CN109658359A - 大气悬浮物检测系统及其检测方法 - Google Patents
大气悬浮物检测系统及其检测方法 Download PDFInfo
- Publication number
- CN109658359A CN109658359A CN201811596486.4A CN201811596486A CN109658359A CN 109658359 A CN109658359 A CN 109658359A CN 201811596486 A CN201811596486 A CN 201811596486A CN 109658359 A CN109658359 A CN 109658359A
- Authority
- CN
- China
- Prior art keywords
- aerosol
- light intensity
- atmosphere
- image
- dark
- 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
- 239000000443 aerosol Substances 0.000 title claims abstract description 110
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000000725 suspension Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000013618 particulate matter Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器视觉的大气悬浮物检测系统，包括：图像拍摄模块，拍摄大气图像；图像预处理模块，对大气图像进行亮度信息统计，根据亮度信息区分天空区域和其他场景区域，并对大气图像每个像素进行区域标注；图像理模块，获取光强梯度，根据灰度光强梯度差异排除光源区域，计算光强度获得亮度图，计算光强度获得暗通道，对比亮度图和暗通道获得暗点，通过暗点像素值计算获得大气光强衰减参数；大气悬浮物浓度计算模块，将被检测大气图像的大气光强衰减参数与大气悬浮物光强曲线对比获得大气悬浮物浓度。本发明还公开了一种基于机器视觉的大气悬浮物检测方法。本发明能对大气悬浮物尤其是雾霾浓度进行准确检测。
Description
技术领域
本发明涉及一种针对大气悬浮物尤其是雾霾的检测系统。本发明还涉及一种大气悬浮物检测方法。
背景技术
近年来智能设备逐渐代替人类完成各种具有高难度、高危险的任务，为日常生产生活带来便捷。然而，受阴雨、雾霾、暴雪等复杂多变的天气状况的影响，某些系统在该场景中的功能急剧下降。雾霾检测技术能够自动分析场景中的大气雾霾现状，为后续应对和处理判定提供有效保障，已经成为机器视觉领域中一项重要而又具有挑战性的研究课题。同时，基于机器视觉的雾霾检测技术能够提高室外的灵活性，降低图像传输的成本，并在智能视频监控系统、机器视觉导航系统和车辆驾驶辅助系统中具有广泛的应用。因此，基于机器视觉的雾霾检测技术具有广阔的研究价值和应用前景。
在现有雾霾检测技术中，通常使用内置专用的激光模块产生一束特定的激光,当颗粒物经过时，其信号会被超高灵敏的数字电路模块检测到，通过对信号数据进行智能识别分析得到颗粒计数和颗粒大小，根据专业的标定技术得到粒径分布与质量浓度转换公式，最终得到跟官方单位统一的质量浓度。然而，现有雾霾检测仪需要使用者手持该设备暴露在雾霾的环境中，当大气重度污染时应该尽量减少使用者在接触雾霾的时间，所以就需要一种与雾霾大气非接触式的检测技术。
发明内容
本发明要解决的技术问题是提供一种基于机器视觉能对大气悬浮物尤其是雾霾(PM2.5～PM10)浓度进行检测的大气悬浮物检测系统。
本发明还提供了一种基于机器视觉能对大气悬浮物尤其是雾霾浓度进行检测的大气悬浮物检测方法。
为解决上述技术问题，本发明提供一种基于机器视觉的大气悬浮物检测系统，包括：图像拍摄模块、图像预处理模块、图像理模块和大气悬浮物浓度计算模块；
图像拍摄模块，拍摄大气图像；
图像预处理模块，对大气图像进行亮度信息统计，根据亮度信息区分天空区域和其他场景区域，并对大气图像每个像素进行区域标注；
图像理模块，获取光强梯度，根据灰度光强梯度差异排除光源区域，计算光强度获得亮度图，计算光强度获得暗通道，对比亮度图和暗通道获得暗点，通过暗点像素值计算获得大气光强衰减参数；
大气悬浮物浓度计算模块，将被检测大气图像的大气光强衰减参数与大气悬浮物光强曲线对比获得大气悬浮物浓度。
进一步改进所述的大气悬浮物检测系统，区分天空区域和其他场景区域并标注，采用以下方法；
Idark(x，y)＝min(m，n)∈Ω(x，y)minc∈{R，G，B}I(m，n，c)；
其中，I(m，n，c)表示图像中位于(m，n)位置，c是颜色通道像素值，Idark(x，y)是阈值通道，Ω(x，y)是中心为(m，n)位置的滤波器；
确定天空与其他场景的基本位置，通过阈值Ts、To进行标注；
