CN113808060A - 一种GaN红紫外传感器紫外可见光融合方法 - Google Patents
一种GaN红紫外传感器紫外可见光融合方法 Download PDFInfo
- Publication number
- CN113808060A CN113808060A CN202111095139.5A CN202111095139A CN113808060A CN 113808060 A CN113808060 A CN 113808060A CN 202111095139 A CN202111095139 A CN 202111095139A CN 113808060 A CN113808060 A CN 113808060A
- Authority
- CN
- China
- Prior art keywords
- ultraviolet
- image
- visible light
- fusion method
- corona
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 4
- 238000001228 spectrum Methods 0.000 description 2
- 238000002211 ultraviolet spectrum Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 150000003839 salts Chemical class 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明涉及一种GaN红紫外传感器紫外可见光融合方法,属于电晕放电检测技术领域。
背景技术
在电力系统电晕检测方面,“日盲”紫外电晕探测器可在电力设备正常工作下准确实现电晕检测,并给出电晕放电的精确位置,保障电力设备安全高效运行,已经成为一种重要的电力设备维护措施。紫外电晕探测器是近些年国内开发成功的一款探测器,其在信号融合方面还存在开发不足,获取的光脉冲电信号受外界干扰非常严重,电信号为单独的脉冲信号并没有与图像融合,脉冲信号为镜头整片区域的放电情况,无法对电晕放电位置进行具体定位,本发明拟提出一种新的融合技术方法,解决整片区域检测的问题,实现对电晕放电位置的定位。
发明内容
本发明要解决的技术问题是:提供一种GaN红紫外传感器紫外可见光融合方法,以解决上述现有技术中存在的问题。
本发明采取的技术方案为:一种GaN红紫外传感器紫外可见光融合方法,该方法为:采用GaN红紫外传感器获取电晕的紫外图像和可见光图像,紫外图像和可见光图像输入到处理器后,采用处理器的加权平均融合方法对像素点进行融合,图像标准将为原来的然后采用中值滤波方法对图像进行脉冲干扰的消除,然后通过两个fifo先进先出比较器和多个触发器来实现3*3方向窗的设计,再次通过基于Sobel边缘检测技术对图像进行边缘处理,最终获得紫外和可见光两个光源融合在一起的电晕信号。
加权平均融合方法是对源图像的像素点进行加权平均,即两个图像合成,大小和像素是固定的,融合后的图像采用加权平均,然后乘以一个系数,实现对对象像素灰度值进行加权平均融合。
中值滤波方法采用流水线并行快速中值滤波的方式,即对加权平均融合后的图像中每一个像素点变换为以该点为中心的一个领域内所有点灰度值的中间值。
对象素点的二维像素窗口中所有象素点进行排序处理,得出的中值,替换原来的灰度值。
两个fifo先进先出比较器的输入是图像数据,然后通过fifo先进先出比较器,输出的是3*3的9像素数据,进行数据硬件存储。
基于Sobel边缘检测方法为:根据3*3方向窗的窗口并行输出三组数据,即数组A、数组B和数组C,三组数据分别Sobel算子进行计算,X方向相乘然后并行相加,Y方向相乘然后并行相加,输出的是增强像素的灰度值。
GaN红紫外传感器在240-280波段获取电晕紫外图像和获取电晕的可见光图像。
本发明的有益效果:与现有技术相比,本发明采用GaN红紫外传感器获取电晕的紫外图谱和可见光图谱,输入到处理器,处理器先通过加权平均融合的方法对像素点进行融合,再采用中值滤波的技术对图像进行脉冲干扰的消除,然后通过两个fifo和多个触发器来实现3*3方向窗的设计,并通过基于Sobel边缘检测技术对融合图像进行边缘处理,实现了电晕信号融合技术,这种流程处理技术,将会对电力系统的电晕检测图像处理提供一种效率高的处理技术,可以实现图像的高度融合,准确显示电晕放电的位置,放电的量级,对电力系统具有重要的价值。
附图说明
图1为本发明的方法流程图;
图2为fifo先进先出比较器结构示意图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1:如图1-图2所示,一种GaN红紫外传感器紫外可见光融合方法,该方法为:采用GaN红紫外传感器获取电晕的紫外图像和可见光图像,紫外图像和可见光图像输入到处理器后,采用处理器的加权平均融合方法对像素点进行融合,图像标准将为原来的然后采用中值滤波方法对图像进行脉冲干扰的消除,然后通过两个fifo先进先出比较器和多个触发器来实现3*3方向窗的设计,再次通过基于Sobel边缘检测技术对图像进行边缘处理,最终获得紫外和可见光两个光源融合在一起的电晕信号。本发明的方法可以实现GaN红紫外传感器装置对输电线路电晕检测后所形成的图像数据,对紫外图像数据和可见光图像数据进行融合,从而直观的看出电晕发生的位置。
上述加权平均融合方法是对源图像的像素点进行加权平均,即两个图像合成,大小和像素是固定的,融合后的图像采用加权平均,可以简单按照a+b的和进行平均,然后乘以一个系数,实现对对象像素灰度值进行加权平均融合。
上述中值滤波是一种非线性滤波技术,中值滤波方法采用流水线并行快速中值滤波的方式,即对加权平均融合后的图像中每一个像素点变换为以该点为中心的一个领域内所有点灰度值的中间值,可以消除椒盐噪声滤除脉冲干扰;说简单点就是获取的图像周边有很多斑点,采用中值滤波技术后,可以把斑点过滤点,只留下有效对象的图像。中值滤波算法是对象素点的二维像素窗口中所有象素点进行排序处理,得出的中值,替换原来的灰度值。比如周边都是3,3,3,4,10,3,均值是4,那10就是噪声点,用中值4替换掉10,就消除了噪声),中值滤波解决图像处理的快速计算的问题。
两个fifo先进先出比较器的输入是图像数据,然后通过fifo先进先出比较器,输出的是3*3的9像素数据,进行数据硬件存储(这个就叫3*3方向窗是一种硬件临时存储设计)。
基于Sobel边缘检测方法为:根据3*3方向窗的窗口并行输出三组数据,即数组A、数组B和数组C,三组数据分别Sobel算子进行计算,X方向相乘然后并行相加,Y方向相乘然后并行相加,如下
fx=[f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)]
-[f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1)]
fy=[f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)]
-[f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1)]
然后按照
进行Sobel算子进行计算,输出的是增强像素的灰度值。
GaN红紫外传感器在240-280波段获取电晕紫外图像和获取电晕的可见光图像。
本发明中将GaN红紫外传感器获取的紫外图像和可见光图像,通过本发明设计的方法,实现两个图像合并为一个图像的处理功能,实现电晕信号融合综合数据的处理。具体原理为将GaN红紫外传感器获取的紫外图像和可见光图像,通过加权平均融合法、中值滤波法、3*3方向窗的实现、基于Sobel边缘检测法,最后处理为绝缘子放电分布综合数据。
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,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
2.根据权利要求1所述的一种GaN红紫外传感器紫外可见光融合方法,其特征在于:加权平均融合方法是对源图像的像素点进行加权平均,即两个图像合成,大小和像素是固定的,融合后的图像采用加权平均,然后乘以一个系数,实现对对象像素灰度值进行加权平均融合。
3.根据权利要求2所述的一种GaN红紫外传感器紫外可见光融合方法,其特征在于:中值滤波方法采用流水线并行快速中值滤波的方式,即对加权平均融合后的图像中每一个像素点变换为以该点为中心的一个领域内所有点灰度值的中间值。
4.根据权利要求3所述的一种GaN红紫外传感器紫外可见光融合方法,其特征在于:对象素点的二维像素窗口中所有象素点进行排序处理,得出的中值,替换原来的灰度值。
5.根据权利要求1所述的一种GaN红紫外传感器紫外可见光融合方法,其特征在于:两个fifo先进先出比较器的输入是图像数据,然后通过fifo先进先出比较器,输出的是3*3的9像素数据,进行数据硬件存储。
6.根据权利要求1所述的一种GaN红紫外传感器紫外可见光融合方法,其特征在于:基于Sobel边缘检测方法为:根据3*3方向窗的窗口并行输出三组数据,即数组A、数组B和数组C,三组数据分别Sobel算子进行计算,X方向相乘然后并行相加,Y方向相乘然后并行相加,输出的是增强像素的灰度值。
8.根据权利要求1所述的一种GaN红紫外传感器紫外可见光融合方法,其特征在于:GaN红紫外传感器在240-280波段获取电晕紫外图像和获取电晕的可见光图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095139.5A CN113808060A (zh) | 2021-09-17 | 2021-09-17 | 一种GaN红紫外传感器紫外可见光融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095139.5A CN113808060A (zh) | 2021-09-17 | 2021-09-17 | 一种GaN红紫外传感器紫外可见光融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113808060A true CN113808060A (zh) | 2021-12-17 |
Family
ID=78939549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095139.5A Pending CN113808060A (zh) | 2021-09-17 | 2021-09-17 | 一种GaN红紫外传感器紫外可见光融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808060A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177429A (zh) * | 2013-04-16 | 2013-06-26 | 南京理工大学 | 基于fpga的红外图像细节增强系统及其方法 |
CN105227818A (zh) * | 2015-10-10 | 2016-01-06 | 常州光电技术研究所 | 一种紫外-可见光双光路成像探测系统 |
CN107505546A (zh) * | 2017-08-25 | 2017-12-22 | 国家电网公司 | 一种利用紫外成像仪监测电晕放电的方法 |
CN113093808A (zh) * | 2015-05-23 | 2021-07-09 | 深圳市大疆创新科技有限公司 | 使用惯性传感器和图像传感器的传感器融合 |
-
2021
- 2021-09-17 CN CN202111095139.5A patent/CN113808060A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177429A (zh) * | 2013-04-16 | 2013-06-26 | 南京理工大学 | 基于fpga的红外图像细节增强系统及其方法 |
CN113093808A (zh) * | 2015-05-23 | 2021-07-09 | 深圳市大疆创新科技有限公司 | 使用惯性传感器和图像传感器的传感器融合 |
CN105227818A (zh) * | 2015-10-10 | 2016-01-06 | 常州光电技术研究所 | 一种紫外-可见光双光路成像探测系统 |
CN107505546A (zh) * | 2017-08-25 | 2017-12-22 | 国家电网公司 | 一种利用紫外成像仪监测电晕放电的方法 |
Non-Patent Citations (1)
Title |
---|
钱军: """日盲"紫外电晕探测器的数字图像处理系统"", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 06 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110268190B (zh) | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 | |
WO2018028103A1 (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN107014819A (zh) | 一种太阳能电池板表面缺陷检测系统和方法 | |
Song et al. | Micro surface defect detection method for silicon steel strip based on saliency convex active contour model | |
CN102063704B (zh) | 一种机载视景增强方法及其装置 | |
CN111553194B (zh) | 基于双光源的gis设备内部的异物的检测方法及系统 | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
Yang et al. | Crack detection in magnetic tile images using nonsubsampled shearlet transform and envelope gray level gradient | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN113686869A (zh) | 一种绝缘毯微缺陷识别装置 | |
CN115272256A (zh) | 亚像素级传感光纤路径高斯提取方法及系统 | |
KR20110129158A (ko) | 영상 처리 시스템에서의 객체 후보 영역 검출 방법 및 시스템 | |
CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN114155212A (zh) | 一种基于红外图像的变电站异常绝缘子检测方法和装置 | |
CN105491269A (zh) | 基于反卷积图像复原的高保真视频放大方法 | |
CN105608674B (zh) | 一种基于图像配准、插值和去噪的图像增强方法 | |
US20190273845A1 (en) | Vibration monitoring of an object using a video camera | |
JP2009010669A (ja) | 画像処理装置、撮像装置、画像処理方法およびプログラム | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
CN113808060A (zh) | 一种GaN红紫外传感器紫外可见光融合方法 | |
CN107742287A (zh) | 护套检测系统及方法 | |
Wang et al. | Deep learning based distortion restoration and defect segmentation from linear scanning camera images | |
CN109073503B (zh) | 不均匀性评价方法和不均匀性评价装置 |
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 |