CN106651834A - 无参考图像的变电设备红外热像图质量评价方法及装置 - Google Patents
无参考图像的变电设备红外热像图质量评价方法及装置 Download PDFInfo
- Publication number
- CN106651834A CN106651834A CN201610915661.6A CN201610915661A CN106651834A CN 106651834 A CN106651834 A CN 106651834A CN 201610915661 A CN201610915661 A CN 201610915661A CN 106651834 A CN106651834 A CN 106651834A
- Authority
- CN
- China
- Prior art keywords
- image
- quality
- infrared thermogram
- converting equipment
- equipment infrared
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种无参考图像的变电设备红外热像图质量评价方法及装置,该方法包括:预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量;获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级;提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型;计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种无参考图像的变电设备红外热像图质量评价方法及装置。
背景技术
基于图像处理技术对变电设备红外检测热像图进行质量评价,能指导操作人员更好地调整拍摄参数,更好的呈现图像的有效信息,是通过红外热像图来获取变电设备运行状态信息的关键步骤。
对变电设备红外热像图进行质量评价属于图像分类问题,提取图像有效特征并用SVM或KNN分类器进行分类是处理该类图像分类问题的一般方法。该种方法的基本思想是,先通过分析待分类图像特点,选择或设计有效的特征,再对待分类图像提取特征,用分类器进行分类实验,测试和比较所提取特征的分类性能,从而最终选择分类性能最优的特征或特征组合完成对整个数据集的质量评价。
传统的质量评价方法一般是在有参考图像的情况下,提取峰值信噪比(PSNR)、均方误差(MSE)、质量指数Q等各种典型特征,来对图像质量进行客观的评价。该类图像质量评价方法对于有参考图像的情况有较好的评价效果。然而对于电力系统来说,通常是红外热像图没有相应的参考图像的,这就要求对变电设备红外热像图的质量评价工作要在无参考图像的情况下进行。相应地,质量评价指标及特征的选取和设计也要根据图像质量的主观评价方法进行。
发明内容
为了解决现有技术的缺点,本发明的第一目的是提供一种无参考图像的变电设备红外热像图质量评价方法。本发明的一种无参考图像的变电设备红外热像图质量评价方法,包括:
预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量;
获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级;
提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型;
计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
本发明的该方法在无参考图像情况下,对变电设备红外热像图进行主观质量评价的指标,并进一步对所设计指标进行了具体化的算法实现,通过机器学习的方式进行自主的质量等级分类,也即对每种指标提取相应质量评价特征。
其中,衡量图像质量的指标包括:图像的一维熵、图像的二维熵、图像清晰度、目标设备中心度和图像结构信息。
优选地,计算图像清晰度相对应的质量评价特征的过程为:
首先对变电设备红外热像图进行灰度化处理,得到灰度图像I;
再将灰度图像I与拉普拉斯算子进行卷积,所得结果求绝对值,得到梯度图像;
最后对所得梯度图像的灰度求方差,作为图像清晰度相对应的质量评价特征。
图像的方差反映了图像的对比度和高频分量的大小,而图像梯度可以反映图像的边缘信息和微小的纹理特征变化信息,因此通过对图像求梯度,再对所得梯度图像求方差,可以衡量图像纹理和边缘的明显程度,以及图像的清晰程度。
依据红外热像图的拍摄原则,质量较好的图像应当使目标设备位于图像中心,目标运行设备和拍摄背景间存在较大的区域间差异性。优选地,计算目标设备中心度相对应的质量评价特征的过程为:
通过otsu二值化分割方法对灰度图像进行二值化分割,得到多个二值化区域,提取有效大小中离图像中心的区域作为中心区域;
求取中心区域的区域面积与图像的面积的商,作为目标设备中心度相对应的质量评价特征。
在红外检测的实验过程中,希望待测设备尽量处于图像中心,并占据大部分空间,从而保证细节分析的准确性。因此通过计算目标设备中心度可以反应图像的检测质量。
优选地,计算图像结构信息相对应的质量评价特征的过程为:
先构造原始红外热像图的参考图像,再计算原始红外热像图与参考图像的结构相似度,构建3维描述特征,得到图像结构信息相对应的质量评价特征。
本发明的第二目的是提供一种无参考图像的变电设备红外热像图质量评价装置,该装置包括:
特征向量计算模块,预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量;
样本集获取模块,其用于获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级;