Ts＝Tc+k(255-Tc)；
To＝Tc-kTc；
将亮度大于Ts的区域标注为天空区域S，将亮度小于To的区域标注为其他场景区域O，最小化以下能量函数；
E(L)＝αR(L)+B(L)；
Ω(L)表示像素点L的四邻域，Δ(L)表示以下关系；
将所有像素点的能量函数最小化后，获得每个像素是天空区域或其他场景区域的标注。
进一步改进所述的大气悬浮物检测系统，所述的大气悬浮物检测系统，对于函数f(x，y)，f在坐标(x，y)处的光强梯度定义为二维列向量：
其中表示函数在x方向上的导数，表示函数在y方向上的导数，光强梯度是在(x，y)处f的最大变化率的方向，选取灰度梯度大的点集或线作为天空区域与光源区域的边缘，从而排除光源区域。
进一步改进所述的大气悬浮物检测系统，采用以下公式计算光强形成亮度图；
L(i，j)＝0.299IR(i，j)+0.587IG(i，j)+0.114IB(i，j)；
其中0.299、0.587、0.114是RGB亮度计算公式的固有参数，IR(i，j)、IG(i，j)、IB(i，j)是指此处在RGB三个通道的像素值。
进一步改进所述的大气悬浮物检测系统，采用以下公式计算光强度获得暗通道；
M(i，j)＝min(s，t)∈Ω(i，j)minc∈{R，G，B}Ic(s，t)；
c为通道，可选范围为{R，G，B}，(s，t)为候选暗点位置，取值范围为Ω(i，j)，Ω(i，j)是局部最小窗范围，即最小滤波。
进一步改进所述的大气悬浮物检测系统，采用以下方式获得暗点；
选取同位置处亮度图和暗通道光强度值相差在第一阈值内，且满足如下不等式的点作为暗点；
L(i，j)-M(i，j)≤ε；
L(i，j)为亮度值，M(i，j)为暗通道值，ε为自定义阈值。
进一步改进所述的大气悬浮物检测系统，采用以下方式计算大气光强衰减参数；
光强度衰减误差函数，
β是等价于测量数据的最小二乘拟合，通过最小化光强度衰减误差函数θ抑制单个点光强测量和计算过程中带来的误差，获得解：
β是大气光强衰减参数，γ是表征平滑约束程度的平滑系数，是矩阵简化，是矩阵简化，βo是结合历史值建立的参考模型大气光强衰减参数值。
进一步改进所述的大气悬浮物检测系统，大气悬浮物浓度计算模块获取大气悬浮物浓度历史数据形成大气悬浮物浓度数据库，统计大气悬浮物浓度和该大气悬浮物浓度下大气图片的大气光强衰减参数之间线性相关度形成大气悬浮物光强曲线，P＝325.4β-194.8，P是大气悬浮物浓度，β是大气光强衰减参数，根据被检测大气图片的光强衰减参数查询大气悬浮物光强曲线获得大气悬浮物浓度。
本发明提供一种基于机器视觉的大气悬浮物检测方法，包括以下步骤：
1)对大气图像进行亮度信息统计；
2)根据亮度信息区分天空区域和其他场景区域，并对大气图像每个像素进行区域标注；
3)获取光强梯度，根据灰度光强梯度差异排除光源区域；
4)计算光强度获得亮度图；
5)计算光强度获得暗通道；
6)对比亮度图和暗通道获得暗点，通过暗点像素值计算获得大气光强衰减参数；
7)将大气光强衰减参数与大气悬浮物光强曲线对比获得大气悬浮物浓度。
进一步改进所述的大气悬浮物检测方法，实施步骤2)时，区分天空区域和其他场景区域并标注，采用以下方法；
Idark(x，y)＝min(m，n)∈Ω(x，y)minc∈{R，G，B}I(m，n，c)；
其中，I(m，n，c)表示图像中位于(m，n)位置，c是颜色通道像素值，Idark(x，y)是阈值通道，Ω(x，y)是中心为(m，n)位置的滤波器；
确定天空与其他场景的基本位置，通过阈值Ts、To进行标注；
Ts＝Tc+k(255-Tc)；
To＝Tc-kTc；
将亮度大于Ts的区域标注为天空区域S，将亮度小于To的区域标注为其他场景区域O，最小化以下能量函数；
E(L)＝αR(L)+B(L)；
Ω(L)表示像素点L的四邻域，Δ(L)表示以下关系；
将所有像素点的能量函数最小化后，获得每个像素是天空区域或其他场景区域的标注。
进一步改进所述的大气悬浮物检测方法，实施步骤3)时，对于函数f(x，y)，f在坐标(x，y)处的光强梯度定义为二维列向量：
其中表示函数在x方向上的导数，表示函数在y方向上的导数，光强梯度是在(x，y)处f的最大变化率的方向，选取灰度梯度大的点集或线作为天空区域与光源区域的边缘，从而排除光源区域。
进一步改进所述的大气悬浮物检测方法，实施步骤4)时，采用以下公式计算光强形成亮度图；
L(i，j)＝0.299IR(i，j)+0.587IG(i，j)+0.114IB(i，j)；
其中0.299、0.587、0.114是RGB亮度计算公式的固有参数，IR(i，j)、IG(i，j)、IB(i，j)是指此处在RGB三个通道的像素值。
进一步改进所述的大气悬浮物检测方法，实施步骤5)时，采用以下公式计算光强度获得暗通道；
M(i，j)＝min(s，t)∈Ω(i，j)minc∈{R，G，B}Ic(s，t)；
c为通道，可选范围为{R，G，B}，(s，t)为候选暗点位置，取值范围为Ω(i，j)，Ω(i，j)是局部最小窗范围，即最小滤波。
进一步改进所述的大气悬浮物检测方法，实施步骤6)时，采用以下方式获得暗点；
选取同位置处亮度图和暗通道光强度值相差在第一阈值内，且满足如下不等式的点作为暗点；
L(i，j)-M(i，j)≤ε；
L(i，j)为亮度值，M(i，j)为暗通道值，ε为自定义阈值。
进一步改进所述的大气悬浮物检测方法，实施步骤6)时，采用以下方式计算大气光强衰减参数；
光强度衰减误差函数，
β是等价于测量数据的最小二乘拟合，通过最小化光强度衰减误差函数θ抑制单个点光强测量和计算过程中带来的误差，获得解：
β是大气光强衰减参数，γ是表征平滑约束程度的平滑系数，是矩阵简化，是矩阵简化，βo是结合历史值建立的参考模型大气光强衰减参数值。
进一步改进所述的大气悬浮物检测方法，实施步骤7)时，获取大气悬浮物浓度历史数据形成大气悬浮物浓度数据库，统计大气悬浮物浓度和该大气悬浮物浓度下大气图片的大气光强衰减参数之间线性相关度形成大气悬浮物光强曲线，P＝325.4β-194.8，P是大气悬浮物浓度，β是大气光强衰减参数，根据被检测大气图片的光强衰减参数查询大气悬浮物光强曲线获得大气悬浮物浓度。
本发明基于大气中悬浮物对大气中光线吸收散射造成的图像成像质量下降的原理，通过定量分析图像成像质量下降程度来获取大气质量信息。本发明能针对特定位置的图像进行测量估计，估计某一幅图像大气质量前需要同场景的一系列图像拟合计算散射原理表达式。
而利用晚上灯光的光晕图像来估计大气中悬浮物浓度的方法，相当于激光测量中散射相函数方法，但是这个方法必须使用有自发光参照物的夜晚图像，限制了该技术的应用范围。
基于图像特征来估计大气中悬浮物浓度信息，将图像中与大气中悬浮物浓度相关的特征转化为大气领域中的光强、光强衰减、散射分布等参数，再依据大气光学中的相关理论，将图像处理获得的相关参数与颗粒物浓度等大气质量参数作拟合，获得最终的大气悬浮物浓度。
大气中总存在着局部的密度与平均密度统计性的偏离——密度起伏，破坏了大气的光学均匀性，从而导致光在各个方向上的散射。在可见光和近红外波段，辐射波长总是远大于分子的线度，这一条件下的散射为瑞利散射，瑞利散射系数的经验公式为：
σm＝0.827×N×A3/λ4
λ为分子散射波长、A为相对光照度、N为不导电粒子的个数。
瑞利散射系数与分子散射波长的四次方成反比，波长越长，散射越弱；波长越短，散射越强烈。故可见光比红外光散射强烈，蓝光又比红光散射强烈。在晴朗天空，其他微粒很少，因此瑞利散射是主要的，又因为蓝光散射最强烈，故明朗的天空呈现蓝色。
一幅阴霾气候下室外场景的图像会因为大气中颗粒物的存在造成不同程度的退化。当目标物体自身发出光或反射太阳光，在经过大气中的光路时，会被大气中的颗粒物吸收和散射。退化图像中包含着大气中颗粒物浓度等的重要信息。通过图像处理，提取合理的图像特征，可以从中提取估计场景中光强衰减的信息，然后反推悬浮颗粒物浓度。在获取所有图像统一的光强衰减大小后，建立图像库与对比数据库，通过图像库与对比数据库之间的数据拟合，推导出光强衰减与大气质量间的相关关系，以计算大气质量。
本发明可以使用相机采集的图像，然后通过图像特征检测雾霾，由于简单方便、便于携带，可以将相机和处理计算机放置在室内或者车辆内，相机通过窗户或者玻璃来拍摄大气图像，这样使用者无需暴露在大气环境下就能够检测雾霾，如果在行驶的车上就可以随时随地、灵活机动地检测不同地点、不同时间的雾霾情况，形成产品后会有很广泛的实际意义。
附图说明
下面结合附图与具体实施方式对本发明作进一步详细的说明：
图1是本发明的检测原理示意图。
具体实施方式
本发明提供一种基于机器视觉的大气悬浮物检测系统一实施例，包括：图像拍摄模块、图像预处理模块、图像理模块和大气悬浮物浓度计算模块；
图像拍摄模块，例如相机拍摄大气图像；
图像预处理模块，对大气图像进行亮度信息统计，根据亮度信息区分天空区域和其他场景区域，并对大气图像每个像素进行区域标注；
区分天空区域和其他场景区域并标注，采用以下方法；
Idark(x，y)＝min(m，n)∈Ω(x，y)minc∈{R，G，B}I(m，n，c)；
其中，I(m，n，c)表示图像中位于(m，n)位置，c是颜色通道像素值，Idark(x，y)是阈值通道，Ω(x，y)是中心为(m，n)位置的滤波器；
确定天空与其他场景的基本位置，通过阈值Ts、To进行标注；
Ts＝Tc+k(255-Tc)；
To＝Tc-kTc；
将亮度大于Ts的区域标注为天空区域S，将亮度小于To的区域标注为其他场景区域O，最小化以下能量函数；
E(L)＝αR(L)+B(L)；
Ω(L)表示像素点L的四邻域，Δ(L)表示以下关系；
将所有像素点的能量函数最小化后，获得每个像素是天空区域或其他场景区域的标注。
图像理模块，对于函数f(x，y)，f在坐标(x，y)处的光强梯度定义为二维列向量：
其中表示函数在x方向上的导数，表示函数在y方向上的导数，光强梯度是在(x，y)处f的最大变化率的方向，选取灰度梯度大的点集或线作为天空区域与光源区域的边缘，从而排除光源区域。
采用以下公式计算光强形成亮度图；
L(i，j)＝0.299IR(i，j)+0.587IG(i，j)+0.114IB(i，j)；
其中0.299、0.587、0.114是RGB亮度计算公式的固有参数，IR(i，j)、IG(i，j)、IB(i，j)是指此处在RGB三个通道的像素值。
采用以下公式计算光强度获得暗通道；
M(i，j)＝min(s，t)∈Ω(i，j)minc∈{R，G，B}Ic(s，t)；
c为通道，可选范围为{R，G，B}，(s，t)为候选暗点位置，取值范围为Ω(i，j)，Ω(i，j)是局部最小窗范围，即最小滤波。
采用以下方式获得暗点；
选取同位置处亮度图和暗通道光强度值相差在第一阈值内，且满足如下不等式的点作为暗点；
L(i，j)-M(i，j)≤ε；
L(i，j)为亮度值，M(i，j)为暗通道值，ε为自定义阈值。
采用以下方式计算大气光强衰减参数；
光强度衰减误差函数，
β是等价于测量数据的最小二乘拟合，通过最小化光强度衰减误差函数θ抑制单个点光强测量和计算过程中带来的误差，获得解：
β是大气光强衰减参数。大气悬浮物浓度计算模块，将被检测大气图像的大气光强衰减参数与大气悬浮物光强曲线对比获得大气悬浮物浓度。
大气悬浮物浓度计算模块，获取大气悬浮物浓度历史数据形成大气悬浮物浓度数据库，统计大气悬浮物浓度和该大气悬浮物浓度下大气图片的大气光强衰减参数之间线性相关度形成大气悬浮物光强曲线，P＝325.4β-194.8，P是大气悬浮物浓度，β是大气光强衰减参数，根据被检测大气图片的光强衰减参数查询大气悬浮物光强曲线获得大气悬浮物浓度。
参考图1所示，本发明提供一种基于机器视觉的大气悬浮物检测方法，包括以下步骤：
1)对大气图像进行亮度信息统计；
2)做区域划分，将图像中天空与景物部分分离。天空中的所有像素将会以一个较高亮度并均匀地分布在天空区域。而地面目标的每个像素点，其周围像素的亮度分布将较为分散且整体亮度较低。选取图像天空区域中亮度值位于前10％的像素，并以该小块内的光强均值作为大气光。根据亮度信息区分天空区域和其他场景区域，并对大气图像每个像素进行区域标注；
区分天空区域和其他场景区域并标注，采用以下方法；
Idark(x，y)＝min(m，n)∈Ω(x，y)minc∈{R，G，B}I(m，n，c)；
其中，I(m，n，c)表示图像中位于(m，n)位置，c是颜色通道像素值，Idark(x，y)是阈值通道，Ω(x，y)是中心为(m，n)位置的滤波器；
确定天空与其他场景的基本位置，通过阈值Ts、To进行标注；
Ts＝Tc+k(255-Tc)；
To＝Tc-kTc；
将亮度大于Ts的区域标注为天空区域S，将亮度小于To的区域标注为其他场景区域O，最小化以下能量函数；
E(L)＝αR(L)+B(L)；
Ω(L)表示像素点L的四邻域，Δ(L)表示以下关系；
将所有像素点的能量函数最小化后，获得每个像素是天空区域或其他场景区域的标注。
3)获取光强梯度，根据灰度光强梯度差异排除光源区域；对于函数f(x，y)，f在坐标(x，y)处的光强梯度定义为二维列向量：
其中表示函数在x方向上的导数，表示函数在y方向上的导数，光强梯度是在(x，y)处f的最大变化率的方向，选取灰度梯度大的点集或线作为天空区域与光源区域的边缘，从而排除光源区域。
4)计算光强度获得亮度图；采用以下公式计算光强形成亮度图；
L(i，j)＝0.299IR(i，j)+0.587IG(i，j)+0.114IB(i，j)；
其中0.299、0.587、0.114是RGB亮度计算公式的固有参数，IR(i，j)、IG(i，j)、IB(i，j)是指此处在RGB三个通道的像素值。
5)计算光强度获得暗通道；采用以下公式计算光强度获得暗通道；
M(i，j)＝min(s，t)∈Ω(i，j)minc∈{R，G，B}Ic(s，t)；
c为通道，可选范围为{R，G，B}，(s，t)为候选暗点位置，取值范围为Ω(i，j)，Ω(i，j)是局部最小窗范围，即最小滤波。
6)取图像景物区域中的暗点，暗点是指图像场景中近似与黑体辐射的物体，暗点特征是指由暗点处的像素值计算得到的特征描述。暗点可通过求取图像中的局部最小值来求解。对于绝大多数的无阴霾室外场景图像，每个区域中至少有一个颜色通道的像素值会非常小，甚至接近于零。如果局部最小值的点其值高于零，除了其本身并非完全是黑体外，还有是由于阴霾场景中光路的大气衰减。
对比亮度图和暗通道获得暗点，通过暗点像素值计算获得大气光强衰减参数；采用以下方式获得暗点；
选取同位置处亮度图和暗通道光强度值相差在第一阈值内，且满足如下不等式的点作为暗点；
L(i，j)-M(i，j)≤ε；
L(i，j)为亮度值，M(i，j)为暗通道值，ε为自定义阈值。
还需要消除目标物体与观测点间的距离信息的影响。光学领域的距离信息，在图像处理领域中即表示为图像的三维深度信息。图像模糊程度与像素点深度之间的存在对应关系，即目标物体处于焦平面时，其成像将清晰且边缘尖锐；当物体远离焦平面时，成像将模糊，且距离焦平面越远，模糊程度越大。可以采用马尔可夫随机场模型和卡尔曼滤波的单幅图像散焦法来获取图像的深度信息。在深度信息可以获取的基础上，计算图像场景汇总由于颗粒物存在造成的整体光强稀疏衰减系数。采用以下方式计算大气光强衰减参数；
光强度衰减误差函数，
β是等价于测量数据的最小二乘拟合，通过最小化光强度衰减误差函数θ抑制单个点光强测量和计算过程中带来的误差，获得解：
β是大气光强衰减参数。
7)获取大气悬浮物浓度历史数据形成大气悬浮物浓度数据库，统计大气悬浮物浓度和该大气悬浮物浓度下大气图片的大气光强衰减参数之间线性相关度形成大气悬浮物光强曲线，P＝325.4β-194.8，P是大气悬浮物浓度，β是大气光强衰减参数，根据被检测大气图片的光强衰减参数查询大气悬浮物光强曲线获得大气悬浮物浓度。
上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。
Claims (16)
1.一种大气悬浮物检测系统，基于机器视觉，其特征在于，包括：图像拍摄模块、图像预处理模块、图像理模块和大气悬浮物浓度计算模块；
图像拍摄模块，拍摄大气图像；
图像预处理模块，对大气图像进行亮度信息统计，根据亮度信息区分天空区域和其他场景区域，并对大气图像每个像素进行区域标注；
图像理模块，获取光强梯度，根据灰度光强梯度差异排除光源区域，计算光强度获得亮度图，计算光强度获得暗通道，对比亮度图和暗通道获得暗点，通过暗点像素值计算获得大气光强衰减参数；
大气悬浮物浓度计算模块，将被检测大气图像的大气光强衰减参数与大气悬浮物光强曲线对比获得大气悬浮物浓度。
2.如权利要求1所述的大气悬浮物检测系统，其特征在于：区分天空区域和其他场景区域并标注，采用以下方法；
Idark(x，y)＝min(m，n)∈Ω(x，y)minc∈{R，G，B}I(m，n，c)；
其中，I(m，n，c)表示图像中位于(m，n)位置，c是颜色通道像素值，Idark(x，y)是阈值通道，Ω(x，y)是中心为(m，n)位置的滤波器；
确定天空与其他场景的基本位置，通过阈值Ts、To进行标注；
Ts＝Tc+k(255-Tc)；
To＝Tc-kTc；
将亮度大于Ts的区域标注为天空区域S，将亮度小于To的区域标注为其他场景区域O，最小化以下能量函数；
E(L)＝αR(L)+B(L)
Ω(L)表示像素点L的四邻域，Δ()表示以下关系；
将所有像素点的能量函数最小化后，获得每个像素是天空区域或其他场景区域的标注。
3.如权利要求1所述的大气悬浮物检测系统，其特征在于：
对于函数f(x，y)，f在坐标(x，y)处的光强梯度定义为二维列向量：
其中表示函数在x方向上的导数，表示函数在y方向上的导数，光强梯度是在(x，y)处f的最大变化率的方向，选取灰度梯度大的点集或线作为天空区域与光源区域的边缘，从而排除光源区域。
4.如权利要求3所述的大气悬浮物检测系统，其特征在于：采用以下公式计算光强形成亮度图；
L(i，j)＝0.299IR(i，j)+0.587IG(i，j)+0.114IB(i，j)；
其中0.299、0.587、0.114是RGB亮度计算公式的固有参数，IR(i，j)、IG(i，j)、IB(i，j)是指此处在RGB三个通道的像素值。
5.如权利要求4所述的大气悬浮物检测系统，其特征在于：采用以下公式计算光强度获得暗通道；
M(i，j)＝min(s，t)∈Ω(i，j)minc∈{R，G，B}Ic(s，t)；
c为通道，可选范围为{R，G，B}，(s，t)为候选暗点位置，取值范围为Ω(i，j)，Ω(i，j)是局部最小窗范围，即最小滤波。
6.如权利要求5所述的大气悬浮物检测系统，其特征在于：采用以下方式获得暗点；
选取同位置处亮度图和暗通道光强度值相差在第一阈值内，且满足如下不等式的点作为暗点；
L(i，j)-M(i，j)≤ε；
L(i，j)为亮度值，M(i，j)为暗通道值，ε为自定义阈值。
7.如权利要求6所述的大气悬浮物检测系统，其特征在于：采用以下方式计算大气光强衰减参数；
光强度衰减误差函数，
β是等价于测量数据的最小二乘拟合，通过最小化光强度衰减误差函数θ抑制单个点光强测量和计算过程中带来的误差，获得解：
β是大气光强衰减参数，γ是表征平滑约束程度的平滑系数，是矩阵简化，是矩阵简化，βo是结合历史值建立的参考模型大气光强衰减参数值。
8.如权利要求7所述的大气悬浮物检测系统，其特征在于：大气悬浮物浓度计算模块获取大气悬浮物浓度历史数据形成大气悬浮物浓度数据库，统计大气悬浮物浓度和该大气悬浮物浓度下大气图片的大气光强衰减参数之间线性相关度形成大气悬浮物光强曲线，P＝325.4β-194.8，P是大气悬浮物浓度，β是大气光强衰减参数，根据被检测大气图片的光强衰减参数查询大气悬浮物光强曲线获得大气悬浮物浓度。
9.一种大气悬浮物检测方法，基于机器视觉，其特征在于，包括以下步骤：
1)对大气图像进行亮度信息统计；
2)根据亮度信息区分天空区域和其他场景区域，并对大气图像每个像素进行区域标注；
3)获取光强梯度，根据灰度光强梯度差异排除光源区域；
4)计算光强度获得亮度图；
5)计算光强度获得暗通道；
6)对比亮度图和暗通道获得暗点，通过暗点像素值计算获得大气光强衰减参数；
7)将大气光强衰减参数与大气悬浮物光强曲线对比获得大气悬浮物浓度。
10.如权利要求9所述的大气悬浮物检测方法，其特征在于：实施步骤2)时，区分天空区域和其他场景区域并标注，采用以下方法；
Idark(x，y)＝min(m，n)∈Ω(x，y)minc∈{R，G，B}I(m，n，c)；
其中，I(m，n，c)表示图像中位于(m，n)位置，c是颜色通道像素值，Idark(x，y)是阈值通道，Ω(x，y)是中心为(m，n)位置的滤波器；
确定天空与其他场景的基本位置，通过阈值Ts、To进行标注；
Ts＝Tc+k(255-Tc)；
To＝Tc-kTc；
将亮度大于Ts的区域标注为天空区域s，将亮度小于To的区域标注为其他场景区域O，最小化以下能量函数；
E(L)＝αR(L)+B(L)；
Ω(L)表示像素点L的四邻域，Δ(L)表示以下关系；
将所有像素点的能量函数最小化后，获得每个像素是天空区域或其他场景区域的标注。
11.如权利要求10所述的大气悬浮物检测方法，其特征在于：实施步骤3)时，
对于函数f(x，y)，f在坐标(x，y)处的光强梯度定义为二维列向量：
其中表示函数在x方向上的导数，表示函数在y方向上的导数，光强梯度是在(x，y)处f的最大变化率的方向，选取灰度梯度大的点集或线作为天空区域与光源区域的边缘，从而排除光源区域。
12.如权利要求11所述的大气悬浮物检测方法，其特征在于：实施步骤4)时，采用以下公式计算光强形成亮度图；
L(i，j)＝0.299IR(i，j)+0.587IG(i，j)+0.114IB(i，j)；
其中0.299、0.587、0.114是RGB亮度计算公式的固有参数，IR(i，j)、IG(i，j)、IB(i，j)是指此处在RGB三个通道的像素值。
13.如权利要求12所述的大气悬浮物检测方法，其特征在于：实施步骤5)时，采用以下公式计算光强度获得暗通道；
M(i，j)＝min(s，t)∈Ω(i，j)minc∈{R，G，B}Ic(s，t)；
c为通道，可选范围为{R，G，B}，(s，t)为候选暗点位置，取值范围为Ω(i，j)，Ω(i，j)是局部最小窗范围，即最小滤波。
14.如权利要求13所述的大气悬浮物检测方法，其特征在于：实施步骤6)时，采用以下方式获得暗点；
选取同位置处亮度图和暗通道光强度值相差在第一阈值内，且满足如下不等式的点作为暗点；
L(i，j)-M(i，j)≤ε；
L(i，j)为亮度值，M(i，j)为暗通道值，ε为自定义阈值。
15.如权利要求14所述的大气悬浮物检测方法，其特征在于：实施步骤6)时，采用以下方式计算大气光强衰减参数；
光强度衰减误差函数，
β是等价于测量数据的最小二乘拟合，通过最小化光强度衰减误差函数θ抑制单个点光强测量和计算过程中带来的误差，获得解：
β是大气光强衰减参数，γ是表征平滑约束程度的平滑系数，是矩阵简化，是矩阵简化，βo是结合历史值建立的参考模型大气光强衰减参数值。
16.如权利要求15所述的大气悬浮物检测方法，其特征在于：实施步骤7)时，获取大气悬浮物浓度历史数据形成大气悬浮物浓度数据库，统计大气悬浮物浓度和该大气悬浮物浓度下大气图片的大气光强衰减参数之间线性相关度形成大气悬浮物光强曲线，P＝325.4β-194.8，P是大气悬浮物浓度，β是大气光强衰减参数，根据被检测大气图片的光强衰减参数查询大气悬浮物光强曲线获得大气悬浮物浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811596486.4A CN109658359B (zh) | 2018-12-26 | 2018-12-26 | 大气悬浮物检测系统及其检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811596486.4A CN109658359B (zh) | 2018-12-26 | 2018-12-26 | 大气悬浮物检测系统及其检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109658359A true CN109658359A (zh) | 2019-04-19 |
| CN109658359B CN109658359B (zh) | 2023-06-13 |
Family
ID=66115146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811596486.4A Active CN109658359B (zh) | 2018-12-26 | 2018-12-26 | 大气悬浮物检测系统及其检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109658359B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116625887A (zh) * | 2023-07-25 | 2023-08-22 | 艾易西(中国)环保科技有限公司 | 一种半开敞空间的空气悬浮物检测方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110135200A1 (en) * | 2009-12-04 | 2011-06-09 | Chao-Ho Chen | Method for determining if an input image is a foggy image, method for determining a foggy level of an input image and cleaning method for foggy images |
| CN103218622A (zh) * | 2013-04-22 | 2013-07-24 | 武汉大学 | 一种基于计算机视觉的雾霾监测方法 |
| CN103954542A (zh) * | 2014-05-12 | 2014-07-30 | 中国计量学院 | 基于无参考图像清晰度评价的pm2.5浓度检测仪 |
| CN104020088A (zh) * | 2014-05-15 | 2014-09-03 | 清华大学深圳研究生院 | 一种基于图像处理获取空气中颗粒物浓度的方法 |
| US20160071244A1 (en) * | 2014-09-04 | 2016-03-10 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
| CN105741248A (zh) * | 2016-02-02 | 2016-07-06 | 深圳市未来媒体技术研究院 | 一种去除图像中阴霾退化的方法 |
| JP2016161359A (ja) * | 2015-02-27 | 2016-09-05 | 紀本電子工業株式会社 | 光学的手法による浮遊粒子状物質測定装置 |
| US20160349168A1 (en) * | 2015-05-29 | 2016-12-01 | Fujitsu Limited | Measuring apparatus and measuring system |
| CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
| CN108389175A (zh) * | 2018-04-26 | 2018-08-10 | 长安大学 | 融合变差函数和颜色衰减先验的图像去雾方法 |
| CN108663081A (zh) * | 2017-04-01 | 2018-10-16 | 南京邮电大学 | 一种基于双摄像头和环境传感器数据的室外空气质量估计和预警系统 |
-
2018
- 2018-12-26 CN CN201811596486.4A patent/CN109658359B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110135200A1 (en) * | 2009-12-04 | 2011-06-09 | Chao-Ho Chen | Method for determining if an input image is a foggy image, method for determining a foggy level of an input image and cleaning method for foggy images |
| CN103218622A (zh) * | 2013-04-22 | 2013-07-24 | 武汉大学 | 一种基于计算机视觉的雾霾监测方法 |
| CN103954542A (zh) * | 2014-05-12 | 2014-07-30 | 中国计量学院 | 基于无参考图像清晰度评价的pm2.5浓度检测仪 |
| CN104020088A (zh) * | 2014-05-15 | 2014-09-03 | 清华大学深圳研究生院 | 一种基于图像处理获取空气中颗粒物浓度的方法 |
| US20160071244A1 (en) * | 2014-09-04 | 2016-03-10 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
| JP2016161359A (ja) * | 2015-02-27 | 2016-09-05 | 紀本電子工業株式会社 | 光学的手法による浮遊粒子状物質測定装置 |
| US20160349168A1 (en) * | 2015-05-29 | 2016-12-01 | Fujitsu Limited | Measuring apparatus and measuring system |
| CN105741248A (zh) * | 2016-02-02 | 2016-07-06 | 深圳市未来媒体技术研究院 | 一种去除图像中阴霾退化的方法 |
| CN108663081A (zh) * | 2017-04-01 | 2018-10-16 | 南京邮电大学 | 一种基于双摄像头和环境传感器数据的室外空气质量估计和预警系统 |
| CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
| CN108389175A (zh) * | 2018-04-26 | 2018-08-10 | 长安大学 | 融合变差函数和颜色衰减先验的图像去雾方法 |
Non-Patent Citations (3)
| Title |
|---|
| T. TEUMER等: "In-line Haze Monitoring Using a Spectrally Resolved Back Scattering Sensor", 《BREWING SCIENCE》 * |
| 吴俊杰: "海雾图像清晰化算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 李挺: "大气悬浮颗粒物的光散射特性研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116625887A (zh) * | 2023-07-25 | 2023-08-22 | 艾易西(中国)环保科技有限公司 | 一种半开敞空间的空气悬浮物检测方法及系统 |
| CN116625887B (zh) * | 2023-07-25 | 2023-09-29 | 艾易西(中国)环保科技有限公司 | 一种半开敞空间的空气悬浮物检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109658359B (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516609B (zh) | 一种基于图像多特征融合的火灾视频检测及预警方法 | |
| GB2569751A (en) | Static infrared thermal image processing-based underground pipe leakage detection method | |
| CN103077386B (zh) | 一种级联的视频流虹膜图像质量检测方法 | |
| CN105574488B (zh) | 一种基于低空航拍红外图像的行人检测方法 | |
| Shi et al. | Single image dehazing in inhomogeneous atmosphere | |
| WO2012100522A1 (zh) | 基于图像亮度特征的ptz视频能见度检测方法 | |
| CN103927520A (zh) | 一种逆光环境下人脸检测方法 | |
| CN106462737A (zh) | 用于浑浊性检测的系统和方法 | |
| CN108871290B (zh) | 一种基于光流法检测与贝叶斯预测的可见光动态定位方法 | |
| CN116188328B (zh) | 基于物联网的停车场感应灯联动系统 | |
| CN211477416U (zh) | 红外人体温度测量系统 | |
| WO2020232710A1 (zh) | 雾霾图像质量评价方法、系统、存储介质及电子设备 | |
| CN117252868B (zh) | 基于机器视觉的直流屏缺陷检测方法 | |
| CN104182992B (zh) | 一种基于全景视觉的海上弱小目标检测方法 | |
| CN109658359A (zh) | 大气悬浮物检测系统及其检测方法 | |
| CN114049490A (zh) | 一种智能化职业卫生预警方法及系统 | |
| CN111353350B (zh) | 一种基于组合传感器图像融和技术的火焰检测与定位方法 | |
| CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
| JP7092616B2 (ja) | 物体検出装置、物体検出方法、及び物体検出プログラム | |
| CN116645601A (zh) | 一种基于偏振镜控制的道路积水检测方法及装置 | |
| Meng et al. | Highway visibility detection method based on surveillance video | |
| Tian et al. | Joint spatio-temporal features and sea background prior for infrared dim and small target detection | |
| CN111639638B (zh) | 一种识别透明平板的系统以及识别方法 | |
| Tiefeng et al. | Pseudo-color processing of gray images for human visual detection and recognition | |
| CN209013288U (zh) | 一种具滤光功能视觉检测模块的油烟机 |
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 |