【《太阳能电池板图像处理与特征提取算法案例分析》6500字（论文）】

太阳能电池板图像处理与特征提取算法案例分析目录TOC\o"1-3"\h\u4391太阳能电池板图像处理与特征提取算法案例分析 170901.1图像处理技术基本概念 121851.2图像增强 278211.2.1畸变矫正 32801.2.2去雾算法 4320381.3光伏板图像特征提取 6106531.1.1常用图像特征 6243841.1.2纹理特征与形状特征融合 10在用无人机获取照片的过程中，因各种不可抗力会导致获取的照片视觉效果较差。基于此，本文提出对无人机获取的照片进行预处理以使图像有一个更好的视觉效果，以提升目标检测的效果和精度。并提出融合了颜色特征提取和纹理特征提取的新算法，解决了单一的特征提取算法误检率、漏检率高的问题。1.1图像处理技术基本概念图像识别技术需要在图像分析之前进行预处理（图像增强、图像分割、图像识别等），因为图像质量直接影响设计的准确性和识别算法的有效性。图像预处理的主要目标是消除图像中不相关的信息，恢复有用的真实信息，提高相关信息的可检测性，最大程度地简化数据，进而提升特征提取、图像分割、匹配和识别的可靠性。现对图像处理的基本概念做简要描述。彩色图像中每个像素的颜色由三个分量R，G和B决定，每个分量的取值范围为0到255，因此每个像素点有超过1600万（255*255*255）种颜色变化。灰度图像是一种特殊的彩色图像，其中三个分量R，G和B的值相同，其中每个像素点的取值范围为0到255，在预处理时首先通过数字处理将图像灰度化。该方法可以在减少计算量的同时，保留彩色图像整体和局部的色度和亮度特征。灰度化：数字图像可以用像素点作为元素的矩阵表示，在矩阵中每个元素的取值范围是0到255，代表着每个点的亮度，可以表示为像素（x，y）,整个图像可以表示为灰度值f（x，y）。图像采样和量化的精度分别用空间分辨率和亮度分辨率表示。空间分辨率的衡量标准是将图像转化为数字图像的空间精度，亮度分辨率是衡量图像亮度的量化标准。几何变换：几何变换包括扩展缩放、平移、旋转、仿射变换、透视变换，几何变换的作用是为了消除图像采集过程中的随机误差和系统误差，以消除图像采集过程中产生的畸形误差。地球自转、检测摄像头速度、地球投影等会产生系统误差，此种误差可通过几何变换来矫正。无人机在采集照片的过程中，会产生晃动，高度也会发生变化，从而产生随机误差。此种误差可通过将拍摄到的图片发送回地面，并与正确位置的图像进行对比，用二者的方位求解一个双变量的多项式方程，从而解出正确的图像。归一化：归一化是对于一幅图像中的某些特征，使用统一的标准操作，使之具有固定统一的标准形式，这一过程称为图像归一化。归一化处理可以加快神经网络的收敛速度，可以减弱图像自身特性对图像性质的影响。当分析难以控制的遥感图像时，对图像进行归一化可以提升神经网络的性能。平滑处理：平滑处理的效果是减少图像中的随机噪声。通常使用中值，局部平均，k近邻平均和空间频率域带通滤波等方法。在对图像进行平滑处理时，衡量其处理过程是否有效的一项重要指标是图像的轮廓和形状特征应最大程度地保留其原始特征，同时消除噪声ADDINEN.CITE<EndNote><Cite><Author>樊庆楠</Author><Year>2019</Year><RecNum>158</RecNum><DisplayText><styleface="superscript">[27,28]</style></DisplayText><record><rec-number>158</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615709567">158</key></foreign-keys><ref-typename="Thesis">32</ref-type><contributors><authors><author>樊庆楠</author></authors><tertiary-authors><author>陈宝权,</author></tertiary-authors></contributors><titles><title>基于深度学习的图像处理算法研究</title></titles><keywords><keyword>图像平滑</keyword><keyword>反光去除</keyword><keyword>本征图像分解</keyword><keyword>解耦学习</keyword><keyword>深度学习</keyword></keywords><dates><year>2019</year></dates><publisher>山东大学</publisher><work-type>博士</work-type><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite><Cite><Author>祁明</Author><Year>2020</Year><RecNum>157</RecNum><record><rec-number>157</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615709567">157</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>祁明</author><author>祝典</author><author>邹武星</author></authors></contributors><auth-address>北京师范大学珠海分校应用数学学院;北京师范大学研究生院珠海分院;</auth-address><titles><title