CN106157323B - 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 - Google Patents
一种动态分块阈值和块搜索结合的绝缘子分割提取方法 Download PDFInfo
- Publication number
- CN106157323B CN106157323B CN201610769474.1A CN201610769474A CN106157323B CN 106157323 B CN106157323 B CN 106157323B CN 201610769474 A CN201610769474 A CN 201610769474A CN 106157323 B CN106157323 B CN 106157323B
- Authority
- CN
- China
- Prior art keywords
- image
- block
- color
- histogram
- gray
- 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.)
- Active
Links
Classifications
-
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开的一种动态分块阈值和块搜索结合的绝缘子分割提取方法,具体为:首先确定采集图像的尺寸,通过设定图像分块方案进行图像分块;其次分别对整幅图像和各子块图像进行预处理,进行OTSU获取阈值,通过设定阈值判断规则初步分类图像处理子块;然后建立图像搜索块,分别提取搜索块与各分类块颜色直方图特征,采用直方图相似性度量进行块搜索再分类处理;最后将最终分类处理结果拼接合并,平滑处理图像接缝,再通过形态学处理,从而提取出图像目标物。本发明方法,能从复杂背景绝缘子图像中准确分割出目标物,降低图像光照、阴影等拍摄外在因素影响,且较好地保存了绝缘子局部信息,对后续图像分析及故障识别都有很大的借鉴作用。
Description
技术领域
本发明属于图像处理方法技术领域,涉及一种在复杂背景下提取图像中目标物的方法,具体涉及一种动态分块阈值和块搜索结合的绝缘子分割提取方法。
背景技术
绝缘子种类繁多、数量庞大,是输电线路的重要组成部分,主要起到导线机械支撑、电气绝缘的作用,其性能好坏将直接影响到电网安全运行。
由于绝缘子长期暴露在野外,运行环境复杂多变,加上生产工艺、人为破损等问题,难免会出现自爆、裂缝、污秽等故障,需及时发现维修。但在绝缘子故障检测之前,首先应该准确分割提取出绝缘子,才能为后续绝缘子特征提取、故障状态识别定位等提供有利的基础条件。因此,对绝缘子准确分割方法的研究具有重大意义。
现有的图像分割方法主要可以分为三类:边缘检测、阈值分割和区域提取。其中,阈值分割由于计算简单、自适应强,受图像亮度和对比度影响小,目前被广泛应用。但由于运行绝缘子易受复杂背景、光照、拍摄角度、地面地貌等影响,会产生色差、变形以及部分遮挡的情况,基于传统阈值分割方法效果都不太理想。随着图像处理技术的不断发展,如何有效区分背景和绝缘子,从复杂背景图像中准确识别绝缘子成为检测工作的难点。
发明内容
本发明的目的在于提供一种动态分块阈值和块搜索结合的绝缘子分割提取方法,不仅有效提高了分割效率,还能降低绝缘子图像中的阴影、光照和复杂背景对图像分割造成的影响,较好地保存了绝缘子局部细节信息,对后续图像分析及故障识别都有很大的借鉴作用。
本发明采用的技术方案是,一种动态分块阈值和块搜索结合的绝缘子分割提取方法,具体按照以下步骤实施:
步骤1、在输电杆塔上安装摄像机,并利用摄像机采集现场整幅绝缘子图像;
步骤2、确定经步骤1采集到的整幅绝缘子图像的尺寸,再根据该尺寸确定出图像分块方案,以获得图像子块;
步骤3、分别对经步骤2获得的各个图像子块依次进行图像灰度化、图像滤波处理,以提高图像的对比度,去除图像干扰噪声;
步骤4、对经步骤3处理过后的每个图像子块分别进行如下处理:
先进行OTSU分割,获取原始区分目标和背景的局部阈值ti;
再根据获取的局部阈值ti进行灰度线性拉伸或压缩,之后再次进行分割,更新原始阈值ti为Ti,并分别用符号Q1、Q2…Qj表示各分割子块;
步骤5、将经步骤1采集到的整幅绝缘子图像先采用步骤3中的方法依次图像灰度化及图像滤波处理,以提高图像的对比度,去除图像干扰噪声;再采用步骤4中的方法进行OTSU分割,获取全局阈值T0;
步骤6、将经步骤4获得的更新阈值Ti与经步骤5获得的全局阈值T0进行做差对比,并将图像子块Qj归类,
归类标准为:差值比较接近的归为第一类,差值较大的归为第二类;
步骤7、对经步骤6得到的第一类子块图像提取颜色直方图特征,采用欧氏距离进行直方图相似性度量来进行块搜索,根据距离大小重新将步骤6得到的第一类子块图像分类,从而排除干扰背景子块;
步骤8、将经步骤7处理后得到的第一类、第二类子块图像与经步骤6得到的第二类子块图像拼接,重新整合成整幅图像;
步骤9、对步骤8得到的整幅图像进行平滑接缝处理及形态学处理,从而提取出该幅图像中的目标物。
本发明的特点还在于:
步骤2具体按照以下方法实施:
先设定分块尺寸大小,然后对整幅绝缘子图像进行分块处理,且每个图像子块按照从左到右,从上到下的顺序排列,并且分别用符号q1、q2…qj表示;
分割方案为:要尽可能完整的分割出若干完整的图像子块,根据不同图像尺寸,选取最优分块方法,提高后续图像分割的准确性,分块方案具体如下:
第一种方案,宽度、高度正好;
第二种方案,宽度正好、高度有多余;
第三种方案,高度正好、宽度有多余;
第四种方案,宽度、高度均有多余。
步骤3具体按照以下步骤实施:
步骤3.1、对经步骤2获得的图像子块先进行图像灰度化处理;
摄像机采集的现场图像一般都是基于RGB彩色模型的彩色图像,在RGB模型下每个像素均有R、G、B三个分量,这样将造成图像存储空间和计算量增加,通过彩色图像灰度化,其灰度变化范围将变为[0,255],每种灰度代表一个灰度级(L=256),减少了图像运算量,提高了图像处理速度;
将彩色图像灰度化的计算公式具体如下:
Y=0.299R+0.587G+0.114B (1);
式中,Y是根据R、G、B颜色分量以及YUV中亮度信号Y之间的关系算出的亮度,R、G、B分别表示红色分量、绿色分量、蓝色分量,其中彩色分量信号对转换的结果影响了红、绿、蓝三种颜色的加权系数;
步骤3.2、经步骤3.1对图像进行灰度化处理的过程中常常存在随机噪声的干扰,采用高斯滤波器,通过求取模板内每个像素的高斯函数值,利用每个像素的高斯函数值作为每个灰度值的权值,进行加权平均;
高斯函数定义公式具体如下:
式中,用参数σ的值来表示高斯滤波器的宽度。
步骤4具体按照以下步骤实施:
OTSU分割法是根据目标与背景两者之间的最大类间方差作为二者分离的准则,能够最大限度降低误分割的概率;
以灰度值作为阈值对图像进行分割,设定用σ2表示目标和背景这两类之间的类间方差,最大化σ2来获取最优阈值,具体算法如下:
σ2=w0×w1×(μ0(t)-μ1(t))2 (3);
式中:
其中,L表示图像的灰度级级数,i表示对应的灰度值,p(i)为各对应灰度值i的像素个数;
对一幅图像分割目标和背景时会存在许多伪目标物,由于灰度对比度不强,很难分割出伪目标物,结合灰度线性拉伸或压缩,能进一步提高分割准确性;假设原始灰度图像f(x,y)的灰度范围为[m,n],预期变换后图像g(x,y)的灰度范围为[M,N],则转换公式具体如下:
步骤4具体按照以下步骤实施:
步骤4.1、对每个图像子块进行OTSU分割,获取局部阈值ti;
步骤4.2、经步骤4.1后,通过局部阈值ti将各子块灰度图灰度级[0,255]分为背景[0,ti]和目标[ti,255],其中目标[ti,255]中还存在除过目标物以外的其他伪目标,如:杆塔、灰度近似的植被,通过将该部分灰度拉伸或收缩,能进一步增加目标与背景的对比度,更好的区分出目标绝缘子,改变后的灰度线性转换公式为:
式中,k值的选取是根据处理一类图像时,多次试验选取的一个取值范围;
步骤4.3、对经步骤4.2处理过后的所有图像重新进行OTSU分割,更新阈值为Ti,以便于更好的分离目标与背景,同时也为后续颜色特征直方图提取的准确性打下基础。
步骤6具体按照以下方法实施:
将经步骤4获得的更新阈值Ti与经步骤5获得的全局阈值T0进行做差对比:若|Ti-T0|<λ,则判断步骤4的子块Qj同时包含目标和背景,归为第一类,保留Qj分割子块;
反之,|Ti-T0|>λ,则判断该子块全部为目标或者全部为背景,归为第二类,其中将全部为背景的子块的所有像素灰度值根据图像本身情况转换为灰度值全0或255图像,全部为目标的子块不做变化,继续保留。
步骤7具体按照以下方法实施:
步骤7.1、对经步骤1获取的整幅绝缘子图像建立搜索目标图像块P作为关键搜索图,大小与分块尺寸相同,通过步骤3和步骤4记录的图像灰度化、图像滤波、OTSU分割处理后,进行目标图像块颜色特征提取,分别得到目标颜色直方图HP1(i)和背景颜色直方图HP2(i);
步骤7.2、对步骤6中的第一类子块Qj进行颜色特征提取,分别得到目标颜色直方图HQ1(i)和背景颜色直方图HQ2(i);
步骤7.3、对步骤7.1建立的搜索图像块、步骤7.2每个子块图像提取的颜色直方图进行直方图相似性度量,采用标准欧氏距离,对各部分求加权和,计算两幅图像之间综合距离,根据距离大小将步骤6中第一类子块Qj图像进行排序,对比之后将不存在目标的子块Qj重新归为步骤6的第二类,然后当做全是背景子块来处理。
步骤7.1具体按照以下步骤实施:
步骤7.1.1、对经步骤1获取的整幅绝缘子图像建立搜索图像块P作为关键图,大小与分块尺寸相同;
步骤7.1.2、经步骤7.1.1后,将搜索图像块P进行图像灰度化处理,图像灰度级L为[0,255];
步骤7.1.3、对经步骤7.1.3得到的灰度图像进行步骤4中的OTSU分割算法求取阈值T;
像素点的灰度值小于阈值T,则认为是目标像素,其颜色计入目标直方图;反之,则认为是背景像素,从而得到目标颜色直方图和背景颜色直方图;
