CN116468958B - 通信铁塔安全检测方法及*** - Google Patents
通信铁塔安全检测方法及*** Download PDFInfo
- Publication number
- CN116468958B CN116468958B CN202310559241.9A CN202310559241A CN116468958B CN 116468958 B CN116468958 B CN 116468958B CN 202310559241 A CN202310559241 A CN 202310559241A CN 116468958 B CN116468958 B CN 116468958B
- Authority
- CN
- China
- Prior art keywords
- image
- features
- pixel
- noise
- feature
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000003066 decision tree Methods 0.000 claims abstract description 15
- 229910052742 iron Inorganic materials 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000006002 Pepper Substances 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 235000012434 pretzels Nutrition 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06T7/40—Analysis of texture
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了通信铁塔安全检测方法及***,方法包括以下步骤:通过无人机航拍采集铁塔的近距离图像;对图像进行直方图均衡化;对图像进行增强;对图像进行改进的加权中值滤波;特征提取,包括提取边缘特征、颜色特征、PCA特征和纹理特征;使用改进的随机森林法对特征进行分类,输出通信铁塔的故障类型。本发明通过改进中值滤波方法滤除噪声,其中滤波窗口根据图像稀疏程度动态调整大小,并将几何位置相似度与稀疏因子的乘积作为像素的权重,能自适应地去除噪声;改进了随机森林算法中的特征***节点方法,减少了过多的特征离散值,加快了决策树特征的***,提高了决策树生成的质量。
Description
技术领域
本发明属于通信铁塔安全技术领域,尤其涉及通信铁塔安全检测方法及***。
背景技术
通信铁塔长期服役过程中会出现材料老化、螺栓松动、钢材锈蚀、出现裂痕等不同程度的损伤现象,导致结构不断弱化。如果使用人工巡检方式,需要投入大量人力进行定期检查。随着无人机技术发展,无人机成本越来越低,与在通信铁塔上安装各种传感器检测故障的方法相比,成本相对较低,通过无人机航拍采集通信铁塔的图像进行安全检测越来越有必要。
数字图像在采集和传输过程中受到环境条件的影响产生了噪声,典型的噪声包括均匀分布噪声,高斯噪声、椒盐噪声和伽玛噪声。这些噪声降低了图像的清晰度,因此在图像处理中需要将噪声去除并提取图像特征。中值滤波算法是一种图像处理中的非线性滤波方法,对于椒盐噪声等突发性信号能够有很好的抑制作用;操作简便,不需要复杂的参数设置;有效地保留了图像细节和纹理信息。但由于中值滤波算法本身属于非线性滤波方法,因此会导致图像边缘模糊或失真、无法恢复由于噪声引起的丢失信息;无法对固定的噪声进行抑制,只能抑制随机噪声;在一些情况下,中值滤波算法对于室外通信铁塔雨雪天气图像的平滑效果可能不够理想,而滤波效果会影响后续的图像特征提取准确性。
机器学习分类算法可用于故障类型分类,其中随机森林算法相比于其他分类算法具有许多优点,例如准确性高、能够处理大量的数据、具有较好的鲁棒性等等,但也存在过多的特征离散值,影响决策树特征***的问题。
发明内容
有鉴于此,本发明提出了通信铁塔安全检测***及方法,通过改进中值滤波方法滤除噪声,其中滤波窗口根据图像稀疏程度动态调整大小,并几何位置相似度与稀疏因子的乘积作为像素的权重,选择当前图像窗口中心点像素作为噪声滤波的对象,对M×M大小的窗口内的像素点按照权重值大小进行排序,选取权重中值作为当前像素点的权重值,并与该像素的灰度值相乘,得到滤波后的像素灰度值,本发明的改进中值滤波方法能自适应地去除噪声。提取图像的多维特征后,用改进的随机森林算法进行故障分类,其中的随机森林算法的特征***节点对后续的随机决策树生成很关键,本发明从所有特征随机选择一部分特征X1,用lasso回归方法从这部分特征中进一步筛选出特征集合X2,计算这些特征对应的随机决策树的CMA之和;重复上述步骤N次,得到N个特征集合X2,N,选择特征集合X2,N中CMA之和最高的M个特征集合X2,M,M<N,计算M个特征集合之间的相似度,选择相似度最低的两个特征集合作为特征***节点,减少了过多的特征离散值,加快了决策树特征的***,提高了决策树生成的质量。
本发明第一方面公开通信铁塔安全检测方法,包括以下步骤:
通过无人机航拍采集铁塔的近距离图像;
对图像进行直方图均衡化;
对图像进行增强;
对图像进行改进的加权中值滤波;
特征提取,包括提取边缘特征、颜色特征、PCA特征等;
使用改进的随机森林法对特征进行分类,输出通信铁塔的故障类型。
进一步的,对图像进行直方图均衡化的步骤如下:
统计图像的直方图,归一化到[0,1]之间:
式中H,W分别为图像的高和宽,nk表示灰度值为rk的像素的个数;
计算映射函数:
sk为变换后的灰度值,T(rk)为映射函数,计算过程使用了累积直方图;
利用上述映射函数对图像进行处理。
进一步的,对图像进行增强步骤如下:
使用Gamma变换对图像进行增强,Gamma变换公式如下:
output=(input+ε)γ;
式中,output为输出灰度值,input为输入灰度值,ε为补偿系数,一般取值为0,γ为伽玛系数,为正数。
进一步的,对图像进行改进的加权中值滤波的步骤如下:
1)图像噪声检测并去除噪声:计算图像的统计特征,通过统计特征,确定与原始图像相匹配的噪声类型,如果噪声的概率密度函数服从高斯分布,则噪声类型为高斯噪声模型,否则是椒盐噪声;
对于高斯噪声,使用基于像素灰度值分布的算法进行去噪;
对于椒盐噪声,使用基于像素值数量的算法进行去噪;
2)计算稀疏因子和几何位置相似度
其中,通过压缩感知算法得到图像的稀疏性和压缩比数值后,进一步计算得到系数因子;
几何位置相似度的高斯核函数公式如下:
其中,σd表示几何扩散因子,d(ξ,x)表示x的中心像素ξ与其它像素间的欧式距离;
3)确定动态滤波窗口大小,如果该区域的稀疏因子大,增大滤波窗口,否则,使用较小的滤波窗口;滤波窗口大小的计算公式如下:
4)将几何位置相似度与稀疏因子的乘积作为该像素的权重,选择当前图像窗口中心点像素作为噪声滤波的对象,对Wwide×Wwide大小的窗口内的像素点按照权重值大小进行排序,选取权重中值作为当前像素点的权重值,并与该像素的灰度值相乘,得到滤波后的像素灰度值;
5)将滤波后的像素灰度值进行映射转换,映射到0-255区间,使得像素灰度值<=255:
xij为映射前像素的灰度值,xmax为映射前像素的灰度最大值,xij’为映射后像素的灰度值。
进一步的,所述稀疏百分比定义为:
压缩比是原始和压缩信号向量长度之间的比率,定义如下:
N代表信号X的长度,M是传感矩阵的维数,即能精确重构信号X的测量次数M。
进一步的,稀疏因子定义如下:
其中,a,b,c为根据实验得到的值,且a>b>c,a1和b1为预设的阈值。
进一步的,所述图像特征,包括边缘特征、PCA特征和纹理特征;
其中边缘特征使用Sobel边缘提取算子提取;
PCA特征通过调用机器学习工具包sklearn的decomposition库中的PCA函数提取;
纹理特征通过局部二值模式算子LBP提取;
颜色特征通过提取颜色矩特征得到,包括一阶矩,二阶矩和三阶矩颜色矩。
进一步的,使用改进随机森林法对图像进行故障识别的步骤如下:
使用Bootstrap抽样;
训练子集;
选取特征***节点;
构建决策子树集;
对测试样本集进行初步分类,得到初步分类集合;
计算AUC权值并进行加权投票;
得到故障分类结果。
进一步的,选取特征***节点的步骤如下:
从所有特征随机选择一部分特征X1,用lasso回归方法从这部分特征中进一步筛选出特征集合X2,计算这些特征对应的随机决策树的CMA之和;重复上述步骤N次,得到N个特征集合X2,N,选择特征集合X2,N中CMA之和最高的M个特征集合X2,M,M<N,计算M个特征集合之间的相似度,选择相似度最低的两个特征集合作为特征***节点。
本发明第二方面公开一种通信铁塔安全检测***,包括:
图像采集模块:通过无人机航拍采集铁塔的近距离图像;
直方图均衡模块:对图像进行直方图均衡化;
图像增强模块:对图像进行增强;
滤波模块:对图像进行改进的加权中值滤波;
特征提取模块,提取边缘特征、颜色特征、PCA特征和纹理特征;
故障分类模块:使用改进的随机森林法对特征进行分类,输出通信铁塔的故障类型。
本发明的有益效果如下:
本发明通过改进中值滤波方法滤除噪声,其中滤波窗口根据图像稀疏程度动态调整大小,并几何位置相似度与稀疏因子的乘积作为像素的权重,能自适应地去除噪声;
判断图像中的噪声类型,并根据噪声类型使用相应的去噪声方法;
改进了随机森林算法中的特征***节点方法,减少了过多的特征离散值,加快了决策树特征的***,提高了决策树生成的质量。
附图说明
图1本发明的安全检测流程图。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
参考图1,本发明提出的通信铁塔安全检测方法如下:
通过无人机航拍采集铁塔的近距离图像;
对图像进行直方图均衡化;
对图像进行增强,
对图像进行改进的加权中值滤波;
特征提取,包括提取边缘特征、颜色特征、PCA特征等;
使用改进的随机森林法对特征进行分类,输出通信铁塔的故障类型。
对图像进行直方图均衡化的步骤如下:
1)统计图像的直方图,归一化到[0,1]之间:
式中H,W分别为图像的高和宽,nk表示灰度值为rk的像素的个数。
2)计算映射函数
sk为变换后的灰度值,T(rk)为映射函数,计算过程使用了累积直方图。
3)利用上述映射函数对图像进行处理。
对图像进行增强步骤如下:
使用Gamma变换对图像进行增强,Gamma变换公式如下:
output=(input+ε)γ;
式中,output为输出灰度值,input为输入灰度值,ε为补偿系数,一般取值为0,γ为伽玛系数,为正数。使用Gamma变换将灰度过高或过低的图片进行修正,增强对比度。
对图像进行改进的加权中值滤波的步骤如下:
S1:图像噪声检测,计算图像的统计特征,如像素均值、方差。
通过统计特征,确定与原始图像相匹配的噪声类型,如果噪声的概率密度函数服从高斯分布,则噪声类型为高斯噪声模型,否则是椒盐噪声。
对于高斯噪声,使用基于像素灰度值分布的算法进行去噪,即将像素点小于预设灰度值分布值的点作为噪声,去除。
对于椒盐噪声,使用基于像素值数量的算法进行去噪,即少于预设像素值数量的点作为噪声,去除。
2)计算稀疏因子和几何位置相似度
通过压缩感知算法得到图像的稀疏性和压缩比数值后,进一步计算得到系数因子。具体包括:将图像分成多个M×M的子区域,对该区域进行压缩感知方法进行压缩,计算该子区域稀疏性和压缩比,并计算该区域的稀疏因子,将稀疏因子作为该区域的所有像素点的稀疏因子。在一些实施例中,在算力足够情况下,可以将M×M子区域进行滑动计算,将计算得出的稀疏因子作为M×M子区域中心像素点的稀疏因子。
稀疏性:如果信号某一域中元素大多数是零或很小值,则信号在该域中是稀疏的。稀疏性的效果是这些零元素可以被有效地丢弃而不丢失相关的信号信息。如果一个稀疏信号包含S个非零项,那么该信号被认为是S稀疏的。对于长度为N的信号,这意味着可以在保持此信号重要信息的同时去除(N-S)个信号系数。在这种情况下,稀疏百分比定义为:
压缩比(CR):所需代表信号X数据的样本的减少度量。在CS的情况下,它是原始和压缩信号向量长度之间的比率。如果N代表信号X的长度,M是传感矩阵的维数,也就是所需能精确重构信号X的测量次数M,则CR定义为:
稀疏因子定义如下:
其中,a,b,c为根据实验得到的值,且a>b>c,a1和b1为预设的阈值。
几何位置相似度的高斯核函数公式如下:
其中,σd表示几何扩散因子,d(ξ,x)表示x的中心像素ξ与其它像素间的欧式距离。
S3:确定动态滤波窗口大小,如果该区域的稀疏因子大,说明区域中有效像素稀疏,可增大滤波窗口,否则,使用较小的滤波窗口。滤波窗口大小的计算公式如下:
4)将几何位置相似度与稀疏因子的乘积作为该像素的权重,选择当前图像窗口中心点像素作为噪声滤波的对象,对Wwide×Wwide大小的窗口内的像素点按照权重值大小进行排序,选取权重中值作为当前像素点的权重值,并与该像素的灰度值相乘,得到滤波后的像素灰度值。将滤波后的像素灰度值进行映射转换,映射到0-255区间,使得像素灰度值<=255。
提取图像特征,包括边缘特征、PCA特征和纹理特征。
边缘特征的提取方法如下:
使用Sobel边缘提取算子提取边缘:
Sobel边缘提取算子具有一定的平滑作用,进一步去除噪声。
提取PCA特征:使用PCA算法提取图像的PCA特征,将图像中的像素映射到低维空间中,实现图像特征的降维。主要步骤为:先对原始数据零均值化,然后求协方差矩阵,接着对协方差矩阵求特征向量和特征值,这些特征向量组成了新的特征空间。具体实现方法为调用开源的基于python语言的机器学习工具包sklearn的decomposition库中的PCA函数进行PCA特征提取。
提取纹理特征:LBP(Local BinaryPattern,局部二值模式)是一种用来描述图像局部纹理特征的算子,具有多分辨率、灰度尺度不变、旋转不变等特性。主要用于特征提取中的纹理提取。本发明获取图像的LBP特征,包括:对图像的原始LBP模式、等价LBP模式、旋转不变LBP模式,以及等价旋转不变LBP模式的LBP特征进行提取以及显示。
提取颜色特征:颜色矩特征是一种简单有效的颜色特征表示方法,有一阶矩(均值,mean)、二阶矩(方差,variance)和三阶矩(斜度,skewness)等,由于颜色信息主要分布于低阶矩中,本发明用一阶矩,二阶矩和三阶矩足以表达图像的颜色分布,颜色矩已证明可有效地表示图像中的颜色分布。
针对随机森林算法的关键参数难以确定、决策树质量参差不齐影响模型整体效果的问题,因此本发明使用改进的随机森林算法对铁塔图像进行安全检测。
使用改进随机森林法对图像进行故障识别的步骤如下:
使用Bootstrap抽样;
训练子集;
选取特征***节点:
1)从所有特征随机选择一部分特征X1,用lasso回归方法从这部分特征中进一步筛选出特征集合X2,计算这些特征对应的随机决策树的CMA之和。lasso回归方法是本领域的公知常识,可用于变量选择,本发明不再赘述。
2)重复步骤1)N次,得到N个特征集合X2,N,选择特征集合X2,N中CMA之和最高的M个特征集合X2,M(M<N),计算M个特征集合之间的相似度,选择相似度最低的两个特征集合作为特征***节点;优选地,相似度可使用余弦相似度方法计算。
构建决策子树集;
对测试样本集进行初步分类,得到初步分类集合;
计算AUC权值并进行加权投票;
得到故障分类结果。
本发明主要使用了准确率(accuracy)、精确率(precision)、召回率(recall)、以及F值(F-score)来评估比较改进随机森林算法处理平衡样本集的结果。
准确率、精准率、召回率和F值的计算公式如下:
accuracy=(TP+TN)/(TP+FP+TN+FN);
precision=TP/(TP+FP),
表示正确预测为正占全部预测为正的比例。
recall=TP/(TP+FN),
表示正确预测为正占全部正样本的比例。
F-score=2precision×recall/(precision+recall);
其中TP表示样本为正,预测结果为正;FP表示样本为负,预测结果为正;TN表示样本为负,预测结果为负;FN表示样本为正,预测结果为负。
本发明的另一实施例公开的通信铁塔安全检测***,包括:
图像采集模块:通过无人机航拍采集铁塔的近距离图像;
直方图均衡模块:对图像进行直方图均衡化;
图像增强模块:对图像进行增强;
滤波模块:对图像进行改进的加权中值滤波;
特征提取模块,提取边缘特征、颜色特征、PCA特征和纹理特征;
故障分类模块:使用改进的随机森林法对特征进行分类,输出通信铁塔的故障类型。
本发明的有益效果如下:
本发明通过改进中值滤波方法滤除噪声,其中滤波窗口根据图像稀疏程度动态调整大小,并几何位置相似度与稀疏因子的乘积作为像素的权重,能自适应地去除噪声。
判断图像中的噪声类型,并根据噪声类型使用相应的去噪声方法。
改进了随机森林算法中的特征***节点方法,减少了过多的特征离散值,加快了决策树特征的***,提高了决策树生成的质量。
本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反,词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即,除非另外指定或从上下文中清楚,“X使用A或B”意指自然包括排列的任意一个。即,如果X使用A;X使用B;或X使用A和B二者,则“X使用A或B”在前述任一示例中得到满足。
而且,尽管已经相对于一个或实现方式示出并描述了本公开,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外,尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开,但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且,就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言,这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器,磁盘或光盘等。上述的各装置或***,可以执行相应方法实施例中的存储方法。
综上所述,上述实施例为本发明的一种实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.通信铁塔安全检测方法,其特征在于,包括以下步骤:
通过无人机航拍采集铁塔的近距离图像;
对图像进行直方图均衡化;
对图像进行增强;
对图像进行改进的加权中值滤波,步骤如下:
1)图像噪声检测并去除噪声:计算图像的统计特征,通过统计特征,确定与原始图像相匹配的噪声类型,如果噪声的概率密度函数服从高斯分布,则噪声类型为高斯噪声模型,否则是椒盐噪声;
对于高斯噪声,使用基于像素灰度值分布的算法进行去噪;
对于椒盐噪声,使用基于像素值数量的算法进行去噪;
2)计算稀疏因子和几何位置相似度
其中,通过压缩感知算法得到图像的稀疏性和压缩比数值后,进一步计算得到稀疏因子;
通过高斯核函数公式得到几何位置相似度,高斯核函数公式如下:
其中,σd表示几何扩散因子,d(ξ,x)表示x的中心像素ξ与其它像素间的欧式距离;
3)确定动态滤波窗口大小,如果图像处理区域的稀疏因子大,增大滤波窗口,否则,使用较小的滤波窗口;滤波窗口大小的计算公式如下:
其中γ表示稀疏因子,a,b,c为根据实验得到的值,且a>b>c;
4)将几何位置相似度与稀疏因子的乘积作为该像素的权重,选择当前图像窗口中心点像素作为噪声滤波的对象,对Wwide×Wwide大小的窗口内的像素点按照权重值大小进行排序,选取权重中值作为当前像素点的权重值,并与该像素的灰度值相乘,得到滤波后的像素灰度值;
5)将滤波后的像素灰度值进行映射转换,映射到0-255区间,使得像素灰度值<=255:
xij为映射前像素的灰度值,xmax为映射前像素的灰度最大值,xij’为映射后像素的灰度值;
特征提取,包括提取边缘特征、颜色特征、PCA特征和纹理特征;使用改进的随机森林法对特征进行分类,输出通信铁塔的故障类型。
2.根据权利要求1所述的通信铁塔安全检测方法,其特征在于,对图像进行直方图均衡化的步骤如下:
统计图像的直方图,归一化到[0,1]之间:
式中H,W分别为图像的高和宽,nk表示灰度值为rk的像素的个数;
计算映射函数:
sk为变换后的灰度值,T(rk)为映射函数,计算过程使用了累积直方图;
利用上述映射函数对图像进行处理。
3.根据权利要求1所述的通信铁塔安全检测方法,其特征在于,对图像进行增强步骤如下:
使用Gamma变换对图像进行增强,Gamma变换公式如下:
output=(input+ε)γ;
式中,output为输出灰度值,input为输入灰度值,ε为补偿系数,一般取值为0,γ为伽玛系数,为正数。
4.根据权利要求1所述的通信铁塔安全检测方法,其特征在于,稀疏百分比定义为:
压缩比是原始和压缩信号向量长度之间的比率,定义如下:
N代表信号X的长度,M是传感矩阵的维数,即能精确重构信号X的测量次数M。
5.根据权利要求4所述的通信铁塔安全检测方法,其特征在于,稀疏因子定义如下:
其中,a,b,c为根据实验得到的值,且a>b>c,a1和b1为预设的阈值。
6.根据权利要求1所述的通信铁塔安全检测方法,其特征在于,所述图像特征,包括边缘特征、PCA特征和纹理特征;
其中边缘特征使用Sobel边缘提取算子提取;
PCA特征通过调用机器学习工具包sklearn的decomposition库中的PCA函数提取;
纹理特征通过局部二值模式算子LBP提取;
颜色特征通过提取颜色矩特征得到,包括一阶矩,二阶矩和三阶矩颜色矩。
7.根据权利要求1所述的通信铁塔安全检测方法,其特征在于,使用改进随机森林法对图像进行故障识别的步骤如下:
使用Bootstrap抽样;
训练子集;
选取特征***节点;
构建决策子树集;
对测试样本集进行初步分类,得到初步分类集合;
计算AUC权值并进行加权投票;
得到故障分类结果。
8.根据权利要求7所述的通信铁塔安全检测方法,其特征在于,选取特征***节点的步骤如下:
从所有特征随机选择一部分特征X1,用lasso回归方法从这部分特征中进一步筛选出特征集合X2,计算这些特征对应的随机决策树的CMA之和;
重复上述步骤N次,得到N个特征集合X2,N,选择特征集合X2,N中CMA之和最高的M个特征集合X2,M,M<N,计算M个特征集合之间的相似度,选择相似度最低的两个特征集合作为特征***节点。
9.一种使用权利要求1-8任一项方法的通信铁塔安全检测***,其特征在于,包括:
图像采集模块:通过无人机航拍采集铁塔的近距离图像;
直方图均衡模块:对图像进行直方图均衡化;
图像增强模块:对图像进行增强;
滤波模块:对图像进行改进的加权中值滤波;
特征提取模块,提取边缘特征、颜色特征、PCA特征和纹理特征;
故障分类模块:使用改进的随机森林法对特征进行分类,输出通信铁塔的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559241.9A CN116468958B (zh) | 2023-05-18 | 2023-05-18 | 通信铁塔安全检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559241.9A CN116468958B (zh) | 2023-05-18 | 2023-05-18 | 通信铁塔安全检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116468958A CN116468958A (zh) | 2023-07-21 |
