CN105719252A - 一种铁路巡检图像实时高动态范围绘制方法和装置 - Google Patents
一种铁路巡检图像实时高动态范围绘制方法和装置 Download PDFInfo
- Publication number
- CN105719252A CN105719252A CN201610035456.0A CN201610035456A CN105719252A CN 105719252 A CN105719252 A CN 105719252A CN 201610035456 A CN201610035456 A CN 201610035456A CN 105719252 A CN105719252 A CN 105719252A
- Authority
- CN
- China
- Prior art keywords
- image
- adaptive
- trackside equipment
- electricity business
- overall situation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 144
- 238000012545 processing Methods 0.000 claims abstract description 122
- 230000005611 electricity Effects 0.000 claims description 112
- 230000008569 process Effects 0.000 claims description 87
- 238000007689 inspection Methods 0.000 claims description 50
- 230000001629 suppression Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 24
- 238000013316 zoning Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 2
- 238000004422 calculation algorithm Methods 0.000 description 23
- 230000000694 effects Effects 0.000 description 16
- 230000005574 cross-species transmission Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000005286 illumination Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 125000001475 halogen functional group Chemical group 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000003137 locomotive effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 208000031481 Pathologic Constriction Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910001041 brightray Inorganic materials 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 210000001215 vagina Anatomy 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010003084 Areflexia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20008—Globally adaptive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种铁路巡检图像实时高动态范围绘制方法和装置,所述方法,包括:根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像;将采集的电务轨旁设备的图像输入至图像预处理模型,输入的图像逐次经过图像预处理模型中的全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像;通过本发明提供的铁路巡检图像实时高动态范围绘制方法和装置,使得检修人员可以根据处理后的图像对电务轨旁设备进行巡检,提高了电务轨旁设备巡检的作业效率。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种铁路巡检图像实时高动态范围绘制方法和装置。
背景技术
目前还没有电务轨旁设备智能巡检系统在实际电务轨旁设备巡检中使用,本发明尚属首例在电务轨旁设备智能巡检系统中实现电务轨旁设备实时高动态范围绘制功能。当前各铁路局的例行电务轨旁设备巡检工作,主要依靠人工上道的方式,由工区相关工作人员在夜间天窗时间,徒步行走十几公里,使用手电等便携照明设备进行检查,检查的内容以设备外观等为主。人工上道巡检的方式存在上道安全性低、维护工作量大、人力资源浪费、天窗时间作业效率低、检查准确性无法保证、受天气影响较大等诸多问题。针对人工上道巡检的弊端,目前尚未提出有效的解决方案。
发明内容
有鉴于此,本发明实施例的目的在于提供一种铁路巡检图像实时高动态范围绘制方法和装置,作为正在研发的电务轨旁设备智能巡检系统的一个组成部分,以提高电务轨旁设备巡检的作业效率。
第一方面,本发明实施例提供了一种铁路巡检图像实时高动态范围绘制方法,包括:
根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像;其中,所述图像为灰度图像;
将采集的所述电务轨旁设备的图像输入至图像预处理模型,输入的图像逐次经过所述图像预处理模型中的全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像;
其中,所述全局自适应处理在输入的图像的亮度不满足亮度要求时触发执行,且采用伽马校正方式对输入的图像进行处理;所述局部自适应处理采用对数编码和自适应改变局部滤波模板尺度的图像处理方式对输入的图像进行处理;所述直方图截断拉伸处理采用直方图截断拉伸处理方式对输入的图像进行处理。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像,包括:
根据所需图像分辨率设置所述巡检车上设置的图像采集单元的触发脉冲数;其中,所述图像采集单元包括:所述巡检车的车顶处设置的高柱相机以及轨道外侧的拍摄相机,所述高柱相机为面阵相机,所述轨道外侧的拍摄相机采用线阵相机。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述全局自适应处理,包括:
通过公式判断所述电务轨旁设备的图像中需要亮度增强的像素点;其中,表示图像增强系数,N表示电务轨旁设备的图像的像素个数,p表示电务轨旁设备的图像中的某一像素点,Ф表示电务轨旁设备的图像,Ф(p)表示p点的灰度值,AL表示电务轨旁设备的图像取对数后的均值;
通过公式Φ′=Φ1/γ,对所述电务轨旁设备灰度图像中需要亮度增强的像素点进行增强,得到全局自适应处理图像;其中,Ф表示电务轨旁设备灰度图像,Φ′表示全局自适应处理图像。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述局部自适应处理,包括:
根据公式计算所述全局自适应处理图像中各像素点的抑制灰度溢出参数β(x,y);其中,Φ′(x,y)表示全局自适应处理图像;
对所述全局自适应处理图像进行边缘检测,得到所述全局自适应处理图像的物体边缘;
通过公式Φnew(x,y)=log(Φ′(x,y))-β(x,y)×log(mask(x,y)),对得到的所述全局自适应处理图像进行局部自适应处理,得到所述局部自适应处理后中间结果图像;其中,
(x,y)表示进行光晕抑制处理的像素点的坐标值,mask(x,y)某个像素点的光晕抑制参数,Φnew(x,y)表示局部自适应处理后中间结果图像,θ表示进行光晕抑制处理的滤波方向,r表示进行光晕抑制处理的滤波范围。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述直方图截断拉伸处理,包括:
对得到的所述局部自适应处理后中间结果图像进行直方图截断拉伸处理,将所述直方图截断拉伸处理后得到的图像作为所述图像预处理模型的输出图像。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述方法还包括:
对所述输出图像进行区域划分,得到所述输出图像的多个划分区域;
获取所述输出图像中各划分区域的最大像素值和最小像素值;
通过公式和得到的各划分区域的最大像素值和最小像素值,对图像质量衡量参数EME进行计算;其中,EME表示图像质量衡量参数,k1和k2分别表示各划分区域的长度和宽度;和分别为输出图像的各划分区域的最大像素值和最小像素值;w表示划分区域;
将得到的所述图像质量衡量参数提示给检测人员。
第二方面,本发明实施例提供了一种铁路巡检图像实时高动态范围绘制装置,包括:
采集模块,用于根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像;其中,所述图像为灰度图像;
预处理模块,用于将采集的所述电务轨旁设备的图像输入至图像预处理模型,输入的图像逐次经过所述图像预处理模型中的全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像;
其中,所述全局自适应处理在输入的图像的亮度不满足亮度要求时触发执行,且采用伽马校正方式对输入的图像进行处理;所述局部自适应处理采用对数编码和自适应改变局部滤波模板尺度的图像处理方式对输入的图像进行处理;所述直方图截断拉伸处理采用直方图截断拉伸处理方式对输入的图像进行处理。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述采集模块,包括:
采集频率设置单元,用于根据所需图像分辨率设置所述巡检车上设置的图像采集单元的触发脉冲数;其中,所述图像采集单元包括:所述巡检车的车顶处设置的高柱相机以及轨道外侧的拍摄相机,所述高柱相机为面阵相机,所述轨道外侧的拍摄相机采用线阵相机。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述预处理模块,包括:
判断单元,用于通过公式判断所述电务轨旁设备的图像中需要亮度增强的像素点;其中, 表示图像增强系数,N表示电务轨旁设备的图像的像素个数,p表示电务轨旁设备的图像中的某一像素点,Ф表示电务轨旁设备的图像,Ф(p)表示p点的灰度值,AL表示电务轨旁设备的图像取对数后的均值;
全局自适应处理单元,用于通过公式Φ′=Φ1/γ,对所述电务轨旁设备灰度图像中需要亮度增强的像素点进行增强,得到全局自适应处理图像;其中,Ф表示电务轨旁设备灰度图像,Φ′表示全局自适应处理图像。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,所述预处理模块,包括:
计算单元,用于根据公式计算所述全局自适应处理图像中各像素点的抑制灰度溢出参数β(x,y);其中,Φ′(x,y)表示全局自适应处理图像;
边缘检测单元,用于对所述全局自适应处理图像进行边缘检测,得到所述全局自适应处理图像的物体边缘;
局部自适应处理单元,用于通过公式Φnew(x,y)=log(Φ′(x,y))-β(x,y)×log(mask(x,y)),对得到的所述全局自适应处理图像进行局部自适应处理,得到所述局部自适应处理后中间结果图像;其中,
(x,y)表示进行光晕抑制处理的像素点的坐标值,mask(x,y)某个像素点的光晕抑制参数,Φnew(x,y)表示局部自适应处理后中间结果图像,θ表示进行光晕抑制处理的滤波方向,r表示进行光晕抑制处理的滤波范围。
本发明实施例提供的铁路巡检图像实时高动态范围绘制方法和装置,提出一种新的基于变尺度Retinex算法(Varying-scaleRetinex,VSR)对电务轨旁设备的图像进行图像增强处理,通过对电务轨旁设备的图像进行全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像,使得检修人员可以根据处理后的图像对电务轨旁设备进行巡检,与现有技术中通过人工上道对电务轨旁设备进行巡检的方式相比,无需人工上道检测,提高了检测人员的安全性,而且维护工作量小,只需很少的人员就可以全天候完成电务轨旁设备的巡检操作,节约了人力资源;并提高了电务轨旁设备巡检的作业效率,并且大大提高了检查的准确性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例1所提供的一种铁路巡检图像实时高动态范围绘制方法中巡检车载相机安装位置示意图;
图2示出了本发明实施例1所提供的一种铁路巡检图像实时高动态范围绘制方法的流程图;
图3示出了本发明实施例2所提供的一种图像实时高动态范围绘制装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑到相关技术中进行电务轨旁设备巡检的过程中,主要依靠人工上道的方式,由工区相关工作人员在夜间天窗时间,徒步行走十几公里,使用手电等便携照明设备进行检查,检查的内容以设备外观等为主。人工上道巡检的方式存在上道安全性低、维护工作量大、人力资源浪费、天窗时间作业效率低、检查准确性无法保证、受天气影响较大等诸多问题。基于此,本发明实施例提供了一种用户汇总数据的展示方法和装置,下面通过实施例进行描述。
实施例1
本实施例提供了一种铁路巡检图像实时高动态范围绘制方法,该方法的执行主体是可以进行数据交互的巡检车和高性能图像处理工控机;通过安装有图像采集单元的巡检车对图像进行采集,并由高性能图像处理工控机完成图像的采集、预处理和存储工作,从而执行本实施例提出的铁路巡检图像实时高动态范围绘制方法。
参见图1,为本实施例的巡检车上的相机安装示意图,本发明所用到的相机为车顶高柱相机以及轨道外侧拍摄相机,车顶相机采用面阵相机,适合大视场,大景深情况;轨道外侧采用线阵相机,描频率高、适合于运动扫描连续成像。在进行电务轨旁设备巡检时,巡检车会将相机采集的图像实时处理后反馈给检测人员,使得检测人员通过处理后的图像对电务轨旁设备进行实时检查。
参见图2,本实施例提出的一种铁路巡检图像实时高动态范围绘制方法,包括以下步骤:
步骤200、根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像;其中,图像为灰度图像。
其中,巡检车通过安装的同步定位系统,根据安装在巡检车的轴头速度传感器获取巡检车运行速度的脉冲信息,从而触发图像采集单元对图像信息进行采集。图像采集单元需要根据接收到的触发脉冲进行图像信息的采集,触发脉冲的频率根据巡检车的运行速度确定,以保证采集的图像信息连续无丢失。
在步骤200中,可以通过设定用于采集图像的相机的触发脉冲或者触发时间,从而设定图像采集时间。
步骤202、将采集的电务轨旁设备的图像输入至图像预处理模型,输入的图像逐次经过图像预处理模型中的全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像。
其中,全局自适应处理在输入的图像的亮度不满足亮度要求时触发执行,且采用伽马校正方式对输入的图像进行处理;局部自适应处理采用对数编码和自适应改变局部滤波模板尺度的图像处理方式对输入的图像进行处理;直方图截断拉伸处理采用直方图截断拉伸处理方式对输入的图像进行处理。
在局部自适应处理过程中,采用对数编码图像,可以模拟人类视觉系统(HumanVisionSystem,简称HVS)特性曲线,使得图像所表现出来的对数特性更加趋近人眼视觉效果。
综上所述,本发明实施例提供的铁路巡检图像实时高动态范围绘制方法,提出一种新的基于变尺度Retinex算法VSR对电务轨旁设备的图像进行图像增强处理,通过对电务轨旁设备的图像进行全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像,使得检修人员可以根据处理后的图像对电务轨旁设备进行巡检,与现有技术中通过人工上道对电务轨旁设备进行巡检的方式相比,无需人工上道检测,提高了检测人员的安全性,而且维护工作量小,只需很少的人员就可以全天候完成电务轨旁设备的巡检操作,节约了人力资源;并提高了电务轨旁设备巡检的作业效率,并且大大提高了检查的准确性。
相关技术中,在对电务轨旁设备进行巡检的过程中,由于车速过快导致相机没有获取到应该巡检的设备的图像,或者获取到的图像不清晰,那么不论是未采集到图像还是采集的图像不清晰,都会导致检测人员不能通过采集的图像对电务轨旁设备进行检查,需要重新采集图像,从而降低了检查的效率;所以,为了提高检查的效率,在本实例中,根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像包括以下步骤:
根据所需图像分辨率设置巡检车上设置的图像采集单元的触发脉冲数;其中,图像采集单元包括:巡检车的车顶处设置的高柱相机以及轨道外侧的拍摄相机,高柱相机为面阵相机,轨道外侧的拍摄相机采用线阵相机。
其中,线阵相机由脉冲触发,车轮转一圈设置图像采集单元中线阵相机触发5000次脉冲,设定3个脉冲触发采集一线图像;面阵相机由时间触发,面阵相机的触发时间是25帧/秒。
所需图像分辨率,就是最后得到的图像的分辨率,可以根据相关设备的性能获知。
综上所述,在检测车上安装先进的图像采集单元,动态获取沿线电务轨旁设备的图像数据,并结合地面数据和车载定位信息准确定位设备位置,切实指导养护维修。而且,通过的获取巡检车的轴头速度传感器检测的巡检车的运行速度的脉冲信息,从而在保证采集到所有的电务轨旁设备图像的同时,也可以使得采集的图像清晰,满足检测人员的检测要求,提高了检查的效率,而且可以保证采集的图像信息连续无丢失。
相关技术中,如果对获取的图像中的所有像素点都进行图像增强处理,那么有些正常的像素点在处理后就会亮度过高,导致检测人员不能对处理后的图像进行电务轨旁设备检查,所以为了只对亮度较低的图像进行增强处理,在本实例中,全局自适应处理,包括以下步骤(1)至步骤(2):
(1)通过公式判断电务轨旁设备的图像中需要亮度增强的像素点;其中,表示图像增强系数,N表示电务轨旁设备的图像的像素个数,p表示电务轨旁设备的图像中的某一像素点,Ф表示电务轨旁设备的图像,Ф(p)表示p点的灰度值,AL表示电务轨旁设备的图像取对数后的均值;
(2)通过公式Φ′=Φ1/γ,对电务轨旁设备灰度图像中需要亮度增强的像素点进行增强,得到全局自适应处理图像;其中,Ф表示电务轨旁设备灰度图像,Φ′表示全局自适应处理图像。
在步骤1中,伽马校正系数1/γ的数值范围在1/3到1之间。
综上所述,通过公式判断电务轨旁设备的图像中需要亮度增强的像素点,并对电务轨旁设备灰度图像中需要亮度增强的像素点进行增强,避免了对正常亮度的像素点进行增强而导致检测人员不能通过处理后的图像进行电务轨旁设备检查的缺陷,从而对原始图像进行全局亮度粗调,以供后续模块精细处理。
相关技术中,单尺度Retinex算法(Single-scaleRetinex,SSR),等各类Retinex算法都存在光晕现象和灰度溢出现象,出现光晕现象的原因是假设光源均匀分布导致在邻近区域亮度差异过大,从而引起处理后图像中表现为亮区出现暗纹以及暗区出现亮纹;出现灰度溢出现象的原因是局部滤波器导致低对比度的暗区与亮区在处理后形成灰色区域。而图像中的光晕现象和灰度溢出现象都会导致检测人员不能准确识别电务轨旁设备图像,所以,为了抑制电务轨旁设备图像中出现的光晕现象和灰度溢出现象,在本实例中,局部自适应处理,包括以下步骤(1)至步骤(3):
(1)根据公式计算全局自适应处理图像中各像素点的抑制灰度溢出参数β(x,y);其中,Φ′(x,y)表示全局自适应处理图像;
(2)对全局自适应处理图像进行边缘检测,得到全局自适应处理图像的物体边缘;
(3)通过公式Φnew(x,y)=log(Φ′(x,y))-β(x,y)×log(mask(x,y)),对得到的全局自适应处理图像进行局部自适应处理,得到局部自适应处理后中间结果图像;其中,
(x,y)表示进行光晕抑制处理的像素点的坐标值,mask(x,y)某个像素点的光晕抑制参数,Φnew(x,y)表示局部自适应处理后中间结果图像,θ表示进行光晕抑制处理的滤波方向,r表示进行光晕抑制处理的滤波范围。
在步骤1中,是sigmoid函数,可以使图像中的白色保持为白色,黑色保持为黑色,这样保证了视觉效果的真实性。当图像较亮时,β(x,y)趋于0,使Φnew(x,y)=log(Φ′(x,y))-β(x,y)×log(mask(x,y))中的减项趋于0,从而保持图像较亮;当图像较暗时,β(x,y)趋于1,使处理后的图像也较暗。
抑制灰度溢出参数β(x,y)是权重因子用来调节Φnew(x,y)=log(Φ′(x,y))-β(x,y)×log(mask(x,y))右边两个相减项的权重,以抑制基于周边Retinex算法的灰度溢出效应;因此,抑制灰度溢出参数β(x,y)可以使中等亮度的像素值与原像素值呈现近似正相关拉伸的变化而同时保证原图像的较亮区与较暗区基本不变,这样就抑制了灰度溢出效益。
在步骤2中,采用Canny算子对全局自适应处理图像Ф′进行边缘检测进行判断。
在步骤3中,可以在图像的高对比度边缘自适应的改变滤波器的大小和形状,从而可以最大限度的抑制光晕伪迹。这样,当变尺度滤波器沿着边缘处理时,图像的亮区对邻近的暗区产生较为微弱的影响。这在Φnew(x,y)=log(Φ′(x,y))-β(x,y)×log(mask(x,y))中的mask项上体现,mask(x,y)的值是由该点邻域像素灰度的加权平均决定;当环绕着待考察点(x,y)径向像素值求和时,若在θ方向上没有高对比度边缘,则高斯权值函数的空间平滑系数(高斯核)取σ0,反之取σ1。
其中,设定rmax=3×σ0,
综上所述,通过在局部自适应处理的过程中采用抑制灰度溢出参数β(x,y)和光晕抑制参数mask(x,y)对电务轨旁设备图像中出现的光晕现象和灰度溢出现象进行抑制,使得检测人员可以通过清晰的图像对电务轨旁设备进行更好的检查。
相关技术中,如果得到的局部自适应处理后中间结果图像中的某些像素点的灰度值超出了[0,1]区间,会造成图像的清晰度较低,所以,为了保证图像的清晰度,在本实例中,直方图截断拉伸处理,包括:
对得到的局部自适应处理后中间结果图像进行直方图截断拉伸处理,将直方图截断拉伸处理后得到的图像作为图像预处理模型的输出图像。
其中,在进行直方图截断拉伸处理的过程中,先不考虑最暗与最亮端的1%像素点,这是直方图截断过程;然后再进行传统意义上的直方图均衡,从而得到最终的输出图像。
综上所述,通过对得到的局部自适应处理后中间结果图像进行直方图截断拉伸处理,使其直方图变成均匀分布,以增加图像灰度值的动态范围,从而达到增强图像整体对比度,使图像清晰,保证了图像的清晰度;而且,能有效校正巡检图像亮度局部不均匀现象,并最大限度抑制灰度溢出效应与光晕效应,使其展示出由于图像局部亮度反差所掩饰的图像有用信息,提升图像显示质量,有利于图像浏览及后续的图像智能分析。
相关技术中,并没有一个统一的公认的图像质量评价标准来对图像的清晰度进行评价,所以,为了对处理后的电务轨旁设备图像的清晰度进行评价,在本实例中,铁路巡检图像实时高动态范围绘制方法还包括以下步骤(1)至步骤(4):
(1)对输出图像进行区域划分,得到输出图像的多个划分区域;
(2)通过遍历排序的方式,获取输出图像中各划分区域的最大像素值和最小像素值;
(3)通过公式和得到的各划分区域的最大像素值和最小像素值,对图像质量衡量参数EME进行计算;其中,EME表示图像质量衡量参数,k1和k2分别表示各划分区域的长度和宽度;和分别为输出图像各划分区域的最大像素值和最小像素值;w表示划分区域;
(4)将得到的图像质量衡量参数提示给检测人员。
当计算得到的EME越大,表明相应算法的局部对比度越好。
在本实例中,优选地,k1=k2=8,通过确定输出图像中各8*8大小的划分区域中的EME,来对输出图像的清晰度进行评价。
在实际实验的过程中,本申请采用主客观评价相结合的方式,对电务轨旁设备巡检图像,通过若干具有代表性的方法与本实施例提出的VSR算法进行处理比较评价。这些方法包括:限制对比度自适应直方图均衡(Contrast-limitedAdaptiveHistogramEqualization,CLAHE),引导滤波(GuidedFilter,GF),迭代Retinex(IterativeRetinex,IR),SSR,多尺度Retinex(Multi-scaleRetinex,MSR),多尺度多通道Retinex(Multi-scaleandMulti-channelRetinex,MSMCR)以及本实施例提出提出的VSR。表1示出了各增强算法处理效果的图像质量衡量参数(EME)。
表1
(1)高柱信号机
巡检机车车顶面阵相机拍摄的高柱信号机图像具有如下特点:由于背景较为空旷导致背景区基本无反射面;高柱信号机作为目标物体具有较强反射面。上述特性表现为图像光照不均匀,需要进行图像增强以利于图像浏览与后端智能分析。
从主观观察方面评价,明显本实施例提出的VSR要优于其它方法。CLAHE与GF没有消除局部光照不均衡。IR算法产生了明显的光晕效应,SSR、MSR和MSMCR整体上消除了光照不均衡,但产生灰度溢出效应。本实施例提出的VSR算法效果最佳,消除了光照不均衡、光晕效应,并最大程度上抑制了灰度溢出效应。从客观指标方面评价,采用图像质量衡量参数对图像质量进行描述,计算结果如表1第一行所示,括号内为处理效果提升百分比。
显然,本实施例提出VSR算法明显优于其它方法。值得注意的是,从该表可以看到,CLAHE和GF处理结果在EME评价指标上要优于除本实施例提出VSR算法外的其它基于Retinex算法,但在主观评价方面,CLAHE和GF并没有消除光照不均衡现象,因此在实际使用中不如其它基于Retinex算法,这也反映了数字指标并不能全面反映图像质量提升情况。
(2)漏缆
巡检机车相机拍摄漏缆时,会出现图像较暗并有不均匀光照的情况出现。图像较暗的原因是目前拍摄漏缆与拍摄高柱信号机、接触网杆信号标志牌共用一个面阵相机,这样在对焦与外加光源方面要有综合考虑;不均匀光照的原因是隧道壁具有较强的反射面,因此某些区域会出现镜面反射效应,这尤其在对图像全局增强处理后会更为明显。在没有对漏缆单独增加拍摄相机时,有必要对其进行处理以利于图像浏览与后期智能分析。
从主观观察方面评价,明显本实施例提出的VSR要优于其它方法。从客观指标方面评价,采用图像质量衡量参数对图像质量进行描述,计算结果如表1第二行所示。
显然,本实施例提出VSR算法明显优于其它方法,具体分析如上节所示,这里就不赘述。
(3)轨旁信号箱盒
当位于巡检机车车体下部的线阵相机拍摄轨旁信号箱盒时,有时图像的一部分背景为远端场景时,而有信号箱盒的部分是近端场景且路面或信号箱盒会有反射,这时就有可能会出现光照不均匀现象。为了更好的有利于后端图像浏览与智能分析,有必要对这种图像进行增强处理。
从主观观察方面评价,明显本实施例提出的VSR要优于其它方法。值得补充的是,本实施例提出VSR算法在图像的远端暗区与近端两区均对原图像进行了较好的增强,使远端暗区的树木清晰可见,近端亮区的信号箱盒边缘与导线更为明显,并且有效的抑制了灰度溢出效应和光晕效应。从客观指标方面评价,采用图像质量衡量参数对图像质量进行描述,计算结果如表1第三行所示。
显然,本实施例提出VSR算法明显优于其它方法,具体分析如上节所示,这里就不赘述。
(4)矮柱信号机
当位于巡检机车车顶的面阵相机拍摄矮柱信号机时,由于矮柱信号灯本身发光且周围场景较暗,因此形成的图像具有较强的亮度不均匀性。为了更好的有利于后端图像浏览与智能分析,有必要对这种图像进行增强处理。
从主观观察方面评价,明显本实施例提出的VSR要优于其它方法。值得补充的是,本实施例提出VSR算法在图像的高光区(矮柱信号机发光区)与暗区均进行了较好的增强,并且有效的抑制了灰度溢出效应和光晕效应。从客观指标方面评价,采用图像质量衡量参数对图像质量进行描述,计算结果如表1第四行所示。
显然,本实施例提出VSR算法明显优于其它方法,具体分析如上节所示,这里就不赘述。
(5)信号标志牌
信号标志牌的成像环境与高柱信号机类似,都表现为空旷的背景与标志牌较为平整的反射面易导致光照不均匀成像。
从主观观察方面评价,明显本实施例提出的VSR要优于其它方法。从客观指标方面评价,采用图像质量衡量参数对图像质量进行描述,计算结果如表1第五行所示。
显然,本实施例提出VSR算法明显优于其它方法,具体分析如上节所示,这里就不赘述。
综上所述,通过计算并向检测人员返回计算得到的图像质量衡量参数EME,可以对图像的质量进行评价,并通过EME使检测人员可以明确本实施例提出的铁路巡检图像实时高动态范围绘制方法相比现有的图像处理方法,可以对图像进行更优化的处理,通过本实施例提出的铁路巡检图像实时高动态范围绘制方法处理后的图像对电务轨旁设备进行检测时,可以大大提高检查的准确性。
实施例2
参见图3,本实施例提供一种铁路巡检图像实时高动态范围绘制装置,用于执行上述的铁路巡检图像实时高动态范围绘制方法,包括:
采集模块300,用于根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像;其中,图像为灰度图像;
预处理模块302,用于将采集的电务轨旁设备的图像输入至图像预处理模型,输入的图像逐次经述图像预处理模型中的全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像;
其中,全局自适应处理在输入的图像的亮度不满足亮度要求时触发执行,且采用伽马校正方式对输入的图像进行处理;局部自适应处理采用对数编码和自适应改变局部滤波模板尺度的图像处理方式对输入的图像进行处理;直方图截断拉伸处理采用直方图截断拉伸处理方式对输入的图像进行处理。
综上所述,本发明实施例提供的图像实时高动态范围绘制装置,提出一种新的基于变尺度Retinex算法VSR对电务轨旁设备的图像进行图像增强处理,通过对电务轨旁设备的图像进行全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像,使得检修人员可以根据处理后的图像对电务轨旁设备进行巡检,与现有技术中通过人工上道对电务轨旁设备进行巡检的方式相比,无需人工上道检测,提高了检测人员的安全性,而且维护工作量小,只需很少的人员就可以全天候完成电务轨旁设备的巡检操作,节约了人力资源;并提高了电务轨旁设备巡检的作业效率,并且大大提高了检查的准确性。
相关技术中,在对电务轨旁设备进行巡检的过程中,由于车速过快导致相机没有获取到应该巡检的设备的图像,或者获取到的图像不清晰,那么不论是未采集到图像还是采集的图像不清晰,都会导致检测人员不能通过采集的图像对电务轨旁设备进行检查,需要重新采集图像,从而降低了检查的效率;所以,为了提高检查的效率,在本实例中,采集模块,包括:
采集频率设置单元,用于根据所需图像分辨率设置巡检车上设置的图像采集单元的触发脉冲数;其中,图像采集单元包括:巡检车的车顶处设置的高柱相机以及轨道外侧的拍摄相机,高柱相机为面阵相机,轨道外侧的拍摄相机采用线阵相机。
综上所述,在检测车上安装先进的图像采集单元,动态获取沿线电务轨旁设备的图像数据,并结合地面数据和车载定位信息准确定位设备位置,切实指导养护维修。而且,通过的获取巡检车的轴头速度传感器检测的巡检车的运行速度的脉冲信息,从而在保证采集到所有的电务轨旁设备图像的同时,也可以使得采集的图像清晰,满足检测人员的检测要求,提高了检查的效率,而且可以保证采集的图像信息连续无丢失。
相关技术中,如果对获取的图像中的所有像素点都进行图像增强处理,那么有些正常的像素点在处理后就会亮度过高,导致检测人员不能对处理后的图像进行电务轨旁设备检查,所以为了只对亮度较低的图像进行增强处理,在本实例中,预处理模块,包括:
判断单元,用于通过公式判断电务轨旁设备的图像中需要亮度增强的像素点;其中,表示图像增强系数,N表示电务轨旁设备的图像的像素个数,p表示电务轨旁设备的图像中的某一像素点,Ф表示电务轨旁设备的图像,Ф(p)表示p点的灰度值,AL表示电务轨旁设备的图像取对数后的均值。
全局自适应处理单元,用于通过公式Φ′=Φ1/γ,对电务轨旁设备灰度图像中需要亮度增强的像素点进行增强,得到全局自适应处理图像;其中,Ф表示电务轨旁设备灰度图像,Φ′表示全局自适应处理图像。
综上所述,通过公式判断电务轨旁设备的图像中需要亮度增强的像素点,并对电务轨旁设备灰度图像中需要亮度增强的像素点进行增强,避免了对正常亮度的像素点进行增强而导致检测人员不能通过处理后的图像进行电务轨旁设备检查的缺陷,从而对原始图像进行全局亮度粗调,以供后续模块精细处理。
相关技术中,单尺度Retinex算法(Single-scaleRetinex,SSR),等各类Retinex算法都存在光晕现象和灰度溢出现象,出现光晕现象的原因是假设光源均匀分布导致在邻近区域亮度差异过大,从而引起处理后图像中表现为亮区出现暗纹以及暗区出现亮纹;出现灰度溢出现象的原因是局部滤波器导致低对比度的暗区与亮区在处理后形成灰色区域。而图像中的光晕现象和灰度溢出现象都会导致检测人员不能准确识别电务轨旁设备图像,所以,为了抑制电务轨旁设备图像中出现的光晕现象和灰度溢出现象,在本实例中,预处理模块,包括:
计算单元,用于根据公式计算全局自适应处理图像中各像素点的抑制灰度溢出参数β(x,y);其中,Φ′(x,y)表示全局自适应处理图像;
边缘检测单元,用于对全局自适应处理图像进行边缘检测,得到全局自适应处理图像的物体边缘;
局部自适应处理单元,用于通过公式Φnew(x,y)=log(Φ′(x,y))-β(x,y)×log(mask(x,y)),对得到的全局自适应处理图像进行局部自适应处理,得到局部自适应处理后中间结果图像;其中,
(x,y)表示进行光晕抑制处理的像素点的坐标值,mask(x,y)某个像素点的光晕抑制参数,Φnew(x,y)表示局部自适应处理后中间结果图像,θ表示进行光晕抑制处理的滤波方向,r表示进行光晕抑制处理的滤波范围。
综上所述,通过在局部自适应处理的过程中采用抑制灰度溢出参数β(x,y)和光晕抑制参数mask(x,y)对电务轨旁设备图像中出现的光晕现象和灰度溢出现象进行抑制,使得检测人员可以通过清晰的图像对电务轨旁设备进行更好的检查。
本发明实施例所提供的进行铁路巡检图像实时高动态范围绘制方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种铁路巡检图像实时高动态范围绘制方法,其特征在于,包括:
根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像;其中,所述图像为灰度图像;
将采集的所述电务轨旁设备的图像输入至图像预处理模型,输入的图像逐次经过所述图像预处理模型中的全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像;
其中,所述全局自适应处理在输入的图像的亮度不满足亮度要求时触发执行,且采用伽马校正方式对输入的图像进行处理;所述局部自适应处理采用对数编码与自适应改变局部滤波模板尺度的图像处理方式对输入的图像进行处理;所述直方图截断拉伸处理采用直方图截断拉伸处理方式对输入的图像进行处理。
2.根据权利要求1所述的方法,其特征在于,根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像,包括:
根据所需图像分辨率设置所述巡检车上设置的图像采集单元的触发脉冲数;其中,所述图像采集单元包括:所述巡检车的车顶处设置的高柱相机以及轨道外侧的拍摄相机,所述高柱相机为面阵相机,所述轨道外侧的拍摄相机采用线阵相机。
3.根据权利要求1所述的方法,其特征在于,所述全局自适应处理,包括:
通过公式判断所述电务轨旁设备的图像中需要亮度增强的像素点;其中, 表示图像增强系数,N表示电务轨旁设备的图像的像素个数,p表示电务轨旁设备的图像中的某一像素点,Ф表示电务轨旁设备的图像,Ф(p)表示p点的灰度值,AL表示电务轨旁设备的图像取对数后的均值;
通过公式Φ′=Φ1/γ,对所述电务轨旁设备灰度图像中需要亮度增强的像素点进行增强,得到全局自适应处理图像;其中,Ф表示电务轨旁设备灰度图像,Φ′表示全局自适应处理图像。
4.根据权利要求3所述的方法,其特征在于,所述局部自适应处理,包括:
根据公式计算所述全局自适应处理图像中各像素点的抑制灰度溢出参数β(x,y);其中,Φ′(x,y)表示全局自适应处理图像;
对所述全局自适应处理图像进行边缘检测,得到所述全局自适应处理图像的物体边缘;
通过公式Φnew(x,y)=log(Φ′(x,y))-β(x,y)×log(mask(x,y)),对得到的所述全局自适应处理图像进行局部自适应处理,得到所述局部自适应处理后中间结果图像;其中,
(x,y)表示进行光晕抑制处理的像素点的坐标值,mask(x,y)某个像素点的光晕抑制参数,Φnew(x,y)表示局部自适应处理后中间结果图像,θ表示进行光晕抑制处理的滤波方向,r表示进行光晕抑制处理的滤波范围。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述直方图截断拉伸处理,包括:
对得到的所述局部自适应处理后中间结果图像进行直方图截断拉伸处理,将所述直方图截断拉伸处理后得到的图像作为所述图像预处理模型的输出图像。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述输出图像进行区域划分,得到所述输出图像的多个划分区域;
获取所述输出图像中各划分区域的最大像素值和最小像素值;
通过公式和得到的各划分区域的最大像素值和最小像素值,对图像质量衡量参数EME进行计算;其中,EME表示图像质量衡量参数,k1和k2分别表示各划分区域的长度和宽度;和分别为输出图像的各划分区域的最大像素值和最小像素值;w表示划分区域;
将得到的所述图像质量衡量参数提示给检测人员。
7.一种铁路巡检图像实时高动态范围绘制装置,其特征在于,包括:
采集模块,用于根据设定的图像采集时间触发巡检车上设置的图像采集单元采集电务轨旁设备的图像;其中,所述图像为灰度图像;
预处理模块,用于将采集的所述电务轨旁设备的图像输入至图像预处理模型,输入的图像逐次经过所述图像预处理模型中的全局自适应处理、局部自适应处理和直方图截断拉伸处理,输出亮度均匀且适合人眼观测与浏览的高动态范围绘制的图像;
其中,所述全局自适应处理在输入的图像的亮度不满足亮度要求时触发执行,且采用伽马校正方式对输入的图像进行处理;所述局部自适应处理采用对数编码和自适应改变局部滤波模板尺度的图像处理方式对输入的图像进行处理;所述直方图截断拉伸处理采用直方图截断拉伸处理方式对输入的图像进行处理。
8.根据权利要求7所述的装置,其特征在于,所述采集模块,包括:
采集频率设置单元,用于根据所需图像分辨率设置所述巡检车上设置的图像采集单元的触发脉冲数;其中,所述图像采集单元包括:所述巡检车的车顶处设置的高柱相机以及轨道外侧的拍摄相机,所述高柱相机为面阵相机,所述轨道外侧的拍摄相机采用线阵相机。
9.根据权利要求7所述的装置,其特征在于,所述预处理模块,包括:
判断单元,用于通过公式判断所述电务轨旁设备的图像中需要亮度增强的像素点;其中, 表示图像增强系数,N表示电务轨旁设备的图像的像素个数,p表示电务轨旁设备的图像中的某一像素点,Ф表示电务轨旁设备的图像,Ф(p)表示p点的灰度值,AL表示电务轨旁设备的图像取对数后的均值;
全局自适应处理单元,用于通过公式Φ′=Φ1/γ,对所述电务轨旁设备灰度图像中需要亮度增强的像素点进行增强,得到全局自适应处理图像;其中,Ф表示电务轨旁设备灰度图像,Φ′表示全局自适应处理图像。
10.根据权利要求9所述的装置,其特征在于,所述预处理模块,包括:
计算单元,用于根据公式计算所述全局自适应处理图像中各像素点的抑制灰度溢出参数β(x,y);其中,Φ′(x,y)表示全局自适应处理图像;
边缘检测单元,用于对所述全局自适应处理图像进行边缘检测,得到所述全局自适应处理图像的物体边缘;
局部自适应处理单元,用于通过公式Φnew(x,y)=log(Φ′(x,y))-β(x,y)×log(mask(x,y)),对得到的所述全局自适应处理图像进行局部自适应处理,得到所述局部自适应处理后中间结果图像;其中,
(x,y)表示进行光晕抑制处理的像素点的坐标值,mask(x,y)某个像素点的光晕抑制参数,Φnew(x,y)表示局部自适应处理后中间结果图像,θ表示进行光晕抑制处理的滤波方向,r表示进行光晕抑制处理的滤波范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610035456.0A CN105719252B (zh) | 2016-01-19 | 2016-01-19 | 一种铁路巡检图像实时高动态范围绘制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610035456.0A CN105719252B (zh) | 2016-01-19 | 2016-01-19 | 一种铁路巡检图像实时高动态范围绘制方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105719252A true CN105719252A (zh) | 2016-06-29 |
CN105719252B CN105719252B (zh) | 2018-08-14 |
Family
ID=56147461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610035456.0A Active CN105719252B (zh) | 2016-01-19 | 2016-01-19 | 一种铁路巡检图像实时高动态范围绘制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719252B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730470A (zh) * | 2017-10-18 | 2018-02-23 | 四川理工学院 | 一种显式表达多尺度和直方图截断的改进Retinex图像增强方法 |
CN110046673A (zh) * | 2019-04-25 | 2019-07-23 | 上海大学 | 基于多特征融合的无参考色调映射图像质量评价方法 |
CN112200483A (zh) * | 2020-10-22 | 2021-01-08 | 卡斯柯信号有限公司 | 一种地铁轨旁设备自动巡检系统及自动巡检方法 |
CN113267135A (zh) * | 2021-04-20 | 2021-08-17 | 浙江大学台州研究院 | 一种轨旁设备限界快速自动测量的装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11134086A (ja) * | 1992-07-03 | 1999-05-21 | Hitachi Ltd | 監視装置とこれを用いた点検方法 |
CN102507587A (zh) * | 2011-09-20 | 2012-06-20 | 株洲南车时代电气股份有限公司 | 巡视检测系统及方法 |
CN103754231A (zh) * | 2014-01-22 | 2014-04-30 | 成都唐源电气有限责任公司 | 接触网步巡作业设备 |
-
2016
- 2016-01-19 CN CN201610035456.0A patent/CN105719252B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11134086A (ja) * | 1992-07-03 | 1999-05-21 | Hitachi Ltd | 監視装置とこれを用いた点検方法 |
CN102507587A (zh) * | 2011-09-20 | 2012-06-20 | 株洲南车时代电气股份有限公司 | 巡视检测系统及方法 |
CN103754231A (zh) * | 2014-01-22 | 2014-04-30 | 成都唐源电气有限责任公司 | 接触网步巡作业设备 |
Non-Patent Citations (4)
Title |
---|
LAURENCE MEYLAN 等: "High Dynamic Range Image Rendering With a Retinex-Based Adaptive Filter", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
SOS S. AGAIAN 等: "Transform-Based Image Enhancement Algorithms with Performance Measure", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
方华猛 等: "基于主成分分析和引导滤波的色调映射算法", 《光电子·激光》 * |
韩强 等: "轨道状态巡检系统", 《铁路技术创新》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730470A (zh) * | 2017-10-18 | 2018-02-23 | 四川理工学院 | 一种显式表达多尺度和直方图截断的改进Retinex图像增强方法 |
CN110046673A (zh) * | 2019-04-25 | 2019-07-23 | 上海大学 | 基于多特征融合的无参考色调映射图像质量评价方法 |
CN112200483A (zh) * | 2020-10-22 | 2021-01-08 | 卡斯柯信号有限公司 | 一种地铁轨旁设备自动巡检系统及自动巡检方法 |
CN113267135A (zh) * | 2021-04-20 | 2021-08-17 | 浙江大学台州研究院 | 一种轨旁设备限界快速自动测量的装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105719252B (zh) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Underwater image enhancement via extended multi-scale Retinex | |
CN101901342B (zh) | 影像目标区域的提取方法和装置 | |
CN107505546A (zh) | 一种利用紫外成像仪监测电晕放电的方法 | |
CN101901473B (zh) | 单帧图像自适应去雾增强方法 | |
CN105719252A (zh) | 一种铁路巡检图像实时高动态范围绘制方法和装置 | |
CN104240194A (zh) | 一种基于抛物线函数的低照度图像增强算法 | |
CN110287791B (zh) | 一种用于人脸图片的筛选方法和系统 | |
CN103413288A (zh) | 一种lcd总体检测缺陷方法 | |
CN103177425B (zh) | 切伦科夫荧光成像中γ射线的去除方法 | |
CN104851086A (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
CN106556940A (zh) | 一种tft‑lcd屏自动光学检测中的背景抑制方法 | |
CN102855617B (zh) | 自适应图像处理方法及系统 | |
CN106295789A (zh) | 一种基于图像处理的作物种子计数方法 | |
CN103020904A (zh) | 反射消除系统 | |
CN110807740A (zh) | 一种面向监控场景车窗图像的图像增强方法与系统 | |
CN113837974B (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
CN106846261A (zh) | 基于卷积神经网络的水下图像处理方法 | |
DE102018129993A1 (de) | Verfahren zur fahrzeugdetektion, verfahren zur fahrzeugdetektion bei nacht auf basis von dynamischer lichtintensität und system dafür | |
CN113376172B (zh) | 一种基于视觉与涡流的焊缝缺陷检测系统及其检测方法 | |
CN108109146A (zh) | 一种路面标志线缺陷检测装置 | |
CN108664839A (zh) | 一种图像处理方法和设备 | |
CN108447058B (zh) | 一种图像质量评价方法及系统 | |
CN111047598B (zh) | 基于深度学习的输变电设备紫外放电光斑分割方法及装置 | |
CN104346793B (zh) | 一种视频闪烁检测方法及装置 | |
CN115034997A (zh) | 图像处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |