CN110930358A - 一种基于自适应算法的太阳能面板图像处理方法 - Google Patents

Abstract

本发明公开了一种基于自适应算法的太阳能面板图像处理方法，包括：S1：获取太阳能面板图像，并将其格式转换为RGB三通道；S2：进行图像增强并进行灰度图转换；S3：将灰度图转换后的太阳能面板图像进行阈值二值化去噪；S4：对图像进行形态学运算；S5：设置轮廓检测约束条件，进行轮廓检测获取太阳能面板整体轮廓；S6：重复步骤S2‑S5，直至获取的待分割区域的轮廓数大于预设值，执行步骤S7；S7：将太阳能面板整体轮廓区域进行透视变换到预定义的投影平面；S8：将太阳能面板整体轮廓区按照每个待分割区域的轮廓进行图像切割，进行图像缩放，得到图像分割结果。本发明实现了图像分割时的高效去噪，具有较高的可拓展性和阈值自适应性效果稳定性。

Description

一种基于自适应算法的太阳能面板图像处理方法

技术领域

本发明涉及图像处理领域，更具体地，涉及一种基于自适应算法的太阳能面板图像处理方法。

背景技术

图像分割是图像处理的重要分支，当前图像分割技术主要包括：基于边缘的图像分割技术、基于阈值的图像分割技术、基于模糊聚类的分割技术、基于形变模型的分割技术，当前的图像分割技术无法解决以下问题：

噪声多样化

针对一张太阳能面板图像，其噪声剔除是图像处理中最复杂且难度最大的一个技术问题。图片分辨率低，亮度暗，拍照角度不正，干扰物体复杂繁多等等使得图片掺杂的无效信息极为繁多，噪声多样化。传统的技术方法只能针对于特定场景的规则化图像。

智能化问题

现有的图像分割技术，大多数是针对于少量图片样本进行研究，进而分析图片分割的效果。而在大量样本的测试过程中无法达到自适应的智能化效果，对某种类型的图片样本分割效果很好，但差异类型较大的图片样本分割效果可能较差。

自适应阈值难以确定

现有的图像分割技术中，基于阈值分割的技术在进行阈值分割中会完全依赖于阈值的选择。当阈值自适应的效果不稳定时，容易受到图像灰度信息缺陷的影响。

需要大量的数据积累

现有的图像分割技术，当需要用到深度学习网络进行图片切割时，在模型训练过程中会需要使用到大量的训练样本。这可能会出现训练效率低、算法收敛速度慢等情况。

因此亟需研究一种能高效去噪、可拓展性强、阈值自适应效果稳定的图像分割方法。

发明内容

本发明为克服上述现有技术中图像分割去噪效果差、可拓展性不强、阈值自适应效果不稳定的缺陷，提供一种基于自适应算法的太阳能面板图像处理方法。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种基于自适应算法的太阳能面板图像处理方法，包括以下步骤：

S1：获取太阳能面板图像，并将其格式转换为RGB三通道；

S2：将格式转换后的太阳能面板图像进行图像增强并进行灰度图转换；

S3：将灰度图转换后的太阳能面板图像进行阈值二值化去噪；

S4：将阈值二值化去噪处理后的太阳能面板图像进行形态学运算；

S5：设置轮廓检测约束条件，对形态学处理后的太阳能面板图像进行轮廓检测获取太阳能面板整体轮廓，所述太阳能面板整体轮廓内包括有若干待分割区域的轮廓；

S6：重复步骤S2-S5，直至获取的待分割区域的轮廓数大于预设值，执行步骤S7；

S7：将获取的太阳能面板整体轮廓区域进行透视变换到预定义的投影平面；

S8：在预定义的投影平面上将太阳能面板整体轮廓区按照每个待分割区域的轮廓进行图像切割，同时根据每个待分割区域图像分辨率进行图像的缩放，得到太阳能面板图像分割结果。

进一步地，所述图像增强处理的图像参数包括有：图像亮度、图像色度、图像对比度、图像锐度。

进一步地，所述去噪处理是通过阈值二值化去噪处理，具体为：

设置两层阈值二值化搜索网，包括：第一层全局阈值二值化和第二层自适应局部阈值二值化，所述第一层全局阈值二值化用于滤除太阳能面板区域外的噪声；第二层自适应局部阈值二值化通过预设一个固定大小的区域，比较固定区域外的像素点与固定区域内像素点的特征大小关系来确定像素点的颜色。

进一步地，所述比较固定区域外的像素点与固定区域内像素点的特征关系来确定像素点的颜色，即通过比较固定区域外的像素点值与固定区域内像素点像素值的大小来确定像素点的颜色，具体为：

若固定区域外的像素点的值大于固定区域内像素点的值，则固定区域外的像素点为黑色；

若固定区域外的像素点的值小于固定区域内像素点的值，则固定区域外的像素点为白色。

进一步地，所述形态学运算包括：图像腐蚀、图像膨胀，所述图像腐蚀核函数的核小于图像膨胀核函数的核。

进一步地，所述轮廓检测约束条件包括：待分割区域的轮廓面积、待分割区域的轮廓周长、待分割区域轮廓的形心至太阳能面板整体轮廓角点的距离信息。

进一步地，将获取的太阳能面板整体轮廓区域进行透视变换到预定义的投影平面具体步骤为：

确定太阳能面板整体轮廓区域的角点原始位置矩阵，根据投影中心到预设投影平面之间的距离，确定预设投影平面的角点位置矩阵，利用角点原始位置矩阵和预设投影平面的角点位置矩阵计算变换矩阵，利用变换矩阵将太阳能面板整体轮廓图像的矩阵完成透视变换。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过全局和局部结合的阈值二值化实现了高效去噪，通过可设置的轮廓检测约束条件增强了图像分割方法的可拓展性，通过待分割区域的轮廓数预设值作为判断条件提高了阈值自适应效果稳定性。

附图说明

图1为本发明方法流程图。

图2所示为图像增强的效果示意图。

图3所示为阈值二值化处理效果图。

图4所示为轮廓检测效果图。

图5所示为透视变换的效果图。

图6所示为太阳能面板图像切割效果图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

名词解释

几何变换：太阳能板图像处理过程中，由于摄像角度和尺寸问题，图像存在不便于人们查看的情况，难以精准分割。而图像几何变换目的是为了根据需求情况，灵活调整图像的位置、大小、角度等特征，其变换主要包括平移、旋转、缩放、仿射和透视等功能。

轮廓检测：目前轮廓检测的方法有两大类：一类是利用传统的边缘检测算子进行目标轮廓的检测，另一类是从人类视觉系统中提取可以使用的数学模型完成目标轮廓的检测。前者是一种低层视觉行为，主要定义了亮度、颜色等特征的低层突变，通过标识图像中亮度明显的点来完成边缘检测，因此很难形成相对完整的封闭的目标轮廓。所以目前轮廓检测的技术研究会更多考虑视觉中层和高层信息，倾向于后者。

实施例1

如图1所示一种基于自适应算法的太阳能面板图像处理方法流程图。

一种基于自适应算法的太阳能面板图像处理方法，包括以下步骤：

S1：获取太阳能面板图像，并将其格式转换为RGB三通道；

S2：将格式转换后的太阳能面板图像进行图像增强并进行灰度图转换；

本方案中，图像增强处理中调整的图像参数包括：图像亮度、图像色度、图像对比度、图像锐度，需要说明的是，上述图像参数为可选调整参数，在一个实施例中，图像增强可以通过设置增强因子来量化增强，亮度、色度、锐度的增强因子都设置为默认值1.0即为保持原图像效果，对比度是设置为2.0，增强黑色像素点和白色像素的差异程度，使其更容易区分太阳能面板和背景的颜色差异。

如图2所示为图像增强的效果示意图。

如图3所示为阈值二值化处理效果图。

S3：将灰度图转换后的太阳能面板图像进行阈值二值化去噪；

在本方案中，所述通过阈值二值化去噪处理，具体为：

设置两层阈值二值化搜索网，包括：第一层全局阈值二值化和第二层自适应局部阈值二值化，所述第一层全局阈值二值化用于滤除太阳能面板区域外的噪声；第二层自适应局部阈值二值化通过预设一个固定大小的区域，比较固定区域外的像素点与固定区域内像素点的特征大小关系来确定像素点的颜色。

更具体的，也就是根据固定区域外和区域内的像素点所形成的像素分布，将高概率出现的像素点作为一个阈值，然后通过全局和局部搜索区域进行阈值调整，确定最终的像素点颜色。

S4：将阈值二值化去噪处理后的太阳能面板图像进行形态学运算；

本方案中，所述形态学运算包括：图像腐蚀、图像膨胀，所述图像腐蚀核函数的核小于图像膨胀核函数的核。在一个具体的实施例中，图像腐蚀的核函数设置成3*3白色矩形，图像膨胀的核函数设置成5*5白色矩形，所述图像腐蚀就是搜索图像中的除轮廓像素外的离散的噪声像素进行形态学运算进行消除，所述图像膨胀就是搜索轮廓像素进行形态学运算进行膨胀，总体效果就是黑白二值图上轮廓的白色像素点加粗，白色离散噪声像素点消除。

如图4所示为轮廓检测效果图。

S5：设置轮廓检测约束条件，对形态学处理后的太阳能面板图像进行轮廓检测获取太阳能面板整体轮廓，所述太阳能面板整体轮廓内包括有若干待分割区域的轮廓；

在本方案中，所述轮廓检测约束条件包括：待分割区域的轮廓面积、待分割区域的轮廓周长、待分割区域轮廓的形心至太阳能面板整体轮廓角点的距离信息。

在一个具体的实施例中，通过设置轮廓检测约束条件后，可以通过动态描点观察轮廓检测的效果，根据轮廓检测结果调整轮廓检测约束条件。

S6：重复步骤S2-S5，直至获取的待分割区域的轮廓数大于预设值，执行步骤S7；

S7：将获取的太阳能面板整体轮廓区域进行透视变换到预定义的投影平面；

本方案中，将获取的太阳能面板整体轮廓区域进行透视变换到预定义的投影平面具体步骤为：

确定太阳能面板整体轮廓区域的角点原始位置矩阵，根据投影中心到预设投影平面之间的距离，确定预设投影平面的角点位置矩阵，利用角点原始位置矩阵和预设投影平面的角点位置矩阵计算变换矩阵，利用变换矩阵将太阳能面板整体轮廓图像的矩阵完成透视变换。

