【技术实现步骤摘要】
基于图像均值漂移和水平集方法的图像分割方法
本专利技术涉及图像分割
，具体而言涉及一种基于图像均值漂移和水平集方法的图像分割方法。
技术介绍
随着动车的使用越来越普遍，动车的安全问题也变得越来越重要，一个非常微小的故障就可能引发重大事故，因此动车组故障的识别就非常的重要。目前使用的基于图像检测的技术分为两个步骤，第一个步骤是将所有的列车部件定位并且分类然后将部件部分的图片切割出来，第二个步骤需要对不同的部件进行检测是否完好。其中列车地板的线缆也是一个故障点，但是由于线缆是柔性的物体，可以弯曲，造成线缆的形态多样，很难找到特定的模式，想要使用基于图像的深度学习或者机器学习等方法解决就会异常的困难。由于线缆形状多样，切割出来的图像中线缆只占了一小部分，其余部分都是跟线缆无关的部分如列车底板、螺栓、线缆固定扣等，这大大提升了机器对其分类的难度。为了降低机器对线缆检测的难度，我们希望使用图像分割的方法将线缆主体部分分割出来，去除其他非线缆图像，以降低机器检测的难度。但是由于环境并不是理想环境，线缆上会沾有灰尘，部分线缆...
【技术保护点】
1.一种基于图像均值漂移和水平集方法的图像分割方法，其特征在于，所述图像分割方法包括：/nS1：接收外部输入的列车的原始图像；/nS2：从所述列车的原始图像中切割出包含线缆的局部图像；/nS3：计算所述局部图像的灰度直方图，根据计算得到的灰度直方图调整所述局部图像的色阶，得到边界一次增强后的局部图像；/nS4：采用图像均值漂移算法对所述边界一次增强后的局部图像的边缘进行增强，得到边界二次增强后的局部图像；/nS5：基于水平集方法对所述边界二次增强后的局部图像进行分割，得到线缆轮廓；/nS6：将分割得到的线缆轮廓映射至列车的原始图像，实现对原始图像中线缆的分割目的。/n
【技术特征摘要】
1.一种基于图像均值漂移和水平集方法的图像分割方法，其特征在于，所述图像分割方法包括：
S1：接收外部输入的列车的原始图像；
S2：从所述列车的原始图像中切割出包含线缆的局部图像；
S3：计算所述局部图像的灰度直方图，根据计算得到的灰度直方图调整所述局部图像的色阶，得到边界一次增强后的局部图像；
S4：采用图像均值漂移算法对所述边界一次增强后的局部图像的边缘进行增强，得到边界二次增强后的局部图像；
S5：基于水平集方法对所述边界二次增强后的局部图像进行分割，得到线缆轮廓；
S6：将分割得到的线缆轮廓映射至列车的原始图像，实现对原始图像中线缆的分割目的。
2.根据权利要求1所述的基于图像均值漂移和水平集方法的图像分割方法，其特征在于，步骤S2中，所述从所述列车的原始图像中切割出包含线缆的局部图像的过程包括：
S21：基于目标检测算法创建局部图像切割模型，对局部图像切割模型进行训练；
S22：将列车原始图像导入训练好的局部图像切割模型，切割出包含线缆的局部图像。
3.根据权利要求2所述的基于图像均值漂移和水平集方法的图像分割方法，其特征在于，所述目标检测算法包括yolov3算法。
4.根据权利要求1所述的基于图像均值漂移和水平集方法的图像分割方法，其特征在于，步骤S3中，所述根据计算得到的灰度直方图调整所述局部图像的色阶，得到边界一次增强后的局部图像的过程包括以下步骤：
S31：计算所述局部图像的灰度直方图，获取所有灰度在局部图像中出现的频率；
S32：根据灰度直方图的数据调整色阶，建立映射规则，使得映射后的灰度直方图中每个灰度在局部图像中出现频率的均衡度达到设定均衡度阈值。
5.根据权利要求1所述的基于图像均值漂移和水平集方法的图像分割方法，其特征在于，步骤S4中，所述采用图像均值漂移算法对所述边界一次增强后的局部图像的边缘进行增强的过程包括以下步骤：
S41：在边界一次增强后的局部图像中任选一个像素，定义为初始像素，结合领域空间矢量和领域内每个像素的颜色矢量对初始像素执行均值漂移迭代处理，将初始像素的颜色矢量替换成最后一次迭代的平均颜色矢量；
S42：重复步骤S41，直至完成对边界一次增强后的局部图像中所有像素的均值漂移迭代处理。
6.根据权利要求5所述的基于图像均值漂移和水平集方法的图像分割方法，其特征在于，步骤S41中，所述结合领域空间矢量和领域内每个像素的颜色矢量对初始像素执行均值漂移迭代处理的过程包括以下步骤：
S411：针对整个边界...
【专利技术属性】
技术研发人员：喻碧城，王士昭，
申请(专利权)人：江苏君英天达人工智能研究院有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。