CN110956640A - 一种异源图像边缘点检测与配准方法 - Google Patents
一种异源图像边缘点检测与配准方法 Download PDFInfo
- Publication number
- CN110956640A CN110956640A CN201911262672.9A CN201911262672A CN110956640A CN 110956640 A CN110956640 A CN 110956640A CN 201911262672 A CN201911262672 A CN 201911262672A CN 110956640 A CN110956640 A CN 110956640A
- Authority
- CN
- China
- Prior art keywords
- edge
- points
- point
- image
- gradient
- 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
Images
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理的技术领域,公开了一种异源图像边缘点检测与配准方法,包括计算红外图像和可见光图像的灰度梯度值和梯度方向;将各个像素点的梯度值与领域内相关像素点的梯度对比因子做对比,通过领域检测法筛选出边缘候选点,形成边缘候选点矩阵;通过边缘相关度检测精确提取出强边缘点,作为真实边缘点,得到红外图像和可见光图像的真实边缘点集合;开展双边近邻匹配,得到最终的边缘配准点集。
Description
技术领域
本发明涉及图像处理的技术领域,尤其涉及一种异源图像边缘点检测与配准方法。
背景技术
掌握配网设备运行状态与运行环境状况,及时发现配网设备运行的隐患是电力设备运维管理的关键问题。在图像检测方面,国外电力设备图像检测和分析研究的主要工作是提高输电线路飞行巡检和图像监测的效率和准确性。我国对于基于图像的设备状态检测和自动分析相关的研究主要集中在理论方法分析及可行性研究阶段。
现阶段智能平台和基于手机外设的红外摄像头的出现以及局放检测技术的普及和推广,为配网设备检测的低成本化,提供了前提条件。因此将红头、可见光融合检测,以实现配网状态检测工作的智能化,将会是近几年状态检测工作的发展趋势。
在实际融合检测中,无论是双目立体视觉技术,还是图像融合领域,图像的自动配准工作都是不可或缺的,例如医疗行业中对颅部或眼球的多张扫描图像进行配准并融合得出最清晰的诊断图像,地质测量中对无人机拍摄的遥感图像进行配准并拼接。在研究电力设备空间位置测量的过程中,必须对红外-可见光图像进行配准,以获得误差较小的测量结果。
与同源图像配准不同的是,红外-可见光图像之间色彩和分辨率差异大,并且红外图像纹理不清晰,噪声相对较大,导致两者的配准难度大,精度低。因此,本发明提出了一种异源图像边缘点检测与配准方法,提高配准精度,支撑配电设备状态检测。
发明内容
本发明提供了一种异源图像边缘点检测与配准方法,解决了红外图像与可见光灰度图像纹理清晰度差异大而导致的边缘检测难、配准精度不高等问题。
本发明可通过以下技术方案实现:
一种异源图像边缘点检测与配准方法,包括以下步骤:
步骤一、针对待配准的一张红外图像和一张可见光图像的图像,计算图像的灰度梯度值和梯度方向。
计算两张图像的横向和纵向灰度梯度。记I为图像像素值矩阵,Gu和Gv表示u和v轴上的梯度,则图像的横向和纵向灰度梯度矩阵表达式为
确定像素点的梯度值G与方向θ的计算公式为
θ=tan-1(Gv/Gu) (2)
步骤二、通过领域检测法进行初步的筛选,将待检测像素点的梯度值与相关像素点梯度对比因子做对比,筛选出边缘候选点,形成边缘候选点矩阵。
逐一检测各个像素点的3×3邻域,将像素点的梯度值与其领域内梯度方向上相关像素点的梯度值做对比,提取边缘候选点。
令待检测的像素点的梯度值为Gp,则该像素点的领域内在其梯度方向θp上相关像素点的值为G1,G2,G3,G4,如图1所示。
将待检测像素点的梯度值与相关像素点梯度值作对比,令Gp+和Gp-为正负方向的对比因子,公式如下
Gp-=G3tanθp+G4(1-tanθp)
Gp+=G2tanθp+G1(1-tanθp) (3)
当Gp>Gp+或Gp>Gp-时,将像素点Gp作为边缘候选点,将边缘候选点的梯度值Gp与对比因子共同组成边缘候选点矩阵E=(Gp,Gp+,Gp-)。
遍历整张图像的边缘候选点,其提取出所有的边缘候选点矩阵。
步骤三:在边缘候选点的基础上,通过边缘相关度检测精确提取出强边缘点,作为真实边缘点。
令红外图像的边缘点候选矩阵集合为Eh=(Eh1,Eh2,Eh3,...,Ehn),可见光图像的边缘点候选矩阵集合为El=(El1,El2,El3,...,Eln)。
定义对应边缘点候选矩阵之间的边缘相关度为ECt,其中t=1,2,...,n。
其中和分别为矩阵Eht、Elt的元素之和的平均值,M×N为矩阵维度。ECt取值范围为[-1,1],该参数可以有效判定两幅边缘图像的相似程度,边缘图像相似度越高,ECt越大;当两幅边缘图像完全重叠时,ECt为1;当边缘图像相似度很低时,ECt越接近0。因此,判定阈值C,当ECt>C时,将该边缘点提取出来,作为真实边缘点,本发明中C=0.85。
最终得到红外图像和可见光图像真实边缘点的集合为Fh=(Fh1,Fh2,Fh3,...,Fhm)和Fl=(Fl1,Fl2,Fl3,...,Flm),其中m<n。
步骤四、使用近邻匹配和双边算法对红外图像和可见光图像开展边缘点配准,获取配准点集。
在步骤三的基础上,首先以可见光图像做基准,将红外图像配准到可见光图像,即红外→可见光。
红外做待配准的红外图像Ih对应的真实边缘点集合为Fh,可见光图像Il对应的真实边缘点集合为Fl,对于集合为Fh中的第i个元素Fhi,定义Fhi到集合Fl的距离为
对于Fhi,检索集合D(Fhi,Fl)中的最大值对应的Fli作为其匹配点。在本文中为保证算法的适用性,用Fhi-max和Fhi-smax分别表示集合D(Fhi,Fl)中的最大值和次最大值;只有两者满足关系Fhi-smax<Fhi-max<R时,才选取最大值Fhi-max对应的Fli作为其匹配点,否则视为匹配失败,为了保证配准的准确性,R的取值为0.9。
当匹配成功时,将Fhi-max和Fli作为匹配点,放入单边匹配集合中M(Ih,Il),随后遍历红外图像的真实边缘点集合Fh,将所有的匹配点放入匹配集合M(Ih,Il)中。
由于单边匹配会出现多对一的情况出现,即Fh中的多个元素可能会匹配到Fl中的同一个元素。为了解决该问题,以红外图像为基准,将可见光图像配准到红外图像,即可见光→红外,得到匹配集合M(Il,Ih)。
最后保留M(Ih,Il)和M(Il,Ih)中相同的元素作为最终匹配成功的点。
本发明有益的技术效果在于:
由于红外图像的细节纹理丢失严重,最为显著的角点极大部分分布在物体轮廓上,而可见光图像则较为清晰,包含清晰的轮廓和纹理信息,因此,边缘点检测使得红外-可见光的相应匹配点更准,匹配效果的鲁棒性更好。
本发明通过领域检测法和边缘相关度检测精确提取出强边缘点,减少由于图像本身差异所导致的配准误差,降低可见光图像的细节纹理比红外图像清晰带来的梯度差异大问题,同时,通过领域算法和双边匹配算法获得最准确的匹配点集,提高了配准精度。
本发明整个计算过程的简单快捷,准确率高,可在电力设备监测中推广。
附图说明
图1为本发明的总体流程示意图;
图2为本发明的边缘候选点提取示意图;
图3为本发明的边缘点检测与配准示意图;
图4为本发明的另一种边缘点检测与配准示意图。
具体实施方式
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
如图1所示,本发明提供了一种异源图像边缘点检测与配准方法,首先针对待配准的一张红外图像和一张可见光图像的图像,计算图像的灰度梯度值和梯度方向。通过领域检测法进行初步的筛选,筛选出边缘候选点。在边缘候选点的基础上,通过边缘相关度检测精确提取出强边缘点,作为真实边缘点。使用近邻匹配和双边算法对红外图像和可见光图像开展边缘点配准,获取配准点集。
首先图像预处理,并且根据图像质量的高低决定是否需要滤波操作。首先,对图像的灰度值的重新分布,先对灰度图像进行线性变换,再将灰度值拉伸到0-255之间,具体公式如下:
其次,对图像的分辨率进行调整,以待配准的两张红外和可见光图像中高度最小者的分辨率为基准分辨率,等比例缩放另一幅图像,如200*400与400*800的待配准的两张红外和可见光图像,需要将400*800缩放为200*400的比例,以便后续采用相同尺寸的模板进行SIFT描述子提取,为后续实现尺度不变性做准备。
然后,针对待配准的一张红外图像和一张可见光图像的图像,计算图像的灰度梯度值和梯度方向。
计算两张图像的横向和纵向灰度梯度。记I为图像像素值矩阵,Gu和Gv表示u和v轴上的梯度,则图像的横向和纵向灰度梯度矩阵表达式为
确定像素点的梯度值G与方向θ的计算公式为
θ=tan-1(Gv/Gu)
进一步,通过领域检测法进行初步的筛选,筛选出边缘候选点。
逐一检测各个像素点的3*3邻域,将像素点的梯度值与其领域内梯度方向上相关像素点的梯度值做对比,提取边缘候选点。
令待检测的像素点的梯度值为Gp,则该像素点的领域内在其梯度方向θp上相关像素点的值为G1,G2,G3,G4,如图1所示。
将待检测像素点的梯度值与相关像素点梯度值作对比,令Gp+和Gp-为正负方向的对比因子,公式如下
Gp-=G3tanθp+G4(1-tanθp)
Gp+=G2tanθp+G1(1-tanθp)
当Gp>Gp+或Gp>Gp-时,将像素点Gp作为边缘候选点,将边缘候选点的梯度值Gp与对比因子共同组成边缘候选点矩阵E=(Gp,Gp+,Gp-)。
遍历整张图像的边缘候选点,其提取出所有的边缘候选点矩阵。
进一步,在边缘候选点的基础上,通过边缘相关度检测精确提取出强边缘点,作为真实边缘点。
令红外图像的边缘点候选矩阵集合为Eh=(Eh1,Eh2,Eh3,...,Ehn),可见光图像的边缘点候选矩阵集合为El=(El1,El2,El3,...,Eln)。
计算对应边缘点候选矩阵之间的边缘相关度ECt,其中t=1,2,...,n。
ECt取值范围为[-1,1],该参数可以有效判定两幅边缘图像的相似程度,边缘图像相似度越高,ECt越大;当两幅边缘图像完全重叠时,ECt为1;当边缘图像相似度很低时,ECt越接近0。因此,判定阈值C,当ECt>C时,将该边缘点提取出来,作为真实边缘点,本发明中C=0.85。
最终得到红外图像和可见光图像真实边缘点的集合为Fh=(Fh1,Fh2,Fh3,...,Fhm)和Fl=(Fl1,Fl2,Fl3,...,Flm),其中m<n。
最后,使用近邻匹配和双边算法对红外图像和可见光图像开展边缘点配准,获取配准点集。
首先以可见光图像做基准,将红外图像配准到可见光图像,即红外→可见光。
红外做待配准的红外图像Ih对应的真实边缘点集合为Fh,可见光图像Il对应的真实边缘点集合为Fl,对于集合为Fh中的第i个元素Fhi,定义Fhi到集合Fl的距离为
对于Fhi,检索集合D(Fhi,Fl)中的最大值对应的Fli作为其匹配点。在本文中为保证算法的适用性,用Fhi-max和Fhi-smax分别表示集合D(Fhi,Fl)中的最大值和次最大值;只有两者满足关系Fhi-smax<Fhi-max<R时,才选取最大值Fhi-max对应的Fli作为其匹配点,否则视为匹配失败,为了保证配准的准确性,R的取值为0.9。
当匹配成功时,将Fhi-max和Fli作为匹配点,放入单边匹配集合中M(Ih,Il),随后遍历红外图像的真实边缘点集合Fh,将所有的匹配点放入匹配集合M(Ih,Il)中。
由于单边匹配会出现多对一的情况出现,即Fh中的多个元素可能会匹配到Fl中的同一个元素。为了解决该问题,以红外图像为基准,将可见光图像配准到红外图像,即可见光→红外,得到匹配集合M(Il,Ih)。最后保留M(Ih,Il)和M(Il,Ih)中相同的元素作为最终匹配成功的点。
对配电设备的红外和可见光图像做边缘检测和配准的结果,如图3和图4所示(左边为红外图像,右边为可见光图像)。在配准后将均方根误差Root Mean Squard Error(RMSE)作为评价指标,即
其中(xi,yi)图像配准得到的配准点坐标,(x’i,y’i)为配准点经过理论透视变换矩阵后的理论配准点坐标。该指标能客观反映配准算法的匹配精度高,其值越小,配准精度越高。图3中针对图像边缘点配准的RMSE达到了6.89,且正确配准点占比为87.2%,配准点在图像上的分布离散程度也非常全面,图4中的RMSE为8.41,且正确配准点占比为77.5%。说明本发明对异源图像的边缘检测和配准具有准确性高的特点,具备一定的可行性。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,因此,本发明的保护范围由所附权利要求书限定。
Claims (3)
1.一种异源图像边缘点检测与配准方法,其特征在于包括以下步骤:
步骤一、针对待配准的红外和可见光图像,计算图像的灰度梯度值和梯度方向。
步骤二、通过领域检测法进行初步的筛选,将各个像素点的梯度值与领域内相关像素点的梯度对比因子做对比,筛选出边缘候选点,形成边缘候选点矩阵。
步骤三:在边缘候选点的基础上,通过边缘相关度检测精确提取出强边缘点,作为真实边缘点。
步骤四、使用近邻匹配和双边算法对红外图像和可见光图像开展边缘点配准,获取配准点集。
2.根据权利要求1所述的异源图像边缘点检测与配准方法,其特征在于步骤二,通过领域检测法进行初步的筛选,将各个像素点的梯度值与领域内相关像素点的梯度对比因子做对比,筛选出边缘候选点,形成边缘候选点矩阵。
