CN106408025A - 基于图像处理的航拍图像绝缘子分类识别方法 - Google Patents
基于图像处理的航拍图像绝缘子分类识别方法 Download PDFInfo
- Publication number
- CN106408025A CN106408025A CN201610835298.7A CN201610835298A CN106408025A CN 106408025 A CN106408025 A CN 106408025A CN 201610835298 A CN201610835298 A CN 201610835298A CN 106408025 A CN106408025 A CN 106408025A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- value
- insulator
- binary
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于图像处理的航拍图像绝缘子分类识别方法,步骤1,对图像进行红蓝色差灰度化处理和加权平均灰度化处理两种方式的灰度化处理;步骤2,对比步骤1中得到的两种灰度处理的结果,选取对比度大的图像;步骤3,利用步骤2中选取的灰度对比度大的图像进行聚类分析,即设步骤2中选定的对比度较高的灰度化图像为图像gray,图像各坐标点(x,y)处的灰度值表示为gray(x,y),采用改进的K‑means算法,对图像gray进行聚类分析;步骤4,去除噪声点,最终获取更新的二值图像binary;步骤5,将步骤4获取的新的二值图像binary映射到图像P上,提取准确分割的绝缘子图像,并判断绝缘子种类。解决了现有技术无法准确的提取绝缘子并对其进行快速的分类识别的问题。
Description
技术领域
本发明属于电力设备监测技术领域,涉及一种基于图像处理的航拍图像绝缘子分类识别方法。
背景技术
输电线路稳定可靠的运行是智能电网建设的重要组成部分,据国家电力公司统计,由各类绝缘子故障引起的电力系统故障的几率最大。目前,线路巡检正由“人工为主”向“直升机为主,人工为辅”的方式转变。国内输变电工程大量使用的输电线路绝缘子有合成、玻璃和瓷质三种,由于其构成材料以及制造工艺的不同,出现的故障类型也有差异,如合成绝缘子常见的形变、芯棒断裂、表面击穿;玻璃绝缘子自破、掉串;瓷质绝缘子裂纹、铁帽炸裂、掉串和掉线等故障。由此,通过航拍绝缘子图像及时提取绝缘子并对其进行分类识别,是对绝缘子运行状态的自行监测及故障诊断的最为困难也必不可少的步骤。
目前,国内外文献中关于绝缘子故障的研究主要有:1、绝缘子分割,通过航拍彩色图像的S分量或灰度图像进行阈值分割处理,但对于彩色图像S分量或灰度图像对比度较小的图像分割效果不理想。2、绝缘子识别,能根据绝缘子形状识别航拍图像中的玻璃绝缘子位置。但由于直升机的多角度拍摄,绝缘子呈现不同的形状,识别过程中存在一定误差。3、指定绝缘子故障类型的诊断,对玻璃绝缘子的自爆、掉串、合成绝缘子憎水性以及瓷绝缘子裂纹等分别进行故障诊断。但直升机航拍绝缘子过程中对于绝缘子的类型、是否发生故障及其故障类型均一无所知,不能及时针对不同种类的绝缘子进行相应的运行状态监测,使得直升机巡检对绝缘子监测的实时处理带来一定的困难。
发明内容
本发明的目的是提供一种基于图像处理的航拍图像绝缘子分类识别方法,解决了现有技术无法准确的提取绝缘子并对其进行快速的分类识别的问题。
本发明所采用的技术方案是,一种基于图像处理的航拍图像绝缘子分类识别方法,具体按照以下步骤实施,
步骤1,对图像进行红蓝色差灰度化处理和加权平均灰度化处理两种方式的灰度化处理;
步骤2,对比步骤1中得到的两种灰度处理的结果,选取对比度大的图像;
步骤3,利用步骤2中选取的灰度对比度大的图像进行聚类分析,即设步骤2中选定的对比度较高的灰度化图像为图像gray,图像各坐标点(x,y)处的灰度值表示为gray(x,y),采用改进的K-means算法,对图像gray进行聚类分析;
步骤4,去除噪声点,最终获取更新的二值图像binary;
步骤5,将步骤4获取的新的二值图像binary映射到图像P上,提取准确分割的绝缘子图像,并判断绝缘子种类。
本发明的特点还在于,
所述的步骤1具体按照以下步骤实施:
步骤1.1,读取巡检绝缘子原始图像P,即在RGB颜色空间下的图像,设图像P的尺寸为N×M,各坐标点(x,y)的像素值可以表示为(R(x,y),G(x,y),B(x,y));
其中,
x∈[1,N],y∈[1,M],R(x,y)∈[0,255],G(x,y)∈[0,255],B(x,y)∈[0,255]
R(x,y),G(x,y),B(x,y)分别表示像素点的红色像素值、绿色像素值和蓝色像素值;
步骤1.2,对图像P进行红蓝色差灰度化处理,最终获取红蓝色差灰度化图像r_bgray2,具体的处理方法是:
首先根据公式(1)求得图像P的红蓝色差r_bgray(x,y),
鉴于r_bgray(x,y)的值在-1与1之间取得,通过公式(2)对其进行归一化,
其中r_bgray1(x,y)的取值范围为[0,1]。
各像素点灰度值r_bgray2(x,y)可以表示为,
r_bgray2(x,y)=r_bgray1(x,y)×256
r_bgray2(x,y)表示红蓝色差灰度化后坐标点(x,y)处的灰度值;
步骤1.3,对图像P进行加权平均灰度化,通过公式(3)对图像P进行加权平均灰度化,获得加权平均灰度化图像grays,
grays(x,y)=(WrR(x,y)+WgG(x,y)+WbB(x,y))/3 (3)
其中,Wr=0.299,Wg=0.587,Wb=0.114,grays(x,y)表示加权平均灰度化后坐标点(x,y)处的灰度值。
所述的步骤2具体为,根据公式(4)计算红蓝色差灰度化图像的灰度对比度和加权平均灰度化图像的灰度对比度,
其中,u,v分别表示红蓝色差灰度化图像r_bgray2中4邻域相邻像素的灰度值,u∈[0,255],v∈[0,255],
δ(u,v)=|u-v|,即表示相邻像素之间的灰度差;
Pδ(u,v)表示相邻像素间的灰度差为δ的像素分布概率;
m,n分别表示加权平均灰度化图像grays中4邻域相邻像素的灰度值,m∈[0,255],n∈[0,255];υ(m,n)=|m-n|,即相邻像素之间的灰度差;Pυ(m,n)表示相邻像素间的灰度差为υ的像素分布概率;
若r_bcontrast≤gray_constrast,则选定加权平均灰度化图像grays应用于步骤3中;
若r_bcontrast>gray_constrast,则选定红蓝色差灰度化图像r_bgray2应用于步骤3中。
所述的步骤3具体步骤为:
步骤3.1,将步骤2中选定的的对比度较高的灰度化图像作为图像样本gray,选取{m1,m2}={64,192}作为训练向量的初始码本,样本gray(x,y)表示坐标(x,y)处图像gray的灰度值,其中x∈[1,N],y∈[1,M],N×M为图像尺寸;
步骤3.2,按照公式(5)计算图像gray中各灰度值gray(x,y)对应的c(x,y)的值,
当c(x,y)=1时,图像gray中的坐标点(x,y)对应的灰度值gray(x,y)分配到第一个聚簇中。
当c(x,y)=2时,图像gray中的坐标点(x,y)对应的灰度值gray(x,y)分配到第二个聚簇中。步骤3.3,设mj表示当前码本{m1,m2}中的任意码字,其中j=1,2,对当前码本{m1,m2}进行更新,即利用公式(6)重新计算出m1和m2的值并覆盖之前的m1和m2的值,
mj:=median{gray(x,y)|c(x,y)=j} (6)
其中,mj表示当前码本{m1,m2}中的任意码字,j=1,2。
当各个聚簇中的中值mj不再发生改变时,执行步骤3.4,
否则,当各个聚簇中的中值mj发生改变时,进行步骤3.2。
步骤3.4,分别以图像形式输出2个聚簇中所包含的灰度值gray(x,y)的集合,在输出图像中确定需要获取的目标区域和背景区域及其对应的码字m1和m2,将目标与背景区域对应的像素点分别置为0和1,获取分割后的二值图像binary。
所述的步骤4具体为:对步骤3中获取的二值图像binary中的伪目标及噪声,采用3×3的正方形结构元素进行形态学开运算和闭运算有效去除较小的噪声点。对形态学处理后的图像进行区域标记,计算各区域面积,去除小于最大面积的1/4的区域以消除较大噪声点,最终获取更新的二值图像binary。
所述的步骤5具体为:
将步骤4获取的新的二值图像binary映射到图像P上,提取准确分割的绝缘子图像。由于玻璃、复合和瓷质绝缘子分别呈蓝色、红色和白色,通过公式(7)计算得的不同类型绝缘子目标区域的红蓝色差均值分布在不同的取值区域。
式中,R(x,y),B(x,y)表示分布在绝缘子目标区域的各坐标点(x,y)处的红色像素值和蓝色像素值。其中蓝色玻璃绝缘子的红蓝色差均值meansgrays值为负值;白色瓷绝缘子的红蓝色差均值meansgrays值处于零值附近;红色合成绝缘子的红蓝色差均值meansgrays值为正值。
本发明的有益效果是,与现有的图像提取算法相比,本发明根据目前常用绝缘子颜色特征,引入了红蓝色差的概念,提出了一种红蓝色差归一化的灰度化方法,克服了直接进行加权灰度化不能处理色调丰富图片的缺陷,相较于常用的HSI颜色空间转换具有较快的运行效率,能有效促进输电线路直升机巡检实时性的实现。采用改进K-means算法对灰度化结果图像进行分类,已知分类个数及预设的初始码本,能有效减少算法迭代次数,加快运行效率。此外,本发明根据绝缘子图像目标区域的红蓝色差均值,将绝缘子的分类识别问题简化为简单的一维数据分类问题,运算复杂度低,为直升机航拍巡检绝缘子运行状态的自行监测及故障诊断提供了新的思路。
附图说明
图1是本发明的基于图像处理的航拍图像绝缘子分类识别方法的原理流程图;
图2是本发明方法实施例中的1#玻璃绝缘子的图像处理前和处理后的对比效果图;
图3是本发明方法实施例中的2#瓷质绝缘子的图像处理前和处理后的对比效果图;
图4是本发明方法实施例中的3#合成绝缘子的图像处理前和处理后的对比效果图。
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。
一种基于图像处理的航拍图像绝缘子分类识别方法,具体按照以下步骤实施,
步骤1:对图像进行两种方式的灰度化处理,具体按照以下步骤实施:
步骤1.1,读取巡检绝缘子原始图像P,即在RGB颜色空间下的图像,设图像P的尺寸为N×M,各坐标点(x,y)的像素值可以表示为(R(x,y),G(x,y),B(x,y))
其中,
x∈[1,N],y∈[1,M],R(x,y)∈[0,255],G(x,y)∈[0,255],B(x,y)∈[0,255],R(x,y),G(x,y),B(x,y)分别表示像素点的红色像素值、绿色像素值和蓝色像素值,
步骤1.2,对图像P进行红蓝色差灰度化处理,最终获取红蓝色差灰度化图像r_bgray2。
具体的处理方法是:
首先根据公式(1)求得图像P的红蓝色差r_bgray(x,y),
鉴于r_bgray(x,y)的值在-1与1之间取得,通过公式(2)对其进行归一化,
其中r_bgray1(x,y)的取值范围为[0,1]。
各像素点灰度值r_bgray2(x,y)可以表示为,
r_bgray2(x,y)=r_bgray1(x,y)×256
r_bgray2(x,y)表示红蓝色差灰度化后坐标点(x,y)处的灰度值。
步骤1.3对图像P进行加权平均灰度化,通过公式(3)对图像P进行加权平均灰度化,获得加权平均灰度化图像grays,
grays(x,y)=(WrR(x,y)+WgG(x,y)+WbB(x,y))/3 (3)
其中,Wr=0.299,Wg=0.587,Wb=0.114,grays(x,y)表示加权平均灰度化后坐标点(x,y)处的灰度值。
步骤2,对比步骤1中得到的两种灰度处理的结果,选取对比度大的图像,具体方法为:
根据公式(4)计算红蓝色差灰度化图像的灰度对比度和加权平均灰度化图像的灰度对比度,
其中,u,v分别表示红蓝色差灰度化图像r_bgray2中4邻域相邻像素的灰度值,u∈[0,255],v∈[0,255],
δ(u,v)=|u-v|,即表示相邻像素之间的灰度差;
Pδ(u,v)表示相邻像素间的灰度差为δ的像素分布概率。
m,n分别表示加权平均灰度化图像grays中4邻域相邻像素的灰度值,m∈[0,255],n∈[0,255];υ(m,n)=|m-n|,即相邻像素之间的灰度差;Pυ(m,n)表示相邻像素间的灰度差为υ的像素分布概率。
若r_bcontrast≤gray_constrast,则选定加权平均灰度化图像grays应用于步骤3中;
若r_bcontrast>gray_constrast,则选定红蓝色差灰度化图像r_bgray2应用于步骤3中。
步骤3,利用步骤2中选取的灰度对比度大的图像进行聚类分析,即设步骤2中选定的对比度较高的灰度化图像为图像gray,图像各坐标点(x,y)处的灰度值表示为gray(x,y)。采用改进的K-means算法,对图像gray进行聚类分析。
步骤3.1,将步骤2中选定的的对比度较高的灰度化图像作为图像样本gray,选取{m1,m2}={64,192}作为训练向量的初始码本,样本gray(x,y)表示坐标(x,y)处图像gray的灰度值,其中x∈[1,N],y∈[1,M],N×M为图像尺寸。
步骤3.2,按照公式(5)计算图像gray中各灰度值gray(x,y)对应的c(x,y)的值,
当c(x,y)=1时,图像gray中的坐标点(x,y)对应的灰度值gray(x,y)分配到第一个聚簇中。
当c(x,y)=2时,图像gray中的坐标点(x,y)对应的灰度值gray(x,y)分配到第二个聚簇中。步骤3.3,设mj表示当前码本{m1,m2}中的任意码字,其中j=1,2,对当前码本{m1,m2}进行更新,即利用公式(6)重新计算出m1和m2的值并覆盖之前的m1和m2的值,
mj:=median{gray(x,y)|c(x,y)=j} (6)
其中,mj表示当前码本{m1,m2}中的任意码字,j=1,2。
当各个聚簇中的中值mj不再发生改变时,执行步骤3.4,
否则,当各个聚簇中的中值mj发生改变时,进行步骤3.2。
步骤3.4,分别以图像形式输出2个聚簇中所包含的灰度值gray(x,y)的集合,在输出图像中确定需要获取的目标区域和背景区域及其对应的码字m1和m2,将目标与背景区域对应的像素点分别置为0和1,获取分割后的二值图像binary。
步骤4,由于步骤3.4中获取的二值图像binary中的伪目标及噪声的存在,本发明采用3×3的正方形结构元素进行形态学开运算和闭运算有效去除较小的噪声点。对形态学处理后的图像进行区域标记,计算各区域面积,去除小于最大面积的1/4的区域以消除较大噪声点,最终获取更新的二值图像binary。
步骤5,将步骤4获取的新的二值图像binary映射到图像P上,提取准确分割的绝缘子图像。由于玻璃、复合和瓷质绝缘子分别呈蓝色、红色和白色,通过公式(7)计算得的不同类型绝缘子目标区域的红蓝色差均值分布在不同的取值区域。
式中,R(x,y),B(x,y)表示分布在绝缘子目标区域的各坐标点(x,y)处的红色像素值和蓝色像素值。其中蓝色玻璃绝缘子的红蓝色差均值meansgrays值为负值;白色瓷绝缘子的红蓝色差均值meansgrays值处于零值附近;红色合成绝缘子的红蓝色差均值meansgrays值为正值。
实施例:
图2表示的是航拍的玻璃绝缘子处理前以及利用不同算法进行处理时的效果对比图,其中,图2(a)表示未经处理的1#玻璃绝缘子的原图A,图2(b)表示采用H分量对绝缘子图像的灰度化处理的图像,图2(c)表示采用S分量对绝缘子图像的灰度化处理的图像,图2(d)表示采用加权平均灰度化处理的图像,而图2(e)表示采用本发明方法处理的图像,从图2可以看出,相较于S分量和加权平均灰度化方法,H分量与本发明灰度化结果图更能将绝缘子从复杂背景中区分开;
图3表示的是阴暗天气下色调偏暗的2#瓷质绝缘子处理前以及利用不同算法进行处理时的效果对比图,其中,图3(a)表示未经处理的阴暗天气下色调偏暗的瓷质绝缘子的原图B,图3(b)表示采用H分量对绝缘子图像的灰度化处理的图像,图3(c)表示采用S分量对绝缘子图像的灰度化处理的图像,图3(d)表示采用加权平均灰度化处理的图像,而图3(e)表示采用本发明方法处理的图像,从图3可以看出,相较于S分量和H分量的灰度化方法,加权平均灰度化与本发明灰度化结果图更能将绝缘子从复杂背景中区分开;
图4表示的是实验室复杂环境下3#合成绝缘子处理前以及利用不同算法进行处理时的效果对比图,其中,图4(a)表示未经处理的原图C,图4(b)表示采用H分量对绝缘子图像的灰度化处理的图像,图4(c)表示采用S分量对绝缘子图像的灰度化处理的图像,图4(d)表示采用加权平均灰度化处理的图像,而图4(e)表示采用本发明方法处理的图像,从图4可以看出,相较于H分量和加权平均的灰度化方法,S分量与本发明灰度化结果图更能将绝缘子从复杂背景中区分开。
从上述3个绝缘子实例的一些列图片中,可以看出采用H分量对绝缘子图像的灰度化仅适用于拍摄的绝缘子色调与背景色调相差较大的1#绝缘子的图像,而对于绝缘子色调与背景色调相差较小的图像2和3并不适用;采用S分量对绝缘子图像的灰度化仅适用于拍摄绝缘子饱和度与背景饱和度相差较大的3#绝缘子的图像;采用加权平均灰度化对绝缘子图像的灰度化处理,适用于色调偏暗的航拍2#绝缘子的图像,而对于背景复杂色调丰富的图像,很难将绝缘子从背景中区分出来,而本发明提出的灰度化方法适用于以上三种情况。可以看出,本发明提出的灰度化方法相较于其他三种灰度化方法具有更强的适用性和鲁棒性,能够克服复杂背景及天气条件的影响,将目标绝缘子从背景中区分出来,对接下来对绝缘子的分割提取与分类识别奠定了良好的基础。
表1
表1中表示采用不同灰度化方法对绝缘子图像进行灰度化处理的运行时间,其中格式加粗的数据表示适用于各绝缘子图像的灰度化方法的运行时间。由表1可知,本发明提出的灰度化方法是适用于各绝缘子图像灰度化处理方法中运行时间最短、效率最高的灰度化方法,能够快速有效地对不同类型的绝缘子进行分类识别,有效促进输电线路航拍巡检实时性的实现。
Claims (6)
1.一种基于图像处理的航拍图像绝缘子分类识别方法,其特征在于,具体按照以下步骤实施,
步骤1,对图像进行红蓝色差灰度化处理和加权平均灰度化处理两种方式的灰度化处理;
步骤2,对比步骤1中得到的两种灰度处理的结果,选取对比度大的图像;
步骤3,利用步骤2中选取的灰度对比度大的图像进行聚类分析,即设步骤2中选定的对比度较高的灰度化图像为图像gray,图像各坐标点(x,y)处的灰度值表示为gray(x,y),采用改进的K-means算法,对图像gray进行聚类分析;
步骤4,去除噪声点,最终获取更新的二值图像binary;
步骤5,将步骤4获取的新的二值图像binary映射到图像P上,提取准确分割的绝缘子图像,并判断绝缘子种类。
2.根据权利要求1所述的基于多特征信息融合技术的绝缘子识别检测方法,其特征在于,所述的步骤1具体按照以下步骤实施:
步骤1.1,读取巡检绝缘子原始图像P,即在RGB颜色空间下的图像,设图像P的尺寸为N×M,各坐标点(x,y)的像素值可以表示为(R(x,y),G(x,y),B(x,y));
其中,
x∈[1,N],y∈[1,M],R(x,y)∈[0,255],G(x,y)∈[0,255],B(x,y)∈[0,255]
R(x,y),G(x,y),B(x,y)分别表示像素点的红色像素值、绿色像素值和蓝色像素值;
步骤1.2,对图像P进行红蓝色差灰度化处理,最终获取红蓝色差灰度化图像r_bgray2,具体的处理方法是:
首先根据公式(1)求得图像P的红蓝色差r_bgray(x,y),
鉴于r_bgray(x,y)的值在-1与1之间取得,通过公式(2)对其进行归一化,
其中r_bgray1(x,y)的取值范围为[0,1];
各像素点灰度值r_bgray2(x,y)可以表示为,
r_bgray2(x,y)=r_bgray1(x,y)×256
r_bgray2(x,y)表示红蓝色差灰度化后坐标点(x,y)处的灰度值;
步骤1.3,对图像P进行加权平均灰度化,通过公式(3)对图像P进行加权平均灰度化,获得加权平均灰度化图像grays,
grays(x,y)=(WrR(x,y)+WgG(x,y)+WbB(x,y))/3 (3)
其中,Wr=0.299,Wg=0.587,Wb=0.114,grays(x,y)表示加权平均灰度化后坐标点(x,y)处的灰度值。
3.根据权利要求1所述的,其特征在于,所述的步骤2具体为,
根据公式(4)计算红蓝色差灰度化图像的灰度对比度和加权平均灰度化图像的灰度对比度,
其中,u,v分别表示红蓝色差灰度化图像r_bgray2中4邻域相邻像素的灰度值,u∈[0,255],v∈[0,255],
δ(u,v)=|u-v|,即表示相邻像素之间的灰度差;
Pδ(u,v)表示相邻像素间的灰度差为δ的像素分布概率;
m,n分别表示加权平均灰度化图像grays中4邻域相邻像素的灰度值,m∈[0,255],n∈[0,255];υ(m,n)=|m-n|,即相邻像素之间的灰度差;Pυ(m,n)表示相邻像素间的灰度差为υ的像素分布概率;
若r_bcontrast≤gray_constrast,则选定加权平均灰度化图像grays应用于步骤3中;
若r_bcontrast>gray_constrast,则选定红蓝色差灰度化图像r_bgray2应用于步骤3中。
4.根据权利要求1所述的,其特征在于,所述的步骤3具体步骤为:
步骤3.1,将步骤2中选定的的对比度较高的灰度化图像作为图像样本gray,选取{m1,m2}={64,192}作为训练向量的初始码本,样本gray(x,y)表示坐标(x,y)处图像gray的灰度值,其中x∈[1,N],y∈[1,M],N×M为图像尺寸;
步骤3.2,按照公式(5)计算图像gray中各灰度值gray(x,y)对应的c(x,y)的值,
当c(x,y)=1时,图像gray中的坐标点(x,y)对应的灰度值gray(x,y)分配到第一个聚簇中;
当c(x,y)=2时,图像gray中的坐标点(x,y)对应的灰度值gray(x,y)分配到第二个聚簇中;
步骤3.3,设mj表示当前码本{m1,m2}中的任意码字,其中j=1,2,对当前码本{m1,m2}进行更新,即利用公式(6)重新计算出m1和m2的值并覆盖之前的m1和m2的值,
mj:=median{gray(x,y)|c(x,y)=j} (6)
其中,mj表示当前码本{m1,m2}中的任意码字,j=1,2;
当各个聚簇中的中值mj不再发生改变时,执行步骤3.4,
否则,当各个聚簇中的中值mj发生改变时,进行步骤3.2;
步骤3.4,分别以图像形式输出2个聚簇中所包含的灰度值gray(x,y)的集合,在输出图像中确定需要获取的目标区域和背景区域及其对应的码字m1和m2,将目标与背景区域对应的像素点分别置为0和1,获取分割后的二值图像binary。
5.根据权利要求1所述的,其特征在于,所述的步骤4具体为:对步骤3中获取的二值图像binary中的伪目标及噪声,采用3×3的正方形结构元素进行形态学开运算和闭运算有效去除较小的噪声点;对形态学处理后的图像进行区域标记,计算各区域面积,去除小于最大面积的1/4的区域以消除较大噪声点,最终获取更新的二值图像binary。
6.根据权利要求1所述的,其特征在于,所述的步骤5具体为:
将步骤4获取的新的二值图像binary映射到图像P上,提取准确分割的绝缘子图像;由于玻璃、复合和瓷质绝缘子分别呈蓝色、红色和白色,通过公式(7)计算得的不同类型绝缘子目标区域的红蓝色差均值分布在不同的取值区域;
式中,R(x,y),B(x,y)表示分布在绝缘子目标区域的各坐标点(x,y)处的红色像素值和蓝色像素值;其中蓝色玻璃绝缘子的红蓝色差均值meansgrays值为负值;白色瓷绝缘子的红蓝色差均值meansgrays值处于零值附近;红色合成绝缘子的红蓝色差均值meansgrays值为正值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610835298.7A CN106408025B (zh) | 2016-09-20 | 2016-09-20 | 基于图像处理的航拍图像绝缘子分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610835298.7A CN106408025B (zh) | 2016-09-20 | 2016-09-20 | 基于图像处理的航拍图像绝缘子分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408025A true CN106408025A (zh) | 2017-02-15 |
CN106408025B CN106408025B (zh) | 2019-11-26 |
Family
ID=57996813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610835298.7A Active CN106408025B (zh) | 2016-09-20 | 2016-09-20 | 基于图像处理的航拍图像绝缘子分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408025B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464233A (zh) * | 2017-07-19 | 2017-12-12 | 国家电网公司 | 基于Lab颜色模式的复合绝缘子的图像检测方法及系统 |
CN108960241A (zh) * | 2018-07-26 | 2018-12-07 | 国网安徽省电力公司检修公司 | 基于统计形状模型的绝缘子掉串检测算法 |
CN109801284A (zh) * | 2019-01-25 | 2019-05-24 | 华中科技大学 | 一种基于深度学习的高铁接触网绝缘子故障检测方法 |
WO2019205290A1 (zh) * | 2018-04-28 | 2019-10-31 | 平安科技(深圳)有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
CN111833346A (zh) * | 2020-07-30 | 2020-10-27 | 国网江苏省电力有限公司南通供电分公司 | 基于紫外成像法的绝缘子缺陷检测识别方法 |
CN113421301A (zh) * | 2021-07-08 | 2021-09-21 | 浙江大学 | 一种田间作物中心区域定位方法及系统 |
CN115046966A (zh) * | 2022-08-16 | 2022-09-13 | 山东国慈新型材料科技有限公司 | 一种环境污水可循环利用程度检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015105429A (ja) * | 2013-12-03 | 2015-06-08 | 三井金属エンジニアリング株式会社 | 析出金属板の表面検査装置および析出金属板の仕分けとカソード板の仕分けシステム |
CN104966072A (zh) * | 2015-07-08 | 2015-10-07 | 河海大学常州校区 | 一种基于形状的无色标机器鱼位姿识别算法 |
CN105160669A (zh) * | 2015-08-21 | 2015-12-16 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法 |
-
2016
- 2016-09-20 CN CN201610835298.7A patent/CN106408025B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015105429A (ja) * | 2013-12-03 | 2015-06-08 | 三井金属エンジニアリング株式会社 | 析出金属板の表面検査装置および析出金属板の仕分けとカソード板の仕分けシステム |
CN104966072A (zh) * | 2015-07-08 | 2015-10-07 | 河海大学常州校区 | 一种基于形状的无色标机器鱼位姿识别算法 |
CN105160669A (zh) * | 2015-08-21 | 2015-12-16 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法 |
Non-Patent Citations (2)
Title |
---|
XIAN WANG.ETC: "Insulator identification from aerial images using Support Vector Machine with background suppression", 《2016 INTERNATIONAL CONFERENCE ON UNMANNED AIRCRAFT SYSTEMS》 * |
姜浩然等: "航拍图像中绝缘子的识别与故障诊断", 《机电工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464233A (zh) * | 2017-07-19 | 2017-12-12 | 国家电网公司 | 基于Lab颜色模式的复合绝缘子的图像检测方法及系统 |
CN107464233B (zh) * | 2017-07-19 | 2021-11-05 | 国家电网公司 | 基于Lab颜色模式的复合绝缘子的图像检测方法及系统 |
WO2019205290A1 (zh) * | 2018-04-28 | 2019-10-31 | 平安科技(深圳)有限公司 | 一种图像检测方法、装置、计算机设备及存储介质 |
CN108960241A (zh) * | 2018-07-26 | 2018-12-07 | 国网安徽省电力公司检修公司 | 基于统计形状模型的绝缘子掉串检测算法 |
CN109801284A (zh) * | 2019-01-25 | 2019-05-24 | 华中科技大学 | 一种基于深度学习的高铁接触网绝缘子故障检测方法 |
CN111833346A (zh) * | 2020-07-30 | 2020-10-27 | 国网江苏省电力有限公司南通供电分公司 | 基于紫外成像法的绝缘子缺陷检测识别方法 |
CN111833346B (zh) * | 2020-07-30 | 2021-10-01 | 国网江苏省电力有限公司南通供电分公司 | 基于紫外成像法的绝缘子缺陷检测识别方法 |
CN113421301A (zh) * | 2021-07-08 | 2021-09-21 | 浙江大学 | 一种田间作物中心区域定位方法及系统 |
CN115046966A (zh) * | 2022-08-16 | 2022-09-13 | 山东国慈新型材料科技有限公司 | 一种环境污水可循环利用程度检测方法 |
CN115046966B (zh) * | 2022-08-16 | 2022-11-04 | 山东国慈新型材料科技有限公司 | 一种环境污水可循环利用程度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106408025B (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408025A (zh) | 基于图像处理的航拍图像绝缘子分类识别方法 | |
CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
CN105631880B (zh) | 车道线分割方法和装置 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN106780438B (zh) | 基于图像处理的绝缘子缺陷检测方法及系统 | |
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 | |
CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
CN111402247B (zh) | 一种基于机器视觉的输电线路上悬垂线夹缺陷检测方法 | |
CN106971152A (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN107492094A (zh) | 一种高压电线绝缘子的无人机视觉检测方法 | |
CN112507865B (zh) | 一种烟雾识别方法及识别装置 | |
CN106157323A (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 | |
CN111462057B (zh) | 一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法 | |
CN111291826A (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
CN116758081B (zh) | 一种无人机道路桥梁巡检图像处理方法 | |
CN111855500A (zh) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 | |
CN115861987B (zh) | 一种用于输电线路在线监测的智能电力金具缺陷识别方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN115641327A (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN111091178A (zh) | 一种基于卷积神经网络的瓷瓶裂缝识别方法 | |
CN109741337B (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 |
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 |