CN117710365A - 缺陷管道图像的处理方法、装置及电子设备 - Google Patents
缺陷管道图像的处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117710365A CN117710365A CN202410145984.6A CN202410145984A CN117710365A CN 117710365 A CN117710365 A CN 117710365A CN 202410145984 A CN202410145984 A CN 202410145984A CN 117710365 A CN117710365 A CN 117710365A
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- defect
- representing
- pipeline 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.)
- Granted
Links
- 230000002950 deficient Effects 0.000 title claims abstract description 63
- 238000003672 processing method Methods 0.000 title description 6
- 230000007547 defect Effects 0.000 claims abstract description 160
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 108
- 238000011156 evaluation Methods 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 230000003190 augmentative effect Effects 0.000 claims description 17
- 238000005286 illumination Methods 0.000 claims description 13
- 239000013049 sediment Substances 0.000 claims description 10
- 238000005336 cracking Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种缺陷管道图像的处理方法、装置及电子设备，涉及到排水管道缺陷图像处理技术领域，该方法包括：获取预设数量的初始缺陷管道图像；将初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；提取分类缺陷管道图像在预设的RGB颜色空间上的通道像素值；将通道像素值输入预设的灰度化计算公式，输出灰度计算值；根据灰度计算值，确定第一缺陷管道图像；对第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像；对第二排水管道图像进行降噪处理，得到处理后的排水管道图像。该方法通过亮度分量、饱和度分量以及色调分量对缺陷管道图像进行增强，确保图像质量。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种缺陷管道图像的处理方法、装置及电子设备。
背景技术
目前，针对排水管道缺陷的检测方法包括下述步骤：首先，通过工作人员远程控制机器人在管道内移动采集带有排水管缺陷的缺陷管道图像，并通过传输电缆将上述缺陷管道图像实时传送到地面进行检测。然后，通过人工对上述缺陷管道图像进行手动筛选，以筛选出可用于实际操作的图像。然而，人工筛选后的图像仍存在图像质量差的现状。
发明内容
本发明的目的在于提供一种缺陷管道图像的处理方法、装置及电子设备，以提升缺陷管道图像的图像质量。
第一方面，本发明实施例提供了一种缺陷管道图像的处理方法，其中，包括：获取预设数量的初始缺陷管道图像；将上述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；上述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数；提取上述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值；将上述通道像素值输入预设的灰度化计算公式，输出灰度计算值；上述灰度化计算公式为：其中，/>表示上述灰度计算值，R表示上述RGB颜色空间上第一通道像素值的像素值，G表示上述RGB颜色空间上第二通道像素值的像素值，B表示上述RGB颜色空间上第三通道像素值的像素值；根据上述灰度计算值，确定第一缺陷管道图像；对上述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像；对上述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。
在本发明较优的实施方式中，根据上述灰度计算值，确定第一缺陷管道图像的步骤之后，上述方法包括：基于预设的评估参数对上述第一缺陷管道图像进行筛选，得到符合上述评估参数的合格缺陷管道图像；对上述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像的步骤，包括：对上述合格缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像。
在本发明较优的实施方式中，基于预设的评估参数对上述第一缺陷管道图像进行筛选，得到符合上述评估参数的合格缺陷管道图像的步骤之前，上述方法包括：提取上述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息；将上述亮度信息、上述对比度信息、上述灰度均值信息以及上述灰度方差信息输入预设的指令评估公式，输出上述第一缺陷管道图像的质量指标；上述评估公式为：；；/>；其中，/>表示上述质量指标，/>表示上述亮度信息，/>表示上述对比度信息，/>表示上述灰度均值信息中的第一灰度均值，/>表示上述灰度均值信息中的第二灰度均值，/>表示上述灰度方差信息中的第一灰度方差，/>表示上述灰度方差信息中的第二灰度方差，a、β、C1及C2均表示预设常数，a及β取值为1，/>；基于预设的评估参数对上述第一缺陷管道图像进行筛选，得到符合上述评估参数的合格缺陷管道图像的步骤，包括：基于预设的评估参数对上述第一缺陷管道图像的质量指标进行筛选，得到符合上述评估参数的合格缺陷管道图像。
