CN109727202B - 气体红外视频增强方法、装置及存储介质 - Google Patents
气体红外视频增强方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109727202B CN109727202B CN201711056950.6A CN201711056950A CN109727202B CN 109727202 B CN109727202 B CN 109727202B CN 201711056950 A CN201711056950 A CN 201711056950A CN 109727202 B CN109727202 B CN 109727202B
- Authority
- CN
- China
- Prior art keywords
- gas
- image
- video
- image sequence
- gray
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000009877 rendering Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000010354 integration Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011410 subtraction method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- NNPPMTNAJDCUHE-UHFFFAOYSA-N isobutane Chemical compound CC(C)C NNPPMTNAJDCUHE-UHFFFAOYSA-N 0.000 description 30
- 239000001282 iso-butane Substances 0.000 description 15
- 238000007621 cluster analysis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001931 thermography Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003703 image analysis method Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种气体红外视频增强方法,所述方法包括:获取气体泄露视频,对所述气体泄漏视频预设时段的图像序列进行运动目标检测运算,得到气体图像处理结果;利用聚类分析方法对图像序列处理结果进行分割,得到多个气体大致区域;统计每一所述气体大致区域内的灰度特征;根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸;提取灰度拉伸后的图像序列中的气体分布信息,并进行渲染,得到增强的气体红外视频。本方法应用于气体检测领域,用于气体被动式红外检测技术的后期信号处理,可增强低浓度小流量的泄露气体信息。使用本方法可以正确预测气体的大致区域,并对视频进行实时处理,增强气体信息。
Description
技术领域
本发明涉及一种视频图像处理方法,特别是涉及一种气体红外视频增强方法、装置及存储介质。
背景技术
气体被动式红外热成像技术可以根据气体在红外波段的吸收特性,将气体信息显示在热成像视频中。但由于被动式热成像设备不放置人工辐射源,而是利用背景辐射,因此,在泄漏气体浓度较低,流量较小时,在视频中不容易识别气体信息。
发明内容
基于此,有必要针对气体被动式红外热成像技术在泄露气体浓度较低,流量较小时,气体信息在视频中不易被观察到的问题,提供一种基于区域检测的红外视频增强方法、装置及存储介质。
一种气体红外视频增强方法,所述方法包括:
获取气体泄露视频,对所述气体泄漏视频中预设时段的图像序列进行移动目标检测,得到气体图像;
对所述气体图像进行分割,得到多个气体分布区域;
统计每一所述气体分布区域内的灰度特征;
根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸;
提取灰度拉伸后的图像序列中的气体分布信息,对所述气体分布信息进行降噪处理,得到气体轮廓和气体流动信息;
对所述气体轮廓和气体流动信息进行渲染,得到增强的气体红外视频。
在其中一个实施例中,对所述气体泄漏视频中预设时段的图像序列进行移动目标检测运算包括帧差法、帧差积分法、背景剪除法、光流法中的任意一种。
在其中一个实施例中,所述获取气体泄露视频,对所述气体泄漏视频预设时段的图像序列进行移动目标检测运算,得到气体图像的步骤包括:
对所述气体泄漏视频中预设时段的图像序列进行帧间差分运算,得到气体图像序列;
对所述气体图像序列进行累加,得到所述气体图像。
在其中一个实施例中,对帧差结果进行累加,得到帧差积分结果的步骤之后还包括:利用所述气体图像中的边缘信息与Gamma变换方法去除所述气体图像中的噪声。
在其中一个实施例中,对所述图像序列进行帧差积分法运算中的间隔帧数为6-12帧。
在其中一个实施例中,所述提取灰度拉伸后的图像序列中的气体分布信息,并通过二值化形态学滤波和去除小连通区处理,显示出气体轮廓和气体流动信息的步骤包括:
用帧差法提取所述灰度拉伸后的图像序列中的气体分布信息得到帧差结果;
通过二值化形态学滤波和去除小连通区处理所述帧差结果,得到所述气体轮廓和气体流动信息。
在其中一个实施例中,对所述气体图像序列进行分割,得到多个气体分布区域的步骤包括:通过聚类分析方法或二值化后求取连通区对所述气体图像序列进行分割。
在其中一个实施例中,所述根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸的方法为灰度拉伸,所述灰度特征包括图像的灰度均值、灰度极值。
一种气体红外视频增强装置,所述装置包括:
图像处理单元,用于获取气体泄露视频,对所述气体泄漏视频中预设时段的图像序列进行移动目标检测,得到气体图像;
分割单元,用于对所述气体图像进行分割,得到多个气体分布区域;
统计单元,用于统计每一所述气体大致区域内的灰度特征;
灰度拉伸单元,根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸;
提取单元,用于提取灰度拉伸后的图像序列中的气体分布信息,并对所述气体分布信息进行降噪处理,得到气体轮廓和气体流动信息;
渲染单元,用于对所述气体轮廓和气体流动信息进行渲染,得到增强的气体红外视频。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现以下步骤:
获取气体泄露视频,对所述气体泄漏视频中预设时段的图像序列进行移动目标检测,得到气体图像;
对所述气体图像进行分割,得到多个气体分布区域;
统计每一所述气体分布区域内的灰度特征;
根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸;
提取灰度拉伸后的图像序列中的气体分布信息,对所述气体分布信息进行降噪处理,得到气体轮廓和气体流动信息;
对所述气体轮廓和气体流动信息进行渲染,得到增强的气体红外视频。
上述气体红外视频增强方法,通过灰度特征对气体被动式红外检测技术得到的气体红外视频进行图像处理,实现了对低浓度、小流量泄露的气体分布区域的正确预测,并且对视频进行增强处理,从而能够准确的得到低浓度小流量泄露的气体的相关信息。
附图说明
图1为一个实施例提供的气体红外视频增强方法流程图;
图2为一个实施例提供的气体红外视频增强装置图;
图3为一个实施例提供的帧差积分法中有效信息比与帧差间隔的关系图;
图4为一个实施例中通过Gamma变换对背景噪声降噪的方法中当Gamma分别取1.3、2、3时的图像变换结果的对比图;
图5为利用不同边缘算子的对所述气体视频图像进行边缘提取的结果;
图6为一个实施例中对气体图像中的边缘信息与Gamma变换方法去除帧差积分结果中的噪声的对比图;
图7为一个实施例中,所述对视频帧数为30帧/秒的异丁烷泄漏视频的增强处理方法流程图;
图8为对异丁烷的帧数为30帧/秒的泄漏视频进行气体红外视频增强处理之后所得到的实验结果,其中A图中方框a内为预测的气体区域,其余部分为获取原图的原始信息;B图为气体泄露红外视频的增强结果,阴影b为增强后的气体轮廓信息。
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,以下通过实施例,并结合附图,对本发明的气体红外视频增强方法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用以解释本发明,并不用于限定本发明。
请参阅图1,在一个实施例中,提供一种气体红外视频增强方法,所述方法包括:
步骤S102,获取气体泄露视频,对所述气体泄漏视频中预设时段的图像序列进行移动目标检测运算,得到气体图像。
气体泄露视频为利用气体被动式热成像技术,根据气体在红外波段的吸收特性,将气体信息显示在热成像视频中,得到气体的泄露视频。所述预设时段是预先设定的获取所需的气体泄露视频的长度,如取预设时间为前3秒,即获取气体泄露视频的前3秒的视频图像。通过对该预设时段的图像序列进行移动目标检测运算,能够分离出图像序列中的移动目标,并能够从中得到移动的气体的图像序列。
步骤S104,对所述气体图像序列进行分割,得到多个气体分布区域。
气体分布区域是指经过移动目标检测运算之后,检测出有气体分布的区域,经过对图像序列中的图像进行分割,将气体区域分割为多个气体分布区域。
步骤S106,统计每一所述气体分布区域内的灰度特征。
灰度特征用于描述气体分布区域内及气体的分布概况。灰度特征可包括图像的灰度均值、灰度极值信息等。通过获取每一气体分布区域内的灰度特征,能够得到每一气体分布区域内的气体的概况。
步骤S108,根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸。
在获得预设时段的灰度特征之后,可利用灰度特征,对于预设时段之后的图像序列进行灰度拉伸,从而可以有效的加强图像中气体信息,并同时能够抑制噪声信息。
步骤S110,提取灰度拉伸后的图像序列中的气体分布信息,对所述气体分布信息进行降噪处理,得到气体轮廓和气体流动信息。
通过灰度拉伸之后,能够在灰度拉伸后的图像中,得到比较清晰、准确的气体分布信息。通过提取气体分布信息,能够得到气体轮廓和气体流动信息。
步骤S112,对所述气体轮廓和气体流动信息进行渲染,得到增强的气体红外视频。
气体轮廓和气体流动信息为需要进行视频增强的对象,通多对气体轮廓和气体流动信息进行渲染,例如色彩渲染,使得气体轮廓及气体流动信息更加的显著,得到增强后的气体红外视频。
上述气体红外视频增强方法,通过灰度特征对气体被动式红外检测技术的后期图像处理,实现了对气体大致区域的正确预测,并且对视频进行增强处理,增强了低浓度小流量泄露的气体信息,能够清晰、准确的得到气体泄漏的状况。
在其中一个实施例中,步骤S102中对所述气体泄漏视频中预设时段的图像序列进行移动目标检测运算的算法包括帧差法、帧差积分法、背景剪除法、光流法等中的任意一种。光流法可以用于动态场景,提取动态场景下的气体的运动信息;背景剪除法使用合适的背景建模法或背景更新方法,将当前帧与背景帧做差值,提取背景中的运动目标如气体;帧差法是通过对时间序列中相邻帧或一定间隔的帧做差分处理提取出移动目标如气体的运动区域,并且能够针对气体没有固定轮廓的性质,可以有效地反应气体信息。
具体的,通过帧差积分法对图像序列进行移动目标检测相比于帧差法的优势在于:由于气体扩散在静态红外成像视频中的状态有以下几点特性:气体引起的灰度变化较小;在较小的时间内(如3s内),气体云团的位置固定不变;因此,气体云团运动引起的灰度变化仅在有气体飘动的区域,而图片中的噪声覆盖全图。基于气体的特性,通过将多个帧间差分结果进行累加,气体飘动的区域内气体信息会累加;而噪声覆盖范围为全图,累加后噪声被稀释,气体信息被加强,从而有利于更加准确的获得视频中的气体分布等信息。
在其中一个实施例中,采用帧差积分法对所述气体泄漏视频预设时段的图像序列进行移动目标检测运算,得到气体图像的步骤包括:
步骤S1021,对所述预设时段的图像序列进行帧间差分,得到气体图像序列;
步骤S1022,对所述气体图像序列进行累加,得到气体图像;
在其中一个实施方式中,步骤S1021中帧间差分的间隔帧数为6-12帧。具体地,在帧差积分运算中选用的帧间间隔可为8帧。帧差法的效果很大程度上决定于帧差间隔,因此对帧差积分法的间隔帧数进行优化可以提高算法效果,如图3所示,在三种场景下取帧差间隔为1~20时帧差积分图中的有效信号比例变化,可以看到,一开始帧差间隔越大,有效信号比例越高,当帧差间隔到达8后,有效信号比例逐渐趋于稳定;当帧差间隔大于15时,有效信号比例缓慢下降。所以可选取8帧作为帧差间隔,从而达到在帧数较少的情况下,得到较高的有效信噪比。
在其中一个实施例中,所述气体泄露视频为异丁烷的泄露视频,所述气体泄露视频的帧数为30帧/秒,此时所述预设时间可选范围在2~4秒之间。具体的,当气体泄露视频为除30帧/秒以外的其他帧数时,如果所述气体泄露视频帧数与30帧相接近时,如20-40帧/秒,所述预设时间可以仍然取3秒;另外,也可以通过所述气体泄露视频的帧数与30帧/秒的比例关系,来确定所述预设时间的选取,所述气体泄露视频帧数与30帧/秒的比值与所述预设时间与3秒的比值成反比;也可以对所述预设时间进行重新选定。当帧数越大时,可选用较短的时间;当帧数越小时,则可选用较长的时间,以获取足够的视频图像。
在其中一个实施例中,预设时间选择3秒,当时间小于3秒时会因为气体信息积累不够而影响气体定位精度,当时间大于3秒时会因为累计在每一个点的气体信息不多但环境噪声累加较多,也会影响气体定位精度。
可选的,当气体泄露视频为除异丁烷以外的其他种类的气体时,可以与异丁烷进行比较分子量以及气体密度以及其他物理性质,如果二者分子量以及气体密度相接近,所述预设时间可以仍然取3秒;也可以根据不同的气体种类选择所述预设时间,以获取足够数量的图像序列。
在其中一个实施例中,对气体图像序列进行累加,得到气体图像的步骤之后还包括:利用所述图像序列中的边缘信息与Gamma变换方法分别去除帧差积分结果中的边缘噪声和背景噪声。
具体的,选取8帧作为帧差间隔后,图片仍然有较多的噪声,其中一部分噪声均匀遍布在全图,此种噪声是红外图像响应不均匀造成的背景噪声,另一部分则出现在原图中的物体边缘处,此种噪声是录制视频中物体边缘抖动或在红外视频中由于反光灰度变化造成的边缘噪声。
针对背景噪声采用Gamma变换的方法进行加强气体噪声,抑制背景噪声。在其中一个实施例中选取Gamma值为2。如图8所示,当Gamma过小时,背景噪声信息过多;当Gamma过大时,会损失云团周围气体信息。上述Gamma取值不是唯一的,可以根据视频的清晰度进行选择,能够达到既能抑制背景噪声又不会损失云团周围气体信息即可。
具体的,去除背景噪声后,可以看到图片中边缘晃动产生的噪声仍然比较多。通过使用边缘算子提取所述图像序列边缘,对所述图像序列边缘进行膨胀后与经过Gamma变换之后的气体图像进行差分,去除图像中的边缘影响。对所述图像序列提取边缘可以使用matlab中的edge函数,选用合适的边缘检测算子进行边缘提取,微分算子是一阶导数算子包括:Sobel算子、Robert算子、Laplacian算子、Canny算子。其中Sobel算子的模板为:
Robert算子的模板为:
Laplacian算子的模板为:
使用这4种算子分别对三种场景进行边缘提取实验。如图6所示为其中一个场景中的边缘提取结果。经实验可得除Canny算子之外,其它算子均使用本气体红外视频增强方法,但是边缘信息处理不限于上述三种算子,其他可选择的还包括log算子以及其它能够适用于本方法的边缘信息处理方法。
在其中一个实施例中,所述边缘信息降噪采用Roberts算子。如表1所示三种场景下使用各个算子进行边缘提取时所耗的时间。
表1-三个场景下各边缘检测算子耗时
场景 | 室内异丁烷 | 室内甲烷纯气 | 室外甲烷纯气 |
Sobel算子 | 0.1188s | 0.1266s | 0.1272s |
Robert算子 | 0.005s | 0.0090s | 0.0058s |
Laplacian算子 | 0.0332s | 0.0463s | 00406s |
Canny算子 | 0.1804s | 0.2126s | 0.1815s |
综合考虑边缘提取效果与算法,选取Robert算子进行边缘提取。选取Robert算子提取所述图像序列的边缘后,膨胀所述图像序列的边缘信息,与经过Gamma变换后的所述气体图像做差分运算,可以有效去除所述气体图像中的边缘噪声,得到去除背景噪声和边缘噪声之后的气体图像。
在其中一个实施例中,如图6所示流程图为使用帧差积分法和利用所述图像序列中的边缘信息与Gamma变换方法去除所述气体图像中的背景噪声和边缘噪声的流程图。首先,在待检测的红外视频中选取连续的108帧图像序列。对108帧图像进行间隔8帧,累加100次的的帧间差分运算,得到帧差结果即气体图像序列,将帧差结果进行累加,得到帧差积分结果即气体图像,对所述气体图像进行Gamma变换去除背景噪声。同时选取所述连续的108帧图像序列中的一帧,对该帧使用Robert算子进行边缘提取,提取边缘后使用半径为2的圆盘对边缘进行膨胀。将经过Gamma变换后的气体图像与膨胀后的边缘进行差分计算,最终获得了去除了背景噪声与边缘噪声的气体图像。
在其中一个实施例中,步骤S104中对所述气体图像进行分割,得到多个气体分布区域的步骤包括:
步骤S1041,通过聚类分析方法对所述气体图像进行分割,得到所述多个气体分布区域。
所述聚类分析方法可为MeanShift聚类分析方法。可以理解,上述聚类分析方法并不限于MeanShift聚类分析方法,能够对所述图像序列处理结果进行分割,得到多个气体分布区域即可,但在本气体红外视频增强方法中,MeanShift聚类分析方法对参数依赖性不大,因此MeanShift聚类分析方法为最优选的图像分析方法。
可选的,在其中一个实施例中,对所述气体图像进行分割,得到多个气体分布区域的步骤还可包括:
步骤S1041,对所述气体图像序列进行二值化处理;
步骤S 1042,获取二值化处理后的气体图像序列的连通区;
步骤S1043,根据所述连通区对所述气体图像序列进行分割,得到多个气体分布区域。
在其中一个实施例中,步骤S110,所述提取灰度拉伸后的图像序列中的气体分布信息,并对所述气体分布信息进行降噪处理,显示出气体轮廓和气体流动信息的步骤包括:
步骤S1101,用帧差法提取所述灰度拉伸后的图像序列中的气体分布信息;
步骤S1102,通过二值化形态学滤波和去除小连通区处理帧差结果。
具体的,二值化形态学滤波主要是采用数学形态学中的腐蚀与膨胀操作,采用均值滤波、灰度图像高阈值二值化、种子点选择、灰度图像低阈值二值化和选择滤波相结合的方法,具体来说:腐蚀过程采用均值滤波和高阈值对第一细分图像二值化,滤掉面积较小的区域,得到较大的区域,然后选择每个区域的种子点;膨胀过程采用低阈值对第一细分图像二值化,保留含有种子点的区域,其它的均过滤掉。经过腐蚀和膨胀操作后,得到所希望的结果。
同时,通过去除小连通区处理,可去除视频中小的噪声点,进一步提高气体轮廓和气体流动信息的清晰度。
在其中一个实施例中,步骤S112中对所述气体轮廓和气体流动信息进行渲染可采用彩色渲染。
具体的,所述渲染不局限于彩色渲染只要能够使所述气体红外增强视频中的气体轮廓更加清晰的显示即可。可选的,除了彩色渲染,还可以进行明暗渲染以及其它能够使所述气体红外增强视频中的气体轮廓更加清晰的显示即可。上述所述渲染使得气体红外视频中的气体轮廓更加容易识别。
请一并参阅图2,在一个实施例中还提供一种气体红外视频增强装置,所述装置包括:
图像处理单元2001,用于获取气体泄露视频,对所述气体泄漏视频预设时段的图像序列进行移动目标检测运算,得到气体图像;
图像分析单元2002,用于利用图像分析方法对所述气体图像处理结果进行分割,得到多个气体分布区域;
统计单元2003,用于统计每一所述气体分布区域内的灰度特征。
灰度拉伸变换单元2004,用于根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸;
提取单元2005,用于提取灰度拉伸变换后的图像序列中的气体分布信息,对所述气体分布信息进行降噪处理,得到气体轮廓和气体流动信息;
渲染单元2006,用于对所述气体轮廓和气体流动信息进行渲染,得到气体红外视频。
上述气体红外视频增强装置,应用于气体检测领域,用于气体被动式红外检测技术的后期信号处理,实现了对气体大致区域的正确预测,并且对视频进行实时处理,增强了低浓度小流量泄露的气体信息。
请参阅图7,在一个实施例中,还提供一种气体红外视频增强的方法,包括:
S702获取异丁烷泄漏视频,其中所述异丁烷泄漏视频帧数为30帧/秒;
S704获取视频前3s内的图像序列,对该序列进行间隔8帧的帧间差分,得到异丁烷图像序列,并将帧差结果进行累加,得到异丁烷图像;
S7041使用所述气体视频图像序列的边缘信息与Gamma变换的方法去除异丁烷图像中的噪声;
S706利用MeanShift聚类分析的方法分割所得的帧差积分结果,对分割出的每一类别灰度特征判定其是否为气体区域,得到多个气体分布区域;
S708统计气体分布区域内图像的灰度均值,灰度极值信息,并确定对视频的灰度拉伸公式;
S712对3s后的异丁烷泄漏视频序列逐帧进行灰度拉伸;
S714使用帧差法提取灰度拉伸后的图像序列,得到帧差结果;
S716通过二值化形态学滤波和去除小连通区的方法处理所述帧差结果,得到所述气体轮廓和气体流动信息;
S718对所述气体轮廓和气体流动信息进行彩色渲染,得到气体红外视频;
S720输出增强后的异丁烷红外视频。
请一并参阅图8,图8为为对异丁烷的帧数为30帧/秒的泄漏视频进行气体红外视频增强处理之后所得到的实验结果,其中A图中方框a内为预测的气体区域,其余部分为获取原图的原始信息;B图为气体泄露红外视频的增强结果,其中阴影b为增强后的气体轮廓信息。可以看出,通过所述气体红外视频增强方法,使低浓度小流量的的异丁烷气体,可视化的显示在屏幕中。
在其中一个实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,可使得处理器执行如下步骤:获取气体泄露视频,对所述气体泄漏视频中预设时段的图像序列进行移动目标检测运算,得到气体图像;利用图像分析方法对所述图像序列处理结果进行分割,得到多个气体分布区域;统计每一所述气体分布区域内的灰度特征;根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸;提取灰度拉伸后的图像序列中的气体分布信息,并通过二值化形态学滤波和去除小连通区处理,显示出气体轮廓和气体流动信息;提取上述显示的气体轮廓和气体流动信息,并进行渲染,得到增强的气体红外视频。
上述计算机可读存储介质,应用于气体检测领域,通过灰度特征对气体被动式红外检测技术得到的气体红外视频进行图像处理,实现了对低浓度、小流量泄露的气体分布区域的正确预测,并且对视频进行实时监测和增强处理,从而能够准确的得到低浓度小流量泄露的气体的相关信息。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,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。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种气体红外视频增强方法,其特征在于,所述方法包括:
获取气体泄漏 视频,对所述气体泄漏视频中预设时段的图像序列进行移动目标检测,得到气体图像;所述气体图像是从分离出图像序列的移动目标中获得;
对所述气体图像中每一帧图像进行分割,得到多个气体分布区域;
统计每一所述气体分布区域内的灰度特征;
根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸;
提取灰度拉伸后的图像序列中的气体分布信息,对所述气体分布信息进行降噪处理,得到气体轮廓和气体流动信息,包括利用帧差法提取所述灰度拉伸后的图像序列中的气体分布信息,得到帧差结果;通过二值化形态学滤波和去除小连通区的方法处理所述帧差结果,得到所述气体轮廓和气体流动信息;
对所述气体轮廓和气体流动信息进行渲染,得到气体红外视频;所述渲染通过灰度特征对气体被动式红外检测技术的后期图像处理实现。
2.根据权利要求1所述的气体红外视频增强方法,其特征在于,对所述气体泄漏视频中预设时段的图像序列进行移动目标检测运算的方法包括帧差法、帧差积分法、背景剪除法、光流法中的任意一种。
3.根据权利要求2所述的气体红外视频增强方法,其特征在于,所述获取气体泄漏 视频,对所述气体泄漏视频预设时段的图像序列进行移动目标检测运算,得到气体图像的步骤包括:
对所述气体泄漏视频中预设时段的图像序列进行帧间差分运算,得到气体图像序列;
对所述气体图像序列进行累加,得到所述气体图像。
4.根据权利要求3所述的气体红外视频增强方法,其特征在于,所述对气体图像序列进行累加,得到所述气体图像的步骤之后还包括:利用所述图像序列中的边缘信息与Gamma变换方法去除所述气体图像中的噪声,得到降噪之后的气体图像。
5.根据权利要求3所述的气体红外视频增强方法,其特征在于,所述帧间差分的间隔帧数为6-12帧。
6.根据权利要求1所述的气体红外视频增强方法,其特征在于,对所述气体图像进行分割,得到多个气体分布区域的步骤包括:
通过聚类分析方法对所述气体图像进行分割,得到所述多个气体分布区域;或对所述气体图像进行二值化处理;
获取二值化处理后的气体图像的连通区,根据所述连通区对所述气体图像序列进行分割,得到多个气体分布区域。
7.根据权利要求1所述的气体红外视频增强方法,其特征在于,所述灰度特征包括图像的灰度均值和灰度极值。
8.一种气体红外视频增强装置,其特征在于,所述装置包括:
图像处理单元,用于获取气体泄漏 视频,对所述气体泄漏视频中预设时段的图像序列进行移动目标检测,得到气体图像;所述气体图像是从分离出图像序列的移动目标中获得;
分割单元,用于对所述气体图像进行分割,得到多个气体分布区域;
统计单元,用于统计每一所述气体分布区域内的灰度特征;
灰度拉伸单元,用于根据所述灰度特征对预设时段之后的图像序列进行灰度拉伸;
提取单元,用于提取灰度拉伸后的图像序列中的气体分布信息,并对所述气体分布信息进行降噪处理,得到气体轮廓和气体流动信息包括利用帧差法提取所述灰度拉伸后的图像序列中的气体分布信息,得到帧差结果;通过二值化形态学滤波和去除小连通区的方法处理所述帧差结果,得到所述气体轮廓和气体流动信息;
渲染单元,用于对所述气体轮廓和气体流动信息进行渲染,得到气体红外视频;所述渲染通过灰度特征对气体被动式红外检测技术的后期图像处理实现。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任意一项所述气体红外视频增强方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711056950.6A CN109727202B (zh) | 2017-10-27 | 2017-10-27 | 气体红外视频增强方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711056950.6A CN109727202B (zh) | 2017-10-27 | 2017-10-27 | 气体红外视频增强方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109727202A CN109727202A (zh) | 2019-05-07 |
CN109727202B true CN109727202B (zh) | 2021-03-16 |
Family
ID=66293735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711056950.6A Active CN109727202B (zh) | 2017-10-27 | 2017-10-27 | 气体红外视频增强方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109727202B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116091491B (zh) * | 2023-04-03 | 2023-07-04 | 中国科学技术大学先进技术研究院 | VOCs气体检测方法、装置、设备及计算机可读存储介质 |
CN117094995B (zh) * | 2023-10-18 | 2024-02-06 | 中国恩菲工程技术有限公司 | 一种反应釜气体泄漏检测方法、装置、介质及设备 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609907A (zh) * | 2012-01-12 | 2012-07-25 | 北京理工大学 | 基于自适应时域滤波和形态学的气体红外图像增强方法 |
CN102609906A (zh) * | 2012-01-12 | 2012-07-25 | 北京理工大学 | 一种基于各向异性扩散的气体红外图像增强方法 |
CN102968768A (zh) * | 2012-11-26 | 2013-03-13 | 北京理工大学 | 一种气体红外图像的热调制方法 |
CN105654433A (zh) * | 2015-12-28 | 2016-06-08 | 桂林电子科技大学 | 基于改进多尺度Retinex的彩色图像增强方法 |
-
2017
- 2017-10-27 CN CN201711056950.6A patent/CN109727202B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609907A (zh) * | 2012-01-12 | 2012-07-25 | 北京理工大学 | 基于自适应时域滤波和形态学的气体红外图像增强方法 |
CN102609906A (zh) * | 2012-01-12 | 2012-07-25 | 北京理工大学 | 一种基于各向异性扩散的气体红外图像增强方法 |
CN102968768A (zh) * | 2012-11-26 | 2013-03-13 | 北京理工大学 | 一种气体红外图像的热调制方法 |
CN105654433A (zh) * | 2015-12-28 | 2016-06-08 | 桂林电子科技大学 | 基于改进多尺度Retinex的彩色图像增强方法 |
Non-Patent Citations (3)
Title |
---|
基于非下采样Contourlet变换的红外图像非线性增强新方法;郭珉 等;《计算机与现代化》;20170504(第3期);第76-79页 * |
泄漏气体红外图像增强显示技术研究;刘绍华;《中国优秀硕士学位论文全文数据库信息科技辑》;20160831;第I138-1282页 * |
灰度拉伸Retinex在大动态范围烟雾图像增强中的应用;陈志斌 等;《红外与激光工程》;20140925;第43卷(第9期);第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109727202A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109727202B (zh) | 气体红外视频增强方法、装置及存储介质 | |
US9230175B2 (en) | System and method for motion detection in a surveillance video | |
US10452922B2 (en) | IR or thermal image enhancement method based on background information for video analysis | |
CN107085714B (zh) | 一种基于视频的森林火灾检测方法 | |
CN108022249B (zh) | 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法 | |
CN107404628B (zh) | 图像处理装置及方法以及监视系统 | |
CN111598791B (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
CN109785356B (zh) | 一种视频图像的背景建模方法 | |
CN114596329A (zh) | 一种气体图像增强及气体泄露检测方法和系统 | |
CN111047624A (zh) | 图像弱小目标检测方法、装置、设备及存储介质 | |
JP2020504383A (ja) | 画像前景の検出装置、検出方法及び電子機器 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN106846262B (zh) | 去除蚊式噪声的方法及系统 | |
Xu et al. | Features based spatial and temporal blotch detection for archive video restoration | |
Zhang et al. | Dissipation function and ViBe based smoke detection in video | |
KR20110121261A (ko) | 흑백 영상 데이터에서 이동 객체의 투영 음영 제거 방법 | |
CN115661475A (zh) | 一种图像异物识别方法、装置、设备及存储介质 | |
KR101267279B1 (ko) | 영상에서 비를 제거하기 위한 영상 처리 장치 및 방법 | |
CN112329572B (zh) | 一种基于边框和闪光点的快速静态活体检测方法及装置 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 | |
Jyothisree et al. | Shadow detection using tricolor attenuation model enhanced with adaptive histogram equalization | |
CN107808385B (zh) | 基于幂律分布的彩色图像分水岭分割方法 | |
CN112419359A (zh) | 一种基于卷积神经网络的红外弱小目标检测方法及装置 | |
Nasonov et al. | Edge width estimation for defocus map from a single image | |
CN113592801A (zh) | 视频图像的条纹干扰检测方法及其装置 |
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 |