CN111402158B - 一种综采工作面低照度雾尘图像清晰化方法 - Google Patents

一种综采工作面低照度雾尘图像清晰化方法 Download PDF

Info

Publication number
CN111402158B
CN111402158B CN202010173439.XA CN202010173439A CN111402158B CN 111402158 B CN111402158 B CN 111402158B CN 202010173439 A CN202010173439 A CN 202010173439A CN 111402158 B CN111402158 B CN 111402158B
Authority
CN
China
Prior art keywords
image
fully mechanized
brightness
mining face
fog
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
Application number
CN202010173439.XA
Other languages
English (en)
Other versions
CN111402158A (zh
Inventor
毛清华
王宇飞
张旭辉
王川伟
樊红卫
薛旭升
毛金根
李晶
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.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and 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 Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202010173439.XA priority Critical patent/CN111402158B/zh
Publication of CN111402158A publication Critical patent/CN111402158A/zh
Application granted granted Critical
Publication of CN111402158B publication Critical patent/CN111402158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明属于综采工作面图像清晰化技术领域，具体涉及一种综采工作面低照度雾尘图像清晰化方法。包括步骤：步骤一、采集综采工作面图像；步骤二、获取综采工作面图像透射率函数并进行估算；步骤三、判断图像亮度，选择对数变换倍数n；步骤四、使用非线性变换对透射率函数进行修正；步骤五、根据修正后的透射率函数通过雾尘图像模型进行图像恢复。本发明可有效改善综采工作面环境下图像去雾恢复效果不佳的问题，提高图像质量的同时增加图像亮度，满足井下实际工况对图像质量的需求，为采用机器视觉手段实现综采工作面设备及围岩异常状态的识别奠定了良好的基础，对保障煤矿安全生产具有重要意义。

Description

一种综采工作面低照度雾尘图像清晰化方法
技术领域
本发明属于综采工作面图像清晰化技术领域，具体涉及一种综采工作面低照度雾尘图像清晰化方法。
背景技术
综采工作面是煤炭生产的第一现场，具有作业空间狭小、机械设备多、视觉环境差、温度高的特点，其安全事故频发，严重影响了整个煤矿的安全工作，是煤矿安全生产的重点监控区域。综采工作面生产过程中，往往会出现如煤壁片帮、带式输送机上有大块煤、设备之间互相干涉等异常状态，这对工作设备和工作人员的安全造成威胁，如果没有、监控和预警手段，可能会将发生严重的安全事故，造成人员伤亡和经济损失。
近年来，随着智能监控技术的发展，传统煤矿逐渐向少人或无人智能化开采转变，机器视觉技术在井下的使用越来越广泛，主要通过机器视觉方法对煤矿综采工作面的设备及围岩异常状态进行实时监测。但综采工作面工作环境恶劣复杂，生产过程中会产生大量的粉尘；同时，矿井下的喷雾降尘设备会产生大量的雾气和水滴，这些粉尘和水雾严重降低图像的质量，对图像处理手段产生极大的困难，难以实现设备和工作面异常状态的准确识别。目前，大气环境下图像去雾方法研究成果丰富，其中代表性的成果为暗通道先验去雾理论，但是该方法应用在综采工作面环境中时，往往有着恢复图像亮度较低、恢复效果不佳的问题，有着很大的局限性。
发明内容
本发明针对上述问题提供了一种综采工作面低照度雾尘图像清晰化方法。本发明通过边界约束和非线性变换的上下文正则化方法对图像透射率函数进行估计，同时针对井下的尘雾环境导致的图像亮度较低的问题，提出使用非线性变换对图像亮度进行提高，从而实现综采工作面图像的清晰化。
本发明解决其技术问题所采用的技术方案为：一种综采工作面低照度雾尘图像清晰化方法，其特征在于，该方法包括以下步骤：
一种综采工作面低照度雾尘图像清晰化方法，其特征在于，该方法包括以下步骤：
步骤一、在液压支架上布置视觉传感器，采集综采工作面图像数据，并且将采集到的数据传至图像处理器进行处理；
步骤二、通过雾尘图像模型I(x)＝t(x)J(x)+(1-t(x))A，获得透射率函数t(x)，并对透射率函数t(x)进行估算，其中，I(x)是有雾图像，J(x)是无雾图像，A是全局大气光；
步骤三、通过原始图像的亮度峰值图判断图像亮度，选择对数变换倍数n；
步骤四、使用非线性变换t(x)＝n*log10(t*(x)+1)对透射率函数进行修正，其中t*(x)是透射率函数t(x)的细估计；
步骤五、根据修正后的透射率函数通过雾尘图像模型进行图像恢复。
所述视觉传感器为具有煤安认证的视觉传感器。
所述对透射率函数t(x)进行估算包括：根据边界约束方法得到透射率函数粗估计
Figure BDA0002409997070000031
以及根据非线性变换的上下文正则化方法对得到透射率函数细估计t*(x)。
所述步骤三的具体步骤为：
步骤301、图像处理器将原始图像转换为双精度(double)型；
步骤302、图像处理器生成图像亮度峰值图，并取出亮度最大值，根据亮度最大值选择对数变换倍数，可以避免恢复图像发生过亮的情况；
步骤303、当图像亮度最大值在100-200时，对数变换倍数为3；当图像亮度最大值在200-300时，对数变换倍数为2；当图像亮度最大值在300以上时，对数变换倍数为1，其中，对数变换倍数越大，恢复图像的亮度越高；
所述步骤五的具体步骤为：
步骤501、图像处理器判断图像中灰度值中的最大值作为大气光A在该通道的灰度值；
步骤502、根据公式
Figure BDA0002409997070000032
恢复无雾图像，其中，I(x)为原始有雾图像，t(x)为透射率函数，ε通常取0.0001，δ为介质消光系数。
步骤503、根据公式
Figure BDA0002409997070000033
计算步骤一获取图像的信息熵s1与步骤502所得图像的信息熵s2，
步骤504、若s2-s1＞0，则结束；若s2-s1＜0，则重新执行步骤四，其中n′＝n+0.5，n′是新的对数变换倍数。
本发明的有益效果是：
1、本发明的综采工作面低照度雾尘图像清晰化方法，可有效改善综采工作面环境下图像去尘雾恢复效果不佳的问题，提高图像质量的同时增加图像亮度，满足井下实际工况对图像质量的需求；
2、本发明通过计算机图像处理手段，实现综采工作面低照度雾尘图像的清晰化，实施简单，处理效果较佳，为进一步通过机器视觉手段完成围岩及设备异常状态的准确识别做了很好的前期处理工作。
综上，本发明在实现图像去雾的同时，提高了图像亮度，为采用机器视觉手段实现综采工作面设备及围岩异常状态的识别奠定了良好的基础，对保障煤矿安全生产具有重要意义。
附图说明
图1为本发明流程示意图
图2(a)为综采工作面实拍图像，图2(b)为本发明清晰化后的图像，图2(c)为2(a)的亮度峰值图；
图3(a)为综采工作面实拍图像，图3(b)本发明清晰化后的图像，图3(c)为3(a)的亮度峰值图；
图4(a)为综采工作面实拍图像，图4(b)本发明清晰化后的图像，图4(c)为4(a)的亮度峰值图；
图5(a)为综采工作面实拍图像，图5(b)本发明清晰化后的图像，图5(c)为5(a)的亮度峰值图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳的实施例，对依据本发明申请的具体实施方式、结构、特征及其功效，详细说明如下。
如图1所示，一种综采工作面低照度雾尘图像清晰化方法，其特征在于，该方法包括以下步骤：
步骤一、在液压支架上布置视觉传感器，采集综采工作面图像数据，并且将采集到的数据传至图像处理器进行处理；如图2(a)、图3(a)、图4(a)、图5(a)所示；
步骤二、通过雾尘图像模型I(x)＝t(x)J(x)+(1-t(x))A，获得透射率函数t(x)，并对透射率函数t(x)进行估算，其中，I(x)是有雾图像，J(x)是无雾图像，A是全局大气光；
所述对透射率函数t(x)进行估算步骤为：
(1)根据边界约束方法得到透射率函数粗估计
Figure BDA0002409997070000051
步骤1.1、根据公式
Figure BDA0002409997070000052
将I(x)线性外推；
步骤1.2、根据公式C0≤J(x)≤C1，
Figure BDA0002409997070000053
得到J(x)的边界约束其中，C0和C1是两个与给定图像相关的常向量；
步骤1.3、将步骤302中所得J(x)的边界约束转化为t(x)的边界约束：0≤tb(x)≤t(x)≤1其中，tb(x)是t(x)的下界；
步骤1.4、根据公式
Figure BDA0002409997070000054
计算tb(x)，其中Ic，Ac，
Figure BDA0002409997070000055
分别为I，A，C0,C1的颜色通道；
步骤1.5、根据公式
Figure BDA0002409997070000056
得到透射率函数粗估计
Figure BDA0002409997070000057
其中x，y，z分别是像素点，ωx，ωy分别表示以x，y为中心的局部范围。
步骤(2)、根据非线性变换的上下文正则化方法对得到透射率函数细估计t*(x):
步骤2.1、引入加权函数
Figure BDA0002409997070000061
其中，x，y分别是两个相邻像素点；
步骤2.2、根据公式：W(x，y)＝(|log(x)-log(y)|α+ε)-1，通过计算相邻像素点亮度差值来构造加权函数W(x，y)。其中，log(x)是对图像I(x)的亮度通道取对数，指数α＞0，用来控制两个相邻像素的亮度差和敏感度，ε通常取0.0001，防止分母中出现0；
步骤2.3、引入8个Kirsch算子和1个Laplacian算子，得到Wj(i)：
Figure BDA0002409997070000062
其中Wj(i)是权重矩阵，Dj是引入的差分算子；
步骤2.4、根据公式
Figure BDA0002409997070000063
求得优化的透射率函数t(x)；其中，第一部分是数据保真项，该项用来测量t(x)与基于边界约束得到的透射率粗估计
Figure BDA0002409997070000064
之间的保真度；第二部分是t(x)的上下文约束，即目标函数的正则化项，用来约束复原问题的病态性；λ是为了平衡数据保真项和正则化项的正则化参数；
步骤2.5、采用交替最小化算法来求解步骤404中的目标函数，得到t*，
Figure BDA0002409997070000065
其中，FFT是傅里叶变换，FFT-1是傅里叶逆变换，
Figure BDA0002409997070000066
表示复共轭，·表示矩阵点乘,β是一个权重，uj是辅助变量。
步骤三、通过原始图像的亮度峰值图判断图像亮度，选择对数变换倍数n；
步骤301、图像处理器将原始图像转换为双精度(double)型；
步骤302、图像处理器生成图像亮度峰值图，并取出亮度最大值，根据亮度最大值选择对数变换倍数，可以避免恢复图像发生过亮的情况；如图2(c)、图3(c)、图4(c)、图5(c)所示；
步骤303、当图像亮度最大值在100-200时，对数变换倍数为3；当图像亮度最大值在200-300时，对数变换倍数为2；当图像亮度最大值在300以上时，对数变换倍数为1，其中，对数变换倍数越大，恢复图像的亮度越高。
本实施例中，图2(a)的亮度最大值在100-200，则选择对数变换倍数n为3；图3(a)的亮度最大值在200-300，则选择对数变换倍数n为2；图4(a)的亮度最大值在200-300，则选择对数变换倍数n为2；图5(a)的亮度最大值在100-200，则选择对数变换倍数n为3。
步骤四、使用非线性变换t(x)＝n*log10(t*(x)+1)对透射率函数进行修正；
步骤五、根据修正后的透射率函数通过雾尘图像模型进行图像恢复:
步骤501、图像处理器判断图像中灰度值中的最大值作为大气光A在该通道的灰度值；
步骤502、根据公式
Figure BDA0002409997070000071
恢复无雾图像，其中，I(x)为原始有雾图像，t(x)为透射率函数，ε通常取0.0001，δ为介质消光系数。恢复图如图2(b)、图3(b)、图4(b)、图5(b)所示。
步骤503、根据公式
Figure BDA0002409997070000081
计算步骤一获取图像的信息熵s1与步骤502所得图像的信息熵s2，
步骤504、若s2-s1＞0，则结束；若s2-s1＜0，则重新执行步骤四，其中n′＝n+0.5，n′是新的对数变换倍数。
本发明可有效改善综采工作面环境下图像去雾恢复效果不佳的问题，提高图像质量的同时增加图像亮度，满足井下实际工况对图像质量的需求，为采用机器视觉手段实现综采工作面设备及围岩异常状态的识别奠定了良好的基础，对保障煤矿安全生产具有重要意义。

Claims (5)

1.一种综采工作面低照度雾尘图像清晰化方法，其特征在于，该方法包括以下步骤：
步骤一、在液压支架上布置视觉传感器，采集综采工作面图像数据，并且将采集到的数据传至图像处理器进行处理；
步骤二、通过雾尘图像模型I(x)＝t(x)J(x)+(1-t(x))A，获得透射率函数t(x)，并对透射率函数t(x)进行估算，其中，I(x)是有雾图像，J(x)是无雾图像，A是全局大气光；
步骤三、通过原始图像的亮度峰值图判断图像亮度，选择对数变换倍数n；
步骤四、使用非线性变换t(x)＝n*log10(t*(x)+1)对透射率函数进行修正，其中t*(x)是透射率函数t(x)的细估计；
步骤五、根据修正后的透射率函数通过雾尘图像模型进行图像恢复。
2.按照权利要求1所述的一种综采工作面低照度雾尘图像清晰化方法，其特征在于：所述视觉传感器为具有煤安认证的视觉传感器。
3.按照权利要求1所述的一种综采工作面低照度雾尘图像清晰化方法，其特征在于：所述对透射率函数t(x)进行估算包括：根据边界约束方法得到透射率函数粗估计
Figure FDA0002409997060000011
以及根据非线性变换的上下文正则化方法对得到透射率函数细估计t*(x)。
4.按照权利要求1所述的一种综采工作面低照度雾尘图像清晰化方法，其特征在于：所述步骤三的具体步骤为：
步骤301、图像处理器将原始图像转换为双精度(double)型；
步骤302、图像处理器生成图像亮度峰值图，并取出亮度最大值，根据亮度最大值选择对数变换倍数；
步骤303、当图像亮度最大值在100-200时，对数变换倍数为3；当图像亮度最大值在200-300时，对数变换倍数为2；当图像亮度最大值在300以上时，对数变换倍数为1，其中，对数变换倍数越大，恢复图像的亮度越高。
5.按照权利要求1所述的一种综采工作面低照度雾尘图像清晰化方法，其特征在于：所述步骤五的具体步骤为：
步骤501、图像处理器判断从步骤一中获取图像的灰度值的最大值作为大气光A在该通道的灰度值；
步骤502、根据公式
Figure FDA0002409997060000021
恢复无雾图像，其中，I(x)为原始有雾图像，t(x)为透射率函数，ε通常取0.0001，δ为介质消光系数；
步骤503、根据公式
Figure FDA0002409997060000022
计算步骤一获取图像的信息熵s1与步骤502所得图像的信息熵s2，其中，P(l)为灰度值l在图像中出现的概率，L为图像的灰度等级;
步骤504、如s2-s1＞0，则结束；如s2-s1＜0，则重新执行步骤四，其中n′＝n+0.5，n′是新的对数变换倍数。
CN202010173439.XA 2020-03-13 2020-03-13 一种综采工作面低照度雾尘图像清晰化方法 Active CN111402158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010173439.XA CN111402158B (zh) 2020-03-13 2020-03-13 一种综采工作面低照度雾尘图像清晰化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010173439.XA CN111402158B (zh) 2020-03-13 2020-03-13 一种综采工作面低照度雾尘图像清晰化方法

Publications (2)

Publication Number Publication Date
CN111402158A CN111402158A (zh) 2020-07-10
CN111402158B true CN111402158B (zh) 2023-02-24

Family

ID=71436154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010173439.XA Active CN111402158B (zh) 2020-03-13 2020-03-13 一种综采工作面低照度雾尘图像清晰化方法

Country Status (1)

Country Link
CN (1) CN111402158B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862851B (zh) * 2021-01-18 2021-10-15 网娱互动科技(北京)股份有限公司 一种基于图像识别技术的自动抠图方法及系统
CN116170657B (zh) * 2022-12-12 2023-10-03 浙江大华技术股份有限公司 一种摄像设备除雾方法、装置、电子装置和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023108A (zh) * 2016-05-19 2016-10-12 湖南源信光电科技有限公司 基于边界约束和上下文正则化的图像去雾算法
CN109166113A (zh) * 2018-08-23 2019-01-08 江苏中机矿山设备有限公司 一种采煤机截割控制系统及截割轨迹规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8755628B2 (en) * 2012-09-10 2014-06-17 Google Inc. Image de-hazing by solving transmission value

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023108A (zh) * 2016-05-19 2016-10-12 湖南源信光电科技有限公司 基于边界约束和上下文正则化的图像去雾算法
CN109166113A (zh) * 2018-08-23 2019-01-08 江苏中机矿山设备有限公司 一种采煤机截割控制系统及截割轨迹规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于两次双边滤波的煤矿监控图像去雾研究;陈长华等;《图学学报》(第03期);全文 *

Also Published As

Publication number Publication date
CN111402158A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
US11688057B2 (en) Method and system for quickly matching image features applied to mine machine vision
CN111402158B (zh) 一种综采工作面低照度雾尘图像清晰化方法
CN102768760B (zh) 一种基于图像纹理的图像快速去雾方法
EP3076367A1 (en) Method for road detection from one image
CN109118446B (zh) 一种水下图像复原及去噪方法
CN103020914B (zh) 基于空间连续性原理的快速图像去雾方法
CN110849807B (zh) 一种基于深度学习的适用于道路能见度的监测方法与系统
CN114972384A (zh) 一种基于深度学习的隧道岩体智能快速区域分级方法
CN101980282A (zh) 一种红外图像动态细节增强方法
CN115035182B (zh) 一种山区滑坡灾害预警方法及系统
CN103871039A (zh) 一种sar图像变化检测差异图生成方法
CN116542969B (zh) 一种基于视觉技术的道路沥青粘连检测方法
CN116256803B (zh) 一种融合开采信息与地质信息的煤矿微震区域定位方法
CN115929404A (zh) 煤矿巷道的监测方法、装置和煤矿巷道的检测系统
CN115143877A (zh) 基于强散射幅度抑制和异常值识别的sar偏移量跟踪方法、装置、设备和介质
CN117876971A (zh) 基于机器视觉的建筑施工安全监测及预警方法
Chen et al. An image restoration and detection method for picking robot based on convolutional auto-encoder
CN113223074A (zh) 一种水下激光条纹中心提取方法
CN116524017B (zh) 一种用于矿山井下检测识别定位系统
CN115455791B (zh) 一种基于数值模拟技术提高滑坡位移预测准确率的方法
CN105260714A (zh) 一种可见光遥感图像信息提取性能变化检测方法
Tian et al. Underwater image enhancement method based on feature fusion neural network
CN110544216A (zh) 基于深度学习的视频去雾系统
CN116228712A (zh) 一种多尺度边坡灾害监测方法、系统及装置
CN116028660A (zh) 一种基于权重值的图像数据筛选方法、系统及介质

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