CN109035166B - 基于非下采样剪切波变换的电气设备红外图像增强方法 - Google Patents

基于非下采样剪切波变换的电气设备红外图像增强方法 Download PDF

Info

Publication number
CN109035166B
CN109035166B CN201810778614.0A CN201810778614A CN109035166B CN 109035166 B CN109035166 B CN 109035166B CN 201810778614 A CN201810778614 A CN 201810778614A CN 109035166 B CN109035166 B CN 109035166B
Authority
CN
China
Prior art keywords
image
gray
electrical equipment
frequency
transformation
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
Application number
CN201810778614.0A
Other languages
English (en)
Other versions
CN109035166A (zh
Inventor
王爱平
邬才斌
粟莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bazhong Power Supply Co Of State Grid Sichuan Electric Power Corp
Original Assignee
Bazhong Power Supply Co Of State Grid Sichuan Electric Power Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bazhong Power Supply Co Of State Grid Sichuan Electric Power Corp filed Critical Bazhong Power Supply Co Of State Grid Sichuan Electric Power Corp
Priority to CN201810778614.0A priority Critical patent/CN109035166B/zh
Publication of CN109035166A publication Critical patent/CN109035166A/zh
Application granted granted Critical
Publication of CN109035166B publication Critical patent/CN109035166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/40Image enhancement or restoration using histogram techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/194Segmentation; Edge detection involving foreground-background segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination of colour characteristics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10048Infrared image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20048Transform domain processing
    • G06T2207/20056Discrete and fast Fourier transform, [DFT, FFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于非下采样剪切波变换的电气设备红外图像增强方法,包括:步骤S100,建立红外图像RGB转灰度值映射关系;步骤S200,对实验所得的电气设备红外图像进行非下采样剪切波变换;步骤S300,对电气设备红外低频图像进行最大类间差分计算,得到背景与前景间的分割阈值,将低频图像分割为环境背景与电气设备两类;步骤S400,增强低频图像,对低频前景电气设备进行线性增强,低频背景进行直方图均衡增强;步骤S500,设计优化的模糊隶属度函数,对电气设备高频图像进行模糊增强;步骤S600,将增强后的低频系数和高频系数按照NSST逆变换合成新的电气设备红外图像。与现有技术相比,本发明具有图像质量更高、实用性更强等优点。

Description

基于非下采样剪切波变换的电气设备红外图像增强方法
技术领域
本发明涉及电气设备红外能检测领域,尤其是涉及一种基于非下采样剪切波变换的电气设备红外图像增强方法。
背景技术
电气设备的稳定可靠是电力系统安全运行的基本保障,据统计电气设备故障造成的变电站运行事故约占总数的90%,其中绝大多数故障在早期都会呈现出温度异常的现象。电压效应、电流效应以及电磁效应均能引起电气设备的发热。红外技术利用光电转换材料将被测物体发出的不可见的红外线以温度分布形式显示出来,具有便捷性、实时性、非接触性、无损性,能够在设备不停运条件下获取其温度分布图谱,被广泛使用在电力设备温度检测中。电力设备红外检测的目的是提前发现故障缺陷,避免对电力系统产生更大的危害,属于预防性检测。二十世纪70年代起,我国电力行业开始研究红外热成像装置在电力系统中的应用,尝试研制红外热像仪用以电力设备故障检测。80年代到90年代,多家电力公司积极引入国外先进的红外成像设备,对输电线路进行巡检,试验并收集电力设备故障红外数据,积累了大量实践经验和科研数据。
由于红外焦平面成像元件工艺具有局限性,红外图像存在噪声大,目标模糊等问题,同时电气设备结构繁杂,接头、绝缘子等常见的温度异常部分与杆塔、变压器等设备相比尺寸很小不利于对温度异常部分进行故障定位和异常原因分析,因此需要重点研究电气设备红外图像增强。目前图像增强和边缘检测是电气设备红外成像技术中数字图像处理部分的关键问题。图像增强算法需要增加图像的对比度,凸显图像细节,清晰物体边缘,同时需要实现噪声抑制和保证图像真实性。
目前红外图像增强分为简单增强和频域增强,简单增强包括:直方图均衡增强、偏微分方程增强、Retinex增强,这些增强算法直接对图像像素点灰度进行处理;频域增强是近些年发展起来的新型增强方式,包括傅里叶变换增强、小波变换增强、剪切波变换增强等,红外灰度图片经过频域变换能够得到低频部分和高频部分,其中低频图片包含原始图片主体信息,高频图片聚集大量细节信息。傅里叶变换是最早期的频域变换,缺乏时间信息;小波变换不仅包含频率信息也包含时间信息,但是会忽略各向异性边缘信息;剪切波变换能够进行任意方向变换,同时每一尺度的方向数也可以不同,对红外图像中的边缘检测和增强具有很好的效果,但是尺度变换和方向变换过程中的下采样会造成最终合成图像伪吉布斯效应的产生。非下采样的剪切波变换不仅具有剪切波变换的优势,同时具备平移不变性,消除了下采样带来的伪吉布斯效应,是红外图像增强最合适的频域变换算法。
现有电气设备红外图像增强技术存在着下述缺陷:
(1)简单增强缺点:受到红外焦平面制作工艺的约束,或者信号受到相关干扰时,实景信息会混入噪声信息,简单增强直接对图像像素点灰度进行处理,增强过程中噪声信号和电气设备目标信息不作任何区分,同样的算法能够增强低灰度像素与高灰度像素间对比度,相应的就增加了噪声与有效信号间对比度,即放大噪声,会降低电气设备红外图像视觉效果,干扰故障判断。
(2)传统频域变换缺点:傅里叶变换是最早期的频域变换,缺乏时间信息;小波变换虽然包含频率信息和时间信息,但是会忽略各向异性边缘信息;剪切波变换能够进行任意方向变换,同时每一尺度的方向数也可以不同,对红外图像中的边缘检测和增强具有很好的效果,但是尺度变换和方向变换过程中的下采样会造成最终合成图像伪吉布斯效应的产生。
(3)全图增强缺点:将全图同时纳入增强区域,增强结果的电气设备区域容易受背景环境干扰,这种不分主次的增强算法会降低电气设备区域辨识度,在具有不同灰度分布规律的图片中增强效果不稳定,甚至破坏原始图片信息重点,在图像增强领域内不具有自适应性,受图像规律干扰很大。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于非下采样剪切波变换的电气设备红外图像增强方法,从而提高了电气设备红外灰度图对比度,增强了电气设备边缘和细节,抑制了非边缘噪声干扰。
本发明的目的可以通过以下技术方案来实现:
一种基于非下采样剪切波变换的电气设备红外图像增强方法,包括以下步骤:
步骤S100,建立红外图像RGB转灰度值映射关系,以灰度图像作为统一处理目标;
步骤S200,对实验所得的电气设备红外图像进行非下采样剪切波变换,得到非下采样剪切波分解系数;
步骤S300,对电气设备红外低频图像进行最大类间差分计算,得到背景与前景间的分割阈值,将低频图像分割为环境背景与电气设备两类;
步骤S400,增强低频图像,对低频前景电气设备进行线性增强,低频背景进行直方图均衡增强;
步骤S500,设计优化的模糊隶属度函数,对电气设备高频图像进行模糊增强;
步骤S600,将增强后的低频系数和高频系数按照NSST逆变换合成新的电气设备红外图像。
优选地,所述的步骤S100,具体包括:
RGB图片转灰度图片的映射公式如下:
Gray=R*0.299+G*0.587+B*0.114 (1)
红外成像仪通常根据模式需求显示彩色红外图像,但实际上有红外探测单元获取的红外探测信号本身不带有彩色信息,因此灰度图片就完全能表达红外信息,同时灰度图片具有更广泛的使用范围,生成检测报告时更多的使用黑白打印模式,本发明基于更长远的考虑选择灰度图像进行增强;
其中RGB彩色图片基础色是红R、绿G、蓝B,通过调整叠加过程中三通道颜色占比,实现展示不同色彩的目的;通常用一个三维数组表示R、G、B三个通道,R、G、B取值范围为0~255;同样灰度的取值范围是0~255;
灰度图片能表达红外信息,同时灰度图片具有更广泛的使用范围,生成检测报告时更多的使用黑白打印模式,因此在增强之前需要统一图片格式,如果红外图像是灰度格式,保持此格式等待进入下一步骤;如果红外图像是RGB格式,采用公式(1)进行映射,获取原始图片的灰度格式。
优选地,所述的步骤S200,具体包括:
非下采样剪切波变换采用伪极象格坐标与笛卡尔坐标相互转换,通过二维卷积运算实现逆FFT操作,整个变换避免了下采样过程;非下采样的剪切波变换的基础是合成小波理论,通过结合仿射系统理论和多尺度几何变换,对图片进行多尺度几何分析,变换步骤包括多尺度变换和多方向变换;多尺度变换采用非下采样拉普拉斯金字塔算法,进行m次分解后得到1个低频系数子带和m个高频系数子带;多方向变换采用经Meyer小波构造窗函数改进的剪切滤波器,对高频图像进行方向滤波,滤波结果为NSST高频方向系数。
优选地,所述的非下采样剪切波变换包括:
阶段A1,多尺度分解:运用非下采样金字塔分解对原始图像矩阵进行多尺度分解,分解结果为多个带通子带图像和一个低通子带图像,即多个高频系数矩阵和一个低频系数矩阵;若分解层数为n,则高频系数矩阵数为n个,低频系数矩阵为 1个,由于分解过程采用了非下采样,这n+1个系数矩阵与原始图像矩阵大小相同;高频系数矩阵代表图像的细节内容,低频系数代表图像灰度聚集分布规律。
阶段A2,多方向分解:使用剪切波滤波器实现多方向分解,首先将高频系数矩阵由伪极向坐标向笛卡尔坐标映射,然后通过Meyer小波窗函数构造的剪切波滤波器对子带图像进行卷积运算,运算结果为各尺度下的方向子带图像。
优选地,所述的步骤S300,具体包括:
为了提升全图对比度,对低频进行自适应最大类间差分计算获取背景与设备间分割阈值,电气设备红外灰度值具有明显的聚集特征,背景灰度值低,设备灰度值高,最大类间差分法能够准确划分背景和设备区域;
最大类间差分法Otsu算法将图片分为前景和后景,对应电气设备目标和环境背景;假设待处理图像灰度级为L,灰度均值为u,设定阈值为ic,低于阈值和高于阈值的像素点分别占整幅图像比例为w0和w1,低于阈值的灰度均值为u0,高于阈值的灰度均值为u1,类间方差计算公式为
σ2(ic)=w0(u0-u)2+w1(u1-u)2 (2)
以σ2作为目标函数,ic为变量进行寻优,得到使类间方差σ2最大时的imax,以imax为界将图片分为前景和后景两部分。
优选地,所述的Otsu算法,具体包括以下步骤:
步骤A1:令初始阈值i=0;
步骤A2:将图像像素点p分为p1和p2两类,计算p1、p2、p均值u0、u1、 u,计算p1、p2占全图比例w0、w1
Figure BDA0001732010990000041
Figure BDA0001732010990000051
其中ui为pi类像素点对应的像素点灰度均值;
Npi为pi类像素点包含的像素点数量;
f(x,y)为位置坐标为(x,y)的像素点灰度值;
wi为pi类像素点占全图像素点总数的比例;
N为全图像素点总数;
步骤A3:计算类间方差σ2
σ2(i)=w0(u0-u)2+w1(u1-u)2 (5)
步骤A4:令初始阈值i=i+1,返回步骤A2,直至i=255;
步骤A5:选取最大类间方差σ2 max时分割阈值ic,将图像分为前景和背景。
优选地,所述的步骤S400,具体包括:
前景电气设备区域灰度值大,灰度跨度小,采用线性增强方法对其灰度范围进行拉伸,设原始灰度范围为[xmin xmax],增强后灰度范围为[xmin L-1],增强公式为
Figure BDA0001732010990000052
其中x为低频图像原始灰度值,xnew为增强后相应的灰度值,L为灰度级;
背景主体为环境,不属于电气设备红外检测范围,需要加大其与电气设备主体灰度区别,同时一些分散在电气设备主体像素之外的部分如连接导线等灰度值偏低,在Otsu分割后被划分到背景中,因此需要提高亮度,增加辨识度。为了满足以上条件,本发明采用直方图均衡算法对后景进行处理。
采用直方图均衡算法对后景进行处理:
直方图均衡算法基于统计学原理,通过统计图像中像素灰度值的分布函数,扩大图像灰度域范围,以达到图像对比度增强、信息熵增大、视觉效果更清晰的目的,
图像灰度值是离散变量,灰度值为x的概率密度为
Figure BDA0001732010990000053
其中,N为像素总数,nx为灰度值为x的像素数,L为灰度级,为28=256级,图像的灰度分布函数f(x)为
Figure BDA0001732010990000054
标准直方图均衡算法对灰度分布函数乘以系数,作为新图像对应像素点的像素值T(x),转换关系为
Figure BDA0001732010990000061
部分电气设备结构灰度值低于Otsu阈值,被划为背景部分,采用直方图均衡算法增大这部分设备与背景间的灰度差,减少设备细节的遗漏,能够保证背景亮度降低的同时突出灰度值小于Otsu阈值的设备像素点。
优选地,所述的步骤S500,具体包括:
电气设备红外灰度图经NSST变换后的高频系数包含大量的边缘信息,目标设备边缘灰度值较非边缘灰度值低,呈现较暗的视觉效果;边界的定义没有量化的标准,模糊理论能够解决边界不确定事物的归类问题,因此引用模糊理论对边缘进行判定和增强,对经典Pal-King算法进行改进,提高细节增强能力。
优选地,所述的对经典Pal-King算法进行改进具体为:
经典Pal-King算法模糊隶属度函数为
Figure BDA0001732010990000062
其中xij为图像(i,j)点的灰度值,L为灰度级,Fd是分母模糊参数,Fe是指数模糊参数,Fd和Fe共同决定模糊隶属度映射规律,映射后对隶属度进一步增强,采用S型变换:
Figure BDA0001732010990000063
将增强后的隶属度按照模糊隶属度的反函数变换到[0L-1]范围内,即
Figure BDA0001732010990000064
经典Pal-King算法存在以下问题:在灰度值最小xmin时对应的隶属度μmin经过 S型增强得到μmin',而μmin'<μmin,在进行逆变换时无解,会被强制变换为0,损失了大量信息;对Pal-King算法进行改进,选取新的模糊隶属度函数,减少信息损耗,同时保留算法原有优势;改进模糊隶属度函数为
Figure BDA0001732010990000065
其中xmax为灰度值最大,xmin为灰度值最小;
改进模糊隶属度函数由于将隶属度变换域由[μmin 1]拓展到[0 1],增强变换后的隶属度能够完全反变换到灰度范围,不存在像素点信息遗漏,能够对全图细节进行有效增强。
优选地,所述的步骤S600,具体包括:
将处理结果按照NSST逆变换重构,能够获得增强的电气设备红外灰度图。
由于在处理过程中特别注意了电气设备本体育环境的分割,以及细节、轮廓与模糊边缘、噪声的区别,重构的增强图像对比度提升明显,信息熵、边缘强度、标准差等评价指标也有效提高。
与现有技术相比,本发明本发明提出了一种基于非下采样剪切波变换的电气设备红外图像增强方法,能有效提高电气设备红外灰度图对比度,增强电气设备边缘和细节,抑制非边缘噪声干扰。
该方法首先对电气设备红外RGB图像进行灰度映射,获得灰度图像;其次,对电气设备灰度图像进行非下采样的剪切波变换(NSST),得到低频系数矩阵和高频系数矩阵;然后,对电气设备红外低频图像进行最大类间差分计算,得到背景与前景间的分割阈值,将低频图像分割为环境背景与电气设备两类,对环境背景进行直方图均衡增强,对电气设备区域进行线性增强;接着,设计一种改进pal-king算法对高频部分进行模糊增强;最后,将低频部分和高频部分进行NSST逆变换重构成增强图像。实验结果证明了本发明方法解决噪声抑制和图像增强的矛盾、传统滤波造成信息模糊和边缘增强的矛盾,实现了红外图像视觉效果增强,更有利于对电气设备进行状态评估和故障区域定位,具有更高效的图像处理效果,也更具实际应用价值。
附图说明
图1为本发明一种电气设备红外图像增强算法的具体流程示意图;
图2为NSST过程分解示意图;
图3为经典pal-king算法与改进pal-king算法对比图;
图4为S型增强曲线示意图;
图5 (a) 为是HE算法结果图;
图5 (b) 为是经典Pal-King算法结果图;
图5 (c) 为是一种NSST域增强算法结果图;
图5 (d) 为是本发明算法的效果图。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本例提出一种基于非下采样剪切波变换的电气设备红外图像增强方法,其流程图如图1所示,包括以下步骤:
S100:建立红外图像RGB转灰度值映射关系,以灰度图像作为统一处理目标,
具体包括步骤:
红外成像仪通常根据模式需求显示彩色红外图像,但实际上有红外探测单元获取的红外探测信号本身不带有彩色信息,因此灰度图片就完全能表达红外信息,同时灰度图片具有更广泛的使用范围,生成检测报告时更多的使用黑白打印模式,本发明基于更长远的考虑选择灰度图像进行增强。
RGB彩色图片基础色是红(R)、绿(G)、蓝(B),通过调整叠加过程中三通道颜色占比,实现展示不同色彩的目的。通常用一个三维数组表示R、G、B三个通道,R、G、B取值范围为0~255。同样灰度的取值范围是0~255,本发明RGB 图片转灰度图片的映射公式如下:
Gray=R*0.299+G*0.587+B*0.114
本发明是针对电气设备红外灰度图像增强算法,因此在增强之前需要统一图片格式。如果红外图像是灰度格式,保持此格式等待进入下一步骤;如果红外图像是 RGB格式,采用公式(1)进行映射,获取原始图片的灰度格式。
S200:对实验所得的电气设备红外进行非下采样剪切波变换,计算非下采样
剪切波分解系数,具体包括步骤:
剪切波变换中的剪切波滤波器由窗函数组成,平移滤波过程是下采样操作,造成剪切波变换不具有平移不变性,由此产生伪吉布斯现象。非下采样剪切波变换采用伪极象格坐标与笛卡尔坐标相互转换,通过二维卷积运算实现逆FFT操作,整个变换避免了下采样过程。非下采样的剪切波变换的基础是合成小波理论,通过结合仿射系统理论和多尺度几何变换,对图片进行多尺度几何分析,变换步骤包括多尺度变换和多方向变换。多尺度变换采用非下采样拉普拉斯金字塔算法,进行m 次分解后得到1个低频系数子带和m个高频系数子带。多方向变换采用经Meyer 小波构造窗函数改进的剪切滤波器,对高频图像进行方向滤波,滤波结果为NSST 高频方向系数,NSST示意图如2所示。
非下采样剪切波变换包括两个主要阶段:
A1:多尺度分解:运用非下采样金字塔分解对原始图像矩阵进行多尺度分解,分解结果为多个带通子带图像和一个低通子带图像,即多个高频系数矩阵和一个低频系数矩阵。若分解层数为n,则高频系数矩阵数为n个,低频系数矩阵为1个,由于分解过程采用了非下采样,这n+1个系数矩阵与原始图像矩阵大小相同。高频系数矩阵代表图像的细节内容,低频系数代表图像灰度聚集分布规律。
A2:多方向分解:使用剪切波滤波器实现多方向分解,首先将高频系数矩阵由伪极向坐标向笛卡尔坐标映射,然后通过Meyer小波窗函数构造的剪切波滤波器对子带图像进行卷积运算,运算结果为各尺度下的方向子带图像。
S300:对电气设备红外低频图像进行最大类间差分计算,得到背景与前景间
的分割阈值,将低频图像分割为环境背景与电气设备两类,具体包括步骤:
为了提升全图对比度,对低频进行自适应最大类间差分计算获取背景与设备间分割阈值。电气设备红外灰度值具有明显的聚集特征,背景灰度值低,设备灰度值高,最大类间差分法能够准确划分背景和设备区域。
最大类间差分法Otsu将图片分为前景和后景,对应电气设备目标和环境背景。假设待处理图像灰度级为L,灰度均值为u,设定阈值为ic,低于阈值和高于阈值的像素点分别占整幅图像比例为w0,w1,低于阈值的灰度均值为u0,高于阈值的灰度均值为u1,类间方差计算公式为
σ2(ic)=w0(u0-u)2+w1(u1-u)2
以σ2作为目标函数,ic为变量进行寻优,得到使类间方差σ2最大时的imax,以imax为界将图片分为前景和后景两部分。Otsu算法具体步骤为:
A1:令初始阈值i=0;
A2:将图像p分为p1和p2两类,计算p1、p2、p均值u0、u1、u,计算p1、 p2占全图比例w0、w1
Figure BDA0001732010990000091
Figure BDA0001732010990000101
A3:计算类间方差σ2
σ2(i)=w0(u0-u)2+w1(u1-u)2
A4:令初始阈值i=i+1,返回步骤A2,直至i=255;
A5:选取最大类间方差σ2 max时分割阈值ic,将图像分为前景和背景。
Otsu在数字图像分割领域效果显著,对于线路巡检、变电站维护等多种场景中红外图像能够精准分割成背景和电气设备,为低频增强做好铺垫。
S400:增强低频图像,对低频前景电气设备进行线性增强,低频背景进行直
方图均衡增强,具体包括步骤:
前景电气设备区域灰度值大,灰度跨度小,采用线性增强方法对其灰度范围进行拉伸,设原始灰度范围为[xmin xmax],增强后灰度范围为[xmin L-1],增强公式为
Figure BDA0001732010990000102
其中x为低频图像原始灰度值,xnew为增强后相应的灰度值。
背景主体为环境,不属于电气设备红外检测范围,需要加大其与电气设备主体灰度区别,同时一些分散在电气设备主体像素之外的部分如连接导线等灰度值偏低,在Otsu分割后被划分到背景中,因此需要提高亮度,增加辨识度。为了满足以上条件,本发明采用直方图均衡算法对后景进行处理。
直方图均衡算法基于统计学原理,通过统计图像中像素灰度值的分布函数,扩大图像灰度域范围,以达到图像对比度增强、信息熵增大、视觉效果更清晰的目的。
图像灰度值是离散变量,灰度值为x的概率密度为
Figure BDA0001732010990000103
其中,N为像素总数,nx为灰度值为x的像素数,L是灰度级,一般为28=256 级。图像的灰度分布函数为
Figure BDA0001732010990000104
标准直方图均衡算法对灰度分布函数乘以系数,作为新图像对应像素点的像素值,转换关系为
Figure BDA0001732010990000111
部分电气设备结构灰度值低于Otsu阈值,被划为背景部分,采用直方图均衡算法增大这部分设备与背景间的灰度差,减少设备细节的遗漏,能够保证背景亮度降低的同时突出灰度值小于Otsu阈值的设备像素点。由于Otsu阈值作为前景和背景的分割线,背景区域采用直方图均衡算法能够很好地降低灰度,处理结果比原图低频背景对比度更强。
S500:设计一种优化的模糊隶属度函数,对电气设备高频图像进行模糊增强,
具体包括步骤:
电气设备红外灰度图经NSST变换后的高频系数包含大量的边缘信息,目标设备边缘灰度值较非边缘灰度值低,呈现较暗的视觉效果。边界的定义没有量化的标准,模糊理论能够解决边界不确定事物的归类问题,因此本发明引用模糊理论对边缘进行判定和增强,对经典Pal-King算法进行改进,提高细节增强能力。
经典Pal-King算法模糊隶属度函数为
Figure BDA0001732010990000112
其中xij为图像(i,j)点的灰度值,L为灰度级,Fd是分母模糊参数,Fe是指数模糊参数,Fd和Fe共同决定模糊隶属度映射规律。
将增强后的隶属度按照模糊隶属度的反函数变换到[0L-1]范围内,即
Figure BDA0001732010990000113
经典Pal-King算法存在以下问题:在灰度值最小xmin时对应的隶属度μmin经过 S型增强得到μmin',而μmin'<μmin,在进行逆变换时无解,会被强制变换为0,损失了大量信息。本发明对Pal-King算法进行改进,选取新的模糊隶属度函数,减少信息损耗,同时保留算法原有优势,如图3所示。改进模糊隶属度函数为
Figure BDA0001732010990000114
改进模糊隶属度函数由于将隶属度变换域由[μmin 1]拓展到[0 1],增强变换后的隶属度能够完全反变换到灰度范围,不存在像素点信息遗漏,能够对全图细节进行有效增强。
映射后对隶属度进一步增强,采用S型变换,如图4所示:
Figure BDA0001732010990000121
S600:将增强后的低频系数和高频系数按照NSST逆变换合成新的电气设备
红外图像,具体包括步骤:
将处理结果按照NSST逆变换重构,能够获得增强的电气设备红外灰度图。由于在处理过程中特别注意了电气设备本体育环境的分割,以及细节、轮廓与模糊边缘、噪声的区别,重构的增强图像对比度提升明显,信息熵、边缘强度、标准差等评价指标也有效提高。
对某10kV线路变压器红外灰度图按照本发明算法进行处理,同时选取直方图均衡算法、经典pal-king算法、一种NSST域增强算法为对比,如图5所示。图5 (a)是HE算法结果图,HE算法对导线、电线杆、高压套管等细节增强效果不明显,与环境背景对比度低,灰度差距小,不便于肉眼识别。图5(b)是经典Pal-King 算法结果图,经典Pal-King算法将被测电气设备整体亮度增大,弱化了变压器油箱主体表面细节,难以分辨设备细节,不符合电气设备红外图像要求。图5(c) 是一种NSST域增强算法,提出采用NSST分解红外灰度图,低频部分线性增强,高频部分采用改进模糊增强算法,由于文献的改进模糊增强函数将渡越点降低到 0.2956,一定程度上削弱了高频细节,在处理结果图中设备边缘等细节模糊。图5 (d)是本发明算法结果图,低频部分很好的增强了环境与设备的对比度,高频部分的设备细节也被有效地增强,同时避免了因设备主体过亮造成的检测人员主观误判,在保留原图的灰度分布特征,视觉效果上更清晰舒适。
为了进一步评价本发明算法,选取边缘强度ES(Edge Strength,ES)、信息熵 IE(Information Entropy,IE)、对比度CR(Contrast Ratio,CR)、标准差SD(StandardDeviation,SD)四种客观评价指标对算法结果进行评价,如表1所示。
表1 变压器红外图像增强评价指标
Figure BDA0001732010990000122
Figure BDA0001732010990000131
以上各项中边缘强度是评价边缘是否明显的指标,一般用边缘点梯度幅值表示,本发明算法边缘强度远大于其他三种算法,说明本发明算法相比其他算法有更强的边缘增强能力,适用于处理细节较多的电气设备红外图像,能够有效地改善亮度过亮时细节不清的图像效果。信息熵是衡量图像信息量的评价指标,单位为比特,信息熵越大说明图像包含的信息内容越丰富,能够显示出更多的细节,本发明算法处理结果信息熵大,说明本发明算法能够很好的体现电气设备红外图像细节。对比度是图像增强算法的重要评价标准,体现了像素点与其附近点的灰度差均值,对比度越大说明图像细节越清晰,本发明算法处理结果对比度远高于其他算法,增强效果明显。标准差体现图像灰度层次的丰富程度,标准差越大,图像灰度级越多,更有利于人眼识别,本发明算法很好的拓展了图像灰度级,标准差比其他算法更大,在电气设备红外图像增强上极具优势。
本发明提出了一种基于非下采样剪切波变换的电气设备红外图像增强算法,能有效提高电气设备红外灰度图对比度,增强电气设备边缘和细节,抑制非边缘噪声干扰。
该方法首先对电气设备红外RGB图像进行灰度映射,获得灰度图像;其次,对电气设备灰度图像进行非下采样的剪切波变换(NSST),得到低频系数矩阵和高频系数矩阵;然后,对电气设备红外低频图像进行最大类间差分计算,得到背景与前景间的分割阈值,将低频图像分割为环境背景与电气设备两类,对环境背景进行直方图均衡增强,对电气设备区域进行线性增强;接着,设计一种改进pal-king算法对高频部分进行模糊增强;最后,将低频部分和高频部分进行NSST逆变换重构成增强图像。实验结果证明了本发明算法解决噪声抑制和图像增强的矛盾、传统滤波造成信息模糊和边缘增强的矛盾,实现了红外图像视觉效果增强,更有利于对电气设备进行状态评估和故障区域定位。
除了本发明算法之外,还有其他方案可实现本发明的目的,具体如下:
方案1:首先采用NSST对不同缺陷类型的电缆局放信号图进行分解,得到低频子带图和高频方向子带图,其中,低频子带图进行布谷鸟优化多尺度Retinex算法(CS-MSR)增强处理,高频方向子带图进行亮度保持动态模糊直方图均衡算法 (BPDFHE)增强处理。然后对NSST各子带图进行加权重构,得到增强的直流电缆局放信号图。增强的信号图细节更加丰富,且提高了电缆局放信号图的缺陷识别率,为直流电缆局放缺陷识别提供了新的思路。
方案2:首先,原始图像通过NSST被分解成低频子带和高频子带两部分。然后,对低频子带进行线性增强,提高整体对比度;采用自适应阈值法抑制高频子带的噪声,再对去噪后的高频子带进行引导滤波增强,提高图像的细节信息和边缘梯度保持能力。最后,对两部分子带进行NSST反变换,得到增强后的图像。,该算法的图像信息熵、峰值信噪比(PSNR)和结构相似性(SSIM)都有一定的提升,能明显地改善图像视觉效果,使得图像纹理更加清晰。
方案3:通过非下采样Shealet变换(NSST)将图像分解成低频和高频2部分,利用引导滤波来增强低频系数,避免了高频噪声的放大;对图像的高频系数进行非线性增益函数变换,在增强边缘及细节的同时抑制噪声。最后,对处理后的低频和高频系数实施NSST反变换,重构出最终的增强图像。由于引导滤波中的盒滤波半径与正则化参数对增强结果有较大影响,采用了混沌蜂群算法搜索其最佳值,确保增强结果达到最优。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于非下采样剪切波变换的电气设备红外图像增强方法,其特征在于,包括以下步骤:
步骤S100,建立红外图像RGB转灰度值映射关系,以灰度图像作为统一处理目标;
步骤S200,对实验所得的电气设备红外图像进行非下采样剪切波变换,得到非下采样剪切波分解系数;
步骤S300,对电气设备红外低频图像进行最大类间差分计算,得到背景与前景间的分割阈值,将低频图像分割为环境背景与电气设备两类;
步骤S400,增强低频图像,对低频前景电气设备进行线性增强,低频背景进行直方图均衡增强;
步骤S500,设计优化的模糊隶属度函数,对电气设备高频图像进行模糊增强;
步骤S600,将增强后的低频系数和高频系数按照NSST逆变换合成新的电气设备红外图像;
所述的步骤S500,具体包括:
电气设备红外灰度图经NSST变换后的高频系数包含大量的边缘信息,目标设备边缘灰度值较非边缘灰度值低,呈现较暗的视觉效果;边界的定义没有量化的标准,模糊理论能够解决边界不确定事物的归类问题,因此引用模糊理论对边缘进行判定和增强,对经典Pal-King算法进行改进,提高细节增强能力;
所述的对经典Pal-King算法进行改进具体为:
经典Pal-King算法模糊隶属度函数为
Figure FDA0003270036080000011
其中xij为图像(i,j)点的灰度值,L为灰度级,Fd是分母模糊参数,Fe是指数模糊参数,Fd和Fe共同决定模糊隶属度映射规律,映射后对隶属度进一步增强,采用S型变换:
Figure FDA0003270036080000012
将增强后的隶属度按照模糊隶属度的反函数变换到[0 , L-1]范围内,即
Figure FDA0003270036080000021
经典Pal-King算法存在以下问题:在灰度值最小xmin时对应的隶属度μmin经过S型增强得到μmin',而μmin'<μmin,在进行逆变换时无解,会被强制变换为0,损失了大量信息;对Pal-King算法进行改进,选取新的模糊隶属度函数,减少信息损耗,同时保留算法原有优势;改进模糊隶属度函数为
Figure FDA0003270036080000022
其中xmax为灰度值最大,xmin为灰度值最小;
改进模糊隶属度函数由于将隶属度变换域由[μmin , 1]拓展到[0 , 1],增强变换后的隶属度能够完全反变换到灰度范围,不存在像素点信息遗漏,能够对全图细节进行有效增强。
2.根据权利要求1所述的方法,其特征在于,所述的步骤S100,具体包括:
RGB图片转灰度图片的映射公式如下:
Gray=R*0.299+G*0.587+B*0.114 (1)
其中RGB彩色图片基础色是红R、绿G、蓝B,通过调整叠加过程中三通道颜色占比,实现展示不同色彩的目的;通常用一个三维数组表示R、G、B三个通道,R、G、B取值范围为0~255;同样灰度的取值范围是0~255;
灰度图片能表达红外信息,同时灰度图片具有更广泛的使用范围,生成检测报告时更多的使用黑白打印模式,因此在增强之前需要统一图片格式,如果红外图像是灰度格式,保持此格式等待进入下一步骤;如果红外图像是RGB格式,采用公式(1)进行映射,获取原始图片的灰度格式。
3.根据权利要求1所述的方法,其特征在于,所述的步骤S200,具体包括:
非下采样剪切波变换采用伪极象格坐标与笛卡尔坐标相互转换,通过二维卷积运算实现逆FFT操作,整个变换避免了下采样过程;非下采样的剪切波变换的基础是合成小波理论,通过结合仿射系统理论和多尺度几何变换,对图片进行多尺度几何分析,变换步骤包括多尺度变换和多方向变换;多尺度变换采用非下采样拉普拉斯金字塔算法,进行m次分解后得到1个低频系数子带和m个高频系数子带;多方向变换采用经Meyer小波构造窗函数改进的剪切滤波器,对高频图像进行方向滤波,滤波结果为NSST高频方向系数。
4.根据权利要求3所述的方法,其特征在于,所述的非下采样剪切波变换包括:
阶段A1,多尺度分解:运用非下采样金字塔分解对原始图像矩阵进行多尺度分解,分解结果为多个带通子带图像和一个低通子带图像,即多个高频系数矩阵和一个低频系数矩阵;若分解层数为n,则高频系数矩阵数为n个,低频系数矩阵为1个,由于分解过程采用了非下采样,这n+1个系数矩阵与原始图像矩阵大小相同;高频系数矩阵代表图像的细节内容,低频系数代表图像灰度聚集分布规律;
阶段A2,多方向分解:使用剪切波滤波器实现多方向分解,首先将高频系数矩阵由伪极向坐标向笛卡尔坐标映射,然后通过Meyer小波窗函数构造的剪切波滤波器对子带图像进行卷积运算,运算结果为各尺度下的方向子带图像。
5.根据权利要求1所述的方法,其特征在于,所述的步骤S300,具体包括:
为了提升全图对比度,对低频进行自适应最大类间差分计算获取背景与设备间分割阈值,电气设备红外灰度值具有明显的聚集特征,背景灰度值低,设备灰度值高,最大类间差分法能够准确划分背景和设备区域;
最大类间差分法Otsu算法将图片分为前景和后景,对应电气设备目标和环境背景;假设待处理图像灰度级为L,灰度均值为u,设定阈值为ic,低于阈值和高于阈值的像素点分别占整幅图像比例为w0和w1,低于阈值的灰度均值为u0,高于阈值的灰度均值为u1,类间方差计算公式为
σ2(ic)=w0(u0-u)2+w1(u1-u)2 (2)
以σ2作为目标函数,ic为变量进行寻优,得到使类间方差σ2最大时的imax,以imax为界将图片分为前景和后景两部分。
6.根据权利要求5所述的方法,其特征在于,所述的Otsu算法,具体包括以下步骤:
步骤A1:令初始阈值i=0;
步骤A2:将图像像素点p分为p1和p2两类,计算p1、p2、p均值u0、u1、u,计算p1、p2占全图比例w0、w1
Figure FDA0003270036080000031
Figure FDA0003270036080000032
其中ui为pi类像素点对应的像素点灰度均值;
Npi为pi类像素点包含的像素点数量;
f(x,y)为位置坐标为(x,y)的像素点灰度值;
wi为pi类像素点占全图像素点总数的比例;
N为全图像素点总数;
步骤A3:计算类间方差σ2
σ2(i)=w0(u0-u)2+w1(u1-u)2 (5)
步骤A4:令初始阈值i=i+1,返回步骤A2,直至i=255;
步骤A5:选取最大类间方差σ2 max时分割阈值ic,将图像分为前景和背景。
7.根据权利要求1所述的方法,其特征在于,所述的步骤S400,具体包括:
前景电气设备区域灰度值大,灰度跨度小,采用线性增强方法对其灰度范围进行拉伸,设原始灰度范围为[xmin , xmax],增强后灰度范围为[xmin , L-1],增强公式为
Figure FDA0003270036080000041
其中x为低频图像原始灰度值,xnew为增强后相应的灰度值,L为灰度级;
采用直方图均衡算法对后景进行处理:
直方图均衡算法基于统计学原理,通过统计图像中像素灰度值的分布函数,扩大图像灰度域范围,以达到图像对比度增强、信息熵增大、视觉效果更清晰的目的,
图像灰度值是离散变量,灰度值为x的概率密度为
Figure FDA0003270036080000042
其中,N为像素总数,nx为灰度值为x的像素数,L为灰度级,为28=256级,图像的灰度分布函数f(x)为
Figure FDA0003270036080000043
标准直方图均衡算法对灰度分布函数乘以系数,作为新图像对应像素点的像素值T(x),转换关系为
Figure FDA0003270036080000044
部分电气设备结构灰度值低于Otsu阈值,被划为背景部分,采用直方图均衡算法增大这部分设备与背景间的灰度差,减少设备细节的遗漏,能够保证背景亮度降低的同时突出灰度值小于Otsu阈值的设备像素点。
8.根据权利要求1所述的方法,其特征在于,所述的步骤S600,具体包括:
将处理结果按照NSST逆变换重构,能够获得增强的电气设备红外灰度图。
CN201810778614.0A 2018-07-16 2018-07-16 基于非下采样剪切波变换的电气设备红外图像增强方法 Active CN109035166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810778614.0A CN109035166B (zh) 2018-07-16 2018-07-16 基于非下采样剪切波变换的电气设备红外图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810778614.0A CN109035166B (zh) 2018-07-16 2018-07-16 基于非下采样剪切波变换的电气设备红外图像增强方法

Publications (2)

Publication Number Publication Date
CN109035166A CN109035166A (zh) 2018-12-18
CN109035166B true CN109035166B (zh) 2022-02-01

Family

ID=64642663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810778614.0A Active CN109035166B (zh) 2018-07-16 2018-07-16 基于非下采样剪切波变换的电气设备红外图像增强方法

Country Status (1)

Country Link
CN (1) CN109035166B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961408B (zh) * 2019-02-26 2023-03-14 山东理工大学 基于nsct和块匹配滤波的光子计数图像去噪方法
CN109903251B (zh) * 2019-02-27 2022-02-01 湖北工业大学 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法
CN110009583A (zh) * 2019-03-28 2019-07-12 上海交通大学 基于灰度均衡和nsct分解的红外图像预处理方法
CN110021031B (zh) * 2019-03-29 2023-03-10 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN110455827A (zh) * 2019-08-13 2019-11-15 高瑶 一种智能新能源电池板合格检测系统及方法
CN111127340B (zh) * 2019-12-05 2023-01-24 南京工程学院 一种图像去雾方法
CN111062954B (zh) * 2019-12-30 2022-07-08 中国科学院长春光学精密机械与物理研究所 一种基于差分信息统计的红外图像分割方法、装置及设备
CN111507347A (zh) * 2020-04-09 2020-08-07 华北电力大学 一种基于偏微分方程的电力设备红外图像增强与分割方法
CN111768360A (zh) * 2020-05-07 2020-10-13 陕西师范大学 一种基于剪切波处理高分三号sar图像河岸线检测方法
CN111768350B (zh) * 2020-06-10 2022-12-20 中国人民解放军军事科学院国防科技创新研究院 一种红外图像增强方法及系统
CN112508991B (zh) * 2020-11-23 2022-05-10 电子科技大学 一种前后景分离的熊猫照片卡通化方法
CN112819775B (zh) * 2021-01-28 2022-07-19 中国空气动力研究与发展中心超高速空气动力研究所 一种航空航天复合材料损伤检测图像的分割强化方法
CN112884674A (zh) * 2021-03-12 2021-06-01 汉得利(常州)电子股份有限公司 一种基于contourlet变换的红外阵列图像增强系统及方法
CN113592727A (zh) * 2021-06-30 2021-11-02 国网吉林省电力有限公司延边供电公司 基于nsst域的电力设备红外图像增强方法
CN113689333A (zh) * 2021-08-23 2021-11-23 深圳前海微众银行股份有限公司 一种图像增强的方法及装置
CN113763397B (zh) * 2021-09-03 2024-03-29 国网山东省电力公司电力科学研究院 复合绝缘子故障检测方法及系统
CN113793384B (zh) * 2021-09-15 2023-08-22 上海大学 一种基于图像处理的石油钻杆变径定位方法及系统
CN113837974B (zh) * 2021-09-28 2023-10-13 国网上海市电力公司 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法
CN114216931B (zh) * 2021-11-05 2024-07-02 中国矿业大学 一种基于红外图像的带式输送机煤炭自燃检测方法
CN114240990B (zh) * 2021-12-07 2023-04-28 电子科技大学 Sar图像点目标分割方法
CN114240789B (zh) * 2021-12-21 2024-04-16 华南农业大学 一种基于优化的保持亮度的红外图像直方图均衡增强方法
CN115272376B (zh) * 2022-09-27 2022-12-20 山东鑫科来信息技术有限公司 基于机器视觉的浮动打磨头控制方法
CN116703755A (zh) * 2022-12-19 2023-09-05 济宁市健达医疗器械科技有限公司 用于医疗废弃物冷库的遗漏风险监控系统
CN116309203B (zh) * 2023-05-19 2023-08-01 中国人民解放军国防科技大学 一种偏振视觉自适应增强的无人平台运动估计方法和装置
CN118396893B (zh) * 2024-06-26 2024-09-13 西安高商智能科技有限责任公司 一种面向电阻阵列红外成像的图像增强方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324021A (zh) * 2011-09-05 2012-01-18 电子科技大学 一种基于剪切波变换的红外弱小目标检测方法
CN103489013A (zh) * 2013-09-18 2014-01-01 航天科工深圳(集团)有限公司 一种用于电力设备监测的图像识别方法
CN103676874A (zh) * 2013-12-13 2014-03-26 国家电网公司 变电站一体化综合监控系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7133003B2 (en) * 2004-08-05 2006-11-07 Searete Llc Cosmetic enhancement mirror
CN103871029B (zh) * 2014-01-28 2017-06-06 西安科技大学 一种图像增强及分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324021A (zh) * 2011-09-05 2012-01-18 电子科技大学 一种基于剪切波变换的红外弱小目标检测方法
CN103489013A (zh) * 2013-09-18 2014-01-01 航天科工深圳(集团)有限公司 一种用于电力设备监测的图像识别方法
CN103676874A (zh) * 2013-12-13 2014-03-26 国家电网公司 变电站一体化综合监控系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Infrared Image Enhancement and Segmentation for Extracting the Thermal Anomalies in Electrical Equipment;M. S. Jadin等;《ELECTRONICS AND ELECTRICAL ENGINEERING》;20120403;第4卷(第120期);107-112 *
UUV 海面红外侦察图像自适应归并直方图拉伸增强算法;张勋等;《应用科技》;20171231;第44卷(第6期);正文第2.1节 *
图像增强算法综述;王浩等;《中国光学》;20170831;第10卷(第4期);正文第2.1节 *
基于NSST 和模糊隶属度的红外图像增强算法;谭海佩等;《激光杂志》;20170428(第7期);正文第2章、第3.1-3.3节、第4章 *
基于多通道特征聚合的盲图像质量评价;张维夏等;《华中科技大学学报(自然科学版)》;20180713;第46卷(第7期);正文第1.5节 *
自适应图像模糊增强快速算法;姜枕等;《计算机工程》;20111031;第37卷(第19期);213-215 *
非下采样Shearlet变换与参数化对数图像处理相结合的遥感图像增强;陶飞翔等;《测绘学报》;20150831;第44卷(第8期);正文第2章、第3.1节、第3.2节、第3.3节 *

Also Published As

Publication number Publication date
CN109035166A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109035166B (zh) 基于非下采样剪切波变换的电气设备红外图像增强方法
Rajkumar et al. A comparative analysis on image quality assessment for real time satellite images
Kandhway et al. An optimal adaptive thresholding based sub-histogram equalization for brightness preserving image contrast enhancement
CN106530244B (zh) 一种图像增强方法
CN105654433A (zh) 基于改进多尺度Retinex的彩色图像增强方法
CN113837974B (zh) 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法
CN112070717B (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN109447903B (zh) 一种半参考型超分辨率重构图像质量评价模型的建立方法
CN108154490A (zh) 基于改进模糊集理论的高压输电线路绝缘子图像增强方法
CN112666426A (zh) 基于多光谱三合一图像的设备故障检测方法及系统
CN114170103A (zh) 一种电气设备红外图像增强方法
CN113592729A (zh) 基于nsct域的电力设备红外图像增强方法
CN114881905A (zh) 一种基于小波变换的红外图像与可见光图像融合的处理方法
CN113538409B (zh) 基于模糊逻辑和anfis的宫颈癌图像区域分割方法
CN113379671A (zh) 一种开关类设备局部放电诊断系统及诊断方法
Thai et al. Performance evaluation of high dynamic range image tone mapping operators based on separable non-linear multiresolution families
Kannan et al. Optimal decomposition level of discrete wavelet transform for pixel based fusion of multi-focused images
CN115908155A (zh) Nsst域结合gan及尺度相关系数的低照度图像增强及去噪方法
CN111325720B (zh) 一种多视觉特征集成的无参考超分辨图像质量评价方法
Chandana et al. An optimal image dehazing technique using dark channel prior
Liu et al. Low Illumination Image Enhancement Algorithm Combining Homomorphic Filtering and Retinex
Li et al. SAR and Infrared Image Fusion based on Latent Low-rank Representation
Reddy et al. Guided image filtering for image enhancement
Wu et al. Remote sensing image data fusion based on ihs and local deviation of wavelet transformation
Yin et al. Enhancement of Low-Light Image using Homomorphic Filtering, Unsharp Masking, and Gamma Correction

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