CN115937395A - 电气设备模型渲染方法、装置、计算机设备和存储介质 - Google Patents
电气设备模型渲染方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115937395A CN115937395A CN202211481036.7A CN202211481036A CN115937395A CN 115937395 A CN115937395 A CN 115937395A CN 202211481036 A CN202211481036 A CN 202211481036A CN 115937395 A CN115937395 A CN 115937395A
- Authority
- CN
- China
- Prior art keywords
- image
- original
- model
- equipment
- rendering
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Processing (AREA)
Abstract
本申请涉及一种电气设备模型渲染方法、装置、计算机设备和存储介质。所述方法包括：获取电气设备的原始设备图像；对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像；将各所述原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。通过获取的多个视角下的原始设备图像，然后对原始设备图像进行增强和融合处理，得到更加清晰的第一融合图像，基于各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，使得到电气设备的目标模型更加清晰，效果更好。
Description
技术领域
本申请涉及模型渲染技术领域，特别是涉及一种电气设备模型渲染方法、装置、计算机设备和存储介质。
背景技术
电气设备作为输变电工程的核心组成部分，担任电能变换、分配和传输的重要功能，因此，针对电气设备的全面监测具有重大意义。
随着建模技术的逐渐成熟，基于建模技术实现电气设备实时监测的主要方式之一，模型渲染是建模技术中的重要环节，特别是针对数字孪生模型的渲染。
目前对数字孪生模型渲染的主要方法为：通过实际光照条件下照相机或摄相机得到的简单物体的平面灰度图像，来恢复其成像物体的三维形状，这种渲染方法由于重构算法的不成熟、设备标定的复杂性及实验过程中不可避免的误差，效果不好。
发明内容
基于此，有必要针对上述技术问题，提供一种能够模型进行真实渲染，体现电气设备真实状态的电气设备模型渲染方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种电气设备模型渲染方法。方法包括：
获取电气设备在至少两个采集视角下的原始设备图像；
对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像；
将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在其中一个实施例中，对直方图均衡处理得到第二增强图像，包括：
根据原始设备图像，确定原始设备图像中各灰度级的分布频率；
根据各灰度级的分布频率，确定原始设备图像的灰度累计分布频率；
对原始设备图像的灰度累计分布频率进行转化处理，得到原始设备图像的第二增强图像。
在其中一个实施例中，根据第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
通过预先构建的图像神经网络模型，对第一融合图像进行优化处理，得到优化图像；优化处理包括对图像的高度、宽度和像素值中的至少一项进行优化；
根据优化图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在其中一个实施例中，根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
对各采集视角下的原始设备图像对应的第一融合图像，提取主成分数据；其中，主成分数据包括电气设备不同部位及倒影的图像数据；
依次对各第一融合图像的主成分数据进行加权融合，得到第二融合图像；
根据第二融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在其中一个实施例中，根据第一融合图像，对电气设备模型进行渲染，包括：
确定电气设备的原始模型的各点在第一融合图像中的映射点；
根据映射点在第一融合图像中的像素值，对电气设备的原始模型进行渲染。
在其中一个实施例中，根据映射点在第一融合图像中的像素值对电气设备模型进行渲染，包括：
通过光照模型，根据映射点在第一融合图像中的位置坐标和像素值，对电气设备的原始模型进行渲染。
第二方面，本申请还提供了一种电气设备模型渲染装置。装置包括：
获取模块，用于获取电气设备在至少两个采集视角下的原始设备图像；
增强模块，用于对各原始设备图像进行空域增强处理得到第一增强图像，以及对原始设备图像进行直方图均衡处理得到第二增强图像；
融合模块，用于将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
渲染模块，用于根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取电气设备在至少两个采集视角下的原始设备图像；
对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像；
将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取电气设备在至少两个采集视角下的原始设备图像；
对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像；
将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取电气设备在至少两个采集视角下的原始设备图像；
对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像；
将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
上述电气设备模型渲染方法、装置、计算机设备和存储介质，先获取电气设备在至少两个采集视角下的原始设备图像；对获取的各原始设备图像通过空域增强的处理方式得到第一增强图像，再利用直方图均衡处理的方法对各原始设备图像进行处理得到第二增强图像；将各原始设备图像的处理得到的第一增强图像、第二增强图像与原始设备图像进行融合处理，从而得到各原始设备图像的第一融合图像，最后基于各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。本申请通过获取的多个视角下的原始设备图像，然后对原始设备图像进行空域增强和直方图均衡处理，再将处理后得到的各原始设备图像进行融合处理，得到更加清晰的第一融合图像，基于各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，使得到电气设备的目标模型更加清晰，效果更好。
附图说明
图1为本实施例提供的电气设备模型渲染方法的应用环境图；
图2为本实施例提供的第一种电气设备模型渲染方法的流程示意图；
图3为本实施例提供的直方图均衡处理的流程示意图；
图4为本实施例提供的第一种优化渲染方法的流程示意图；
图5为本实施例提供的第二种优化渲染方法的流程示意图；
图6为本实施例提供的第三种哟花渲染方法的流程示意图；
图7为本实施例提供的第二种电气设备模型渲染方法的流程示意图；
图8为本实施例提供的第一种电气设备模型渲染装置的结构框图；
图9为本实施例提供的第二种电气设备模型渲染装置的结构框图；
图10为本实施例提供的第三种电气设备模型渲染装置的结构框图；
图11为本实施例提供的第四种电气设备模型渲染装置的结构框图；
图12为本实施例提供的第五种电气设备模型渲染装置的结构框图；
图13为本实施例提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的电气设备模型渲染方法，可以应用于如图1所示的应用环境中。其中，图像采集设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。具体的，图像采集设备102至少从两个视角采集电气设备的原始设备图像，并将采集的各原始设备图像发送至服务器104，服务器104获取电气设备在至少两个采集视角下的原始设备图像；并对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像，服务器104对处理得到的各原始设备图像的第一增强图像和第二增强图像与原始设备图像进行融合处理，得到各原始设备图像的第一融合图像，服务器104基于各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染处理，从而得到电气设备的目标模型。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，图像采集设备102采用但不限于摄像头、摄像机、相机、扫描仪或其他带有拍照功能的设备(例如手机、平板电脑等)。
在其中一个实施例中，如图2所示，提供了一种电气设备模型渲染方法，以该方法应用于图1中的服务器为例进行说明，如图2所示，包括以下步骤：
S201，获取电气设备在至少两个采集视角下的原始设备图像。
其中，电气设备是指电力系统中相关设备的统称，相关设备包括但不限于发电机、变压器、电力线路、断路器等设备。采集视角是指采集电气设备的原始设备图像时的角度。原始设备图像是指未经过处理的电气设备的原始图像。
可选的，本实施例中当具有渲染需求时，控制图像采集设备从至少两个采集视角采集电气设备的原始设备图像，或向图像采集设备发送调用指令，从存储器中调取电气设备至少两个视角的原始设备图像，从而获取电气设备在至少两个采集视角下的原始设备图像。
S202，对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像。
其中，空域增强处理是指直接作用于像素改变其特性的增强方法，用于改善图像的视觉效果，提高清晰度；第一增强图像是指对原始设备图像进行空域增强处理后得到的图像；直方图均衡处理是将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法；第二增强图像是指原始设备图像经过直方图均衡处理后得到的图像。
本实施例中一种可选的实施方式为：将各原始设备图像输入至训练好的第一神经网络模型中，由第一神经网络模型对各原始设备图像执行空域增强处理，得到第一增强图像。将各原始设备图像输入至训练好的第二神经网络模型中，由第二神经网络模型对各原始设备图像进行直方图均衡处理，得到第二增强图像。
本实施例中对各原始设备图像进行空域增强处理得到第一增强图像另一种可选的实施方式为：利用服务器获取各原始设备图像中的每个像素的位置，通过改变像素的灰度值，以改变原始设备图像的灰度的动态范围，增强原始设备图像的对比度，达到空域增强的目的，得到第一增强图像。
S203，将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像。
其中，第一融合图像是指对第一增强图像、第二增强图像和原始设备图像执行融合处理操作后得到的图像。
本实施例中一种可选的实施方式为：将各原始设备图像的第一增强图像、第二增强图像和原始设备图像输入至训练好的神经网络模型中，由神经网络模型对各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像。
本实施例中另一种可选的实施方式为：获取各原始设备图像的第一增强图像、第二增强图像和原始设备图像，利用图像融合算法，对上述图像执行融合操作，得到各原始设备图像的第一融合图像。其中，图像融合算法采用但不限于：基于多尺度分解的方法、基于稀疏表示的方法、直接对图像像素或在其他变换域中执行融合的方法(例如主成分空间、HSI色彩空间等)等。
S204，根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
其中，原始模型是指未经过渲染的电气设备的数字孪生模型。目标模型是指在原始模型的基础上，利用第一融合图像经过渲染后得到的数字孪生模型。
可选的，本实施例中获取第一融合图像中电气设备各部位的色彩信息，基于电气设备各部位的色彩信息对电气设备的原始模型进行渲染着色。
本实施例中先获取电气设备在至少两个采集视角下的原始设备图像；对获取的各原始设备图像通过空域增强的处理方式得到第一增强图像，再利用直方图均衡处理的方法对各原始设备图像进行处理得到第二增强图像；将各原始设备图像的处理得到的第一增强图像、第二增强图像与原始设备图像进行融合处理，从而得到各原始设备图像的第一融合图像，最后基于各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。本申请通过获取的多个视角下的原始设备图像，然后对原始设备图像进行空域增强和直方图均衡处理，再将处理后得到的各原始设备图像进行融合处理，得到更加清晰的第一融合图像，基于各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，使得到电气设备的目标模型更加清晰，效果更好。
在一个实施例中，为了得到更加清晰的第二增强图像，如图3所示，S302中对各原始设备图像进行直方图均衡处理得到第二增强图像一种可选的实施方式包括：
S301，根据原始设备图像，确定原始设备图像中各灰度级的分布频率。
其中，灰度级是指图像中的黑白层次，图像中的灰度等级。分布频率是各灰度级的像素数量与像素总数的比值。
可选的，本实施例中首先获取各灰度级的像素数量，以及像素总数，各灰度级的分布频率可通过以下公式计算得到：
其中，公式(1)中，Pr(rk)表示灰度级为k时的灰度概率，nk表示灰度级为k的像素数量，n为像素总数。
S302，根据各灰度级的分布频率，确定原始设备图像的灰度累计分布频率。
可选的，本实施例中原始设备图像的灰度累计分布频率可通过以下公式确定得到：
其中，公式(2)中，sk表示灰度级为k时的灰度值，k表示灰度级，nj为灰度级为j时的像素数量，k为取值区间在[0,L-1]的整数，L为灰度级的数量。
S303，对原始设备图像的灰度累计分布频率进行转化处理，得到原始设备图像的第二增强图像。
可选的，本实施例中根据原始设备图像的灰度累计分布频率，确定原始设备图像中各像素的新的像素值，得到原始设备图像的第二增强图像。
本实施例中可通过以下公式确定原始设备图像中各像素的新的像素值：
Sk＝sK*(L-1) (3)
其中，公式(3)Sk表示灰度级为k的像素的新的像素值，sk表示转换前的灰度级为k时的灰度值，L表示灰度级的数量。
本实施例中通过直方图均衡化处理，使得到的第二增强图像更加清晰。
在上述实施例的基础上，为了提升渲染效果，如图4所示，S204的第一种实施方式为：
S401，通过预先构建的图像神经网络模型，对第一融合图像进行优化处理，得到优化图像；优化处理包括对图像的高度、宽度和像素值中的至少一项进行优化。
其中，优化处理是指对第一融合图像执行的优化操作，主要用于优化第一融合图像的高度、宽度和像素值等。
可选的，响应于第一融合图像的优化指令，将第一融合图像输入至预先构建的图像神经挽留过模型，由图像神经网络模型对第一融合图像的高度、宽度和像素值等数据进行优化，得到优化图像。
S402，根据优化图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
可选的，根据图像神经网络模型输出得到的优化图像，基于优化图像中电气设备的色彩信息，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
本实施例中可通过图像神经网络模型对第一融合图像进行优化处理，基于优化后得到的优化图像对电气设备的原始模型进行渲染，使得到的电气设备的目标模型的色彩更加清晰，效果更好。
在上述实施例的基础上，为了提升渲染效果，如图5所示，S204的第二种实施方式为：
S501，对各采集视角下的原始设备图像对应的第一融合图像，提取主成分数据；其中，主成分数据包括电气设备不同部位及倒影的图像数据。
其中，主成分数据是指第一融合图像中的电气设备不同部位及倒影的图像数据。
本实施例中一种可选的实施方式为：将各采集视角下的原始设备图像对应的第一融合图像，输入至训练好的神经网络模型中，由神经网络模型对各第一融合图像进行主成分数据的提取。
本实施例中另一种可选的实施方式为：采用图像识别算法，对各采集视角下的原始设备图像对应的第一融合图像，提取主成分数据。
S502，依次对各第一融合图像的主成分数据进行加权融合，得到第二融合图像。
其中，第二融合图像是指对各第一融合图像的主成分数据依次加权融合后得到的融合图像。
可选的，将获取的各第一融合图像的主成分数据进行排序，从第一组主成分数据开始，依次对各第一融合图像的主成分数据进行加权融合，直至所有的第一融合图像的主成分数据均完成加权融合，从而得到第二融合图像。
S503，根据第二融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
可选的，根据图像神经网络模型输出得到的优化图像，基于优化图像中电气设备的色彩信息，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在其中一个实施例中，为了利用第一融合图像对电气设备的原始模型进行渲染，如图6所示，S204的第三种实施方式为：
S601，确定电气设备的原始模型的各点在第一融合图像中的映射点。
其中，映射点是指电气设备的原始模型上的各点在第一融合图像中对应的点。
本实施例中一种可选的实施方式为：确定电气设备的原始模型上的第一参考点和第二参考点，再确定第一参考点和第二参考点在第一融合图像上对应的第一映射点和第二映射点，确定电气设备的原始模型上其他点与第一参考点和第二参考点的相对位置，根据相对位置和第一融合图像上的第一映射点和第二映射点，确定电气设备原始模型上的其他点在第一融合图像中的映射点。
本实施例中另一种可选的实施方式为：以投影的方式确定电气设备的原始模型的各点在第一融合图像中的映射点。具体的，获取第一融合图像上的映射点P的平面坐标、映射点P到投影点的距离、第一融合图像所在平面到电气设备的原始模型所在平面的垂直距离，以及第一融合图像所在平面的原点坐标投影到电气设备的原始模型上的原点投影坐标，根据物体模型的表面方程以及以下公式(4)和公式(5)确定电气设备的原始模型上的与映射点P对应的点Pm的坐标。
x＝(1+rz)(x*-xcenter) (4)
y＝(1+rz)(y*-ycenter) (5)
其中，公式(4)、(5)中，x和y为映射点P的平面坐标，r为映射点P到投影点的距离，z为第一融合图像所在平面到电气设备的原始模型所在平面的垂直距离，xcenter、ycenter为第一融合图像所在平面的原点坐标投影到电气设备的原始模型上的原点投影坐标，x*、y*为点Pm的X、Y轴坐标。
再根据物体模型表面方程(f(x,y,z)＝0)，确定点Pm的Z轴坐标，从而确定电气设备的原始模型的各点在第一融合图像中的映射点。
S602，根据映射点在第一融合图像中的像素值，对电气设备的原始模型进行渲染。
其中，像素值是指第一融合图像中各像素的值。
可选的，本实施例中通过光照模型，根据映射点在第一融合图像中的位置坐标和像素值，对电气设备的原始模型进行渲染。具体的，根据电气设备的原始模型上的各点坐标，确定各点的单位法失，将单位法失带入到光照模型中，计算出电气设备的原始模型上各点的明暗度权值，根据电气设备的原始模型各点明暗度权值以及映射点在第一融合图像中的像素值，确定电气设备的原始模型上各点的像素值，实现对电气设备的原始模型进行渲染，其中，确定电气设备的原始模型上各点的像素值可以通过计算电气设备的原始模型各点明暗度权值与映射点在第一融合图像中的像素值的乘积得到。
可选的，本实施例中光照模型可以通过以下公式构建得到：
I＝KaIa+KdIlcosθ+KsIlcosnα (6)
其中，公式(6)中I为明暗度权值，Ka是漫反射常数，kd与物体表面性质有关，Ia是入射的泛光光强，与环境的明暗度有关，Il是光源的光强，θ是入射角，Ks是物体表面镜面反射系数，α是视线与反射方向的夹角，n是镜面高光指数。
本实施例中通过第一融合图像上各映射点的像素值，结合基于光照模型计算的电气设备的原始模型上各点的明暗度权值，得到电气设备的原始模型上各点的像素值，实现对电气设备的原始模型的渲染，不仅清晰度更高，而且更加接近实际场景。
在其中一个实施例中，为了获得渲染效果更好，更加接近实际场景的目标模型，如图7所示，电气设备模型渲染方法的一种可选的实施方式为：
S701，获取电气设备在至少两个采集视角下的原始设备图像。
S702，对各原始设备图像进行空域增强处理得到第一增强图像。
S703，根据原始设备图像，确定原始设备图像中各灰度级的分布频率。
S704，根据各灰度级的分布频率，确定原始设备图像的灰度累计分布频率。
S705，对原始设备图像的灰度累计分布频率进行转化处理，得到原始设备图像的第二增强图像。
S706，将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像。
S707，通过预先构建的图像神经网络模型，对第一融合图像进行优化处理，得到优化图像；其中，优化处理包括对图像的高度、宽度和像素值中的至少一项进行优化。
S708，对各采集视角下的原始设备图像对应的优化图像，提取主成分数据；其中，主成分数据包括电气设备不同部位及倒影的图像数据。
S709，依次对各优化图像的主成分数据进行加权融合，得到第二融合图像。
S7010，确定电气设备的原始模型的各点在第二融合图像中的映射点。
S7011，通过光照模型，根据映射点在第二融合图像中的位置坐标和像素值，对电气设备的原始模型进行渲染。
本申请通过获取的多个视角下的原始设备图像，然后对原始设备图像进行空域增强和直方图均衡处理，再将处理后得到的各原始设备图像进行融合处理，得到更加清晰的第一融合图像，基于各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，使得到电气设备的目标模型更加清晰，效果更好。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电气设备模型渲染方法的电气设备模型渲染装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电气设备模型渲染装置实施例中的具体限定可以参见上文中对于电气设备模型渲染方法的限定，在此不再赘述。
在其中一个实施例中，如图8所示，提供了一种电气设备模型渲染装置1，包括：获取模块10、增强模块20、融合模块30和渲染模块40，其中：
获取模块10，用于获取电气设备在至少两个采集视角下的原始设备图像。
增强模块20，用于对各原始设备图像进行空域增强处理得到第一增强图像，以及对原始设备图像进行直方图均衡处理得到第二增强图像。
融合模块30，用于将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像。
渲染模块40，用于根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在其中一个实施例中，为了获取更加清晰的图像，在上图8的基础上，如图9所示，上图8中的增强模块20，进一步包括：
分布频率确定单元201，用于根据原始设备图像，确定原始设备图像中各灰度级的分布频率。
累计频率确定单元202，用于根据各灰度级的分布频率，确定原始设备图像的灰度累计分布频率。
转化单元203，用于对原始设备图像的灰度累计分布频率进行转化处理，得到原始设备图像的第二增强图像。
在其中一个实施例中，为了对电气设备的原始模型进行渲染，在上述图8的基础上，如图10所示，渲染模块40进一步包括：
优化单元401，用于通过预先构建的图像神经网络模型，对第一融合图像进行优化处理，得到优化图像；优化处理包括对图像的高度、宽度和像素值中的至少一项进行优化。
第一渲染单元402，用于根据优化图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在其中一个实施例中，为了对电气设备的原始模型进行渲染，在上述图8的基础上，如图11所示，渲染模块40进一步包括：
提取单元403，用于对各采集视角下的原始设备图像对应的第一融合图像，提取主成分数据；其中，主成分数据包括电气设备不同部位及倒影的图像数据。
融合单元404，用于依次对各第一融合图像的主成分数据进行加权融合，得到第二融合图像。
第二渲染单元405，用于根据第二融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在其中一个实施例中，为了对电气设备的原始模型进行渲染，在上述图8的基础上，如图12所示，渲染模块40进一步包括：
确定单元406，用于确定电气设备的原始模型的各点在第一融合图像中的映射点。
第三渲染单元407，用于根据映射点在第一融合图像中的像素值，对电气设备的原始模型进行渲染。
在其中一个实施例中，上图12中的第三渲染单元407具体用于通过光照模型，根据映射点在第一融合图像中的位置坐标和像素值，对电气设备的原始模型进行渲染。
上述电气设备模型渲染装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储相关图像数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电气设备模型渲染方法。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取电气设备在至少两个采集视角下的原始设备图像；
对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像；
将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对直方图均衡处理得到第二增强图像，包括：
根据原始设备图像，确定原始设备图像中各灰度级的分布频率；
根据各灰度级的分布频率，确定原始设备图像的灰度累计分布频率；
对原始设备图像的灰度累计分布频率进行转化处理，得到原始设备图像的第二增强图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
通过预先构建的图像神经网络模型，对第一融合图像进行优化处理，得到优化图像；优化处理包括对图像的高度、宽度和像素值中的至少一项进行优化；
根据优化图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
对各采集视角下的原始设备图像对应的第一融合图像，提取主成分数据；其中，主成分数据包括电气设备不同部位及倒影的图像数据；
依次对各第一融合图像的主成分数据进行加权融合，得到第二融合图像；
根据第二融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第一融合图像，对电气设备模型进行渲染，包括：
确定电气设备的原始模型的各点在第一融合图像中的映射点；
根据映射点在第一融合图像中的像素值，对电气设备的原始模型进行渲染。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：映射点在第一融合图像中的像素值对电气设备模型进行渲染，包括：
通过光照模型，根据映射点在第一融合图像中的位置坐标和像素值，对电气设备的原始模型进行渲染。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取电气设备在至少两个采集视角下的原始设备图像；
对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像；
将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对直方图均衡处理得到第二增强图像，包括：
根据原始设备图像，确定原始设备图像中各灰度级的分布频率；
根据各灰度级的分布频率，确定原始设备图像的灰度累计分布频率；
对原始设备图像的灰度累计分布频率进行转化处理，得到原始设备图像的第二增强图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
通过预先构建的图像神经网络模型，对第一融合图像进行优化处理，得到优化图像；优化处理包括对图像的高度、宽度和像素值中的至少一项进行优化；
根据优化图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在其中一个实施例中，根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
对各采集视角下的原始设备图像对应的第一融合图像，提取主成分数据；其中，主成分数据包括电气设备不同部位及倒影的图像数据；
依次对各第一融合图像的主成分数据进行加权融合，得到第二融合图像；
根据第二融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据第一融合图像，对电气设备模型进行渲染，包括：
确定电气设备的原始模型的各点在第一融合图像中的映射点；
根据映射点在第一融合图像中的像素值，对电气设备的原始模型进行渲染。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：映射点在第一融合图像中的像素值对电气设备模型进行渲染，包括：
通过光照模型，根据映射点在第一融合图像中的位置坐标和像素值，对电气设备的原始模型进行渲染。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取电气设备在至少两个采集视角下的原始设备图像；
对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像；
将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对直方图均衡处理得到第二增强图像，包括：
根据原始设备图像，确定原始设备图像中各灰度级的分布频率；
根据各灰度级的分布频率，确定原始设备图像的灰度累计分布频率；
对原始设备图像的灰度累计分布频率进行转化处理，得到原始设备图像的第二增强图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
通过预先构建的图像神经网络模型，对第一融合图像进行优化处理，得到优化图像；优化处理包括对图像的高度、宽度和像素值中的至少一项进行优化；
根据优化图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
对各采集视角下的原始设备图像对应的第一融合图像，提取主成分数据；其中，主成分数据包括电气设备不同部位及倒影的图像数据；
依次对各第一融合图像的主成分数据进行加权融合，得到第二融合图像；
根据第二融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据第一融合图像，对电气设备模型进行渲染，包括：
确定电气设备的原始模型的各点在第一融合图像中的映射点；
根据映射点在第一融合图像中的像素值，对电气设备的原始模型进行渲染。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：映射点在第一融合图像中的像素值对电气设备模型进行渲染，包括：
通过光照模型，根据映射点在第一融合图像中的位置坐标和像素值，对电气设备的原始模型进行渲染。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电气设备模型渲染方法，其特征在于，所述方法包括：
获取电气设备在至少两个采集视角下的原始设备图像；
对各原始设备图像进行空域增强处理得到第一增强图像，以及对各原始设备图像进行直方图均衡处理得到第二增强图像；
将各所述原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
根据所述各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述直方图均衡处理得到第二增强图像，包括：
根据所述原始设备图像，确定所述原始设备图像中各灰度级的分布频率；
根据所述各灰度级的分布频率，确定原始设备图像的灰度累计分布频率；
对所述原始设备图像的灰度累计分布频率进行转化处理，得到所述原始设备图像的第二增强图像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
通过预先构建的图像神经网络模型，对所述第一融合图像进行优化处理，得到优化图像；所述优化处理包括对图像的高度、宽度和像素值中的至少一项进行优化；
根据所述优化图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
4.根据权利要求1或3所述的方法，其特征在于，所述根据所述各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型，包括：
对各采集视角下的原始设备图像对应的所述第一融合图像，提取主成分数据；其中，所述主成分数据包括电气设备不同部位及倒影的图像数据；
依次对各第一融合图像的主成分数据进行加权融合，得到第二融合图像；
根据所述第二融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
5.根据权利要求1所述的方法，其特征在于，根据所述第一融合图像，对电气设备模型进行渲染，包括：
确定电气设备的原始模型的各点在所述第一融合图像中的映射点；
根据所述映射点在所述第一融合图像中的像素值，对所述电气设备的原始模型进行渲染。
6.根据权利要求5所述的方法，其特征在于，所述根据所述映射点在所述第一融合图像中的像素值对所述电气设备模型进行渲染，包括：
通过光照模型，根据所述映射点在所述第一融合图像中的位置坐标和像素值，对电气设备的原始模型进行渲染。
7.一种电气设备模型渲染装置，其特征在于，包括：
获取模块，用于获取电气设备在至少两个采集视角下的原始设备图像；
增强模块，用于对各原始设备图像进行空域增强处理得到第一增强图像，以及对所述原始设备图像进行直方图均衡处理得到第二增强图像；
融合模块，用于将各原始设备图像的第一增强图像、第二增强图像和原始设备图像进行融合处理，得到各原始设备图像的第一融合图像；
渲染模块，用于根据所述各原始设备图像的第一融合图像，对电气设备的原始模型进行渲染，得到电气设备的目标模型。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的电气设备模型渲染方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的电气设备模型渲染方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的电气设备模型渲染方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211481036.7A CN115937395A (zh) | 2022-11-24 | 2022-11-24 | 电气设备模型渲染方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211481036.7A CN115937395A (zh) | 2022-11-24 | 2022-11-24 | 电气设备模型渲染方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115937395A true CN115937395A (zh) | 2023-04-07 |
Family
ID=86649835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211481036.7A Pending CN115937395A (zh) | 2022-11-24 | 2022-11-24 | 电气设备模型渲染方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115937395A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681619A (zh) * | 2023-06-14 | 2023-09-01 | 常州市宏发纵横新材料科技股份有限公司 | 一种图像增强方法、装置、计算机设备及存储介质 |
-
2022
- 2022-11-24 CN CN202211481036.7A patent/CN115937395A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681619A (zh) * | 2023-06-14 | 2023-09-01 | 常州市宏发纵横新材料科技股份有限公司 | 一种图像增强方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020108358A1 (zh) | 图像修复方法、装置、计算机设备和存储介质 | |
| CN110910486B (zh) | 室内场景光照估计模型、方法、装置、存储介质以及渲染方法 | |
| CN115082639B (zh) | 图像生成方法、装置、电子设备和存储介质 | |
| CN111292264B (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
| CN111833430B (zh) | 基于神经网络的光照数据预测方法、系统、终端及介质 | |
| CN110675336A (zh) | 一种低照度图像增强方法及装置 | |
| CN115690324A (zh) | 一种基于点云的神经辐射场重建优化方法及装置 | |
| CN111753698B (zh) | 一种多模态三维点云分割系统和方法 | |
| CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| CN116051740A (zh) | 一种基于神经辐射场的室外无界场景三维重建方法及系统 | |
| CN116310076A (zh) | 基于神经辐射场的三维重建方法、装置、设备及存储介质 | |
| CN113643414B (zh) | 一种三维图像生成方法、装置、电子设备及存储介质 | |
| CN114255313B (zh) | 镜面物体三维重建方法、装置、计算机设备和存储介质 | |
| US20220358675A1 (en) | Method for training model, method for processing video, device and storage medium | |
| CN115239861A (zh) | 人脸数据增强方法、装置、计算机设备和存储介质 | |
| CN118302788A (zh) | 从有噪原始图像进行高动态范围视图合成 | |
| CN115100337A (zh) | 一种基于卷积神经网络的全身人像视频重照明方法和装置 | |
| Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
| WO2022153305A1 (en) | Systems and methods for hue based encoding of a digital image | |
| CN115937395A (zh) | 电气设备模型渲染方法、装置、计算机设备和存储介质 | |
| CN116402943A (zh) | 基于符号距离场的室内三维重建方法和装置 | |
| Liu et al. | WSDS-GAN: A weak-strong dual supervised learning method for underwater image enhancement | |
| CN117876530A (zh) | 一种基于参考图像的红外图像彩色化方法及系统 | |
| CN117893701A (zh) | 水下环境三维重建方法、装置及系统和存储介质 | |
| Han | Texture Image Compression Algorithm Based on Self‐Organizing Neural Network |
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 |