CN113902641A - 一种基于红外图像的数据中心热区判别方法及系统 - Google Patents
一种基于红外图像的数据中心热区判别方法及系统 Download PDFInfo
- Publication number
- CN113902641A CN113902641A CN202111189069.XA CN202111189069A CN113902641A CN 113902641 A CN113902641 A CN 113902641A CN 202111189069 A CN202111189069 A CN 202111189069A CN 113902641 A CN113902641 A CN 113902641A
- Authority
- CN
- China
- Prior art keywords
- image
- img
- gray
- detail
- data center
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 230000002708 enhancing effect Effects 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 16
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000002401 inhibitory effect Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010259 detection of temperature stimulus Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20008—Globally adaptive
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于红外图像的数据中心热区判别方法及系统,将原始RGB彩色图像转换为灰度图像,再使用CLAHE自适应直方图均衡方法对灰度图像进行优化处理;利用基于引导滤波的自适应红外图像细节增强方法增强优化处理后灰度图像的对比度;采用连通域方法,使用对比度增强后的灰度图像识别刀片服务器的矩形区域,读取灰度图像的灰度值进行温度映射,计算每个刀片服务器的平均温度与局部最高温度,判别每个刀片服务器的工作状态,反馈平均温度与局部最高温度进行负载均衡,实现数据中心热区判别。本发明能够以较低的成本实现对数据中心热区的判别,合理调度负载以实现数据中心高效率运行。
Description
技术领域
本发明属于数据中心管理技术领域,具体涉及一种基于红外图像的数据中心热区判别方法及系统。
背景技术
随着数据中心的规模不断扩大,数据中心的能耗管理成为一个关键问题。作业的负载调度会影响服务器的运行状态。负载过重的服务器会消耗更多的电量,产生更多的热能,而数据中心内部温度分布不平衡现象是导致冷却效率较低、能耗过大的主因之一。
现有的成熟的红外热成像技术,是利用各种探测器来接收物体发出的红外辐射,再进行光电信息处理,最后以数字、信号、图像等方式显示出来。但是受探测器自身性能的限制,红外图像存在整体偏暗、对比度偏低、边缘模糊、噪声较大、细节信息不明显,视觉效果较差等缺点,因此需要经过增强处理改善图像质量。现有技术中大多采用基于直方图处理方法,如平台直方图均衡化,通过限制图像中任意灰度级的最大统计个数,来限制背景的过度增强;基于局部直方图均衡化,通过统计局部灰度值,限制局部平坦区域的对比度增强,最后再通过一些插值的方法消除边界效应。目前这类算法虽然能在一定条件下改善红外图像的可视化效果,但是容易出现过度增强和细节丢失的现象。且采用全局直方图均衡的方法,其整体图像的对比度会依赖于基图的处理,这样使得图像局部对比度及细节的强度不够,图像的细节会造成失真。故为了更好地识别出红外图像,需要提出一些更好地检测和图像增强算法。
现有研究对于红外技术在数据中心的应用也有一定的局限。在利用图像处理与识别技术对红外图像进行分析后,用于判别数据中心中服务器运行状态是否负载均衡,识别出热点位置,从而为数据中心的负载调度提供指导依据。提取分辨率差、对比度低的红外图像的特征,自动区分数据中心服务器机柜区域,使用图像处理算法更准确地判断热区的分布并根据热区分布情况确定热点位置。
现有技术的缺点是对于热区的判断精度不够,图像边缘噪声较大,处理效果不好。红外设备成本也比较高,对于拍摄照片的质量要求高。传统的数据中心温度监控需要布置大量温度传感器,成本高且工作量巨大。由于红外技术的成熟和发展,红外温度检测和预警已经广泛应用于体温监测、工业故障诊断等领域。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于红外图像的数据中心热区判别方法及系统,基于限制对比度自适应直方图均衡化算法和基于引导滤波的自适应红外图像增强算法对红外图像进行预处理,以及使用连通域算法对目标进行特征识别并根据区域内灰度值计算每个服务器区域内温度的最高值和平均值;能够根据服务器区域内的平均温度和极限温度进一步调度任务,以实现负载均衡。
本发明采用以下技术方案:
一种基于红外图像的数据中心热区判别方法,包括以下步骤:
S1、将原始RGB彩色图像转换为灰度图像,再使用CLAHE自适应直方图均衡方法对灰度图像进行优化处理;
S2、利用基于引导滤波的自适应红外图像细节增强方法增强步骤S1优化处理后灰度图像的对比度;
S3、采用连通域方法,使用步骤S2对比度增强后的图像识别刀片服务器的矩形区域,读取步骤S1灰度图像的灰度值进行温度映射,计算每个刀片服务器的平均温度与局部最高温度,判别每个刀片服务器的工作状态,反馈平均温度与局部最高温度进行负载均衡,实现数据中心热区判别。
具体的,步骤S1具体为:
S101、将原始RGB彩色图像分为多个矩形块子图,分别计算每个矩形块子图的灰度直方图和对应的变换函数,设置灰度直方图的分布阈值,将超过阈值的分布均匀分散到概率密度分布上,使概率密度的积分为1;
S102、将原始RGB彩色图像中的像素按照边角区域、边缘区域和中心区域分别进行处理;将每个矩形块子图中的内部像素按照所在矩形块子图的变换函数进行灰度映射,对于每个矩形块子图与两个相邻矩形块子图相邻的像素,按照所在的两个相邻子图变换函数进行变换,然后再进行线性插值。
进一步的,步骤S102中,边角区域中的像素按照所在矩形块子图的变换函数进行灰度映射;边缘区域中的像素按照所在的两个相邻矩形块子图变换函数变换后进行线性插值得到;中心区域中的像素按照其所在的四个相邻矩形块子图变换函数变换后双线性插值得到。
具体的,步骤S2具体为:
S201、引入引导滤波传递函数将步骤S1优化处理后的图像分为基础层IMGbase和细节层IMGdetail;
S202、对步骤S201的基础层进行动态压缩;
S203、对步骤S201的细节层进行噪声抑制,并对细节层的细节信息进行增强;
S204、采用自适应的融合系数将步骤S202处理的基础层和步骤S203处理的细节层进行融合得到输出图像IMGoutput。
进一步的,步骤S201中,图像的基础层IMGbase为:
IMGbase=T×IMGinput
图像的细节层IMGdetail为:
IMGdetail=IMGinput-IMGbase
其中,T为引导滤波传函,IMGinput为输入图像。
进一步的,步骤S202中,动态压缩后的基础层IMGbasenew为:
其中,nv表示有效灰度的个数,P(l)为根据直方图分布和二值化门限大小得出的一维数组。
进一步的,步骤S203中,对细节信息进行增强后的细节层IMGbasenew为:
IMGbasenew(i,j)=(Gmaxa(i,j)avg+Gmin)×IMGbase(i,j)
其中,Gmax和Gmin分别为增益映射的值,a(i,j)avg为引导滤波的线性系数,IMGbase(i,j)为动态压缩后基础层图像的灰度值。
进一步的,步骤S204中,输出图像IMGoutput为:
IMGoutput=Kb×IMGBP+Kd×IMGDP
其中,Kb为基础层自适应融合系数,Kd为细节层自适应融合系数,IMGBP为基础层分量,IMGDP为细节层分量。
具体的,步骤S3具体为:
S301、将步骤S1的原始RGB彩色图像转换为灰度图像;
S302、根据步骤S2测得的平均数据设置阈值,将步骤S301的灰度图像转换为黑白二值图像;
S303、对步骤S302的黑白二值图像进行闭运算;
S304、利用步骤S303的结果对黑白二值图像进行开运算;
S305、基于bwlabel实现方式,使用连通域算法,搜索服务器的矩形区域;
S306、在原始RGB彩色图像上,对步骤S305的矩形区域进行绘制,得到每个灰度值与温度的线性映射关系,计算每个刀片服务器区域内的温度信息,输出信息方便管理人员进行负载均衡,实现数据中心热区判别。
本发明的另一技术方案是,一种基于红外图像的数据中心热区判别系统,包括:
均衡模块,将原始RGB彩色图像转换为灰度图像,再使用CLAHE自适应直方图均衡方法进行优化处理;
增强模块,利用基于引导滤波的自适应红外图像细节增强方法增强均衡模块优化处理后图像的对比度;
判别模块,采用连通域方法,使用增强模块对比度增强后的图像识别刀片服务器的矩形区域,读取均衡模块灰度图像的灰度值进行温度映射,计算每个刀片服务器的平均温度与局部最高温度,判别每个刀片服务器的工作状态,反馈温度数据进行负载均衡,实现数据中心热区判别。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于红外图像的数据中心热区判别方法,不需要进行数据训练,使用传统图像处理算法,计算速度快,识别准确率高,可及时为数据中心管理人员提供可靠的温度数据。
进一步的,CLAHE算法的主要作用在于增强图像的对比度同时能够抑制噪声,将图像的灰度直方图处理得更加均匀,增强了图像的对比度。
进一步的,使用双线性插值使得不同图像块之间过渡的更加自然,保持了图像的一致性。
进一步的,使用AGF&DDE算法进一步增强了图像细节,同时减少了细节层噪声对输出图像的影响,且该算法运算较快,效果明显。
进一步的,基础层图像保留低频信息,细节层图像保留了高频信息,通过压缩算法和噪声抑制分别对两层图像进行处理是目前红外图像细节增强领域的常见做法。
进一步的,将基础层图像由16bit压缩至8bit,节省了存储空间的同时又尽可能保留了原始信息。
进一步的,对细节层分量使用自适应增益控制的方法进行增强,既增强了细节信息又抑制了噪声。
进一步的,根据图像本身的直方图特征确定融合系数,使得算法鲁棒性更强。
进一步的,由步骤S1、步骤S2所增强后的图像中服务器区域与背景区域对比度较高,采用连通域算法可以保证在较高的计算速度下仍具有较高的可靠性。
综上所述,本发明能够以较低的成本实现对数据中心热区的判别,合理调度负载以实现数据中心高效率运行。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为区域温度识别效果图;
图2为初始图像灰度变换图;
图3为预处理后的图像;
图4为连通域算法对服务器红外图像的区域识别结果图;
图5为区域温度识别效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于红外图像的数据中心热区判别方法,基于限制对比度自适应直方图均衡化算法(Contrast Limited Adaptive Histogram Equalization,CLAHE)和基于引导滤波的自适应红外图像增强算法(an improved adaptive detail enhancementalgorithm for infrared images based on guided image filter,AGF&DDE)对红外图像进行预处理,以及使用连通域方法对目标进行特征识别并根据区域内灰度值计算每个服务器区域内温度的最高值和平均值,能够根据服务器区域内的平均温度和极限温度进一步调度任务,实现负载均衡。
本发明一种基于红外图像的数据中心热区判别方法,包括以下步骤:
S1、红外图像的CLAHE自适应直方图均衡;
对于一个彩色的像素点,要用RGB来记录,至少需要三个字节来进行记录和储存,如果是一个灰度的像素点,则只需要使用一个字节记录和储存;本实验中只要温度信息,所以将红外图像转换为灰度图像是不会影响后续的研究,并且能够节省空间资源并且简化研究过程,对红外图像首先进行灰度转换。
对于灰度图像,只关注前景和背景区域,在进行服务中心热区判别时,我们更关注服务器的位置,如果在灰度图像中服务器的灰度和背景的灰度差别比较大,则易于后期服务中心热区的判别,如果图像灰度直方图集中在某个区域,整体对比度差,如果灰度直方图分布比较均匀,则整体对比度好。
直方图均衡的原理概括来讲就是在原图像和分布均衡的直方图之间寻找一个变换,实现灰度直方图的均衡。转换函数T(x)表示为公式(1)。
使用公式(1)不能得到理想的均衡分布,这是在连续下推导所带来的影响,但是整体上来看,使用此变换很大程度上增强了整体的对比度。
但是在普通的直方图均衡算法中,除了以上问题之外,还存在着其他的问题,主要有:
一、部分区域由于对比度增强过大,变为噪音点。
二、由于增强了对比度,像素点的灰度值改变,可能在部分区域丢失细节信息。
利用CLAHE解决以上两个问题。CLAHE算法由两部分组成,第一部分为CLAHE算法(即加入对比度限制的HE算法),设置灰度直方图的分布阈值,将超过阈值的分布按一定的函数关系分散到概率密度分布上,来限制灰度的分布,同时确保概率密度的积分仍然为1。第二部分AHE算法能够解决细节丢失的问题,计算一个像素点领域内的灰度值直方图,并使用双线性插值进行映射,便得到了保存细节的直方图。
S101、将图像分为多个矩形块子图,对于每个矩形块子图,分别计算其灰度直方图和对应的变换函数(累积直方图),设置灰度直方图的分布阈值,将超过阈值的分布均匀分散到概率密度分布上,限制转换函数(累计直方图)的增幅,同时确保概率密度的积分仍然为1;
S102、将原始图像中的像素按照分布分为边角区域、边缘区域和中心区域分别进行处理;
边角区域中的像素按照其所在矩形块子图的变换函数进行灰度映射;
边缘区域中的像素按照所在的两个相邻矩形块子图变换函数变换后进行线性插值得到;
中心区域中的像素按照其所在的四个相邻矩形块子图变换函数变换后双线性插值得到。
S2、利用基于引导滤波的自适应红外图像细节增强方法(AGF&DDE an improvedadaptive detail enhancement algorithm for infrared images based on guidedimage filter)对步骤S1处理的灰度图像优化;
S201、引导滤波能够平滑图像,将图像分为基础层和细节层,引入引导滤波传递函数:
IMGbase=T×IMGinput (2)
IMGdetail=IMGinput-IMGbase (3)
其中,T为引导滤波传函,IMGbase为图像的基础层,IMGdetail为图像的细节层,IMGinput为输入的图像,即原始图像。
在引导滤波中,某像素点的输出结果为:
其中,q为输出图像,I为引导图像,a和b是当窗口中心位于k时该线性函数的不变系数。该方法的假定条件是:q与I在以像素k为中心的窗口中存在局部线性关系。
对式(4)求导(即表示边缘)可以看出,只有当引导图像存在边缘时,输出结果才会出现边缘。为了求解式(4)中的系数a和b,假设p是q滤波前的结果,并满足使得q与p的差别最小,根据无约束图像复原的方法可以转化为求最优化问题,其价值函数为(5):
qi=pi-n
限制I在窗口w中,类似于最小二乘法求解,式(5)的解为:
其中,μ和σ2分别表示I在局部窗口w中的均值和方差。|ω|是窗口内的像素个数。
在整幅图像内采取窗口操作,最后取均值可以得到式(6)的结果为:
在灰度值图像处理中,对于噪音的抑制和细节的增强非常重要,也是很多算法的缺陷,比如前文提到的HE算法,如果能够在将高动态范围的灰度值图像压缩至低动态范围的同时能够做到对噪音的抑制和细节的增强,便是一个比较好的算法。DDE算法通过引导滤波对图像进行处理,将原始图像和处理后的图像做差,便可以得到包含大动态信息的基础层图像和小动态信息的细节层图像,首先对分离后的图片进行压缩处理,按一定的比例系数进行融合。为了减少算法的运行时间,并同时做到对噪音的抑制和细节的增强。在此算法中本文利用和门限参数以及概率分布相关的一维压缩数组进行图像压缩,获取直方图的信息熵来判断图像的场景信息,并通过此信息确定融合系数的值。这样便能够实现在进行图像压缩的同时,又能抑制噪音并且对图像细节进行增强。
S202、处理S201中得到的基础层;
本发明更关注基础层的细节信息,因此需要增强基础层图像的对比度,对基础层进行动态压缩。二值化门限为TH,如下:
TH=(Smax-Smin)×0.05+Smin (9)
其中,smax和Smin分别为基础层图像直方图中的最大值与最小值。
根据直方图分布和二值化门限大小得出一维数组p(k),如公式(10)所示。
其中,nk表示第k个灰度值所包含的像素点个数。
p(k)分别对应灰度值的2M-1个等级,动态压缩公式如下(将16bit压缩为8bit)
其中,nv表示有效灰度的个数。IMGbasenew表示处理后的基础层。
S203、处理S201中得到的细节层。
在细节层的处理中,本发明期望抑制噪音并且将细节信息进行增强,处理方法如下:
IMGbasenew(i,j)=(Gmaxa(i,j)avg+Gmin)×IMGbase(i,j) (12)
其中,IMGbasenew为处理后的细节层,Gmax和Gmin在此项目中分别取5和2.5,a(i,j)avg为引导滤波的线性系数,对图像的边缘和其他细节,近似为1。
S204、采用自适应的融合系数将步骤S202处理的基础层和步骤S203处理的细节层进行融合得到输出图像IMGoutput。
在基础层处理的过程中本发明更关注基础层的细节信息,因此需要对基础层进行对比增强,对于细节层图像,关注噪音对其的影响,因此在处理细节图像时,要尽量抑制噪音,并突显细节信息。在图像融合时:
IMGoutput=(1-p)IMGBP+IMGDP (13)
其中,IMGoutput为融合后的图像;p为融合系数,范围为(0,1);IMGBP为基础层分量;IMGDP为细节层分量。
使用公式(13)时,经过对不同图像的分析和比较,在背景噪音对图像影响比较大时,图像的融合系数控制在0.1~0.2之间得到的输出图像较优,当背景噪音对图像影响比较小时,图像的融合系数在0.2~0.4之间较优。但是这样简单的选取在本项目中表现较差,因此采用自适应的融合系数:
Kd=1-Kb (15)
IMGoutput=Kb×IMGBp+Kd×IMGDP (16)
其中,Kb为基础层自适应融合系数,Kd为细节层自适应融合系数,nv为基础层在动态压缩时所包含的有效灰度值个数。
将最终的输出图像IMGoutput输入步骤S3进行识别处理。
S3、基于连通域算法的目标识别
在对服务器的目标区域进行识别的过程中,选择若干种合适的算法进行组合,以满足下列需求:能够有效地排除红外图像上常见的微小噪点;能对大块相连的区域进行识别;对区域内的突跃像素和周围空间中的遮挡物具有很好的鲁棒性。而在学习、尝试过若干种算法组合后,选择使用“开闭运算+连通域算法”的实现方式。步骤如下:
S301、将原始RGB彩色图像转换为灰度红外图像;
S302、根据步骤S2测得的平均数据,设置阈值,将灰度图像转换为黑白二值图像;
S303、对步骤S302的黑白二值图像进行闭运算;
S304、利用步骤S303的结果黑白二值图像进行开运算;
S305、基于bwlabel实现方式,使用连通域算法,搜索服务器的矩形区域;
S306、在原始图像上,对矩形区域进行绘制,用于展示;
步骤S301和S302将图像像素的可能取值,由255^3种降至2种,简化后续处理的难度与计算量;步骤S303和S304是为了去除图像中的大量噪点;步骤S305搜索出了图像中取值相同的区域,基于bwlabel的具体实现方式如下:
bwlabel中使用的方法实现起来有些复杂,降低了计算速度,实验证明经过步骤S1、S2处理后的图像服务器区域非常明显,因此使用图的深度遍历算法就能快速得到结果。具体步骤如下:
1)逐行扫描图像,把每一行中连续的白色像素组成一个序列称为一个团(run),并记下它的起点start、它的终点end以及它所在的行号。
2)对于除了第一行外的所有行里的团,如果它与前一行中的所有团都没有重合区域,则给它一个新的标号;如果它仅与上一行中一个团有重合区域,则将上一行的那个团的标号赋给它;如果它与上一行的2个以上的团有重叠区域,则给当前团赋一个相连团的最小标号,并将上一行的这几个团的标记写入等价对,说明它们属于一类。
3)将等价对转换为等价序列,每一个序列需要给一相同的标号,因为它们都是等价的。从1开始,给每个等价序列一个标号。
4)遍历开始团的标记,查找等价序列,给予它们新的标记。
5)将每个团的标号填入标记图像中。
6)结束。
在得到区域目标后利用原始图像的灰度值与温度的映射关系,计算每个服务器的平均温度和局部最高温度,输出信息方便管理人员进行负载均衡。
本发明再一个实施例中,提供一种基于红外图像的数据中心热区判别系统,该系统能够用于实现上述基于红外图像的数据中心热区判别方法,具体的,该基于红外图像的数据中心热区判别系统包括均衡模块、增强模块以及判别模块。
其中,均衡模块,将原始RGB彩色图像转换为灰度图像,再使用CLAHE自适应直方图均衡方法进行优化处理;
增强模块,利用基于引导滤波的自适应红外图像细节增强方法增强均衡模块优化处理后图像的对比度;
判别模块,采用连通域方法,使用增强模块对比度增强后的图像识别刀片服务器的矩形区域,读取均衡模块灰度图像的灰度值进行温度映射,计算每个刀片服务器的平均温度与局部最高温度,判别每个刀片服务器的工作状态,反馈温度数据进行负载均衡,实现数据中心热区判别。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于红外图像的数据中心热区判别方法的操作,包括:
将原始RGB彩色图像转换为灰度图像,再使用CLAHE自适应直方图均衡方法进行优化处理;利用基于引导滤波的自适应红外图像细节增强方法增强优化处理后图像的对比度;采用连通域方法,使用对比度增强后的图像识别刀片服务器的矩形区域,读取灰度图像的灰度值进行温度映射,计算每个刀片服务器的平均温度与局部最高温度,判别每个刀片服务器的工作状态,反馈温度数据进行负载均衡,实现数据中心热区判别。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于红外图像的数据中心热区判别方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
将原始RGB彩色图像转换为灰度图像,再使用CLAHE自适应直方图均衡方法进行优化处理;利用基于引导滤波的自适应红外图像细节增强方法增强优化处理后图像的对比度;采用连通域方法,使用对比度增强后的图像识别刀片服务器的矩形区域,读取灰度图像的灰度值进行温度映射,计算每个刀片服务器的平均温度与局部最高温度,判别每个刀片服务器的工作状态,反馈温度数据进行负载均衡,实现数据中心热区判别。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明基于红外图像进行数据中心热区判别的主要思路是通过CLAHE自适应直方图均衡化算法和改进DDE算法对红外图像进行预处理增强,使得服务器区域和周边环境之间的对比度更加明显,再使用连通域算法对目标服务器的矩形区域进行特征识别,根据每个服务器的坐标和原始图像的灰度值以及照片中的上下限温度得出每个服务器区域的平均温度和极限温度。即实现了数据中心热区的判别和特征提取。CLAHE自适应直方图均衡相比一般的直方图均衡算法有比较大的优势,可以在增强对比度的同时防止部分像素点变为噪音点以及防止在部分区域出现细节信息的丢失。在CLAHE自适应直方图均衡的基础上利用AGF&DDE方法对灰度图像优化,AGF&DDE方法能够在高动态范围的灰度图像压缩到低动态范围的同时做到对噪音的抑制和细节的增强,此方法基于引导滤波将原始图像分为基础层和细节层,对基础层进行动态压缩,在增强基础层图像的对比度的同时保留基础层的细节信息,在细节层图像的处理中,在对细节信息进行增强的同时抑制噪音,最后将处理后的细节层和基础层进行自适应融合得到输出图像,和原始图像相比,图像对比度得到增强,细节轮廓更加明显,服务器区域的灰度值与周边环境的对比度显著增加(本文中图像增强的目的并不是使得图像更加清晰,而是使目标区域更容易被识别方法检测到,而温度的探测是基于原始图像的,所以灰度值的改变并不会影响温度计算)。在对服务器的目标区域进行识别的过程中,需要选择若干种合适的方法进行组合,以使得能够有效地排除红外图像上常见的微小噪点、能对大块相连的区域进行识别、能对区域内的突跃像素和周围空间中的遮挡物具有很好的鲁棒性,本项目中采用“开闭运算+连通域方法”的实现方式进行分布式服务器的识别,在预先设置好图像的上下限温度所对应的灰度值后,通过flirtools软件生成在该区间内的灰度图像。然后经过图像预处理方法和连通域方法得到每个服务器识别区域的坐标范围。针对每个区域中的每个像素点计算其灰度值所对应的温度,进而得到每个服务器的平均温度和最高温度,处理效果如下:
请参阅图1,每个服务器的平均温度结果与实际情况较吻合。由于拍摄角度问题导致最后一组刀片服务器未被完全识别到,这可以通过调整拍摄角度来改变结果。
请参阅图2,图3,图4和图5,由于拍摄角度问题导致最后一组刀片服务器未被完全识别到,通过调整拍摄角度来改变结果,图2为原始灰度图像,此时服务器与外界环境的对比图不是很高,不利于图像识别;图3为经CLAHE方法和AGF&DDE方法处理后的图像,可以看出服务器区域和周围环境有很大的对比度;图4为连通域方法处理后识别到的服务器区域,每个区域有一个标号表明属于哪一个服务器;图5为温度计算后的结果,最终得到的温度数据与实际较为符合。
在优化控制领域,可以增加一定的成本用红外图像来获得系统中一个可测不可控(或者可控)的状态量,通过计算得到此状态量在目标最优的条件下的最优值,通过增加副控制环节增加整个系统的控制精度,并可是适当降低主控制的参数来提高系统的稳定性以及控制器输出量的稳定性。比如在室内空调控制的系统中我们可以增加成本来获取红外图像,然后基于我们的研究结果提取室内空间的温度分布信息,进行目标函数之间的转换以及约束条件之间的转换,将非线性约束条件尽量用红外图像中的线性信息进行等价代替,以实现将非线性优化向线性优化的转化。以降低计算机求解问题的复杂度和尝试找到全局最优解。
在优化调度领域,可以增加一定的成本用红外图像来获取系统中一个可测的状态量,通过此状态量和调度目标之间的关系,进行预调度,来减少调度方法的计算复杂度并尝试在一定的精度下实现预调度对系统任务调度方法的代替。比如在数据中心的服务器算力调度问题中,可以通过红外图像来获取每个服务器的温度信息,由于服务器的问题和服务器在一段时间内的工作量有一定的关系,可以获取较小一段时间内服务器的最高温度来判断服务器的工作量,将调度目标函数简化为对每个服务器在较小一段时间内温度值的最大值的平均最小为调度目标对服务器进行预调度,这样可以大大减少传统任务调度的计算资源。
综上所述,本发明一种基于红外图像的数据中心热区判别方法,在数据中心内设置红外相机拍摄点,红外相机拍摄到的红外图像可有本发明自动化处理并计算温度。温度信息可由本发明显示给数据中心管理人员,在温度过高时发出报警信息,方便管理人员及时排除危险情况。同时也可以针对负载不均衡的情况进行优化,提高数据中心效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于红外图像的数据中心热区判别方法,其特征在于,包括以下步骤:
S1、将原始RGB彩色图像转换为灰度图像,再使用CLAHE自适应直方图均衡方法对灰度图像进行优化处理;
S2、利用基于引导滤波的自适应红外图像细节增强方法增强步骤S1优化处理后灰度图像的对比度;
S3、采用连通域方法,使用步骤S2对比度增强后的图像识别刀片服务器的矩形区域,读取步骤S1灰度图像的灰度值进行温度映射,计算每个刀片服务器的平均温度与局部最高温度,判别每个刀片服务器的工作状态,反馈平均温度与局部最高温度进行负载均衡,实现数据中心热区判别。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
S101、将原始RGB彩色图像分为多个矩形块子图,分别计算每个矩形块子图的灰度直方图和对应的变换函数,设置灰度直方图的分布阈值,将超过阈值的分布均匀分散到概率密度上,使概率密度的积分为1;
S102、将原始RGB彩色图像中的像素按照边角区域、边缘区域和中心区域分别进行处理;将每个矩形块子图中的内部像素按照所在矩形块子图的变换函数进行灰度映射,对于每个矩形块子图与两个相邻矩形块子图相邻的像素,按照所在的两个相邻子图变换函数进行变换,然后再进行线性插值。
3.根据权利要求2所述的方法,其特征在于,步骤S102中,边角区域中的像素按照所在矩形块子图的变换函数进行灰度映射;边缘区域中的像素按照所在的两个相邻矩形块子图变换函数变换后进行线性插值得到;中心区域中的像素按照其所在的四个相邻矩形块子图变换函数变换后双线性插值得到。
4.根据权利要求1所述的方法,其特征在于,步骤S2具体为:
S201、引入引导滤波传递函数将步骤S1优化处理后的图像分为基础层IMGbase和细节层IMGdetail;
S202、对步骤S201的基础层进行动态压缩;
S203、对步骤S201的细节层进行噪声抑制,并对细节层的细节信息进行增强;
S204、采用自适应的融合系数将步骤S202处理的基础层和步骤S203处理的细节层进行融合得到输出图像IMGoutput。
5.根据权利要求4所述的方法,其特征在于,步骤S201中,图像的基础层IMGbase为:
IMGbase=T×IMGinput
图像的细节层IMGdetail为:
IMGdetail=IMGinput-IMGbase
其中,T为引导滤波传函,IMGinput为输入图像。
7.根据权利要求4所述的方法,其特征在于,步骤S203中,对细节信息进行增强后的细节层IMGbasenew为:
IMGbasenew(i,j)=(Gmaxa(i,j)avg+Gmin)×IMGbase(i,j)
其中,i,j为细节层图像中第i行第j列的像素,Gmax和Gmin分别为增益映射的值,a(i,j)avg为引导滤波的线性系数,IMGbase(i,j)为动态压缩后基础层图像的灰度值。
8.根据权利要求4所述的方法,其特征在于,步骤S204中,输出图像IMGoutput为:
IMGoutput=Kb×IMGBP+Kd×IMGDP
其中,Kb为基础层自适应融合系数,Kd为细节层自适应融合系数,IMGBP为基础层分量,IMGDP为细节层分量。
9.根据权利要求1所述的方法,其特征在于,步骤S3具体为:
S301、将步骤S1的原始RGB彩色图像转换为灰度图像;
S302、根据步骤S2测得的平均数据设置阈值,将步骤S301的灰度图像转换为黑白二值图像;
S303、对步骤S302的黑白二值图像进行闭运算;
S304、利用步骤S303的结果对黑白二值图像进行开运算;
S305、基于bwlabel实现方式,使用连通域算法,搜索服务器的矩形区域;
S306、在原始RGB彩色图像上,对步骤S305的矩形区域进行绘制,得到每个灰度值与温度的线性映射关系,计算每个刀片服务器区域内的温度信息,输出信息方便管理人员进行负载均衡,实现数据中心热区判别。
10.一种基于红外图像的数据中心热区判别系统,其特征在于,包括:
均衡模块,将原始RGB彩色图像转换为灰度图像,再使用CLAHE自适应直方图均衡方法进行优化处理;
增强模块,利用基于引导滤波的自适应红外图像细节增强方法增强均衡模块优化处理后图像的对比度;
判别模块,采用连通域方法,使用增强模块对比度增强后的图像识别刀片服务器的矩形区域,读取均衡模块灰度图像的灰度值进行温度映射,计算每个刀片服务器的平均温度与局部最高温度,判别每个刀片服务器的工作状态,反馈温度数据进行负载均衡,实现数据中心热区判别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189069.XA CN113902641B (zh) | 2021-10-12 | 2021-10-12 | 一种基于红外图像的数据中心热区判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189069.XA CN113902641B (zh) | 2021-10-12 | 2021-10-12 | 一种基于红外图像的数据中心热区判别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113902641A true CN113902641A (zh) | 2022-01-07 |
CN113902641B CN113902641B (zh) | 2023-09-12 |
Family
ID=79191864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111189069.XA Active CN113902641B (zh) | 2021-10-12 | 2021-10-12 | 一种基于红外图像的数据中心热区判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902641B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387191A (zh) * | 2022-03-24 | 2022-04-22 | 青岛大学附属医院 | 一种内窥镜图像增强方法及内窥镜装置 |
CN114526824A (zh) * | 2022-03-08 | 2022-05-24 | 云南师范大学 | 一种基于Zynq SOPC架构的红外成像系统 |
CN116205910A (zh) * | 2023-04-27 | 2023-06-02 | 四川省港奇电子有限公司 | 一种电源适配器用注塑温度自适应学习调控系统 |
CN116758085A (zh) * | 2023-08-21 | 2023-09-15 | 山东昆仲信息科技有限公司 | 一种气体污染红外图像视觉辅助检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
KR101828180B1 (ko) * | 2016-11-28 | 2018-02-12 | 연세대학교 산학협력단 | 디지털 영상의 톤 맵핑 방법 및 장치 |
WO2019144581A1 (zh) * | 2018-01-29 | 2019-08-01 | 江苏宇特光电科技股份有限公司 | 一种智能化红外图像场景增强方法 |
CN111899205A (zh) * | 2020-08-10 | 2020-11-06 | 国科天成(北京)科技有限公司 | 一种场景自适应宽动态红外热成像的图像增强方法 |
CN112365424A (zh) * | 2020-11-17 | 2021-02-12 | 昆明物理研究所 | 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质 |
-
2021
- 2021-10-12 CN CN202111189069.XA patent/CN113902641B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654438A (zh) * | 2015-12-27 | 2016-06-08 | 西南技术物理研究所 | 基于局部直方图均衡的灰度图像拟合增强方法 |
KR101828180B1 (ko) * | 2016-11-28 | 2018-02-12 | 연세대학교 산학협력단 | 디지털 영상의 톤 맵핑 방법 및 장치 |
WO2019144581A1 (zh) * | 2018-01-29 | 2019-08-01 | 江苏宇特光电科技股份有限公司 | 一种智能化红外图像场景增强方法 |
CN111899205A (zh) * | 2020-08-10 | 2020-11-06 | 国科天成(北京)科技有限公司 | 一种场景自适应宽动态红外热成像的图像增强方法 |
CN112365424A (zh) * | 2020-11-17 | 2021-02-12 | 昆明物理研究所 | 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
张学典;杨帆;常敏;: "基于图像信息熵统计直方图的图像增强算法", 包装工程, no. 13 * |
李平;梁丹;梁冬泰;吴晓成;陈兴;: "自适应图像增强的管道机器人缺陷检测方法", 光电工程, no. 01 * |
李毅;张云峰;李宁;方艳超;吕春雷;于国权;陈娟;: "基于子带分解多尺度Retinex的红外图像自适应细节增强", 中国激光, no. 05 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114526824A (zh) * | 2022-03-08 | 2022-05-24 | 云南师范大学 | 一种基于Zynq SOPC架构的红外成像系统 |
CN114387191A (zh) * | 2022-03-24 | 2022-04-22 | 青岛大学附属医院 | 一种内窥镜图像增强方法及内窥镜装置 |
CN116205910A (zh) * | 2023-04-27 | 2023-06-02 | 四川省港奇电子有限公司 | 一种电源适配器用注塑温度自适应学习调控系统 |
CN116758085A (zh) * | 2023-08-21 | 2023-09-15 | 山东昆仲信息科技有限公司 | 一种气体污染红外图像视觉辅助检测方法 |
CN116758085B (zh) * | 2023-08-21 | 2023-11-03 | 山东昆仲信息科技有限公司 | 一种气体污染红外图像视觉辅助检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113902641B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902641B (zh) | 一种基于红外图像的数据中心热区判别方法及系统 | |
US10979622B2 (en) | Method and system for performing object detection using a convolutional neural network | |
CN112308095A (zh) | 图片预处理及模型训练方法、装置、服务器及存储介质 | |
CN112241699A (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
JP2013140428A (ja) | エッジ検出装置、エッジ検出プログラム、およびエッジ検出方法 | |
CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
CN111680704A (zh) | 海洋红线新增人类活动斑块自动化快速提取方法和装置 | |
CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
CN113228101B (zh) | 用于图像分割的系统和方法 | |
CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN109583414B (zh) | 基于视频检测的室内占道检测方法、设备、介质及处理器 | |
CN108900895B (zh) | 一种对视频流的目标区域的屏蔽方法及其装置 | |
CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 | |
CN106960188B (zh) | 天气图像分类方法及装置 | |
CN116228757B (zh) | 一种基于图像处理算法的深海网箱网衣检测方法 | |
CN112016420A (zh) | 一种环网柜视频图像识别系统和方法 | |
Dai et al. | Robust and accurate moving shadow detection based on multiple features fusion | |
CN116721288A (zh) | 一种基于YOLOv5的安全帽检测方法及系统 | |
CN112532938B (zh) | 一种基于大数据技术的视频监控系统 | |
CN108830834A (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
CN110580706A (zh) | 一种视频背景模型的提取方法及装置 | |
CN115690470A (zh) | 一种用于识别开关指示牌状态的方法和相关产品 | |
CN114445751A (zh) | 视频关键帧图像轮廓特征的提取方法和装置 | |
Shengze et al. | Research based on the HSV humanoid robot soccer image processing |
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 |