CN114596329A - 一种气体图像增强及气体泄露检测方法和系统 - Google Patents
一种气体图像增强及气体泄露检测方法和系统 Download PDFInfo
- Publication number
- CN114596329A CN114596329A CN202011403407.0A CN202011403407A CN114596329A CN 114596329 A CN114596329 A CN 114596329A CN 202011403407 A CN202011403407 A CN 202011403407A CN 114596329 A CN114596329 A CN 114596329A
- Authority
- CN
- China
- Prior art keywords
- image
- gas
- enhancement
- difference
- gray level
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000000877 morphologic effect Effects 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 23
- 238000009499 grossing Methods 0.000 description 8
- 238000003709 image segmentation Methods 0.000 description 8
- 238000003331 infrared imaging Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Examining Or Testing Airtightness (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种气体图像增强方法,根据背景图像和气体图像对气体图像中的气体部分进行增强:S1:获取背景图像和气体图像;S2:将背景图像和气体图像差分,获得差分图像;S3:对差分图像进行数字形态学操作;S4:将步骤S3获得的图像乘以增强因子,增强因子根据气体图像的最大灰度级和最小灰度级计算;S5:将步骤S4获得的图像与气体图像融合。增强因子的取值可以保证图像灰度级无论是在差异大还是差异小的情况下,气体的增强都能在该灰度级图像取得良好的效果。运用上述气体图像增强方法原理的气体泄露检测方法能够实现对气体泄露的检测能力的显著提升。
Description
技术领域
本发明涉及气体检测技术领域,尤其涉及一种气体图像增强方法。
背景技术
目前,基于图像的红外泄漏气体检测研究根据数字图像处理方法的不同可以分为两种:基于图像增强的红外泄露气体检测和基于图像分割的红外泄露气体检测。
然而现有的基于图像的红外泄漏气体检测方法所实现的检测效果不佳甚至容易出现错误,这是由红外气体图像的特性导致的:
(1)基于图像增强的红外泄漏气体检测,即通过数字图像增强算法来处理图像,增强图像中的气体部分信息。由于红外相机拍摄的图像为灰度图,因此基于灰度图的图像增强主要是针对图像中气体所在的灰度级进行增强显示。由于红外图像为灰度图,对于灰度图的增强一般使用灰度变换,灰度变换是根据某种目标条件按一定变换关系逐点改变源图像中每一个像素灰度值的方法,目的是为了改善画质,使图像的显示效果更加清晰。图像的灰度变换处理是图像增强处理技术中的一种非常基础直接的空间域图像处理方法,由于红外灰度图局部对比度和亮度通常分布不均匀,为了使图像能够显示更多的细节,提高图像的对比度,通常会采用对图像的对比度进行拉伸,突出图像中感兴趣的特征或者部分。例如限制对比度的自适应直方图均衡化算法,基于细节的增强算法,拉普拉斯算子图像增强算法等来对图像进行增强。
