本發(fā)明涉及到一種采用無人機圖像自動檢測輸電線路桿塔上鳥窩的方法。特別涉及到一種基于顏色、紋理、形狀的輸電線路桿塔上鳥窩的檢測方法，該方法能便捷定位輸電線路桿塔上鳥窩的位置，進而有效提高對輸電線路管理的智能化。

背景技術(shù)：

鳥害是個世界性的課題，它嚴重威脅到許多國家的高壓送電線路的安全運行。我國也不例外。隨著我國高壓輸電架空線路的不斷增多和生態(tài)環(huán)境的逐步改善，鳥害事故明顯上升，鳥害造成的損失也明顯增大，對電力系統(tǒng)的安全運行構(gòu)成了嚴重威脅。通過分析當(dāng)前電網(wǎng)和鳥害情況，我們不難發(fā)現(xiàn)當(dāng)前鳥類對架空電力線路的危害行為主要包括：鳥巢短路故障、鳥糞閃絡(luò)故障、鳥類飛行故障和鳥啄食其它動物故障。其中鳥巢短接送電線路現(xiàn)象最為普遍。而對于鳥巢的檢測，目前主要采用傳統(tǒng)的人工檢測方法，顯然這種方法效率低、受主客觀因素影響大、對人檢人員的要求高。相比之下，本文主要借助采集到的航拍輸電線路圖像，采用圖像檢測的方法生成檢測結(jié)果——即輸電線路鳥巢自動診斷系統(tǒng)，將會獲得以下諸多好處：

1）更高效性。與傳統(tǒng)的巡檢方法（人工巡檢）的方式相比，本文的智能診斷系統(tǒng)克服了人工巡檢的各種缺陷，系統(tǒng)可以自動對輸入的航拍圖像組進行識別與診斷，大大降低了巡檢人員的工作量，提高了巡檢人員的工作效率。

2）更可靠性。人和計算機都可能存在對檢測對象的漏檢和誤判。雖然人的準確率可以更高，但是，在考慮到檢測的復(fù)雜環(huán)境和檢測的間歇性，本文的智能診斷系統(tǒng)的平均準確率可以更高。因此，系統(tǒng)的穩(wěn)定性更高，其信息更值得信賴。

從上世紀80年代開始，我國逐步開始采用一些先進的巡檢手段來維護高壓輸電線路，經(jīng)歷了從人工巡檢、機器人巡檢、直升機巡檢到現(xiàn)在采用無人機巡檢的過程。于德明，沈建，汪駿，姚文軍，陳方東，武藝，直升機與人工巡視效果對比分析，中國電力，2008年11月，第41卷第11期。分析比較直升機巡檢與人工巡檢的優(yōu)缺點，指出直升機巡視的優(yōu)勢在于發(fā)現(xiàn)瓶口以上的導(dǎo)地線、金具及設(shè)備隱蔽性缺陷；而人工巡視的優(yōu)勢在于發(fā)現(xiàn)瓶口以下的外力破壞型的缺陷和線路走廊的缺陷。直升機巡視在發(fā)現(xiàn)設(shè)備隱蔽性缺陷和較高威脅度的瓶口以上缺陷發(fā)現(xiàn)率方面有較大優(yōu)勢，使得最終的平均威脅度要高于人工巡視。如果把威脅度作為考核指標，直升機的巡視效果要優(yōu)于人工巡視。

但是直升機巡檢技術(shù)在我國受航空管制的影響發(fā)展滯后，而且直升機設(shè)備昂貴、維護成本較高。隨著通用航空技術(shù)的普及和發(fā)展，特別是無人機技術(shù)的日趨完善，以無人飛行器為巡檢載體、地面監(jiān)控設(shè)備為支撐的輸電線路巡檢系統(tǒng)，因具有廣覆蓋、高效率、高可靠、低風(fēng)險和低成本的優(yōu)勢，正在受到愈來愈廣泛的關(guān)注。

由于無人機一次巡檢采集了大量的、高分辨率巡檢圖像，對電網(wǎng)巡檢人員提出了新的要求，從以地面人工巡檢方式轉(zhuǎn)換到采用計算機從巡檢的圖像上發(fā)現(xiàn)線路缺陷，是一種對巡檢人員素質(zhì)要求較高、且勞動強度較大的工作。

從2008年直升機巡檢時，提出了對輸電線路巡檢采用智能診斷的技術(shù)?；诳梢姽獾膱D像與視頻識別與診斷技術(shù)當(dāng)前國內(nèi)外還沒有成功應(yīng)用到巡檢作業(yè)中，存在極大的技術(shù)挑戰(zhàn)。在野外拍攝電力線路受光線、背景及拍攝角度影響較大。難以從圖像上找出特定的電力部件的規(guī)律，使得基于可見光的部件識別與診斷變得極其困難。目前國內(nèi)外這方面公開發(fā)表的研究文獻和相關(guān)研究報道較少。因此，需要大量基礎(chǔ)性研究工作，逐步深入。仝衛(wèi)國，苑津莎，李寶樹，圖像處理技術(shù)在直升機巡檢輸電線路中的應(yīng)用綜述，電 網(wǎng) 技 術(shù)，2010 年12 月，第34 卷，第12 期。分析了國內(nèi)外直升機巡檢輸電線路圖像處理技術(shù)的研究現(xiàn)狀，提出了圖像處理技術(shù)應(yīng)用于該領(lǐng)域需要解決的幾個主要技術(shù)問題，并探討了可能的解決方案。

由于高壓線路上存在的缺陷有幾百種，而急迫需要檢測的缺陷有二十幾種。易輝，熊幼京，周剛，何慧雯，架空輸電線路鳥害故障分析及對策，電 網(wǎng) 技 術(shù)，2008 年10 月，第32 卷，第 20期。對國家電網(wǎng)公司所屬輸電線路2004—2006 年鳥害故障調(diào)查統(tǒng)計進行分類分析，對引起線路鳥害跳閘的原因進行分析研究。鳥類活動引起的線路故障僅次于雷害和外力破壞，占線路故障總數(shù)的第3 位。鳥害引起線路故障的形式有線路跳閘和零部件損壞。造成線路跳閘的主要原因有鳥糞閃絡(luò)、鳥巢材料短路和鳥類身體短路。統(tǒng)計發(fā)現(xiàn)，鳥類

損壞線路零部件的主要形式為鳥啄損復(fù)合絕緣子的傘裙、護套。其中因鳥糞引起的線路跳閘次數(shù)達348次，占鳥害各類原因故障跳閘總數(shù)的87.2%，是鳥害故障跳閘的主要原因；鳥巢材料短路引起的跳閘排在第2位，為40次，占10%；鳥類身體短路、鳥啄復(fù)合絕緣子引起的跳閘所占比例很小。因此借助無人機巡檢，檢測輸電線路桿塔上的鳥窩，有助于掌握有關(guān)鳥類活動和習(xí)性，加大線路鳥害故障的查找、記錄和分析，積累數(shù)據(jù)和經(jīng)驗，總結(jié)鳥類威脅線路安全的規(guī)律。

王少華，葉自強，架空輸電線路鳥害故障及其防治技術(shù)措施，高壓電器，2011年2月，第47卷，第2期，進一步論述了鐵塔比電桿的鳥害故障率高，發(fā)生在鐵塔的故障占90%。究其原因，由于鐵塔高大、穩(wěn)定，鳥類視野開闊，適宜鳥類停留、筑巢。直線塔鳥害故障多為橫擔(dān)與導(dǎo)線短接；而耐張塔鳥害接地故障多發(fā)生在橫擔(dān)與引流線間空氣間隙處。此外，鳥糞閃絡(luò)多發(fā)生在懸垂串(如“I”或“II”形串)上，較少發(fā)生在“V”形串和耐張串上。

本發(fā)明研究了野外環(huán)境中鳥巢的檢測方法，并將其應(yīng)用到實際工程項目中。主要涉及到對桿塔區(qū)域檢測，以及鳥巢檢測兩部分內(nèi)容。

對于桿塔區(qū)域監(jiān)測。基于桿塔結(jié)構(gòu)近似對稱交叉的特征，提出了一種基于視覺上近對稱交叉結(jié)構(gòu)的感知通用計算方法。通過分析各分塊中四類小線段的密度分布情況，確定各分塊是否有桿塔特征；對具有桿塔特征的分塊進行連通性分析，實現(xiàn)圖像中桿塔區(qū)域的確定。

對于鳥巢區(qū)域的檢測。提出了基于HSV顏色空間的鳥巢檢測方法，確定鳥巢的候選區(qū)域。針對鳥巢候選區(qū)域形狀的任意性，提出了鳥巢候選區(qū)域的最大外接矩形的構(gòu)造方法。優(yōu)化了共生矩陣參數(shù)，選取了最能表征鳥巢紋理特征的特征量。在顏色分析的基礎(chǔ)上，融合紋理特征，實現(xiàn)鳥巢的檢測。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的就是自動檢測無人機巡檢圖像中輸電線路桿塔所在區(qū)域，在桿塔區(qū)域內(nèi)采用顏色與紋理特征分析方法自動檢測鳥窩所在區(qū)域，進而統(tǒng)計出鳥窩在輸電線路上的分布特征。

本發(fā)明的另一個目的就是研究的巡檢圖像桿塔與導(dǎo)線識別技術(shù)，能自動檢測巡檢圖像中是否存在桿塔與導(dǎo)線，并精確標注桿塔與導(dǎo)線在巡檢圖像中的位置，發(fā)明的桿塔與導(dǎo)線識別技術(shù)能有效排除地面各種復(fù)雜的背景紋理及光線對識別桿塔與導(dǎo)線的影響。

本發(fā)明的另一個目的就是在識別出桿塔區(qū)域的基礎(chǔ)上進行顏色與紋理特征分析，首先對巡檢圖像進行顏色分割，輸出分割區(qū)域內(nèi)顏色特征與樣本鳥窩顏色特征近似的區(qū)域，進一步輸出落在桿塔區(qū)域內(nèi)且與樣本鳥窩顏色特征近似的區(qū)域，對這些候選區(qū)域進行分塊分析紋理特征，將與樣本鳥窩紋理特征近似的分塊區(qū)域的進行聚類，判決桿塔上可能存在的鳥窩區(qū)域。

輸電線路本身是由金屬構(gòu)造的，在不同的光線下，其反射形成輸電線路的輪廓呈現(xiàn)忽明忽暗特征，在圖像分析處理時，提取不到其完整的輪廓，使得在自然場景下對輸電線路的圖像分析處理變得及其困難。從巡檢圖像上來看：輸電線路具有顯著的線結(jié)構(gòu)特征，導(dǎo)線與桿塔是其顯著的結(jié)構(gòu)特點，但由于無人機巡檢時，是從上到下進行拍攝，巡檢圖像受背景各種復(fù)雜的紋理及光線的影響較大，背景紋理特別是稻田、公路的規(guī)則排列、地面的房屋對導(dǎo)線與桿塔區(qū)域的識別造成較大的影響。因此需要建立識別輸電線路結(jié)構(gòu)的約束機制，才能有效的排除背景紋理的干擾。

本發(fā)明采用Gestalt感知理論來獲取巡檢圖像上顯著的線結(jié)構(gòu)特征，進而識別巡檢圖像上是否存在導(dǎo)線或桿塔區(qū)域。具體步驟如下：

1-1、采用Kirsch方向算子處理巡檢圖像，提取巡檢圖像邊緣信息，通過最大類間二差法生成二值圖像，并用Blob連通結(jié)構(gòu)管理所有不同方向的線段；

1-2、在步驟1-1生成的二值圖像上，采用Gestalt感知理論的量化計算，將斜率與截距相同的小線段，合并連接為長的直線線段，將線段斜率近似相同，截距不同的線段歸類為平行線組，確定平行線組的端點區(qū)域；

1-3、在步驟1-2生成顯著的長線段的基礎(chǔ)上，將線段分類為4組：-5^。~5^。：水平線段；小于-85^。或大于85^。：垂直線段；5^。~85^。：斜上線段；-85^。~-5^。：斜下線段；

1-4、在步驟1-3的基礎(chǔ)上來識別桿塔區(qū)域，每幅巡檢圖像拍攝桿塔的角度可能不同，桿塔結(jié)構(gòu)有共同的近對稱交叉線結(jié)構(gòu)特征。將二值線段圖像劃分為8╳4分塊區(qū)域，統(tǒng)計每個分塊內(nèi)四個不同方向線段數(shù)量。并將每塊不同方向線段數(shù)目寫入如下統(tǒng)計結(jié)構(gòu)中：

typedef struct BlockLineInfo

{

int Hnum; //該分塊中水平線段數(shù)目

int Vnum; //該分塊中垂直線段數(shù)目

int SUp_num; //該分塊中斜上線段數(shù)目

int SDown_num; //該分塊中斜下線段數(shù)目

int Cross_num; //該分塊中交叉線段數(shù)目

BOOL Tower_Area; //識別是否存在桿塔區(qū)域，1：存在桿塔；0：不存在桿塔

BOOL Blur_Area; //該圖像是否模糊，1：該圖像模糊；0：該圖像不模糊

}BlockLineInfo;

1-5、在步驟1-4統(tǒng)計各分塊中不同方向線段數(shù)目的條件下，按如下方式進行判斷：

如果該分塊內(nèi)Hnum，Vnum， SUp_num， SDown_num數(shù)目均小于3，則該分塊可能是模糊的區(qū)域；

如果該分塊內(nèi)SUp_num， SDown_num數(shù)目均大于等于3，則該分塊可能存在桿塔區(qū)域；

如果該分塊不是上述兩種情況，則該分塊不存在桿塔區(qū)域；

對所有分塊進行統(tǒng)計分析，如果存在模糊分塊數(shù)目大于總的分塊數(shù)目的90%，則該幅巡檢圖像模糊。

如該幅巡檢圖像不存在模糊，存在桿塔的分塊區(qū)域，進一步將桿塔的分塊區(qū)域進行聯(lián)通性分析，合并為大的區(qū)域，并確定可能的桿塔區(qū)域的位置。

1-6、依據(jù)步驟1-2和步驟1-5，步驟1-2確定平行線組的端點區(qū)域，步驟1-5確定了可能的桿塔區(qū)域，依據(jù)導(dǎo)線與桿塔的連接關(guān)系，如果導(dǎo)線端點區(qū)域與桿塔區(qū)域存在重疊或相鄰關(guān)系，則確定巡檢圖像存在桿塔區(qū)域，否則確定步驟1-5判斷的桿塔區(qū)域為地面干擾。

鳥巢顏色特征的不唯一性和復(fù)雜的背景干擾，決定了單一的顏色特征不能很好地表征鳥巢特征；鳥巢的無向性、無規(guī)則性，以及鋼材的遮擋破壞了鳥巢的局部紋理，決定了其單一紋理特征不能很好地表征鳥巢特征。通過測試發(fā)現(xiàn)，利用單一的顏色特征或者單一的紋理特征檢測桿塔上的鳥巢，會出現(xiàn)漏檢及誤檢，因此提出了基于顏色與紋理特征融合的方法實現(xiàn)鳥巢檢測。具體融合過程如下：

2-1、圖像經(jīng)過mean-shift算法分割，結(jié)合鳥巢樣本的H直方圖特性，通過直方圖相交法，會得到多個候選鳥巢區(qū)域。先求出候選鳥巢區(qū)域的最大外接矩形，然后從外接矩形的中心提取一個 的小區(qū)域，利用該小區(qū)域來代表預(yù)選鳥巢，進行紋理分析。而求最大外接矩形只要求出每個區(qū)域的上下和左右邊界。

2-2、提取每個候選區(qū)域的灰度共生矩陣的紋理特征。

2-3、利用鳥巢樣本的融合紋理閾值，通過相似性匹配，得出最終鳥巢所在區(qū)域。即如果某個的紋理特征與鳥巢的紋理特征相似，那么與之對應(yīng)的那個原始候選區(qū)域就是鳥巢的最終檢測結(jié)果。

附圖說明

圖1為本發(fā)明從輸電線路桿塔上的鳥窩檢測系統(tǒng)圖；

圖2為本發(fā)明從巡檢圖像上桿塔區(qū)域檢測示例圖；

圖3為本發(fā)明基于顏色的鳥窩檢測結(jié)果示例圖；

圖4為本發(fā)明基于紋理的鳥窩檢測結(jié)果示例圖；

具體實施方式

以下結(jié)合附圖對本發(fā)明的實施例作進一步的詳細說明。本實施例以本發(fā)明的技術(shù)方案為前提下進行實施，給出了詳細的實施方式，但本發(fā)明的保護范圍不限于下述的實施例。

本發(fā)明在典型配置的PC計算機通過C/C++編程實施，適合連續(xù)采集的輸電線路圖像，巡檢圖像格式為JPEG或BMP，巡檢圖像分辨率不限。

如圖1所示桿塔區(qū)域確定模塊，為本發(fā)明從巡檢圖像上識別輸電線路導(dǎo)線與桿塔區(qū)域的方法，其具體步驟如下：

3-1、對巡檢圖像進行灰度化處理，采用Kirsch方向算子處理巡檢圖像，提取巡檢圖像邊緣信息，通過最大類間二差法生成二值圖像，并用Blob連通結(jié)構(gòu)管理所有不同方向的線段，具體采用8個不同方向的Kirsch算子如下：

圖2(a)是實際無人機巡檢采集的輸電線路圖像，圖2(b)是采用8個不同方向的Kirsch算子處理從圖2(a)中提取的線段的二值圖像。

Blob連通域管理所有不同方向的線段結(jié)構(gòu)如下：

struct LineAttributeBlob {

unsigned int elements_number; //該線段對象像素點數(shù)目

vector<struct Element> elements;//存儲該線段對象像素點坐標

//線段類型：HORLINE，VERLINE，UPSLOPELINE，DOWNSLOPELINE

int linetype;

int length; //該線段對象的距離長度

Coord startP; //該線段對象起始坐標位置

Coord endP; //該線段對象結(jié)束坐標位置

Coord centerP; //該線段對象中心點坐標位置

Coord left; //該線段左端點坐標位置

Coord right; //該線段右端點坐標位置

Coord top; //該線段頂端點坐標位置

Coord bottom; //該線段底端點坐標位置

double slope; //該線段對象平均斜率，以角度表示

double intercept; //該線段對象平均截距

};

3-2、采用Gestalt感知理論的量化計算，將斜率與截距近似相同的小線段，合并連接為長的直線線段。由于導(dǎo)線在巡檢圖像中具有顯著的長線段特征，因此線段長度大于圖像寬度八分之一的線段聚類為一組來分析其中包含的平行線組。將線段斜率近似相同，截距不同的線段歸類為平行線組。

3-3、在步驟3-2合并出顯著的長線段的基礎(chǔ)上，將線段分類為4組：-5^。~5^。：水平線段；小于-85^。或大于85^。：垂直線段；5^。~85^。：斜上線段；-85^。~-5^。：斜下線段；

3-4、在步驟3-3的基礎(chǔ)上來識別桿塔區(qū)域，每幅巡檢圖像拍攝桿塔的角度可能不同，桿塔結(jié)構(gòu)有共同的近對稱交叉線結(jié)構(gòu)特征。將二值線段圖像劃分為8╳4分塊區(qū)域，統(tǒng)計每個分塊內(nèi)四個不同方向線段數(shù)量。并將每塊不同方向線段數(shù)目寫入如下統(tǒng)計結(jié)構(gòu)中：

typedef struct BlockLineInfo

{

int Hnum; //該分塊中水平線段數(shù)目

int Vnum; //該分塊中垂直線段數(shù)目

int SUp_num; //該分塊中斜上線段數(shù)目

int SDown_num; //該分塊中斜下線段數(shù)目

int Cross_num; //該分塊中交叉線段數(shù)目

BOOL Tower_Area; //識別是否存在桿塔區(qū)域，1：存在桿塔；0：不存在桿塔

BOOL Blur_Area; //該圖像是否模糊，1：該圖像模糊；0：該圖像不模糊

}BlockLineInfo;

3-5、在步驟3-4統(tǒng)計各分塊中不同方向線段數(shù)目的基礎(chǔ)上，按如下方式進行判斷：

如果該分塊內(nèi)Hnum，Vnum， SUp_num， SDown_num數(shù)目均小于3，則該分塊可能是模糊的區(qū)域；

如果該分塊內(nèi)SUp_num， SDown_num數(shù)目均大于等于3，則該分塊可能存在桿塔區(qū)域；

如果該分塊不是上述兩種情況，則該分塊不存在桿塔區(qū)域；

對所有分塊進行統(tǒng)計分析，如果存在模糊分塊數(shù)目大于總的分塊數(shù)目的90%，則該幅巡檢圖像模糊。

如該幅巡檢圖像不存在模糊，存在桿塔的分塊區(qū)域，進一步將桿塔的分塊區(qū)域進行聯(lián)通性分析，合并為大的區(qū)域，并確定可能的桿塔區(qū)域的位置；

3-6、依據(jù)步驟3-2和步驟3-5，步驟3-2確定導(dǎo)線組的端點區(qū)域，步驟3-5確定了可能的桿塔區(qū)域，依據(jù)導(dǎo)線與桿塔的連接關(guān)系，如果導(dǎo)線端點區(qū)域與桿塔區(qū)域存在重疊或相鄰關(guān)系，則確定巡檢圖像存在桿塔區(qū)域，否則確定步驟3-5判斷的桿塔區(qū)域為地面干擾。圖2（c）為檢測的巡檢圖像上的桿塔區(qū)域；

結(jié)合圖1中圖像顏色分析模塊和圖像紋理分析模塊，顏色與紋理特征相融合的鳥窩檢測過程是：首先將巡檢的彩色圖像轉(zhuǎn)換到Lab顏色空間，通過mean-shift聚類算法對圖像進行預(yù)分割，再將分割后的圖像轉(zhuǎn)到HSV顏色空間，得到HSV顏色空間下的區(qū)域級圖像；對分割后的圖像計算各區(qū)域的H、S兩個分量的直方圖，根據(jù)H直方圖閾值判斷，篩選出符合閾值條件的區(qū)域，將這些區(qū)域與鳥巢樣本的顏色直方圖通過直方圖相交法進行衡量，確定圖像中鳥巢的多個（最大取到5）候選區(qū)域；接著結(jié)合圖像中的桿塔區(qū)域，排除不落在桿塔區(qū)域內(nèi)的候選區(qū)域，確定剩余鳥巢候選區(qū)域的最大外接矩形，并以該矩形的中心確定的小區(qū)域；將圖像進行灰度化，對各剩余鳥巢候選區(qū)域中的小區(qū)域計算其GLCM，由GLCM提取相應(yīng)的紋理特征量，并與鳥巢樣本的紋理特征量進行相似性匹配，輸出檢測結(jié)果。其具體步驟如下：

4-1、對巡檢的彩色圖像轉(zhuǎn)換到Lab色彩度量空間，在Lab顏色空間通過mean-shift聚類分割算法對圖像進行預(yù)分割，得到RGB空間下的區(qū)域級圖像；將預(yù)分割后的圖像由RGB顏色空間轉(zhuǎn)到HSV顏色空間，得到HSV空間下的區(qū)域級圖像；

4-2、計算分割的各區(qū)域的HSV直方圖，計算各區(qū)域所有像素點的H和S兩個分量值，統(tǒng)計相應(yīng)的直方圖。

4-3、直方圖相似性匹配。先對各區(qū)域H直方圖進行閾值判決，得到符合閾值條件的多個區(qū)域。然后通過直方圖相交法衡量這些區(qū)域與鳥窩樣本的相似度，在具體匹配中只需將這些區(qū)域中H、S兩個分量的直方圖進行匹配，確定多個（最大取到5）候選區(qū)域，并對最終的匹配結(jié)果進行標記，即鳥窩的候選區(qū)域；

如圖3所示，基于顏色的鳥窩檢測示例圖。計算分割后圖像各區(qū)域的H和S的直方圖，分別統(tǒng)計各區(qū)域H直方圖中落在[0,25] 的所有bin概率之和及落在[320,360]的所有bin概率之和，根據(jù)設(shè)定的閾值（0.3），確定可能存在鳥巢特性的區(qū)域。然后針對這些區(qū)域，通過直方圖相交法衡量各區(qū)域H和S直方圖與鳥巢樣本的H和S直方圖相似度，確定與樣本最相似的區(qū)域為鳥巢所在區(qū)域。

4-4、確定最大外接矩形。在確定完鳥窩候選區(qū)域的基礎(chǔ)上，對于不在桿塔區(qū)域內(nèi)的候選區(qū)域可以直接排除.然后確定剩余鳥窩候選區(qū)域的最大外接矩形，并以該矩形為中心確定其相應(yīng)的小區(qū)域；

4-5、提取的小區(qū)域的像素灰度值，計算四個方向0^o，90^o，135^o和45^o的GLCM，由GLCM提取相應(yīng)的紋理特征量：慣性矩、熵和非相似性，并計算三個特征量的融合值；通過桿塔與鳥巢圖像的大量測試。通過分析最終確定熵（ENT）、慣性矩（CON）、非相似性（DIS）三個特征量融合公式為：

（ENT、CON、DIS）=0.4*ENT+0.5*CON+ 0.1*DIS

4-6、紋理相似性判斷，根據(jù)鳥巢樣本的三個特征量的融合閾值，確定圖像中鳥窩所在的位置。通過大量的實驗測試，對鳥巢樣本通過計算（ENT、CON、DIS）值，并對其進行統(tǒng)計分析，最終確定鳥巢檢測的紋理融合(ENT、CON、DIS)的閾值范圍為：3.10-3.95，圖4是基于紋理的鳥窩檢測結(jié)果的示例圖。