CN115272306B - 利用梯度运算的太阳能电池板栅线增强方法 - Google Patents
利用梯度运算的太阳能电池板栅线增强方法 Download PDFInfo
- Publication number
- CN115272306B CN115272306B CN202211169926.4A CN202211169926A CN115272306B CN 115272306 B CN115272306 B CN 115272306B CN 202211169926 A CN202211169926 A CN 202211169926A CN 115272306 B CN115272306 B CN 115272306B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- gray
- gradient
- point
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003708 edge detection Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 22
- 230000002708 enhancing effect Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000003014 reinforcing effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013526 transfer learning 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
- G06T7/0002—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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种利用梯度运算的太阳能电池板栅线增强方法，涉及数字图像处理技术领域。主要包括：从待处理的太阳能电池板的表面灰度图像中提取出栅线区域；对栅线区域进行边缘检测获得各栅线边缘点，将各栅线边缘点分别在表面灰度图像中对应位置的像素点作为各感兴趣点；根据所确定的各感兴趣点确定表面灰度图像中的模糊像素点，以获得对每一模糊像素点进行锐化增强后的表面灰度图像。本发明实施例能够有针对性地对所确定出的模糊像素点进行锐化增强，从而使增强后的表面灰度图像中栅线区域更为清晰。
Description
技术领域
本申请涉及数字图像处理技术领域，具体涉及一种利用梯度运算的太阳能电池板栅线增强方法。
背景技术
随着光伏发电技术的日趋成熟，太阳能电池板的铺设范围也越来越广，对于户外设置的太阳能电池板，通常通过无人机采集太阳能电池板的表面图像，并通过表面图像检测太阳能电池板中所存在的缺陷；然而，无人机所拍摄的表面图像可能存在模糊，使得直接利用表面图像进行缺陷检测所获得的缺陷检测结果的精度降低，因此，需要在进行缺陷检测前，对表面图像进行增强。
目前对于表面图像的增强处理，通常通过中值滤波进行滤波的方式实现，然而该种方式针对的对象是整个图像，使得增强前的图像中清晰的部分，在进行增强后可能反而变得模糊，造成增强效果不佳。
发明内容
针对上述技术问题，本发明提供了一种利用梯度运算的太阳能电池板栅线增强方法，能够确定出表面图像中的栅线区域中所存在的模糊线段，并分别对每一模糊线段中模糊像素点进行增强，避免了原本清晰的区域在增强后反而变得模糊。
本发明实施例提出了一种利用梯度运算的太阳能电池板栅线增强方法，包括：
获得待处理的太阳能电池板的表面灰度图像，并从表面灰度图像中提取出栅线区域；
对栅线区域进行边缘检测获得各栅线边缘点，将各栅线边缘点分别在表面灰度图像中对应位置的像素点作为各感兴趣点；
沿感兴趣点的灰度梯度的相反方向寻找表面灰度图像中首个满足预设条件的像素点，将表面灰度图像中位于所寻找的像素点与感兴趣点之间的像素点作为模糊像素点；所述预设条件为相对于感兴趣点的灰度梯度幅值差异位于预设第一范围内，且相对于感兴趣点的灰度梯度方向差异位于预设第二范围内；
将表面灰度图像中位于同一直线上相邻的模糊像素点组成模糊线段，分别对每一模糊线段进行锐化增强，且对表面灰度图像中每一模糊像素点仅进行一次锐化增强，以获得增强后的表面灰度图像。
可选的，利用梯度运算的太阳能电池板栅线增强方法中，分别对每一模糊线段进行锐化增强，包括：
根据每一模糊线段内所有模糊像素点的灰度梯度向量，分别获得每一模糊线段对应的整体梯度向量；
根据每一模糊线段对应的整体梯度向量，以及每一模糊线段中每一模糊像素点的灰度梯度向量，分别确定每一模糊线段中每一模糊像素点的梯度权重；
将每一模糊线段中梯度权重最大的模糊像素点作为模糊线段的参考像素点；
若模糊线段中由模糊像素点指向参考点的方向，与模糊线段对应的感兴趣点的灰度梯度的方向相同，将模糊像素点的灰度值设置为，与模糊线段对应的感兴趣点在其灰度梯度的方向上的相邻像素点的像素值；
若模糊线段中由模糊像素点指向参考点的方向，与模糊线段对应的感兴趣点的灰度梯度的方向相反，将模糊像素点的灰度值设置为，沿着模糊线段对应的感兴趣点的灰度梯度的方向上最后一个模糊像素点的像素值。
可选的，利用梯度运算的太阳能电池板栅线增强方法中，从表面灰度图像中提取出栅线区域，包括：
对表面灰度图像进行大津法阈值分割，获得分割后的二值图像，将二值图像中各非0像素点分别在灰度图像中对应位置的各像素点，组成所提取出的栅线区域。
可选的，利用梯度运算的太阳能电池板栅线增强方法中，相对于感兴趣点的灰度梯度幅值差异，是根据像素点的灰度梯度向量与感兴趣点的灰度梯度向量进行求和后的向量的模，与所有感兴趣点中灰度梯度幅值的最大值的比值获得的。
可选的，利用梯度运算的太阳能电池板栅线增强方法中，相对于感兴趣点的灰度梯度方向差异，是根据像素点的灰度梯度方向与感兴趣点的灰度梯度方向的比值获得的。
可选的，利用梯度运算的太阳能电池板栅线增强方法中，预设第一范围为
。
可选的，利用梯度运算的太阳能电池板栅线增强方法中，预设第二范围为
。
本发明提供了一种利用梯度运算的太阳能电池板栅线增强方法，相比于现有技术，本发明实施例的有益效果在于：从待处理的太阳能电池板的表面灰度图像中提取出栅线区域；对栅线区域进行边缘检测获得各栅线边缘点，将各栅线边缘点分别在表面灰度图像中对应位置的像素点作为各感兴趣点；根据所确定的各感兴趣点确定表面灰度图像中的模糊像素点，以及位于同一直线上相邻的模糊像素点组成模糊线段，分别对每一模糊线段进行锐化增强，且对表面灰度图像中每一模糊像素点仅进行一次锐化增强，以获得增强后的表面灰度图像，相较于直接对表面灰度图像进行中值滤波去噪，本发明实施例能够有针对性地对所确定出的模糊线段进行锐化增强，避免了原本清晰的区域在增强后反而变得模糊，从而使增强后的表面灰度图像中栅线区域更为清晰。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例提供的一种利用梯度运算的太阳能电池板栅线增强方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以下，对本发明实施例涉及的术语进行解释。
计算机视觉技术（Computer Vision，CV）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR（Optical Character Recognition，光学字符识别）、视频处理、视频语义理解、视频内容识别、三维物体重建、3D（3 Dimension，三维）技术、虚拟现实、增强现实与地图构建、自动驾驶、智慧交通等技术。
机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
本发明实施例提供了一种利用梯度运算的太阳能电池板栅线增强方法，如图1所示，包括：
步骤S101、获得待处理的太阳能电池板的表面灰度图像，并从表面灰度图像中提取出栅线区域。
获得待处理的太阳能电池板的表面灰度图像，本发明实施例中，可以通过无人机进行拍摄的方式，采集待处理的太阳能电池板的表面图像，并通过最大值或加权平均的方式，对表面图像进行灰度化处理，获得处理后的太阳能电池板的表面灰度图像。
在一个实施例中，从表面灰度图像中提取出栅线区域，可以包括：对表面灰度图像进行大津法阈值分割，获得分割后的二值图像，将二值图像中各非0像素点分别在灰度图像中对应位置的各像素点，组成所提取出的栅线区域，需要说明的是，由于在太阳能电池板中，栅线区域的灰度值相较于电池板部分，其灰度值会更大，因此，通过大津法阈值分割的方式，可以较为高效地确定出其中栅线区域，同时，大津法又称最大类间方差法，是一种对图像进行二值化的高效算法；如此，能够确定出表面灰度图像中栅线区域，便于在后续步骤中确定出栅线区域中所存在的模糊线段，并分别对每一模糊线段进行锐化增强。
在一个实施例中，从表面灰度图像中提取出栅线区域，可以通过机器学习的方式，训练出栅线区域提取模型，并将表面灰度图像输入至栅线区域提取模型中，获得提取出的栅线区域，例如，可以利用DNN(Deep Neural Networks，深度神经网络)从表面灰度图像中提取出栅线区域。
步骤S102、对栅线区域进行边缘检测获得各栅线边缘点，将各栅线边缘点分别在表面灰度图像中对应位置的像素点作为各感兴趣点。
在本发明实施例中，对于表面灰度图像中的每一感兴趣点，其作为表面灰度图像中的像素点，灰度梯度的获得过程可以包括：像素点的灰度梯度的幅值
，像素点的灰度梯度的方向为
，其中g表示灰度梯度的幅值，
表示像素点的水平灰度梯度，
表示像素点的竖直灰度梯度，其中，对于像素点的水平灰度梯度以及竖直灰度梯度，可以通过Sobel算子求得；同时，在确定灰度梯度的方向以及灰度梯度的幅值的情况下，可以分别获得每一感兴趣点的灰度梯度向量。
步骤S103、沿感兴趣点的灰度梯度的相反方向寻找表面灰度图像中首个满足预设条件的像素点，将表面灰度图像中位于所寻找的像素点与感兴趣点之间的像素点作为模糊像素点。
其中，预设条件为相对于感兴趣点的灰度梯度幅值差异位于预设第一范围内，且相对于感兴趣点的灰度梯度方向差异位于预设第二范围内。
可以确定出所有感兴趣点中灰度梯度的最大值，从而，在沿感兴趣点的灰度梯度的相反方向寻找表面灰度图像中，首个满足预设条件的像素点的过程中，根据像素点的灰度梯度向量与感兴趣点的灰度梯度向量进行求和后的向量的模，与所有感兴趣点中灰度梯度幅值的最大值的比值，确定像素点相对于感兴趣点的灰度梯度幅值差异；通过灰度梯度幅值差异，可以确定像素点相对于感兴趣点在灰度梯度的幅值上的差异，从而有助于确定出模糊像素点。
同时，在沿感兴趣点的灰度梯度的相反方向寻找表面灰度图像中，首个满足预设条件的像素点的过程中，根据像素点的灰度梯度方向与感兴趣点的灰度梯度方向的比值，可以获得所寻找的像素点相对于感兴趣点的灰度梯度方向差异。
在一个实施例中，在沿感兴趣点的灰度梯度的相反方向寻找表面灰度图像中，首个满足预设条件的像素点的过程中，将像素点的灰度梯度的角度的正弦值，与感兴趣点的灰度梯度方向的正弦值的比值，作为像素点相对于感兴趣点的灰度梯度方向差异。
在一个实施例中，在沿感兴趣点的灰度梯度的相反方向寻找表面灰度图像中，首个满足预设条件的像素点的过程中，将像素点的灰度梯度的角度的余弦值，与感兴趣点的灰度梯度方向的余弦值的比值，作为像素点相对于感兴趣点的灰度梯度方向差异。
在确定出满足预设条件的像素点后，本发明实施例中将表面灰度图像中位于所寻找的像素点与感兴趣点之间的像素点作为模糊像素点，并分别完成对每一感兴趣点对应的满足预设条件的像素点的获取，从而获得表面灰度图像中所有的模糊像素点。
同时，本发明实施例中，预设第一范围为
，且预设第二范围为
，此外，实施者也可以根据自身的需求，分别设置预设第一范围以及预设第二范围的具体界限。
步骤S104、将表面灰度图像中位于同一直线上相邻的模糊像素点组成模糊线段，分别对每一模糊线段进行锐化增强，且对表面灰度图像中每一模糊像素点仅进行一次锐化增强，获得增强后的表面灰度图像。
将表面灰度图像中位于同一直线上相邻的模糊像素点组成模糊线段，如此，便于分别在每一模糊线段中分别对每一模糊像素点进行锐化增强。
在一个实施例中，分别对每一模糊线段进行锐化增强，包括：根据每一模糊线段内所有模糊像素点的灰度梯度向量，分别获得每一模糊线段对应的整体梯度向量；根据每一模糊线段对应的整体梯度向量，以及每一模糊线段中每一模糊像素点的灰度梯度向量，分别确定每一模糊线段中每一模糊像素点的梯度权重；将每一模糊线段中梯度权重最大的模糊像素点作为模糊线段的参考像素点；若模糊线段中由模糊像素点指向参考点的方向，与模糊线段对应的感兴趣点的灰度梯度的方向相同，将模糊像素点的灰度值设置为，与模糊线段对应的感兴趣点在其灰度梯度的方向上的相邻像素点的像素值；若模糊线段中由模糊像素点指向参考点的方向，与模糊线段对应的感兴趣点的灰度梯度的方向相反，将模糊像素点的灰度值设置为，沿着模糊线段对应的感兴趣点的灰度梯度的方向上最后一个模糊像素点的像素值；如此，可以将模糊线段中所有模糊像素点的灰度变化缩短至两点之间。
在一个实施例中，建立尺寸为
的滑窗，并将滑窗的滑动步长确定为
，以表面灰度图像中像素点位滑窗的中心，同时，在滑窗进行移动的过程中，如果滑窗中包含模糊像素点，则在保持原有滑窗的中心的基础上，扩大滑窗的尺寸使得扩大尺寸后的滑窗能够包括所包括的模糊像素点所在的模糊线段，并对滑窗中所有像素点进行锐化增强，并继续以5×5为尺寸，以未进行锐化增强的像素点为中心建立滑窗，直至完成对于表面灰度图像中所有模糊像素点的锐化增强，同时，在所有的滑窗中，对表面灰度图像中每一模糊像素点仅进行一次锐化增强；需要说明的是，如果不对滑窗的尺寸进行调整，直接利用固定尺寸的滑窗，对表面灰度图像中所有像素点进行锐化增强，可能使得原本清晰的像素点反而变得模糊，从而达不到去模糊的效果。
在一个实施例中，还可以分别针对每一模糊线段，采用常规的图像增强的方式，进行图像增强，如此，相对于对整张图像进行图像增强，本发明实施例中对应模糊线段进行了针对性的图像增强，避免了原本清晰的区域变模糊的情况，需要说明的是，图像增强就是指通过某种图像处理方法对退化的某些图像特征，如边缘、轮廓、对比度等进行处理，以改善图像的视觉效果，提高图像的清晰度，或是突出图像中的某些“有用”信息，压缩其他“无用”信息，将图像转换为更适合人或计算机分析处理的形式。
图像增强可以分为两类：空间域法和频域法。其中空间域可以简单地理解为包含图像像素的空间，空间域法是指空间域中也就是图像本身，直接对图像进行各种线性或非线性运算，对图像的像素灰度值做增强处理。频域法则是在图像的变换域中把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。频域法常用的方法包括低通滤波、高通滤波以及同态滤波等。
空间域法又分为点运算和模板处理两大类。其中，点运算是作用于单个像素邻域的处理方法，包括图像灰度变换、直方图修正、伪彩色增强技术；模板处理是作用于像素领域的处理方法，包括图像平滑、图像锐化等技术。
综上所述，本发明提供了一种利用梯度运算的太阳能电池板栅线增强方法，从待处理的太阳能电池板的表面灰度图像中提取出栅线区域；对栅线区域进行边缘检测获得各栅线边缘点，将各栅线边缘点分别在表面灰度图像中对应位置的像素点作为各感兴趣点；根据所确定的各感兴趣点确定表面灰度图像中的模糊像素点，以及位于同一直线上相邻的模糊像素点组成模糊线段，分别对每一模糊线段进行锐化增强，且对表面灰度图像中每一模糊像素点仅进行一次锐化增强，以获得增强后的表面灰度图像，相较于直接对表面灰度图像进行中值滤波去噪，本发明实施例能够有针对性地对所确定出的模糊线段进行锐化增强，避免了原本清晰的区域在增强后反而变得模糊，从而使增强后的表面灰度图像中栅线区域更为清晰。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (6)
1.利用梯度运算的太阳能电池板栅线增强方法，其特征在于，包括：
获得待处理的太阳能电池板的表面灰度图像，并从表面灰度图像中提取出栅线区域；
对栅线区域进行边缘检测获得各栅线边缘点，将各栅线边缘点分别在表面灰度图像中对应位置的像素点作为各感兴趣点；
沿感兴趣点的灰度梯度的相反方向寻找表面灰度图像中首个满足预设条件的像素点，将表面灰度图像中位于所寻找的像素点与感兴趣点之间的像素点作为模糊像素点；所述预设条件为相对于感兴趣点的灰度梯度幅值差异位于预设第一范围内，且相对于感兴趣点的灰度梯度方向差异位于预设第二范围内；
将表面灰度图像中位于同一直线上相邻的模糊像素点组成模糊线段，分别对每一模糊线段进行锐化增强，且对表面灰度图像中每一模糊像素点仅进行一次锐化增强，以获得增强后的表面灰度图像；
分别对每一模糊线段进行锐化增强，包括：
根据每一模糊线段内所有模糊像素点的灰度梯度向量，分别获得每一模糊线段对应的整体梯度向量；
根据每一模糊线段对应的整体梯度向量，以及每一模糊线段中每一模糊像素点的灰度梯度向量，分别确定每一模糊线段中每一模糊像素点的梯度权重；
将每一模糊线段中梯度权重最大的模糊像素点作为模糊线段的参考像素点；
若模糊线段中由模糊像素点指向参考点的方向，与模糊线段对应的感兴趣点的灰度梯度的方向相同，将模糊像素点的灰度值设置为，与模糊线段对应的感兴趣点在其灰度梯度的方向上的相邻像素点的像素值；
若模糊线段中由模糊像素点指向参考点的方向，与模糊线段对应的感兴趣点的灰度梯度的方向相反，将模糊像素点的灰度值设置为，沿着模糊线段对应的感兴趣点的灰度梯度的方向上最后一个模糊像素点的像素值。
2.根据权利要求1所述的方法，其特征在于，从表面灰度图像中提取出栅线区域，包括：
对表面灰度图像进行大津法阈值分割，获得分割后的二值图像，将二值图像中各非0像素点分别在灰度图像中对应位置的各像素点，组成所提取出的栅线区域。
3.根据权利要求1所述的方法，其特征在于，相对于感兴趣点的灰度梯度幅值差异，是根据像素点的灰度梯度向量与感兴趣点的灰度梯度向量进行求和后的向量的模，与所有感兴趣点中灰度梯度幅值的最大值的比值获得的。
4.根据权利要求1所述的方法，其特征在于，相对于感兴趣点的灰度梯度方向差异，是根据像素点的灰度梯度方向与感兴趣点的灰度梯度方向的比值获得的。
5.根据权利要求1所述的方法，其特征在于，预设第一范围为
。
6.根据权利要求1所述的方法，其特征在于，预设第二范围为
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211169926.4A CN115272306B (zh) | 2022-09-26 | 2022-09-26 | 利用梯度运算的太阳能电池板栅线增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211169926.4A CN115272306B (zh) | 2022-09-26 | 2022-09-26 | 利用梯度运算的太阳能电池板栅线增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115272306A CN115272306A (zh) | 2022-11-01 |
| CN115272306B true CN115272306B (zh) | 2022-12-16 |
Family
ID=83757584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211169926.4A Active CN115272306B (zh) | 2022-09-26 | 2022-09-26 | 利用梯度运算的太阳能电池板栅线增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115272306B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994870B (zh) * | 2023-02-23 | 2023-12-19 | 苏州梅曼智能科技有限公司 | 一种用于增强去噪的图像处理方法 |
| CN116152261B (zh) * | 2023-04-24 | 2023-06-27 | 济南奥盛包装科技有限公司 | 一种印刷制品质量的视觉检测系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274393B (zh) * | 2017-06-12 | 2018-03-23 | 郑州轻工业学院 | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 |
| CN107749057B (zh) * | 2017-09-16 | 2021-06-18 | 河北工业大学 | 一种太阳能电池片外观漏浆缺陷检测的方法 |
| CN113570587A (zh) * | 2021-08-02 | 2021-10-29 | 河南牧业经济学院 | 一种基于计算机视觉的光伏电池断栅检测方法及系统 |
| CN114881956B (zh) * | 2022-04-28 | 2024-08-20 | 首辅锂电科技江苏有限公司 | 基于霍夫变换的电池板栅线自适应提取方法及系统 |
-
2022
- 2022-09-26 CN CN202211169926.4A patent/CN115272306B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115272306A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
| CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
| Lalimi et al. | A vehicle license plate detection method using region and edge based methods | |
| CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
| Hassan et al. | Real-time image dehazing by superpixels segmentation and guidance filter | |
| CN110751154B (zh) | 一种基于像素级分割的复杂环境多形状文本检测方法 | |
| CN111461006B (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN113706562B (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
| Wei et al. | Detection of lane line based on Robert operator | |
| CN109242854A (zh) | 一种基于flic超像素分割的图像显著性检测方法 | |
| Wang et al. | Straight lane line detection based on the Otsu-Canny algorithm | |
| Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
| Yu et al. | High-Precision pixelwise SAR–optical image registration via flow fusion estimation based on an attention mechanism | |
| Xia et al. | Insulator recognition based on mathematical morphology and Bayesian segmentation | |
| CN111931689B (zh) | 一种在线提取视频卫星数据鉴别特征的方法 | |
| Wang et al. | Single image deraining using deep convolutional networks | |
| Zhang et al. | Single image haze removal for aqueous vapour regions based on optimal correction of dark channel | |
| Fan et al. | Research on image segmentation method using a structure-preserving region model-based MRF | |
| Li et al. | An improved mean shift segmentation method of high-resolution remote sensing image based on LBP and canny features | |
| Rambabu et al. | Generation of random fields for object recognization using binarization technique | |
| He et al. | Visibility restoration of single foggy images under local surface analysis | |
| Huang et al. | An adaptive segmentation algorithm for degraded chinese rubbing image binarization based on background estimation | |
| Chen et al. | A fast watershed-based image segmentation algorithm using local merging strategy | |
| Onoja et al. | Digital image segmentation using delaunay triangulation algorithm |
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 |