在一个具体的实施例中，设太阳能面板整体轮廓区域的角点原始位置矩阵为A,预设投影平面的角点位置矩阵C,转换矩阵为B，则AB＝C，推导出转换矩阵B＝A^-1C,将太阳能面板整体轮廓图像的矩阵乘以转换矩阵得到透视变换的结果。

如图5所示为透视变换的效果图。

S8：在预定义的投影平面上将太阳能面板整体轮廓区按照每个待分割区域的轮廓进行图像切割，同时根据每个待分割区域图像分辨率进行图像的缩放，得到太阳能面板图像分割结果。在具体的一个具体的实施中，可以将需要缩放的图片分辨率调整为清晰的参考值300dpi。

如图6所示为太阳能面板图像切割效果图。

进一步地，所述比较固定区域外的像素点与固定区域内像素点的特征关系来确定像素点的颜色，即通过比较固定区域外的像素点值与固定区域内像素点像素值的大小来确定像素点的颜色，具体为：

若固定区域外的像素点的值大于固定区域内像素点的值，则固定区域外的像素点为黑色；

若固定区域外的像素点的值小于固定区域内像素点的值，则固定区域外的像素点为白色。

显然，本发明的上述实施例仅仅是为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 (7)

1.一种基于自适应算法的太阳能面板图像处理方法，其特征在于，包括以下步骤：

S1：获取太阳能面板图像，并将其格式转换为RGB三通道；

S2：将格式转换后的太阳能面板图像进行图像增强并进行灰度图转换；

S3：将灰度图转换后的太阳能面板图像进行阈值二值化去噪；

S4：将阈值二值化去噪处理后的太阳能面板图像进行形态学运算；

S5：设置轮廓检测约束条件，对形态学处理后的太阳能面板图像进行轮廓检测获取太阳能面板整体轮廓，所述太阳能面板整体轮廓内包括有若干待分割区域的轮廓；

S6：重复步骤S2-S5，直至获取的待分割区域的轮廓数大于预设值，执行步骤S7；

S7：将获取的太阳能面板整体轮廓区域进行透视变换到预定义的投影平面；

S8：在预定义的投影平面上将太阳能面板整体轮廓区按照每个待分割区域的轮廓进行图像切割，同时根据每个待分割区域图像分辨率进行图像的缩放，得到太阳能面板图像分割结果。

2.根据权利要求1所述的一种基于自适应算法的太阳能面板图像处理方法，其特征在于，所述图像增强处理的图像参数包括有：图像亮度、图像色度、图像对比度、图像锐度。

3.根据权利要求1所述的一种基于自适应算法的太阳能面板图像处理方法，其特征在于，所述去噪处理是通过阈值二值化去噪处理，具体为：

设置两层阈值二值化搜索网，包括：第一层全局阈值二值化和第二层自适应局部阈值二值化，所述第一层全局阈值二值化用于滤除太阳能面板区域外的噪声；第二层自适应局部阈值二值化通过预设一个固定大小的区域，比较固定区域外的像素点与固定区域内像素点的特征大小关系来确定像素点的颜色。

4.根据权利要求1所述的一种基于自适应算法的太阳能面板图像处理方法，其特征在于，所述比较固定区域外的像素点与固定区域内像素点的特征关系来确定像素点的颜色，即通过比较固定区域外的像素点值与固定区域内像素点像素值的大小来确定像素点的颜色，具体为：

若固定区域外的像素点的值大于固定区域内像素点的值，则固定区域外的像素点为黑色；

若固定区域外的像素点的值小于固定区域内像素点的值，则固定区域外的像素点为白色。

5.根据权利要求1所述的一种基于自适应算法的太阳能面板图像处理方法，其特征在于，所述形态学运算包括：图像腐蚀、图像膨胀，所述图像腐蚀核函数的核小于图像膨胀核函数的核。

6.根据权利要求1所述的一种基于自适应算法的太阳能面板图像处理方法，其特征在于，所述轮廓检测约束条件包括：待分割区域的轮廓面积、待分割区域的轮廓周长、待分割区域轮廓的形心至太阳能面板整体轮廓角点的距离信息。

7.根据权利要求1所述的一种基于自适应算法的太阳能面板图像处理方法，其特征在于，将获取的太阳能面板整体轮廓区域进行透视变换到预定义的投影平面具体步骤为：

确定太阳能面板整体轮廓区域的角点原始位置矩阵，根据投影中心到预设投影平面之间的距离，确定预设投影平面的角点位置矩阵，利用角点原始位置矩阵和预设投影平面的角点位置矩阵计算变换矩阵，利用变换矩阵将太阳能面板整体轮廓图像的矩阵完成透视变换。

Images