[發明專利]一種變電站復雜背景紅外圖像中設備的識別分類方法有效
| 申請號： | 201710953733.0 | 申請日： | 2017-10-13 |
| 公開（公告）號： | CN108319966B | 公開（公告）日： | 2019-08-09 |
| 發明（設計）人： | 王媛彬 | 申請（專利權）人： | 西安科技大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06K9/38;G06K9/46;G06K9/60;G06T5/00;G06T5/40 |
| 代理公司： | 上海精晟知識產權代理有限公司 31253 | 代理人： | 馮子玲 |
| 地址： | 710054 *** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 紅外圖像 圖像處理器 變電站設備 復雜背景 圖像 變電站 分類識別 圖像增強 形態學 紅外圖像采集 直方圖均衡化 傳統直方圖 分割算法 區域生長 特征提取 圖像分割 均衡化 分類 算法 改進 采集 修復 輸出 分割 | ||
1.一種變電站復雜背景紅外圖像中設備的識別分類方法，其特征在于，該方法包括以下步驟：
步驟一、將通過紅外圖像采集儀(1)采集的變電站設備紅外圖像導入圖像處理器(2)中；
步驟二、圖像處理器(2)基于Retinex理論對變電站設備紅外圖像進行圖像增強處理，具體過程為：
步驟201、首先，將變電站設備紅外圖像灰度化，然后，根據Retinex理論將變電站設備紅外圖像S(x,y)分解為反射物體圖像R(x,y)和入射光圖像L(x,y)；
步驟202、采用取對數的方法將照射光分量和反射光分離，用公式表示為：
S′(x,y)＝log(R(x,y))+log(L(x,y)) (A1)
步驟203、采用高斯模板對步驟202處理得到的圖像S′(x,y)做卷積進行低通濾波，得到低通濾波后的圖像D(x,y)，用公式表示為：
D(x,y)＝S′(x,y)*F(x,y) (A2)其中，F(x,y)表示高斯濾波函數；
步驟204、在對數域中，用反射物體圖像R(x,y)減去低通濾波后的圖像D(x,y)，得到高頻增強的圖像G(x,y)，用公式表示為：
G(x,y)＝R(x,y)-log(D(x,y)) (A3)
步驟205、對高頻增強的圖像G(x,y)取反對數，得到增強后的圖像R′(x,y)：
R′(x,y)＝exp(G(x,y)) (A4)
步驟三、圖像處理器(2)采用改進的直方圖均衡化算法對經過步驟二處理得到的變電站設備紅外圖像進行圖像增強處理，具體過程為：
步驟301、將步驟二處理得到的增強后的圖像R′(x,y)表示為灰度直方圖；
步驟302、首先，確定分段灰度變換的參數x1、x2、y1和y2，其中，x1為背景與目標區域的分界點，y1為背景與目標區域的分界點處的灰度值，x2為目標區域的代表點，y2為目標區域的代表點處的灰度值；然后，采用由參數x1、x2、y1和y2作為系數的分段線性變換函數對步驟301得到的灰度直方圖進行分段灰度變換，得到分段灰度變換圖；
步驟303、得到分段灰度變換圖的直方圖并統計其灰度級rk和各灰度級像素數nk，其中，k為經過步驟302變換后的圖像中的第k個灰度級，且k的取值為0,1,2,…，L-1；L為灰度級的總數；
步驟304、根據公式pk＝nk/N計算分段灰度變換圖的直方圖各灰度級像素數的概率pk，其中，N為灰度圖像的像素點總數；
步驟305、根據公式計算分段灰度變換圖中各灰度級的累計概率sk；
步驟306、對sk取整得到新的灰度變換圖的累計概率Sk＝int{(L-1)sk+0.5}；
步驟307、將步驟306中的Sk與步驟303中的rk相對應，建立rk與Sk的映射關系，繪制累計直方圖，并統計在rk與Sk的映射關系下新灰度變換圖中各灰度級像素數的概率p'k；
步驟308、統計新灰度變換圖的各灰度級像素數n′k；
步驟309、繪制出新灰度變換圖；
步驟四、圖像處理器(2)采用改進的區域生長分割算法對經過步驟三處理得到的變電站設備紅外圖像進行圖像分割處理，并采用形態學的方法對分割得到的圖像進行修復和完善，具體過程為：
步驟401、對經過步驟三處理得到的新灰度變換圖進行二值化處理，得到二值圖像；
步驟402、標注步驟401得到的二值圖像中的連通分量；
步驟403、從步驟402中標注的連通分量中，找出最大的連通分量；
步驟404、計算并標記出最大的連通分量的中心；
步驟405、以所標記的最大的連通分量的中心為種子點進行8鄰域的區域生長，得到區域分割圖像；
步驟406、對區域內部的大空洞進行區域填充，并對區域內部的小空洞和區域邊界的毛刺部分進行膨脹或開運算操作；
步驟五、圖像處理器(2)調用圖像特征提取模塊對變電站設備紅外圖像特征提取，具體過程為：
步驟501、圖像處理器(2)將經過步驟四處理得到的變電站設備二值圖像與步驟一中獲取的原始的變電站設備紅外圖像進行點乘，提取出原始的變電站設備紅外圖像中的設備區域；
步驟502、圖像處理器(2)對經過步驟501處理后提取出的原始的變電站設備紅外圖像中的設備區域進行三階顏色矩提取；
步驟503、圖像處理器(2)對經過步驟四處理得到的變電站設備二值圖像進行不變矩提取；
步驟504、圖像處理器(2)將步驟502中提取到的三階顏色矩和步驟503中提取到的不變矩合并，作為變電站設備紅外圖像的特征向量；
步驟六、圖像處理器(2)調用支持向量機分類模塊對經過步驟五提取到的變電站設備紅外圖像特征進行分類識別，并輸出分類識別結果；具體過程為：
步驟601、數據尺度歸一化；
步驟602、將經過步驟601處理后的數據輸入預先訓練好的支持向量機模型中，得到分類結果；其中，預先訓練支持向量機模型時，選擇徑向基函數RBF作為核函數，通過網絡搜索法得到最優的RBF核自身的參數γ以及錯誤代價系數C，進而得到支持向量機模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于西安科技大學，未經西安科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201710953733.0/1.html，轉載請聲明來源鉆瓜專利網。
