CN116958092A - 一种基于改进立体匹配算法的输电线路弧垂快速测量方法 - Google Patents
一种基于改进立体匹配算法的输电线路弧垂快速测量方法 Download PDFInfo
- Publication number
- CN116958092A CN116958092A CN202310918705.0A CN202310918705A CN116958092A CN 116958092 A CN116958092 A CN 116958092A CN 202310918705 A CN202310918705 A CN 202310918705A CN 116958092 A CN116958092 A CN 116958092A
- Authority
- CN
- China
- Prior art keywords
- image
- sag
- value
- gradient
- parallax
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 57
- 238000000691 measurement method Methods 0.000 title claims description 6
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 239000004020 conductor Substances 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000007639 printing Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
一种基于改进立体匹配算法的输电线路弧垂快速测量方法,包括如下步骤:对采集到的架空输电导线图像预处理,准确提取输电导线区域;构建基于梯度和Census变换匹配算法融合的立体匹配算法;利用构建好的立体匹配算法对待测量导线图片处理计算视差,通过视差图得到空间点的三维坐标,计算待测导线的弧垂;重复测量,获得N组测量误差取平均得到误差调整系数,计算最终弧垂。本发明减少了双目匹配搜索区域以及误匹配的概率;提升了立体匹配的速度和准确性;减小了测量误差;能够更加快速准确的测量出目标导线的弧垂,可为输电线路弧垂电力巡检提供技术参考。
Description
技术领域
本发明属于输电线路技术领域,具体涉及一种基于梯度和Census变换匹配算法融合的输电线路弧垂快速测量方法。
背景技术
随着我国经济实力不断提升,电力基础设施建设不断完善,高压输电线路是电力传输系统的重要组成部分,输电线路弧垂是否越限关乎输电通道的供电安全,因此急需一种有效、便捷的方法去测量导线的弧垂。传统输电线路检修使用最多的检修模式仍然为人工测量,然而人工测量具有许多明显弊端,如效率低、成本高,测量效果受人为因素影响等。
得益于计算机视觉技术的快速发展,将计算机视觉技术应用于输电线路巡检领域中的图像目标检测、图像测距,从而代替人工巡检,实现对输电线路、杆塔的非接触测量,有效提高了巡检过程中图像、视频信息的利用率、检测效率以及检测安全性,已经成为电力线路巡检的一个热门研究方向。
发明内容
针对现有测量输电线路覆弧垂方法的不足,本发明旨在提供一种基于梯度和Census变换匹配算法融合的输电线路弧垂快速测量方法,用于准确、快速测量输电线路的弧垂,为巡检人员测量输电线路弧垂提供技术参考。
为达到此发明目的,本发明通过以下技术方案予以实现。
本发明所述的一种基于改进立体匹配算法的输电线路弧垂快速测量方法,包括如下步骤:
S1、对采集到的架空输电导线图像预处理,准确提取输电导线区域:将获取的架空输电导线图像依次进行灰度化、图像去噪进行图像预处理,初步定位图像中输电导线区域,将非输电导线区域像素值置为0,裁剪出输电导线区域;
S2、构建基于梯度和Census变换匹配算法融合的立体匹配算法:
S2.1、打印9×6的张正友标定板,改变标定板的位置从不同角度拍摄20幅图片构建标定数据集,标定板移动的方式遵循从上往下、从左往右、图像均匀分布整个镜头画面的原则,根据张正友标定法计算左右相机的参数,当标定重投影误差小于0.1时获得相机内参ML、MR,相机外参数旋转矩阵R、平移量t,利用标定参数对预处理后的输电线路导线双目图像进行畸变校正和极线校正;
S2.2、构建基于梯度和Census变换匹配算法融合的立体匹配算法,将畸变校正和极线校正后的图像输入基于梯度和Census变换匹配融合算法进行双目匹配。
1)采用差分纹理区检测,对于每个像素,应用Sobel算子核进行卷积运算,得到水平梯度图和垂直梯度图像,针对不同的图像采用试错的方式确定阈值,幅值大于阈值的区域定义为纹理区,阈值低于阈值的区域定义为非纹理区,将图像区域分为纹理区域和非纹理区域;
2)针对视差变化明显的纹理区,利用基于梯度的测度函数反应相邻像素间的灰度变化,分别计算校正后的左右图像的梯度代价作为左右两图像特征点的匹配代价,针对视差变化不明显的非纹理区,将校正后的图像利用Census变换将左右图像像素领域内的局部灰度差异转换为比特串,用该比特串的值作为中心像素的Census变换值Cs,计算两图像对应的两个像素的Cs的汉明(Hamming)距离作为两图像特征点的匹配代价,将计算的匹配代价归一化后相加得到融合匹配代价;
3)构建十字交叉域进行代价聚合计算视差;
4)设置最大视差dMax,以最小代价值dMin计算该像素点视差值,遍历所有像素获得初始视差;
5)构建全局能量函数E(D),通过4路径代价聚合获得特征点能量最小化对应视差;
6)最后利用离群点检测、视差填充和迭代局部投票多步视差优化算法对视差进行优化得到最终视差图。
S2.3、利用Census变换算法将中心像素灰度值与其邻域像素灰度值进行逐个比较,比较结果通过0和1的形式表现出来,从而降低对具体灰度信息值的依赖,使用Census变换公式计算:
式中,I(x',y')为中心像素灰度值,I(x,y)为中心像素点的邻域像素灰度值。
将中心像素的灰度值按照从左往右、从上往下的顺序分别与其邻域像素进行比较,可以得到一个包含0和1的比特串:
式中,表示按位异或连接,str(x,y)为经过Census变换后的比特串,m为匹配窗口大小。
两个比特串分别为参考像素点和待匹配点经过Census变换后形成的,经过按位异或运算得到了一个8位的比特串,1的个数即为Hamming距离,作为Census匹配代价值:
Ccen(x,y,d)=Hamming(str(x,y),str(x+d,y)) (3)
式中,str(x,y)为左视图上参考点对应的比特串,str(x+d,y)为右视图中待匹配点视差为d时的比特串。Ccen(x,y,d)为两个比特串进行异或运算得到视差值为d时的匹配代价,即Hamming距离,该值表示各自邻域中在相同位置上存在差异的个数,其值越小则表明相似度越高。
S2.4、对待匹配像素计算梯度:
式中,G为图像灰度,gradx为图像在X方向上的梯度,grady为Y方向上的梯度,grad为图像梯度,则梯度代价为:
Cg(x,y,d)=|gradL(x,y)-gradR(x+d,y)| (6)
式中,Cg(x,y,d)为视差值为d时的参考像素点的梯度代价;gradL(x,y)为左图像中参考点的梯度值;gradR(x,y)为右图像待匹配点的梯度值。
S3、利用构建好的立体匹配算法对待测量导线图片处理计算视差,通过视差图得到空间点的三维坐标,计算待测导线的弧垂:通过视差图可以转换为深度图,深度图中储存着各像素点的深度信息,结合输电导线区域像素坐标,计算第i组待测导线空间点的三维坐标,通过弧垂计算公式计算第i组待测导线的弧垂f。
S4、获得N组测量误差取平均得到误差调整系数,计算最终弧垂:统计N组图像中的计算弧垂与实际弧垂之间的误差,并取平均值得到弧垂的调整系数α,则f+α为最终计算的弧垂。
本发明步骤S1中提出输电线路弧垂图像采集与图像预处理方法,采用加权平均值法进行图像灰度化,计算公式为:
F(i,j)=αR(i,j)+βG(i,j)+γB(i,j) (7)
式中,F(i,j)为变换后的图像灰度值,R(i,j)、G(i,j)、B(i,j)分别表示彩色分量,α、β、λ为各颜色权重,采用均值滤波对图像进行平滑处理,去除图像噪声,定位图像中输电导线区域,将左相机图像中输电导线区域裁剪出,将非导线区域像素值置为0,其余区域不做处理,可以减少双目匹配搜索区域以及误匹配的概率。
本发明步骤S2中针对图像分布特点分为纹理区域和非纹理区域,这是因为纹理区视差值变化较大、非纹理区视差值变化较不明显的特点,针对此特点可设计不同的立体匹配算法对其进行处理,在纹理区使用基于梯度代价的立体匹配算法,在非纹理区使用基于Census变化值为代价的立体匹配算法,同时设置不同的参数进行立体匹配,该处理可以提升立体匹配的速度和准确性。
本发明步骤S3中弧垂计算公式需要两个导线悬挂点A和B与一个弧垂最低点O的三维坐标,弧垂计算公式为:
式中,|OA|、|AB|为两点间空间直线距离,通过空间直线距离公式计算,为空间向量。
本发明步骤S4中弧垂的测量组数N越大,则计算出该弧垂的调整系数α越准确,计算的最终弧垂误差越小。
本发明先从图片中导线区域进行分割,可以有效减少图片背景的影响,基于梯度和Census变换匹配算法融合的立体匹配算法,有利于提高匹配的鲁棒性和准确性,引入调整系数α用于修正测量结果,可使得预测误差大大减小,为测量输电线路的弧垂提供一种高效的方法。
与现有技术相比,本发明有益效果包括:
本发明提供的一种基于梯度和Census变换匹配算法融合的输电线路弧垂快速测量方法,本发明对架空输电导线图像选择性分割,可以减少双目匹配搜索区域以及误匹配的概率;针对图像分布特点分为纹理区域和非纹理区域,设计不同的立体匹配算法对其进行处理,同时设置不同的参数进行立体匹配,该处理可以提升立体匹配的速度和准确性;此外,提出了使用调整系数去减小测量误差;本发明能够更加快速准确的测量出目标导线的弧垂,可为输电线路弧垂电力巡检提供技术参考。
附图说明
图1为本发明方法的流程图。
图2为本发明步骤S2所述的融合算法框图。
图3为立体匹配的效果图。
具体实施方式
本发明将结合附图,通过以下实施例作进一步说明。
实施例。
本发明实施流程图如图1所示,本实施例所述的一种基于改进立体匹配算法的输电线路弧垂快速测量方法,包括以下步骤:
S1、搭建输电线路弧垂模型进行缩比实验,搭建呼高h=142cm,档距l=150cm,导线直径d=15cm的输电线路模型,采集架空输电导线模型双目图像,对采集到的架空输电导线图像预处理,将获取的架空输电导线图像依次进行灰度化,公式(7)中的灰度化权重取α=0.299,β=0.578,λ=0.114,图像去噪进行图像预处理,初步定位图像中输电导线区域,将非输电导线区域像素值置为0,裁剪出输电导线区域;
S2、构建基于梯度和Census变换匹配算法融合的立体匹配算法,利用张正友标定法对双目相机进行标定,获得双目相机内外参数:
distL=[-0.0655 0.2260 -0.0002 0.0047 -0.2484] (11)
distR=[-0.0669 0.2144 -0.0006 0.0050 -0.2134] (12)
T=[-120.5952 0.0116 -0.4502] (14)
式中,ML、MR分别表示左右相机内部参数及图像畸变参数distL、distR,R和T为旋转矩阵和平移矩阵,利用标定参数对双目图像进行畸变校正和极线校正;如图2采用差分纹理区检测,对于每个像素,应用Sobel算子核进行卷积运算,得到水平梯度图和垂直梯度图像,针对不同的图像采用试错的方式确定阈值,幅值大于阈值的区域定义为纹理区,阈值低于阈值的区域定义为非纹理区,将图像区域分为纹理区域和非纹理区域;针对视差变化明显的纹理区,利用基于梯度的测度函数反应相邻像素间的灰度变化,分别计算校正后的左右图像的梯度代价作为左右两图像特征点的匹配代价,针对视差变化不明显的非纹理区,将校正后的图像利用Census变换将左右图像像素领域内的局部灰度差异转换为比特串,用该比特串的值作为中心像素的Census变换值Cs,计算左右两图像对应的两个像素的Census变换值Cs的汉明(Hamming)距离作为左右两图像特征点的匹配代价,将计算的匹配代价归一化后相加得到融合匹配代价;构建十字交叉域进行代价聚合计算视差;最后利用离群点检测、视差填充和迭代局部投票多步视差优化算法对视差进行优化得到最终视差图,视差图如图3。
S3、利用构建好的立体匹配算法对待测量导线处理,得到空间点的三维坐标,计算待测导线的弧垂:通过视差图可以转换为深度图,深度图中储存着各像素点的深度信息,结合输电导线空间点像素坐标,计算第i组待测导线空间点的三维坐标,通过弧垂计算公式计算第i组待测导线的弧垂f。
S4、获得N组测量误差取平均得到误差调整系数,计算最终弧垂:统计N组图像中的计算弧垂与实际弧垂之间的误差,并取平均值得到弧垂的调整系数α,则f+α为最终计算的最终弧垂,由实验数据测量最低点弧垂的平均误差率为8.6%,能够符合系统的应用需要,测量结果如下表:
以上所述仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于改进立体匹配算法的输电线路弧垂快速测量方法,其特征是包括如下步骤:
S1、对采集到的架空输电导线图像预处理,准确提取输电导线区域:将获取的架空输电导线图像依次进行灰度化、图像去噪进行图像预处理,初步定位图像中输电导线区域,将非输电导线区域像素值置为0,裁剪出输电导线区域;
S2、构建基于梯度和Census变换匹配算法融合的立体匹配算法:
S2.1、打印9×6的张正友标定板,改变标定板的位置从不同角度拍摄20幅图片构建标定数据集,标定板移动的方式遵循从上往下、从左往右、图像均匀分布整个镜头画面的原则,根据张正友标定法计算左右相机的参数,当标定重投影误差小于0.1时获得相机内参ML、MR,相机外参数旋转矩阵R、平移量t,利用标定参数对预处理后的输电线路导线双目图像进行畸变校正和极线校正;
S2.2、构建基于梯度和Census变换匹配算法融合的立体匹配算法,将畸变校正和极线校正后的图像输入基于梯度和Census变换匹配融合算法进行双目匹配;
1)采用差分纹理区检测,对于每个像素,应用Sobel算子核进行卷积运算,得到水平梯度图和垂直梯度图像,针对不同的图像采用试错的方式确定阈值,幅值大于阈值的区域定义为纹理区,阈值低于阈值的区域定义为非纹理区,将图像区域分为纹理区域和非纹理区域;
2)针对视差变化明显的纹理区,利用基于梯度的测度函数反应相邻像素间的灰度变化,分别计算校正后的左右图像的梯度代价作为左右两图像特征点的匹配代价,针对视差变化不明显的非纹理区,将校正后的图像利用Census变换将左右图像像素领域内的局部灰度差异转换为比特串,用该比特串的值作为中心像素的Census变换值Cs,计算两图像对应的两个像素的Cs的汉明Hamming距离作为两图像特征点的匹配代价,将计算的匹配代价归一化后相加得到融合匹配代价;
3)构建十字交叉域进行代价聚合计算视差;
4)设置最大视差dMax,以最小代价值dMin计算该像素点视差值,遍历所有像素获得初始视差;
5)构建全局能量函数E(D),通过4路径代价聚合获得特征点能量最小化对应视差;
6)最后利用离群点检测、视差填充和迭代局部投票多步视差优化算法对视差进行优化得到最终视差图;
S2.3、利用Census变换算法将中心像素灰度值与其邻域像素灰度值进行逐个比较,比较结果通过0和1的形式表现出来,从而降低对具体灰度信息值的依赖,使用Census变换公式计算:
式中,I(x',y')为中心像素灰度值,I(x,y)为中心像素点的邻域像素灰度值;
将中心像素的灰度值按照从左往右、从上往下的顺序分别与其邻域像素进行比较,可以得到一个包含0和1的比特串:
式中,表示按位异或连接,str(x,y)为经过Census变换后的比特串,m为匹配窗口大小;
两个比特串分别为参考像素点和待匹配点经过Census变换后形成的,经过按位异或运算得到了一个8位的比特串,1的个数即为Hamming距离,作为Census匹配代价值:
Ccen(x,y,d)=Hamming(str(x,y),str(x+d,y)) (3)
式中,str(x,y)为左视图上参考点对应的比特串,str(x+d,y)为右视图中待匹配点视差为d时的比特串;Ccen(x,y,d)为两个比特串进行异或运算得到视差值为d时的匹配代价,即Hamming距离,该值表示各自邻域中在相同位置上存在差异的个数,其值越小则表明相似度越高;
S2.4、对待匹配像素计算梯度:
式中,G为图像灰度,gradx为图像在X方向上的梯度,grady为Y方向上的梯度,grad为图像梯度,则梯度代价为:
Cg(x,y,d)=|gradL(x,y)-gradR(x+d,y)| (6)
式中,Cg(x,y,d)为视差值为d时的参考像素点的梯度代价;gradL(x,y)为左图像中参考点的梯度值;gradR(x,y)为右图像待匹配点的梯度值;
S3、利用构建好的立体匹配算法对待测量导线图片处理计算视差,通过视差图得到空间点的三维坐标,计算待测导线的弧垂:通过视差图可以转换为深度图,深度图中储存着各像素点的深度信息,结合输电导线区域像素坐标,计算第i组待测导线空间点的三维坐标,通过弧垂计算公式计算第i组待测导线的弧垂f;
S4、获得N组测量误差取平均得到误差调整系数,计算最终弧垂:统计N组图像中的计算弧垂与实际弧垂之间的误差,并取平均值得到弧垂的调整系数α,则f+α为最终计算的弧垂。
2.根据权利要求1所述的一种基于改进立体匹配算法的输电线路弧垂快速测量方法,其特征是步骤S1中提出输电线路弧垂图像采集与图像预处理方法,采用加权平均值法进行图像灰度化,计算公式为:
F(i,j)=αR(i,j)+βG(i,j)+γB(i,j) (7)
式中,F(i,j)为变换后的图像灰度值,R(i,j)、G(i,j)、B(i,j)分别表示彩色分量,α、β、λ为各颜色权重,采用均值滤波对图像进行平滑处理,去除图像噪声,定位图像中输电导线区域,将左相机图像中输电导线区域裁剪出,将非导线区域像素值置为0,其余区域不做处理,可以减少双目匹配搜索区域以及误匹配的概率。
3.根据权利要求1所述的一种基于改进立体匹配算法的输电线路弧垂快速测量方法,其特征是步骤S3中弧垂计算公式需要两个导线悬挂点A和B与一个弧垂最低点O的三维坐标,弧垂计算公式为:
式中,|OA|、|AB|为两点间空间直线距离,通过空间直线距离公式计算,为空间向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310918705.0A CN116958092A (zh) | 2023-07-25 | 2023-07-25 | 一种基于改进立体匹配算法的输电线路弧垂快速测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310918705.0A CN116958092A (zh) | 2023-07-25 | 2023-07-25 | 一种基于改进立体匹配算法的输电线路弧垂快速测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958092A true CN116958092A (zh) | 2023-10-27 |
Family
ID=88450795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310918705.0A Pending CN116958092A (zh) | 2023-07-25 | 2023-07-25 | 一种基于改进立体匹配算法的输电线路弧垂快速测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958092A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117190866A (zh) * | 2023-11-08 | 2023-12-08 | 广东工业大学 | 多个堆叠电子元器件的极性判别检测方法、装置和设备 |
-
2023
- 2023-07-25 CN CN202310918705.0A patent/CN116958092A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117190866A (zh) * | 2023-11-08 | 2023-12-08 | 广东工业大学 | 多个堆叠电子元器件的极性判别检测方法、装置和设备 |
CN117190866B (zh) * | 2023-11-08 | 2024-01-26 | 广东工业大学 | 多个堆叠电子元器件的极性判别检测方法、装置和设备 |
US12039747B1 (en) * | 2023-11-08 | 2024-07-16 | Guangdong University Of Technology | Polarity discrimination detection method and apparatus for multiple stacked electronic components and device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN104484648B (zh) | 基于轮廓识别的机器人可变视角障碍物检测方法 | |
CN111260788B (zh) | 一种基于双目视觉的配电柜开关状态识别方法 | |
CN109472776B (zh) | 一种基于深度显著性的绝缘子检测及自爆识别方法 | |
CN111369630A (zh) | 一种多线激光雷达与相机标定的方法 | |
CN108470356B (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
CN104504688A (zh) | 基于双目立体视觉的客流密度估计的方法和系统 | |
CN111223133A (zh) | 一种异源图像的配准方法 | |
CN111027415B (zh) | 一种基于偏振图像的车辆检测方法 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN109523528B (zh) | 一种基于无人机双目视觉sgc算法的输电线路提取方法 | |
CN112929626B (zh) | 一种基于智能手机影像的三维信息提取方法 | |
CN108460792B (zh) | 一种基于图像分割的高效聚焦立体匹配方法 | |
CN116958092A (zh) | 一种基于改进立体匹配算法的输电线路弧垂快速测量方法 | |
CN111028281A (zh) | 基于光场双目系统的深度信息的计算方法及装置 | |
CN113077392A (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
CN113313047A (zh) | 一种基于车道结构先验的车道线检测方法及系统 | |
CN113947724A (zh) | 一种基于双目视觉的线路覆冰厚度自动测量方法 | |
CN115330684A (zh) | 基于双目视觉与线结构光的水下构筑物表观缺陷检测方法 | |
CN113807238A (zh) | 一种河道水面漂浮物面积的视觉测量方法 | |
CN117607604A (zh) | 基于双目视觉技术修正线长的行波故障定位方法 | |
CN110610503B (zh) | 一种基于立体匹配的电力刀闸三维信息恢复方法 | |
CN114998532B (zh) | 一种基于数字图像重建的三维影像视觉传达优化方法 | |
CN116823895A (zh) | 基于可变模板的rgb-d相机多视角匹配的数字图像计算方法及系统 | |
CN111598177A (zh) | 面向低重叠图像匹配的自适应最大滑动窗口匹配方法 |
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 |