本发明涉及图像处理技术领域，具体为一种铁路机车部件图像边缘增强方法。
背景技术：
现有边缘增强方法包括：sobel算子边缘检测、canny算子边缘检测、高通滤波提取轮廓信息、双阈值法边缘检测、二阶微分边缘检测。上述这些算法属于经典图像处理范畴，其都是以强调边缘为目的来实现的，也就是说，上述算法在处理结果上都是以边缘信息为高灰度值，非边缘信息为第灰度值呈现的。虽然上述算法对边缘信息的提取有很好的鲁棒性，但是也具有下述几点问题：
1.虽然突出图像中物体的边缘信息，但同时丢失了物体的主体信息，导致应用领域局限；
2.对于背景简单的物体来说，上述边缘检测方法具有一定的鲁棒性，但对于背景较为复杂的图像来说，上述边缘检测方法的鲁棒性并不高；
3.上述边缘检测的结果只适用于传统的图像处理，而无法作为深度学习的训练数据；
4.上述边缘检测算法的抗噪性不强。
技术实现要素：
本发明的目的是：针对现有技术中现有边缘增强方法鲁棒性低、且抗噪性差的问题，提出一种铁路机车部件图像边缘增强方法。
本发明为了解决上述技术问题采取的技术方案是：
一种铁路机车部件图像边缘增强方法，包括以下步骤：
步骤一：获取铁路机车线阵图像；
步骤二：根据铁路机车线阵图像截取机车部件子图；
步骤三：将截取的机车部件子图进行预处理后转换成三个相同的图像矩阵ahe1(x,y)、ahe2(x,y)和ahe3(x，y)；
步骤四：将图像矩阵ahe1(x,y)通过傅里叶变换转换为频谱图像，并通过高斯高通滤波器对频谱图像进行滤波，得到图像矩阵h(u,v)，然后将图像矩阵h(u,v)通过傅里叶逆变换转换回空间域，得到图像矩阵i(x，y)；
步骤五：将图像矩阵ahe2(x，y)和ahe3(x,y)通过两个不同的滤波器进行滤波，得到图像矩阵s(x,y）和图像矩阵g(x,y)；
步骤六：将图像矩阵i(x,y)、s(x,y)和g(x,y)进行归一化后得到
i′(x,y）、s′(x,y）、g′(x,y），然后将i′(x,y）、s′(x,y）和g′(x,y）分别乘以目标权重后相加，得到单通道图像矩阵，即边缘增强后的图像。
进一步的，步骤三中预处理的具体步骤为：首先对截取的机车部件子图进行中值滤波处理，然后，对中值滤波后的机车部件子图进行自适应直方图均衡化处理。
进一步的，中值滤波处理表示为：
mdian(x,y)＝mediana(f(x,y)}
其中，a为窗口，大小为3*3，f(x,y)为机车部件子图图像矩阵。
进一步的，步骤四的具体步骤为：
首先将预处理后得到的图像矩阵ahe1(x,y)通过二维离散快速傅里叶变换转换为频谱图像，并将频谱图像进行中心化后得到频谱图f(u,v)，然后采用高斯高通滤波对频谱图f(u,v)进行滤波处理得到图像h(u，v)，最后将得到的图像h(u,v)通过傅里叶逆变换转换回空间域，得到图像矩阵i(x,y)。
进一步的，图像h(u,v)表示为：
式中f0表示高斯高通滤波器的滤波半径，f0取ahe1(x,y)图像矩阵短边长的1/5。
进一步的，步骤五的具体步骤为：
首先将预处理后得到的图像矩阵ahe2(x，y)通过scharr算子分别进行x方向和y方向的滤波处理，然后对滤波处理后的图像进行高斯平滑处理，之后将高斯平滑处理后的图像进行图像融合，得到图像s(x,y)；
将预处理后得到的图像矩阵ahe3(x,y)通过高斯滤波器与中值滤波器进行平滑处理，得到图像g(x，y)。
进一步的，权重融合中x方向和y方向的权重分别为0.5。
进一步的，单通道图像矩阵表示为：
n(x,y)＝{i′(x,y)×α s′(x，y)×β g′(x,y）×γ}×255
式中，α、β、γ是i′(x,y)、s′(x，y)、g′(x,y)对应的权重系数。
进一步的，α、β和γ满足以下条件：
进一步的，α、β和γ为：α＝0.3、β＝0.1、γ＝0.6。
本发明的有益效果是：
1.在增强边缘的同时，保留物体本身的特征信息；
2.对于复杂背景图像的边缘增强也具有较强的鲁棒性；
3.边缘增强后的图像可用做深度学习的训练数据；
4.具有良好的抗干扰和抗噪能力。
附图说明
图1为原始图像及边缘增强后的图像对比图1；
图2为原始图像及边缘增强后的图像对比图2；
图3为原始图像及边缘增强后的图像对比图3；
图4为原始图像及边缘增强后的图像对比图4；
图5为原始图像及边缘增强后的图像对比图5；
图6为原始图像及边缘增强后的图像对比图6；
图7为原始图像局部分解放大图；
图8为数据增强结果示意图1；
图9为数据增强结果示意图2；
图10为本申请流程展开图；
图11为本申请的流程图。
具体实施方式
需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间或实施方式包括的特征之间可以相互组合。
具体实施方式一：参照图11具体说明本实施方式，本实施方式的一种铁路机车部件图像边缘增强方法，包括以下步骤：
步骤一：获取铁路机车线阵图像；
步骤二：根据铁路机车线阵图像截取机车部件子图；
步骤三：将截取的机车部件子图进行预处理后转换成三个相同的图像矩阵ahe1(x,y)、ahe2(x,y)和ahe3(x，y)；
步骤四：将图像矩阵ahe1(x，y)通过傅里叶变换转换为频谱图像，并通过高斯高通滤波器对频谱图像进行滤波，得到图像矩阵h(u，v)，然后将图像矩阵h(u，v)通过傅里叶逆变换转换回空间域，得到图像矩阵i(x，y)；
步骤五：将图像矩阵ahe2(x，y)和ahe3(x，y)通过两个不同的滤波器进行滤波，得到图像矩阵s(x，y)和图像矩阵g(x，y)；
步骤六：将图像矩阵i(x，y)、s(x，y)和g(x，y)进行归一化后得到
i′(x，y)、s′(x，y)、g′(x，y)，然后将i′(x，y)、s′(x，y)和g′(x，y)分别乘以目标权重后相加，得到单通道图像矩阵，即边缘增强后的图像。
线阵图像获取
在铁轨两侧以及底部配备高清线阵成像设备，列车通过触发压电传感器，开始启动成像设备对运动的机车进行扫描。逐行扫描后获取高清线阵图像。
待检测子图像获取
根据列车轴距、车型和先验知识对机车不同的模块或者零部件进行截取，得到子图像，子图像的获取可有效减少故障识别所需时间、提升识别准确率。
子图分析与边缘增强
由于线阵相机采集到的图像为单通道的灰度图，不具有颜色信息特征，仅可以通过灰度值的变化来区分边缘信息。导致下面两种情况会直接影响后续故障检测的准确性。
a、当光线分布不均的情况下，采集到的线阵图像具有明暗不一的特性；
b、当背景区域含有污渍、油渍时，会使得到的子图很难分辨车体本身的零部件信息特征。
上述a、b这种情况，本文统称为噪声干扰，使用传统边缘检测和增强的方法，很容易将噪声干扰区域识别为边缘区域，同时将边缘区域进行增强的同时丢失物体的主体信息。本文边缘增强的方法是将传统边缘检测算子进行改进和融合，可以良好的解决上述问题，其基本思想是：首先将切得的子图通过图像预处理后复制成三个相同的矩阵，然后将其中一个矩阵通过傅里叶变换转换为频谱图，并通过高斯高通滤波器进行滤波增强后转换回空间域，同时将剩余两个矩阵通过两个不同的滤波器进行滤波；最后，将处理后三个矩阵乘以相应的权重后融合成新的单通道图像矩阵。
图像矩阵边缘增强
图像矩阵边缘增强分为三个部分，其中一个部分是频域边缘增强，另一个部分是空间域边缘滤波，最后一个部分是图像滤波去噪。
具体实施方式二：本实施方式是对具体实施方式一的作进一步说明，本实施方式与具体实施方式一的区别是步骤三中预处理的具体步骤为：首先对截取的机车部件子图进行中值滤波处理，然后，对中值滤波后的机车部件子图进行自适应直方图均衡化处理。
具体实施方式三：本实施方式是对具体实施方式二的作进一步说明，本实施方式与具体实施方式二的区别是中值滤波表示为：
mdian(x，y)＝mediana{f(x，y)}
其中，a为窗口，大小为3*3，f(x,y)为图像矩阵。
首先对获取的子图进行中值滤波，消除由于线阵相机采集过程中产生的孤立噪声点。中值滤波公式：
mdian(x，y)＝mediana{f(x，y)}
其中，a为窗口，大小为3*3，{f(x,y)}为图像矩阵。
然后，对图像进行自适应直方图均衡化(ahe)，由于线阵相机采集到的图像会随着区域流明的不同产生明暗不一的效果，但边缘区域与非边缘区域的像素值变换规律是相同的，因此，为使采集到的图像具有相同的灰度值特征，采用自适应直方图均衡化来提升图像局部对比度以及获得更多的图像细节。通过自适应直方图均衡化(ahe)处理后，得到图像ahe(x，y)。然后复制成三个相同的图像矩阵，分别记为ahe1(x，y)，ahe2(x，y)，ahe3(x，y0。
具体实施方式四：本实施方式是对具体实施方式三的作进一步说明，本实施方式与具体实施方式三的区别是步骤四的具体步骤为：
首先将预处理后得到的图像矩阵ahe1(x，y0通过二维离散快速傅里叶变换转换为频谱图像，并将频谱图像进行中心化后得到频谱图f(u，v)，然后采用高斯高通滤波对频谱图f(u，v)进行滤波处理得到图像h(u，v)，最后将得到的图像h(u，v)通过傅里叶逆变换转换回空间域，得到图像矩阵i(x，y)。
频域边缘增强，目的是得到图像的主体轮廓信息。首先将预处理后得到的图像ahe1(x，y)通过二维离散快速傅里叶变换转换为频谱图像，并将其进行中心化后得到频谱图f(u，v)。得到图像的轮廓信息需要对图像进行高通滤波，为使高通滤波后的图像过渡性平坦且无振铃现象，然后采用高斯高通滤波对频谱图f(u，v)进行滤波处理，得到图像h(u，v)，其表达式如下：
式中f0表示高斯高通滤波器的滤波半径，通过实验证实，当f0取1/5ahe1(x，y)图像矩阵图像短边长时，主体轮廓特征最为显著。
最后，将得到的h(u，v)通过傅里叶逆变换转换回空间域，得到图像矩阵i(x，y)。
具体实施方式五：本实施方式是对具体实施方式四的作进一步说明，本实施方式与具体实施方式四的区别是图像h(u，v)表示为：
式中f0表示高斯高通滤波器的滤波半径，f0取1/5图像短边长。
具体实施方式六：本实施方式是对具体实施方式五的作进一步说明，本实施方式与具体实施方式五的区别是步骤五的具体步骤为：
首先将预处理后得到的图像矩阵ahe2(x，y)通过scharr算子分别进行x方向和y方向的滤波处理，然后对滤波处理后的图像进行高斯平滑处理，之后将高斯平滑处理后的图像进行图像融合，得到图像s(x，y)；所述的图像融合利用加权平均图像融合算法完成。
将预处理后得到的图像矩阵ahe3(x，y)通过高斯滤波器与中值滤波器进行平滑处理，得到图像g(x，y)。
空间域边缘滤波，目的是得到图像的细节轮廓信息。scharr算子是一种用于边缘检测的离散微分算子，对噪声具有平滑作用，提供较为精确的边缘方向信息，而且相对于sobel算子，其具有更高的精度。因此，首先将预处理后得到的图像ahe2(x，y)通过scharr算子分别进行x方向和y方向的滤波处理。由于机车部件在采集后，其部件轮廓信息具有一定的连续性，因此本方法在x、y方向进行scharr滤波后，对图像进行高斯平滑处理，这样可以消除非轮廓的噪声信息的干扰。然后将处理后的图像进行权重融合，由于在x、y方向的轮廓信息的重要程度具有一致性，因此，融合权重分别取0.5，使得x、y方向的滤波图像均匀融合，得到图像s(x，y)。
3)图像滤波，目的是消除噪声干扰的同时，保留图像的主体信息。为保留图像的主体信息的同时消除由图像采集或者车体本身的噪声干扰，将预处理后得到的图像ahe3(x，y)通过高斯滤波器与中值滤波器对图像进行平滑处理，得到图像g(x，y)。
具体实施方式七：本实施方式是对具体实施方式六的作进一步说明，本实施方式与具体实施方式六的区别是权重融合融合权重分别取0.5，使x、y方向的滤波图像均匀融合。通过scharr算子分别进行x方向和y方向的滤波处理，得到了x、y方向的两张滤波图像。
这里融合权重指的是这两张图像合成为一张图像后，它们所占比例，取0.5的意思就是两张图均匀融合成一张
具体实施方式八：本实施方式是对具体实施方式七的作进一步说明，本实施方式与具体实施方式七的区别是步骤六中归一化表示为：
式中，image表示归一化图像。
图像融合
为保证图像矩阵边缘增强后的图像i(x，y)、s(x，y)、g(x，y)像素范围具有一致性，对图像进行归一化处理，归一化表达式如下：
式中，image表示归一化图像。
具体实施方式九：本实施方式是对具体实施方式八的作进一步说明，本实施方式与具体实施方式八的区别是单通道图像矩阵表示为：
n(x，y)＝{i′(x，y)×α s′(x，y)×β g′(x，y)×γ}×255
式中，α、β、γ是i′(x，y)、s′(x，y)、g′(x，y)对应的权重系数。
具体实施方式十：本实施方式是对具体实施方式九的作进一步说明，本实施方式与具体实施方式九的区别是α、β和γ满足以下条件：
归一化后得到图像i′(x，y)、s′(x，y)、g′(x，y)。将图像乘以相应的权重后相加，得到图像n(x，y)，表达式如下所示：
n(x，y)＝{i′(x，y)×α s′(x,y)×β g′(x,y)×γ}×255
式中，α、β、γ是i′(x，y)、s′(x，y)、g′(x，y)对应的权重系数，为保证图像原有特征的同时增强轮廓信息，要求α、β、γ满足以下条件：
通过对比实验可得，对于机车部件图像，当α＝0.3、β＝0.1、γ＝0.6时，部件边缘轮廓增强效果最佳，如图1和图2所示，图1为原始图像，图2为边缘增强后的图像。
从图1至图6中可以明显看出图像对比度以及边缘信息得到了显著的提升。其细节部分如下图7所示，上虚线所指图像为原图局部放大图，下虚线所指图像为边缘增强后的局部放大图，从图中可以看出，与原图相比，增强后的图像边缘特征更加显著。
将本发明方法应用到现有voc数据集中，数据增强结果如下图8和图9所示，图8为原图灰度图，图9边缘增强后的图像。从图中可以看出，不同物体的轮廓信息被明显增强。将其制作成数据集后，放入mask-rcnn中进行训练，在其他配置条件相同的情况下，分割准确率提高0.8％。
图10为本申请最完善的技术方案流程图。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。
1.一种铁路机车部件图像边缘增强方法，其特征在于包括以下步骤：
步骤一：获取铁路机车线阵图像；
步骤二：根据铁路机车线阵图像截取机车部件子图；
步骤三：将截取的机车部件子图进行预处理后转换成三个相同的图像矩阵ahe1(x，y)、ahe2(x，y)和ahe3(x，y)；
步骤四：将图像矩阵ahe1(x，y)通过傅里叶变换转换为频谱图像，并通过高斯高通滤波器对频谱图像进行滤波，得到图像矩阵h(u，v)，然后将图像矩阵h(u，v)通过傅里叶逆变换转换回空间域，得到图像矩阵i(x，y)；
步骤五：将图像矩阵ahe2(x，y)和ahe3(x，y)通过两个不同的滤波器进行滤波，得到图像矩阵s(x，y)和图像矩阵g(x，y)；
步骤六：将图像矩阵i(x，y)、s(x，y)和g(x，y)进行归一化后得到i′(x，y)、s′(x，y)、g′(x，y)，然后将i′(x，y)、s′(x，y)和g′(x，y)分别乘以目标权重后相加，得到单通道图像矩阵，即边缘增强后的图像。
2.根据权利要求1所述的一种铁路机车部件图像边缘增强方法，其特征在于所述步骤三中预处理的具体步骤为：首先对截取的机车部件子图进行中值滤波处理，然后，对中值滤波后的机车部件子图进行自适应直方图均衡化处理。
3.根据权利要求2所述的一种铁路机车部件图像边缘增强方法，其特征在于所述中值滤波处理表示为：
mdian(x，y)＝mediana{f(x，y)}
其中，a为窗口，大小为3*3，f(x，y)为机车部件子图图像矩阵。
4.根据权利要求3所述的一种铁路机车部件图像边缘增强方法，其特征在于所述步骤四的具体步骤为：
首先将预处理后得到的图像矩阵ahe1(x，y)通过二维离散快速傅里叶变换转换为频谱图像，并将频谱图像进行中心化后得到频谱图f(u，v)，然后采用高斯高通滤波对频谱图f(u，v)进行滤波处理得到图像h(u，v)，最后将得到的图像h(u，v)通过傅里叶逆变换转换回空间域，得到图像矩阵i(x，y)。
5.根据权利要求4所述的一种铁路机车部件图像边缘增强方法，其特征在于所述图像h(u，v)表示为：
式中f0表示高斯高通滤波器的滤波半径，f0取ahe1(x，y)图像矩阵短边长的1/5。
6.根据权利要求5所述的一种铁路机车部件图像边缘增强方法，其特征在于所述步骤五的具体步骤为：
首先将预处理后得到的图像矩阵ahe2(x，y)通过scharr算子分别进行x方向和y方向的滤波处理，然后对滤波处理后的图像进行高斯平滑处理，之后将高斯平滑处理后的图像进行图像融合，得到图像s(x，y)；
将预处理后得到的图像矩阵ahe3(x，y)通过高斯滤波器与中值滤波器进行平滑处理，得到图像g(x，y)。
7.根据权利要求6所述的一种铁路机车部件图像边缘增强方法，其特征在于所述权重融合中x方向和y方向的权重分别为0.5。
8.根据权利要求7所述的一种铁路机车部件图像边缘增强方法，其特征在于所述单通道图像矩阵表示为：
n(x，y)＝{i′(x，y)×α s′(x，y)×β g′(x，y)×γ}×255
式中，α、β、γ是i′(x，y)、s′(x，y)、g′(x，y)对应的权重系数。
9.根据权利要求8所述的一种铁路机车部件图像边缘增强方法，其特征在于所述α、β和γ满足以下条件：
10.根据权利要求9所述的一种铁路机车部件图像边缘增强方法，其特征在于所述α、β和γ为：α＝0.3、β＝0.1、γ＝0.6。
技术总结