>图像处理技术综述</title><secondary-title>数字技术与应用</secondary-title></titles><periodical><full-title>数字技术与应用</full-title></periodical><pages>57+59</pages><volume>38</volume><number>02</number><keywords><keyword>图像处理</keyword><keyword>计算机视觉</keyword><keyword>技术</keyword></keywords><dates><year>2020</year></dates><isbn>1007-9416</isbn><call-num>12-1369/TN</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[27,28]。复原处理：在成像的过程中，因为拍摄条件的因素，如雾霾、抖动等情况都会影响图像的成像质量，造成图像失真，使图像不能真实反映物体的实际情况，这种照片获取过程中遇到的种种导致照片质量下降的过程，称作图像退化，这种情况就需要对图像进行复原处理。图像复原是图像退化的反过程。复原技术的基本原理是利用已有经验建立退化模型，并根据退化模型反向求取原始图像，通常将其称为反向滤波器ADDINEN.CITE<EndNote><Cite><Author>李警</Author><Year>2015</Year><RecNum>159</RecNum><DisplayText><styleface="superscript">[29]</style></DisplayText><record><rec-number>159</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615709858">159</key></foreign-keys><ref-typename="Thesis">32</ref-type><contributors><authors><author>李警</author></authors><tertiary-authors><author>杨付正,</author></tertiary-authors></contributors><titles><title>多帧图像复原算法研究</title></titles><keywords><keyword>多帧图像复原</keyword><keyword>图像去噪</keyword><keyword>图像去模糊</keyword><keyword>分块配准</keyword></keywords><dates><year>2015</year></dates><publisher>西安电子科技大学</publisher><work-type>硕士</work-type><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[29]。图像增强：图像增强技术是通过技术手段对原图进行相关处理，在突出所需信息的同时抑制不必要的信息，以提升图像的视觉效果，使图像针对特定场合更适合于分析。或者，将图像转换为更适合机器处理的格式，以利于数据集的后续建立和后续的识别过程。图像增强方法分为空间域和频率域方法，基于空间域的算法直接对图像的灰度级进行计算。典型的空间域算法包括可以消除或减少噪声的局部平均和中值滤波法。基于频域的算法将图像视为二维信息，并对其做傅立叶变换以增强其信号。低通滤波可消除图像中的噪声，而高通滤波可增强图像的边缘信息，使图像变的清晰ADDINEN.CITE<EndNote><Cite><Author>王雪梅</Author><Year>2019</Year><RecNum>160</RecNum><DisplayText><styleface="superscript">[30]</style></DisplayText><record><rec-number>160</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615709978">160</key></foreign-keys><ref-typename="Thesis">32</ref-type><contributors><authors><author>王雪梅</author></authors><tertiary-authors><author>张登银,</author></tertiary-authors></contributors><titles><title>单幅图像去雾算法的研究</title></titles><keywords><keyword>图像去雾</keyword><keyword>图像增强</keyword><keyword>图像复原</keyword><keyword>大气散射模型</keyword><keyword>暗通道先验</keyword></keywords><dates><year>2019</year></dates><publisher>南京邮电大学</publisher><work-type>博士</work-type><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[30]。图像滤波的主要作用是过滤掉一些噪声点和一些极值点。在保留图像细节特征的前提下对图像的噪声进行抑制。常见的滤波方法有高斯滤波、均值滤波、双边滤波、中值滤波等ADDINEN.CITE<EndNote><Cite><Author>!!!INVALIDCITATION!!![35,36]</Author><RecNum>0</RecNum><DisplayText><styleface="superscript">[31]</style></DisplayText><record><dates><year>!!!INVALIDCITATION!!![35,36]</year></dates></record></Cite></EndNote>[31]。1.2图像增强在无人机航拍过程中，因为天气条件的影响、拍摄过程中产生的抖动等因素会导致拍摄的图片出现模糊的情况，为了使图片有一个更好的视觉效果，需要对图片进行图像增强处理，以减少图片的噪声，突出所需检测物体的特征，提升计算机目标检测的效果。1.2.1畸变矫正因为光学镜头的自身固有特性（凸透镜的聚光，凹透镜的散光）导致拍摄的照片会产生失真的现象，而不是还原照片的原始特征。在数字图像处理中，当实际位置和坐标未对齐时，从直观上看，似乎拍摄的照片和实际对象之间存在差异。这种现象称为镜头畸变。镜头畸变会影响相机校准，图像匹配和3D坐标系的建立。ADDINEN.CITE<EndNote><Cite><Author>王爱齐</Author><Year>2013</Year><RecNum>163</RecNum><DisplayText><styleface="superscript">[32]</style></DisplayText><record><rec-number>163</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615710343">163</key></foreign-keys><ref-typename="Thesis">32</ref-type><contributors><authors><author>王爱齐</author></authors><tertiary-authors><author>邱天爽,</author></tertiary-authors></contributors><titles><title>几类降质图像的恢复方法研究</title></titles><keywords><keyword>图像去噪</keyword><keyword>去模糊</keyword><keyword>畸变矫正</keyword><keyword>SURE</keyword><keyword>全变差</keyword><keyword>稀疏性</keyword><keyword>高动态范围压缩</keyword></keywords><dates><year>2013</year></dates><publisher>大连理工大学</publisher><work-type>博士</work-type><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[32]。影响最大的畸变是径向畸变和切向畸变。径向畸变是透镜表面的曲率变化引起的缺陷，径向畸变会导致图像点相对于理想位置产生位移。如果发生径向畸变，则成像表面中心的畸变为0，随着成像点移动到末端，畸变变得更加严重。切向畸变产生的原因是在透镜的制造过程中，会造成一些难以避免的缺陷，这些缺陷会导致透镜与图像平面不在一个水平面。布朗（brown）于1966年首次提出一个综合的畸变模型-铅锤模型，该模型可以描述大部分球面光学系统的成像规律，是目前使用最为广泛的模型，该模型描述如下：

XC=x1+k1yC=y1+如果在光伏组件的图像识别中不能解决畸变问题，那么它将对后续组件的形状特征提取，坐标提取和纹理特征提取产生很大影响，因此必须要对其进行处理以矫正其畸变。在本文中，主要采用区域网空中三角测量运算中的自检法，并考虑诸如相机的实际测量焦距f、图像主点偏移值∆x、与铅锤模型结合使用，得出其畸变矫正数学模型为：∆x=xr2∆y=yr2其中，

x=x−x0y=y−y0r=x2+y其中，∆x、∆y为数码相机的畸变修正参数：x，y是图像中的像素点坐标，x经过畸变矫正后的图像如下所示：注：A为原图，B为畸变矫正后的图像图1.1畸变矫正示意图1.2.2去雾算法拍摄条件的差异、环境状况的不同都会对照片的视觉效果产生一定影响。对于光照不匀、灰尘遮挡的情况可以通过滤波的方法进行去除。对于雾霾，本文借鉴了何恺明博士等人在2009年提出的暗通道法对图像进行一个雾霾去除ADDINEN.CITE<EndNote><Cite><Author>!!!INVALIDCITATION!!![38,39]</Author><RecNum>0</RecNum><DisplayText><styleface="superscript">[33]</style></DisplayText><record><dates><year>!!!INVALIDCITATION!!![38,39]</year></dates></record></Cite></EndNote>[33]。暗通道的构建过程如下，先选出RGB三通道中的最小值，得到一张灰度图，然后对其进行最小值滤波。即可得到一张暗通道图。具体过程如下：对于输入图像Ｊ，其暗通道可以用下式表达：QUOTEJdarkx=minyϵΩ(x式中的Jc代表彩色图像的每个通道，QUOTEΩ(x)Ω暗通道的先验的理论指出：Jdark→0(在数字图像处理中，可以用下述方程来表达一个雾图形成模型：Ix=Jx其中，QUOTEIxIx为待去雾的图像，QUOTEJxJx为要恢复的无雾的图像，参数A是大气光（一个常数），QUOTEtxtx为透射率。现在已知的条件是QUOTEIxIx，要求目标值是QUOTEJxJx。将上式变形为：Ic(x)假设在每个窗口内透射率QUOTEtxtx为常数，将其定义为tx，并且Ａ值已经给定，然后对上式两边求两次最小值运算，得到下式：miny∈ΩxminＪ是待求的无雾的图像，根据前述先验理论有:Jdarkx=miny把上式的结论带回原式中，得到：tx=1−miny上述推论中都是假设Ａ值是已知的，在实际中，可以在原始有雾图像Ｉ中首先在暗通道中按亮度选取前0.1%的像素点，然后在原始有雾图像中对应位置选取亮度最大的点，并以此作为Ａ的值，这样做可以避免将白色物体作为大气光A值。以防当图像是鲜艳图像时暗通道值接近0。并将A代入上式中，可以得到最终的图像恢复公式为:Jx=Ix对实际中雾霾天气下拍到的有雾图像进行处理，对照可以看到效果十分明显:注：A为原图，B为雾霾去除后的图像图1.2雾霾处理示意图1.3光伏板图像特征提取1.1.1常用图像特征图像的特征主要有图像的颜色、纹理、形状、SIFT特征ADDINEN.CITE<EndNote><Cite><Author>刘松松</Author><Year>2016</Year><RecNum>167</RecNum><DisplayText><styleface="superscript">[34,35]</style></DisplayText><record><rec-number>167</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615710668">167</key></foreign-keys><ref-typename="Thesis">32</ref-type><contributors><authors><author>刘松松</author></authors><tertiary-authors><author>毛征,</author></tertiary-authors></contributors><titles><title>航拍地面目标检测算法研究</title></titles><keywords><keyword>计算机视觉</keyword><keyword>航拍目标检测</keyword><keyword>特征提取</keyword><keyword>支持向量机</keyword></keywords><dates><year>2016</year></dates><publisher>北京工业大学</publisher><work-type>硕士</work-type><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite><Cite><Author>邱芬鹏</Author><Year>2020</Year><RecNum>166</RecNum><record><rec-number>166</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615710668">166</key></foreign-keys><ref-typename="Thesis">32</ref-type><contributors><authors><author>邱芬鹏</author></authors><tertiary-authors><author>王一歌,</author><author>黄海艺,</author></tertiary-authors></contributors><titles><title>基于局部特征的无人机航拍图像快速拼接方法研究</title></titles><keywords><keyword>航拍图像拼接</keyword><keyword>ORB</keyword><keyword>位姿信息</keyword><keyword>图像融合</keyword></keywords><dates><year>2020</year></dates><publisher>华南理工大学</publisher><work-type>硕士</work-type><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[34,35]，其中的纹理、颜色、形状特征属于肉眼或者视觉系统可以直观感受到的特征，这类特征可以归为视觉特征，而物体的频谱、颜色直方图等需要通过一定的处理才能得到的特征信息属于物体的统计特征。(一)、颜色特征属于图像的视觉特征，与其他视觉特征不同的地方在于，物体大小、方位、角度等信息的变化对图像的颜色特征影响不大。因此在图像识别领域，颜色特征提取方法被广泛采用。在光伏板缺陷检测任务中，光伏板缺陷部分的颜色较深，非缺陷部分的颜色较浅，因此采用颜色特征提取方法可以较好的提取物体表面的特征。颜色特征的表示方法有：颜色直方图、颜色矩、颜色聚合向量等ADDINEN.CITE<EndNote><Cite><Author>邢晴</Author><Year>2019</Year><RecNum>168</RecNum><DisplayText><styleface="superscript">[36]</style></DisplayText><record><rec-number>168</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615710896">168</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>邢晴</author><author>张锁平</author><author>李明兵</author><author>党超群</author><author>齐占辉</author