分类器模块获取模块,其用于提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型;
质量等级输出模块,其用于计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
衡量图像质量的指标包括:图像的一维熵、图像的二维熵、图像清晰度、目标设备中心度和图像结构信息。
所述特征向量计算模块包括图像清晰度特征计算模块,其用于:
首先对变电设备红外热像图进行灰度化处理,得到灰度图像I;
再将灰度图像I与拉普拉斯算子进行卷积,所得结果求绝对值,得到梯度图像;
最后对所得梯度图像的灰度求方差,作为图像清晰度相对应的质量评价特征。
所述特征向量计算模块包括目标设备中心度特征计算模块,其用于:
通过otsu二值化分割方法对灰度图像进行二值化分割,得到多个二值化区域,提取有效大小中离图像中心的区域作为中心区域;
求取中心区域的区域面积与图像的面积的商,作为目标设备中心度相对应的质量评价特征。
所述特征向量计算模块包括图像结构信息特征计算模块,其用于:
先构造原始红外热像图的参考图像,再计算原始红外热像图与参考图像的结构相似度,构建3维描述特征,得到图像结构信息相对应的质量评价特征。
发明的该装置在无参考图像情况下,对变电设备红外热像图进行主观质量评价的指标,并进一步对所设计指标进行了具体化的算法实现,通过机器学习的方式进行自主的质量等级分类,也即对每种指标提取相应质量评价特征。
本发明的第三目的是提供一种无参考图像的变电设备红外热像图质量评价装置,该装置包括处理器,所述处理器被配置为:
预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量;
获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级;
提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型;
计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
本发明的有益效果为:
(1)本发明的该方法提出了在无参考情况下对变电设备红外热像图进行质量评价的一系列量化指标和相应特征,在无参考图像情况下,对变电设备红外热像图进行主观质量评价的指标,并进一步对所设计指标进行了具体化的算法实现,通过机器学习的方式进行自主的质量等级分类,也即对每种指标提取相应质量评价特征,对于变电设备红外热像图的量化评价具有一定的指导意义;
(2)在此基础上,本发明的该方法可以通过对质量评价量化指标的计算,对红外检测的拍摄质量进行定量的分析统计,有利于检测人员工作的提升;
(3)本发明的无参考图像的变电设备红外热像图质量评价装置把红外热像图检测质量定性分析的过程转化为定量评价,有利于红外检测工作的汇总统计和管理。
附图说明
图1是本发明的无参考图像的变电设备红外热像图质量评价方法流程图;
图2是本发明的计算图像清晰度相对应的质量评价特征的流程图;
图3是本发明的计算目标设备中心度相对应的质量评价特征的流程图;
图4是本发明的计算图像结构信息相对应的质量评价特征的流程图;
图5是本发明的无参考图像的变电设备红外热像图质量评价装置结构示意图;
图6(a)为质量为第一等级红外检测热像图;
图6(b)为质量为第二等级红外检测热像图;
图6(c)为质量为第三等级红外检测热像图。
具体实施方式
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。
实施例一
图1是本发明的无参考图像的变电设备红外热像图质量评价方法流程图。如图1所示的一种无参考图像的变电设备红外热像图质量评价方法,包括:
步骤1:预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量。
根据变电设备红外热像图的成像特点,确定衡量图像质量的若干个指标;衡量图像质量的指标包括:图像的一维熵、图像的二维熵、图像清晰度、目标设备中心度和图像结构信息。
图像结构信息包括图像的亮度、对比度以及图像的结构。
根据变电设备红外热像图的成像特点,设计衡量图像质量的若干指标。指标设计的步骤如下:
(1.1)根据评价图像成像质量的一般方法,采用通用的几个红外热像图质量评价指标,如图像的模糊程度、图像的亮度;
(1.2)分析红外热像图成像特点以及影响图像成像质量的因素和参数(如辐射率),结合检测的专业需求,确定红外热像图质量的指标,如目标设备中心度、红外热像图结构信息。
步骤2:分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量。
利用图像处理技术对步骤1中所设计的质量衡量指标进行具体化的描述和实现。基于图像的统计信息,分别得到各质量衡量指标对应的质量评价特征。质量评价特征的算法实现步骤如下:
(2.1)采用常规的指标特征评价图像质量,包括:
(2.1.1)图像的一维熵(1D entropy)
图像的熵从统计上反映了图像中所包含的平均信息量大小。图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量。设pi为图像中灰度值为i的像素所占的比例,则:可定义灰度图像的一维熵为:
(2.1.2)图像的二维熵(2D entropy)
图像的一维熵只能反映出图像中灰度分布的统计特性,却不能表示灰度分布的空间特征。为进一步表征这种空间特征,在一维熵的基础上引入可以反映灰度空间分布信息的特征,构成图像的二维熵。将图像的邻域灰度均值与图像的像素灰度值组成特征二元组(i,j),i代表像素点的灰度值(0<=i<=255),j代表该像素点邻域内的灰度均值(0<=j<=255),可得到特征二元组出现的频率为:
p(i,j)=f(i,j)/N2 (2)
其中,N2为像素点的总个数;i,j,N均为整数。
相应图像的二维熵为:
其中,pij为图像中灰度值为i,且该像素点邻域内的灰度均值为j的像素所占的比例。
(2.1.3)红外热像图图像清晰度(sharpness)
图像的方差反映了图像的对比度和高频分量的大小,而图像梯度可以反映图像的边缘信息和微小的纹理特征变化信息,因此通过对图像求梯度,再对所得梯度图像求方差,可以衡量图像纹理和边缘的明显程度,以及图像的清晰程度。
图2是本发明的计算图像清晰度相对应的质量评价特征的流程图。如图2所示的计算图像清晰度相对应的质量评价特征的过程为:
首先对变电设备红外热像图进行灰度化处理,得到灰度图像I;
再将灰度图像I与拉普拉斯算子进行卷积,所得结果求绝对值,得到梯度图像;
最后对所得梯度图像的灰度求方差,作为图像清晰度相对应的质量评价特征。
具体地,对该特征进行算法实现的步骤为:
首先对变电设备红外热像图进行灰度化处理,得到灰度图像I;
再对灰度图像采用拉普拉斯(laplacian)算子求出梯度,其中所采用拉普拉斯算子的模板形式为:
梯度图像为原灰度图像I与拉普拉斯模板M进行卷积,所得结果求绝对值,得到所得梯度图像G:
G=|M*I| (5)
最后对所得梯度图像的灰度值求方差,作为清晰度特征;
其中,xi为第i个像素点的灰度值,为梯度图像的灰度平均值;k为整幅图像的像素点个数。
(2.2)针对红外热像图拍摄特点所设计其他质量衡量指标,包括:
(2.2.1)目标设备中心度(centrality)
依据红外热像图的拍摄原则,质量较好的图像应当使目标设备位于图像中心,目标运行设备和拍摄背景间存在较大的区域间差异性。
图3是本发明的计算目标设备中心度相对应的质量评价特征的流程图。如图3所示的计算目标设备中心度相对应的质量评价特征的过程为:
通过otsu二值化分割方法对灰度图像进行二值化分割,得到多个二值化区域,提取有效大小中离图像中心的区域作为中心区域;
求取中心区域的区域面积与图像的面积的商,作为目标设备中心度相对应的质量评价特征。
为了衡量目标设备的中心度,采用以下方式计算:
通过otsu二值化分割方法对灰度图像进行二值化分割,得到n个二值化区域Ri,i=1,2,…n,提取有效大小中离图像中心的区域作为中心区域,记为:
mindR,s.t DR>w×h/100 (7)
其中,dR为区域中心到图像中心的距离,DR为区域的面积即像素个数,w,h分别为图像的宽度和高度。
中心度计算公式为:
C=DR/(w×h) (8)
(2.2.2)图像的结构信息
图4是本发明的计算图像结构信息相对应的质量评价特征的流程图。如图4所示的计算图像结构信息相对应的质量评价特征的过程为:
先构造原始红外热像图的参考图像,再计算原始红外热像图与参考图像的结构相似度,构建3维描述特征,得到图像结构信息相对应的质量评价特征,来描述图像的整体结构特性。
对该特征进行算法实现的步骤为:
首先对原图像I进行高斯低通滤波得到模糊后的图像,作为参考图像Ir;所采用的高斯滤波器参数设置为:方差σ2=6,滤波器大小为7*7;
采用Sobel算子分别提取原图像I和参考图像Ir的梯度图像G和Gr;
Sobel算子模板为:
其中,Mx和My分别为Sobel算子模板的横坐标算子和纵坐标算子。
对于原图像I,对应的梯度图像G为:
其中:
Gx=I*Mx (11)
Gy=I*My (12)
参考图像Ir的梯度图像求法与原图像相同;
计算G和Gr的亮度比较值l、对比度比较值c和结构比较值s:
原图像I对应的梯度图像G计算公式如下:
公式中C1,C2,C3为常数;μx、μy分别表示G与Gr的灰度平均值;σx、σy分别表示G与Gr的灰度标准差,σxy表示G与Gr的协方差。
步骤2:获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级。
步骤3:提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型。
步骤4:计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
对步骤1得到的质量评价特征进行合适的组合,作为图像的特征向量,送入已训练好的支持向量机(SVM)分类器进行质量分类。对所设计特征的组合和对图像的分类步骤如下:
对每幅图求取图像一维熵、二维熵、中心度、清晰度、结构信息的五类指标,构成7维向量[H1,H2,S,C,l,c,s],作为图像的特征向量;
对样本集进行人工分类,根据拍摄的质量分为3个等级为例:
提取训练集中各个样本的特征向量fi(i=1,2,...,n,n为训练样本数),作为特征矩阵f的一行,从而组成特征矩阵f=[f1;f2;...;fn];之后送入支持向量机(SVM)进行训练,取最大迭代次数为1000;训练结束后,得到训练好的分类器模型;在得到分类模型后,对需要进行质量评价的图像首先提取7维的描述指标,然后进入训练好的分类模型,即可得到对应质量的等级。
实施例二
图5是本发明的无参考图像的变电设备红外热像图质量评价装置结构示意图。如图5所示的无参考图像的变电设备红外热像图质量评价装置,包括:特征向量计算模块、样本集获取模块、分类器模块获取模块和质量等级输出模块。
(1)特征向量计算模块,预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量。
其中:衡量图像质量的指标包括:图像的一维熵、图像的二维熵、图像清晰度、目标设备中心度和图像结构信息。
特征向量计算模块还包括像清晰度特征计算模块、目标设备中心度特征计算模块和图像结构信息特征计算模块。
(1.1)图像清晰度特征计算模块,其用于:
首先对变电设备红外热像图进行灰度化处理,得到灰度图像I;
再将灰度图像I与拉普拉斯算子进行卷积,所得结果求绝对值,得到梯度图像;
最后对所得梯度图像的灰度求方差,作为图像清晰度相对应的质量评价特征。
