CN115797344A - 基于图像增强的机房设备识别管理方法 - Google Patents
基于图像增强的机房设备识别管理方法 Download PDFInfo
- Publication number
- CN115797344A CN115797344A CN202310064328.9A CN202310064328A CN115797344A CN 115797344 A CN115797344 A CN 115797344A CN 202310064328 A CN202310064328 A CN 202310064328A CN 115797344 A CN115797344 A CN 115797344A
- Authority
- CN
- China
- Prior art keywords
- image
- line
- clear
- room equipment
- machine room
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 18
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于图像增强的机房设备识别管理方法,该方法根据清晰线路区域得到不同线路区域对应的纹理模式描述子,通过纹理模式描述子表征不同的线路类别,进一步识别出同一线路类别中的待增强区域,根据同一线路类别中的清晰线路区域增强待增强区域以完成图像的增强。本发明根据纹理模式描述子完成对不同线路的分类,通过对同种线路中的清晰线路区域自适应增强不清晰区域,使得本发明在不同机房设备环境的情况下具有自适应增强的同时保证了对图像增强的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于图像增强的机房设备识别管理方法。
背景技术
在涉及机房设备的行业中,由于机房中线路错综复杂,且由于环境光线的影响,会存在较多遮挡行程的阴影区域,从而使得不能及时发现机房设备的异常,因此要对机房设备图像进行图像增强。
而现有技术对于机房设备图像增强的方法主要是直方图均衡化。但是直方图均衡化的方法仅仅是根据图像整体进行增强,从而造成图像增强后灰度级减少导致图像的局部细节消失,此外还可能会导致图像增强后存在对比度不自然的情况,所以采用直方图均衡化的方法会造成增强后的图像不够准确。而且由于直方图均衡化的方法仅仅是将图像的整体进行增强,因此对于不同的图像采用直方图均衡化的方法所得到的增强后的图像质量参差不齐,缺乏对不同图像增强的适应性。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像增强的机房设备识别管理方法,所采用的技术方案具体如下:
本发明提出了一种基于图像增强的机房设备识别管理方法,所述方法包括:
获取机房设备线路图像,将所述机房设备线路图像通过阈值分割得到机房设备线路清晰图像和不清晰图像,对所述机房设备线路清晰图像进行直线检测识别清晰线路和对应的线路类别;
获取所有所述清晰线路的灰度级序列,根据所有所述清晰线路的灰度级序列得到对应的纹理模式描述子;
通过行列均匀划分的方式将不清晰图像划分为不同的块区域图像,通过灰度共生矩阵获取所有所述块区域图像的保留点对,将每个所述块区域图像的保留点对与所有所述纹理模式描述子进行匹配得到每个所述块区域图像对应的所述线路类别;
根据所述机房设备线路清晰图像中的所述线路类别的像素信息将所述线路类别对应的所述块区域图像进行增强,获得增强后的图像;通过对所述增强后的图像进行连通域分析识别出异常线路。
进一步地,所述对所述机房设备线路清晰图像进行直线检测识别清晰线路和对应的线路类别包括:
通过霍夫直线检测将所述机房设备线路清晰图像中的直线映射到极坐标参数空间得到多个高亮点,对所有所述高亮点进行聚类得到多个高亮点类别,将所有所述高亮点类别在机房设备线路清晰图像中对应的直线作为所述清晰线路,将每个所述高亮点类别对应的所有所述清晰线路作为一个所述线路类别。
进一步地,所述对所有所述高亮点进行聚类得到多个高亮点类别包括:
将所述高亮点在所述极坐标参数空间中进行横坐标投影得到多个横坐标投影点,对所述横坐标投影点进行密度聚类得到对应的所述极坐标参数空间中所述高亮点的第一类别,将每个所述高亮点的第一类别在所述极坐标参数空间中的进行纵坐标投影得到多个纵坐标投影点,对所述纵坐标投影点进行密度聚类得到对应极坐标空间中所述高亮点的第二类别,所述高亮点的第二类别记为高亮点类别。
进一步地,所述灰度级序列的获取方法包括:
将所述清晰线路图像中的灰度值从小到大进行排列得到灰度值序列,将所述灰度值序列通过OSTU多阈值分割的方法将灰度值序列中的元素划分为不同的灰度值类别,将每个所述灰度值类别的灰度值均值向上取整的值作为一个灰度级,获得所述灰度级序列。
进一步地,所述根据所有所述清晰线路的灰度级序列得到对应的纹理模式描述子包括:
根据所述灰度级序列中后一个元素与前一个元素的比值建立比值序列,将所述比值序列记为纹理模式描述子。
进一步地,所述通过灰度共生矩阵获取所有所述块区域图像的保留点对包括:
根据所述目标块区域的灰度共生矩阵获得所述目标块区域每个点对的出现频率,将所述出现频率大于所述点对出现频率中值的点对记为高频率点对,计算所述高频率点对中后一个元素与前一个元素的比值,作为点对比值;并将所述点对比值与所有纹理模式描述子中元素差值小于预设差值的所述高频率点对进行保留得到多个所述保留点对。
进一步地,所述将每个所述块区域图像的保留点对与所有所述纹理模式描述子进行匹配得到每个所述块区域图像对应的所述线路类别包括:
计算每个所述块区域的所有保留点对中后一个元素与前一个元素的元素比值,将所述元素比值记为保留元素,统计每个所述块区域的所有所述保留点对对应的所述保留元素,并将每个所述块区域所述保留元素组成保留元素序列,当所述目标块区域对应的保留元素序列与所述目标纹理模式描述子中元素一致时,将所述目标块区域与所述目标纹理模式描述子进行匹配得到对应的线路类别,将所述目标块区域记为待增强区域。
进一步地,所述根据所述机房设备线路清晰图像中的所述线路类别的像素信息将所述线路类别对应的所述块区域图像进行增强包括:
统计所述待增强区域在所述机房设备线路图像中的最小外接矩形内的像素值得到对应的灰度直方图,将所述灰度直方图中频数最大的灰度值作为背景值,计算所述目标待增强区域对应线路类别中目标清晰线路的背景值,将所述目标清晰线路对应的灰度值序列的任意位置元素与所述保留点对对应位置的元素的比值作为背景比值,将所述目标清晰线路的背景值和所述背景比值的乘积作为所述目标待增强区域的背景值,将所述待增强区域的背景值带入所述机房设备图像完成图像增强。
进一步地,所述将所述目标清晰线路对应的灰度值序列的任意位置元素与所述保留点对对应位置的元素的比值作为背景比值包括:
在所述目标待增强区域对应的所述纹理模式描述子中选取一个元素,根据所述选取的元素获得对应的所述清晰线路区域的所述灰度值序列中的两个元素和对应的所述目标待增强区域的保留点对,将所述灰度值序列中的两个元素与所述保留点对相对应,并将所述灰度值序列中的任意一个元素与对应的保留点对中对应的元素比值作为背景比值。
本发明具有如下有益效果:
本发明实施例考虑到同一种线路类别在不同的光照下反射特性不变的特点,根据不同线路的灰度值和灰度分布引入纹理模式描述子来精确的表征对不同线路类别的特征,使得对线路类别的表征更为精确,方便后续对待增强的块区域对应关系的确定。根据每个块区域中的像素点对的组合与纹理模式描述子的匹配关系确定对应的线路类别,进一步通过清晰区域的像素信息自适应增强同一线路类别的块区域,实现了对不清晰图像的针对性增强,使得图像增强过程适应性强且有助于避免由于整体增强带来的图像失真问题。综上所述,该方法对不同的图像增强具有高适应性的同时保证了图像增强的准确性。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于图像增强的机房设备识别管理方法。
实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像增强的机房设备识别管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像增强的机房设备识别管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像增强的机房设备识别管理方法流程图,该方法包括:
步骤S1:获取机房设备线路图像,将所述机房设备线路图像通过阈值分割得到机房设备线路清晰图像和不清晰图像,对所述机房设备线路清晰图像进行直线检测识别清晰线路和对应的线路类别。
通过在机房内架设摄像头拍摄机房设备线路以采集到机房设备线路图像,采集到的机房设备线路图像为RGB图像,且在采集机房设备图像过程中保证摄像头能够采集到机房设备线路图像信息。
本发明实施例通过同种线路类别中的清晰区域增强不清晰区域,所以首先需要将机房设备线路图像中的清晰图像和不清晰图像区分开。
在采集到机房设备线路图像后,将采集到的机房设备线路图像的RGB图像转化为灰度图像。由于机房设备环境的影响,所采集到的机房设备线路图像中会存在灰度不一致的区域。其中较亮区域因为光照反射较强,因此具有明显的线路边缘信息,即较亮区域为不需要增强的清晰区域;较暗区域因为光照反射较弱,因此线路边缘信息不明显,即较暗区域为需要增强的清晰区域。因此可以根据不同的灰度设定阈值将机房设备线路图像划分为清晰图像和不清晰图像。根据预设阈值k,通过阈值分割将大于k的像素点的灰度值用1代替,小于等于k的像素点用0代替,得到机房设备线路图像的二值图像,此时清晰图像的像素点对应的灰度值为1,不清晰图像对应的灰度值为0。在本发明实施例中,阈值k设置为128。
在得到清晰图像后,需要识别出清晰图像中的清晰线路以进行后续线路类别的获取。由于机房设备线路经过整理后一般为直线,所以首先采用直线检测得到清晰图像中的直线信息。在本发明实施例中,采用霍夫直线检测方法检测清晰图像中的直线信息。需要说明的是,霍夫直线检测为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
但是由于通过直线检测得到的直线不一定都是线路,可能是其他设备的边缘线,因此要对直线检测到的直线进行进一步的筛选。考虑到线路往往距离较小且有多条,在图像上表现为:多个平行且距离较小的直线,因此通过该性质对得到的直线进行筛选。在本发明实施例中,由于直线是通过霍夫检测得到的,因此通过霍夫空间对直线进行进一步的筛选来得到清晰线路。具体筛选过程为:
在本发明实施例中,图像空间中的一个点对应在霍夫空间中为一条正弦曲线,图像空间的一条直线对应霍夫空间的多条正弦曲线经过的点,某个点经过的曲线越多,说明在图像空间中越对应一条直线,即霍夫空间中亮度较高的点为图像空间中直线信息对应的点,因此获得霍夫空间中的高亮点。设置高亮点阈值为p,即p为高亮点经过的曲线数量,将霍夫空间中经过的曲线数量大于高亮点阈值的点记为高亮点,其中每个高亮点对应一个清晰线路。需要说明的是,高亮点阈值p的选取根据机房设备线路的数量情况来决定,在此不做进一步限定。图像空间的多个平行且距离较小的直线对应霍夫空间中同一横坐标对应的纵坐标相近的多个高亮点。由于图像空间直线转霍夫空间的过程中存在误差,因此在霍夫参数空间中首先对相近横坐标的高亮点进行聚类,首先计算得到所有高亮点的横坐标值在横坐标上投影,得到多个投影点,对所述投影点进行密度聚类,得到多个类别,同时可以得到对应的霍夫空间中的高亮点的第一类别,将每个高亮点的第一类别在极坐标参数空间中的进行纵坐标投影得到多个纵坐标投影点,对纵坐标投影点进行密度聚类得到对应极坐标空间中高亮点的第二类别,将这些第二类别在图像空间中对应直线作为清晰线路对应的直线,且同一个第二类别对应的清晰线路记为同一个线路类别。一般的机房设备线路会采用束线带将同种线路类别的线束在一起,因此一个线路类别中的线路对应同一个束线带中空间上分布较为紧密的线路,不同的线路类别对应不同束线带中的线路。需要说明的是,密度聚类为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
步骤S2:获取所有所述清晰线路的灰度级序列,根据所有所述清晰线路的灰度级序列得到对应的纹理模式描述子。
至此,对机房设备线路图像进行阈值分割和直线检测并筛选得到清晰线路,本发明根据清晰线路来自适应增强相同线路类别的不清晰区域,因此需要得到不清晰图像中对应的线路类别来进行进一步的针对性增强。对于同种线路来说,线路图像本身的灰度值会随着光照的变化而变化,但是线路本身的反射特性是不变的,该反射特性表现为灰度值分布的规律,在本发明中将该反射特性映射为纹理模式描述子,进一步根据纹理模式描述子完成对不同线路类别的划分。
本发明实施例根据清晰线路的灰度值和灰度分布得到纹理模式描述子,并将纹理模式描述子作为线路类别的特征。具体的:
首先需要通过灰度级划分过程获得不同的灰度级,灰度级划分过程包括:统计所得到的区域的灰度值,按照灰度值从小到大的方式进行排列得到灰度值序列,根据所得到的区域的灰度值序列通过OTSU多阈值分割的方式得到不同的灰度值类别,同一灰度值类别中的灰度级的值相近,将每个灰度值类别中的灰度值均值向上取整的值作为灰度级。因此可根据灰度级划分过程获得每个清晰线路区域对应的灰度级,根据同一清晰线路区域的所有灰度级建立一个序列,记为灰度级序列。根据得到的灰度级序列中每两个相邻元素的后一个元素与前一个元素的比值作为元素建立比值序列,将所得到的比值序列记为纹理模式描述子,即一个清晰线路区域对应一个纹理模式描述子,但一个纹理模式描述子可能对应多个清晰线路区域。例如,灰度值序列为:[122178879525153],其中[12]是一个灰度值类别,对应的灰度级为2,[789]是一个灰度级类别,对应的灰度级为:8,[515253]是一个类别,对应的灰度级为52,根据所得到的三个灰度级2,8,52建立灰度级序列[2852],计算灰度级序列中每两个相邻元素的后一个元素与前一个元素的比值,并将比值作为元素建立比值序列,并将比值序列作为纹理模式描述子,灰度级序列[2852]对应的纹理模式描述子为[46.5]。通过计算得到每个清晰线路区域的灰度级序列,根据每个清晰线路区域的灰度级序列得到每个清晰线路区域对应的纹理模式描述子,进而可以得到每个类别中的多个纹理模式描述子。不同的线路类别在机房设备线路图像上对应的线路区域反射情况不同,因为线路类别是根据空间信息所划分的,因此在原本的机房设备图像空间中,不同线路类别的反射情况不一致,对应的纹理模式描述子亦不相同。
步骤S3:通过行列均匀划分的方式将不清晰图像划分为不同的块区域图像,通过灰度共生矩阵获取所有所述块区域图像的保留点对,将每个所述块区域图像的保留点对与所有所述纹理模式描述子进行匹配得到每个所述块区域图像对应的所述线路类别。
通过步骤S2获得清晰线路的纹理模式描述子,通过纹理模式描述子表征不同线路类别中清晰线路的灰度分布状况,即通过灰度分布状况来对线路类别进行划分,因此为了实现对线路区域的自适应增强,需要获得与清晰线路同种线路类别下的不清晰区域,通过同种线路类别的清晰线路区域增强不清晰区域。因此需要进一步通过纹理模式描述子根据不清晰区域的灰度分布状况进行不清晰区域线路类别分类。
首先需要获取不清晰区域的灰度分布状况。由于每个线路类别的线路不一定都是直线,也可能是曲线,因此通过对图像进行分区,计算得到每个区域的纹理模式,与每个类别中的纹理模式相比较,将相似度较大的,作为对应区域的线路类别。具体的:
首先需要确定分区区块的大小,按照行列网格均匀划分的方式得到不同的块区域,在本发明实施例中,选择任意线路的宽度作为划分网格的大小,对应的块区域长度与宽度与线路的宽度一致。通过灰度级划分过程获得每个块区域的灰度级,将每个块区域内像素点的灰度值用每个像素点灰度值对应的灰度值类别中的灰度级替代。对每个灰度级替代后块区域计算0°方向、45°方向、90°方向、135°方向的灰度共生矩阵,计算每个块区域的灰度共生矩阵点对出现的频率,将出现频率大于出现频率中值的点对记为高频率点对,计算高频率点对后一个元素与前一个元素的比值作为点对比值,并将该点对比值与所有的纹理模式描述子中的元素差值小于预设差值的高频点对进行保留得到多个保留点对。计算每个块区域的所有保留点对中后一个元素与前一个元素的元素比值并将元素比值记为保留元素,统计每个块区域对应的保留点对和每个块区域的所有保留点对对应的保留元素,并将每个块区域保留元素组成保留元素序列,当其中一个块区域对应的保留元素序列与其中一个纹理模式描述子中元素一致时,将该块区域与对应的纹理模式描述子进行匹配得到对应的线路类别,将该块区域记为待增强区域。通过纹理模式描述子来将待增强区域与线路类别进行匹配,不同的线路类别对应不同的清晰线路,即通过匹配可以使得相同纹理模式描述子的待增强区域和清晰线路区域对应。需要说明的是,灰度共生矩阵为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
步骤S4:根据所述机房设备线路清晰图像中的所述线路类别的像素信息将所述线路类别对应的所述块区域图像进行增强,获得增强后的图像;通过对所述增强后的图像进行连通域分析识别出异常线路。
至此,通过对各个区域的灰度分布状况完成对待增强区域的线路类别分类,下面则通过待增强区域对应线路类别中的清晰线路区域来对待增强区域进行增强即可得到增强后的图像。
得到每个待增强区域的线路类别后,统计每个待增强区域在机房设备线路图像中的最小外接矩形内的像素值得到对应的灰度直方图,将待增强区域对应的灰度直方图中频数最大的灰度值作为背景值。统计待增强区域对应线路类别中清晰线路区域的背景值,即通过清晰线路区域能够的外界矩形内的像素值获得对应的灰度直方图,并将对应的灰度直方图中频数最大的灰度值作为该清晰线路区域背景值,将并基于该清晰线路区域的背景值调整待增强区域的背景值,具体的:
任取待增强区域对应的纹理模式描述子中的任意一个元素,进一步得到该元素对应的待增强区域的保留点对和该元素对应的清晰线路区域的灰度值序列中的两个元素,将该灰度值序列中的两个元素与该保留点对相对应,并将该灰度值序列中的任意一个元素与对应的保留点对中对应的元素比值作为背景比值,将待增强区域对应的清晰线路的背景值和对应的背景比值的乘积作为该待增强区域的背景值,计算得到所有待增强区域的背景值,将所有待增强区域的背景值带入所述机房设备图像完成图像增强。
在完成图像增强的基础上根据增强后的图像识别异常线路。具体的:对增强后的图像利用基于深度学习的语义分割方法进行异常线路的分割得到异常线路分割图像。对异常线路分割图像进行连通域分析,得到异常线路连通域,并进行连通域面积筛选,保留大于面积S的连通域,当存在大于面积S的连通域时,通知相应人员进行检修。需要说明的是,S的大小根据机房设备实际情况和图像尺寸进行设置,在此不做进一步限定,且语义分割方法为本领域人员所熟知的现有技术,在此不做进一步限定和赘述。
综上所述,本发明通过得到阈值分割和直线检测后筛选得到清晰线路区域,根据清晰线路区域得到不同线路区域对应的纹理模式描述子,通过纹理模式描述子表征不同的线路类别,进一步识别出同一线路类别中的待增强区域,根据同一线路类别中的清晰线路区域增强待增强区域以完成图像的增强。本发明根据纹理模式描述子完成对不同线路的分类,通过对同种线路中的清晰线路区域自适应增强不清晰区域,使得本发明在不同机房设备环境的情况下具有自适应增强的同时保证了对图像增强的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.基于图像增强的机房设备识别管理方法,其特征在于,所述方法包括:
获取机房设备线路图像,将所述机房设备线路图像通过阈值分割得到机房设备线路清晰图像和不清晰图像,对所述机房设备线路清晰图像进行直线检测识别清晰线路和对应的线路类别;
获取所有所述清晰线路的灰度级序列,根据所有所述清晰线路的灰度级序列得到对应的纹理模式描述子;
通过行列均匀划分的方式将不清晰图像划分为不同的块区域图像,通过灰度共生矩阵获取所有所述块区域图像的保留点对,将每个所述块区域图像的保留点对与所有所述纹理模式描述子进行匹配得到每个所述块区域图像对应的所述线路类别;
根据所述机房设备线路清晰图像中的所述线路类别的像素信息将所述线路类别对应的所述块区域图像进行增强,获得增强后的图像;通过对所述增强后的图像进行连通域分析识别出异常线路。
2.根据权利要求1所述的基于图像增强的机房设备识别管理方法,其特征在于,所述对所述机房设备线路清晰图像进行直线检测识别清晰线路和对应的线路类别包括:
通过霍夫直线检测将所述机房设备线路清晰图像中的直线映射到极坐标参数空间得到多个高亮点,对所有所述高亮点进行聚类得到多个高亮点类别,将所有所述高亮点类别在机房设备线路清晰图像中对应的直线作为所述清晰线路,将每个所述高亮点类别对应的所有所述清晰线路作为一个所述线路类别。
3.根据权利要求2所述的基于图像增强的机房设备识别管理方法,其特征在于,所述对所有所述高亮点进行聚类得到多个高亮点类别包括:
将所述高亮点在所述极坐标参数空间中进行横坐标投影得到多个横坐标投影点,对所述横坐标投影点进行密度聚类得到对应的所述极坐标参数空间中所述高亮点的第一类别,将每个所述高亮点的第一类别在所述极坐标参数空间中的进行纵坐标投影得到多个纵坐标投影点,对所述纵坐标投影点进行密度聚类得到对应极坐标空间中所述高亮点的第二类别,所述高亮点的第二类别记为高亮点类别。
4.根据权利要求1所述的基于图像增强的机房设备识别管理方法,其特征在于,所述灰度级序列的获取方法包括:
将所述清晰线路图像中的灰度值从小到大进行排列得到灰度值序列,将所述灰度值序列通过OSTU多阈值分割的方法将灰度值序列中的元素划分为不同的灰度值类别,将每个所述灰度值类别的灰度值均值向上取整的值作为一个灰度级,获得所述灰度级序列。
5.根据权利要求1所述的基于图像增强的机房设备识别管理方法,其特征在于,所述根据所有所述清晰线路的灰度级序列得到对应的纹理模式描述子包括:
根据所述灰度级序列中后一个元素与前一个元素的比值建立比值序列,将所述比值序列记为纹理模式描述子。
6.根据权利要求1所述的基于图像增强的机房设备识别管理方法,其特征在于,所述通过灰度共生矩阵获取所有所述块区域图像的保留点对包括:
根据目标块区域的灰度共生矩阵获得所述目标块区域每个点对的出现频率,将所述出现频率大于所述点对出现频率中值的点对记为高频率点对,计算所述高频率点对中后一个元素与前一个元素的比值,作为点对比值;并将所述点对比值与所有纹理模式描述子中元素差值小于预设差值的所述高频率点对进行保留得到多个所述保留点对;获得所有块区域图像的所述保留点对。
7.根据权利要求6所述的基于图像增强的机房设备识别管理方法,其特征在于,所述将每个所述块区域图像的保留点对与所有所述纹理模式描述子进行匹配得到每个所述块区域图像对应的所述线路类别包括:
计算每个所述块区域的所有保留点对中后一个元素与前一个元素的元素比值,将所述元素比值记为保留元素,统计每个所述块区域的所有所述保留点对对应的所述保留元素,并将每个所述块区域所述保留元素组成保留元素序列,当所述目标块区域对应的保留元素序列与所述目标纹理模式描述子中元素一致时,将所述目标块区域与所述目标纹理模式描述子进行匹配得到对应的线路类别,将所述目标块区域记为待增强区域。
8.根据权利要求7所述的基于图像增强的机房设备识别管理方法,其特征在于,所述根据所述机房设备线路清晰图像中的所述线路类别的像素信息将所述线路类别对应的所述块区域图像进行增强包括:
统计所述待增强区域在所述机房设备线路图像中的最小外接矩形内的像素值得到对应的灰度直方图,将所述灰度直方图中频数最大的灰度值作为背景值,计算所述目标待增强区域对应线路类别中目标清晰线路的背景值,将所述目标清晰线路对应的灰度值序列的任意位置元素与所述保留点对对应位置的元素的比值作为背景比值,将所述目标清晰线路的背景值和所述背景比值的乘积作为所述目标待增强区域的背景值,将所述待增强区域的背景值带入所述机房设备图像完成图像增强。
9.根据利要求8所述的基于图像增强的机房设备识别管理方法,其特征在于,所述将所述目标清晰线路对应的灰度值序列的任意位置元素与所述保留点对对应位置的元素的比值作为背景比值包括:
在所述目标待增强区域对应的所述纹理模式描述子中选取一个元素,根据所述选取的元素获得对应的所述清晰线路区域的所述灰度值序列中的两个元素和对应的所述目标待增强区域的保留点对,将所述灰度值序列中的两个元素与所述保留点对相对应,并将所述灰度值序列中的任意一个元素与对应的保留点对中对应的元素比值作为背景比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064328.9A CN115797344B (zh) | 2023-02-06 | 2023-02-06 | 基于图像增强的机房设备识别管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064328.9A CN115797344B (zh) | 2023-02-06 | 2023-02-06 | 基于图像增强的机房设备识别管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797344A true CN115797344A (zh) | 2023-03-14 |
CN115797344B CN115797344B (zh) | 2023-04-21 |
Family
ID=85429880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310064328.9A Active CN115797344B (zh) | 2023-02-06 | 2023-02-06 | 基于图像增强的机房设备识别管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797344B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031458A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像颜色校正方法、装置和存储介质 |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115359052A (zh) * | 2022-10-19 | 2022-11-18 | 南通鼎顺生物科技有限公司 | 基于聚类算法的医疗影像增强方法 |
CN115578732A (zh) * | 2022-11-21 | 2023-01-06 | 山东爱福地生物股份有限公司 | 一种肥料生产线的标签识别方法 |
CN115641336A (zh) * | 2022-12-23 | 2023-01-24 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的空调用钣金件缺陷识别方法 |
-
2023
- 2023-02-06 CN CN202310064328.9A patent/CN115797344B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031458A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技(惠州)有限公司 | 适用于内窥镜的图像颜色校正方法、装置和存储介质 |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115359052A (zh) * | 2022-10-19 | 2022-11-18 | 南通鼎顺生物科技有限公司 | 基于聚类算法的医疗影像增强方法 |
CN115578732A (zh) * | 2022-11-21 | 2023-01-06 | 山东爱福地生物股份有限公司 | 一种肥料生产线的标签识别方法 |
CN115641336A (zh) * | 2022-12-23 | 2023-01-24 | 无锡康贝电子设备有限公司 | 一种基于计算机视觉的空调用钣金件缺陷识别方法 |
Non-Patent Citations (2)
Title |
---|
MARCIN KOCIOLEK: "Interpolation-Based Gray-Level Co-Occurrence Matrix Computation for Texture Directionality Estimation" * |
黄晓妹;田绪红;: "无参考的模糊图像清晰度评价方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN115797344B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN113781402B (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN110378324B (zh) | 一种基于质量维度的人脸识别算法评估方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
US20180182099A1 (en) | Identifying and Excluding Blurred Areas of Images of Stained Tissue To Improve Cancer Scoring | |
CN114897773B (zh) | 一种基于图像处理的扭曲木材检测方法及系统 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN114723705A (zh) | 一种基于图像处理的布匹瑕疵的检测方法 | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN114581376B (zh) | 基于图像识别的纺织用蚕茧自动拣选方法及系统 | |
CN111784675A (zh) | 物品纹理信息处理的方法、装置、存储介质及电子设备 | |
CN111242957A (zh) | 一种数据处理方法、装置及计算机存储介质和电子设备 | |
CN115311286A (zh) | 一种染色纺织品的染色缺陷识别方法 | |
US8131077B2 (en) | Systems and methods for segmenting an image based on perceptual information | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN117115197B (zh) | 一种led灯珠电路板设计数据智能处理方法及系统 | |
CN110390682A (zh) | 一种模板自适应的图像分割方法、系统和可读存储介质 | |
CN111199228B (zh) | 一种车牌定位的方法及装置 | |
CN117372415A (zh) | 喉镜图像识别方法、装置、计算机设备及存储介质 | |
CN114080644A (zh) | 用于诊断小肠清洁度的系统和方法 | |
CN115797344A (zh) | 基于图像增强的机房设备识别管理方法 | |
TW201419168A (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN114119569A (zh) | 基于机器学习的成像测井图像裂缝分割与识别方法和系统 | |
Vite-Chávez et al. | Improvement Procedure for Image Segmentation of Fruits and Vegetables Based on the Otsu Method |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for identifying and managing computer room equipment based on image enhancement Granted publication date: 20230421 Pledgee: Jining Rural Commercial Bank Co.,Ltd. Pledgor: Zhilian Xintong Technology Co.,Ltd. Registration number: Y2024980004597 |