為了在電力設(shè)備紅外圖像中較好地檢測(cè)故障區(qū)域,提出一種基于分層聚類(lèi)迭代的紅外圖像故障區(qū)域自動(dòng)提取方法。在該方法中,首先以脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse-coupled neural network,PCNN)作為紅外圖像處理核心模型,通過(guò)設(shè)置PCNN模型內(nèi)在參數(shù)以及引入聚類(lèi)機(jī)理,使得模型在迭代過(guò)程中可將整個(gè)圖像劃分成多個(gè)具有相似特性的區(qū)域。在此基礎(chǔ)上,通過(guò)計(jì)算各個(gè)層點(diǎn)火區(qū)域均值以及對(duì)均值大小進(jìn)行排序,然后針對(duì)灰度值較高的點(diǎn)火區(qū)域,結(jié)合邊界檢測(cè)算子并利用相似度評(píng)價(jià)方式對(duì)相鄰區(qū)域進(jìn)行合并處理,實(shí)現(xiàn)紅外圖像中熱故障區(qū)域的有效提取。最后對(duì)真實(shí)紅外圖像進(jìn)行測(cè)試并對(duì)比現(xiàn)有的一些方法,驗(yàn)證文中方法對(duì)熱故障區(qū)域提取的有效性和適用性。

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
0 引言
1 簡(jiǎn)化的PCNN模型
2 基于PCNN分層聚類(lèi)迭代的紅外圖像分割
    2.1 簡(jiǎn)化PCNN模型參數(shù)設(shè)置
        2.1.1 動(dòng)態(tài)閾值?
        2.1.2 連接系數(shù)?的設(shè)置
    2.2 分層聚類(lèi)迭代機(jī)制
    2.3 區(qū)域融合及最終輸出
3 實(shí)驗(yàn)結(jié)果及分析
4 結(jié)語(yǔ)



本文編號(hào)：3989080