CN111738931A - 光伏阵列无人机航拍图像的阴影去除算法 - Google Patents
光伏阵列无人机航拍图像的阴影去除算法 Download PDFInfo
- Publication number
- CN111738931A CN111738931A CN202010397671.1A CN202010397671A CN111738931A CN 111738931 A CN111738931 A CN 111738931A CN 202010397671 A CN202010397671 A CN 202010397671A CN 111738931 A CN111738931 A CN 111738931A
- Authority
- CN
- China
- Prior art keywords
- shadow
- image
- algorithm
- sampling
- boundary
- 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
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 48
- 238000005286 illumination Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000011084 recovery Methods 0.000 claims abstract description 10
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 8
- 238000010845 search algorithm Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000012888 cubic function Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 238000002474 experimental method Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06T7/136—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种光伏阵列无人机航拍图像的阴影去除算法，包括以下步骤：（a）用户输入笔画指示图像中的阴影区域和非阴影区域，并以此构造KNN分类器对像素进行分类；（b）使用OTSU设置阈值条件，检测出阴影；（c）对阴影边界处进行采样处理，应用双向搜索算法确定每条采样线的位置，并根据采样线长度以及DBSCAN算法将异常采样线剔除；（d）通过阴影比例估计与光照恢复去除阴影，得到无阴影图像。通过与叠加法和YCbCr通道法进行对比表明，本发明算法阴影去除效果优于其他两种算法，且图像信息保留较完整，可得到更加真实、自然的无阴影图像。
Description
技术领域
本发明涉及光伏电站巡检维护技术领域，具体地说是涉及一种光伏阵列无人机航拍图像的阴影去除算法。
背景技术
随着可持续发展战略的实施，光伏产业在不断发展进步的同时，各种故障问题对其发电效益的影响也日益突出，此时快速有效的巡检方法至关重要。由于光伏电站一般都安装在地势复杂的环境中，此时人工巡检方式效率低下且准确率有限，而利用无人机进行航拍巡检的方式因其巡检快速、准确等特点，被广泛应用于各大光伏电站中。然而对航拍图像进行识别以及故障点定位的过程中，阴影经常会被误认为是目标的一部分，这对航拍巡检的准确性造成了影响，因此，针对光伏阵列图像阴影去除方法的研究十分重要。
目前，国内外有很多研究者提出了阴影去除算法，例如基于YCbCr颜色空间去除阴影的算法，虽然原理简单，但阴影去除效果不佳；也有基于二维经验模式分解的方法对阴影进行自动检测与去除，该方法可有效实现复杂纹理图像上的阴影去除，但依赖于先验知识；另外，通过结合颜色特征和纹理特征实现阴影的去除，基于区域重光照的方法去除阴影等，这种方法通过训练分类器获得具有相同纹理特征的非阴影区域，但耗时较长；还有采用神经网络算法，这种方法中的深度网络经过训练后能够自主的学习阴影特征，但需要大量的图像数据集。因此，研究一种有效的且针对光伏阵列图像的阴影去除方法具有重要的现实意义。
发明内容
本发明的目的是提供了一种光伏阵列无人机航拍图像的阴影去除算法，以解决现有方法较为复杂或阴影去除效果不佳的问题。
本发明采用的技术方案是：一种光伏阵列无人机航拍图像的阴影去除算法，其是在简单的人工交互方式基础上，通过像素分类和二值化处理检测出阴影，利用阴影比例估计与光照恢复便可实现保存纹理的阴影去除，包括以下步骤：
(a)用户输入笔画指示图像中的阴影区域和非阴影区域，并以此构造KNN分类器对像素进行分类；
(b)使用OTSU设置阈值条件，检测出阴影；
(c)对阴影边界处进行采样处理，应用双向搜索算法确定每条采样线的位置，并根据采样线长度以及DBSCAN算法将异常采样线剔除；
(d)通过阴影比例估计与光照恢复去除阴影，得到无阴影图像。
步骤(a)的具体过程为：用户在图像的阴影区域和非阴影区域各画一条线，通过设置阈值条件将这两条线对应的RGB值进行分类，并以此作为训练特征，在RGB颜色空间中构造KNN分类器对像素进行分类，KNN分类器的最近邻居个数k＝3，距离度量采用欧氏距离，欧氏距离表达式如下：
其中，x、y为两个训练样本对象之间的距离，n为样本个数；经处理，最终得到只包含阴影像素和非阴影像素的标签图像。
步骤(b)的具体过程为：首先采用高斯滤波方法对步骤(a)所得的标签图像进行去噪，然后采用OTSU法对滤波图像进行二值化处理，检测出阴影。
步骤(c)的具体过程为：
c-1、首先将原始图像的RGB值转换到YCrCb颜色空间，然后对YCrCb颜色空间的三个通道进行线性融合以得到融合图像，如下式所示：
式中，m为通道索引；ε为归一化信道；σ为ε样本强度的标准偏差；
c-2、根据检测出来的阴影获取阴影边界轮廓、边界点以及边界法向，并结合所述融合图像，由每个边界点开始，分别向阴影区域和非阴影区域应用双向搜索确定每条采样线两端的位置，确定两个端点后，将起点和终点做差得到采样线向量；
c-3、对所得采样线进行筛选，以采样线长度以及基于密度的DBSCAN算法作为异常样本检测的两个条件，将异常采样线检测出来并剔除掉。
步骤(d)的具体过程为：
d-1、将筛选出的有效采样线调整为单独的列，同时设置有效采样线的长度为所有样本长度的最大值，然后水平连接这些列以形成阴影边界图像，通过对该图像采用双边滤波方法去除纹理噪声；
d-2、通过分段三次函数对阴影边界图像进行拟合来估计初始阴影比例，分段三次函数表达式为：
式中，x为采样线内归一化像素坐标；x1和x2分别为半影区域的起点和终点；K为本影区域内样本点的正比例常数；B为三次函数，可拟合光照强度变化；v1、v2为定义光照变化函数的两个参数，B、v1和v2计算公式如下：
d-3、通过平滑的内插和外推初始阴影比例场获取密集阴影比例场，然后，原始阴影图像通过使用密集阴影比例场进行反比例缩放实现光照恢复，完成阴影的去除。
本发明通过分析用户输入的两个特征笔画检测出阴影，然后应用双向搜索算法获取采样线样本，并将异常样本剔除掉。最后通过阴影比例估计与光照恢复实现阴影的去除。通过与叠加法和YCbCr通道法进行对比表明，本发明算法阴影去除效果优于其他两种算法，且图像信息保留较完整，可得到更加真实、自然的无阴影图像。
附图说明
图1为本发明本发明阴影去除的算法流程图。
图2为在阴影区域和非阴影区域分别标示有线条的原始图像。
图3为阴影图像，其中，a为滤波图像，b为经二值化处理后的阴影图像。
图4为融合图像。
图5为双向搜索确定采样线端点的流程图。
图6为DBSCAN分类过程流程图。
图7为阴影边界图像。
图8为阴影去除图像，其中，a为密集阴影比例场图像，b为光照恢复后的无阴影图像。
图9为本发明与叠加法、YCbCr通道法处理结果对比图像。其中，a为原始图像，b为叠加法，c为YCbCr通道法，d为本发明。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明的具体实施方式作详细说明。实施例中未提及的处理均按本领域常规处理实施。
阴影是由于光线被部分遮挡或全部遮挡而形成的，阴影可分为自影和投影。自影是指物体没有被强光直射的部分，投影形成于光线被物体遮挡的背景区域，投影又分为本影和半影。本影是阴影中最暗的部分，而半影是宽的外部边界，其强度在半影和非阴影区域之间逐渐变化。
自然条件下，非阴影区域的照射光源来源于直射光源Ld和环境散射光源La；而阴影区域的照射光源为Ld和La的组合，由此可得图像中任一点x处的像素值S(x,λ)为：
式中，λ为R、G、B通道；R(x,λ)为反射率；k(x)为半影区域比例系数，k(x)∈[0,1]；“×”为逐像素乘。由以上分析可知，自然条件下不同区域的光照强度不同，可通过光照恢复使阴影区域的光照强度与非阴影区域的光照强度一致，从而实现阴影的去除。
本发明阴影去除的算法流程如图1所示，本发明测试实验在MATLAB R2018a平台中展开，具体包括以下步骤：
一、用户输入笔画指示图像中的阴影区域和非阴影区域，并以此构造KNN分类器对像素进行分类。
阴影检测是去除阴影的第一步，本发明通过人工交互方式检测阴影，只需要用户输入两个笔画分别指示图像中的阴影区域和非阴影区域，剩下的识别都是自动的，交互方式简单明了，且不需要大量的训练集就可以准确完成阴影的检测。具体步骤如下：
首先，需要用户在原始图像的阴影区域和非阴影区域各画一条线(如图2中的两条线所示)，通过设置阈值条件将这两条线对应的RGB值进行分类，并以此作为训练特征，在RGB颜色空间中构造KNN分类器对像素进行分类，KNN分类器的最近邻居个数k＝3，距离度量采用欧氏距离，欧氏距离表达式如下：
其中，x、y为两个训练样本对象之间的距离，n为样本个数；经处理，最终得到只包含阴影像素和非阴影像素的标签图像。
二、使用OTSU设置阈值条件，检测出阴影。
首先采用高斯滤波方法对所得的标签图像进行去噪，如图3中a图所示，然后采用OTSU法对滤波图像进行二值化处理，检测出阴影，如图3中b图所示。
三、对阴影边界处进行采样处理，应用双向搜索算法确定每条采样线的位置，并根据采样线长度以及DBSCAN算法将异常采样线剔除。
1、获取采样线两端
为更好的适应半影的变化，可采用不受光照影响的融合图像辅助采样。首先将原始图像的RGB值转换到YCrCb颜色空间，然后对YCrCb颜色空间的三个通道进行线性融合以得到融合图像(如图4所示)，如下式所示：
式中，m为通道索引；ε为归一化信道；σ为ε样本强度的标准偏差。
2、根据检测出来的阴影获取阴影边界轮廓、边界点以及边界法向，结合融合图像，由每个边界点开始，分别向阴影区域(起点)和非阴影区域(终点)应用双向搜索确定每条采样线两端的位置。此过程令边界点按照边界法向迭代增加(迭代减少)得到终点(起点)位置。直到任意一端超出图像坐标范围，或者这两个端点投影梯度平均值足够小，停止搜索，具体过程如图5所示。确定两个端点后，将起点与终点做差便可得到采样线向量。
3、采样线筛选
为避免异常采样线影响后续的阴影比例估计与阴影去除的效果，现以采样线长度以及基于密度的聚类算法(DBSCAN)作为异常样本检测的两个条件，将异常采样线检测出来并剔除掉。具体步骤如下：
(1)选取采样线的长度范围[4,lμ+4lσ]，其中lμ和lσ分别为采样线长度的均值和标准差，将长度超出此范围的采样线认定为异常样本，并剔除掉。
(2)提取(1)中筛选出来的有效采样线的坐标集，并根据坐标集计算出对应的像素集D,然后根据大多数像素值彼此接近可以形成一个主簇，采用DBSCAN算法对这些像素值进行分类(密度阈值Minpts取3；半径EPS取0.2)，将属于最大簇的样本默认为有效样本予以保留，否则默认为异常样本予以剔除，具体分类过程流程图如图6所示。
四、通过阴影比例估计与光照恢复去除阴影，得到无阴影图像。
1、获取初始阴影比例场
对于筛选出的有效采样线样本，其纹理噪声的存在会对初始阴影比例场估计的平滑度造成阴影，为了解决这一问题，采用保持边缘、降噪平滑效果良好的双边滤波方法进行去噪处理。首先，将筛选出的有效采样线调整为单独的列，同时设置它们的长度为所有样本长度的最大值。然后水平连接这些列以形成阴影边界图像，如图7所示，通过对该图像采用双边滤波方法去除纹理噪声。
2、通过分段三次函数对阴影边界图像进行拟合来估计初始阴影比例，分段三次函数表达式为：
式中，x为采样线内归一化像素坐标；x1和x2分别为半影区域的起点和终点；K为本影区域内样本点的正比例常数；B为三次函数，可拟合光照强度变化；v1、v2为定义光照变化函数的两个参数，B、v1和v2计算公式如下：
3、由于初始阴影比例场比较稀疏，会给后续的阴影去除带来较大误差，通过平滑的内插和外推初始阴影比例场获取密集阴影比例场，如图8中a所示，然后，原始阴影图像通过使用密集阴影比例场进行反比例缩放实现光照恢复，完成阴影的去除，最终无阴影图像如图8中b所示。
五、结果对比
将本发明分别与叠加法、YCbCr通道法进行对比及分析。结果如下：
1、视觉比较
随机选取两张带有阴影的光伏阵列航拍图像作为实验输入图像，进行阴影去除，并与叠加法、YCbCr通道法进行了对比分析，如图9所示。图9的叠加法是通过引入一个RGB加法修正算法，并分别计算出图像阴影区域和非阴影区域的平均RGB值，将其差值添加到阴影区域的每个像素中实现阴影去除。图9的YCbCr通道法是通过将图像转换为YCbCr空间，然后分别对Y、Cb、Cr通道进行处理，实现阴影的去除。
从图中可以看出，叠加法和YCbCr通道法虽然都在一定程度上去除或减弱了阴影，但最终得到的图像失真较大，存在亮度偏低、轻度模糊的情况。从图可看出，本发明在很好的去除阴影的同时，像素点亮度、纹理和颜色等信息保留较好，可得到更加自然的无阴影图像。
2、定量分析
为了对本发明的阴影去除效果进行定量评估，除了使用峰值信噪比(PSNR)、结构相似度(SSIM)和均方根误差(RMSE)这三种阴影去除领域常用的性能指标外，还引入了误差比e作为阴影去除质量的衡量标准，其中，e＝er/eo，式中，er为真实无阴影图像和阴影去除图像之间的RMSE；eo为真实无阴影图像和原始阴影图像之间的RMSE。
在本实验中，用PSNR值衡量图像的失真程度，PSNR值越大说明图像失真越少；SSIM值越大说明去阴影后的图像与真实无阴影图像结构越相似；RMSE和误差比e越小说明去阴影后的图像与真实无阴影图像间的误差越小。表1和表2分别为图9两组实验中阴影去除质量的数据对比。
表1：实验一
| 参数 | YCbCr法 | 叠加法 | 本发明 |
| PSNR | 25.6871 | 26.1229 | 33.4015 |
| SSIM | 0.8933 | 0.9184 | 0.9802 |
| RMSE | 13.4945 | 12.9766 | 5.4877 |
| e | 0.9083 | 0.8734 | 0.3694 |
表2：实验二
| 参数 | YCbCr法 | 叠加法 | 本发明 |
| PSNR | 21.7959 | 22.1963 | 31.9730 |
| SSIM | 0.8291 | 0.8676 | 0.9790 |
| RMSE | 21.4567 | 20.3313 | 6.3914 |
| e | 0.8445 | 0.8002 | 0.2516 |
从表1和表2可以看出，两组实验中本发明的PSNR和SSIM都具有最高值，RMSE和误差比都具有最低值，说明本文阴影去除算法取得了较好的去阴影效果，且优于其他两种算法。
Claims (5)
1.一种光伏阵列无人机航拍图像的阴影去除算法，其特征是，包括以下步骤：
(a)通过人工交互方式，用户输入笔画指示图像中的阴影区域和非阴影区域，并以此构造KNN分类器对像素进行分类；
(b)使用OTSU设置阈值条件，检测出阴影；
(c)对阴影边界处进行采样处理，应用双向搜索算法确定每条采样线的位置，并根据采样线长度以及DBSCAN算法将异常采样线剔除；
(d)通过阴影比例估计与光照恢复去除阴影，得到无阴影图像。
2.根据权利要求1所述的光伏阵列无人机航拍图像的阴影去除算法，其特征是，步骤(a)的具体过程为：用户在图像的阴影区域和非阴影区域各画一条线，通过设置阈值条件将这两条线对应的RGB值进行分类，并以此作为训练特征，在RGB颜色空间中构造KNN分类器对像素进行分类，KNN分类器的最近邻居个数k＝3，距离度量采用欧氏距离，欧氏距离表达式如下：
其中，x、y为两个训练样本对象之间的距离，n为样本个数；经处理，最终得到只包含阴影像素和非阴影像素的标签图像。
3.根据权利要求2所述的光伏阵列无人机航拍图像的阴影去除算法，其特征是，步骤(b)的具体过程为：首先采用高斯滤波方法对步骤(a)所得的标签图像进行去噪，然后采用OTSU法对滤波图像进行二值化处理，检测出阴影。
4.根据权利要求3所述的光伏阵列无人机航拍图像的阴影去除算法，其特征是，步骤(c)的具体过程为：
c-1、首先将原始图像的RGB值转换到YCrCb颜色空间，然后对YCrCb颜色空间的三个通道进行线性融合以得到融合图像，如下式所示：
式中，m为通道索引；ε为归一化信道；σ为ε样本强度的标准偏差；
c-2、根据检测出来的阴影获取阴影边界轮廓、边界点以及边界法向，并结合所述融合图像，由每个边界点开始，分别向阴影区域和非阴影区域应用双向搜索确定每条采样线两端的位置，确定两个端点后，将起点和终点做差得到采样线向量；
c-3、对所得采样线进行筛选，以采样线长度以及基于密度的DBSCAN算法作为异常样本检测的两个条件，将异常采样线检测出来并剔除掉。
5.根据权利要求4所述的光伏阵列无人机航拍图像的阴影去除算法，其特征是，步骤(d)的具体过程为：
d-1、将筛选出的有效采样线调整为单独的列，同时设置有效采样线的长度为所有样本长度的最大值，然后水平连接这些列以形成阴影边界图像，通过对该图像采用双边滤波方法去除纹理噪声；
d-2、通过分段三次函数对阴影边界图像进行拟合来估计初始阴影比例，分段三次函数表达式为：
式中，x为采样线内归一化像素坐标；x1和x2分别为半影区域的起点和终点；K为本影区域内样本点的正比例常数；B为三次函数，可拟合光照强度变化；v1、v2为定义光照变化函数的两个参数，B、v1和v2计算公式如下：
d-3、通过平滑的内插和外推初始阴影比例场获取密集阴影比例场，然后，原始阴影图像通过使用密集阴影比例场进行反比例缩放实现光照恢复，完成阴影的去除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010397671.1A CN111738931B (zh) | 2020-05-12 | 2020-05-12 | 光伏阵列无人机航拍图像的阴影去除算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010397671.1A CN111738931B (zh) | 2020-05-12 | 2020-05-12 | 光伏阵列无人机航拍图像的阴影去除算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738931A true CN111738931A (zh) | 2020-10-02 |
| CN111738931B CN111738931B (zh) | 2022-10-28 |
Family
ID=72647133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010397671.1A Active CN111738931B (zh) | 2020-05-12 | 2020-05-12 | 光伏阵列无人机航拍图像的阴影去除算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738931B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651993A (zh) * | 2020-11-18 | 2021-04-13 | 合肥市卓迩无人机科技服务有限责任公司 | 多路4k准实时拼接视频的动目标分析识别算法 |
| CN113487502A (zh) * | 2021-06-30 | 2021-10-08 | 中南大学 | 一种坑洼图像的阴影去除方法 |
| WO2022225449A1 (en) * | 2021-04-19 | 2022-10-27 | Quantified Energy Labs Pte. Ltd. | Automated imaging of photovoltaic devices using an aerial vehicle and automated flight of the aerial vehicle for performing the same |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463853A (zh) * | 2014-11-22 | 2015-03-25 | 四川大学 | 一种基于图像分割的阴影检测与去除算法 |
-
2020
- 2020-05-12 CN CN202010397671.1A patent/CN111738931B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463853A (zh) * | 2014-11-22 | 2015-03-25 | 四川大学 | 一种基于图像分割的阴影检测与去除算法 |
Non-Patent Citations (1)
| Title |
|---|
| 管铄磊等: "单幅图像下不同阴影强度的阴影去除", 《软件》, no. 04, 15 April 2020 (2020-04-15), pages 1 - 3 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112651993A (zh) * | 2020-11-18 | 2021-04-13 | 合肥市卓迩无人机科技服务有限责任公司 | 多路4k准实时拼接视频的动目标分析识别算法 |
| CN112651993B (zh) * | 2020-11-18 | 2022-12-16 | 合肥市卓迩无人机科技服务有限责任公司 | 多路4k准实时拼接视频的运动目标分析识别算法 |
| WO2022225449A1 (en) * | 2021-04-19 | 2022-10-27 | Quantified Energy Labs Pte. Ltd. | Automated imaging of photovoltaic devices using an aerial vehicle and automated flight of the aerial vehicle for performing the same |
| CN113487502A (zh) * | 2021-06-30 | 2021-10-08 | 中南大学 | 一种坑洼图像的阴影去除方法 |
| CN113487502B (zh) * | 2021-06-30 | 2022-05-03 | 中南大学 | 一种坑洼图像的阴影去除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738931B (zh) | 2022-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
| WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
| CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
| CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
| CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
| CN109658381A (zh) | 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法 | |
| CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
| CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN109948625A (zh) | 文本图像清晰度评估方法及系统、计算机可读存储介质 | |
| CN113393426B (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
| CN105590316A (zh) | 面向对象的高分辨率遥感影像阴影提取方法 | |
| CN112435272B (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
| CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
| CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
| CN112991283A (zh) | 基于超像素的柔性ic基板线宽检测方法、介质和设备 | |
| CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
| CN111724376B (zh) | 一种基于纹理特征分析的纸病检测方法 | |
| CN113537211A (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
| CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
| CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
| CN109241932B (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
| CN116977893A (zh) | 基于改进sobel和分段线性变换的鱼群状态检测方法 |
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 |