基于红外与可见光图像的电力设备识别的研究

摘要

红外与可见光传感器被广泛应用在变电站中，它们的成像原理不同，反应了物体不同层次的信息，可见光图像具有丰富的细节但对光线的强度有一定要求，红外图像可以不受光线强度的限制，但它的边缘信息模糊细节信息较少，将红外图像和可见光图像融合可以综合两种图像的优点，来提高对电气设备识别的性能。本文主要的工作内容如下。
　　首先，介绍了图像配准和图像分类识别技术的国内外研究现状，然后重点阐述了BoW(Bag of Words)模型和视觉注意模型的基本原理，为将视觉注意模型引入到BoW模型中提供了理论依据。
　　然后，针对红外和可见光配准过程中出现的问题提出M-SIFT算法，该算法主要对SIFT(Scale Invariant Feature Transform)算法做了两点改进。一是：针对红外与可见光同名点的梯度方向可能相反的情况，本文采用梯度镜像的方法将梯度方向在三、四象限中的方向转化为一、二象限中的反方向，SIFT描述子从原来的128维变为64维，虽然损失了一些信息，降低了描述子的独特性，但它使得描述子对图像对比度反转保持了不变性；二是：由于红外图像与可见光图像相关性比较弱，从它们当中获得的特征向量不再是线性相关的，针对此问题本文引入了约束特征向量幅值的方法减小特征向量幅值在特征向量配准中的影响进而突显出特征向量的方向在配准中的作用。改进后的SIFT算法配准准确率和效率都有所提升。
　　最后，为了区分图像中的目标信息和背景信息本文将视觉注意模型引入到BoW模型中；将融合后的红外与可见光图像作为训练集和待识别图像，增加了识别的准确性。

目录

声明

第1章 绪论

1.1 课题背景及意义

1.2 国内外研究现状及发展动态分析

1.3 课题的研究内容及论文的组织结构

第2章 相关研究理论知识

2.1 图像配准基础知识

2.2 BoW模型基础知识

2.3 视觉注意模型

2.4 本章小结

第3章 基于SIFT的红外与可见光图像配准

3.1 SIFT特征提取算法

3.2 改进SIFT算法

3.3 特征匹配及变换模型估计

3.4 实验结果及分析

3.5 本章小结

第4章 红外与可见光融合的电力设备分类识别

4.1 红外图像与可见光融合

4.2 基于BoW的图像分类识别算法

4.3 实验结果与分析

4.4 本章小结

第5章 总结与展望

5.1 本文总结

5.2 未来的工作

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