CN113935926A - 一种基于数码雾快速生成算法的绝缘子图像增强方法 - Google Patents
一种基于数码雾快速生成算法的绝缘子图像增强方法 Download PDFInfo
- Publication number
- CN113935926A CN113935926A CN202111412447.6A CN202111412447A CN113935926A CN 113935926 A CN113935926 A CN 113935926A CN 202111412447 A CN202111412447 A CN 202111412447A CN 113935926 A CN113935926 A CN 113935926A
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- insulator image
- original
- enhancement method
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 14
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 230000006798 recombination Effects 0.000 claims abstract description 4
- 238000005215 recombination Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000002834 transmittance Methods 0.000 claims description 16
- 238000013519 translation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000009413 insulation Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000000889 atomisation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000003595 mist Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007306 turnover 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
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理技术领域，特别地，涉及一种基于数码雾快速生成算法的绝缘子图像增强方法。本申请提供绝缘子图像增强方法，包括：通过暗通道先验算法对一张原始绝缘子图像进行抠图，得到灰度图；对所述灰度图进行最小值滤波处理，得到滤波后的灰度图；计算所述滤波后的灰度图中每个像素点的透射率，得到每个像素点的透射率；基于所述透射率，通过数码雾快速生成算法对原始绝缘子图像进行加雾处理，得到生成数码雾的绝缘子图像；对所述绝缘子图像进行概率翻转、随机仿射变换、模糊处理和图像重组，得到增强后的绝缘子图像；以解决现有技术中存在样本数据难获取、识别准确率低的问题。
Description
技术领域
本申请涉及图像处理技术领域，特别地，涉及一种基于数码雾快速生成算法的绝缘子图像增强方法。
背景技术
深度学习是学习样本数据的内在规律和表示层次，学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
在深度学习模型对绝缘子图像进行训练时，由于缺乏在不同条件下采集的样本数据，而且，复杂环境下的样本数据非常难获取。同时，因待测绝缘子图像数据集的样本容量狭小，导致训练得到的深度学习模型不能获得在复杂环境下的目标特性，易出现错误识别，识别准确率低的问题。
发明内容
本申请提供了一种基于数码雾快速生成算法的绝缘子图像增强方法，以解决现有技术中存在样本数据难获取、识别准确率低的问题。
本申请的实施例是这样实现的：
本申请实施例提供一种基于数码雾快速生成算法的绝缘子图像增强方法，包括：
通过暗通道先验算法对一张原始绝缘子图像进行抠图，得到灰度图；
对所述灰度图进行最小值滤波处理，得到滤波后的灰度图；
计算所述滤波后的灰度图中每个像素点的透射率，得到每个像素点的透射率；
基于所述透射率，通过数码雾快速生成算法对原始绝缘子图像进行加雾处理，得到生成数码雾的绝缘子图像；
对所述绝缘子图像进行概率翻转、随机仿射变换、模糊处理和图像重组，得到增强后的绝缘子图像。
在一些实施例中，所述暗通道先验算法包括：
其中，Jc为待处理原始绝缘子图像的某个颜色通道，Ω(x)为以像素点x为中心的一个滤波窗口，r，g，b为红绿蓝三种颜色通道，Jdark为灰度图，即J的暗通道。
在一些实施例中，所述透射率采用矩阵方法获得包括：
根据原始绝缘子图像的尺寸，建立包括原始绝缘子图像宽和高的二维矩阵(h，w)；将所述二维矩阵(h，w)中每个元素减去第一像素中心hc，得到用于表示不同像素点高与像素中心高之差的第一二维矩阵；根据原始绝缘子图像的尺寸，建立包括原始绝缘子图像宽和高的二维矩阵(w，h)；将所述二维矩阵(w，h)中每个元素减去第二像素中心wc，得到用于表示不同像素点宽与像素中心宽之差的第二二维矩阵；将所述第一二维矩阵和所述第二二维矩阵进行堆砌，得到数组(w,h,2)；通过对所述数组(w,h,2)计算范数，得到每个像素点与像素中心的距离；
所述透射率具体通过如下公式计算获得：
其中，(hc,wc)是像素中心的坐标，w、h分别为原始绝缘子图像的宽和高，s为雾化尺寸，D为雾气厚度系数，t(x)为透射率。
在一些实施例中，所述数码雾快速生成算法包括：
I(x)＝J(x)t(x)+L(1-t(x))；
其中，I(x)为生成数码雾的绝缘子图像，J(x)为无雾的原始绝缘子图像，L为全球大气光的亮度。
在一些实施例中，对所述绝缘子图像进行概率翻转包括：根据预设翻转概率对所述绝缘子图像进行、或不进行镜像翻转。
在一些实施例中，所述随机仿射变换包括：平移、缩放和旋转；具体对所述绝缘子图像进行随机仿射变化包括：根据预设平移概率对所述绝缘子图像进行、或不进行平移；根据预设缩放概率对所述绝缘子图像进行、或不进行缩放；根据预设旋转概率对所述绝缘子图像进行、或不进行旋转。
在一些实施例中，所述模糊处理包括：运动模糊和中心聚焦模糊。
在一些实施例中，所述图像重组包括将所述绝缘子图像中感兴趣区域进行裁剪，填充到背景中。
在一些实施例中，所述绝缘子图像增强方法还包括马赛克增强，所述马赛克增强包括：将多张增强后的绝缘子图像进行拼接，得到马赛克绝缘子图像。
在一些实施例中，所述绝缘子图像增强方法还包括：将所述马赛克绝缘子图像与多张原始绝缘子图像混合，得到增强后的绝缘子图像数据集。
本申请的有益效果在于，通过矩阵方法计算每个像素点的透射率，以减少计算时间，提高计算效率；进一步，通过数码雾快速生成算法对原始绝缘子图像进行加雾处理，以解决复杂环境下样本数据获取难的问题；进一步，通过将所述马赛克绝缘子图像与多张原始绝缘子图像混合，得到增强后的绝缘子图像数据集，以实现获取大量复杂环境下的样本数据，提高识别准确率。
附图说明
具体为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请实施例一种基于数码雾快速生成算法的绝缘子图像增强方法的流程示意图；
图2示出了本申请实施例通过矩阵方法计算透射率中二维矩阵的示意图；
图3示出了本申请实施例通过提供的绝缘子图像增强方法获得不同亮度L下绝缘子图像的雾化效果示意图；
图4示出了本申请实施例通过提供的绝缘子图像增强方法获得不同厚度D下绝缘子图像的雾化效果示意图。
具体实施方式
现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本申请的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本申请的范围之内。
本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。
本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当明确理解，流程图的操作可以不按顺序来精确地执行。相反，这些操作可以以相反的顺序或同时执行。而且，可以将一个或多个其他操作添加到流程图。一个或多个操作可以从流程图中移除。
图1示出了本申请实施例一种基于数码雾快速生成算法的绝缘子图像增强方法的流程示意图。
在步骤101中，通过暗通道先验算法对一张原始绝缘子图像进行抠图，得到灰度图。
在一些实施例中，所述暗通道先验算法包括：
其中，Jc为待处理原始绝缘子图像的某个颜色通道，Ω(x)为以像素点x为中心的一个滤波窗口，r，g，b为红绿蓝三种颜色通道，Jdark为灰度图，即J的暗通道。
在步骤102中，对所述灰度图进行最小值滤波处理，得到滤波后的灰度图。
其中，彩色图像中每个像素点表现为RGB三通道值，数值越大表示对应的颜色越多。在灰度图像中，RGB三通道合并为单个通道，当数值最大时为白色，数值最小时为黑色。在自然界采集的图片中，除了晴朗天气下的天空，图像像素中总是有一个通道的值较低，这种现象被称为暗通道先验，通常表达为：
其中，Jc表示待处理原始绝缘子图像的某个颜色通道，Jdark表示输出的灰度图，即J的暗通道。采用公式(1)输出得到灰度图，其具体流程为：先求出每个像素的RGB分量中的最小值，存入一幅与原始图像相同的灰度图中，然后对所述灰度图进行最小值滤波，Ω(x)代表以像素x为中心的一个滤波窗口。
在一些实施例中，暗通道先验中造成暗原色的某个通道低值的主要因素有：汽车、建筑物和城市中玻璃窗户的阴影，树叶、数木、岩石等自然景观；色彩先验的物体或表面；颜色较暗的物体或表面。而在雾气图像中，雾气使得原有景象添加了一层白色的雾气蒙版，因此三个通道的最小值均较大。因此可以得出数码雾生成可以通过一致化三通道最小值实现。
在步骤103中，计算所述滤波后的灰度图中每个像素点的透射率，得到每个像素点的透射率。
在一些实施例中，所述透射率采用矩阵方法获得包括：根据原始绝缘子图像的尺寸，建立包括原始绝缘子图像宽和高的二维矩阵(h，w)；将所述二维矩阵(h，w)中每个元素减去第一像素中心hc，得到用于表示不同像素点高与像素中心高之差的第一二维矩阵；根据原始绝缘子图像的尺寸，建立包括原始绝缘子图像宽和高的二维矩阵(w，h)；将所述二维矩阵(w，h)中每个元素减去第二像素中心wc，得到用于表示不同像素点宽与像素中心宽之差的第二二维矩阵；将所述第一二维矩阵和所述第二二维矩阵进行堆砌，得到数组(w,h,2)；通过对所述数组(w,h,2)计算范数，得到每个像素点与像素中心的距离；
所述透射率具体通过如下公式计算获得：
其中，(hc,wc)是像素中心的坐标，w、h分别为原始绝缘子图像的宽和高，s为雾化尺寸，D为雾气厚度系数，t(x)为透射率。
在一些实施例中，将像素中心选为雾化中心，通过公式(2)计算每一个像素点x与雾化中心的欧氏距离；选取原始绝缘子图像的宽和高最大值的平方根为雾化尺寸s，欧氏距离乘以系数-0.04并与雾化尺寸相加，再乘以一个雾气厚度系数D的负数并求e指数，获得每个像素点的透射率。
其中，由于需要对每个像素点进行循环并构建透射率，一张原始图像有几百万甚至千万像素点，每个像素点需要循环一次，又每次循环需要创建欧氏距离、指数透射率等中间变量并赋值。因此采用便于并行计算的矩阵方法计算透射率以实现优化，在算法时间复杂度不变的情况下使用并行计算方法减少实际计算时间，提高计算效率。
图2示出了本申请实施例通过矩阵方法计算透射率中二维矩阵的示意图。
在一些实施例中，设原始绝缘子图像宽高分别为w和h，创建一个包含h个值(0到h排列)的列向量，沿着1这一行向量的轴复制w次形成如图2(a)所示的二维矩阵(h，w)，二维矩阵(h，w)中每个元素减去第一像素中心hc，得到代表不同像素点的高与像素中心高之差的第一二维矩阵；创建一个包含w个值(0到w排列)的行向量，沿着0这一列向量的轴复制h此形成如图2(b)所示的二维矩阵(w，h)，二维矩阵(w，h)中每个元素减去第二像素中心wc，得到代表不同像素点的宽与像素中心宽之差的第二二维矩阵；将第一二维矩阵和第二二维矩阵这两个矩阵堆垛形成数组(w,h,2)，对该二维数组(w,h,2)沿着2轴计算L2范数，得到原始加雾算法中每个像素点与像素中心的距离。由于该算法运用了矩阵和L2范数，省去了每次循环中对中间变量的创建和赋值，提高计算效率。
在步骤104中，基于所述透射率，通过数码雾快速生成算法对原始绝缘子图像进行加雾处理，得到生成数码雾的绝缘子图像。
在一些实施例中，所述数码雾快速生成算法包括：
I(x)＝J(x)t(x)+L(1-t(x))……(3)；
其中，I(x)为生成数码雾的绝缘子图像，J(x)为无雾的原始绝缘子图像，L为全球大气光的亮度。
图3示出了本申请实施例通过提供的绝缘子图像增强方法获得不同亮度L下绝缘子图像的雾化效果示意图。
在一些实施例中，L的取值范围为0到1，用于代表添加雾气的颜色，即雾气灰度。当L取1时添加纯白雾；当L取0时添加纯黑雾。如图3所示在不同亮度，同一雾气厚度系数下，加雾效果不同，亮度L越大，雾气越白。
图4示出了本申请实施例通过提供的绝缘子图像增强方法获得不同厚度D下绝缘子图像的雾化效果示意图。
在一些实施例中，如图4所示，在不同雾气厚度系数、同一亮度下，雾气厚度系数越大，雾气越重。
在步骤105中，对所述绝缘子图像进行概率翻转、随机仿射变换、模糊处理和图像重组，得到增强后的绝缘子图像。
在一些实施例中，对所述绝缘子图像进行概率翻转包括：根据预设翻转概率对所述绝缘子图像进行、或不进行镜像翻转。在一些实施例中，所述随机仿射变换包括：平移、缩放和旋转；具体对所述绝缘子图像进行随机仿射变化包括：根据预设平移概率对所述绝缘子图像进行、或不进行平移；根据预设缩放概率对所述绝缘子图像进行、或不进行缩放；根据预设旋转概率对所述绝缘子图像进行、或不进行旋转。在一些实施例中，所述模糊处理包括：运动模糊和中心聚焦模糊。在一些实施例中，所述图像重组包括将所述绝缘子图像中感兴趣区域进行裁剪，填充到背景中。
其中，根据预设翻转概率p1(0＜p1＜1)，随机对绝缘子图像进行、或不进行镜像翻转；根据预设平移概率p2(0＜p2＜1)，随机对绝缘子图像进行、或不进行平移；根据预设缩放概率p3(0＜p3＜1)，随机对绝缘子图像进行、或不进行缩放；根据预设旋转概率p4(0＜p4＜1)，对所述绝缘子图像进行、或不进行旋转。
在一些实施例中，所述绝缘子图像增强方法还包括马赛克增强，所述马赛克增强包括：将多张增强后的绝缘子图像进行拼接，得到马赛克绝缘子图像。在一些实施例中，所述绝缘子图像增强方法还包括：将所述马赛克绝缘子图像与多张原始绝缘子图像混合，得到增强后的绝缘子图像数据集。
其中，将多张增强后的绝缘子图像与多张原始绝缘子图像混合，形成新的数据集合；每次从新数据集合中抽取N张绝缘子图像组成马赛克增强后的绝缘子图像，再将马赛克绝缘子图像与原始数据集混合，得到增强后的绝缘子图像数据集，以解决复杂环境下的样本数据非常难获取、以增大样本容量，提高识别准确率。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
Claims (10)
1.一种基于数码雾快速生成算法的绝缘子图像增强方法，其特征在于，包括：
通过暗通道先验算法对一张原始绝缘子图像进行抠图，得到灰度图；
对所述灰度图进行最小值滤波处理，得到滤波后的灰度图；
计算所述滤波后的灰度图中每个像素点的透射率，得到每个像素点的透射率；
基于所述透射率，通过数码雾快速生成算法对原始绝缘子图像进行加雾处理，得到生成数码雾的绝缘子图像；
对所述绝缘子图像进行概率翻转、随机仿射变换、模糊处理和图像重组，得到增强后的绝缘子图像。
2.根据权利要求1所述的绝缘子图像增强方法，其特征在于，所述暗通道先验算法包括：
其中，Jc为待处理原始绝缘子图像的某个颜色通道，Ω(x)为以像素点x为中心的一个滤波窗口，r，g，b为红绿蓝三种颜色通道，Jdark为灰度图，即J的暗通道。
3.根据权利要求1所述的绝缘子图像增强方法，其特征在于，所述透射率采用矩阵方法获得包括：
根据原始绝缘子图像的尺寸，建立包括原始绝缘子图像宽和高的二维矩阵(h，w)；将所述二维矩阵(h，w)中每个元素减去第一像素中心hc，得到用于表示不同像素点高与像素中心高之差的第一二维矩阵；根据原始绝缘子图像的尺寸，建立包括原始绝缘子图像宽和高的二维矩阵(w，h)；将所述二维矩阵(w，h)中每个元素减去第二像素中心wc，得到用于表示不同像素点宽与像素中心宽之差的第二二维矩阵；将所述第一二维矩阵和所述第二二维矩阵进行堆砌，得到数组(w,h,2)；通过对所述数组(w,h,2)计算范数，得到每个像素点与像素中心的距离；
所述透射率具体通过如下公式计算获得：
其中，(hc,wc)是像素中心的坐标，w、h分别为原始绝缘子图像的宽和高，s为雾化尺寸，D为雾气厚度系数，t(x)为透射率。
4.根据权利要求1所述的绝缘子图像增强方法，其特征在于，所述数码雾快速生成算法包括：
I(x)＝J(x)t(x)+L(1-t(x))；
其中，I(x)为生成数码雾的绝缘子图像，J(x)为无雾的原始绝缘子图像，L为全球大气光的亮度。
5.根据权利要求1所述的绝缘子图像增强方法，其特征在于，对所述绝缘子图像进行概率翻转包括：根据预设翻转概率对所述绝缘子图像进行、或不进行镜像翻转。
6.根据权利要求1所述的绝缘子图像增强方法，其特征在于，所述随机仿射变换包括：平移、缩放和旋转；具体对所述绝缘子图像进行随机仿射变化包括：根据预设平移概率对所述绝缘子图像进行、或不进行平移；根据预设缩放概率对所述绝缘子图像进行、或不进行缩放；根据预设旋转概率对所述绝缘子图像进行、或不进行旋转。
7.根据权利要求1所述的绝缘子图像增强方法，其特征在于，所述模糊处理包括：运动模糊和中心聚焦模糊。
8.根据权利要求1所述的绝缘子图像增强方法，其特征在于，所述图像重组包括将所述绝缘子图像中感兴趣区域进行裁剪，填充到背景中。
9.根据权利要求1所述的绝缘子图像增强方法，其特征在于，所述绝缘子图像增强方法还包括马赛克增强，所述马赛克增强包括：将多张增强后的绝缘子图像进行拼接，得到马赛克绝缘子图像。
10.根据权利要求9所述的绝缘子图像增强方法，其特征在于，所述绝缘子图像增强方法还包括：将所述马赛克绝缘子图像与多张原始绝缘子图像混合，得到增强后的绝缘子图像数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111412447.6A CN113935926A (zh) | 2021-11-25 | 2021-11-25 | 一种基于数码雾快速生成算法的绝缘子图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111412447.6A CN113935926A (zh) | 2021-11-25 | 2021-11-25 | 一种基于数码雾快速生成算法的绝缘子图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113935926A true CN113935926A (zh) | 2022-01-14 |
Family
ID=79288277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111412447.6A Pending CN113935926A (zh) | 2021-11-25 | 2021-11-25 | 一种基于数码雾快速生成算法的绝缘子图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113935926A (zh) |
-
2021
- 2021-11-25 CN CN202111412447.6A patent/CN113935926A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348815B (zh) | 图像处理方法、图像处理装置以及非瞬时性存储介质 | |
| CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
| CN109003297B (zh) | 一种单目深度估计方法、装置、终端和存储介质 | |
| CN110599445A (zh) | 一种电网螺母和销的目标鲁棒检测与缺陷识别方法及装置 | |
| CN110766002B (zh) | 一种基于深度学习的船名字符区域检测方法 | |
| CN109803172B (zh) | 一种直播视频的处理方法、装置及电子设备 | |
| CN112287941B (zh) | 一种基于自动字符区域感知的车牌识别方法 | |
| CN113628180B (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
| CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统 | |
| CN112581462A (zh) | 工业产品的外观缺陷检测方法、装置及存储介质 | |
| CN111027538A (zh) | 一种基于实例分割模型的集装箱检测方法 | |
| CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
| CN114372931A (zh) | 一种目标对象虚化方法、装置、存储介质及电子设备 | |
| CN110147733B (zh) | 一种跨域的大范围场景生成方法 | |
| CN113989460B (zh) | 用于增强现实场景的实时天空替换特效控制方法及装置 | |
| CN113935926A (zh) | 一种基于数码雾快速生成算法的绝缘子图像增强方法 | |
| CN114549373A (zh) | Hdr图像生成方法、装置、电子设备及可读存储介质 | |
| CN114445726B (zh) | 一种基于深度学习的样本库建立方法和装置 | |
| CN117036216A (zh) | 一种数据生成方法、装置、电子设备及存储介质 | |
| CN118265998A (zh) | 坏点检测模型训练方法、坏点检测方法以及坏点修复方法 | |
| CN118172801B (zh) | 一种手势检测方法及装置 | |
| CN117197211B (zh) | 一种深度图像生成方法、系统、装置及介质 | |
| CN118115387B (zh) | 小规模样本集图像增广模型构建方法 | |
| CN114513612B (zh) | 一种基于机器学习的ar拍照图像补光方法和系统 | |
| CN116091366B (zh) | 一种多维度拍摄手术视频及消除摩尔纹的方法 |
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 |