[发明专利]风机叶片图像分割与网格优化拼接方法

权利要求书

1.风机叶片图像分割与网格优化拼接方法，其特征在于，包括以下步骤：

S1、连续采集单面风机叶片的图像构成待拼接的一组原始图像；

S2、利用U-net算法对一组原始图像的每个原始图像进行图像前景分割，提取风机叶片主体部分形成一组待配准图像；

S3、将每个待配准图像网格化，对每个待配准图像的网格顶点建立从1到m的索引，然后把网格顶点的x,y坐标表示为一个2m维度的向量V，V＝[x₁ y₁ x₂ y₂…x_m y_m]，定义关于V的全局能量函数，并对能量函数最小化得到网格顶点最优解为：

其中，ψ_a(V)为对齐误差项；ψ_l(V)为局部相似性项；ψ_g(V)为全局相似性正则项；ψ_line(V)为直线保持正则项；λ_l、λ_g、λ_line分别为局部相似项、全局相似性项、直线保持约束项的调节权重；

S4、根据网格顶点最优解，进行图像映射和像素融合，完成图像拼接；

一组待配准图像为N个，对一组待配准图像进行编号为i，i＝1～N，利用SIFT算法提取每个待配准图像特征点并对重叠区的特征点进行匹配，得粗匹配特征点对集合，利用随机抽样一致性算法剔除粗匹配特征点对集合中的误匹配对，得有效匹配特征点对集合；

确定有效匹配特征点对集合内的特征点所在四边形网格，用该四边形网格的顶点坐标线性描述对应特征点的位置，并确定网格顶点匹配对，得网格顶点匹配对集合；

对齐误差项ψ_a(V)为：

其中，J为存在重叠区的图像对集合；为所在四边形的网格顶点坐标的线性加权；M^ij为网格顶点匹配对集合；与为一对有效匹配特征点对。

2.如权利要求1所述的风机叶片图像分割与网格优化拼接方法，其特征在于，局部相似性项ψ_l(V)为：

其中，为几何变换前的网格顶点坐标，为几何变换后的网格顶点坐标，为几何变换前的网格对角线向量，为几何投影变换后的网格对角线向量；为的变换矩阵，E_i表示全部网格的对角线向量集。

3.如权利要求2所述的风机叶片图像分割与网格优化拼接方法，其特征在于，全局相似性项ψ_g(V)为：

其中，为权重函数；与为对角线相似变换函数；s_i和θ_i为全局几何变换参数。

4.如权利要求2所述的风机叶片图像分割与网格优化拼接方法，其特征在于，利用LSD算法对风叶图像中的直线l进行提取，得直线集合L，在每条直线l上采集个n样点，得每条直线的样点集合

直线保持约束项ψ_line(V)为：

其中，[a_l,b_l]_⊥为直线的单位法向量；为样点所在网格的四个顶点坐标线性加权。

5.如权利要求1所述的风机叶片图像分割与网格优化拼接方法，其特征在于，步骤S2具体包括以下步骤：

S2a、采集至少80张风机叶片的原始图像，对原始图像采用手工标记风机叶片主体部分的方法进行人工分割得到标定图像；

S2b、搭建基于U-net的深度学习网络，以原始图像作为输入图像、标定图像作为输出图像载入至深度学习网络，进行训练，获得风机叶片模型；

S2c、以步骤S1的一组原始图像中的每个原始图像作为输入图像，利用风机叶片分割模型进行处理得到对应的输出图像，即得待配准图像。