一種基于空域和時(shí)域分析相結(jié)合的電力視頻圖像條紋故障檢測(cè)方法
【專利說(shuō)明】一種基于空域和時(shí)域分析相結(jié)合的電力視頻圖像條紋故障檢測(cè)方法
[0001]
技術(shù)領(lǐng)域
[0002]本發(fā)明屬于圖像檢測(cè)技術(shù)領(lǐng)域，具體涉及圖像處理和計(jì)算機(jī)等技術(shù)，特別是涉及電力視頻的圖像條紋故障檢測(cè)方法及圖像條紋評(píng)價(jià)值。
【背景技術(shù)】
[0003]電力視頻監(jiān)控系統(tǒng)廣泛應(yīng)用于電力生產(chǎn)、安防、應(yīng)急、營(yíng)銷、基建等各個(gè)業(yè)務(wù)應(yīng)用中，受電力變電站強(qiáng)磁場(chǎng)干擾的環(huán)境特殊性影響，視頻設(shè)備容易出現(xiàn)條紋異常，嚴(yán)重影響了視頻監(jiān)控系統(tǒng)的可用性、實(shí)用性，因此，如何有效實(shí)現(xiàn)對(duì)視頻設(shè)備的條紋故障的檢測(cè)，為電力視頻設(shè)備的檢修提供依據(jù)，將為電力視頻的各項(xiàng)應(yīng)用提供更加有效的技術(shù)支撐。
[0004]對(duì)于視頻圖像條紋故障，采用人工識(shí)別的方式能夠輕易地區(qū)分出故障情況，然而，由于電力前端視頻設(shè)備數(shù)量的龐大，若采用人工巡查的方法，需要花費(fèi)大量的人力，且工作效率降低，因此，采用計(jì)算機(jī)技術(shù)、圖像分析技術(shù)實(shí)現(xiàn)電力視頻圖像條紋故障檢測(cè)方法對(duì)于視頻設(shè)備的故障檢測(cè)具有重要意義。
[0005]若采用單一分析方法對(duì)視頻圖像的條紋特征進(jìn)行檢測(cè)，由于圖像條紋的特殊性，易丟失不同場(chǎng)景、不同環(huán)境、不同條紋類型下的條紋特征丟失，因此，有效結(jié)合空域分析和時(shí)域分析能夠最大限度地提高視頻條紋故障檢測(cè)的準(zhǔn)確性。

【發(fā)明內(nèi)容】

[0006]發(fā)明目的:本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于空域分析和時(shí)域分析相結(jié)合的電力視頻圖像條紋故障檢測(cè)方法。
[0007]為了解決上述技術(shù)問(wèn)題，本發(fā)明提供的基于空域析和時(shí)域分析相結(jié)合的電力視頻圖像條紋故障檢測(cè)方法，包括獲取圖片邊緣提取的輸入因子方法、圖片邊緣提取方法、傅里葉頻域變換、視頻圖片條紋評(píng)價(jià)值獲取方法四個(gè)過(guò)程，該方法包括步驟如下:
S1:對(duì)原始視頻圖片轉(zhuǎn)換為灰度圖像，并計(jì)算圖像的復(fù)雜度、平均梯度等數(shù)據(jù)，作為圖像邊緣提取的輸入因子；
52:采用圖像邊緣增強(qiáng)方法、滑窗邊緣提取方法，結(jié)合圖像邊緣提取的輸入因子，提取原始圖像中的邊緣，最終生成相應(yīng)的邊緣圖片；
53:經(jīng)過(guò)空域處理后的邊緣圖片，采用離散傅里葉逆變換將邊緣圖片轉(zhuǎn)換為頻域圖片。
[0008]S4:變換后的圖片亮點(diǎn)全部分布在圖片的四個(gè)角，通過(guò)對(duì)稱轉(zhuǎn)換后，將亮點(diǎn)全部集中在中心點(diǎn)，采用5*5滑窗對(duì)圖片亮點(diǎn)進(jìn)行檢測(cè)，得出亮點(diǎn)數(shù)值，并結(jié)合圖片邊緣平均梯度、圖片邊緣復(fù)雜度作為影響因子等多個(gè)參數(shù)，得出最終的視頻圖片條紋評(píng)價(jià)因子，根據(jù)評(píng)價(jià)因子分布特點(diǎn)得出評(píng)價(jià)值。
[0009]其中，獲取圖片邊緣提取的輸入因子方法具體步驟如下: 511:將原始圖片轉(zhuǎn)換為灰度圖片；
512:切除灰度圖片的部分邊緣，得到新的灰度圖片；
513:對(duì)新的灰度圖片求取圖片的復(fù)雜度；
514:對(duì)新的灰度圖片求取圖片的3*3像素總的平均梯度值。
[0010]其中，獲圖片邊緣提取方法具體步驟如下:
