CN113850827B - 地线与水平铁磨损导致断股图像检测处理方法 - Google Patents
地线与水平铁磨损导致断股图像检测处理方法 Download PDFInfo
- Publication number
- CN113850827B CN113850827B CN202111427504.8A CN202111427504A CN113850827B CN 113850827 B CN113850827 B CN 113850827B CN 202111427504 A CN202111427504 A CN 202111427504A CN 113850827 B CN113850827 B CN 113850827B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- ground line
- initial
- ground wire
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 119
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 85
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 53
- 238000005299 abrasion Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 179
- 230000004927 fusion Effects 0.000 claims abstract description 49
- 238000003709 image segmentation Methods 0.000 claims abstract description 46
- 239000002131 composite material Substances 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000005192 partition Methods 0.000 claims description 64
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003706 image smoothing Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 235000000396 iron Nutrition 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种地线与水平铁磨损导致断股图像检测处理方法，采用基于图像的随机场模型法对获取的含有地线和水平铁的复合预处理后图像进行初始的图像分割，得到第一初始分割图像，得到初始分割图像样本集；判断当前第一初始分割图像是否满足基本分割条件；将不满足的第一初始分割图像对应的原始图像为目标待处理图像进行后续处理;利用SLIC网路对待处理图像样本集中的目标待处理图像进行地线边缘粗提取处理得到第二分割处理结果，对SLIC网路处理的第二分割处理结果中不符合融合条件的超像素块进行优化处理得到第三分割处理结果；本申请实现了领域超像素块快融合的效果，进一步提升了图像分割的精度以及效率。
Description
技术领域
本发明属于架空输电线路识别分析领域，尤其涉及一种地线与水平铁磨损导致断股图像检测处理方法。
背景技术
图像分割是计算机视觉研究中的一个常规难题，已经成为图像理解领域关注的一个热点，图像分割是图像分析的第一步是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一幅图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。
如图1所示，上述地线的一端往往通过线夹等金具与连接到架空线路第一连接点上，然而上述第一连接点附近还设置有水平铁，因为由于地线悬空中受到风吹影响来回晃动，最终极容易导致地线与水平铁来回摩擦，造成地线磨损断股；然而现有技术中，图像识别后处理的图像加强时，往往是对单纯的地线断股进行识别，但是受到拍摄角度影响极容易导致地线与水平铁获取图像时，得到水平铁与地线的组合图像，然而单纯依靠一张图像往往无法准确识别到导线断股（例如，这张图像上水平铁与地线部分相互遮挡，导致纹理图像特征识别不清楚）；
然而，研究人员认为水平铁与地线部分的图像处理过程中，最为难以处理的就是图像后处理过程中的图像分割；在现有技术中，传统的图像分割算法有多种；举例说明，例如：基于阈值的分割方法；阈值法的主要是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值法特别适用于目标和背景占据不同灰度级范围的图（但是本申请中的地线与水平铁的灰度级范围非常接近（且颜色特征也非常接近，此时可以理解为水平铁充当了地线的背景，即地线为目标，水平铁为背景，两者不容易分割出来））。
另外，在现有技术中也出现了一些其他的常见算法：例如SegNet算法，SegNet图像语义分割深度网络基于FCN，与FCN的思路十分相似；最终研究人员认为SegNet网络算法实施图像分割计算量较大，处理速度较慢，不适合海量的图像分割处理的使用场景。
综上所述，如何实现既高效快速又有针对性准确图像分割处理，最终保障图像分割顺利进行是本领域技术人员急需解决的问题。
发明内容
为了解决上述背景技术中的技术问题，本申请提供了一种地线与水平铁磨损导致断股图像检测处理方法。
第一方面，本发明提供了一种地线与水平铁磨损导致断股图像检测处理方法，所述方法包括：
采用基于图像的随机场模型法对获取的含有地线和水平铁的复合预处理后图像进行初始的图像分割，得到第一初始分割图像，得到初始分割图像样本集；
判断当前第一初始分割图像是否满足基本分割条件，如果满足基本分割条件则结束检测，直接将符合基本分割条件的第一初始分割图像作为后续地线与水平铁图像检测的图像数据；如果不满足基本分割条件，则确定将不满足的第一初始分割图像对应的原始图像为目标待处理图像，将其目标待处理图像调入到待处理图像样本集;
利用SLIC网路对待处理图像样本集中的目标待处理图像进行地线边缘粗提取处理得到第二分割处理结果，并行地利用使用改进的聚类K-Means算法对SLIC网路处理的第二分割处理结果中不符合快速融合条件的超像素块进行优化处理得到第三分割处理结果；
将第二分割处理结果以及第三分割处理结果进行融合得到目标分割结果实现精确分割；
利用第一初始分割图像结合目标分割结果实现地线与水平铁磨损导致断股图像检测。
本发明实施例提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现所述的地线与水平铁磨损导致断股图像检测处理方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请实施例采用基于图像的随机场模型法对获取的含有地线和水平铁的复合预处理后图像进行初始的图像分割，得到第一初始分割图像，得到初始分割图像样本集；
对于不满足基本分割条件的第一初始分割图像重新进行分割处理，对于满足条件的第一初始分割图像进行保留；
将不满足的第一初始分割图像对应的原始图像为目标待处理图像，将其目标待处理图像调入到待处理图像样本集;利用SLIC网路对待处理图像样本集中的目标待处理图像进行地线边缘粗提取处理得到第二分割处理结果，并行地利用使用改进的聚类K-Means算法对SLIC网路处理的第二分割处理结果中不符合快速融合条件的超像素块进行优化处理得到第三分割处理结果，通过上述SLIC网路实现了超像素分割的分割基础，然后有针对性挑选出可以快速融合的超像素块；最后对于不能够实现快速融合的超像素块通过改进的聚类K-Means算法进行再优化处理，进一步实现了超像素块的快速融合，最终利用上述操作实现了领域超像素块快融合的效果，进一步提升了图像分割的精度以及效率；避免了使用单一模式造成的图像分割精度差，领域生长速度慢等问题。
附图说明
图1是现有技术中地线与水平铁磨损导致断股的图像示意图；
图2是本申请实施例的地线与水平铁磨损导致断股图像检测处理方法的主要流程示意图；
图3是本申请实施例的地线与水平铁磨损导致断股图像检测处理方法的图像分割处理逻辑示意图；
图4是本申请实施例的地线与水平铁磨损导致断股图像检测处理方法中的前序预处理实现流程示意图；
图5是本申请实施例的地线与水平铁磨损导致断股图像检测处理方法中的步骤S2一具体实现流程示意图；
图6是本申请实施例的地线与水平铁磨损导致断股图像检测处理方法中的步骤S2另一具体实现流程示意图；
图7是本申请实施例的地线与水平铁磨损导致断股图像检测处理方法中的步骤S2后续一具体实现流程示意图；
图8是本申请实施例的地线与水平铁磨损导致断股图像检测处理方法中的步骤S3一具体实现流程示意图；
图9是本申请实施例的地线与水平铁磨损导致断股图像检测处理方法中的步骤S37一具体实现流程示意图；
图10是本申请实施例的计算机存储介质的结构示意图。
具体实施方式
实施例一
参见图2，本发明实施例一提供了一种地线与水平铁磨损导致断股图像检测处理方法，所述方法包括：
步骤S1:采用基于图像的随机场模型法对获取的含有地线和水平铁的复合预处理后图像进行初始的图像分割，得到第一初始分割图像，得到初始分割图像样本集；
步骤S2:判断当前第一初始分割图像是否满足基本分割条件，如果满足基本分割条件则结束检测，直接将符合基本分割条件的第一初始分割图像作为后续地线与水平铁图像检测的图像数据；如果不满足基本分割条件，则确定将不满足的第一初始分割图像对应的原始图像为目标待处理图像，将其目标待处理图像调入到待处理图像样本集，则执行步骤S3;
步骤S3:利用SLIC网路对待处理图像样本集中的目标待处理图像进行地线边缘粗提取处理得到第二分割处理结果，并行地利用使用改进的聚类K-Means算法对SLIC网路处理的第二分割处理结果中不符合快速融合条件的超像素块进行优化处理得到第三分割处理结果；
步骤S4:将第二分割处理结果以及第三分割处理结果进行融合得到目标分割结果实现精确分割；
步骤S5:利用第一初始分割图像结合目标分割结果实现地线与水平铁磨损导致断股图像检测。
本申请实施例采用基于图像的随机场模型法对获取的含有地线和水平铁的复合预处理后图像进行初始的图像分割，得到第一初始分割图像，得到初始分割图像样本集；
对于不满足基本分割条件的第一初始分割图像重新进行分割处理，对于满足条件的第一初始分割图像进行保留；
将不满足的第一初始分割图像对应的原始图像为目标待处理图像，将其目标待处理图像调入到待处理图像样本集;利用SLIC网路对待处理图像样本集中的目标待处理图像进行地线边缘粗提取处理得到第二分割处理结果，并行地利用使用改进的聚类K-Means算法对SLIC网路处理的第二分割处理结果中不符合快速融合条件的超像素块进行优化处理得到第三分割处理结果，通过上述SLIC网路实现了超像素分割的分割基础，然后有针对性挑选出可以快速融合的超像素块；最后对于不能够实现快速融合的超像素块通过改进的聚类K-Means算法进行再优化处理，进一步实现了超像素块的快速融合，最终利用上述操作实现了领域超像素块快融合的效果，进一步提升了图像分割的精度以及效率；避免了使用单一模式造成的图像分割精度差，领域生长速度慢等问题。
参见图4，在步骤S1之前，还包括如下作步骤；
步骤S01:对含有地线和水平铁的图像进行复合预处理，所述复合预处理具体包括首先进行图像平滑处理；
步骤S02:随后对图像平滑处理后的图像进行对比度拉伸增强以及直方图均衡化处理；
需要说明的是，在本发明实施例的具体技术方案中，首先通过图像平滑处理实现初始的去噪处理；研究人员发现通过无人机采集的地线与水平铁的图像还是会有很多的噪声；为了减少噪声对后续结果产生影响，可以利用滤波器或是其他方式来对采集图像进行平滑处理，最终较好的保留图像的边缘，同时去除噪声；对比度拉伸增强的主要目的是实现强化图像内各个像素区域的对比度（尤其是色彩对比度），为后续执行步骤S3中进行颜色特征值的偏离度分析具有重要的技术意义。
同样，本发明实施例可以采用histeq执行直方图均衡化的处理方法。直方图均衡化用来增加图像的全局对比度。通过这种方法，亮度以及色彩度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度。
具体原理为：假设灰度级为归一化至范围[0,1]内的连续量，并令
表示给定图像中灰度级的概率密度函数。对输入灰度级执行如下操作，得到输出灰度级S：
令 r表示输入图像的灰度级；由上述得到的输出灰度级的概率密度函数是均匀的。也就是通过对给定图像的灰度级概率密度函数进行一个积分处理，得到新的输出灰度级。通过这种变换得到的新图像灰度级在范围[0,1]比较均衡化。
Histeq：函数histeq可以实现直方图的均衡化。
调用格式：J = histeq(I,hgram)；对灰度图像I进行变换，使得输出灰度图像J的直方图与目标直方图hgram近似匹配。
J = histeq(I,n)；变换灰度图像I，在J中返回具有n个离散灰度级的灰度图像。大致相等的像素数被映射到J中的n个级别中的每一个，使得J的直方图近似平坦。当n远小于I中的离散层数时，J的直方图更平坦。
研究人员发现经过均衡化后的图像其对比度明显增强，上述直方图均衡化处理的主要目的是实现强化图像内各个像素区域的对比度，本研究人员认为该技术步骤也是为了后续执行步骤S3中进行颜色特征值的偏离度提供可以进行色彩分析的技术基础，以及技术保障；因此说上述步骤S01-步骤S02与后续超像素分割处理步骤S3环环相扣，紧密相连。特定解释：上述获取的含有地线和水平铁的复合预处理后图像就是通过上述复合图像处理后的图像，无论执行初始的图像分割，还是后续的步骤S3的图像分割均采用上述复合预处理后图像（即步骤S3中不满足的第一初始分割图像对应的原始图像即目标待处理图像实际上也是复合图像处理后的图像）。
参见图5，在步骤S2的执行过程中，包括引入地线中心点图像来实现对第一初始分割图像中的地线边缘与地线中心点图像的对比度的分析处理；
步骤S21:对第一初始分割图像中的地线边缘进行区块划分得到多个地线边缘子分区；
步骤S22:计算每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的对比度形成的数据集；
步骤S23:再计算多个地线边缘子分区的数量；
步骤S24:根据每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的对比度形成的数据集与地线边缘子分区的数量求取平均值，作为第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的对比度。
需要说明的是，在本申请的技术方案中，每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的对比度形成的数据集反映的对比度数值进行求和，再用求和值除地线边缘子分区的数量得到用于评估地线边缘与地线中心点图像（即前背景）的对比度，通过上述第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的对比度计算为后续进行第一初始分割图像是否满足基本分割条件做准备。
参见图6，在步骤S2的执行过程中，包括引入地线中心点图像来实现对第一初始分割图像中的地线边缘与地线中心点图像的颜色特征值的偏离度的分析处理：
步骤S25:对第一初始分割图像中的地线边缘进行区块划分得到多个地线边缘子分区；
步骤S26:计算每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的颜色特征值的偏离度形成的数据集；
步骤S27:再计算多个地线边缘子分区的数量；
步骤S28:根据每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的颜色特征值的偏离度形成的数据集与地线边缘子分区的数量求取平均值，作为第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的颜色特征值的偏离度。
需要说明的是，在本申请的技术方案中，根据每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的颜色特征值的偏离度形成的数据集与地线边缘子分区的数量求取平均值，作为第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的颜色特征值的偏离度，最终利用上述第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的颜色特征值的偏离度作为后续判断第一初始分割图像是否基本分割条件作为复合判断条件之一的因素。
参见图7，在步骤S2的执行过程中，判断当前第一初始分割图像是否满足基本分割条件，具体包括如下操作步骤：
步骤S291:结合第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的对比度以及颜色特征值的偏离度复合判断当前第一初始分割图像的初次分割质量：
步骤S292:如果第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的对比度大于或者等于标准阈值，且颜色特征值的偏离度大于或者等于颜色特征值标准偏离度预设值，则判定认为当前的第一初始分割图像中的像素清洗（全局特征正常）；
步骤S293:如果第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的对比度小于标准阈值，且颜色特征值的偏离度小于颜色特征值标准偏离度预设值，则认定为全局特征比例不正常，则需要继续执行步骤S3进行后续的分割处理（上述两者之间的具体情况不做考虑）；
其中，所述颜色特征值的偏离度的计算公式为：
所述颜色特征值的偏离度α=|地线边缘处的色彩均值-地线中心点图像的色彩均值之差|*权重系数sa1+|地线边缘处的色度变化系数-地线中心点图像的色度变化系数|*权重系数sa2；需要补充说明的是，地线边缘处的色彩均值-地线中心点图像的色彩均值之差的绝对值，乘以权重系数sa1，再与地线边缘处的色度变化系数-地线中心点图像的色度变化系数之差的绝对值，乘以权重系数sa2；那么数值越大则说明，偏离就越大，两者越不相似，那么两者就越像边界（此时说明此边界比较清晰）；反而数值越小，乘积越小，两者越相似，此时越应该进行调整了，因此该条件下的原始图像为目标待处理图像，需要进一步对其实现图像分割处理（然而在进一步实施图像分割处理时则非常关切的考虑了颜色特征对于边界认定的影响因素，详见后续步骤S3；同样上述第一初始分割图像的分割质量检测同样参考了地线、水平铁背景以及目标物颜色特征的边界认定影响因素，上述具体详见后续步骤S2）；
其中颜色特征是指地线区域颜色所体现出来的特征，主要包括地线区域的平均灰度，色彩均值，色度变化系数以及色彩通道峰等参数。
在步骤S2的执行过程中，上述第一初始分割图像其实际上是实现了初始分割，但是此时研究人员饶有针对性实现了两种区分，即区分操作主要依据是对(第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的对比度以及颜色特征值的偏离度复合判断)进行识别与分辨处理（即第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的对比度以及颜色特征值的偏离度复合判断当前第一初始分割图像的分割质量，如果符合第一初始分割图像的分割质量就认定为复合基本分割条件）；研究人员认为复合基本分割条件的第一初始分割图像这个地线的边缘是非常清晰的符合标准的，因此不建议采用过度的再进行处理，然而研究人员认为不满足基本分割条件的第一初始分割图像中的地线的边缘不容易确定（即如果第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的对比度小于标准阈值，且颜色特征值的偏离度小于颜色特征值标准偏离度预设值，则认定为全局特征比例不正常），且尤其发现当其颜色特征值的偏离度越小则说明两者不容易分辨，而且所以需要特定的处理，随即执行步骤S3。
参见图8，在步骤S3执行过程中:进一步地SLIC网路对待处理图像样本集中的目标待处理图像进行地线边缘粗提取处理得到第二分割处理结果，具体包括如下操作步骤：
步骤S31：使用SLIC网路对目标待处理图像进行处理，将目标待处理图像进行超像素预分割，得到A个超像素块；解释说明：在本发明实施例中将目标待处理图像应用超像素方法进行超像素块分割处理操作；将当前地线边缘子分区的中心点处的像素作为初始种子点，然后将该种子点移动至梯度值最小的位置，同时为每个种子分配一个单独的标签；对于每个像素，分别计算与之距离最近的各种子点的相似程度，将最相似种子点的标签赋给该像素，具有相同标签的像素块区域合并，得到超像素区域合并图像；然后判断相邻两个超像素区域合并图像是否相似，如果判断相似则合并成一个超像素块，逐渐求取多个超像素块；
步骤S32：随后继续对地线边缘实施提取分割处理：提取A个超像素块中的各超像素块的色彩均值，计算相邻各个超像素块的色彩均值相似度，计算查找当前的相邻超像素块的色彩均值相似度大于第一标准色彩均值相似度A1的当前的相邻超像素块；
步骤S33：提取各超像素块的色度变化系数，计算相邻各个超像素块的色度变化系数相似度，计算查找当前的相邻超像素块的色度变化系数大于第一标准色度变化系数A2的当前的相邻超像素块；
步骤S34：将计算查找当前的相邻超像素块的色彩均值相似度大于第一标准色彩均值相似度A1，且当前的相邻超像素块的色度变化系数大于第一标准色度变化系数A2的当前的相邻超像素块，作为邻域超像素块融合的第一快速融合判断条件；
步骤S35：同时判断当前的相邻超像素块是否在同一个地线边缘子分区，如果是，则确定地线边缘子分区的中心点，分别计算当前相邻的两个超像素块与所在的地线边缘子分区的中心点的颜色特征值的偏离度，如果计算的颜色特征值的偏离度结果小于地线边缘子分区的所有临接的超像素块的颜色特征值的均值，则认定当前两个邻域超像素块满足第二快速融合判断条件；
步骤S36：首先筛选出同时满足第一快速融合判断条件和第二快速融合判断条件的当前两个邻域超像素块，将其快速融合得邻域超像素块。
需要说明的是，在本发明实施例的具体技术方案中，根据每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的对比度形成的数据集与地线边缘子分区的数量求取平均值，作为第一初始分割图像中的地线边缘与地线中心点图像（即前背景）的对比度。
在本发明实施例的具体技术方案中，始终致力于解决如何快速高效实现精细化的图像分割，所以其并没有全局考虑问题，而是针对性提出了一种快速高效的图像分割方法，其中包括对于满足基本分割条件的第一初始分割结果的舍弃，而是针对不满足基本分割条件的第一初始分割结果筛选处理，确定其原始图像为目标待处理图像，最终将其进行后续二次分割分辨处理。
在进一步地处理方案中，综合考虑了SLIC网路对目标待处理图像进行处理，将目标待处理图像进行超像素预分割，得到A个超像素块，同时为了进一步加快邻域超像素块的融合速率，从而进一步筛选出满足特定条件的超像素块，进行了后续处理；研究人员认为本申请实施例筛选出来了符合两个特定条件的超像素块；将筛选出同时满足第一快速融合判断条件和第二快速融合判断条件的当前两个邻域超像素块，将其快速融合得邻域超像素块，至于不符合上述条件的超像素块则通过其他复杂的办法进行超像素领域融合处理。
在超像素融合的过程中，我们知道哪些邻域超像素与该超像素类别标签相同，哪些超像素与该超像素类别标签不同。我们只将与该超像素类别标签相同的超像素与其进行合并，从而确保合并的超像素仍然只属于目标或只属于背景，而不会跨越在目标与背景之间，造成分类模糊，这是一种办法，具体为操作步骤S37；本申请实施例采用的方法则执行步骤S37之前，先进行一个快速处理即具体执行上述步骤S31-步骤S36。本申请实施例的研究人员认为，颜色均值反映了图像区域的平均颜色信息，是可以用来描述不规则图像区域的主要特征之一。在大多数的情况下，同一个目标上的颜色具有一定的一致性和连续性。例如：车、地面、房屋属于同一个目标类别的其颜色特征往往具有一定的一致性以及连续性；研究人员将每个地线边缘子分区内符合条件的超像素块进行特征融合，具体的方案是：提取各超像素块的色度变化系数，计算相邻各个超像素块的色度变化系数相似度，计算查找当前的相邻超像素块的色度变化系数大于第一标准色度变化系数A2的当前的相邻超像素块；将计算查找当前的相邻超像素块的色彩均值相似度大于第一标准色彩均值相似度A1，且当前的相邻超像素块的色度变化系数大于第一标准色度变化系数A2的当前的相邻超像素块，作为邻域超像素块融合的第一快速融合判断条件；同时如果在同一个地线边缘子分区内的邻域超像素块的颜色特征值的偏离度结果（或称数值）小于地线边缘子分区的所有临接的超像素块的颜色特征值的均值，则认定当前两个邻域超像素块满足第二快速融合判断条件，然后迅速查找到同时满足上述两个条件的邻域超像素进行融合，融合后得到第二分割处理结果；
随后再执行步骤S37，对相同标签的邻域超像素块实施融合，然后快速分辨分割出地线图像来。综上所述，本发明实施例提供的图形分割处理逻辑可以参见图3。
在本申请步骤S1的执行技术方案中，采用上述基于图像的随机场模型法对获取的含有地线和水平铁的复合预处理后图像进行初始的图像分割，得到第一初始分割图像；本申请实施例在实现第一初始分割图像时，选择的是使用基于图像的随机场模型法（即马尔可夫随机场模型），众所周知，该方法具有提供了解决图像分析的统一处理框架，充分利用了局部视觉信息的上下文约束关系，可以综合计算机视觉中各类模块处理结果，在图像不同部分同时计算，实现大规模并行算法，在不影响全局收敛性的基础上提高了计算速度。研究人员认为选择上述基于图像的随机场模型法不仅可以进一步提升第一初始分割图像的处理速度，而且利用了其高质量图像分割的技术特点，首先完成了大量第一初始分割图像的完成，最终将满足基本分割条件的第一初始分割图像进行直接使用（即选用上述基于图像的随机场模型法将首先完成了大量的第一初始分割图像的图像分割，然后剩余不满足基本分割条件的图像进入步骤S3进行重新的图像分割处理，该图像分割处理是优化处理过程，而且由于基于图像的随机场模型法的介入，其步骤S3处理数据量将会大幅减少）。
在本申请步骤S3的执行技术方案中，SLIC网络，全称为simple linear iterativecluster的生成超像素的算法；SLIC是将把像素级的图像划分成为区域级（district-level）的图像，把区域当成是最基本的处理单元，该最基本的处理单位即为超像素。
上述步骤S31具体为：1、初始化种子点（聚类中心）：假设图像总共有M 个像素点，预分割为 K 个相同尺寸的超像素块，那么每个超像素块的大小为M / K ，则相邻种子点的距离（步长）近似为S=sqrt(M /K)。2、在种子点的a*a邻域内重新选择种子点（一般取a=3）。具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。上述主要技术方案的技术目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。3、在每个种子点周围的邻域内为每个像素点分配类标签（即属于哪个聚类中心），随后逐步将形成A个超像素块；但是本申请技术方案则主要是针对领域内相邻像素块的再分配处理；
即总的来说，将当前地线边缘子分区的中心点处的像素作为初始种子点，然后将该种子点移动至梯度值最小的位置，同时为每个种子分配一个单独的标签；对于每个像素，分别计算与之距离最近的各种子点的相似程度，将最相似种子点的标签赋给该像素，具有相同标签的像素区域合并，得到超像素区域合并图像；得到超像素区域合并图像；然后判断相邻两个超像素区域合并图像是否相似，如果判断相似则合并成一个超像素块，逐渐求取多个超像素块；随后执行步骤S32-步骤S36，针对领域内相邻像素块的融合实施快速处理；
参见图9；在步骤S36之后还包括如下操作步骤S37（即利用使用改进的聚类K-Means算法对待处理图像样本集中的所述目标待处理图像对地线边缘精细提取处理得到第三分割处理结果）:
利用使用改进的聚类K-Means算法对上述SLIC网路对目标待处理图像分割处理的A个超像素块中不同时满足第一快速融合判断条件和第二快速融合判断条件的当前两个邻域超像素块进行地线边缘精细提取处理得到第三分割处理结果，具体包括如下操作步骤：
步骤S371：筛选出不符合第一快速融合判断条件以及第二快速融合判断条件的当前两个相邻超像素块作为目标超像素块（即步骤S371实际上是在执行步骤S31结果的基础上再进行相邻超像素块的邻接融合处理，所以说聚类K-Means算法聚类分析的同一个地线边缘子分区图像内的超像素块是去除了符合双快速融合条件的超像素块后的图像）；
步骤S372：获取同一个地线边缘子分区内含有地线的多个超像素块作为训练数据集，每个同一个地线边缘子分区图像内均有对应一个或多个类别标签；
步骤S373：构建训练完成针对多个超像素块的标签分类网络；
步骤S374：从标签分类网络中获取同一个地线边缘子分区图像内对应的含有地线的初始的种子超像素块（初始的种子超像素块可以是随机选择的）：以同一个地线边缘子分区图像的初始的种子超像素块作为起始，针对初始的种子超像素块向相邻搜索确定当前同一个地线边缘子分区图像的每个超像素块的标签类型（即为当前同一个地线边缘子分区内的所有超像素块分配标签）；将与当前初始的种子超像素块同属于一个标签类别的超像素块标记为地线超像素块，将与当前初始的种子超像素块不同属于一个标签类别的超像素块标记为水平铁超像素块：
步骤S375：不断迭代重复上述步骤S371-步骤S374直到每个同一个地线边缘子分区图像中的目标超像素块完成图像分割。
优选的，作为一种可实施方案；针对初始的种子超像素块向相邻搜索确定当前同一个地线边缘子分区图像的每个超像素块的标签类型，具体包括如下操作步骤：
步骤S3741：在每个同一个地线边缘子分区内选择一个或者多个初始的种子超像素块，即聚类中心；所述初始的种子超像素块的数量为f个；
步骤S3742：对任意一个同一个地线边缘子分区的样本，求同一个地线边缘子分区中任意一个超像素块到f个初始的种子超像素块的距离，将该样本中所有超像素块划归到离它最近聚类中心所在的类中，更新得到新的聚类中心；划归到同一聚类中的每个超像素块的标签类型一致。
在上述技术方案中，所采用的是K-means算法通过上述数据挖掘算法实现对超像素块的区分划分。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。
假设要把样本集分为f个类别，算法描述如下：1、适当选择f个类的初始中心，即在每个同一个地线边缘子分区内选择一个或者多个初始的种子超像素块；2、在第k次迭代中，对任意一个样本，求其到f个中心的距离，将该样本归到距离最短的中心所在的类（即计算图像上所有超像素块到聚类中心（即初始的种子超像素块）的距离，把所有超像素块归到离它最近聚类中心所在的类）；3、利用均值等方法更新该类的中心值； ⑶ 计算新形成的每一个聚类超像素块的平均值，更新得到新的聚类中心（即更新迭代直至聚类中心不再变化，则聚类函数已收敛）。
需要说明的是常规的K-means算法是：将图像分为多个类或簇，同一簇内的像素相似度通常比较大，而不同簇间的像素相似度则非常小。k-means聚类通常通过欧式距离计算相似度。本申请技术方案结合地线边缘子分区图像的分区图像分割特点，实现了关于改进的聚类K-Means算法与地线边缘子分区图像的分区图像分割特点结合的处理方法实现了后续的聚类分析。
优选的，作为一种可实施方案；在上述步骤S3742执行过程中，对任意一个同一个地线边缘子分区的样本，求同一个地线边缘子分区中任意一个超像素块到f个初始的种子超像素块的距离，将该样本中所有超像素块划归到离它最近聚类中心所在的类中的同时，还包括如下操作：
步骤S3743：判断同一个地线边缘子分区是否存在欠分割：k-means聚类后获取同一个地线边缘子分区的聚类中心Ci，Cj，其中Ci，Cj的值分别表示[Ri，Gi，Bi]，[Rj，Gj，Bj]；对已进行k-means聚类的同一个地线边缘子分区在RGB颜色空间内采用欧式距离计算两类相似度WRGB（即两类相似度WRGB为计算同一个地线边缘子分区内的任意两类的相似度）；根据WRGB与预设的Yn超像素阈值关系判断当前是否为欠分割处理；
若是，执行步骤S3744（即继续重新进行标定类别处理）；若否，则跳转执行步骤S375（认定此子分区无需再进行图像分割处理）。
上述步骤S3744，具体包括如下操作：对于存在欠分割处理的超像素块重新标定类别处理操作：
需要说明的是，然而在进一步的技术方案中，本申请技术方案采用的K-means算法对每个超像素块进行k-means聚类，颜色空间为RGB颜色空间。进行k-means聚类后重新计算并获取超像素块的聚类中心Ci，Cj，其中Ci，Cj的值分别表示[Ri，Gi，Bi]，[Rj，Gj，Bj]。然后需要计算超像素内的两类相似度。对已进行k-means聚类的超像素区域在RGB颜色空间内采用欧式距离计算两类相似度dRGB；
对于WRGB>Yn的超像素，则认为该超像素欠分割，可以进一步分割。这里Yn为预设阈值，经大量实验证明同一子分区内的Yn可以是一个固定数值。经过本发明的方法处理，得到超像素分割结果，在提升超像素分割效率的同时，还降低了欠分割错误率，保障图像分割的正确性和有效性。
在本申请实施例的上述技术方案中，步骤S4:将第二分割处理结果以及第三分割处理结果进行融合得到目标分割结果实现精确分割；实际上是就是在SLIC网络的框架下实现第二分割处理结果中满足双快速融合条件的超像素块进行融合，然后剩下的第二分割处理结果中不满足双快速融合条件的超像素块通过k-means聚类方式实现精细图像分割，然后两者融合在一起（对比）得到了目标分割结果；然而在步骤S1执行时，还得到了一个初始分割结果就是第一初始分割图像；此时需要将利用第一初始分割图像结合目标分割结果再进行融合，才能完成最终的快速融合处理，完成完整的图像分割过程，实现地线与水平铁磨损导致断股图像检测。
实施例二
本实施例二基于发明实施例一中提供的地线与水平铁磨损导致断股图像检测处理方法，还提供了计算机存储介质1140。
如图10所示，为本发明实施例二提供的计算机存储介质结构框架示意图，其包括：
存储器1110，用于存储计算机程序；通信接口1120，用于实现将存储器1110与处理器1130进行连接；处理器1130，用于执行计算机程序，实现如上述任意实施方式的组合公开的地线与水平铁磨损导致断股图像检测处理方法。上述计算机存储介质1140内存储有计算机程序，所述计算机程序被处理器执行时实现所述的地线与水平铁磨损导致断股图像检测处理方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种地线与水平铁磨损导致断股图像检测处理方法，其特征在于，所述方法包括：
采用基于图像的随机场模型法对获取的含有地线和水平铁的复合预处理后图像进行初始的图像分割，得到第一初始分割图像，得到初始分割图像样本集；
判断当前第一初始分割图像是否满足基本分割条件，如果满足基本分割条件则结束检测，直接将符合基本分割条件的第一初始分割图像作为后续地线与水平铁图像检测的图像数据；如果不满足基本分割条件，则确定将不满足的第一初始分割图像对应的原始图像为目标待处理图像，将其目标待处理图像调入到待处理图像样本集;
利用SLIC网路对待处理图像样本集中的目标待处理图像进行地线边缘粗提取处理得到第二分割处理结果，使用改进的聚类K-Means算法对SLIC网路处理的第二分割处理结果中不符合融合条件的超像素块进行优化处理得到第三分割处理结果；
将第二分割处理结果以及第三分割处理结果进行融合得到目标分割结果实现精确分割；
利用第一初始分割图像结合目标分割结果实现地线与水平铁磨损导致断股图像检测；
判断当前第一初始分割图像是否满足基本分割条件之前，包括引入地线中心点图像来实现对第一初始分割图像中的地线边缘与地线中心点图像的对比度的分析处理：对第一初始分割图像中的地线边缘进行区块划分得到多个地线边缘子分区；计算每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的对比度形成的数据集；再计算多个地线边缘子分区的数量；根据每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的对比度形成的数据集与地线边缘子分区的数量求取平均值，作为第一初始分割图像中的地线边缘与地线中心点图像的对比度；
判断当前第一初始分割图像是否满足基本分割条件之前，还包括引入地线中心点图像来实现对第一初始分割图像中的地线边缘与地线中心点图像的颜色特征值的偏离度的分析处理：对第一初始分割图像中的地线边缘进行区块划分得到多个地线边缘子分区；计算每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的颜色特征值的偏离度形成的数据集；再计算多个地线边缘子分区的数量；根据每个地线边缘子分区与所述第一初始分割图像中的地线中心点图像的颜色特征值的偏离度形成的数据集与地线边缘子分区的数量求取平均值，作为第一初始分割图像中的地线边缘与地线中心点图像的颜色特征值的偏离度；
所述判断当前第一初始分割图像是否满足基本分割条件，具体包括如下操作步骤：
结合第一初始分割图像中的地线边缘与地线中心点图像的对比度以及颜色特征值的偏离度复合判断当前第一初始分割图像的初次分割质量：
如果第一初始分割图像中的地线边缘与地线中心点图像的对比度大于或者等于标准阈值，且颜色特征值的偏离度大于或者等于颜色特征值标准偏离度预设值，则判定认为当前的第一初始分割图像中的像素全局特征比例正常；
如果第一初始分割图像中的地线边缘与地线中心点图像的对比度小于标准阈值，且颜色特征值的偏离度小于颜色特征值标准偏离度预设值，则认定为全局特征比例不正常，则需要继续执行“利用SLIC网路对待处理图像样本集中的目标待处理图像进行地线边缘粗提取处理得到第二分割处理结果，使用改进的聚类K-Means算法对SLIC网路处理的第二分割处理结果中不符合融合条件的超像素块进行优化处理得到第三分割处理结果”的分割处理；
其中，所述颜色特征值的偏离度的计算公式为：所述颜色特征值的偏离度α=|地线边缘处的色彩均值-地线中心点图像的色彩均值之差|*权重系数sa1+|地线边缘处的色度变化系数-地线中心点图像的色度变化系数|*权重系数sa2；
所述利用 SLIC网路对待处理图像样本集中的目标待处理图像进行地线边缘粗提取处理得到第二分割处理结果，具体包括如下操作步骤：
使用SLIC网路对目标待处理图像进行处理，将目标待处理图像进行超像素预分割，得到A个超像素块；
随后继续对地线边缘实施提取分割处理：提取A个超像素块中的各超像素块的色彩均值，计算相邻各个超像素块的色彩均值相似度，计算查找当前的相邻超像素块的色彩均值相似度大于第一标准色彩均值相似度A1的当前的相邻超像素块；
提取各超像素块的色度变化系数，计算相邻各个超像素块的色度变化系数相似度，计算查找当前的相邻超像素块的色度变化系数大于第一标准色度变化系数A2的当前的相邻超像素块；
将计算查找当前的相邻超像素块的色彩均值相似度大于第一标准色彩均值相似度A1，且当前的相邻超像素块的色度变化系数大于第一标准色度变化系数A2的当前的相邻超像素块，作为邻域超像素块融合的第一快速融合判断条件；
同时判断当前的相邻超像素块是否在同一个地线边缘子分区，如果是，则确定地线边缘子分区的中心点，分别计算当前相邻的两个超像素块与所在的地线边缘子分区的中心点的颜色特征值的偏离度，如果计算的颜色特征值的偏离度结果小于地线边缘子分区的所有临接的超像素块的颜色特征值的均值，则认定当前两个邻域超像素块满足第二快速融合判断条件；
首先筛选出同时满足第一快速融合判断条件和第二快速融合判断条件的当前两个邻域超像素块，将其快速融合得邻域超像素块。
2.根据权利要求1所述的地线与水平铁磨损导致断股图像检测处理方法，其特征在于，在对获取的含有地线和水平铁的复合预处理后图像进行初始的图像分割之前，还包括如下作步骤；
对含有地线和水平铁的图像进行复合预处理，所述复合预处理具体包括首先进行图像平滑处理；
随后对图像平滑处理后的图像进行对比度拉伸增强以及直方图均衡化处理。
3.根据权利要求2所述的地线与水平铁磨损导致断股图像检测处理方法，其特征在于，在所述将其快速融合得邻域超像素块之后，还包括所述使用改进的聚类K-Means算法对SLIC网路处理的第二分割处理结果中不符合融合条件的超像素块进行优化处理得到第三分割处理结果的操作步骤:
使用改进的聚类K-Means算法对上述SLIC网路对目标待处理图像分割处理的A个超像素块中不同时满足第一快速融合判断条件和第二快速融合判断条件的当前两个邻域超像素块进行地线边缘精细提取处理得到第三分割处理结果，具体包括：
筛选出不符合第一快速融合判断条件以及第二快速融合判断条件的当前两个相邻超像素块作为目标超像素块；
获取同一个地线边缘子分区内含有地线的多个超像素块作为训练数据集，每个同一个地线边缘子分区图像内均有对应一个或多个类别标签；
构建训练完成针对多个超像素块的标签分类网络；
从标签分类网络中获取同一个地线边缘子分区图像内对应的含有地线的初始的种子超像素块；以同一个地线边缘子分区图像的初始的种子超像素块作为起始，针对初始的种子超像素块向相邻搜索确定当前同一个地线边缘子分区图像的每个超像素块的标签类型；将与当前初始的种子超像素块同属于一个标签类别的超像素块标记为地线超像素块，将与当前初始的种子超像素块不同属于一个标签类别的超像素块标记为水平铁超像素块：
不断迭代重复上述步骤直到每个同一个地线边缘子分区图像中的目标超像素块完成图像分割。
4.根据权利要求3所述的地线与水平铁磨损导致断股图像检测处理方法，其特征在于，所述针对初始的种子超像素块向相邻搜索确定当前同一个地线边缘子分区图像的每个超像素块的标签类型，具体包括如下操作步骤：
在每个同一个地线边缘子分区内选择一个或者多个初始的种子超像素块，即聚类中心；所述初始的种子超像素块的数量为f个；
对任意一个同一个地线边缘子分区的样本，求同一个地线边缘子分区中任意一个超像素块到f个初始的种子超像素块的距离，将该样本中所有超像素块划归到离它最近聚类中心所在的类中，更新得到新的聚类中心；划归到同一聚类中的每个超像素块的标签类型一致。
5.根据权利要求4所述的地线与水平铁磨损导致断股图像检测处理方法，其特征在于，所述对任意一个同一个地线边缘子分区的样本，求同一个地线边缘子分区中任意一个超像素块到f个初始的种子超像素块的距离，将该样本中所有超像素块划归到离它最近聚类中心所在的类中的同时，还包括如下操作：判断同一个地线边缘子分区是否存在欠分割：若是，执行对于存在欠分割处理的超像素块重新标定类别处理操作。
6.一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111427504.8A CN113850827B (zh) | 2021-11-29 | 2021-11-29 | 地线与水平铁磨损导致断股图像检测处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111427504.8A CN113850827B (zh) | 2021-11-29 | 2021-11-29 | 地线与水平铁磨损导致断股图像检测处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113850827A CN113850827A (zh) | 2021-12-28 |
| CN113850827B true CN113850827B (zh) | 2022-03-22 |
Family
ID=78982216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111427504.8A Active CN113850827B (zh) | 2021-11-29 | 2021-11-29 | 地线与水平铁磨损导致断股图像检测处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850827B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506761A (zh) * | 2017-08-30 | 2017-12-22 | 山东大学 | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 |
| CN111832398A (zh) * | 2020-06-02 | 2020-10-27 | 国网浙江嘉善县供电有限公司 | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 |
| CN113421266A (zh) * | 2021-08-25 | 2021-09-21 | 南通电博士自动化设备有限公司 | 一种基于人工智能的输电线断股检测方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10229340B2 (en) * | 2016-02-24 | 2019-03-12 | Kodak Alaris Inc. | System and method for coarse-to-fine video object segmentation and re-composition |
| CN112561919A (zh) * | 2019-09-10 | 2021-03-26 | 中科星图股份有限公司 | 一种图像分割方法、设备和计算机可读存储介质 |
| CN111008974A (zh) * | 2019-11-22 | 2020-04-14 | 浙江飞图影像科技有限公司 | 多模型融合的股骨颈骨折区域定位和分割方法及系统 |
-
2021
- 2021-11-29 CN CN202111427504.8A patent/CN113850827B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506761A (zh) * | 2017-08-30 | 2017-12-22 | 山东大学 | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 |
| CN111832398A (zh) * | 2020-06-02 | 2020-10-27 | 国网浙江嘉善县供电有限公司 | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 |
| CN113421266A (zh) * | 2021-08-25 | 2021-09-21 | 南通电博士自动化设备有限公司 | 一种基于人工智能的输电线断股检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于GrabCut的半交互式输电线路金具锈蚀图像分割方法;陈景尚，张雨 等;《信息与电脑》;20210131;第1-3页 * |
| 基于图像处理技术的配电线路导线断股散股缺陷检测;王照 等;《电视技术》;20201231;第1-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113850827A (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107452010B (zh) | 一种自动抠图算法和装置 | |
| CN108629783B (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
| CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
| CN109886128B (zh) | 一种低分辨率下的人脸检测方法 | |
| CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
| CN110992381A (zh) | 一种基于改进Vibe+算法的运动目标背景分割方法 | |
| CN112036231B (zh) | 一种基于车载视频的车道线和路面指示标志检测与识别方法 | |
| CN113112519B (zh) | 基于感兴趣目标分布的关键帧筛选方法 | |
| CN111583279A (zh) | 一种基于pcba的超像素图像分割方法 | |
| WO2007055359A1 (ja) | クラスタリングシステム、及び、それを備える画像処理システム | |
| CN114240807B (zh) | 一种基于机器视觉的花生黄曲霉素检测方法及系统 | |
| CN108230340B (zh) | 一种基于mmtd的slic超像素提取权值确定方法及超像素提取方法 | |
| CN111340824A (zh) | 一种基于数据挖掘的图像特征分割方法 | |
| CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
| CN110276764A (zh) | 基于K值估计的K-Means水下图像背景分割改进算法 | |
| CN113052859A (zh) | 基于自适应种子点密度聚类超像素分割方法 | |
| CN109584253A (zh) | 油液磨粒图像分割方法 | |
| CN109191482B (zh) | 一种基于区域自适应光谱角阈值的图像合并分割方法 | |
| CN111783673B (zh) | 一种基于osvos的视频分割改进方法 | |
| JP3708042B2 (ja) | 画像処理方法及びプログラム | |
| CN113850827B (zh) | 地线与水平铁磨损导致断股图像检测处理方法 | |
| CN108171683B (zh) | 一种采用软件自动识别的细胞计数方法 | |
| CN112446417A (zh) | 基于多层超像素分割的纺锤形果实图像分割方法及系统 | |
| Lézoray et al. | Histogram and watershed based segmentation of color images | |
| CN108154188B (zh) | 基于fcm的复杂背景下人工文本提取方法 |
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 |