一种基于空域和时域分析相结合的电力视频图像条纹故障检测方法

文档序号:8446244阅读:196来源:国知局
一种基于空域和时域分析相结合的电力视频图像条纹故障检测方法
【专利说明】一种基于空域和时域分析相结合的电力视频图像条纹故障检测方法
[0001]
技术领域
[0002]本发明属于图像检测技术领域,具体涉及图像处理和计算机等技术,特别是涉及电力视频的图像条纹故障检测方法及图像条纹评价值。
【背景技术】
[0003]电力视频监控系统广泛应用于电力生产、安防、应急、营销、基建等各个业务应用中,受电力变电站强磁场干扰的环境特殊性影响,视频设备容易出现条纹异常,严重影响了视频监控系统的可用性、实用性,因此,如何有效实现对视频设备的条纹故障的检测,为电力视频设备的检修提供依据,将为电力视频的各项应用提供更加有效的技术支撑。
[0004]对于视频图像条纹故障,采用人工识别的方式能够轻易地区分出故障情况,然而,由于电力前端视频设备数量的庞大,若采用人工巡查的方法,需要花费大量的人力,且工作效率降低,因此,采用计算机技术、图像分析技术实现电力视频图像条纹故障检测方法对于视频设备的故障检测具有重要意义。
[0005]若采用单一分析方法对视频图像的条纹特征进行检测,由于图像条纹的特殊性,易丢失不同场景、不同环境、不同条纹类型下的条纹特征丢失,因此,有效结合空域分析和时域分析能够最大限度地提高视频条纹故障检测的准确性。

