基于紅外與可見(jiàn)光圖像的電力設(shè)備識(shí)別的研究.pdf

1、紅外與可見(jiàn)光傳感器被廣泛應(yīng)用在變電站中，它們的成像原理不同，反應(yīng)了物體不同層次的信息，可見(jiàn)光圖像具有豐富的細(xì)節(jié)但對(duì)光線(xiàn)的強(qiáng)度有一定要求，紅外圖像可以不受光線(xiàn)強(qiáng)度的限制，但它的邊緣信息模糊細(xì)節(jié)信息較少，將紅外圖像和可見(jiàn)光圖像融合可以綜合兩種圖像的優(yōu)點(diǎn)，來(lái)提高對(duì)電氣設(shè)備識(shí)別的性能。本文主要的工作內(nèi)容如下。
　　首先，介紹了圖像配準(zhǔn)和圖像分類(lèi)識(shí)別技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀，然后重點(diǎn)闡述了BoW(Bag of Words)模型和視覺(jué)注意模型的基

2、本原理，為將視覺(jué)注意模型引入到BoW模型中提供了理論依據(jù)。
　　然后，針對(duì)紅外和可見(jiàn)光配準(zhǔn)過(guò)程中出現(xiàn)的問(wèn)題提出M-SIFT算法，該算法主要對(duì)SIFT(Scale Invariant Feature Transform)算法做了兩點(diǎn)改進(jìn)。一是：針對(duì)紅外與可見(jiàn)光同名點(diǎn)的梯度方向可能相反的情況，本文采用梯度鏡像的方法將梯度方向在三、四象限中的方向轉(zhuǎn)化為一、二象限中的反方向，SIFT描述子從原來(lái)的128維變?yōu)?4維，雖然損失了一些信息，降

3、低了描述子的獨(dú)特性，但它使得描述子對(duì)圖像對(duì)比度反轉(zhuǎn)保持了不變性；二是：由于紅外圖像與可見(jiàn)光圖像相關(guān)性比較弱，從它們當(dāng)中獲得的特征向量不再是線(xiàn)性相關(guān)的，針對(duì)此問(wèn)題本文引入了約束特征向量幅值的方法減小特征向量幅值在特征向量配準(zhǔn)中的影響進(jìn)而突顯出特征向量的方向在配準(zhǔn)中的作用。改進(jìn)后的SIFT算法配準(zhǔn)準(zhǔn)確率和效率都有所提升。
　　最后，為了區(qū)分圖像中的目標(biāo)信息和背景信息本文將視覺(jué)注意模型引入到BoW模型中；將融合后的紅外與可見(jiàn)光圖像作為訓(xùn)