[go: up one dir, main page]

CN111126431A - 一种基于模板匹配的海量电力缺陷照片快速筛选方法 - Google Patents

一种基于模板匹配的海量电力缺陷照片快速筛选方法 Download PDF

Info

Publication number
CN111126431A
CN111126431A CN201911108819.9A CN201911108819A CN111126431A CN 111126431 A CN111126431 A CN 111126431A CN 201911108819 A CN201911108819 A CN 201911108819A CN 111126431 A CN111126431 A CN 111126431A
Authority
CN
China
Prior art keywords
image
matching
template
layer
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911108819.9A
Other languages
English (en)
Inventor
刘智勇
祁宏昌
李艳飞
赵晓丹
龚骏华
李贞祺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau Co Ltd
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Power Supply Bureau Co Ltd
Guangzhou Institute of Geography of GDAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau Co Ltd, Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Power Supply Bureau Co Ltd
Priority to CN201911108819.9A priority Critical patent/CN111126431A/zh
Publication of CN111126431A publication Critical patent/CN111126431A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于模板匹配的海量电力缺陷照片快速筛选方法，通过对传统的归一化互相关算法进行改进，降低计算的复杂度，减少运算过程中的计算量；利用小波金字塔分层匹配的思想，分辨率由低到高，匹配由粗到细，提高图像匹配效率，改善匹配精度；实现缺陷图像的快速、准确匹配筛选，为智能缺陷识别提供重要的数据基础。

