为准确、快速地识别高压输电线路关键部件典型小目标故障,提出一种基于图像双分割与HSV空间颜色和HELM3纹理融合特征的高压输电线路典型小目标故障识别方法。该方法以航拍高压输电线路关键部件故障图像为原始数据,其中包括线夹偏移、绝...为准确、快速地识别高压输电线路关键部件典型小目标故障,提出一种基于图像双分割与HSV空间颜色和HELM3纹理融合特征的高压输电线路典型小目标故障识别方法。该方法以航拍高压输电线路关键部件故障图像为原始数据,其中包括线夹偏移、绝缘子破损、引流线松股、链接金具锈蚀、铁塔杂物等典型小目标故障,以双分割后图像为研究对象,提取色度,饱和度,数值(hue,saturation,value,HSV)空间9个颜色特征、3层小波分解高频协方差矩阵与低频低阶矩(high frequency covariance matrix eigenvalues and lowfrequencylowerordermomentsin3-layerwavelet domain,HELM3)的18个不变纹理特征,进行支持向量机(supportvectormachine,SVM)的输电线路典型小目标故障分类识别。试验结果表明:在SVM识别模型下对高压输电线路典型小目标故障进行分类,该文的HSV和HELM3特征融合方法,相比于二者单独进行识别,平均识别率分别提高了10.89%和10.19%,达到92.64%;在不同分类模式下,该文SVM分类器的识别率比贝叶斯分类器、K近邻算法(K-nearest neighbor,KNN)分类器平均识别率提高了至少10个百分点,有明显的识别优势。展开更多
本文介绍了一种基于小波域分类隐马尔可夫树(Classified Hidden Markov Tree Model,CHMT)模型的图像融合方法。这种方法利用了小波域的一种树形结构Markov链提取小波系数尺度之间的相关性,因而更好的反映了图像空域非平稳变化的特性,在...本文介绍了一种基于小波域分类隐马尔可夫树(Classified Hidden Markov Tree Model,CHMT)模型的图像融合方法。这种方法利用了小波域的一种树形结构Markov链提取小波系数尺度之间的相关性,因而更好的反映了图像空域非平稳变化的特性,在图像融合的预处理阶段最大限度的滤除噪声。同时为配合预处理算法采用了梯度选取规则的融合算法,更好的提高融合后图像的质量。实验结果表明将隐马尔可夫树模型引入图像融合算法后,融合图像的峰值信噪比、信息熵、等效视数等性能指标明显改善。展开更多
文摘为准确、快速地识别高压输电线路关键部件典型小目标故障,提出一种基于图像双分割与HSV空间颜色和HELM3纹理融合特征的高压输电线路典型小目标故障识别方法。该方法以航拍高压输电线路关键部件故障图像为原始数据,其中包括线夹偏移、绝缘子破损、引流线松股、链接金具锈蚀、铁塔杂物等典型小目标故障,以双分割后图像为研究对象,提取色度,饱和度,数值(hue,saturation,value,HSV)空间9个颜色特征、3层小波分解高频协方差矩阵与低频低阶矩(high frequency covariance matrix eigenvalues and lowfrequencylowerordermomentsin3-layerwavelet domain,HELM3)的18个不变纹理特征,进行支持向量机(supportvectormachine,SVM)的输电线路典型小目标故障分类识别。试验结果表明:在SVM识别模型下对高压输电线路典型小目标故障进行分类,该文的HSV和HELM3特征融合方法,相比于二者单独进行识别,平均识别率分别提高了10.89%和10.19%,达到92.64%;在不同分类模式下,该文SVM分类器的识别率比贝叶斯分类器、K近邻算法(K-nearest neighbor,KNN)分类器平均识别率提高了至少10个百分点,有明显的识别优势。
文摘本文介绍了一种基于小波域分类隐马尔可夫树(Classified Hidden Markov Tree Model,CHMT)模型的图像融合方法。这种方法利用了小波域的一种树形结构Markov链提取小波系数尺度之间的相关性,因而更好的反映了图像空域非平稳变化的特性,在图像融合的预处理阶段最大限度的滤除噪声。同时为配合预处理算法采用了梯度选取规则的融合算法,更好的提高融合后图像的质量。实验结果表明将隐马尔可夫树模型引入图像融合算法后,融合图像的峰值信噪比、信息熵、等效视数等性能指标明显改善。
