[发明专利]基于边缘点自相似性的水渍图像识别方法及TEDS系统

说明书

本发明提出基于边缘点自相似性的水渍图像识别，获取待检测图像的边缘点，给每个边缘点分配基准方向和计算其特征向量，对特征向量归一化处理；计算边缘线上每个边缘点的局部和整体自相似性值，将其加权组合作为该边缘点的最终自相似性值；获取每条边缘线上自相似性高的边缘点集合，在该集合中根据预定的方式筛选并标记出自相似性低的不规则边缘点；统计不规则边缘点的方向分布直方图，确定每个不规则边缘点的主方向，预设向下的方向阈值范围，剔除主方向不在方向阈值范围的不规则边缘点，将主方向在方向阈值范围的不规则边缘点标记为水渍图像。本发明还提出应用该水渍图像识别的TEDS系统，有效识别动车组上的水渍，降低误判率。

技术领域

本发明涉及计算机图像检测识别领域，特别是指一种基于边缘点自相似性的水渍图像识别方法及应用该识别的动车组运行故障动态图像检测系统。

背景技术

水渍图像在图像识别领域通常是一种干扰图像，对特定技术特征的识别的影响较小，因此，目前并没有具体的针对水渍识别的方法。

动车组故障检测已从现场的人工检测转换到对车辆图像的分析，利用动车组运行故障动态图像检测系统(TEDS)对动车组行车过程进行实时监控，即TEDS安装在轨边和轨底对行走的动车组的待检测的部位实时采集图像。TEDS故障自动识别方法主要利用差异比较法，差异比较法的一种方式是将采集的实时图像与图像库中存储的未运行时的无故障状态的动车组的标准图像进行图像特征的对比；另一种方式是将采集的实时图像与图像库中存储的近期的无故障状态的动车组的历史图像进行图像特征的比较，两种方式中将特征差异明显的地方标记为故障异常。

上述标准图像比较法中的参考图像精确标准，能够实现当前图像差异的准确判定，然而受到动车组检修维护、自然老化、车上水渍等因素的影响，该方法易将车体正常的变化误判为故障，提高误判率；历史图像比较法中能够有效降低车体正常变化带来的故障误判问题，然而由于历史图像是实地现场采集，受铁路沿线复杂环境的影响，参考图像不够准确，亦存在明显的故障误判。

在标准图像比较法中若能够克服动车组机车上水渍因素的影响，则能降低故障误判，提高故障检测的准确率。

发明内容

本发明提出一种基于边缘点自相似性的水渍图像识别方法，能够将动车上的水渍图像识别方法出来，解决了现有技术中标准图像比较法中故障误判高的问题。

本发明的技术方案是这样实现的：

一种基于边缘点自相似性的水渍图像识别方法，包括以下步骤：

步骤一：在计算机中输入待检测的图像，利用canny边缘检测算法获取该图像的所有边缘点；

步骤二：对所有边缘点进行分类，同类边缘点属于一个图像轮廓的一条初始边缘线，获取待检测的图像的所有的初始边缘线，给每个边缘点分配一个基准方向，并提取每个边缘点的特征向量，且对每个特征向量进行归一化处理；

步骤三：根据每个边缘点归一化处理后的特征向量计算每条初始边缘线上每个边缘点的局部自相似性值和整体自相似性值，并将局部自相似性值和整体自相似性值的加权组合作为该边缘点最终的自相似性值；

步骤四：设定一个高阈值，获取每条初始边缘线上的自相似性值高于高阈值的边缘点的集合，剔除每条初始边缘线上自相似性值低于高阈值的边缘点；

步骤五：计算上述集合中每个边缘点与其最邻近边缘点的自相似性值，设定一个低阈值，获取集合中所有的自相似性值高于低阈值的边缘点，将该集合中低于低阈值的边缘点标记为形成不规则图像的不规则边缘点；

步骤六：对步骤五中高于低阈值的边缘点分类，同一类边缘点形成一个图像轮廓的校正边缘线，给所有的校正边缘线设定一个长度阈值，获取小于该长度阈值的校正边缘线，将该校正边缘线上的点标记为形成不规则图像的不规则边缘点；