本发明提出基于边缘点自相似性的油污图像的识别，获取待检测图像的边缘点，给每个边缘点分配基准方向和计算其特征向量，并对特征向量进行归一化处理；计算边缘线上每个边缘点的局部和整体自相似性值，并将其加权组合作为该边缘点的最终自相似性值；获取每条边缘线上自相似性高的边缘点集合，在该集合中根据预定的方式筛选并标记出自相似性低的不规则边缘点；计算所有不规则边缘点的局部邻域内的像素强度差；设定像素强度差阈值，标记局部邻域内像素强度差大于给定阈值的不规则边缘点为油污图像。本发明还提出应用该识别的TEDS系统，快速准确识别动车组上的油污，避免出现识别错误，降低误判率。
1.一种基于边缘点自相似性的油污图像的识别方法，其特征在于，包括以下步骤：步骤一：在计算机中输入待检测的图像，利用canny边缘检测算法获取该图像的所有边缘点；
步骤二：对所有边缘点进行分类，同类边缘点属于一个图像轮廓的一条初始边缘线，获取待检测的图像的所有的初始边缘线，给每个边缘点分配一个基准方向，并提取每个边缘点的特征向量，且对每个特征向量进行归一化处理；
步骤三：根据每个边缘点归一化处理后的特征向量计算每条初始边缘线上每个边缘点的局部自相似性值和整体自相似性值，并将局部自相似性值和整体自相似性值的加权组合作为该边缘点最终的自相似性值；
步骤四：设定一个高阈值，获取每条初始边缘线上的自相似性值高于高阈值的边缘点的集合，剔除每条初始边缘线上自相似性值低于高阈值的边缘点；
步骤五：计算上述集合中每个边缘点与其最邻近边缘点的自相似性值，设定一个低阈值，获取集合中所有的自相似性值高于低阈值的边缘点，将该集合中低于低阈值的边缘点标记为形成不规则图像的不规则边缘点；
步骤六：对步骤五中高于低阈值的边缘点分类，同一类边缘点形成一个图像轮廓的校正边缘线，给所有的校正边缘线设定一个长度阈值，获取小于该长度阈值的校正边缘线，将该校正边缘线上的点标记为形成不规则图像的不规则边缘点；
步骤七、计算步骤五和步骤六中得到的所有不规则边缘点的局部邻域内的像素强度差，设定像素强度差阈值，标记每个不规则边缘点的局部邻域内的像素强度差大于给定阈值的不规则边缘点为油污图像。
2.根据权利要求1所述的基于边缘点自相似性的油污图像的识别方法，其特征在于，所述步骤三中根据每个边缘点归一化处理后的特征向量计算每条初始边缘线上的边缘点最终的自相似性值的方式为：设定 和 为边缘线上的任意两个边缘点，其特征向量分别为和 ，则边缘线上任意两个边缘点 和 的相似性值为： ，这里向量内
积的计算方式为向量对应元素相乘再相加，得到两个边缘点 和 的相似性值；
边缘点 的局部自相似性值为：取该边缘点 所在的边缘线上与该边缘点相邻且位于其两侧的四个边缘点 、 、 、 ，则边缘点 的局部自相似性值为：；
边缘点 的整体自相似性值为：假定该边缘线上共有n个边缘点，则边缘点 的整体自相似性值为：；
，将局部自相似性值和整体自相似性值组合，则边缘点 的自相似性值为：
归一化处理后的特征向量 的范围在0到1之间，则自相似性值在0到1之间表示相似程度，自相似性值为0时是完全不相似状态，为1时是完全相似状态。
3.根据权利要求1所述的基于边缘点自相似性的油污图像的识别方法，其特征在于，所述步骤二中给每一个边缘点分配一个基准方向的方式为：对于任一个边缘点，构造以当前边缘点为中心的局部邻域，计算该邻域内所有像素点的梯度值和方向，利用直方图统计该邻域内所有像素点的梯度值和方向，直方图内包含将0
180度的方向范围均分的9个直方柱，180 360度均分并合并在9个直方柱上；
计算每个边缘点对相邻两个方向的加权系数，再根据加权系数和梯度值计算每个边缘点对相邻两个方向的贡献权值，将贡献权值累加至该边缘点所在的直方图的每个直方柱上，直方图峰值所在方向为该边缘点的基准方向。
4.根据权利要求1所述的基于边缘点自相似性的油污图像的识别方法，其特征在于，所述步骤二中任一个边缘点的特征向量的提取方式为：设定任一边缘点为 ，该边缘点的基准方向为 ，将坐标轴旋转至基准方向；在旋转后的坐标系中沿着四个方位分别取距离边缘点 预定个像素位置的点 、 、 、 ，构造以 、 、 、 、 为中心的5个局部邻域，计算每个像素点的梯度值和每个像素点对相邻两个方向的贡献权值；统计5个局部邻域的方向分布直方图，得到5个直方图；该 边 缘 点 的 特 征 向 量 为 ：；最后对每个边缘点的特征
5.根据权利要求1所述的基于边缘点自相似性的油污图像的识别方法，其特征在于，所述步骤七中计算所有不规则边缘点的局部邻域内的像素强度差的方式为：设定任一不规则边缘点为 ，构造以 为中心的局部邻域；计算该局部邻域内最大像素强度与最小像素强度的像素强素差 。
6.一种采用权利要求1-5任一项的基于边缘点自相似性的油污图像的识别方法的动车组运行故障动态图像检测系统，其特征在于，将标记的油污图像默认为动车组的正常状态，在动车组故障检测时不标记。
基于边缘点自相似性的油污图像的识别及TEDS系统
技术领域
[0001] 本发明涉及计算机图像检测识别领域，特别是指一种基于边缘点自相似性的油污图像的识别方法及应用该识别的TEDS系统。
背景技术
[0002] 目前，油污图像作为干扰图像，在图像检测领域有专门针对静态物体表面油污的检测设备和检测方法，主要用于物件表面的清洁和净化。
[0003] 中国专利说明书CN104318556A中公开了一种油污干扰区域的识别方法，这种识别方法是先对图片进行预处理，再采用基于显著线扫描形态学的检测方法对油污缺陷图像进行定位检测，识别油污干扰区域。该油污识别方法检测出的干扰边缘较多，应用在动车组故障检测中，动车组运行故障动态图像检测系统（TEDS系统）易将故障检测为油污图像，提高误判率。
发明内容
[0004] 本发明提出一种基于边缘点自相似性的油污图像的识别方法，能够识别油污图像，并解决了现有技术中动车故障检测中误判高的问题。
[0005] 本发明的技术方案是这样实现的：
[0006] 一种基于边缘点自相似性的油污图像的识别方法，包括以下步骤：
[0007] 步骤一：在计算机中输入待检测的图像，利用canny边缘检测算法获取该图像的所有边缘点；
[0008] 步骤二：对所有边缘点进行分类，同类边缘点属于一个图像轮廓的一条初始边缘线，获取待检测的图像的所有的初始边缘线，给每个边缘点分配一个基准方向，并提取每个边缘点的特征向量，且对每个特征向量进行归一化处理；
[0009] 步骤三：根据每个边缘点归一化处理后的特征向量计算每条初始边缘线上每个边缘点的局部自相似性值和整体自相似性值，并将局部自相似性值和整体自相似性值的加权组合作为该边缘点最终的自相似性值；
[0010] 步骤四：设定一个高阈值，获取每条初始边缘线上的自相似性值高于高阈值的边缘点的集合，剔除每条初始边缘线上自相似性值低于高阈值的边缘点；
[0011] 步骤五：计算上述集合中每个边缘点与其最邻近边缘点的自相似性值，设定一个低阈值，获取集合中所有的自相似性值高于低阈值的边缘点，将该集合中低于低阈值的边缘点标记为形成不规则图像的不规则边缘点；
[0012] 步骤六：对步骤五中高于低阈值的边缘点分类，同一类边缘点形成一个图像轮廓的校正边缘线，给所有的校正边缘线设定一个长度阈值，获取小于该阈值的校正边缘线，将该校正边缘线上的点标记为形成不规则图像的不规则边缘点；
[0013] 步骤七、计算步骤五和步骤六中得到的所有不规则边缘点的局部邻域内的像素强度差，设定像素强度差阈值，标记每个不规则边缘点的局部邻域内的像素强度差大于给定阈值的不规则边缘点为油污图像。
[0014] 优选的是，所述的基于边缘点自相似性的油污图像的识别方法中，所述步骤三中根据每个边缘点归一化处理后的特征向量计算每条初始边缘线上的边缘点最终的自相似性值的方式为：设定 和 为边缘线上的任意两个边缘点，其特征向量分别为 和 ，则
[0015] 边缘线上任意两个边缘点 和 的相似性值为： ，这里向量内积的计算方式为向量对应元素相乘再相加，得到两个边缘点 和 的相似性值；
[0016] 边缘点 的局部自相似性值为：取该边缘点 所在的边缘线上与该边缘点相邻且位于其两侧的四个边缘点 、 、 、 ，则边缘点 的局部自相似性值为：
[0017] ；
[0018] 边缘点 的整体自相似性值为：假定该边缘线上共有n个边缘点，则边缘点 的整体自相似性值为：
[0019] ；
[0020] 设定局部自相似性和整体自相似性的权值为 ，且 ，，将局部自相似性值和整体自相似性值组合，则边缘点 的自相似性值
为：
[0021] ；
[0022] 归一化处理后的特征向量 的范围在0到1之间，则自相似性值在0到1之间表示相似程度，自相似性值为0时是完全不相似状态，为1时是完全相似状态。
[0023] 优选的是，所述的基于边缘点自相似性的油污图像的识别方法中，所述步骤二中给每一个边缘点分配一个基准方向的方式为：
[0024] 对于任一个边缘点，构造以当前边缘点为中心的局部邻域，计算该邻域内所有像素点的梯度值和方向，利用直方图统计该邻域内所有像素点的梯度值和方向，直方图内包含将0 180度的方向范围均分的9个直方柱，180 360度均分并合并在9个直方柱上；~ ~
[0025] 计算每个边缘点对相邻两个方向的加权系数，再根据加权系数和梯度值计算每个边缘点对相邻两个方向的贡献权值，将贡献权值累加至该边缘点所在的直方图的每个直方柱上，直方图峰值所在方向为该边缘点的基准方向。
[0026] 优选的是，所述的基于边缘点自相似性的油污图像的识别方法中，所述步骤二中任一个边缘点的特征向量的提取方式为：
[0027] 设定任一边缘点为 ，该边缘点的基准方向为 ，将坐标轴旋转至基准方向；在旋转后的坐标系中沿着四个方位分别取距离边缘点 预定个像素位置的点 、 、 、 ，构造以 、 、 、 、 为中心的5个局部邻域，计算每个像素点的梯度值和每个像素点对相邻两个方向的贡献权值；统计5个局部邻域的方向分布直方图，得到5个直方图；该 边 缘 点 的 特 征 向 量 为 ：；最后对每个边缘点的特征
向量进行归一化处理。
[0028] 优选的是，所述的基于边缘点自相似性的油污图像的识别方法中，所述步骤七中计算所有不规则边缘点的局部邻域内的像素强度差的方式为：
[0029] 设定任一不规则边缘点为 ，构造以 为中心的局部邻域；计算该局部邻域内最大像素强度与最小像素强度的像素强素差 。
[0030] 一种采用上述任一项的基于边缘点自相似性的油污图像的识别方法的动车组运行故障动态图像检测系统，将标记的油污图像默认为动车组的正常状态，在动车组故障检测时不标记。
[0031] 本发明的有益效果为：本发明中，先考虑每条初始边缘线，根据特征向量计算每条初始边缘线上的边缘点的自相似性，获取自相似较大的边缘点集合，剔除自相似性小的边缘点；再在自相似性较大的所有边缘点集合中根据预定的方式重新计算每个边缘点的自相似性，获取自相似性值高于低阈值的边缘点集合，增加边缘点的连续性；对集合中高于低阈值的边缘点重新分类，得到校正边缘线；将校正边缘线上低于长度阈值的点和集合中低于低阈值的点标记为不规则边缘点，不规则边缘点构成不规则图像；然后设定像素强度差阈值，标记每个不规则边缘点的局部邻域内的像素强度差大于给定阈值的不规则边缘点为油污图像。该方法先识别相对于背景图中的不规则图像，然后利用油污的特性识别出油污图像，提高油污识别的准确性；而且应用在TEDS系统上，能快速准确识别车上的油污图像，降低动车组故障误判率，提高TEDS系统检测的准确性。
附图说明
[0032] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据实施例获得其他的附图。
[0033] 图1为采集的动车组的某一部位的图像；
[0034] 图2为在图1中识别出油污图像。
具体实施方式
[0035] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036] 实施例1：一种应用在TEDS系统上的基于边缘点自相似性的油污图像的识别方法，包括以下步骤：
[0037] 步骤一：在计算机中输入待检测的动车组图像，如图1所示，利用canny边缘检测算法获取该图像的所有边缘点；具体过程如下：
[0038] 1、在计算机上将动车组图像处理为灰度图像；
[0039] 2、对灰度图像进行高斯模糊以减少图像噪声的干扰；
[0040] 3、计算降噪后的图像中每个像素点的梯度值和方向；
[0041] 4、对每个像素点的梯度值进行非极大值抑制，初步得到图像边缘点集合；5、采用双阈值方法进行边缘连接，剔除虚假边缘，补全边缘缺口，获得更精确的边缘点集合。
[0042] 步骤二：对所有边缘点进行分类，同类边缘点属于一个图像轮廓的一条初始边缘线，获取待检测的图像的所有的初始边缘线，给每一个边缘点分配一个基准方向，并提取每个边缘点的特征向量，且对每个边缘点的特征向量进行归一化处理；
[0043] 每一个边缘点分配一个基准方向的方式为：
[0044] 1、对于任一个边缘点，构造以当前边缘点为中心的8*8邻域，计算该邻域内所有像素点的梯度值和方向，利用直方图统计该邻域内所有像素点的梯度值和方向，直方图内包含将0 180度的方向范围均分的9个直方柱，每个直方柱20度，180 360度均分并合并在9个~ ~直方柱上；
[0045] 2、计算每个边缘点对相邻两个方向的加权系数，再根据加权系数和梯度值计算每个边缘点对相邻两个方向的贡献权值，将贡献权值累加至该边缘点所在的直方图的每个直方柱上，直方图峰值所在方向为该边缘点的基准方向。
[0046] 每一个边缘点的特征向量的提取方式为：
[0047] 1、设定任一边缘点为 ，该边缘点的基准方向为 ，将坐标轴旋转至基准方向，坐标变换为 ；在旋转后的坐标系中沿着四个方位分别取距离边缘点预定个像素位置的点 、 、 、 ，构造以 、 、 、 、 为中心的5个8*8邻域，计算每个像素点的梯度值 ，计算每个像素点对相
邻两个方向的贡献权值 ；
[0048] 2、统计5个8*8邻域的方向分布直方图，得到5个直方图；该 边 缘 点 的 特 征 向 量 为 ：
；最后对每个边缘点的特征
向量进行归一化处理。
[0049] 步骤三：根据每个边缘点归一化处理后的特征向量计算每条初始边缘线上每个边缘点的局部自相似性值和整体自相似性值，并将局部自相似性值和整体自相似性值的加权组合作为边缘点最终的自相似性值；
[0050] 每条初始边缘线上的边缘点的最终的自相似性值的计算方式为：设定 和 为边缘线上的任意两个边缘点，其特征向量分别为 和 ，则
[0051] 边缘线上任意两个边缘点 和 的相似性值为： ；这里向量内积的计算方式为向量对应元素相乘再相加，得到两个边缘点 和 的相似性值；
[0052] 边缘点 的局部自相似性值为：取该边缘点 所在的边缘线上与该边缘点相邻且位于其两侧的四个边缘点 、 、 、 ，则边缘点 的局部自相似性值为：
[0053] ；
[0054] 边缘点 的整体自相似性值为：假定该边缘线上共有n个边缘点，则边缘点 的整体自相似性值为：
[0055] ；
[0056] 设 定 局 部自 相 似 性 和整 体 自 相 似 性 的 权 值 为 ，选 取， ，将局部自相似性值和整体自相似性值组合，则边缘点 的最终自相似性值为：
[0057]；
[0058] 归一化处理后的特征向量 的范围在0到1之间，则自相似性值在0到1之间表示相似程度，自相似性值为0时是完全不相似状态，为1时是完全相似状态。
[0059] 步骤四：将高阈值设为0.5，获取每条初始边缘线上的自相似性值高于0.5的边缘点的集合，剔除每条初始边缘线上自相似性值低于高阈值的边缘点。
[0060] 步骤五：计算步骤四的集合中的任意两个边缘点的自相似性，将低阈值设为0.1，获取集合中所有的自相似性值高于0.1的边缘点，将该集合中低于0.1的边缘点标记为形成不规则图像的不规则边缘点。
[0061] 步骤六：对步骤五中高于低阈值的边缘点分类，同一类边缘点形成一个图像轮廓的校正边缘线，给所有的校正边缘线设定长度阈值12，获取边缘线长度小于12的校正边缘线，将该校正边缘线上的点标记为形成不规则图像的不规则边缘点。
[0062] 步骤七、计算步骤五和步骤六中得到的所有不规则边缘点的局部邻域内的像素强度差，设定像素强度差阈值，标记每个不规则边缘点的局部邻域内的像素强度差大于给定阈值的不规则边缘点为油污图像。
[0063] 设定像素强度差阈值并标记不规则图像的边缘点为油污图像的具体方式为：由于油污一般呈现出较深的颜色状态，类似于图像中的阴影，具有较小的灰度值，且与周围区域灰度值相差较大，因此我们计算不规则图像上的边缘点的局部邻域内的像素强度差，设定像素强度差阈值E=30，当不规则图像的边缘点的局部邻域内的像素强度差满足E>30时，标记当前不规则图像上的边缘点为油污图像，如图2所示。
[0064] 步骤八、提取图像库中的待检测的动车组的参考图像，应用标准图像法在TEDS系统中将待检测的图像和参考图像进行比对，将步骤七中识别出的油污图像默认为外在干扰因素，不是动车组的故障状态，在动车组故障检测时不标记，降低故障误判，提高得到的故障检测图的精确度。
[0065] 上述出现的邻域根据具体情况来选择，也可选为8*16等其他邻域。上述高阈值、低阈值、长度阈值以及像素强度差阈值可根据实际检测图像的类型来选取。
[0066] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
