CN108154490A - 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 - Google Patents
基于改进模糊集理论的高压输电线路绝缘子图像增强方法 Download PDFInfo
- Publication number
- CN108154490A CN108154490A CN201810050756.5A CN201810050756A CN108154490A CN 108154490 A CN108154490 A CN 108154490A CN 201810050756 A CN201810050756 A CN 201810050756A CN 108154490 A CN108154490 A CN 108154490A
- Authority
- CN
- China
- Prior art keywords
- image
- fuzzy
- gray
- scale map
- membership
- 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.)
- Pending
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 49
- 230000006872 improvement Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 8
- 230000011218 segmentation Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 230000005611 electricity Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于改进模糊集理论的高压输电线路绝缘子图像增强方法，包括以下步骤：获取包含高压线和绝缘子的航拍图像；对所述航拍图像进行预处理；利用模糊集理论提取灰度图F的模糊特征；利用模糊增强算子对隶属度μij进行修正；对所述模糊域进行反变换；采用正弦隶属度函数对新灰度图F'进行模糊增强，得到模糊增强后的灰度图。优点为：本发明提供的方法能够对航拍视频图像中在高压线上的绝缘子进行有效的图像增强，图像增强效果显著，有效去除图像中小范围灰度不连续的干扰区域，从而初步分割出绝缘子，从而为后续绝缘子的识别和缺陷诊断工作提供理论基础和技术支持。
Description
技术领域
本发明属于高压输电线路巡检技术领域，具体涉及一种基于改进模糊集理论的高压输电线路绝缘子图像增强方法。
背景技术
空中输电线路担负着电网输电的重任，是电力***的重要组成部分之一。但高压输电线路及杆塔、绝缘子等附件通常都是长期暴露在外部环境之中，承受着狂风、污秽、覆冰、鸟群等侵害，所以，电力部门必须及时判定这些附件的状态，以减少大面积停电等事故的发生几率。绝缘子作为输电线路的重要附件，需要定期进行状态监测，一旦出现故障(例如裂痕或污秽)就需要电力部门及时维修和更换。绝缘子状态监测手段包括航拍图像；航拍图像通常包括很多附加信息，例如输电线路、塔干，因此，如何从复杂背景中准确有效地提取出绝缘子，从而为后续识别和缺陷诊断工作提供帮助是十分重要的。
近年来，机器视觉与数字图像处理技术的快速发展以及数码相机质量有了很大的提高，利用直升飞机进行高压输电线的巡检和维护，利用携带的数码相机采集数据(即数字图像序列)进行自动诊断高压线及其上的关键部件的各种缺陷，是航拍输电线路巡检技术发展的必然趋势。就目前输电线路绝缘子的检测技术的发展而言，大部分检测技术往往没有处理好图像增强部分，很多检测算法甚至没有用到图像增强算法处理图像，或者直接使用传统的图像增强算法，而图像增强算法种类繁多，但能应用到输电线路绝缘子的增强算法较少。
申请号为“201610230775.7”，名称为“一种基于小波变换的覆冰绝缘子图像增强方法”的专利公开一种基于小波变换的覆冰绝缘子图像增强方法”，此方法以输电线路视频流中截取的数字图像为研究对象，通过对预处理后的图像进行小波变换及小波逆变换，将逆变换后的图像作为背景图像，然后与灰度化后的图像进行除法运算，得到合成图像，然后通过观察合成图像的清晰度是否达到要求。该方法仅能通过尺寸检测出覆冰的绝缘子，并且图像的增强效果并不好。
申请号为“201410764912.6”，名称为“一种基于NSCT的接触网图像增强方法”的专利公开了一种接触网图像增强方法，该***：首先对接触网图像进行NSCT变换，得到NSCT变换的高频及低频子带系数；接着利用非线性增强函数对高频子带系数进行处理，再对处理后系数与原始分解所得低频子带系数相结合，进行NSCT逆变换，得到增强后的图像。此方法选用的图像背景非常简单，当图像背景复杂时不能有效增强图像。
申请号为“201210520941.9”，名称为“基于图像处理的输电线路覆冰厚度测量算法”的专利公开了包含图像增强处理的输电线路和绝缘子覆冰厚度测量算法，该方法以安装在杆塔上的工业摄像机采集的图像为研究对象，对其进行图像灰度化、图像增强、图像分割等处理，该方法在图像增强时直接采用灰度直方图进行增强，计算统计图像中灰度均值和方差，然后给定一个固定阈值，然后进行图像增强。此图像增强方法在背景简单时对输电线路和绝缘子都进行了增强，并没有区分输电线路和绝缘子。
综上所述，现有的各类包含绝缘子的图像处理方法，普遍具有图像增强效果理想的问题，从而不利于后续识别和缺陷诊断工作。
发明内容
针对现有技术存在的缺陷，本发明提供一种基于改进模糊集理论的高压输电线路绝缘子图像增强方法，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种基于改进模糊集理论的高压输电线路绝缘子图像增强方法，其特征在于，包括以下步骤：
步骤1，获取包含高压线和绝缘子的航拍图像，所述航拍图像为RGB类型的彩色图像；
步骤2，对所述航拍图像进行预处理，将彩色图像的RGB空间转换为HSI空间，并选取HSI空间的S分量作为灰度图F；
步骤3，利用模糊集理论提取灰度图F的模糊特征，采用公式1计算得到灰度图中每一个像素点(i,j)的灰阶相对于最大灰度值的隶属度μij，进而将灰度图F从图像空间域转换到模糊域：
其中，Fd,Fe为变换系数，其范围为[0,1]，xmax为灰度图F的最大灰度值，xij为当前像素点(i,j)的灰度值；G(xij)表示灰度图F从图像空间域转换到模糊域；
步骤4，利用模糊增强算子对隶属度μij进行修正，得到修正后隶属度因此，灰度图F的每一个像素点(i,j)均对应得到一个修正后隶属度所有修正后隶属度组成模糊特征平面，模糊特征平面即为模糊域；
步骤5，对所述模糊域进行反变换，具体为：对模糊域中的每一个修正后隶属度采用公式3进行反变换，得到每一个像素点(i,j)对应的新灰度值从而将模糊域变换到图像空间域，得到新灰度图F'：
其中：G-1为G的反变换；
步骤6，引入灰度线性变换，选用像素的相对灰度等级作为模糊特征，采用正弦隶属度函数对新灰度图F'进行模糊增强，得到模糊增强后的灰度图。
优选的，步骤2中，对所述航拍图像进行预处理，将彩色图像的RGB空间转换为HSI空间，并选取HSI空间的S分量作为灰度图F，具体为：
首先对所述航拍图像进行压缩处理，然后再将彩色图像的RGB空间转换为HSI空间，并选取HSI空间的S分量作为灰度图F。
优选的，步骤4中，利用模糊增强算子对隶属度μij进行修正，得到修正后隶属度具体为：
采用公式2对隶属度μij进行修正：
其中，r'表示隶属度修正时的迭代次数，取值为1或2；T(r′)(μij)代表以μij为输入参数进行r'次迭代。
优选的，步骤6具体包括：
步骤6.1，利用正弦隶属度函数将新灰度图F'由图像空间域映射到模糊域中，得到模糊特征平面
其中：正弦隶属度函数为：
其中：表示新灰度图F'由图像空间域映射到模糊域；M为条件参数，取值范围在0和新灰度图F'的最小灰度值之间，k为调节参数；为模糊特征平面中每个像素点(i,j)对应的正弦隶属度值；为新灰度图F'的最大灰度值；
步骤6.2，采用公式5对模糊特征平面进行逆变换，将图像由模糊域映射回空间域中，得到每一个像素点(i,j)对应的逆变换后灰度值
所有像素点对应的逆变换后灰度值为增强后图像F”；
步骤6.3，对增强后图像F”进行灰度线性变换，从而对增强后图像F”进行灰度扩展，得到最终模糊增强后的灰度图。
优选的，步骤6.1和步骤6.2的具体实现流程包括：
步骤1)设置r的取值，初始值r＝1；其中，为新灰度图F'的最小灰度值；r为迭代次数参数；
设置k的取值范围[kmin,kmax]和增量d，令k＝kmin；
步骤2)利用公式(4)计算得到图像的模糊特征平面再利用公式(5)进行逆变换，得到第r次迭代对应的增强后图像
步骤3)令k＝kmin+d，返回执行步骤2)，如此不断循环，直至k＝kmax时停止循环，如此分别得到kmin对应的增强后图像、kmin+d对应的增强后图像，...,kmax对应的增强后图像；对kmin对应的增强后图像、kmin+d对应的增强后图像，...,kmax对应的增强后图像取均值，即为增强后图像F”。
优选的，步骤6.3中，采用公式6对增强后图像F”进行灰度线性变换，从而得到每一个像素点(i,j)对应的灰度扩展后灰度值
其中：为增强后图像F”的灰度范围；为对增强后图像F”进行灰度线性变换后灰度扩展范围，为给定值；其中，
本发明提供的基于改进模糊集理论的高压输电线路绝缘子图像增强方法具有以下优点：
本发明提供的方法能够对航拍视频图像中在高压线上的绝缘子进行有效的图像增强，图像增强效果显著，有效去除图像中小范围灰度不连续的干扰区域，从而初步分割出绝缘子，从而为后续绝缘子的识别和缺陷诊断工作提供理论基础和技术支持。
附图说明
图1为本发明提供的基于改进模糊集理论的高压输电线路绝缘子图像增强方法的整体流程示意图；
图2为正弦隶属度函数对图像进行模糊增强的示意图；
图3为对图像进行模糊增强的迭代过程示意图；
图4为航拍图像预处理结果示意图；
自左向右，第1幅图为RGB类型的彩色航拍图像示意图；第2幅图为RGB类型图像转换为HSI类型图像示意图；第3幅图为HSI空间中的S分量示意图；
图5为基于改进的模糊集理论的高压输电线路绝缘子图像增强方法结果示意图；
自左向右，第1幅图为HSI空间中的S分量示意图；第2幅图为采用传统模糊集理论进行图像增强后的示意图；第3幅图为采用基于改进的模糊集理论的高压输电线路绝缘子图像增强方法进行图像增强后的示意图；
图6为采用传统模糊集理论进行图像增强和采用基于改进的模糊集理论的高压输电线路绝缘子图像增强方法进行图像增强后结果的比对示意图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于改进模糊集理论的高压输电线路绝缘子图像增强方法，通过该方法能够从航拍图像中初步分割出绝缘子，为后续绝缘子的识别和缺陷诊断提供基础，具有很好的应用前景。参考图1，包括以下步骤：
步骤1，获取包含高压线和绝缘子的航拍图像，所述航拍图像为RGB类型的彩色图像；
其中，航拍图像为RGB类型的彩色图像，分辨率很高，可以达到3072*2048。这样一幅很大的图像处理起来效率较低，所以需要首先将图像进行缩放压缩，分辨率降低到320*320，再进行后面的步骤。
步骤2，对所述航拍图像进行预处理，将彩色图像的RGB空间转换为HSI空间，并选取HSI空间的S分量作为灰度图F；
具体的，本发明将彩色图像的RGB空间转换为HSI空间。H表示色度；S表示饱和度；I表示亮度；因为HSI空间模型接近人对颜色的视觉感知，三个分量之间相关性很小，其中H分量对光线和阴影都不敏感，但是对颜色的类别很敏感，而S分量随着光强度的变化对成像物体有一定的影响，因此S分量可以区分不同颜色的物体。
本发明选取了S分量作为灰度图，将其转换到[0,255]的像素空间。
图4为航拍图像预处理结果示意图。从左向右，第1幅图为RGB类型的彩色航拍图像示意图，为原始图像；第2幅图为RGB类型图像转换为HSI类型图像示意图，第3幅图为HSI空间中的S分量示意图，即：为RGB转换为HSI空间后提取S分量的结果，将S分量转换为0～255范围内。
通过图4的第3幅图可以看出，S分量图像中绝缘子区域突出，在图像中的饱和度高，因此可以区分不同颜色的物体，并可以除去大部分背景的影响。
步骤3，利用模糊集理论提取灰度图F的模糊特征，采用公式1的变换函数(即隶属度函数)计算得到灰度图中每一个像素点(i,j)的灰阶相对于最大灰度值的隶属度μij，进而将灰度图F从图像空间域转换到模糊域：
其中，Fd,Fe为变换系数，其范围为[0,1]，xmax为灰度图F的最大灰度值，xij为当前像素点(i,j)的灰度值；G(xij)表示灰度图F从图像空间域转换到模糊域；
步骤4，利用模糊增强算子对隶属度μij进行修正，得到修正后隶属度因此，灰度图F的每一个像素点(i,j)均对应得到一个修正后隶属度所有修正后隶属度组成模糊特征平面，模糊特征平面即为模糊域；
步骤4中，利用模糊增强算子对隶属度μij进行修正，得到修正后隶属度具体为：
采用公式2对隶属度μij进行修正：
其中，r'表示隶属度修正时的迭代次数，取值为1或2；T(r′)(μij)代表以μij为输入参数进行r'次迭代；
公式2的含义为：为了达到增强对比度的目的，用模糊增强算子增大大于0.5的隶属度值，并减小小于0.5的隶属度值。
步骤5，对所述模糊域进行反变换，通过反变换产生新灰度级，从而将数据模糊域变换到图像的空间域。具体为：对模糊域中的每一个修正后隶属度采用公式3进行反变换，得到每一个像素点(i,j)对应的新灰度值从而将模糊域变换到图像空间域，得到新灰度图F'：
其中：G-1为G的反变换；
步骤6，引入灰度线性变换，选用像素的相对灰度等级作为模糊特征，采用正弦隶属度函数对新灰度图F'进行模糊增强，得到模糊增强后的灰度图。
具体的，由于绝缘子图像的灰度范围通常较大，直接的模糊变换没有改变图像的灰度上限，这样不会改变图像的增强效果。本发明采用了灰度线性变换作灰度扩展处理。
步骤6具体参考图2，包括：
步骤6.1，利用正弦隶属度函数将新灰度图F'由图像空间域映射到模糊域中，得到模糊特征平面
其中：正弦隶属度函数为：
其中：表示新灰度图F'由图像空间域映射到模糊域；M为条件参数，默认情况下为0，取值范围在0和新灰度图F'的最小灰度值之间，k为调节参数；为模糊特征平面中每个像素点(i,j)对应的正弦隶属度值；为新灰度图F'的最大灰度值；
由公式4可知，变换后的取值范围为[0,1]，不会出现灰度级硬性剪切的情况，这样就避免了增强后大量灰阶信息的丢失。
步骤6.2，采用公式5对模糊特征平面进行逆变换，将图像由模糊域映射回空间域中，得到每一个像素点(i,j)对应的逆变换后灰度值
所有像素点对应的逆变换后灰度值为增强后图像F”；
步骤6.1和步骤6.2的具体实现流程参考图3，包括：
传统算法一般将模糊特征平面经模糊增强处理后形成新特征平面，新特征平面再经过逆变换得到输出图像。由于绝缘子图像的灰度范围通常较大，传统算法的变换没有改变灰度的上限，本发明算法采用了灰度线性变换作灰度扩展处理。通过改变公式(4)、(5)中参数M和k，函数的隶属度和渡越点的位置可以变化，从而将不同灰度范围内的图像进行有效增强。实验证明，当图像下限灰度值越大，则参数M对于隶属度μij的影响就越大。其他情况，参数k对于μij的结果的影响要大于M对μij的结果的影响，设k的取值范围为[kmin,kmax]，然后按照一定的取值间隔改变参数k的值，然后根据参数k的值可以生成多个增强后图像。
本发明通过调整参数k的值来改变增强的图像。设k的取值范围为[kmin,kmax]，然后增加间隔d，来改变参数k的值，这样可以通过不同的k值对图像进行增强。具体过程为：
步骤1)设置r的取值，初始值r＝1；其中，为新灰度图F'的最小灰度值；r为迭代次数参数；
设置k的取值范围[kmin,kmax]和增量d，令k＝kmin；
步骤2)利用公式(4)计算得到图像的模糊特征平面再利用公式(5)进行逆变换，得到第r次迭代对应的增强后图像
步骤3)令k＝kmin+d，返回执行步骤2)，如此不断循环，直至k＝kmax时停止循环，如此分别得到kmin对应的增强后图像、kmin+d对应的增强后图像，...,kmax对应的增强后图像；对kmin对应的增强后图像、kmin+d对应的增强后图像，...,kmax对应的增强后图像取均值，即为增强后图像F”。
步骤6.3中，采用公式6对增强后图像F”进行灰度线性变换，从而得到每一个像素点(i,j)对应的灰度扩展后灰度值
其中：为增强后图像F”的灰度范围；为对增强后图像F”进行灰度线性变换后灰度扩展范围，为给定值；其中，
步骤6.3，对增强后图像F”进行灰度线性变换，从而对增强后图像F”进行灰度扩展，得到最终模糊增强后的灰度图。
经过灰度线性变换处理，可以进一步增大图像的对比度，对图像中小范围的差异进行平滑处理，去除图像中小范围噪声和干扰区域，有利于改善图像的增强效果。
下面介绍实施效果例：
图5为一种基于改进的模糊集理论的高压输电线路绝缘子图像增强方法结果示意图。其中，自左向右，图5第1张图为HSI空间中的S分量示意图；图5第2张图为采用传统模糊集理论进行图像增强后的示意图，图5第3张图为采用基于改进的模糊集理论的高压输电线路绝缘子图像增强方法进行图像增强后的示意图。具体的，通过实验可以看出，当迭代次数r＝2，d＝1时增强效果最好。与传统增强方法相比，本发明提出的基于改进的模糊集增强算法克服了传统增强方法的不易控制效果，灰度合并、失真较大、层次感差等缺点，可以对小范围内的差异进行平滑处理，达到了良好的增强效果。
参考图6，为采用传统模糊集理论进行图像增强和采用基于改进的模糊集理论的高压输电线路绝缘子图像增强方法进行图像增强后对比度结果的比对示意图，从图6对比可以看出，本发明采用均方根对比度对图像增强效果进行定量分析。对比度是指一幅图像中最亮和最暗之间不同亮度层级的测量，对比度越大说明目标越清晰、图像增强效果越好。从绝缘子图像库中随机提取10幅图像，图像经不同方法增强后的均方根对比度结果如图6所示，本发明提出方法获得的图像的对比度明显高于传统模糊集增强方法，所得的图像整体灰度值较大，且小范围差异区域得到了平滑处理，证明了本发明提出方法的增强效果明显优于传统模糊集增强方法。
由此可见，本发明提供的方法能够对航拍视频图像中在高压线上的绝缘子进行有效的图像增强，图像增强效果显著，有效去除图像中小范围灰度不连续的干扰区域，从而初步分割出绝缘子，从而为后续绝缘子的识别和缺陷诊断工作提供理论基础和技术支持。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (6)
1.一种基于改进模糊集理论的高压输电线路绝缘子图像增强方法，其特征在于，包括以下步骤：
步骤1，获取包含高压线和绝缘子的航拍图像，所述航拍图像为RGB类型的彩色图像；
步骤2，对所述航拍图像进行预处理，将彩色图像的RGB空间转换为HSI空间，并选取HSI空间的S分量作为灰度图F；
步骤3，利用模糊集理论提取灰度图F的模糊特征，采用公式1计算得到灰度图中每一个像素点(i,j)的灰阶相对于最大灰度值的隶属度μij，进而将灰度图F从图像空间域转换到模糊域：
其中，Fd,Fe为变换系数，其范围为[0,1]，xmax为灰度图F的最大灰度值，xij为当前像素点(i,j)的灰度值；G(xij)表示灰度图F从图像空间域转换到模糊域；
步骤4，利用模糊增强算子对隶属度μij进行修正，得到修正后隶属度u'ij，因此，灰度图F的每一个像素点(i,j)均对应得到一个修正后隶属度u'ij，所有修正后隶属度u'ij组成模糊特征平面，模糊特征平面即为模糊域；
步骤5，对所述模糊域进行反变换，具体为：对模糊域中的每一个修正后隶属度u'ij采用公式3进行反变换，得到每一个像素点(i,j)对应的新灰度值xi'j，从而将模糊域变换到图像空间域，得到新灰度图F'：
其中：G-1为G的反变换；
步骤6，引入灰度线性变换，选用像素的相对灰度等级作为模糊特征，采用正弦隶属度函数对新灰度图F'进行模糊增强，得到模糊增强后的灰度图。
2.根据权利要求1所述的基于改进模糊集理论的高压输电线路绝缘子图像增强方法，其特征在于，步骤2中，对所述航拍图像进行预处理，将彩色图像的RGB空间转换为HSI空间，并选取HSI空间的S分量作为灰度图F，具体为：
首先对所述航拍图像进行压缩处理，然后再将彩色图像的RGB空间转换为HSI空间，并选取HSI空间的S分量作为灰度图F。
3.根据权利要求1所述的基于改进模糊集理论的高压输电线路绝缘子图像增强方法，其特征在于，步骤4中，利用模糊增强算子对隶属度μij进行修正，得到修正后隶属度u'ij，具体为：
采用公式2对隶属度μij进行修正：
其中，r'表示隶属度修正时的迭代次数，取值为1或2；T(r')(μij)代表以μij为输入参数进行r'次迭代。
4.根据权利要求1所述的基于改进模糊集理论的高压输电线路绝缘子图像增强方法，其特征在于，步骤6具体包括：
步骤6.1，利用正弦隶属度函数将新灰度图F'由图像空间域映射到模糊域中，得到模糊特征平面
其中：正弦隶属度函数为：
其中：G(x'ij)表示新灰度图F'由图像空间域映射到模糊域；M为条件参数，取值范围在0和新灰度图F'的最小灰度值之间，k为调节参数；为模糊特征平面中每个像素点(i,j)对应的正弦隶属度值；x'max为新灰度图F'的最大灰度值；
步骤6.2，采用公式5对模糊特征平面进行逆变换，将图像由模糊域映射回空间域中，得到每一个像素点(i,j)对应的逆变换后灰度值
所有像素点对应的逆变换后灰度值为增强后图像F”；
步骤6.3，对增强后图像F”进行灰度线性变换，从而对增强后图像F”进行灰度扩展，得到最终模糊增强后的灰度图。
5.根据权利要求4所述的基于改进模糊集理论的高压输电线路绝缘子图像增强方法，其特征在于，步骤6.1和步骤6.2的具体实现流程包括：
步骤1)设置x'min、r的取值，初始值x'min＝0，r＝1；其中，x'min为新灰度图F'的最小灰度值；r为迭代次数参数；
设置k的取值范围[kmin,kmax]和增量d，令k＝kmin；
步骤2)利用公式(4)计算得到图像的模糊特征平面再利用公式(5)进行逆变换，得到第r次迭代对应的增强后图像Fr”；
步骤3)令k＝kmin+d，返回执行步骤2)，如此不断循环，直至k＝kmax时停止循环，如此分别得到kmin对应的增强后图像、kmin+d对应的增强后图像，...,kmax对应的增强后图像；对kmin对应的增强后图像、kmin+d对应的增强后图像，...,kmax对应的增强后图像取均值，即为增强后图像F”。
6.根据权利要求5所述的基于改进模糊集理论的高压输电线路绝缘子图像增强方法，其特征在于，步骤6.3中，采用公式6对增强后图像F”进行灰度线性变换，从而得到每一个像素点(i,j)对应的灰度扩展后灰度值
其中：[x”min,x”max]为增强后图像F”的灰度范围；为对增强后图像F”进行灰度线性变换后灰度扩展范围，为给定值；其中，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810050756.5A CN108154490A (zh) | 2018-01-18 | 2018-01-18 | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810050756.5A CN108154490A (zh) | 2018-01-18 | 2018-01-18 | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108154490A true CN108154490A (zh) | 2018-06-12 |
Family
ID=62461931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810050756.5A Pending CN108154490A (zh) | 2018-01-18 | 2018-01-18 | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108154490A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543622A (zh) * | 2018-11-26 | 2019-03-29 | 长春工程学院 | 一种输电线路绝缘子图像分割方法 |
| CN113128511A (zh) * | 2021-03-31 | 2021-07-16 | 武汉钢铁有限公司 | 一种焦炭组织识别方法及装置 |
| CN114036990A (zh) * | 2022-01-06 | 2022-02-11 | 青岛鼎信通讯股份有限公司 | 一种低压台区拓扑信号模糊增强方法 |
| CN115330644A (zh) * | 2022-10-13 | 2022-11-11 | 极限人工智能有限公司 | 一种内窥镜图像的自适应边缘增强方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104483326A (zh) * | 2014-12-19 | 2015-04-01 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及*** |
| CN104463804B (zh) * | 2014-12-12 | 2017-04-12 | 中国科学院武汉物理与数学研究所 | 一种基于直觉模糊集的图像增强方法 |
| CN106846257A (zh) * | 2016-11-14 | 2017-06-13 | 山东理工大学 | 一种基于模糊技术的红外弱小目标图像边缘增强算法 |
-
2018
- 2018-01-18 CN CN201810050756.5A patent/CN108154490A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463804B (zh) * | 2014-12-12 | 2017-04-12 | 中国科学院武汉物理与数学研究所 | 一种基于直觉模糊集的图像增强方法 |
| CN104483326A (zh) * | 2014-12-19 | 2015-04-01 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及*** |
| CN106846257A (zh) * | 2016-11-14 | 2017-06-13 | 山东理工大学 | 一种基于模糊技术的红外弱小目标图像边缘增强算法 |
Non-Patent Citations (2)
| Title |
|---|
| HONGCHANG KE ET AL.: ""Image Segmentation Method of Insulator in Transmission Line Based on Weighted Variable Fuzzy C-Means"", 《JOURNAL OF ENGINEERING SCIENCE AND TECHNOLOGY REVIEW》 * |
| 崔昊杨 等: ""基于自适应遗传算法的变电站红外图像模糊增强"", 《高电压技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543622A (zh) * | 2018-11-26 | 2019-03-29 | 长春工程学院 | 一种输电线路绝缘子图像分割方法 |
| CN113128511A (zh) * | 2021-03-31 | 2021-07-16 | 武汉钢铁有限公司 | 一种焦炭组织识别方法及装置 |
| CN113128511B (zh) * | 2021-03-31 | 2023-07-25 | 武汉钢铁有限公司 | 一种焦炭组织识别方法及装置 |
| CN114036990A (zh) * | 2022-01-06 | 2022-02-11 | 青岛鼎信通讯股份有限公司 | 一种低压台区拓扑信号模糊增强方法 |
| CN114036990B (zh) * | 2022-01-06 | 2022-04-26 | 青岛鼎信通讯股份有限公司 | 一种低压台区拓扑信号模糊增强方法 |
| CN115330644A (zh) * | 2022-10-13 | 2022-11-11 | 极限人工智能有限公司 | 一种内窥镜图像的自适应边缘增强方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
| KR101448164B1 (ko) | 파라미터 최적화를 이용한 영상의 안개 제거 방법 | |
| CN108154490A (zh) | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 | |
| WO2018023916A1 (zh) | 一种彩色图像去阴影方法和应用 | |
| CN110490914A (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
| Yu et al. | A classification algorithm to distinguish image as haze or non-haze | |
| CN108154492B (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
| CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
| CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
| Chen et al. | Robust license plate detection in nighttime scenes using multiple intensity IR-illuminator | |
| CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
| CN111598814A (zh) | 基于极端散射通道的单图像去雾方法 | |
| Wei et al. | An image fusion dehazing algorithm based on dark channel prior and retinex | |
| CN105046670A (zh) | 一种图像去雨方法及*** | |
| Zhen et al. | Single Image Defogging Algorithm based on Dark Channel Priority. | |
| Sun et al. | Image enhancement using bright channel prior | |
| Hong et al. | Single image dehazing based on pixel-wise transmission estimation with estimated radiance patches | |
| Zhen et al. | A New Algorithm of Rain (Snow) Removal in Video. | |
| Li et al. | Laplace dark channel attenuation-based single image defogging in ocean scenes | |
| Guo et al. | Fast Defogging and Restoration Assessment Approach to Road Scene Images*. | |
| CN110310223B (zh) | 一种紫外光与可见光图像的融合方法 | |
| Xiang et al. | A new model for daytime visibility index estimation fused average sobel gradient and dark channel ratio | |
| Pardhi et al. | Enhancement of nighttime image visibility using wavelet fusion of equalized color channels and luminance with Kekre’s LUV color space | |
| Zhang et al. | Single image dehazing based on improved dark channel prior | |
| Zhang et al. | A novel method for low illumination image |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |