一種基于空域和時域分析相結(jié)合的電力視頻圖像條紋故障檢測方法
【專利說明】一種基于空域和時域分析相結(jié)合的電力視頻圖像條紋故障檢測方法
[0001]
技術(shù)領(lǐng)域
[0002]本發(fā)明屬于圖像檢測技術(shù)領(lǐng)域，具體涉及圖像處理和計算機等技術(shù)，特別是涉及電力視頻的圖像條紋故障檢測方法及圖像條紋評價值。
【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、營銷、基建等各個業(yè)務(wù)應(yīng)用中，受電力變電站強磁場干擾的環(huán)境特殊性影響，視頻設(shè)備容易出現(xiàn)條紋異常，嚴重影響了視頻監(jiān)控系統(tǒng)的可用性、實用性，因此，如何有效實現(xiàn)對視頻設(shè)備的條紋故障的檢測，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應(yīng)用提供更加有效的技術(shù)支撐。
[0004]對于視頻圖像條紋故障，采用人工識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，需要花費大量的人力，且工作效率降低，因此，采用計算機技術(shù)、圖像分析技術(shù)實現(xiàn)電力視頻圖像條紋故障檢測方法對于視頻設(shè)備的故障檢測具有重要意義。
[0005]若采用單一分析方法對視頻圖像的條紋特征進行檢測，由于圖像條紋的特殊性，易丟失不同場景、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)合空域分析和時域分析能夠最大限度地提高視頻條紋故障檢測的準確性。

【發(fā)明內(nèi)容】

[0006]發(fā)明目的:本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提供一種基于空域分析和時域分析相結(jié)合的電力視頻圖像條紋故障檢測方法。
[0007]為了解決上述技術(shù)問題，本發(fā)明提供的基于空域析和時域分析相結(jié)合的電力視頻圖像條紋故障檢測方法，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、視頻圖片條紋評價值獲取方法四個過程，該方法包括步驟如下:
S1:對原始視頻圖片轉(zhuǎn)換為灰度圖像，并計算圖像的復(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:變換后的圖片亮點全部分布在圖片的四個角，通過對稱轉(zhuǎn)換后，將亮點全部集中在中心點，采用5*5滑窗對圖片亮點進行檢測，得出亮點數(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參數(shù)，得出最終的視頻圖片條紋評價因子，根據(jù)評價因子分布特點得出評價值。
[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:對新的灰度圖片求取圖片的復(fù)雜度；
514:對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:針對新的灰度圖片計算各個像素點的3*3像素的平均梯度；
522:根據(jù)圖像復(fù)雜度、總平均梯度值計算邊緣提取輸入因子；
523:根據(jù)每個像素點的平均梯度值，得到動態(tài)像素增強系數(shù)；
S24:根據(jù)邊緣提取輸入因子、動態(tài)像素增強系數(shù)、像素的平均梯度，得到邊緣圖片的每個像素值。
[0011]其中，視頻圖片條紋評價值獲取方法具體步驟如下:
541:變換后的圖片亮點全部分布在圖片的四個角，通過對稱轉(zhuǎn)換后，將亮點全部集中在中心點；
542:采用5*5滑窗對圖片亮點進行檢測，得出亮點數(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參數(shù)，得出最終的視頻圖片條紋評價因子；
S44:根據(jù)評價因子分布特點得出評價值。
[0012]本發(fā)明的有益效果是:具備對條紋故障中的不同場景、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能力，包括:粗條紋、細條紋、清晰條紋、模糊條紋、橫條紋、豎條紋、斜條紋、亮條紋、暗條紋等，通過增強了條紋特征的檢測。本發(fā)明與其他僅采用一種檢測檢測算法或特征條紋檢測算法不同，通過將空域分析和時域分析兩者相結(jié)合的方式，結(jié)合圖像自身的多個特征參數(shù)，并對圖像條紋特征進行增強，最終得出對條紋故障的評價值。
[0013]本發(fā)明的方法易于實現(xiàn)和應(yīng)用，主要應(yīng)用于:
(O電力視頻設(shè)備故障檢測系統(tǒng)，通過對已安裝的視頻設(shè)備圖像的獲取，通過在線對視頻圖像的條紋故障評價值進行計算，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，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]
【附圖說明】
[0016]下面結(jié)合附圖和【具體實施方式】對本發(fā)明做更進一步的具體說明，本發(fā)明的上述和/或其他方面的優(yōu)點將會變得更加清楚。
[0017]圖1為本發(fā)明的流程框圖。
[0018]
【具體實施方式】
[0019]下面結(jié)合附圖詳細說明本發(fā)明技術(shù)方法中所涉及的各個細節(jié)問題。應(yīng)指出的是，所描述的實施例僅旨在便于對本發(fā)明的理解，而對其不起任何限定作用。
[0020]本發(fā)明通過將空域分析和時域分析兩者相結(jié)合的方式，結(jié)合圖像自身的多個特征參數(shù)，并對圖像條紋特征進行增強，最終得出對條紋故障的評價值。圖1所示為基于空域分析和時域分析相結(jié)合的電力視頻圖像條紋故障檢測方法的流程框圖，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、視頻圖片條紋評價值獲取方法四個過程。
[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；對新的灰度圖片求取圖片的復(fù)雜度；對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:針對新的灰度圖片計算各個像素點的3*3像素的平均梯度；根據(jù)圖像復(fù)雜度、總平均梯度值計算邊緣提取輸入因子；根據(jù)每個像素點的平均梯度值，得到動態(tài)像素增強系數(shù)；根據(jù)邊緣提取輸入因子、動態(tài)像素增強系數(shù)、像素的平均梯度，得到邊緣圖片的每個像素值。
[0023]所述的視頻圖片條紋評價值獲取方法括步驟:變換后的圖片亮點全部分布在圖片的四個角，通過對稱轉(zhuǎn)換后，將亮點全部集中在中心點；采用5*5滑窗對圖片亮點進行檢測，得出亮點數(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參數(shù)，得出最終的視頻圖片條紋評價因子；根據(jù)評價因子分布特點得出評價值。
[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，在此配置水平的硬件上，采用C/C++語言編程實現(xiàn)本方法。操作系統(tǒng)可基于Windows或Linux的各類操作系統(tǒng)。下面對本發(fā)明的方法設(shè)計的關(guān)鍵步驟進行逐一詳細說明，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，從而計算得到 Mat_Gray_Pic[]；
(3)由于實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，避免文字信息對監(jiān)測的影響，假設(shè)圖片橫坐標為0〈x〈Wl，圖片縱坐標為0〈y〈Hl，其中的Hl表示圖片的高度，Wl表示圖片的寬度，將圖片橫坐標截取為Wl/8〈x〈7*Wl/8，將圖片縱坐標截取為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)計算每個像素點的梯度值，采用3*3窗口計算，Grad(i,j)表示每個像素點的梯度值，Pixel (i, j)表示每個像素點的灰度值。Grad(i, j) =Pixel(i, j)_(位置在i，j的像素點左右八個像素點的灰度值綜合)/8，i取值范圍為l〈i〈W2-l，j取值范圍為l〈j〈H2-l ；
(5)計算圖片總的梯度值，Total_Grad=每個像素點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，計算圖片的平均梯度值，Avg_Grad=Total_Grad/((W2-2)*(H2-2))；
(6)計算圖片的平均灰度值，Avg_Gray=(每個像素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，對圖片邊緣提取:
Cl)基于灰度圖片Mat_Gray2_Pic□，新定義通過邊緣提取后的邊緣圖片為Mat_Edge_Pic □，邊緣圖片的大小為W2*H2 ；