CN102324033B - 风电安全智能预警应急系统图像处理方法 - Google Patents
风电安全智能预警应急系统图像处理方法 Download PDFInfo
- Publication number
- CN102324033B CN102324033B CN 201110278950 CN201110278950A CN102324033B CN 102324033 B CN102324033 B CN 102324033B CN 201110278950 CN201110278950 CN 201110278950 CN 201110278950 A CN201110278950 A CN 201110278950A CN 102324033 B CN102324033 B CN 102324033B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- circular arc
- vector
- straight line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 74
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 53
- 238000005192 partition Methods 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000002131 composite material Substances 0.000 abstract 1
- 238000001514 detection method Methods 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000000513 principal component analysis Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010494 dissociation reaction Methods 0.000 description 2
- 230000005593 dissociations Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009329 sexual behaviour Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种图像处理方法，是一种风电安全智能预警应急系统图像处理方法，在风电机舱里安装微型红外摄行头，采用多个摄像头对机舱内图像进行高保真采取；将摄像头采集到图像按以下步骤进行处理：㈠将采集到的图像进行去噪预处理；㈡对预处理后的图像进行像素级图像融合；㈢对像素级图像融合后的图像进行感兴趣区域分割及主要特征提取，获取物体主要信息；㈣对步骤㈢处理后图像的边缘进行分割和匹配，以得到分割后的图形基元关系。通过本发明的方法可以得到包含了在各种环境下、各种模式下、各种观测角度对同一事物的综合特征描述的合成图像，通过融合所得的图像更符合人机视觉特征，有利于进一步分析、理解目标场景，以及对目标的进行检测、跟踪、识别。
Description
技术领域
本发明涉及一种图像处理方法，具体的说是一种风电安全智能预警应急系统图像处理方法。
背景技术
风电安全智能预警应急系统设计和运转的直接目标，不仅是在危机形成和爆发后进行有效的处置，更重要的是预测预警可能产生风电事故的可能性因素，从根本上防止危机的形成和爆发。风电安全智能预警应急系统的设计必须坚持预防和应急相结合的原则，特别应当注重应急系统的预测预警能力。要有利于做好加强危机性事件应急管理的准备、预备和预警等基础性工作，提高危机性事件预警和防范能力，充分实现预警与应急、常态管理和非常态管理的有机结合。由于风电机舱环境的特殊性，一般很难通过一般的手段获知机舱内的信息，也没有一种合适的图像处理方法来处理风电机舱内的图像。
发明内容
本发明所要解决的技术问题是，克服现有技术的缺点，提出一种风电安全智能预警应急系统图像处理方法，处理后的图像更符合人机视觉特征，有利于进一步分析、理解目标场景，以及对目标的进行检测、跟踪、识别。
本发明解决以上技术问题的技术方案是：
风电安全智能预警应急系统图像处理方法，在风电机舱里安装微型红外摄像头，采用多个摄像头对机舱内图像进行高保真采取；将摄像头采集到图像按以下步骤进行处理：
㈠将采集到的图像进行去噪预处理；
㈡对预处理后的图像进行像素级图像融合；
㈢对像素级图像融合后的图像进行感兴趣区域分割及主要特征提取，获取物体主要信息；