在本发明较优的实施方式中，提取上述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息的步骤之前，上述方法还包括：将上述第一缺陷管道图像基于预设尺寸进行划分，得到子图像；提取上述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息的步骤，包括：提取上述子图像的子图像亮度信息、子图像对比度信息、子图像灰度均值信息以及子图像灰度方差信息；将上述亮度信息、上述对比度信息、上述灰度均值信息以及上述灰度方差信息输入预设的指令评估公式，输出上述第一缺陷管道图像的质量指标的步骤，包括：将上述子图像亮度信息、上述子图像对比度信息、上述子图像灰度均值信息以及上述子图像灰度方差信息输入上述指令评估公式，输出子图像质量指标；根据上述子图像质量指标，确定上述第一缺陷管道图像的质量指标。
在本发明较优的实施方式中，对上述合格缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像的步骤，包括：将上述合格缺陷管道图像转化为HSV格式图像；将上述HSV格式图像的明亮度通道进行高斯平滑处理，得到平滑的明亮图像；利用预设的引导滤波器对上述平滑的明亮图像进行照射分量的计算，得到上述平滑的明亮图像的照射分量图像；通过伽玛校正系数对上述照射分量图像进行校正，得到校正后的照射分量图像；通过预设的直方图均衡化CLAHE算法对校正后的照射分量图像进行增强，得到增强后的校正照射分量图像；计算上述明亮度通道中大于预设频率的明亮度通道信号的反射分量，得到高频反射分量；对上述高频反射分量进行增强，得到增强后的高频反射分量；对上述HSV格式图像的饱和度分量进行校正，得到校正后的饱和度分量；根据上述校正后的饱和度分量、增强后的校正照射分量图像、增强后的高频反射分量以及上述HSV格式图像对应的色调分量，确定增强后的HSV 空间图像；将上述增强后的HSV空间图像转化为RGB空间图像；根据上述RGB空间图像，确定上述第二排水管道图像。
在本发明较优的实施方式中，对上述第二排水管道图像进行降噪处理，得到处理后的排水管道图像的步骤，包括：通过预设的低秩矩阵模型，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像。
在本发明较优的实施方式中，通过预设的低秩矩阵模型，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像的步骤，包括：将上述第二排水管道图像基于预设参数进行划分，得到多个重叠图像；采用全局搜索算法，按照欧氏距离的标准，在上述多个重叠图像中确定与预设参考块相似的相似图形块；将每个上述相似图形块对应的参数表示为列向量，并将上述列向量基于上述低秩矩阵模型组合为矩阵；根据上述矩阵以及上述低秩矩阵模型，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像。
在本发明较优的实施方式中，上述低秩矩阵模型通过下述公式进行表示：D=其中，D表述上述低秩矩阵模型，/>表示上述列向量对应低秩矩阵f1的权重矩阵，/>表示上述列向量对应稀疏矩阵f2的权重矩阵，/>表示预设的高斯噪声的约束项，/>表示上述列向量对应稀疏矩阵 f2的权重函数，/>表示预设的高斯噪声约束项的权重函数；/>表示上述稀疏矩阵 f2的权重矩阵；E 表示第三预设参数；n表示上述重叠图像的个数；j表示上述n个重叠图像中的第j个图像；将上述列向量基于上述低秩矩阵模型组合为矩阵的步骤，包括：根据下述公式，将上述列向量基于上述低秩矩阵模型组合为矩阵：/>其中，/>表示上述矩阵；根据上述矩阵以及上述低秩矩阵模型，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像的步骤，包括：基于上述低秩矩阵模型以及上述矩阵构造增广拉格朗日函数；根据上述增广拉格朗日函数，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像；其中，通过下述公式基于上述低秩矩阵模型以及上述矩阵构造增广拉格朗日函数：/>其中，/>表示上述增广拉格朗日函数，/>表示上述低秩矩阵f1的奇异值权重，表示上述低秩矩阵f1的奇异值，Y表示预设的拉格朗日乘子， k表示第一预设参数，/>表示第二预设参数，/>,/>，E 表示第三预设参数；/>表示上述稀疏矩阵 f2的权重矩阵；/>表示预设的高斯噪声的约束项；n表示上述重叠图像的个数；L表示增广拉格朗日函数；j表示上述n个重叠图像中的第j个图像。
第二方面，本发明实施例提供了一种缺陷管道图像的处理装置，其中，包括：图像获取模块，用于获取预设数量的初始缺陷管道图像；分类模块，用于将上述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；上述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数；提取通道像素值模块，用于提取上述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值；灰度化处理模块，同于将上述通道像素值输入预设的灰度化计算公式，输出灰度计算值；上述灰度化计算公式为：，其中，表示上述灰度计算值，R表示上述RGB颜色空间上第一通道像素值的像素值，G表示上述RGB颜色空间上第二通道像素值的像素值，B表示上述RGB颜色空间上第三通道像素值的像素值；筛选模块，用于根据上述灰度计算值，确定第一缺陷管道图像；增强模块，用于对上述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像；降噪模块，用于对上述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。
第三方面，本发明实施例提供了一种电子设备，其中，上述电子设备包括处理器和存储器，上述存储器存储有能够被上述处理器执行的计算机可执行指令，上述处理器执行上述计算机可执行指令以实现第一方面至第一方面的第七中可能的实施方式任一项上述的缺陷管道图像的处理方法。
本发明实施例带来了以下有益效果：
本发明实施例提供的一种缺陷管道图像的处理方法、装置及电子设备，包括：获取预设数量的初始缺陷管道图像；将上述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；上述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数；提取上述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值；将上述通道像素值输入预设的灰度化计算公式，输出灰度计算值；上述灰度化计算公式为：其中，/>表示上述灰度计算值，R表示上述RGB颜色空间上第一通道像素值的像素值，G表示上述RGB颜色空间上第二通道像素值的像素值，B表示上述RGB颜色空间上第三通道像素值的像素值；根据上述灰度计算值，确定第一缺陷管道图像；对上述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像；对上述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。该方法通过亮度分量、饱和度分量以及色调分量对缺陷管道图像进行增强，确保图像质量。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种缺陷管道图像的处理方法的流程示意图；
图2为本发明实施例提供的另一种缺陷管道图像的处理方法的流程示意图；
图3为本发明实施例提供的一种缺陷管道图像的处理装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
图标：31-图像获取模块；32-分类模块；33-提取通道像素值模块；34-灰度化处理模块；35-筛选模块；36-增强模块；37-降噪模块；41-处理器；42-存储器；43-总线；44-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。
针对排水管道缺陷的检测方法包括下述步骤：首先，通过工作人员远程控制机器人在管道内移动采集带有排水管缺陷的缺陷管道图像，并通过传输电缆将上述缺陷管道图像实时传送到地面进行检测。然后，通过人工对上述缺陷管道图像进行手动筛选，以筛选出可用于实际操作的图像。然而，人工筛选后的图像仍存在图像质量差的现状。
基于此，本发明实施例提供了一种缺陷管道图像的处理方法、装置及电子设备，该方法通过亮度分量、饱和度分量以及色调分量对缺陷管道图像进行增强，确保图像质量。为便于对本实施例进行理解，首先对本发明实施例所公开的一种缺陷管道图像的处理方法的训练方法进行详细介绍。
实施例1
图1所示为一种缺陷管道图像的处理方法的流程示意图，由图1可见，该缺陷管道图像的处理方法包括以下步骤：
步骤S101：获取预设数量的初始缺陷管道图像。
步骤S102：将上述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；上述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数。
步骤S103：提取上述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值。
步骤S104：将上述通道像素值输入预设的灰度化计算公式，输出灰度计算值。
其中，上述灰度化计算公式为：
其中，表示上述灰度计算值，R表示上述RGB颜色空间上第一通道像素值的像素值，G表示上述RGB颜色空间上第二通道像素值的像素值，B表示上述RGB颜色空间上第三通道像素值的像素值。
步骤S105：根据上述灰度计算值，确定第一缺陷管道图像。
在本实施例中，上述步骤S105通过根据上述灰度计算值，将上述初始缺陷管道图像进行灰度化处理，以得到上述第一缺陷管道图像。
步骤S106：对上述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像。
步骤S107：对上述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。
本发明实施例提供的一种缺陷管道图像的处理方法，包括：获取预设数量的初始缺陷管道图像；将上述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；上述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数；提取上述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值；将上述通道像素值输入预设的灰度化计算公式，输出灰度计算值；上述灰度化计算公式为：其中，/>表示上述灰度计算值，R表示上述RGB颜色空间上第一通道像素值的像素值，G表示上述RGB颜色空间上第二通道像素值的像素值，B表示上述RGB颜色空间上第三通道像素值的像素值；根据上述灰度计算值，确定第一缺陷管道图像；对上述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像；对上述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。该方法通过亮度分量、饱和度分量以及色调分量对缺陷管道图像进行增强，确保图像质量。
实施例2
在图1所示的缺陷管道图像的处理方法的基础上，图2为本发明实施例提供的另一种缺陷管道图像的处理方法的流程示意图。由图2所见，该方法包括：
步骤S201：获取预设数量的初始缺陷管道图像。
步骤S202：将上述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；上述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数；
步骤S203：提取上述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值。
步骤S204：将上述通道像素值输入预设的灰度化计算公式，输出灰度计算值；上述灰度化计算公式为：
其中，表示上述灰度计算值，R表示上述RGB颜色空间上第一通道像素值的像素值，G表示上述RGB颜色空间上第二通道像素值的像素值，B表示上述RGB颜色空间上第三通道像素值的像素值。
步骤S205：根据上述灰度计算值，确定第一缺陷管道图像。
步骤S206：基于预设的评估参数对上述第一缺陷管道图像进行筛选，得到符合上述评估参数的合格缺陷管道图像。
上述步骤具有以下技术效果：本申请通过灰度计算值对初始缺陷管道图像进行评估，对图像质量较差的排水管道图像进行剔除，从而确保了上述第一缺陷管道图像的质量。
在其中的一种实施方式中，基于预设的评估参数对上述第一缺陷管道图像进行筛选，得到符合上述评估参数的合格缺陷管道图像的步骤之前，上述方法包括：提取上述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息；将上述亮度信息、上述对比度信息、上述灰度均值信息以及上述灰度方差信息输入预设的指令评估公式，输出上述第一缺陷管道图像的质量指标；上述评估公式为：；；/>；其中，/>表示上述质量指标，/>表示上述亮度信息，/>表示上述对比度信息，/>表示上述灰度均值信息中的第一灰度均值，/>表示上述灰度均值信息中的第二灰度均值，/>表示上述灰度方差信息中的第一灰度方差，/>表示上述灰度方差信息中的第二灰度方差，a、β、C1及C2均表示预设常数，a及β取值为1，/>。进一步的，基于预设的评估参数对上述第一缺陷管道图像进行筛选，得到符合上述评估参数的合格缺陷管道图像的步骤，包括：基于预设的评估参数对上述第一缺陷管道图像的质量指标进行筛选，得到符合上述评估参数的合格缺陷管道图像。
在其中的一种实施方式中，提取上述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息的步骤之前，上述方法还包括：将上述第一缺陷管道图像基于预设尺寸进行划分，得到子图像；提取上述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息的步骤，包括：提取上述子图像的子图像亮度信息、子图像对比度信息、子图像灰度均值信息以及子图像灰度方差信息；将上述亮度信息、上述对比度信息、上述灰度均值信息以及上述灰度方差信息输入预设的指令评估公式，输出上述第一缺陷管道图像的质量指标的步骤，包括：将上述子图像亮度信息、上述子图像对比度信息、上述子图像灰度均值信息以及上述子图像灰度方差信息输入上述指令评估公式，输出子图像质量指标；根据上述子图像质量指标，确定上述第一缺陷管道图像的质量指标。
这里，根据上述子图像质量指标，确定上述第一缺陷管道图像的质量指标的步骤，包括：
基于下述公式根据上述子图像质量指标，确定上述第一缺陷管道图像的质量指标：
其中，表示上述第一缺陷管道图像的质量指标，上述/>表示第一缺陷管道图像对应的子图像灰度均值信息，/>表示上述子图像质量指标，上述M表示上述子图像共有M个，上述i表示上述M个子图像的第i个子图像。
步骤S207：对上述合格缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像。
在其中的一种实施方式中，对上述合格缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像，包括下述步骤A1-A10：
步骤A1：将上述合格缺陷管道图像转化为HSV格式图像。
步骤A2：将上述HSV格式图像的明亮度通道进行高斯平滑处理，得到平滑的明亮图像。
在本实施例中，通过下述公式将上述HSV格式图像的明亮度通道进行高斯平滑处理，得到平滑的明亮图像：
；
；
；
；
其中，表示上述平滑的明亮图像，/>表示上述明亮图像对应的K个高斯函数，/>表示预设的高斯权重系数，/>表示高斯尺度因子，/>，p表示预设归一化标准差，/>，N表示上述平滑的明亮图像的子分块的总数，/>表示第n个子分块的明亮度的平均值；/>为上述平滑的明亮图像对应的全局亮度的平均值。
步骤A3：利用预设的引导滤波器对上述平滑的明亮图像进行照射分量的计算，得到上述平滑的明亮图像的照射分量图像。
其中，通过下述公式利用预设的引导滤波器对上述平滑的明亮图像进行照射分量的计算，得到上述平滑的明亮图像的照射分量图像：
其中，为上述平滑的明亮图像的照射分量图像，/>表示图像像素（x，y）为中心的局部方形窗口/>中的像素两点的数量，/>和/>为上述引导滤波函数的系数。
步骤A4：通过伽玛校正系数对上述照射分量图像进行校正，得到校正后的照射分量图像。
；
；
；
其中，为上述伽玛校正系数，/>为上述照射分量图像的宽，h为上述照射分量图像的高，/>为平均照射分量系数。
步骤A5：通过预设的直方图均衡化CLAHE算法对校正后的照射分量图像进行增强，得到增强后的校正照射分量图像。
步骤A6：计算上述明亮度通道中大于预设频率的明亮度通道信号的反射分量，得到高频反射分量。
；
其中，为上述高频反射分量,/>为上述HSV格式图像进行高斯平滑处理后的图像，/>为上述平滑的明亮图像的照射分量图像。
步骤A7：对上述高频反射分量进行增强，得到增强后的高频反射分量。
步骤A8：对上述HSV格式图像的饱和度分量进行校正，得到校正后的饱和度分量。
在本实施例中，通过下述公式对上述HSV格式图像的饱和度分量进行校正，得到校正后的饱和度分量：
；
；
；
其中，为上述HSV格式图像的饱和度分量，/>为上述校正后的饱和度分量，c为预设常数，/>以及/>分别表示上述HSV格式图像的像素点（x，y）域窗口/>内的明亮度均值和方差，/>以及/>分别表示上述HSV格式图像的像素点（x，y）域窗口/>内的饱和度均值与方差。
步骤A9：根据上述校正后的饱和度分量、增强后的校正照射分量图像、增强后的高频反射分量以及上述HSV格式图像对应的色调分量，确定增强后的HSV 空间图像。
步骤A10：将上述增强后的HSV空间图像转化为RGB空间图像；根据上述RGB空间图像，确定上述第二排水管道图像。
步骤S208：对上述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。
在其中的一种实施方式中，上述步骤S208包括：通过预设的低秩矩阵模型，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像。
这里，上述步骤具有下述有益效果：通过采用低秩矩阵降噪方法，以用于去除第二排水管道图像的高斯噪声及脉冲噪声，对图像进一步清晰化。
在本实施例中，上述低秩矩阵模型通过下述公式进行表示：
D=
其中，D表述上述低秩矩阵模型，表示上述列向量对应低秩矩阵f1的权重矩阵，表示上述列向量对应稀疏矩阵f2的权重矩阵，/>表示预设的高斯噪声的约束项，/>表示上述列向量对应稀疏矩阵 f2的权重函数，/>表示预设的高斯噪声约束项的权重函数；表示上述稀疏矩阵 f2的权重矩阵；E 表示第三预设参数； n表示上述重叠图像的个数；j表示上述n个重叠图像中的第j个图像；
根据下述公式，将上述列向量基于上述低秩矩阵模型组合为矩阵：
其中，表示上述矩阵。
在本实施例中，根据上述矩阵以及上述低秩矩阵模型，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像的步骤，包括：基于上述低秩矩阵模型以及上述矩阵构造增广拉格朗日函数；根据上述增广拉格朗日函数，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像；其中，通过下述公式基于上述低秩矩阵模型以及上述矩阵构造增广拉格朗日函数：
其中，/>表示上述增广拉格朗日函数，/>表示上述低秩矩阵f1的奇异值权重，表示上述低秩矩阵f1的奇异值，Y表示预设的拉格朗日乘子， k表示第一预设参数，/>表示第二预设参数，/>,/>，E 表示第三预设参数；/>表示上述稀疏矩阵 f2的权重矩阵；/>表示预设的高斯噪声的约束项；n表示上述重叠图像的个数；L表示增广拉格朗日函数；j表示上述n个重叠图像中的第j个图像。
在本实施例中，通过下述公式更新上述f1，f2，E，Y，，从而更新上述增广拉格朗日函数：
其中，为更新后的f1，/>为更新后的f2，/>为更新后的E，/>为更新后的Y，/>为更新后的/>。
进一步的，判断下述公式是否收敛；
其中，该公式为：
如果该公式收敛，则输出对应的f1、f2以及E；否则，继续更新上述f1，f2，E，Y，直到该公式收敛。
本发明实施例提供的一种缺陷管道图像的处理方法，包括：获取预设数量的初始缺陷管道图像；将上述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；上述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数；提取上述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值；将上述通道像素值输入预设的灰度化计算公式，输出灰度计算值；上述灰度化计算公式为：其中，/>表示上述灰度计算值，R表示上述RGB颜色空间上第一通道像素值的像素值，G表示上述RGB颜色空间上第二通道像素值的像素值，B表示上述RGB颜色空间上第三通道像素值的像素值；根据上述灰度计算值，确定第一缺陷管道图像；基于预设的评估参数对上述第一缺陷管道图像进行筛选，得到符合上述评估参数的合格缺陷管道图像；对上述合格缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像；对上述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。该方法通过亮度分量、饱和度分量以及色调分量对缺陷管道图像进行增强，确保图像质量。该方法通过预设的评估参数对上述第一缺陷管道图像进行筛选，并对筛选后的图像进行图像增强和降噪，对较传统的图像处理而言，更加系统化、全面化和优质化，最终得到的处理后的排水管道图像更加清晰，为进一步判断缺陷类别奠定基础。
实施例3
图3为本发明实施例提供的一种缺陷管道图像的处理装置的结构示意图。由图3所见，该装置包括：
图像获取模块31，用于获取预设数量的初始缺陷管道图像。
分类模块32，用于将上述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；上述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数。
提取通道像素值模块33，用于提取上述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值。
灰度化处理模块34，同于将上述通道像素值输入预设的灰度化计算公式，输出灰度计算值；上述灰度化计算公式为：其中，/>表示上述灰度计算值，R表示上述RGB颜色空间上第一通道像素值的像素值，G表示上述RGB颜色空间上第二通道像素值的像素值，B表示上述RGB颜色空间上第三通道像素值的像素值。
筛选模块35，用于根据上述灰度计算值，确定第一缺陷管道图像。
增强模块36，用于对上述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像。
降噪模块37，用于对上述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。
其中，上述图像获取模块31、分类模块32、提取通道像素值模块33、灰度化处理模块34、筛选模块35、增强模块36以及降噪模块37依次连接。
在其中的一种实施方式中，该装置还包括评估模块；该评估模块用于基于预设的评估参数对上述第一缺陷管道图像进行筛选，得到符合上述评估参数的合格缺陷管道图像；上述增强模块36还用于对上述合格缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像。
在其中的一种实施方式中，该评估模块还用于提取上述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息；将上述亮度信息、上述对比度信息、上述灰度均值信息以及上述灰度方差信息输入预设的指令评估公式，输出上述第一缺陷管道图像的质量指标；上述评估公式为：；/>；；其中，/>表示上述质量指标，/>表示上述亮度信息，/>表示上述对比度信息，/>表示上述灰度均值信息中的第一灰度均值，/>表示上述灰度均值信息中的第二灰度均值，/>表示上述灰度方差信息中的第一灰度方差，/>表示上述灰度方差信息中的第二灰度方差，a、β、C1及C2表示预设常数，a及β取值为1，/>；上述筛选模块35还用于基于预设的评估参数对上述第一缺陷管道图像的质量指标进行筛选，得到符合上述评估参数的合格缺陷管道图像。
在其中的一种实施方式中，该评估模块还用于在上述提取上述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息的步骤之前，上述方法还包括：将上述第一缺陷管道图像基于预设尺寸进行划分，得到子图像；上述提取通道像素值模块33还用于提取上述子图像的子图像亮度信息、子图像对比度信息、子图像灰度均值信息以及子图像灰度方差信息；该评估模块还用于将上述子图像亮度信息、上述子图像对比度信息、上述子图像灰度均值信息以及上述子图像灰度方差信息输入上述指令评估公式，输出子图像质量指标；根据上述子图像质量指标，确定上述第一缺陷管道图像的质量指标。
在其中的一种实施方式中，上述增强模块36还用于将上述合格缺陷管道图像转化为HSV格式图像；将上述HSV格式图像的明亮度通道进行高斯平滑处理，得到平滑的明亮图像；利用预设的引导滤波器对上述平滑的明亮图像进行照射分量的计算，得到上述平滑的明亮图像的照射分量图像；通过伽玛校正系数对上述照射分量图像进行校正，得到校正后的照射分量图像；通过预设的直方图均衡化CLAHE算法对校正后的照射分量图像进行增强，得到增强后的校正照射分量图像；计算上述明亮度通道中大于预设频率的明亮度通道信号的反射分量，得到高频反射分量；对上述高频反射分量进行增强，得到增强后的高频反射分量；对上述HSV格式图像的饱和度分量进行校正，得到校正后的饱和度分量；根据上述校正后的饱和度分量、增强后的校正照射分量图像、增强后的高频反射分量以及上述HSV格式图像对应的色调分量，确定增强后的HSV 空间图像；将上述增强后的HSV空间图像转化为RGB空间图像；根据上述RGB空间图像，确定上述第二排水管道图像。
在其中的一种实施方式中，上述降噪模块37用于通过预设的低秩矩阵模型，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像。
在其中的一种实施方式中，上述降噪模块37用于将上述第二排水管道图像基于预设参数进行划分，得到多个重叠图像；采用全局搜索算法，按照欧氏距离的标准，在上述多个重叠图像中确定与预设参考块相似的相似图形块；将每个上述相似图形块对应的参数表示为列向量，并将上述列向量基于上述低秩矩阵模型组合为矩阵；根据上述矩阵以及上述低秩矩阵模型，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像。
在其中的一种实施方式中，上述低秩矩阵模型通过下述公式进行表示：D=，其中，D表述上述低秩矩阵模型，/>表示上述列向量对应低秩矩阵f1的权重矩阵，/>表示上述列向量对应稀疏矩阵f2的权重矩阵，/>表示预设的高斯噪声的约束项，/>表示上述列向量对应稀疏矩阵f2的权重函数，/>表示预设的高斯噪声约束项的权重函数；/>表示上述稀疏矩阵 f2的权重矩阵；E 表示第三预设参数； n表示上述重叠图像的个数；j表示上述n个重叠图像中的第j个图像；上述降噪模块37用于根据下述公式，将上述列向量基于上述低秩矩阵模型组合为矩阵：/>其中，/>表示上述矩阵；上述降噪模块37还用于基于上述低秩矩阵模型以及上述矩阵构造增广拉格朗日函数；根据上述增广拉格朗日函数，去除上述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像；其中，通过下述公式基于上述低秩矩阵模型以及上述矩阵构造增广拉格朗日函数：/>其中，/>表示上述增广拉格朗日函数，/>表示上述低秩矩阵f1的奇异值权重，表示上述低秩矩阵f1的奇异值，Y表示预设的拉格朗日乘子， k表示第一预设参数，/>表示第二预设参数，/>,/>，E 表示第三预设参数；/>表示上述稀疏矩阵 f2的权重矩阵；/>表示预设的高斯噪声的约束项；n表示上述重叠图像的个数；L表示增广拉格朗日函数；j表示上述n个重叠图像中的第j个图像。
本发明实施例提供的缺陷管道图像的处理装置，其实现原理及产生的技术效果和前述缺陷管道图像的处理方法实施例相同，为简要描述，缺陷管道图像的处理装置的实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备，如图4所示，为该电子设备的结构示意图，其中，该电子设备包括处理器41和存储器42，该存储器42存储有能够被该处理器41执行的机器可执行指令，该处理器41执行该机器可执行指令以实现上述缺陷管道图像的处理方法。
在图4示出的实施方式中，该电子设备还包括总线43和通信接口44，其中，处理器41、通信接口44和存储器42通过总线连接。
其中，存储器42可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口44（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器41可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器41中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器41可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器41读取存储器42中的信息，结合其硬件完成前述实施例的缺陷管道图像的处理方法的步骤。
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述缺陷管道图像的处理方法，具体实现可参见前述方法实施例，在此不再赘述。
本发明实施例所提供的缺陷管道图像的处理方法、缺陷管道图像的处理装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的缺陷管道图像的处理方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种缺陷管道图像的处理方法，其特征在于，包括：
获取预设数量的初始缺陷管道图像；
将所述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；所述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数；
提取所述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值；
将所述通道像素值输入预设的灰度化计算公式，输出灰度计算值；所述灰度化计算公式为：
其中，表示所述灰度计算值，R表示所述RGB颜色空间上第一通道像素值的像素值，G表示所述RGB颜色空间上第二通道像素值的像素值，B表示所述RGB颜色空间上第三通道像素值的像素值；
根据所述灰度计算值，确定第一缺陷管道图像；
对所述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像；
对所述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。
2.根据权利要求1所述的缺陷管道图像的处理方法，其特征在于，根据所述灰度计算值，确定第一缺陷管道图像的步骤之后，所述方法包括：
基于预设的评估参数对所述第一缺陷管道图像进行筛选，得到符合所述评估参数的合格缺陷管道图像；
对所述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像的步骤，包括：
对所述合格缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像。
3.根据权利要求2所述的缺陷管道图像的处理方法，其特征在于，基于预设的评估参数对所述第一缺陷管道图像进行筛选，得到符合所述评估参数的合格缺陷管道图像的步骤之前，所述方法包括：
提取所述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息；
将所述亮度信息、所述对比度信息、所述灰度均值信息以及所述灰度方差信息输入预设的指令评估公式，输出所述第一缺陷管道图像的质量指标；所述评估公式为：
；
；
；
其中，表示所述质量指标，/>表示所述亮度信息，/>表示所述对比度信息，/>表示所述灰度均值信息中的第一灰度均值，/>表示所述灰度均值信息中的第二灰度均值，/>表示所述灰度方差信息中的第一灰度方差，/>表示所述灰度方差信息中的第二灰度方差，a、β、C1及C2均表示预设常数，a及β取值为1，/>；
基于预设的评估参数对所述第一缺陷管道图像进行筛选，得到符合所述评估参数的合格缺陷管道图像的步骤，包括：
基于预设的评估参数对所述第一缺陷管道图像的质量指标进行筛选，得到符合所述评估参数的合格缺陷管道图像。
4.根据权利要求3所述的缺陷管道图像的处理方法，其特征在于，提取所述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息的步骤之前，所述方法还包括：
将所述第一缺陷管道图像基于预设尺寸进行划分，得到子图像；
提取所述第一缺陷管道图像的亮度信息、对比度信息、灰度均值信息以及灰度方差信息的步骤，包括：
提取所述子图像的子图像亮度信息、子图像对比度信息、子图像灰度均值信息以及子图像灰度方差信息；
将所述亮度信息、所述对比度信息、所述灰度均值信息以及所述灰度方差信息输入预设的指令评估公式，输出所述第一缺陷管道图像的质量指标的步骤，包括：
将所述子图像亮度信息、所述子图像对比度信息、所述子图像灰度均值信息以及所述子图像灰度方差信息输入所述指令评估公式，输出子图像质量指标；
根据所述子图像质量指标，确定所述第一缺陷管道图像的质量指标。
5.根据权利要求2所述的缺陷管道图像的处理方法，其特征在于，对所述合格缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像的步骤，包括：
将所述合格缺陷管道图像转化为HSV格式图像；
将所述HSV格式图像的明亮度通道进行高斯平滑处理，得到平滑的明亮图像；
利用预设的引导滤波器对所述平滑的明亮图像进行照射分量的计算，得到所述平滑的明亮图像的照射分量图像；
通过伽玛校正系数对所述照射分量图像进行校正，得到校正后的照射分量图像；
通过预设的直方图均衡化CLAHE算法对校正后的照射分量图像进行增强，得到增强后的校正照射分量图像；
计算所述明亮度通道中大于预设频率的明亮度通道信号的反射分量，得到高频反射分量；
对所述高频反射分量进行增强，得到增强后的高频反射分量；
对所述HSV格式图像的饱和度分量进行校正，得到校正后的饱和度分量；
根据所述校正后的饱和度分量、增强后的校正照射分量图像、增强后的高频反射分量以及所述HSV格式图像对应的色调分量，确定增强后的HSV 空间图像；
将所述增强后的HSV空间图像转化为RGB空间图像；
根据所述RGB空间图像，确定所述第二排水管道图像。
6.根据权利要求1所述的缺陷管道图像的处理方法，其特征在于，对所述第二排水管道图像进行降噪处理，得到处理后的排水管道图像的步骤，包括：
通过预设的低秩矩阵模型，去除所述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像。
7.根据权利要求6所述的缺陷管道图像的处理方法，其特征在于，通过预设的低秩矩阵模型，去除所述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像的步骤，包括：
将所述第二排水管道图像基于预设参数进行划分，得到多个重叠图像；
采用全局搜索算法，按照欧氏距离的标准，在所述多个重叠图像中确定与预设参考块相似的相似图形块；
将每个所述相似图形块对应的参数表示为列向量，并将所述列向量基于所述低秩矩阵模型组合为矩阵；
根据所述矩阵以及所述低秩矩阵模型，去除所述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像。
8.根据权利要求7所述的缺陷管道图像的处理方法，其特征在于，所述低秩矩阵模型通过下述公式进行表示：
D=
其中，D表述所述低秩矩阵模型，表示所述列向量对应低秩矩阵f1的权重矩阵，/>表示所述列向量对应稀疏矩阵f2的权重矩阵，/>表示预设的高斯噪声的约束项，/>表示所述列向量对应稀疏矩阵 f2的权重函数，/>表示预设的高斯噪声约束项的权重函数；/>表示所述稀疏矩阵 f2的权重矩阵；E 表示第三预设参数； n表示所述重叠图像的个数；j表示所述n个重叠图像中的第j个图像；
将所述列向量基于所述低秩矩阵模型组合为矩阵的步骤，包括：
根据下述公式，将所述列向量基于所述低秩矩阵模型组合为矩阵：
其中，表示所述矩阵；
根据所述矩阵以及所述低秩矩阵模型，去除所述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像的步骤，包括：
基于所述低秩矩阵模型以及所述矩阵构造增广拉格朗日函数；
根据所述增广拉格朗日函数，去除所述第二排水管道图像中的高斯噪声及脉冲噪声，得到处理后的排水管道图像；
其中，通过下述公式基于所述低秩矩阵模型以及所述矩阵构造增广拉格朗日函数：
其中，/>表示所述增广拉格朗日函数，/>表示所述低秩矩阵f1的奇异值权重，表示所述低秩矩阵f1的奇异值，Y表示预设的拉格朗日乘子， k表示第一预设参数，/>表示第二预设参数，/>,/>，E 表示第三预设参数；/>表示所述稀疏矩阵 f2的权重矩阵；/>表示预设的高斯噪声的约束项；n表示所述重叠图像的个数；L表示增广拉格朗日函数；j表示所述n个重叠图像中的第j个图像。
9.一种缺陷管道图像的处理装置，其特征在于，包括：
图像获取模块，用于获取预设数量的初始缺陷管道图像；
分类模块，用于将所述初始缺陷管道图像基于预设的缺陷分类标准进行分类，得到分类缺陷管道图像；所述缺陷分类标准包括：排水管道的渗漏情况、破裂情况、错口情况、沉积物情况、障碍物情况、起伏情况以及变形情况分别对应的预设参数；
提取通道像素值模块，用于提取所述分类缺陷管道图像在预设的RGB颜色空间上的通道像素值；
灰度化处理模块，同于将所述通道像素值输入预设的灰度化计算公式，输出灰度计算值；所述灰度化计算公式为：其中，/>表示所述灰度计算值，R表示所述RGB颜色空间上第一通道像素值的像素值，G表示所述RGB颜色空间上第二通道像素值的像素值，B表示所述RGB颜色空间上第三通道像素值的像素值；
筛选模块，用于根据所述灰度计算值，确定第一缺陷管道图像；
增强模块，用于对所述第一缺陷管道图像的亮度分量、饱和度分量以及色调分量分别进行加强，得到第二排水管道图像；
降噪模块，用于对所述第二排水管道图像进行降噪处理，得到处理后的排水管道图像。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的缺陷管道图像的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410145984.6A CN117710365B (zh) | 2024-02-02 | 2024-02-02 | 缺陷管道图像的处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410145984.6A CN117710365B (zh) | 2024-02-02 | 2024-02-02 | 缺陷管道图像的处理方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117710365A true CN117710365A (zh) | 2024-03-15 |
| CN117710365B CN117710365B (zh) | 2024-05-03 |
Family
ID=90146472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410145984.6A Active CN117710365B (zh) | 2024-02-02 | 2024-02-02 | 缺陷管道图像的处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117710365B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080218635A1 (en) * | 2005-11-16 | 2008-09-11 | Takao Tsuruoka | Image processing system, image processing method, and computer program product |
| KR20150121885A (ko) * | 2014-04-22 | 2015-10-30 | 경북대학교 산학협력단 | 디스플레이 인지 컬러 평가 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| WO2019148912A1 (zh) * | 2018-02-02 | 2019-08-08 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN113222866A (zh) * | 2021-07-08 | 2021-08-06 | 北方夜视科技(南京)研究院有限公司 | 灰度图像增强方法、计算机可读介质及计算机系统 |
| CN113436162A (zh) * | 2021-06-23 | 2021-09-24 | 湖南国天电子科技有限公司 | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 |
| CN113516193A (zh) * | 2021-07-19 | 2021-10-19 | 中国农业大学 | 基于图像处理的红枣缺陷识别分类方法及装置 |
| CN114913138A (zh) * | 2022-04-24 | 2022-08-16 | 南通飞旋智能科技有限公司 | 一种基于人工智能的移印机产品缺陷检测方法及系统 |
| CN115082451A (zh) * | 2022-07-26 | 2022-09-20 | 南通剑烽机械有限公司 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
| CN115357964A (zh) * | 2022-06-23 | 2022-11-18 | 中国电建集团华东勘测设计研究院有限公司 | 复杂结构性岩体结构及其各向异性特征的准确获取方法 |
| CN116805416A (zh) * | 2023-08-21 | 2023-09-26 | 中国电建集团华东勘测设计研究院有限公司 | 排水管道缺陷识别模型训练方法、排水管道缺陷识别方法 |
| CN117036255A (zh) * | 2023-07-21 | 2023-11-10 | 北京北排建设有限公司 | 一种基于深度学习的管道缺陷检测与评价方法及装置 |
-
2024
- 2024-02-02 CN CN202410145984.6A patent/CN117710365B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080218635A1 (en) * | 2005-11-16 | 2008-09-11 | Takao Tsuruoka | Image processing system, image processing method, and computer program product |
| KR20150121885A (ko) * | 2014-04-22 | 2015-10-30 | 경북대학교 산학협력단 | 디스플레이 인지 컬러 평가 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
| WO2019148912A1 (zh) * | 2018-02-02 | 2019-08-08 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN113436162A (zh) * | 2021-06-23 | 2021-09-24 | 湖南国天电子科技有限公司 | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 |
| CN113222866A (zh) * | 2021-07-08 | 2021-08-06 | 北方夜视科技(南京)研究院有限公司 | 灰度图像增强方法、计算机可读介质及计算机系统 |
| CN113516193A (zh) * | 2021-07-19 | 2021-10-19 | 中国农业大学 | 基于图像处理的红枣缺陷识别分类方法及装置 |
| CN114913138A (zh) * | 2022-04-24 | 2022-08-16 | 南通飞旋智能科技有限公司 | 一种基于人工智能的移印机产品缺陷检测方法及系统 |
| CN115357964A (zh) * | 2022-06-23 | 2022-11-18 | 中国电建集团华东勘测设计研究院有限公司 | 复杂结构性岩体结构及其各向异性特征的准确获取方法 |
| CN115082451A (zh) * | 2022-07-26 | 2022-09-20 | 南通剑烽机械有限公司 | 一种基于图像处理的不锈钢汤勺缺陷检测方法 |
| CN117036255A (zh) * | 2023-07-21 | 2023-11-10 | 北京北排建设有限公司 | 一种基于深度学习的管道缺陷检测与评价方法及装置 |
| CN116805416A (zh) * | 2023-08-21 | 2023-09-26 | 中国电建集团华东勘测设计研究院有限公司 | 排水管道缺陷识别模型训练方法、排水管道缺陷识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 史进伟;郭朝勇;刘红宁;: "基于机器视觉的枪弹外观缺陷检测系统研究", 组合机床与自动化加工技术, no. 04, 20 April 2013 (2013-04-20), pages 64 - 69 * |
| 吕明珠: "基于机器视觉的印刷品表面缺陷检测研究", 《西安理工大学》, 15 August 2019 (2019-08-15), pages 37 - 42 * |
| 李平;梁丹;梁冬泰;吴晓成;陈兴;: "自适应图像增强的管道机器人缺陷检测方法", 光电工程, no. 01, 15 January 2020 (2020-01-15), pages 72 - 82 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117710365B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN110619618A (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
| CN108038833B (zh) | 一种梯度相关性检测的图像自适应锐化方法和存储介质 | |
| CN103942758A (zh) | 基于多尺度融合的暗通道先验图像去雾方法 | |
| CN110503610B (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
| CN110675339A (zh) | 基于边缘修复和内容修复的图像修复方法及系统 | |
| CN110675334A (zh) | 一种图像增强方法及装置 | |
| CN110378893B (zh) | 图像质量评价方法、装置和电子设备 | |
| CN112862753B (zh) | 噪声强度估计方法、装置及电子设备 | |
| CN110796624A (zh) | 一种图像生成方法、装置及电子设备 | |
| CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN111325671B (zh) | 网络训练方法、装置、图像处理方法及电子设备 | |
| CN111882555A (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
| CN117408905B (zh) | 基于多模态特征提取的医学图像融合方法 | |
| CN114581914A (zh) | 一种雾霾环境下的车牌识别方法 | |
| CN117710365B (zh) | 缺陷管道图像的处理方法、装置及电子设备 | |
| CN113744142A (zh) | 图像修复方法、电子设备及存储介质 | |
| CN111311573B (zh) | 枝条确定方法、装置及电子设备 | |
| CN111028182B (zh) | 图像锐化方法、装置、电子设备及计算机可读存储介质 | |
| CN111340140A (zh) | 图像数据集的获取方法、装置、电子设备及存储介质 | |
| CN115272184A (zh) | 基于优化工业图像质量的缺陷识别方法 | |
| CN112465817A (zh) | 一种基于方向滤波器的路面裂缝检测方法 | |
| CN114648646B (zh) | 一种图像分类方法及装置 |
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 |