颜色是描述图像内容的重要视觉特征,它与图像的下层对象有非常强的相关性,另外颜色特征对图像的复杂背景、尺度、方向、透视和图像大小具有鲁棒性,颜色直方图是是最常用的颜色特征,也特别适于描述那些难以进行自动分割的图像;通过阈值分割,提取图像的目标和背景颜色直方图来进行后面的块搜索过程;为了定义颜色直方图,将彩色空间灰度化,减少色彩级数;颜色直方图横轴表示颜色等级[0,255],纵轴表示颜色等级上具有该颜色的像素数目,对直方图定义具体如下:
式中,N为图像的像素总数,灰度级数为L,Nk是图像中灰度为k的像素总数。
步骤7.2具体按照以下方法实施:
结合步骤6的判断规则,若|Ti-T0|<λ,当像素点的灰度值小于阈值T,则认为是目标像素,其颜色计入目标直方图,反之,则认为是背景像素,从而得到目标颜色直方图和背景颜色直方图;
若|Ti-T0|>λ,当Ti<T认为是背目标像素,其颜色计入目标直方图,反之,则认为是背景像素。
步骤7.3采用欧氏距离作为直方图相似性度量来进行块搜索,具体计算公式如下:
两幅图像目标像素直方图欧氏距离具体按照以下算法计算获得:
两幅图像背景像素直方图欧式距离具体按照以下算法计算获得:
通过计算两幅图像的综合距离,提高直方图相似性度量度,计算公式为:
本发明的有益效果在于:
(1)与现有采用基于全局阈值、局部阈值进行图像分割算法相比,本发明一种动态分块阈值和块搜索结合的绝缘子分割提取方法是基于分块阈值分割算法,通过对子块单独预处理进行OTSU分割来获取分块阈值,通过设置阈值判断规则,同时提取目标物特征来进行图像搜索,排除干扰背景块,提取有效子块,最后合成图像,平滑接缝,从而获取图像中所需要提取的目标物。
(2)本发明一种动态分块阈值和块搜索结合的绝缘子分割提取方法,可以有效提高分割效率,还能降低图像中的阴影、光照和复杂背景对图像分割造成的影响,较好地保存了绝缘子局部细节信息,对后续图像分析及故障识别都有很大的借鉴作用。
附图说明
图1本发明的绝缘子分割提取方法的程序流程图;
图2是本发明的绝缘子分割提取方法中涉及的第一种图像分块方案示意图;
图3是本发明的绝缘子分割提取方法中涉及的第二种图像分块方案示意图;
图4是本发明的绝缘子分割提取方法中涉及的第三种图像分块方案示意图;
图5是本发明的绝缘子分割提取方法中涉及的第四种图像分块方案示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其流程图如图1所示,具体按照以下步骤实施:
步骤1、在输电杆塔上安装摄像机,并利用摄像机采集现场整幅绝缘子图像;
如:采集的一幅现场复杂背景下绝缘子图像;
步骤2、确定经骤1采集到的整幅绝缘子图像的尺寸,再根据该尺寸确定出图像分块方案,以获得图像子块;
先设定分块尺寸大小,然后对整幅绝缘子图像进行分块处理,且每个图像子块按照从左到右,从上到下的顺序排列,并且分别用符号q1、q2…qj表示;
其中,由于摄像机不同及参数设置不同,获取的图像尺寸不同,仅通过传统的平均N*N分块,很难进行等分分割,分割太大太小都会影响分割效果,所以本发明的方法中建立了多种分割方案,尽可能完整的分割出若干完整的子块,根据不同图像尺寸,选取最优分块方法,提高后续图像分割的准确性,分块方案具体如下:
第一种方案,如图2所示,宽度、高度正好;
第二种方案,如图3所示,宽度正好、高度有多余;
第三种方案,如图4所示,高度正好、宽度有多余;
第四种方案,如图5所示,宽度、高度均有多余;
由于大部分图像的主体部分都在图像中央,通过上述四种方案设定分块尺寸时,设定各块可能包含目标物的权值,同时也要尽可能使多余高度或宽度的尺寸最小,避免图像主要信息丢失,将多余出来的高度或宽度忽略。
步骤3、分别对经步骤2获得的各个图像子块依次进行图像灰度化、图像滤波处理,以提高图像的对比度,去除图像干扰噪声,具体按照以下步骤实施:
步骤3.1、对步骤2中获得的图像子块先进行图像灰度化处理;
前端摄像机采集的现场图像一般都是基于RGB彩色模型的彩色图像,在该模型下每个像素均有R、G、B三个分量,这样将造成图像存储空间和计算量增加,通过彩色图像灰度化,其灰度变化范围将变为[0,255],每种灰度代表一个灰度级(L=256),减少了图像运算量,提高了图像处理速度;
将彩色图像灰度化的计算公式具体如下:
Y=0.299R+0.587G+0.114B (1);
式(1)中,Y是根据R、G、B颜色分量以及YUV中亮度信号Y之间的关系算出的亮度,R、G、B分别表示红色分量、绿色分量、蓝色分量,其中彩色分量信号对转换的结果影响了红、绿、蓝三种颜色的加权系数;
步骤3.2、经步骤3.1对图像进行灰度化处理的过程中常常存在随机噪声的干扰,采用高斯滤波器,通过求取模板内每个像素的高斯函数值,利用每个像素的高斯函数值作为每个灰度值的权值,进行加权平均;
对一幅图像常用的二维零均值离散的高斯函数定义公式具体如下:
式(2)中,用参数σ的值来表示高斯滤波器的宽度。
步骤4、对经步骤3处理过后的每个图像子块分别进行如下处理:
先进行OTSU分割,获取原始区分目标和背景的局部阈值ti;
再根据获取的局部阈值ti进行灰度线性拉伸或压缩,之后再次进行分割,更新原始阈值ti为Ti,并分别用符号Q1、Q2…Qj表示各分割子块;
其中,OTSU分割法是根据目标与背景两者之间的最大类间方差作为二者分离的准则,能够最大限度降低误分割的概率,一直被认为是最优阈值选取的最优方法;以灰度值作为阈值对图像进行分割,设定用σ2表示目标和背景这两类之间的类间方差,最大化σ2来获取最优阈值:
σ2=w0×w1×(μ0(t)-μ1(t))2 (3);
式(3)中:
其中,L表示图像的灰度级级数,i表示对应的灰度值,p(i)为各对应灰度值i的像素个数;
往往对一幅图像分割目标和背景时会存在许多伪目标物,由于灰度对比度不强,很难分割出伪目标物,结合灰度线性拉伸或压缩,能进一步提高分割准确性;假设原始灰度图像f(x,y)的灰度范围为[m,n],预期变换后图像g(x,y)的灰度范围为[M,N],则转换公式具体如下:
步骤4具体按照以下步骤实施:
步骤4.1、对每个子块进行OTSU分割,获取局部阈值ti;
步骤4.2、经步骤4.1后,通过阈值ti将各子块灰度图灰度级[0,255]分为背景[0,ti]和目标[ti,255],其中目标[ti,255]中还存在除过目标物以外的其他伪目标,如:杆塔、灰度近似的植被,通过将该部分灰度拉伸或收缩,能进一步增加目标与背景的对比度,更好的区分出目标绝缘子,改变后的灰度线性转换公式为:
式(5)中,k值的选取是根据处理一类图像时,多次试验选取的一个取值范围;
步骤4.3、对经步骤4.2处理过后的所有图像重新进行OTSU分割,更新阈值为Ti,以便于更好的分离目标与背景,同时也为后续颜色特征直方图提取的准确性打下基础。
步骤5、将经步骤1采集到的整幅绝缘子图像先采用步骤3中的方法依次图像灰度化及图像滤波处理,以提高图像的对比度,去除图像干扰噪声;再采用步骤4中的方法进行OTSU分割,获取全局阈值T0。
步骤6、将经步骤4获得的更新阈值Ti与经步骤5获得的全局阈值T0进行做差对比,将图像子块Qj归类,差值比较接近的归为第一类,差值较大的归为第二类,具体按照如下方法实施:
将经步骤4获得的更新阈值Ti与经步骤5获得的全局阈值T0进行做差对比,若|Ti-T0|<λ,则判断步骤4的子块Qj同时包含目标和背景,归为第一类,保留Qj分割子块;
反之,|Ti-T0|>λ,则判断该子块全部为目标或者全部为背景,归为第二类,其中将全部为背景的子块的所有像素灰度值根据图像本身情况转换为灰度值全0或255图像,全部为目标的子块不做变化,继续保留。
步骤7、对经步骤6得到的第一类子块图像提取颜色直方图特征,采用欧氏距离进行直方图相似性度量来进行块搜索,根据距离大小重新将步骤6得到的第一类子块图像分类,从而排除干扰背景子块,如图1所示,具体按照以下步骤实施:
步骤7.1、对经步骤1获取的整幅绝缘子图像,建立搜索目标图像块P作为关键搜索图,大小与分块尺寸相同,通过步骤3和步骤4记录的图像灰度化、图像滤波、OTSU分割处理后,进行目标图像块颜色特征提取,分别得到目标颜色直方图HP1(i)和背景颜色直方图HP2(i),具体按照以下步骤实施:
步骤7.1.1、对经步骤1获取的整幅绝缘子图像,建立搜索图像块P作为关键图,大小与分块尺寸相同;
步骤7.1.2、经步骤7.1.1后,将搜索图像块P进行图像灰度化处理,图像灰度级L为[0,255];
步骤7.1.3、对经步骤7.1.3得到的灰度图像进行步骤4中的OTSU分割算法求取阈值T;
像素点的灰度值小于阈值T,则认为是目标像素,其颜色计入目标直方图;反之,则认为是背景像素,从而得到目标颜色直方图和背景颜色直方图;
颜色是描述图像内容的重要视觉特征,它与图像的下层对象有非常强的相关性,另外颜色特征对图像的复杂背景、尺度、方向、透视和图像大小具有鲁棒性,颜色直方图是是最常用的颜色特征,也特别适于描述那些难以进行自动分割的图像。通过阈值分割,提取图像的目标和背景颜色直方图来进行后面的块搜索过程。为了定义颜色直方图,将彩色空间灰度化,减少色彩级数,其中颜色直方图横轴表示颜色等级[0,255],纵轴表示颜色等级上具有该颜色的像素数目,直方图一般定义为:
式(7)中,N为图像的像素总数,灰度级数为L,Nk是图像中灰度为k的像素总数。
步骤7.2、对对步骤6中的第一类子块Qj进行颜色特征提取,分别得到目标颜色直方图HQ1(i)和背景颜色直方图HQ2(i);
结合步骤6的判断规则,如果|Ti-T0|<λ,若像素点的灰度值小于阈值T,则认为是目标像素,其颜色计入目标直方图,反之,则认为是背景像素,从而得到目标颜色直方图和背景颜色直方图;
若|Ti-T0|>λ,当Ti<T认为是背目标像素,其颜色计入目标直方图,反之,则认为是背景像素。
步骤7.3、对步骤7.1建立的搜索图像块、步骤7.2每个子块图像提取的颜色直方图进行直方图相似性度量,采用标准的欧氏距离,对各部分求加权和,计算两幅图像之间综合距离,根据距离大小将步骤6中第一类的所有子块Qj图像进行排序,对比之后将不存在目标的子块Qj重新归为步骤6的第二类,然后当做全是背景子块来处理;
其中,直方图相似性度量采用欧氏距离计算公式如下:
两幅图像目标像素直方图欧氏距离具体按照以下算法计算获得:
两幅图像背景像素直方图欧式距离具体按照以下算法计算获得:
通过计算两幅图像的综合距离,提高直方图相似性度量度,计算公式为:
其中,α+β=1。
根据分析,图像的目标应该比背景在图像检索中起着更重要的作用,因此目标颜色距离的权重应该较大,设置为0.5<α<1.0;但是,虽然图像背景的颜色特征作用较小,但仍不能完全舍弃,因为背景区域较大时仍然会对人眼产生影响,而且当目标和背景的灰度值较接近时,分割可能产生误差,使得背景区域也包含一定的目标,因此,α不能取1;对于另外一幅图像来说,大部分目标物都存在于中间部位,所以对于wi的选取基于同样的想法,,越靠近中心的块,wi应该越大,用以突出目标子块。
步骤8、将经步骤6、步骤7处理后最终得到的第一类、第二类子块图像拼接,重新合成为整幅图像。
步骤9、对步骤8得到的图像进行平滑接缝处理及形态学处理,从而提取出图像中的目标物。
本发明一种动态分块阈值和块搜索结合的绝缘子分割提取方法,不仅有效提高了分割效率,还能使绝缘子图像中的阴影、光照和复杂背景对图像分割造成的影响显著减少,较好地保存了绝缘子局部信息,对后续图像分析及故障识别都有很大的借鉴作用。
Claims (9)
1.一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其特征在于,具体按照以下步骤实施:
步骤1、在输电杆塔上安装摄像机,并利用摄像机采集现场整幅绝缘子图像;
步骤2、确定经步骤1采集到的整幅绝缘子图像的尺寸,再根据该尺寸确定出图像分块方案,以获得图像子块;
步骤3、分别对经步骤2获得的各个图像子块依次进行图像灰度化、图像滤波处理,以提高图像的对比度,去除图像干扰噪声;
步骤4、对经步骤3处理过后的每个图像子块分别进行如下处理:
先进行OTSU分割,获取原始区分目标和背景的局部阈值ti;
再根据获取的局部阈值ti进行灰度线性拉伸或压缩,之后再次进行分割,更新原始阈值ti为Ti,并分别用符号Q1、Q2…Qj表示各分割子块;
步骤5、将经步骤1采集到的整幅绝缘子图像先采用步骤3中的方法依次图像灰度化及图像滤波处理,以提高图像的对比度,去除图像干扰噪声;再采用步骤4中的方法进行OTSU分割,获取全局阈值T0;
步骤6、将经步骤4获得的更新阈值Ti与经步骤5获得的全局阈值T0进行做差对比,并将图像子块Qj归类,
归类标准为:|Ti-T0|<λ归为第一类,|Ti-T0|>λ归为第二类,其中,λ为更新阈值Ti与全局阈值T0差值对比参值,其值是一个大于0的自然数;
步骤7、对经步骤6得到的第一类子块图像提取颜色直方图特征,采用欧氏距离进行直方图相似性度量来进行块搜索,根据距离大小重新将步骤6得到的第一类子块图像分类,从而排除干扰背景子块;
步骤8、将经步骤7处理后得到的第一类、第二类子块图像与经步骤6得到的第二类子块图像拼接,重新整合成整幅图像;
步骤9、对步骤8得到的整幅图像进行平滑接缝处理及形态学处理,从而提取出该幅图像中的目标物。
2.根据权利要求1所述的一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其特征在于,所述步骤2具体按照以下方法实施:
先设定分块尺寸大小,然后对整幅绝缘子图像进行分块处理,且每个图像子块按照从左到右,从上到下的顺序排列,并且分别用符号q1、q2…qj表示;
分割方案为:要尽可能完整的分割出若干完整的图像子块,根据不同图像尺寸,选取最优分块方法,提高后续图像分割的准确性,分块方案具体如下:
第一种方案,宽度、高度正好;
第二种方案,宽度正好、高度有多余;
第三种方案,高度正好、宽度有多余;
第四种方案,宽度、高度均有多余。
3.根据权利要求1所述的一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1、对经步骤2获得的图像子块先进行图像灰度化处理;
摄像机采集的现场图像一般都是基于RGB彩色模型的彩色图像,在RGB模型下每个像素均有R、G、B三个分量,这样将造成图像存储空间和计算量增加,通过彩色图像灰度化,其灰度变化范围将变为[0,255],每种灰度代表一个灰度级L=256,减少了图像运算量,提高了图像处理速度;
将彩色图像灰度化的计算公式具体如下:
Y=0.299R+0.587G+0.114B (1);
式中,Y是根据R、G、B颜色分量以及YUV中亮度信号Y之间的关系算出的亮度,R、G、B分别表示红色分量、绿色分量、蓝色分量,其中彩色分量信号对转换的结果影响了红、绿、蓝三种颜色的加权系数;
步骤3.2、经步骤3.1对图像进行灰度化处理的过程中常常存在随机噪声的干扰,采用高斯滤波器,通过求取模板内每个像素的高斯函数值,利用每个像素的高斯函数值作为每个灰度值的权值,进行加权平均;
高斯函数定义公式具体如下:
式中,用参数σ的值来表示高斯滤波器的宽度。
4.根据权利要求1所述的一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其特征在于,所述步骤4具体按照以下步骤实施:
OTSU分割法是根据目标与背景两者之间的最大类间方差作为二者分离的准则,能够最大限度降低误分割的概率;
以灰度值作为阈值对图像进行分割,设定用σ2表示目标和背景这两类之间的类间方差,最大化σ2来获取最优阈值,具体算法如下:
σ2=w0×w1×(μ0(t)-μ1(t))2 (3);
式中:
其中,L表示图像的灰度级级数,i表示对应的灰度值,p(i)为各对应灰度值i的像素个数;
对一幅图像分割目标和背景时会存在许多伪目标物,由于灰度对比度不强,很难分割出伪目标物,结合灰度线性拉伸或压缩,能进一步提高分割准确性;假设原始灰度图像f(x,y)的灰度范围为[m,n],预期变换后图像g(x,y)的灰度范围为[M,N],则转换公式具体如下:
步骤4具体按照以下步骤实施:
步骤4.1、对每个图像子块进行OTSU分割,获取局部阈值ti;
步骤4.2、经步骤4.1后,通过局部阈值ti将各子块灰度图灰度级[0,255]分为背景[0,ti]和目标[ti,255],其中目标[ti,255]中还存在除过目标物以外的其他伪目标,杆塔、灰度近似的植被,通过将该部分灰度拉伸或收缩,能进一步增加目标与背景的对比度,更好的区分出目标绝缘子,改变后的灰度线性转换公式为:
式中,k值的选取是根据处理一类图像时,多次试验选取的一个取值范围;
步骤4.3、对经步骤4.2处理过后的所有图像重新进行OTSU分割,更新阈值为Ti,以便于更好的分离目标与背景,同时也为后续颜色特征直方图提取的准确性打下基础。
5.根据权利要求1所述的一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其特征在于,所述步骤6具体按照以下方法实施:
将经步骤4获得的更新阈值Ti与经步骤5获得的全局阈值T0进行做差对比:若|Ti-T0|<λ,则判断步骤4的子块Qj同时包含目标和背景,归为第一类,保留Qj分割子块;
反之,|Ti-T0|>λ,则判断该子块全部为目标或者全部为背景,归为第二类,其中将全部为背景的子块的所有像素灰度值根据图像本身情况转换为灰度值全0或255图像,全部为目标的子块不做变化,继续保留。
6.根据权利要求1所述的一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其特征在于,所述步骤7具体按照以下方法实施:
步骤7.1、对经步骤1获取的整幅绝缘子图像建立搜索目标图像块P作为关键搜索图,大小与分块尺寸相同,通过步骤3和步骤4记录的图像灰度化、图像滤波、OTSU分割处理后,进行目标图像块颜色特征提取,分别得到目标颜色直方图HP1(i)和背景颜色直方图HP2(i);
步骤7.2、对步骤6中的第一类子块Qj进行颜色特征提取,分别得到目标颜色直方图HQ1(i)和背景颜色直方图HQ2(i);
步骤7.3、对步骤7.1建立的搜索图像块、步骤7.2每个子块图像提取的颜色直方图进行直方图相似性度量,采用标准欧氏距离,对各部分求加权和,计算两幅图像之间综合距离,根据距离大小将步骤6中第一类子块Qj图像进行排序,对比之后将不存在目标的子块Qj重新归为步骤6的第二类,然后当做全是背景子块来处理。
7.根据权利要求6所述的一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其特征在于,所述步骤7.1具体按照以下步骤实施:
步骤7.1.1、对经步骤1获取的整幅绝缘子图像建立搜索图像块P作为关键图,大小与分块尺寸相同;
步骤7.1.2、经步骤7.1.1后,将搜索图像块P进行图像灰度化处理,图像灰度级L为[0,255];
步骤7.1.3、对经步骤7.1.3得到的灰度图像进行步骤4中的OTSU分割算法求取阈值T;
像素点的灰度值小于阈值T,则认为是目标像素,其颜色计入目标直方图;反之,则认为是背景像素,从而得到目标颜色直方图和背景颜色直方图;
颜色是描述图像内容的重要视觉特征,它与图像的下层对象有非常强的相关性,另外颜色特征对图像的复杂背景、尺度、方向、透视和图像大小具有鲁棒性,颜色直方图是是最常用的颜色特征,也特别适于描述那些难以进行自动分割的图像;通过阈值分割,提取图像的目标和背景颜色直方图来进行后面的块搜索过程;为了定义颜色直方图,将彩色空间灰度化,减少色彩级数;颜色直方图横轴表示颜色等级[0,255],纵轴表示颜色等级上具有该颜色的像素数目,对直方图定义具体如下:
式中,N为图像的像素总数,灰度级数为L,Nk是图像中灰度为k的像素总数。
8.根据权利要求6所述的一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其特征在于,所述步骤7.2具体按照以下方法实施:
结合步骤6的判断规则,若|Ti-T0|<λ,当像素点的灰度值小于阈值T,则认为是目标像素,其颜色计入目标直方图,反之,则认为是背景像素,从而得到目标颜色直方图和背景颜色直方图;
若|Ti-T0|>λ,当Ti<T认为是背目标像素,其颜色计入目标直方图,反之,则认为是背景像素。
9.根据权利要求6所述的一种动态分块阈值和块搜索结合的绝缘子分割提取方法,其特征在于,所述步骤7.3步骤7.3采用欧氏距离作为直方图相似性度量来进行块搜索,具体计算公式如下:
两幅图像目标像素直方图欧氏距离具体按照以下算法计算获得:
两幅图像背景像素直方图欧式距离具体按照以下算法计算获得:
通过计算两幅图像的综合距离,提高直方图相似性度量度,计算公式为:
式中,wj表示的是各分块的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610769474.1A CN106157323B (zh) | 2016-08-30 | 2016-08-30 | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610769474.1A CN106157323B (zh) | 2016-08-30 | 2016-08-30 | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106157323A CN106157323A (zh) | 2016-11-23 |
CN106157323B true CN106157323B (zh) | 2019-03-26 |
Family
ID=57345238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610769474.1A Active CN106157323B (zh) | 2016-08-30 | 2016-08-30 | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106157323B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709928B (zh) * | 2016-12-22 | 2019-12-10 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN106934418B (zh) * | 2017-03-09 | 2021-05-14 | 国家电网公司 | 一种基于卷积递归网络的绝缘子红外诊断方法 |
CN107369162B (zh) * | 2017-07-21 | 2020-07-10 | 华北电力大学(保定) | 一种绝缘子候选目标区域的生成方法及系统 |
CN108805880B (zh) * | 2018-05-28 | 2019-04-30 | 广东阳光世纪智能家居科技有限公司 | 一种基于梯度分析的安全防护型餐桌 |
CN109741334A (zh) * | 2018-11-28 | 2019-05-10 | 恒银金融科技股份有限公司 | 一种通过分块阈值进行图像分割的方法 |
CN110087063A (zh) * | 2019-04-24 | 2019-08-02 | 昆山丘钛微电子科技有限公司 | 一种图像处理方法、装置及电子设备 |
CN111223115B (zh) * | 2020-04-22 | 2020-07-14 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
CN112150500B (zh) * | 2020-09-17 | 2023-12-26 | 西安工程大学 | 一种基于联合分量灰度化的绝缘子分割提取方法 |
CN113393395B (zh) * | 2021-06-17 | 2023-10-31 | 西安应用光学研究所 | 一种高动态红外图像分割阈值自适应计算方法 |
CN113628189B (zh) * | 2021-08-11 | 2023-10-24 | 西安工程大学 | 一种基于图像识别的快速带钢划痕缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987894A (zh) * | 2005-12-22 | 2007-06-27 | 佳能株式会社 | 文档的自适应二值化方法、设备和存储介质 |
CN101877007A (zh) * | 2010-05-18 | 2010-11-03 | 南京师范大学 | 融合空间方位关系语义的遥感图像检索方法 |
CN104463199A (zh) * | 2014-11-28 | 2015-03-25 | 福州大学 | 基于多特征及分割再校正的矿岩块度分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7684640B2 (en) * | 2005-10-20 | 2010-03-23 | Sharp Laboratories Of America, Inc. | Methods and systems for automatic digital image enhancement with local adjustment |
-
2016
