CN107705256B - 一种基于接触网语义的前向车载视频图像增强方法 - Google Patents
一种基于接触网语义的前向车载视频图像增强方法 Download PDFInfo
- Publication number
- CN107705256B CN107705256B CN201710822392.3A CN201710822392A CN107705256B CN 107705256 B CN107705256 B CN 107705256B CN 201710822392 A CN201710822392 A CN 201710822392A CN 107705256 B CN107705256 B CN 107705256B
- Authority
- CN
- China
- Prior art keywords
- image
- contact
- network
- edge
- edge detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003708 edge detection Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000002156 mixing Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于接触网语义的前向车载视频图像增强方法，属于接触网监控与安全领域，包括以下步骤：对于给定视频数据，选择包括待增强对象图像的样本，对选择的样本进行Canny边缘检测，然后对二值图像进行标注，制作包含正样本和负样本的数据集；用数据集训练接触网边缘检测网络模型；利用得到的接触网边缘检测网络模型，对铁路图像的接触网与背景进行分类，通过模板匹配得到接触网的边缘置信度图；采用Windows API函数实用手册中AlphaBend函数的混合方法，把接触网的边缘置信度图与原图融合，实现接触网语义的视觉增强。本发明有效地检测出接触网边缘，对铁路图像的接触网部分有较好的增强效果，极大地降低工作人员对接触网的检测工作量。
Description
技术领域
本发明涉及接触网监控与安全领域，特别涉及一种基于接触网语义的前向车载视频图像增强方法。
背景技术
目前，电气化铁路正向高速、高密度和重载化方向发展。接触网作为铁路电气化工程的主构架，是沿铁路线上空架设的向电力机车供电的特殊形式的输电线路。接触网作为一种露天设置，没有备用的户外供电装置，经常受冰、霜、风等恶劣气象条件的影响，一旦损坏将中断行车，给铁路运输带来巨大损失。因此，有必要对接触网工作状态进行有效检测，及时发现故障。
常见的接触网故障检测方法有接触式和非接触式。接触式检测方法检测效率高，但该方法检测项目单一，需要在检测车上安装大量传感器，需要高低压隔离转换，需要对部分接触网进行改造，影响接触网性能，对受电弓和导线也会带来额外的磨损。基于图像处理的检测方法是一种非接触式检测方法，通过对采集的接触网图像进行分析与处理，可以及时、准确地发现系统出现的问题。该方法具有智能化程度高，检测精度高，不影响行车安全，造价低，安装简便，实时性等特点。由于受自然环境等一些因素的影响，采集的某些图像对比度较低，接触网线索、螺帽等相关零部件不够突出，这不利于对接触网图像进行分析，从而不利于对接触网工作状态进行准确的检测。因此，有必要对采集的低对比度接触网图像进行增强处理。
图像增强的目的就是突显边缘和细节信息，同时抑制噪声，改善图像的视觉效果。目前，小波变换在图像增强方面取得一定的效果，但小波变换不能“最优”表示含“线”或“面”奇异的高维函数。Contourlet变换是一种真正的二维图像表示方法，该变换是一种多分辨的、局域的、多方向的图像表示方法。该变换将多尺度分析与方向分析分开进行，可较好地表达细小有方向的轮廓和线段，能很好地用于图像增强处理。然而，Contourlet变换存在下采样，其并不存在平移不变性，在处理后的图像中会产生伪影现象。而非下采样Contourlet变换是Contourlet变换的一种改进方式，该变换虽然克服了传统图像增强方法在增强后的图像中存在的伪影现象，但是对适合接触网图像增强的滤波器的确定较为复杂。这些方法不能快速有效的对接触网区域进行增强。
发明内容
本发明所要解决的技术问题是提供一种基于接触网语义的前向车载视频图像增强方法，有效地实现接触网语义的增强，便于接触网的监测，提高巡检效率。
为解决上述技术问题，本发明采用的技术方案是：
一种基于接触网语义的前向车载视频图像增强方法，包括以下步骤：
步骤1：对于给定视频数据，选择包括待增强对象图像的样本，对选择的样本进行Canny边缘检测，然后对二值图像进行标注，制作包含正样本和负样本的数据集；
步骤2：用数据集训练接触网边缘检测网络模型；
步骤3：利用得到的接触网边缘检测网络模型，对铁路图像的接触网与背景进行分类，通过模板匹配得到接触网的边缘置信度图；
步骤4：采用Windows API函数实用手册中AlphaBend函数的混合方法，把接触网的边缘置信度图与原图融合，实现接触网语义的视觉增强。
进一步的，所述步骤1中，对选择的样本进行Canny边缘检测，对二值图像进行标注中，包括接触网和背景的标注，最后分别以接触网和背景的轮廓的像素为中心，把二值图像分成55*55的补丁；用于接触网边缘检测网络模型训练的正样本为接触网的补丁，共11963张；负样本为背景的补丁，共15534张。