521:針對(duì)新的灰度圖片計(jì)算各個(gè)像素點(diǎn)的3*3像素的平均梯度；
522:根據(jù)圖像復(fù)雜度、總平均梯度值計(jì)算邊緣提取輸入因子；
523:根據(jù)每個(gè)像素點(diǎn)的平均梯度值，得到動(dòng)態(tài)像素增強(qiáng)系數(shù)；
S24:根據(jù)邊緣提取輸入因子、動(dòng)態(tài)像素增強(qiáng)系數(shù)、像素的平均梯度，得到邊緣圖片的每個(gè)像素值。
[0011]其中，視頻圖片條紋評(píng)價(jià)值獲取方法具體步驟如下:
541:變換后的圖片亮點(diǎn)全部分布在圖片的四個(gè)角，通過(guò)對(duì)稱轉(zhuǎn)換后，將亮點(diǎn)全部集中在中心點(diǎn)；
542:采用5*5滑窗對(duì)圖片亮點(diǎn)進(jìn)行檢測(cè)，得出亮點(diǎn)數(shù)值；
S43:圖片邊緣平均梯度、圖片邊緣復(fù)雜度作為影響因子等多個(gè)參數(shù)，得出最終的視頻圖片條紋評(píng)價(jià)因子；
S44:根據(jù)評(píng)價(jià)因子分布特點(diǎn)得出評(píng)價(jià)值。
[0012]本發(fā)明的有益效果是:具備對(duì)條紋故障中的不同場(chǎng)景、不同環(huán)境、不同條紋類型下的條紋特征丟失故障情況下的檢測(cè)能力，包括:粗條紋、細(xì)條紋、清晰條紋、模糊條紋、橫條紋、豎條紋、斜條紋、亮條紋、暗條紋等，通過(guò)增強(qiáng)了條紋特征的檢測(cè)。本發(fā)明與其他僅采用一種檢測(cè)檢測(cè)算法或特征條紋檢測(cè)算法不同，通過(guò)將空域分析和時(shí)域分析兩者相結(jié)合的方式，結(jié)合圖像自身的多個(gè)特征參數(shù)，并對(duì)圖像條紋特征進(jìn)行增強(qiáng)，最終得出對(duì)條紋故障的評(píng)價(jià)值。
[0013]本發(fā)明的方法易于實(shí)現(xiàn)和應(yīng)用，主要應(yīng)用于:
(O電力視頻設(shè)備故障檢測(cè)系統(tǒng)，通過(guò)對(duì)已安裝的視頻設(shè)備圖像的獲取，通過(guò)在線對(duì)視頻圖像的條紋故障評(píng)價(jià)值進(jìn)行計(jì)算，從而得出視頻設(shè)備是否存在條紋故障，從而為視頻設(shè)備檢修提供直接依據(jù)。
[0014](2)該方法不僅適用于在電力行業(yè)的視頻設(shè)備故障檢測(cè)，同樣適用于其他行業(yè)的應(yīng)用，包括了:交通視頻、安防視頻、銀行視頻等。
[0015]
【附圖說(shuō)明】
[0016]下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明做更進(jìn)一步的具體說(shuō)明，本發(fā)明的上述和/或其他方面的優(yōu)點(diǎn)將會(huì)變得更加清楚。
[0017]圖1為本發(fā)明的流程框圖。
[0018]
【具體實(shí)施方式】
[0019]下面結(jié)合附圖詳細(xì)說(shuō)明本發(fā)明技術(shù)方法中所涉及的各個(gè)細(xì)節(jié)問(wèn)題。應(yīng)指出的是，所描述的實(shí)施例僅旨在便于對(duì)本發(fā)明的理解，而對(duì)其不起任何限定作用。
[0020]本發(fā)明通過(guò)將空域分析和時(shí)域分析兩者相結(jié)合的方式，結(jié)合圖像自身的多個(gè)特征參數(shù)，并對(duì)圖像條紋特征進(jìn)行增強(qiáng)，最終得出對(duì)條紋故障的評(píng)價(jià)值。圖1所示為基于空域分析和時(shí)域分析相結(jié)合的電力視頻圖像條紋故障檢測(cè)方法的流程框圖，本方法分為獲取圖片邊緣提取的輸入因子方法、圖片邊緣提取方法、傅里葉頻域變換、視頻圖片條紋評(píng)價(jià)值獲取方法四個(gè)過(guò)程。
[0021]所述的獲取圖片邊緣提取的輸入因子方法包括步驟:將原始圖片轉(zhuǎn)換為灰度圖片；切除灰度圖片的部分邊緣，得到新的灰度圖片；對(duì)新的灰度圖片求取圖片的復(fù)雜度；對(duì)新的灰度圖片求取圖片的3*3像素總的平均梯度值。
[0022]所述的圖片邊緣提取方法包括步驟:針對(duì)新的灰度圖片計(jì)算各個(gè)像素點(diǎn)的3*3像素的平均梯度；根據(jù)圖像復(fù)雜度、總平均梯度值計(jì)算邊緣提取輸入因子；根據(jù)每個(gè)像素點(diǎn)的平均梯度值，得到動(dòng)態(tài)像素增強(qiáng)系數(shù)；根據(jù)邊緣提取輸入因子、動(dòng)態(tài)像素增強(qiáng)系數(shù)、像素的平均梯度，得到邊緣圖片的每個(gè)像素值。
[0023]所述的視頻圖片條紋評(píng)價(jià)值獲取方法括步驟:變換后的圖片亮點(diǎn)全部分布在圖片的四個(gè)角，通過(guò)對(duì)稱轉(zhuǎn)換后，將亮點(diǎn)全部集中在中心點(diǎn)；采用5*5滑窗對(duì)圖片亮點(diǎn)進(jìn)行檢測(cè)，得出亮點(diǎn)數(shù)值；圖片邊緣平均梯度、圖片邊緣復(fù)雜度作為影響因子等多個(gè)參數(shù)，得出最終的視頻圖片條紋評(píng)價(jià)因子；根據(jù)評(píng)價(jià)因子分布特點(diǎn)得出評(píng)價(jià)值。
[0024]本發(fā)明的方法需要的硬件最低配置為:P4、3.0G CPU、512M內(nèi)存的PC機(jī)，在此配置水平的硬件上，采用C/C++語(yǔ)言編程實(shí)現(xiàn)本方法。操作系統(tǒng)可基于Windows或Linux的各類操作系統(tǒng)。下面對(duì)本發(fā)明的方法設(shè)計(jì)的關(guān)鍵步驟進(jìn)行逐一詳細(xì)說(shuō)明，本發(fā)明的方法中的基本步驟相同，具體形式如下所述:
首先，是獲取圖片邊緣提取的輸入因子:
(1)獲取原始圖片作為RGB圖片矩陣數(shù)據(jù)放在Mat_0rigin_Pic[]中；
(2)根據(jù)RGB 轉(zhuǎn)灰度公式:Gray = R*0.299 + G*0.587 + B*0.114，從而計(jì)算得到 Mat_Gray_Pic[]；
(3)由于實(shí)際圖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，避免文字信息對(duì)監(jiān)測(cè)的影響，假設(shè)圖片橫坐標(biāo)為0〈x〈Wl，圖片縱坐標(biāo)為0〈y〈Hl，其中的Hl表示圖片的高度，Wl表示圖片的寬度，將圖片橫坐標(biāo)截取為Wl/8〈x〈7*Wl/8，將圖片縱坐標(biāo)截取為Hl/8〈y〈7*Hl/8，得到灰度圖片矩陣Mat_Gray2_Pic []，新的灰度圖片的寬度為W2，高度為H2 ；
(4)計(jì)算每個(gè)像素點(diǎn)的梯度值，采用3*3窗口計(jì)算，Grad(i,j)表示每個(gè)像素點(diǎn)的梯度值，Pixel (i, j)表示每個(gè)像素點(diǎn)的灰度值。Grad(i, j) =Pixel(i, j)_(位置在i，j的像素點(diǎn)左右八個(gè)像素點(diǎn)的灰度值綜合)/8，i取值范圍為l〈i〈W2-l，j取值范圍為l〈j〈H2-l ；
(5)計(jì)算圖片總的梯度值，Total_Grad=每個(gè)像素點(diǎn)Grad(i,j)的梯度值總和，i取值范圍為l〈i〈W2-l，j取值范圍為l〈j〈H2-l，計(jì)算圖片的平均梯度值，Avg_Grad=Total_Grad/((W2-2)*(H2-2))；
(6)計(jì)算圖片的平均灰度值，Avg_Gray=(每個(gè)像素Pixel(i, j)灰度值的總和)/((W2-2) * (H2-2))，其中:l〈i〈W2-l，l〈j〈H2-l ；
(7)計(jì)算圖片的復(fù)雜度因子，Cpx=(歸一化處理)(Avg_Grad*Avg_Gray)； (8)圖片總的梯度值、圖片的平均梯度值、圖片的平均灰度值、圖片的復(fù)雜度因子作為圖片邊緣提取的輸入因子。
[0025]其次，對(duì)圖片邊緣提取:
Cl)基于灰度圖片Mat_Gray2_Pic□，新定義通過(guò)邊緣提取后的邊緣圖片為Mat_Edge_Pic □，邊緣圖片的大小為W2*H2 ；