(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211487394.9 (22)申请日 2022.11.25 (71)申请人 成都诺比侃科技有限公司 地址 610014 四川省成 都市青羊区光 华南 三路88号1栋15层15 34号 (72)发明人 苏茂才　林仁辉　廖峪　唐泰可　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 专利代理师 雷正 (51)Int.Cl. G06T 5/00(2006.01) G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于计算机视觉的接触网缺陷目标增 强方法 (57)摘要 本发明公开了一种基于计算机视觉的接触 网缺陷目标增强方法， 包括以下步骤： 在缺陷目 标图像中利用像素邻节点的像素特征依次判定 每个图像像素点的像素点类别， 将表征为缺陷目 标的图像像素点汇聚为目标像素区域； 对缺陷图 像的目标像素区域进行多分支图像增强， 并依次 对多分支 图像增强的各个传递函数进行增强效 果评价； 利用神经网络训练拟合出传递函数与目 标像素区域映射关系的传递函数设定模 型。 本发 明在缺陷目标图像中利用像素邻节点的像素特 征得到目标像素区域， 在进行图像增强时仅对目 标像素区域进行图像增强运算， 避免冗余运算， 构建传递函数设定模型， 以实现传递函数的模型 化设定达到传递函数的精准匹配来提高增强效 果。 权利要求书3页 说明书6页 附图2页 CN 115546070 A 2022.12.30 CN 115546070 A 1.一种基于计算机 视觉的接触网缺陷目标增强方法， 其特 征在于， 包括以下步骤： 步骤S1、 在缺陷目标图像 中利用像素邻节点的像素特征依次判定每个图像像素点的像 素点类别， 将表征为缺陷目标的图像像素点汇 聚为目标像素区域， 所述像素点类别包括表 征为缺陷目标的图像 像素点和表征为背景的图像 像素点； 步骤S2、 对缺陷图像的目标像素区域进行多分支图像增强， 并依次对多分支图像增强 的各个传递函数进行增强效果评价， 选取出实现最佳频域增强的最优传递函数， 所述多分 支图像增强包括频域图像增强、 色度图像增强、 对比度图像增强、 饱和度图像增强； 步骤S3、 以传递函数作拟合结果， 利用神经网络训练拟合出传递函数与目标像素区域 映射关系的传递函数设定模型， 以实现传递函数的模型化设定达到传递函数的精准匹配来 提高图像增强效果。 2.根据权利要求1所述的一种基于计算机视觉的接触网缺陷目标增强方法， 其特征在 于： 所述在缺陷目标图像中利用像素邻节点的像素特征依次判定每个图像像素点的像素点 类别， 包括： 依次获取缺陷目标图像 中位于每个图像像素点的上方、 下方、 左方、 右方、 左上方、 左下 方、 右上方和右下 方的图像 像素点作为每 个图像像素点的像素邻节点； 依次将每个图像像素点的像素值作为像素邻节点的像素期望， 依次利用图像像素点及 所有像素邻接点间的像素值方差计算图像像素点及所有像素邻接点间的像素离散度， 所述 像素离散度的计算公式为： ； 式中， Ij为第j个图像像素点及所有像素邻接点间的像素离散度， Gji为第j个图像像素 点的第i个像素邻节点的像素值， Gj为第j个图像像素点 的像素值， n为像素邻节点总数量， j，i为计量常数； 将像素离 散度与离 散度阈值进行比较， 其中， 若像素离散度 大于或等于离散度阈值， 则将对应的图像像素点标记为表征为缺陷目标 的图像像素点； 若像素离散度小于离散度阈值， 则将对应的图像像素点标记为表征为背景的图像像素 点。 3.根据权利要求2所述的一种基于计算机视觉的接触网缺陷目标增强方法， 其特征在 于： 所述将表征为 缺陷目标的图像 像素点汇聚为目标像素区域， 包括： 连通表征为缺陷目标的图像像素点得到像素连通 区域， 并对所述像素连通区域进行边 界平滑得到所述目标像素区域。 4.根据权利要求3所述的一种基于计算机视觉的接触网缺陷目标增强方法， 其特征在 于： 所述对缺陷图像的目标像素区域进行多分支图像增强， 包括： 选取多组传递函数， 依次利用每组传递函数将目标像素区域依次进行多分支图像增强 得到多组目标像素增强区域， 以实现所述频域图像增强、 色度图像增强、 对比度图像增强和 饱和度图像增强， 其中， 所述多分支图像增强的函数表达式为： gk(x,y)=Hk(x,y)*[F(x,y),S(x,y),D(x,y),B(x,y)]；权　利　要　求　书 1/3 页 2 CN 115546070 A 2式中， gk(x,y)为空间域内第k个目标像素增强区域的图像函数， Hk(x,y)为第k 组传递函 数， F(x,y)为空间域内目标像素区域图像函数的频域函数， S(x,y)为空间域内目标像素区 域图像函数的色度函数， D(x,y)为空间域内目标像素区域图像函数的对比度函数， B(x,y) 为空间域内目标像素区域图像函数的饱和度函数， x,y分别为目标像素区域中图像像素点 的位置二维坐标， k 为计量常数。 5.根据权利要求4所述的一种基于计算机视觉的接触网缺陷目标增强方法， 其特征在 于： 所述依次对多类别频域增强的传递 函数进行增强效果评价， 包括： 人工识别出缺陷目标图像中的缺陷目标边缘真实值、 缺陷目标类别真实值， 并将目标 像素增强区域输入至预先建立的多个缺陷目标边缘识别模型中识别出缺陷目标边缘识别 值、 将目标像素增强区域输入至预先建立的多个缺陷目标类别识别模型中识别出缺陷目标 类别识别值， 以及量 化目标像素区域与目标像素增强区域的像素相似度； 将缺陷目标边缘识别值与缺陷目标边缘真实值相似度高于预设阈值的缺陷目标边缘 识别模型在所有缺陷目标边缘识别模型中的占比、 缺陷目标类别识别值与缺陷目标类别真 实值相似度高于预设阈值的缺陷目标类别识别模型在所有缺陷目标类别识别模型中的占 比以及所述像素相似度进 行权重求和得到传递函数的增强效果评价值， 所述增强效果评价 值的计算公式为： Lk=w1*Pk,1+w2*Pk,2+w3*Pk,3； 式中， Lk为第k组传递函数的增强效果评价值， Pk,1、 Pk,2、 Pk,3分别为第k个目标像 素增强 区域中缺陷目标边缘识别模型在所有缺陷目标边缘识别模型中的占比、 缺陷目标类别识别 模型在所有缺陷目标类别识别模型中的占比、 所述像素相似度， w1、 w2、 w3分别为Pk,1、 Pk,2、 Pk,3的权重， w1∈[0,1],w2∈[0,1],w3∈[0,1],w1+w2+w3=1。 6.根据权利要求5所述的一种基于计算机视觉的接触网缺陷目标增强方法， 其特征在 于： 所述最优传递 函数为最高增强效果评价 值对应的传递 函数。 7.根据权利要求6所述的一种基于计算机视觉的接触网缺陷目标增强方法， 其特征在 于， 所述利用神经网络训练拟合出传递函数与目标像素区域映射关系的传递函数设定模 型， 包括： 将最优传递函数作为神经网络的输出项， 将目标像素区域作为神经网络的输入项， 利 用神经网络基于所述输出项和输入项进行卷积训练得到所述传递函数设定模型， 所述传递 函数设定模型的函数表达式为： H(x,y)=netw ork(F(x,y),S(x,y),D(x,y),B(x,y) )； 式中， H(x,y)为最优传递函数， F(x,y)为空间域内目标像素区域图像函数的频域函数， S(x,y)为空间域内目标像素区域图像函数的色度函数， D(x,y)为空间域内目标像素区域图 像函数的对比度函数， B(x,y)为空间域内目标像素区域图像函数的饱和度函数， networ k为 神经网络 。 8.根据权利要求7所述的一种基于计算机视觉的接触网缺陷目标增强方法， 其特征在 于， 将缺陷目标边缘识别值与缺陷目标边缘真实值相似度高于预设阈值的缺陷目标边缘识 别模型在所有缺陷目标边缘识别模型中的占比、 缺陷目标类别识别值与缺陷目标类别真实 值相似度高于预设阈值的缺陷目标类别识别模型在所有缺陷目标类别识别模型中的占比 以及所述像素相似度在进行权 重求和前进行归一 化处理。权　利　要　求　书 2/3 页 3 CN 115546070 A 3