CN107330871A - 恶劣气象条件下运行绝缘子自动识别的图像增强方法 - Google Patents
恶劣气象条件下运行绝缘子自动识别的图像增强方法 Download PDFInfo
- Publication number
- CN107330871A CN107330871A CN201710530359.3A CN201710530359A CN107330871A CN 107330871 A CN107330871 A CN 107330871A CN 201710530359 A CN201710530359 A CN 201710530359A CN 107330871 A CN107330871 A CN 107330871A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- mtd
- color
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000012212 insulator Substances 0.000 title claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000011084 recovery Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000007704 transition Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 238000009413 insulation Methods 0.000 abstract description 3
- 238000005728 strengthening Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012800 visualization 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20012—Locally 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种恶劣气象条件下运行绝缘子自动识别的图像增强方法，以摄像机获得的绝缘子图像为研究对象，对图像进行通道分解得到R、G、B三个通道的图像，然后用MSRCR算法提取得到各个通道图像的反射分量并对三个反射分量图像进行自适应阈值分段灰度变换得到最终增强图像，最后对得到的三个通道增强图像进行合并得到RGB彩色图像，即本发明算法处理后的清晰图像。本发明恶劣气象条件下运行绝缘子自动识别的图像增强方法，提出了一种自适应阈值分段灰度变换算法提高了实时性和准确性，对传统MSRCR算法进行改进后也提高了算法的亮度、对比度以及色彩保真度。
Description
技术领域
本发明属于输电线路图像处理技术领域，具体涉及一种恶劣气象条件下运行绝缘子自动识别的图像增强方法。
背景技术
近几年，为使智能化监测电网安全运行，数字图像处理和计算机机器视觉技术逐渐应用于输电线路在线监测和故障诊断中，大力推进了智能电网的发展。然而输电线路常架设在野外，运行环境复杂，且受天气环境影响，易发生导线舞动、覆冰等故障，严重时甚至会导致倒塌事故。因此，需及时对输电线路进行检修。
目前输电线路检测主要采用直升机巡检、机器人巡检，甚至无人机巡检，而这些方式都需要搭载摄像机进行图像采集，图像清晰度与可读性是后续图像识别、图像分析的重要前提条件。在大雾、冰雪等恶劣气象条件下，摄像机很难拍摄到清晰、可读性高的图像，且图像容易出现模糊，使得很难提取出目标。因此需要对采集图像进行一定的增强处理，提高图像的可视化。常用的图像增强方法主要有对数变换、直方图均衡化、同态滤波等，但是这些方法对大雾、冰雪等情况处理效果不佳，且通用性差，因此，本发明提出一种改进的绝缘子图像增强算法，为后续绝缘子有效识别与分析奠定了基础。
发明内容
本发明的目的是提供一种恶劣气象条件下运行绝缘子自动识别的图像增强方法，解决了现有绝缘子识别技术中存在的对大雾、冰雪等情况下采集到的图像处理效果不佳的问题。
本发明所采用的技术方案是，恶劣气象条件下运行绝缘子自动识别的图像增强方法，具体按照以下步骤实施：
步骤1：对摄像机采集到的绝缘子雾天彩色图像进行通道分解得到R、G、B三个单通道图像；
步骤2：用带颜色恢复的多尺度Retinex增强算法MSRCR获得三个单通道图像的反射分量R1、G1、B1及其灰度直方图；
步骤3：采用二维最小误差法对步骤2中处理后得到的反射分量R1、G1、B1分别进行两次分割确定两个阈值，将获得的两个阈值作为分段灰度变换的两个端点分段点，对三个反射分量分别进行自适应阈值分段灰度变换，得到最终增强的三个单通道图像R2、G2、B2；
步骤4：将步骤3中得到的三个单通道增强图像R2、G2、B2进行通道合并得到RGB彩色图像，即为改进的MSRCR增强算法处理图。
本发明的特点还在于：
步骤1具体为：
对摄像机采集到的绝缘子雾天彩色图像进行R、G、B三个通道的分解：
Y＝Rr+Gg+Bb
其中，Y代表某一特定色，R、G、B表示三基色，r、g、b表示比例系数且r+g+b＝1。
步骤2具体为：
步骤2.1：采用带颜色恢复的多尺度Retinex算法创建一个相对的颜色空间，引入一个色彩恢复因子C，其功能是基于原始图像的色彩比例关系来增强图像，第i个颜色通道的对数域形式的色彩恢复系数为：
其中，Ci(x,y)表示第i个颜色通道的整数域形式的色彩恢复系数，Si(x,y)表示第i个颜色通道的输入图像，N表示颜色通道的个数；
步骤2.2：第i个颜色通道的对数域形式的输出图像为：
其中，Ri(x,y)为第i个颜色通道的整数域形式的输出图像，K表示尺度的个数，Wk表示第k个尺度的权值，Fk(x,y)表示第k个尺度的高斯卷积模板，*表示卷积；
步骤2.3：第i个颜色通道带颜色恢复系数的整数域形式的输出图像为：
Ri′(x,y)＝exp(ri(x,y)+ci(x,y))
输出图像Ri′(x,y)即为反射分量，得到的三个单通道的反射分量R1、G1、B1。
步骤3中分段灰度变换公式如下：
其中I′(i,j)表示分段变换的输出灰度值，I(i,j)表示分段变换的输入灰度值，x1和x2表示分段点的横坐标，y1和y2表示分段点的纵坐标，range表示灰度值的最大范围。
步骤3中采用二维最小误差法来自动获得分段灰度变换的两个端点，二维最小误差法公式如下：
式中P0(s,t)，P1(s,t)表示先验概率，δ00(s,t)，δ01(s,t)，δ10(s,t)，δ11(s,t)表示正态分布方差，ρ0(s,t)，ρ1(s,t)表示相关系数；
利用二维最小误差法分别对各个单通道图像进行第一次阈值计算，可得目标段和过渡段的分段点x2，然后再对背景按上述方法进行第二次阈值计算，可得过渡段和背景段的分段点x1，其中，x1＜x2，这样利用自适应的阈值计算方法就得到了两个分段点x1和x2，将其作为分段灰度变换的分段点分别对三个单通道图像的反射分量R1、G1、B1进行自适应阈值分段线性变换，得到最终增强的三个单通道图像，经过自适应阈值分段线性变换后，直方图中灰度分布均匀，图像对比度明显增强。
本发明的有益效果是：本发明恶劣气象条件下运行绝缘子自动识别的图像增强方法，采用改进的MSRCR增强算法，将传统MSRCR算法对反射图像的线性拉伸改进为分段灰度线性变换，由于其变换函数可以任意合成，故可以根据用户的需要拉伸特征目标的灰度细节，相对抑制不感兴趣的背景的灰度级，实现局部抑制或增强，提高了原有算法的对比度和亮度。本发明采用自适应阈值来确定两个端点。考虑到最小误差法受目标大小影响小、精度高、速度快的优点，且二维直方图可以充分利用图像信息、受噪声干扰小，所以本发明采用二维最小误差法来自动获得分段灰度变换的两个端点，克服了传统分段灰度变换法的区间边界需要较多的用户输入才能确定分段点位置的缺点，提高了算法的实时性和准确性。改进MSRCR增强算法合成的彩色图像和传统MSRCR算法相比，清晰度和色彩保真度更高，色彩更加自然丰富。
附图说明
图1是本发明运行绝缘子自动识别的图像增强方法的流程图；
图2是本发明运行绝缘子自动识别的图像增强方法与现有图像增强方法的效果对比图。
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。
本发明恶劣气象条件下运行绝缘子自动识别的图像增强方法，如图1所示，具体按照以下步骤实施：
步骤1：对摄像机采集到的绝缘子雾天彩色图像进行通道分解得到R、G、B三个单通道图像，具体为：
图像采集和显示设备一般都使用RGB颜色空间，我们计算机中存储的彩色图像信息一般也都是图像的RGB信息。针对本发明中的绝缘子雾天彩色图像，首先对其进行R、G、B三个通道的分解：
Y＝Rr+Gg+Bb
上式中，Y代表某一特定色，R、G、B表示三基色，r、g、b表示比例系数且r+g+b＝1。
步骤2：用带颜色恢复的多尺度Retinex增强算法MSRCR获得三个单通道图像的反射分量R1、G1、B1及其灰度直方图；
Retinex增强理论是将三个单通道图像R、G、B分解得到照射图像分量(低频成分)和反射图像分量(高频成分)，反射分量是由图像中场景自身的反射属性造成的，包含图像的边缘、细节、颜色等性质，通过降低或去除照射图像分量，保留反映原始图像本质的反射图像分量来复原其真实面貌，从而达到图像增强目的。
步骤2.1：采用带颜色恢复的多尺度Retinex算法(Multiple Scale Retinex withColor Restoration，MSRCR)创建一个相对的颜色空间，引入一个色彩恢复因子C，其功能是基于原始图像的色彩比例关系来增强图像，第i个颜色通道的对数域形式的色彩恢复系数为：
其中，Ci(x,y)表示第i个颜色通道的整数域形式的色彩恢复系数，Si(x,y)表示第i个颜色通道的输入图像，N表示颜色通道的个数；本发明图像为具有RGB三通道的彩色图像，所以N＝3。
步骤2.2：第i个颜色通道的对数域形式的输出图像为：
其中，Ri(x,y)为第i个颜色通道的整数域形式的输出图像，K表示尺度的个数，选取K＝3时增强效果和处理速度都比较理想，假设获得的图像尺寸为(m，n)，令h＝min(m，n)，本发明选取三个尺度为sigma1＝0.05h(小尺度)，sigma2＝0.15h(中尺度)，sigma3＝0.4h(大尺度)，Wk表示第k个尺度的权值，Fk(x,y)表示第k个尺度的高斯卷积模板，*表示卷积；
步骤2.3：第i个颜色通道带颜色恢复系数的整数域形式的输出图像为：
Ri′(x,y)＝exp(ri(x,y)+ci(x,y))
输出图像Ri′(x,y)即为反射分量，得到的三个单通道的反射分量R1、G1、B1。
步骤3：采用二维最小误差法对步骤2中处理后得到的反射分量R1、G1、B1分别进行两次分割确定两个阈值，将获得的两个阈值作为分段灰度变换的两个端点分段点，对三个反射分量分别进行自适应阈值分段灰度变换，得到最终增强的三个单通道图像R2、G2、B2；
(1)传统MSRCR算法是对反射图像分量进行线性拉伸，图像具有对比度低、亮度整体偏暗、直方图中灰度值集中在某一特定范围等缺点，故本发明将传统MSRCR算法的线性拉伸改进为分段灰度线性变换，由于其变换函数可以任意合成，根据用户的需要拉伸特征目标的灰度细节，相对抑制不感兴趣的背景的灰度级，实现局部抑制或增强，可以分段来增强目标，抑制背景和保持过渡段。分段线性变换公式如下：
其中I′(i,j)表示分段变换的输出灰度值，I(i,j)表示分段变换的输入灰度值，x1和x2表示分段点的横坐标，y1和y2表示分段点的纵坐标，range表示灰度值的最大范围。
(2)传统的分段灰度线性变换，其分段点需要通过键盘交互式输入的方法来确定，需要较多的用户输入才能确定分段点的位置以获得最佳增强效果。手动设置阈值需要耗费时间来确定最佳的分段点，实时性差，且精确度也低，难以确定正确的端点。所以本发明采用自适应阈值来确定两个端点。考虑到最小误差法受目标大小影响小、精度高、速度快的优点，且二维直方图可以充分利用图像信息、受噪声干扰小，所以本发明采用二维最小误差法来自动获得分段灰度变换的两个端点。二维最小误差法公式如下：
式中P0(s,t)，P1(s,t)表示先验概率，δ00(s,t)，δ01(s,t)，δ10(s,t)，δ11(s,t)表示正态分布方差，ρ0(s,t)，ρ1(s,t)表示相关系数。
当取最小值时获得最佳阈值：
利用二维最小误差法分别对各个单通道图像进行第一次阈值计算，可得目标段和过渡段的分段点x2，然后再对背景按上述方法进行第二次阈值计算，可得过渡段和背景段的分段点x1(x1＜x2)，这样利用自适应的阈值计算方法就得到了两个分段点x1和x2，将其作为分段灰度变换的分段点分别对三个单通道图像的反射分量R1、G1、B1进行自适应阈值分段线性变换，得到最终增强的三个单通道图像，经过自适应阈值分段线性变换后，直方图中灰度分布均匀，图像对比度明显增强。
步骤4：将步骤3中得到的三个单通道增强图像R2、G2、B2进行通道合并得到RGB彩色图像，即为改进的MSRCR增强算法处理图。
效果对比图如图2(a)与图2(b)对比、图2(c)与图2(d)对比、图2(e)与图2(f)对比，本发明处理后的图像亮度、对比度均有较大的改善，且图像内部灰度分布更均匀，图像色彩信息更突出，更符合人眼视觉效果。
Claims (5)
1.恶劣气象条件下运行绝缘子自动识别的图像增强方法，其特征在于，具体按照以下步骤实施：
步骤1：对摄像机采集到的绝缘子雾天彩色图像进行通道分解得到R、G、B三个单通道图像；
步骤2：用带颜色恢复的多尺度Retinex增强算法MSRCR获得三个单通道图像的反射分量R1、G1、B1及其灰度直方图；
步骤3：采用二维最小误差法对步骤2中处理后得到的反射分量R1、G1、B1分别进行两次分割确定两个阈值，将获得的两个阈值作为分段灰度变换的两个端点分段点，对三个反射分量分别进行自适应阈值分段灰度变换，得到最终增强的三个单通道图像R2、G2、B2；
步骤4：将步骤3中得到的三个单通道增强图像R2、G2、B2进行通道合并得到RGB彩色图像，即为改进的MSRCR增强算法处理图。
2.根据权利要求1所述的恶劣气象条件下运行绝缘子自动识别的图像增强方法，其特征在于，所述步骤1具体为：
对摄像机采集到的绝缘子雾天彩色图像进行R、G、B三个通道的分解：
Y＝Rr+Gg+Bb
其中，Y代表某一特定色，R、G、B表示三基色，r、g、b表示比例系数且r+g+b＝1。
3.根据权利要求1所述的恶劣气象条件下运行绝缘子自动识别的图像增强方法，其特征在于，所述步骤2具体为：
步骤2.1：采用带颜色恢复的多尺度Retinex算法创建一个相对的颜色空间，引入一个色彩恢复因子C，其功能是基于原始图像的色彩比例关系来增强图像，第i个颜色通道的对数域形式的色彩恢复系数为：
<mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>log</mi>
<mi> </mi>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，Ci(x,y)表示第i个颜色通道的整数域形式的色彩恢复系数，Si(x,y)表示第i个颜色通道的输入图像，N表示颜色通道的个数；
步骤2.2：第i个颜色通道的对数域形式的输出图像为：
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>log</mi>
<mi> </mi>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>W</mi>
<mi>k</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>{</mo>
<mi>log</mi>
<mi> </mi>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>&lsqb;</mo>
<msub>
<mi>F</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
其中，Ri(x,y)为第i个颜色通道的整数域形式的输出图像，K表示尺度的个数，Wk表示第k个尺度的权值，Fk(x,y)表示第k个尺度的高斯卷积模板，*表示卷积；
步骤2.3：第i个颜色通道带颜色恢复系数的整数域形式的输出图像为：
Ri′(x,y)＝exp(ri(x,y)+ci(x,y))
输出图像R′i(x,y)即为反射分量，得到的三个单通道的反射分量R1、G1、B1。
4.根据权利要求1所述的恶劣气象条件下运行绝缘子自动识别的图像增强方法，其特征在于，所述步骤3中分段灰度变换公式如下：
<mrow>
<msup>
<mi>I</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mfrac>
</mtd>
<mtd>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
<mo>&lsqb;</mo>
<mi>I</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo><</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>g</mi>
<mi>e</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
<mo>&lsqb;</mo>
<mi>I</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>g</mi>
<mi>e</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中I′(i,j)表示分段变换的输出灰度值，I(i,j)表示分段变换的输入灰度值，x1和x2表示分段点的横坐标，y1和y2表示分段点的纵坐标，range表示灰度值的最大范围。
5.根据权利要求4所述的恶劣气象条件下运行绝缘子自动识别的图像增强方法，其特征在于，所述步骤3中采用二维最小误差法来自动获得分段灰度变换的两个端点，二维最小误差法公式如下：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>ln</mi>
<mi> </mi>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>l</mi>
<mi>n</mi>
<mi> </mi>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>ln&delta;</mi>
<mn>00</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&delta;</mi>
<mn>01</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>ln&delta;</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&delta;</mi>
<mn>11</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>ln</mi>
<msqrt>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<msub>
<mi>&rho;</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mo>+</mo>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>ln</mi>
<msqrt>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中P0(s,t)，P1(s,t)表示先验概率，δ00(s,t)，δ01(s,t)，δ10(s,t)，δ11(s,t)表示正态分布方差，ρ0(s,t)，ρ1(s,t)表示相关系数；
利用二维最小误差法分别对各个单通道图像进行第一次阈值计算，可得目标段和过渡段的分段点x2，然后再对背景按上述方法进行第二次阈值计算，可得过渡段和背景段的分段点x1，其中，x1＜x2，这样利用自适应的阈值计算方法就得到了两个分段点x1和x2，将其作为分段灰度变换的分段点分别对三个单通道图像的反射分量R1、G1、B1进行自适应阈值分段线性变换，得到最终增强的三个单通道图像，经过自适应阈值分段线性变换后，直方图中灰度分布均匀，图像对比度明显增强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710530359.3A CN107330871A (zh) | 2017-06-29 | 2017-06-29 | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710530359.3A CN107330871A (zh) | 2017-06-29 | 2017-06-29 | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107330871A true CN107330871A (zh) | 2017-11-07 |
Family
ID=60198231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710530359.3A Pending CN107330871A (zh) | 2017-06-29 | 2017-06-29 | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107330871A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945128A (zh) * | 2017-11-27 | 2018-04-20 | 成都医学院 | 一种基于Retinex的彩色图像增强方法 |
| CN108995786A (zh) * | 2018-07-14 | 2018-12-14 | 芜湖益浩昌智能设备有限公司 | 一种运行姿态可调的水下机器人 |
| CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
| CN109462732A (zh) * | 2018-10-29 | 2019-03-12 | 努比亚技术有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
| CN109859138A (zh) * | 2019-02-14 | 2019-06-07 | 哈尔滨理工大学 | 一种基于人眼视觉特性的红外图像增强方法 |
| CN110047042A (zh) * | 2019-03-11 | 2019-07-23 | 北京空间飞行器总体设计部 | 一种空间相对导航目标图像局部增强方法及系统 |
| CN110188680A (zh) * | 2019-05-29 | 2019-08-30 | 南京林业大学 | 基于因子迭代的茶树嫩芽智能识别方法 |
| CN110378339A (zh) * | 2019-07-22 | 2019-10-25 | 青岛海信电器股份有限公司 | 发光体的位置确定方法及装置 |
| CN111369478A (zh) * | 2020-03-04 | 2020-07-03 | 腾讯科技（深圳）有限公司 | 人脸图像增强方法、装置、计算机设备和存储介质 |
| CN113378672A (zh) * | 2021-05-31 | 2021-09-10 | 扬州大学 | 基于改进YOLOv3的输电线缺陷多目标检测方法 |
| CN117078561A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市东视电子有限公司 | 基于rgb的自适应颜色校正与对比度增强方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996179A (zh) * | 2014-06-17 | 2014-08-20 | 东南大学 | 一种基于单尺度Retinex的快速实时图像增强方法 |
| CN105469373A (zh) * | 2014-09-04 | 2016-04-06 | 南京理工大学 | 一种Retinex图像增强方法及系统 |
| CN105809643A (zh) * | 2016-03-14 | 2016-07-27 | 浙江外国语学院 | 一种基于自适应块通道拉伸的图像增强方法 |
| CN106897972A (zh) * | 2016-12-28 | 2017-06-27 | 南京第五十五所技术开发有限公司 | 一种白平衡与暗原色的自适应直方图水下图像增强方法 |
-
2017
- 2017-06-29 CN CN201710530359.3A patent/CN107330871A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996179A (zh) * | 2014-06-17 | 2014-08-20 | 东南大学 | 一种基于单尺度Retinex的快速实时图像增强方法 |
| CN105469373A (zh) * | 2014-09-04 | 2016-04-06 | 南京理工大学 | 一种Retinex图像增强方法及系统 |
| CN105809643A (zh) * | 2016-03-14 | 2016-07-27 | 浙江外国语学院 | 一种基于自适应块通道拉伸的图像增强方法 |
| CN106897972A (zh) * | 2016-12-28 | 2017-06-27 | 南京第五十五所技术开发有限公司 | 一种白平衡与暗原色的自适应直方图水下图像增强方法 |
Non-Patent Citations (5)
| Title |
|---|
| 吴立仁等: "一种改进的分段线性变换的图像增强方法的研究", 《中国电力教育》 * |
| 常戬等: "基于回转对称双边滤波的Retinex图像增强算法", 《计算机工程》 * |
| 李垚峰等: "改进的带色彩恢复的多尺度Retinex雾天图像增强算法", 《计算机应用》 * |
| 蔡成涛等: "《海洋环境下的计算机视觉》", 31 October 2015, 国防工业出版社 * |
| 郭婷婷: "基于视频监控的输电线路风偏检测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945128B (zh) * | 2017-11-27 | 2021-01-12 | 成都医学院 | 一种基于Retinex的彩色图像增强方法 |
| CN107945128A (zh) * | 2017-11-27 | 2018-04-20 | 成都医学院 | 一种基于Retinex的彩色图像增强方法 |
| CN108995786A (zh) * | 2018-07-14 | 2018-12-14 | 芜湖益浩昌智能设备有限公司 | 一种运行姿态可调的水下机器人 |
| CN109377485A (zh) * | 2018-10-12 | 2019-02-22 | 龙口味美思环保科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
| CN109377485B (zh) * | 2018-10-12 | 2022-09-06 | 深圳市众智视觉科技有限公司 | 一种方便面包装缺陷机器视觉检测方法 |
| CN109462732A (zh) * | 2018-10-29 | 2019-03-12 | 努比亚技术有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
| CN109462732B (zh) * | 2018-10-29 | 2021-01-15 | 努比亚技术有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
| CN109859138A (zh) * | 2019-02-14 | 2019-06-07 | 哈尔滨理工大学 | 一种基于人眼视觉特性的红外图像增强方法 |
| CN110047042A (zh) * | 2019-03-11 | 2019-07-23 | 北京空间飞行器总体设计部 | 一种空间相对导航目标图像局部增强方法及系统 |
| CN110188680B (zh) * | 2019-05-29 | 2021-08-24 | 南京林业大学 | 基于因子迭代的茶树嫩芽智能识别方法 |
| CN110188680A (zh) * | 2019-05-29 | 2019-08-30 | 南京林业大学 | 基于因子迭代的茶树嫩芽智能识别方法 |
| CN110378339B (zh) * | 2019-07-22 | 2021-08-17 | 海信视像科技股份有限公司 | 发光体的位置确定方法及装置 |
| CN110378339A (zh) * | 2019-07-22 | 2019-10-25 | 青岛海信电器股份有限公司 | 发光体的位置确定方法及装置 |
| CN111369478A (zh) * | 2020-03-04 | 2020-07-03 | 腾讯科技（深圳）有限公司 | 人脸图像增强方法、装置、计算机设备和存储介质 |
| CN111369478B (zh) * | 2020-03-04 | 2023-03-21 | 腾讯科技（深圳）有限公司 | 人脸图像增强方法、装置、计算机设备和存储介质 |
| CN113378672A (zh) * | 2021-05-31 | 2021-09-10 | 扬州大学 | 基于改进YOLOv3的输电线缺陷多目标检测方法 |
| CN117078561A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市东视电子有限公司 | 基于rgb的自适应颜色校正与对比度增强方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330871A (zh) | 恶劣气象条件下运行绝缘子自动识别的图像增强方法 | |
| CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
| CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
| CN110175964A (zh) | 一种基于拉普拉斯金字塔的Retinex图像增强方法 | |
| CN107358585B (zh) | 基于分数阶微分及暗原色先验的雾天图像增强方法 | |
| CN110232661A (zh) | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 | |
| CN106897972A (zh) | 一种白平衡与暗原色的自适应直方图水下图像增强方法 | |
| CN108230264A (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
| CN105225210A (zh) | 一种基于暗通道的自适应直方图增强去雾方法 | |
| CN103914820B (zh) | 一种基于图像分层增强的图像去雾方法及系统 | |
| CN104809709A (zh) | 基于域变换与带权四叉树分解的单幅图像自适应去雾方法 | |
| Wang et al. | Variational single nighttime image haze removal with a gray haze-line prior | |
| CN105184779A (zh) | 一种基于快速特征金字塔的车辆多尺度跟踪方法 | |
| CN103996178A (zh) | 一种沙尘天气彩色图像增强方法 | |
| CN105894520B (zh) | 一种基于高斯混合模型的卫星影像自动云检测方法 | |
| CN110288539A (zh) | 一种结合颜色空间移动与暗通道先验的水下图像清晰方法 | |
| CN105447833A (zh) | 基于偏振的雾天图像重构方法 | |
| CN105447825A (zh) | 图像去雾方法及其系统 | |
| CN106169174A (zh) | 一种图像放大方法 | |
| CN103295205B (zh) | 一种基于Retinex的微光图像快速增强方法和装置 | |
| Mathur et al. | Enhancement algorithm for high visibility of underwater images | |
| CN109685735B (zh) | 基于雾层平滑先验的单张图片去雾方法 | |
| Zhou et al. | Underwater image enhancement method based on color correction and three-interval histogram stretching | |
| CN113822816A (zh) | 气雾散射模型优化的单张遥感图像去霾方法 |
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: 20171107 |
|
| RJ01 | Rejection of invention patent application after publication |