Description

一种基于模板匹配的海量电力缺陷照片快速筛选方法
技术领域
本发明涉及图像处理技术领域，尤其是指一种基于模板匹配的海量电力缺陷照片快速筛选方法。
背景技术
近年来，无人机技术的快速发展，高分辨率可见光照相机(摄像机)、高精度红外热像仪、激光雷达等检测装备丰富了输电线路巡视手段，利用无人机遥感技术进行输电线路的巡检能有效提高电力巡检的工作效率，减少人工巡检工作量，降低输电线路运维成本和压力。基于无人机的电力巡检获得的丰富输电线路设备数据进行系统分析和管理，能为电网防灾、管理和维护提供更多的数据支持。电网企业全面推行机巡作业模式，以南方电网公司为例，早于2004年即开展输电线路直升机巡检业务，2013年开始整体推进输电线路机巡工作，目标2020年底实现“机巡为主、人巡为辅”的输电线路精益化运维。
随着机巡业务的不断推进，输电线路机巡巡检数据处理与分析应用必将进入“大数据”时代。传统的机巡数据处理模式需要大量人工干预，缺陷识别主要依靠目视判读，手动以画图工具等标识缺陷位置，数据处理周期长，工作量大，据不完全统计，存在缺陷照片不到全部巡检照片的2％。同时，人工长时间作业易导致判断结果准确度下降，结果存在主观性、模糊性、不完全等问题，不利于及时发现设备缺陷，制约了数据的高效利用。
当前，机巡数据的处理正处于与人工智能、深度学习等新技术结合，迈向自动化、智能化的阶段。数据是人工智能的基础和血液。目前，电网企业累积的缺陷数据，基本全部是人工判读，用画图工具等框出缺陷位置的照片，这些照片由于存在标识框无法直接用于人工智能学习，需从原始的海量巡检数据中，找出未处理过的缺陷照片，为缺陷智能识别提供数据满足要求的数据基础。
目前常用的基于灰度的图像匹配算法包括：ABS算法(Absolute BalanceSearch)，序贯相似性检测算法(Similarity Sequential Detection Algorithm，SSDA)和归一化互相关算法(Normalized Cross Correlation，NCC)。
ABS算法是最早被提出来的匹配算法，是用模板图像与搜索图像上对应点像素灰度值的差值表示相关性。其计算过程可以描述为：设搜索图像为S，大小为M×N，模板图像为T，大小为m×n，则搜索图像中存在(M-m+1)×(N-n+1)个匹配点，而每个匹配点都会与一个m×n的搜索窗口对应。所以匹配的过程即为模板图像按照某一特定的顺序在搜索图像窗口上滑动，每滑动一次就进行一次计算，根据相关值判断当前搜索窗口是否与模板图像匹配。如果其差值小于预先设定的阈值，视为匹配成功，否则匹配失败。ABS值一般有三种计算方法，平均绝对差(MAD)法、绝对误差总和(SAD)法、平方差总和(SSD)法。
Figure BDA0002272116510000021
Figure BDA0002272116510000022
Figure BDA0002272116510000023
ABS算法虽然计算量较小，但只考虑像素值的距离，若待匹配图像的亮度变化较大则会对匹配结果造成较大影响。而且不同的图像及模板，都对应不同大小的搜索窗口和背景灰度值，所选取的阈值也不同，因此预先设定的阈值不能适合所有情况，最终造成误匹配率高。
序列相似性检测算法(SSDA)是针对传统模板匹配算法提出的一种高效的图像匹配算法。其基本原理如下：
模板图像T在搜索图像S上按每个像素点滑动并计算相关值，其相关值最大的位置即对应匹配最佳的位置。在这个过程中，SSDA算法仅计算部分匹配相关值，而没有计算全部像素灰度绝对值，因此减少了计算量，提高了运算速度。具体算法即先初步搜索，再精搜索，搜索的范围一步步减小。
SSDA算法的步骤：
Step1:定义绝对误差：
Figure BDA0002272116510000031
其中，
Figure BDA0002272116510000032
Step2:取固定阈值Tk；
Step3:随机选取子图Si，j(x，y)中的像素值，计算其与模板图像T对应点的误差，并把此差值与其他点对产生的误差值累加起来。一旦累加后的误差超过Tk，则实验选择停止继续累加，同时记下累加次数r。序贯相似性检测算法SSDA的检测曲面可以定义为：
Figure BDA0002272116510000033
Step4:将I(i,j)值最大的点作为匹配点，原因是此点只有经过多次的累加才能满足总误差∑ε大于给定的阈值。
SSDA算法的速度提高，但是以像素点选取个数大幅降低为基础的，其精度很低，匹配效果不好，容易受到噪声的干扰。尤其当算法进入信息贫乏的区域时，会导致误匹配率的明显上升。
归一化相关算法的定义如式：
Figure BDA0002272116510000034
其中，x、y为基准图大小,m、n为模板大小,A(i,j)为实时图像中匹配区域的像素的灰度值,x、y为匹配点,B(i-x,i-y)为模板中的像素灰度值,
Figure BDA0002272116510000035
是模板的灰度均值,
Figure BDA0002272116510000036
为图像中匹配区域的均值。C(x,y)的取值范围为-1～1，值越大表示相关程度越高。
NCC算法不仅在灰度变化和几何畸变不大时匹配精度高，而且抗白噪声能力也较强。但该算法需要把模板图像在源图像中逐一平移，并计算每个位置的相似度算子，算法复杂度高，匹配速度慢。
发明内容
针对上述背景技术中的问题，提供一种基于模板匹配的海量电力缺陷照片快速筛选方法。通过构建一种快速的归一化互相关图像模板匹配算法，实现从海量巡检中数据快速筛选缺陷照片。
本发明所述的一种基于模板匹配的海量电力缺陷照片快速筛选方法，包括：
S1获取待匹配图像和模板图像；
S2构建所述待匹配图像和模板图像的小波变换金字塔；
S3对所述小波变换金字塔的每一层进行特征点提取，获得待匹配图像和模板图像的特征点金字塔；
S4对所述待匹配图像和模板图像的特征点金字塔顶层进行NCC算法匹配，获得顶层最佳匹配点；
S5将所述顶层最佳匹配点作为下层图像匹配的中心点，进行NCC算法匹配，逐步映射到最底层的最佳匹配点。
本发明提出一种基于小波金字塔搜索策略的快速归一化互相关图像匹配算法。该算法在传统NCC算法的基础上，采用和表法分别计算图像均值、图像方差来降低运算的复杂度，减少算法的计算量；同时改进搜索策略，构造图像小波金字塔结构，利用分层匹配来提高图像匹配的效率。
小波变换是一种变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的"时间-频率"窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题。
特征点提取广泛应用到目标匹配、目标跟踪、三维重建等应用中，在进行目标建模时会对图像进行目标特征的提取，常用的有颜色、角点、特征点、轮廓、纹理等特征。Harris角点检测是特征点检测的基础，提出了应用邻近像素点灰度差值概念，从而进行判断是否为角点、边缘、平滑区域。Harris角点检测原理是利用移动的窗口在图像中计算灰度变化值，其中关键流程包括转化为灰度图像、计算差分图像、高斯平滑、计算局部极值、确认角点。
具体地，所述待匹配图像为电力巡检拍摄的原始图像；所述模板图像为人工标注污染过的缺陷图像。
进一步地，构建所述待匹配图像和模板图像的小波变换金字塔的步骤包括：用Haar小波变换对图像进行两层分解，最小分辨率的子图作为金字塔的顶层，原图像作为金字塔最底层，构成三层金字塔图像。
进一步地，所述构成三层金字塔图像的步骤包括：以L表示低通滤波器，H表示高通滤波器，分别对图像的行列进行卷积，并进行2取1的亚抽样，将原图像分解成4个子带LL1、LH1、HL1和HH1；其中LL1反应原图像的低频成分，是由水平和垂直两个方向的低通滤波器获得的子带；LH1反应原图像的水平边缘细节，是由水平方向低通滤波器和垂直方向的高通滤波器获得的子带；HL1为水平方向高频和垂直方向低频获得的子带；HH1是由水平方向高频和垂直方向高频获得的子带；将分辨率设为原图像的1/2，对子带LL1进行再一步分解，获得LL2、LH2、HL2和HH2共4个子带；将分辨率设为原图像的1/4，对子带LL2进行再一步分解，获得LL3、LH3、HL3和HH3共4个子带。
