CN107507215A - 一种基于自适应量化增强的电力设备红外热图分割方法 - Google Patents
一种基于自适应量化增强的电力设备红外热图分割方法 Download PDFInfo
- Publication number
- CN107507215A CN107507215A CN201710667481.5A CN201710667481A CN107507215A CN 107507215 A CN107507215 A CN 107507215A CN 201710667481 A CN201710667481 A CN 201710667481A CN 107507215 A CN107507215 A CN 107507215A
- Authority
- CN
- China
- Prior art keywords
- image
- heat map
- infrared heat
- infrared
- value
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于自适应量化增强的电力设备红外热图分割方法。该方法基于区域特性对图像各区域进行分解，与Retinex理论相结合，在照度分量上进行伽马变换，在反射分量上利用先验信息对噪声点进行补偿，实现红外热图的自适应量化增强，提高灰度动态范围。并改进了多尺度结构保留型平滑算法，在自适应量化增强的基础上对目标设备进行分割。该方法具有较好的抗噪能力，且可以实现对一到多个目标设备进行分割，去除多数干扰，且保证了目标设备结构不被破坏。
Description
技术领域
本发明涉及红外图像处理技术领域，更具体地，涉及一种基于自适应量化增强的电力设备红外热图分割方法。
背景技术
户外电力生产过程中，电力设备在高电压、强电流的条件下运行，人工进行电力设备状态监测以及故障点诊断有高难度和高危险性。随着计算机视觉技术的发展，自动监控及排障将成为未来电力设备维护的重要手段。当前一种常用方法是利用红外热像仪对电力设备进行扫描获取二维图像上温度分布，查找出温度异常点。但由于红外热图噪声干扰大以及图像对比度低等特点，红外图像增强及目标设备轮廓分割是实现系统自动化的重要步骤。
传统的图像增强主要有线性变换、非线性变换以及直方图均衡化等方法，简单但适用性差，复杂场景下抗噪能力差，无法自适应抑制局部噪声点。电力设备红外热图与其他图像相比，不仅有电线、设备支架这些小的结构干扰，而且存在其他大结构的物体干扰，具有边缘条件复杂，目标区域不连续，尺寸不一致等特点。因此常规的图像分割方法譬如基于区域、基于阈值以及基于边缘的算法都无法取得良好的分割效果。Retinex图像增强算法是近年来图像增强技术发展的热点，可以同时保持图像高保真度和对图像的动态范围进行压缩。将Retinex理论中的照度分量与伽马变换结合起来，增大灰度动态范围，同时避免噪声点被放大的问题。在自适应量化增强基础上对图像纹理区域、边缘结构区域以及平滑区域进行区分，消除内部纹理、保留边缘细节，与自适应灰度阈值算法相结合，可以使目标设备区域得到很好的分割效果。
发明内容
本发明的目的在于克服现有技术的至少一个缺点与不足，提供一种基于自适应量化增强的电力设备红外热图分割方法，该方法具有较好的抗噪能力，且可以实现对一到多个目标设备进行分割，去除多数干扰，且保证了目标设备结构不被破坏。
为解决上述技术问题，本发明采用的技术方案是：一种基于自适应量化增强的电力设备红外热图分割方法，其中，包括如下步骤：
S1.利用红外热像仪采集目标设备的红外热图；
S2.根据统计特性判断红外热图的区域类型；
S3.利用照度分量和反射分量的先验信息，对红外热图进行分解，求出精确的照度分量和反射分量；
S4.将得到的照度分量和反射分量结合，还原出增强后的红外热图；
S5.利用多尺度结构保留型平滑滤波算法，对增强的图像进行灰度平滑，保留主结构边缘，去除内部纹理细节；
S6.使用otsu灰度阈值分割算法对平滑后的图像进行前景后景分割，并将其二值化，与自适应增强后的图像相乘，得到目标设备的红外热图。
进一步的，所述步骤S2中，采用局部变化偏差量去对红外热图各区域的变化和相应的统计特性进行辨别，进而区分出纹理、结构边缘及平滑区域；局部变化偏差量的计算公式为：
式中，p是选择区域的像素中心点，ε是一个很小的正数，避免分母出现0的情况；ξx(p)和ξy(p)分别为X方向和Y方向的窗口总变化度，表达式如下：
式中，S是欲处理的图像，是梯度运算符，q是区域R(p)内以p为中心的矩形小区域所有像素点的索引，加权量gp,q定义为：
式中，gp,q即是高斯核，ζx(p)和ζy(p)分别为x方向和y方向的窗口恒变化量，表达式为：
在局部窗口中图像的主边缘区域会比具有复杂图案的纹理区域具有更多相似的梯度；纹理区域的ζx+ζy值会小于主结构边缘区域的值，平滑区域的ζx+ζy值近似为0；以此为依据对红外热图进行区域划分。
进一步的，所述步骤S3中，利用Retinex理论将红外热图分解为照度分量I(x,y)(简写为I)和反射分量R(x,y)(简写为R)；由于照度分量在同一物体不同表面，以及同一表面不同区域上不完全相同，且照度分量未知，因此与局部变化偏差结合，求解得出照度分量先验信息能量函数，表达式为：
由于电力设备红外热图上发光源、低亮度区域以及黑暗区域等各区域类型内隐藏的噪声分布不一致，反射分量上主要反映的是物体上细微的纹理信息，并且有分段连续的特点，因此用拉普拉斯分布和反射分量梯度变化分布，求解反射分量的先验信息，表达式为：
利用求解出的照度分量和反射分量的先验信息，通过全局优化式对两者进行估计，并控制全局优化式取值最小，表达式为：
式中，Sp是原始图像，α、β是两个先验分量的权重，采用迭代重加权最小二乘法，通过k次迭代，得到较为精确的估计值，选取k＝50：
其中ux、uy、wx和wy组成局部变化偏差的非线性部分，用高斯核函数卷积进行表征：
式中，Gσ是标准高斯滤波函数，迭代次数k越大，得到的估计值越精确，但算法运行的时间会相应延长。
利用伽马变换对估计的照度分量进行尺度拉伸，表达式为：I′＝I1/γ，取γ的值为2.2，实现黑到白的自然渐变过渡，实现高保真。
进一步的，所述步骤S4中，将步骤S3得到的照度分量和反射分量相乘，灰度还原到0-255的范围，得到动态范围扩大后的红外热图。
进一步的，所述步骤S5中，主要是利用灰度平滑消去设备内部的灰度异常点，在后续搭配阈值分割时可以将设备温度故障点保存下来。同时为了消除灰度平滑对边缘的模糊现象，需要尽量保留目标设备主结构边缘，具体做法如下：在区域选择算法中的ux和uy已有高斯标准偏差σ1的情况下，多引入一个新的标准偏差σ2，限制条件为σ1<σ2，通过调整两个偏差的比值，可以控制滤波半径大小；改进后的ux和uy表达式为：
ux和uy表达式中，分子式代表了红外热图中小尺度的特征值，包括细小边缘以及纹理特征；分母式代表大尺度的特征，主要为主结构边缘；控制σ1＜σ2，可以抑制小细节边缘，而保留主结构边缘。控制σ1<σ2，可以抑制小细节边缘，而保留主结构边缘。根据要处理的目标设备的大小，可以适当选取两个标准偏差的大小，σ2越大，滤除的边缘便越粗糙。在对接地刀闸的红外热图分割中选取σ1＝1，σ2＝1。
进一步的，所述步骤S6中，采用Otsu算法，用灰度直方图，选取使类内方差最大的灰度值为阈值，在阈值分割中具有很好的效果。具体为：首先取阈值T为红外热图中某一灰度，计算红外图像灰度直方图并对其做归一化，控制灰度取值范围为0-255；然后根据直方图对各个像素点进行求和计算灰度平均值以及区域方差，使用图像中每一个灰度值作为阈值T，循环上述步骤，比较各个阈值得到的类内方差，取最大类内方差对应的灰度值作为分割的阈值；对分割后的图像进行二值化，与自适应量化增强后的红外热图相乘，即可截取出目标设备上的红外热图。
本发明与现有技术相比，其有益效果是：
本发明提供的方法是基于区域特性对图像各区域进行分解，与Retinex理论相结合，在照度分量上进行伽马变换，在反射分量上利用先验信息对噪声点进行补偿，实现红外热图的自适应量化增强，提高灰度动态范围。并改进了多尺度结构保留型平滑算法，在自适应量化增强的基础上对目标设备进行分割。该方法具有较好的抗噪能力，且可以实现对一到多个目标设备进行分割，去除多数干扰，且保证了目标设备结构不被破坏。
附图说明
图1是本发明提供的方法的流程图。
图2是复杂环境下多个接地刀闸的红外热图原图。
图3是采用本发明提供的方法进行分割后的接地刀闸的红外热图。
图4是直接进行otst阈值分割算法处理后的接地刀闸的红外热图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
如图1所示，一种基于自适应量化增强的电力设备红外热图分割方法，其中，包括如下步骤：
S1.利用红外热像仪采集目标设备的红外热图；
S2.根据统计特性判断红外热图的区域类型；
S3.利用照度分量和反射分量的先验信息，对红外热图进行分解，求出精确的照度分量和反射分量；
S4.将得到的照度分量和反射分量结合，还原出增强后的红外热图；
S5.利用多尺度结构保留型平滑滤波算法，对增强的图像进行灰度平滑，保留主结构边缘，去除内部纹理细节；
S6.使用otsu灰度阈值分割算法对平滑后的图像进行前景后景分割，并将其二值化，与自适应增强后的图像相乘，得到目标设备的红外热图。
本实施例中，所述步骤S2中，采用局部变化偏差量去对红外热图各区域的变化和相应的统计特性进行辨别，进而区分出纹理、结构边缘及平滑区域；局部变化偏差量的计算公式为：
式中，p是选择区域的像素中心点，ε是一个很小的正数，避免分母出现0的情况；ξx(p)和ξy(p)分别为X方向和Y方向的窗口总变化度，表达式如下：
式中，S是欲处理的图像，是梯度运算符，q是区域R(p)内以p为中心的矩形小区域所有像素点的索引，加权量gp,q定义为：
式中，gp,q即是高斯核，ζx(p)和ζy(p)分别为x方向和y方向的窗口恒变化量，表达式为：
在局部窗口中图像的主边缘区域会比具有复杂图案的纹理区域具有更多相似的梯度；纹理区域的ζx+ζy值会小于主结构边缘区域的值，平滑区域的ζx+ζy值近似为0；以此为依据对红外热图进行区域划分。
本实施例中，所述步骤S3中，利用Retinex理论将红外热图分解为照度分量I(x,y)(简写为I)和反射分量R(x,y)(简写为R)；由于照度分量在同一物体不同表面，以及同一表面不同区域上不完全相同，且照度分量未知，因此与局部变化偏差结合，求解得出照度分量先验信息能量函数，表达式为：
由于电力设备红外热图上发光源、低亮度区域以及黑暗区域等各区域类型内隐藏的噪声分布不一致，反射分量上主要反映的是物体上细微的纹理信息，并且有分段连续的特点，因此用拉普拉斯分布和反射分量梯度变化分布，求解反射分量的先验信息，表达式为：
利用求解出的照度分量和反射分量的先验信息，通过全局优化式对两者进行估计，并控制全局优化式取值最小，表达式为：
式中，Sp是原始图像，α、β是两个先验分量的权重，采用迭代重加权最小二乘法，通过k次迭代，得到较为精确的估计值，选取k＝50：
其中ux、uy、wx和wy组成局部变化偏差的非线性部分，用高斯核函数卷积进行表征：
式中，Gσ是标准高斯滤波函数，迭代次数k越大，得到的估计值越精确，但算法运行的时间会相应延长。
利用伽马变换对估计的照度分量进行尺度拉伸，表达式为：I′＝I1/γ，取γ的值为2.2，实现黑到白的自然渐变过渡，实现高保真。
本实施例中，所述步骤S4中，将步骤S3得到的照度分量和反射分量相乘，灰度还原到0-255的范围，得到动态范围扩大后的红外热图。
本实施例中，所述步骤S5中，主要是利用灰度平滑消去设备内部的灰度异常点，在后续搭配阈值分割时可以将设备温度故障点保存下来。同时为了消除灰度平滑对边缘的模糊现象，需要尽量保留目标设备主结构边缘，具体做法如下：在区域选择算法中的ux和uy已有高斯标准偏差σ1的情况下，多引入一个新的标准偏差σ2，限制条件为σ1<σ2，通过调整两个偏差的比值，可以控制滤波半径大小；改进后的ux和uy表达式为：
ux和uy表达式中，分子式代表了红外热图中小尺度的特征值，包括细小边缘以及纹理特征；分母式代表大尺度的特征，主要为主结构边缘；控制σ1＜σ2，可以抑制小细节边缘，而保留主结构边缘。控制σ1<σ2，可以抑制小细节边缘，而保留主结构边缘。根据要处理的目标设备的大小，可以适当选取两个标准偏差的大小，σ2越大，滤除的边缘便越粗糙。在对接地刀闸的红外热图分割中选取σ1＝1，σ2＝1。
本实施例中，所述步骤S6中，采用Otsu算法，用灰度直方图，选取使类内方差最大的灰度值为阈值，在阈值分割中具有很好的效果。具体为：首先取阈值T为红外热图中某一灰度，计算红外图像灰度直方图并对其做归一化，控制灰度取值范围为0-255；然后根据直方图对各个像素点进行求和计算灰度平均值以及区域方差，使用图像中每一个灰度值作为阈值T，循环上述步骤，比较各个阈值得到的类内方差，取最大类内方差对应的灰度值作为分割的阈值；对分割后的图像进行二值化，与自适应量化增强后的红外热图相乘，即可截取出目标设备上的红外热图。
本实施例中，选取实验样本如图2所示，目标设备为多个接地刀闸，背景干扰为电线、支撑架等，干扰多，设备边缘结构复杂，尺寸大小不一，各器件间灰度差异小。采用本实施例方法的分割效果如图3所示，可以看出，不仅目标设备上的灰度动态范围得到拉伸，设备上各部位温度高低可以直观地看出，而且红外热图上目标设备的分割效果较好，除了少数的干扰外，基本保留了主轮廓边缘，消除了普通阈值法导致的结构不完整的缺陷。而采用普通的otsu阈值切割算法的分割效果如图4所示，普通的otsu阈值切割算法不仅会破坏设备轮廓，而且分割后仍有多个背景干扰存在。由此表明，本实施例的方法对复杂场景下的电力设备红外热图分割是有效的。
显然，本发明的上述实施例仅仅是为了清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于自适应量化增强的电力设备红外热图分割方法，其特征在于，包括如下步骤：
S1.利用红外热像仪采集目标设备的红外热图；
S2.根据统计特性判断红外热图的区域类型；
S3.利用照度分量和反射分量的先验信息，对红外热图进行分解，求出精确的照度分量和反射分量；
S4.将得到的照度分量和反射分量结合，还原出增强后的红外热图；
S5.利用多尺度结构保留型平滑滤波算法，对增强的图像进行灰度平滑，保留主结构边缘，去除内部纹理细节；
S6.使用otsu灰度阈值分割算法对平滑后的图像进行前景后景分割，并将其二值化，与自适应增强后的图像相乘，得到目标设备的红外热图。
2.根据权利要求1所述的一种基于自适应量化增强的电力设备红外热图分割方法，其特征在于，所述步骤S2中，采用局部变化偏差量去对红外热图各区域的变化和相应的统计特性进行辨别，进而区分出纹理、结构边缘及平滑区域；局部变化偏差量的计算公式为：
<mrow>
<mfrac>
<mrow>
<msub>
<mi>&xi;</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&zeta;</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>&xi;</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&zeta;</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
</mrow>
式中，p是选择区域的像素中心点，ε是一个很小的正数，避免分母出现0的情况；ξx(p)和ξy(p)分别为X方向和Y方向的窗口总变化度，表达式如下：
<mrow>
<msub>
<mi>&xi;</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>g</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mo>|</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>&xi;</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>g</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mo>|</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msub>
<mo>|</mo>
</mrow>
式中，S是欲处理的图像，是梯度运算符，q是区域R(p)内以p为中心的矩形小区域所有像素点的索引，加权量gp,q定义为：
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&Proportional;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
式中，gp,q即是高斯核，ζx(p)和ζy(p)分别为x方向和y方向的窗口恒变化量，表达式为：
<mrow>
<msub>
<mi>&zeta;</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>g</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mo>|</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>&zeta;</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>g</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mo>|</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
在局部窗口中图像的主边缘区域会比具有复杂图案的纹理区域具有更多相似的梯度；纹理区域的ζx+ζy值会小于主结构边缘区域的值，平滑区域的ζx+ζy值近似为0；以此为依据对红外热图进行区域划分。
3.根据权利要求2所述的一种基于自适应量化增强的电力设备红外热图分割方法，其特征在于，所述步骤S3中，利用Retinex理论将红外热图分解为照度分量I(x,y)(简写为I)和反射分量R(x,y)(简写为R)；由于照度分量在同一物体不同表面，以及同一表面不同区域上不完全相同，且照度分量未知，因此与局部变化偏差结合，求解得出照度分量先验信息能量函数，表达式为：
<mrow>
<msub>
<mi>E</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>I</mi>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>g</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>I</mi>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>I</mi>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>g</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>I</mi>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
</mrow>
由于电力设备红外热图上发光源、低亮度区域以及黑暗区域等各区域类型内隐藏的噪声分布不一致，反射分量上主要反映的是物体上细微的纹理信息，并且有分段连续的特点，因此用拉普拉斯分布和反射分量梯度变化分布，求解反射分量的先验信息，表达式为：
<mrow>
<msub>
<mi>E</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>R</mi>
<mo>|</mo>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>R</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
利用求解出的照度分量和反射分量的先验信息，通过全局优化式对两者进行估计，并控制全局优化式取值最小，表达式为：
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<mi>R</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<mi>S</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>&CenterDot;</mo>
<mi>R</mi>
<mo>-</mo>
<msub>
<mi>S</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>&alpha;E</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&beta;E</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
式中，Sp是原始图像，α、β是两个先验分量的权重，采用迭代重加权最小二乘法，通过k次迭代，得到较为精确的估计值，选取k＝50：
<mrow>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>min</mi>
<mi>I</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>x</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mi>I</mi>
<mo>+</mo>
<msub>
<mi>u</mi>
<mi>y</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>min</mi>
<mi>I</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>R</mi>
<mo>-</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>x</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mi>R</mi>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>y</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mi>R</mi>
<mo>)</mo>
</mrow>
</mrow>
其中ux、uy、wx和wy组成局部变化偏差的非线性部分，用高斯核函数卷积进行表征：
<mrow>
<msub>
<mi>u</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>&sigma;</mi>
</msub>
<mo>*</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msub>
<mi>G</mi>
<mi>&sigma;</mi>
</msub>
<mo>*</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mi>S</mi>
<mo>|</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>&sigma;</mi>
</msub>
<mo>*</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msub>
<mi>G</mi>
<mi>&sigma;</mi>
</msub>
<mo>*</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mi>S</mi>
<mo>|</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>q</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mi>S</mi>
<mo>|</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mi>S</mi>
<mo>|</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
</mrow>
式中，Gσ是标准高斯滤波函数。
利用伽马变换对估计的照度分量进行尺度拉伸，表达式为：I′＝I1/γ，取γ的值为2.2，实现黑到白的自然渐变过渡，实现高保真。
4.根据权利要求1所述的一种基于自适应量化增强的电力设备红外热图分割方法，其特征在于，所述步骤S4中，将步骤S3得到的照度分量和反射分量相乘，灰度还原到0-255的范围，得到动态范围扩大后的红外热图。
5.根据权利要求3所述的一种基于自适应量化增强的电力设备红外热图分割方法，其特征在于，所述步骤S5中，在区域选择算法中的ux和uy已有高斯标准偏差σ1的情况下，多引入一个新的标准偏差σ2，限制条件为σ1<σ2，通过调整两个偏差的比值，可以控制滤波半径大小；改进后的ux和uy表达式为：
<mrow>
<msub>
<mi>u</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>G</mi>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
</msub>
<mo>*</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mi>S</mi>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>G</mi>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
</msub>
<mo>*</mo>
<msub>
<mo>&part;</mo>
<mi>x</mi>
</msub>
<mi>S</mi>
<mo>|</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>G</mi>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
</msub>
<mo>*</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mi>S</mi>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>G</mi>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
</msub>
<mo>*</mo>
<msub>
<mo>&part;</mo>
<mi>y</mi>
</msub>
<mi>S</mi>
<mo>|</mo>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
ux和uy表达式中，分子式代表了红外热图中小尺度的特征值，包括细小边缘以及纹理特征；分母式代表大尺度的特征，主要为主结构边缘；控制σ1＜σ2，可以抑制小细节边缘，而保留主结构边缘。
6.根据权利要求1所述的一种基于自适应量化增强的电力设备红外热图分割方法，其特征在于，所述步骤S6中，采用Otsu算法，首先取阈值T为红外热图中某一灰度，计算红外图像灰度直方图并对其做归一化，控制灰度取值范围为0-255；然后根据直方图对各个像素点进行求和计算灰度平均值以及区域方差，使用图像中每一个灰度值作为阈值T，循环上述步骤，比较各个阈值得到的类内方差，取最小类内方差对应的灰度值作为分割的阈值；对分割后的图像进行二值化，与自适应量化增强后的红外热图相乘，即可截取出目标设备上的红外热图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710667481.5A CN107507215B (zh) | 2017-08-07 | 2017-08-07 | 一种基于自适应量化增强的电力设备红外热图分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710667481.5A CN107507215B (zh) | 2017-08-07 | 2017-08-07 | 一种基于自适应量化增强的电力设备红外热图分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107507215A true CN107507215A (zh) | 2017-12-22 |
| CN107507215B CN107507215B (zh) | 2020-07-14 |
Family
ID=60689878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710667481.5A Active CN107507215B (zh) | 2017-08-07 | 2017-08-07 | 一种基于自适应量化增强的电力设备红外热图分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107507215B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447915A (zh) * | 2018-10-29 | 2019-03-08 | 北京康拓红外技术股份有限公司 | 基于特征模型建立与伽马灰度校正的线扫描图像质量提升方法 |
| CN109472755A (zh) * | 2018-11-06 | 2019-03-15 | 武汉高德智感科技有限公司 | 一种红外图像对数log域增强方法 |
| CN109493292A (zh) * | 2018-10-29 | 2019-03-19 | 平高集团有限公司 | 基于电力设备红外测温图像的增强处理方法和装置 |
| CN110136161A (zh) * | 2019-05-31 | 2019-08-16 | 苏州精观医疗科技有限公司 | 图像特征提取分析方法、系统及装置 |
| WO2020140826A1 (zh) * | 2019-01-02 | 2020-07-09 | 平高集团有限公司 | 一种基于轮廓提取的目标物红外测温方法、装置及存储介质 |
| CN112489052A (zh) * | 2020-11-24 | 2021-03-12 | 江苏科技大学 | 一种复杂环境下的线结构光中心线提取方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150124147A1 (en) * | 2013-11-01 | 2015-05-07 | Samsung Electronics Co., Ltd. | Method of displaying high dynamic range (hdr) image, computer-readable storage medium for recording the method, and digital imaging apparatus |
| CN105654437A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种对低照度图像的增强方法 |
| CN106791320A (zh) * | 2016-12-30 | 2017-05-31 | 北京农业信息技术研究中心 | 一种养殖鱼类图像增强装置及方法 |
-
2017
- 2017-08-07 CN CN201710667481.5A patent/CN107507215B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150124147A1 (en) * | 2013-11-01 | 2015-05-07 | Samsung Electronics Co., Ltd. | Method of displaying high dynamic range (hdr) image, computer-readable storage medium for recording the method, and digital imaging apparatus |
| CN105654437A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种对低照度图像的增强方法 |
| CN106791320A (zh) * | 2016-12-30 | 2017-05-31 | 北京农业信息技术研究中心 | 一种养殖鱼类图像增强装置及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 占必超等: "基于平稳小波变换和Retinex的红外图像增强方法", 《光学学报》 * |
| 朱秋旭等: "Retinex理论下的自适应红外图像增强", 《微电子学与计算机》 * |
| 李毅: "尺度变化的Retinex红外图像增强", 《液晶与显示》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447915A (zh) * | 2018-10-29 | 2019-03-08 | 北京康拓红外技术股份有限公司 | 基于特征模型建立与伽马灰度校正的线扫描图像质量提升方法 |
