一种基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法
【专利说明】—种基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法
[0001]
技术领域
[0002]本发明属于图像检测领域，设计图像处理和计算机等技术，特使是涉及电力视频的图像模糊故障检测方法及图像模糊评价值。
【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模糊故障的检测，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]对于视频图像模糊故障，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模糊故障检测方法对于视频设备的故障检测具有重要意义。
[0005]若采用常用的边缘检测方法，容易受图像中对象的复杂性影响，无法准确做出对图像模糊的判断，采用简单的边缘检测方法无法适用于多种应用场景下的模糊检测。因此，采用对场景的图像复杂度评价，能够最大限度地提高图像模糊检测的准确性和适用性。
【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，提供一种基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法。
[0007]为了解决上述技术问题，本发明提供的基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法，包括获计算获取灰度图片总的特征参数、计算并获取不同阈值情况下的边缘图片、计算不同边缘图片的特征参数、计算图像复杂度评价参数以及图像模糊评价参数四个过程，该方法包括步骤如下:
51:对原始视频图片转换为灰度图像，采用3*3滑窗方式，并计算获取灰度图片总的特征参数；
52:按照不同的阈值，采用3*3滑窗方式，计算并获取不同阈值情况下的边缘图片；
53:根据不同阈值情况下的边缘图片，计算不同边缘图片的特征参数。
[0008]S4:根据图片总的特征参数、不同边缘图片的特征参数计算图像复杂度评价参数以及图像模糊评价参数。
[0009]其中，获取灰度图片总的特征参数具体步骤如下:
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:采用3*3滑窗计算灰度图片每个像素的梯度值；
514:根据每个像素的梯度值，计算总的图片平均梯度值；
S15:计算图片每个像素点的亮度值，并根据每个每个像素点的亮度值，计算总的图片的平均亮度值。
[0010]S16:所有计算值作为图片总的特征参数。
[0011]其中，获取不同阈值情况下的边缘图片具体步骤如下:
521:采用3*3滑窗计算灰度图片每个像素的梯度值；
522:根据测试经验值，设置不同边缘条件下的边缘阈值；
523:根据像素梯度值以及边缘阈值，分别生成不同阈值的边缘图片，该边缘图片用于计算不同边缘图片的特征参数。
[0012]其中，计算不同边缘图片的特征参数具体步骤如下:
531:针对边缘图片，根据边缘总的点数，计算边缘点数对应的占空比；
532:根据边缘点亮度值，计算边缘点平均亮度值；
533:采用3*3滑窗，计算每个边缘点的梯度值，得到边缘点平均梯度值；
S34:计算的边缘点数对应的占空比、边缘点平均亮度值、边缘点平均梯度值作为不同边缘图片的特征参数。
[0013]其中，计算图像复杂度评价参数以及图像模糊评价参数具体步骤如下:
541:综合所有参数，通过测试验证的方法，得到图片总的特征参数、不同边缘图片的特征参数对计算图像复杂度评价参数的影响因子；
542:根据图片总的特征参数、不同边缘图片的特征参数以及影响因子计算得到图像复杂度评价参数；
543:根据图像复杂度评价参数计算图像模糊评价参数。
[0014]本发明的方法，具备对视频图像中所监控的电力应用场景为复杂场景或简单场景时，结合图像复杂度评价参数，对图像的模糊程度及模糊故障进行检测的能力。若采用常用的边缘检测方法，容易受图像中对象的复杂性影响，无法准确做出对图像模糊的判断，采用简单的边缘检测方法无法适用于多种应用场景下的模糊检测。因此，采用对场景的图像复杂度评价，能够最大限度地提高图像模糊检测的准确性和适用性。本发明采用了基于图片总的特征参数、不同边缘图片的特征参数计算得出图像复杂度评价参数以及计算图像模糊评价参数，用于对图像的模糊程度及模糊故障进行检测，本发明的方法易于实现和应用，主要可以应用于:
(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模糊故障评价值进行计算，从而得出视频设备是否存在模糊故障，从而为视频设备检修提供直接依据。
[0015](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。
[0016]
【附图说明】
[0017]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。
[0018]图1为本发明的流程框图。
[0019]
【具体实施方式】
[0020]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。
[0021]本发明采用了基于图片总的特征参数、不同边缘图片的特征参数计算得出图像复杂度评价参数以及计算图像模糊评价参数，用于对图像的模糊程度及模糊故障进行检测。图1所示为基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法的流程框图，本方法分为计算获取灰度图片总的特征参数、计算并获取不同阈值情况下的边缘图片、计算不同边缘图片的特征参数、计算图像复杂度评价参数以及图像模糊评价参数四个过程。
[0022]所述的计算获取灰度图片总的特征参数包括步骤: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；采用3*3滑窗计算灰度图片每个像素的梯度值；根据每个像素的梯度值，计算总的图片平均梯度值；计算图片每个像素点的亮度值，并根据每个每个像素点的亮度值，计算总的图片的平均亮度值；所有计算值作为图片总的特征参数。
[0023]所述的计算并获取不同阈值情况下的边缘图片包括步骤:采用3*3滑窗计算灰度图片每个像素的梯度值；根据测试经验值，设置不同边缘条件下的边缘阈值；根据像素梯度值以及边缘阈值，分别生成不同阈值的边缘图片，该边缘图片用于计算不同边缘图片的特征参数。
[0024]所述的计算不同边缘图片的特征参数包括步骤:针对边缘图片，根据边缘总的点数，计算边缘点数对应的占空比；根据边缘点亮度值，计算边缘点平均亮度值；采用3*3滑窗，计算每个边缘点的梯度值，得到边缘点平均梯度值；计算的边缘点数对应的占空比、边缘点平均亮度值、边缘点平均梯度值作为不同边缘图片的特征参数。
[0025]所述的计算图像复杂度评价参数以及图像模糊评价参数包括步骤:综合所有参数，通过测试验证的方法，得到图片总的特征参数、不同边缘图片的特征参数对计算图像复杂度评价参数的影响因子；根据图片总的特征参数、不同边缘图片的特征参数以及影响因子计算得到图像复杂度评价参数；根据图像复杂度评价参数计算图像模糊评价参数。
[0026]本发明的方法需要的硬件最低配置为:P4、3