CN109285171A - 一种绝缘子憎水性图像分割装置及方法 - Google Patents
一种绝缘子憎水性图像分割装置及方法 Download PDFInfo
- Publication number
- CN109285171A CN109285171A CN201811107137.1A CN201811107137A CN109285171A CN 109285171 A CN109285171 A CN 109285171A CN 201811107137 A CN201811107137 A CN 201811107137A CN 109285171 A CN109285171 A CN 109285171A
- Authority
- CN
- China
- Prior art keywords
- image
- insulator
- insulator hydrophobicity
- hydrophobicity image
- module
- 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 53
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003709 image segmentation Methods 0.000 title claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000005192 partition Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 12
- 239000007921 spray Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000011017 operating method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 241000288673 Chiroptera Species 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明设计了一种绝缘子憎水性图像分割方法及装置,包括下列步骤:其操作方法是,首先采用同态滤波器对憎水性图像进行局部直方图均衡化;然后对憎水性图像进行局部对比度增强;最后以憎水性图像的目标区域和背景区域的类间方差最大化作为目标函数,并以蝙蝠算法作为憎水性图像分割阈值的优化算法进行阈值的自适应选择,实现绝缘子憎水性图像的分割;绝缘子憎水性图像分割装置包括单片机模块、摇头舵机、点头舵机、直流水泵、nRF24L01无线模块以及电源管理模块,本发明的技术方法及装置能够较好地区分绝缘子的背景区域和水滴区域,为后续的绝缘子憎水性等级的划分提供良好的依据。
Description
技术领域
本发明涉及一种计算机图像滤波、增强和分割的图像自动识别技术,具体涉及一种绝缘子憎水性图像分割装置及方法。
背景技术
目前,绝缘子憎水性检测方法主要有三种:喷水分级法、静态接触角法和憎水性指示函数法。其中,第一种和第二种是传统的检测方法,仅适用于实验室内。憎水性指示函数法近年来发展迅速,其利用摄像技术和数字图像处理技术来判定绝缘子憎水性等级。它又可细分为多种方法,典型的有均熵法以及形状因子法。由于其克服了传统检测方法的缺点,如测量过程复杂、实验环境受限、实验条件苛刻等,故引起了众多工程界和科学界的学者的关注。形状因子法在判据的形成过程中没有考虑拍摄角度和拍摄距离的影响,并且也没有考虑水迹和水珠形状等因素,因此准确率较低。均熵法的判据形成过程不够明确,缺乏较强的理论依据,并且需要海量的经验数据。
目前,对绝缘子憎水性检测的研究集中在两个部分:憎水性图像的滤波和憎水性图像的分割。图像分割指的是将数字图像细分为多个图像子区域(像素的集合)的过程,就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。图像分割的目的是简化或改变图像的表示形式,使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界(线,曲线等)。更精确的图像分割是对图像中的每个像素加标签的一个过程,这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合(这些子区域的全体覆盖了整个图像),或是从图像中提取的轮廓线的集合(例如边缘检测)。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的,例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。现有的图像分割方法主要分以下几类:基于阈值的分割、区域生长、区域***合并、分水岭算法、边缘检测、直方图法、聚类分析、小波变换等。复合绝缘子的表面的背景图像较为复杂,以及水珠的透明性导致背景与目标的灰度值差比较小,加之水对光的反射会导致向光一侧的边缘非常模糊等原因,导致传统的数字滤波技术和图像分割技术应用效果欠佳。因此研究一种绝缘子憎水性图像分割方法及装置是非常有实用工程价值的。
发明内容
为了避免现有技术的不足之处,本发明提出一种绝缘子憎水性图像分割装置及方法。
本发明具体采用如下技术方案:
本发明的目的之一是提供一种绝缘子憎水性图像分割装置,其特征在于:包括以下模块,电源管理模块、喷水模块、单片机模块、直流水泵和摄像头模块,电源管理模块分别与各模块相互连通,单片机模块通过脉冲宽度调制PWM 控制喷水模块和直流水泵,摄像头模块为nRF24L01与单片机模块数据传输。
所述单片机模块采用型号为stm32f103c8t6的微控制器。
所述喷水模块包含摇头舵机和点头舵机。
上述装置安装于铁塔的横档上,通过支架结构将摄像头模块和喷水模块固定在横档位置。
本发明的另一目的是提供一种基于上述装置的绝缘子憎水性图像分割方法,具体步骤如下:
步骤(1):采用同态滤波器对绝缘子憎水性图像进行局部直方图均衡化;
步骤(2):对绝缘子憎水性图像进行局部对比度增强;
步骤(3):以绝缘子憎水性图像的目标区域和背景区域的类间方差最大化作为目标函数,并以蝙蝠算法作为绝缘子憎水性图像分割阈值的优化算法进行阈值的自适应选择,实现绝缘子憎水性图像的背景区域和水滴区域的分割。
所述步骤(1)中局部直方图均衡化,具体包括:首先,通过对数变换将绝缘子原始图像中由入射光引起的低频部分和由反射光引起的高频部分分离;然后,采用高斯型高通滤波器与对数变换后的图像作卷积,实现同态滤波,从而滤除图像的高频系数。
所述步骤(2)局部对比度增强为:针对绝缘子憎水性图像在局部直方图均衡化后细节信息不清晰和阴影部分未被抑制的现象,进行图像的局部对比度增强。
所述步骤(3)具体包括:
a、先假设某一阈值将绝缘子憎水性图像分成目标和背景两部分,然后分别计算当前阈值下目标部分和背景部分的区域概率、区域平均灰度以及图像的总平均灰度和类间方差,当使类间方差达到最大时的阈值即为最佳阈值;
b、为防止图像中目标特征信息丢失以及边缘模糊化的现象,同时又加快求解最佳阈值的速度,利用蝙蝠算法求解最佳阈值;
c、蝙蝠算法中,每只虚拟蝙蝠具有飞行速度、位置、频率、响度和脉冲发射率等参数,蝙蝠狩猎和发现猎物时,通过改变频率、响度和脉冲发射率,进行最佳解的选择,直到目标停止或条件得到满足。
d、将图像的分割结果作二值化处理,使用腐蚀、膨胀和邻域算法来填补二值化处理后造成的孔洞,并找出最大的水滴。
e、区分绝缘子憎水性图像的背景区域和水滴区域。
本发明的有益效果为:1)采用同态滤波技术进行绝缘子憎水性图像的局部直方图均衡化,滤除图像的高频噪声。
2)基于蝙蝠算法优化绝缘子憎水性图像分割阈值,可防止图像中目标特征信息丢失以及边缘模糊化的现象,同时又加快求解最佳阈值的速度,为后续判断绝缘子憎水性等级提供依据,具有实际的工程应用价值。
附图说明
图1为本发明提供的一种绝缘子憎水性图像分割方法及装置流程图;
图2为绝缘子憎水性原始图像;
图3为基于同态滤波技术的局部直方图均衡化后的图像;
图4为局部对比度增强后的图像;
图5为基于最大类间方差法和遗传算法进行阈值分割后的图像;
图6为将图像的分割结果作二值化处理,使用腐蚀、膨胀和邻域算法来填补二值化处理后造成的孔洞,并找出最大的水滴;
图7为绝缘子憎水性图像分割装置框架示意图一;
图8为绝缘子憎水性图像分割装置框架示意图二;
图9~20为本装置电路原理图;
具体实施方式
实施例1
现结合实施例、附图对本发明作进一步描述:
如图7和图8所述的一种绝缘子憎水性图像分割装置,包括包括以下模块,电源管理模块、喷水模块、单片机模块、直流水泵和摄像头模块,电源管理模块分别与各模块相互连通,单片机模块通过脉冲宽度调制PWM控制喷水模块和直流水泵,摄像头模块为nRF24L01与单片机模块数据传输。
所述单片机模块采用型号为stm32f103c8t6的微控制器。
所述喷水模块包含摇头舵机和点头舵机。
上述装置安装于铁塔的横档上,通过固定支架将摄像头模块和喷水模块固定在横档位置。
一种绝缘子憎水性图像分割装置及方法,所述内容包括以下具体实施步骤
1.基于同态滤波技术的局部直方图均衡化
在绝缘子憎水性图像的捕获过程中会不可避免地染噪,当噪声较强时,直接进行图像的直方图均衡化,将导致噪声随之放大。故需先使用同态滤波的方法将图像的高频部分滤除,该技术可使用高斯型高通滤波器来实现:
a为高斯函数的幅值,b为高斯函数的偏置,c为高斯函数的标准差。采用大小为7×7的高斯型高通滤波器与经对数变换后的图像作卷积,即可实现同态滤波。
采用大小为3×3的模板进行局部的直方图均衡化,设同态滤波后的图像为 f(i,j),系数k值范围为0~1,aver为f(i,j)的均值,z为对图像f(i,j)采用3×3模板邻域标准差卷积后的结果,aver1为对图像f(i,j)采用3×3模板邻域平均值卷积后的结果,则权衡系数B可表示为:
B=k×aver/z (2)
G=B×(f(i,j)-aver1)+aver1 (3)
在式(1.3)中,G即为进行局部均衡化后的结果。
2.绝缘子憎水性图像局部对比度增强
单一的均衡方法无法增强较暗的水珠,为展示暗水珠的细节信息,需对均衡后的图像进行局部的对比度增强处理。加强后的图像表示为:
G(i,j)=G(i,j)+(f(i,j)-aver2)×m (4)
aver2为模板的均值,m为比例系数,G(i,j)为模板的中心像素。采用3×3大小的模板沿目标图像滑动,依次求取窗口的均值获取更新后的G(i,j)。
3.基于最大类间方差的分割算法
基于最大类间方差的阈值分割算法的基本思路是目标内的像素灰度值应相近并且背景内的像素灰度值也要相近,因此合理的分割应体现相同目标或者背景区域的相似性和不同目标或者背景区域的差异性,通过选择最优阈值,使得目标和背景区域之间的总体方差最大。
设憎水性图像中的像素总个数为N,灰度值为i的像素总个数为ni,其概率则为pi=ni/N。假如以灰度值k作为阈值把图像分为目标和背景两部分,分别用 R1和R2表示,则R1和R2的概率为:
整幅图像的平均灰度值为:
区域R1和R2的平均灰度值分别为:
区域R1和R2的方差为:
可以看出区域R1和R2的方差随k的变化而变化,当σ2(k)取得最大值时的k 值即为达到最大类间方差的阈值。
4.基于蝙蝠算法的最佳阈值确定
每个虚拟蝙蝠有各自的飞行速度和所处位置(问题的解),同时蝙蝠具有不同的频率或波长、响度和脉冲发射率。蝙蝠狩猎和发现猎物时,它改变频率、响度和脉冲发射率,进行最佳解的选择,直到目标停止或条件得到满足。本质上就是使用调谐技术来控制蝙蝠群的动态行为,平衡调整算法相关的参数,以取得蝙蝠算法的最优。
对于目标函数为最大化f(x),目标变量为X=(x1,x2,……,xd)T的优化问题,蝙蝠算法的实施过程描述如下:
步骤1:种群初始化,即蝙蝠以随机方式在D维空间中扩散分布一组初始解。最大脉冲音量A0,最大脉冲率R0,搜索脉冲频率范围[fmin,fmax],音量的衰减系数α,搜索频率的增强系数γ,搜索精度ε或最大迭代次数iter_max。
步骤2:随机初始化蝙蝠的位置xi,并根据适应度值得优劣寻找当前的最优解 x*。
步骤3:蝙蝠的搜索脉冲频率、速度和位置更新。种群在进化过程中每一下公式进行变化:
fi=fmin+(fmax-fmin)*β (11)
vi^t=vi^(t-1)+(xi^t-x*)*fi (12)
xi^t=xi^(t-1)+vi^(t) (13)
式中β属于[0,1]是均匀分部的随机数;fi是蝙蝠i的搜索脉冲频率,fi属于[fmin,fmax];vi^t、vi^(t-1)分别表示蝙蝠i在t和t-1时刻的速度;xi^t、xi^(t-1) 分别表示蝙蝠i在t和t-1时刻的位置;x*表示当前所有蝙蝠的最优解。
步骤4:生成均匀分布随机数rand,如果rand>r,则对当前最优解进行随机扰动,产生一个新的解,并对新的解进行越界处理。
步骤5:生成均匀分布随机数rand,如果rand<Ai且f(xi)<f(x*),则接受步骤4 产生的新解,然后按如下公式对和进行更新:
Ai^(t+1)=α*Ai^(t) (14)
ri^(t+1)=R0*[1-exp(-γ*t)] (15)
步骤6:对所有蝙蝠的适应度值进行排序,找出当前的最优解和最优值。
步骤7:重复步骤2~步骤5,直至满足设定的最优解条件或者达到最大迭代次数。
步骤8:输出全局最优值和最优解。
从上述蝙蝠算法实现过程的式(13)~(15)可知,蝙蝠算法中的两个参数:音量的衰减系数α和搜索频率的增强系数,对算法性能的影响非常大。通过仿真过程反复调整参数α、γ的值,才能得到合适的参数α、γ值,有效平衡算法的寻优精度和收敛速度。
本装置的具体电路原理图如图9~20所示。
以下为具体操作过程:
具体操作过程。
1.通过摄像头抓拍获取绝缘子憎水性原始的灰度级图像,如图2所示。
2.对获取的灰度级图像进行基于同态滤波技术的局部直方图均衡化处理,如图3所示。
3.对局部直方图均衡化后的图像进行局部对比度增强,如图4所示。
4.对局部对比度增强后的图像进行基于最大类间方差法和遗传算法的阈值分割,如图5所示。
5.对阈值分割后的图像作二值化处理,使用腐蚀、膨胀和邻域算法来填补二值化处理后造成的孔洞,如图6所示。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种绝缘子憎水性图像分割装置,其特征在于,包括以下模块,电源管理模块、喷水模块、单片机模块、直流水泵和摄像头模块,电源管理模块分别与各模块相互连通,单片机模块通过脉冲宽度调制PWM控制喷水模块和直流水泵,摄像头模块通过nRF24L01与单片机模块数据传输。
2.根据权利要求1所述的的一种绝缘子憎水性图像分割装置,其特征在于:所述单片机模块采用型号为stm32f103c8t6的微控制器。
3.根据权利要求1所述的的一种绝缘子憎水性图像分割装置,其特征在于:所述喷水模块包含摇头舵机和点头舵机。
4.一种利用权利要求1所述装置进行的绝缘子憎水性图像分割方法:其特征在于:包括以下步骤:
步骤(1):采用同态滤波器对绝缘子憎水性图像进行局部直方图均衡化;
步骤(2):对绝缘子憎水性图像进行局部对比度增强;
步骤(3):以绝缘子憎水性图像的目标区域和背景区域的类间方差最大化作为目标函数,并以蝙蝠算法作为绝缘子憎水性图像分割阈值的优化算法进行阈值的自适应选择,实现绝缘子憎水性图像的背景区域和水滴区域的分割。
5.根据权利4要求所述的一种绝缘子憎水性图像分割方法,其特征在于,所述步骤(1)中局部直方图均衡化,具体包括:首先,通过对数变换将绝缘子原始图像中由入射光引起的低频部分和由反射光引起的高频部分分离;然后,采用高斯型高通滤波器与对数变换后的图像作卷积,实现同态滤波,从而滤除图像的高频系数。
6.根据权利4要求所述的一种绝缘子憎水性图像分割方法,其特征在于,所述步骤(2)局部对比度增强为:针对绝缘子憎水性图像在局部直方图均衡化后细节信息不清晰和阴影部分未被抑制的现象,进行图像的局部对比度增强。
7.根据权利4要求所述的一种绝缘子憎水性图像分割方法及装置,其特征在于,所述步骤(3)具体包括:
a、先假设某一阈值将绝缘子憎水性图像分成目标和背景两部分,然后分别计算当前阈值下目标部分和背景部分的区域概率、区域平均灰度以及图像的总平均灰度和类间方差,当使类间方差达到最大时的阈值即为最佳阈值;
b、为防止图像中目标特征信息丢失以及边缘模糊化的现象,同时又加快求解最佳阈值的速度,利用蝙蝠算法求解最佳阈值;
c、蝙蝠算法中,每只虚拟蝙蝠具有飞行速度、位置、频率、响度和脉冲发射率等参数,蝙蝠狩猎和发现猎物时,通过改变频率、响度和脉冲发射率,进行最佳解的选择,直到目标停止或条件得到满足。
d、将图像的分割结果作二值化处理,使用腐蚀、膨胀和邻域算法来填补二值化处理后造成的孔洞,并找出最大的水滴。
e、区分绝缘子憎水性图像的背景区域和水滴区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107137.1A CN109285171A (zh) | 2018-09-21 | 2018-09-21 | 一种绝缘子憎水性图像分割装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107137.1A CN109285171A (zh) | 2018-09-21 | 2018-09-21 | 一种绝缘子憎水性图像分割装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109285171A true CN109285171A (zh) | 2019-01-29 |
Family
ID=65181922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811107137.1A Pending CN109285171A (zh) | 2018-09-21 | 2018-09-21 | 一种绝缘子憎水性图像分割装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285171A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN111680700A (zh) * | 2020-05-07 | 2020-09-18 | 中国船舶重工集团公司第七一六研究所 | 基于蝙蝠算法与归一化色差的遥感图像特征提取方法及装置 |
CN113128372A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102776373A (zh) * | 2012-07-31 | 2012-11-14 | 北京大学 | 一种从含锆离子和镧系离子的水相中萃取分离铀酰离子的方法 |
CN103345637A (zh) * | 2013-07-15 | 2013-10-09 | 国家电网公司 | 输电线路复合绝缘子憎水性在线检测***及方法 |
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN104331893A (zh) * | 2014-11-14 | 2015-02-04 | 东南大学 | 一种复杂图像多阈值分割方法 |
CN106407928A (zh) * | 2016-09-13 | 2017-02-15 | 武汉大学 | 基于雨滴识别的变压器复合绝缘子套管监测方法及*** |
CN106780534A (zh) * | 2016-12-07 | 2017-05-31 | 西安邮电大学 | 基于类间相对均匀性的图像自适应阈值化方法及装置 |
CN107945199A (zh) * | 2017-10-26 | 2018-04-20 | 国网山东省电力公司菏泽供电公司 | 基于蝙蝠算法和大津算法的红外图像分割方法及*** |
-
2018
- 2018-09-21 CN CN201811107137.1A patent/CN109285171A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102776373A (zh) * | 2012-07-31 | 2012-11-14 | 北京大学 | 一种从含锆离子和镧系离子的水相中萃取分离铀酰离子的方法 |
CN103345637A (zh) * | 2013-07-15 | 2013-10-09 | 国家电网公司 | 输电线路复合绝缘子憎水性在线检测***及方法 |