图像的高低频是对图像各个位置之间强度变化的一种度量方法。低频分量主要对整副图像的强度的综合度量。高频分量主要是对图像边缘和轮廓的度量。如果一副图像的各个位置的强度大小相等,则图像只存在低频分量,从图像的频谱图上看,只有一个主峰,且位于频率为零的位置。如果一副图像的各个位置的强度变化剧烈,则图像不仅存在低频分量,同时也存在多种高频分量,从图像的频谱上看,不仅有一个主峰,同时也存在多个旁峰。
进一步地，所述特征点提取是基于构建的小波变换金字塔，采用参数设置相同的Harris特征点检测算法对每一层金字塔图像进行提取，获得特征点金字塔。
进一步地，对所述待匹配图像和模板图像的特征点金字塔顶层进行NCC算法匹配，即从子带LL1的低频分量图像开始匹配；所述NCC算法为：
Figure BDA0002272116510000061
通过构建加和表计算待匹配的图像均值S1(x,y)，待匹配的图像方差S2(x,y)来减少计算量；其中，x、y为基准图大小,m、n为模板大小,A(i,j)为实时图像中匹配区域的像素的灰度值,(x,y)为匹配点,B(i-x,i-y)为模板中的像素灰度值,
Figure BDA0002272116510000062
是模板的灰度均值,
Figure BDA0002272116510000063
为图像中匹配区域的均值；σB是模板图像的方差；
Figure BDA0002272116510000064
Figure BDA0002272116510000065
Figure BDA0002272116510000066
Figure BDA0002272116510000067
Figure BDA0002272116510000068
以模板图像的均值和方差、待匹配图像的累加和、平方累加和求得匹配度C(x，y)最高的点为顶层最佳匹配点。
进一步地，将所述顶层最佳匹配点作为下层图像匹配的中心点，进行NCC算法匹配，逐步映射到最底层的最佳匹配点，其步骤包括：将上一层的最佳匹配点作为下层图像匹配的中心点，在待匹配图像和模板图像的中心点的邻域内重新搜索，进行NCC匹配计算，得到下层的最佳匹配点；逐步匹配至最底层，随着分辨率的提高，互相关匹配的搜索范围被逐步限定，匹配点的精度逐渐提高；最终得到待匹配图像上的最佳匹配点。
为了能更清晰的理解本发明，以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为基于模板匹配的海量电力缺陷照片快速筛选方法的算法框架图；
图2为本发明实施例的小波变换三级分解示意图；
图3为本发明实施例的小波金字塔搜索示意图。
具体实施方式
请参阅图1，其为本发明实施例的基于模板匹配的海量电力缺陷照片快速筛选方法的算法框架图。
将电力巡检拍摄的原始图像作为待匹配图像，将人工标注污染过的缺陷图像作为模板图像，获取待匹配图像和模板图像后，首先对待匹配图像和模板图像进行Haar小波变换两层分解，最小分辨率的子图作为金字塔的顶层，原图像作为金字塔最底层，构成三层金字塔图像。
如图2所示，以L表示低通滤波器，H表示高通滤波器，分别对图像的行列进行卷积，并进行2取1的亚抽样，将原图像分解成4个子带LL1、LH1、HL1和HH1；其中LL1反应原图像的低频成分，是由水平和垂直两个方向的低通滤波器获得的子带；LH1反应原图像的水平边缘细节，是由水平方向低通滤波器和垂直方向的高通滤波器获得的子带；HL1为水平方向高频和垂直方向低频获得的子带；HH1是由水平方向高频和垂直方向高频获得的子带；将分辨率设为原图像的1/2，对子带LL1进行再一步分解，获得LL2、LH2、HL2和HH2共4个子带；将分辨率设为原图像的1/4，对子带LL2进行再一步分解，获得LL3、LH3、HL3和HH3共4个子带。至此完成本实施例的小波变换三级分解。
然后基于构建的图像金字塔，采用参数设置相同的Harris特征点检测算法对每层金字塔图像进行特征点提取，获得待匹配图像和模板图像的特征点金字塔；
