1.一种基于改进Retinex-Net的电力设备红外图像增强方法,其特征在于,包括:
S1、对电力设备红外图像进行HSV色彩空间转换,获得H、S、V三通道分量;
S2、针对H、S、V三通道分量,基于改进Retinex-Net网络,获得初步增强红外图像;
S3、对初步增强红外图像进行超像素分割和重构,获得最终增强红外图像;
所述S2,包括:
S2.1、针对V分量,基于传统Retinex-Net网络使用快速导向滤波平滑损失函数代替原网络的平滑损失函数,得到初步增强后的V分量;
S2.2、对初步增强后的V分量做校正以及融合处理得到增强后的V分量;
S2.3、将增强后的V分量与原始H、S分量进行通道合并,得到初步增强的红外图像;
所述S2.2,包括:对初步增强后的V分量做自适应Gamma校正以及基于VSM+WLS融合处理得到增强后的V分量;
所述S3包括:首先采用基于MSRM和SEEDS超像素分割方法分割,获得最终分割的目标图像;然后利用多尺度混合式引导滤波算法进行重构得到最终增强的图像。
2.根据权利要求1所述的基于改进Retinex-Net的电力设备红外图像增强方法,其特征在于,还包括验证步骤S4,针对改进的Retinex-Net网络,通过设置三个模块分别进行验证分析,以传统Retinex-Net网络为基础设计实验:①将仅改进损失函数的网络,记作FR-Net;②将既改进损失函数,又添加校正调整的网络,记作FGR-Net;③在FGR-Net的基础上再添加融合模块,即改进Retinex-Net,通过定量评估指标,验证改进Retinex-Net的增强效果;然后对于最终增强方法,利用YOLO v3和SSD目标检测模型对检测效果进行验证。
3.根据权利要求1所述的基于改进Retinex-Net的电力设备红外图像增强方法,其特征在于,所述自适应Gamma校正中,校正常数表达式为:;
式中:为校正常数;I(x,y)表示图像某一点的灰度值;μ和σ分别表示图像灰度的均值和标准差;ε为亮度阈值。
4.根据权利要求3所述的基于改进Retinex-Net的电力设备红外图像增强方法,其特征在于,首先利用每幅初步增强的V分量图像的灰度均值计算其光照系数并统计所有初步增强后的V分量的光照系数分布;然后计算所有初步增强后的V分量光照系数的平均值,并根据光照系数平均值得到光照分量中出现概率最高的像素均值,作为亮度阈值ε。
5.根据权利要求1所述的基于改进Retinex-Net的电力设备红外图像增强方法,其特征在于,所述基于VSM+WLS融合处理,具体为:首先将原始V分量图像作为自适应Gamma校正后的V分量的补充图像;然后依次利用高斯滤波和迭代滤波估计校正后的V分量图像的基础层和细节层,通过VSM计算权重对校正后的V分量图像的基础层进行加权叠加,再利用WLS对校正后的V分量图像的每一层细节层进行叠加;最后将处理后的基础层和细节层进行融合重建得到增强后的V分量图像。
6.根据权利要求1所述的基于改进Retinex-Net的电力设备红外图像增强方法,其特征在于,采用基于MSRM和SEEDS超像素分割方法分割出目标设备,具体为:首先通过SEEDS做超像素预分割,然后依据所提标记规则对分割出的超像素块进行标记划分,实现MSRM超像素合并,最后利用形态学法处理合并后的超像素得到最终分割的目标图像。
7.根据权利要求1所述的基于改进Retinex-Net的电力设备红外图像增强方法,其特征在于,对于分割出的设备利用多尺度混合式引导滤波算法对提取的目标设备进行重构得到最终增强的图像,具体为:依据初步增强的红外图像、最终分割的目标图像,首先通过多尺度RGF分解出图像细节层和基础层,并利用滤波获得显著图和权重图,然后使用加权融合方法融合权重图、基础层和细节层,得到融合的基础层SB和融合的细节层SD,最后对SD做全局细节增强,获得增强后的SD;依据融合的基础层SB和增强后的SD,得到最终的融合结果S,作为最终增强红外图像。