本发明涉及机柜图像分割,尤其涉及一种基于传统图像处理的机柜分割方法。
背景技术:
1、在现代数据中心和网络设施中,机柜扮演着至关重要的角色,用于容纳服务器、网络设备以及其他关键设施。随着数据中心规模的扩大和设备数量的增加,对机柜内部的管理和维护变得愈发重要。为了实现更高效的机柜管理,图像分割技术被引入用于自动化和辅助机柜内设备的识别和监测。机柜图像分割方法可以将机柜内的图像分割成不同的区域,从而识别出每个区域内的设备和组件。
2、机柜图像分割技术是计算机视觉领域的一个研究热点,已经在数据中心、网络运维等领域取得了一些进展。常用的图像分割技术主要有基于传统图像处理和基于深度学习两个分支,传统图像处理需要数据少、更加快速,但是后期优化困难,准确率提升较难,深度学习方法需要大量数据支撑、速度较慢,但是优化空间较大、准确率提升容易。在机房数据分析环境中,机柜图像分割通常用于两个场景,第一,需要实时对机柜图像进行分割,作为其它实时数据分析的参考数据,第二,需要得到机图像的精确结果,对结果进行展示和非实时的分析。
技术实现思路
1、为了解决以上技术问题,本发明提供了一种基于传统图像处理的机柜分割方法。能够直接用于机柜图像分割领域,且该分割方法可以于深度学习图像分割方法进行联合,对机柜分割方法的性能进行进一步提升,从而提升算法适应性。基于深度学习的图像分割方法可单独运行得到机柜分割结果。
2、本发明的技术方案是:
3、本方法中提出一种基于传统图像处理的机柜分割方法;首先,该方法能够直接用于机柜图像分割领域;再者,该分割方法可以于深度学习图像分割方法进行联合,对机柜分割方法的性能进行进一步提升,从而提升算法适应性。基于深度学习的图像分割方法可单独运行得到机柜分割结果;
4、一种基于传统图像处理的机柜分割方法,包括;
5、图像采集,图像采集设备采集包含机柜的图片;
6、对包含机柜的图片进行图像处理分析包括:机柜图片纹理提取,纹理分析、纹理统计、根据统计结果找出机柜设备区域,对机柜设备区域信息进行输出;
7、机柜图片纹理提取包括基于图像的边缘提取方法,包括sobel算子、log算子、prewitt算子、roberts算子和scharr算子和canny边缘提取等方法;
8、纹理分析包括对于图片纹理进行筛选,包括通过纹理的连通域大小、连通域形状、纹理走向等方式筛选候选纹理区域;
9、纹理统计包括对候选纹理区域的个数、在图像中的位置、图像中所占的像素个数进行统计,得到统计数据;
10、对统计数据进行汇总,利用数据阈值分析、数据值投票的方式获取到设备物体的边界信息;
11、对边界信息进行处理,输出机柜设备的的区域,并用矩形框或者机柜区域掩膜的形势进行表示,为其它数据分析步骤提供可用信息;
12、进一步的,
13、可用单独用于机房数据分析中,用于展示机柜设备区域、统计机房设备有无等信息;
14、可以作为其它机房数据分析步骤的输入,例如设备检测、设备型号识别、设备报警灯识别、设备编号识别、机柜图片拼接等;
15、再进一步的,
16、可以于基于深度学习的图像方法联合使用,提升算法适用性和准确率;
17、基于深度学习的图像分割方法包括u-net、deeplab、mask-rcnn、fcn、pspnet、hrnet、attentionmechanissm方法等;
18、基于深度学习的图像分割方法,需要图像作为训练集,进行标记和模型预先训练,得到模型后,用于后续对机柜图像的分割;
19、基于深度学习的图像分割方法,需要图像作为输入,输出为于一种基于传统图像处理的机柜分割方法格式相同;
20、联合使用方法包括把一种基于传统图像处理的机柜分割方法的结果输入到基于深度学习的图像方法中,也包括两种方法结果的集成;
21、一种基于传统图像处理的机柜分割方法的结果输入到基于深度学习的图像方法中,包括把其图像掩膜结果作为深度学习方法的输入,经过基于深度学习的图像分割方法,得到准确的分割结果;
22、基于深度学习的图像分割方法可单独运行得到机柜分割结果;
23、两种方法的集成,包括两种方法各自运行分割结果,进行结果求交集或者并集作为最后的分割结果。
24、本发明的有益效果是
25、首先,该方法能够直接用于机柜图像分割领域;再者,该分割方法可以于深度学习图像分割方法进行联合,对机柜分割方法的性能进行进一步提升,从而提升算法适应性。本方法还可以应用于机房其它设备中,例如机房监控视频分析等。
1.一种基于传统图像处理的机柜分割方法,其特征在于,
2.根据权利要求1所述的方法,其特征在于,
3.根据权利要求1所述的方法,其特征在于,
4.根据权利要求1所述的方法,其特征在于,
5.根据权利要求4所述的方法,其特征在于,
6.根据权利要求4或5所述的方法,其特征在于,
7.根据权利要求6所述的方法,其特征在于,
8.根据权利要求7所述的方法,其特征在于,