CN117078567B - 基于图像处理的光伏板图像自适应增强方法 - Google Patents
基于图像处理的光伏板图像自适应增强方法 Download PDFInfo
- Publication number
- CN117078567B CN117078567B CN202311345698.6A CN202311345698A CN117078567B CN 117078567 B CN117078567 B CN 117078567B CN 202311345698 A CN202311345698 A CN 202311345698A CN 117078567 B CN117078567 B CN 117078567B
- Authority
- CN
- China
- Prior art keywords
- grid line
- enhancement
- photovoltaic panel
- pixel points
- 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 73
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000642 polymer Polymers 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像处理的光伏板图像自适应增强方法,包括:采集光伏板的光伏板灰度图像;根据光伏板灰度图像得到直线参数空间;根据直线参数空间得到栅线间隔值;获取灰度增强必要性;根据栅线间隔值得到栅线差异间隔;根据栅线差异间隔得到初始修正距离度量;根据栅线差异间隔以及初始修正距离度量得到修正距离度量;根据修正距离度量得到局部栅线区域;获取局部栅线区域内像素点与聚类中心的最终距离;根据最终距离以及灰度增强必要性得到最终增强必要性;根据最终增强必要性进行自适应增强。本发明降低了光伏板图像细节丢失的可能性,提高了细节部分的完整性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的光伏板图像自适应增强方法。
背景技术
在对光伏板进行图像分析时,由于采集环境的影响,会导致采集的光伏板图像存在一定的失真,不利于后续图像分析;为了便于后续对光伏板进行准确地图像分析,所以需要对光伏板图像进行增强处理。
传统方法可以通过直方图均衡化对光伏板图像整体进行增强,但在直方图均衡化的过程中,会将光伏板图像中灰度值相似的部分像素点合并为一致的灰度值,会导致光伏板图像丢失部分细节,而这部分细节可能含有光伏板表面的重要信息,从而减弱光伏板的增强效果。
发明内容
本发明提供基于图像处理的光伏板图像自适应增强方法,以解决现有的问题:传统直方图均衡化会导致光伏板图像丢失部分细节,而这部分细节可能含有光伏板表面的重要信息,从而减弱光伏板的增强效果。
本发明的基于图像处理的光伏板图像自适应增强方法采用如下技术方案:
本发明一个实施例提供了基于图像处理的光伏板图像自适应增强方法,该方法包括以下步骤:
采集若干光伏板的光伏板灰度图像;
根据光伏板灰度图像得到直线参数空间;根据直线参数空间得到栅线间隔值以及若干栅线直线,所述栅线直线包含多个像素点;根据栅线直线上像素点的灰度差异得到每条栅线直线上每个像素点的灰度增强必要性;
根据栅线间隔值得到不同栅线直线任意两个像素点之间的栅线差异间隔;根据栅线差异间隔得到不同栅线直线任意两个像素点之间的初始修正距离度量;根据栅线差异间隔以及初始修正距离度量,得到所有栅线直线所有像素点之间的修正距离度量;根据修正距离度量对所有栅线直线上所有像素点进行聚类得到若干聚类簇,将每个聚类簇记为局部栅线区域;
获取每个局部栅线区域内每个像素点与聚类中心的最终距离;根据最终距离以及灰度增强必要性得到每个局部栅线区域内每个像素点的最终增强必要性;根据最终增强必要性进行自适应增强得到若干增强后的光伏板灰度图像。
优选的,所述根据光伏板灰度图像得到直线参数空间,包括的具体方法为:
对于任意一张光伏板灰度图像,将光伏板灰度图像进行Canny算子边缘检测得到光伏板边缘图像,将光伏板边缘图像的左下角像素点作为坐标原点,将光伏板边缘图像的底边作为初始横坐标,将光伏板边缘图像的左边作为初始纵坐标;对光伏板边缘图像进行hough变换得到参数空间,记为光伏板边缘图像的直线参数空间。
优选的,所述根据直线参数空间得到栅线间隔值以及若干栅线直线,包括的具体方法为:
对于任意一张光伏板边缘图像,在光伏板边缘图像的直线参数空间中,将投票值最大的点的度数记为栅线度数;将栅线度数上的每个点在光伏板边缘图像中对应的直线,记为光伏板边缘图像的栅线直线;将栅线度数上每个点的按照投票值大小进行降序,将排序后的序列记为栅线投票序列;对于栅线投票序列中任意相邻的两个点,将两个点对应最短距离的差值的绝对值记为距离间隔;获取栅线投票序列的所有距离间隔,对所有距离间隔进行最大值最小值归一化,将归一化后的每个距离间隔记为归一距离间隔,将所有归一距离间隔的众数记为栅线间隔值。
优选的,所述根据栅线直线上像素点的灰度差异得到每条栅线直线上每个像素点的灰度增强必要性,包括的具体方法为:
将任意一条栅线直线内任意一个像素点记为第一目标像素点,式中,表示第一目标像素点的增强必要性;/>表示第一目标像素点的灰度值;/>表示栅线直线上所有像素点的灰度值的均值;/>表示取绝对值;获取所有栅线直线上所有像素点的增强必要性,对所有像素点的增强必要性进行线性归一化,将归一化后的增强必要性记为每个像素点的灰度增强必要性。
优选的,所述根据栅线间隔值得到不同栅线直线任意两个像素点之间的栅线差异间隔,包括的具体方法为:
对于任意一张光伏板边缘图像中任意一条栅线直线上任意一个像素点以及另外任意一条栅线直线上任意一个像素点,将两个像素点所属两条栅线直线在栅线投票序列中对应两点之间序号的差值的绝对值,记为两个像素点之间的间隔差数;
式中,表示两个像素点之间的栅线差异间隔;/>表示两个像素点之间的间隔差数;/>表示光伏板边缘图像的栅线间隔值;
获取不同栅线直线任意两个像素点之间的栅线差异间隔。
优选的,所述根据栅线差异间隔得到不同栅线直线任意两个像素点之间的初始修正距离度量,包括的具体方法为:
对于任意一张光伏板边缘图像中任意一条栅线直线上任意一个像素点以及另外任意一条栅线直线上任意一个像素点,式中,表示两个像素点之间的初始修正距离度量;表示两个像素点之间的欧式距离;/>表示两个像素点之间的栅线差异间隔;
获取不同栅线直线任意两个像素点之间的初始修正距离度量。
优选的,所述根据栅线差异间隔以及初始修正距离度量,得到所有栅线直线所有像素点之间的修正距离度量,包括的具体方法为:
对于任意一张光伏板边缘图像中任意一条栅线直线上任意一个像素点以及另外任意一条栅线直线上任意一个像素点,式中,表示两个像素点的修正距离度量;/>表示两个像素点之间的初始修正距离度量;/>表示两个像素点的灰度增强必要性的差值的绝对值;
对于任意一条栅线直线上任意两个像素点,将两个像素点之间的欧式距离记为修正距离度量;
获取所有栅线直线所有像素点之间的修正距离度量。
优选的,所述获取每个局部栅线区域内每个像素点与聚类中心的最终距离,包括的具体方法为:
对于任意一个局部栅线区域内任意一个像素点,获取局部栅线区域的聚类中心,获取像素点与聚类中心的欧式距离,获取局部栅线区域内所有像素点与聚类中心的欧式距离,对所有像素点与聚类中心的欧式距离进行最大值最小值归一化,将归一化后每个像素点与聚类中心的欧式距离记为局部栅线区域内每个像素点与聚类中心的最终距离;
每个局部栅线区域内每个像素点与聚类中心的最终距离。
优选的,所述根据最终距离以及灰度增强必要性得到每个局部栅线区域内每个像素点的最终增强必要性,包括的具体方法为:
对于局部栅线区域内任意一个像素点,式中,表示像素点的最终增强必要性;表示像素点的灰度增强必要性;/>表示像素点与局部栅线区域内聚类中心的最终距离;表示以自然常数为底的指数函数;
获取每个局部栅线区域内每个像素点的最终增强必要性。
优选的,所述根据最终增强必要性进行自适应增强,包括的具体方法为:
将所有局部栅线区域内所有像素点输入GMM混合模型,将每个像素点的输出结果记为输出拟合值;对于任意一个局部栅线区域内任意一个像素点,若像素点的最终增强必要性大于输出拟合值,将像素点的最终增强必要性作为像素点的增强系数;若像素点的最终增强必要性小于等于输出拟合值,将像素点的输出拟合值作为像素点的增强系数;
式中,表示像素点灰度增强后的灰度值;/>表示像素点的增强系数;/>表示像素点的灰度增强前的灰度值;
对所有局部栅线区域内所有像素点进行灰度增强,得到所有局部栅线区域内所有像素点灰度增强后的灰度值后,将光伏板灰度图像记为增强后的光伏板灰度图像,获取所有增强后的光伏板灰度图像。
本发明的技术方案的有益效果是:根据光伏板灰度图像得到直线参数空间,根据直线参数空间得到若干栅线直线以及灰度增强必要性,根据栅线直线得到修正距离度量,根据修正距离度量得到局部栅线区域,根据局部栅线区域得到最终增强必要性,进而进行自适应增强;相较于现有技术容易丢失可能含有光伏板表面重要信息的细节;灰度增强必要性更好地反映了像素点之间的差异,更准确地确定属于栅线部分的像素点;修正距离度量进一步降低了像素点在聚类过程中被误分的可能性;最终增强必要性更加准确地反映了像素点最终灰度增强的程度;降低了光伏板图像细节丢失的可能性,提高了细节部分的完整性,增强了光伏板的增强效果。
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。
图1为本发明基于图像处理的光伏板图像自适应增强方法的步骤流程图。
具体实施方式
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基于图像处理的光伏板图像自适应增强方法,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基于图像处理的光伏板图像自适应增强方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像处理的光伏板图像自适应增强方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集若干光伏板的光伏板灰度图像。
需要说明的是,传统方法可以通过直方图均衡化对光伏板图像整体进行增强,但在直方图均衡化的过程中,会将光伏板图像中灰度值相似的部分像素点合并为一致的灰度值,会导致光伏板图像丢失部分细节,而这部分细节可能含有光伏板表面的重要信息,从而减弱光伏板的增强效果。
具体的,为了实现本实施例提出的基于图像处理的光伏板图像自适应增强方法,首先需要采集光伏板灰度图像,具体过程为:使用工业相机拍摄若干光伏板的光伏板图像,对每张光伏板图像进行灰度化处理得到若干灰度图像,记为光伏板灰度图像。其中灰度化处理是公知技术,本实施例不进行叙述。
至此,通过上述方法得到若干光伏板的光伏板灰度图像。
步骤S002:根据光伏板灰度图像得到直线参数空间;根据直线参数空间得到栅线间隔值以及若干栅线直线;根据栅线直线上像素点的灰度差异得到每条栅线直线上每个像素点的灰度增强必要性。
需要说明的是,在光伏板灰度图像中,光伏板主要由太阳能电池以及导线构成;而在直方图均衡化的过程中,由于导线形成的栅线较细,且部分栅线上像素点的灰度值与周围区域内像素点的灰度值相似,所以会在增强后的图像中存在栅线断裂的情况,从而无法精准地获取光伏板的状态;由于栅线是直线且包含的像素点较多,所以可以利用直线检测的方式确定栅线。因此,需要首先需要确定栅线区域,获取像素点的灰度增强必要性。
具体的,以任意一张光伏板灰度图像为例,将该光伏板灰度图像进行Canny算子边缘检测得到光伏板边缘图像,将该光伏板边缘图像的左下角像素点作为坐标原点,将该光伏板边缘图像的底边作为初始横坐标,将该光伏板边缘图像的左边作为初始纵坐标;对该光伏板边缘图像进行hough变换得到参数空间,记为该光伏板边缘图像的直线参数空间。其中直线参数空间中存在若干个点,每个点在光伏板边缘图像中对应一条直线;hough变换是公知技术,本实例不进行叙述。另外需要说明的是,hough变换存在两种变换参数空间:一种是参数空间,一种是/>参数空间;本实例的hough变换使用的是/>参数空间:在/>参数空间中,纵坐标表示坐标原点到直线的最短距离/>,横坐标表示最短距离与初始横坐标的度数/>;对于/>参数空间中任意一个点/>,除了对应一个最短距离/>以及一个度数/>以外,还对应一个投票值,这个投票值表示该点/>在光伏板边缘图像中对应直线包含的像素点的数量。
进一步的,在该光伏板边缘图像的直线参数空间中,将投票值最大的点的度数记为栅线度数;将该栅线度数上的每个点在该光伏板边缘图像中对应的直线,记为该光伏板边缘图像的栅线直线;将该栅线度数上每个点的按照投票值大小进行降序,将排序后的序列记为栅线投票序列;以该栅线投票序列中任意相邻的两个点为例,将这两个点对应最短距离的差值的绝对值记为距离间隔;获取该栅线投票序列的所有距离间隔,对所有距离间隔进行最大值最小值归一化,将归一化后的每个距离间隔记为归一距离间隔,将所有归一距离间隔的众数记为栅线间隔值。其中,在直线参数空间中的每个点分别对应一个度数以及一个最短距离,每张光伏板灰度图像仅包含一个栅线投票序列,每张光伏板边缘图像仅对应一个栅线间隔值,每张光伏板边缘图像中存在多条栅线直线,每条栅线直线中包含多个像素点。需要说明的是,若在取该栅线投票序列所有的归一距离间隔中出现多个众数,将归一距离间隔最大的众数作为栅线间隔值。
进一步的,以该光伏板边缘图像的任意一条栅线直线内任意一个像素点为例,根据该像素点与该栅线直线的灰度差异得到该像素点的增强必要性;其中该像素点的增强必要程度的计算方法为:
式中,表示该像素点的增强必要性;/>表示该像素点的灰度值;/>表示该栅线直线上所有像素点的灰度值的均值;/>表示取绝对值;其中若该像素点的增强必要性越大,说明在该栅线直线中,该像素点与周围像素点灰度差异越小,反映该像素点需要进行灰度增强的程度越小。获取所有栅线直线上所有像素点的增强必要性,对所有像素点的增强必要性进行线性归一化,将归一化后的增强必要性记为每个像素点的灰度增强必要性。
至此,通过上述方法得到每张光伏板边缘图像的栅线间隔值以及每张光伏板边缘图像中所有像素点的灰度增强必要性。
步骤S003:根据栅线间隔值得到不同栅线直线任意两个像素点之间的栅线差异间隔;根据栅线差异间隔得到不同栅线直线任意两个像素点之间的初始修正距离度量;根据栅线差异间隔以及初始修正距离度量,得到所有栅线直线所有像素点之间的修正距离度量;根据修正距离度量对所有栅线直线上所有像素点进行聚类得到每个局部栅线区域。
需要说明的是,在对栅线直线上的像素点进行基于密度的聚类时,由于栅线直线之间的像素点存在不同距离差异的分布,导致根据传统距离度量的方式获取的聚类簇存在部分像素点分类不合理,存在一些距离相近的栅线直线上的像素点没有分为同一类的情况;为此,本实施例通过栅线直线之间像素点之间的距离差异调整距离度量,得到分类合理的聚类簇。
具体的,以任意一张光伏板边缘图像中所有栅线直线上任意两个像素点为例,若这两个像素点属于同一条栅线直线,将这两个像素点之间的欧式距离记为修正距离度量;若这两个像素点不属于同一条栅线直线,将这两个像素点所属两条栅线直线在栅线投票序列中对应两点之间序号的差值的绝对值记为这两个像素点之间的间隔差数;根据这两个像素点之间的间隔差数得到这两个像素点之间的栅线差异间隔;其中这两个像素点之间的栅线差异间隔的计算方法为:
式中,表示这两个像素点之间的栅线差异间隔;/>表示这两个像素点之间的间隔差数;/>表示该光伏板边缘图像的栅线间隔值。其中若这两个像素点之间的栅线差异间隔越大,说明这两个像素点所属的栅线直线相距越大,反映这两个像素点需要调整的程度越大。
进一步的,根据这两个像素点之间的栅线差异间隔以及这两个像素点之间的欧式距离得到这两个像素点之间的初始修正距离度量;其中这两个像素点之间的初始修正距离度量的计算方法为:
式中,表示这两个像素点之间的初始修正距离度量;/>表示这两个像素点之间的欧式距离;/>表示这两个像素点之间的栅线差异间隔;若这两个像素点之间的初始修正距离度量越大,说明这两个像素点在传统聚类过程中被错误分类的可能性越高,反映这两个像素点越需要调整。其中欧式距离的获取是公知技术。需要说明的是,在实际过程中,/>与/>的大小关系一直满足/>的情况,不存在/>的情况。
进一步的,根据这两个像素点的灰度增强必要性以及这两个像素点之间的初始修正距离度量得到这两个像素点的修正距离度量;其中这两个像素点的修正距离度量的计算方法为:
式中,表示这两个像素点的修正距离度量;/>表示这两个像素点之间的初始修正距离度量;/>表示这两个像素点的灰度增强必要性的差值的绝对值。其中若这两个像素点的修正距离度量越大,说明这两个像素点越需要进行距离度量的调整,反映这两个像素点调整程度越大。获取所有栅线所有像素点之间的修正距离度量。
进一步的,将所有栅线直线之间的像素点之间的修正距离度量作为DBSCAN聚类算法的距离度量,根据增强必要性对所有栅线直线上所有像素点进行DBSCAN聚类得到若干聚类簇,记为局部栅线区域;获取所有局部栅线区域。其中DBSCAN聚类算法是公知技术,需要预设邻域半径以及最小邻域数量/>,其中本实施例以/>,为例进行叙述,本实施例不进行具体限定,其中/>、/>可根据具体实施情况而定。
至此,通过上述方法得到所有局部栅线区域。
步骤S004:获取每个局部栅线区域内每个像素点与聚类中心的最终距离;根据最终距离以及灰度增强必要性得到每个局部栅线区域内每个像素点的最终增强必要性;根据最终增强必要性进行自适应增强得到若干增强后的光伏板灰度图像。
具体的,以任意一个局部栅线区域内任意一个像素点为例,获取该局部栅线区域的聚类中心,获取该像素点与该聚类中心的欧式距离,获取该局部栅线区域内所有像素点与该聚类中心的欧式距离,对所有像素点与该聚类中心的欧式距离进行最大值最小值归一化,将归一化后每个像素点与该聚类中心的欧式距离记为每个像素点与该聚类中心的最终距离。其中聚类中心的获取是DBSCAN聚类算法的公知内容,本实施例不进行叙述。
进一步的,以该局部栅线区域内任意一个像素点为例,根据该像素点与该局部栅线区域内聚类中心的最终距离以及该像素点的灰度增强性,得到该像素点的最终增强必要性;其中该像素点的最终增强必要性的计算方法为:
式中,表示该像素点的最终增强必要性;/>表示该像素点的灰度增强必要性;/>表示该像素点与该局部栅线区域内聚类中心的最终距离;/>表示以自然常数为底的指数函数;本实施例采用/>函数来呈现反比例关系及归一化处理,实施者可根据实际情况选择反比例函数及归一化函数。其中若该像素点的最终增强必要性越大,说明该像素点越能表示栅线区域,反映该像素点越需要被增强。获取该局部栅线区域内所有像素点的最终增强必要性,获取所有局部栅线区域内所有像素点的最终增强必要性。
进一步的,将所有局部栅线区域内所有像素点输入GMM混合模型,将每个像素点的输出结果记为输出拟合值;以任意一个局部栅线区域内任意一个像素点为例,若该像素点的最终增强必要性大于输出拟合值,将该像素点的最终增强必要性作为该像素点的增强系数;若该像素点的最终增强必要性小于等于输出拟合值,将该像素点的输出拟合值作为该像素点的增强系数;获取该局部栅线区域内所有像素点的增强系数;获取所有局部栅线区域内所有像素点的增强系数。其中GMM混合模型是公知技术,本实施例不进行叙述。
进一步的,以任意一个局部栅线区域内任意一个像素点为例,根据该像素点的增强系数得到该像素点灰度增强后的灰度值;其中该像素点灰度增强后的灰度值的计算方法为:
式中,表示该像素点灰度增强后的灰度值;/>表示该像素点的增强系数;/>表示该像素点的灰度增强前的灰度值。
进一步的,对所有局部栅线区域内所有像素点进行灰度增强,得到所有局部栅线区域内所有像素点灰度增强后的灰度值后,将此时的光伏板灰度图像记为增强后的光伏板灰度图像,获取所有增强后的光伏板灰度图像,完成光伏板图像自适应增强。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于图像处理的光伏板图像自适应增强方法,其特征在于,该方法包括以下步骤:
采集若干光伏板的光伏板灰度图像;
根据光伏板灰度图像得到直线参数空间;根据直线参数空间得到栅线间隔值以及若干栅线直线,所述栅线直线包含多个像素点;根据栅线直线上像素点的灰度差异得到每条栅线直线上每个像素点的灰度增强必要性;
根据栅线间隔值得到不同栅线直线任意两个像素点之间的栅线差异间隔;根据栅线差异间隔得到不同栅线直线任意两个像素点之间的初始修正距离度量;根据栅线差异间隔以及初始修正距离度量,得到所有栅线直线所有像素点之间的修正距离度量;根据修正距离度量对所有栅线直线上所有像素点进行聚类得到每个聚类簇,将每个聚类簇记为局部栅线区域;
获取每个局部栅线区域内每个像素点与聚类中心的最终距离;根据最终距离以及灰度增强必要性得到每个局部栅线区域内每个像素点的最终增强必要性;根据最终增强必要性进行自适应增强得到若干增强后的光伏板灰度图像;
所述根据栅线直线上像素点的灰度差异得到每条栅线直线上每个像素点的灰度增强必要性,包括的具体方法为:
将任意一条栅线直线内任意一个像素点记为第一目标像素点,式中,表示第一目标像素点的增强必要性;/>表示第一目标像素点的灰度值;/>表示栅线直线上所有像素点的灰度值的均值;/>表示取绝对值;获取所有栅线直线上所有像素点的增强必要性,对所有像素点的增强必要性进行线性归一化,将归一化后的增强必要性记为每个像素点的灰度增强必要性;
所述根据最终距离以及灰度增强必要性得到每个局部栅线区域内每个像素点的最终增强必要性,包括的具体方法为:
对于局部栅线区域内任意一个像素点,式中,表示像素点的最终增强必要性;/>表示像素点的灰度增强必要性;/>表示像素点与局部栅线区域内聚类中心的最终距离;/>表示以自然常数为底的指数函数;
获取每个局部栅线区域内每个像素点的最终增强必要性。
2.根据权利要求1所述基于图像处理的光伏板图像自适应增强方法,其特征在于,所述根据光伏板灰度图像得到直线参数空间,包括的具体方法为:
对于任意一张光伏板灰度图像,将光伏板灰度图像进行Canny算子边缘检测得到光伏板边缘图像,将光伏板边缘图像的左下角像素点作为坐标原点,将光伏板边缘图像的底边作为初始横坐标,将光伏板边缘图像的左边作为初始纵坐标;对光伏板边缘图像进行hough变换得到参数空间,记为光伏板边缘图像的直线参数空间。
3.根据权利要求1所述基于图像处理的光伏板图像自适应增强方法,其特征在于,所述根据直线参数空间得到栅线间隔值以及若干栅线直线,包括的具体方法为:
对于任意一张光伏板边缘图像,在光伏板边缘图像的直线参数空间中,将投票值最大的点的度数记为栅线度数;将栅线度数上的每个点在光伏板边缘图像中对应的直线,记为光伏板边缘图像的栅线直线;将栅线度数上每个点的按照投票值大小进行降序,将排序后的序列记为栅线投票序列;对于栅线投票序列中任意相邻的两个点,将两个点对应最短距离的差值的绝对值记为距离间隔;获取栅线投票序列的所有距离间隔,对所有距离间隔进行最大值最小值归一化,将归一化后的每个距离间隔记为归一距离间隔,将所有归一距离间隔的众数记为栅线间隔值。
4.根据权利要求1所述基于图像处理的光伏板图像自适应增强方法,其特征在于,所述根据栅线间隔值得到不同栅线直线任意两个像素点之间的栅线差异间隔,包括的具体方法为:
对于任意一张光伏板边缘图像中任意一条栅线直线上任意一个像素点以及另外任意一条栅线直线上任意一个像素点,将两个像素点所属两条栅线直线在栅线投票序列中对应两点之间序号的差值的绝对值,记为两个像素点之间的间隔差数;
式中,表示两个像素点之间的栅线差异间隔;/>表示两个像素点之间的间隔差数;/>表示光伏板边缘图像的栅线间隔值;
获取不同栅线直线任意两个像素点之间的栅线差异间隔。
5.根据权利要求1所述基于图像处理的光伏板图像自适应增强方法,其特征在于,所述根据栅线差异间隔得到不同栅线直线任意两个像素点之间的初始修正距离度量,包括的具体方法为:
对于任意一张光伏板边缘图像中任意一条栅线直线上任意一个像素点以及另外任意一条栅线直线上任意一个像素点,式中,表示两个像素点之间的初始修正距离度量;/>表示两个像素点之间的欧式距离;/>表示两个像素点之间的栅线差异间隔;
获取不同栅线直线任意两个像素点之间的初始修正距离度量。
6.根据权利要求1所述基于图像处理的光伏板图像自适应增强方法,其特征在于,所述根据栅线差异间隔以及初始修正距离度量,得到所有栅线直线所有像素点之间的修正距离度量,包括的具体方法为:
对于任意一张光伏板边缘图像中任意一条栅线直线上任意一个像素点以及另外任意一条栅线直线上任意一个像素点,式中,表示两个像素点的修正距离度量;/>表示两个像素点之间的初始修正距离度量;/>表示两个像素点的灰度增强必要性的差值的绝对值;
对于任意一条栅线直线上任意两个像素点,将两个像素点之间的欧式距离记为修正距离度量;
获取所有栅线直线所有像素点之间的修正距离度量。
7.根据权利要求1所述基于图像处理的光伏板图像自适应增强方法,其特征在于,所述获取每个局部栅线区域内每个像素点与聚类中心的最终距离,包括的具体方法为:
对于任意一个局部栅线区域内任意一个像素点,获取局部栅线区域的聚类中心,获取像素点与聚类中心的欧式距离,获取局部栅线区域内所有像素点与聚类中心的欧式距离,对所有像素点与聚类中心的欧式距离进行最大值最小值归一化,将归一化后每个像素点与聚类中心的欧式距离记为局部栅线区域内每个像素点与聚类中心的最终距离;
每个局部栅线区域内每个像素点与聚类中心的最终距离。
8.根据权利要求1所述基于图像处理的光伏板图像自适应增强方法,其特征在于,所述根据最终增强必要性进行自适应增强,包括的具体方法为:
将所有局部栅线区域内所有像素点输入GMM混合模型,将每个像素点的输出结果记为输出拟合值;对于任意一个局部栅线区域内任意一个像素点,若像素点的最终增强必要性大于输出拟合值,将像素点的最终增强必要性作为像素点的增强系数;若像素点的最终增强必要性小于等于输出拟合值,将像素点的输出拟合值作为像素点的增强系数;
式中,表示像素点灰度增强后的灰度值;/>表示像素点的增强系数;/>表示像素点的灰度增强前的灰度值;
对所有局部栅线区域内所有像素点进行灰度增强,得到所有局部栅线区域内所有像素点灰度增强后的灰度值后,将光伏板灰度图像记为增强后的光伏板灰度图像,获取所有增强后的光伏板灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345698.6A CN117078567B (zh) | 2023-10-18 | 2023-10-18 | 基于图像处理的光伏板图像自适应增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345698.6A CN117078567B (zh) | 2023-10-18 | 2023-10-18 | 基于图像处理的光伏板图像自适应增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078567A CN117078567A (zh) | 2023-11-17 |
CN117078567B true CN117078567B (zh) | 2024-01-26 |
Family
ID=88706534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311345698.6A Active CN117078567B (zh) | 2023-10-18 | 2023-10-18 | 基于图像处理的光伏板图像自适应增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078567B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116416166A (zh) * | 2023-06-12 | 2023-07-11 | 贵州省人民医院 | 一种肝活检数据分析方法及系统 |
CN116703931A (zh) * | 2023-08-09 | 2023-09-05 | 山东津庭名企建材有限公司 | 一种用于建筑高分子材料的表面银纹检测方法 |
CN116843692A (zh) * | 2023-09-04 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 基于人工智能的再生活性炭状态检测方法 |
-
2023
- 2023-10-18 CN CN202311345698.6A patent/CN117078567B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116416166A (zh) * | 2023-06-12 | 2023-07-11 | 贵州省人民医院 | 一种肝活检数据分析方法及系统 |
CN116703931A (zh) * | 2023-08-09 | 2023-09-05 | 山东津庭名企建材有限公司 | 一种用于建筑高分子材料的表面银纹检测方法 |
CN116843692A (zh) * | 2023-09-04 | 2023-10-03 | 青岛冠宝林活性炭有限公司 | 基于人工智能的再生活性炭状态检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117078567A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086714B (zh) | 表格识别方法、识别系统及计算机装置 | |
CN112424828B (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
CN115311270B (zh) | 一种塑料制品表面缺陷检测方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN116977329B (zh) | 一种基于机器视觉的光伏板栅线检测方法 | |
CN107967471A (zh) | 一种基于机器视觉的表具自动识别方法 | |
CN109635814B (zh) | 基于深度神经网络的森林火灾自动检测方法和装置 | |
CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
CN112102232B (zh) | 一种诱导多能干细胞菌落质量自动评估方法及装置 | |
CN113506286A (zh) | 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法 | |
CN116485785B (zh) | 一种太阳能电池片的表面缺陷检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN116030052A (zh) | 电脑显示板层压工序蚀刻质量检测方法 | |
CN116863253A (zh) | 基于大数据分析的运维风险预警方法 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN116580220B (zh) | 一种数字政府平台数据优化传输方法及系统 | |
CN117078567B (zh) | 基于图像处理的光伏板图像自适应增强方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
CN111127532A (zh) | 基于深度学习特征光流的医学图像形变配准方法及系统 | |
CN113763359A (zh) | 一种金属近表面缺陷检测用智能检测与感知系统 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN116958126B (zh) | 基于计算机视觉的模具注塑检测方法及系统 | |
CN114863095B (zh) | 一种基于颜色转换的答题卡图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |