说明](#输出文件说明)
- [参数调优指南](#参数调优指南)
- [调试与诊断](#调试与诊断)

---

## 背景与需求

电力巡检中，需要通过图像识别高压导线的精确位置。人工在图像上刺点（标记点）作为搜索起点，算法从刺点出发，沿导线方向搜索，自动定位导线的边缘位置。

**核心挑战：**
- 导线是灰色的，与天空背景对比度低
- 水平方向（离镜头近）导线清晰，垂直方向（离镜头远）导线较淡
- 图像中可能有多条导线，需要避免误选远处导线
- 尽量减少硬编码阈值，提高算法鲁棒性

---

## 算法原理

### 总体思路（方案A：半幅过渡点法）

算法分为四个步骤：

```
刺点（人工标记）
    ↓
① 沿搜索方向采样灰度剖面
    ↓
② 找导线中心（最近显著暗谷）
    ↓
③ 找导线边缘（30%阈值半幅过渡点法）
    ↓
④ 亚像素精化（抛物线拟合）
    ↓
输出边缘坐标 + 可视化
```

---

### 步骤①：采样灰度剖面

从刺点出发，沿搜索方向逐像素采样灰度值。

- 使用 **3×3 局部窗口平均**，抗噪并提高鲁棒性
- 采样长度默认 300 像素（可通过 `max_steps` 参数调整）
- 输出：灰度值数组 `profile[]`，以及每个采样点的位置坐标

```
profile[] = [  sky_pixel, sky_pixel, ..., wire_edge, wire_center, ... ]
               ↑ 起点（刺点）                                ↑ 搜索方向
```

---

### 步骤②：找导线中心（最近显著暗谷法）

**目标：** 在灰度剖面中找到导线中心（最暗的位置）。

**为什么不用全局最暗点？**
在多导线场景中，远处可能有更粗/更暗的导线。但刺点标记的是近处的目标导线，应该优先找**离刺点最近**的导线。

**算法：**

1. 对剖面做高斯平滑（`GaussianBlur`，核大小5）
2. 计算天空基线：剖面起始段（前10像素或1/4长度）的灰度均值
3. 找出所有**显著暗谷**：
   - 暗谷定义：局部最小值（`profile[i] < profile[i-1]` 且 `profile[i] < profile[i+1]`）
   - 显著条件：比天空基线暗至少 `min_depth=8` 个灰度值
4. **优先选择离起点最近的显著暗谷**
5. 额外验证：如果最近谷的深度不到最深谷的 40%，且最深谷也在 100 像素以内，则改用最深谷（防止近处是噪声误判）

```
剖面灰度示例：
   sky: ~180 ────────────────────────
   wire:      ↘  ____  ↙              ← 暗谷（局部最小值）
              |    |
            sky  center  wire        ← 优先选最近的谷
```

---

### 步骤③：找导线边缘（30%阈值半幅过渡点法）

**目标：** 在"刺点 → 导线中心"之间，找到导线与天空的交界处（边缘）。

**为什么不用最陡梯度法？**
梯度最陡处总是在导线谷底的斜坡上（靠近中心），而不是导线的真实外边缘。

```
灰度剖面示意图（从天空到导线中心）：

  灰度值
  200 ┤                  ● 刺点（天空）
      │                 ╱
  180 ┤               ╱
      │             ╱
  160 ┤           ╱
      │         ╱
  140 ┤       ╱
      │     ╱
  120 ┤   ● ← 30%阈值点（边缘）✅ 这里才是导线外沿
      │ ╱
  100 ┤● ← 最陡梯度处（谷底斜坡）❌ 不在边缘
      │
   80 ┤     ● ← 导线中心（最暗点）
      └───┬───┬───┬───┬───→ 搜索步数
          边缘  最陡  中心

  天空基线: 180
  导线中心: 80
  30%阈值: 180 - 0.30 × (180 - 80) = 150
```

**算法：**

1. 取"起始点 → 导线中心"之间的剖面子区间
2. 计算天空基线 `sky_level`（子区间起始段均值）
3. 计算导线中心值 `wire_val`（子区间内最小值）
4. 计算边缘阈值：
   ```
   threshold = sky_level - 0.30 × (sky_level - wire_val)
   ```
   - 系数 `0.30` 表示：从天空向导线方向，亮度下降 30% 处认定为边缘
   - 该系数可通过 `EDGE_THRESHOLD_RATIO` 参数调整
5. 从天空侧向中心方向，找到**第一个灰度值 ≤ 阈值**的像素，作为边缘点
6. 限制：边缘点至少离中心 2 像素以上（防止误判到中心位置）

**为什么是 30%？**
导线从天空到中心的灰度下降通常是陡峭的，30% 处恰好落在导线的上沿/外沿位置。若需要边缘点更靠外（更靠近天空），可减小该系数（如 0.20）；若需要更靠内（更靠近中心），可增大该系数（如 0.50）。

---

### 步骤④：亚像素精化

边缘点的整数像素坐标精度有限，通过抛物线拟合梯度在边缘点附近的变化，实现亚像素级精度。

**方法：**
在边缘点前后各取一个梯度值，用抛物线 `y = ax² + bx + c` 拟合，求抛物线极小值处的偏移量。

- 偏移范围限制在 ±0.5 像素内，防止过拟合
- 输出：亚像素级边缘坐标（浮点数精度）

---

## 刺点搜索方向规则

### 18点模式（每导线9点）

| 点编号 | 所属导线 | 搜索方向 | 说明 |
|--------|----------|----------|------|
| 1~4 | 左导线 | 垂直向上 | 从导线下方向上方搜索 |
| 5~9 | 左导线 | 水平向右 | 从左向右搜索 |
| 10~13 | 右导线 | 垂直向上 | 从导线下方向上搜索 |
| 14~18 | 右导线 | 水平向左 | 从右向左搜索 |

### 22点模式（每导线11点）

| 点编号 | 所属导线 | 搜索方向 | 说明 |
|--------|----------|----------|------|
| 1~5 | 左导线 | 垂直向上 | 从导线下方向上搜索 |
| 6~11 | 左导线 | 水平向右 | 从左向右搜索 |
| 12~16 | 右导线 | 垂直向上 | 从导线下方向上搜索 |
| 17~22 | 右导线 | 水平向左 | 从右向左搜索 |

### 通用模式

当刺点数量不是 18 或 22 时，自动平分前后两半，前一半为左导线，后一半为右导线；垂直/水平搜索点按中点自动划分。

---

## 代码结构

```
wire_edge_detector.py
├── imread_rgb()                   # 中文路径兼容的图像读取
├── WireEdgeDetector 类
│   ├── __init__()                # 初始化，加载图像和刺点
│   ├── _load_device_points()     # 读取刺点坐标文件
│   ├── determine_search_direction()  # 判断每个点的搜索方向
│   ├── _sample_along_direction() # 沿方向采样灰度剖面
│   ├── _find_wire_center()       # 找导线中心（最近暗谷法）
│   ├── _find_edge_from_center()  # 找边缘（30%阈值法）
│   ├── _subpixel_refine()        # 亚像素精化
│   ├── _detect_edge()            # 核心检测流程（串联上述步骤）
│   ├── _subpixel_to_coord()      # 亚像素索引转坐标
│   ├── search_edge()             # 单点边缘搜索入口
│   ├── process_all_points()      # 批量处理所有刺点
│   ├── visualize_results()       # 可视化并保存结果图
│   ├── save_coordinates()        # 保存坐标到CSV
│   └── _save_debug_profiles()    # 保存调试剖面图
├── process_station()             # 处理单个站点
└── main()                        # 批量处理所有站点
```

---

## 使用方法

### 环境依赖

```bash
pip install opencv-python numpy pillow matplotlib
```

或使用项目虚拟环境（推荐）：

```bash
# 使用 WorkBuddy 管理的 Python 环境
C:\Users\Administrator\.workbuddy\binaries\python\envs\default\bin\python wire_edge_detector.py
```

### 数据准备

每个站点的数据按如下结构放置：

```
data/
└── <站点名称>/
    ├── imgs/
    │   └── 001_m.jpg           # 高压线图像（4000×3000）
    └── device_m.txt             # 刺点坐标文件（每行 "x,y"）
```

**刺点文件格式示例（`device_m.txt`）：**

```
1200,2500
1250,2400
...
```

- 每行一个点，格式为 `x,y`（逗号分隔，无空格）
- 前一半点为左导线，后一半点为右导线
- 支持 18 点模式（每导线9点）和 22 点模式（每导线11点）

### 运行

```bash
python wire_edge_detector.py
```

程序会自动扫描 `data/` 目录下所有有效站点，逐个处理并输出结果。

### 自定义参数

在 `WireEdgeDetector.__init__()` 中可调整：

```python
# _sample_along_direction 中的采样参数
max_steps = 300    # 最大搜索步数（像素）
window_size = 1    # 局部平均窗口半径（1=3×3窗口）

# _find_wire_center 中的暗谷检测参数
min_depth = 8      # 暗谷至少比天空暗多少个灰度值
depth_ratio = 0.4  # 最近谷深度不及最深谷40%时，考虑用最深谷
max_depth_dist = 100  # 最深谷在此距离内才考虑切换

# _find_edge_from_center 中的边缘阈值参数
EDGE_THRESHOLD_RATIO = 0.30  # 边缘阈值系数（天空→中心的30%处）
```

---

## 输出文件说明

每个站点的 `output/` 目录下生成以下文件：

### 1. `result_marked.jpg` — 可视化结果图

| 标记 | 颜色 | 含义 |
|------|------|------|
| ● | 蓝色 | 原始刺点位置 |
| ✛ | 红色 | 检测到的导线边缘点（1像素圆点+3像素十字） |
| ─── | 绿色 | 边缘点连线（导线轨迹） |
| 数字 | 黑/红色 | 点编号（1~N） |

### 2. `edge_coordinates.csv` — 边缘坐标数据

```csv
point_index,orig_x,orig_y,edge_x,edge_y,delta_x,delta_y,subpixel_x,subpixel_y,subpixel_dx,subpixel_dy
1,1200,2500,1210,2480,10,-20,1210.35,2479.82,10.35,-20.18
...
```

| 字段 | 含义 |
|------|------|
| `point_index` | 点编号（从1开始） |
| `orig_x, orig_y` | 原始刺点坐标（整数） |
| `edge_x, edge_y` | 检测到的边缘点坐标（整数） |
| `delta_x, delta_y` | 刺点到边缘点的偏移量（整数） |
| `subpixel_x, subpixel_y` | 亚像素级边缘坐标（浮点数） |
| `subpixel_dx, subpixel_dy` | 亚像素级偏移量（浮点数） |

### 3. `profile_XX.png` — 调试剖面图（每个刺点一张）

每张图显示：
- **蓝色曲线**：灰度剖面值
- **绿色虚线**：检测到的导线中心位置
- **红色竖线**：检测到的边缘位置
- **橙色虚线**：边缘阈值线（`threshold` 值）
- **青色虚线**：天空基线（`sky_mean` 值）

通过剖面图可以直观判断：
- 导线中心是否选对（绿色虚线是否在最暗处）
- 边缘点是否合理（红色竖线是否在阈值线附近）
- 是否需要调整 `EDGE_THRESHOLD_RATIO` 或 `min_depth` 参数

---

## 参数调优指南

### 边缘点偏内（太靠近导线中心）

→ **增大** `EDGE_THRESHOLD_RATIO`（如 0.30 → 0.50）

边缘阈值更接近导线中心值，过渡点会更靠内。

### 边缘点偏外（太靠近天空）

→ **减小** `EDGE_THRESHOLD_RATIO`（如 0.30 → 0.15）

边缘阈值更接近天空基线，过渡点会更靠外。

### 多导线场景中选错了导线

→ 检查 `_find_wire_center` 中的 `depth_ratio` 和 `max_depth_dist` 参数

- `depth_ratio=0.4`：最近谷深度不及最深谷40%时才考虑切换
- `max_depth_dist=100`：最深谷超过100像素就不切换
- 可根据实际场景调整这两个值

### 垂直方向（远处、导线淡）检测不稳定

→ 减小 `min_depth`（如 8 → 5），让更浅的暗谷也能被识别

远处导线比近处导线淡，灰度下降幅度小，需要降低显著暗谷的深度阈值。

### 水平方向（近处、导线清晰）误检

→ 增大 `min_depth`（如 8 → 12），过滤噪声造成的虚假暗谷

---

## 调试与诊断

### 查看单点剖面图

```python
# 在 Python 中交互式查看某个点的剖面
import matplotlib.pyplot as plt
import numpy as np

detector = WireEdgeDetector(img_path, device_path)
profile, positions = detector._sample_along_direction(detector.points[0], 'vertical_up')
plt.plot(profile)
plt.axhline(y=np.mean(profile[:10]), color='cyan', linestyle=':')  # 天空基线
plt.show()
```

### 常见原因分析

| 现象 | 可能原因 | 解决方案 |
|------|----------|----------|
| 边缘点在天空上（远离导线） | 30%阈值太高，误判噪声为边缘 | 减小 `EDGE_THRESHOLD_RATIO` |
| 边缘点在导线中心上 | 30%阈值太低，或 `max_edge` 限制太严 | 增大 `EDGE_THRESHOLD_RATIO` 或放宽 `max_edge` |
| 导线中心选到了远处导线 | 最近暗谷比远处暗谷浅太多 | 调整 `depth_ratio` 或 `max_depth_dist` |
| 完全没找到边缘（返回刺点位置） | `min_depth` 太高，远处导线不满足 | 减小 `min_depth` |
| 红色十字和蓝色原点几乎重合 | 没检测到导线（剖面太平坦） | 检查刺点是否在导线上，或增大 `max_steps` |

---

## 算法演进历史

| 版本 | 方法 | 问题 |
|------|------|------|
| v1 | 最大梯度法 | 梯度最陡处在谷底斜坡，不在边缘 |
| v2 | 对比度法（天空均值 - 局部均值） | 对远处淡导线不敏感 |
| v3（方案A初版） | 导线中心 + 最陡梯度下降法 | 边缘点偏内，不在真实边缘 |
| **v4（当前版）** | **最近暗谷 + 30%阈值半幅过渡点法** | **用户验证通过** ✅ |

---

## 作者与维护

- 开发：WorkBuddy AI Assistant
- 最后更新：2026-06-12
- 项目路径：`D:\code\llm\workbuddy\powerline\`