CN113409311A - 一种基于nsst的触头元素分布与形貌信息融合方法 - Google Patents

一种基于nsst的触头元素分布与形貌信息融合方法 Download PDF

Info

Publication number
CN113409311A
CN113409311A CN202110822570.9A CN202110822570A CN113409311A CN 113409311 A CN113409311 A CN 113409311A CN 202110822570 A CN202110822570 A CN 202110822570A CN 113409311 A CN113409311 A CN 113409311A
Authority
CN
China
Prior art keywords
image
element distribution
mov
stat
fusion
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
Application number
CN202110822570.9A
Other languages
English (en)
Other versions
CN113409311B (zh
Inventor
赵正元
李文华
李耀嫚
胡康生
刘炜
刘斌
李庆诗
赵兴宇
都丽娟
夏艳华
祝贺军
李源
郑娜
高勇
王林林
刘思汉
罗文天
赵金艳
郭国庆
张志宇
孟冬冬
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.)
Shenyang Railway Signal Co Ltd
Original Assignee
Shenyang Railway Signal Co Ltd
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 Shenyang Railway Signal Co Ltd filed Critical Shenyang Railway Signal Co Ltd
Priority to CN202110822570.9A priority Critical patent/CN113409311B/zh
Publication of CN113409311A publication Critical patent/CN113409311A/zh
Application granted granted Critical
Publication of CN113409311B publication Critical patent/CN113409311B/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
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20048Transform domain processing
    • G06T2207/20064Wavelet transform [DWT]
    • 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
    • G06T2207/20212Image combination
    • G06T2207/20221Image fusion; Image merging
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于NSST的触头元素分布与形貌信息融合方法,通过扫描电子显微镜和X‑射线能谱仪获取电触头表面的元素分布图像,通过机器视觉系统获取电触头表面微观形貌图像;通过图像预处理,提高图像分辨率和边缘信息,并以相同的比例显示元素分布图像和表面微观形貌图像;采用基于B样条的配准方法对元素分布图像与表面微观形貌图像进行配准;采用基于NSST的图像融合技术的二维仿射系统进行复合扩张,并应用加权能量融合规则,从源图像中获取相关信息,得到最终的电触头元素分布与形貌信息融合图像。本发明可将不同影像技术的信息准确地融合到同一模态中,显著提高了目标定位的准确度,更方便更精确地观察触头结构和元素分布。

Description

一种基于NSST的触头元素分布与形貌信息融合方法
技术领域
本发明涉及一种电气元件可靠性分析技术,具体为一种基于NSST的触头元素分布与形貌信息融合方法。
背景技术
在电气工业中,电触头是重要的电气元件,用于连接或断开电气设备之间的电路。电触头接触表面的烧蚀和磨损会导致设备过早失效,影响整个运行系统,因此在运行过程中有必要保证接触的可靠性。在热膨胀作用下,烧蚀物质会在烧蚀区边缘沉积,导致烧蚀面积增加。同时,随着烧蚀损伤程度的增加,表面成分在不同的接触区也有不同的分布。为了更准确地定位腐蚀区域,真实地恢复电接触的接触形式,有必要在图像中圈定腐蚀区域。随着成像设备的发展和进步,对于继电器触头,可以直接采集含有准确触头表面三维形貌的信息;同时,也可以采集到含有触头表面元素分布的信息诸如SEM&EDS。
然而,通过观察单模态图像对电触头进行评价需要凭借空间想象和主观经验,所以采用多模的方法用以获得触头表面信息,出于此目的,发现这些信息间的空间关系就变得很重要。图像融合在计算机视觉、医学研究、材料力学、遥感等领域有广泛应用。但观察单模态图像难以对电触头表面进行完整评价。
发明内容
针对观察单模态图像难以对电触头表面进行完整评价的问题,本发明要解决的技术问题是提供一种基于NSST的触头元素分布与形貌信息融合方法,可将所有相关信息从多种模式有效部署到单个图像中。
为解决上述技术问题,本发明采用的技术方案如下:
本发明提供一种基于NSST的触头元素分布与形貌信息融合方法,包括以下步骤:
1)通过扫描电子显微镜和X-射线能谱仪获取电触头表面的元素分布图像,通过机器视觉系统获取电触头表面微观形貌图像;
2)通过图像预处理,提高图像分辨率和边缘信息,并以相同的比例显示元素分布图像和表面微观形貌图像;
3)采用基于B样条的配准方法对元素分布图像与表面微观形貌图像进行配准;
4)采用基于NSST的图像融合技术的二维仿射系统进行复合扩张,并应用加权能量融合规则,从源图像中获取相关信息,得到最终的电触头元素分布与形貌信息融合图像。
步骤2)中提高图像分辨率和边缘信息为:
采用高斯平滑、边缘锐化实现对电触头图像细微结构边缘的增强,采用图像为中心的缩放技术,以相同的比例显示两个图像。
步骤3)中基于B样条的配准方法对元素分布图像与表面微观形貌图像进行配准为:
借助变形系数正图像中的变形,通过各源图像像素之间的互信息值选择变形系数的集合来最优地配准移动图像像素,具体过程如下:
301)按照映射DM=ΔMov→ΔStat,来自领域ΔMov的扫描电子显微镜和X-射线能谱仪移动图像
Figure BDA0003172314580000021
:ΔMov→R进入固定表面形貌图像
Figure BDA0003172314580000022
:ΔStat→R的领域ΔStat,将移动图像
Figure BDA0003172314580000023
改变为处于固定图像
Figure BDA0003172314580000024
的域中,移动图像变形形式为DM(y|δ),其中δ表示变换约束集;
302)根据移动图像
Figure BDA0003172314580000025
和固定图像
Figure BDA0003172314580000026
之间的最优互信息值来选择变换系数,通过以下等式确定用于选择变换系数的目标函数:
O(δ)=MaxMI(IStat,IMov) (1)
该目标函数根据以下方程式进行计算:
Figure BDA0003172314580000027
等式(2)表征了当移动图像更改为DM(y|δ)时,根据移动图像和固定图像之间的低变化而选择的变形系数;
303)基于移动图像和固定图像之间的互信息完成最优的B样条配准,用等式(3)来表示:
MI(IMov,IStat)=IE(Mov)+IE(Stat)-IE(Mov,Stat) (3)
其中,IE(Mov),IE(Stat)和IE(Mov,Stat)表征移动图像的熵、固定图像的熵和图像的联合熵,MI(IMov,IStat)为移动图像和固定图像之间的互信息。
步骤3)还包括:利用WOA算法有效地选择基于B样条配准技术的最优变换系数,在每次迭代过程中,选择可能的变换系数集,配准的输出图像最大限度的反映互信息;在识别出最佳变换系数之后,图像得到有效的配准,为图像融合做好准备。
步骤4)中采用基于NSST图像融合技术的二维仿射系统的复合扩张由下式给出:
Figure BDA0003172314580000028
式中:AM表示各向异性矩阵,控制Shearlet尺度,S表示剪切矩阵,I与尺度变换相关联;i、j、k分别表示尺度参数、平移参数和位移参数;xx代表一个未知数,k表示位移参数ψi,j,k(x)一个整体的函数表达式,表示不同的i、j、k值对应的小波变换,ψ(SJIix-m)为经过位移之后的小波变换,
Figure BDA0003172314580000031
表示整数集合;
剪切矩阵S(|detS|=1)和AM是可逆矩阵,大小为2×2,如果d>0且S∈R,则AM和S为:
Figure BDA0003172314580000032
步骤4)中NSST的离散方程如下:
Figure BDA0003172314580000033
其中
Figure BDA00031723145800000312
ψ的傅里叶变换为
Figure BDA0003172314580000034
,令ψ1∈C(R)与ψ2∈C(R)是紧密支撑的小波,ψ0∈C(R)为小波变换函数基。
所述步骤4)中加权能量融合规则为:
401)计算移动和静态图像的局部能量,
Figure BDA0003172314580000035
其中,En(p,q)是位置(p,q)处的局部能量,Cof(p,q)表示位置(p,q)处的小波系数,分别针对移动图像和静态图像
Figure BDA0003172314580000036
Figure BDA0003172314580000037
的NSST系数值,计算大小为3x3的矩形窗口的局部能量,移动和静态图像的局部能量通过以下方程式(8)~(9)进行评估:p、q分别表示图像中像素的横、纵坐标;
Figure BDA0003172314580000038
Figure BDA0003172314580000039
402)由公式(10)~(11)计算融合运动和静态系数的权重:
Figure BDA00031723145800000310
Figure BDA00031723145800000311
403)融合像素根据以下公式(12)计算:
I(F)(p,q)=I(Mov)(p,q)×ω(Mov)+I(Stat)(p,q)×ω(Stat) (15)
其中,I(F)(p,q)表示融合系数,I(Mov)(p,q),I(Stat)(p,q)分别表示移动图像与固定图像的融合系数,ω(Mov),ω(Stat)分别表示移动图像与固定图像的融合系数的权重,En(Mov)(p,q)为移动图像的局部能量,En(Stat)(p,q)为静态图像的局部能量。
本发明具有以下有益效果及优点:
1.本发明提供的基于NSST的元素分布与形貌信息融合方法,解决了观察单模态图像难以对触头表面进行完整评价的问题,可以将不同影像技术的信息准确地融合到同一模态中,能够显著提高目标定位的准确度,各部分轮廓清晰,主观视觉上效果良好,对图像边缘细节特征的捕捉全面,更方便更精确地观察触头结构和元素分布。
2.应用本发明方法,方便后续精确地定位触头表面的成分分布、分析表面结构与成分分布的关系。
附图说明
图1为本发明一种基于NSST的触头元素分布与形貌信息融合方法流程图;
图2为本发明涉及的触头表面元素分布图;
图3为触头表面微观形貌图;
图4为加权能量计算流程图;
图5用于局部能量计算的窗口大小为3×3的系数的图形;
图6为触头元素分布与形貌信息融合前叠加图像;
图7为本发明方法触头元素分布与形貌信息融合后的图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图及具体实施例,对本发明作进一步地详细说明。
如图1所示,本发明实施例提供了一种基于NSST的触头元素分布与形貌信息融合方法,包括如下步骤:
1)通过扫描电子显微镜和X-射线能谱仪(SEM&EDS)获取电触头表面的元素分布图像(如图2所示),通过机器视觉系统获取电触头表面微观形貌图像(如图3所示);
2)通过图像预处理,提高图像分辨率和边缘信息,并以相同的比例显示元素分布图像和表面微观形貌图像;
3)通过鲸鱼优化算法(Whale Optimization Algorithm,WOA)调整变换系数,采用基于B样条的配准方法对元素分布图像与表面微观形貌图像进行配准;
4)采用基于NSST的图像融合技术,并应用加权能量融合规则,从源图像中获取相关信息,得到最终的电触头元素分布与形貌信息融合图像。
步骤2)中提高图像分辨率和边缘信息为:
采用高斯平滑、边缘锐化实现对电触头图像细微结构边缘的增强,采用图像为中心的缩放技术,以相同的比例显示两个图像。
步骤3)B样条配准中,借助变形系数可以轻松地校正图像中的变形。基于最优B样条的配准技术中,通过使用其他源图像像素的互信息值适当地选择变形系数的集合来最优地配准移动图像像素。
步骤3)的具体过程如下:
所述步骤3)中基于B样条的配准方法对元素分布图像与表面微观形貌图像进行配准为:
借助变形系数正图像中的变形,通过各源图像像素之间的互信息值选择变形系数的集合来最优地配准移动图像像素,具体过程如下:
301)按照映射DM=ΔMov→ΔStat,来自领域ΔMov的扫描电子显微镜和X-射线能谱仪移动图像
Figure BDA0003172314580000051
:ΔMov→R进入固定表面形貌图像
Figure BDA0003172314580000052
:ΔStat→R的领域ΔStat,将移动图像
Figure BDA0003172314580000053
改变为处于固定图像
Figure BDA0003172314580000054
的重要域中,移动图像变形形式为DM(y|δ),其中δ表示变换约束集;
302)根据移动图像
Figure BDA0003172314580000055
和固定图像
Figure BDA0003172314580000056
之间的最优互信息值来选择变换系数,通过以下等式确定用于选择变换系数的目标函数:
O(δ)=MaxMI(IStat,IMov) (1)
该目标函数根据以下方程式进行计算:
Figure BDA0003172314580000057
等式(2)表征了当移动图像更改为DM(y|δ)时,根据移动图像和固定图像之间的低变化而选择的变形系数;
303)基于移动图像和固定图像之间的互信息完成最优的B样条配准,用等式(3)来表示:
MI(IMov,IStat)=IE(Mov)+IE(Stat)-IE(Mov,Stat) (3)
其中,IE(Mov),IE(Stat)和IE(Mov,Stat)表征移动图像的熵、固定图像的熵和图像的联合熵,MI(IMov,IStat)为移动图像和固定图像之间的互信息。
步骤3)利用WOA算法有效地选择基于B样条配准技术的最优变换系数。基于B样条的配准技术,在每次迭代过程中,选择可能的变换系数集,配准的输出图像最大限度的反映了互信息。在识别出最佳变换系数之后,图像得到了有效的配准,并为融合步骤做好准备。
步骤4)中采用基于NSST图像融合技术的二维仿射系统的复合扩张由下述过程导出:
Figure BDA0003172314580000058
式中:AM表示各向异性矩阵,控制Shearlet尺度,S表示剪切矩阵,I与尺度变换相关联;i、j、k分别表示尺度参数、平移参数和位移参数;x代表一个未知数,k表示位移参数ψi,j,k(x)一个整体的函数表达式,表示不同的i、j、k值对应的小波变换,ψ(SJIix-m)为经过位移之后的小波变换,
Figure BDA0003172314580000061
表示整数集合;
剪切矩阵S(|detS|=1)和AM是可逆矩阵,大小为2×2,如果d>0且S∈R,则AM和S为:
Figure BDA0003172314580000062
步骤4)中NSST的离散方程如下:
Shearlet函数是:
Figure BDA0003172314580000063
其中
Figure BDA00031723145800000615
ψ的傅里叶变换为
Figure BDA0003172314580000064
,令ψ1∈C(R)与ψ2∈C(R)是紧密支撑的小波,
Figure BDA00031723145800000613
supp表示函数的支集,ψ表示基本小波,表示ψ0∈C(R)且
Figure BDA00031723145800000614
另外,假设:
Figure BDA0003172314580000065
ω为权值,对每一个i≥0,ψ2有:
Figure BDA0003172314580000066
由公式(7)、(8)总结可得:
Figure BDA0003172314580000067
步骤4)中加权能量计算流程图如图4所示
步骤4)中加权能量融合规则具体步骤如下:
401)计算移动和静态图像的局部能量,
Figure BDA0003172314580000068
其中,En(p,q)是位置(p,q)处的局部能量。Cof(p,q)表示位置(p,q)处的小波系数。分别针对移动图像和静态图像
Figure BDA0003172314580000069
Figure BDA00031723145800000610
的NSST系数值,计算大小为3x3的矩形窗口的局部能量,用于局部能量计算的窗口大小为3x3的系数的图形如图5所示。移动和静态图像的局部能量通过以下方程式(11)(12)进行评估;p、q为分别表示图像中像素的横、纵坐标;
Figure BDA00031723145800000611
Figure BDA00031723145800000612
402)由公式(10)(11)计算融合运动和静态系数的权重Eqs。
Figure BDA0003172314580000071
Figure BDA0003172314580000072
403)融合像素根据以下公式(12)计算:
I(F)(p,q)=I(Mov)(P,q)×ω(Mov)+I(Stat)(P,q)×ω(stat) (15)
其中,I(F)(p,q)表示融合系数,I(Mov)(p,q),I(Stat)(p,q)分别表示移动图像与固定图像的融合系数,ω(Mov),ω(Stat)分别表示移动图像与固定图像的融合系数的权重,En(Mov)(p,q)为移动图像的局部能量,En(Stat)(p,q)为静态图像的局部能量。
图6为未经配准与融合,直接进行叠加后的图像,可以直接、明显的观察出两幅图像在空间位置上的差距,有明显位移与比例尺上的差异。
图7为经过配准之后,SEM扫描图像与表面元素分布图像达到的融合效果,可以发现,经过融合的SEM扫描图像与表面元素分布图像在局部和整体上均达到融合效果。提出的融合算法都能够有效提取SEM扫描结果和表面元素分布图像的信息,一些表面元素分布图像中没有的诸如表面高度信息,在融合图像中都有体现,各部分轮廓清晰,主观视觉上效果良好,对图像边缘细节特征的捕捉全面。
除了主观视觉评价外,对融合结果也有一些常用的客观评价指标。为了对本文算法进行客观评价,分别引入平均梯度(AG)、标准差(SD)、互信息(MI)与结构相似度(SSIM)作为融合图像的评价指标。AG和SD分别为7.138和42.894,与主观视觉效果上的触头烧蚀轮廓、边缘明显相对应。MI和SSIM分别为7.680和0.639,说明所提出的方法可以很好地保留原始源图像中的原始信息,且图像失真较小。
表1实验融合结果的客观评价指标
Figure BDA0003172314580000073
以上结果表明:本发明可以有效地融合触头元素分布与形貌信息。
本发明解决了观察单模态图像难以对触头表面进行完整评价的问题,可以将不同影像技术的信息准确地融合到同一模态中,能够显著提高目标定位的准确度,各部分轮廓清晰,主观视觉上效果良好,对图像边缘细节特征的捕捉全面,更方便更精确地观察触头结构和元素分布。方便后续精确地定位触头表面的成分分布、分析表面结构与成分分布的关系。
本发明应用了具体实例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。

Claims (7)

1.一种基于NSST的触头元素分布与形貌信息融合方法,其特征在于包括以下步骤:
1)通过扫描电子显微镜和X-射线能谱仪获取电触头表面的元素分布图像,通过机器视觉系统获取电触头表面微观形貌图像;
2)通过图像预处理,提高图像分辨率和边缘信息,并以相同的比例显示元素分布图像和表面微观形貌图像;
3)采用基于B样条的配准方法对元素分布图像与表面微观形貌图像进行配准;
4)采用基于NSST的图像融合技术的二维仿射系统进行复合扩张,并应用加权能量融合规则,从源图像中获取相关信息,得到最终的电触头元素分布与形貌信息融合图像。
2.根据权利要求1所述的基于NSST的触头元素分布与形貌信息融合方法,其特征在于,步骤2)中提高图像分辨率和边缘信息为:
采用高斯平滑、边缘锐化实现对电触头图像细微结构边缘的增强,采用图像为中心的缩放技术,以相同的比例显示两个图像。
3.根据权利要求1所述的基于NSST的触头元素分布与形貌信息融合方法,其特征在于所述步骤3)中基于B样条的配准方法对元素分布图像与表面微观形貌图像进行配准为:
借助变形系数正图像中的变形,通过各源图像像素之间的互信息值选择变形系数的集合来最优地配准移动图像像素,具体过程如下:
301)按照映射DM=ΔMov→ΔStat,来自领域ΔMov的扫描电子显微镜和X-射线能谱仪移动图像
Figure FDA0003172314570000011
进入固定表面形貌图像
Figure FDA0003172314570000012
的领域ΔStat,将移动图像
Figure FDA0003172314570000013
改变为处于固定图像
Figure FDA0003172314570000014
的域中,移动图像变形形式为DM(y|δ),其中δ表示变换约束集;
302)根据移动图像
Figure FDA0003172314570000015
和固定图像
Figure FDA0003172314570000016
之间的最优互信息值来选择变换系数,通过以下等式确定用于选择变换系数的目标函数:
O(δ)=MaxMI(IStat,IMov) (1)
该目标函数根据以下方程式进行计算:
Figure FDA0003172314570000017
等式(2)表征了当移动图像更改为DM(y|δ)时,根据移动图像和固定图像之间的低变化而选择的变形系数;
303)基于移动图像和固定图像之间的互信息完成最优的B样条配准,用等式(3)来表示:
MI(IMov,IStat)=IE(Mov)+IE(Stat)-IE(Mov,Stat) (3)
其中,IE(Mov),IE(Stat)和IE(Mov,Stat)表征移动图像的熵、固定图像的熵和图像的联合熵,MI(IMov,IStat)为移动图像和固定图像之间的互信息。
4.根据权利要求3所述的基于NSST的触头元素分布与形貌信息融合方法,其特征在于步骤3)还包括:利用WOA算法有效地选择基于B样条配准技术的最优变换系数,在每次迭代过程中,选择可能的变换系数集,配准的输出图像最大限度的反映互信息;在识别出最佳变换系数之后,图像得到有效的配准,为图像融合做好准备。
5.根据权利要求1所述的一种基于NSST的触头元素分布与形貌信息融合方法,其特征在于步骤4)中采用基于NSST图像融合技术的二维仿射系统的复合扩张由下式给出:
Figure FDA0003172314570000021
式中:AM表示各向异性矩阵,控制Shearlet尺度,S表示剪切矩阵,I与尺度变换相关联;i、j、k分别表示尺度参数、平移参数和位移参数;xx代表一个未知数,k表示位移参数ψi,j,k(x)一个整体的函数表达式,表示不同的i、j、k值对应的小波变换,ψ(SJIix-m)为经过位移之后的小波变换,
Figure FDA0003172314570000022
表示整数集合;
剪切矩阵S(|detS|=1)和AM是可逆矩阵,大小为2×2,如果d>0且S∈R,则AM和S为:
Figure FDA0003172314570000023
6.根据权利要求1所述的基于NSST的触头元素分布与形貌信息融合方法,其特征在于步骤4)中NSST的离散方程如下:
Figure FDA0003172314570000024
其中
Figure FDA0003172314570000025
ξ1≠0,ψ的傅里叶变换为
Figure FDA0003172314570000026
令ψ1∈C(R)与ψ2∈C(R)是紧密支撑的小波,ψ0∈C(R)为小波变换函数基。
7.根据权利要求1所述的基于NSST的触头元素分布与形貌信息融合方法,其特征在于,所述步骤4)中加权能量融合规则为:
401)计算移动和静态图像的局部能量,
Figure FDA0003172314570000027
其中,En(p,q)是位置(p,q)处的局部能量,Cof(p,q)表示位置(p,q)处的小波系数,分别针对移动图像和静态图像
Figure FDA0003172314570000031
Figure FDA0003172314570000032
的NSST系数值,计算大小为3x3的矩形窗口的局部能量,移动和静态图像的局部能量通过以下方程式(8)~(9)进行评估:p、q分别表示图像中像素的横、纵坐标;
Figure FDA0003172314570000033
Figure FDA0003172314570000034
402)由公式(10)~(11)计算融合运动和静态系数的权重:
Figure FDA0003172314570000035
Figure FDA0003172314570000036
403)融合像素根据以下公式(12)计算:
I(F)(p,q)=I(Mov)(p,q)×ω(Mov)+I(Stat)(p,q)×ω(Stat) (15)
其中,I(F)(p,q)表示融合系数,I(Mov)(p,q),I(Stat)(p,q)分别表示移动图像与固定图像的融合系数,ω(Mov),ω(Stat)分别表示移动图像与固定图像的融合系数的权重,Mn(Mov)(p,q)为移动图像的局部能量,En(Stat)(p,q)为静态图像的局部能量。
CN202110822570.9A 2021-07-21 2021-07-21 一种基于nsst的触头元素分布与形貌信息融合方法 Active CN113409311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110822570.9A CN113409311B (zh) 2021-07-21 2021-07-21 一种基于nsst的触头元素分布与形貌信息融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110822570.9A CN113409311B (zh) 2021-07-21 2021-07-21 一种基于nsst的触头元素分布与形貌信息融合方法

Publications (2)

Publication Number Publication Date
CN113409311A true CN113409311A (zh) 2021-09-17
CN113409311B CN113409311B (zh) 2023-02-24

Family

ID=77687113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110822570.9A Active CN113409311B (zh) 2021-07-21 2021-07-21 一种基于nsst的触头元素分布与形貌信息融合方法

Country Status (1)

Country Link
CN (1) CN113409311B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180040152A1 (en) * 2015-03-26 2018-02-08 Centralesupelec Method for real-time deformable fusion of a source multi-dimensional image and a target multi-dimensional image of an object
CN108198157A (zh) * 2017-12-22 2018-06-22 湖南源信光电科技股份有限公司 基于显著目标区域提取和nsst的异源图像融合方法
CN109345495A (zh) * 2018-09-11 2019-02-15 中国科学院长春光学精密机械与物理研究所 基于能量最小化和梯度正则化的图像融合方法及装置
CN109840889A (zh) * 2019-01-24 2019-06-04 华东交通大学 基于仿生算法的高精度视觉测量方法、装置和系统
CN113076802A (zh) * 2021-03-04 2021-07-06 国网湖北省电力有限公司检修公司 基于缺少断开图像样本的变电站开关分合状态图像识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180040152A1 (en) * 2015-03-26 2018-02-08 Centralesupelec Method for real-time deformable fusion of a source multi-dimensional image and a target multi-dimensional image of an object
CN108198157A (zh) * 2017-12-22 2018-06-22 湖南源信光电科技股份有限公司 基于显著目标区域提取和nsst的异源图像融合方法
CN109345495A (zh) * 2018-09-11 2019-02-15 中国科学院长春光学精密机械与物理研究所 基于能量最小化和梯度正则化的图像融合方法及装置
CN109840889A (zh) * 2019-01-24 2019-06-04 华东交通大学 基于仿生算法的高精度视觉测量方法、装置和系统
CN113076802A (zh) * 2021-03-04 2021-07-06 国网湖北省电力有限公司检修公司 基于缺少断开图像样本的变电站开关分合状态图像识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘子英等: "基于BP神经网络的高压隔离开关分合闸监测识别", 《电力系统保护与控制》 *
刘明君等: "基于改进的非下采样剪切波变换多聚焦图像融合技术的研究", 《仪表技术与传感器》 *
张耀军等: "基于NSST图像特征的多聚焦图像融合方法", 《电视技术》 *
杜进楷等: "基于非下采样Shearlet变换的CNN图像融合算法", 《电声技术》 *

Also Published As

Publication number Publication date
CN113409311B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
Chen et al. High-resolution deformation mapping across large fields of view using scanning electron microscopy and digital image correlation
James et al. A high accuracy automated strain-field mapper
CN106846383B (zh) 基于3d数字显微成像系统的高动态范围图像成像方法
CN108663026B (zh) 一种振动测量方法
CN112254801A (zh) 一种微小振动视觉测量方法及系统
CN110717936B (zh) 一种基于相机姿态估计的图像拼接方法
JP4631973B2 (ja) 画像処理装置、画像処理装置の制御方法、および画像処理装置の制御プログラム
Zhu et al. A computer vision approach to study surface deformation of materials
CN111062895B (zh) 一种基于多视场分割的显微图像复原方法
Chen et al. Digital image correlation of SEM images for surface deformation of CMOS IC
CN113409311B (zh) 一种基于nsst的触头元素分布与形貌信息融合方法
CN107590787B (zh) 一种扫描电子显微镜的图像畸变校正方法
Khalil Two-dimensional displacement measurement using static close range photogrammetry and a single fixed camera
Hadar et al. Image motion restoration from a sequence of images
CN110532725B (zh) 基于数字图像的工程结构力学参数识别方法及系统
Wang Disparity surface reconstruction based on a stereo light microscope and laser fringes
CN108921794B (zh) 扫描成像模式下的动态图像重建方法及装置
Kim et al. Object dimension estimation for remote visual inspection in borescope systems
Xie et al. Scanning imaging restoration of moving or dynamically deforming objects
JP4820998B2 (ja) 位相特異点検出方法、及び、位相特異点検出装置、並びに、プログラム
Wu et al. General motion estimation and segmentation
Su et al. Three-Dimensional Reconstruction Method of Oil Wear Particles Based on Binocular Stereo Microscopic Image
Jo et al. Moiré vision: A signal processing technology beyond pixels using the moiré coordinate
CN116309036B (zh) 一种基于模板匹配和光流法的显微图像实时拼接方法
CN108280815B (zh) 一种面向监控场景结构的几何校正方法

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