一种适用于铁路机车车辆闸片闸瓦图像识别的融合算法制造技术

本发明专利技术公开了一种适用于铁路机车车辆闸片闸瓦图像识别的融合算法。现有的图像融合方法难以同时兼顾计算效率和准确性。本发明专利技术对采集到的铁路机车车辆闸片闸瓦可见光图像和红外图像分别计算平均梯度模与标准差，作为图像纹理边缘强度与热目标强度指标来计算灰度映射函数权重；通过自适应参数的灰度映射方法增强原始图像，通过结构分解算法提高图像的融合量化指标，增强了可见光图像纹理边缘信息和热目标信息。本发明专利技术增强了有用信息，减少融合图片信息损失，并利用结构分解法，实现图片的快速融合；融合后的图像携带信息量大，故融合图像清晰、像素分布特性好，同时兼顾了计算效率和准确性。和准确性。和准确性。

【技术实现步骤摘要】
一种适用于铁路机车车辆闸片闸瓦图像识别的融合算法


[0001]本专利技术属于图像处理
，具体涉及一种适用于铁路机车车辆闸片闸瓦图像识别的融合算法。

技术介绍

[0002]闸片闸瓦为机车车辆制动系统的核心部件，当闸片闸瓦磨损到一定程度就会失效，影响机车车辆的制动性能和运行安全；因此，需对机车车辆闸片闸瓦进行定期检测。建议针对机车车辆闸片闸瓦处以机辆的位置说明采集图像的困难程度。随着传感器技术的发展，各种传感器被用于获取机车车辆闸片闸瓦不同的数据信息。红外图像可以通过捕获白天或晚上从铁路机车车辆闸片闸瓦发出的辐射信息来很好地区分目标，但获得的数据缺乏空间分辨率，闸片闸瓦的纹理和细节性能都较差。相比之下，可见图像可以获得闸片闸瓦丰富的纹理外观，但它不能区分热目标，特别是在低光的环境下。图像融合技术在整合各种数据信息中起着增强信息和减少冗余的重要作用。
[0003]现有的图像融合方法难以同时兼顾计算效率和准确性，基础方法速度快，但其融合性能有限；先进的方法可以有良好的视觉结果，但计算效率不高。

技术实现思路

[0004]为了弥补现有技术的不足，本专利技术提供一种适用于铁路机车车辆闸片闸瓦图像识别的融合算法，通过自适应参数的灰度映射方法增强原始图像，通过结构分解算法提高图像的融合量化指标，增强了可见光图像纹理边缘信息和热目标信息，保证了图像计算速度与质量。
[0005]为了达到上述目的，本专利技术所采用的技术方案为：
[0006]一种适用于铁路机车车辆闸片闸瓦图像识别的融合算法，其特征在于：包括如下步骤：
[0007]步骤S10：对采集到的铁路机车车辆闸片闸瓦可见光图像和红外图像分别计算平均梯度模G
Vis
、G
IR
与标准差S
Vis
、S
IR
；
[0008]步骤S20：采用步骤S10的结果，分别作为图像纹理边缘强度与热目标强度指标来计算灰度映射函数权重：
[0009][0010]式中，G
Vis
为可见光图像平均梯度模，G
IR
为红外图像平均梯度模，S
Vis
为可见光图像标准差，S
IR
为红外图像标准差；
[0011]c
VIs
为可见光图像自适应权重，c
IR
为红外图像自适应权重，γ为通过两张图像标准差来计算红外图像第一次变换的自适应权重；
[0012]步骤S30：
[0013]设原始图像为X，定义纹理边缘增强灰度映射函数S(X)及热目标增强函数gamma
(X)分别为：
[0014][0015]步骤S40：
[0016]计算灰度映射增强可见光与红外图像X
′
Vis
＝S(X
Vis
)，X
′
IR
＝S(gamma(X
IR
))；
[0017]步骤S50：
[0018]对步骤S40得到的两张增强图像分别滑动图像窗口，按照结构分解公式x＝l
·
1+||x
‑
l||
·
((x
‑
l)/||x
‑
l||)将图像滑窗x分解为图像均值l、图像信号强度||x
‑
l||以及信号结构(x
‑
l)/||x
‑
l||；
[0019]步骤S60：
[0020]由步骤S50，设置参数γ1、p，并计算分解各部分的融合参数α、β，计算加权融合图像滑窗
[0021][0022]β
i
＝||x
i
‑
l
i
||
p
，(i＝1,2；p≥0)
[0023][0024]步骤S70：
[0025]对整张图的滑动窗进行步骤S60操作，得到各滑窗图像均值的相应权重α
i
/(α1+α2)组成的整张图像基础层成分权重W
Bi
(i＝1,2)，图像信号强度相应权重max{||x1‑
l1||,||x2‑
l2||}
×
||x
i
‑
l
i
||
p
‑1/(β1+β2)组成的图像细节层权重W
Di
(i＝1,2)；
[0026]步骤S80：
[0027]得到图像基层f(W
Bi
⊙
f(X
i
))与图像细节层f(W
Di
)
⊙
X
i
‑
f(W
Di
⊙
f(X
i
))，其中f(
·
)为均值滤波，
⊙
为逐像素乘积，对各组进行加和得到融合图像为：
[0028][0029]具体地，所述步骤S10中，平均梯度模与标准差计算方法如下：
[0030][0031]图像为X，i为像素值，N为像素数量，mean为取平均，|
·
|为取模，grad为计算梯度。
[0032]本专利技术的有益效果：
[0033]1)本专利技术采用灰度映射对融合图像的进行纹理信息和目标信息增强，增强有用信息，减少融合图片信息损失，并利用结构分解法，实现图片的快速融合；
[0034]2)本专利技术融合后的图像携带信息量大，故融合图像清晰、像素分布特性好；
[0035]3)本专利技术计算速度快，同时兼顾了计算效率和准确性。
附图说明
[0036]图1为本专利技术处理流程图；
[0037]图2为闸片闸瓦图像检测原理图；
[0038]图3为可见光图像；
[0039]图4为红外图像；
[0040]图5为梯度转移法融合结果；
[0041]图6为各向异性扩散和KL变换法融合结果；
[0042]图7为卷积神经网络融合结果；
[0043]图8为本专利技术融合结果。
具体实施方式
[0044]下面结合具体实施方式对本专利技术进行详细的说明。
[0045]如图2所示，首先采用红外相机和可见光相机采集铁路机车车辆闸片闸瓦可见光图像和红外图像；本专利技术采用增强结构分解的方法提取热图像和视觉图像的特征；然后根据分解的结果将两幅图像合并，合成一幅融合后的图像；融合后的图像包含比单个图像更多的信息，可以作为基于图像的闸片检测算法的输入；
[0046]如图1所示，本专利技术包括如下步骤：
[0047]步骤S10：可见光图像和红外图像如图3、图4所示，对采集到的铁路机车车辆闸片闸瓦可见光图像和红外图像分别计算平均梯度模G
Vis
、G
IR
与标准差S
Vis
、S
IR
，计算方法如下：
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于铁路机车车辆闸片闸瓦图像识别的融合算法，其特征在于：包括如下步骤：步骤S10：对采集到的铁路机车车辆闸片闸瓦可见光图像和红外图像分别计算平均梯度模G
Vis
、G
IR
与标准差S
Vis
、S
IR
；步骤S20：采用步骤S10的结果，分别作为图像纹理边缘强度与热目标强度指标来计算灰度映射函数权重：式中，G
Vis
为可见光图像平均梯度模，G
IR
为红外图像平均梯度模，S
Vis
为可见光图像标准差，S
IR
为红外图像标准差；c
VIs
为可见光图像自适应权重，c
IR
为红外图像自适应权重，γ为通过两张图像标准差来计算红外图像第一次变换的自适应权重；步骤S30：设原始图像为X，定义纹理边缘增强灰度映射函数S(X)及热目标增强函数gamma(X)分别为：步骤S40：计算灰度映射增强可见光与红外图像X
′
Vis
＝S(X
Vis
)，X
′
IR
＝S(gamma(X
IR
))；步骤S50：对步骤S40得到的两张增强图像分别滑动图像窗口，按照结构分解公式x＝l
·
1+||x
‑
l||
·
((x
‑
l)/||x
‑
l||)将图像滑窗x分解为图像均值l、图像信号强度||x
‑
l||以及信号结构(x
‑
l)/||x

【专利技术属性】
技术研发人员：胡平，史时喜，侯小祥，周航博，丁子全，严飞，杨树旺，周飞虎，
申请(专利权)人：中铁第一勘察设计院集团有限公司，
类型：发明
国别省市：