CN113327206B - 基于人工智能的输电线智能巡检***的图像模糊处理方法 - Google Patents

基于人工智能的输电线智能巡检***的图像模糊处理方法 Download PDF

Info

Publication number
CN113327206B
CN113327206B CN202110618991.XA CN202110618991A CN113327206B CN 113327206 B CN113327206 B CN 113327206B CN 202110618991 A CN202110618991 A CN 202110618991A CN 113327206 B CN113327206 B CN 113327206B
Authority
CN
China
Prior art keywords
image
gradient
average gray
difference
calculating
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.)
Active
Application number
CN202110618991.XA
Other languages
English (en)
Other versions
CN113327206A (zh
Inventor
姜平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Dianbaida Intelligent Technology Co ltd
Original Assignee
Jiangsu Dianbaida Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Dianbaida Intelligent Technology Co ltd filed Critical Jiangsu Dianbaida Intelligent Technology Co ltd
Priority to CN202110618991.XA priority Critical patent/CN113327206B/zh
Publication of CN113327206A publication Critical patent/CN113327206A/zh
Application granted granted Critical
Publication of CN113327206B publication Critical patent/CN113327206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及基于人工智能的输电线智能巡检***的图像模糊处理方法，获取标准图像和模糊图像的梯度分布，根据两者梯度分布的差异，计算图像的模糊度，对模糊图像进行图像增强处理，获取半清晰图像；然后对计算的模糊图像与半清晰图像中各像素的灰度差数据进行聚类，获取每类的平均灰度差以及权重，计算整个图像的平均灰度差之和，并结合每类的平均灰度差，计算模糊图像块尺寸，从而获得滑窗窗口，对半清晰图像进行滑窗操作，得到与平均灰度差之和相等的窗口对应的图像块为最终的Patch块，计算模糊核，对半清晰图像进行去模糊获取清晰图像。即本发明在进行去模糊时，保留了模糊图像的图像信息，能有效地避免后续对半清晰图像部分区域的过处理。

Description

基于人工智能的输电线智能巡检***的图像模糊处理方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于人工智能的输电线智能巡检***的图像模糊处理方法。
背景技术
随着人工智能技术时代的发展，人们对于电力资源的依赖性更强，因此保持电压的稳定就显得尤为重要。在传统作业模式下，电力工人需要定时巡查高压线路，这种方式不仅给电力工人带来了一系列安全风险，且需要大量的工人来完成，耗费较大的人工成本的同时效率也较为低下。
目前，虽然开始应用专业的高压线巡检机器人来代替工人进行全天候不间断巡查，提高效率的同时也相应的节约了人工成本，但是机器在运行时受环境的影响较大。该类机器人装载有工业相机，将其固定到高压电线上后便可沿着高压电线行进并拍摄高压电线视频。然而高压电线一般所处位置较高，尤其是风力较强时，机器在行进过程中会受到风力干扰而发生晃动，导致成像画面模糊，从而影响判断。
针对模糊图像一般常用的技术为使用维纳滤波或者Richardson-Lucy算法，利用实际镜头的成像和镜头的衍射极限PSF来进行反向卷积操作得到理想镜头的成像。该方法虽然效果比较理想，但是需要提前知道镜头的PSF参数(模糊长度和尺度)，而很多情况下提前测定PSF参数是不可能的。虽然目前有一系列来估算相机模糊核的方法来侧面获得PSF参数，但是其仍然存在计算量大，结果不够理想等问题，且由于晃动的随机性，图像中各处的模糊程度并不相同，对图像进行统一的参数恢复有时反而取得较差的恢复效果。
发明内容
本发明的目的在于提供基于人工智能的输电线智能巡检***的图像模糊处理方法，用以解决现有技术中未考虑到图像中各处的模糊程度的不同，从而在进行图像统一处理时的效果较差的问题。
本发明提供的基于人工智能的输电线智能巡检***的图像模糊处理方法，包括以下步骤：
步骤一，获取待处理的模糊图像以及标准图像，所述标准图像为与模糊图像类似的清晰图像；
步骤二，对模糊图像进行图像增强处理，获取增强后的半清晰图像；
步骤三，计算模糊图像与半清晰图像中各像素的灰度差数据，并对所述灰度差数据进行聚类，获取聚类后各类的平均灰度差，并对不同的类设置相应的权重，并根据所述各类的平均灰度差和设置的权重，计算整个图像的平均灰度差之和
Figure GDA0003191456690000021
其中，整个图像的平均灰度差之和
Figure GDA0003191456690000022
为：
Figure GDA0003191456690000023
其中，δT为F类平均灰度差的总和；
Figure GDA0003191456690000024
表示权重，其中平均灰度差越小，则相应所占的权重越大；
步骤四，根据所述的整个图像的平均灰度差之和以及每类的平均灰度差，计算模糊图像块尺寸；
其中的模糊图像块尺寸的计算公式为：
Figure GDA0003191456690000025
其中，Gj为每一个聚类综合平均灰度差对平均灰度差之和
Figure GDA0003191456690000027
的贡献值。
步骤五，将所述模糊图像块尺寸进行处理后作为半清晰图像的滑窗窗口大小，对半清晰图像进行滑窗操作，计算窗口内的图像的平均灰度差，遍历完半清晰图像后，更改滑窗长和宽的大小，继续计算窗口内的图像的平均灰度差，比较所述窗口内的图像的平均灰度差与
Figure GDA0003191456690000026
的大小，当两者的差值小于设定值，则将所述窗口内的图像的平均灰度差对应的半清晰图像的图像块作为最终的Patch块；
步骤六，计算获取的Patch块的模糊核，并根据所述模糊核，对所述半清晰图像进行去模糊处理，获取清晰图像。
进一步地，所述图像增强处理的过程为：
1)分别计算模糊图像与标准图像的梯度分布，获取对应图像的梯度分布曲线，计算每条曲线上同一梯度对应的像素点的曲率，并计算两曲线上同一梯度对应的点的曲率差；根据所述曲率差，计算所有曲率差的方差确定两图像的梯度分布曲线的相似度；
所述的相似度为A＝e-δ，其中，δ为计算的曲率差的方差；
2)分别获取模糊图像和标准图像在梯度为0时的像素点个数，计算两图像的梯度曲线相似性；
所述梯度曲线相似性B为：
Figure GDA0003191456690000031
其中，N为两幅梯度图像中梯度范围最大的图像所对应的梯度值总量；nc，i为当前实时梯度图像上第i个梯度所对应的像素点数量；ns，i表示标准梯度图像上第i个梯度所对应的像素点数量；nT则为当前实时梯度图像上的像素点总数；
3)根据获取的相似度和梯度曲线相似性，计算图像模糊度；
其中图像模糊度为：
Z＝1-A·B
其中，A为相似度，B为梯度曲线相似性；；
4)根据计算的图像模糊度，对模糊图像的像素进行优化，得到优化后的图像的像素值；其中，优化后的图像的像素值为：
Figure GDA0003191456690000032
其中，Mi(x，y)表示第i各像素综合水平方向和垂直方向后最终更新得到的灰度值；Gix，Giy分别是其对应在水平方向和垂直方向的经模糊度Z更新后的像素值Gix：
Gix＝gix+∈ix(1+Z)
其中，gi表示第i个像素的灰度值，∈i为第i个像素与其相邻像素之间的梯度
进一步地，步骤三中，还根据不同类的面积，进行平均灰度差之和的计算：
Figure GDA0003191456690000033
其中，S为图像的总面积，Sj为聚类后的第j类的面积。
进一步地，所述模糊图像块尺寸的计算公式为：
Figure GDA0003191456690000034
其中，
Figure GDA0003191456690000041
则Gj为每一个聚类综合平均灰度差以及对应面积对平均灰度差
Figure GDA0003191456690000043
的贡献值。
进一步地，进行滑窗操作的滑窗尺寸为：
Figure GDA0003191456690000042
其中，x，y分别为滑窗的长和宽。
本发明的有益效果为：
本发明的图像模糊处理方法的方案，在进行去模糊时，保留了模糊图像的图像信息，能有效地避免后续对半清晰图像部分区域的过处理。
同时，本发明利用梯度分布以及图像模糊时像素点的聚集的特点，获取了图像的模糊度，从而能够对模糊图像进行优化调节，增强模糊图像的清晰度。
本发明通过引入每类所占的面积大小这一因素，确定最终的patch块，能够在一定程度上提高去模糊的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：
图1是本发明的基于人工智能的输电线智能巡检***的图像模糊处理方法的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。
本发明提供的基于人工智能的输电线智能巡检***的图像模糊处理方法，如图1所示，包括以下步骤：
步骤一，获取待处理的模糊图像以及标准图像，所述标准图像为与模糊图像类似的清晰图像；
本实施例中，标准图像为与模糊图像接近的清晰图像，该接近的清晰图像是在天气状态良好且无风环境下选取机器人稳定时拍摄的多帧图像画面，可取20帧。
步骤二，对模糊图像进行图像增强处理，获取增强后的半清晰图像；
上述步骤中的图像增强处理的过程为：
1)分别计算模糊图像与标准图像的梯度分布，获取对应图像的梯度分布曲线，计算每条曲线上同一梯度对应的像素点的曲率，并计算两曲线上同一梯度对应的点的曲率差；根据所述曲率差，计算所有曲率差的方差确定两图像的梯度分布曲线的相似度；
所述的相似度为A＝e-δ，其中，δ为计算的曲率差的方差。
上述步骤中，还对获得的模糊图像与标准图像的梯度分布进行归一化处理，使两个分布曲线处在同一范围内。
本实施例中，还对模糊图像和标准图像进行处理，即将拍摄的图像转为灰度图后，计算图像所对应的梯度，需要说明的是，该梯度为各图像中两个相邻像素之间的差值。
需要说明的是，一张清晰的图像中包含很多平滑的区域且噪声较低，所以梯度接近零的像素会占大多数，因此清晰的自然图像梯度符合重尾分布形态。只是由于图像清晰，所以物体边界比较明显，很多像素的梯度比较大，其分布图大致如图1所示，为机器人稳定时采集到的标准图像梯度分布；而模糊的图像由于边缘被糊掉，所以更多的像素梯度趋于零。
2)分别获取模糊图像和标准图像在梯度为0时的像素点个数，计算两图像的梯度曲线相似性；
梯度曲线相似性B为：
Figure GDA0003191456690000051
其中，N为两幅梯度图像中梯度范围最大的图像所对应的梯度值总量；nc，i为当前实时梯度图像上第i个梯度所对应的像素点数量；ns，i表示标准梯度图像上第i个梯度所对应的像素点数量；nT则为当前实时梯度图像上的像素点总数。
3)根据获取的第一相似度和梯度曲线相似性，计算图像模糊度；
其中图像模糊度为：
Z＝1-A·B
其中，A为相似度，B为梯度曲线相似性；
上述实施例中的图像的模糊度越大则说明两图像的相似性越低，相应地模糊图像就越模糊，反之模糊图像就越清晰。
4)根据计算的图像模糊度，对模糊图像的像素进行优化，得到优化后的图像的像素值；其中，优化后的图像的像素值为：
Figure GDA0003191456690000061
其中，Mi(x，y)表示第i各像素综合水平方向和垂直方向后最终更新得到的灰度值；Gix，Giy分别是其对应在水平方向和垂直方向的经模糊度Z更新后的像素值，Gix为：
Gix＝gix+∈ix(1+Z)
其中，gi表示第i个像素的灰度值，∈i为第i个像素与其相邻像素之间的梯度。
需要说明的是，由于像素值为整数，因此对上式中计算得到的Gix值进行向下取整，且当Gix值超过255时，令Gix＝255。
本发明中使用得到的模糊度Z综合反映了原始模糊图像的模糊度，克服了从曲线相似度以及对应梯度密度等单一因素计算模糊度不准确的问题；且不仅以此为基础在接下来对图像进行增强的过程中相比常规图像增强过程更为有效的提高了原始图像的清晰度，还为后续得到最为理想的patch块进一步提高图像清晰度。
下面给出一种具体的实施方式，以图像为例，进行详细的图像增强说明：
1)设图像中水平方向上的某一像素值为90，沿水平方向的相邻像素分别是80,80,80，则水平方向上的对应梯度分别为10,0,0；
上述中的梯度的计算只取变化量的绝对值，表明变化的大小。
2)优化后的新图像中该像素的灰度值为：Gix＝90+10(1+0.6)＝106，其中，设第一步中所述像素所在图像的模糊度Z＝0.6；那么，更新后的水平方向对应的像素灰度值为106，80，80，80。
由上述的优化方式可知，图像的对比度得到增强，尤其是图像中物体的轮廓和边缘，与背景大大加强了区别，达到了增强图像清晰度的目的。
由于上述步骤中仅计算了水平方向，而垂直方向同理也能求得；由于在实际应用中平方和开放会导致计算量较大，因此本发明中根据常规近似方法中的绝对值来近似平方和平方根的操作，从而降低计算量，其计算公式为：
Mi(x，y)＝|Gix|+|Giy|对于上述实施例，需要说明的是，像素灰度值90和80之间的灰度值相差为10，并不是很明显，与一大群灰度值为90的连续像素在一起，其轮廓必然是模糊的。由于相邻像素灰度值有变化，相应的梯度就有值，如果相邻像素灰度值没有变化则梯度为零，因此本发明中将梯度值与对应的像素灰度值通过特征值Z进行优化后相加，则灰度值没有变化的，像素值不变，而有梯度值的，其灰度值变大；
步骤三，计算模糊图像与半清晰图像中各像素的灰度差数据，并对所述灰度差数据进行聚类，获取聚类后各类的平均灰度差，并对不同的类设置相应的权重，并根据所述各类的平均灰度差和设置的权重，计算整个图像的平均灰度差之和
Figure GDA0003191456690000071
其中，整个图像的平均灰度差之和
Figure GDA0003191456690000075
为：
Figure GDA0003191456690000072
其中，δT为F类平均灰度差的总和；
Figure GDA0003191456690000073
表示权重，也即平均灰度差越小，则相应所占的权重越大。
例如F为五类时，其平均灰度差从小到大依次为1，2，3，4，5，此时δT＝15，各自对应的权重为
Figure GDA0003191456690000074
需要说明的是，由于本发明使用模糊图像与半清晰图像的灰度差而非通过半清晰图像与标准图像来计算，是因为原始的模糊图像经过图像增强处理后，处理后的图像中的轮廓对比更加清晰明显，那么，相应的像素灰度值也发生了不同的改变。此时，若将处理后的半清晰图像和标准图像作对比的话，即使图像部分区域已经增强到非常清晰，甚至超过标准图像对应区域的清晰度，但是由于半清晰图像和标准图像的像素灰度值并不相同，会使人误认为该增强区域仍与标准区域有差别而仍然有一定程度的模糊，从而影响后续判断结果。
因此，本发明中通过计算模糊图像和半清晰图像的平均灰度差，按照图像越模糊，相应区域像素梯度越小，在补偿后灰度差越小的原则，模糊图像与半清晰图像的灰度差越小说明该区域越模糊，即该区域没有得到有效增强，因此在后续计算中，该区域的平均灰度差对应的权重占比就越大，即在进行去模糊时，保留了模糊图像的图像信息，能有效地避免后续对半清晰图像部分区域的过处理；这里平均灰度差对应区域反映的是最能代表增强图像模糊度的区域；需要强调的是，本发明中的平均灰度仅仅是用来寻找相应模糊程度较大的区域指标。
作为其他实施方式，本发明还引入了面积这一因素，即考虑了聚类后的各类占总模糊图像的面积不同，进而对权重也产生了相应的影响，即整个图像的平均灰度差之和
Figure GDA0003191456690000086
为：
Figure GDA0003191456690000081
其中，S为图像的总面积，Sj为聚类后的第j类的面积。
步骤四，根据所述的整个图像的平均灰度差之和以及每类的平均灰度差，计算模糊图像块尺寸；
其中的模糊图像块尺寸的计算公式为：
Figure GDA0003191456690000082
其中，
Figure GDA0003191456690000083
则Gj为每一个聚类综合平均灰度差以及对应面积因素影响后对平均灰度差之和
Figure GDA0003191456690000087
的贡献值。
上述步骤是根据各聚类的贡献值来对选取Patch块的滑窗尺寸W进行确定，也即确定滑窗尺寸面积大小，该滑窗面积综合考虑了各聚类对平均灰度值的影响，因此得到的滑窗面积和对应的平均灰度差和
Figure GDA0003191456690000088
紧密结合，可确定出更为准确有效的Patch块。
作为其他实施方式，当引入面积这一因素时，其中的模糊图像块尺寸的计算公式为：
Figure GDA0003191456690000084
其中，
Figure GDA0003191456690000085
则Gj为每一个聚类综合平均灰度差以及对应面积因素影响后对平均灰度差之和
Figure GDA0003191456690000089
的贡献值。
步骤五，将所述模糊图像块尺寸进行处理后作为半清晰图像的滑窗窗口大小，对半清晰图像进行滑窗操作，计算窗口内的图像的平均灰度差，遍历完半清晰图像后，更改滑窗长宽大小，继续计算窗口内的图像的平均灰度差，比较所述窗口内的图像的平均灰度差与
Figure GDA00031914566900000810
的大小，当两者的差值小于设定的标幺值范围，则将所述窗口内的图像的平均灰度差对应的半清晰图像的图像块作为最终的Patch块；
具体地，将模糊图像块尺寸W，根据常用滑窗形状，事先设定滑窗长边最多为短边的二倍，变换为
Figure GDA0003191456690000091
其中x，y分别为滑窗的长和宽。
需要说明的是，本发明中根据对增强后的图像从第一个像素开始每次以一个窗口形状尺寸进行步长为1的滑窗操作，并计算窗口内的平均灰度差，遍历完整幅图像后一次更改滑窗尺寸，步长仍为一个像素继续进行遍历，并选取最终得到的各窗口下平均灰度差最接近
Figure GDA0003191456690000092
的窗口(两者之差在设定的标幺值的范围内，该标幺值的具体值可以根据实际情况进行设定)作为最终的Patch块。
步骤六，计算获取的Patch块的模糊核，并根据所述模糊核，对所述半清晰图像进行去模糊处理，获取清晰图像。
本实施例中对模糊核的估计是利用MAP方法和变分贝叶斯方法对卷积核进行估计，进而计算出图像的模糊核。
具体第，包括如下步骤：
1)将问题看作求最大后验概率问题，使用标准的MAP目标函数求解卷积核k，即argmaxkp(k|p),其中p为Patch块所代表的模糊图像块。
此处p(k|p)是相对于未知结果图像L的边际概率，即
p(k|p)＝∫p(k，L|p)dL
2)由于上述步骤中对于每一个可能的k都要求取其后验概率，并把这些后验概率加起来得到p(k|p)，因此求边际概率的计算量非常大。
本发明中根据最通用的变分贝叶斯方法来近似后验概率的表示和求取，由于该过程为公知技术且非本发明重点所在，因此不再具体描述。
本实施例中，根据获得的模糊核，以及已知的模糊图像，则可根据标准的去卷积算法来重建清晰图像L，本发明中使用最为经典的Richardson-Lucy算法通过迭代的方式来获取最终的清晰图像。
需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (5)

1.一种基于人工智能的输电线智能巡检***的图像模糊处理方法，其特征在于，包括以下步骤：
步骤一，获取待处理的模糊图像以及标准图像，所述标准图像为与模糊图像类似的清晰图像；
步骤二，计算所述标准图像和模糊图像的梯度分布，根据两者的梯度分布的差异，计算图像的模糊度，并根据所述模糊度对模糊图像进行图像增强处理，获取增强后的半清晰图像；
步骤三，计算模糊图像与半清晰图像中各像素的灰度差数据，并对所述灰度差数据进行聚类，获取聚类后各类的平均灰度差，并对不同的类设置相应的权重，并根据所述各类的平均灰度和设置的权重，计算整个图像的平均灰度差之和
Figure FDA0003098851230000011
其中，整个图像的平均灰度差之和
Figure FDA0003098851230000012
为：
Figure FDA0003098851230000013
其中，δT为F类平均灰度差的总和；
Figure FDA0003098851230000014
表示权重，其中平均灰度差越小，则相应所占的权重越大；
步骤四，根据所述的整个图像的平均灰度差之和以及每类的平均灰度差，计算模糊图像块尺寸；
其中的模糊图像块尺寸的计算公式为：
Figure FDA0003098851230000015
其中，Gj为每一个聚类综合平均灰度差对平均灰度差之和
Figure FDA0003098851230000016
的贡献值。
步骤五，将所述模糊图像块尺寸进行处理后作为半清晰图像的滑窗窗口大小，对半清晰图像进行滑窗操作，计算窗口内的图像的平均灰度差，遍历完半清晰图像后，更改滑窗长和宽的大小，继续计算窗口内的图像的平均灰度差，比较所述窗口内的图像的平均灰度差与
Figure FDA0003098851230000017
的大小，当两者的差值小于设定值，则将所述窗口内的图像的平均灰度差对应的半清晰图像的图像块作为最终的Patch块；
步骤六，计算获取的Patch块的模糊核，并根据所述模糊核，对所述半清晰图像进行去模糊处理，获取清晰图像。
2.根据权利要求1所述的基于人工智能的输电线智能巡检***的图像模糊处理方法，其特征在于，图像增强处理的过程为：
1)分别计算模糊图像与标准图像的梯度分布，获取对应图像的梯度分布曲线，计算每条曲线上同一梯度对应的像素点的曲率，并计算两曲线上同一梯度对应的点的曲率差；根据所述曲率差，计算所有曲率差的方差确定两图像的梯度分布曲线的相似度；
所述的相似度为A＝e-δ，其中，δ为计算的曲率差的方差；
2)分别获取模糊图像和标准图像在梯度为0时的像素点个数，计算两图像的梯度曲线相似性；
所述梯度曲线相似性B为：
Figure FDA0003098851230000021
其中，N为两幅梯度图像中梯度范围最大的图像所对应的梯度值总量；nc，i为当前实时梯度图像上第i个梯度所对应的像素点数量；ns，i表示标准梯度图像上第i个梯度所对应的像素点数量；nT则为当前实时梯度图像上的像素点总数量；
3)根据获取的相似度和梯度曲线相似性，计算图像模糊度；
其中图像模糊度为：
Z＝1-A·B
其中，A为相似度，B为梯度曲线相似性；
4)根据计算的图像模糊度，对模糊图像的像素进行优化，得到优化后的图像的像素值；
其中，优化后的图像的像素值为：
Figure FDA0003098851230000022
其中，Mi(x，y)表示第i各像素综合水平方向和垂直方向后最终更新得到的灰度值；Gix，Giy分别是其对应在水平方向和垂直方向的经模糊度Z更新后的像素值Gix：
Gix＝gix+∈ix(1+Z)
其中，gi表示第i个像素的灰度值，∈i为第i个像素与其相邻像素之间的梯度。
3.根据权利要求1所述的基于人工智能的输电线智能巡检***的图像模糊处理方法，其特征在于，步骤三中，还根据不同类的面积，进行平均灰度差之和的计算：
Figure FDA0003098851230000031
其中，S为图像的总面积，Sj为聚类后的第j类的面积。
4.根据权利要求3所述的基于人工智能的输电线智能巡检***的图像模糊处理方法，其特征在于，所述模糊图像块尺寸的计算公式为：
Figure FDA0003098851230000032
其中，
Figure FDA0003098851230000033
则Gj为每一个聚类综合平均灰度差以及对应面积对平均灰度差
Figure FDA0003098851230000034
的贡献值。
5.根据权利要求1或4所述的基于人工智能的输电线智能巡检***的图像模糊处理方法，其特征在于，进行滑窗操作的滑窗尺寸为：
Figure FDA0003098851230000035
其中，x，y分别为滑窗的长和宽。
CN202110618991.XA 2021-06-03 2021-06-03 基于人工智能的输电线智能巡检***的图像模糊处理方法 Active CN113327206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618991.XA CN113327206B (zh) 2021-06-03 2021-06-03 基于人工智能的输电线智能巡检***的图像模糊处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618991.XA CN113327206B (zh) 2021-06-03 2021-06-03 基于人工智能的输电线智能巡检***的图像模糊处理方法

Publications (2)

Publication Number Publication Date
CN113327206A CN113327206A (zh) 2021-08-31
CN113327206B true CN113327206B (zh) 2022-03-22

Family

ID=77419628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618991.XA Active CN113327206B (zh) 2021-06-03 2021-06-03 基于人工智能的输电线智能巡检***的图像模糊处理方法

Country Status (1)

Country Link
CN (1) CN113327206B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100304B (zh) * 2022-04-24 2024-04-19 江苏中勤通信科技有限公司 一种基于图像处理的核磁共振图像增强方法
CN115049662B (zh) * 2022-08-16 2022-11-08 山东大拇指喷雾设备有限公司 基于图像处理的喷雾机流量控制方法
CN116630220B (zh) * 2023-07-25 2023-11-21 江苏美克医学技术有限公司 一种荧光图像景深融合成像方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282003A (zh) * 2014-10-29 2015-01-14 哈尔滨工业大学 一种基于梯度筛选的数字模糊图像盲复原方法
CN107369134A (zh) * 2017-06-12 2017-11-21 上海斐讯数据通信技术有限公司 一种模糊图像的图像复原方法
CN108305230A (zh) * 2018-01-31 2018-07-20 上海康斐信息技术有限公司 一种模糊图像综合处理方法和***
CN108833770A (zh) * 2018-05-23 2018-11-16 释码融和（上海）信息科技有限公司 用于调焦的图像清晰度计算方法、计算设备及调焦***
CN109242790A (zh) * 2018-08-22 2019-01-18 大连理工大学 一种面向测量领域的图像去模糊评估方法
CN111275626A (zh) * 2018-12-05 2020-06-12 深圳市炜博科技有限公司 一种基于模糊度的视频去模糊方法、装置及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9208543B2 (en) * 2013-10-23 2015-12-08 Adobe Systems Incorporated Deblurring images having spatially varying blur

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282003A (zh) * 2014-10-29 2015-01-14 哈尔滨工业大学 一种基于梯度筛选的数字模糊图像盲复原方法
CN107369134A (zh) * 2017-06-12 2017-11-21 上海斐讯数据通信技术有限公司 一种模糊图像的图像复原方法
CN108305230A (zh) * 2018-01-31 2018-07-20 上海康斐信息技术有限公司 一种模糊图像综合处理方法和***
CN108833770A (zh) * 2018-05-23 2018-11-16 释码融和（上海）信息科技有限公司 用于调焦的图像清晰度计算方法、计算设备及调焦***
CN109242790A (zh) * 2018-08-22 2019-01-18 大连理工大学 一种面向测量领域的图像去模糊评估方法
CN111275626A (zh) * 2018-12-05 2020-06-12 深圳市炜博科技有限公司 一种基于模糊度的视频去模糊方法、装置及设备

Also Published As

Publication number Publication date
CN113327206A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN113327206B (zh) 基于人工智能的输电线智能巡检***的图像模糊处理方法
US10339643B2 (en) Algorithm and device for image processing
CN107507173B (zh) 一种全切片图像的无参考清晰度评估方法及***
CN107292842B (zh) 基于先验约束和离群值抑制的图像去模糊方法
CN109064418B (zh) 一种基于非局部均值的非均匀噪声图像去噪方法
CN112734650A (zh) 一种基于虚拟多曝光融合的不均匀光照图像增强方法
CN115496692B (zh) 一种润滑油磨粒图像增强方法
CN106097256B (zh) 一种基于图像盲去模糊的视频图像模糊度检测方法
CN110147816B (zh) 一种彩色深度图像的获取方法、设备、计算机存储介质
CN111598918B (zh) 一种基于参考帧优选和前后景分离的视频稳像运动估计方法
CN115731146B (zh) 基于色彩梯度直方图特征光流估计多曝光图像融合方法
CN110796616A (zh) 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法
Srinivas et al. Remote sensing image segmentation using OTSU algorithm
Feng et al. Low-light image enhancement algorithm based on an atmospheric physical model
CN113421210B (zh) 一种基于双目立体视觉的表面点云重建方法
CN115660994B (zh) 一种基于区域最小二乘估计的图像增强方法
CN108364274B (zh) 微纳米尺度下光学图像的无损清晰重构方法
Xie et al. DHD-Net: A novel deep-learning-based dehazing network
US11625886B2 (en) Storage medium storing program, training method of machine learning model, and image generating apparatus
CN115063679A (zh) 一种基于深度学习的路面质量评估方法
CN108230276B (zh) 一种融合无参图像质量评价的自然场景图像去模糊方法
CN113450380A (zh) 一种基于机场跑道刻线的轨迹校准方法
CN112258434A (zh) 一种静态场景下细节保持多曝光图像融合算法
CN112541859A (zh) 一种光照自适应的人脸图像增强方法
Cui et al. Unsupervised Barcode Image Reconstruction Based on Knowledge Distillation

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