CN107451590A - 基于高光谱红外图像的气体检测识别和浓度表示方法 - Google Patents
基于高光谱红外图像的气体检测识别和浓度表示方法 Download PDFInfo
- Publication number
- CN107451590A CN107451590A CN201710589248.XA CN201710589248A CN107451590A CN 107451590 A CN107451590 A CN 107451590A CN 201710589248 A CN201710589248 A CN 201710589248A CN 107451590 A CN107451590 A CN 107451590A
- Authority
- CN
- China
- Prior art keywords
- gas
- image
- pixel
- data
- wave number
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明基于高光谱红外图像的气体检测识别和浓度表示方法,涉及化学气体检测识别和浓度表示方法。本发明解决了现有基于高光谱的化学气体检测和识别的方法需要现场取样、检测速度慢和现场气体轮廊和浓度显示的技术问题。本发明直接处理被检测地区预处理的高光谱红外图像,得到被检测地区的红外高光谱数据和可见光图片,将像素为下标的数据转化为透过率/吸光度数据;再与化学气体光谱库中待检测化学气体数据进行拟合做差,使用非线性最小二乘法判别出气体类别。采用图像分割得到每种气体的分布范围,采用颜色表征气体类别,与同区域可见光图片图像融合在屏幕上显示;可用于工厂污染气体排放检测和突发灾害事件中有害气体泄露检测领域。
Description
技术领域
本发明属于化学气体检测识别方法,特别涉及基于高光谱红外图像的气体检测识别和浓度表示方法。
背景技术
近年来,红外高光谱成像技术高速发展,采用高光谱红外成像技术为气体动态污染物的现场检测提供了可能。被动式红外成像技术直接基于大气中气体目标的红外吸收光谱和背景红外辐射光谱进行探测,不需要提供人工红外光源。这种技术与传统的化学取样方法相比具有很大的优势:a)对气体进行远距离实时监测;b)无需提前取样;c)能实时监控气体的动态轮廊,从而判断和标记污染气体的分布及源头。
高光谱红外图像的数据量非常大,如何从海量的数据中分析提取出有用的信息并对检测区域的气体种类和浓度进行现场级测量是急需解决的问题。目前高光谱图像处理方法较多,但针对气体检测的高光谱红外图像处理的现场检测与显示技术却比较缺乏。因此有必要开发专用的高光谱图像处理技术用于实现气体信息的现场级检测与显示。
安徽光机所的焦洋、徐亮等提出了一种污染气体扫描成像红外被动遥测技术,通过非线性最小二乘算法结合辐射传输计算反演获得目标气体的柱浓度,并用伪彩色图显示其分布情况,最后以可见光图像叠加伪彩色柱浓度分布图的形式显示结果。该方法使用的辐射亮度和透过率数据精度较低且扫描精度差、可视化结果显示慢,当像素数量过大时,易导致计算工作量过大、光谱处理时间过长。
专利(201110146379.3)“一种高光谱成像化学气体检测识别方法”中,先在被检测地区无化学气体时拍摄光谱图像,得到背景的像素向量,再从化学气体光谱库中得到被检测化学气体光谱向量,然后对被检测地区有化学气体时拍摄光谱图像。该方法需要预先在待检测区域无化学气体时拍摄红外光谱图像,需要先验知识,不能达到现场检测的需求。
专利(201610347241.2)“一种基于高光谱红外图像处理的气体检测方法”中,通过对采集到的高光谱图像实施降噪、降维、光谱反演运算后,气体红外吸收谱库中的数据进行对比,进而可以识别气体的种类和估测气体的浓度。该方法需要首先建立气体红外吸收谱库,但建设过程十分浩大,其估测气体浓度过程不仅巨繁琐、工作量大、处理光谱时间长,不利于光谱检测的动态表示。
发明内容
本发明为解决现有基于高光谱的化学气体检测和识别的方法需要到现场取样、检测速度慢和现场气体轮廊和浓度显示的技术问题,提供了一种基于高光谱红外图像的气体检测识别和浓度表示方法。
基于高光谱红外图像的气体检测识别和浓度表示方法,包含以下几个步骤:
a、采用高光谱红外成像系统采集目标区域的红外光谱数据和同区域可见光图片,经过预处理,并将处理后的数据转化为以平面像素点、波数顺序为三维坐标的目标区域辐射亮度数据,预处理手段包含辐射校正、大气校正和几何校正等方式;
b、利用小波阈值法降低步骤a中以各个像素点为下标的辐射亮度-波数曲线的噪声并对其进行基线校正;
c、利用普朗克公式和气体反演算法将步骤b中小波阈值法去噪后以平面像素点,波数顺序为三维坐标的目标区域辐射亮度数据转化为以平面像素点,波数顺序为三维坐标的目标区域透过率/吸光度数据;
d、对步骤c中处理后各个像素点的吸光度-波数曲线利用气体光谱库指纹区吸收峰波数位置信息判别气体种类g;
e、采用气体光谱库中待检测气体对应最强吸收峰所对应的波数值来提取对应波数顺序以平面像素点为二维坐标的目标区域透过率/吸光度数据;
f、对步骤e中处理后的光谱数据采用图像分割的方法提取出来并显示在屏幕上,显示时不同透过率/吸光度阈值对应不同透明度颜色;
g、对步骤d中判别的气体新种类y,重复步骤e和步骤f,直至检测完所有像素点,如果像素点种类发生重复,将检测下一个像素点的气体种类gi。
步骤b中小波阈值法去噪,首先,在小波域中,噪声的小波系数对应的方差为sigma,设定一个的阈值为3*sigma,在众多小波系数中,绝对值小于阈值的系数置为0,绝对值大于阈值的系数保留或收缩。分别对应于利用硬阈值得到保留操作时的小波系数估计值,和利用软阈值方法得到估计收缩操作时的小波系数估计值,利用估计小波系数估计值进行信号重构。
步骤b中以各个像素点为下标z与像素点坐标(x,y)的换算公式为:
z=(0.5*xrow-x)*xcol+y+0.5*xcol
其中z为像素点下标,(x,y)为像素点的坐标,坐标原点为图像中心位置,xrow为像素点总行数,xcol为像素点总列数。
步骤c中利用的公式包含:
1)
2)
上述1)式为普朗克公式,式中h为普朗克常数,c为光速,k为玻尔兹曼常数,v为波数表示的辐射频率,L为小波阈值去噪后的辐射亮度值;上述2)式为透过率反演公式,式中τ(v)是在特定波数下的透过率;T为校正的等效辐射温度,Tmax、Tmin分别为包含水蒸气或二氧化碳饱和吸收效应波数范围的校正的等效辐射温度的最大值和最小值。
步骤d中气体类别判定,通过求导法判别吸收峰是否存在以及吸收峰出现的波数位置,与气体光谱库的吸收峰形状进行拟合做差,使用非线性最小二乘法判别并反演初步得到气体种类。
步骤e和步骤f中的数据,根据朗伯—比耳定律计算出每个被检测出化学气体的像素大小范围所对应的吸光度/透过率数据;
朗伯—比耳定律:
A=km=-ln(τ(v))
上述k的数值取决于吸光物质的特性外,τ(v)是在特定波数下的透过率,m为吸光物质的柱浓度,直接将吸光度大于阈值的区域分割出来,并选定相应颜色表示对应气体种类,使用像素点的透明度的大小表示吸光度的大小,与同区域可见光图片进行图像融合,在屏幕上得到气体泄漏源以及柱浓度分布轮廓。
步骤f中对每个被检测出化学气体的指纹区吸收峰波数对应的透过率图像进行图像分割,图像大小为M*N,M为图像行数,N为图像列数,先将高于阈值的部分归1,再腐蚀并移除疑似误检的面积小于M*N/2500的面积区域,之后膨胀,将分割图上面积大于M*N/2500的区域的轮廊线设为气体羽焰分布轮廓线,设检测到的最小透过率为τmin,将气体羽焰分布轮廓线内透过率τ符合τmin<τ<τmin+0.05*(1-τmin)的区域标注为疑似气体泄漏源。
步骤g中是在得到目标区域所有疑似气体所有种类这一判别条件下,重复步骤e和步骤f,采取并行算法加快判别气体种类和计算气体浓度的速度。
阈值的选取采用的是大津法,对于每个被检测出化学气体的特征波数提取图像I,记t为前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,图像的总平均灰度为:u=w0*u0+w1*u1,从最小灰度值到最大灰度值遍历t,当t使得值m=w0*(u0-u)2+w1*(u1-u)2最大时t即为分割的最佳阈值,采用其等价的公式:m=w0*w1*(u0-u1)2。
本发明的有益效果是:
1、不需要预先测量被测区域的大气辐射信息充当检测背景;
2、采用小波阈值法去噪可以有效降低光谱噪声,提高光谱分析识别的准确度;
3、采用简易气体光谱库检测气体种类,可实时获取待检测气体光谱图像,计算量少;
4、由于特定波数吸光度与柱浓度近似呈线性关系,可以采取吸光度表征浓度,并将分割图像与可见光图像融合,利用颜色区分气体的种类,利用颜色透明度表征吸光度的绝对值,适合现场显示。
附图说明
图1是基于高光谱红外图像的气体检测识别和浓度表示方法原理示意图;
图2是图像分割基本实施方法流程图。
具体实施方式
1.本发明解决其技术问题所采用的技术方案是:基于高光谱红外图像气体检测识别和浓度表示方法,包含以下几个步骤,
a)、采用高光谱红外成像系统采集目标区域的红外光谱数据和同区域可见光图片,经过预处理后将数据转化为以平面像素点和波数顺序为三维坐标的目标区域幅射亮度数据,预处理手段包含辐射校正、大气校正和几何校正等方式;
b)、利用小波阈值法降低步骤a)中以各个像素点为下标的幅射亮度-波数曲线的噪声并对其进行基线校正;
c)、利用普朗克公式和气体反演算法将步骤b)中得到的目标区域幅射亮度数据转化为目标区域透过率/吸光度数据,转化后的数据同样以平面像素点、波数顺序为三维坐标;
d)、对步骤c)中处理后各个像素点的吸光度-波数曲线利用气体光谱库指纹区吸收峰波数位置信息判别气体种类g;
e)、采用气体光谱库中待检测气体对应最强吸收峰处的波数值来提取目标区域透过率/吸光度数据f)、对步骤e)中处理后的光谱数据采用图像分割的方法提取出来并在显示在屏幕上,显示时不同透过率/吸光度阈值对应不同透明度颜色;
g)、对步骤d)中判别的气体新种类y,重复步骤e)和步骤f),直至检测完所有像素点,如果像素点种类发生重复,将检测下一个像素点的气体种类gi;
h)、对以上步骤中所有关于各个像素点的计算内容可通过并行计算方式加快计算速度。
2.利用小波阈值法对高光谱红外数据中以各个像素点为下标的幅射亮度-波数数据进行去噪,在众多小波系数中,把绝对值较小的系数置为0,而保留或收缩绝对值较大的系数。分别利用硬阈值得到保留操作时的小波系数估计值,利用软阈值方法得到收缩操作时的小波系数估计值。然后利用小波系数估计值直接进行信号重构。利用普朗克公式将辐射亮度转换成辐射亮温,并利用气体反演算法计算出目标气体的透过率。通过求导法判别吸收峰是否存在以及吸收峰出现的波数位置,与气体光谱库的吸收峰形状进行拟合做差反演,使用最小二乘法判别气体种类。利用朗伯—比耳定律计算出检测得到的每个化学气体的像素大小范围所对应的吸光度数据,并将其绝对值大于阈值的区域分割出来。利用不同颜色表示气体种类,利用像素点透明度表示吸光度的大小,之后与灰度化的同区域可见光图片进行图像融合,从而在屏幕上显示气体泄漏源以及柱浓度分布轮廓。对每个被检测出化学气体的指纹区吸收峰特定波数对应的透过率图像进行图像分割,先将高于阈值的部分归1,再腐蚀并移除疑似误检的小面积区域,之后膨胀,最后将分割图上大面积集中区的轮廊线设为气体羽焰分布轮廓线,将气体羽焰分布轮廓线内透过率接近为0且像素数量较多的区域标注为疑似气体泄漏源。同时,可采取并行算法加快此方法对气体种类和浓度的判别计算速度。
具体实施方式一:本实施方式的基于高光谱红外图像处理的气体检测识别和浓度表示方法按以下步骤进行:
步骤一:采用高光谱红外成像系统采集目标区域的红外光谱数据和同区域可见光图片,经过预处理后的数据转化为以平面像素点,波数顺序为三维坐标的目标区域幅射亮度数据,预处理手段包含辐射校正、大气校正和几何校正等方式;
步骤二:利用小波阈值法对高光谱红外数据中以各个像素点为下标的幅射亮度-波数数据进行去噪,在众多小波系数中,把绝对值较小的系数置为0,而绝对值较大的系数保留或收缩;分别利用硬阈值得到保留操作时的小波系数估计值,利用软阈值方法得到收缩操作时的小波系数估计值;然后利用小波系数估计值直接进行信号重构降低步骤一中以各个像素点为下标z的幅射亮度-波数曲线的噪声并对其进行基线校正;
步骤三:利用普朗克公式和气体反演算法将步骤二中小波阈值法去噪后以空间像素点,波数顺序为三维坐标的目标区域幅射亮度数据转化为以平面像素点,波数顺序为三维坐标的目标区域透过率/吸光度数据;其中普朗克公式为:
上式中h为普朗克常数,c为光速,k为玻尔兹曼常数,v为波数表示的辐射频率,L为小波阈值去噪后的辐射亮度值;透过率可以由反演公式计算,其可以由下式计算得出:
上式中τ(v)是在特定波数下的透过率;T为校正的等效辐射温度,Tmax、Tmin分别为包含水蒸气或二氧化碳饱和吸收效应波数范围的的校正的等效辐射温度的最大值和最小值;以上两公式都是对像素点为下标的数据进行的计算;
步骤四:对步骤三中处理后各个像素点的吸光度-波数曲线利用可以通过求导法判别吸收峰是否存在以及吸收峰出现的波数位置,与气体光谱库的吸收峰形状进行拟合做差,使用非线性最小二乘法判别并反演初步得到气体种类g;
步骤五:采用气体光谱库中待检测气体对应最强吸收峰处的波数值来提取对应波数值的波段数据,根据朗伯—比耳定律计算得到以平面像素点为二维坐标的目标区域透过率/吸光度数据;
朗伯—比耳定律:
A=km=-ln(τ(v));
上述k的数值取决于吸光物质的特性外,τ(V)是在特定波数下的透过率,m又称吸光物质的柱浓度;步骤六:对被检测出化学气体的指纹区特定波数对应的透过率图像进行图像分割,先将高于阈值的部分归1,再腐蚀并移除疑似误检的小面积区域,之后膨胀,最后将分割图上大面积集中区的轮廊线设为气体羽焰分布轮廓线,将气体羽焰分布轮廓线内透过率接近为0且像素数量较多的区域标注为疑似气体泄漏源;
步骤七:对步骤五中处理后的光谱数据采用图像分割的方法提取出来步骤七对步骤四中判别的气体新种类y,重复步骤五和步骤六,直至检测完所有像素点的数据,如果像素点种类发生重复,将检测下一个像素点的气体种类gi。
步骤八:将步骤七处理后的吸光度大于阈值的区域分割出来,选定相应颜色表示对应气体种类,因为特定波数的吸光度与柱浓度成线性关系,直接使用像素点的透明度的大小表示吸光度的大小,之后与灰度化的同区域可见光图片进行图像融合,这样在屏幕上很容易看到多种气体泄漏源以及柱浓度分布轮廓。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一到五,因为平面像素点数据之间相对独立,基本实施中可采取并行算法加快判别气体种类和计算气体浓度的速度。其它步骤与具体实施方式一相同。
对于步骤一中以各个像素点为下标z与像素点坐标(x,y)的换算公式为:
z=(0.5*xrow-x)*xcol+y+0.5*xcol
其中z为像素点下标,(x,y)为像素点的坐标,坐标原点为图像中心位置,xrow为像素点总行数,xcol为像素点总列数,能得到气体羽焰的更详细的位置信息。
对于步骤六和八中所述的图像阈值分割算法中阈值的选取方法基本实施采用的是大津法。