进一步的，所述步骤2中，利用步骤1中得到的数据集进行训练接触网边缘检测网络模型；设计适应接触网边缘检测的网络结构；接触网边缘检测网络模型从第一个卷积层到最后的输出层共有9层，接触网边缘检测网络模型采用前向传播计算接触网识别的输出值，再反向传播调整权重和偏置初步获得接触网边缘检测网络模型；该网络相比LeNet-5的改进是该网络增加了一个卷积层和池化层；输出为二分类，输出层仅设2个神经元；输出类别降低后，C5层全连接卷积核适当下调，减少网络参数。
进一步的，所述步骤3具体为：
A)获取输入图像：采用Canny算子对选择的样本边缘检测，进一步以图像的轮廓的像素为中心，把二值图像进行分成55*55的补丁，利用训练好的接触网边缘检测网络模型对输入的图像进行分类；
B)把步骤A)分类得到的接触网补丁进行模板匹配，得到接触网的边缘；
C)在步骤B)获得的图像中去除连通域的面积小于100的噪声；
D)对轮廓图二值图像进行形态学膨胀，扩大边缘；
E)在步骤D)获得的图像进行高斯滤波，平滑边缘，弱化边缘邻域细节，获得接触网语义边缘置信度图。
进一步的，所述步骤4具体为：对铁路图像进行直方图均衡化方法增强后得到图像I'；为得到铁路图像的视觉增强，合成运算通过公式(1)实现；
I＝α*I0+(1-α)*I′ (1)
其中，α＝(1-0.5*β)-β*α0/255.0，α为图像I0的透明度，其中β为常数，β＝0.6，α0为图像接触网边缘的高斯滤波图，1-α为图像I′的透明度，I为增强后的结果图像，I0为原铁路图像。
与现有技术相比，本发明的有益效果是：
1)本发明有效利用列车视频设备，视频信息量更丰富，简单方便，不受机车车型影响，各种车型都可使用。
2)本发明可以有效地检测出接触网的边缘，对铁路图像的接触网部分有较好的增强效果，为后续接触网零部件的检测奠定良好的基础。
3)本发明可以自动的增强接触网区域，而不是整个铁路背景图像，极大地降低工作人员对接触网的检测工作量，提高巡检效率。
附图说明
图1为本发明接触网视觉增强方法的流程示意图。
图2为本发明视频摄像机安装示意图。其中：1-工作台；2-支架；3-摄像机；4工控计算机。
图3为接触网边缘检测网络模型结构示意图。
图4为接触网正样本图片。
图5为背景负样本图片。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明一种基于接触网语义的前向车载视频图像增强方法，包括以下步骤：
步骤1：对于给定视频数据，选择包括待增强对象图像的样本，对选择的样本进行Canny边缘检测，然后对二值图像进行标注，最后分别以接触网和背景的轮廓的像素为中心，把二值图像分成55*55的补丁，制作包含正样本和负样本的数据集；用于接触网边缘检测网络模型训练的正样本为接触网的补丁，共11963张；负样本为背景的补丁，共15534张。
步骤2：用数据集训练接触网边缘检测网络模型。该接触网边缘检测网络模型是在LeNet-5网络基础上改进的CNN模型，卷积神经网络区别于传统的浅层学习需要依靠经验人为指定特征，它可以实现从原始数据到目标函数直接的端对端地学习。卷积神经网络的两个主要特点是局部感知和权值共享，它可以逐层地对卷积前后的图像进行特征学习，将前一层学习到的数据特征作为下一层的输入，使机器获得更高级的特征表达和理解能力。
在这一步骤中，接触网边缘检测网络模型从第一个卷积层到最后的输出层共有9层，接触网边缘检测网络模型采用前向传播计算接触网识别的输出值，再反向传播调整权重和偏置初步获得接触网边缘检测网络模型。相比于LeNet-5，其改进是该网络增加了一个卷积层和下采样层。输出为二分类，输出层仅设2个神经元，而不是之前的10个。输出类别降低后，C5层全连接卷积核也可以适当下调，减少网络参数，利于网络的训练。
步骤3：利用得到的接触网边缘检测网络模型，对铁路图像的接触网与背景进行分类，通过模板匹配得到接触网的边缘置信度图。采用Canny算子对铁路图像边缘检测，进一步以图像的轮廓的像素为中心，把二值图像进行分成55*55的补丁，将这些补丁作为输入图像，利用训练好的接触网边缘检测网络模型对输入的图像进行分类。最后把分类得到的接触网补丁用模板匹配的方法得到接触网的边缘，但是接触网边缘周围有很多小的边缘噪声，为得到较精确的接触网的边缘，需去除接触网边缘周围的连通域的面积小于100的噪声，减少误差。由于提取到的接触网的边缘细化，需对其进行膨胀，扩大边缘。为进一步对去除噪声，对膨胀后的轮廓进行高斯滤波，平滑了边缘，弱化了边缘邻域的细节，从而达到准确检测图像中接触网边缘的目的，获得接触网语义边缘置信度图。
步骤4：采用Windows API函数实用手册中AlphaBend函数的混合方法，把接触网的边缘置信度图与原图融合，实现接触网语义的视觉增强。
参照Windows API函数实用手册中AlphaBend函数的混合方法，把接触网置信度图与原图融合，实现接触网语义的视觉增强。对铁路图像进行直方图均衡化方法增强后得到图像I'，为得到铁路图像的视觉增强，合成运算通过公式(1)实现。
I＝α*I0+(1-α)*I′ (1)