></authors></contributors><auth-address>国家海洋技术中心;</auth-address><titles><title>融合颜色特征和对比度特征的图像显著性检测</title><secondary-title>半导体光电</secondary-title></titles><periodical><full-title>半导体光电</full-title></periodical><pages>433-437</pages><volume>40</volume><number>03</number><keywords><keyword>显著性检测</keyword><keyword>颜色特征</keyword><keyword>超像素</keyword><keyword>对比度特征</keyword><keyword>导向滤波</keyword></keywords><dates><year>2019</year></dates><isbn>1001-5868</isbn><call-num>50-1092/TN</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[36]。颜色直方图是将物体的像素信息用直方图的形式表示出来，通过颜色直方图可以反映出不同的色彩在一副照片中所占的比例，当图像难以进行自动分割或不需要考虑物体的位置信息时，使用颜色直方图可以较好的表现物体的颜色特征。颜色矩的数学基础是，颜色矩可以体现图像中任何的颜色分布。由于颜色分布的信息主要集中于低阶矩上，因此采用一阶矩、二阶矩、三阶矩就可以将颜色分布的信息充分的展现，对于某幅图像而言，其三个低阶颜色矩的数学表达形式为：

u=1Nj=1(1.17)(1.18)其中表示的是第个像素的颜色值。因此，在一幅彩色图像中，一共有9个数值用于表示其低阶颜色矩，分别是一阶矩的三个颜色分量、二阶矩的三个颜色分量、三阶矩的三个颜色分量。一阶矩是均值，反映了每个颜色分量的平均强度；二阶矩是方差，反映了待测区域的方差，即颜色的不均匀性；三阶矩是斜度，反映了待测分量的偏斜度，即颜色的不对称性。颜色聚合向量是颜色直方图的改进模型，与颜色直方图不同的是，颜色聚合向量可以表达出图像色彩的空间分布特征。它将每个像素分类为聚合的（coherencepixels）或非聚合的（incoherencepixels）。聚合与非聚合的判定标准是先设定一个阈值，当某一区域的连通域大于该阈值时，则为聚合，否则为非聚合。连通域是由具有同类量化值的像素组成的集合。(二)、纹理特征是一种视觉特征，可以反映图像中的同质现象，而与颜色和亮度无关。纹理特征反映了物体表面具有周期性变化的表面结构组织。光伏板缺陷区域有如下特点：某些局部序列具有重复性、具有一定规律性、纹理区域内接近均匀的统一体。因此采用纹理特征可以较好的提取光伏板的缺陷特征，纹理特征的表示方法有：灰度差分统计、自相关函数、灰度共生矩阵等ADDINEN.CITE<EndNote><Cite><Author>!!!INVALIDCITATION!!![43,44]</Author><RecNum>0</RecNum><DisplayText><styleface="superscript">[37]</style></DisplayText><record><dates><year>!!!INVALIDCITATION!!![43,44]</year></dates></record></Cite></EndNote>[37]。灰度差分统计的方法是设(x,y)为图像中的一点，该点和它只有微小距离的点的灰度差值为ADDINEN.CITE<EndNote><Cite><Author>刘辉</Author><Year>2013</Year><RecNum>171</RecNum><DisplayText><styleface="superscript">[38]</style></DisplayText><record><rec-number>171</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615711041">171</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>刘辉</author><author>张云生</author><author>张印辉</author><author>何自芬</author></authors></contributors><auth-address>昆明理工大学冶金与能源工程学院;昆明理工大学信息工程与自动化学院;昆明理工大学机电工程学院;</auth-address><titles><title>基于灰度差分统计的火焰图像纹理特征提取</title><secondary-title>控制工程</secondary-title></titles><periodical><full-title>控制工程</full-title></periodical><pages>213-218</pages><volume>20</volume><number>02</number><keywords><keyword>火焰图像</keyword><keyword>灰度差分统计</keyword><keyword>纹理特征</keyword><keyword>灰度共生矩阵</keyword><keyword>角度方向二阶矩</keyword></keywords><dates><year>2013</year></dates><isbn>1671-7848</isbn><call-num>21-1476/TP</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[38]：(1.19)其中，称为灰度差分。设灰度差分所有可能的取值为m，令点(x,y)遍历整个画面，统计出所有的取值情况，据此得出的直方图。根据直方图可以求出取值的概率p(i)。相关的统计特征有：平均值：(1.20)对比度：(1.21)熵：(1.22)纹理常用其粗糙度来解释。低值的纹理测度表示细的纹理，高值的纹理测度表示粗糙的纹理。自相关函数常用作纹理测度的函数。设图像为f(x,y)，自相关函数的定义为：(1.23)它是对(2w+1)*(2w+1)窗口内的每一像素点(j,k)与偏离值为的像素之间的相关值作计算。通常，当偏离值一定时，粗糙纹理的相关性要高于细纹理，因而纹理粗糙性应与自相关函数的扩展成正比。自相关函数随着的增加而下降，并且随着表面粗糙程度的增加，曲线下降的斜率越大。在图像识别应用中，常通过将未知纹理的自相关函数与标准纹理的自相关函数进行对比来判断待检表面的粗糙程度。示意图如图所示:图1.3自相关函数示意图图像的灰度分布在空间位置上的随机出现构成了图像的纹理特征，因此图像中任意随机的二像素点之间会存在一定的灰度关系。灰度共生矩阵是一种研究灰度分布的空间相关特性的纹理描述方法。

灰度直方图是统计图像上所有单个像素灰度值的结果，而灰度共生矩阵是求图像中相距一定距离的两个相同像素点之间的联合概率分布。图像的灰度共生矩阵可以反映图像灰度关于方向、邻近间距和变化幅度的全面信息，这是分析图像的局部模式及其排列规则的基础ADDINEN.CITE<EndNote><Cite><Author>陆兴华</Author><Year>2019</Year><RecNum>173</RecNum><DisplayText><styleface="superscript">[39]</style></DisplayText><record><rec-number>173</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615711434">173</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>陆兴华</author><author>刘铭原</author><author>龙庆佳</author><author>陈泽江</author></authors></contributors><auth-address>广东工业大学华立学院;</auth-address><titles><title>基于灰度直方图的运动目标特征检测算法</title><secondary-title>计算机与现代化</secondary-title></titles><periodical><full-title>计算机与现代化</full-title></periodical><pages>71-75</pages><number>06</number><keywords><keyword>运动图像</keyword><keyword>运动目标</keyword><keyword>目标特征检测</keyword></keywords><dates><year>2019</year></dates><isbn>1006-2475</isbn><call-num>36-1137/TP</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[39]。(三)、将对象从图像中分割之后可以分析光伏板的形状特征，形状特征描述和尺寸测量的组合可以用来区分光伏板缺陷区域和非缺陷区域。形状特征可以分为边界特征和区域特征。图像轮廓特征主要用于描述对象的外边界，而图像的区域特征与整个形状区域有关ADDINEN.CITE<EndNote><Cite><Author>陈章宝</Author><Year>2019</Year><RecNum>172</RecNum><DisplayText><styleface="superscript">[40]</style></DisplayText><record><rec-number>172</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615711348">172</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>陈章宝</author><author>王艳春</author><author>王强</author></authors></contributors><auth-address>蚌埠学院电子与电气工程系;</auth-address><titles><title>融合纹理和形状特征的人脸图像性别识别</title><secondary-title>怀化学院学报</secondary-title></titles><periodical><full-title>怀化学院学报</full-title></periodical><pages>28-33</pages><volume>38</volume><number>05</number><keywords><keyword>人脸图像</keyword><keyword>性别识别</keyword><keyword>局部二值模式</keyword><keyword>梯度方向直方图</keyword><keyword>Adaboost算法</keyword></keywords><dates><year>2019</year></dates><isbn>1671-9743</isbn><call-num>43-1394/Z</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[40]。形状特征的表示方法主要有：傅里叶形状描述子、不变矩等ADDINEN.CITE<EndNote><Cite><Author>陈章宝</Author><Year>2019</Year><RecNum>172</RecNum><DisplayText><styleface="superscript">[40]</style></DisplayText><record><rec-number>172</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615711348">172</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>陈章宝</author><author>王艳春</author><author>王强</author></authors></contributors><auth-address>蚌埠学院电子与电气工程系;</auth-address><titles><title>融合纹理和形状特征的人脸图像性别识别</title><secondary-title>怀化学院学报</secondary-title></titles><periodical><full-title>怀化学院学报</full-title></periodical><pages>28-33</pages><volume>38</volume><number>05</number><keywords><keyword>人脸图像</keyword><keyword>性别识别</keyword><keyword>局部二值模式</keyword><keyword>梯度方向直方图</keyword><keyword>Adaboost算法</keyword></keywords><dates><year>2019</year></dates><isbn>1671-9743</isbn><call-num>43-1394/Z</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[40]。傅里叶形状描述子：傅里叶形状描述子的基本思想是用物体边界信息的傅里叶变换作为形状特征。提取物体边界的空间域信息，通过离散傅里叶变换将其转换为频率域信息，将物体的轮廓二值化，以更好地区分物体的轮廓信息，提升物体检测的精度。傅里叶描述子的具体步骤如下：对于一个二维平面上的每个边界点，将其坐标用复数形式表示为如下：(1.24)进行离散傅里叶变换得到函数a(u)：(1.25)上式中，a(u)称为边界的傅里叶描述子。通过这些系数的傅里叶逆变换可得到函数s(k)，即：(1.26)不变矩：若图像中目标物所在区域是以其内部点的形式给出，则可以用矩描述图像的特性。根据力学中矩的概念，将区域内部的像素作为质点，像素坐标作为力臂，利用不同阶的矩来表示区域的形状特征。若用矩描述区域目标时，具有平移、旋转和缩放不变性ADDINEN.CITE<EndNote><Cite><Author>张旭艳</Author><Year>2016</Year><RecNum>174</RecNum><DisplayText><styleface="superscript">[41]</style></DisplayText><record><rec-number>174</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615711609">174</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>张旭艳</author><author>华宇宁</author><author>董晔</author><author>郝永平</author><author>张乐</author></authors></contributors><auth-address>沈阳理工大学兵器科学技术研究中心;</auth-address><titles><title>一种基于不变矩的红外目标识别算法</title><secondary-title>沈阳理工大学学报</secondary-title></titles><periodical><full-title>沈阳理工大学学报</full-title></periodical><pages>10-13+29</pages><volume>35</volume><number>02</number><keywords><keyword>红外图像</keyword><keyword>目标识别</keyword><keyword>不变矩</keyword><keyword>联合特征向量</keyword><keyword>欧式距离</keyword></keywords><dates><year>2016</year></dates><isbn>1003-1251</isbn><call-num>21-1594/T</call-num><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[41]。(四)SIFT特征：尺度不变特征变换（ScaleInvariantFeatureTransform）是在1999年由David

Lowe提出，并在2004得到完善。SIFT特征具有以下特点ADDINEN.CITE<EndNote><Cite><Author>王金磊</Author><Year>2020</Year><RecNum>175</RecNum><DisplayText><styleface="superscript">[42]</style></DisplayText><record><rec-number>175</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615711686">175</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>王金磊</author><author>焦璐</author></authors><subsidiary-authors><author>中国新闻技术工作者联合会,</author></subsidiary-authors></contributors><auth-address>新华通讯社通信技术局;</auth-address><titles><title>基于SIFT特征点的图像复制粘贴篡改检测</title><secondary-title>中国新闻技术工作者联合会2020年学术年会</secondary-title></titles><pages>7</pages><keywords><keyword>复制粘贴</keyword><keyword>篡改</keyword><keyword>特征点</keyword><keyword>特征描述子</keyword><keyword>匹配</keyword></keywords><dates><year>2020</year></dates><pub-location>中国四川成都</pub-location><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[42]：

(1)、SIFT特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性。

(2)、多量性，即使少数的几个物体也可以产生大量SIFT特征向量。

(3)、速度相对较快，经优化的SIFT匹配算法甚至可以达到实时的要求。1.1.2纹理特征与形状特征融合形状特征提取可以获得图像的全局或局部特征，但对于被识别目标仅有细微差别时，形状特征提取方法效果较差。对于光伏板缺陷检测任务来说，光伏板缺陷与灰尘、污渍等非缺陷目标颜色、形状相似，很容易出现误识别的现象，因此除形状特征以外，本文引入纹理特征提取方法，融合形状特征一起作为特征向量进行分类。注：A为原图，B为仅用形状特征进行提取边缘识别不清晰，C为加入纹理特征识别更加精确图1.4特征提取方法比较图本文采用传统的Gabor来进行纹理特征的提取，Gabor滤波器的频率和方向与人类的视觉系统类似，特别适合于纹理表示与判别。在本文纹理特征提取中采用的是二维Gabor滤波器，它的表现形式如下所示：gx,y=1x，=xcosθ+ysinθyσx、σ纹理特征提取步骤分为三步，第一步计算纹理图像局部区域的方向，第二步，求取纹理图像局部区域纹线线条的频率，第三步，得出局部区域的方向和频率以后，就可以构造Gabor滤波器的模板了，然后用此滤波器组来对图像进行滤波。最终得到整幅图像的纹理特征矩阵。形状特征提取方法采用傅里叶描述子算法，该算法首先对于平面上的每个边界点，用复数形式将坐标表示出来。接下来对坐标进行离散傅里叶变换，最后利用这些系数的傅里叶逆变换将原始坐标恢复。底层特征向量的提取中会有很多的干扰和噪声，通过使用特征变换算法对提取到的特征进行编码，可以提高特征表达的准确度，从而获得更具区分性、更加鲁棒的特征表达。一般常见的编码方法有向量量化编码、核词典编码、稀疏编码、局部线性约束编码、显著性编码、Fisher向量编码、超向量编码等ADDINEN.CITE<EndNote><Cite><Author>孙洪飞</Author><Year>2015</Year><RecNum>176</RecNum><DisplayText><styleface="superscript">[43,44]</style></DisplayText><record><rec-number>176</rec-number><foreign-keys><keyapp="EN"db-id="pwx2wzft2vdzwletaaux5axs9vzwsz2s0dep"timestamp="1615711875">176</key></foreign-keys><ref-typename="Thesis">32</ref-type><contributors><authors><author>孙洪飞</author></authors><tertiary-authors><author>周宁宁,</author></tertiary-authors></contributors><titles><title>基于小波变换的图像特征提取方法研究</title></titles><keywords><keyword>图像特征提取</keyword><keyword>图像增强</keyword><keyword>小波变换</keyword><keyword>特征向量</keyword><keyword>项目应用</keyword></keywords><dates><year>2015</year></dates><publisher>南京邮电大学</publisher><work-type>硕士</work-type><urls></urls><remote-database-provider>Cnki</remote-database-provider></re