CN103295225B - 弱光照条件下的列车转向架边缘检测方法 - Google Patents

Abstract

本发明公开了一种弱光照条件下的列车转向架边缘检测方法，包括：基于中值滤波法对目标图像进行预处理；采用全局亮度调节函数，对目标图像中暗区细节区域的亮度进行非线性调节；使用局部多尺度Retinex算法增强目标图像的边缘特征；构造小波函数，对目标图像进行小波变换，生成模图和相角图；在模图中寻找沿相角方向模的极大值点，生成边缘图像，并将其它像素点标记为零；将模相近、相角相似的非零像素点联接，删除长度小于预设长度阈值的孤立链，利用数学形态学中的腐蚀运算，对所得到的边缘加以细化，得到单像素宽的边缘。本发明可以对在弱光源条件下拍摄的列车转向架图像的边缘提取，实现了提取图像最本质的特征的目的，有利于后续的故障识别。

Description

弱光照条件下的列车转向架边缘检测方法

技术领域

本发明涉及边缘检测技术领域，特别是涉及一种弱光照条件下的列车转向架边缘检测方法。

背景技术

转向架是高速列车的关键部件，不仅起着提供引力、制动、减震作用，还承受着列车的载重。随着列车速度的提高，列车所需牵引功率急剧增加，轮轨动作用力变得更大，轮轨粘着快速降低，制动功率需要加大，在此复杂工况下，转向架往往会发生表面裂纹、部件脱落、螺丝松动等故障，因此非常有必要对转向架进行状态监测与故障诊断。

在实际图像采集过程中，由于列车转向架系统离地面较近，光线不足，光照不均匀，在进行线阵图像摄制时会导致图像亮度太低、光照不均匀问题，对我们后续的图像识别产生严重干扰，因此需要对图像进行增强为后续的处理做准备。另外，图像的边缘是分析和理解图像的基础，是图像中最本质的特征，对故障识别起着非常重要的作用。转向架是一个复杂的系统，其零件的种类很多复杂性较大，增加了边缘检测的难度，传统的边缘检测方法，如Robert、Sobel、Prewitt、Canny、LoG提取的图像边缘效果不理想，不能成为后续故障识别的依据。

基于Retinex理论的增强算法既能保持颜色的恒定性，又能使得动态范围压缩和边缘增强相协调，增强后的画面细节还原充分，增强后图像性质与入射光无关，只与照射物体有关，因此能够解决光源的问题。同时，小波变换在时域和频域具有良好的局部化性质，它能把图像信息分解到不同的尺度上，对图像进行多分辨率分析，被誉为“数学显微镜”。小波变换的这种完美的“时频”多分辨率能力使得它更适合检测图像的边缘和细节。因此，虽然转向架系统结构复杂，我们利用小波变换能够较好地提取图像边缘。