CN116468958B true CN116468958B (zh) | 2024-04-05 |
Family
ID=87179027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310559241.9A Active CN116468958B (zh) | 2023-05-18 | 2023-05-18 | 通信铁塔安全检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468958B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071635B (zh) * | 2024-04-19 | 2024-07-23 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 紫外检测图像的噪声处理方法、装置、计算机设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5594807A (en) * | 1994-12-22 | 1997-01-14 | Siemens Medical Systems, Inc. | System and method for adaptive filtering of images based on similarity between histograms |
CN101179650A (zh) * | 2007-11-23 | 2008-05-14 | 西安交通大学 | 一种视频图像对比度增强方法及装置 |
CN105701835A (zh) * | 2016-02-26 | 2016-06-22 | 华北电力大学 | 面向电力设施的图像边缘检测方法及*** |
CN107527333A (zh) * | 2017-07-31 | 2017-12-29 | 湖北工业大学 | 一种基于伽马变换的快速图像增强方法 |
CN112949714A (zh) * | 2021-03-02 | 2021-06-11 | 北京城建设计发展集团股份有限公司 | 一种基于随机森林的故障可能性预估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9645377B2 (en) * | 2015-02-06 | 2017-05-09 | The Johns Hopkins University | Compressive imaging systems and methods |
-
2023
- 2023-05-18 CN CN202310559241.9A patent/CN116468958B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5594807A (en) * | 1994-12-22 | 1997-01-14 | Siemens Medical Systems, Inc. | System and method for adaptive filtering of images based on similarity between histograms |
CN101179650A (zh) * | 2007-11-23 | 2008-05-14 | 西安交通大学 | 一种视频图像对比度增强方法及装置 |
CN105701835A (zh) * | 2016-02-26 | 2016-06-22 | 华北电力大学 | 面向电力设施的图像边缘检测方法及*** |
CN107527333A (zh) * | 2017-07-31 | 2017-12-29 | 湖北工业大学 | 一种基于伽马变换的快速图像增强方法 |
CN112949714A (zh) * | 2021-03-02 | 2021-06-11 | 北京城建设计发展集团股份有限公司 | 一种基于随机森林的故障可能性预估方法 |
Non-Patent Citations (2)
Title |
---|
Michael Leigsnering ; Fauzia Ahmad ; Moeness G. Amin ; Abdelhak M. Zoubir.Compressive Sensing-Based Multipath Exploitation for Stationary and Moving Indoor Target Localization.《IEEE Journal of Selected Topics in Signal Processing 》.2015,1469 - 1483页. * |
刘凯 ; 郑山红 ; 蒋权 ; 赵天傲.基于随机森林的自适应特征选择算法.《计算机技术与发展》.2018,第107-110页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116468958A (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousif et al. | Improving urban change detection from multitemporal SAR images using PCA-NLM | |
Shen et al. | A MAP-based algorithm for destriping and inpainting of remotely sensed images | |
Zheng et al. | An advanced image fusion algorithm based on wavelet transform: incorporation with PCA and morphological processing | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
Kotwal et al. | A novel approach to quantitative evaluation of hyperspectral image fusion techniques | |
CN106251368B (zh) | 基于bemd的sar影像与多光谱影像的融合方法 | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
Ding et al. | Image quality assessment using directional anisotropy structure measurement | |
KR101766536B1 (ko) | 다중 스케일 블록 영역 검출을 이용한 영상 잡음 제거 방법 및 장치 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN116468958B (zh) | 通信铁塔安全检测方法及*** | |
CN111127387B (zh) | 无参考图像的质量的评价方法 | |
CN102663686B (zh) | 基于Treelet变换和高斯尺度混合模型的图像去噪方法 | |
WO2019049324A1 (en) | IMAGE PROCESSING DEVICE, IMAGE PROCESSING METHOD, AND STORAGE MEDIUM | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
JP2019537151A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN114255468A (zh) | 一种笔迹识别方法及其相关设备 | |
CN104537624B (zh) | 基于ssim校正聚类稀疏表示的sar图像降斑方法 | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
CN108629771B (zh) | 一种具有尺度鲁棒性的图像质量盲评价方法 | |
Lu et al. | SAR image despeckling via structural sparse representation | |
CN107085839B (zh) | 基于纹理增强与稀疏编码的sar图像降斑方法 | |
Zehtabian et al. | Adaptive restoration of multispectral datasets used for SVM classification | |
Khmag et al. | Natural image noise removal using non local means and hidden Markov models in stationary wavelet transform domain | |
CN113822361A (zh) | 一种基于汉明距离的sar图像相似程度度量方法和*** |
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 |