一种基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法
技术领域
本发明属于图像检测领域，设计图像处理和计算机等技术，特使是涉及电力视频的图像模糊故障检测方法及图像模糊评价值。
背景技术
电力视频监控系统广泛应用于电力生产、安防、应急、营销、基建等各个业务应用中，受电力变电站强磁场干扰的环境特殊性影响，视频设备容易出现条纹异常，严重影响了视频监控系统的可用性、实用性，因此，如何有效实现对视频设备的模糊故障的检测，为电力视频设备的检修提供依据，将为电力视频的各项应用提供更加有效的技术支撑。
对于视频图像模糊故障，采用人工识别的方式能够轻易地区分出故障情况，然而，由于电力前端视频设备数量的庞大，若采用人工巡查的方法，需要花费大量的人力，且工作效率降低，因此，采用计算机技术、图像分析技术实现电力视频图像模糊故障检测方法对于视频设备的故障检测具有重要意义。
若采用常用的边缘检测方法，容易受图像中对象的复杂性影响，无法准确做出对图像模糊的判断，采用简单的边缘检测方法无法适用于多种应用场景下的模糊检测。因此，采用对场景的图像复杂度评价，能够最大限度地提高图像模糊检测的准确性和适用性。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法。
为了解决上述技术问题，本发明提供的基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法，包括获计算获取灰度图片总的特征参数、计算并获取不同阈值情况下的边缘图片、计算不同边缘图片的特征参数、计算图像复杂度评价参数以及图像模糊评价参数四个过程，该方法包括步骤如下：
S1：对原始视频图片转换为灰度图像，采用3*3滑窗方式，并计算获取灰度图片总的特征参数；
S2：按照不同的阈值，采用3*3滑窗方式，计算并获取不同阈值情况下的边缘图片；
S3：根据不同阈值情况下的边缘图片，计算不同边缘图片的特征参数。
S4：根据图片总的特征参数、不同边缘图片的特征参数计算图像复杂度评价参数以及图像模糊评价参数。
其中，获取灰度图片总的特征参数具体步骤如下：
S11：将原始图片转换为灰度图片；
S12：切除灰度图片的部分边缘，得到新的灰度图片；
S13：采用3*3滑窗计算灰度图片每个像素的梯度值；
S14：根据每个像素的梯度值，计算总的图片平均梯度值；
S15：计算图片每个像素点的亮度值，并根据每个每个像素点的亮度值，计算总的图片的平均亮度值。
S16：所有计算值作为图片总的特征参数。
其中，获取不同阈值情况下的边缘图片具体步骤如下：
S21：采用3*3滑窗计算灰度图片每个像素的梯度值；
S22：根据测试经验值，设置不同边缘条件下的边缘阈值；
S23：根据像素梯度值以及边缘阈值，分别生成不同阈值的边缘图片，该边缘图片用于计算不同边缘图片的特征参数。
其中，计算不同边缘图片的特征参数具体步骤如下：
S31：针对边缘图片，根据边缘总的点数，计算边缘点数对应的占空比；
S32：根据边缘点亮度值，计算边缘点平均亮度值；
S33：采用3*3滑窗，计算每个边缘点的梯度值，得到边缘点平均梯度值；
S34：计算的边缘点数对应的占空比、边缘点平均亮度值、边缘点平均梯度值作为不同边缘图片的特征参数。
其中，计算图像复杂度评价参数以及图像模糊评价参数具体步骤如下：
S41：综合所有参数，通过测试验证的方法，得到图片总的特征参数、不同边缘图片的特征参数对计算图像复杂度评价参数的影响因子；
S42：根据图片总的特征参数、不同边缘图片的特征参数以及影响因子计算得到图像复杂度评价参数；
S43：根据图像复杂度评价参数计算图像模糊评价参数。
本发明的方法，具备对视频图像中所监控的电力应用场景为复杂场景或简单场景时，结合图像复杂度评价参数，对图像的模糊程度及模糊故障进行检测的能力。若采用常用的边缘检测方法，容易受图像中对象的复杂性影响，无法准确做出对图像模糊的判断，采用简单的边缘检测方法无法适用于多种应用场景下的模糊检测。因此，采用对场景的图像复杂度评价，能够最大限度地提高图像模糊检测的准确性和适用性。本发明采用了基于图片总的特征参数、不同边缘图片的特征参数计算得出图像复杂度评价参数以及计算图像模糊评价参数，用于对图像的模糊程度及模糊故障进行检测，本发明的方法易于实现和应用，主要可以应用于：
（1）电力视频设备故障检测系统，通过对已安装的视频设备图像的获取，通过在线对视频图像的模糊故障评价值进行计算，从而得出视频设备是否存在模糊故障，从而为视频设备检修提供直接依据。
（2）该方法不仅适用于在电力行业的视频设备故障检测，同样适用于其他行业的应用，包括了：交通视频、安防视频、银行视频等。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明的流程框图。
具体实施方式
下面结合附图详细说明本发明技术方法中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
本发明采用了基于图片总的特征参数、不同边缘图片的特征参数计算得出图像复杂度评价参数以及计算图像模糊评价参数，用于对图像的模糊程度及模糊故障进行检测。图1所示为基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法的流程框图，本方法分为计算获取灰度图片总的特征参数、计算并获取不同阈值情况下的边缘图片、计算不同边缘图片的特征参数、计算图像复杂度评价参数以及图像模糊评价参数四个过程。
所述的计算获取灰度图片总的特征参数包括步骤：将原始图片转换为灰度图片；切除灰度图片的部分边缘，得到新的灰度图片；采用3*3滑窗计算灰度图片每个像素的梯度值；根据每个像素的梯度值，计算总的图片平均梯度值；计算图片每个像素点的亮度值，并根据每个每个像素点的亮度值，计算总的图片的平均亮度值；所有计算值作为图片总的特征参数。
所述的计算并获取不同阈值情况下的边缘图片包括步骤：采用3*3滑窗计算灰度图片每个像素的梯度值；根据测试经验值，设置不同边缘条件下的边缘阈值；根据像素梯度值以及边缘阈值，分别生成不同阈值的边缘图片，该边缘图片用于计算不同边缘图片的特征参数。
所述的计算不同边缘图片的特征参数包括步骤：针对边缘图片，根据边缘总的点数，计算边缘点数对应的占空比；根据边缘点亮度值，计算边缘点平均亮度值；采用3*3滑窗，计算每个边缘点的梯度值，得到边缘点平均梯度值；计算的边缘点数对应的占空比、边缘点平均亮度值、边缘点平均梯度值作为不同边缘图片的特征参数。
所述的计算图像复杂度评价参数以及图像模糊评价参数包括步骤：综合所有参数，通过测试验证的方法，得到图片总的特征参数、不同边缘图片的特征参数对计算图像复杂度评价参数的影响因子；根据图片总的特征参数、不同边缘图片的特征参数以及影响因子计算得到图像复杂度评价参数；根据图像复杂度评价参数计算图像模糊评价参数。
本发明的方法需要的硬件最低配置为：P4、3.0G CPU、512M 内存的PC机，在此配置水平的硬件上，采用C/C++语言编程实现本方法。操作系统可基于Windows或Linux的各类操作系统。下面对本发明的方法设计的关键步骤进行逐一详细说明，本发明的方法中的基本步骤相同，具体形式如下所述：
首先，是获取图片总的特征参数：
（1）获取原始图片作为RGB图片矩阵数据放在Mat_Origin_Pic[]中；
（2）根据RGB转灰度公式：Gray = R*0.299 + G*0.587 + B*0.114，从而计算得到Mat_Gray_Pic[]；
（3）由于实际图片中左上角或右上角、左下角或右下角通常均包含一些文字信息，避免文字信息对监测的影响，假设图片横坐标为0<x<W1，图片纵坐标为0<y<H1，其中的H1表示图片的高度，W1表示图片的宽度，将图片横坐标截取为W1/8<x<7*W1/8，将图片纵坐标截取为H1/8<y<7*H1/8，得到灰度图片矩阵Mat_Gray2_Pic[]，新的灰度图片的宽度为W2，高度为H2；
（4）计算每个像素点的梯度值，采用3*3窗口计算，Grad(i,j)表示每个像素点的梯度值，Pixel(i,j)表示每个像素点的灰度值。Grad(i,j)=Pixel(i,j)-(位置在i，j的像素点左右八个像素点的灰度值综合)/8，i取值范围为1<i<W2-1，j取值范围为1<j<H2-1；
（5）计算图片总的梯度值，Total_Grad=每个像素点Grad(i,j)的梯度值总和，i取值范围为1<i<W2-1，j取值范围为1<j<H2-1，计算图片的平均梯度值，Avg_Grad=Total_Grad/((W2-2)*(H2-2))；
（6）计算图片的平均灰度值，Avg_Gray=（每个像素Pixel(i,j)灰度值的总和）/((W2-2)*(H2-2)),其中：1<i<W2-1，1<j<H2-1，灰度值作为图片的亮度描述，因此，采用图片的平均灰度值表征图片的平均亮度值；
（8）图片总的梯度值Total_Grad、图片的平均梯度值Avg_Grad、图片的平均灰度值Avg_Gray作为图片总的特征描述，同时作为图片复杂度的输入因子。
其次，获取不同阈值情况下的边缘图片：
（1）基于灰度图片Mat_Gray2_Pic[]，新定义通过边缘提取后的边缘图片为Mat_Edge_Pic1[]、Mat_Edge_Pic2[]、Mat_Edge_Pic3[]、Mat_Edge_Pic4[]，边缘图片的大小为W2*H2；
（2）边缘提取阈值分别定义为Thd1、Thd2、Thd3、Thd4，根据测试经验结果数据，边缘提取阈值分别设置为Thd1=5、Thd2=10、Thd3=15、Thd4=30；
（3）计算每个像素点的梯度值，采用3*3窗口计算，Grad(i,j)表示每个像素点的梯度值，Pixel(i,j)表示每个像素点的灰度值。Grad(i,j)=Pixel(i,j)-(位置在i，j的像素点左右八个像素点的灰度值综合)/8，i取值范围为1<i<W2-1，j取值范围为1<j<H2-1；
（4）对每个像素点的梯度值Grad(i,j)，以阈值为Thd1=5、Thd2=10、Thd3=15、Thd4=30时，当Grad(i,j)>Thd1时，将Pixel(i,j)赋值至Mat_Gray_Pic1[]，将Grad(i,j)赋值至Mat_Edge_Pic1[]；当Grad(i,j)>Thd2时，将Pixel(i,j)赋值至Mat_Gray_Pic2[]，将Grad(i,j)赋值至Mat_Edge_Pic2[]；当Grad(i,j)>Thd3时，将Pixel(i,j)赋值至Mat_Gray_Pic3[]，将Grad(i,j)赋值至Mat_Edge_Pic3[]；当Grad(i,j)>Thd4时，将Pixel(i,j)赋值至Mat_Gray_Pic4[]，将Grad(i,j)赋值至Mat_Edge_Pic4[]；
再次，计算不同边缘图片的特征参数：
（1）以不同边缘图片作为输入值，包括了Mat_Edge_Pic1[]、Mat_Edge_Pic2[]、Mat_Edge_Pic3[]、Mat_Edge_Pic4[]、Mat_Gray_Pic1[]、Mat_Gray_Pic2[]、Mat_Gray_Pic3[]、Mat_Gray_Pic4[]，分别计算不同边缘图片的特征参数，下面以Mat_Edge_Pic1[]、Mat_Gray_Pic1[]为例进行说明；
（2）计算Mat_Edge_Pic1[]的边缘点数Edge_Num1，从而可以计算得出边缘占空比为Edge_Percent1=Edge_Num1/ W2*H2；
（3）计算图片Mat_Gray_Pic1[]的边缘平均灰度值， Avg_Edge_Gray1=（Mat_Gray_Pic1[]每个像素Pixel(i,j)灰度值的总和）/ Edge_Num1,其中：1<i<W2-1，1<j<H2-1，灰度值作为图片的亮度描述，因此，采用图片的边缘平均灰度值表征图片的边缘平均亮度值；
（4）计算Mat_Edge_Pic1[]的边缘平均梯度值，Edge_Grad1=( Mat_Edge_Pic1[]每个像素Pixel(i,j)灰度值的总和)/Edge_Num1；
（5）计算得到的边缘占空比Edge_Percent1、边缘平均亮度值Avg_Edge_Gray1、边缘平均梯度值Edge_Grad1作为对边缘图片的特征描述，同时作为图片复杂度的输入因子。
最后，计算图像复杂度评价参数以及图像模糊评价参数：
（1）计算图像复杂度评价参数的输入参数包括了：图片总的梯度值Total_Grad、图片的平均梯度值Avg_Grad、图片的平均灰度值Avg_Gray作为图片总的特征描述、边缘占空比Edge_Percent1、边缘平均亮度值Avg_Edge_Gray1、边缘平均梯度值Edge_Grad1、边缘占空比Edge_Percent2、边缘平均亮度值Avg_Edge_Gray2、边缘平均梯度值Edge_Grad2、边缘占空比Edge_Percent3、边缘平均亮度值Avg_Edge_Gray3、边缘平均梯度值Edge_Grad3、边缘占空比Edge_Percent4、边缘平均亮度值Avg_Edge_Gray4、边缘平均梯度值Edge_Grad4；
（2）首先计算影响因子TP=Avg_Gray/Avg_Grad,分别计算各个边缘影响因子：
EP1=TP*Param1*（Edge_Percent1* Avg_Edge_Gray1/ Edge_Grad1）,
EP2=TP*Param2*（Edge_Percent2* Avg_Edge_Gray2/ Edge_Grad2），
EP3=TP*Param3*（Edge_Percent3* Avg_Edge_Gray3/ Edge_Grad3），
EP4=TP*Param4*（Edge_Percent4* Avg_Edge_Gray4/ Edge_Grad4），
其中的Param1、Param2、Param3、Param4的取值尤其重要，其取值根据TP的取值范围进行设定，根据TP值和Param值，分别控制EP值对总的图像复杂度评价参数值影响值；
（3）图像复杂度评价参数值影响值Cmp_Pic= EP1*EP2*EP3*EP4；
（4）根据测试经验，设定图像模糊程度阈值Cmp_Thd1、Cmp_Thd2、Cmp_Thd3，当Cmp_Pic小于Cmp_Thd1表示严重模糊，Cmp_Pic在Cmp_Thd1、Cmp_Thd2之间时表示模糊，Cmp_Pic在Cmp_Thd2、Cmp_Thd3之间时表示轻度模糊，Cmp_Pic大于Cmp_Thd3时表示图像不模糊，从而得出图像模糊的评价参数。
实施例
具体实施例子如下：
基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法，包括计算获取灰度图片总的特征参数、计算并获取不同阈值情况下的边缘图片、计算不同边缘图片的特征参数、计算图像复杂度评价参数以及图像模糊评价参数，步骤如下：
计算获取灰度图片总的特征参数作为对图像边缘检测的初始处理，并计算得到图片总的特征参数，作为图片的图像复杂的分析的输入参数，同时经过处理的灰度图片作为后续处理的基础图片。
计算获取灰度图片总的特征参数步骤如下：
S11：将原始图片转换为灰度图片；
S12：切除灰度图片的部分边缘，得到新的灰度图片；
S13：采用3*3滑窗计算灰度图片每个像素的梯度值；
S14：根据每个像素的梯度值，计算总的图片平均梯度值；
S15：计算图片每个像素点的亮度值，并根据每个每个像素点的亮度值，计算总的图片的平均亮度值。
S16：所有计算值作为图片总的特征参数。
获取不同阈值情况下的边缘图片作为在灰度图片的基础上，获取不同情况下的边缘图片，作为后续计算不同边缘图片时的边缘特征提供基础，通过提取不同情况下的边缘图片，能够最大限度地提高对图像复杂度的描述。
获取不同阈值情况下的边缘图片步骤如下：
S21：采用3*3滑窗计算灰度图片每个像素的梯度值；
S22：根据测试经验值，设置不同边缘条件下的边缘阈值；
S23：根据像素梯度值以及边缘阈值，分别生成不同阈值的边缘图片，该边缘图片用于计算不同边缘图片的特征参数。
计算不同边缘图片的特征参数作为对图片边缘特征的更详细的描述，通过对不同边缘图片的各个特征参数进行计算，从而得出对不同边缘图片的特征描述，作为图片的图像复杂的分析的输入参数。
计算不同边缘图片的特征参数步骤如下：
S31：针对边缘图片，根据边缘总的点数，计算边缘点数对应的占空比；
S32：根据边缘点亮度值，计算边缘点平均亮度值；
S33：采用3*3滑窗，计算每个边缘点的梯度值，得到边缘点平均梯度值；
S34：计算的边缘点数对应的占空比、边缘点平均亮度值、边缘点平均梯度值作为不同边缘图片的特征参数。
计算图像复杂度评价参数以及图像模糊评价参数作为对视频图片的模糊故障的最终评估值，根据图片总的特征参数、不同边缘图片的特征参数，通过特定的计算方法得出图像复杂度评价参数以及图像模糊评价参数，从而实现对对图像的模糊程度及模糊故障进行检测。
计算图像复杂度评价参数以及图像模糊评价参数步骤如下：
S41：综合所有参数，通过测试验证的方法，得到图片总的特征参数、不同边缘图片的特征参数对计算图像复杂度评价参数的影响因子；
S42：根据图片总的特征参数、不同边缘图片的特征参数以及影响因子计算得到图像复杂度评价参数；
S43：根据图像复杂度评价参数计算图像模糊评价参数。
总之，本发明提出了一种基于图像复杂度分析方法的特定场景下电力视频图像模糊检测方法。通过在电力系统中实际的现场视频图片进行了大量的实验验证了本发明的有效性和稳定性。本发明易于实现，且性能稳定可靠。本发明有效实现了对视频设备的模糊故障的检测，为电力视频设备的检修提供依据，将为电力视频的各项应用提供更加有效的技术支撑。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围内，因此，本发明的保护范围应该以权力要求书的保护范围为准。