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN104331893A (zh) * | 2014-11-14 | 2015-02-04 | 东南大学 | 一种复杂图像多阈值分割方法 |
CN106407928A (zh) * | 2016-09-13 | 2017-02-15 | 武汉大学 | 基于雨滴识别的变压器复合绝缘子套管监测方法及*** |
CN106780534A (zh) * | 2016-12-07 | 2017-05-31 | 西安邮电大学 | 基于类间相对均匀性的图像自适应阈值化方法及装置 |
CN107945199A (zh) * | 2017-10-26 | 2018-04-20 | 国网山东省电力公司菏泽供电公司 | 基于蝙蝠算法和大津算法的红外图像分割方法及*** |
Non-Patent Citations (3)
Title |
---|
RASHMI CHOUDHARY等: "《Modified Method for Efficient Contrast Enhancement of Image Using Homomorphic Filter》" * |
姚境: "《基于数字图像处理技术的复合绝缘子憎水性检测算法研究》" * |
程琼 等: "《基于图像形态特征的复合绝缘子憎水性图像分割算法的研究》" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874825A (zh) * | 2019-10-29 | 2020-03-10 | 南昌大学 | 一种复合绝缘子表面水迹二值图像提取方法 |
CN111680700A (zh) * | 2020-05-07 | 2020-09-18 | 中国船舶重工集团公司第七一六研究所 | 基于蝙蝠算法与归一化色差的遥感图像特征提取方法及装置 |
CN113128372A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 |
CN113128372B (zh) * | 2021-04-02 | 2024-05-07 | 西安融智芙科技有限责任公司 | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360206B (zh) | 基于深度学习的大田稻穗分割方法 | |
CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及*** | |
CN109285171A (zh) | 一种绝缘子憎水性图像分割装置及方法 | |
CN103440495B (zh) | 一种复合绝缘子憎水等级自动识别方法 | |
CN110675411B (zh) | 基于深度学习的***内病变识别算法 | |
CN110120020A (zh) | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 | |
CN103927531B (zh) | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 | |
CN103914811B (zh) | 一种基于高斯混合模型的图像增强算法 | |
CN108876797B (zh) | 一种基于Spiking-SOM神经网络聚类的图像分割***及方法 | |
CN106157267A (zh) | 一种基于暗通道先验的图像去雾透射率优化方法 | |
CN108537777A (zh) | 一种基于神经网络的作物病害识别方法 | |
CN103699900B (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
CN108416353A (zh) | 基于深度全卷积神经网络的大田稻穗快速分割方法 | |
CN111242063A (zh) | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 | |
CN105118067A (zh) | 一种基于高斯平滑滤波的图像分割方法 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN109101926A (zh) | 基于卷积神经网络的空中目标检测方法 | |
CN103164855A (zh) | 一种结合反射光照的贝叶斯决策前景提取方法 | |
CN110276764A (zh) | 基于K值估计的K-Means水下图像背景分割改进算法 | |
CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN117314801B (zh) | 基于人工智能的模糊图像优化增强方法 | |
CN106204494A (zh) | 一种包含大面积天空区域的图像去雾方法及*** | |
CN107945199A (zh) | 基于蝙蝠算法和大津算法的红外图像分割方法及*** | |
CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |