图像处理：电网图资智能识别技术的研究的步骤
图像处理：电网图资智能识别技术的研究的步骤
预处理算法
滤波
图像增强
图像分割
预处理算法结果：构成训练样本和测试样本
特征提取
形状进行归一化处理
提取各阶矩特征值
特征值进行归一化处理
训练SVM得参数设计电气设备的分类器
图像识别
提取待识别的电气设备图像的特征向量
与模板库中样本进行匹配
采用投票法对待识别的电气设备进行分类
图像识别算法结果：得到基于支持向量机的图像识别结果
图像识别主要包括有对模板库图像样本的训练和对待测试图像样本的分类识别两部分。样本图像训练的基本思想是将样本图像的特征所属的类别构成模板库；图像识别的基本思想是按照训练过程中的特征提取方法，提取待测样本的特征与模板库中的训练样本进行匹配，匹配程度最高的即为识别结果。因此，准确的提取目标的特征是提高目标识别的速度和准确度的关键。
图像预处理
在采集图像的过程中，扫描仪器内部成像系统、光电子元件及外界环境等因素的影响，使输入计算机的图像受到各种噪声干扰，这些噪声的存在使图产生细节模糊、特征淹没等问题，图像的质量大打折扣，严重影响了图像的分割、特征提取Ｗ及分类识别等一系列后续操作。因此，作为图像识别技术的基础操作，通过对采集到的图像进行増强、恢复、边缘检测Ｗ及分割等预处理操作来提高图像的质量。在实际预处理时，根据实际情况的需求，可Ｗ选取其中几种操作来进行预处理。
困像增强
图像的增强主要通过对采集图像进行灰度变换、滤波、锐化等一系列操作，提髙图像质量及其视觉效果的清晰度，使图像能够更加适用于计算机的进一步分析和处理。
（1）图像灰度增强
彩色图像的数据量大，存储所耗费的内存较大，处理所需的时间较长。为使图像的分割与特提取征更加方便，降低程序内存的存储，减少运算时间，需要将彩色图像变换为灰度图像。
（2）图像滤波增强
在采集图像的过程中，系统的外部干扰、图像采集仪器的机械运动及其自身的噪声等都会对所要采集的图像造成噪声污染。通常可将噪声大致分为高斯噪声、椒盐噪声和颗粒噪声Ｈ类Ｕ＂。噪声的存在使图像的质量严重下降，目标的特征弱化甚至淹没，对后续提取图像的特征及分类识别带来很大的障碍。
（3）图像的锐化增强
在对图像进行滤波的过程中，通常会对图像进行求和、平均或积分等运算，这些运算使得图像产生模糊效应。锐化增强作为滤波增强的反运算，可以减弱甚至是消除图像的模棚效应，増强图像目标与背景之间的对比度。常用的固像锐化算法有；梯度算子法、Roberts算子法、Sobel算子法、Prewitt算子法以及拉普拉斯算子法等。
图像分割算法
图像分割的基本思想是将图像分割成若干个互不相关的具有相似或一致性特征的目标区域。分割方法的选取取决于图像中目标的特征，这些特征可以是目标的颜色、几何形状、灰度值或者空间纹理等。
图像的特征提取
图像特征提取的基本思想是依据图像中目标的特性，将其分割为不同的子集后，提取出所需的图像目标特征，其目的在于求出对图像中目标的分类最为有效的特征，使识别的性能达到最佳。对于图像的识别来讲，提取出最能反映分类本质的图像特征以及如何提取这些特征是图像识别技术的关键。常见的特征提取法有基于颜色、纹理、形状以及空间关系等特征的提取方法。
图像的分类识别算法
图像的分类识别是区分并分离各个目标的过程。对目标进行分类识别的关键不仅取决于提取图像中目标特征的结果，更取决于识别算法的选取。分类识别算法的选取对最终识别结果的准确程度有着决定性的作用。目前常见的分类识别方法主要有模板匹配法、人工神经网络法和支持向量机法等。
基于SVM的图像识别主要分三步：
（1）构建训练样本集，利用SVM对样本的特征值进行训练，根据训练所得参数，构建基于SVM的识别分类器；
（2）将测试样本的特征值输入分类器中，得到属于各个目标分类后的概率；
（3）根据概率决定目标最终所属的类别，获得识别结果。
一、电网图资图像预处理
电网图资图像的灰度増强
灰度化
彩色图像的每个通道的数据需要8bit来存储，不仅需要耗费较大内存，也会使图像处理的时间增长。而灰度图像的像素只有一个通道，因此将彩色图像转化为灰度图像
增强图像的背景与目标间的对比度
图像灰度差值不大。为了更好的对电网图资灰度图像进行下一步的处理，提取图像中电气设备的特征，对电气设备进行分类识别，我们需要增强图像的背景与目标间的对比度，使两者之间的分界更加明显。
电网图资图像的滤玻増强
电网图资图像的锐化増强
基于数学形态学的电网图图像电气设备符号的分割
二、基于不变矩的电网图资图像的特征提取
电网图资图像特征提取的概述
提取电网图纸资料的特征值，主要是提取图纸中的各电气设备符号的特征。电网图资固像的预处理过程，实际上是对电气设备的特征进行加深、巩固的过程，使其特征更加明显，便于提取。要想对预处理后的电网图资图像中的电气设备进行识别分类，首先需要从图像信息中提取能够有效描述电气设备的特征。
基于不变矩的特征提取
在识别电网固纸资料中的各电气设备时，最基本的要求是识别的准确性。但是，在绘制手绘图纸或不同尺寸的图纸的过程中，电气设备图像存在尺度、角度的差异。经扫描得到的图像也会出现尺度、角度的改变，甚至是移位、形变。该类电气设备在进行识别时，其错误率较高。图像识别的关键在于无论图像如何平移、旋转、缩放甚至形变，都能正确识别而不发生错误。因此，电气设备符号的不变性研究电网图资智能识别技术研巧的重点。
基于改进Zernike矩的特征提取
在电网图资图像的离散化过程中，图像的旋转和缩放容易引起图像的重采样和重量化，同时，在极坐标下提取电网图资中的电气设备的各阶Zemike矩时，对于电气设备符号的重采样和重量化会使其特征值产生误差，这对电网图资图像中各电气设备不变特性产生了影响。为了得到更好电网图资图像不变性，本文提出一种基于归一化理论的改进Zemike矩算法。所谓的归一化是根据电气设备图像的质私Ｗ及质屯、到设备边缘的最大距离作为图像特征。该方法首先将各电气设备映射到单位圆中，在已知各电气设备旋转的角度和放大的比例的前提下，使各电气设各的形状归一化，然后对电气设备的各阶Zernike矩值进行归一化处理。
三、电网图资智能识别技术的实现
图像识别是实现电网图资智能识别技术的关键，图像识别的算法直接决定了电力系统图纸图像中各电气设备识别的的准确率。在电网图资图像的识别中，根据提取到的电气设备图像的特征向量，首先建立起基于特征向量的训练样本集，并作为分类识别的模板。在电网图资中电气设备进行分类识别之前，需要对其进行预处理，之后，提取分割出电网图资中的电气设备的特征，根据识别算法的判定准则对图像进行分类判定，找到与模板库中相似度最大的特征向量对应的电气设备，并作为图像识别的结果。
四、总结：
- 电网图资图像的预处理
首先将电网图资工程蓝图转化为灰度图，并对其进行灰度调整，利用中值滤波和均值滤波结合法对电网图资图像中的混合噪声进行去噪处理。然后利用Laplace算子法对电网图资图像中各电气设备的边缘细节进行锐化增强，凸显各电气设备的特征。
2.电网图资中电气设备图像的分割
首先对电网图资进行二值化操作，将各电气设备从电网图资背景中分离开。采用基于数学形态学和图像运算的理论擦除各电气设备间的连接线Ｉ获得图像中的各电气设备的独立信息。
3.电网图资图像的训练识别
采用改进Zemike矩的算法提取分割出的各电气设备符号的恃征向量，并将其输入已训练好的SVM分类器中进行投票，最终决定该电气设备所属的类。