CN116958604A - 基于输电线路图像匹配方法、装置、介质及设备 - Google Patents
基于输电线路图像匹配方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116958604A CN116958604A CN202310988225.1A CN202310988225A CN116958604A CN 116958604 A CN116958604 A CN 116958604A CN 202310988225 A CN202310988225 A CN 202310988225A CN 116958604 A CN116958604 A CN 116958604A
- Authority
- CN
- China
- Prior art keywords
- visible light
- edge contour
- infrared
- feature 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.)
- Withdrawn
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 81
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于输电线路图像匹配方法,通过无人机获取红外光图像和可见光图像;对所述红外光图像进行特征点提取,获得红外边缘轮廓特征点向量集合;对所述可见光图像进行特征点提取,获得可见光边缘轮廓特征点向量集合;依据所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合获得特征点匹配点;依据所述特征点匹配点对所述红外光图像和所述可见光图像进行配对。通过建立准确的匹配关系,可以实现红外图像和可见光图像之间的对应,从而在视觉上对两幅图像进行配对。这提高了图像匹配的精确性,使得我们可以更准确地分析和研究输电线路的状态、热点等信息,从而及早发现潜在的故障点或过载情况。
Description
技术领域
本发明涉及输电线路技术领域,尤其涉及一种基于输电线路图像匹配方法、装置、介质及设备。
背景技术
目前通常采用无人机对输电线路进行巡检,由于无人机能够上升至指定的高度,然后对输电线路进行拍摄,获得输电线路的红外图像和可见光图像,然后对输电线路的红外图像和可见光图像进行匹配。
通过检测输电线路上的异常热点,可以及早发现潜在的故障点或过载情况。可见光图像则提供输电线路的视觉信息,能够帮助识别线路的结构、杆塔的状态以及植被生长情况等。
在对红外图像和可见光图像进行匹配时,通常采用双边匹配描述子等计算机视觉算法。通过提取图像中的特征点,并计算特征描述子,可以在两幅图像之间进行特征匹配,从而实现红外图像和可见光图像之间的对应关系。
但是,采用特征描述子对红外图像和可见光图像进行匹配,由于红外图像和可见光图像的物理特性不同,它们之间可能缺乏共享的特征。这意味着在两幅图像中提取的特征描述子可能无法建立有效的匹配关系,导致匹配的失败或错误。
发明内容
基于此,有必要针对上述问题,提出了一种基于输电线路图像匹配方法、装置、介质及计算机设备,以解决两幅图像中提取的特征描述子可能无法建立有效的匹配关系,导致匹配的失败或错误的问题。
一种基于输电线路图像匹配方法,所述方法包括:
通过无人机获取红外光图像和可见光图像;
对所述红外光图像进行特征点提取,获得红外边缘轮廓特征点向量集合;
对所述可见光图像进行特征点提取,获得可见光边缘轮廓特征点向量集合;
依据所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合获得特征点匹配点;
依据所述特征点匹配点对所述红外光图像和所述可见光图像进行配对。
在本申请的至少一个实施例中,所述对所述红外光图像进行特征点提取,获得红外光特征点集合的步骤包括:
对所述红外光图像进行图像边缘轮廓提取获取红外边缘轮廓特征点集合;
依据所述红外边缘轮廓特征点集合获得所述红外光图像中对应的红外边缘轮廓特征点的曲率极值;
依据所述红外边缘轮廓特征点集合、所述红外边缘轮廓特征点的曲率极值获得红外边缘轮廓特征点向量集合。
在本申请的至少一个实施例中,所述依据所述红外边缘轮廓特征点集合、所述红外边缘轮廓特征点的曲率极值获得特征点角平分线向量集合的步骤还包括:
对所述红外边缘轮廓特征点集合、所述红外边缘轮廓特征点的曲率极值进行加权平均,获得加权平均后的所述红外边缘轮廓特征点向量集合。
在本申请的至少一个实施例中,所述对所述可见光图像进行处理,获得处理后的红外光特征点集合的步骤包括:
对所述可见光图像进行图像边缘轮廓提取获取可见光边缘轮廓特征点集合;
依据所述可见光边缘轮廓特征点集合获得所述可见光图像中对应的可见光边缘轮廓特征点的曲率极值;
依据所述可见光边缘轮廓特征点集合、所述可见光边缘轮廓特征点的曲率极值获得可见光边缘轮廓特征点向量集合。
在本申请的至少一个实施例中,所述依据所述可见光边缘轮廓特征点集合、所述可见光边缘轮廓特征点的曲率极值获得可见光边缘轮廓特征点向量集合的步骤包括
对所述可见光边缘轮廓特征点集合、所述可见光边缘轮廓特征点的曲率极值进行加权平均,获得加权平均后的所述可见光边缘轮廓特征点向量集合。
在本申请的至少一个实施例中,所述依据所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合获得特征点匹配点的步骤还包括:
自所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合筛选出相匹配的特征点,获得所述特征点匹配点。
一种基于输电线路图像匹配装置,应用于上述所述方法中,所述装置包括:
图像获取模块,用于获取无人机发送的红外光图像或可见光图像;
特征点提取模块,用于提取红外光图像或可见光图像中的特征点;
特征点匹配模块,对红外边缘轮廓特征点向量集合和可见光边缘轮廓特征点向量集合进行匹配;
配对模块,依据特征点匹配点对红外光图像和可见光图像进行配对。
在本申请的至少一个实施例中,所述装置还包括:曲率极值提取模块,依据红外边缘轮廓特征点集合提取红外光图像中对应的红外边缘轮廓特征点的曲率极值或依据可见光边缘轮廓特征点集合提取可见光图像中对应的可见光边缘轮廓特征点的曲率极值。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述所述方法的步骤。
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,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述所述方法的步骤。
实施本发明实施例,将具有如下有益效果:
本发明提供一种基于输电线路图像匹配方法,通过无人机获取红外光图像和可见光图像;对所述红外光图像进行特征点提取,获得红外边缘轮廓特征点向量集合;对所述可见光图像进行特征点提取,获得可见光边缘轮廓特征点向量集合;依据所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合获得特征点匹配点;依据所述特征点匹配点对所述红外光图像和所述可见光图像进行配对。通过建立准确的匹配关系,可以实现红外图像和可见光图像之间的对应,从而在视觉上对两幅图像进行配对。这提高了图像匹配的精确性,使得我们可以更准确地分析和研究输电线路的状态、热点等信息,从而及早发现潜在的故障点或过载情况。
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的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中基于输电线路图像匹配方法中实施例一的流程图;
图2为一个实施例中基于输电线路图像匹配方法中实施例二的流程图;
图3为一个实施例中基于输电线路图像匹配方法中实施例三的流程图;
图4为一个实施例中基于输电线路图像匹配装置的结构框图;
图5为一个实施例中计算机设备的结构框图。
基于输电线路图像匹配装置200;图像获取模块210;特征点提取模块220;特征点匹配模块230;配对模块240;曲率极值提取模块250。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
一种基于输电线路图像匹配方法,所述方法包括:
S101、通过无人机获取红外光图像和可见光图像;
S102、对所述红外光图像进行特征点提取,获得红外边缘轮廓特征点向量集合;
S103、对所述可见光图像进行特征点提取,获得可见光边缘轮廓特征点向量集合;
S104、依据所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合获得特征点匹配点;
S105、依据所述特征点匹配点对所述红外光图像和所述可见光图像进行配对。
实施例一:
请参考图1,在本实施方式中,使用无人机进行输电线路巡检,服务器获取红外光图像和可见光图像。红外光图像可以提供输电线路上的热点信息,可见光图像可以提供线路的结构和环境信息。
服务器通过无人机进行输电线路巡检,获取红外光图像和可见光图像。在红外光图像中提取出关键特征点,使用计算机视觉算法进行边缘检测或角点检测等操作,得到红外边缘轮廓特征点向量集合。
在可见光图像中提取出关键特征点,得到可见光边缘轮廓特征点向量集合。
利用红外边缘轮廓特征点向量集合和可见光边缘轮廓特征点向量集合,通过匹配算法(如双边匹配描述子)找到两个集合中对应的特征点,获得特征点匹配点。
根据特征点匹配点,建立红外光图像和可见光图像之间的对应关系,从而实现红外光图像和可见光图像的配对。
通过红外边缘轮廓特征点向量集合和可见光边缘轮廓特征点向量集合获得特征点匹配点,可以建立可见光图像与红外光图像之间的匹配关系,并提高匹配的精准度。通过匹配特征点,可以找到在红外图像和可见光图像中相对应的位置,从而建立它们之间的对应关系。
通过提取红外边缘轮廓特征点和可见光边缘轮廓特征点,可以获取它们各自的特征向量集合。
通过比较红外边缘轮廓特征点向量集合和可见光边缘轮廓特征点向量集合,可以找到相似的特征点,并将它们视为匹配点。这样,就建立了可见光图像与红外光图像之间的匹配关系。
通过建立准确的匹配关系,可以实现红外图像和可见光图像之间的对应,从而在视觉上对两幅图像进行配对。这提高了图像匹配的精确性,使得我们可以更准确地分析和研究输电线路的状态、热点等信息,从而及早发现潜在的故障点或过载情况。
在本申请的至少一个实施例中,所述对所述红外光图像进行特征点提取,获得红外光特征点集合的步骤包括:
S201、对所述红外光图像进行图像边缘轮廓提取获取红外边缘轮廓特征点集合;
S202、依据所述红外边缘轮廓特征点集合获得所述红外光图像中对应的红外边缘轮廓特征点的曲率极值;
S203、依据所述红外边缘轮廓特征点集合、所述红外边缘轮廓特征点的曲率极值获得红外边缘轮廓特征点向量集合。
在本申请的至少一个实施例中,所述依据所述红外边缘轮廓特征点集合、所述红外边缘轮廓特征点的曲率极值获得特征点角平分线向量集合的步骤还包括:
S204、对所述红外边缘轮廓特征点集合、所述红外边缘轮廓特征点的曲率极值进行加权平均,获得加权平均后的所述红外边缘轮廓特征点向量集合。
实施例二:
请参考图2,在本实施方式中,服务器使用无人机搭载的相机或传感器,同时获取红外光图像和可见光图像。
服务器利用图像处理技术,提取红外光图像中的边缘轮廓。边缘轮廓是图像中明显变化的边界线条,提取它们有助于捕捉线路的形状特征。
对于提取的红外边缘轮廓特征点集合,计算每个特征点的曲率极值。曲率极值代表了轮廓在该点处的曲率大小,可以用于描述线路的局部形状信息。
结合红外边缘轮廓特征点集合和对应的曲率极值,构建表示红外边缘轮廓的特征点向量集合。这些特征点向量可以包含特征点的位置坐标和曲率极值等信息。
为了提高特征点向量集合的稳定性和准确性,对红外边缘轮廓特征点的曲率极值进行加权平均处理。这样可以平滑曲率极值的变化,减小异常值或噪声的影响,得到更可靠的特征点向量集合。
利用红外光图像的边缘轮廓和曲率极值来描述输电线路的形状特征。通过构建红外边缘轮廓特征点向量集合,可以提取线路的关键特征信息,进一步用于与可见光图像进行匹配和分析。这样的特征匹配方法可以提高匹配的精准度,从而实现对输电线路的准确识别和分析,例如检测异常热点或故障点等。
在本申请的至少一个实施例中,所述对所述可见光图像进行处理,获得处理后的红外光特征点集合的步骤包括:
S301、对所述可见光图像进行图像边缘轮廓提取获取可见光边缘轮廓特征点集合;
S302、依据所述可见光边缘轮廓特征点集合获得所述可见光图像中对应的可见光边缘轮廓特征点的曲率极值;
S303、依据所述可见光边缘轮廓特征点集合、所述可见光边缘轮廓特征点的曲率极值获得可见光边缘轮廓特征点向量集合。
在本申请的至少一个实施例中,所述依据所述可见光边缘轮廓特征点集合、所述可见光边缘轮廓特征点的曲率极值获得可见光边缘轮廓特征点向量集合的步骤包括
S304、对所述可见光边缘轮廓特征点集合、所述可见光边缘轮廓特征点的曲率极值进行加权平均,获得加权平均后的所述可见光边缘轮廓特征点向量集合。
在本申请的至少一个实施例中,所述依据所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合获得特征点匹配点的步骤还包括:
S305、自所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合筛选出相匹配的特征点,获得所述特征点匹配点。
实施例三:
请参考图3,在本实施方式中,服务器利用图像处理技术,提取可见光图像中的边缘轮廓。这些边缘轮廓是图像中明显变化的边界线条,提取它们有助于捕捉线路的形状特征。
对于提取的可见光边缘轮廓特征点集合,计算每个特征点的曲率极值。曲率极值描述了轮廓在该点处的曲率大小,用于表征线路的局部形状信息。
结合可见光边缘轮廓特征点集合和对应的曲率极值,构建可见光边缘轮廓的特征点向量集合。这些特征点向量包含了特征点的位置坐标和曲率极值等信息。
通过对可见光边缘轮廓特征点的曲率极值进行加权平均处理,平滑曲率的变化,减小异常值或噪声的影响,得到更可靠的特征点向量集合。
服务器通过比较红外边缘轮廓特征点向量集合和加权平均后的可见光边缘轮廓特征点向量集合,筛选出相匹配的特征点。匹配的依据可以是特征点之间的距离、方向等。这些匹配点表示红外光图像和可见光图像中相对应的特征点对。
通过提取边缘轮廓特征点,并结合曲率极值和加权平均处理,实现红外光图像和可见光图像之间的特征点匹配。这样可以建立两个图像之间的匹配关系,从而用红外图像的特征分析结果来辅助可见光图像的分析和识别。通过融合两种图像的信息,可以提高线路识别的准确性和可靠性,同时实现对线路异常或故障的检测和定位。
一种基于输电线路图像匹配装置200,应用于上述所述方法中,所述装置包括:
图像获取模块210,用于获取无人机发送的红外光图像或可见光图像;
特征点提取模块220,用于提取红外光图像或可见光图像中的特征点;
特征点匹配模块230,对红外边缘轮廓特征点向量集合和可见光边缘轮廓特征点向量集合进行匹配;
配对模块240,依据特征点匹配点对红外光图像和可见光图像进行配对。
在本申请的至少一个实施例中,所述装置还包括:曲率极值提取模块250,依据红外边缘轮廓特征点集合提取红外光图像中对应的红外边缘轮廓特征点的曲率极值或依据可见光边缘轮廓特征点集合提取可见光图像中对应的可见光边缘轮廓特征点的曲率极值。
请参考图4,在本实施方式中,基于输电线路图像匹配装置通过图像获取模块获取无人机拍摄的红外光图像和可见光图像;然后通过特征点提取模块对所述红外光图像进行特征点提取,获得红外边缘轮廓特征点向量集合;对所述可见光图像进行特征点提取,获得可见光边缘轮廓特征点向量集合。
通过曲率极值提取模块依据红外边缘轮廓特征点集合提取红外光图像中对应的红外边缘轮廓特征点的曲率极值或依据可见光边缘轮廓特征点集合提取可见光图像中对应的可见光边缘轮廓特征点的曲率极值。
然后通过特征点匹配模块依据所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合获得特征点匹配点。
最后通过配对模块依据特征点匹配点对红外光图像和可见光图像进行配对。
通过红外边缘轮廓特征点向量集合和可见光边缘轮廓特征点向量集合获得特征点匹配点,可以建立可见光图像与红外光图像之间的匹配关系,并提高匹配的精准度。通过匹配特征点,可以找到在红外图像和可见光图像中相对应的位置,从而建立它们之间的对应关系。
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,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述所述方法的步骤。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图5所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现基于输电线路图像匹配方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行基于输电线路图像匹配方法。本领域技术人员可以理解,图5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。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述所述方法的步骤。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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,本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (10)
1.一种基于输电线路图像匹配方法,其特征在于,所述方法包括:
通过无人机获取红外光图像和可见光图像;
对所述红外光图像进行特征点提取,获得红外边缘轮廓特征点向量集合;
对所述可见光图像进行特征点提取,获得可见光边缘轮廓特征点向量集合;
依据所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合获得特征点匹配点;
依据所述特征点匹配点对所述红外光图像和所述可见光图像进行配对。
2.根据权利要求1所述的基于输电线路图像匹配方法,其特征在于,所述对所述红外光图像进行特征点提取,获得红外光特征点集合的步骤包括:
对所述红外光图像进行图像边缘轮廓提取获取红外边缘轮廓特征点集合;
依据所述红外边缘轮廓特征点集合获得所述红外光图像中对应的红外边缘轮廓特征点的曲率极值;
依据所述红外边缘轮廓特征点集合、所述红外边缘轮廓特征点的曲率极值获得红外边缘轮廓特征点向量集合。
3.根据权利要求2所述的基于输电线路图像匹配方法,其特征在于,所述依据所述红外边缘轮廓特征点集合、所述红外边缘轮廓特征点的曲率极值获得特征点角平分线向量集合的步骤还包括:
对所述红外边缘轮廓特征点集合、所述红外边缘轮廓特征点的曲率极值进行加权平均,获得加权平均后的所述红外边缘轮廓特征点向量集合。
4.根据权利要求1所述的基于输电线路图像匹配方法,其特征在于,所述对所述可见光图像进行处理,获得处理后的红外光特征点集合的步骤包括:
对所述可见光图像进行图像边缘轮廓提取获取可见光边缘轮廓特征点集合;
依据所述可见光边缘轮廓特征点集合获得所述可见光图像中对应的可见光边缘轮廓特征点的曲率极值;
依据所述可见光边缘轮廓特征点集合、所述可见光边缘轮廓特征点的曲率极值获得可见光边缘轮廓特征点向量集合。
5.根据权利要求4所述的基于输电线路图像匹配方法,其特征在于,所述依据所述可见光边缘轮廓特征点集合、所述可见光边缘轮廓特征点的曲率极值获得可见光边缘轮廓特征点向量集合的步骤包括
对所述可见光边缘轮廓特征点集合、所述可见光边缘轮廓特征点的曲率极值进行加权平均,获得加权平均后的所述可见光边缘轮廓特征点向量集合。
6.根据权利要求5所述的基于输电线路图像匹配方法,其特征在于,所述依据所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合获得特征点匹配点的步骤还包括:
自所述红外边缘轮廓特征点向量集合和所述可见光边缘轮廓特征点向量集合筛选出相匹配的特征点,获得所述特征点匹配点。
7.一种基于输电线路图像匹配装置,应用于权利要求1至6中任一项所述方法中,其特征在于,所述装置包括:
图像获取模块,用于获取无人机发送的红外光图像或可见光图像;
特征点提取模块,用于提取红外光图像或可见光图像中的特征点;
特征点匹配模块,对红外边缘轮廓特征点向量集合和可见光边缘轮廓特征点向量集合进行匹配;
配对模块,依据特征点匹配点对红外光图像和可见光图像进行配对。
8.根据权利要求7所述的基于输电线路图像匹配装置,其特征在于,所述装置还包括:
曲率极值提取模块,依据红外边缘轮廓特征点集合提取红外光图像中对应的红外边缘轮廓特征点的曲率极值或依据可见光边缘轮廓特征点集合提取可见光图像中对应的可见光边缘轮廓特征点的曲率极值。
9.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
10.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988225.1A CN116958604A (zh) | 2023-08-07 | 2023-08-07 | 基于输电线路图像匹配方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988225.1A CN116958604A (zh) | 2023-08-07 | 2023-08-07 | 基于输电线路图像匹配方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958604A true CN116958604A (zh) | 2023-10-27 |
Family
ID=88451179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310988225.1A Withdrawn CN116958604A (zh) | 2023-08-07 | 2023-08-07 | 基于输电线路图像匹配方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958604A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935095A (zh) * | 2024-03-21 | 2024-04-26 | 四川渔光物联技术有限公司 | 基于可见光图像实现红外光图像正射建图的方法及装置 |
-
2023
- 2023-08-07 CN CN202310988225.1A patent/CN116958604A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935095A (zh) * | 2024-03-21 | 2024-04-26 | 四川渔光物联技术有限公司 | 基于可见光图像实现红外光图像正射建图的方法及装置 |
CN117935095B (zh) * | 2024-03-21 | 2024-06-11 | 四川渔光物联技术有限公司 | 基于可见光图像实现红外光图像正射建图的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
CN110674712A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN110889428A (zh) | 图像识别方法、装置、计算机设备与存储介质 | |
CN113239874B (zh) | 基于视频图像的行为姿态检测方法、装置、设备及介质 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN111242128B (zh) | 目标检测方法、装置、计算机可读存储介质和计算机设备 | |
CN116958604A (zh) | 基于输电线路图像匹配方法、装置、介质及设备 | |
CN108596905A (zh) | 物体检测方法、系统、计算机设备和存储介质 | |
CN113869268A (zh) | 障碍物测距方法、装置、电子设备及可读介质 | |
CN110796709A (zh) | 车架号尺寸获取方法、装置、计算机设备和存储介质 | |
CN111046950A (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
CN113487607A (zh) | 基于多视场图像的缺陷检测方法及装置 | |
CN110942455A (zh) | 输电线路开口销缺失检测方法、装置和计算机设备 | |
CN117745713B (zh) | 基于图像处理的护坡结构变形检测方法和系统 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN114782756B (zh) | 基于特征融合的缺陷检测方法、装置、设备及存储介质 | |
CN110907749A (zh) | 故障地下电缆定位方法和装置 | |
CN108364024B (zh) | 图像匹配方法、装置、计算机设备和存储介质 | |
CN115272952A (zh) | 新能源基建的安全监控方法、装置、系统和存储介质 | |
CN116128919A (zh) | 基于极线约束的多时相图像异动目标检测方法及系统 | |
CN114973368A (zh) | 基于特征融合的人脸识别方法、装置、设备和存储介质 | |
CN115235349A (zh) | 导线任意点弧垂计算方法、装置、电子设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231027 |