㈣对步骤㈢处理后图像的边缘进行分割和匹配，以得到分割后的图形基元关系。
本发明进一步限定的技术方案是：
前述的风电安全智能预警应急系统图像处理方法，步骤㈣具体按以下步骤进行：⑴图像基元分割；⑵图像基元匹配；⑶建立图像基元关系模型。
前述的风电安全智能预警应急系统图像处理方法，步骤⑴图像基元分割，采用多项式拟合的方法将图像中的边缘图形分割成线段和圆弧，具体按以下步骤进行：
①追踪图形边缘，依次对每个像素点选取其周围n*n的窗口进行拟合（n为整数），并获得倾斜角向量；
②从某个像素点开始，逐渐增加倾斜角向量的元素个数，同时对倾斜角向量进行差分，得到新的向量，对新的向量依次取前i个元素的平均数（i为整数），得到倾斜角变化平均数向量；
③依次对倾斜角向量的每个元素进行判断，首先判断其是否接近0度或90度，对于接近0度或90度的倾斜角的转变不予考虑分割，对于不属于这个范围的元素，进一步观察倾斜角变化平均数向量中的对应元素，如果此元素的值大于平均向量中对应元素的值的2～3倍，则可判断其为可疑点；
④对可疑点做进一步的判断，如果可疑点倾斜角的变化趋势相同，则可判断此点为分割点；否则，为干扰点，删除此点重新判断；
⑤对分割出来的直线或圆弧做一次相反方向的分割，舍去分割后长度过短的直线或圆弧。
前述的风电安全智能预警应急系统图像处理方法，步骤⑵图像基元匹配，具体按以下步骤进行：
①选取若干合适的圆弧和一到二条直线边缘样本；
②从端点开始，进行一次边缘跟踪，分别得到两个向量：横坐标组成的x向量和纵坐标组成的y向量，并分别减去它们的平均数以保持它们对原始图形的平移不变；
③将两个向量以z=x+y*i组合成新的向量z（i为整数）；
④对向量z取傅立叶变换，得到特征向量direction[]；
⑤对特征向量取模，并除以它的第二个元素direction[2]，分别得到训练样本的特征向量。
前述的风电安全智能预警应急系统图像处理方法，步骤⑶建立图像基元关系模型，建立物体由上至下的分解模型，直至得到底层的直线和圆弧，直线和圆弧互相之间具有的空间关系按以下步骤进行判定：
①连接的判定：若一条直线或圆弧的端点与另一条直线或圆弧的某一点P1相邻，则它们是连接关系，若P1是端点，则它们为L连接关系，否则为T连接关系；
②平行的判定：按组成直线的像素点计算它们的平均倾斜角，若两条直线的平均倾斜角的差小于5度，则判定它们为平行关系；
③相切的判定：若存在单向的分割点，则它必为相切关系的分割点；
④共线的判定：将已被判定为直线的一组像素点拟合成直线，再计算另一组被判定为直线的像素点到直线的平均距离d1，若d1低于预设阈值ε1，则判定它们为共线关系；
⑤同心的判定：设有一随机点P2，它到一条被判定为圆弧的一组像素点的距离为向量d2，以d2的方差作为期望函数，搜索使d2的方差最小的点，作为上述圆弧的圆心，若两条圆弧的圆心之间的距离小于预设阈值ε2，则判定为同心关系;
⑥共圆的判定：判定有了圆心之后，通过计算圆弧上像素点到圆心的平均距离得到圆弧的近似半径，若两条同心圆弧之间的半径之差小于预设阈值ε3，则判定它们为共圆关系。
前述的风电安全智能预警应急系统图像处理方法，步骤㈠中去噪预处理采用的方法为：阈值小波去噪方法、中值滤波去噪方法、马尔可夫树去噪方法、贝叶斯估计去噪方法或神经网络去噪方法。
前述的风电安全智能预警应急系统图像处理方法，步骤㈡中像素级图像融合方法为：IHS变换方法、PCA变换方法、线性加权法或基于小波变换方法。
前述的风电安全智能预警应急系统图像处理方法，步骤㈢中感兴趣区域分割及主要特征提取，具体按以下步骤进行：
①选择图像分割算法提取感兴趣区域，去除背景和非有用信息，所述图像分割算法为基于数学形态学的图像分割方法、基于模糊理论的图像分割方法、基于神经网络的图像分割方法、基于支持向量机的图像分割方法、基于图论的图像分割方法、基于免疫算法的图像分割方法或基于粒度计算理论的图像分割方法；
②通过目标识别算法确定图像中是否存在感兴趣的目标，并精确定位，所述目标识别算法为由下而上的数据驱动型性或由上而下的知识驱动型；
③将图像中有意义的特征或区域提取出来，所述特征或区域是图像的原始特征或空间频谱，所述原始特征为像素的灰度值、物体轮廓、颜色、反射特征和纹理，所述空间频谱为直方图特征。
本发明的有益效果是：通过本发明的方法可以得到包含了在各种环境下、各种模式下、各种观测角度对同一事物的综合特征描述的合成图像，通过融合所得的图像更符合人机视觉特征，有利于进一步分析、理解目标场景，以及对目标的进行检测、跟踪、识别。本发明充分利用多个图像传感器提供的具有互补性和冗余性的多源图像，将其进行综合处理，生成比来自任意单传感器更清晰、更完整、更可靠的图像，以此提高系统的性能。本发明减少不确定性，获取对同一场景目标的更加准确、更加全面、更加可靠的场景描述。本发明通过综合源图像的重要信息，得到统一的图像或数据用来控制其它系统或指导决策，能够使信息具有高度的集成性，便于存储、传输。
具体实施方式
实施例1
本实施例提出一种风电安全智能预警应急系统图像处理方法，在风电机舱里安装微型红外摄像头，采用多个摄像头对机舱内图像进行高保真采取；将摄像头采集到图像按以下步骤进行处理：㈠将采集到的图像进行去噪预处理；㈡对预处理后的图像进行像素级图像融合；㈢对像素级图像融合后的图像进行感兴趣区域分割及主要特征提取，获取物体主要信息；㈣对步骤㈢处理后图像的边缘进行分割和匹配，以得到分割后的图形基元关系。
噪声是影响图像质量的主要因素，由于实际应用环境变化及其它因素的影响，视觉传感器采集到的原始图像通常存在较大的噪声，为进一步的图像分析造成很大的干扰。所以，将采集到的图像进行去噪预处理。选取一种较好的图像去噪算法是非常必要的。阈值小波、中值滤波、马尔可夫树、贝叶斯估计、神经网络等方法都可应用于图像去噪。其中，小波去噪方法是应用最广泛的一种。
像素级图像融合的目的主要有以下两点:通过冗余信息来提高可靠性；通过互补信息来提高信息容量。像素级图像融合方法可以有：IHS变换方法、PCA变换方法、线性加权法或基于小波变换方法。
IHS变换：IHS变换是通过将图像变换到各个成分，通过对某个成分进行调节或替换来达到图像增强和信息融合的方法，它不仅实现起来简单，而且应用起来非常灵活。IHS变换主要是针对于彩色图像进行，一幅彩色图像中包含R、G、B三个成分，通过对图像进行IHS变换，可将这三个成分分离成代表空间信息的明度I、光谱信息的色度H和饱和度S这三个成分。分离后的三个成分之间是相互独立的，可对每个成分单独进行调节，获得不同的显示效果。在这三个成分中，明度I对空间分辨率起着决定性作用，人眼视觉系统对明度I也比较敏感，如果对图像中的I分量进行合适的替换，可以得到更好的适于人眼观察的图像。IHS变换法，具体按以下步骤进行：⑴对原始图像进行预处理，包括图像的几何校正、图像配准以及去噪；⑵对多光谱图像进行IHS变换，得到其亮度分量、色度分量和饱和度分量三幅分量图像；⑶将多光谱图像经IHS变换后产生的亮度分量图像与全色图像来进行直方图匹配，以生成与亮度分量图像有着相似直方图分布特性的图像；⑷采用第三步中生成的全色图像来代替多光谱图像经IHS变换后产生的亮度分量，并与H分量、S分量图像一起进行IHS逆变换，最终得到融合图像。
线性加权法：在经典的融合算法中，最简单的应属线性加权法，这种方法是按照设定的权值，对各图像中对应像素点的灰度值乘以相应的权值后再求和，将和值作为融合图像对应点的像素值。若Ak(i,j)是n幅图像Ak在点i,j处像素(i,j)的灰度值，那么通过下式即可求得融合结果图像在该像素点的灰度值Bk(i，j)：
其中
一般在融合时采用以下几种方法：取平均、基于极小值和基于极大值的融合方法。总的来讲，概念比较简单，计算量非常的小，比较适合实时处理是线性加权法优于其它方法的地方：但是经线性加权处理之后往往会使图像带有很强的噪声，这是线性加权法最大的缺点。如果两幅图像的灰度相差很大，得到的图像会出现块状现象，视觉效果比较差。
PCA变换融合法：图像的类型不同，所侧重的信息类型也不同，描述目标的角度也不同。因此，如果能将不同类型的图像进行分解变换，从中提取有用的信息并加以综合，则会使得融合图像包含更多可用的信息。比如，多个单色光谱的图像信息一般由多光谱遥感图像来体现，其中包含丰富的光谱信息，而细节信息丰富则是全色遥感图像的特点。根据以上分析，可以通过将多光谱图像进行变换和合成后，再与白光图像进行图像融合，然后进行逆变换，就可使得到的图像既包含丰富的光谱信息，又能够较好的体现图像的细节信息，综合多光谱图像与全色图像二者的优点。PCA(主分量分析)方法是这类方法中比较常用的一种。采用主分量变换法进行融合的一般步骤如下：（1）首先通过计算得到TM图像的相关矩阵；（2）求出上一步中所得相关矩阵的特征值λi和相应的特征向量Θi(i＝1,2...n)；（3）按由大到小的次序对特征值进行排列，即：λ1>λ2>...>λn，相应的特征向量Θi也要做相应变动；（4）主分量图像计算公式如下所示：
（5）经由上式计算得到第一主分量后，将其与空间配准的SPOT图像进行直方图匹配；（6）将第一主分量用上一步骤中由直方图匹配而生成的SPOT图形来代替，对各主分量进行逆主分量变换就可以得到融合图像。PCA变换融合法所具有的主要优点是:融合后的图像不仅细节信息丰富，而且包含丰富的光谱信息，当TM图像包含的波段数较多时，融合效果会更好；PCA变换同时也具有以下缺点:因为要求TM图像的相对自相关矩阵，并且要求其特征值和特征向量，计算时需要花费的时间和费用十分可观，因此不能应用于对实时性要求比较高的系统。同HIS方法相似，由于PCA变换方法也是针对彩色图像进行，不适合对灰度图像的处理，用其对灰度进行图像融合，并不能体现该方法的优越性。
基于小波变换的图像融合：信号进行小波变换，可以将其分解到更低的分辨率水平上来进行表示。小波分解中，每经过一次分解，都可将原信号分解为低频的轮廓信息以及高频部分两部分组成，其中高频部分由水平、垂直和对角线三个方向的细节信息组成。并且每一次分解之后均使得信号的分辨率降低为原信号的1/2。目前在信号分析处理过程中经常采用小波工具来对信号进行处理。基于小波变换的图像融合方法一般是:首先对待融合的原始图像分别进行小波变换，分解之后得到具有很高空间分辨率的图像的细节分量，通过一定的规则来选取各个细节分量，直接利用所得细节分量作为融合结果图像的细节分量，得到融合图像的小波多分辨率结构，然后再对所得的小波多分辨率分析结构进行小波逆变换，最终得到增强后的图像。在上面过程中，由于未考虑图像的低频分量，易使得融合图像出现分块效应。小波变换对原始图像也有一定的要求，因此，进行小波变换之前，也必须对原始图像进行配准、去噪等一系列预处理之后，才能对其进行分解变换，小波算法多种多样，但使用小波变换进行图像融合的流程基本相同:首先对经过预处理的各原始图像分别进行小波变换，得到各个层次上的分解系数，然后根据某种融合准则对所得到的分解系数进行融合处理，得到融合图像的多分辨分析结构，再对得到的多分辨结构进行小波逆变换，重构出融合图像。
对于视觉传感器采集到的图像，首先要选择适当的图像分割算法提取感兴趣区域，既去除背景和非有用信息。这样可以减少后续工作的计算量。图像分割过程中，我们要考虑到很多因素，像素点的灰度值、像素点间的空间关系、主要识别物体的边缘信息。图像分割方法可以是基于数学形态学的图像分割方法、基于模糊理论的图像分割方法、基于神经网络的图像分割方法、基于支持向量机的图像分割方法、基于图论的图像分割方法、基于免疫算法的图像分割方法、基于粒度计算理论的图像分割方法。确定场景中是否存在感兴趣的目标，并精确定位，常用的目标识别算法可分为两种：一种是由下而上的数据驱动型性，另一种是由上而下的知识驱动型。前者不管识别目标属何种类型，先对原始图像进行分割、标记和特征提取，然后将每个带标记的分割区域的特征向量与目标模型相匹配，得到目标的属性；后者需要根据待识别目标的模型，先对图像中可能存在的目标特征提出假设，然后根据假设有目的地进行图像分割、标记和特征提取，最后利用目标的知识对图像中的特征进行精匹配，得到目标的属性。将机舱采集到的机组运行状态图像中有意义的特征或区域提取出来，这些特征可以是图像的原始特征，如像素的灰度值、物体轮廓、颜色、反射特征和纹理等，也可以是空间频谱等，如直方图特征。
图像基元分割：将自然图像中的边缘图形分割成线段和圆弧，采用多项式拟合的方法。首先追踪图形边缘，然后依次对每个像素点选取其周围n*n的窗口进行拟合，并获得倾斜角向量。从某个像素点开始，逐渐增加倾斜角向量的元素个数，同时对倾斜角向量进行差分，得到新的向量。再对新的向量依次取前i个元素的平均数，得到倾斜角变化平均数向量。有了这两个向量，就可以利用插值拟合对图形进行分割了。依次对倾斜角向量的每个元素进行判断，首先判断其是否接近0度或90度，由于接近0度或90度的直线，在数字图像中往往被迫分成若干段小的线段，不利于拟合的准确性，因此这里对于接近0度或90度（这里指绝对值小于10度或大于80度并小于100度）的倾斜角的转变不予考虑分割。对于不属于这个范围的元素，进一步观察变化向量中的对应元素，如果此元素的值大于平均向量中对应元素的值的2～3倍，则可判断其为可疑点。为了减少干扰以及数字图像对自然图形本身带来的误差，需要对可疑点做进一步的判断。如果可疑点的倾斜角的变化趋势相同，则可判断此点为分割点；否则，为干扰点，删除此点重新判断。为了使分割更准确，还需对分割出来的直线或圆弧做一次相反方向的分割，分割过程分为正向和反向两个步骤。最后舍去分割后长度过短的直线或圆弧，它们对匹配和推理的意义不大，故视为无效。
图像基元匹配：首先选取若干合适的圆弧和一到二条直线边缘样本，用于训练神经网络。从端点开始，进行一次边缘跟踪，分别得到两个向量：横坐标组成的x向量和纵坐标组成的y向量，并分别减去它们的平均数以保持它们对原始图形的平移不变。将其以z=x+y*i组合成新的向量z。接下来对z取傅立叶变换，得到特征向量direction[]。为了使特征向量对于原始图形还具有旋转和缩放不变性，还需对特征向量取模，并除以它的第二个元素direction[2]。分别得到训练样本的特征向量之后，就可以利用它们训练RBF神经网络了。由于这里的训练样本是分类好的，因此不需要用均值聚类，直接给定导师向量即可。
建立图像基元关系模型：预先建立物体由上至下的分解模型。例如一块手表，可以分解为表盘和表带，表盘又可以分解为边框和指标，以此类推，直至得到底层的直线和圆弧。这些直线和圆弧互相之间具有某种空间关系，它们以这些空间关系构成整块手表。上述这些空间关系在自然图像中的判定如下：a)连接的判定：若一条直线或圆弧的端点与另一条直线或圆弧的某一点P1相邻，则它们是连接关系，若P1是端点，则它们为L连接关系，否则为T连接关系。b)平行的判定：按组成直线的像素点计算它们的平均倾斜角，若两条直线的平均倾斜角的差小于5度，则判定它们为平行关系。c)相切的判定：若存在单向的分割点，则它必为相切关系的分割点。d)共线的判定：将已被判定为直线的一组像素点拟合成直线，再计算另一组被判定为直线的像素点到直线的平均距离d1，若d1低于预设阈值ε1，则判定它们为共线关系。e)同心的判定：设有一随机点P2，它到一条被判定为圆弧的一组像素点的距离为向量d2，以d2的方差作为期望函数，搜索使d2的方差最小的点，作为上述圆弧的圆心，若两条圆弧的圆心之间的距离小于预设阈值ε2，则判定为同心关系。f)共圆的判定：判定有了圆心之后，通过计算圆弧上像素点到圆心的平均距离得到圆弧的近似半径，若两条同心圆弧之间的半径之差小于预设阈值ε3，则判定它们为共圆关系。这些直线和圆弧以及它们之间的空间关系，可以用与或树来表示，利用共线和共圆关系，若干条直线或圆弧可以被弱判定为一条直线或圆弧，而连接关系是构成物体或子部件的最主要的特征。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (4)
1.风电安全智能预警应急系统图像处理方法，在风电机舱里安装微型红外摄像头，采用多个摄像头对机舱内图像进行高保真采取；其特征在于：将摄像头采集到图像按以下步骤进行处理：
㈠将采集到的图像进行去噪预处理；
㈡对预处理后的图像进行像素级图像融合；
㈢对像素级图像融合后的图像进行感兴趣区域分割及主要特征提取，获取物体主要信息；
㈣对步骤㈢处理后图像的边缘进行分割和匹配，以得到分割后的图形基元关系；
所述步骤㈣具体按以下步骤进行：⑴图像基元分割；⑵图像基元匹配；⑶建立图像基元关系模型；
所述步骤⑴图像基元分割，采用多项式拟合的方法将图像中的边缘图形分割成线段和圆弧，具体按以下步骤进行：
①追踪图形边缘，依次对每个像素点选取其周围n*n的窗口进行拟合，并获得倾斜角向量；
②从某个像素点开始，逐渐增加倾斜角向量的元素个数，同时对倾斜角向量进行差分，得到新的向量，对新的向量依次取前i个元素的平均数，得到倾斜角变化平均数向量，其中i为整数；
③依次对倾斜角向量的每个元素进行判断，首先判断其是否接近0度或90度，对于接近0度或90度的倾斜角的转变不予考虑分割，对于不属于这个范围的元素，进一步观察倾斜角变化平均数向量中的对应元素，如果此元素的值大于平均向量中对应元素的值的2～3倍，则可判断其为可疑点；
④对可疑点做进一步的判断，如果可疑点倾斜角的变化趋势相同，则可判断此点为分割点；否则，为干扰点，删除此点重新判断；
⑤对分割出来的直线或圆弧做一次相反方向的分割，舍去分割后长度过短的直线或圆弧；
所述步骤⑵图像基元匹配，具体按以下步骤进行：
①选取若干合适的圆弧和一到二条直线边缘样本；
②从端点开始，进行一次边缘跟踪，分别得到两个向量：横坐标组成的x向量和纵坐标组成的y向量，并分别减去它们的平均数以保持它们对原始图形的平移不变；
③将两个向量以z=x+y*i组合成新的向量z，其中i为整数；
④对向量z取傅立叶变换，得到特征向量direction[]；
⑤对特征向量取模，并除以它的第二个元素direction[2]，分别得到训练样本的特征向量；
所述⑶建立图像基元关系模型，建立物体由上至下的分解模型，直至得到底层的直线和圆弧，直线和圆弧互相之间具有的空间关系按以下步骤进行判定：
①连接的判定：若一条直线或圆弧的端点与另一条直线或圆弧的某一点P1相邻，则它们是连接关系，若P1是端点，则它们为L连接关系，否则为T连接关系；
②平行的判定：按组成直线的像素点计算它们的平均倾斜角，若两条直线的平均倾斜角的差小于5度，则判定它们为平行关系；
③相切的判定：若存在单向的分割点，则它必为相切关系的分割点；
④共线的判定：将已被判定为直线的一组像素点拟合成直线，再计算另一组被判定为直线的像素点到直线的平均距离d1，若d1低于预设阈值ε1，则判定它们为共线关系；
⑤同心的判定：设有一随机点P2，它到一条被判定为圆弧的一组像素点的距离为向量d2，以d2的方差作为期望函数，搜索使d2的方差最小的点，作为上述圆弧的圆心，若两条圆弧的圆心之间的距离小于预设阈值ε2，则判定为同心关系；
⑥共圆的判定：判定有了圆心之后，通过计算圆弧上像素点到圆心的平均距离得到圆弧的近似半径，若两条同心圆弧之间的半径之差小于预设阈值ε3，则判定它们为共圆关系。
2.如权利要求1所述的风电安全智能预警应急系统图像处理方法，其特征在于：所述步骤㈠中去噪预处理采用的方法为：阈值小波去噪方法、中值滤波去噪方法、马尔可夫树去噪方法、贝叶斯估计去噪方法或神经网络去噪方法。
3.如权利要求1所述的风电安全智能预警应急系统图像处理方法，其特征在于：所述步骤㈡中像素级图像融合方法为：IHS变换方法、PCA变换方法、线性加权法或基于小波变换方法。
4.如权利要求1所述的风电安全智能预警应急系统图像处理方法，其特征在于：所述步骤㈢中感兴趣区域分割及主要特征提取，具体按以下步骤进行：
①选择图像分割算法提取感兴趣区域，去除背景和非有用信息，所述图像分割算法为基于数学形态学的图像分割方法、基于模糊理论的图像分割方法、基于神经网络的图像分割方法、基于支持向量机的图像分割方法、基于图论的图像分割方法、基于免疫算法的图像分割方法或基于粒度计算理论的图像分割方法；
②通过目标识别算法确定图像中是否存在感兴趣的目标，并精确定位，所述目标识别算法为由下而上的数据驱动型性或由上而下的知识驱动型；
③将图像中有意义的特征或区域提取出来，所述特征或区域是图像的原始特征或空间频谱，所述原始特征为像素的灰度值、物体轮廓、颜色、反射特征和纹理，所述空间频谱为直方图特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110278950 CN102324033B (zh) | 2011-09-20 | 2011-09-20 | 风电安全智能预警应急系统图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110278950 CN102324033B (zh) | 2011-09-20 | 2011-09-20 | 风电安全智能预警应急系统图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102324033A CN102324033A (zh) | 2012-01-18 |
| CN102324033B true CN102324033B (zh) | 2013-05-22 |
Family
ID=45451772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201110278950 Expired - Fee Related CN102324033B (zh) | 2011-09-20 | 2011-09-20 | 风电安全智能预警应急系统图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102324033B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469093A (zh) * | 2015-12-07 | 2016-04-06 | 周升峰 | 一种智能耳鼻喉电子检查装置及图像处理方法 |
| CN108881846B (zh) * | 2018-07-10 | 2020-12-08 | 深圳市易成自动驾驶技术有限公司 | 信息融合方法、装置及计算机可读存储介质 |
| CN111626934B (zh) * | 2020-05-14 | 2023-07-18 | 山东师范大学 | 高空间分辨率多光谱图的重构方法、系统、介质及设备 |
| CN112580711B (zh) * | 2020-12-14 | 2024-03-12 | 北京华能新锐控制技术有限公司 | 一种基于风电机组故障识别的视频图像融合方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100565244C (zh) * | 2007-10-31 | 2009-12-02 | 北京航空航天大学 | 多模多目标精密跟踪装置和方法 |
| CN101739683B (zh) * | 2009-12-11 | 2012-04-11 | 北京大学 | 基于图分割和多线索融合的单幅图深度估计方法及其系统 |
| CN101789005A (zh) * | 2010-01-22 | 2010-07-28 | 深圳创维数字技术股份有限公司 | 一种基于感兴趣区域的图像检索方法 |
| CN101957991A (zh) * | 2010-09-17 | 2011-01-26 | 中国科学院上海技术物理研究所 | 一种遥感图像配准方法 |
-
2011
- 2011-09-20 CN CN 201110278950 patent/CN102324033B/zh not_active Expired - Fee Related
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
| CN103413139B (zh) * | 2013-06-28 | 2015-05-20 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102324033A (zh) | 2012-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dhingra et al. | A review of remotely sensed satellite image classification | |
| CN102005054B (zh) | 一种实时红外图像目标跟踪方法 | |
| CN102324033B (zh) | 风电安全智能预警应急系统图像处理方法 | |
| CN107818326A (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
| CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数系统及方法 | |
| CN112686207B (zh) | 一种基于区域信息增强的城市街道场景目标检测方法 | |
| CN101807245A (zh) | 基于人工神经网络的多源步态特征提取与身份识别方法 | |
| CN110689482A (zh) | 一种基于有监督逐像素生成对抗网络的人脸超分辨率方法 | |
| CN111505632A (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
| Zhang et al. | Efficiently utilizing complex-valued PolSAR image data via a multi-task deep learning framework | |
| CN104123549A (zh) | 一种用于疲劳驾驶实时监测的眼睛定位方法 | |
| CN112288776B (zh) | 一种基于多时间步金字塔编解码器的目标跟踪方法 | |
| CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
| CN117422971A (zh) | 一种基于跨模态注意力机制融合的双模态目标检测方法与系统 | |
| Zhao et al. | FSDF: A high-performance fire detection framework | |
| CN113395448B (zh) | 一种机载吊舱图像搜索跟踪处理系统 | |
| CN106508048B (zh) | 一种基于多尺度基本形式的相似尺度图像融合方法 | |
| CN114187210B (zh) | 一种基于可见光-远红外图像的多模态去浓雾方法 | |
| CN114325856A (zh) | 基于边缘计算的输电线异物监测方法 | |
| Yang et al. | A review on infrared and visible image fusion algorithms based on neural networks | |
| CN117576483A (zh) | 基于多尺度卷积自编码器的多源数据融合地物分类方法 | |
| Liu et al. | FSFM: A feature square tower fusion module for multimodal object detection | |
| Cai et al. | Correlation-guided discriminative cross-modality features network for infrared and visible image fusion | |
| CN115131637A (zh) | 基于生成对抗网络的多级特征时空遥感图像融合方法 | |
| CN114782675A (zh) | 一种安全技术服务领域项目动态定价方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130522 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |