物理光学小组作业
课题：联合相关图像识别
班级：光电1403 成员：陶柏全，彭尹，黄锡销，杨航，侯禹
光学相关模式识别（Optical Correlation Pattern Recognition）是应用光学变换相关的方法，从混乱的图像信息中找出所需要的目标图像，来达到识别目标图像信息的目的。
光学相关模式识别运用了光学的相关运算器；光学相关运算器可以大致分为两种：匹配滤波相关器(Matched Filtering Correlator MFC)和联合变换相关器（Joint Transform Correlatror JTC）;
通过下面几个问题的讨论，加深对信息光学及光信息处理的了解。
（1）知识：描述实现光信息处理的4F系统，意义及实现方法；
上图为4f系统的光路图。经过L1扩束后变为平行光，然后经过y1，透过率函数为f1(x1,y1),在L2的后焦面上可以观察到y1的频谱F1[x2/(λf),y2/(λf)]，y2平面上也有透过率函数f2，所对应的傅里叶变换为F2[x2/(λf),y2/(λf)]，所以透过y2后的角谱为(F1×F2)，再经过L3进行一次傅里叶变换，在L3的后焦面光场分布为f1*f2。当物在透镜前面时，在后焦面的光场为
EE ff(xx,yy)=AAee jjjj(ff+dd)jj jj jj ee jjjj2ff?1?dd ff?(xx2+yy2)FF{tt(xx1,yy1)}
当将物放在前焦面时，d=f，二次相位消失。
EE ff=AAee jj2jjff jj jj jj FF{tt(xx1,yy1)}
若y2的透过率函数为1，就相当于在真空中传播，成像分析如下。
在y2的光场分布为
EE ff=AAee jj2jjff jj jj jj FF{tt(xx1,yy1)}
然后经过L3进行又一次傅里叶变换
EE ff(xx3,yy3)=AAee jj2jjff jj jj jj FF?EE ff(xx2,yy2)?
=AAee jj2jjff jj jj jj FF{AAee jj2jjff jj jj jj FF[tt(xx1,yy1)]}
=Kt(xx3,yy3)
其中，K=(AAee jj2kkkk jjjjff)2，对于光强的分布没有影响。
可以看出，4F系统可以用来对光学信息进行处理。在y2面上可以加各种滤波器或者其他的光学器件，通过对频域的处理达到对光学信息的处理。
（2）分析与综合：
给定一个4F系统，光路如下：
在物面上距离中心b处分别放置着参考物r（x-b，y）和待识别物t（x+b，y）；波长为λ的单色平行光波照射输入面，运用光学傅里叶变换理论，建立物理模型，分析该系统的下述情况：
写出输入平面上的透过率函数；
f(x1,y1)=r(x1?b,y1)+t(x1+b,y1)
给出LL FFFF1焦平面上的光强分布表达式，即衍射屏的功率谱；将LL FFFF1焦平面上的光强分布用胶片曝光做成衍射屏（square law converter）,写出该函数表达式；
由上面关于4F系统的描述可知，焦平面上的光场分布为：
EE ff（xx2,yy2）=AAee jj2jjff jj jj jj FF{jj(xx1,yy1)}
=AAee jj2jjff jj jj jj FF{rr(xx1?bb,yy1)+tt(xx1+bb,yy1)}
=AAee jj2kkjj jj jj jj{RR?uu1,vv1?ee?jj2ππbbuu+TT?uu1,vv1?ee jj2ππbbuu}
其中，u1=xx2ffjj,v1=yy2ffjj。
光强分布为：II ff(xx2,yy2)=KK{FF[rr(xx1?bb,yy1)+tt(xx1+bb,yy1)]} 2
=|R|2+|TT|2+RRTT?ee?jj4ππππππ+RR?TTee jj4ππππππ
其中，K=(1/λf)2。
将该胶片衍射屏置于LL FFFF2的前焦面上，给出单色光照明下LL FFFF2的后焦面上光强分布，并说明该输出平面上光强分布的意义，即联合相关输出；
在此，不再是光场的传播，而是直接用第一次傅里叶变换以后的光强分布来进行傅里叶变换。
EE ff（xx3,yy3）=AAee jj2jjff jj jj jj FF{II ff(xx2,yy2)}
II ff(xx3,yy3)=KK×{FF[II ff(xx2,yy2)]} 2
=tt(xx3,yy3)?tt(xx3,yy3)+rr(xx3,yy3)?rr(xx3,yy3)
+rr(xx3,yy3)?tt(xx3,yy3)?δδ(xx3+2bb,yy3)+tt(xx3,yy3)
?rr(xx3,yy3)?δδ(xx3?2bb,yy3)
由公式可见，第一项为t的自相关，第二项为r的自相关，第三项为中心在（-2b，0）点处的t与r的互相关，第四项为中心在（2b，0）点处的t与r1的互相关。当t=r时，t与r的互相关也就是相同透过率函数的自相关，会出现一个较大的值，也就是在（-2b，0）和（2b，0）亮点会出现2个亮点，而当t与r不同时，t与r的互相关的值会比较小，在（-2b，0）和(2b,0)处不会出现亮点。实验用“BB”图样和“BO”图样来验证联合相关输出。实验结果如下图所示，可以看出，当图样为“BB”时，会出现2个相关峰，中心为2个函数的自相关叠加。当图样为“BO”时，只有中心是亮斑，说明互相关很小。
BB第一次采集
BO第一次采集
BB第二次采集
BO第二次采集
(3)仿真分析：
原始图片如上
第一次傅里叶变换后结果如下：
BB BO
第二次傅里叶变换如下：
BB BO
(4)拓展：理解并讨论数字图像处理。
数字图像处理技术通过将图像的信息数据化，规范化整理，通过一系列运算，达到对得到信息的滤除，强化，替代等多种期望中的结果。从处理方法上来讲，主要分为两大类：空间域处理和频域处理。
空间域处理一般是直接对数字图像进行数组矩阵的运算，以集合的形式来看待需处理的像素，通常使用的方法有：平滑，反色，线性灰度变换，对比增强，或算子的方式例如Sobel 算子，Canny算子，小波变换等。频域的处理，一般是把图像从空域变换到频域，再从另外一个角度来分析图像的特征并进行处理，处理完毕后再逆映射到空间域。这些相关运算主要用来实现以下功能：图像去噪，亮度变换，自由几何变换，图像编码，图像分割，数据修复，对象识别等。
频域处理一般是将图像变换到频域，对频谱进行处理，比如通过滤波器等。
用MATLAB对图片进行空域处理：
原图片二值化线性增强
频域处理：
加入噪声低通滤波高通滤波
成员贡献：
陶柏全：负责报告撰写和理论分析。
彭尹：负责MATLAB仿真和报告撰写。
杨航：负责报告撰写以及查找资料。
黄锡销：负责实验和报告撰写。
侯禹：查找资料。
心得体会：
陶柏全：在这次的大作业中，我主要负责报告的撰写。通过这次实验和理论分析，我清楚并深入的了解到了空间频谱的意义和联合相关的意义。透镜的焦平面上可以观察空间角谱，也可以在前焦面输入光强信息，来得到联合相关图样。总之，通过这次大作业，我收获匪浅
彭尹：这次大作业中，我主要负责MATLAB仿真分析，通过这次实验，我清楚地认识了数字图像处理的强大，感到学无止境，同时也感受到傅里叶等前人的厉害，以后必须好好学习理论知识并运用到实际应用中。
杨航：其实本学期开始我们对物理光学还是了解甚少的，对光学实验要做什么以及怎么做了解很少。记得上第一堂实验课时，老师告诉我们光学实验其实很简单，但这是在做好预习的前提之下，所以每堂实验课之前都必须写好预习报告，包括实验的目的、器材、原理等，实验步骤也可以自己提前设计好，但在正式的试验报告中要对步骤加以完善。这种要求一开始确实不大适应，因为大一大二也做过不少实验了，很少实验有过这样的要求，但在以后的实验过程中我们却发现这样做对我们更好地了解实验做好实验是有很大帮助的。不光如此，我们的实验教材也与以前有很大的不同，本次教材的实验原理和有关的实验仪器是分开介绍的，这就更加要求我们必须提高自己的能力与水平才能做好每次实验的预习工作，否则到真正实验时就会无从下手，所以从我个人的角度来看这对我们能力的提升是有极大帮助的，而我们本人也从中受益匪浅。
黄锡销：这次大作业过后我们对于相关图像识别及傅里叶分析方面有了更深刻的理解，通过实验的数据检验及小组的仿真建模我们在分析研究傅里叶变换及成像的过程中通过实际验证与理论的严谨推导再一次论证了相关结论。虽然实验过程中有些许考虑欠佳的部分，但在老师及同学的帮助下我们组顺利地得到了满意的实验结果，组员们也获得了不同程度的收获，因此此次大作业给我们的综合学习能力一个极大的提升。
侯禹：经过这次的大作业,我个人得到了不少的收获,一方面加深了我对课本理论的认识,另一方面也提高了实验操作能力。现在我总结了以下的体会和经验。
这次的实验跟我们以前做的实验不同，因为我觉得这次我是真真正正的自己亲自去完成。所以是我觉得这次实验最宝贵，最深刻的。就是实验的过程全是我们学生自己动手来完成的，这样，我们就必须要弄懂实验的原理。在这里我深深体会到哲学上理论对实践的指导作用：弄懂实验原理，而且体会到了实验的操作能力是靠自己亲自动手，亲自开动脑筋，亲自去请教别人才能得到提高的。
附件：
object1=imread('D:\Documents\MATLAB\BB.jpg');
object2=imread('D:\Documents\MATLAB\BO.jpg');
fgray1=rgb2gray(object1);
fgray2=rgb2gray(object2);
figure(1);
imshow(fgray1);
figure(2);
imshow(fgray2);
%figure;
g=fft2(fgray1);
g=fftshift(g);
g1=log(abs(g));
g1=g1.*g1;
g1=(g1-min(min(g1)))/(max(max(g1))-min(min(g1)))*255;
g1(g1<90)=0;
g1(g1>110)=255;
figure(3);
imshow(g1);
gg=fft2(fgray2);
gg=fftshift(gg);
gg1=log(abs(gg));
gg1=gg1.*gg1;
gg1=(gg1-min(min(gg1)))/(max(max(gg1))-min(min(gg1)))*255; gg1(gg1<90)=0;
gg1(gg1>110)=255;
figure(4);
imshow(gg1);
g2=fft2(g1);
g2=fftshift(g2);
g2=log(abs(g2));
g2=g2.*g2;
g2=(g2-min(min(g2)))/(max(max(g2))-min(min(g2)))*255;
g2(g2<130)=0;
g2(g2>150)=255;
figure(5);
imshow(g2);
gg2=fft2(gg1);
gg2=fftshift(gg2);
gg2=log(abs(gg2));
gg2=gg2.*gg2;
gg2=(gg2-min(min(gg2)))/(max(max(gg2))-min(min(gg2)))*255; gg2(gg2<130)=0;
gg2(gg2>150)=255;
figure(6);
imshow(gg2);
图像处理代码：
object1=imread('D:\Documents\MATLAB\girl.bmp');
figure(1);
imshow(object1);
figure(2);
oo1=object1.*4;
imshow(oo1);
object1=rgb2gray(object1);
J1=imnoise(object1,'salt & pepper',0.05);
figure(3);
imshow(J1);
object1=double(J1);
g=fft2(object1);
g=fftshift(g);
[M,N]=size(g);
nn=2; % 二阶巴特沃斯(Butterworth)低通滤波器d0=50;
m=fix(M/2);
n=fix(N/2);
for i=1:M
for j=1:N
d=sqrt((i-m)^2+(j-n)^2);
h1=1/(1+0.414*(d/d0)^(2*nn));
result1(i,j)=h1*g(i,j);
end
end
result1=ifftshift(result1);
J2=ifft2(result1);
J3=uint8(real(J2)); J3=J3.*3;
figure(4);
imshow(J3);
[M,N]=size(g);
nn=2; % 二阶巴特沃斯(Butterworth)低通滤波器d0=50;
m=fix(M/2);
n=fix(N/2);
for i=1:M
for j=1:N
d=sqrt((i-m)^2+(j-n)^2);
if (d==0)
h2=0;
else
h2=1/(1+0.414*(d0/d)^(2*nn)); end
result2(i,j)=h2*g(i,j);
end
end
result2=ifftshift(result2);
J4=ifft2(result2);
J5=uint8(real(J4));
figure(5);
imshow(J5);
神经网络在人脸识别中的应用 1.引言 早在上世纪60年代末, 人脸识别即引起了研究者的强烈兴趣.但早期的人脸识别一般都需要人的某些先验知识, 无法摆脱人的干预。进入上世纪9O年代, 由于高速度、高性能计算机的出现,人脸识别的方法有了重大突破, 进入了真正的机器自动识别阶段, 人脸识别研究得到了前所未有的重视。人脸识别方法有很多种: (1)特征脸方法。这种方法起源于图像描述技术，采用特征脸识别方法有良好的稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性。不足之处是受表情变化、光照角度强度变化和视角变化等严重影响, 鲁棒性较差。(2)隐马尔可夫模型方法(HiddenMarkovMode1)是用于描述信号统计特征的一组统计模型。HMM的基本理论是由Baum和Welch等人在20世纪6O年代末70年代初建立, 在语音识别中应用较多。 (3)弹性图匹配方法。弹性图匹配方法是一种基于动态连接结构的方法。它将人脸用格状的稀疏图表示。 (4)神经网络方法。人工神经网络是由多个神经元按照一定的排列顺序构成的, 是一个非线性动力学系统, 其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单, 功能有限, 但由大量冲经元所构成的网络系统却能够实现复杂丰富的功能。神经网络系统除了具有集体运算的能力和自适应的学习能力外, 还有根强的容错性和鲁棒性.善于联想、综合和推广。神经网络模型各种各样。它们是从不同的角度对生物神经系统不同层次的描述和模拟。有代表性的网络模型有感知器、多层映射BP网络、RBF网络等。目前, 在人工神经网络的实际应用中,绝大部分的神经网络模型都是采用BP网络及其变化形式, 它也是前向网络的核心部分, 是人工神经网络最精华的部分。2BP神经网络的人脸识别BP神经网络用于人脸识别一般应先对输入图像实行图像预处理,然后进行特征提取,接下来就是BP网络训练,最后用训练好的网络进行识别,获得识别结果。 2.基于特征脸和BP 神经网络的人脸识别方法 2.1特征脸分析 这种方法是根据图像的统计特征进行正交变换( K-L 变换) [3] , 以去除样 本间的相关性, 然后根据特征值的大小选择特征向量( 主分量) , 由于这些特 征向量的图像类似人脸, 所以称为特征脸[4, 5] 。下面就这种方法作简要介绍。 X∈RN 为表示一幅图像的随机向量, 这里N是图像的大小, X 由图像的行或列连 接而成的向量。假设有p 个人, 每个人有r1 ( 1≤i≤P) 个人脸样本图像, 样 本集为{ Xji } , Xji表示第j个人的第i个样本。那么每个人样本均值向量为 mi ( 1≤ i≤p) ; 总体样本均值向量为m; 类间散布矩阵为
基于MATLAB BP神经网络的数字图像识别
基于MATLAB BP神经网络的数字图像识别 【摘要】随着现代社会的发展，信息的形式和数量正在迅猛增长。其中很大一部分是图像，图像可以把事物生动的呈现在我们面前，让我们更直观地接受信息。同时，计算机已经作为一种人们普遍使用的工具为人们的生产生活服务。如今我们也可以把这些技术应用在交通领域。作为智能交通系统(InteUigent Traffic System，简称ITS)中的一个重要组成部分的车牌识别技术，当然就是其中的重点研究对象。车辆牌照识别(License P1ate Recognition，简称LPR)，是一种关于计算机的包括图像处理、数学技术、数据库、信息技术以及智能技术于一体的综合技术。用MATLAB做车牌识别比用其他工具有许多优势，因为MATLAB在图像的灰度化、二值化、滤波等方面都有很大优势，所以,本次实验我们利用MA TLAB的这些优点来对车牌进行识别。 【关键词】BP神经网络；图像识别；字符识别；特征提取；车牌；Matlab 一课题研究背景 （一）图像识别的提出及应用 随着信息化时代的不断发展，人们越来越多地使用信息化的手段来解决各种问题——办公自动化、先进制造业、电子商务等利用计算机技术而产生的新兴行业正不断靠近我们的生活。在信息社会中，我们每天都接触大量的数据——工作数据、个人数据、无意间获得的数据等——在这些数据中，有些数据需要我们人工处理，而有些则可以利用计算机快速准确的完成——字符识别就是其中的一个范畴。 字符识别是一种图像识别技术，他的输入是一张带有某种字符的图片，而输出则是计算机中对于图片中字符的反应结果。所以，可以广泛的应用于各种领域：如，车牌检测、手写识别、自动阅读器、机器视觉……在生活生产的各个方面都起到了非常重要的作用。（二）图像识别技术的发展趋势 虽然图像识别技术还不是非常成熟，但现其已经有了很多可喜的成果，比如图像模式识别，图像文字识别。并且其还在飞速的发展着，图像识别的应用正朝着不同的领域渗透着，像计算机图像生成，图像传输与图像通信，高清晰度电视，机器人视觉及图像测量，办公室自动化，像跟踪及光学制导，医用图像处理与材料分析中的图像分析系统，遥感图像处理和空间探测，图像变形技术等等。从所列举的图像技术的多方面应用及其理论基础可以看出，它们无一不涉及高科技的前沿课题，充分说明了图像技术是前沿性与基础性的有机统一。 可以预计21世纪，图像技术将经历一个飞跃发展的成熟阶段，为深入人民生活创造新的文化环境，成为提高生产的自动化、智能化水平的基础科学之一。图像技术的基础性研究，特别是结合人工智能与视觉处理的新算法，从更高水平提取图像信息的丰富内涵，成为人类运算量最大、直观性最强，与现实世界直接联系的视觉和“形象思维”这一智能的模拟和复现，是一个很难而重要的任务。“图像技术”这一上世纪后期诞生的高科技之花，其前途是不可限量的。 随着21世纪经济全球化和信息时代的发展，作为信息来源的自动检测、图像识别技术越来越受到人们的重视。近年来计算机的飞速发展和数字图像处理技术的日趋成熟，为传统的交通管理带来了巨大转变。图像处理技术发展相当快，而其中对汽车牌照等相关信息的自动采集和管理对于交通车辆管理、园区车辆管理、停车场管理、交警稽查等方面有着十分重要的意义，成为信息处理技术的一项重要研究课题。汽车牌照自动识
开关设备用电气图形符号和文字符号 1范围 本标准规定了开关设备用电气图形符号和相应的文字符号。 本标准适用于高、低压开关设备电气图的绘制。 2 规范性引用文件 GB 4026 电器接线端子的识别和用字母数字符号标志接线端子的通则 GB 4728 电气图用图形符号 GB 5465 电气设备用图形符号 GB 7159 电气技术中的文字符号制订通则 3 术语 3.1 图形符号 通常用于图样或其他文件以表示一个设备或概念的图形、标记或字符。 3.2符号要素 一种具有确定意义的简单图形，必须同其他图形组合以构成一个设备或概念的完整符号。 3.3 一般符号 用以表示一类产品和此类产品特征的一种通常很简单的符号。 3.4 限定符号 用以提供附加信息的一种加在其他符号上的符号。 注：限定符号通常不能单独使用，但一般符号有时也可用作限定符号，如开关的一般符号作为限定符号加到熔断器符号上即构成具有独立报警电路的熔断器。 3.5 方框符号 用以表示元件、设备等的组合及其功能，既不给出元件、设备的细节也不考虑所有连接的一种简单的图形符号。 注：方框符号通常用在使用单线表示法的图中，也可用在表示全部输入和输出接线的图中。 3.6 项目 在图上通常用一个图形符号表示的基本件、部件、组件、功能单元、设备、系统等。如电阻器、继电器、发电机、放大器、电源装置、开关设备等，都可称为项目。 3.7 项目代号 用以识别图、图表、表格中和设备上的项目种类，并提供项目的层次关系、实际位置等信息的一种特定的代码。 4 基本要求 4.1 图形符号的绘制 4.1.1本标准中的图形符号均按便于理解的尺寸绘出，并尽量使符号互相之间的比例适当。布置图形符号时，应使连接线之间的距离是模数（2.5 mm）的倍数，通常不小于5 mm。 4.1.2本标准中的图形符号可根据需要缩小或放大，当一个图形符号用以限定另一个图形符号时，该符
