CN106951863A - 一种基于随机森林的变电站设备红外图像变化检测方法 - Google Patents
一种基于随机森林的变电站设备红外图像变化检测方法 Download PDFInfo
- Publication number
- CN106951863A CN106951863A CN201710166168.3A CN201710166168A CN106951863A CN 106951863 A CN106951863 A CN 106951863A CN 201710166168 A CN201710166168 A CN 201710166168A CN 106951863 A CN106951863 A CN 106951863A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- feature
- difference
- infrared 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于随机森林的变电站设备红外图像变化检测方法,步骤1、获取同一设备在两个不同时间采集且经过配准的红外图像作为原始红外图像;步骤2、对步骤1中的两幅原始图像提取差分彩色图像和差分灰度图像;步骤3、利用步骤2中产生的差分彩色图像和差分灰度图像进行特征提取;步骤4、制作样本集,构成训练样本和测试样本;步骤5、训练和测试,并进行交叉验证,获得初步的红外图像变化检测结果图像;步骤6、将步骤5中得到的红外图像变化检测结果进行形态学滤波,获得最终的变化检测结果图像;解决了现有技术中人工巡检存在主观性大,判断准确性差,由于图像处理技术采用遥感图像的处理技术存在准确率低,错误率高等技术问题。
Description
技术领域
本发明属于红外图像检测技术,尤其涉及一种基于随机森林的变电站设备红外图像变化检测方法。
背景技术
在变电站里面,需要对目标设备进行巡检,以便及时发现可能出现的设备损坏,及时排除故障,避免造成不必要的经济损失和不该发生的严重事故。而在人工巡检过程中,需要耗费大量的时间以及人力资源,提高了巡检成本。并且人工巡检存在判断的主观性,不同的巡检人员会对设备状态做出不同的判断,再者,随着巡检强度的增加,巡检人员对于设备状态的判断准确性急剧下降。在这种背景下,为了将人力资源释放出来,很多企业或者变电站已经开始研究用机器人代替人工来进行变电扎设备的巡检工作。
作为变电站用于巡检的巡检机器人,巡检机器人需要用传感器来感知环境和设备信息,其中最终要的感知设备为视觉设备‐可见光摄像头和红外摄像头。可将光摄像头主要用于读取仪表数字和液位等任务,而红外摄像头主要是红外热像仪,接收环境以及目标设备所辐射的红外线,经过转换,转为红外图像输出,这需要用到图像变化检测技术;目前的图像或者场景变化检测技术大部分是针对遥感影像展开的,可以用于监测国土资源或者森林覆盖,农田面积的变迁。更可以用于监测军事基地的变化。因此,也留下了一些经典的变化检测方法,例如差分图像法(Image Differencing),比值图像法(Image Ratioing),变化矢量分析法CVA(Change Vector Analysis),和主成分分析法PCA(Principal ComponentAnalysis)。差分图像法最为简单,直接将两幅不同时间采集的图像进行相减,然后采取自动阈值处理找到合适的变化区域分割阈值对变化区域进行预测。比值图像法将两幅图像进行做商,得到商值图像,商值接近接近1说明没变化,商值偏离1说明发生了变化。变化矢量分析法主要是从两幅图像的多波段(多通道)值经过相关转换(如做差)获得变化矢量,通过求解变化矢量的幅度和相角获取变化的程度和变化类型。主成分分析法则是先将两时相图像的多波段图像做PCA变换,映射到到特征矢量空间,之后各自取其第一主分量做差,得到第一主分量差值图像,通过阈值确定变化区域。
但是现有技术都用于遥感影像检测处理,并没有适用于变电站巡检红外图像的变化检测方法,直接套用上述的图像检测方法存在准确率低,错误率高等问题。
发明内容:
本发明要解决的技术问题是:提供一种基于随机森林的变电站设备红外图像变化检测方法,以解决现有技术中变电站巡检通过人工巡检存在主观性大,巡检人员对于设备状态的判断准确性差,通过机器人红外巡检由于图像处理技术采用遥感图像的处理技术存在准确率低,错误率高等技术问题。
本发明技术方案:
一种基于随机森林的变电站设备红外图像变化检测方法,它包括:
步骤1、获取同一设备在两个不同时间采集且经过配准的红外图像作为原始红外图像;
步骤2、对步骤1中的两幅原始图像提取差分彩色图像和差分灰度图像;
步骤3、利用步骤2中产生的差分彩色图像和差分灰度图像进行特征提取;
步骤4、制作样本集,构成训练样本和测试样本;
步骤5、训练和测试,并进行交叉验证,获得初步的红外图像变化检测结果图像;
步骤6、将步骤5中得到的红外图像变化检测结果进行形态学滤波,获得最终的变化检测结果图像。
它还包括:
步骤7、通过检测结果性能评价指标CSI(Card Similarity Index)和AE(AreaError)对检测结果进行评价。
步骤2所述提取差分彩色图像和差分灰度图像的过程为:将步骤1获得的两时相原始红外图像的像素点对像素点进行相减,得到差分彩色图像;将步骤获得的两时相原始红外图像转化为灰度图像,之后将两幅灰度图像像素点对像素点进行相减,得到差分灰度图像。
步骤3所述特征提取包括:灰度特征、RGB特征、灰度均值特征、LBP特征;、灰度直方图特征和纹理特征。
特征提取的方法为:
利用步骤2得到的差分灰度图像直接将每个像素点的灰度强度作为该像素点灰度特征;
将步骤2得到的差分彩色图像在每个像素点的3通道值串联成一个3维向量作为该像素点的RGB特征;
以步骤2得到的差分灰度图像每个像素点为中心开一个3*3的窗口,对该窗口所有像素点做加权平均,加权矩阵为3*3的服从高斯分布的矩阵,由此得到的加权均值作为该像素点的灰度均值特征;
以步骤2得到的差分灰度图像每个像素点为中心开一个3*3的窗口,比较8邻域像素点与中心像素点的大小,如果邻域像素大,给相应的邻域像素赋值为1,否则赋值为0,这样将8邻域所得到的0和1串在一起得到一个无符号二进制数,对该二进制数进行循环移位操作,取最小的无符号二进制数转换为十进制数作为该像素点的LBP特征;
将步骤2得到的差分灰度图像转换到0‐15共16个灰度级的灰度范围,之后以每个像素点为中心开一个3*3的窗口,统计该窗口内每个灰度级出现的次数,并串在一起构成16维的灰度直方图特征;
将步骤2得到的差分灰度图归一化到0‐15共16个灰度级,以每个像素点为中心开一个5*5的窗口,计算该窗口矩阵在四个方向步长为1的尺寸为16*16的灰度共生矩阵,分别计算4个灰度共生矩阵的能量,熵,相关性,惯性矩以及逆差矩5个属性的值,并分别取这5个属性的均值和标准差作为两个特征值,这样穿起来可以得到一个10维的纹理特征;将上述6个特征融合成一个32维的特征向量;
步骤4所述的制作样本集,构成训练样本和测试样本的方法为:将步骤3中提取的特征融合到一起对每个像素点提取32维的特征,构成样本模式;根据先验知识标定参考变化图像,根据参考变化图像对所有像素点提取样本标签;由样本模式和样本标签构成样本集;随机选取样本集中一部分作为训练样本,另一部分作为测试样本。
训练和测试,并进行交叉验证,获得初步的红外图像变化检测结果图像的方法为:每次取3组训练样本去训练随机森林分类器,剩余3组样本作为测试样本放进训练好的随机森林分类器进行变化检测,总共做20组交叉验证,每次交叉验证可以得到3个测试样本的3个变化检测结果,因此,最终得到60个检测结果。
通过检测结果性能评价指标CSI(Card Similarity Index)和AE(Area Error)对检测结果进行评价,其公式为:
CSI越大,检测结果越好;AE越小,检测效果越好;VA表示变化检测结果前景,VR表示参考变化图像前景。
本发明的有益效果:
本发明主要包括:(1)图像预处理,主要用于提取两个不同时间获得的红外图像的灰度差分图像,为特征提取做准备;(2)特征提取,用于特征空间代表每个像素点;(3)交叉验证,用于训练随机森林分类器,之后用该分类器对变化区域进行预测;(4)形态学滤波,对检测结果进行形态学处理,去除噪声点和填充空洞;(5)性能指标设计,在现有技术指标的基础上增加一些指标用于评价检测结果;与现有技术进行对比,本发明明显具有很大的优越性,解决了现有技术中变电站巡检通过人工巡检存在主观性大,巡检人员对于设备状态的判断准确性差,通过机器人红外巡检由于图像处理技术采用遥感图像的处理技术存在准确率低,错误率高等技术问题。
本发明特点:
(1)本发明为巡检机器人的智能巡检提供视觉支持。
(2)本发明消除了变电站人工巡检存在主观判断和经验不同造成的设备状态判断偏差,极大提升设备故障识别和预警的准确性和稳定性。
(3)本发明将人力资源从变电站巡检中释放出来,提升生产效率。