因此，针对上述技术问题，有必要提供一种弱光照条件下的列车转向架边缘检测方法。

发明内容

有鉴于此，本发明的目的在于提供一种弱光照条件下的列车转向架边缘检测方法。

为了实现上述目的，本发明实施例提供的技术方案如下：

一种弱光照条件下的列车转向架边缘检测方法，所述方法包括：

S1、基于中值滤波法对目标图像进行预处理，滤除目标图像中的部分噪声；

S2、采用全局亮度调节函数，对目标图像中暗区细节区域的亮度进行非线性调节；

S3、使用局部多尺度Retinex算法增强目标图像的边缘特征；

S4、构造小波函数，对目标图像进行小波变换，生成模图和相角图；

S5、在模图中寻找沿相角方向模的极大值点，生成边缘图像，并将其它像素点标记为零；

S6、将模相近、相角相似的非零像素点联接，删除长度小于预设长度阈值的孤立链，利用数学形态学中的腐蚀运算，对所得到的边缘加以细化，得到单像素宽的边缘。

作为本发明的进一步改进，所述步骤S1中的中值滤波法为自适应中值滤波法。

作为本发明的进一步改进，所述步骤S2具体包括：

根据预设亮度阈值将目标图像划分为暗区和亮区，采用亮度调节函数进行映射，使暗区图像的灰度值动态范围得到拉伸。

作为本发明的进一步改进，所述步骤S2中的亮度调节函数为：

mlog[F(x,y)]=ω_L·log[F(x,y)+1] F(x,y)≤T，

其中，ω_L是暗区的权值系数，T为亮度分割阈值，D是图像的灰度级动态范围。

作为本发明的进一步改进，所述步骤S3具体包括：

S31、将目标图像的灰度函数用反射光分量和入射光分量的乘积表示，并将其采用对数运算，将入射光和反射光分离；

S32、用高斯模板对原图像做卷积得到低通滤波后的图像，将原图像减去低通滤波后的图像，得到高频增强的图像，同时作指数运算，得到增强后的图像；

S33、改变高斯函数中的方差尺度，按照上述步骤得到增强后的图像，采用加权平均的方法，得到多尺度Retinex增强后的图像。

作为本发明的进一步改进，所述步骤S3中多尺度Retinex算法表示为：

$r(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\left\{\log \right[S(x,y)]-l\mathrm{og}[S(x,y)*G_i(x,y)\left]\right\},$

其中，r(x,y)表示最后得到的反射图像，N表示尺度的个数，ω_i表示加权系数；S(x,y)=L(x,y)·R(x,y)，L(x,y)表示入射光的性质，R(x,y)表示反射物体的性质，S(x,y)表示反射光的性质；L(x,y)=S(x,y)*G(x,y)，为低通卷积函数，λ为常数，c为尺度函数。

作为本发明的进一步改进，所述步骤S4具体包括：

S41、构造高斯小波函数；

S42、用高斯一阶微分滤波器对增强后的列车转向架图像进行X方向和Y方向滤波，得到滤波值；

S43、将滤波值求平方和后开根号得到图像上每个像素点的梯度值，组成模图；

S44、求Y方向滤波值与X方向滤波值的比值的反正切，得到相角图。

作为本发明的进一步改进，所述步骤S4具体为：

构造小波母函数，二维高斯平滑函数为：

$\mathrm{\θ}(x,y,\mathrm{\σ})=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-\frac{x^2+y^2}{{2\mathrm{\σ}}^2}};$

定义 ${\mathrm{\ψ}}^1(x,y)=\frac{\∂}{\∂x}\mathrm{\θ}(x,y),$ ${\mathrm{\ψ}}^2(x,y)=\frac{\∂}{\∂y}\mathrm{\θ}(x,y),$ ψ¹(x,y)和ψ²(x,y)为小波；

目标图像f(x,y)关于ψ¹(x,y)，ψ²(x,y)在尺度s=2^j的小波变换为：

${W_{2^j}}^{1}f(x,y)=f*{{\mathrm{\ψ}}_{2^j}}^1(x,y),$

${W_{2^j}}^{2}f(x,y)=f*{{\mathrm{\ψ}}_{2^j}}^2(x,y),$

小波变换模定义为：

$\mathrm{Mf}(x,y)=\sqrt{|W_{2^j}^{1}f(x,y){|}^2+{\left|W_{2^j}^{2}f(x,y)\right|}^2},$

记Af(x,y)为小波变换向量在(x,y)平面的幅角：

$\mathrm{\α}\left(n\right)=\arctan \left(\frac{W_{2^j}^{2}f(x,y)}{W_{2^j}^{1}f(x,y)}\right).$

作为本发明的进一步改进，所述步骤S6具体包括：

S61、利用多个分辨率级的边缘像素集合，综合各个尺度上的边缘信息，链接边缘像素点以得到精细的图像边缘；

S62、剔除链长小于阈值的短链；

S63、采用数学形态法中的腐蚀运算，细化得到的图像边缘，得到单像素宽的边缘。

作为本发明的进一步改进，所述步骤S6中腐蚀运算公式为：

(gΘB)(x,y)=min{f(x+i,y+j)-B(x,y)|(x+i,y+j)∈D_f,(i,j)∈D_B}，

其中，经过步骤S62后的边缘图像为g(x,y)，结构单元为B(x,y)，g和B的定义域分别表示为D_f和D_B。

本发明弱光照条件下的列车转向架边缘检测方法，具有能在弱光源条件下对结构复杂的列车转向架边缘检测的特点，解决了转向架故障检测中的边缘提取基础性工作，能够提取出转向架最本质的特征，为后续的故障识别提供依据。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明弱光照条件下的列车转向架边缘检测方法的具体流程图；

图2为本发明中物体成像基本原理图；

图3为本发明中多尺度Retinex图像增强算法流程图；

图4a～4c分别为本发明一具体实施方式中选取的极弱光照条件下车牌号码图像、采用直方图均衡化的增强效果图、多尺度Retinex图像增强算法的增强效果图；

图5a为本发明一具体实施方式中当采用小波变换后，在尺度分别为2、1时的低频系数，图5b为高频水平方向系数、垂直方向系数、对角方向系数；

图6a～6e分别为本发明一具体实施方式中用Robert、Sobel、Prewitt、LoG、Canny边缘检测算子提取的列车转向架边缘图像；

图7a、7b分别为本发明一具体实施方式中未采用和采用多尺度Retinex图像增强算法对在弱光源条件下拍摄的转向架图像的增强效果图；

图8为本发明一具体实施方式中对增强后的转向架图像采用多尺度小波边缘检测算法提取的边缘图像。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

参图1所示，本发明的一种弱光照条件下的列车转向架边缘检测方法，该方法包括：

S1、基于中值滤波法对目标图像进行预处理，滤除目标图像中的部分噪声；

S2、采用全局亮度调节函数，对目标图像中暗区细节区域的亮度进行非线性调节；

S3、使用局部多尺度Retinex算法增强目标图像的边缘特征；

S4、构造小波函数，对目标图像进行小波变换，生成模图和相角图；

S5、在模图中寻找沿相角方向模的极大值点，生成边缘图像，并将其它像素点标记为零；

S6、将模相近、相角相似的非零像素点联接，删除长度小于预设长度阈值的孤立链，利用数学形态学中的腐蚀运算，对所得到的边缘加以细化，得到单像素宽的边缘。

进一步地，步骤S1中的中值滤波法为自适应中值滤波法。中值滤波采用自适应的方法，减少了图像的失真问题。普通的中值滤波滤除概率密度较小的椒盐噪声性能较好，但是处理噪声密度较大的图像，会丢失图像的细节信息。这是由于在对图像滤除椒盐噪声时，理想的中值滤波器应该是只针对椒盐噪声点进行滤波的，但是普通的中值滤波器对图像中所有点都进行了平滑处理，因此图像经过滤波后出现了失真。自适应中值滤波器能够解决上述问题，它能够自适应判断该点是否为椒盐噪声点，再有针对性地进行滤波。通过滤波能够增强边界，模糊细节内容，使图像具有更好的光滑结果和光滑性质。

步骤S2具体为：根据预设亮度阈值将目标图像划分为暗区和亮区，采用亮度调节函数进行映射，使暗区图像的灰度值动态范围得到拉伸。亮度调节函数为：

mlog[F(x,y)]=ω_L·log[F(x,y)+1] F(x,y)≤T，

其中，ω_L是暗区的权值系数；T为亮度分割阈值；D是图像的灰度级动态范围，对于unit8类型图像系统，其值为256。

进一步地，步骤S3具体包括：

S31、将目标图像的灰度函数用反射光分量和入射光分量的乘积表示，并将其采用对数运算，将入射光和反射光分离；

S32、用高斯模板对原图像做卷积得到低通滤波后的图像，将原图像减去低通滤波后的图像，得到高频增强的图像，同时作指数运算，得到增强后的图像；

S33、改变高斯函数中的方差尺度，按照上述步骤得到增强后的图像，采用加权平均的方法，得到多尺度Retinex增强后的图像。

Retinex理论指出，物体的成像主要是由入射光和反射物体的性质决定的，其表达式如下：

S(x,y)=L(x,y)·R(x,y)

其中，L(x,y)表示入射光的性质，R(x,y)表示反射物体的性质，S(x,y)表示反射光的性质。

入射光L(x,y)可以表示为：L(x,y)=S(x,y)*G(x,y)，其中：为低通卷积函数。λ为常数；c为尺度函数，c越大，图像锐化越厉害，c越大，图像动态范围压缩的越多。代入上一公式，即可得单尺度Retinex公式：

$\log R(x,y)=\log \frac{S(x,y)}{L(x,y)}=\log S(x,y)-\log [S(x,y)*G(x,y)]$

多尺度Retinex是单尺度Retinex的加权平均，若用r(x,y)表示最后得到的反射图像，改变尺度参数c，则多尺度Retinex可以表示为：

$r(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\left\{\log \right[S(x,y)]-\log [S(x,y)*G_i(x,y)\left]\right\}$

其中，N表示尺度的个数，ω_i表示加权系数。

进一步地，步骤S4具体包括：

S41、构造高斯小波函数；

S42、用高斯一阶微分滤波器对增强后的列车转向架图像进行X方向和Y方向滤波，得到滤波值；

S43、将滤波值求平方和后开根号得到图像上每个像素点的梯度值，组成模图；

S44、求Y方向滤波值与X方向滤波值的比值的反正切，得到相角图。

构造小波母函数，二维高斯平滑函数为：

$\mathrm{\θ}(x,y,\mathrm{\σ})=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-\frac{x^2+y^2}{{2\mathrm{\σ}}^2}}$

定义： ${\mathrm{\ψ}}^1(x,y)=\frac{\∂}{\∂x}\mathrm{\θ}(x,y),$ ${\mathrm{\ψ}}^2(x,y)=\frac{\∂}{\∂y}\mathrm{\θ}(x,y),$ 根据小波的定义，ψ¹(x,y)和ψ²(x,y)为小波。

则图像f(x,y)关于ψ¹(x,y)，ψ²(x,y)在尺度s=2^j的小波变换为：

${W_{2^j}}^{1}f(x,y)=f*{{\mathrm{\ψ}}_{2^j}}^1(x,y),$

${W_{2^j}}^{2}f(x,y)=f*{{\mathrm{\ψ}}_{2^j}}^2(x,y);$

小波变换模定义为：

$\mathrm{Mf}(x,y)=\sqrt{|W_{2^j}^{1}f(x,y){|}^2+{\left|W_{2^j}^{2}f(x,y)\right|}^2};$

记Af(x,y)为小波变换向量在(x,y)平面的幅角：

其中 $\mathrm{\α}\left(n\right)=\arctan \left(\frac{W_{2^j}^{2}f(x,y)}{W_{2^j}^{1}f(x,y)}\right).$

步骤S5中，由于噪声和精细纹理的存在，边缘像素集合中有许多非边缘点，而这些点的模值普遍较小，因此采用阈值法剔除模值小于一定阈值的点，以减少非边缘像素点对后续步骤的影响。

进一步地，步骤S6具体包括：

S61、利用多个分辨率级的边缘像素集合，综合各个尺度上的边缘信息，链接边缘像素点以得到精细的图像边缘；

S62、剔除链长小于阈值的短链；

S63、采用数学形态法中的腐蚀运算，细化得到的图像边缘，得到单像素宽的边缘。

假设经过步骤S62后的边缘图像为g(x,y)，结构单元为B(x,y)，g和B的定义域分别表示为D_f和D_B，用移位运算表示的腐蚀运算为：

(gΘB)(x,y)=min{f(x+i,y+j)-B(x,y)|(x+i,y+j)∈D_f,(i,j)∈D_B}

通过合理选择结构单元B(x,y)，可以将图像边缘宽度腐蚀成单像素宽的边缘图像。

在本发明的一具体实施方式中：

如图1所示，列车转向架的边缘检测过程如下：使用自适应中值滤波器对图像进行滤波，减少噪声的干扰；根据预先设定的阈值判断图像的暗区，再进行亮度调节；基于多尺度Retinex图像增强算法增强转向架图像中感兴趣部分，增强图像边缘特征；接着选用适合的小波函数，将图像进行多尺度小波变换，得到该图像的模图和相角图；接着在模图像中寻找沿相角方向模的局部极大值点，生成可能的边缘图像，并将其它像素点标记为零；最后删除长度小于预设的阈值的孤立链，并采用数学形态法中的腐蚀运算，细化得到的图像边缘，得到单像素宽的边缘。

如图2所示，该图为物体成像原理图，入射光L照射到反射物体R上，经反射得到反射光S，反射光进入人眼或照相机后形成图像。

如图3所示，根据反射光S性质可以通过高斯平滑函数卷积运算估算出入射光L，分别取其对数相减，可以得到r，作指数运算后可以得到反射物体R性质，且并性质与入射光L无关，只与反射物体R有关，实现了在弱光源条件下对图像增强的效果。

如图4a～4c所示，对在极弱光照条件下拍摄的车牌号码（见图4a）进行图像增强可以看出，传统的直方图均衡化增强方法在图像处于严重偏暗的情况下效果不明显（见图4b），不利于后续的边缘检测，而多尺度Retinex算法能够得到较好的增强效果（见图4c），有利于后续的边缘检测。

如图6所示，对列车转向架直接用经典的一阶、二阶微分梯度算子做边缘检测后，可以看出，Robert算法没经过图像平滑计算，对噪声较敏感，处理对比度低且较暗图像的能力较差（效果见图6a）；Sobel算法和Prewitt算法容易出现多像素宽度，对噪声的抑制能力较差，边缘图像较模糊（效果分别见图6b、6c）；Canny算法和LoG算法对于结构复杂的图像提取出的边缘较模糊，边缘连接性较差（效果分别见图6d、6e）。

如图7a、7b所示，7a为现有技术的拍摄效果图，7b为采用采用多尺度Retinex图像增强算法的拍摄效果图，可以看出，在弱光源条件下拍摄的转向架图像，经过多尺度Retinex运算增强了图像显示效果，有利于图像边缘的提取。

如图8所示，列车转向架采用多尺度小波变换边缘检测算法，可以看出，该算法能够较准确的检测到图像的边缘，且存在较少的伪边缘，连接程度很好，能够满足后续的故障识别的要求。

从分析过程和实施方式可以看出，本发明弱光照条件下的列车转向架边缘检测方法能有效提取在弱光源条件下拍摄的列车转向架图像的边缘，实现了提取图像最本质特征—边缘特征的目的，为后续的故障识别提供依据。在边缘检测和列车故障诊断工程领域中能得到广泛应用。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种弱光照条件下的列车转向架边缘检测方法，其特征在于，所述方法包括：

S1、基于中值滤波法对目标图像进行预处理，滤除目标图像中的部分噪声，其中所述中值滤波法为自适应中值滤波法；

S2、采用全局亮度调节函数，对目标图像中暗区细节区域的亮度进行非线性调节，其中，

根据预设亮度阈值将目标图像划分为暗区和亮区，采用亮度调节函数进行映射，使暗区图像的灰度值动态范围得到拉伸；

S3、使用局部多尺度Retinex算法增强目标图像的边缘特征；

S4、构造小波函数，对目标图像进行小波变换，生成模图和相角图；

其中包括S41～S44：

S41、构造高斯小波函数；

S42、用高斯一阶微分滤波器对增强后的目标图像进行X方向和Y方向滤波，得到滤波值；

S43、将滤波值求平方和后开根号得到图像上每个像素点的梯度值，组成模图；

S44、求Y方向滤波值与X方向滤波值的比值的反正切，得到相角图；

S5、在模图中寻找沿相角方向模的极大值点，生成边缘图像，并将其它像素点标记为零；

S6、将模相近、相角相似的非零像素点联接，删除长度小于预设长度阈值的孤立链，利用数学形态学中的腐蚀运算，对所得到的边缘加以细化，得到单像素宽的边缘；

其中包括S61～S63：

S61、利用多个分辨率级的边缘像素集合，综合各个尺度上的边缘信息，链接边缘像素点以得到精细的图像边缘；

S62、剔除链长小于阈值的短链；

S63、采用数学形态法中的腐蚀运算，细化得到的图像边缘，得到单像素宽的边缘；

所述步骤S2中的亮度调节函数为：

mlog[F(x,y)]＝ω_L·log[F(x,y)+1] F(x,y)≤T，

其中，ω_L是暗区的权值系数，T为亮度分割阈值，D是图像的灰度级动态范围。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3具体包括：

S31、将目标图像的灰度函数用反射光分量和入射光分量的乘积表示，并将其采用对数运算，将入射光和反射光分离；

S32、用高斯模板对目标图像做卷积得到低通滤波后的图像，将目标图像减去低通滤波后的图像，得到高频增强的图像，同时作指数运算，得到增强后的图像；

S33、改变高斯函数中的方差尺度，按照上述步骤得到增强后的图像，采用加权平均的方法，得到多尺度Retinex增强后的图像。

3.根据权利要求2所述的方法，其特征在于，所述步骤S3中多尺度Retinex算法表示为：

$r(x,y)=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\ω}}_i\{log\[S(x,y)\]-log\[S(x,y)*G_i(x,y)\]\},$

其中，r(x,y)表示最后得到的反射图像，N表示尺度的个数，ω_i表示加权系数；S(x,y)＝L(x,y)·R(x,y)，L(x,y)表示入射光的性质，R(x,y)表示反射物体的性质，S(x,y)表示反射光的性质；L(x,y)＝S(x,y)*G(x,y)，为低通卷积函数，λ为常数，c为尺度函数。

4.根据权利要求1所述的方法，其特征在于，所述步骤S4具体为：

构造高斯小波函数，在二维高斯平滑函数：

中；

定义ψ¹(x,y)和ψ²(x,y)为高斯小波函数；

目标图像f(x,y)关于ψ¹(x,y)，ψ²(x,y)在尺度s＝2^j的小波变换为：

${W_{2^j}}^{1}f(x,y)=f(x,y)*{{\mathrm{\ψ}}_{2^j}}^1(x,y),$

${W_{2^j}}^{2}f(x,y)=f(x,y)*{{\mathrm{\ψ}}_{2^j}}^2(x,y),$

小波变换模定义为：

$Mf(x,y)=\sqrt{{\left|W_{2^j}^{1}f(x,y)\right|}^2+{\left|W_{2^j}^{2}f(x,y)\right|}^2},$

记Af(x,y)为小波变换向量在图像像素坐标(x,y)处对应的幅角：

5.根据权利要求1所述的方法，其特征在于，所述步骤S6中腐蚀运算公式为：

(fΘB)(x,y)＝min{f(x+i,y+j)-B(x,y)|(x+i,y+j)∈D_f,(x,y)∈D_B}，

其中，经过步骤S62后的边缘图像为f(x,y)，结构单元为B(x,y)，f(x,y)和B(x,y)的定义域分别表示为D_f和D_B。