一種顏色不均勻情況下太陽(yáng)能板紅外圖像的有效分割方法技術(shù)

本發(fā)明專(zhuān)利技術(shù)提供一種顏色不均勻太陽(yáng)能板圖像的分割方法，主要包括以下部分：對(duì)輸入的顏色不均勻并且邊界模糊的太陽(yáng)能板圖像進(jìn)行導(dǎo)向?yàn)V波處理，得到增強(qiáng)圖像；然后采用canny算子邊緣檢測(cè)和直線(xiàn)檢測(cè)算法處理，找到圖中所有的直線(xiàn)；通過(guò)K?means聚類(lèi)，最少的一類(lèi)直線(xiàn)判斷為噪聲或者背景干擾區(qū)域，該類(lèi)直線(xiàn)舍棄；根據(jù)太陽(yáng)能板的特點(diǎn)，以包含的內(nèi)嵌輪廓個(gè)數(shù)和面積為條件，對(duì)所有的閉合輪廓進(jìn)行判別是否屬于太陽(yáng)板區(qū)域；尋找滿(mǎn)足條件輪廓的最小外接矩形，進(jìn)行旋轉(zhuǎn)及邊界線(xiàn)的重新更正，得到完整的太陽(yáng)能板圖像。本發(fā)明專(zhuān)利技術(shù)的優(yōu)點(diǎn)在于，針對(duì)顏色不均勻的太陽(yáng)能板圖像，提出了一種對(duì)直線(xiàn)進(jìn)行增強(qiáng)和聚類(lèi)的策略，有效提高了圖像分割的魯棒性和準(zhǔn)確率。

An Effective Segmentation Method for Infrared Image of Solar Panel under Non-uniform Colors

The present invention provides a method for segmentation of solar panel images with non-uniform colors, which mainly includes the following parts: directional filtering of the incoming solar panel images with non-uniform colors and blurred boundaries to obtain enhanced images; then using Canny operator edge detection and line detection algorithm to process to find all lines in the image; clustering by K_means, the least category. According to the characteristics of solar panels, all closed contours are judged whether they belong to the solar panels area or not, and the smallest outer rectangle satisfying the condition contour is found, and the complete solar panels image is obtained by rotating and correcting the boundary line. The advantages of the present invention are that a strategy of line enhancement and clustering is proposed for solar panel images with uneven color, which effectively improves the robustness and accuracy of image segmentation.

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種顏色不均勻情況下太陽(yáng)能板紅外圖像的有效分割方法
本專(zhuān)利技術(shù)涉及模式識(shí)別、圖像處理領(lǐng)域，尤其涉及一種顏色不均勻太陽(yáng)能板圖像的分割方法。技術(shù)背景在當(dāng)今社會(huì)，由于傳統(tǒng)能源主要以不可再生能源為主，這些能源越用越少，將來(lái)必然有枯竭的時(shí)候，因此新能源的研究逐漸被提上日程。太陽(yáng)能是一種綠色可再生能源，是清潔能源之一。太陽(yáng)能具有不會(huì)造成環(huán)境污染，可以無(wú)限使用，并且不存在能量運(yùn)輸問(wèn)題，不受到地域限制等優(yōu)點(diǎn)，所以關(guān)于太陽(yáng)能的研究也越來(lái)越多。太陽(yáng)能不能直接的被人類(lèi)使用，需要通過(guò)太陽(yáng)能板將太陽(yáng)能轉(zhuǎn)化為人類(lèi)可以使用的能量，比如電能等。因此太陽(yáng)能板作為一種重要的能量轉(zhuǎn)換介質(zhì)被各個(gè)領(lǐng)域所研究。當(dāng)太陽(yáng)能板出現(xiàn)缺陷點(diǎn)或者裂痕時(shí)，這個(gè)區(qū)域光照產(chǎn)生的能量轉(zhuǎn)化效率將會(huì)大幅度的減少。當(dāng)太陽(yáng)能作為用戶(hù)太陽(yáng)能電源使用時(shí)，太陽(yáng)能板一般裝在高原、海島等區(qū)域，人工尋找太陽(yáng)能板的損壞區(qū)域，將會(huì)浪費(fèi)大量的人力物力。本專(zhuān)利技術(shù)研究的圖像就是用無(wú)人機(jī)航拍所拍攝到的太陽(yáng)能板紅外圖像。對(duì)于獲取的紅外圖像，利用圖像處理技術(shù)，將光伏板和背景分割，以檢測(cè)和定位缺陷版，從而大量的節(jié)省了人力物力。太陽(yáng)板損壞區(qū)域(一般為缺陷點(diǎn)或者裂痕)在熱圖像中會(huì)很明顯的表現(xiàn)出來(lái)，主要是因?yàn)閾p壞區(qū)域的熱量不能夠有效的轉(zhuǎn)化，因此在熱圖像中缺陷點(diǎn)的亮度會(huì)遠(yuǎn)高于正常的太陽(yáng)能板。為了能夠找到過(guò)熱點(diǎn)區(qū)域，并且不受到背景環(huán)境的干擾，首先需要將完整的太陽(yáng)能板區(qū)域分割出來(lái)，這是光伏板檢測(cè)過(guò)程中的重點(diǎn)和難點(diǎn)。
技術(shù)實(shí)現(xiàn)思路
本專(zhuān)利技術(shù)提供了一種顏色不均勻太陽(yáng)能板圖像的分割方法，采用基于直線(xiàn)檢測(cè)的算法進(jìn)行分割。由于無(wú)人機(jī)拍攝的圖像是熱圖像，根據(jù)溫度呈現(xiàn)出顏色的亮度，圖像整體的顏色分布不均勻。另外，拍攝時(shí)存在相機(jī)抖動(dòng)，太陽(yáng)能板的邊界線(xiàn)出現(xiàn)模糊。由于以上兩個(gè)方面的問(wèn)題，如何準(zhǔn)確有效的分割出光伏板，是一件困難的工作。本專(zhuān)利技術(shù)針對(duì)顏色不均勻太陽(yáng)能板的圖像，首先將圖像進(jìn)行導(dǎo)向?yàn)V波增強(qiáng)和canny邊緣算法處理，找到圖像中的邊緣線(xiàn)，然后結(jié)合直線(xiàn)檢測(cè)和K-means聚類(lèi)算法尋找輪廓。導(dǎo)向?yàn)V波可以將圖片中線(xiàn)條輪廓突出顯示，K-means聚類(lèi)使背景無(wú)關(guān)線(xiàn)條被去除，兩者結(jié)合，大大提升了太陽(yáng)能板的分割準(zhǔn)確率。本專(zhuān)利技術(shù)技術(shù)解決方案如下：一種顏色不均勻太陽(yáng)能板圖像的分割方法，包括以下步驟：步驟1：將采集到的RGB圖像拆分為三個(gè)通道，對(duì)每個(gè)通道通過(guò)方框?yàn)V波找到導(dǎo)向圖，然后進(jìn)行進(jìn)行導(dǎo)向?yàn)V波；步驟2：將導(dǎo)向?yàn)V波的結(jié)果中消除掉的噪聲部分和梯度邊緣進(jìn)行擴(kuò)大，以達(dá)到圖像增強(qiáng)的目的；步驟3：將增強(qiáng)后的圖像進(jìn)行canny算子處理，得到邊緣輪廓檢測(cè)圖像；步驟4：對(duì)邊緣檢測(cè)圖進(jìn)行LineSegmentDetector(LSD)算法處理，找到圖中所有的直線(xiàn)；步驟5：將所有的直線(xiàn)用角度作為分類(lèi)標(biāo)準(zhǔn)進(jìn)行K-means聚類(lèi)，然后找到最少的聚類(lèi)類(lèi)別，將這一類(lèi)別舍棄，即顯示另外兩類(lèi)的所有直線(xiàn)；步驟6：對(duì)直線(xiàn)圖進(jìn)行膨脹操作，尋找閉合輪廓，如果某個(gè)輪廓中大于4個(gè)面積超過(guò)1000的子輪廓，則判定為太陽(yáng)能板區(qū)域；步驟7：將太陽(yáng)板區(qū)域提取出來(lái)，將其旋轉(zhuǎn)扶正，然后計(jì)算直線(xiàn)檢測(cè)圖中每一列的均值和圖片整體均值進(jìn)行比較，對(duì)邊界線(xiàn)進(jìn)行修正，得到完整的太陽(yáng)板區(qū)域圖片。在一些實(shí)施方案中，其中步驟1計(jì)算導(dǎo)向?yàn)V波時(shí)依賴(lài)一個(gè)重要的假設(shè)：導(dǎo)向?yàn)V波器在導(dǎo)向圖像I和濾波輸出q之間在一個(gè)二維窗口ωk內(nèi)是一個(gè)局部線(xiàn)性模型，即：qi＝akIi+bk,其中I為導(dǎo)向圖像，原圖像經(jīng)過(guò)方框?yàn)V波可以直接得到，{ak,bk}為窗口ωk中的線(xiàn)性系數(shù)。為了求解線(xiàn)性系數(shù){ak,bk}，引入噪聲n，并且ni＝pi-qi，根據(jù)無(wú)約束圖像復(fù)原方法，設(shè)定最優(yōu)化目標(biāo)為min||n||，等價(jià)地有minn2。為了解決最小二乘問(wèn)題，引入約束項(xiàng)因此目標(biāo)函數(shù)轉(zhuǎn)化為：求解上述最優(yōu)化問(wèn)題，便可得到：將線(xiàn)性系數(shù){ak,bk}帶入導(dǎo)向?yàn)V波器：可以得到通過(guò)導(dǎo)向?yàn)V波進(jìn)行去噪的結(jié)果。其有益效果是：通過(guò)導(dǎo)向?yàn)V波，可以得到去噪后的圖像q和包含噪聲和邊界梯度信息的噪聲n。在一些實(shí)施方案中，其步驟2中，噪聲部分和梯度邊緣進(jìn)行擴(kuò)大，可以得到增強(qiáng)圖像A：A＝(pi-qi)*4+qi其中pi為原圖像，qi為導(dǎo)向?yàn)V波后的圖像，pi-qi為噪聲和邊界梯度的和。其得益效果是：本專(zhuān)利技術(shù)解決的圖像是航拍的邊界處模糊圖像，將邊界信息增大，有助于后面尋找邊界進(jìn)行直線(xiàn)檢測(cè)。在一些實(shí)施方案中，其步驟3中使用canny算子進(jìn)行邊緣檢測(cè)首先需要經(jīng)過(guò)高斯濾波進(jìn)行噪聲去除，高斯濾波器的分布與高斯分布有著一定的關(guān)系。一個(gè)二維的高斯函數(shù)如下：將每個(gè)點(diǎn)與高斯內(nèi)核進(jìn)行卷積計(jì)算，并且將計(jì)算結(jié)果相加，輸出到目標(biāo)圖像中。高斯函數(shù)是一個(gè)在頻域上具有平滑性能的低通濾波器，可以很好的保留低頻信息，去除噪聲區(qū)域。然后對(duì)濾波后的圖像進(jìn)行尋找邊緣，采用sobel濾波器，對(duì)圖像X和Y方向分別進(jìn)行卷積操作：然后計(jì)算梯度幅值和方向：對(duì)所有的像素點(diǎn)的梯度進(jìn)行非極大值抑制和滯后閾值的判定保留邊緣直線(xiàn)。其有益效果是：通過(guò)canny算子，得到圖像中所有物體的輪廓邊緣。在一些實(shí)施方案中，其步驟4中首先以s＝0.8的尺度對(duì)圖像進(jìn)行向下高斯采樣，這樣可以消除鋸齒效應(yīng)。計(jì)算每個(gè)像素點(diǎn)的梯度，梯度值越大，越可能是邊緣點(diǎn)，對(duì)梯度值劃分為1024個(gè)等級(jí)，每個(gè)等級(jí)選取一個(gè)值作為種子點(diǎn)。對(duì)每個(gè)種子點(diǎn)向周?chē)鷧^(qū)域搜索，計(jì)算該點(diǎn)的角度值，和它們形成的區(qū)域角度：如果鄰域外的像素角度與區(qū)域角度之間的誤差小于τ(一般取π/8弧度)，則加入?yún)^(qū)域內(nèi)。然后計(jì)算NFA(thenumberoffalsealarms)：其中γ＝11，N和M分別是圖像的長(zhǎng)和寬，n為矩形框中的像素總數(shù)，k為矩形框中類(lèi)內(nèi)點(diǎn)的個(gè)數(shù)。當(dāng)NFA＜ε時(shí)，確定矩形區(qū)域，如果不能滿(mǎn)足條件，則調(diào)整矩形直到找到符合條件的矩形框?yàn)橹埂Ｕ业骄匦蔚闹行暮椭鞣较虼_定為所求直線(xiàn)。其有益效果是：找到圖片中所有的直線(xiàn)。由于太陽(yáng)能板的邊界都是直線(xiàn)，這樣可以舍棄一些背景干擾區(qū)域。在一些實(shí)施方案中，其步驟5中計(jì)算所有的直線(xiàn)角度，通過(guò)K-means算法對(duì)所有的直線(xiàn)角度進(jìn)行聚類(lèi)，聚類(lèi)為3類(lèi)。由于太陽(yáng)能板圖像為標(biāo)準(zhǔn)矩形，因此較多的兩類(lèi)直線(xiàn)角度為太陽(yáng)能板矩形的長(zhǎng)邊與寬邊，聚類(lèi)中最少的一類(lèi)直線(xiàn)為噪聲或者背景中的無(wú)關(guān)直線(xiàn)。將聚類(lèi)中最少類(lèi)別的那一組直線(xiàn)舍棄。其有益效果是：通過(guò)K-means算法，舍棄部分無(wú)關(guān)直線(xiàn)，以保證后續(xù)太陽(yáng)能板區(qū)域的分割過(guò)程中盡可以不包括背景區(qū)域，提高分割的準(zhǔn)確率。在一些實(shí)施方案中，其步驟6和步驟7中，由于LSD直線(xiàn)檢測(cè)算法可能出現(xiàn)斷點(diǎn)等情況，為了找到閉合輪廓區(qū)域，首先需要對(duì)直線(xiàn)檢測(cè)圖進(jìn)行膨脹，將其矩形區(qū)域連通。眾所周知，太陽(yáng)能板不是一塊單純的矩形區(qū)域，而是由很多小的矩形狀的板拼接組成。由這個(gè)特征，算法中對(duì)所有的輪廓進(jìn)行判斷，如果某個(gè)輪廓區(qū)域中含有至少4個(gè)面積大于1000的子輪廓，則判定這個(gè)區(qū)域?yàn)樘?yáng)能板區(qū)域。找到該輪廓的最小外接矩形，截取出來(lái)。由于噪聲的存在，在直線(xiàn)膨脹處理時(shí)，可能會(huì)將部分噪聲包含進(jìn)去，這樣截取的太陽(yáng)板區(qū)域會(huì)包含背景區(qū)域。為了消除這部分的背景區(qū)域，采取的方法是，將太陽(yáng)板扶正，然后從外向內(nèi)尋找邊界。為了將太陽(yáng)板扶正，首先找到太陽(yáng)板長(zhǎng)邊的直線(xiàn)角度θ，角度范圍為(-90°,90°],旋轉(zhuǎn)角度為：其中當(dāng)α為正時(shí)，為順時(shí)針。將截取后的太陽(yáng)板扶正之后，計(jì)算直線(xiàn)檢測(cè)輪廓圖的平均值，然后分別從圖像的最左邊和最右邊計(jì)算列像素均值，如本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
1.一種顏色不均勻情況下太陽(yáng)能板紅外圖像的有效分割方法，其特征在于包括以下步驟：步驟1：將太陽(yáng)能板紅外彩色圖像拆分為RGB三個(gè)通道，對(duì)每個(gè)通道通過(guò)方框?yàn)V波找到導(dǎo)向圖，然后進(jìn)行進(jìn)行導(dǎo)向?yàn)V波；步驟2：將導(dǎo)向?yàn)V波的結(jié)果中消除掉的噪聲部分和梯度邊緣進(jìn)行擴(kuò)大，以達(dá)到圖像增強(qiáng)的目的；步驟3：將增強(qiáng)后的圖像進(jìn)行canny算子處理，得到邊緣輪廓檢測(cè)圖像；步驟4：對(duì)邊緣檢測(cè)圖進(jìn)行LSD算法處理，找到圖中所有的直線(xiàn)；步驟5：將所有的直線(xiàn)用角度作為標(biāo)準(zhǔn)進(jìn)行K?means聚類(lèi)，然后找到最少的聚類(lèi)類(lèi)別，將這一類(lèi)別舍棄，即顯示另外兩類(lèi)的所有直線(xiàn)；步驟6：對(duì)直線(xiàn)圖進(jìn)行膨脹操作，尋找閉合輪廓，如果某個(gè)輪廓中大于4個(gè)面積超過(guò)1000的子輪廓，則判定為太陽(yáng)能板區(qū)域；步驟7：將太陽(yáng)板區(qū)域提取出來(lái)，將其旋轉(zhuǎn)扶正，然后計(jì)算直線(xiàn)檢測(cè)圖中每一列的均值和圖片整體均值進(jìn)行比較，對(duì)邊界線(xiàn)進(jìn)行修正，得到完整的太陽(yáng)板區(qū)域圖片。

【技術(shù)特征摘要】
1.一種顏色不均勻情況下太陽(yáng)能板紅外圖像的有效分割方法，其特征在于包括以下步驟：步驟1：將太陽(yáng)能板紅外彩色圖像拆分為RGB三個(gè)通道，對(duì)每個(gè)通道通過(guò)方框?yàn)V波找到導(dǎo)向圖，然后進(jìn)行進(jìn)行導(dǎo)向?yàn)V波；步驟2：將導(dǎo)向?yàn)V波的結(jié)果中消除掉的噪聲部分和梯度邊緣進(jìn)行擴(kuò)大，以達(dá)到圖像增強(qiáng)的目的；步驟3：將增強(qiáng)后的圖像進(jìn)行canny算子處理，得到邊緣輪廓檢測(cè)圖像；步驟4：對(duì)邊緣檢測(cè)圖進(jìn)行LSD算法處理，找到圖中所有的直線(xiàn)；步驟5：將所有的直線(xiàn)用角度作為標(biāo)準(zhǔn)進(jìn)行K-means聚類(lèi)，然后找到最少的聚類(lèi)類(lèi)別，將這一類(lèi)別舍棄，即顯示另外兩類(lèi)的所有直線(xiàn)；步驟6：對(duì)直線(xiàn)圖進(jìn)行膨脹操作，尋找閉合輪廓，如果某個(gè)輪廓中大于4個(gè)面積超過(guò)1000的子輪廓，則判定為太陽(yáng)能板區(qū)域；步驟7：將太陽(yáng)板區(qū)域提取出來(lái)，將其旋轉(zhuǎn)扶正，然后計(jì)算直線(xiàn)檢測(cè)圖中每一列的均值和圖片整體均值進(jìn)行比較，對(duì)邊界線(xiàn)進(jìn)行修正，得到完整的太陽(yáng)板區(qū)域圖片。2.根據(jù)權(quán)利要求1所述的一種顏色不均勻太陽(yáng)能板圖像的分割方法，其特征在于，所述步驟1中，計(jì)算導(dǎo)向?yàn)V波時(shí)依賴(lài)一個(gè)重要的假設(shè)：導(dǎo)向?yàn)V波器在導(dǎo)向圖像I和濾波輸出q之間在一個(gè)二維窗口ωk內(nèi)是一個(gè)局部線(xiàn)性模型，即：其中I為導(dǎo)向圖像，原圖像經(jīng)過(guò)方框?yàn)V波可以直接得到，{ak,bk}為窗口ωk中的線(xiàn)性系數(shù)。為了求解線(xiàn)性系數(shù){ak,bk}，引入噪聲n，并且ni＝pi-qi，根據(jù)無(wú)約束圖像復(fù)原方法，設(shè)定最優(yōu)化目標(biāo)為min||n||，等價(jià)地有minn2。為了解決最小二乘問(wèn)題，引入約束項(xiàng)因此目標(biāo)函數(shù)轉(zhuǎn)化為：求解上述最優(yōu)化問(wèn)題，便可得到：將線(xiàn)性系數(shù){ak,bk}帶入導(dǎo)向?yàn)V波器：可以得到通過(guò)導(dǎo)向?yàn)V波進(jìn)行去噪的結(jié)果。3.根據(jù)權(quán)利要求1所述的一種顏色不均勻太陽(yáng)能板圖像的分割方法，其特征在于，所述步驟2中噪聲部分和梯度邊緣進(jìn)行擴(kuò)大，可以得到增強(qiáng)圖像A：A＝(pi-qi)*4+qi其中pi為原圖像，qi為導(dǎo)向?yàn)V波后的圖像，pi-qi為噪聲和邊界梯度的和。4.根據(jù)權(quán)利要求1所述的一種顏色不均勻太陽(yáng)能板圖像的分割方法，其特征在于，所述步驟3中使用canny算子進(jìn)行邊緣檢測(cè)首先需要經(jīng)過(guò)高斯濾波進(jìn)行噪聲去除，高斯濾波器的分布與高斯分布有著一定的關(guān)系。一個(gè)二維的高斯函數(shù)如下：將每個(gè)點(diǎn)與高斯內(nèi)核進(jìn)行卷積計(jì)算，并且將計(jì)算結(jié)果相加，輸出到目標(biāo)圖像中。高斯函數(shù)是一個(gè)在頻域上具有平滑性能的低通濾波器，可以很好的保留低頻信息，去除噪聲區(qū)域。然后對(duì)濾波后的圖像進(jìn)行尋找邊緣，采用sobel濾波器，對(duì)圖像X和Y方向分別進(jìn)行卷積操作：然后計(jì)算梯度幅值和方向：...

【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：孫戰(zhàn)里，王楠，
申請(qǐng)(專(zhuān)利權(quán))人：安徽大學(xué)，
類(lèi)型：發(fā)明
國(guó)別省市：安徽,34