【发明内容】

[0006]发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种基于空域分析和时域分析相结合的电力视频图像条纹故障检测方法。
[0007]为了解决上述技术问题,本发明提供的基于空域析和时域分析相结合的电力视频图像条纹故障检测方法,包括获取图片边缘提取的输入因子方法、图片边缘提取方法、傅里叶频域变换、视频图片条纹评价值获取方法四个过程,该方法包括步骤如下:
S1:对原始视频图片转换为灰度图像,并计算图像的复杂度、平均梯度等数据,作为图像边缘提取的输入因子;
52:采用图像边缘增强方法、滑窗边缘提取方法,结合图像边缘提取的输入因子,提取原始图像中的边缘,最终生成相应的边缘图片;
53:经过空域处理后的边缘图片,采用离散傅里叶逆变换将边缘图片转换为频域图片。
[0008]S4:变换后的图片亮点全部分布在图片的四个角,通过对称转换后,将亮点全部集中在中心点,采用5*5滑窗对图片亮点进行检测,得出亮点数值,并结合图片边缘平均梯度、图片边缘复杂度作为影响因子等多个参数,得出最终的视频图片条纹评价因子,根据评价因子分布特点得出评价值。
[0009]其中,获取图片边缘提取的输入因子方法具体步骤如下: 511:将原始图片转换为灰度图片;
512:切除灰度图片的部分边缘,得到新的灰度图片;
513:对新的灰度图片求取图片的复杂度;
514:对新的灰度图片求取图片的3*3像素总的平均梯度值。
[0010]其中,获图片边缘提取方法具体步骤如下:
521:针对新的灰度图片计算各个像素点的3*3像素的平均梯度;
522:根据图像复杂度、总平均梯度值计算边缘提取输入因子;
523:根据每个像素点的平均梯度值,得到动态像素增强系数;
S24:根据边缘提取输入因子、动态像素增强系数、像素的平均梯度,得到边缘图片的每个像素值。
[0011]其中,视频图片条纹评价值获取方法具体步骤如下:
541:变换后的图片亮点全部分布在图片的四个角,通过对称转换后,将亮点全部集中在中心点;
542:采用5*5滑窗对图片亮点进行检测,得出亮点数值;
S43:图片边缘平均梯度、图片边缘复杂度作为影响因子等多个参数,得出最终的视频图片条纹评价因子;
S44:根据评价因子分布特点得出评价值。
[0012]本发明的有益效果是:具备对条纹故障中的不同场景、不同环境、不同条纹类型下的条纹特征丢失故障情况下的检测能力,包括:粗条纹、细条纹、清晰条纹、模糊条纹、横条纹、竖条纹、斜条纹、亮条纹、暗条纹等,通过增强了条纹特征的检测。本发明与其他仅采用一种检测检测算法或特征条纹检测算法不同,通过将空域分析和时域分析两者相结合的方式,结合图像自身的多个特征参数,并对图像条纹特征进行增强,最终得出对条纹故障的评价值。
[0013]本发明的方法易于实现和应用,主要应用于:
(O电力视频设备故障检测系统,通过对已安装的视频设备图像的获取,通过在线对视频图像的条纹故障评价值进行计算,从而得出视频设备是否存在条纹故障,从而为视频设备检修提供直接依据。
[0014](2)该方法不仅适用于在电力行业的视频设备故障检测,同样适用于其他行业的应用,包括了:交通视频、安防视频、银行视频等。
[0015]
【附图说明】
[0016]下面结合附图和【具体实施方式】对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
[0017]图1为本发明的流程框图。
[0018]
【具体实施方式】
[0019]下面结合附图详细说明本发明技术方法中所涉及的各个细节问题。应指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
[0020]本发明通过将空域分析和时域分析两者相结合的方式,结合图像自身的多个特征参数,并对图像条纹特征进行增强,最终得出对条纹故障的评价值。图1所示为基于空域分析和时域分析相结合的电力视频图像条纹故障检测方法的流程框图,本方法分为获取图片边缘提取的输入因子方法、图片边缘提取方法、傅里叶频域变换、视频图片条纹评价值获取方法四个过程。
[0021]所述的获取图片边缘提取的输入因子方法包括步骤:将原始图片转换为灰度图片;切除灰度图片的部分边缘,得到新的灰度图片;对新的灰度图片求取图片的复杂度;对新的灰度图片求取图片的3*3像素总的平均梯度值。
[0022]所述的图片边缘提取方法包括步骤:针对新的灰度图片计算各个像素点的3*3像素的平均梯度;根据图像复杂度、总平均梯度值计算边缘提取输入因子;根据每个像素点的平均梯度值,得到动态像素增强系数;根据边缘提取输入因子、动态像素增强系数、像素的平均梯度,得到边缘图片的每个像素值。
[0023]所述的视频图片条纹评价值获取方法括步骤:变换后的图片亮点全部分布在图片的四个角,通过对称转换后,将亮点全部集中在中心点;采用5*5滑窗对图片亮点进行检测,得出亮点数值;图片边缘平均梯度、图片边缘复杂度作为影响因子等多个参数,得出最终的视频图片条纹评价因子;根据评价因子分布特点得出评价值。
[0024]本发明的方法需要的硬件最低配置为:P4、3.0G CPU、512M内存的PC机,在此配置水平的硬件上,采用C/C++语言编程实现本方法。操作系统可基于Windows或Linux的各类操作系统。下面对本发明的方法设计的关键步骤进行逐一详细说明,本发明的方法中的基本步骤相同,具体形式如下所述:
首先,是获取图片边缘提取的输入因子:
(1)获取原始图片作为RGB图片矩阵数据放在Mat_0rigin_Pic[]中;
(2)根据RGB 转灰度公式:Gray = R*0.299 + G*0.587 + B*0.114,从而计算得到 Mat_Gray_Pic[];
(3)由于实际图片中左上角或右上角、左下角或右下角通常均包含一些文字信息,避免文字信息对监测的影响,假设图片横坐标为0〈x〈Wl,图片纵坐标为0〈y〈Hl,其中的Hl表示图片的高度,Wl表示图片的宽度,将图片横坐标截取为Wl/8〈x〈7*Wl/8,将图片纵坐标截取为Hl/8〈y〈7*Hl/8,得到灰度图片矩阵Mat_Gray2_Pic [],新的灰度图片的宽度为W2,高度为H2 ;
(4)计算每个像素点的梯度值,采用3*3窗口计算,Grad(i,j)表示每个像素点的梯度值,Pixel (i, j)表示每个像素点的灰度值。Grad(i, j) =Pixel(i, j)_(位置在i,j的像素点左右八个像素点的灰度值综合)/8,i取值范围为l〈i〈W2-l,j取值范围为l〈j〈H2-l ;
(5)计算图片总的梯度值,Total_Grad=每个像素点Grad(i,j)的梯度值总和,i取值范围为l〈i〈W2-l,j取值范围为l〈j〈H2-l,计算图片的平均梯度值,Avg_Grad=Total_Grad/((W2-2)*(H2-2));
(6)计算图片的平均灰度值,Avg_Gray=(每个像素Pixel(i, j)灰度值的总和)/((W2-2) * (H2-2)),其中:l〈i〈W2-l,l〈j〈H2-l ;
(7)计算图片的复杂度因子,Cpx=(归一化处理)(Avg_Grad*Avg_Gray); (8)图片总的梯度值、图片的平均梯度值、图片的平均灰度值、图片的复杂度因子作为图片边缘提取的输入因子。
[0025]其次,对图片边缘提取:
Cl)基于灰度图片Mat_Gray2_Pic□,新定义通过边缘提取后的边缘图片为Mat_Edge_Pic □,边缘图片的大小为W2*H2 ;
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1