下载文档原格式
基于NSCT的低能见度图像边缘检测算法马国翠;李庆武;彭文;曹晔峰【摘要】In order to solve the difficulty of low visibility PM2. 5 hazy weather images edge detection, an edge detection method using nonsubsampled contourlet transform (NSCT) is proposed. Firstly, the PM2.5 hazy weather image is decomposed by NSCT. Then through calculating the difference of two fine scale coefficients decomposed by the same coarse scale, get the maximum modulus points which can be regard as the edge points. Finally, the integrity binary edge image is obtained by edge fusing on the same scale and between different scales. The results of the experiment show that the proposed method has the advantages of edge integrity, positioning accuracy and fewer false edge points.%针对PM2.5雾霾图像能见度低、边缘检测困难的问题,提出了一种采用非下采样轮廓波变换(NSCT)的边缘检测方法.首先对PM2.5雾霾图像进行NSCT分解.然后寻找由同一粗尺度系数分解而来的两个细尺度相邻子带系数,对其求差值,再通过差值图的模极大点来确定边缘点.最后通过NSCT域尺度内和尺度间的融合得到完整边缘图像.实验表明,对雾霾图像,该边缘检测方法所获取的边缘完整、定位准确并且噪声点少.【期刊名称】《科学技术与工程》【年(卷),期】2012(012)016【总页数】5页(P3872-3876)【关键词】PM2.5;雾霾图像;非下采样轮廓波;边缘检测【作者】马国翠;李庆武;彭文;曹晔峰【作者单位】河海大学计算机与信息学院,常州213022;常州市传感网与环境感知重点实验室,常州213022;河海大学计算机与信息学院,常州213022;常州市传感网与环境感知重点实验室,常州213022;河海大学计算机与信息学院,常州213022;常州市传感网与环境感知重点实验室,常州213022;河海大学计算机与信息学院,常州213022;常州市传感网与环境感知重点实验室,常州213022【正文语种】中文【中图分类】TP391.41边缘是图像最重要的特征之一，图像边缘检测是图像理解与识别、图像测量与控制等必不可少的环节。
基于复杂背景下的绝缘子图像识别与提取作者：贾竣淇杜文刘津如张吉梦来源：《农业科技与装备》2021年第06期摘要：为获取最优的绝缘子识别和提取方法，采用最大似然法、支持向量机和神经网络算法处理复杂背景下的图片。
结果表明：神经网络、支持向量机、最大似然法的平均精度依次为95.727%，95.386%和95.52%;在复杂背景的电力绝缘子识别和提取中，神经网络算法的精度略好。
关键词：绝缘子;监督分类;小斑块去除;识别与提取中图分类号：TP391.4;TP18 文献标识码：A 文章编号：1674-1161（2021）06-0050-03在架空线路中，绝缘子的主要作用是使载流导体与杆塔、大地之间保持绝缘。
然而，由于受环境因素（如雨、雾天气）和机械应力的影响，绝缘子可能出现磨损、老化、伞裙开裂等状况，给电网的安全运行带来极大隐患，因此采取措施定期对绝缘子及架空线路进行巡检十分必要。
巡检方式有很多种，如人工巡检、直升机巡检、无人机巡检等。
其中，无人机巡检融合当下各种先进技术，是未来电力巡检发展的主要方向。
无人机巡检先通过航拍得到绝缘子图像，再对图像进行自动处理，提取出图像中的绝缘子区域，最后根据提取结果判断绝缘子是否存在外部故障。
由于绝缘子所处的环境纷繁复杂，航拍图中绝缘子的形态可能不够明显，因此利用图像处理技术精准地提取出绝缘子区域具有十分重要的意义。
1 绝缘子识别方法采用监督分类法提取绝缘子，分为选取样本、选择分类器、分类后处理和精度评价4个步骤。
1.1 选取样本选取样本时，需要对原始图像进行拉伸和全屏处理，调整到最好角度。
分别在绝缘子和其他类图像上选取多个图像样本，用不同的颜色进行标注。
为便于分类的精准，样本选择要力求多、全、细。
样本选择不能太大，否则会难以识别，如图1所示。
选择样本后，如果两类样本之间特征差异不大，在后续分类过程中可能会出现错分、误分的情况。
因此，需要比较两类样本之间的相似度。
只有在相似度足够低的情况下，才能准确地分类。
航拍绝缘子图像缺陷智能识别算法研究在电力系统的广阔天地中，绝缘子犹如一颗颗守护神的明珠，确保着电流的顺畅传输。
然而，这些“明珠”一旦出现瑕疵，就可能引发连锁反应，甚至导致整个电网的瘫痪。
因此，对绝缘子进行定期检查，及时发现并修复缺陷，就显得尤为重要。
随着科技的进步，航拍技术与人工智能算法的结合，为我们提供了一种全新的检测手段——航拍绝缘子图像缺陷智能识别算法。
传统的绝缘子检测方法往往需要人工登高作业，不仅效率低下，而且危险性极高。
相比之下，航拍技术的应用就像是给检测员们装上了一双翅膀，让他们能够轻松地俯瞰每一颗绝缘子的状态。
而智能识别算法的加入，则像是给这双翅膀装上了导航系统，让检测员们能够精准定位到每一个可能存在缺陷的绝缘子。
然而，要实现这一目标并非易事。
首先，我们需要收集大量的绝缘子图像数据，并对其进行标注和分类。
这个过程就像是为智能识别算法准备一份详尽的“食谱”，让它能够学会如何区分正常与异常的绝缘子。
其次，我们需要设计出高效的特征提取算法，从海量的图像数据中提取出关键信息。
这就像是为算法打造一副“透视眼”，让它能够透过表面现象看到本质。
最后，我们需要构建一个准确的识别模型，将提取出的特征与已知的缺陷类型进行匹配。
这就像是为算法装备了一个“智慧大脑”，让它能够做出正确的判断。
在这个过程中，我们可能会遇到各种挑战。
比如，由于航拍角度和光照条件的变化，同一绝缘子在不同图像中的表现形式可能会有很大差异。
这就需要我们的算法具备强大的泛化能力，能够应对各种复杂情况。
此外，绝缘子的缺陷类型也是多种多样的，有些缺陷可能非常微小和隐蔽，难以被肉眼发现。
这就需要我们的算法具备极高的灵敏度和准确性，能够捕捉到任何细微的异常信号。
尽管如此，我仍然坚信航拍绝缘子图像缺陷智能识别算法的研究具有广阔的前景和巨大的潜力。
随着深度学习技术的不断发展和完善，我们可以期待未来的算法将更加高效、准确和可靠。
同时，随着无人机技术的普及和应用，航拍数据的获取也将变得更加便捷和经济。