其中，α＝(1-0.5*β)-β*α0/255.0，α为图像I0的透明度，其中β为常数，β＝0.6，α0为接触网边缘高斯滤波图，1-α为图像I′的透明度，I为增强后的结果图像，I0为原铁路图像。直观地说，图像合成可以看成各图像在具有一定透明度的滤光片覆盖下分别曝光所得结果的叠加。此时，I0使用透明度α的滤光片，I'使用透明度1-α的滤光片分两次曝光得到I。结合公式得出的图像即为接触网语义的视觉增强图像，方便铁路人员更加直观的接触网是否异常状况。
下面通过具体实例对本发明方案和技术效果进行验证，本实施例所用设备包括工业摄像机和工控计算机，如图2所示。计算机通过接口驱动CCD摄像机获取铁路的影像，再利用训练的接触网边缘检测网络模型对获取的铁路图像进行接触网边缘提取。
接触网边缘检测网络模型的分类模型的具体步骤如下：
1)对铁路图像进行Canny边缘检测，通过手工标注对二值图像进行接触网和背景的标注，最后分别以接触网和背景的轮廓的像素为中心，把二值图像分成55*55的补丁。用于接触网边缘检测网络模型训练的正样本为接触网的补丁，如图4所示；负样本为背景的补丁，如图5所示。
2)设计适应接触网边缘检测网络模型的网络结构。此网络结构从第一个卷积层到最后的输出层共有9层，输出为二分类，输出层仅设2个神经元，如图3所示。将此网络结构处理后的图片进行特征提取，并训练分类模型。
3)利用训练好的分类器进行在线检测，提取接触网边缘，经过对边缘进行去噪处理，得到置信度图，具体实施步骤如下：
A)获取输入图像：采用Canny算子对选择的样本边缘检测，进一步以图像的轮廓的像素为中心，把二值图像进行分成55*55的补丁，利用训练好的接触网边缘检测网络模型对输入的图像进行分类；
B)把步骤A)分类得到的接触网补丁进行模板匹配，得到接触网的边缘；
C)在步骤B)获得的图像中去除连通域的面积小于100的噪声；
D)对轮廓图二值图像进行形态学膨胀，扩大边缘；
E)在步骤D)获得的图像进行高斯滤波，平滑边缘，弱化边缘邻域细节，获得接触网语义边缘置信度图。
4)参照Windows API函数实用手册中AlphaBend函数的混合方法，把接触网边缘置信度图与原图融合，实现接触网语义的视觉增强。对铁路图像进行直方图均衡化方法增强后得到图像I'。
Claims (3)
1.一种基于接触网语义的前向车载视频图像增强方法，其特征在于，包括以下步骤：
步骤1：对于给定视频数据，选择包括待增强对象图像的样本，对选择的样本进行Canny边缘检测，然后对二值图像进行标注，制作包含正样本和负样本的数据集；
步骤2：用数据集训练接触网边缘检测网络模型；
步骤3：利用得到的接触网边缘检测网络模型，对铁路图像的接触网与背景进行分类，通过模板匹配得到接触网的边缘置信度图，具体为：
A)获取输入图像：采用Canny算子对选择的样本边缘检测，进一步以图像的轮廓的像素为中心，把二值图像进行分成55*55的补丁，利用训练好的接触网边缘检测网络模型对输入的图像进行分类；
B)把步骤A)分类得到的接触网补丁进行模板匹配，得到接触网的边缘；
C)在步骤B)获得的图像中去除连通域的面积小于100的噪声；
D)对轮廓图二值图像进行形态学膨胀，扩大边缘；
E)在步骤D)获得的图像进行高斯滤波，平滑边缘，弱化边缘邻域细节，获得接触网语义边缘置信度图；
步骤4：采用Windows API函数实用手册中AlphaBlend函数的混合方法，把接触网的边缘置信度图与原图融合，实现接触网语义的视觉增强，具体为：
对铁路图像进行直方图均衡化方法增强后得到图像I'；为得到铁路图像的视觉增强，合成运算通过公式(1)实现；
I＝α*I0+(1-α)*I′ (1)
其中，α＝(1-0.5*β)-β*α0/255.0，α为图像I0的透明度，其中β为常数，β＝0.6，α0为图像接触网边缘的高斯滤波图，1-α为图像I′的透明度，I为增强后的结果图像，I0为原铁路图像。
2.如权利要求1所述的一种基于接触网语义的前向车载视频图像增强方法，其特征在于，
所述步骤1中，对选择的样本进行Canny边缘检测，对二值图像进行标注中，包括接触网和背景的标注，最后分别以接触网和背景的轮廓的像素为中心，把二值图像分成55*55的补丁；用于接触网边缘检测网络模型训练的正样本为接触网的补丁，共11963张；负样本为背景的补丁，共15534张。
3.如权利要求1所述的一种基于接触网语义的前向车载视频图像增强方法，其特征在于，
所述步骤2中，利用步骤1中得到的数据集进行训练接触网边缘检测网络模型；设计适应接触网边缘检测的网络结构；接触网边缘检测网络模型从第一个卷积层到最后的输出层共有9层，接触网边缘检测网络模型采用前向传播计算接触网识别的输出值，再反向传播调整权重和偏置初步获得接触网边缘检测的分类模型；该网络相比LeNet-5的改进是该网络增加了一个卷积层和池化层；输出为二分类，输出层仅设2个神经元；输出类别降低后，C5层全连接卷积核适当下调，减少网络参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710822392.3A CN107705256B (zh) | 2017-09-13 | 2017-09-13 | 一种基于接触网语义的前向车载视频图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710822392.3A CN107705256B (zh) | 2017-09-13 | 2017-09-13 | 一种基于接触网语义的前向车载视频图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107705256A CN107705256A (zh) | 2018-02-16 |
| CN107705256B true CN107705256B (zh) | 2021-03-16 |
Family
ID=61171599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710822392.3A Active CN107705256B (zh) | 2017-09-13 | 2017-09-13 | 一种基于接触网语义的前向车载视频图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107705256B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830822B (zh) * | 2018-03-12 | 2022-05-06 | 北京交通大学 | 基于改进Canny算子的受电弓碳滑板磨耗识别方法 |
| CN108874900A (zh) * | 2018-05-24 | 2018-11-23 | 四川斐讯信息技术有限公司 | 一种样本图片数据集合的获取方法和系统 |
| CN110866512B (zh) * | 2019-11-21 | 2023-06-06 | 南京大学 | 一种基于视频分类的监控摄像机遮挡检测方法 |
| CN113076949B (zh) * | 2021-03-31 | 2023-04-18 | 成都唐源电气股份有限公司 | 一种接触网零部件快速定位方法及系统 |
| CN118071752A (zh) * | 2024-04-24 | 2024-05-24 | 中铁电气化局集团有限公司 | 一种接触网检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0472782A1 (en) * | 1990-08-27 | 1992-03-04 | Koninklijke Philips Electronics N.V. | Method of localizing an extreme amplitude value in multivalued amplitude data field and apparatus for performing the method |
| CN101408975A (zh) * | 2008-11-28 | 2009-04-15 | 哈尔滨工业大学 | 一种基于边缘置信度的自调整总体变分图像平滑方法 |
| CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
| CN104392421A (zh) * | 2014-12-12 | 2015-03-04 | 西华大学 | 一种基于nsct的接触网图像增强方法 |
| CN104504734A (zh) * | 2014-09-16 | 2015-04-08 | 浙江工业大学 | 一种基于语义的图像颜色传输方法 |
| CN104794692A (zh) * | 2015-04-16 | 2015-07-22 | 中国科学院自动化研究所 | 一种图像去锯齿的系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8401304B2 (en) * | 2007-07-27 | 2013-03-19 | Sportvision, Inc. | Detecting an object in an image using edge detection and morphological processing |
-
2017
- 2017-09-13 CN CN201710822392.3A patent/CN107705256B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0472782A1 (en) * | 1990-08-27 | 1992-03-04 | Koninklijke Philips Electronics N.V. | Method of localizing an extreme amplitude value in multivalued amplitude data field and apparatus for performing the method |
| CN101408975A (zh) * | 2008-11-28 | 2009-04-15 | 哈尔滨工业大学 | 一种基于边缘置信度的自调整总体变分图像平滑方法 |
| CN102496151A (zh) * | 2011-12-08 | 2012-06-13 | 南京大学 | 一种用于高分辨率遥感图像多尺度分割的方法 |
| CN104504734A (zh) * | 2014-09-16 | 2015-04-08 | 浙江工业大学 | 一种基于语义的图像颜色传输方法 |
| CN104392421A (zh) * | 2014-12-12 | 2015-03-04 | 西华大学 | 一种基于nsct的接触网图像增强方法 |
| CN104794692A (zh) * | 2015-04-16 | 2015-07-22 | 中国科学院自动化研究所 | 一种图像去锯齿的系统 |
Non-Patent Citations (4)
| Title |
|---|
| A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics;David Martin et al;《Proceedings eighth IEEE international conference oan computer vision》;20020807;全文 * |
| An improved CANNY edge detection algorithm;Bing Wang et al;《International Workshop on Computer Science and Engineering》;20100202;全文 * |
| 基于均值偏移和边缘置信度的焦炭显微图像分割;王培珍等;《中国图象图形学报》;20101031;第15卷(第10期);1478-1484 * |
| 基于高斯超像素的快速Graph Cuts图像分割方法;韩守东等;《自动化学报》;20110113;第37卷(第1期);11-20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107705256A (zh) | 2018-02-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107705256B (zh) | 一种基于接触网语义的前向车载视频图像增强方法 | |
| CN106407928B (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及系统 | |
| WO2019196131A1 (zh) | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 | |
| CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
| CN104463241A (zh) | 一种智能交通监控系统中的车辆类型识别方法 | |
| CN104299008A (zh) | 基于多特征融合的车型分类方法 | |
| CN102073852B (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
| CN110197494B (zh) | 一种基于单目红外图像的受电弓接触点实时检测算法 | |
| CN103886589A (zh) | 面向目标的自动化高精度边缘提取方法 | |
| CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
| CN106919902A (zh) | 一种基于cnn的车辆识别和轨迹追踪方法 | |
| CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
| Zhao et al. | Defect detection method for electric multiple units key components based on deep learning | |
| Stricker et al. | Road surface segmentation-pixel-perfect distress and object detection for road assessment | |
| Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
| CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
| CN107247967B (zh) | 一种基于r-cnn的车窗年检标检测方法 | |
| Wei et al. | Detection of lane line based on Robert operator | |
| Bello-Salau et al. | An examination of different vision based approaches for road anomaly detection | |
| CN117197700B (zh) | 智能化无人巡检接触网缺陷识别系统 | |
| Wang et al. | Straight lane line detection based on the Otsu-Canny algorithm | |
| CN107392127B (zh) | 基于切比雪夫多项式描述子的输电线路提取方法 | |
| CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
| CN109977862A (zh) | 一种车位限位器的识别方法 | |
| Huang | Research on license plate image segmentation and intelligent character recognition |
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 |