(4)本发明将机器学习方法用于变电站巡检,对变电站巡检的智能化做出了贡献。
(5)本发明找到了适合于描述设备状态变化的特征描述子。
附图说明
图1为本发明的整体流程图;
图2是本发明实施例其中一组原始样本和检测结果以及对比方法结果示意图;
图3是本发明方法和现有技术对比方法实验所得到的结果性能评价数据;
图4是本发明方法交叉验证60组结果性能指标的平均值,最大值以及最小值。
具体实施方式:
一种基于随机森林的变电站设备红外图像变化检测方法,它包括:
步骤1、获取同一设备在两个不同时间采集且经过配准的红外图像作为原始红外图像;
步骤2、对步骤1中的两幅原始图像提取差分彩色图像和差分灰度图像;
步骤3、利用步骤2中产生的差分彩色图像和差分灰度图像进行特征提取;
步骤4、制作样本集,构成训练样本和测试样本;
步骤5、训练和测试,并进行交叉验证,获得初步的红外图像变化检测结果图像;
步骤6、将步骤5中得到的红外图像变化检测结果进行形态学滤波,获得最终的变化检测结果图像。
它还包括:
步骤7、通过检测结果性能评价指标CSI(Card Similarity Index)和AE(AreaError)对检测结果进行评价。
步骤2所述提取差分彩色图像和差分灰度图像的过程为:将步骤1获得的两时相原始红外图像的像素点对像素点进行相减,得到差分彩色图像;将步骤获得的两时相原始红外图像转化为灰度图像,之后将两幅灰度图像像素点对像素点进行相减,得到差分灰度图像。
步骤3所述特征提取包括:灰度特征、RGB特征、灰度均值特征、LBP特征;、灰度直方图特征和纹理特征。
特征提取的方法为:
利用步骤2得到的差分灰度图像直接将每个像素点的灰度强度作为该像素点灰度特征;
将步骤2得到的差分彩色图像在每个像素点的3通道值串联成一个3维向量作为该像素点的RGB特征;
以步骤2得到的差分灰度图像每个像素点为中心开一个3*3的窗口,对该窗口所有像素点做加权平均,加权矩阵为3*3的服从高斯分布的矩阵,由此得到的加权均值作为该像素点的灰度均值特征;
以步骤2得到的差分灰度图像每个像素点为中心开一个3*3的窗口,比较8邻域像素点与中心像素点的大小,如果邻域像素大,给相应的邻域像素赋值为1,否则赋值为0,这样将8邻域所得到的0和1串在一起得到一个无符号二进制数,对该二进制数进行循环移位操作,取最小的无符号二进制数转换为十进制数作为该像素点的LBP特征;
将步骤2得到的差分灰度图像转换到0‐15共16个灰度级的灰度范围,之后以每个像素点为中心开一个3*3的窗口,统计该窗口内每个灰度级出现的次数,并串在一起构成16维的灰度直方图特征;
将步骤2得到的差分灰度图归一化到0‐15共16个灰度级,以每个像素点为中心开一个5*5的窗口,计算该窗口矩阵在四个方向步长为1的尺寸为16*16的灰度共生矩阵,分别计算4个灰度共生矩阵的能量,熵,相关性,惯性矩以及逆差矩5个属性的值,并分别取这5个属性的均值和标准差作为两个特征值,这样穿起来可以得到一个10维的纹理特征;将上述6个特征融合成一个32维的特征向量;
步骤4所述的制作样本集,构成训练样本和测试样本的方法为:将步骤3中提取的特征融合到一起对每个像素点提取32维的特征,构成样本模式;根据先验知识标定参考变化图像,根据参考变化图像对所有像素点提取样本标签;由样本模式和样本标签构成样本集;随机选取样本集中一部分作为训练样本,另一部分作为测试样本。
训练和测试,并进行交叉验证,获得初步的红外图像变化检测结果图像的方法为:每次取3组训练样本去训练随机森林分类器,剩余3组样本作为测试样本放进训练好的随机森林分类器进行变化检测,总共做20组交叉验证,每次交叉验证可以得到3个测试样本的3个变化检测结果,因此,最终得到60个检测结果。
通过检测结果性能评价指标CSI(Card Similarity Index)和AE(Area Error)对检测结果进行评价,其公式为:
CSI越大,检测结果越好;AE越小,检测效果越好;VA表示变化检测结果前景,VR表示参考变化图像前景。
下面结合附图,对本发明方法进行详细说明。
如图1所示,首先获取同一目标设备在两个不同的时间上被采集的经过校准的原始红外图像。接着分别将两幅图像化为灰度图像。
之后提取差分彩色图像和差分灰度图像,提取过程分别是将两幅彩色图像和两幅灰度图像逐像素点相减,得到差分灰度图像和差分彩色图像。
得到了差分灰度图像和差分彩色图像之后,便可以在两幅差分图像进行特征提取。需要提取的特征有6个类别。其中包括通过差分彩色图像提取RGB特征1个类别,在差分灰度图像上面可以提取5个类型的特征:灰度特征,灰度均值特征,灰度直方图特征,LBP特征,和基于灰度共生矩阵的纹理特征。
上述6个类别的特征提取过程如下:
利用步骤2得到的差分灰度图像直接将每个像素点的灰度强度作为该像素点灰度特征;
将步骤2得到的差分彩色图像在每个像素点的3通道值串联成一个3维向量作为该像素点的RGB特征;
以步骤2得到的差分灰度图像每个像素点为中心开一个3*3的窗口,对该窗口所有像素点做加权平均,加权矩阵为3*3的服从高斯分布的矩阵,由此得到的加权均值作为该像素点的灰度均值特征;
以步骤2得到的差分灰度图像每个像素点为中心开一个3*3的窗口,比较8邻域像素点与中心像素点的大小,如果邻域像素较大,给相应的邻域像素赋值为1,否则赋值为0,这样将8邻域所得到的0和1串在一起得到一个无符号二进制数,对该二进制数进行循环移位操作,取最小的无符号二进制数转换为十进制数作为该像素点的LBP特征;
将步骤2得到的差分灰度图像转换到0‐15共16个灰度级的灰度范围,之后以每个像素点为中心开一个3*3的窗口,统计该窗口内每个灰度级出现的次数,并串在一起构成16维的灰度直方图特征;
将步骤2得到的差分灰度图归一化到0‐15共16个灰度级,以每个像素点为中心开一个5*5的窗口,计算该窗口矩阵在四个方向步长为1的尺寸为16*16的灰度共生矩阵,分别计算4个灰度共生矩阵的能量,熵,相关性,惯性矩以及逆差矩5个属性的值,并分别取这5个属性的均值和标准差作为两个特征值,这样穿起来可以得到一个10维的纹理特征;
特征提取完成后,将这6个类别的特征串联起来,融合成一个32维的特征向量,遍历整幅图像,每个像素点都可以得到一个32维的特征向量。将每个像素点视作一个样本。
根据先验知识的到参考变化图像,根据参考变化图像对每个样本像素点提取标签。
将样本向量和对应的标签一起构成样本集。
从样本集中随机选取一部分作为训练样本,剩余的一部分作为测试样本。送入随机森林分类器,进行交叉验证。
交叉验证过程为:每次取3组训练样本去训练随机森林分类器,剩余3组样本作为测试样本放进训练好的随机森林分类器进行变化检测,总共可以做20组交叉验证,而每次交叉验证可以得到3个测试样本的3个变化检测结果,因此,最终得到60个检测结果。
交叉验证完成后,获得初步的变电站设备红外图像变化检测结果。
对获得的初步变化检测结果进行形态学滤波,以便填补预测过程中结果产生的空洞和孤立噪声点。
形态学滤波即为对初步结果图像进行膨胀腐蚀,开运算闭运算的操作。对初步变化检测结果形态学滤波完成后,可以获得最终的变电站设备红外图像变化检测结果。
Claims (8)
1.一种基于随机森林的变电站设备红外图像变化检测方法,它包括:
步骤1、获取同一设备在两个不同时间采集且经过配准的红外图像作为原始红外图像;
步骤2、对步骤1中的两幅原始图像提取差分彩色图像和差分灰度图像;
步骤3、利用步骤2中产生的差分彩色图像和差分灰度图像进行特征提取;
步骤4、制作样本集,构成训练样本和测试样本;
步骤5、训练和测试,并进行交叉验证,获得初步的红外图像变化检测结果图像;
步骤6、将步骤5中得到的红外图像变化检测结果进行形态学滤波,获得最终的变化检测结果图像。
2.根据权利要求1所述的基于随机森林的变电站设备红外图像变化检测方法,其特征在于:它还包括:
步骤7、通过检测结果性能评价指标CSI(Card Similarity Index)和AE(Area Error)对检测结果进行评价。
3.根据权利要求1所述的基于随机森林的变电站设备红外图像变化检测方法,其特征在于:步骤2所述提取差分彩色图像和差分灰度图像的过程为:将步骤1获得的两时相原始红外图像的像素点对像素点进行相减,得到差分彩色图像;将步骤获得的两时相原始红外图像转化为灰度图像,之后将两幅灰度图像像素点对像素点进行相减,得到差分灰度图像。
4.根据权利要求1所述的基于随机森林的变电站设备红外图像变化检测方法,其特征在于:步骤3所述特征提取包括:灰度特征、RGB特征、灰度均值特征、LBP特征、灰度直方图特征和纹理特征。
5.根据权利要求4所述的基于随机森林的变电站设备红外图像变化检测方法,其特征在于:特征提取的方法为:
利用步骤2得到的差分灰度图像直接将每个像素点的灰度强度作为该像素点灰度特征;
将步骤2得到的差分彩色图像在每个像素点的3通道值串联成一个3维向量作为该像素点的RGB特征;
以步骤2得到的差分灰度图像每个像素点为中心开一个3*3的窗口,对该窗口所有像素点做加权平均,加权矩阵为3*3的服从高斯分布的矩阵,由此得到的加权均值作为该像素点的灰度均值特征;
以步骤2得到的差分灰度图像每个像素点为中心开一个3*3的窗口,比较8邻域像素点与中心像素点的大小,如果邻域像素大,给相应的邻域像素赋值为1,否则赋值为0,这样将8邻域所得到的0和1串在一起得到一个无符号二进制数,对该二进制数进行循环移位操作,取最小的无符号二进制数转换为十进制数作为该像素点的LBP特征;
将步骤2得到的差分灰度图像转换到0‐15共16个灰度级的灰度范围,之后以每个像素点为中心开一个3*3的窗口,统计该窗口内每个灰度级出现的次数,并串在一起构成16维的灰度直方图特征;
将步骤2得到的差分灰度图归一化到0‐15共16个灰度级,以每个像素点为中心开一个5*5的窗口,计算该窗口矩阵在四个方向步长为1的尺寸为16*16的灰度共生矩阵,分别计算4个灰度共生矩阵的能量,熵,相关性,惯性矩以及逆差矩5个属性的值,并分别取这5个属性的均值和标准差作为两个特征值,这样穿起来可以得到一个10维的纹理特征;将上述6个特征融合成一个32维的特征向量。
6.根据权利要求1所述的基于随机森林的变电站设备红外图像变化检测方法,其特征在于:步骤4所述的制作样本集,构成训练样本和测试样本的方法为:
将步骤3中提取的特征融合到一起对每个像素点提取32维的特征,构成样本模式;根据先验知识标定参考变化图像,根据参考变化图像对所有像素点提取样本标签;由样本模式和样本标签构成样本集;随机选取样本集中一部分作为训练样本,另一部分作为测试样本。
7.根据权利要求1所述的基于随机森林的变电站设备红外图像变化检测方法,其特征在于:训练和测试,并进行交叉验证,获得初步的红外图像变化检测结果图像的方法为:每次取3组训练样本去训练随机森林分类器,剩余3组样本作为测试样本放进训练好的随机森林分类器进行变化检测,总共做20组交叉验证,每次交叉验证可以得到3个测试样本的3个变化检测结果,因此,最终得到60个检测结果。
8.根据权利要求2所述的基于随机森林的变电站设备红外图像变化检测方法,其特征在于:通过检测结果性能评价指标CSI(Card Similarity Index)和AE(Area Error)对检测结果进行评价,其公式为:
CSI越大,检测结果越好;AE越小,检测效果越好;VA表示变化检测结果前景,VR表示参考变化图像前景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710166168.3A CN106951863B (zh) | 2017-03-20 | 2017-03-20 | 一种基于随机森林的变电站设备红外图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710166168.3A CN106951863B (zh) | 2017-03-20 | 2017-03-20 | 一种基于随机森林的变电站设备红外图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106951863A true CN106951863A (zh) | 2017-07-14 |
CN106951863B CN106951863B (zh) | 2023-09-26 |
Family
ID=59472016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710166168.3A Active CN106951863B (zh) | 2017-03-20 | 2017-03-20 | 一种基于随机森林的变电站设备红外图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106951863B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108535618A (zh) * | 2018-07-11 | 2018-09-14 | 云南电网有限责任公司电力科学研究院 | 一种gis绝缘缺陷检测方法 |
CN109086801A (zh) * | 2018-07-06 | 2018-12-25 | 湖北工业大学 | 一种基于改进lbp特征提取的图像分类方法 |
CN110119710A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN110263608A (zh) * | 2019-01-25 | 2019-09-20 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于图像特征空间变阈值度量的电子元器件自动识别方法 |
CN113503970A (zh) * | 2021-07-08 | 2021-10-15 | 江苏高速公路信息工程有限公司 | 一种火灾监控方法和监控*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885346A (zh) * | 2006-06-01 | 2006-12-27 | 电子科技大学 | 一种复杂背景下红外图像序列中运动目标的检测方法 |
CN102499649A (zh) * | 2011-11-19 | 2012-06-20 | 江苏大学 | 基于机器视觉的猪的体温检测方法 |
CN104331521A (zh) * | 2014-11-27 | 2015-02-04 | 国家电网公司 | 基于图像处理的变电设备异常自动识别方法 |
CN104899558A (zh) * | 2015-05-25 | 2015-09-09 | 东华大学 | 一种车载红外图像的场景识别及彩色化处理方法 |
CN105023269A (zh) * | 2015-04-27 | 2015-11-04 | 东华大学 | 一种车载红外图像彩色化方法 |
CN105300482A (zh) * | 2015-09-28 | 2016-02-03 | 北京石油化工学院 | 基于图像处理的水表检定方法、装置及*** |
CN105469098A (zh) * | 2015-11-20 | 2016-04-06 | 中北大学 | 一种自适应特征权重合成的lidar数据地物精确分类方法 |
WO2016200406A1 (en) * | 2015-06-12 | 2016-12-15 | Intergraph Corporation | Image change detection |
CN106295636A (zh) * | 2016-07-21 | 2017-01-04 | 重庆大学 | 基于多特征融合级联分类器的消防通道车辆检测方法 |
CN111869291A (zh) * | 2018-02-02 | 2020-10-30 | 康奈尔大学 | 无线***中的信道制图 |
-
2017
- 2017-03-20 CN CN201710166168.3A patent/CN106951863B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885346A (zh) * | 2006-06-01 | 2006-12-27 | 电子科技大学 | 一种复杂背景下红外图像序列中运动目标的检测方法 |
CN102499649A (zh) * | 2011-11-19 | 2012-06-20 | 江苏大学 | 基于机器视觉的猪的体温检测方法 |
CN104331521A (zh) * | 2014-11-27 | 2015-02-04 | 国家电网公司 | 基于图像处理的变电设备异常自动识别方法 |
CN105023269A (zh) * | 2015-04-27 | 2015-11-04 | 东华大学 | 一种车载红外图像彩色化方法 |
CN104899558A (zh) * | 2015-05-25 | 2015-09-09 | 东华大学 | 一种车载红外图像的场景识别及彩色化处理方法 |
WO2016200406A1 (en) * | 2015-06-12 | 2016-12-15 | Intergraph Corporation | Image change detection |
CN105300482A (zh) * | 2015-09-28 | 2016-02-03 | 北京石油化工学院 | 基于图像处理的水表检定方法、装置及*** |
CN105469098A (zh) * | 2015-11-20 | 2016-04-06 | 中北大学 | 一种自适应特征权重合成的lidar数据地物精确分类方法 |
CN106295636A (zh) * | 2016-07-21 | 2017-01-04 | 重庆大学 | 基于多特征融合级联分类器的消防通道车辆检测方法 |
CN111869291A (zh) * | 2018-02-02 | 2020-10-30 | 康奈尔大学 | 无线***中的信道制图 |
Non-Patent Citations (1)
Title |
---|
江小明: "红外序列图像地面目标检测及特征提取技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 695 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086801A (zh) * | 2018-07-06 | 2018-12-25 | 湖北工业大学 | 一种基于改进lbp特征提取的图像分类方法 |
CN108535618A (zh) * | 2018-07-11 | 2018-09-14 | 云南电网有限责任公司电力科学研究院 | 一种gis绝缘缺陷检测方法 |
CN110263608A (zh) * | 2019-01-25 | 2019-09-20 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于图像特征空间变阈值度量的电子元器件自动识别方法 |
CN110119710A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN113503970A (zh) * | 2021-07-08 | 2021-10-15 | 江苏高速公路信息工程有限公司 | 一种火灾监控方法和监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN106951863B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Cloud detection in remote sensing images based on multiscale features-convolutional neural network | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN110910378B (zh) | 一种基于深度融合网络的双模态图像能见度检测方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN106384117B (zh) | 一种车辆颜色识别方法及装置 | |
CN107657619A (zh) | 一种低照度林火图像分割方法 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN109711379B (zh) | 一种复杂环境交通信号灯候选区域提取及识别方法 | |
Masood et al. | Plants disease segmentation using image processing | |
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
CN107545572A (zh) | 图像中目标的处理方法和装置 | |
CN108009556A (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
Zhang et al. | Application research of YOLO v2 combined with color identification | |
CN110197185A (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和*** | |
CN106558044B (zh) | 影像模组的解像力测量方法 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN111291818A (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
Abraham et al. | Vehicle detection and classification from high resolution satellite images | |
CN106169086B (zh) | 导航数据辅助下的高分辨率光学影像损毁道路提取方法 | |
CN107705330A (zh) | 基于道路摄像头的能见度智能估测方法 |
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 |