一种结合边缘特征和纹理特征的图像混合分割方法及设备技术

本发明专利技术涉及一种结合边缘特征和纹理特征的图像混合分割方法及设备，包括以下步骤：获取待分割的高分辨率图像，对该高分辨率图像进行K‑L变换获取对应的主成分图像；采用多尺度多方向形态学梯度算子提取所述主成分图像的边缘特征，生成第一梯度图像；提取所述主成分图像中图像对象内部的局部方差纹理特征，获得图像对象标记；将所述图像对象标记作为第一梯度图像的局部极小值，形成第二梯度图像，对该第二梯度图像进行分水岭变换获得图像分割结果。与现有技术相比，本发明专利技术具有分割精度高等优点。

【技术实现步骤摘要】
一种结合边缘特征和纹理特征的图像混合分割方法及设备
本专利技术涉及电力设备图像处理
，尤其是涉及一种结合边缘特征和纹理特征的图像混合分割方法及设备。
技术介绍
据统计，电力系统中的70％故障是由电气设备故障引起的，而超过半数以上的电气设备故障都与因泄露电流、漏磁、连接松动、接触不良等造成的发热有关。红外检测技术利用红外检测设备获得电力设备的温度值和温度空间分布特征，分析处理设备中潜伏的故障和隐患，可以防患于未然。在进行电气设备缺陷识别时，由于电力设备种类繁多，不同设备的故障特征也有很大差别。通常设备缺陷区域、正常区域与背景环境相互交错，因此对电气设备热像图进行精准分割能够为电力设备缺陷识别提供有效的依据。而目前，针对电气设备热像图精准分割的研究还比较欠缺，无法保证电气设备监测准确度。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种分割精度高的结合边缘特征和纹理特征的图像混合分割方法及设备。本专利技术的目的可以通过以下技术方案来实现：一种结合边缘特征和纹理特征的图像混合分割方法，包括以下步骤：获取待分割的高分辨率图像，对该高分辨率图像进行K-L变换获取对应的主成分图像；采用多尺度多方向形态学梯度算子提取所述主成分图像的边缘特征，生成第一梯度图像；提取所述主成分图像中图像对象内部的局部方差纹理特征，获得图像对象标记；将所述图像对象标记作为第一梯度图像的局部极小值，形成第二梯度图像，对该第二梯度图像进行分水岭变换获得图像分割结果。进一步地，所述第一梯度图像的生成过程具体为：将多尺度形态学梯度算子的提取结果和多方向形态学梯度算子的提取结果的加权和作为所述第一梯度图像。进一步地，所述多尺度形态学梯度算子或多方向形态学梯度算子表示如下：式中，符号⊕和Θ分别表示膨胀与腐蚀运算，A为待处理图像，Bi表示一组结构元素，0≤i≤n，n表示尺度数或方向数。进一步地，所述图像对象标记的获取过程包括：通过数学形态学滤波，估计图像对象间的差异，获取对象间差异图像；从所述对象间差异图像提取局部方差纹理特征，基于设定阈值，获得图像对象标记。进一步地，所述数学形态学滤波采用的滤波器为具有不同形状、尺寸、方向的结构元素的滤波器。进一步地，所述对象间差异图像表示为：C＝(A∨φ1γ1φ2γ2(A))∧γ1φ1γ2φ2(A)式中，∨和∧分别表示逐像元地取最大值和取最小值操作，φ1、γ1、φ2、γ2表示四种滤波器，A为待处理图像，C为对象间差异图像。进一步地，基于所述局部方差纹理特征，将变异小于设定阈值th的相邻像素集合确定为图像对象标记。进一步地，所述设定阈值th的取值范围为2～3。进一步地，基于数学形态学强制最小过程将所述图像对象标记强制作为第一梯度图像的局部极小值。本专利技术还提供一种电子设备，包括：一个或多个处理器；存储器；和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述结合边缘特征和纹理特征的图像混合分割方法的指令。与现有技术相比，本专利技术具有以下有益效果：1、本专利技术采用K-L变换有效地降低电气设备热像图数据的维数，达到去相关、归并与分离信息的目的，进而提高分割精度。2、本专利技术采用基于数学形态学的边缘特征提取方法，对噪声不敏感，能够提取圆滑的边缘，提高分割精度。3、本专利技术对主成分图像进行分割，用比原图像少的信息就能获得满意的分割效果，运算效率也得到明显提高，具有良好的图像分割效果和广阔的应用范围。4、本专利技术采用图像对象标记与梯度信息相结合的方式进行图像分割，有效避免了过分割问题。5、本专利技术同时考虑图像边缘特征与区域特征，保证不丢失地物边缘信息的同时，又能获得完整的区域分割结果。6、本专利技术采用标记控制的分水岭分割方法，不仅能较好地控制过分割与欠分割，而且还能获得连续的单像素宽度的边缘。7、本专利技术在图像对象标记时对设定阈值取值范围进行控制，分割出的区域与图像对象的边界具有良好的对应关系，电气设备的边界比较完整，分割效果较好。附图说明图1为本专利技术的流程示意图；图2为阈值th对分割效果的影响示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。本专利技术提供一种结合边缘特征和纹理特征的图像混合分割方法，对电气设备热像图进行分割，该方法在K-L变换的基础上，从主成分图像中分别提取边缘梯度特征以及图像对象内部的局部方差纹理特征，通过形态学强制最小技术，利用图像对象标记修改边缘梯度图像，完成标记控制的分水岭分割。该方法能够保证图像分割过程中不丢失地物边缘信息，又能获得完整的区域分割结果。如图1所示，该方法包括如下具体步骤：步骤S1：K-L变换。获取待分割的高分辨率图像，对该高分辨率图像进行K-L变换获取对应的主成分图像。步骤S2：梯度信息的提取。基于数学形态学梯度算子进行边缘特征提取，数学形态学梯度算子表示如下：式中，符号和Θ分别表示膨胀与腐蚀运算，A为待处理图像，B为结构元素SE。式(1)是单一尺度的形态学梯度算子。由于SE是数学形态学运算的核心，其形状和大小直接影响形态学运算的输出结果。采用小的SE，能检测到比较精细的边缘，但对噪声比较敏感；采用大的SE，能消除图像中的噪声，但最终生成的边缘比较粗。在图像边缘检测过程中，采用不同尺寸SE可以充分考虑图像对象的多尺度特性；采用不同方向SE，便于保留图像对象边缘的方向性信息。梯度信息的提取过程如下：首先，利用平坦的不同尺寸的SE提取图像的多尺度梯度，多尺度形态学梯度算子表示如下：式中，Bi(0≤i≤n)表示大小为(2i+1)×(2i+1)的一组结构元素，n是尺度。然后，利用不同方向的SE提取图像的多方向梯度。考虑到多光谱图像对象边缘在不同方向上的异质性，本实施例采用一组由5×5像素构成的8个方向的平坦结构元素进行多方向边缘检测，多方向形态学梯度算子的形式如下：最后，将多尺度梯度和多方向梯度的加权和作为结果梯度图像(第一梯度图像)FinalGrad。但是，在提取结果梯度图像的过程中，不论是对多尺度梯度和多方向梯度取极大值，还是在多方向梯度计算中取极大值，图像分割的结果会出现比较严重的过分割现象，主要原因在于取极大值会使结果梯度图像中产生更多的局部伪极小值，从而导致严重的过分割问题。步骤S3：图像对象的标记。本专利技术方法采用对图像对象的标记进行有效的过分割控制，通过数学形态学图像简化方法获取图像中对应每个对象(objects)的内部同质区域。图像对象内部标记定义为：(1)被更高“海拔”点包本文档来自技高网...

【技术保护点】
1.一种结合边缘特征和纹理特征的图像混合分割方法，其特征在于，包括以下步骤：/n获取待分割的高分辨率图像，对该高分辨率图像进行K-L变换获取对应的主成分图像；/n采用多尺度多方向形态学梯度算子提取所述主成分图像的边缘特征，生成第一梯度图像；/n提取所述主成分图像中图像对象内部的局部方差纹理特征，获得图像对象标记；/n将所述图像对象标记作为第一梯度图像的局部极小值，形成第二梯度图像，对该第二梯度图像进行分水岭变换获得图像分割结果。/n

【技术特征摘要】
1.一种结合边缘特征和纹理特征的图像混合分割方法，其特征在于，包括以下步骤：
获取待分割的高分辨率图像，对该高分辨率图像进行K-L变换获取对应的主成分图像；
采用多尺度多方向形态学梯度算子提取所述主成分图像的边缘特征，生成第一梯度图像；
提取所述主成分图像中图像对象内部的局部方差纹理特征，获得图像对象标记；
将所述图像对象标记作为第一梯度图像的局部极小值，形成第二梯度图像，对该第二梯度图像进行分水岭变换获得图像分割结果。


2.根据权利要求1所述的结合边缘特征和纹理特征的图像混合分割方法，其特征在于，所述第一梯度图像的生成过程具体为：
将多尺度形态学梯度算子的提取结果和多方向形态学梯度算子的提取结果的加权和作为所述第一梯度图像。


3.根据权利要求2所述的结合边缘特征和纹理特征的图像混合分割方法，其特征在于，所述多尺度形态学梯度算子或多方向形态学梯度算子表示如下：



式中，符号⊕和Θ分别表示膨胀与腐蚀运算，A为待处理图像，Bi表示一组结构元素，0≤i≤n，n表示尺度数或方向数。


4.根据权利要求1所述的结合边缘特征和纹理特征的图像混合分割方法，其特征在于，所述图像对象标记的获取过程包括：
通过数学形态学滤波，估计图像对象间的差异，获取对象间差异图像；
从所述对象间差异图像提取局部方差纹理特征，基于设定阈值，获得图像对...

【专利技术属性】
技术研发人员：曹博源，苏磊，杨心刚，孙沛，
申请(专利权)人：国网上海市电力公司，华东电力试验研究院有限公司，
类型：发明
国别省市：上海;31