CN111192281A - 一种基于视觉感知机制的电气设备图像自动生成方法 - Google Patents
一种基于视觉感知机制的电气设备图像自动生成方法 Download PDFInfo
- Publication number
- CN111192281A CN111192281A CN202010002848.3A CN202010002848A CN111192281A CN 111192281 A CN111192281 A CN 111192281A CN 202010002848 A CN202010002848 A CN 202010002848A CN 111192281 A CN111192281 A CN 111192281A
- Authority
- CN
- China
- Prior art keywords
- image
- inhibition
- gaussian
- contour
- edge
- 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 32
- 230000007246 mechanism Effects 0.000 title claims abstract description 20
- 230000016776 visual perception Effects 0.000 title claims abstract description 19
- 230000005764 inhibitory process Effects 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 230000001629 suppression Effects 0.000 claims abstract description 11
- 238000003708 edge detection Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000002452 interceptive effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 14
- 238000005290 field theory Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06T7/13—Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于视觉感知机制的电气设备图像自动生成方法,包括:(1)对用户图片进行交互式预处理;(2)对步骤(1)得到的输入图像进行灰度变换,得到灰度图像;(3)利用二元高斯核对灰度图像进行高斯平滑处理,进一步去除目标物体噪声,得到输入高斯梯度图像;(4)计算输入图像外区抑制量;(5)计算获得各级抑制后响应;(6)利用Canny算子对各级抑制后响应进行边缘检测,得到边缘集合;(7)计算所有边缘集合的交集和并集,并以交集作为种子点在并集中选择强边缘;(8)二值化概率图得到感兴趣物体轮廓;(9)后处理得到电气设备图像。本发明可自动快速地生成图像中目标物体的轮廓和特征线条,从而自动生成电气设备图像。
Description
技术领域
本发明涉及机器视觉技术领域,具体是一种基于视觉感知机制的电气设备图像自动生成方法。
背景技术
智能电网建设到如今,智能巡视已经越来越广泛的应用到电力业务过程中,如何让计算机能快速识别电气一二次设备位置状态是智能巡检的重中之重,利用巡视中摄像机提取被测对象的影像文件,比对综合判断变电站的运行状态,这需要智能设备能够对图像进行处理,自动生成目标物体的轮廓或简易线条,并且这些轮廓或简易线条能够形象地勾画出目标物体的主要特征。
针对上述问题,本发明提出一种通用的基于视觉感知机制的电气设备图像自动生成方法,可以快速有效地生成目标物体的轮廓和特征线条。
发明内容
本发明的目的在于提供一种基于视觉感知机制的电气设备图像自动生成方法,其目的在于利用图像处理技术自动快速地生成图像中目标物体的轮廓和特征线条,方便人们模仿,用电气设备简单形象地表达目标物体的主要特征。
实现本发明目的所采用的具体技术方案如下:
一种基于视觉感知机制的电气设备图像自动生成方法,包括以下步骤:
(1)对用户图片进行交互式预处理,用户在图片区域以任意形状选取图片感兴趣区域,去除背景噪声,确定目标物体,得到输入图像;
(2)对步骤(1)得到的输入图像进行灰度变换,得到灰度图像;
(3)利用二元高斯核对灰度图像进行高斯平滑处理,进一步去除目标物体噪声,得到输入高斯梯度图像;
(4)根据人类视觉感知机制,利用一组旋转不变滤波器作为外区抑制核函数对步骤(3)得到的输入高斯梯度图像进行卷积,计算输入图像外区抑制量;
(5)根据步骤(3)的高斯梯度图和步骤(4)得到的输入图像外区抑制量,利用多水平抑制参数,计算获得各级抑制后响应;
(6)利用Canny算子对各级抑制后响应进行边缘检测,得到边缘集合;
(7)计算所有边缘集合的交集和并集,并以交集作为种子点在并集中选择强边缘;
(8)根据马尔科夫随机场理论建立轮廓概率图,二值化概率图得到感兴趣物体轮廓;
(9)用户根据自动生成的感兴趣物体轮廓进行擦除或连接操作,进一步去除噪声或对轮廓进行增强,得到满意的电气设备图像。
进一步的,步骤(3)所述的高斯平滑处理中的二元高斯核公式为:
式中,(x,y)为高斯核中元素的模版坐标(模版中心位置为原点),σ为高斯核的方差。
进一步的,步骤(4)所述的输入图像外区抑制量的计算过程为:
第一步,选取一组不变滤波器,其生成函数定义为:
式中,θ表示梯度方向。
进一步的,步骤(5)所述的各级抑制响应的计算公式为:
进一步的,步骤(7)所述的强边缘选择过程为:
第一步,对于不同抑制水平λk作用下的二值图像b(p,λk),根据以下公式分别计算其交集Bp,i和并集Bp,u:
Bp,u=k=0nb(p,λk)
第二步,以交集作为种子轮廓,遍历并集中所有的弱边缘Eu,如弱边缘Eu与种子轮廓有部分像素点发生重叠,则将弱边缘Eu加入到组合结果b(p,c)中,有:
其中,
进一步的,步骤(8)所述的根据马尔科夫随机场理论建立轮廓概率图具体过程为:
第一步,假设步骤(7)得到的强边缘组合结果b(p,c)满足马尔科夫随机场分布;
第二步,定义b(p,c)中每条轮廓e为目标轮廓的概率为:
式中,emax表示b(p,c)中的最长轮廓;L(*)表示轮廓长度;
第三步,根据马尔科夫随机场理论计算轮廓点概率p(x,y,r):
其中,w(x,y,e)=[1-δ(e∩U(x,y,r))],U(x,y,r)表示轮廓点(x,y)的r邻域。;
第四步,设定阈值Tp,感兴趣物体的最终轮廓输出b(x,y)定义为:
b(x,y)=p(x,y,r)>Tp。
本发明的电气设备自动生成方法根据人类视觉系统可以减弱视神经元对纹理性边缘响应的外区抑制特性,利用基于外区抑制特性的仿生轮廓检测方法,在提取图像中感兴趣对象的候选轮廓的同时,有效抑制纹理性边缘,并结合马尔科夫随机场对候选轮廓进行概率图建模,进一步去除噪声边缘,筛选出有效的目标轮廓,从而自动生成电气设备图像,为智能辅助决策系统提供帮助。该发明的方法可用于智能电网送电、变电、配电终端等图像识别领域。
附图说明
图1为本发明实施例的一种基于视觉感知机制的电气设备图像自动生成方法的流程示意图;
图2为本发明实施例的输入图像;
图3为本发明实施例的灰度变换图像;
图4为本发明实施例的高斯滤波图像;
图5为本发明实施例的多水平抑制图像;
图6为本发明实施例的强边缘选取图像;
图7为本发明实施例的马尔科夫建模后处理图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,本发明实施例提供一种基于视觉感知机制的电气设备图像自动生成方法,包括以下步骤:
(1)对用户图片进行交互式预处理,用户在图片区域以任意形状选取图片感兴趣区域,去除背景噪声,确定目标物体,得到输入图像;
(2)对步骤(1)得到的输入图像进行灰度变换,得到灰度图像;
(3)利用二元高斯核对灰度图像进行高斯平滑处理,进一步去除目标物体噪声,得到输入高斯梯度图像;其中,所述的高斯平滑处理中的二元高斯核公式为:
式中,(x,y)为高斯核中元素的模版坐标(模版中心位置为原点),σ为高斯核的方差。
(4)根据人类视觉感知机制,利用一组旋转不变滤波器作为外区抑制核函数对步骤(3)得到的输入高斯梯度图像进行卷积,计算输入图像外区抑制量;
其中所述的输入图像外区抑制量的计算过程为:
第一步,选取一组不变滤波器,其生成函数定义为:
式中,θ表示梯度方向。
(5)根据步骤(3)的高斯梯度图和步骤(4)得到的输入图像外区抑制量,利用多水平抑制参数,计算获得各级抑制后响应;其中所述的各级抑制响应的计算公式为:
(6)利用Canny算子对各级抑制后响应进行边缘检测,得到边缘集合;
(7)计算所有边缘集合的交集和并集,并以交集作为种子点在并集中选择强边缘;所述的强边缘选择过程为:
第一步,对于不同抑制水平λk作用下的二值图像b(p,λk),根据以下公式分别计算其交集Bp,i和并集Bp,u:
Bp,u=k=0nb(p,λk)
第二步,以交集作为种子轮廓,遍历并集中所有的弱边缘Eu,如弱边缘Eu与种子轮廓有部分像素点发生重叠,则将弱边缘Eu加入到组合结果b(p,c)中,有:
其中,
(8)根据马尔科夫随机场理论建立轮廓概率图,二值化概率图得到感兴趣物体轮廓;所述的根据马尔科夫随机场理论建立轮廓概率图具体过程为:
第一步,假设步骤(7)得到的强边缘组合结果b(p,c)满足马尔科夫随机场分布;
第二步,定义b(p,c)中每条轮廓e为目标轮廓的概率为:
式中,emax表示b(p,c)中的最长轮廓;L(*)表示轮廓长度;
第三步,根据马尔科夫随机场理论计算轮廓点概率p(x,y,r):
其中,w(x,y,e)=[1-δ(e∩U(x,y,r))],U(x,y,r)表示轮廓点(x,y)的r邻域。;
第四步,设定阈值Tp,感兴趣物体的最终轮廓输出b(x,y)定义为:
b(x,y)=p(x,y,r)>Tp。
(9)用户根据自动生成的感兴趣物体轮廓进行擦除或连接操作,进一步去除噪声或对轮廓进行增强,得到满意的电气设备图像
如图2所示,以一幅智能手机拍摄的图像为例。生产该幅图像的电气设备图像的具体过程如下:
(1)预处理:用户利用软件提供的简易橡皮差工具去除图片中非感兴趣区域背景,利用画笔工具在图片内以任意形状选取图片感兴趣区域,从而确定目标物体,得到输入图像;
(2)灰度变换:对步骤(1)得到的输入图像进行灰度变换,得到如图3 所示的灰度图像;
(3)高斯滤波:利用二元高斯核对灰度图像进行平滑处理,进一步去除目标物体噪声,得到如图4所示的高斯梯度图;
(4)抑制量计算:根据人类视觉感知机制,利用一组旋转不变滤波器作为外区抑制核函数对步骤(3)得到的高斯梯度图进行卷积,计算输入图像外区抑制量;
(5)多水平抑制:根据步骤(3)的高斯梯度图和步骤(4)得到的图像外区抑制量,利用多水平抑制参数,计算获得各级抑制后响应,生成如图5所示的多水平抑制图像;
(6)边缘检测:利用Canny算子对各级抑制后响应进行边缘检测,得到边缘集合;
(7)强边缘选取:计算所有边缘集合的交集和并集,并以交集作为种子点在并集中选择强边缘,强边缘选取后的图像如图6所示;
(8)马尔科夫建模:根据马尔科夫随机场理论建立轮廓概率图,二值化概率图得到感兴趣物体轮廓;
(9)后处理:用户根据自动生成的感兴趣物体轮廓进行擦除或连接操作,进一步去除噪声或对轮廓进行增强,得到如图7所示的电气设备图像。
本发明的电气设备自动生成方法利用具有外区抑制特性滤波器模拟人类视觉机制,结合马尔科夫随机场对候选轮廓进行概率图建模,有效地检测目标物体轮廓,自动生成电气设备图像。
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,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于视觉感知机制的电气设备图像自动生成方法,其特征在于,包括以下步骤:
(1)对用户图片进行交互式预处理,用户在图片区域以任意形状选取图片感兴趣区域,去除背景噪声,确定目标物体,得到输入图像;
(2)对步骤(1)得到的输入图像进行灰度变换,得到灰度图像;
(3)利用二元高斯核对灰度图像进行高斯平滑处理,进一步去除目标物体噪声,得到输入高斯梯度图像;
(4)根据人类视觉感知机制,利用一组旋转不变滤波器作为外区抑制核函数对步骤(3)得到的输入高斯梯度图像进行卷积,计算输入图像外区抑制量;
(5)根据步骤(3)的高斯梯度图和步骤(4)得到的输入图像外区抑制量,利用多水平抑制参数,计算获得各级抑制后响应;
(6)利用Canny算子对各级抑制后响应进行边缘检测,得到边缘集合;
(7)计算所有边缘集合的交集和并集,并以交集作为种子点在并集中选择强边缘;
(8)根据马尔科夫随机场理论建立轮廓概率图,二值化概率图得到感兴趣物体轮廓;
(9)用户根据自动生成的感兴趣物体轮廓进行擦除或连接操作,进一步去除噪声或对轮廓进行增强,得到满意的电气设备图像。
6.根据权利要求1所述的一种基于视觉感知机制的电气设备图像自动生成方法,其特征在于,步骤(8)所述的根据马尔科夫随机场理论建立轮廓概率图具体过程为:
第一步,假设步骤(7)得到的强边缘组合结果b(p,c)满足马尔科夫随机场分布;
第二步,定义b(p,c)中每条轮廓e为目标轮廓的概率为:
式中,emax表示b(p,c)中的最长轮廓;L(*)表示轮廓长度;
第三步,根据马尔科夫随机场理论计算轮廓点概率p(x,y,r):
其中,w(x,y,e)=[1-δ(e∩U(x,y,r))],U(x,y,r)表示轮廓点(x,y)的r邻域。;
第四步,设定阈值Tp,感兴趣物体的最终轮廓输出b(x,y)定义为:
b(x,y)=p(x,y,r)>Tp。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002848.3A CN111192281A (zh) | 2020-01-02 | 2020-01-02 | 一种基于视觉感知机制的电气设备图像自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002848.3A CN111192281A (zh) | 2020-01-02 | 2020-01-02 | 一种基于视觉感知机制的电气设备图像自动生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111192281A true CN111192281A (zh) | 2020-05-22 |
Family
ID=70709747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010002848.3A Pending CN111192281A (zh) | 2020-01-02 | 2020-01-02 | 一种基于视觉感知机制的电气设备图像自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192281A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464948A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种基于仿生学的自然场景目标轮廓提取方法及系统 |
CN112508795A (zh) * | 2020-11-26 | 2021-03-16 | 珠海格力电器股份有限公司 | 图像轮廓检测方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022233A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳高精数控智能技术股份有限公司 | 一种基于改进型Canny算子的工件边缘提取方法 |
CN110531218A (zh) * | 2019-09-04 | 2019-12-03 | 国网四川省电力公司乐山供电公司 | 一种基于图像轮廓检测的输电线路故障识别系统 |
-
2020
- 2020-01-02 CN CN202010002848.3A patent/CN111192281A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022233A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳高精数控智能技术股份有限公司 | 一种基于改进型Canny算子的工件边缘提取方法 |
CN110531218A (zh) * | 2019-09-04 | 2019-12-03 | 国网四川省电力公司乐山供电公司 | 一种基于图像轮廓检测的输电线路故障识别系统 |
Non-Patent Citations (1)
Title |
---|
闫超等: "基于外区抑制与马尔可夫模型的轮廓检测" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464948A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种基于仿生学的自然场景目标轮廓提取方法及系统 |
CN112508795A (zh) * | 2020-11-26 | 2021-03-16 | 珠海格力电器股份有限公司 | 图像轮廓检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN103886589B (zh) | 面向目标的自动化高精度边缘提取方法 | |
CN110238131B (zh) | 激光清洗参数生成方法及装置 | |
CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN109711416B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
Shi et al. | Removing haze particles from single image via exponential inference with support vector data description | |
CN111192281A (zh) | 一种基于视觉感知机制的电气设备图像自动生成方法 | |
CN109345609B (zh) | 基于卷积神经网络进行壁画图像去噪和线描画生成的方法 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN110458773B (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
Ding et al. | Semantic recognition of workpiece using computer vision for shape feature extraction and classification based on learning databases | |
Li et al. | Automatic gauge detection via geometric fitting for safety inspection | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN112381140B (zh) | 一种基于新特征参数的磨粒图像机器学习识别方法 | |
CN110443790B (zh) | 一种医学影像中软骨识别方法和识别系统 | |
CN112435272A (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN111310720A (zh) | 基于图度量学习的行人重识别方法及系统 | |
CN110197123A (zh) | 一种基于Mask R-CNN的人体姿态识别方法 | |
CN110969657A (zh) | 一种枪球坐标关联方法、装置、电子设备及存储介质 | |
Abhyankar et al. | Spatial domain decision based image fusion using superimposition | |
CN113888632A (zh) | 结合rgbd图像水池污渍定位方法及系统 |
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 |