CN113436216B - 基于Canny算子的电气设备红外图像边缘检测方法 - Google Patents
基于Canny算子的电气设备红外图像边缘检测方法 Download PDFInfo
- Publication number
- CN113436216B CN113436216B CN202110770016.0A CN202110770016A CN113436216B CN 113436216 B CN113436216 B CN 113436216B CN 202110770016 A CN202110770016 A CN 202110770016A CN 113436216 B CN113436216 B CN 113436216B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient amplitude
- gradient
- electrical equipment
- grad
- 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
Links
- 238000003708 edge detection Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000001629 suppression Effects 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于Canny算子的电气设备红外图像边缘检测方法,该方法通过对电气设备红外图像进行灰度化处理后获得灰度图像,对灰度图像进行Gamma变换获得增强后的图像,再对增强后的图像利用高斯滤波器进行平滑降噪获得平滑图像;在传统Canny算法基础上,本发明考虑0°、90°、45°和135°四个方向的梯度,计算平滑图像中每个像素的梯度幅值和梯度方向,获得梯度幅值图像,再根据计算得到的梯度幅值图像计算双阈值;并采用插值方式对梯度幅值进行非极大值抑制;最后根据双阈值选择和连接边缘。本发明相比现有方法去噪效果更好,能更准确的检测边缘信息,适用于电气设备红外图像的检测。
Description
技术领域
本申请涉及图像边缘检测领域,具体地涉及一种基于Canny算子的电气设备红外图像边缘检测方法。
背景技术
目前,红外诊断技术已广泛应用于电力设备故障检测中,边缘检测作为提取图像感兴趣部分的传统方法之一,是电气设备红外图像预处理的重要步骤。由于实际应用中的一些客观因素的影响,如噪声和环境的干扰等,使得难于对红外图像中的感兴趣部分提取到准确、连续且封闭的边缘,这会对基于红外图像的电气设备故障识别产生影响。
对数字图像进行边缘检测可以提高数据处理效率,在保留图像重要结构属性的同时,减少弱相关信息,精准、清晰地提取出电气设备红外图像的轮廓,才可以进行进一步的电气设备故障识别等工作。经典的边缘检测算子有Roberts、Sobel、Log、Canny等,其中Canny算法性能较高,因其高精确度的边缘检测特性而具有更好的应用潜力。但电气设备红外图像具有空间分辨率低、背景噪声大、对比度低且边缘模糊等缺陷,Canny算法对于电气设备红外图像的边缘检测受噪声影响较大,易产生虚假边缘。
发明内容
为了克服现有技术的不足,提高Canny算法对于电气设备红外图像的去噪效果和边缘检测质量,本发明的目的是提出一种基于Canny算子的电气设备红外图像边缘检测方法,在传统Canny算法基础上,本发明考虑0°、90°、45°和135°四个方向的梯度,计算平滑图像中每个像素的梯度幅值和梯度方向,获得梯度幅值图像,再根据计算得到的梯度幅值图像计算双阈值;并采用插值方式对梯度幅值进行非极大值抑制;最后根据双阈值选择和连接边缘。解决现有技术对于电气设备红外图像的边缘检测对噪声敏感、易发生边缘信息缺失的问题。
为实现上述目的,本发明所采用的解决方案为:
一种Canny算子的电气设备红外图像边缘检测方法,其包括以下步骤:
步骤1:对电气设备红外图像进行灰度化处理,获得灰度图像;
步骤2:对所述步骤1获得的灰度图像进行Gamma变换获得增强后的图像f(x,y),x、y为空间坐标;
步骤3:利用高斯滤波器对所述步骤2获得的增强后的图像f(x,y)进行平滑降噪,获得平滑图像I(x,y);
步骤4:根据0°、90°、45°和135°四个方向的梯度计算所述步骤3获得的平滑图像I(x,y)中每个像素的梯度幅值和梯度方向θ(x,y),获得梯度幅值图像Grad(x,y);
步骤5:根据所述步骤4获得的梯度幅值图像Grad(x,y)获得双阈值,所述双阈值包括低阈值TL和高阈值TH,具体步骤如下:
步骤51:对所述步骤4获得的梯度幅值图像Grad(x,y)中的梯度幅值进行统计,获得梯度幅值的最大值fmax和最小值fmin,根据所述梯度幅值的最大值fmax和最小值fmin获得单通道像素强度的平均值M:
M=(fmax+fmin)/2
步骤52:根据所述步骤51获得的单通道像素强度的平均值M获得低阈值TL:
TL=max(0,M)
步骤53:根据所述步骤52获得的低阈值TL获得高阈值TH:
TH=2*TL;
步骤6:用插值方式对所述步骤4获得的梯度幅值图像Grad(x,y)中的梯度幅值进行非极大值抑制,获得更新的梯度幅值图像,具体包括以下步骤:
步骤61:设置权重W,根据所述权重W获得所述梯度幅值图像Grad(x,y)中的梯度幅值在梯度方向θ(x,y)上的插值T1和T2;
步骤62:将所述梯度幅值图像Grad(x,y)中的梯度幅值与所述梯度幅值在梯度方向θ(x,y)上的插值T1和T2进行比较:
当所述梯度幅值图像Grad(x,y)中的梯度幅值同时大于所述梯度幅值在梯度方向θ(x,y)上的插值T1和T2时,在所述梯度幅值图像Grad(x,y)中保留所述梯度幅值;
否则,在所述梯度幅值图像Grad(x,y)中对所述梯度幅值赋0值,获得更新的梯度幅值图像;
步骤7:根据所述步骤5获得的双阈值对步骤6获得的更新的梯度幅值图像选择和连接边缘,输出二值化图像,完成边缘检测。
可优选的是,所述步骤4具体包括以下步骤:
步骤41:设置0°、90°、45°和135°四个方向的模板I0°、I90°、I45°、I135°:
步骤42:根据所述步骤41中四个方向的模板I0°、I90°、I45°、I135°的一阶偏导数的有限差分计算所述平滑图像I(x,y)中每个像素的梯度幅值和梯度方向θ(x,y),获得梯度幅值图像Grad(x,y):
θ(x,y)=arctan(I90°(x,y)/I0°(x,y))
式中:I0°(x,y)、I90°(x,y)、I45°(x,y)和I135°(x,y)分别为所述增强后的图像f(x,y)被0°、90°、45°和135°四个方向的模板I0°、I90°、I45°和I135°沿行列作用的结果。
可优选的是,所述步骤61中的权重W为:
根据所述权重W获得所述梯度幅值图像Grad(x,y)中的梯度幅值在梯度方向θ(x,y)上的插值T1和T2:
T1=W·g1+(1-W)·g2
T2=W·g3+(1-W)·g4
式中:g1、g2为距离插值T1最近的像素点;g3、g4为距离插值T2最近的像素点;
当I0°(x,y)>I90°(x,y)且I0°(x,y)·I90°(x,y)>0时,g1、g2、g3和g4分别为所述梯度幅值对应的像素点右上、右侧、左下和左侧的点;
当I0°(x,y)>I90°(x,y)且I0°(x,y)·I90°(x,y)<0时,g1、g2、g3和g4分别为所述梯度幅值对应的像素点右下、右侧、左上和左侧的点;
当I0°(x,y)<I90°(x,y)且I0°(x,y)·I90°(x,y)>0时,g1、g2、g3和g4分别为所述梯度幅值对应的像素点左下、下方、右上和上方的点;
当I0°(x,y)<I90°(x,y)且I0°(x,y)·I90°(x,y)<0时,g1、g2、g3和g4分别为所述梯度幅值对应的像素点右下、下方、左上和上方的点。
可优选的是,所述步骤2的具体步骤为:
步骤21:对所述步骤1获得的灰度图像进行归一化操作,获得归一化后的图像g(x,y);
步骤22:对所述步骤2获得的归一化后的图像g(x,y)进行Gamma变换,获得增强后的图像f(x,y):
f(x,y)=c·gλ(x,y)
式中:c和λ为正常数。
可优选的是,所述步骤3的具体步骤为:
步骤31:利用高斯滤波器获得滤波窗口,所述高斯滤波器为二维高斯函数G(x,y):
式中:σ为高斯滤波器的标准差,用来控制滤波的平滑程度;
步骤32:利用所述步骤31获得的滤波窗口遍历所述增强后图像f(x,y)的像素,得到平滑图像I(x,y):
I(x,y)=G(x,y)·f(x,y)。
与现有技术相比,本发明的有益效果在于:
本发明提供了一种基于Canny算子的电气设备红外图像边缘检测方法,通过对梯度幅值图像中的梯度幅值进行统计以实现高低阈值自适应,利用领域像素插值方式进行梯度幅值的非极大值抑制,能对具有复杂背景的电气设备红外图像进行更加精准的边缘检测,解决复杂背景的干扰,有效抑制噪声,为后续电气设备故障检测等工作提供了基础。
附图说明
图1为本发明实施例的整体实现框图;
图2(a)为本发明实施例的电气设备红外图像的整体图像;
图2(b)为本发明实施例的电气设备红外图像的局部图像;
图3(a)为本发明实施例中采用传统Canny算法得到的图2(a)的边缘检测结果图;
图3(b)为本发明实施例中采用传统Canny算法得到的图2(b)的边缘检测结果图;
图4(a)为发明本实施例中采用本发明的方法得到的图2(a)的边缘检测结果图;
图4(b)为发明本实施例中采用本发明的方法得到的图2(b)的边缘检测结果图;
图5为本发明实施例中采用传统Canny算法和本发明的方法的评估结果对比。
具体实施方式
以下,参照附图对本发明的实施方式进行说明。
本发明实施例提供了一种基于Canny算子的电气设备红外图像边缘检测方法,如图1所述,具体步骤包括:
步骤1:将电气设备红外图像进行灰度化后处理后得到灰度图像;
步骤2:对得到的灰度图像进行Gamma变换得到增强后的图像,具体包括以下步骤:
步骤21:对灰度图像进行归一化操作,得到归一化后得图像g(x,y);
步骤22:对归一化后的图像g(x,y)进行Gamma变换,得到增强后的图像f(x,y):
f(x,y)=c·gλ(x,y) (1)
式中:x,y为空间坐标;c和λ为正常数;
步骤3:用高斯滤波器对增强后的图像进行平滑降噪,得到平滑图像,具体包括以下步骤:
步骤31:首先利用高斯滤波器得到滤波窗口,这里高斯滤波器选用二维高斯函数G(x,y):
其中:σ为高斯滤波器的标准差,用来控制滤波的平滑程度;
步骤32:使用滤波窗口遍历增强后图像f(x,y)的像素,得到平滑图像I(x,y):
I(x,y)=G(x,y)·f(x,y) (3)
步骤4:根据0°、90°、45°和135°四个方向的梯度计算平滑图像中的每个像素的梯度幅值图像和梯度方向,所有像素的梯度幅值构成梯度幅值图像,具体包括以下步骤:
步骤41:四个方向的模板分别为I0°、I90°、I45°、I135°:
步骤42:采用四个方向的模板I0°、I90°、I45°、I135°的一阶偏导数的有限差分计算平滑图像I(x,y)中的每个像素的梯度幅值和梯度方向为θ(x,y),获得梯度幅值图像Grad(x,y):
θ(x,y)=arctan(I90°(x,y)/I0°(x,y)) (9)
其中:I0°(x,y)、I90°(x,y)、I45°(x,y)和I135°(x,y)分别是增强后图像被四个方向的模板沿行列作用的结果。
步骤5:根据计算得到的梯度幅值图像来计算双阈值,双阈值包括低阈值和高阈值,具体包括以下步骤:
步骤51:对梯度幅值图像Grad(x,y)中的梯度幅值进行统计,找出其最大值fmax和最小值fmin,计算出单通道像素强度的平均值M:
M=(fmax+fmin)/2 (10)
步骤52:根据单通道像素强度的平均值M计算得到低阈值TL:
TL=max(0,M) (11)
步骤53:根据低阈值TL计算得到高阈值TH:
TH=2*TL (12)
步骤6:用插值方式对步骤4获得的梯度幅值图像Grad(x,y)中的梯度幅值进行非极大值抑制,获得更新的梯度幅值图像,具体包括以下步骤:
步骤61:对于梯度方向θ(x,y)不是0°、90°、45°和135°四个方向的梯度幅值,需要对其在梯度方向θ(x,y)上进行插值,根据权重W可得到插值T1和T2:
T1=W·g1+(1-W)·g2 (14)
T2=W·g3+(1-W)·g4 (15)
其中:g1、g2为距离插值T1最近的像素点;g3、g4为距离插值T2最近的像素点;
当I0°(x,y)>I90°(x,y)且I0°(x,y)·I90°(x,y)>0时,g1、g2、g3和g4分别为该梯度幅值对应的像素点右上、右侧、左下和左侧的点;
当I0°(x,y)>I90°(x,y)且I0°(x,y)·I90°(x,y)<0时,g1、g2、g3和g4分别为该梯度幅值对应的像素点右下、右侧、左上和左侧的点;
当I0°(x,y)<I90°(x,y)且I0°(x,y)·I90°(x,y)>0时,g1、g2、g3和g4分别为该梯度幅值对应的像素点左下、下方、右上和上方的点;
当I0°(x,y)<I90°(x,y)且I0°(x,y)·I90°(x,y)<0时,g1、g2、g3和g4分别为该梯度幅值对应的像素点右下、下方、左上和上方的点。
步骤62:对梯度幅值图像Grad(x,y)中的梯度幅值与步骤61获得的该梯度幅值的插值T1和T2进行比较大小;
当梯度幅值同时大于其插值T1和T2时,在梯度幅值图像Grad(x,y)中保留该梯度幅值;
否则,在梯度幅值图像Grad(x,y)中对该梯度幅值赋0值,获得更新的梯度幅值图像;。
步骤7:根据步骤5获得的双阈值对步骤6获得的更新的梯度幅值图像选择和连接边缘,输出二值化图像,完成边缘检测。
为说明采用本发明的方法的有效性和准确性。从众多实验集中选取两幅电气设备红外图像进行测试,如图2-5所述,采用Gamma变换对图像低灰度或高灰度部分的细节进行增强;在非极大值抑制过程中采用插值方式以检测出更多真实边缘,改善边缘断裂的问题。
图2(a)、(b)给出了两幅图像的原图,分别为含有噪声的互感器红外图像、背景复杂且对比度低的绝缘子红外图像。
图3(a)、(b)为使用传统Canny算法对图2(a)、(b)两幅图像进行边缘检测。
图4(a)、(b)为采用本发明的方法对图2(a)、(b)两幅图像进行边缘检测。
从图3和图4可以看出相比于传统Canny算法,本发明的方法检测到的边缘连接性定位性更准确且噪声得到有效抑制。图3采用传统Canny算法检测出的边缘出现伪边缘较多、边缘漏检现象,图4采用本发明的方法检测出的边缘连通性更好,能更好的抑制虚假边缘。
为客观、量化地评估检测方法的性能,采用边缘线连接程度作为性能评判指标。边缘连接线程度n/m数值越小,则说明边缘图像的完整度越高,m为边缘点数目,n为边缘点数中符合8连通域的点数目。分别对图2中的两幅图像,求取传统Canny算法与本发明的方法的边缘连接线程度n/m,评估结果如图5所述:采用本发明的方法得出的边缘检测图的n/m值明显小于采用传统Canny算法得出的边缘检测图的n/m值,可以看出本发明相比于传统Canny算法提高了边缘的连接性。
与现有技术相比,本发明提出的基于Canny算子的电气设备红外图像边缘检测方法,能对具有复杂背景的电气设备红外图像进行更加精准的边缘检测,解决复杂背景的干扰,有效抑制噪声,为后续电气设备故障检测等工作提供了基础。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种基于Canny算子的电气设备红外图像边缘检测方法,其特征在于,其包括以下步骤:
步骤1:对电气设备红外图像进行灰度化处理,获得灰度图像;
步骤2:对所述步骤1获得的灰度图像进行Gamma变换获得增强后的图像f(x,y),x、y为空间坐标;
步骤3:利用高斯滤波器对所述步骤2获得的增强后的图像f(x,y)进行平滑降噪,获得平滑图像I(x,y);
步骤4:根据0°、90°、45°和135°四个方向的梯度计算所述步骤3获得的平滑图像I(x,y)中每个像素的梯度幅值和梯度方向θ(x,y),获得梯度幅值图像Grad(x,y);
步骤5:根据所述步骤4获得的梯度幅值图像Grad(x,y)获得双阈值,所述双阈值包括低阈值TL和高阈值TH,具体步骤如下:
步骤51:对所述步骤4获得的梯度幅值图像Grad(x,y)中的梯度幅值进行统计,获得梯度幅值的最大值fmax和最小值fmin,根据所述梯度幅值的最大值fmax和最小值fmin获得单通道像素强度的平均值M:
M=(fmax+fmin)/2
步骤52:根据所述步骤51获得的单通道像素强度的平均值M获得低阈值TL:
TL=max(0,M)
步骤53:根据所述步骤52获得的低阈值TL获得高阈值TH:
TH=2*TL;
步骤6:用插值方式对所述步骤4获得的梯度幅值图像Grad(x,y)中的梯度幅值进行非极大值抑制,获得更新的梯度幅值图像,具体包括以下步骤:
步骤61:设置权重W,根据所述权重W获得所述梯度幅值图像Grad(x,y)中的梯度幅值在梯度方向θ(x,y)上的插值T1和T2;
所述权重W为:
根据所述权重W获得所述梯度幅值图像Grad(x,y)中的梯度幅值在梯度方向θ(x,y)上的插值T1和T2:
T1=W·g1+(1-W)·g2
T2=W·g3+(1-W)·g4
式中:g1、g2为距离插值T1最近的像素点;g3、g4为距离插值T2最近的像素点;
当I0°(x,y)>I90°(x,y)且I0°(x,y)·I90°(x,y)>0时,g1、g2、g3和g4分别为所述梯度幅值对应的像素点右上、右侧、左下和左侧的点;
当I0°(x,y)>I90°(x,y)且I0°(x,y)·I90°(x,y)<0时,g1、g2、g3和g4分别为所述梯度幅值对应的像素点右下、右侧、左上和左侧的点;
当I0°(x,y)<I90°(x,y)且I0°(x,y)·I90°(x,y)>0时,g1、g2、g3和g4分别为所述梯度幅值对应的像素点左下、下方、右上和上方的点;
当I0°(x,y)<I90°(x,y)且I0°(x,y)·I90°(x,y)<0时,g1、g2、g3和g4分别为所述梯度幅值对应的像素点右下、下方、左上和上方的点;
步骤62:将所述梯度幅值图像Grad(x,y)中的梯度幅值与所述梯度幅值在梯度方向θ(x,y)上的插值T1和T2进行比较:
当所述梯度幅值图像Grad(x,y)中的梯度幅值同时大于所述梯度幅值在梯度方向θ(x,y)上的插值T1和T2时,在所述梯度幅值图像Grad(x,y)中保留所述梯度幅值;
否则,在所述梯度幅值图像Grad(x,y)中对所述梯度幅值赋0值,获得更新的梯度幅值图像;
步骤7:根据所述步骤5获得的双阈值对步骤6获得的更新的梯度幅值图像选择和连接边缘,输出二值化图像,完成边缘检测。
2.根据权利要求1所述的基于Canny算子的电气设备红外图像边缘检测方法,其特征在于,所述步骤4具体包括以下步骤:
步骤41:设置0°、90°、45°和135°四个方向的模板I0°、I90°、I45°、I135°:
步骤42:根据所述步骤41中四个方向的模板I0°、I90°、I45°、I135°的一阶偏导数的有限差分计算所述平滑图像I(x,y)中每个像素的梯度幅值和梯度方向θ(x,y),获得梯度幅值图像Grad(x,y):
θ(x,y)=arctan(I90°(x,y)/I0°(x,y))
式中:I0°(x,y)、I90°(x,y)、I45°(x,y)和I135°(x,y)分别为所述增强后的图像f(x,y)被0°、90°、45°和135°四个方向的模板I0°、I90°、I45°和I135°沿行列作用的结果。
3.根据权利要求1所述的基于Canny算子的电气设备红外图像边缘检测方法,其特征在于,所述步骤2的具体步骤为:
步骤21:对所述步骤1获得的灰度图像进行归一化操作,获得归一化后的图像g(x,y);
步骤22:对所述步骤2获得的归一化后的图像g(x,y)进行Gamma变换,获得增强后的图像f(x,y):
f(x,y)=c·gλ(x,y)
式中:c和λ为正常数。
4.根据权利要求1所述的基于Canny算子的电气设备红外图像边缘检测方法,其特征在于,所述步骤3的具体步骤为:
步骤31:利用高斯滤波器获得滤波窗口,所述高斯滤波器为二维高斯函数G(x,y):
式中:σ为高斯滤波器的标准差,用来控制滤波的平滑程度;
步骤32:利用所述步骤31获得的滤波窗口遍历所述增强后图像f(x,y)的像素,得到平滑图像I(x,y):
I(x,y)=G(x,y)·f(x,y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770016.0A CN113436216B (zh) | 2021-07-06 | 2021-07-06 | 基于Canny算子的电气设备红外图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770016.0A CN113436216B (zh) | 2021-07-06 | 2021-07-06 | 基于Canny算子的电气设备红外图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436216A CN113436216A (zh) | 2021-09-24 |
CN113436216B true CN113436216B (zh) | 2024-03-05 |
Family
ID=77759463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110770016.0A Active CN113436216B (zh) | 2021-07-06 | 2021-07-06 | 基于Canny算子的电气设备红外图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436216B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114140481A (zh) * | 2021-11-03 | 2022-03-04 | 中国安全生产科学研究院 | 一种基于红外图像的边缘检测方法、装置 |
CN115861251B (zh) * | 2022-12-14 | 2024-07-02 | 杭州惠嘉信息科技有限公司 | 一种电力线路故障检测定位方法及其定位装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107452007A (zh) * | 2017-07-05 | 2017-12-08 | 国网河南省电力公司 | 一种可见光绝缘子图像边缘检测方法 |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及*** |
CN109360217A (zh) * | 2018-09-29 | 2019-02-19 | 国电南瑞科技股份有限公司 | 输变电设备图像边缘检测方法、装置及*** |
-
2021
- 2021-07-06 CN CN202110770016.0A patent/CN113436216B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107452007A (zh) * | 2017-07-05 | 2017-12-08 | 国网河南省电力公司 | 一种可见光绝缘子图像边缘检测方法 |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及*** |
CN109360217A (zh) * | 2018-09-29 | 2019-02-19 | 国电南瑞科技股份有限公司 | 输变电设备图像边缘检测方法、装置及*** |
Non-Patent Citations (2)
Title |
---|
孙智鹏 等.改进的自适应 Canny 边缘检测算法.《电测与仪表》.2016,全文. * |
齐英兰.基于高低阈值迭代优化的原棉图像杂质检测.《现代纺织技术》.2019,第50-51页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113436216A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
Maini et al. | Study and comparison of various image edge detection techniques | |
Deng et al. | Image edge detection algorithm based on improved canny operator | |
CN104200442B (zh) | 基于改进的canny边缘检测的非局部均值MRI图像去噪方法 | |
CN113436216B (zh) | 基于Canny算子的电气设备红外图像边缘检测方法 | |
Qiang et al. | An edge-detection method based on adaptive canny algorithm and iterative segmentation threshold | |
Muduli et al. | A novel technique for wall crack detection using image fusion | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
Sidhu | Improved canny edge detector in various color spaces | |
Reddy et al. | Comparative analysis of common edge detection algorithms using pre-processing technique | |
CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
CN113902737A (zh) | 一种基于甲状腺ct图像异常的检测方法 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN110929574A (zh) | 一种红外弱小目标快速检测方法 | |
CN114943744A (zh) | 基于局部Otsu阈值化的边缘检测方法 | |
Reddy et al. | Canny scale edge detection | |
Zhao et al. | Analysis of image edge checking algorithms for the estimation of pear size | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
Liu et al. | An image edge detection algorithm based on improved canny | |
Vignesh et al. | Performance and Analysis of Edge detection using FPGA Implementation | |
CN108364285A (zh) | 一种基于迭代相位一致性的裂缝提取方法和应用 | |
Li et al. | Algorithm of Canny Operator Edge Pre-processing Based on Mathematical Morphology | |
CN110188601B (zh) | 一种基于学习的机场遥感图像检测方法 | |
Gantenapalli et al. | Selective mean filtering for reducing impulse noise in digital color images |
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 |