一种适用于铁路机车车辆闸片闸瓦图像识别的融合算法的制作方法

1.本发明属于图像处理技术领域，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。


背景技术：

2.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。
3.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。


技术实现要素：

4.为了弥补现有技术的不足，本发明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。
5.为了达到上述目的，本发明所采用的技术方案为：
6.一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：
7.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
；
8.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]cvis
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]
βi＝||x
i-li||
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αi/(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{||x
1-l1||,||x
2-l2||}
×
||x
i-li||
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(xi))与图像细节层f(w
di
)
⊙
x
i-f(w
di
⊙
f(xi))，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]
本发明的有益效果：
[0033]
1)本发明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)本发明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)本发明计算速度快，同时兼顾了计算效率和准确性。
附图说明
[0036]
图1为本发明处理流程图；
[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为本发明融合结果。
具体实施方式
[0044]
下面结合具体实施方式对本发明进行详细的说明。
[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；本发明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，本发明包括如下步骤：
[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：
[0048][0049]
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。
[0050]
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：
[0051][0052]
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；
[0053]cvis
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程度的自适应权重；
[0054]
步骤s30：
[0055]
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：
[0056][0057]
步骤s40：
[0058]
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
))；将可见光图像x
vis
代入s(x)，红外图像x
ir
带入gamma(x)后进一步代入s(x)，通过此步骤，完成根
据自适应权重对可见光图像灰度纹理增强、以及对红外图像灰度纹理增强加红外目标增强的效果；
[0059]
步骤s50：
[0060]
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||；
[0061]
步骤s60：
[0062]
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，由这些参数生成融合权重，不同的参数会改变融合图像偏向细节或色块的显示，γ1越大会让融合图像偏向呈现热目标的信息，p越大会让融合图像偏向呈更多现细节而非色块，计算加权融合图像滑窗
[0063][0064]
βi＝||x
i-li||
p
，(i＝1,2；p≥0)
[0065][0066]
步骤s70：
[0067]
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αi/(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{||x
1-l1||,||x
2-l2||}
×
||x
i-li||
p-1
/(β1 β2)组成的图像细节层权重w
di
(i＝1,2)；
[0068]
步骤s80：
[0069]
得到图像基层f(w
bi
⊙
f(xi))与图像细节层f(w
di
)
⊙
x
i-f(w
di
⊙
f(xi))，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：
[0070][0071]
下面利用多张传统图像质量平均评价因子，对本发明及现有方法所得融合结果进行对比分析，如表1所示；
[0072]
en(信息熵)反映了融合图像的信息量，mi(互信息)反映了融合图像从源图像中包含的信息量，qg(边缘保持度)评估融合图像从原始红外和可见图像中继承来的梯度信息，sd(标准差)是主要测量融合图像的对比度和清晰度；在所有这四个指标中，值越大表示相应算法的融合结果越好。
[0073]
表1各方法客观融合指标
[0074][0075][0076]
由表1可知，本发明在四个参数中的边缘保持度q
tv/f
处于中间水平，效果比较接近的有结构补丁分解方法，其他三种指标明显大于其他几种对比融合方法，因而具有最清晰、信息量最大、像素分布特性最好的特点；从图5-8中也可以看到直观部分结果，本方法得到的结果在保留可见光图像纹理、边缘等有效信息的同时，具有较为显著的热目标信息，且用时最短。
[0077]
本发明的内容不限于实施例所列举，本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换，均为本发明的权利要求所涵盖。