对图像I,记t为前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1。图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t,当t使得值m=w0*(u0-u)2+w1*(u1-u)2最大时t即为分割的最佳阈值。因为直接应用大津法计算量较大,为保证处理速度,采用其等价的公式:
m=w0*w1*(u0-u1)2。
本发明通过高光谱红外图像处理方法对采集到的高光谱图像进行小波阈值去噪,可以有效降低红外光谱曲线噪声和利用气体红外指纹区吸收峰信息与非线性最小二乘法拟合反演快速识别气体种类,计算量小,然后利用被识别气体种类所对应的吸收波段的红外光谱图像,进一步减小计算量,将对应的光谱图像数据转换成吸光度这个与气体浓度近似呈线性关系的量,通过图像处理得到气体的柱浓度分布轮廓和气体疑似泄露源,与灰度化的同区域可见光图片图像融合并在屏幕上显示,基本能满足现场动态显示的需求。至于柱浓度的具体估算数值本发明并不涉及。
上述实施例仅例示性说明本发明的原理及其功效,以及部分运用的实施例,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (9)
1.一种基于高光谱红外图像的气体检测识别和浓度表示方法,其特征在于:包含以下几个步骤:
a、采用高光谱红外成像系统采集目标区域的红外光谱数据和同区域可见光图片,经过预处理,并将处理后的数据转化为以平面像素点、波数顺序为三维坐标的目标区域辐射亮度数据,预处理手段包含辐射校正、大气校正和几何校正等方式;
b、利用小波阈值法降低步骤a中以各个像素点为下标的辐射亮度-波数曲线的噪声并对其进行基线校正;
c、利用普朗克公式和气体反演算法将步骤b中小波阈值法去噪后以平面像素点,波数顺序为三维坐标的目标区域辐射亮度数据转化为以平面像素点,波数顺序为三维坐标的目标区域透过率/吸光度数据;
d、对步骤c中处理后各个像素点的吸光度-波数曲线利用气体光谱库指纹区吸收峰波数位置信息判别气体种类g;
e、采用气体光谱库中待检测气体对应最强吸收峰所对应的波数值来提取对应波数顺序以平面像素点为二维坐标的目标区域透过率/吸光度数据;
f、对步骤e中处理后的光谱数据采用图像分割的方法提取出来并显示在屏幕上,显示时不同透过率/吸光度阈值对应不同透明度颜色;
g、对步骤d中判别的气体新种类y,重复步骤e和步骤f,直至检测完所有像素点,如果像素点种类发生重复,将检测下一个像素点的气体种类gi。
2.根据权利要求1所述的基于高光谱红外图像气体检测识别和浓度表示方法,其特征在于步骤b中小波阈值法去噪,首先,在小波域中,噪声的小波系数对应的方差为sigma,设定一个的阈值为3*sigma,在众多小波系数中,绝对值小于阈值的系数置为0,绝对值大于阈值的系数保留或收缩,分别对应于利用硬阈值得到保留操作时的小波系数估计值,和利用软阈值方法得到估计收缩操作时的小波系数估计值,利用估计小波系数估计值进行信号重构。
3.根据权利要求1所述的基于高光谱红外图像的气体检测识别和浓度表示方法,其特征在于步骤b中以各个像素点为下标z与像素点坐标(x,y)的换算公式为:
z=(0.5*xrow-x)*xcol+y+0.5*xcol
其中z为像素点下标,(x,y)为像素点的坐标,坐标原点为图像中心位置,xrow为像素点总行数,xcol为像素点总列数。
4.根据权利要求1所述的一种高光谱长波红外图像的气体检测识别和浓度表示方法,其特征在于步骤c中利用的公式包含:
1)
2)
上述1)式为普朗克公式,式中h为普朗克常数,c为光速,k为玻尔兹曼常数,v为波数表示的辐射频率,L为小波阈值去噪后的辐射亮度值;上述2)式为透过率反演公式,式中τ(v)是在特定波数下的透过率;T为校正的等效辐射温度,Tmax、Tmin分别为包含水蒸气或二氧化碳饱和吸收效应波数范围的校正的等效辐射温度的最大值和最小值。
5.根据权利要求1所述的基于高光谱红外图像的气体检测识别和浓度表示方法,其特征在于步骤d中气体类别判定,通过求导法判别吸收峰是否存在以及吸收峰出现的波数位置,与气体光谱库的吸收峰形状进行拟合做差,使用非线性最小二乘法判别并反演初步得到气体种类。
6.根据权利要求1所述的基于高光谱红外图像的气体检测识别和浓度表示方法,其特征在于步骤e和步骤f中的数据,根据朗伯—比耳定律计算出每个被检测出化学气体的像素大小范围所对应的吸光度/透过率数据;
朗伯—比耳定律:
A=km=-ln(τ(v))
上述k的数值取决于吸光物质的特性外,τ(v)是在特定波数下的透过率,m为吸光物质的柱浓度,直接将吸光度大于阈值的区域分割出来,并选定相应颜色表示对应气体种类,使用像素点的透明度的大小表示吸光度的大小,与同区域可见光图片进行图像融合,在屏幕上得到气体泄漏源以及柱浓度分布轮廓。
7.根据权利要求1所述的基于高光谱红外图像气体检测识别和浓度表示方法,其特征在于,步骤f中对每个被检测出化学气体的指纹区吸收峰波数对应的透过率图像进行图像分割,图像大小为M*N,M为图像行数,N为图像列数,先将高于阈值的部分归1,再腐蚀并移除疑似误检的面积小于M*N/2500的面积区域,之后膨胀,将分割图上面积大于M*N/2500的区域的轮廊线设为气体羽焰分布轮廓线,设检测到的最小透过率为τmin,将气体羽焰分布轮廓线内透过率τ符合τmin<τ<τmin+0.05*(1-τmin)的区域标注为疑似气体泄漏源。
8.根据权利要求1所述的基于高光谱红外图像的气体检测识别和浓度表示方法,其特征在于,步骤g中是在得到目标区域所有疑似气体所有种类这一判别条件下,重复步骤e和步骤f,采取并行算法加快判别气体种类和计算气体浓度的速度。
9.根据权利要求6所述的基于高光谱红外图像的气体检测识别和浓度表示方法,其特征在于,阈值的选取采用的是大津法,对于每个被检测出化学气体的特征波数提取图像I,记t为前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,图像的总平均灰度为:u=w0*u0+w1*u1,从最小灰度值到最大灰度值遍历t,当t使得值m=w0*(u0-u)2+w1*(u1-u)2最大时t即为分割的最佳阈值,采用其等价的公式:m=w0*w1*(u0-u1)2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589248.XA CN107451590B (zh) | 2017-07-19 | 2017-07-19 | 基于高光谱红外图像的气体检测识别和浓度表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710589248.XA CN107451590B (zh) | 2017-07-19 | 2017-07-19 | 基于高光谱红外图像的气体检测识别和浓度表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451590A true CN107451590A (zh) | 2017-12-08 |
CN107451590B CN107451590B (zh) | 2020-09-25 |
Family
ID=60487224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710589248.XA Active CN107451590B (zh) | 2017-07-19 | 2017-07-19 | 基于高光谱红外图像的气体检测识别和浓度表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451590B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389237A (zh) * | 2018-03-06 | 2018-08-10 | 安徽大学 | 一种基于视敏度曲线的本征色彩还原方法 |
CN108762700A (zh) * | 2018-06-07 | 2018-11-06 | 华南理工大学 | 一种输出设备的光谱特征化校正方法及装置 |
CN109269951A (zh) * | 2018-09-06 | 2019-01-25 | 山西智卓电气有限公司 | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 |
CN111551266A (zh) * | 2020-05-25 | 2020-08-18 | 吉林求是光谱数据科技有限公司 | 一种基于多光谱图像探测技术的环境色温测试方法及系统 |
CN111782887A (zh) * | 2020-06-29 | 2020-10-16 | 数量级(上海)信息技术有限公司 | 一种泄漏气体的温度量化系统及方法 |
CN111965115A (zh) * | 2020-07-21 | 2020-11-20 | 天津大学 | 一种基于高光谱的船舶尾气测量系统及方法 |
CN112307267A (zh) * | 2020-06-29 | 2021-02-02 | 数量级(上海)信息技术有限公司 | 一种泄漏气体的浓度量化系统及方法 |
CN112946232A (zh) * | 2021-02-04 | 2021-06-11 | 成都秦川物联网科技股份有限公司 | 天然气能量计量数据获取方法和系统 |
CN113297925A (zh) * | 2021-04-30 | 2021-08-24 | 华中农业大学 | 一种果蔬全链条质量智能预警方法及系统 |
CN114127542A (zh) * | 2019-04-08 | 2022-03-01 | 国家航空航天研究所 | 气体检测器 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
CN115841434A (zh) * | 2023-02-21 | 2023-03-24 | 深圳市特安电子有限公司 | 一种用于气体浓度分析的红外图像增强方法 |
CN117147631A (zh) * | 2023-10-30 | 2023-12-01 | 南京沃唐光电科技有限公司 | 一种基于区域环境分析的气体智能检测预警方法及系统 |
CN117233120A (zh) * | 2023-11-14 | 2023-12-15 | 山东大学 | 基于机器学习和高光谱图像的污染气体检测方法及系统 |
CN117368132A (zh) * | 2023-12-07 | 2024-01-09 | 杭州泽天春来科技股份有限公司 | 恶臭气体检测方法、装置及计算机设备 |
CN117420195A (zh) * | 2023-12-18 | 2024-01-19 | 天津安科达科技有限公司 | 固定式光离子探测系统及方法 |
CN117444960A (zh) * | 2023-10-23 | 2024-01-26 | 广州普诺环境检测技术服务有限公司 | 一种固体液体样品二噁英检测预处理的智能控制机器人 |
CN117470450A (zh) * | 2023-12-27 | 2024-01-30 | 广州煌之牌包装机械有限公司 | 一种西林瓶多头式轧盖检漏方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331402A (zh) * | 2011-06-01 | 2012-01-25 | 哈尔滨工业大学 | 一种高光谱成像化学气体检测识别方法 |
CN102539370A (zh) * | 2011-11-11 | 2012-07-04 | 西安交通大学 | 一种多组分气体傅立叶变换红外光谱在线分析滤波方法 |
JP2016050262A (ja) * | 2014-08-29 | 2016-04-11 | 住友金属鉱山株式会社 | 赤外線吸収微粒子、赤外線吸収微粒子分散液、およびそれらを用いた赤外線吸収微粒子分散体、赤外線吸収合わせ透明基材、赤外線吸収フィルム、赤外線吸収ガラス |
CN106018316A (zh) * | 2016-05-23 | 2016-10-12 | 湖北久之洋红外系统股份有限公司 | 一种基于高光谱红外图像处理的气体检测方法 |
US20170082539A1 (en) * | 2015-09-23 | 2017-03-23 | Baker Hughes Incorporated | Method for determining a settling rate of at least one foulant in oil-based fluids |
CN106645001A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于多光谱图像的机动车尾气hc浓度分布检测方法及系统 |
-
2017
- 2017-07-19 CN CN201710589248.XA patent/CN107451590B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331402A (zh) * | 2011-06-01 | 2012-01-25 | 哈尔滨工业大学 | 一种高光谱成像化学气体检测识别方法 |
CN102539370A (zh) * | 2011-11-11 | 2012-07-04 | 西安交通大学 | 一种多组分气体傅立叶变换红外光谱在线分析滤波方法 |
JP2016050262A (ja) * | 2014-08-29 | 2016-04-11 | 住友金属鉱山株式会社 | 赤外線吸収微粒子、赤外線吸収微粒子分散液、およびそれらを用いた赤外線吸収微粒子分散体、赤外線吸収合わせ透明基材、赤外線吸収フィルム、赤外線吸収ガラス |
US20170082539A1 (en) * | 2015-09-23 | 2017-03-23 | Baker Hughes Incorporated | Method for determining a settling rate of at least one foulant in oil-based fluids |
CN106018316A (zh) * | 2016-05-23 | 2016-10-12 | 湖北久之洋红外系统股份有限公司 | 一种基于高光谱红外图像处理的气体检测方法 |
CN106645001A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于多光谱图像的机动车尾气hc浓度分布检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
HYEONG-GEUN YU 等: "Intelligent Detection Algorithm of Hazardous Gases for FTIR-Based Hyperspectral Imaging System Using SVM Classifier", 《PROC OF SPIE》 * |
M.A.RODRÍGUEZ-CONEJO 等: "Hyperspectral quantitative imaging of gas sources in the mid-infrared", 《APPLIED OPTICS》 * |
XU ZHANG 等: "Minimum detectable gas concentration performance evaluation method for gas leak infrared imaging detection systems", 《APPLIED OPTICS》 * |
李家琨: "气体泄漏被动式红外成像检测理论及方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389237A (zh) * | 2018-03-06 | 2018-08-10 | 安徽大学 | 一种基于视敏度曲线的本征色彩还原方法 |
CN108762700A (zh) * | 2018-06-07 | 2018-11-06 | 华南理工大学 | 一种输出设备的光谱特征化校正方法及装置 |
CN108762700B (zh) * | 2018-06-07 | 2020-12-08 | 华南理工大学 | 一种输出设备的光谱特征化校正方法及装置 |
CN109269951B (zh) * | 2018-09-06 | 2021-12-03 | 山西智卓电气有限公司 | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 |
CN109269951A (zh) * | 2018-09-06 | 2019-01-25 | 山西智卓电气有限公司 | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 |
CN114127542B (zh) * | 2019-04-08 | 2023-11-14 | 国家航空航天研究所 | 气体检测器 |
CN114127542A (zh) * | 2019-04-08 | 2022-03-01 | 国家航空航天研究所 | 气体检测器 |
CN111551266A (zh) * | 2020-05-25 | 2020-08-18 | 吉林求是光谱数据科技有限公司 | 一种基于多光谱图像探测技术的环境色温测试方法及系统 |
CN112307267A (zh) * | 2020-06-29 | 2021-02-02 | 数量级(上海)信息技术有限公司 | 一种泄漏气体的浓度量化系统及方法 |
CN111782887A (zh) * | 2020-06-29 | 2020-10-16 | 数量级(上海)信息技术有限公司 | 一种泄漏气体的温度量化系统及方法 |
CN111965115A (zh) * | 2020-07-21 | 2020-11-20 | 天津大学 | 一种基于高光谱的船舶尾气测量系统及方法 |
CN112946232A (zh) * | 2021-02-04 | 2021-06-11 | 成都秦川物联网科技股份有限公司 | 天然气能量计量数据获取方法和系统 |
CN113297925A (zh) * | 2021-04-30 | 2021-08-24 | 华中农业大学 | 一种果蔬全链条质量智能预警方法及系统 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
CN115841434A (zh) * | 2023-02-21 | 2023-03-24 | 深圳市特安电子有限公司 | 一种用于气体浓度分析的红外图像增强方法 |
CN115841434B (zh) * | 2023-02-21 | 2023-04-21 | 深圳市特安电子有限公司 | 一种用于气体浓度分析的红外图像增强方法 |
CN117444960A (zh) * | 2023-10-23 | 2024-01-26 | 广州普诺环境检测技术服务有限公司 | 一种固体液体样品二噁英检测预处理的智能控制机器人 |
CN117444960B (zh) * | 2023-10-23 | 2024-04-16 | 广州普诺环境检测技术服务有限公司 | 一种固体液体样品二噁英检测预处理的智能控制机器人 |
CN117147631A (zh) * | 2023-10-30 | 2023-12-01 | 南京沃唐光电科技有限公司 | 一种基于区域环境分析的气体智能检测预警方法及系统 |
CN117233120A (zh) * | 2023-11-14 | 2023-12-15 | 山东大学 | 基于机器学习和高光谱图像的污染气体检测方法及系统 |
CN117233120B (zh) * | 2023-11-14 | 2024-02-09 | 山东大学 | 基于机器学习和高光谱图像的污染气体检测方法及系统 |
CN117368132B (zh) * | 2023-12-07 | 2024-02-27 | 杭州泽天春来科技股份有限公司 | 恶臭气体检测方法、装置及计算机设备 |
CN117368132A (zh) * | 2023-12-07 | 2024-01-09 | 杭州泽天春来科技股份有限公司 | 恶臭气体检测方法、装置及计算机设备 |
CN117420195A (zh) * | 2023-12-18 | 2024-01-19 | 天津安科达科技有限公司 | 固定式光离子探测系统及方法 |
CN117420195B (zh) * | 2023-12-18 | 2024-03-19 | 天津安科达科技有限公司 | 固定式光离子探测系统及方法 |
CN117470450A (zh) * | 2023-12-27 | 2024-01-30 | 广州煌之牌包装机械有限公司 | 一种西林瓶多头式轧盖检漏方法及系统 |
CN117470450B (zh) * | 2023-12-27 | 2024-03-01 | 广州煌之牌包装机械有限公司 | 一种西林瓶多头式轧盖检漏方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107451590B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451590A (zh) | 基于高光谱红外图像的气体检测识别和浓度表示方法 | |
Wang et al. | New methods for improving the remote sensing estimation of soil organic matter content (SOMC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR) in northwest China | |
CN102819740B (zh) | 一种单帧红外图像弱小目标检测和定位方法 | |
Mishra et al. | Change detection techniques in remote sensing: A review | |
CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
CN107462182B (zh) | 一种基于机器视觉和红线激光器的截面轮廓形变检测方法 | |
Ngoc et al. | Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI | |
CN106228130B (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
CN109460764A (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
WO2016107478A1 (zh) | 车辆底盘检查方法和系统 | |
CN101943761B (zh) | 一种x射线检测方法 | |
CN105354847A (zh) | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 | |
CN107403433A (zh) | 一种复杂云背景下红外小目标检测方法 | |
CN108648184A (zh) | 一种遥感图像高空卷云的检测方法 | |
CN106778488B (zh) | 基于图像相关性的低照度烟雾视频检测方法 | |
CN115751203A (zh) | 一种基于红外热像仪的天然气管道泄漏监测系统 | |
CN110243542A (zh) | 一种sf6气体泄漏成像检测方法及检测装置 | |
CN109409285B (zh) | 基于重叠切片的遥感视频目标检测方法 | |
CN111368756A (zh) | 一种基于可见光的明火烟雾快速识别方法和系统 | |
CN104200472B (zh) | 基于非局部小波信息的遥感图像变化检测方法 | |
CN109978982B (zh) | 一种基于倾斜影像的点云快速上色方法 | |
KR102309680B1 (ko) | 주성분 분석 기법을 이용한 초분광 영상 실시간 독성 화학가스 탐지 방법 및 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 | |
Siswantoro et al. | A new framework for measuring volume of axisymmetric food products using computer vision system based on cubic spline interpolation | |
CN115841609A (zh) | 基于红外热图像分析的石化区火源检测方法、系统及应用 | |
Cao | Detection of fruit surface defects based on machine vision |
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 |