[发明专利]一种基于风电机组故障识别的视频图像融合方法

权利要求书

1.一种基于风电机组故障识别的视频图像融合方法，其特征在于，所述方法包括：

采集风电机组的视频图像信息；

将所述视频图像信息进行图像分帧处理，得到多源或者单源多幅图像；

对所述分帧处理后的图像进行灰度转换，对转换后的灰度图像进行小波分解下的像素级图像融合，得到第一融合图像；

对所述分帧处理后的图像进行拉普拉斯金字塔下的像素级图像融合，得到第二融合图像；

对所述分帧处理后的图像采用SIFT算法，得到特征级下的第三融合图像；

对所述第一融合图像、所述第二融合图像以及所述第三融合图像进行熵、联合熵和均方根误差的计算；

设计GUI人机交互界面，将三种融合处理算法以及指标量的计算体现在所述GUI人机交互界面中，通过获得的指标值，得到最终融合图像，利用所述最终融合图像对所述风电机组进行故障识别。

2.根据权利要求1所述的方法，其特征在于，所述对转换后的灰度图像进行小波分解下的像素级图像融合，得到第一融合图像，包括：

将转换后的灰度图像投影到一组小波函数上，并将该灰度图像分解为该组小波函数的叠加，得到所述第一融合图像。

3.根据权利要求1所述的方法，其特征在于，所述对所述分帧处理后的图像进行拉普拉斯金字塔下的像素级图像融合，得到第二融合图像，包括：

所述分帧处理后的图像作为原图像，将原图像作为高斯金字塔的第0层，假设原图像为G0，将所述原图像利用高斯核w进行卷积，其中高斯核为下述式(1)：

卷积之后进行降采样所得图像作为图像塔的第1层G1，这样对图像进行处理之后，下层图像会变为上层图像的4倍大小；将所得的图像作为输入图像，重复卷积和下采样，得到第1层至第N层的图像成为一个金字塔型的高斯图像塔；

将高斯金字塔的上一层图像卷积并上采样得到预测图像，即为下述式(2)：

放大算子Expand可表示为下述式(3)至(5)：

0＜l≤N，0≤i＜R_l，0≤j＜C_l (4)

其中，G_l表示原图像金字塔第l级，G_l^*表示预测图象金字塔第l级，i，j分别表示图像中行为i，列为j的像素点，m，n分别表示上述高斯核中的行数和列数，N表示金字塔最高级，R_l表示该图像中最大行数，C_l表示该图像中最大列数；

上述式(3)至(5)实现了将构建高斯过程中删除的偶数行和列插入0，然后再使用高斯核w卷积，也就是进行滤波处理，得到与下采样之前同等大小的图像为预测图像；

由下一层图像减去该预测图像得到差值图像，重复迭代得到一系列分解图像排列成金字塔即为拉普拉斯金字塔；

将所有层次统一处理进行融合，得到对应的图像塔进行图像重构，得到所述第二融合图像，其中，所述统一处理为：除顶层外其余的各层取最大绝对值，而最高层的系数做平均值。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述对所述分帧处理后的图像采用SIFT算法，得到特征级下的第三融合图像，包括：

尺度空间极值检测：搜索所有尺度上的图像位置，通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点；

关键点定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度，选择关键点的依据在于它们的稳定程度；

方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性；

关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度，这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化；

基于分解的四步SIFT算法进行图像融合，即可得到特征级下的所述第三融合图像。