图像处理及识别技术在机器人路径规划中的一种应用 摘要：目前，随着计算机和通讯技术的发展，在智能机器人系统中，环境感知与定位、路径规划和运动控制等功能模块趋向于分布式的解决方案。机器人路径规划问题是智能机器人研究中的重要组成部分，路径规划系统可以分为环境信息的感知与识别、路径规划以及机器人的运动控制三部分，这三部分可以并行执行，提高机器人路径规划系统的稳定性和实时性。在感知环节，视觉处理是关键。本文主要对机器人的路径规划研究基于图像识别技术，研究了图像处理及识别技术在路径规划中是如何应用的，机器人将采集到的环境地图信息发送给计算机终端，计算机对图像进行分析处理与识别，将结果反馈给机器人，并给机器人发送任务信息，机器人根据接收到的信息做出相应的操作。 关键词：图像识别；图像处理；机器人；路径规划 ABSTRACT：At present, with the development of computer and communication technology, each module, such as environment sensing, direction deciding, route planning and movement controlling moduel in the system of intelligent robot, is resolved respectively. Robot path planning is an part of intelligent robot study. The path planning system can be divided into three parts: environmental information perception and recognition, path planning and motion controlling. The three parts can be executed in parallel to improve the stability of the robot path planning system. As for environment sensing, vision Proeessing is key faetor. The robot path planning of this paper is based on image recognition technology. The image processing and recognition technology is studied in the path planning is how to apply, Robots will sent collected environment map information to the computer terminal, then computer analysis and recognize those image information. After that computer will feedback the result to the robot and send the task information. The robot will act according to the received information. Keywords: image recognition，image processing, robot，path planning
基于视频图像序列的抛洒物检测第1章概述1.1 论文研究背景 如今，中国高速公路里程已达7.4万公里，居世界第二位[1]。随着高速公路、城市公路通行量的不断增加，交通事故所带来的安全隐患也所之增加，在众多危害安全的事故中交通事故是当前最为严重的，而中国交通局对近10年交通事故官方统计显示，世界上因交通事故死亡人数最多的国家中，中国位列前三之中。至今中国每年交通事故约50万起，每年的事故死亡人数均已达到10万人以上，已经连续十年居世界第一。 而今，随着我国经济的不断发展，交通需求的不断增长，高速公路和隧道已成为经济社会发展的重要助推器。然而，高速公路在给人们带来巨大的经济效益和社会效益的同时，各类交通事故也明显增加，尤其是各类恶性重大事故频发，据不完全统计，2005年底每万公里死亡1823人，死亡人数以每年近20%的比率递增。由于高速公路和隧道具有车流量大、行车速度高等特点，一旦发生交通事故将会非常严重，不仅一次事故殃及的车辆多、伤亡率高，还会造成严重的交通阻塞和行车延误，而且还可能会引起二次事故的发生，严重影响高速公路和隧道的整体通行能力和运营效率。而高速公路里程长，交通事件自身又有很强的随机性，如何快速检测交通事件，最大限度地减少交通事件的发生和影响，一直是国际交通领域所关注的问题。 城市中大货车货运过程中抛洒物事件已经严重危害交通安全，成为造成交通事故的主要原因之一，其带来的安全隐患是我们急需重视及解决的问题。因过往车辆上的抛洒物、坠落物引发的交通事故不仅给通行车辆和司乘人员造成了生命财产损失，影响了道路的通畅，而且给高速公路运营管理单位带来了经济损失和诉讼纠纷，损害了高速公路的社会形象。每天通过车辆数以千万计，路面上抛洒物、坠落物随时随地可能出现[2]。尽管高速公路管理单位已安排保洁工路面巡查，养排中心专职巡查，交警路政也在巡查，但仍不可能做到在时间上、空间上的无缝覆盖。而这些抛洒物、坠落物很有可能随时引发交通事故，给过往司机旅客造成财产甚至生命的损失，给高速公路经营管理带来经济上、法律上的纠纷和后果。如何及时准确的检测到抛洒物事件的发生，高效率的检测路面上产生的抛洒物，并且及时清理避免造成交通事故已经成为国内外交通部门关注的热点问题。
本文首先分析了图像识别技术以及bp神经网络算法，然后详细地阐述了人工神经网络图像识别技术。 【关键词】人工神经网络 bp神经网络图像识别识别技术 通常而言，所谓图像处理与识别，便是对实际图像进行转换与变换，进而达到识别的目的。图像往往具有相当庞大的信息量，在进行处理图像的时候要进行降维、数字化、滤波等程序，以往人们进行图像识别时采用投影法、不变矩法等方法，随着计算机技术的飞速发展，人工神经网络的图像识别技术将逐渐取代传统的图像识别方法，获得愈来愈广泛的应用。 1 人工神经网络图像识别技术概述 近年来，人工智能理论方面相关的理论越来越丰富，基于人工神经网络的图像识别技术也获得了非常广泛的应用，将图像识别技术与人工神经网络技术结合起来的优点是非常显著的，比如说： （1）由于神经网络具有自学习功能，可以使得系统能够适应识别图像信息的不确定性以及识别环境的不断变化。 （2）在一般情况下，神经网络的信息都是存储在网络的连接结构以及连接权值之上，从而使图像信息表示是统一的形式，如此便使得知识库的建立与管理变得简便起来。 （3）由于神经网络所具有的并行处理机制，在处理图像时可以达到比较快的速度，如此便可以使图像识别的实时处理要求得以满足。 （4）由于神经网络可增加图像信息处理的容错性，识别系统在图像遭到干扰的时候仍然能正常工作，输出较准确的信息。 2 图像识别技术探析 2.1 简介 广义来讲，图像技术是各种与图像有关的技术的总称。根据研究方法以及抽象程度的不同可以将图像技术分为三个层次，分为：图像处理、图像分析以及图像理解，该技术与计算机视觉、模式识别以及计算机图形学等学科互相交叉，与生物学、数学、物理学、电子学计算机科学等学科互相借鉴。此外，随着计算机技术的发展，对图像技术的进一步研究离不开神经网络、人工智能等理论。 2.2 图像处理、图像识别与图像理解的关系 图像处理包括图像压缩、图像编码以及图像分割等等，对图像进行处理的目的是判断图像里是否具有所需的信息并滤出噪声，并对这些信息进行确定。常用方法有灰度，二值化，锐化，去噪等；图像识别则是将经过处理的图像予以匹配，并且对类别名称进行确定，图像识别可以在分割的基础之上对所需提取的特征进行筛选，然后再对这些特征进行提取，最终根据测量结果进行识别；所谓图像理解，指的是在图像处理与图像识别的基础上，根据分类作结构句法分析，对图像进行描述与解释。所以，图像理解包括图像处理、图像识别和结构分析。就图像理解部分而言，输入是图像，输出是对图像的描述解释。 3 人工神经网络结构和算法 在上个世纪八十年代，mcclelland与rumelhant提出了一种人工神经网络，截止现在，bp神经网络已经发展成为应用最为广泛的神经网络之一，它是一种多层前馈神经网络，包括输入层、输出层和输入层输出层之间隐藏层，如图1所示，便是一种典型的bp神经网络结构。 bp神经网络是通过不断迭代更新权值使实际输入与输出关系达到期望，由输出向输入层反向计算误差，从而通过梯度下降方法不断修正各层权值的网络。 bp神经网络结构算法如下所述： （1）对权值矩阵，学习速率，最大学习次数，阈值等变量和参数进行初始化设置； （2）在黑色节点处对样本进行输入；
摘要 摘要内容 伴随着我国电网规模的日益加大,各类变电设备的运作状态是促使其安全高效运行的最为主要的因素之一。对于各类变电设备的在线状态监测系统的推广越来越发普及。研究基于图像特征的电力设备自动故障识别具有重要意义。 本文对各类主要电力设备，研究各类变电设备故障识别分类及相应故障的图像特征，以及基于红外与紫外图像特征的故障识别方法。对于紫外放电成像技术图像的处理与特征提取，本文从紫外成像技术的基本原理出发，在讲解紫外放电图片特性的基础上，对紫外放电图像使用灰度化预处理，以及应用中值滤波等方法对图像进行降噪。并通过canny算子边缘检测计算紫外光斑面积判断是否发生放电故障。针对红外故障图像，本文在红外成像原理的基础上，对红外图像进行超像素分割及HSV空间颜色提取，对应用卷积神经网络对红外故障图像故障区域检测进行理论上的研究。 关键词：红外成像紫外成像图像处理
ABSTRACT With the increasing scale of China's power grid, the operation of various types of substation equipment is one of the most important factors to promote the safe and efficient operation. The popularization of the on-line condition monitoring system for all kinds of transformer equipment is becoming more and more popular. Research on image feature based automatic fault recognition of power equipment is of great significance. In this paper, various types of main power equipment, the study of various types of substation equipment fault identification and classification of image features, as well as infrared and ultraviolet image features based on fault identification method. For ultraviolet discharge imaging technique to image processing and feature extraction, this paper from the basic principle of UV imaging technology of on the explanation of the ultraviolet discharge picture characteristics based and discharge on the UV image using grayscale preprocessing and application of median filtering method of image in noise reduction. And through the Canny operator edge detection to determine whether the area of the UV spot to determine whether the discharge fault. Aiming at the
什么是机器视觉技术？试论述其基本概念和目的。答：机器视觉技术是是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。机器视觉技术最大的特点是速度快、信息量大、功能多。机器视觉是用机器代替人眼来完成观测和判断，常用于大批量生产过程汇总的产品质量检测，不适合人的危险环境和人眼视觉难以满足的场合。机器视觉可以大大提高检测精度和速度，从而提高生产效率，并且可以避免人眼视觉检测所带来的偏差和误差。机器视觉系统一般由哪几部分组成？试详细论述之。答：机器视觉系统主要包括三大部分：图像获取、图像处理和识别、输出显示或控制。图像获取：是将被检测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据。 该部分主要包括，照明系统、图像聚焦光学系统、图像敏感元件（主要是CCD和CMOS采 集物体影像。 图像处理和识别：视觉信息的处理主要包括滤波去噪、图像增强、平滑、边缘锐化、分割、图像识别与理解等内容。经过图像处理后，图像的质量得到提高，既改善了图像的视觉效果又便于计算机对图像进行分析、处理和识别。 输出显示或控制：主要是将分析结果输出到显示器或控制机构等输出设备。试论述机器视觉技术的现状和发展前景。 答：。机器视觉技术的现状：机器视觉是近20?30年出现的新技术，由于其固有的柔性好、 非接触、快速等特点，在各个领域得到很广泛的应用，如航空航天、工业、军事、民用等等领域。 发展前景：随着光学传感器、信息技术、信号处理、人工智能、模式识别研究的不断深入和计算机性价比的不断提高，机器视觉技术越来越成熟，特别是市面上已经有针对机器视觉系统开发的企业提供配套的软硬件服务，相信越来越多的客户会选择机器视觉系统代替人力进行工作，既便于管理又节省了成本。价格持续下降、功能逐渐增多、成品小型化、集成产品增多。 机器视觉技术在很多领域已得到广泛的应用。请给出机器视觉技术应用的三个实例并叙述之。答：一、在激光焊接中的应用。通过机器视觉系统，实时跟踪焊缝位置，实现实时控制，防止偏离焊缝，造成产品报废。 二、在火车轮对检测中的应用，通过机器视觉系统抓拍轮对图像，找出轮对中有缺陷的轮对，提高检测精度和速度，提高效率。 三、大批量生产过程中的质量检查，通过机器视觉系统，对生产过程中的产品进行质量检查 跟踪，提高生产效率和准确度。 什么是傅里叶变换，分别绘出一维和二维的连续及离散傅里叶变换的数学表达式。论述图像傅立叶变换的基本概念、作用和目的。 答：傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。一维连续函数的傅里叶变换为：一维离散傅里叶变换为：二维连续函数的傅里叶变换为：二维离散傅里叶变换为： 图像傅立叶变换的基本概念：傅立叶变换是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特征进行提取和分析，简化了计算工作量，被喻为描述图像信息的第二种语言，广泛应用于图像变换，图像编码与压缩，图像分割，图像重建等。作用和目的：图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。图像灰度变换主要有哪几种形式？各自的特点和作用是什么？ 答：灰度变换:基于点操作，将每一个像素的灰度值按照一定的数学变换公式转换为一个新的灰度值。灰度变换是图像增强的一种重要手段，它可以使图像动态范围加大，使图像的对比度扩展，
摘要 人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向。虽然人脸识别的研究已有很长的历史，各种人脸识别的技术也很多，但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响，目前还没有一种人脸识别技术是公认快速有效的．本文主要讨论了人脸识别技术的一些常用方法，对现有的人脸检测与定位、人脸特征提取、人脸识别的方法进行分析和讨论，最后对人脸识别未来的发展和应用做了展望。 关键字：人脸识别，特征定位，特征提取
ABSTRACT Nowadays the face recognition technology (FRT) is a hot issue in the field of pattern recognition and artificial intelligence．Although this research already has a long history and many different recognition methods are proposed，there is still no effective method with low cost an d high precision．Human face is a complex pattern an d is easily affected by the expression，complexion and clothes．In this paper，some general research are discussed，including methods of face detection and location，features abstraction，and face recognition．Then we analyze and forecast the face recognition’s application and its prospects． Keywords: Face Recognition Technology, Face location，Features abstraction
基于卷积神经网络的电力设备识别方法及系统实现电力设备的正常运行是一个电力系统能够长期安全稳定工作的基础,因此对电力设备进行定期巡检就显得十分重要。以往的巡检方法都存在着各种不同的缺点,造成人力物力上的浪费且效果也有待提升。 近年来随着人工智能技术以及图像处理等技术的逐渐发展与成熟,将其应用到电力设备运行状态的检测中则能很好的弥补了传统方法的不足,该方法具有深远的发展前景。本文利用卷积神经网络以及计算机视觉等相关知识,提出了一种新的对电力设备运行状态自动检测识别的系统,该系统能自动对电力设备的位置进行检测以及对其运行状态进行判别,同时对指针式仪表进行自动读数。 本文主要的研究内容及工作如下:(1)设计并实现了基于卷积神经网络的电力设备自动检测识别算法。使用Faster RCNN+ResNet101模型在高性能计算机上完成对电力设备的识别,同时针对计算能力较弱、可携带式的嵌入式设备树莓派设计MobileNet+SSD模型并实现。 并且制作了针对电力设备检测识别的数据集,分别使用两种模型在此数据集上进行训练测试,其中Faster RCNN+ResNet101模型取得了较高的识别准确率,同时在检测速度上也能勉强达到实时性的要求,MobileNet+SSD模型在树莓派上搭配神经网络计算棒的使用在识别准确率上稍有下降,但该模型的检测速度为 15fps,完全满足系统实时性的需求。(2)对电力系统中常用的指针式仪表设计并实现了一种自动读数的算法。 使用图像处理的相关知识,先对指针式仪表图像进行灰度化、直方图均衡化以及图像去噪的预处理,然后对其进行形态学膨胀操作,接着使用Canny算子检测图像的边缘信息,并使用Hough变换在边缘信息中检测出指针所在直线的位置,
第14期 2018年7月No.14July，2018 1 算法原理 卷积神经网络的卷积层最重要部分为卷积核[1-2]。卷积核不仅能够使各神经元间连接变少，还可以降低过拟合误 差[3]。 子采样过程就是池化过程。进行卷积过程是将卷积核与预测试图像进行卷积，子采样能够简化网络模型，降低网络模型复杂程度，从而缩减参数。 在图像识别时，首先需要对输入图像初始化，然后将初始化后图像进行卷积和采样，前向反馈到全连接层，通过变换、即可计算进入输出层面，最终通过特征增强效果和逻辑之间的线性回归判断是否符合图像识别期望效果，往复循环，每循环一次就迭代一次，进而对图像进行识别。流程如图1所示。 图1 卷积神经网络模型流程 2 卷积神经网络 卷积神经网络主要包括3个层次[4]，它由输入层、隐藏 层、输出层共同建立卷积神经网络模型结构。2.1 卷积层 卷积层的作用是提取特征[2]。卷积层的神经元之间进行 局部连接，为不完全连接[5]。 卷积层计算方法公式如下。()r array M a λ+ 其中λ为激活函数，array 是灰度图像矩阵， M 表示卷积核， 表示卷积， a 表示偏置值大小。G x 方向和G y 方向卷积核。 本文卷积神经网络模型中设定的卷积核分为水平方向和竖直方向。卷积层中卷积核通过卷积可降低图像边缘模糊程度，使其更为清晰，效果更好、更为显著。经过S 型函数激活处理之后，进行归一化后图像灰度值具有层次感，易于突出目标区域，便于进一步处理。2.2 全连接层 该层主要对信息进行整理与合并，全连接层的输入是卷积层和池化层的输出。在视觉特征中，距离最近点颜色等特征最为相似，像素同理。全连接如图2所示。 图2 全连接 3 实验结果与分析 本文采用数据集库是MSRA 数据集，该数据集共包含1 000张图片。实验环境为Matlab2015a 实验环境，Windows 7以上系统和无线局域网络。本文从MSRA 数据集中选取其中一张进行效果分析。卷积神经网络模型识别效果如图3所示。 作者简介：谢慧芳（1994— ），女，河南郑州人，本科生；研究方向：通信工程。 谢慧芳，刘艺航，王 梓，王迎港 （河南师范大学，河南 新乡 453007） 摘 要：为降低图像识别误识率，文章采用卷积神经网络结构对图像进行识别研究。首先，对输入图像进行初始化；然后，初 始化后的图像经卷积层与该层中卷积核进行卷积，对图像进行特征提取，提取的图像特征经过池化层进行特征压缩，得到图像最主要、最具代表性的点；最后，通过全连接层对特征进行综合，多次迭代，层层压缩，进而对图像进行识别，输出所识别图像。与原始算法相比，该网络构造可以提高图像识别准确性，大大降低误识率。实验结果表明，利用该网络模型识别图像误识率低至16.19%。关键词：卷积神经网络；卷积核；特征提取；特征压缩无线互联科技 Wireless Internet Technology 基于卷积神经网络的图像识别研究
人脸识别算法 The Design and Implementation of Algorithms for Human Face Recognition 1-i
人脸识别算法 摘要 人脸自动识别是模式识别领域的一项热门研究课题，有着十分广泛的应用前景。本文对人脸位置矫正，人脸的特征提取和识别这些方面进行了研究，并提出了相应的实现算法。 人脸位置矫正作为人脸检测定位的一个环节，在计算机人脸识别中具有重要的意义。本文第二章提出了一种基于单人脸灰度图像中眼睛定位的人脸位置矫正方法，它是针对人眼灰度变化特点、人眼几何形状特征及双眼的轴对称性而设计的。实验结果表明，该方法对于双眼可见单人脸灰度图像能实现快速有效矫正，并能在矫正结果中精确给出双眼瞳孔位置。 本文第三章提出了一种基于神经网络的主元分析人脸图像识别方法。该方法利用非线性主元分析神经网络对人脸图像提取人脸特征（矢量），并在BP神经网络上实现了对人脸图像的识别。实验结果证明了该方法的有效性和稳定性。 关键词 1-ii
人脸位置矫正，人脸特征提取，人脸识别，神经网络，灰度图像，图像块纵向复杂度，主元分析法， 1-iii
The Design and Implementation of Algorithms for Human Face Recognition Student: Yangbo Gu Advisor: Dr. Wenming Cao Department of Computer Science and Technology College of Information Engineering Zhejiang University of Technology Abstract The automatic recognition of human faces is a hot spot in the field of pattern recognition , which has a wide range of potential applications . As the results of our in-depth research ,two algorithms are proposed : one for face pose adjustment , the other for facial feature extraction and face identification . Face pose adjustment , as a loop of human face location, is very important in computer face recognition. Chapter 2 of this thesis presents a new approach to automatic face pose adjustment on gray-scale static images with a single face . In a first stage , the right positions of eyes are precisely detected according to several designed parameters which well characterize the complex changes of the gray parameter in and around eyes and the geometrical shape of eyes . During the second stage , based on the location and the symmetry feature of eyes , the inclination angle is calculated and the face position is redressed . The experimentation shows that the algorithm performs very well both in terms of rate and of efficiency . What’s more , due to the precise location of eyes , the apples of the eyes are detected . 1-iv
写人脸检测程序的时候顺带写的，网络格式是靠读入一个文件定义的，文件的格式如下： 输入图像长输入图像宽隐层神经元个数输出神经元个数 不同网络结构数量 [连接位置不同的隐层神经元的个数连接的隐层神经元个数] [隐层神经元连接的输入神经元的位置表] 下面是一个例子： 24 28 52 1 3 16 32 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4 1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 4 4 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 7 7 8 8 8 8 8 8 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 7 7 8 8 8 8 8 8 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 7 7 8 8 8 8 8 8 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 7 7 8 8 8 8 8 8 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 7 7 8 8 8 8 8 8 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 7 7 8 8 8 8 8 8 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 7 7 8 8 8 8 8 8 9 9 9 9 9 9 10 10 10 10 10 10 11 11 11 11 11 11 12 12 12 12 12 12 9 9 9 9 9 9 10 10 10 10 10 10 11 11 11 11 11 11 12 12 12 12 12 12 9 9 9 9 9 9 10 10 10 10 10 10 11 11 11 11 11 11 12 12 12 12 12 12 9 9 9 9 9 9 10 10 10 10 10 10 11 11 11 11 11 11 12 12 12 12 12 12 9 9 9 9 9 9 10 10 10 10 10 10 11 11 11 11 11 11 12 12 12 12 12 12 9 9 9 9 9 9 10 10 10 10 10 10 11 11 11 11 11 11 12 12 12 12 12 12 9 9 9 9 9 9 10 10 10 10 10 10 11 11 11 11 11 11 12 12 12 12 12 12 13 13 13 13 13 13 14 14 14 14 14 14 15 15 15 15 15 15 16 16 16 16 16 16 13 13 13 13 13 13 14 14 14 14 14 14 15 15 15 15 15 15 16 16 16 16 16 16 13 13 13 13 13 13 14 14 14 14 14 14 15 15 15 15 15 15 16 16 16 16 16 16
研究分析图像识别技术在电力设备监测中的应用 发表时间：2016-10-10T13:53:58.087Z 来源：《电力设备》2016年第13期作者：周睿 [导读] 在电力设备监测工作中，图像识别技术的应用对于提高监测的效率和质量都有重要的作用。 (大庆油田有限责任公司第九采油厂生产运行部 163000) 摘要：在电力设备监测工作中，图像识别技术的应用对于提高监测的效率和质量都有重要的作用。文章对电力设备监测中图像识别技术的识别与分析功能以及电力设备异常状态监测进行了分析。 关键词：图像识别技术；电力设备检测；应用 在电力系统运行的过程中，电力设备难免会出现各种异常问题，这就需要对电力设备进行必要的监测，为提高电力设备监测效率和质量，图像分析识别技术被应用于其中，并在实际的使用当中取得了良好的效果。 1.图像识别技术应用于电力设备监测的背景 变电站的正常运行是靠高压设备绝缘检测、继电保护装置等各种系统和装置来维持的，这些系统也保证了变电系统的安全和稳定。目前，在电力设备监测系统的运行方面还存在一定不足和缺陷，例如，在数据传输方面存在一定问题，数据的正常传输会受高压电场的影响。还有一种问题是电信号转换方面的问题，即一些征兆信号和运行参数不容易通过接触测量转换电线信号，即使采用微机监测的方式也很难进行获取。在设备运行线监测方面，目前已经有了遥视系统，遥视系统在电力系统的安全运行方面发挥重要作用。随着电网建设规模的不断增加，变电站数量也急剧增加，所以需要进行监测的目标的数量大大增加，相应的需要传输的数据量也在不断增加，这种情况导致电力调度人员在对电力系统进行监测时，需要对远程图像和数据的进行了分析并作出判断，工作量大大增加。在电力行业的很多专家和学者都在致力于远程图像的采集、传输等研究，如何降低工作人员的工作强度，提高工作效率也是研究的中重点。 为提高电力设备自动监测水平，将图像识别技术应用于电力设实时监测的方案被提出。这种方案的以现有的电力设备视频监测系统为基础，利用图像识别系统作为辅助进行工作。这种系统的优势是不需对原有的系统进行更换，不仅增加了功能，还节省了更换设备的成本，经济性很高。 2.图像识别与分析 图像识别系统对图像识别与分析存在很多困难，会受到很多因素的干扰，引入噪声，导致图像的质量变低，为图像识别和分析带来很大的困难，引入噪声的因素通常有电荷耦合元件的畸变、聚焦效果差等，另外，环境方面的干扰也会使对图像的采集质量造成干扰。图像识别系统的工作的第一步是先对图像进行预处理，之后对图像进行分割，把目标电力设备分割出来，增加识别的精细度。 2.1图像预处理 图像识别系统预处理需分很多步骤，第一步要将收集到的原图像进行灰度化处理，处理后的图像就可以叫做灰度图；第二步是对灰度图进行滤波处理，由于滤波处理对消减噪声很有效果，所以采取滤波来消减图像的噪声，使图像质量得到提高，使系统更容易识别。进行滤波处理所要使用的模板是加入权系数的平滑模板。图像平滑滤波处理的过程所采取的是低通滤波，使用这种方式过滤图像，对高频正信号的过滤效果比较好，但在这一过程中也会使图像的边缘部分的高频噪声被过滤掉，进而导致图像的边缘变得模糊不清，降低图像整体质量。解决这种问题的措施是采用直方图均衡处理，平滑滤波处理与方正图均衡处理相结合，不仅可以图像噪音还避免了边缘模糊化问题。 2.2图像分割 图像分割是指将图像表示为具有物理意义的多连通区域的集合。分割图像需要根据一定的依据，不同的图像在颜色、纹理以及亮度这些特征上都有着一定的差异，因此，可以依据这些特征，对图像进行分割。对图像进行分割可以提高地图像识别和分析的效率，分割的准确性也会影响到后续的工作，为了保证图像识别的质量，要严格把握分割的精度。 对图像分割的依据是图像的颜色、几何性质等，将图像中含义不同的区域分割开，每个区域都有相同的特征。例如，对某一物体的图像进行分割，需要把图像中物体的像素与背景进行分离，区分不同物体的像素，分割形成的区域需要满足三个条件。第一，不同但相邻的两个区域之间要存在明显的差异；第二，分割区域边界要保持完整，有利于定位的精准。第三，分割之后的区域应该还要具有均匀性和连通性。均匀性是指区域内的像素点在色彩、纹理等特征上要有相似性，连通性是指在两种区域之间可以进行连接。 3.电力设备异常状态监测 为了实现检测分析方案在实际工作中的应用，提升现有视频监测系统的功能，建立电力设备运行状态的实时监测和分析系统，在采集到的图像中准确快速地识别出电力设备之后，还需要进一步对电力设备的运行状态进行判断，监测运行状态的变化，找出电力设备中存在故障的设备和位置。并及时发出报警信号，方便维修人员尽快对设备故障进行检修。 3.1变电站的图像监测 变电站未来的发展趋势是自动化，要求变电所站无人值守。目前有和很多变电站建立了遥视系统，对图像信号进行单一的采集和传输，但由于当前电网快速发展，这种系统的功能太过简单，无法满足多方面的需求。所以针对图像的监测还需要采取先分类，然后分析，最后根据分析结果来判定是否需要传输。如果设备处于正常运行状态，不传输监测图形，而只传输结果；如果变电站运行不正常，图像信号就会传输到调度端并进行报警，调度工作人员在接到报警以后，可以找出具有问题的变电站的图像，工作人员通过对图像进行观察和分析，找到问题所在，并对采取相应措施来处理问题。用这种方式来进行变电站图像的监测，可以不仅可以提高监测效率。还可以节省大量的资源，减轻工作人员的工作强度，也避免了数据传输拥挤所带来的困难。 变电站图像监测系统中采集图像需要用成像设备进行采集，计算机技术也发挥很大的作用，利用计算机可以对图像进行截取、识别和分析，并且能够准确地获取关于电力设备的很多参数和数据。变电站图像监测技术涉及的领域很广，包括测量规程、视觉理论等，这些学科的知识有利于解决监测自动化运行中出现的很多问题。 3.2电力设备状态检测与分析 在对电力设备的图像进行收集、处理之后，就需要对图像中的电力设备进行识别。计算机是通常使用的工具，计算机具有计算效率