| CN109493292A (zh) * | 2018-10-29 | 2019-03-19 | 平高集团有限公司 | 基于电力设备红外测温图像的增强处理方法和装置 |
| CN109447915B (zh) * | 2018-10-29 | 2021-06-29 | 北京康拓红外技术股份有限公司 | 基于特征模型建立与伽马灰度校正的线扫描图像质量提升方法 |
| CN109472755A (zh) * | 2018-11-06 | 2019-03-15 | 武汉高德智感科技有限公司 | 一种红外图像对数log域增强方法 |
| WO2020140826A1 (zh) * | 2019-01-02 | 2020-07-09 | 平高集团有限公司 | 一种基于轮廓提取的目标物红外测温方法、装置及存储介质 |
| CN110136161A (zh) * | 2019-05-31 | 2019-08-16 | 苏州精观医疗科技有限公司 | 图像特征提取分析方法、系统及装置 |
| CN112489052A (zh) * | 2020-11-24 | 2021-03-12 | 江苏科技大学 | 一种复杂环境下的线结构光中心线提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107507215B (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107507215B (zh) | 一种基于自适应量化增强的电力设备红外热图分割方法 | |
| CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
| CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
| Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
| CN109993736B (zh) | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 | |
| Valliammal et al. | Hybrid image segmentation algorithm for leaf recognition and characterization | |
| CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN111145105B (zh) | 一种图像快速去雾方法、装置、终端及存储介质 | |
| CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
| Zeng et al. | Nearest neighbor based digital restoration of damaged ancient Chinese paintings | |
| CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
| CN110660065A (zh) | 一种红外故障检测识别算法 | |
| Liu et al. | Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features | |
| Vyavahare et al. | Segmentation using region growing algorithm based on CLAHE for medical images | |
| Yu et al. | Content-adaptive rain and snow removal algorithms for single image | |
| Fuh et al. | Mcpa: A fast single image haze removal method based on the minimum channel and patchless approach | |
| CN109636822A (zh) | 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 | |
| CN116739943A (zh) | 图像平滑处理方法及目标轮廓提取方法 | |
| CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
| CN108389162B (zh) | 一种基于自适应邻域形状的图像边缘保持滤波方法 | |
| Pal et al. | Visibility enhancement of fog degraded images using adaptive defogging function | |
| Nadernejad et al. | Image Restoration using a PDE-based Approach | |
| Pathak et al. | Evaluation of effect of pre-processing techniques in solar panel fault detection | |
| CN109934190B (zh) | 基于变形高斯核函数的自适应强光人脸图像纹理恢复方法 | |
| CN113409338A (zh) | 一种基于概率分配的超像素方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |