风电安全智能预警应急系统图像处理方法

暂无

风电安全智能预警应急系统图像处理方法\n技术领域\n[0001] 本发明涉及一种图像处理方法，具体的说是一种风电安全智能预警应急系统图像处理方法。\n背景技术\n[0002] 风电安全智能预警应急系统设计和运转的直接目标，不仅是在危机形成和爆发后进行有效的处置，更重要的是预测预警可能产生风电事故的可能性因素，从根本上防止危机的形成和爆发。风电安全智能预警应急系统的设计必须坚持预防和应急相结合的原则，特别应当注重应急系统的预测预警能力。要有利于做好加强危机性事件应急管理的准备、预备和预警等基础性工作，提高危机性事件预警和防范能力，充分实现预警与应急、常态管理和非常态管理的有机结合。由于风电机舱环境的特殊性，一般很难通过一般的手段获知机舱内的信息，也没有一种合适的图像处理方法来处理风电机舱内的图像。\n发明内容\n[0003] 本发明所要解决的技术问题是，克服现有技术的缺点，提出一种风电安全智能预警应急系统图像处理方法，处理后的图像更符合人机视觉特征，有利于进一步分析、理解目标场景，以及对目标的进行检测、跟踪、识别。\n[0004] 本发明解决以上技术问题的技术方案是：\n[0005] 风电安全智能预警应急系统图像处理方法，在风电机舱里安装微型红外摄像头，采用多个摄像头对机舱内图像进行高保真采取；将摄像头采集到图像按以下步骤进行处理：\n[0006] ㈠将采集到的图像进行去噪预处理；\n[0007] ㈡对预处理后的图像进行像素级图像融合；\n[0008] ㈢对像素级图像融合后的图像进行感兴趣区域分割及主要特征提取，获取物体主要信息；\n[0009] ㈣对步骤㈢处理后图像的边缘进行分割和匹配，以得到分割后的图形基元关系。\n[0010] 本发明进一步限定的技术方案是：\n[0011] 前述的风电安全智能预警应急系统图像处理方法，步骤㈣具体按以下步骤进行：\n⑴图像基元分割；⑵图像基元匹配；⑶建立图像基元关系模型。\n[0012] 前述的风电安全智能预警应急系统图像处理方法，步骤⑴图像基元分割，采用多项式拟合的方法将图像中的边缘图形分割成线段和圆弧，具体按以下步骤进行：\n[0013] ①追踪图形边缘，依次对每个像素点选取其周围n*n的窗口进行拟合（n为整数），并获得倾斜角向量；\n[0014] ②从某个像素点开始，逐渐增加倾斜角向量的元素个数，同时对倾斜角向量进行差分，得到新的向量，对新的向量依次取前i个元素的平均数（i为整数），得到倾斜角变化平均数向量；\n[0015] ③依次对倾斜角向量的每个元素进行判断，首先判断其是否接近0度或90度，对于接近0度或90度的倾斜角的转变不予考虑分割，对于不属于这个范围的元素，进一步观察倾斜角变化平均数向量中的对应元素，如果此元素的值大于平均向量中对应元素的值的\n2～3倍，则可判断其为可疑点；\n[0016] ④对可疑点做进一步的判断，如果可疑点倾斜角的变化趋势相同，则可判断此点为分割点；否则，为干扰点，删除此点重新判断；\n[0017] ⑤对分割出来的直线或圆弧做一次相反方向的分割，舍去分割后长度过短的直线或圆弧。\n[0018] 前述的风电安全智能预警应急系统图像处理方法，步骤⑵图像基元匹配，具体按以下步骤进行：\n[0019] ①选取若干合适的圆弧和一到二条直线边缘样本；\n[0020] ②从端点开始，进行一次边缘跟踪，分别得到两个向量：横坐标组成的x向量和纵坐标组成的y向量，并分别减去它们的平均数以保持它们对原始图形的平移不变；\n[0021] ③将两个向量以z=x+y*i组合成新的向量z（i为整数）；\n[0022] ④对向量z取傅立叶变换，得到特征向量direction[]；\n[0023] ⑤对特征向量取模，并除以它的第二个元素direction[2]，分别得到训练样本的特征向量。\n[0024] 前述的风电安全智能预警应急系统图像处理方法，步骤⑶建立图像基元关系模型，建立物体由上至下的分解模型，直至得到底层的直线和圆弧，直线和圆弧互相之间具有的空间关系按以下步骤进行判定：\n[0025] ①连接的判定：若一条直线或圆弧的端点与另一条直线或圆弧的某一点P1相邻，则它们是连接关系，若P1是端点，则它们为L连接关系，否则为T连接关系；\n[0026] ②平行的判定：按组成直线的像素点计算它们的平均倾斜角，若两条直线的平均倾斜角的差小于5度，则判定它们为平行关系；\n[0027] ③相切的判定：若存在单向的分割点，则它必为相切关系的分割点；\n[0028] ④共线的判定：将已被判定为直线的一组像素点拟合成直线，再计算另一组被判定为直线的像素点到直线的平均距离d1，若d1低于预设阈值ε1，则判定它们为共线关系；\n[0029] ⑤同心的判定：设有一随机点P2，它到一条被判定为圆弧的一组像素点的距离为向量d2，以d2的方差作为期望函数，搜索使d2的方差最小的点，作为上述圆弧的圆心，若两条圆弧的圆心之间的距离小于预设阈值ε2，则判定为同心关系;\n[0030] ⑥共圆的判定：判定有了圆心之后，通过计算圆弧上像素点到圆心的平均距离得到圆弧的近似半径，若两条同心圆弧之间的半径之差小于预设阈值ε3，则判定它们为共圆关系。\n[0031] 前述的风电安全智能预警应急系统图像处理方法，步骤㈠中去噪预处理采用的方法为：阈值小波去噪方法、中值滤波去噪方法、马尔可夫树去噪方法、贝叶斯估计去噪方法或神经网络去噪方法。\n[0032] 前述的风电安全智能预警应急系统图像处理方法，步骤㈡中像素级图像融合方法为：IHS变换方法、PCA变换方法、线性加权法或基于小波变换方法。\n[0033] 前述的风电安全智能预警应急系统图像处理方法，步骤㈢中感兴趣区域分割及主要特征提取，具体按以下步骤进行：\n[0034] ①选择图像分割算法提取感兴趣区域，去除背景和非有用信息，所述图像分割算法为基于数学形态学的图像分割方法、基于模糊理论的图像分割方法、基于神经网络的图像分割方法、基于支持向量机的图像分割方法、基于图论的图像分割方法、基于免疫算法的图像分割方法或基于粒度计算理论的图像分割方法；\n[0035] ②通过目标识别算法确定图像中是否存在感兴趣的目标，并精确定位，所述目标识别算法为由下而上的数据驱动型性或由上而下的知识驱动型；\n[0036] ③将图像中有意义的特征或区域提取出来，所述特征或区域是图像的原始特征或空间频谱，所述原始特征为像素的灰度值、物体轮廓、颜色、反射特征和纹理，所述空间频谱为直方图特征。\n[0037] 本发明的有益效果是：通过本发明的方法可以得到包含了在各种环境下、各种模式下、各种观测角度对同一事物的综合特征描述的合成图像，通过融合所得的图像更符合人机视觉特征，有利于进一步分析、理解目标场景，以及对目标的进行检测、跟踪、识别。本发明充分利用多个图像传感器提供的具有互补性和冗余性的多源图像，将其进行综合处理，生成比来自任意单传感器更清晰、更完整、更可靠的图像，以此提高系统的性能。本发明减少不确定性，获取对同一场景目标的更加准确、更加全面、更加可靠的场景描述。本发明通过综合源图像的重要信息，得到统一的图像或数据用来控制其它系统或指导决策，能够使信息具有高度的集成性，便于存储、传输。\n具体实施方式\n[0038] 实施例1\n[0039] 本实施例提出一种风电安全智能预警应急系统图像处理方法，在风电机舱里安装微型红外摄像头，采用多个摄像头对机舱内图像进行高保真采取；将摄像头采集到图像按以下步骤进行处理：㈠将采集到的图像进行去噪预处理；㈡对预处理后的图像进行像素级图像融合；㈢对像素级图像融合后的图像进行感兴趣区域分割及主要特征提取，获取物体主要信息；㈣对步骤㈢处理后图像的边缘进行分割和匹配，以得到分割后的图形基元关系。\n[0040] 噪声是影响图像质量的主要因素，由于实际应用环境变化及其它因素的影响，视觉传感器采集到的原始图像通常存在较大的噪声，为进一步的图像分析造成很大的干扰。\n所以，将采集到的图像进行去噪预处理。选取一种较好的图像去噪算法是非常必要的。阈值小波、中值滤波、马尔可夫树、贝叶斯估计、神经网络等方法都可应用于图像去噪。其中，小波去噪方法是应用最广泛的一种。\n[0041] 像素级图像融合的目的主要有以下两点:通过冗余信息来提高可靠性；通过互补信息来提高信息容量。像素级图像融合方法可以有：IHS变换方法、PCA变换方法、线性加权法或基于小波变换方法。\n[0042] IHS变换：IHS变换是通过将图像变换到各个成分，通过对某个成分进行调节或替换来达到图像增强和信息融合的方法，它不仅实现起来简单，而且应用起来非常灵活。IHS变换主要是针对于彩色图像进行，一幅彩色图像中包含R、G、B三个成分，通过对图像进行IHS变换，可将这三个成分分离成代表空间信息的明度I、光谱信息的色度H和饱和度S这三个成分。分离后的三个成分之间是相互独立的，可对每个成分单独进行调节，获得不同的显示效果。在这三个成分中，明度I对空间分辨率起着决定性作用，人眼视觉系统对明度I也比较敏感，如果对图像中的I分量进行合适的替换，可以得到更好的适于人眼观察的图像。IHS变换法，具体按以下步骤进行：⑴对原始图像进行预处理，包括图像的几何校正、图像配准以及去噪；⑵对多光谱图像进行IHS变换，得到其亮度分量、色度分量和饱和度分量三幅分量图像；⑶将多光谱图像经IHS变换后产生的亮度分量图像与全色图像来进行直方图匹配，以生成与亮度分量图像有着相似直方图分布特性的图像；⑷采用第三步中生成的全色图像来代替多光谱图像经IHS变换后产生的亮度分量，并与H分量、S分量图像一起进行IHS逆变换，最终得到融合图像。\n[0043] 线性加权法：在经典的融合算法中，最简单的应属线性加权法，这种方法是按照设定的权值，对各图像中对应像素点的灰度值乘以相应的权值后再求和，将和值作为融合图像对应点的像素值。若Ak(i,j)是n幅图像Ak在点i,j处像素(i,j)的灰度值，那么通过下式即可求得融合结果图像在该像素点的灰度值Bk(i，j)： 其中\n一般在融合时采用以下几种方法：取平均、基于极小值和基于极大值的融合方法。总的来讲，概念比较简单，计算量非常的小，比较适合实时处理是线性加权法优于其它方法的地方：但是经线性加权处理之后往往会使图像带有很强的噪声，这是线性加权法最大的缺点。如果两幅图像的灰度相差很大，得到的图像会出现块状现象，视觉效果比较差。\n[0044] PCA变换融合法：图像的类型不同，所侧重的信息类型也不同，描述目标的角度也不同。因此，如果能将不同类型的图像进行分解变换，从中提取有用的信息并加以综合，则会使得融合图像包含更多可用的信息。比如，多个单色光谱的图像信息一般由多光谱遥感图像来体现，其中包含丰富的光谱信息，而细节信息丰富则是全色遥感图像的特点。根据以上分析，可以通过将多光谱图像进行变换和合成后，再与白光图像进行图像融合，然后进行逆变换，就可使得到的图像既包含丰富的光谱信息，又能够较好的体现图像的细节信息，综合多光谱图像与全色图像二者的优点。PCA(主分量分析)方法是这类方法中比较常用的一种。采用主分量变换法进行融合的一般步骤如下：（1）首先通过计算得到TM图像的相关矩阵；（2）求出上一步中所得相关矩阵的特征值λi和相应的特征向量Θi(i＝1,2...n)；\n（3）按由大到小的次序对特征值进行排列，即：λ1>λ2>...>λn，相应的特征向量Θi也要做相应变动；（4）主分量图像计算公式如下所示： （5）经由上式计算得到第一主分量后，将其与空间配准的SPOT图像进行直方图匹配；（6）将第一主分量用上一步骤中由直方图匹配而生成的SPOT图形来代替，对各主分量进行逆主分量变换就可以得到融合图像。PCA变换融合法所具有的主要优点是:融合后的图像不仅细节信息丰富，而且包含丰富的光谱信息，当TM图像包含的波段数较多时，融合效果会更好；PCA变换同时也具有以下缺点:因为要求TM图像的相对自相关矩阵，并且要求其特征值和特征向量，计算时需要花费的时间和费用十分可观，因此不能应用于对实时性要求比较高的系统。同HIS方法相似，由于PCA变换方法也是针对彩色图像进行，不适合对灰度图像的处理，用其对灰度进行图像融合，并不能体现该方法的优越性。\n[0045] 基于小波变换的图像融合：信号进行小波变换，可以将其分解到更低的分辨率水平上来进行表示。小波分解中，每经过一次分解，都可将原信号分解为低频的轮廓信息以及高频部分两部分组成，其中高频部分由水平、垂直和对角线三个方向的细节信息组成。并且每一次分解之后均使得信号的分辨率降低为原信号的1/2。目前在信号分析处理过程中经常采用小波工具来对信号进行处理。基于小波变换的图像融合方法一般是:首先对待融合的原始图像分别进行小波变换，分解之后得到具有很高空间分辨率的图像的细节分量，通过一定的规则来选取各个细节分量，直接利用所得细节分量作为融合结果图像的细节分量，得到融合图像的小波多分辨率结构，然后再对所得的小波多分辨率分析结构进行小波逆变换，最终得到增强后的图像。在上面过程中，由于未考虑图像的低频分量，易使得融合图像出现分块效应。小波变换对原始图像也有一定的要求，因此，进行小波变换之前，也必须对原始图像进行配准、去噪等一系列预处理之后，才能对其进行分解变换，小波算法多种多样，但使用小波变换进行图像融合的流程基本相同:首先对经过预处理的各原始图像分别进行小波变换，得到各个层次上的分解系数，然后根据某种融合准则对所得到的分解系数进行融合处理，得到融合图像的多分辨分析结构，再对得到的多分辨结构进行小波逆变换，重构出融合图像。\n[0046] 对于视觉传感器采集到的图像，首先要选择适当的图像分割算法提取感兴趣区域，既去除背景和非有用信息。这样可以减少后续工作的计算量。图像分割过程中，我们要考虑到很多因素，像素点的灰度值、像素点间的空间关系、主要识别物体的边缘信息。图像分割方法可以是基于数学形态学的图像分割方法、基于模糊理论的图像分割方法、基于神经网络的图像分割方法、基于支持向量机的图像分割方法、基于图论的图像分割方法、基于免疫算法的图像分割方法、基于粒度计算理论的图像分割方法。确定场景中是否存在感兴趣的目标，并精确定位，常用的目标识别算法可分为两种：一种是由下而上的数据驱动型性，另一种是由上而下的知识驱动型。前者不管识别目标属何种类型，先对原始图像进行分割、标记和特征提取，然后将每个带标记的分割区域的特征向量与目标模型相匹配，得到目标的属性；后者需要根据待识别目标的模型，先对图像中可能存在的目标特征提出假设，然后根据假设有目的地进行图像分割、标记和特征提取，最后利用目标的知识对图像中的特征进行精匹配，得到目标的属性。将机舱采集到的机组运行状态图像中有意义的特征或区域提取出来，这些特征可以是图像的原始特征，如像素的灰度值、物体轮廓、颜色、反射特征和纹理等，也可以是空间频谱等，如直方图特征。\n[0047] 图像基元分割：将自然图像中的边缘图形分割成线段和圆弧，采用多项式拟合的方法。首先追踪图形边缘，然后依次对每个像素点选取其周围n*n的窗口进行拟合，并获得倾斜角向量。从某个像素点开始，逐渐增加倾斜角向量的元素个数，同时对倾斜角向量进行差分，得到新的向量。再对新的向量依次取前i个元素的平均数，得到倾斜角变化平均数向量。有了这两个向量，就可以利用插值拟合对图形进行分割了。依次对倾斜角向量的每个元素进行判断，首先判断其是否接近0度或90度，由于接近0度或90度的直线，在数字图像中往往被迫分成若干段小的线段，不利于拟合的准确性，因此这里对于接近0度或90度（这里指绝对值小于10度或大于80度并小于100度）的倾斜角的转变不予考虑分割。对于不属于这个范围的元素，进一步观察变化向量中的对应元素，如果此元素的值大于平均向