逐一检测各个像素点的3×3邻域,将像素点的梯度值与其领域内梯度方向上相关像素点的梯度值做对比,提取边缘候选点。
令待检测的像素点的梯度值为Gp,则该像素点的领域内在其梯度方向θp上相关像素点的值为G1,G2,G3,G4,如图2所示。
Gp-=G3tanθp+G4(1-tanθp)
Gp+=G2tanθp+G1(1-tanθp)
遍历整张图像的边缘候选点,其提取出所有的边缘候选点矩阵。
3.根据权利要求1所述的异源图像边缘点检测与配准方法,其特征在于步骤三,在边缘候选点的基础上,通过边缘相关度检测精确提取出强边缘点,作为真实边缘点。
令红外图像的边缘点候选矩阵集合为Eh=(Eh1,Eh2,Eh3,...,Ehn),可见光图像的边缘点候选矩阵集合为El=(El1,El2,El3,...,Eln)。
定义对应边缘点候选矩阵之间的边缘相关度为ECt,其中t=1,2,...,n。
其中和分别为矩阵Eht、Elt的元素之和的平均值,M×N为矩阵维度。ECt取值范围为[-1,1],该参数可以有效判定两幅边缘图像的相似程度,边缘图像相似度越高,ECt越大;当两幅边缘图像完全重叠时,ECt为1;当边缘图像相似度很低时,ECt越接近0。因此,判定阈值C,当ECt>C时,将该边缘点提取出来,作为真实边缘点,本发明中C=0.85。
最终得到红外图像和可见光图像真实边缘点的集合为Fh=(Fh1,Fh2,Fh3,...,Fhm)和Fl=(Fl1,Fl2,Fl3,...,Flm),其中m<n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262672.9A CN110956640B (zh) | 2019-12-04 | 2019-12-04 | 一种异源图像边缘点检测与配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262672.9A CN110956640B (zh) | 2019-12-04 | 2019-12-04 | 一种异源图像边缘点检测与配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956640A true CN110956640A (zh) | 2020-04-03 |
CN110956640B CN110956640B (zh) | 2023-05-05 |
Family
ID=69980759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911262672.9A Active CN110956640B (zh) | 2019-12-04 | 2019-12-04 | 一种异源图像边缘点检测与配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956640B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833384A (zh) * | 2020-05-29 | 2020-10-27 | 武汉卓目科技有限公司 | 一种可见光和红外图像快速配准方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5550937A (en) * | 1992-11-23 | 1996-08-27 | Harris Corporation | Mechanism for registering digital images obtained from multiple sensors having diverse image collection geometries |
US6519372B1 (en) * | 1999-08-31 | 2003-02-11 | Lockheed Martin Corporation | Normalized crosscorrelation of complex gradients for image autoregistration |
CN102999939B (zh) * | 2012-09-21 | 2016-02-17 | 魏益群 | 坐标获取装置、实时三维重建***和方法、立体交互设备 |
CN106257535B (zh) * | 2016-08-11 | 2019-05-21 | 河海大学常州校区 | 基于surf算子的电气设备红外与可见光图像配准方法 |
CN107464252A (zh) * | 2017-06-30 | 2017-12-12 | 南京航空航天大学 | 一种基于混合特征的可见光与红外异源图像识别方法 |
CN107862708A (zh) * | 2017-11-08 | 2018-03-30 | 合肥工业大学 | 一种sar与可见光图像配准方法 |
CN108038476B (zh) * | 2018-01-03 | 2019-10-11 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
CN110223330B (zh) * | 2019-06-12 | 2021-04-09 | 国网河北省电力有限公司沧州供电分公司 | 一种可见光和红外图像的配准方法及*** |
-
2019
- 2019-12-04 CN CN201911262672.9A patent/CN110956640B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833384A (zh) * | 2020-05-29 | 2020-10-27 | 武汉卓目科技有限公司 | 一种可见光和红外图像快速配准方法及装置 |
CN111833384B (zh) * | 2020-05-29 | 2023-12-26 | 武汉卓目科技有限公司 | 一种可见光和红外图像快速配准方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110956640B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223133B (zh) | 一种异源图像的配准方法 | |
CN107154014B (zh) | 一种实时彩色及深度全景图像拼接方法 | |
CN109472776B (zh) | 一种基于深度显著性的绝缘子检测及自爆识别方法 | |
CN109211198B (zh) | 一种基于三目视觉的智能目标检测和测量***和方法 | |
CN108470356B (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
CN110544258A (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
CN110110131B (zh) | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN106952262B (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
CN111027415A (zh) | 一种基于偏振图像的车辆检测方法 | |
CN115330684A (zh) | 基于双目视觉与线结构光的水下构筑物表观缺陷检测方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN110956640B (zh) | 一种异源图像边缘点检测与配准方法 | |
CN112634259A (zh) | 一种键盘键帽自动建模定位方法 | |
CN111681271A (zh) | 一种多通道多光谱相机配准方法、***及介质 | |
CN114638805B (zh) | 一种轨道板裂缝检测方法、***及存储介质 | |
CN112562008B (zh) | 一种局部双目视觉测量中的靶标点匹配方法 | |
CN110349129A (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN115546716A (zh) | 一种基于双目视觉的输电线路周边火灾源头定位方法 | |
CN115330751A (zh) | 一种基于YOLOv5和Realsense的螺栓检测与定位方法 | |
CN115375762A (zh) | 一种基于三目视觉的电力线三维重构方法 | |
CN111260625B (zh) | 胶印大张图像检测区域的自动提取方法 | |
CN112396572A (zh) | 基于特征增强和高斯金字塔的复合绝缘子双光融合方法 | |
CN111630569B (zh) | 双目匹配的方法、视觉成像装置及具有存储功能的装置 | |
CN112036393A (zh) | 一种基于页岩气田生产单指针仪表读数的识别方法 |
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 |