CN113807365A - 一种电缆图像的特征提取方法、装置、电子设备及介质 - Google Patents

一种电缆图像的特征提取方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN113807365A
CN113807365A CN202111081103.1A CN202111081103A CN113807365A CN 113807365 A CN113807365 A CN 113807365A CN 202111081103 A CN202111081103 A CN 202111081103A CN 113807365 A CN113807365 A CN 113807365A
Authority
CN
China
Prior art keywords
matrix
coefficient
preset
image
contourlet
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
Application number
CN202111081103.1A
Other languages
English (en)
Inventor
孙新宇
曾振达
彭发东
章坚
黄杨珏
刘玉宝
叶杭
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.)
Guangdong Power Grid Co Ltd
Heyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Heyuan Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Heyuan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202111081103.1A priority Critical patent/CN113807365A/zh
Publication of CN113807365A publication Critical patent/CN113807365A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种电缆图像的特征提取方法、装置、电子设备及介质。其中，该方法包括：获取待处理电缆图像，根据预设的轮廓波变换算法，得到所述待处理电缆图像的轮廓波系数，构成所述轮廓波系数的系数样本矩阵；根据所述系数样本矩阵，基于预设的主成分分析算法，对所述轮廓波系数进行主成分提取，得到主成分矩阵；根据所述主成分矩阵，确定所述待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和所述新轮廓波系数，得到所述待处理电缆图像的图像特征。通过结合轮廓波变换算法和主成分分析算法，得到电缆图像的图像特征，提高图像特征的提取精度。

Description

一种电缆图像的特征提取方法、装置、电子设备及介质
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种电缆图像的特征提取方法、装置、电子设备及介质。
背景技术
地下电缆是城市的生命线，它担负着输送电能和保障民生等重要作用。为防止施工过程中损坏地下电缆设施，地下电缆探测已成为施工前必不可少的工作。探地雷达方法是获取电缆图像的重要手段，向地下介质发射高频电磁波，根据所接收到的已经发生变化的电磁波，对被测的地下介质内部结构及分布特征进行推测。
使用探地雷达探测地下电缆，形成回波图像，对回波图像进行电缆特征的提取可以帮助电缆识别和定位。若电缆识别错误，则会在施工时造成电缆破损，严重影响市民用电问题，造成大片区域的瘫痪，给市民生活带来不便。因此，对电缆图像进行特征提取具有重要的意义。
发明内容
本发明实施例提供一种电缆图像的特征提取方法、装置、电子设备及介质，以提高电缆识别的精度。
第一方面，本发明实施例提供了一种电缆图像的特征提取方法，该方法包括：
获取待处理电缆图像，根据预设的轮廓波变换算法，得到所述待处理电缆图像的轮廓波系数，构成所述轮廓波系数的系数样本矩阵；
根据所述系数样本矩阵，基于预设的主成分分析算法，对所述轮廓波系数进行主成分提取，得到主成分矩阵；
根据所述主成分矩阵，确定所述待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和所述新轮廓波系数，得到所述待处理电缆图像的图像特征。
第二方面，本发明实施例还提供了一种电缆图像的特征提取装置，该装置包括：
系数样本矩阵确定模块，用于获取待处理电缆图像，根据预设的轮廓波变换算法，得到所述待处理电缆图像的轮廓波系数，构成所述轮廓波系数的系数样本矩阵；
主成分矩阵确定模块，用于根据所述系数样本矩阵，基于预设的主成分分析算法，对所述轮廓波系数进行主成分提取，得到主成分矩阵；
图像特征确定模块，用于根据所述主成分矩阵，确定所述待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和所述新轮廓波系数，得到所述待处理电缆图像的图像特征。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所述的电缆图像的特征提取方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所述的电缆图像的特征提取方法。
本发明实施例通过轮廓波变换算法，对待处理电缆图像进行分解，得到多个轮廓波系数，由轮廓波系数构建成系数样本矩阵。根据预设的主成分分析算法，对轮廓波系数进行主成分提取，将提取出的主成分构建为主成分矩阵。根据在系数样本矩阵的行列数，确定新轮廓波系数。根据新轮廓波系数和预设的轮廓波变换算法进行特征提取，得到电缆图像的图像特征。通过结合轮廓波变换算法和主成分分析算法，解决了对电缆图像中特征提取不精确的问题，避免对电缆识别的遗漏，以及将非电缆的部分识别为电缆的情况发生，提高电缆图像的特征提取精度。
附图说明
图1是本发明实施例一中的一种电缆图像的特征提取方法的流程示意图；
图2是本发明实施例二中的一种电缆图像的特征提取方法的流程示意图；
图3是本发明实施例三中的一种电缆图像的特征提取装置的结构框图；
图4是本发明实施例四中的一种电缆图像的特征提取设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种电缆图像的特征提取方法的流程示意图，本实施例可适用于对雷达探测的电缆图像进行电缆识别的情况，该方法可以由一种电缆图像的特征提取装置来执行。如图1所示，该方法具体包括如下步骤：
步骤110、获取待处理电缆图像，根据预设的轮廓波变换算法，得到待处理电缆图像的轮廓波系数，构成轮廓波系数的系数样本矩阵。
其中，待处理电缆图像是通过使用探地雷达对地下电缆进行探测，并采集数据绘制成的回波图像。使用探地雷达对不同电缆进行检测成像，得到的回波图像的特征可以是，有明显的抛物线形雷达波，抛物线两叶很短，顶部较尖，有明细的多次反射波组，整体一般呈条带状。雷达接收天线收到反射波信号并将其数字化，计算机对采集的数据进行分析处理，得到电缆回波图像，作为待处理电缆图像。
预先设置Contourlet(轮廓波)小波变换的图像特征提取算法，通过对图像作Contourlet变换得到变换子带，Contourlet变换可以得到不同尺度的子带上的Contourlet系数，即轮廓波系数。将轮廓波系数作为样本，构建出系数样本矩阵。
本实施例中，可选的，根据预设的轮廓波变换算法，得到待处理电缆图像的轮廓波系数，构成轮廓波系数的系数样本矩阵，包括：根据预设的轮廓波变换算法对待处理电缆图像进行分解，得到高频信息子带和低频信息子带；确定高频信息子带和低频信息子带的轮廓波系数，将轮廓波系数构建为系数样本矩阵。
具体的，预先设置Contourlet(轮廓波)小波变换的图像特征提取算法，采用Contourlet变换对待处理电缆图像进行分解，得到了各尺度上的高频信息子带和一个低频信息子带。对于所得到的各尺度上的高频信息子带和低频信息子带的Contourlet系数进行分别处理，将每一个子带所得到的Contourlet系数作为轮廓波系数，变换成向量样本，由所有的向量样本构成矩阵，作为系数样本矩阵。例如，子带的数量为n，每个子带所得到的Contourlet系数的数量为p，则系数样本矩阵可以表示为
Figure BDA0003264066360000051
这样设置的有益效果在于，可以得到各尺度上子带的系数，便于对系数进行主成分分析和重构，得到新的Contourlet系数，从而根据新的系数提取图像特征，提高电缆识别精度。
步骤120、根据系数样本矩阵，基于预设的主成分分析算法，对轮廓波系数进行主成分提取，得到主成分矩阵。
其中，根据预设的PCA(Principal Component Analysis，主成分分析)算法，对系数样本矩阵进行Contourlet系数的主成分提取，提取后得到主成分矩阵。去除图像多维数据中的冗余分量，降低计算量，为后续Contourlet小波变换作铺垫。
本实施例中，可选的，根据系数样本矩阵，基于预设的主成分分析算法，对轮廓波系数进行主成分提取，得到主成分矩阵，包括：根据系数样本矩阵和预设的差值确定算法，得到差值矩阵；对差值矩阵进行转置，得到协方差矩阵，确定协方差矩阵的候选特征值和候选特征向量；根据候选特征值和预设的特征值筛选条件，从候选特征值中确定目标特征值，根据目标特征值，确定目标特征向量；根据目标特征值和目标特征向量，得到白化矩阵；将白化矩阵与差值矩阵进行矩阵相乘，得到主成分矩阵，以完成对轮廓波系数的主成分提取。
具体的，对系数样本矩阵进行差值计算，得到差值矩阵，对差值矩阵进行转置，得到协方差矩阵。例如，差值矩阵为Xn′×p，差值矩阵的转置为Xn′×p T，协方差矩阵为Vp×p，
Figure BDA0003264066360000061
根据协方差矩阵，计算特征值λi和特征向量Ai，分别作为候选特征值和候选特征向量，可以得到多个候选特征值和多个候选特征向量。预先设置一个特征值筛选条件，判断是否存在满足特征值筛选条件的候选特征值，若是，则将满足特征值筛选条件的候选特征值确定为目标特征值。特征值与特征向量为对应的关系，因此，根据目标特征值，可以从候选特征向量中确定目标特征向量，实现数据的降维。白化处理可以去除信号的相关性，根据选取的目标特征值和目标特征向量，计算得到白化矩阵。将得到的白化矩阵与差值矩阵进行矩阵相乘，得到矩阵Y，矩阵Y为主成分矩阵，即完成了对Contourlet变换系数的主成分提取。这样设置的有益效果在于，通过预设的PCA算法进行系数的主成分提取，对数据进行降低维数，从而用尽可能少的数据对系数样本矩阵中的系数进行描述。即，可以用较少的数据信息对较多的有用数据信息进行表示，且保留的数据信息相互之间无相关性，避免特征提取时系数过多造成错误，提高图像特征提取的效率和精度。
本实施例中，可选的，根据系数样本矩阵和预设的差值确定算法，得到差值矩阵，包括：确定系数样本矩阵中任一列的平均值；将系数样本矩阵中任一列中的任一元素减去对应列的平均值，得到差值矩阵。
具体的，在得到系数样本矩阵后，计算系数样本矩阵中每一列元素的平均值，例如，第一列的平均值为
Figure BDA0003264066360000062
得到的p列的平均值分别为
Figure BDA0003264066360000063
在得到每一列的平均值后，将系数样本矩阵中每一列中的每一个元素都减去该列的平均值，得到差值矩阵。差值矩阵的行列数与系数样本矩阵一致，差值矩阵可以表示为
Figure BDA0003264066360000071
这样设置的有益效果在于，对系数样本矩阵进行计算，计算方式简单，减少计算误差，便于后续确定主成分矩阵，提高电缆识别精度。
本实施例中，可选的，根据候选特征值和预设的特征值筛选条件，从候选特征值中确定目标特征值，根据目标特征值，确定目标特征向量，包括：对候选特征值进行降序排序，根据候选特征值的排序结果，对候选特征向量的排序进行调整；从排序后的候选特征值中选取满足预设特征值筛选条件的目标特征值，将与目标特征值对应的候选特征向量确定为目标特征向量。
具体的，从候选特征值中选取目标特征值，例如，可以从候选特征值中选择数值较大的特征值作为目标特征值。本实施例中，可以对候选特征值进行降序的排序，预先设置一个特征值筛选条件，例如，可以设置一个特征值阈值，将超过特征值阈值的候选特征值作为目标特征值。也可以设置一个排名范围，将排序在预设的排名范围之内的候选特征值确定为目标特征值。例如，排名范围为前五名，则将排序在前五名的候选特征值作为目标特征值。根据预设的特征值筛选条件，从排序后的候选特征值中选取目标特征值，根据候选特征值和候选特征向量的对应关系，确定目标特征向量。这样设置的有益效果在于，选择目标特征值和目标特征向量，降低数据维度，减少数据冗余，通过特征值筛选条件保留需要的数据，实现对主要特征的提取，进而提高特征提取的精度和效率。
本实施例中，可选的，从排序后的候选特征值中选取满足预设特征值筛选条件的目标特征值，包括：根据候选特征值的排序，确定满足预设特征值筛选条件的候选特征值的目标序号；将目标序号对应的候选特征值确定为目标特征值；根据如下公式确定满足预设特征值筛选条件的候选特征值的目标序号：
Figure BDA0003264066360000081
其中，ηm为预设特征值筛选条件的参数，p为候选特征值的数量，m为目标序号，λ为候选特征值。
具体的，对排序后的候选特征值以及对应的候选特征向量进行处理，以选取满足要求的目标特征值及目标特征向量，可以将排序后的特征值按照下式进行计算：
Figure BDA0003264066360000082
根据ηm进行m的确定，预先设置ηm的值，ηm为排序后的前m个候选特征值的能量，能量可以表示特征值的重要程度。为了完成对主要特征的提取，通常选80％以上的能量，即，可以将ηm设置为80％。在得到m后，根据m的大小，选取前m个特征值及相对应的特征向量，构成投影矩阵。投影矩阵可以表示为
Figure BDA0003264066360000083
这样设置的有益效果在于，通过预设的ηm值确定前m个目标特征值，确保留下的目标特征值的特征为重要特征，避免将重要特征淘汰，提高主成分提取的精度，进而提高特征提取的精度。
步骤130、根据主成分矩阵，确定待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和新轮廓波系数，得到待处理电缆图像的图像特征。
其中，在得到主成分矩阵后，将主成分矩阵转换为系数样本矩阵的结构形式，例如，可以将主成分矩阵转换为与系数样本矩阵的行列数一致的结构形式。主成分矩阵的行列数可以小于系数样本矩阵的行列数，主成分矩阵所增加的行列中的元素可以设置为0。转换后得到新的系数样本矩阵，根据新的系数样本矩阵，得到新的Contourlet系数，实现对Contourlet系数的转换和筛选，降低Contourlet系数的冗余度，完成对新的Contourlet系数进行重构。
通过对Contourlet变换所得的Contourlet系数进行选取，将选取得到的新的Contourlet系数进行重构。根据预设的Contourlet变换算法，对新Contourlet系数进行重构，得到待处理电缆图像的轮廓主要特征信息，即实现了对待处理电缆图像的图像特征的提取，得到电缆所在的位置。
本实施例的技术方案，通过轮廓波变换算法，对待处理电缆图像进行分解，得到多个轮廓波系数，由轮廓波系数构建成系数样本矩阵。根据预设的主成分分析算法，对轮廓波系数进行主成分提取，将提取出的主成分构建为主成分矩阵。根据在系数样本矩阵的行列数，确定新轮廓波系数。根据新轮廓波系数和预设的轮廓波变换算法进行特征提取，得到电缆图像的图像特征。通过结合轮廓波变换算法和主成分分析算法，降低计算的复杂性，解决了对电缆图像中特征提取不精确的问题，避免对电缆识别的遗漏，以及将非电缆的部分识别为电缆，提高电缆图像的特征提取精度，进而提高电缆探测的安全性。
实施例二
图2为本发明实施例二所提供的一种电缆图像的特征提取方法的流程示意图，本实施例以上述实施例为基础进行进一步的优化，该方法可以由一种电缆图像的特征提取装置来执行。如图2所示，该方法具体包括如下步骤：
步骤210、获取待处理电缆图像，根据预设的轮廓波变换算法，得到待处理电缆图像的轮廓波系数，构成轮廓波系数的系数样本矩阵。
步骤220、根据系数样本矩阵，基于预设的主成分分析算法，对轮廓波系数进行主成分提取，得到主成分矩阵。
步骤230、根据主成分矩阵，确定待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和新轮廓波系数，得到待处理电缆图像的图像特征。
步骤240、根据预设的聚类算法，对图像特征进行聚类，得到图像特征的类别。
其中，在得到图像特征后，可以对图像特征进行聚类，实现将相同类别的图像特征聚为一类。将明显不是电缆线的图像特征的类别进行淘汰，提高电缆线的特征确定精度。可以采用预设的聚类算法进行聚类，例如，可以采用K-Means(K-Means ClusteringAlgorithm，K均值聚类算法)算法，具体的，可以采用K-Means++算法。
本实施例中，根据预设的K-Means++聚类方法对待处理电缆图像的图像特征数据作为样本进行处理，将类别相同的样本归类在一起，为每个样本找到对应的类别。可以先从样本集合中选取K个样本作为聚类中心，然后通过迭代计算各个样本分别与这K个中心的距离，选取样本与聚类中心的最小距离，判断该样本的聚类中心。当有新的样本被加入到一个类别后，重新计算该类别样本均值，将新的样本均值作为该类别新的聚类中心，一直重复该过程直至得到的新的聚类中心结果不再改变为止。
在本发明实施例中选取K-Means++算法进行初始聚类中心的获取，算法更加稳定，不会对聚类的结果造成较大的影响，且该算法可以通过选取好的聚类中心使标准K-Means过程迭代次数变少从而很快的达到收敛，提高聚类的稳定性和准确性。在聚类后，可以将明显不是电缆的特征类别淘汰，避免了对各个图像特征进行依次判断的过程，有利于快速从待处理电缆图像中找到电缆的位置。
本发明实施例通过轮廓波变换算法，对待处理电缆图像进行分解，得到多个轮廓波系数，由轮廓波系数构建成系数样本矩阵。根据预设的主成分分析算法，对轮廓波系数进行主成分提取，将提取出的主成分构建为主成分矩阵。根据在系数样本矩阵的行列数，确定新轮廓波系数。根据新轮廓波系数和预设的轮廓波变换算法进行系数重构，得到电缆图像的图像特征。通过对图像特征进行聚类，快速找到电缆位置，避免将电缆位置确定错误。本实施例结合了PCA算法和基于Contourlet小波变换的图像特征提取算法，采用改进后的图像特征提取算法对电缆回波图像的“双曲线”特征进行提取，并采用K-Means++聚类方法对探地雷达图像数据进行处理。提高地下电缆的检测准确率和工作效率，达到使用户直观有效地对探地雷达图像进行解释的目的，解决了对电缆图像中特征提取不精确的问题，避免对电缆识别的遗漏，以及将非电缆的部分识别为电缆的情况发生，提高电缆图像的特征提取精度，进而提高电缆探测的安全性，具有广泛的应用前景。
实施例三
图3为本发明实施例三所提供的一种电缆图像的特征提取装置的结构框图，可执行本发明任意实施例所提供的一种电缆图像的特征提取方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置具体包括：
系数样本矩阵确定模块301，用于获取待处理电缆图像，根据预设的轮廓波变换算法，得到所述待处理电缆图像的轮廓波系数，构成所述轮廓波系数的系数样本矩阵；
主成分矩阵确定模块302，用于根据所述系数样本矩阵，基于预设的主成分分析算法，对所述轮廓波系数进行主成分提取，得到主成分矩阵；
图像特征确定模块303，用于根据所述主成分矩阵，确定所述待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和所述新轮廓波系数，得到所述待处理电缆图像的图像特征。
可选的，系数样本矩阵确定模块301，包括：
子带获得单元，用于根据预设的轮廓波变换算法对所述待处理电缆图像进行分解，得到高频信息子带和低频信息子带；
矩阵构建单元，用于确定所述高频信息子带和低频信息子带的轮廓波系数，将所述轮廓波系数构建为所述系数样本矩阵。
可选的，主成分矩阵确定模块302，包括：
差值矩阵获得单元，用于根据所述系数样本矩阵和预设的差值确定算法，得到差值矩阵；
协方差矩阵获得单元，用于对所述差值矩阵进行转置，得到协方差矩阵，确定所述协方差矩阵的候选特征值和候选特征向量；
目标特征值确定单元，用于根据所述候选特征值和预设的特征值筛选条件，从所述候选特征值中确定目标特征值，根据所述目标特征值，确定目标特征向量；
白化矩阵获得单元，用于根据所述目标特征值和目标特征向量，得到白化矩阵；
主成分提取单元，用于将所述白化矩阵与所述差值矩阵进行矩阵相乘，得到主成分矩阵，以完成对轮廓波系数的主成分提取。
可选的，差值矩阵获得单元，具体用于：
确定所述系数样本矩阵中任一列的平均值；
将所述系数样本矩阵中任一列中的任一元素减去对应列的平均值，得到所述差值矩阵。
可选的，目标特征值确定单元，包括：
排序子单元，用于对所述候选特征值进行降序排序；
特征值选取子单元，用于从排序后的候选特征值中选取满足预设特征值筛选条件的目标特征值，将与所述目标特征值对应的候选特征向量确定为目标特征向量。
可选的，特征值选取子单元，具体用于：
根据候选特征值的排序，确定满足预设特征值筛选条件的候选特征值的目标序号；
将所述目标序号对应的候选特征值确定为目标特征值；
根据如下公式确定满足预设特征值筛选条件的候选特征值的目标序号：
Figure BDA0003264066360000131
其中，ηm为预设特征值筛选条件的参数，p为候选特征值的数量，m为目标序号，λ为候选特征值。
可选的，该装置还包括：
特征聚类模块，用于在得到所述待处理电缆图像的图像特征之后，根据预设的聚类算法，对所述图像特征进行聚类，得到所述图像特征的类别。
本发明实施例通过轮廓波变换算法，对待处理电缆图像进行分解，得到多个轮廓波系数，由轮廓波系数构建成系数样本矩阵。根据预设的主成分分析算法，对轮廓波系数进行主成分提取，将提取出的主成分构建为主成分矩阵。根据在系数样本矩阵的行列数，确定新轮廓波系数。根据新轮廓波系数和预设的轮廓波变换算法进行特征提取，得到电缆图像的图像特征。通过结合轮廓波变换算法和主成分分析算法，解决了对电缆图像中特征提取不精确的问题，避免对电缆识别的遗漏，以及将非电缆的部分识别为电缆，提高电缆图像的特征提取精度。
实施例四
图4是本发明实施例四提供的一种电缆图像的特征提取设备的结构示意图。电缆图像的特征提取设备是一种电子设备，图4示出了适于用来实现本发明实施方式的示例性电子设备400的框图。图4显示的电子设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，电子设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器412通过总线403与电子设备400的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种电缆图像的特征提取方法，包括：
获取待处理电缆图像，根据预设的轮廓波变换算法，得到所述待处理电缆图像的轮廓波系数，构成所述轮廓波系数的系数样本矩阵；
根据所述系数样本矩阵，基于预设的主成分分析算法，对所述轮廓波系数进行主成分提取，得到主成分矩阵；
根据所述主成分矩阵，确定所述待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和所述新轮廓波系数，得到所述待处理电缆图像的图像特征。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种电缆图像的特征提取方法，包括：
获取待处理电缆图像，根据预设的轮廓波变换算法，得到所述待处理电缆图像的轮廓波系数，构成所述轮廓波系数的系数样本矩阵；
根据所述系数样本矩阵，基于预设的主成分分析算法，对所述轮廓波系数进行主成分提取，得到主成分矩阵；
根据所述主成分矩阵，确定所述待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和所述新轮廓波系数，得到所述待处理电缆图像的图像特征。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种电缆图像的特征提取方法，其特征在于，包括：
获取待处理电缆图像，根据预设的轮廓波变换算法，得到所述待处理电缆图像的轮廓波系数，构成所述轮廓波系数的系数样本矩阵；
根据所述系数样本矩阵，基于预设的主成分分析算法，对所述轮廓波系数进行主成分提取，得到主成分矩阵；
根据所述主成分矩阵，确定所述待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和所述新轮廓波系数，得到所述待处理电缆图像的图像特征。
2.根据权利要求1所述的方法，其特征在于，根据预设的轮廓波变换算法，得到所述待处理电缆图像的轮廓波系数，构成所述轮廓波系数的系数样本矩阵，包括：
根据预设的轮廓波变换算法对所述待处理电缆图像进行分解，得到高频信息子带和低频信息子带；
确定所述高频信息子带和低频信息子带的轮廓波系数，将所述轮廓波系数构建为所述系数样本矩阵。
3.根据权利要求1所述的方法，其特征在于，根据所述系数样本矩阵，基于预设的主成分分析算法，对所述轮廓波系数进行主成分提取，得到主成分矩阵，包括：
根据所述系数样本矩阵和预设的差值确定算法，得到差值矩阵；
对所述差值矩阵进行转置，得到协方差矩阵，确定所述协方差矩阵的候选特征值和候选特征向量；
根据所述候选特征值和预设的特征值筛选条件，从所述候选特征值中确定目标特征值，根据所述目标特征值，确定目标特征向量；
根据所述目标特征值和目标特征向量，得到白化矩阵；
将所述白化矩阵与所述差值矩阵进行矩阵相乘，得到主成分矩阵，以完成对轮廓波系数的主成分提取。
4.根据权利要求3所述的方法，其特征在于，根据所述系数样本矩阵和预设的差值确定算法，得到差值矩阵，包括：
确定所述系数样本矩阵中任一列的平均值；
将所述系数样本矩阵中任一列中的任一元素减去对应列的平均值，得到所述差值矩阵。
5.根据权利要求3所述的方法，其特征在于，根据所述候选特征值和预设的特征值筛选条件，从所述候选特征值中确定目标特征值，根据所述目标特征值，确定目标特征向量，包括：
对所述候选特征值进行降序排序；
从排序后的候选特征值中选取满足预设特征值筛选条件的目标特征值，将与所述目标特征值对应的候选特征向量确定为目标特征向量。
6.根据权利要求5所述的方法，其特征在于，从排序后的候选特征值中选取满足预设特征值筛选条件的目标特征值，包括：
根据候选特征值的排序，确定满足预设特征值筛选条件的候选特征值的目标序号；
将所述目标序号对应的候选特征值确定为目标特征值；
根据如下公式确定满足预设特征值筛选条件的候选特征值的目标序号：
Figure FDA0003264066350000021
其中，ηm为预设特征值筛选条件的参数，p为候选特征值的数量，m为目标序号，λ为候选特征值。
7.根据权利要求1所述的方法，其特征在于，在得到所述待处理电缆图像的图像特征之后，还包括：
根据预设的聚类算法，对所述图像特征进行聚类，得到所述图像特征的类别。
8.一种电缆图像的特征提取装置，其特征在于，包括：
系数样本矩阵确定模块，用于获取待处理电缆图像，根据预设的轮廓波变换算法，得到所述待处理电缆图像的轮廓波系数，构成所述轮廓波系数的系数样本矩阵；
主成分矩阵确定模块，用于根据所述系数样本矩阵，基于预设的主成分分析算法，对所述轮廓波系数进行主成分提取，得到主成分矩阵；
图像特征确定模块，用于根据所述主成分矩阵，确定所述待处理电缆图像的新轮廓波系数，基于预设的轮廓波变换算法和所述新轮廓波系数，得到所述待处理电缆图像的图像特征。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的电缆图像的特征提取方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的电缆图像的特征提取方法。
CN202111081103.1A 2021-09-15 2021-09-15 一种电缆图像的特征提取方法、装置、电子设备及介质 Pending CN113807365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111081103.1A CN113807365A (zh) 2021-09-15 2021-09-15 一种电缆图像的特征提取方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111081103.1A CN113807365A (zh) 2021-09-15 2021-09-15 一种电缆图像的特征提取方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN113807365A true CN113807365A (zh) 2021-12-17

Family

ID=78941206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111081103.1A Pending CN113807365A (zh) 2021-09-15 2021-09-15 一种电缆图像的特征提取方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113807365A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921132A (zh) * 2018-07-27 2018-11-30 广东电网有限责任公司 无人机机载电缆探测系统
CN110111290A (zh) * 2019-05-07 2019-08-09 电子科技大学 一种基于nsct和结构张量的红外与可见光图像融合方法
WO2020000877A1 (zh) * 2018-06-26 2020-01-02 北京字节跳动网络技术有限公司 用于生成图像的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000877A1 (zh) * 2018-06-26 2020-01-02 北京字节跳动网络技术有限公司 用于生成图像的方法和装置
CN108921132A (zh) * 2018-07-27 2018-11-30 广东电网有限责任公司 无人机机载电缆探测系统
CN110111290A (zh) * 2019-05-07 2019-08-09 电子科技大学 一种基于nsct和结构张量的红外与可见光图像融合方法

Similar Documents

Publication Publication Date Title
US9064491B2 (en) Methods and apparatus for performing transformation techniques for data clustering and/or classification
US6178261B1 (en) Method and system for extracting features in a pattern recognition system
Walker et al. Locating Salient Object Features.
CN106547852B (zh) 异常数据检测方法及装置、数据预处理方法及系统
CN108446599B (zh) 一种p值统计量建模独立性的高光谱图像波段快速选择方法
US20210012153A1 (en) Image processing method and apparatus, electronic device, and storage medium
CN109934301B (zh) 一种电力负荷聚类分析方法、装置和设备
CN110659665A (zh) 一种异维特征的模型构建方法及图像识别方法、装置
JP5323860B2 (ja) 混合された信号を複数の成分信号に分離する方法
CN111368850B (zh) 图像的特征提取、目标检测方法及装置、卷积装置、cnn网络装置、终端
CN112070008A (zh) 高光谱图像特征识别方法、装置、设备及存储介质
CN110929802A (zh) 基于信息熵的细分类识别模型训练、图像识别方法及装置
CN111400528B (zh) 一种图像压缩方法、装置、服务器及存储介质
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN112613584A (zh) 一种故障诊断方法、装置、设备及存储介质
Glumov et al. Detection of objects on the image using a sliding window mode
WO2022052548A1 (zh) 数据分析方法及装置、电子设备、存储介质
CN111027582B (zh) 基于低秩图学习的半监督特征子空间学习方法及装置
CN107480426B (zh) 自迭代病历档案聚类分析系统
Dantas et al. Safe screening for sparse regression with the Kullback-Leibler divergence
CN114463587A (zh) 一种异常数据检测方法、装置、设备及存储介质
CN114974306A (zh) 一种基于深度学习的变压器异常声纹检测识别方法和装置
CN114898167A (zh) 基于视图间差异性检测的多视图子空间聚类方法及系统
Kekre et al. SAR image segmentation using vector quantization technique on entropy images
US20200279148A1 (en) Material structure analysis method and material structure analyzer

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