(1.2)目标设备中心度特征计算模块,其用于:
通过otsu二值化分割方法对灰度图像进行二值化分割,得到多个二值化区域,提取有效大小中离图像中心的区域作为中心区域;
求取中心区域的区域面积与图像的面积的商,作为目标设备中心度相对应的质量评价特征。
(1.3)图像结构信息特征计算模块,其用于:
先构造原始红外热像图的参考图像,再计算原始红外热像图与参考图像的结构相似度,构建3维描述特征,得到图像结构信息相对应的质量评价特征。
(2)样本集获取模块,其用于获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级;
(3)分类器模块获取模块,其用于提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型;
(4)质量等级输出模块,其用于计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
对图6(a)、图6(b)和图6(c)用本发明方法中的特征组合进行计算,得到的特征参数下表1所示,从结果可以看出,本发明方法对于不同质量的变电设备红外热像图,在量化特征上具有较为明显的区分度。
表1质量为不同等级红外检测热像图的量化特征
本发明的该装置在无参考图像情况下,对红外检测的拍摄质量进行定量的分析统计,有利于检测人员工作的提升;把红外热像图检测质量定性分析的过程转化为定量评价,有利于红外检测工作的汇总统计和管理。
实施例三
本发明还提供一种无参考图像的变电设备红外热像图质量评价装置,该装置包括处理器,所述处理器被配置为:
预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量;
获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级;
提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型;
计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
本发明根据变电设备红外热像图的成像特点,确定衡量图像质量的若干个指标;衡量图像质量的指标包括:图像的一维熵、图像的二维熵、图像清晰度、目标设备中心度和图像结构信息。
图像结构信息包括图像的亮度、对比度以及图像的结构。
根据变电设备红外热像图的成像特点,设计衡量图像质量的若干指标。指标设计的步骤如下:
(1.1)根据评价图像成像质量的一般方法,采用通用的几个红外热像图质量评价指标,如图像的模糊程度、图像的亮度;
(1.2)分析红外热像图成像特点以及影响图像成像质量的因素和参数(如辐射率),结合检测的专业需求,确定红外热像图质量的指标,如目标设备中心度、红外热像图结构信息。
本发明的该装置在无参考图像情况下,对红外检测的拍摄质量进行定量的分析统计,有利于检测人员工作的提升;把红外热像图检测质量定性分析的过程转化为定量评价,有利于红外检测工作的汇总统计和管理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于任一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种无参考图像的变电设备红外热像图质量评价方法,其特征在于,包括:
步骤1:预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量;
步骤2:获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级;
步骤3:提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型;
步骤4:计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
2.如权利要求1所述的一种无参考图像的变电设备红外热像图质量评价方法,其特征在于,衡量图像质量的指标包括:图像的一维熵、图像的二维熵、图像清晰度、目标设备中心度和图像结构信息。
3.如权利要求2所述的一种无参考图像的变电设备红外热像图质量评价方法,其特征在于,计算图像清晰度相对应的质量评价特征的过程为:
首先对变电设备红外热像图进行灰度化处理,得到灰度图像I;
再将灰度图像I与拉普拉斯算子进行卷积,所得结果求绝对值,得到梯度图像;
最后对所得梯度图像的灰度求方差,作为图像清晰度相对应的质量评价特征。
4.如权利要求2所述的一种无参考图像的变电设备红外热像图质量评价方法,其特征在于,计算目标设备中心度相对应的质量评价特征的过程为:
通过otsu二值化分割方法对灰度图像进行二值化分割,得到多个二值化区域,提取有效大小中离图像中心的区域作为中心区域;
求取中心区域的区域面积与图像的面积的商,作为目标设备中心度相对应的质量评价特征。
5.如权利要求2所述的一种无参考图像的变电设备红外热像图质量评价方法,其特征在于,计算图像结构信息相对应的质量评价特征的过程为:
先构造原始红外热像图的参考图像,再计算原始红外热像图与参考图像的结构相似度,构建3维描述特征,得到图像结构信息相对应的质量评价特征。
6.一种无参考图像的变电设备红外热像图质量评价装置,其特征在于,包括:
特征向量计算模块,预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量;
样本集获取模块,其用于获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级;
分类器模块获取模块,其用于提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型;
质量等级输出模块,其用于计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
7.如权利要求6所述的一种无参考图像的变电设备红外热像图质量评价装置,其特征在于,衡量图像质量的指标包括:图像的一维熵、图像的二维熵、图像清晰度、目标设备中心度和图像结构信息。
8.如权利要求7所述的一种无参考图像的变电设备红外热像图质量评价装置,其特征在于,所述特征向量计算模块包括图像清晰度特征计算模块,其用于:
首先对变电设备红外热像图进行灰度化处理,得到灰度图像I;
再将灰度图像I与拉普拉斯算子进行卷积,所得结果求绝对值,得到梯度图像;
最后对所得梯度图像的灰度求方差,作为图像清晰度相对应的质量评价特征。
9.如权利要求7所述的一种无参考图像的变电设备红外热像图质量评价装置,其特征在于,所述特征向量计算模块包括目标设备中心度特征计算模块,其用于:
通过otsu二值化分割方法对灰度图像进行二值化分割,得到多个二值化区域,提取有效大小中离图像中心的区域作为中心区域;
求取中心区域的区域面积与图像的面积的商,作为目标设备中心度相对应的质量评价特征。
10.一种无参考图像的变电设备红外热像图质量评价装置,其特征在于,包括处理器,所述处理器被配置为:
预设衡量图像质量的若干个指标,分别计算图像质量的各个指标相对应的质量评价特征,得到变电设备红外热像图的特征向量;
获取变电设备红外热像图形成训练集,将训练集划分为至少两个质量等级;
提取训练集中各个样本的特征向量并输入至支持向量机进行训练,得到具有质量分类体系的分类器模型;
计算待评价变电设备红外热像图的特征向量并输入至分类器模型,最后输出待评价变电设备红外热像图相对应的质量等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610915661.6A CN106651834A (zh) | 2016-10-20 | 2016-10-20 | 无参考图像的变电设备红外热像图质量评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610915661.6A CN106651834A (zh) | 2016-10-20 | 2016-10-20 | 无参考图像的变电设备红外热像图质量评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106651834A true CN106651834A (zh) | 2017-05-10 |
Family
ID=58856949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610915661.6A Pending CN106651834A (zh) | 2016-10-20 | 2016-10-20 | 无参考图像的变电设备红外热像图质量评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651834A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035217A (zh) * | 2018-07-06 | 2018-12-18 | 同济大学 | 一种基于图像二维熵的土体裂隙定量评价方法 |
CN109377465A (zh) * | 2018-10-26 | 2019-02-22 | 北京布本智能科技有限公司 | 一种基于图像信息熵的图像质量鉴定方法 |
CN109543673A (zh) * | 2018-10-18 | 2019-03-29 | 浙江理工大学 | 一种基于交互式分割的低对比度冲压字符识别算法 |
CN109889815A (zh) * | 2019-01-30 | 2019-06-14 | 上海上湖信息技术有限公司 | 摄像头成像质量检测方法、装置以及计算机存储介质 |
CN110232719A (zh) * | 2019-06-21 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
CN110717922A (zh) * | 2018-07-11 | 2020-01-21 | 普天信息技术有限公司 | 一种图像清晰度评价方法及装置 |
CN112712550A (zh) * | 2019-10-24 | 2021-04-27 | 马上消费金融股份有限公司 | 一种图像质量评价方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
-
2016
- 2016-10-20 CN CN201610915661.6A patent/CN106651834A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540048A (zh) * | 2009-04-21 | 2009-09-23 | 北京航空航天大学 | 一种基于支持向量机的图像质量评价方法 |
CN101996406A (zh) * | 2010-11-03 | 2011-03-30 | 中国科学院光电技术研究所 | 无参考结构清晰度图像质量评价方法 |
Non-Patent Citations (3)
Title |
---|
PECH-PACHECO ET AL.: "Diatom autofocusing in brightfield microscopy: a comparative study", 《IEEE》 * |
朱晓玲 等: "基于支持向量机的无参考遥感图像质量评价方法", 《航天返回与遥感》 * |
杨春玲 等: "基于梯度的结构相似度的图像质量评价方法", 《华南理工大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035217A (zh) * | 2018-07-06 | 2018-12-18 | 同济大学 | 一种基于图像二维熵的土体裂隙定量评价方法 |
CN110717922A (zh) * | 2018-07-11 | 2020-01-21 | 普天信息技术有限公司 | 一种图像清晰度评价方法及装置 |
CN109543673A (zh) * | 2018-10-18 | 2019-03-29 | 浙江理工大学 | 一种基于交互式分割的低对比度冲压字符识别算法 |
CN109377465A (zh) * | 2018-10-26 | 2019-02-22 | 北京布本智能科技有限公司 | 一种基于图像信息熵的图像质量鉴定方法 |
CN109889815A (zh) * | 2019-01-30 | 2019-06-14 | 上海上湖信息技术有限公司 | 摄像头成像质量检测方法、装置以及计算机存储介质 |
CN110232719A (zh) * | 2019-06-21 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
US11954852B2 (en) | 2019-06-21 | 2024-04-09 | Tencent Technology (Shenzhen) Company Limited | Medical image classification method, model training method, computing device, and storage medium |
CN112712550A (zh) * | 2019-10-24 | 2021-04-27 | 马上消费金融股份有限公司 | 一种图像质量评价方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651834A (zh) | 无参考图像的变电设备红外热像图质量评价方法及装置 | |
Coburn et al. | A multiscale texture analysis procedure for improved forest stand classification | |
Dev et al. | Color-based segmentation of sky/cloud images from ground-based cameras | |
CN107316013A (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及系统 | |
Wee et al. | Image quality assessment by discrete orthogonal moments | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN107610379A (zh) | 一种购物识别方法及购物车识别装置 | |
Mudda et al. | Brain tumor classification using enhanced statistical texture features | |
CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
Dandu et al. | Brain and pancreatic tumor segmentation using SRM and BPNN classification | |
JP4383352B2 (ja) | 核多形性の組織学的評価 | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
Shihavuddin et al. | Automated classification and thematic mapping of bacterial mats in the north sea | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN104951800A (zh) | 一种面向资源开采型地区的遥感影像融合方法 | |
CN105869161B (zh) | 基于图像质量评价的高光谱图像波段选择方法 | |
Siddiqui et al. | Clustering techniques for image segmentation | |
CN102208103A (zh) | 一种用于影像快速融合与评价的方法 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
Byun et al. | A framework for the segmentation of high-resolution satellite imagery using modified seeded-region growing and region merging | |
Minija et al. | Food recognition using neural network classifier and multiple hypotheses image segmentation | |
CN110264404A (zh) | 一种超分辨图像纹理优化的方法和装置 | |
CN111860153B (zh) | 尺度自适应的高光谱图像分类方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |
|
RJ01 | Rejection of invention patent application after publication |