CN107220605A - 一种基于图像结构相似度的烟雾浓度测量方法和系统 - Google Patents
一种基于图像结构相似度的烟雾浓度测量方法和系统 Download PDFInfo
- Publication number
- CN107220605A CN107220605A CN201710354994.0A CN201710354994A CN107220605A CN 107220605 A CN107220605 A CN 107220605A CN 201710354994 A CN201710354994 A CN 201710354994A CN 107220605 A CN107220605 A CN 107220605A
- Authority
- CN
- China
- Prior art keywords
- image
- smokescope
- smog
- structure similarity
- complexity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像结构相似度的烟雾浓度测量方法和系统,其中方法的实现包括:采集目标场景的烟雾图像和背景图像,计算烟雾图像与背景图像之间的图像结构相似度;提取背景图像的图像特征,利用图像特征描述图像复杂度;利用图像复杂度和图像结构相似度得到烟雾图像的烟雾浓度。本发明利用图像复杂度和图像结构相似度得到烟雾图像的烟雾浓度,不受到烟雾颜色和背景图像灰度的限制,且测量的准确率高,应用范围广。
Description
技术领域
本发明属于烟雾浓度测量领域,更具体地,涉及一种基于图像结构相似度的烟雾浓度测量方法和系统。
背景技术
现有技术基于图像结构相似度来检测烟雾,相对于传统的烟雾检测方法具有更强的抗干扰能力,但是它们只能进行视频烟雾定性检测,无法完成视频烟雾浓度的定量测量。现有的烟雾浓度视频测量方法如“基于烟雾浓度的火灾视频检测方法”基于视频图像灰度计算烟雾浓。这种方法的主要依据为浅白色烟雾的存在使背景图像的灰度值增加。实际计算中,利用烟雾化方程,通过灰度不同的相邻背景区域间的烟雾浓度与穿透率近似相等建立方程,求解大气光与烟雾浓度。该方法相比于传统的烟雾浓度测量方法具有结构简单、智能高效等优势,但仍存在不足之处:首先实际生活中,由于烟雾产生的原因不同,生成的烟雾颜色也不同,例如黑烟、白烟、蓝烟等。而白烟以外的其他烟雾是不会使背景图像的灰度值增加的,所以该方法对黑烟、蓝烟等并无很好地检测效果。其次,由于图像的最大灰度值为255,对于灰度值已经很高的背景图像,烟雾的存在使背景图像灰度值提高的空间有限,因此该方法利用灰度值较大的背景图像来计算烟雾浓度是很不准确的。
由此可见,现有烟雾浓度测量技术受到烟雾颜色和背景图像灰度的限制,且测量的准确率较低。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于图像结构相似度的烟雾浓度测量方法和系统,其目的在于提供一种适用于任意背景图像、任意烟雾颜色的方法,由此解决现有烟雾浓度测量技术受到烟雾颜色和背景图像灰度的限制,且测量的准确率较低的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于图像结构相似度的烟雾浓度测量方法,包括:
(1)采集目标场景的烟雾图像和背景图像,所述背景图像为目标场景未产生烟雾时的图像,计算烟雾图像与背景图像之间的图像结构相似度;
(2)提取背景图像的图像特征,利用图像特征描述图像复杂度;利用图像复杂度和图像结构相似度得到烟雾图像的烟雾浓度。
进一步的,烟雾浓度m的公式为:
m=-C×(ssim-ssim0),
其中,C表示图像复杂度,ssim表示图像结构相似度,ssim0为预设值。
进一步的,预设值为1。
进一步的,图像特征包括:角二阶矩ASM、对比度CON、逆差分矩IDM、熵ENT和相关性COR。
进一步的,图像复杂度C为:C=CON+ENT-ASM-IDM-COR。
按照本发明的另一方面,提供了一种基于图像结构相似度的烟雾浓度测量系统,包括:
第一模块,用于采集目标场景的烟雾图像和背景图像,所述背景图像为目标场景未产生烟雾时的图像,计算烟雾图像与背景图像之间的图像结构相似度;
第二模块,用于提取背景图像的图像特征,利用图像特征描述图像复杂度;利用图像复杂度和图像结构相似度得到烟雾图像的烟雾浓度。
进一步的,烟雾浓度m的公式为:
m=-C×(ssim-ssim0),
其中,C表示图像复杂度,ssim表示图像结构相似度,ssim0为预设值。
进一步的,预设值为1。
进一步的,图像特征包括:角二阶矩ASM、对比度CON、逆差分矩IDM、熵ENT和相关性COR。
进一步的,图像复杂度C为:C=CON+ENT-ASM-IDM-COR。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明利用图像复杂度和图像结构相似度得到烟雾图像的烟雾浓度,不受到烟雾颜色和背景图像灰度的限制,且测量的准确率高,应用范围广。
(2)优选的,在计算烟雾图像的烟雾浓度时预设值为1,在保证测量结果准确率高的同时,提高了计算效率。
(3)优选的,本发明选用角二阶矩ASM、对比度CON、逆差分矩IDM、熵ENT和相关性COR,这利用5种图像特征的加权来描述图像复杂度,准确率高。
附图说明
图1是本发明实施例提供的一种基于图像结构相似度的烟雾浓度测量方法的流程图;
图2是本发明实施例的背景图像;
图3是本发明实施例中烟密计测量值与结构相似度值的曲线关系图;
图4是本发明实施例中烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图5是本发明实施例中三条曲线关系图;
图6(a)是本发明实施例中的第一幅梅花图像;
图6(b)是本发明实施例中的第二幅梅花图像;
图6(c)是本发明实施例中的第三幅梅花图像;
图6(d)是本发明实施例中的第四幅梅花图像;
图7(a)~7(i)是本发明实施例中的9幅不同图像复杂度的背景图像;
图8(a)是本发明实施例烟雾图像中3根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图8(b)是本发明实施例烟雾图像中4根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图8(c)是本发明实施例烟雾图像中5根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图8(d)是本发明实施例烟雾图像中6根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图8(e)是本发明实施例烟雾图像中7根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图8(f)是本发明实施例烟雾图像中8根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图9(a)是本发明实施例中第一背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图9(b)是本发明实施例中第二背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图9(c)是本发明实施例中第三背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图9(d)是本发明实施例中第四背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图9(e)是本发明实施例中第五背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;
图9(f)是本发明实施例中第六背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种基于图像结构相似度的烟雾浓度测量方法,包括:
(1)采集目标场景的烟雾图像和背景图像,所述背景图像为目标场景未产生烟雾时的图像,计算烟雾图像与背景图像之间的图像结构相似度;
(2)提取背景图像的图像特征,利用图像特征描述图像复杂度;利用图像复杂度和图像结构相似度得到烟雾图像的烟雾浓度。
由于图像中烟雾的存在会导致图像失真,图像结构相似度下降,且在一定范围内,烟雾浓度越大,图像失真越严重,图像结构相似度下降越多,因此图像结构相似度与烟雾浓度间存在一定的定量关系。为了寻找这种定量关系,我们录制一段视频,背景图像如图2所示,背景图像表示烟雾图像未产生烟雾前的图像。
实验装置有摄像头、实验箱、风扇、烟密计等。其中,摄像头位置固定在实验箱左侧的小孔中,用于录制烟雾浓度随时间变化的视频,分辨率为640×480,帧率为16fps。实验箱大小为0.6m×0.6m,左侧和上侧各有一个圆形小孔,左侧的小孔用于放置摄像头,上侧的小孔用于释放实验箱内的烟雾,背景图像贴于实验箱右侧,也就是录制的烟雾视频的背景。为了使实验箱中的烟雾均匀扩散,分别在右上角与左下角放置一个24V风扇。实验箱底部是一个木质抽屉,抽屉里放置一个铁制托盘,烟雾就是通过点燃抽屉托盘里的棉绳产生的。抽屉上方分别放置一个抽气机与一个烟密计。点燃棉绳产生的烟雾就是通过抽气机抽入到烟箱中的。烟密计用来测量激光发射器与接收器之间的烟雾浓度。总体来说,整个实验过程可以简单地作如下描述:首先点燃抽屉内的棉绳产生烟雾,抽气机将烟雾抽入到实验箱中,风扇使进入到实验箱中的烟雾扩散均匀,烟密计记录下实验箱中烟雾浓度的变化情况,整个过程用摄像头录制成视频。
图像结构相似度从图像组成的角度出发,包含亮度、对比度和结构三个因素。
给定两幅图像x,y,它们之间的图像结构相似度SSIM(x,y)定义为:
其中,亮度比较函数:
对比度比较函数:
结构比较函数:
其中,μx为图像x的灰度值均值,μy为图像y的灰度值均值,σx为图像x的无偏估计标准差,σy为图像y的无偏估计标准差,σxy为两幅图像的协方差,c1、c2和c3通常为很小的常数,加入这些常数的目的是为了避免造成分母为0而造成的不稳定现象。一般取:
c1=(k1l)2,c2=(k2l)2,k1,k2<<1,
l为图像像素的取值范围。
计算视频从第二帧开始的每一帧图像与背景图像(视频第一帧)间的结构相似度,同时利用烟密计记录烟雾浓度在整个视频持续时间内的变化情况。将结构相似度与烟密计测量的烟雾浓度两组数据绘制在同一幅图中,如图3所示。
利用Matlab中的polyfit函数对图3中的两条曲线进行一阶多项式拟合,得到根据图像结构相似度计算烟雾浓度的转换系数K=-3.4802,根据转换系数对结构相似度曲线进行f(x)=-3.4802x变换,得到的曲线将与烟密计测量得到的烟雾浓度曲线接近,结果如图4所示。
如图4可以看出,该背景图像下,通过图像结构相似度计算的烟雾浓度很好地吻合了烟密计测量的烟雾浓度,这证明了该方法的可行性。
但是,不同背景图像的转换系数不同。当背景图像相对复杂时,即使被一定浓度的烟雾遮挡,仍可以看到背景图像的部分结构信息,此时的图像与背景图像间的结构相似度仍保持较大值,也就是说,复杂的背景图像在被烟雾遮挡后,结构相似度的变化相对缓慢;相反,当背景图像相对简单时,被同样浓度的烟雾遮挡后,背景图像的结构信息损失严重,此时的图像与背景图像间的结构相似度较低,也就是说,简单的背景区域在被烟雾遮挡后,结构相似度的变化相对迅速。
如图5所示:假设y1=x为烟雾浓度的变化曲线,由于背景图像的复杂度越大,在被烟雾遮挡后,与原始背景图像间的结构相似度曲线变化缓慢,因此假设y2=-x为复杂度较大的背景图像的结构相似度变化曲线,y3=-2x为复杂度较小的背景图像的结构相似度变化曲线。显然,在通过y2=-x曲线得到y1=x曲线时,转换系数为k1=-1;在通过y3=-2x曲线得到y1=x曲线时,转换系数为k2=-1/2。显然,|k1|>|k2|。也就是说,转换系数k与背景图像的复杂度相关,且背景图像的复杂度越大,转换系数k的绝对值越大。
因此为了统一转换系数,需要对图像的复杂度进行定量描述。这里基于图像纹理特征描述图像复杂度。采用灰度共生矩阵法提取图像纹理特征,在此基础上提取其中五种特征参数:
(1)角二阶矩ASM:图像的灰度共生矩阵的各个元素值均相等时的ASM值小,表示图像的纹理细,能量小;相反,图像的灰度共生矩阵的各个元素值相差较大时的ASM值大,表示图像的纹理粗,能量大。
(2)对比度CON:对比度大的图像纹理深,图像清晰。对比度小的图像纹理浅,图像模糊。
(3)逆差分矩IDM:逆差分矩大的图像局部纹理的变化少,逆差分矩小的图像局部纹理的变化多。
(4)熵ENT:熵值大的图像纹理复杂,熵值小的图像纹理简单。
(5)相关性COR:相关性的值大代表行或列的相似程度高,表现为图像的复杂度小。相关性的值小代表行或列的相似程度低,表现为图像的复杂度大。
为了说明这5种特征参数是如何影响图像复杂度的,这里举例说明:
选取4幅大小相同的梅花图像,如图6(a)~6(d)所示。显然,图6(a)~6(d)的图像复杂度依次增加。
分别对图6(a)~6(d)所示的四幅图像提取角二阶矩、对比度、逆差分矩、熵、相关性5种特征参数并求平均值,结果如表1所示:
表1
由表1可以看出,除表中椭圆标记处外,随着图像越来越复杂,角二阶矩的值越来越小,对比度的值越来越大,逆差分矩的值越来越小,熵的值越来越大,相关性的值越来越小。表中三处椭圆标记说明由一种特征参数来衡量图像复杂度会有少量误差,所以本发明用5种特征参数的加权来描述图像复杂度,准确率高,由此,对5种特征参数引入权值,熵、对比度的权值为1,角二阶矩、逆差分矩、相关性的权值为-1,并进行加权求和,作为图像复杂度的值。因此,定义图像复杂度C的计算公式为:
C=CON+ENT-ASM-IDM-COR。
为了找到转换系数与图像复杂度的关系,这里另外选取九幅不同复杂度的背景图像,如图7(a)~7(i)所示。按照上述方法分别计算转换系数k与图像复杂度C并加以对比,利用计算以图像复杂度的负值代替转换系数的误差值e,所得结果如表2所示。
表2
7(a) | 7(b) | 7(c) | 7(d) | 7(e) | 7(f) | 7(g) | 7(h) | 7(i) |
k=-1.36 | k=-3.18 | k=-6.10 | k=-1.3 | k=-2.4 | k=-5.9 | k=-3.4 | k=-3.6 | k=-2.2 |
C=1.3 | C=2.9 | C=5.9 | C=1.4 | C=2.5 | C=5.3 | C=3.6 | C=3.9 | C=2.4 |
e=4% | e=8% | e=3% | e=7% | e=4% | e=10% | e=6% | e=8% | e=9% |
表2基本上验证了背景图像的复杂度越大,转换系数k的绝对值越大,且对于大部分背景图像来说,以图像复杂度的负值代替转换系数的误差值控制在10%以内。因此,可以确定转换系数k为图像复杂度的负值。也就是说,在任意背景图像条件下,只要计算出该背景图像的复杂度,就可以根据结构相似度计算出烟雾浓度,计算公式为:
m=-C×(ssim-ssim0),
其中m为代表烟雾浓度,单位dB/m。C代表图像复杂度,单位dB/m。ssim代表烟雾图像与背景图像之间的结构相似度,ssim0代表结构相似度曲线的第一个值,约为1。
为了验证本发明方法的正确性和有效性,我们分别在不同烟雾浓度、不同背景条件下进行了若干实验。
在不同烟雾浓度下,利用烟密计测量烟雾浓度值,根据图像结构相似度计算出的烟雾浓度值,得到烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图。
图8(a)是本发明实施例烟雾图像中3根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图8(b)是本发明实施例烟雾图像中4根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图8(c)是本发明实施例烟雾图像中5根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图8(d)是本发明实施例烟雾图像中6根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图8(e)是本发明实施例烟雾图像中7根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图8(f)是本发明实施例烟雾图像中8根棉绳同时起烟时的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;由此可见,在不同的烟雾浓度下利用本发明方法计算得到的烟雾浓度与烟雾计实际测量得到的烟雾浓度均吻合,证明了本发明方法的正确性和有效性。
图9(a)是本发明实施例中第一背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图9(b)是本发明实施例中第二背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图9(c)是本发明实施例中第三背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图9(d)是本发明实施例中第四背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图9(e)是本发明实施例中第五背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图;图9(f)是本发明实施例中第六背景图像的烟密计测量值与根据结构相似度计算出的烟雾浓度值的曲线关系图。由此可见,在不同的背景图像下利用本发明方法计算得到的烟雾浓度与烟雾计实际测量得到的烟雾浓度均吻合,证明了本发明方法的正确性和有效性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像结构相似度的烟雾浓度测量方法,其特征在于,包括:
(1)采集目标场景的烟雾图像和背景图像,所述背景图像为目标场景未产生烟雾时的图像,计算烟雾图像与背景图像之间的图像结构相似度;
(2)提取背景图像的图像特征,利用图像特征描述图像复杂度;利用图像复杂度和图像结构相似度得到烟雾图像的烟雾浓度。
2.如权利要求1所述的一种基于图像结构相似度的烟雾浓度测量方法,其特征在于,所述烟雾浓度m的公式为:
m=-C×(ssim-ssim0),
其中,C表示图像复杂度,ssim表示图像结构相似度,ssim0为预设值。
3.如权利要求2所述的一种基于图像结构相似度的烟雾浓度测量方法,其特征在于,所述预设值为1。
4.如权利要求1-3所述的任意一种基于图像结构相似度的烟雾浓度测量方法,其特征在于,所述图像特征包括:角二阶矩ASM、对比度CON、逆差分矩IDM、熵ENT和相关性COR。
5.如权利要求4所述的一种基于图像结构相似度的烟雾浓度测量方法,其特征在于,所述图像复杂度C为:C=CON+ENT-ASM-IDM-COR。
6.一种基于图像结构相似度的烟雾浓度测量系统,其特征在于,包括:
第一模块,用于采集目标场景的烟雾图像和背景图像,所述背景图像为目标场景未产生烟雾时的图像,计算烟雾图像与背景图像之间的图像结构相似度;
第二模块,用于提取背景图像的图像特征,利用图像特征描述图像复杂度;利用图像复杂度和图像结构相似度得到烟雾图像的烟雾浓度。
7.如权利要求6所述的一种基于图像结构相似度的烟雾浓度测量系统,其特征在于,所述烟雾浓度m的公式为:
m=-C×(ssim-ssim0),
其中,C表示图像复杂度,ssim表示图像结构相似度,ssim0为预设值。
8.如权利要求7所述的一种基于图像结构相似度的烟雾浓度测量系统,其特征在于,所述预设值为1。
9.如权利要求6-8所述的任意一种基于图像结构相似度的烟雾浓度测量系统,其特征在于,所述图像特征包括:角二阶矩ASM、对比度CON、逆差分矩IDM、熵ENT和相关性COR。
10.如权利要求9所述的一种基于图像结构相似度的烟雾浓度测量系统,其特征在于,所述图像复杂度C为:C=CON+ENT-ASM-IDM-COR。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710354994.0A CN107220605B (zh) | 2017-05-19 | 2017-05-19 | 一种基于图像结构相似度的烟雾浓度测量方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710354994.0A CN107220605B (zh) | 2017-05-19 | 2017-05-19 | 一种基于图像结构相似度的烟雾浓度测量方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220605A true CN107220605A (zh) | 2017-09-29 |
CN107220605B CN107220605B (zh) | 2019-08-30 |
Family
ID=59944656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710354994.0A Active CN107220605B (zh) | 2017-05-19 | 2017-05-19 | 一种基于图像结构相似度的烟雾浓度测量方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220605B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110652221A (zh) * | 2018-06-29 | 2020-01-07 | 青岛海尔智能技术研发有限公司 | 一种烤箱烟雾监控方法及装置、存储介质 |
CN113820308A (zh) * | 2020-06-18 | 2021-12-21 | 厦门大学 | 一种基于机器视觉的蚀刻液浓度实时监测方法及系统 |
CN115909220A (zh) * | 2023-01-07 | 2023-04-04 | 广州市云景信息科技有限公司 | 一种实现船舶大气污染智能管控的方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104011737A (zh) * | 2011-11-16 | 2014-08-27 | 宝马股份公司 | 用于探测雾的方法 |
CN104751591A (zh) * | 2015-04-01 | 2015-07-01 | 大连希尔德安全技术有限公司 | 一种基于半透明特征的早期火灾烟雾检测方法 |
CN105957295A (zh) * | 2016-07-11 | 2016-09-21 | 天津艾思科尔科技有限公司 | 一种可利用图像进行烟雾检测的家用服务机器人 |
-
2017
- 2017-05-19 CN CN201710354994.0A patent/CN107220605B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104011737A (zh) * | 2011-11-16 | 2014-08-27 | 宝马股份公司 | 用于探测雾的方法 |
CN104751591A (zh) * | 2015-04-01 | 2015-07-01 | 大连希尔德安全技术有限公司 | 一种基于半透明特征的早期火灾烟雾检测方法 |
CN105957295A (zh) * | 2016-07-11 | 2016-09-21 | 天津艾思科尔科技有限公司 | 一种可利用图像进行烟雾检测的家用服务机器人 |
Non-Patent Citations (1)
Title |
---|
靳鑫 等: "基于结构相似度的自适应图像质量评价", 《光电子激光》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110652221A (zh) * | 2018-06-29 | 2020-01-07 | 青岛海尔智能技术研发有限公司 | 一种烤箱烟雾监控方法及装置、存储介质 |
CN113820308A (zh) * | 2020-06-18 | 2021-12-21 | 厦门大学 | 一种基于机器视觉的蚀刻液浓度实时监测方法及系统 |
CN115909220A (zh) * | 2023-01-07 | 2023-04-04 | 广州市云景信息科技有限公司 | 一种实现船舶大气污染智能管控的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107220605B (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145908B (zh) | 一种基于r-fcn的小目标检测方法 | |
US20210020360A1 (en) | Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation | |
CN107220605B (zh) | 一种基于图像结构相似度的烟雾浓度测量方法和系统 | |
CN1871622B (zh) | 图像比较系统和图像比较方法 | |
CN107316066A (zh) | 基于多通路卷积神经网络的图像分类方法及系统 | |
KR101938829B1 (ko) | 해무의 발생을 예측하는 뉴럴 네트워크 학습 방법 및 장치 | |
CN106203521B (zh) | 基于差异图自步学习的sar图像变化检测方法 | |
CA2949844A1 (en) | System and method for identifying, analyzing, and reporting on players in a game from video | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN105841847B (zh) | 一种估算地表潜热通量的方法 | |
CN110766058A (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN110232387A (zh) | 一种基于kaze-hog算法的异源图像匹配方法 | |
CN110176023A (zh) | 一种基于金字塔结构的光流估计方法 | |
CN108896021A (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
CN109655234A (zh) | 一种针对于相机的自动化测试方法 | |
CN110084284A (zh) | 基于区域卷积神经网络的目标检测与二级分类算法及装置 | |
CN109919901A (zh) | 一种基于集成学习与随机森林的图像质量评价方法 | |
CN112651945A (zh) | 一种基于多特征的多曝光图像感知质量评价方法 | |
CN108549117A (zh) | 一种基于eemd-ces的地面气温观测资料质量控制方法 | |
CN107067397A (zh) | 一种基于红外图像复杂度的图像分级方法 | |
TW201120410A (en) | Depth detection method and system using thereof | |
Drezner et al. | Informed cover measurement: Guidelines and error for point‐intercept approaches | |
CN110473169A (zh) | 一种仿真图片置信度评价方法 | |
CN108764294A (zh) | 基于玉米果穗对称性的行数自动检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |