公开/公告号CN106683040A
专利类型发明专利
公开/公告日2017-05-17
原文格式PDF
申请/专利权人 云南电网有限责任公司电力科学研究院;哈尔滨工程大学;
申请/专利号CN201611052420.X
申请日2016-11-21
分类号G06T3/00;G06K9/62;
代理机构北京弘权知识产权代理事务所(普通合伙);
代理人逯长明
地址 650217 云南省昆明市经济技术开发区云大西路105号
入库时间 2023-06-19 02:13:35
法律状态公告日
法律状态信息
法律状态
2020-02-14
授权
授权
2019-11-22
专利申请权的转移 IPC(主分类):G06T3/00 登记生效日:20191105 变更前: 变更后: 申请日:20161121
专利申请权、专利权的转移
2017-06-09
实质审查的生效 IPC(主分类):G06T3/00 申请日:20161121
实质审查的生效
2017-05-17
公开
公开
技术领域
本发明涉及图像拼接技术领域,尤其涉及一种基于NCC算法的红外全景图像拼接方法。
背景技术
在生活中时常发生停电事故,而在众多的停电事故中,电力设备局部过热引起的故障时有发生,为防止故障时常发生,需要对电力设备温度进行监测管理。近年来,随着大面阵红外焦平面技术的发展,国内外很多电力系统均配备了红外热像仪,通过对红外热像仪的检测能够测量电力设备的温度。由于红外热像仪只能通过人工方式对电力设备进行逐点温度测量,操作冗长,且测量数据存储在测温仪的存储卡里,对设备的工作状况依靠人为判断,甚至两次巡检之间的时间段则是完全的监测真空,因而采用红外热像仪进行温度检测具有很大局限性。
红外全景式成像是指采用特殊的成像装置获得周围360度全景视场,是建立在立体的多角度、全方位场景中的成像信息组织模式。红外全景式成像能够应用于红外探测器件和图像处理技术,进而能够应用于电力设备的测温。在使用红外全景式成像测量电力设备温度时,采用旋转拼接优化设计红外全景成像系统,进而提高红外全景监测的范围及温度测量精度,实现对电网设备的实时、在线监测及故障预警,保证电力设备的安全运行,减少停电检修时间、次数。
红外全景式成像对周围360度全景视场,形成多张红外全景图片。为实现对电力设备周围的全局连续检测,需要对红外全景图片进行拼接。现有的红外全景图片拼接方法通常需要对两幅图片全部像素进行特征提取和匹配,在匹配的过程中通常会产生无法匹配的现象,且拼接时间耗时较长,大大降低检测效率。
发明内容
本发明提供一种基于NCC算法的红外全景图像拼接方法,以解决现有的红外全景图片拼接方法拼接时间耗时较长的问题。
本发明提供一种基于NCC算法的红外全景图像拼接方法,所述方法包括:
设定相似度阈值和模板N×N,检索区域为矩形;
在第一图中以模板坐标建立模板图像,对所述模板图像进行灰度聚类,得到聚类图像;
所述聚类图像在第二图中的所述检索区域内移动,以进行模板匹配;
根据差分求和确定所述多值域模板匹配的最大相似性度量值及相应的所述聚类图像位置;
所述聚类图像以与所述最大相似性度量值相应的所述聚类图像位置为中心在
根据差分求和确定所述聚类图像在横向移动范围内的最大相似性度量值,记录相应的所述聚类图像中心的横坐标;
所述聚类图像以在所述横向移动范围内确定的所述最大相似性度量值相应的所述聚类图像位置为中心在
根据差分求和确定所述聚类图像在纵向移动范围内的最大相似性度量值,记录相应的所述聚类图像中心的纵坐标;
根据所述横坐标、所述纵坐标和所述模板坐标确定图像重叠区域;
将所述图像重叠区域进行拼接。
优选地,在第一图中以模板坐标建立模板图像,对所述模板图像进行灰度聚类得到聚类图像包括:
在第一图中以模板坐标
根据多值域模板匹配算法对所述模板图像进行灰度聚类得到聚类图像。
优选地,所述聚类图像在第二图中的所述检索区域内移动,以进行模板匹配包括:
所述聚类图像在第二图中以
优选地,根据差分求和确定所述多值域模板匹配的最大相似性度量值及相应的所述聚类图像位置包括:
根据差分求和计算所述模板匹配的相似性度量值;
记录所述模板匹配的相似性度量值及相应的所述聚类图像位置;
判断所述相似性度量值是否大于所述相似度阈值;
若所述相似性度量值小于或等于所述相似度阈值,则更改所述聚类图像在第二图中的所述检索区域,直到所述相似性度量值大于所述相似度阈值;
若所述相似性度量值大于所述相似度阈值,则确定最大相似性度量值及其相应的所述聚类图像位置。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明提供一种基于NCC算法的红外全景图像拼接方法,所述方法包括:设定相似度阈值和模板N×N,检索区域为矩形;在第一图中以模板坐标建立模板图像,对所述模板图像进行灰度聚类,得到聚类图像;所述聚类图像在第二图中的所述检索区域内移动,以进行模板匹配;根据差分求和确定所述多值域模板匹配的最大相似性度量值及相应的所述聚类图像位置;所述聚类图像以与所述最大相似性度量值相应的所述聚类图像位置为中心在
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于NCC算法的红外全景图像拼接方法流程示意图;
图2为本发明实施例提供的基于NCC算法的红外全景图像拼接方法中重叠区域示意图;
图3为本发明实施例提供的基于NCC算法的红外全景图像拼接方法中检索区域示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
请参考附图1,附图1示出了本发明实施例提供的基于NCC(Normalized CrossCorrelation method,归一化互相关算法)算法的红外全景图像拼接方法流程示意图,下述具体实施例的描述均以附图1为基础。
本发明实施例提供了一种基于NCC算法的红外全景图像拼接方法,该方法包括:
S01:设定相似度阈值和模板N×N,检索区域为矩形;
S02:在第一图中以模板坐标建立,对所述模板图像进行灰度聚类,得到聚类图像;
S03:所述聚类图像在第二图中的所述检索区域内移动,以进行模板匹配;
S04:根据差分求和确定所述多值域模板匹配的最大相似性度量值及相应的所述聚类图像位置;
S05:所述聚类图像以与所述最大相似性度量值相应的所述聚类图像位置为中心在
S06:根据差分求和确定所述聚类图像在横向移动范围内的最大相似性度量值,记录相应的所述聚类图像中心的横坐标;
S07:所述聚类图像以在所述横向移动范围内确定的所述最大相似性度量值相应的所述聚类图像位置为中心在
S08:根据差分求和确定所述聚类图像在纵向移动范围内的最大相似性度量值,记录相应的所述聚类图像中心的纵坐标;
S09:根据所述横坐标、所述纵坐标和所述模板坐标确定图像重叠区域;
S10:将所述图像重叠区域进行拼接。
具体的:
S01:设定相似度阈值和模板N×N,检索区域为矩形;
请参考附图2,附图2示出了本发明实施例提供的基于NCC算法的红外全景图像拼接方法中重叠区域示意图。在附图2中,左图为第一图,右图为第二图,两图像具有相同的高度及宽度,其中,第一图和第二图中均有灰度的区域为重叠区域。
设定相似度阈值为threshold,定义模板为N×N,检索区域分别为
S02:在第一图中以模板坐标建立模板图像,对所述模板图像进行灰度聚类,得到聚类图像;
在第一图中以模板坐标
其中,RK表示模板图像与K聚类图像之间的相似度,E和EK分别表示模板图像与K聚类图像像素均值,T表示像素均值,
S03:灰度聚类后的所述聚类图像在第二图中的所述检索区域内移动,以进行模板匹配;
请参考附图3,附图3示出了本发明实施例提供的基于NCC算法的红外全景图像拼接方法中检索区域示意图。聚类图像在第二图中以
S04:根据差分求和确定所述多值域模板匹配的最大相似性度量值及相应的所述聚类图像位置;
根据差分求和计算模板匹配的相似性度量值,其中,差分求和的计算公式为:
F1(x)=f1(x)-f1(x+1)
F2(x)=F2(x-1)+f2(x)
F2(0)=0f1(K+1)=0
其中,
记录模板匹配的相似性度量值及相应的聚类图像所处的位置。判断相似性度量值是否大于相似度阈值threshold;若相似性度量值小于或等于相似度阈值threshold,则更改聚类图像在第二图中的检索区域为
S05:所述聚类图像以与所述最大相似性度量值相应的所述聚类图像位置为中心在
聚类图像以与最大相似性度量值相应的聚类图像的位置为中心在
S06:根据差分求和确定所述聚类图像在横向移动范围内的最大相似性度量值,记录相应的所述聚类图像中心的横坐标;
根据差分求和计算聚类图像在横向移动范围内的相似性度量值,并确定相似性度量值中的最大值为最大相似性度量值,记录此时聚类图像中心的横坐标为
S07:所述聚类图像以在所述横向移动范围内确定的所述最大相似性度量值相应的所述聚类图像位置为中心在
聚类图像以横坐标为
S08:根据差分求和确定所述聚类图像在纵向移动范围内的最大相似性度量值,记录相应的所述聚类图像中心的纵坐标;
根据差分求和计算聚类图像在纵向移动范围内的相似性度量值,并确定相似性度量值中的最大值为最大相似性度量值,记录此时聚类图像中心的纵坐标为ybest。
S09:根据所述横坐标、所述纵坐标和所述模板坐标确定图像重叠区域;
根据横坐标
S10:将所述图像重叠区域进行拼接。
本发明提供的基于NCC算法的红外全景图像拼接方法是对现有NCC方法的改进,改进后的方法通过对模板图像进行灰度聚类,使得图像特征弱化,进而大幅减少运算量;使用差分求和法确定聚类图像在检索范围内的最大相似性度量值能够使得计算量大幅度下降,从而提高运算速度;在进行模板匹配时,只需检索原始图像的部分区域就可计算出图像的大致重叠区域,消除传统的NCC算法进行模板匹配的过程中需要对每次模板移动进行相似性计算,从而克服出现模板移动过程中重叠区域的重复计算和模板像素特征数过多造成匹配过程的冗余计算的缺点,进而提高红外全景图像的拼接速度。在重叠区域查找的过程中仅对相近区域进行查找,提高重叠区域的查找实时性,进而提高两幅红外全景图像的拼接速度。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
机译: 基于改进团队进展算法的近红外光谱波长筛选方法
机译: 基于模拟退火-遗传算法的近红外光谱特征子区间选择方法
机译: 一种基于学习算法的内窥镜视频信息的分析和使用它的装置提供一种方法