对所述待匹配图像和模板图像的特征点金字塔顶层进行NCC算法匹配，即从子带LL1的低频分量图像开始匹配；所述NCC算法为：
Figure BDA0002272116510000081
该算法为基于现有技术中NCC算法的进一步改进，通过构建加和表计算待匹配的图像均值S1(x,y)，待匹配的图像方差S2(x,y)来减少计算量；其中，x、y为基准图大小,m、n为模板大小,A(i,j)为实时图像中匹配区域的像素的灰度值,(x,y)为匹配点,B(i-x,i-y)为模板中的像素灰度值,
Figure BDA0002272116510000082
是模板的灰度均值,
Figure BDA0002272116510000083
为图像中匹配区域的均值；σB是模板图像的方差；
Figure BDA0002272116510000084
Figure BDA0002272116510000085
Figure BDA0002272116510000086
Figure BDA0002272116510000087
Figure BDA0002272116510000088
以模板图像的均值和方差、待匹配图像的累加和、平方累加和求得匹配度C(x，y)最高的点为顶层最佳匹配点。
获得顶层最佳匹配点后，将所述顶层最佳匹配点作为下层图像匹配的中心点，在待匹配图像和模板图像的中心点的邻域内重新搜索，进行NCC算法匹配，得到下层的最佳匹配点；逐步匹配至最底层，随着分辨率的提高，互相关匹配的搜索范围被逐步限定，匹配点的精度逐渐提高；逐步映射到最底层的最佳匹配点。上述匹配过程如图3所示。
图3中，标注原图像即为金字塔最底层图像，其分辨率最高，是本申请所述人工标注污染过的缺陷图像。标注最高层图像即为金字塔最高层图像，其分辨率最低，是本申请所述电力巡检拍摄的原始图像，小波变换金字塔的搜索过程是由最高层图像匹配到高层匹配位置(即本申请所述顶层的最佳匹配点)，然后以该点为中心，在中层图像的对应高层匹配位置中匹配到中层匹配位置(即本申请所述下一层的最佳匹配点)，再以该点为中心，在最底层图像的对应中层位置中匹配到最佳匹配位置，实现了由顶层金字塔逐步映射匹配到最底层金字塔的最佳匹配点的效果，由于最底层图像的分辨率最高，此过程中匹配点对的精度也在逐步提高，最后讲最佳匹配位置输出结果，把待匹配图像进行相应处理，完成匹配过程。在电力巡检中，本发明能实现把大分辨率的、经过人工标注的缺陷照片，在海量巡检拍摄的原始图像中匹配到小分辨率的对应线路段上，实现缺陷图像的快速、准确匹配筛选，为智能化缺陷识别提供了重要的数据基础。
相对于现有技术，本申请在归一化互相关算法的基础上，采用和表法分别计算图像均值和图像方差降低运算的复杂度，减少算法的计算量；
在选择特征点匹配搜索策略时，构造图像小波金字塔结构，利用分层匹配，提高了图像匹配的效率；
将归一化互相关模板匹配算法，引入机巡数据的清洗中，并通过优化相似度算子和改进搜索策略，构建一种快速的归一化互相关图像模板匹配算法，实现缺陷图像的快速、准确匹配筛选，为智能缺陷识别提供重要的数据基础。
本申请在不仅能降低计算的复杂度，减少运算过程中的计算量，提高匹配速度，同时，还能改善匹配精度。
基于灰度相关的图像匹配算法是利用图像的灰度信息对源图像和模板图像建立起相似性度量，然后采用某种搜索方法寻找最优相似性度量值的位置作为匹配位置。本申请将人工标注污染过的缺陷影像作为匹配模板，原始巡检图像为待匹配模板，选用基于灰度相关的图像匹配算法，实现原始图像快速筛选。
针对传统的归一化互相关算法(NCC)计算量庞大、运算速度慢、正确率较低等问题，本申请一方面对传统的归一化互相关算法进行改进，降低计算的复杂度，减少运算过程中的计算量；另一方面，改进搜索策略，利用小波金字塔分层匹配的思想，分辨率由低到高，匹配由粗到细，提高图像匹配效率，改善匹配精度。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也一同包含这些改动和变形。

Claims (7)

1.一种基于模板匹配的海量电力缺陷照片快速筛选方法，包括：
获取待匹配图像和模板图像；
构建所述待匹配图像和模板图像的小波变换金字塔；
对所述小波变换金字塔的每一层进行特征点提取，获得待匹配图像和模板图像的特征点金字塔；
对所述待匹配图像和模板图像的特征点金字塔顶层进行NCC算法匹配，获得顶层最佳匹配点；
将所述顶层最佳匹配点作为下层图像匹配的中心点，进行NCC算法匹配，逐步映射到最底层的最佳匹配点。
2.根据权利要求1所述的一种基于模板匹配的海量电力缺陷照片快速筛选方法，其特征在于：所述待匹配图像为电力巡检拍摄的原始图像；所述模板图像为人工标注污染过的缺陷图像。
3.根据权利要求1所述的一种基于模板匹配的海量电力缺陷照片快速筛选方法，其特征在于，构建所述待匹配图像和模板图像的小波变换金字塔的步骤包括：用Haar小波变换对图像进行两层分解，最小分辨率的子图作为金字塔的顶层，原图像作为金字塔最底层，构成三层金字塔图像。
4.根据权利要求3所述的一种基于模板匹配的海量电力缺陷照片快速筛选方法，其特征在于，所述构成三层金字塔图像的步骤包括：以L表示低通滤波器，H表示高通滤波器，分别对图像的行列进行卷积，并进行2取1的亚抽样，将原图像分解成4个子带LL1、LH1、HL1和HH1；其中LL1反应原图像的低频成分，是由水平和垂直两个方向的低通滤波器获得的子带；LH1反应原图像的水平边缘细节，是由水平方向低通滤波器和垂直方向的高通滤波器获得的子带；HL1为水平方向高频和垂直方向低频获得的子带；HH1是由水平方向高频和垂直方向高频获得的子带；将分辨率设为原图像的1/2，对子带LL1进行再一步分解，获得LL2、LH2、HL2和HH2共4个子带；将分辨率设为原图像的1/4，对子带LL2进行再一步分解，获得LL3、LH3、HL3和HH3共4个子带。
5.根据权利要求1所述的一种基于模板匹配的海量电力缺陷照片快速筛选方法，其特征在于：所述特征点提取是基于构建的小波变换金字塔，采用参数设置相同的Harris特征点检测算法对每一层金字塔图像进行提取，获得特征点金字塔。
6.根据权利要求4所述的一种基于模板匹配的海量电力缺陷照片快速筛选方法，其特征在于：对所述待匹配图像和模板图像的特征点金字塔顶层进行NCC算法匹配，即从子带LL1的低频分量图像开始匹配；所述NCC算法为：
Figure FDA0002272116500000021
通过构建加和表计算待匹配的图像均值S1(x,y)，待匹配的图像方差S2(x,y)来减少计算量；其中，x、y为基准图大小,m、n为模板大小,A(i,j)为实时图像中匹配区域的像素的灰度值,(x,y)为匹配点,B(i-x,i-y)为模板中的像素灰度值,
Figure FDA0002272116500000022
是模板的灰度均值,
Figure FDA0002272116500000023
为图像中匹配区域的均值；σB是模板图像的方差；
Figure FDA0002272116500000024
Figure FDA0002272116500000025
Figure FDA0002272116500000031
Figure FDA0002272116500000032
Figure FDA0002272116500000033
以模板图像的均值和方差、待匹配图像的累加和、平方累加和求得匹配度C(x，y)最高的点为顶层最佳匹配点。
7.根据权利要求1所述的一种基于模板匹配的海量电力缺陷照片快速筛选方法，其特征在于，将所述顶层最佳匹配点作为下层图像匹配的中心点，进行NCC算法匹配，逐步映射到最底层的最佳匹配点，其步骤包括：将上一层的最佳匹配点作为下层图像匹配的中心点，在待匹配图像和模板图像的中心点的邻域内重新搜索，进行NCC匹配计算，得到下层的最佳匹配点；逐步匹配至最底层，随着分辨率的提高，互相关匹配的搜索范围被逐步限定，匹配点的精度逐渐提高；最终得到待匹配图像上的最佳匹配点。
CN201911108819.9A 2019-11-13 2019-11-13 一种基于模板匹配的海量电力缺陷照片快速筛选方法 Pending CN111126431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911108819.9A CN111126431A (zh) 2019-11-13 2019-11-13 一种基于模板匹配的海量电力缺陷照片快速筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911108819.9A CN111126431A (zh) 2019-11-13 2019-11-13 一种基于模板匹配的海量电力缺陷照片快速筛选方法

Publications (1)

Publication Number Publication Date
CN111126431A true CN111126431A (zh) 2020-05-08

Family

ID=70495616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911108819.9A Pending CN111126431A (zh) 2019-11-13 2019-11-13 一种基于模板匹配的海量电力缺陷照片快速筛选方法

Country Status (1)

Country Link
CN (1) CN111126431A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113102297A (zh) * 2021-04-09 2021-07-13 中国大恒(集团)有限公司北京图像视觉技术分公司 一种并联机器人快速分拣瑕疵工件的方法
CN113569714A (zh) * 2021-07-24 2021-10-29 国网河南省电力公司检修公司 基于无人机巡检的变电站智能图像识别系统
CN113688828A (zh) * 2021-07-23 2021-11-23 山东云海国创云计算装备产业创新中心有限公司 一种坏元识别方法及相关装置
CN116342912A (zh) * 2023-05-30 2023-06-27 中国铁路设计集团有限公司 基于相关峰分析的异源遥感图像匹配方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010140577A1 (ja) * 2009-06-02 2010-12-09 株式会社日立ハイテクノロジーズ 欠陥画像処理装置、欠陥画像処理方法、半導体欠陥分類装置および半導体欠陥分類方法
CN102253055A (zh) * 2011-04-27 2011-11-23 中国计量学院 具有周期性花纹图案的表面缺陷检测装置与方法
US20120082385A1 (en) * 2010-09-30 2012-04-05 Sharp Laboratories Of America, Inc. Edge based template matching
CN103076338A (zh) * 2012-05-31 2013-05-01 西南交通大学 高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010140577A1 (ja) * 2009-06-02 2010-12-09 株式会社日立ハイテクノロジーズ 欠陥画像処理装置、欠陥画像処理方法、半導体欠陥分類装置および半導体欠陥分類方法
JP2010283004A (ja) * 2009-06-02 2010-12-16 Hitachi High-Technologies Corp 欠陥画像処理装置、欠陥画像処理方法、半導体欠陥分類装置および半導体欠陥分類方法
US20120082385A1 (en) * 2010-09-30 2012-04-05 Sharp Laboratories Of America, Inc. Edge based template matching
CN102253055A (zh) * 2011-04-27 2011-11-23 中国计量学院 具有周期性花纹图案的表面缺陷检测装置与方法
CN103076338A (zh) * 2012-05-31 2013-05-01 西南交通大学 高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴鹏 等: "结合小波金字塔的快速NCC图像匹配算法" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113102297A (zh) * 2021-04-09 2021-07-13 中国大恒(集团)有限公司北京图像视觉技术分公司 一种并联机器人快速分拣瑕疵工件的方法
CN113102297B (zh) * 2021-04-09 2022-03-08 中国大恒(集团)有限公司北京图像视觉技术分公司 一种并联机器人快速分拣瑕疵工件的方法
CN113688828A (zh) * 2021-07-23 2021-11-23 山东云海国创云计算装备产业创新中心有限公司 一种坏元识别方法及相关装置
CN113688828B (zh) * 2021-07-23 2023-09-29 山东云海国创云计算装备产业创新中心有限公司 一种坏元识别方法及相关装置
CN113569714A (zh) * 2021-07-24 2021-10-29 国网河南省电力公司检修公司 基于无人机巡检的变电站智能图像识别系统
CN116342912A (zh) * 2023-05-30 2023-06-27 中国铁路设计集团有限公司 基于相关峰分析的异源遥感图像匹配方法及系统
CN116342912B (zh) * 2023-05-30 2023-08-11 中国铁路设计集团有限公司 基于相关峰分析的异源遥感图像匹配方法及系统

Similar Documents

Publication Publication Date Title
CN111126431A (zh) 一种基于模板匹配的海量电力缺陷照片快速筛选方法
CN112308832B (zh) 一种基于机器视觉的轴承质量检测方法
CN111080620B (zh) 一种基于深度学习的道路病害检测方法
CN106023185B (zh) 一种输电设备故障诊断方法
CN109685728B (zh) 基于局部时频域变换的数字图像处理方法
CN105069807B (zh) 一种基于图像处理的冲压工件缺陷检测方法
CN105740945B (zh) 一种基于视频分析的人群计数方法
CN111784633A (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN105976383A (zh) 一种基于极限学习机图像识别的输电设备故障诊断方法
CN104048969A (zh) 一种隧道病害的识别方法
CN109509163B (zh) 一种基于fgf的多聚焦图像融合方法及系统
CN103217438A (zh) 一种基于图像特征的电路板元件精确定位与检测的方法
CN111523540A (zh) 基于深度学习的金属表面缺陷检测方法
CN101329402A (zh) 基于改进Wedgelet的多尺度SAR图像边缘检测方法
CN112669265A (zh) 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
CN108242060A (zh) 一种基于Sobel算子的图像边缘检测方法
CN111027441B (zh) 一种基于机载高光谱遥感影像的道路提取方法
CN116862973A (zh) 一种基于声学的水下坝面缺陷量测方法
Wu et al. Research on crack detection algorithm of asphalt pavement
CN109064444B (zh) 基于显著性分析的轨道板病害检测方法
CN114742968A (zh) 一种基于建筑物立面点云的立面图生成方法
CN115170520A (zh) 一种基于结构对比信息叠层的金属网栅缺陷检测方法
CN107977968A (zh) 基于建筑物阴影信息挖掘的建筑物分层检测方法
CN112927169A (zh) 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200508