基于自适应配准与重训练的红外-可见光异构图像配准算法及其在电力设备故障检测中的应用

《Scientific Reports》：Research on adaptive inspection strategies and planning for unmanned aerial vehicles based on an improved ant colony optimisation algorithm

　　

摘要

为了实现不同光学模态信息之间的互补优势，并支持电力设备故障检测和定位任务，本文使用可见光图像增强红外图像的纹理信息。针对现有红外 - 可见图像配准技术在精确对齐电力设备局部精细结构方面的困难，首次提出了一种带有监督与重训练的自适应配准算法（ARSR）。该算法主要包含双阶各向异性高斯方向导数（Dual-AGDD）机制和双视角匹配参数重训练（DVMPR）框架。首先，提出 Dual-AGDD 以完成特征点筛选和方向确定。一阶 AGDD 用于电力设备的自适应局部精细化角点检测，而二阶 AGDD 构建高斯特征三角形以确定特征点的主方向，并采用局部强度不变性方法构建特征描述符。然后，提出 DVMPR 框架以约束和校正图像透视尺度和视场旋转。最后，基于 3σ 原理改进支持向量回归以去除不匹配点并完成异构数据配准。实验结果表明，在对待不同旋转和尺度差异以及不同环境下的电力设备异构图像进行配准时，所提算法实现了平均定位误差为 2.65，平均配准精度为 98.57%。该算法展示了强大的图像旋转不变性、尺度不变性和环境鲁棒性，并显著优于 CAO-C2F 和 SuperPoint-SuperGlue 等现有配准算法，从而提高了电力设备精细结构异构图像的配准精度。