- 2016-08-30 CN CN201610769474.1A patent/CN106157323B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987894A (zh) * | 2005-12-22 | 2007-06-27 | 佳能株式会社 | 文档的自适应二值化方法、设备和存储介质 |
CN101877007A (zh) * | 2010-05-18 | 2010-11-03 | 南京师范大学 | 融合空间方位关系语义的遥感图像检索方法 |
CN104463199A (zh) * | 2014-11-28 | 2015-03-25 | 福州大学 | 基于多特征及分割再校正的矿岩块度分类方法 |
Non-Patent Citations (4)
Title |
---|
基于区域合并的动态阈值分割算法;王萍 等;《光子学报》;20040331;第33卷(第3期);第1-4页 |
基于图像区域的交互式文本图像阈值分割算法;龙建武 等;《计算机研究与发展》;20120731;第49卷(第7期);第1-12页 |
基于图论的阈值化图像分割方法研究;石美;《中国优秀硕士学位论文全文数据库信息科技辑》;20110915(第9期);第I138-1167页 |
基于改进Otsu法和显著性分析的表面缺陷高效视觉检测方法研究;何志勇;《中国博士学位论文全文数据库信息科技辑》;20151115(第11期);第I138-17页 |
Also Published As
Publication number | Publication date |
---|---|
CN106157323A (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106157323B (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN109191459A (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN107346420A (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN107492094A (zh) | 一种高压电线绝缘子的无人机视觉检测方法 | |
CN108399361A (zh) | 一种基于卷积神经网络cnn和语义分割的行人检测方法 | |
CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN110210608A (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 | |
CN107622239B (zh) | 一种层次化局部结构约束的遥感图像指定建筑区检测方法 | |
CN109886267A (zh) | 一种基于最优特征选择的低对比度图像显著性检测方法 | |
CN107705254A (zh) | 一种基于街景图的城市环境评估方法 | |
CN106373096A (zh) | 一种多特征权值自适应的阴影消除方法 | |
CN110135248A (zh) | 一种基于深度学习的自然场景文本检测方法 | |
CN105225233B (zh) | 一种基于两类膨胀的立体影像密集匹配方法及系统 | |
Liu et al. | Development of a machine vision algorithm for recognition of peach fruit in a natural scene | |
CN112819837A (zh) | 一种基于多源异构遥感影像的语义分割方法 | |
CN116433940A (zh) | 基于孪生镜像网络的遥感影像变化检测方法 | |
CN117437201A (zh) | 一种基于改进YOLOv7的道路裂缝检测方法 | |
CN113610024B (zh) | 一种多策略的深度学习遥感影像小目标检测方法 | |
CN114495170A (zh) | 一种基于局部抑制自注意力的行人重识别方法及系统 | |
CN112330562B (zh) | 一种异构遥感图像变换方法及系统 | |
CN111191659B (zh) | 服装生产系统多形状衣架识别方法 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210816 Address after: 710065 No. 11301, block B, Huajing Business Plaza, No. 20, Fenghui South Road, Zhangba street, high tech Zone, Xi'an, Shaanxi Province Patentee after: XI'AN JIN POWER ELECTRICAL Co.,Ltd. Address before: 710048 No. 19 Jinhua South Road, Shaanxi, Xi'an Patentee before: XI'AN POLYTECHNIC University |