基于SSIM-Sobel与多特征融合的绝缘子缺陷识别方法

有效检测绝缘子缺陷对于保障输电线路的安全稳定运行至关重要。提出了一种基于SSIM-Sobel与多特征融合的绝缘子缺陷分类识别方法。采用拉普拉斯锐化和伽马校正算法对输电线路绝缘子图像进行对比度增强处理,并通过SSIM-Sobel算法获取绝缘子边缘强化图像;然后提取边缘强化图像的HOG,LBP及GLCM特征,并将其融合后输入随机森林分类器进行训练,实现绝缘子破损、电弧灼伤缺陷的识别。算例结果表明,所提方法在绝缘子缺陷识别上的总体精度为92.67%,绝缘子破损缺陷识别精度为99%,可助力输电线路巡检人员开展绝缘子日常运维工作。

基于PCA和NSCT的多光谱图像和全色图像的融合

研究了主分量分析(PCA)和非下采样Contourlet变换(NSCT),提出一种新的多光谱图像和全色图像的融合算法。该方法对多光谱图像进行PCA变换,对所得的第一主分量(PC1)以及全色图像进行NSCT变换。对二者的低频近似系数再次进行PCA变换以寻求多光谱信息和空间信息的平衡;对于高频细节系数,通过结构相似性指标(SSIM)和局部Sobel梯度进行融合,进一步提高空间信息量;经过逆NSCT和逆PCA变换得到融合图像。实验结果表明,提出的方法在增强融合图像空间细节表现能力的同时,尽可能地保留了多光谱图像的光谱信息,优于传统的基于IHS、PCA、小波变换和Contourlet变换的融合方法,是有效可行的。