CN111127403A - 一种基于opencv的氡气浓度检测方法 - Google Patents

一种基于opencv的氡气浓度检测方法 Download PDF

Info

Publication number
CN111127403A
CN111127403A CN201911237536.4A CN201911237536A CN111127403A CN 111127403 A CN111127403 A CN 111127403A CN 201911237536 A CN201911237536 A CN 201911237536A CN 111127403 A CN111127403 A CN 111127403A
Authority
CN
China
Prior art keywords
pnum
image
small
graph
function
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.)
Withdrawn
Application number
CN201911237536.4A
Other languages
English (en)
Inventor
魏亚东
龙土志
周梓荣
孙志嘉
吴云霞
修青磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan University of Technology
Original Assignee
Dongguan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan University of Technology filed Critical Dongguan University of Technology
Priority to CN201911237536.4A priority Critical patent/CN111127403A/zh
Publication of CN111127403A publication Critical patent/CN111127403A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及涉及图像处理技术领域，具体涉及一种基于opencv的氡气浓度检测方法，本发明基于OpenCV计算机视觉库提出的，能有效检测氡气浓度；主要有五个步骤组成：初步处理，切割原图、小图像分割处理、计算连通区轮廓的特征、根据特征进行选择小图像、根据斑点数量(即小图像数量)计算出氡气浓度，用CR39探测器测量氡气衰变产生的α粒子，利用α粒子会在CR39探测器留下斑点的特性得到原图，配合图像处理技术排除非目标斑点的干扰，能有效检测氡气浓度，提高氡气浓度的检测效率。

Description

一种基于opencv的氡气浓度检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于opencv的氡气浓度检测方法。
背景技术
随着计算机视觉的不断发展，图像处理技术被人们广泛应用于各种领域；氡气具有放射性，衰变后成为放射性钋和α粒子，在医疗方面有广泛的应用，而检测氡气浓度是必须的，目前检测氡气浓度都是通过人工测量，其工作量大，如何利用图像处理技术实现氡气的浓度检测，实现氡气的高效检测是当前亟待研发的技术手段。
发明内容
本发明的目的是一种基于opencv的氡气浓度检测方法；该方法通过用CR39探测器测量氡气衰变产生的α粒子，利用α粒子会在CR39探测器留下斑点的特性得到原图，配合图像处理技术排除非目标斑点的干扰，能有效检测氡气浓度，提高氡气浓度的检测效率。
为了实现以上目的，本发明采用的技术方案为：一种基于opencv的氡气浓度检测方法，
步骤1，用CR39探测器测量氡气衰变产生的α粒子，利用α粒子会在CR39探测器留下斑点的特性得到原图，并进行初步处理，切割原图
步骤1.1，用canny算法函数检测边缘，得到边缘图像；
步骤1.2，将原图分割出黑色图像和白色图像；
步骤1.3，将步骤1.1和步骤1.2得到的图像合并与降噪，先将边缘图像、黑色图像和白色图像进行或运算，得到可能存在目标斑点图，然后在此图上进行卷积核为3*3矩形的闭运算处理和使用findContours函数以找外部轮廓方式找此图中的轮廓并去除周长小于25像素和大于200像素的轮廓；最后使用drawContours函数以填充方式画出所选轮廓，以达到降噪效果；
步骤1.4，先在步骤1.3得到图上使用connectedComponentsWithStats函数找出连通区域，便可得出每个连通区的质心；再使用copyMakeBorder函数扩展原图尺寸，四边扩展阈值为80像素，最后在原图上切割出以质心为中心，边长为80像素的正方形小图像P0；
步骤2，小图像分割处理
步骤2.1，将每张小图像分割出黑色小图像和白色小图像
在每张小图像原图P0上使用步骤一的分割方法bwm，便可得到黑色小图像P1和白色小图像P2，并将P1和P2进行或运算可得黑白小图像P3；
步骤2.2，在黑色小图像P4上只保留一个连通区，去除其他连通区；
(1)使用connectedComponentsWithStats函数在图P4上检测连通区，便可得到每个连通区的质心，然后计算每个质心Ci(xi,yi)与图P1中心Cc(xc,yc)之间的欧几里得距离Di，其公式为：
Figure BDA0002305287550000031
(2)通过比较每个连通区的Di值大小并选择保留其Di值最小的连通区，将此连通区保存为图P5；将小图像P4、P5依次展示在图7上，如图7所示；
步骤2.3，在图P5的基础上找出连通区的内部连通区，并将其分割出来并做选择：
(1)分割内部连通区
首先使用findContours函数在图中找出其轮廓，并用drawContours函数以填充方式在图P6上画出其轮廓，得到填充后的连通区并将其与图P5做异或运算得到图P7，即可分割出连通区的内部连通区；
(2)计算内部连通区数量，做选择
将使用connectedComponentsWithStats函数可计算图P7包含的连通区数量，将连通区数量分三种类：等于0个视为一类、等于1个视为二类、将大于一个视为三类，可将一、二类看做为连通区内部分布不一定均匀，可作为候选项，三类为内部分布一定不均匀，可将这张小图像视为不满足要求，即可舍去；
步骤3，计算连通区轮廓的特征
步骤3.1，定义连通区轮廓的特征公式
(1)面积A和周长L：使用findContours函数在只含有一个连通区的图像上找出其外轮廓并在其外轮廓上使用contourArea函数和arcLength函数可计算出其轮廓的面积、周长；
(2)圆形度C：使用上一步得到的面积A和周长L代入C(A,L)＝4π*A/L2，可得到其外轮廓的圆形度C；
(3)惯性率I：将步骤3.1找出的外轮廓代入fitEllipse函数可得到拟合椭圆，也可得到拟合椭圆的长轴la和短轴sa，并将长轴la和短轴sa代入I(la,sa)＝sa/la可得到惯性率I；
步骤3.2，计算轮廓特征
将图P5的轮廓特征定义为外部轮廓特征Cf1，使用公式计算得到Cf1的A1、L1、C1、I1；
若图P7为一类情况，则计算图P5与图P3的轮廓面积，并将图P5的轮廓面积除去对应的图P3的轮廓面积，可得到面积比Ar；
若图P7为二类情况，将图P7的轮廓特征定义为内部轮廓特征Cf2，使用公式计算得到Cf2的A2、L2、C2、I2；
步骤4，根据特征进行选择
利用以上步骤计算得到的特征，进行阈值设置，选择出符合要求的小图像，符合要求的小图像数量即斑点数量；先定义满足阈值要求的小图像数量变量Pnum为0，每输入一张小图像，都会进行阈值筛选，若满足阈值要求，则Pnum＝Pnum+1；
步骤4.1，图P7为一类情况
若图P7为一类情况时，小图像没有内部轮廓特征Cf2；可根据Cf1、Ar特征设置以下阈值；
若Ar大于0.2与A1大于50，则选出，反之，舍去；
接着，若C1大于0.7，视为情况SC11，反之视为情况SC12；
在情况SC11下，
若C1大于0.45、小于0.2与I1大于0.6，则进行Pnum＝Pnum+1；
在情况SC12下，
若A1大于145，视为情况SA11，
若A1小于145、大于75，视为情况SA12，
剩下视为情况SA13；
在情况SA11下，
若C1大于0.85与I1大于0.79，则进行Pnum＝Pnum+1；
若I1大于0.65与Bs大于0.9，则进行Pnum＝Pnum+1；
若I1小于0.65与C1大于0.88，则进行Pnum＝Pnum+1；
在情况SA12下，
若I1大于0.81，则进行Pnum＝Pnum+1；
若I1小于0.81与C1大于0.86，则进行Pnum＝Pnum+1；
若I1小于0.81与C1小于0.86与Bs大于0.9，则进行Pnum＝Pnum+1；
在情况SA13下，
若I1大于0.88，则进行Pnum＝Pnum+1；
若I1小于0.88与C1大于0.897，则进行Pnum＝Pnum+1；
步骤4.2，图P7为二类情况
若图P7为二类情况时，小图像有内部轮廓特征Cf2；可根据Cf1、Cf2特征设置以下阈值；
若A2大于35、小于121，视为情况SA21；
若A2大于121、小于1000，视为情况SA22；
在情况SA21下，
若I1大于0.7与I2大于0.7，则进行Pnum＝Pnum+1；
若在I1小于0.7与I2小于0.7的情况下，I1大于0.85或C1大于0.9，则进行Pnum＝Pnum+1；
在情况SA22下，
若C2大于0.8与I2大于0.7，则进行Pnum＝Pnum+1；
若I2小于0.7、大于0.4与C1大于0.85，则进行Pnum＝Pnum+1；
若I2小于0.4与Bs大于0.9，则进行Pnum＝Pnum+1；
步骤5，根据斑点数量(即小图像数量)计算出氡气浓度：
设本底的氡气浓度为0(在空气中的样本)，通过以上方法检测到的斑点数量为N0；设标定好的氡气浓度为R1(已知量)，通过以上方法检测到的斑点数量为N1；设待测的氡气浓度为R2(未知量)，通过
以上方法检测到的斑点数量为N2；最后通过
Figure BDA0002305287550000061
可计算出氡气浓度R2。
优选的，步骤1.1的具体操作为：先对原图进行高斯滤波，后使用canny算法函数，其低阈值为95,高阈值为3*95，对原图进行边缘检测。
优选的，步骤1.12中分割出黑色和白色图像的分割方法，具体步骤如下：
(1)使用calcHist函数计算原图的直方图，在直方图中可得出数量最多的灰度值，即背景色灰度值；
(2)分割出黑色图像，把背景色灰度值作为二值化阈值Gts，将二值化后的图像进行非运算后，将其作为掩模，使用Ostu算法在掩模下计算出黑色和灰色特征之间的类间灰度值Bgv，以此值作为二值化阈值Bts将原图二值化并进行非运算后得到黑色图像；
(3)分割出白色图像，把背景色灰度值作为二值化阈值Gts，将二值化后的图像作为掩模，使用Ostu算法在掩模下计算出白色和灰色特征之间的类间灰度值Wgv，以此值作为二值化阈值Wts将原图二值化，得到白色图像；
(4)为了能够在原图整体上更好地分割出黑色和白色图像，在方法bwm中分别设置二值化阈值Bst和Wst分别为0.88*Bgv和1.1*Wgv。
本发明用CR39探测器测量氡气衰变产生的α粒子，利用α粒子会在CR39探测器留下斑点的特性得到原图，通过用图像处理技术检测CR39探测器上斑点的数量来检测氡气浓度；本发明利用计算机视觉库OpenCV来进行检测CR39探测器的灰度图上的目标斑点数量，排除非目标斑点的干扰，通过斑点数量与氡气浓度的关系，能有效检测氡气浓度，极大的提高了检测效率。
附图说明
图1为本发明方法的流程图；
图2为目标斑点小图像；
图3为CR39探测器原图；
图4为分割后的原图；
图5为降噪后的分割原图；
图6为分割后的小图像；
图7为选择连通区的小图像；
图8为分割内部连通区的小图像。
具体实施方式
本发明基于OpenCV计算机视觉库提出的，能有效检测氡气浓度，主要有五个步骤组成：初步处理，切割原图、小图像分割处理、计算连通区轮廓的特征、根据特征进行选择小图像、根据斑点数量(即小图像数量)计算出氡气浓度，整体流程图如图1所示。
结合附图1-8，本发明的具体操作如下：
步骤1，用CR39探测器测量氡气衰变产生的α粒子，利用α粒子会在CR39探测器留下斑点的特性得到原图，并进行初步处理，切割原图
经过分析原图得出，目标斑点颜色特征为黑色和白色，中间分布均匀，形状为圆形或椭圆形，而背景色为灰色；目标斑点小图像，如图2所示；原图像，如图3所示；由于每个目标斑点分割灰度值不一，不能统一设置二值化灰度阈值进行分割，故需要初步处理原图，去除噪声，将原图切割出可能存在目标斑点的小图像，便于进一步二值化分割处理；以下使用的函数为opencv开源库的函数；具体步骤如下：
步骤1.1，用canny算法函数检测边缘，得到边缘图像；
先对原图进行高斯滤波，后使用canny算法函数，其低阈值为95,高阈值为3*95，对原图进行边缘检测；
步骤1.2，将原图分割出黑色图像和白色图像；
为了获取目标斑点黑色和白色特征，本发明还提出了一种可以分别分割出黑色和白色图像的分割方法bwm，具体步骤如下：
(1)使用calcHist函数计算原图的直方图，在直方图中可得出数量最多的灰度值，即背景色灰度值；
(2)分割出黑色图像，把背景色灰度值作为二值化阈值Gts，将二值化后的图像进行非运算后，将其作为掩模，使用Ostu算法[2]在掩模下计算出黑色和灰色特征之间的类间灰度值Bgv，以此值作为二值化阈值Bts将原图二值化并进行非运算后得到黑色图像；
(3)分割出白色图像，把背景色灰度值作为二值化阈值Gts，将二值化后的图像作为掩模，使用Ostu算法在掩模下计算出白色和灰色特征之间的类间灰度值Wgv，以此值作为二值化阈值Wts将原图二值化，得到白色图像；
(4)为了能够在原图整体上更好地分割出黑色和白色图像，在方法bwm中分别设置二值化阈值Bst和Wst分别为0.88*Bgv和1.1*Wgv；
步骤1.3，将步骤1.1和步骤1.2得到的图像合并与降噪；
先将边缘图像、黑色图像和白色图像进行或运算，得到可能存在目标斑点图，如图4所示；然后在图4上进行卷积核为3*3矩形的闭运算处理和使用findContours函数以找外部轮廓方式找图4中的轮廓并去除周长小于25像素和大于200像素的轮廓；最后使用drawContours函数以填充方式画出所选轮廓，以达到降噪效果；效果图，如图5所示；
步骤1.4，在原图上切割出可能存在目标斑点的小图像
先在图5上使用connectedComponentsWithStats函数找出连通区域，便可得出每个连通区的质心；再使用copyMakeBorder函数扩展原图尺寸，四边扩展阈值为80像素，以便下一步切割出小图像；最后在原图上切割出以质心为中心，边长为80像素的正方形小图像，如图2所示；
步骤2，小图像分割处理
步骤2.1，将每张小图像分割出黑色小图像和白色小图像；
在每张小图像原图P0上使用步骤1中的分割方法bwm，与分割原图不同，其在二值化阈值Bst和Wst分别设为Bgv和Wgv，便可得到黑色小图像P1和白色小图像P2，并将P1和P2进行或运算可得黑白小图像P3，将小图像的P0、P1、P2、P3依次展示在图6上，如图6所示；
步骤2.2，在黑色小图像上只保留一个连通区，去除其他连通区；
一张黑色小图像P4可能包含其他连通区，而一张黑色小图像只能代表一个斑点，即一个连通区，因此只能保留一个其质心最靠近图像中心的连通区，以代表此张小图像，具体步骤如下：
(1)使用connectedComponentsWithStats函数在图P4上检测连通区，便可得到每个连通区的质心，然后计算每个质心Ci(xi,yi)与图P1中心Cc(xc,yc)之间的欧几里得距离Di，其公式如式1所示；
Figure BDA0002305287550000101
(2)通过比较每个连通区的Di值大小并选择保留其Di值最小的连通区，将此连通区保存为图P5；将小图像P4、P5依次展示在图7上，如图7所示；
步骤2.3，在图P5的基础上找出连通区的内部连通区，并将其分割出来并做选择：
(1)分割内部连通区
首先使用findContours函数在图中找出其轮廓，并用drawContours函数以填充方式在图P6上画出其轮廓，得到填充后的连通区并将其与图P5做异或运算得到图P7，即可分割出连通区的内部连通区，将小图像P5、P6、P7依次展示在图8上，如图8所示；
(2)计算内部连通区数量，做选择
为了得到内部分布均匀的斑点，将使用connectedComponentsWithStats函数可计算图P7包含的连通区数量，将连通区数量分三种类：等于0个视为一类、等于1个视为二类、将大于一个视为三类，可将一、二类看做为连通区内部分布不一定均匀，可作为候选项，三类为内部分布一定不均匀，可将这张小图像视为不满足要求，即可舍去；
步骤3，计算连通区轮廓的特征
计算轮廓特征，为下一步进行筛选，轮廓特征有：面积、周长、圆形度、惯性率，计算轮廓具体步骤如下：
步骤3.1，定义连通区轮廓的特征公式
(1)面积A和周长L：使用findContours函数在只含有一个连通区的图像上找出其外轮廓并在其外轮廓上使用contourArea函数和arcLength函数可计算出其轮廓的面积、周长；
(2)圆形度C：使用上一步得到的面积A和周长L代入公式2，可得到其外轮廓的圆形度C；
C(A,L)＝4π*A/L2 式2
(3)惯性率I：将步骤3.1找出的外轮廓代入fitEllipse函数可得到拟合椭圆，也可得到拟合椭圆的长轴la和短轴sa，并将长轴la和短轴sa代入公式3可得到惯性率I；
I(la,sa)＝sa/la 式3
步骤3.2，计算轮廓特征
先将图P5的轮廓特征定义为外部轮廓特征Cf1，计算得到Cf1的A1、L1、C1、I1。
若图P7为一类情况，则计算图P5与图P3的轮廓面积，并将图P5的轮廓面积除去对应的图P3的轮廓面积，可得到面积比Ar；
若图P7为二类情况，将图P7的轮廓特征定义为内部轮廓特征Cf2，使用公式计算得到Cf2的A2、L2、C2、I2；
步骤4，根据特征进行选择
利用以上步骤计算得到的特征，进行阈值设置，选择出符合要求的小图像，符合要求的小图像数量即斑点数量；先定义满足阈值要求的小图像数量变量Pnum为0，每输入一张小图像，都会进行阈值筛选，若满足阈值要求，则Pnum＝Pnum+1；
步骤4.1，图P7为一类情况
若图P7为一类情况时，小图像没有内部轮廓特征Cf2；可根据Cf1、Ar特征设置以下阈值。
若Ar大于0.2与A1大于50，则选出，反之，舍去；
接着，若C1大于0.7，视为情况SC11，反之视为情况SC12；
在情况SC11下，
若C1大于0.45、小于0.2与I1大于0.6，则进行Pnum＝Pnum+1；
在情况SC12下，
若A1大于145，视为情况SA11，
若A1小于145、大于75，视为情况SA12，
剩下视为情况SA13；
在情况SA11下，
若C1大于0.85与I1大于0.79，则进行Pnum＝Pnum+1；
若I1大于0.65与Bs大于0.9，则进行Pnum＝Pnum+1；
若I1小于0.65与C1大于0.88，则进行Pnum＝Pnum+1；
在情况SA12下，
若I1大于0.81，则进行Pnum＝Pnum+1；
若I1小于0.81与C1大于0.86，则进行Pnum＝Pnum+1；
若I1小于0.81与C1小于0.86与Bs大于0.9，则进行Pnum＝Pnum+1；
在情况SA13下，
若I1大于0.88，则进行Pnum＝Pnum+1；
若I1小于0.88与C1大于0.897，则进行Pnum＝Pnum+1；
步骤4.2，图P7为二类情况
若图P7为二类情况时，小图像有内部轮廓特征Cf2；可根据Cf1、Cf2特征设置以下阈值。
若A2大于35、小于121，视为情况SA21；
若A2大于121、小于1000，视为情况SA22；
在情况SA21下，
若I1大于0.7与I2大于0.7，则进行Pnum＝Pnum+1；
若在I1小于0.7与I2小于0.7的情况下，I1大于0.85或C1大于0.9，则进行Pnum＝Pnum+1；
在情况SA22下，
若C2大于0.8与I2大于0.7，则进行Pnum＝Pnum+1；
若I2小于0.7、大于0.4与C1大于0.85，则进行Pnum＝Pnum+1；
若I2小于0.4与Bs大于0.9，则进行Pnum＝Pnum+1；
步骤5，根据斑点数量(即小图像数量)计算出氡气浓度：
设本底的氡气浓度为0(在空气中的样本)，通过以上方法检测到的斑点数量为N0，设标定好的氡气浓度为R1(已知量)，通过以上方法检测到的斑点数量为N1，设待测的氡气浓度为R2(未知量)，通过以上方法检测到的斑点数量为N2，
最后通过式4可计算出氡气浓度R2。
Figure BDA0002305287550000141
采用上述方法可以结合CR39探测器Y与图片处理技术实现氡气的浓度检测，极大的提高了氡气的检测效率。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想，以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。

Claims (3)

1.一种基于opencv的氡气浓度检测方法，其特征在于，
步骤1，用CR39探测器测量氡气衰变产生的α粒子，利用α粒子会在CR39探测器留下斑点的特性得到原图，并进行初步处理，切割原图
步骤1.1，用canny算法函数检测边缘，得到边缘图像；
步骤1.2，将原图分割出黑色图像和白色图像；
步骤1.3，将步骤1.1和步骤1.2得到的图像合并与降噪，先将边缘图像、黑色图像和白色图像进行或运算，得到可能存在目标斑点图，然后在此图上进行卷积核为3*3矩形的闭运算处理和使用findContours函数以找外部轮廓方式找此图中的轮廓并去除周长小于25像素和大于200像素的轮廓；最后使用drawContours函数以填充方式画出所选轮廓，以达到降噪效果；
步骤1.4，先在步骤1.3得到图上使用connectedComponentsWithStats函数找出连通区域，便可得出每个连通区的质心；再使用copyMakeBorder函数扩展原图尺寸，四边扩展阈值为80像素，最后在原图上切割出以质心为中心，边长为80像素的正方形小图像P0；
步骤2，小图像分割处理
步骤2.1，将每张小图像分割出黑色小图像和白色小图像
在每张小图像原图P0上使用步骤一的分割方法bwm，便可得到黑色小图像P1和白色小图像P2，并将P1和P2进行或运算可得黑白小图像P3；
步骤2.2，在黑色小图像P4上只保留一个连通区，去除其他连通区；
(1)使用connectedComponentsWithStats函数在图P4上检测连通区，便可得到每个连通区的质心，然后计算每个质心Ci(xi,yi)与图P1中心Cc(xc,yc)之间的欧几里得距离Di，其公式为：
Figure FDA0002305287540000021
(2)通过比较每个连通区的Di值大小并选择保留其Di值最小的连通区，将此连通区保存为图P5；将小图像P4、P5依次展示在图7上，如图7所示；
步骤2.3，在图P5的基础上找出连通区的内部连通区，并将其分割出来并做选择：
(1)分割内部连通区
首先使用findContours函数在图中找出其轮廓，并用drawContours函数以填充方式在图P6上画出其轮廓，得到填充后的连通区并将其与图P5做异或运算得到图P7，即可分割出连通区的内部连通区；
(2)计算内部连通区数量，做选择
将使用connectedComponentsWithStats函数可计算图P7包含的连通区数量，将连通区数量分三种类：等于0个视为一类、等于1个视为二类、将大于一个视为三类，可将一、二类看做为连通区内部分布不一定均匀，可作为候选项，三类为内部分布一定不均匀，可将这张小图像视为不满足要求，即可舍去；
步骤3，计算连通区轮廓的特征
步骤3.1，定义连通区轮廓的特征公式
(1)面积A和周长L：使用findContours函数在只含有一个连通区的图像上找出其外轮廓并在其外轮廓上使用contourArea函数和arcLength函数可计算出其轮廓的面积、周长；
(2)圆形度C：使用上一步得到的面积A和周长L代入C(A,L)＝4π*A/L2，可得到其外轮廓的圆形度C；
(3)惯性率I：将步骤3.1找出的外轮廓代入fitEllipse函数可得到拟合椭圆，也可得到拟合椭圆的长轴la和短轴sa，并将长轴la和短轴sa代入I(la,sa)＝sa/la可得到惯性率I；
步骤3.2，计算轮廓特征
将图P5的轮廓特征定义为外部轮廓特征Cf1，使用公式计算得到Cf1的A1、L1、C1、I1；
若图P7为一类情况，则计算图P5与图P3的轮廓面积，并将图P5的轮廓面积除去对应的图P3的轮廓面积，可得到面积比Ar；
若图P7为二类情况，将图P7的轮廓特征定义为内部轮廓特征Cf2，使用公式计算得到Cf2的A2、L2、C2、I2；
步骤4，根据特征进行选择
利用以上步骤计算得到的特征，进行阈值设置，选择出符合要求的小图像，符合要求的小图像数量即斑点数量；先定义满足阈值要求的小图像数量变量Pnum为0，每输入一张小图像，都会进行阈值筛选，若满足阈值要求，则Pnum＝Pnum+1；
步骤4.1，图P7为一类情况
若图P7为一类情况时，小图像没有内部轮廓特征Cf2；可根据Cf1、Ar特征设置以下阈值；
若Ar大于0.2与A1大于50，则选出，反之，舍去；
接着，若C1大于0.7，视为情况SC11，反之视为情况SC12；
在情况SC11下，
若C1大于0.45、小于0.2与I1大于0.6，则进行Pnum＝Pnum+1；
在情况SC12下，
若A1大于145，视为情况SA11，
若A1小于145、大于75，视为情况SA12，
剩下视为情况SA13；
在情况SA11下，
若C1大于0.85与I1大于0.79，则进行Pnum＝Pnum+1；
若I1大于0.65与Bs大于0.9，则进行Pnum＝Pnum+1；
若I1小于0.65与C1大于0.88，则进行Pnum＝Pnum+1；
在情况SA12下，
若I1大于0.81，则进行Pnum＝Pnum+1；
若I1小于0.81与C1大于0.86，则进行Pnum＝Pnum+1；
若I1小于0.81与C1小于0.86与Bs大于0.9，则进行Pnum＝Pnum+1；
在情况SA13下，
若I1大于0.88，则进行Pnum＝Pnum+1；
若I1小于0.88与C1大于0.897，则进行Pnum＝Pnum+1；
步骤4.2，图P7为二类情况
若图P7为二类情况时，小图像有内部轮廓特征Cf2；可根据Cf1、Cf2特征设置以下阈值；
若A2大于35、小于121，视为情况SA21；
若A2大于121、小于1000，视为情况SA22；
在情况SA21下，
若I1大于0.7与I2大于0.7，则进行Pnum＝Pnum+1；
若在I1小于0.7与I2小于0.7的情况下，I1大于0.85或C1大于0.9，则进行Pnum＝Pnum+1；
在情况SA22下，
若C2大于0.8与I2大于0.7，则进行Pnum＝Pnum+1；
若I2小于0.7、大于0.4与C1大于0.85，则进行Pnum＝Pnum+1；
若I2小于0.4与Bs大于0.9，则进行Pnum＝Pnum+1；
步骤5，根据斑点数量(即小图像数量)计算出氡气浓度：
设本底的氡气浓度为0(在空气中的样本)，通过以上方法检测到的斑点数量为N0；设标定好的氡气浓度为R1(已知量)，通过以上方法检测到的斑点数量为N1；设待测的氡气浓度为R2(未知量)，通过以上方法检测到的斑点数量为N2；最后通过
Figure FDA0002305287540000051
可计算出氡气浓度R2。
2.根据权利要求1所述的一种基于opencv的氡气浓度检测方法，其特征在于，步骤1.1的具体操作为：先对原图进行高斯滤波，后使用canny算法函数，其低阈值为95,高阈值为3*95，对原图进行边缘检测。
3.根据权利要求1所述的一种基于opencv的氡气浓度检测方法，其特征在于，步骤1.12中分割出黑色和白色图像的分割方法，具体步骤如下：
(1)使用calcHist函数计算原图的直方图，在直方图中可得出数量最多的灰度值，即背景色灰度值；
(2)分割出黑色图像，把背景色灰度值作为二值化阈值Gts，将二值化后的图像进行非运算后，将其作为掩模，使用Ostu算法在掩模下计算出黑色和灰色特征之间的类间灰度值Bgv，以此值作为二值化阈值Bts将原图二值化并进行非运算后得到黑色图像；
(3)分割出白色图像，把背景色灰度值作为二值化阈值Gts，将二值化后的图像作为掩模，使用Ostu算法在掩模下计算出白色和灰色特征之间的类间灰度值Wgv，以此值作为二值化阈值Wts将原图二值化，得到白色图像；
(4)为了能够在原图整体上更好地分割出黑色和白色图像，在方法bwm中分别设置二值化阈值Bst和Wst分别为0.88*Bgv和1.1*Wgv。
CN201911237536.4A 2019-12-06 2019-12-06 一种基于opencv的氡气浓度检测方法 Withdrawn CN111127403A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911237536.4A CN111127403A (zh) 2019-12-06 2019-12-06 一种基于opencv的氡气浓度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911237536.4A CN111127403A (zh) 2019-12-06 2019-12-06 一种基于opencv的氡气浓度检测方法

Publications (1)

Publication Number Publication Date
CN111127403A true CN111127403A (zh) 2020-05-08

Family

ID=70496167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911237536.4A Withdrawn CN111127403A (zh) 2019-12-06 2019-12-06 一种基于opencv的氡气浓度检测方法

Country Status (1)

Country Link
CN (1) CN111127403A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024183382A1 (zh) * 2023-03-09 2024-09-12 中国科学院深圳先进技术研究院 光学传感图像的信号检测方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102445409A (zh) * 2011-09-28 2012-05-09 中国农业大学 一种基于数字图像技术的粉尘浓度测量装置及方法
CN103234995A (zh) * 2013-05-03 2013-08-07 贝谷科技股份有限公司 一种用于地下水中氡气监测的方法与装置
US20170097274A1 (en) * 2015-10-06 2017-04-06 Bridger Photonics, Inc. Gas-mapping 3d imager measurement techniques and method of data processing
US20170363541A1 (en) * 2015-03-02 2017-12-21 Flir Systems Ab Quantifying gas in passive optical gas imaging
WO2019099567A1 (en) * 2017-11-14 2019-05-23 Bridger Photonics, Inc. Apparatuses and methods for anomalous gas concentration detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102445409A (zh) * 2011-09-28 2012-05-09 中国农业大学 一种基于数字图像技术的粉尘浓度测量装置及方法
CN103234995A (zh) * 2013-05-03 2013-08-07 贝谷科技股份有限公司 一种用于地下水中氡气监测的方法与装置
US20170363541A1 (en) * 2015-03-02 2017-12-21 Flir Systems Ab Quantifying gas in passive optical gas imaging
US20170097274A1 (en) * 2015-10-06 2017-04-06 Bridger Photonics, Inc. Gas-mapping 3d imager measurement techniques and method of data processing
WO2019099567A1 (en) * 2017-11-14 2019-05-23 Bridger Photonics, Inc. Apparatuses and methods for anomalous gas concentration detection

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯磊等: "计算机技术在氡气测量中的综合应用", 《科技传播》 *
史晓军等: "纳米流体矩形微通道热沉结构参数多目标优化", 《西安交通大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024183382A1 (zh) * 2023-03-09 2024-09-12 中国科学院深圳先进技术研究院 光学传感图像的信号检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Raju et al. Image segmentation by using histogram thresholding
CN111709420B (zh) 文本检测方法、电子设备及计算机可读介质
US5265173A (en) Rectilinear object image matcher
Chen et al. A double-threshold image binarization method based on edge detector
Ranganath et al. Object detection using pulse coupled neural networks
CN105139386B (zh) 一种快速自动检测电气接插件焊点不合格品的图像处理方法
CN108596930B (zh) 基于天牛须算法和数学形态学的射线图像焊缝提取方法
CN108133481A (zh) 一种针对荧光免疫层析试条成像系统的图像处理算法
US9443160B2 (en) Irradiation field recognition
CN1461409A (zh) 一种工业辐射成像中的图像分割识别方法
WO2013181004A1 (en) Shape detection using chain code states
CN105701491A (zh) 固定格式文档图像模版的制作方法及其应用
Han et al. An enhanced image binarization method incorporating with Monte-Carlo simulation
CN112487537A (zh) 一种基于全卷积神经网络的建筑面多级优化提取方法
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及系统
CN111127403A (zh) 一种基于opencv的氡气浓度检测方法
Tung et al. Binarization of uneven-lighting image by maximizing boundary connectivity
Jang et al. Binarization of noisy gray-scale character images by thin line modeling
Bennamoun Edge detection: Problems and solutions
Wang et al. An image edge detection algorithm based on multi-feature fusion
Matula et al. Quantification of fluorescent spots in time series of 3D confocal microscopy images of endoplasmic reticulum exit sites based on the HMAX transform
Uma et al. Detection of shapes and counting in toy manufacturing industry with help of Phython
Hoogs et al. An integrated boundary and region approach to perceptual grouping
Mukherjee et al. Image enhancement with statistical estimation
Peng et al. BGA void detection in X-ray images based on a new blob detector

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200508