因而使用单纯的图像增强算法有一定的缺陷,特别是在灰度级复杂的图像中,灰度拉伸之后,周围环境灰度会随着气体灰度的变换一起变换,导致环境中相同级别的灰度依旧同时增强,环境对气体部分增强有很大影响。同时要求泄漏的气体部分背景灰度与气体本身由于对红外光的吸收形成的灰度之间要有一定的灰度级差,否则气体无法从背景灰度很深的图像中凸显出来,反而极有可能会把背景当做了需要增强的目标。因此,红外成像灰度图中对背景灰度有一定要求,受外界环境的干扰极大,在实际应用过程中有着很大的限制。
(2)基于图像分割的红外泄漏气体检测,即通过图像分割算法来处理泄露气体图像中的气体部分,用来标记图像中气体的位置。常用方法有:基于阈值的分割方法,基于边缘的分割方法,基于区域的分割方法,基于聚类分析的分割方法等。
由于气体图像信息中有效的目标为气体,气体的形状和纹理特征都不具备有明显规律,同时气体受环境中气流影响导致没有固定的形状,因此基于特定形状的图像分割不适用。采用阈值分割,通过对灰度图中的灰度信息进行分割,将气体所在的灰度级从图像中分割出来。使用阈值分割在气体图像分割上有一定的应用性,其中最大类间方差法用于将感兴趣区域,即前景从背景中分割出来,虽然在气体图像分割上有一定的应用性,但是关于阈值的确定部分情况下需要人为设定,同时该方法对图像噪声很敏感,当目标和背景大小比例差别过大时,类间方差会失效甚至出现错误。例如,哈尔滨工程大学的基于红外高光谱成像的气体监测技术研究通过使用状态法和最大类间方差法来对图像中有气体存在的区域进行分割,然后再将分割后的结果与原图进行图像融合,通过这种操作来对图像中气体区域进行增强,这种方法受限于前景和背景分割阈值的选取,在复杂灰度背景的环境中不适用。所以,通用的图像分割算法在气体图像分割并上不适用。
如上述所提到的红外泄露气体检测方法,由于红外设备所拍摄的泄漏气体图像为灰度图,同时气体边缘浓度逐渐下降导致气体灰度逐渐与环境背景融为一体,且气体又不具备特定有规则的形状和纹理特征,导致传统通用的图像增强算法在红外气体泄漏的灰度图增强上的增强效果有限,甚至容易出现错误,实用性差。
发明内容
有鉴于此,为了克服上述现有技术的缺陷,本发明提出了一种能够明显地将图像中的气体部分增强显示的气体图像增强方法。
具体地,所述气体图像增强方法根据背景图像和气体图像对所述气体图像中的气体部分增强:
S1:获取所述背景图像和所述气体图像;
S2:将所述背景图像和所述气体图像差分,获得差分图像;
S3:对所述差分图像进行数字形态学操作;
S4:将步骤S3获得的图像乘以增强因子,所述增强因子根据所述气体图像的最大灰度级和最小灰度级计算;
S5:将步骤S4获得的图像与所述气体图像融合。
进一步,步骤S2还包括,将所述差分图像进行灰度级向下取整阶梯化对差分图像进行浓度阶梯化便于显示气体部分的浓度变化,并与背景区分开来,采用向下取整还能有一定的滤波效果。
具体地,所述数字形态学操作包括所述数字形态学操作包括diffV2=imopen(diffV1,se),其中,imopen()为数字形态学开操作,diffV1为向下取整阶梯化后的差分图像,diffV2为数字形态学开操作后得到的图像,和diffV3=imclose(imopen(diffV2,se),se),其中,imclose()为数字形态学闭操作,diffV2为数字形态学开操作后得到的图像,diffV3为去噪平滑后的图像。
所述增强因子的计算公式为a=log2(Vmax-Vmin),其中,a为所述增强因子,Vmax为所述气体图像中最大的灰度级,Vmin为所述气体图像中最小的灰度级。所述增强因子的取值可以保证图像灰度级无论是在差异大还是差异小的情况下,气体的增强都能在该灰度级图像取得良好的效果。
基于上述气体图像增强方法,本发明还提供了一种执行上述气体图像增强方法的气体图像增强系统,包括:
图像获取模块,用于获取所述背景图像和所述气体图像;
图像差分模块,用于将所述背景图像和所述气体图像差分,获得差分图像;
形态学操作模块,用于对所述差分图像进行数字形态学操作;
增强模块,用于将步骤S3获得的图像乘以增强因子,其中包括增强因子计算单元,根据所述气体图像的最大灰度级和最小灰度级计算所述增强因子;
融合模块,用于将步骤S4获得的图像与所述气体图像融合。
根据所述气体图像增强方法的原理,还提出了一种气体泄露检测方法,所述气体泄露检测方法根据背景图像和监控图像帧检测是否存在气体泄露:
S01:拍摄被检测场景视频;
S02:从所述视频中提取未发生泄露时的所述背景图像;
S03:经过固定间隔时间提取所述监控图像帧作为待测气体图像;
S04:将所述监控图像帧与所述背景图像差分,获得差分图像;
S05:对所述差分图像进行数字形态学操作;
S06:将步骤S05获得的图像乘以增强因子,所述增强因子根据所述监控图像帧的最大灰度级和最小灰度级计算;
S07:判断是否存在气体泄露,如果是,进入步骤S08,如果否,返回步骤S03;
S08:将步骤S06获得的图像与所述监控图像帧融合。
进一步,步骤S04还包括,将所述差分图像进行灰度级向下取整阶梯化。所述“判断是否存在气体泄露”包括,设定阈值,将步骤S06获得的图像像素与阈值比较,大于阈值的所述像素形成像素组合,判断所述像素组合中是否存在八连通域的像素,如果是,判断有气体泄露,如果否,判断无气体泄露。
具体地,所述数字形态学操作包括diffV2=imopen(diffV1,se),其中,imopen()为数字形态学开操作,diffV1为向下取整阶梯化后的差分图像,diffV2为数字形态学开操作后得到的图像,和diffV3=imclose(imopen(diffV2,se),se),其中,imclose()为数字形态学闭操作,diffV2为数字形态学开操作后得到的图像,diffV3为去噪平滑后的图像。
所述增强因子的计算公式为a=log2(Vmax-Vmin),其中,a为所述增强因子,Vmax为所述监控图像帧中最大的灰度级,Vmin为所述监控图像帧中最小的灰度级。
基于上述气体泄露检测方法,本发明还提供了一种执行上述气体泄露检测方法的气体泄露检测系统,包括:
摄像设备,用于拍摄被检测场景视频;
背景图像提取模块,用于从所述视频中提取未发生泄露时的背景图像;
待测气体图像提取模块,用于经过固定间隔时间提取所述监控图像帧作为待测气体图像;
图像差分模块,用于将所述待测气体图像与所述背景图像差分,获得差分图像;
形态学操作模块,用于对所述差分图像进行数字形态学操作;
增强模块,用于用于将步骤S05获得的图像乘以增强因子,其中包括增强因子计算单元,根据所述气体图像的最大灰度级和最小灰度级计算所述增强因子;
判断模块,用于判断是否存在气体泄露,如果是,进入步骤S08,如果否,则返回步骤S03;
融合模块,用于将步骤S06获得的图像与所述待测气体图像融合。
综上所述,本发明的气体图像增强方法,通过使用增强因子对图像中的气体部分进行增强显示,可以保证图像灰度级无论是在差异大还是差异小的情况下,气体的增强都能在该灰度级图像取得良好的效果。本发明提出的气体图像增强方法不仅能够用于在已知图像中存在气体的情况下判断气体浓度,还能够应用于气体泄露检测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为泄露气体红外辐射捕捉模型图;
图2为本发明气体图像增强方法总体框图;
图3为本发明气体图像增强方法的算法流程图;
图4为本发明气体泄露检测方法的工作流程图;
图5(a)为从所拍摄的待检测场景视频中提取的含有气体的灰度图图5(b)为将图5(a)进行差分操作后得到的背景差分融合图像;
图5(c)为运用本发明气体图像增强方法对图5(a)进行增强处理后得到的增高灵敏度背景差分融合图像
图6为运用本发明气体图像增强方法的气体图像增强系统的结构示意图;
图7为运用本发明气体泄露检测方法的气体泄露检测系统的结构示意图。
附图标记:
1-红外成像系统;2-滤波片;3-气体;4-背景环境。
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,所描述的实施例仅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。
参见说明书附图1,为泄露气体红外辐射捕捉模型图。红外成像系统1对从泄露点逃逸出来,还没完全扩散到大气中的一定区域内的气体3进行成像,主要针对的气体3是工业气体。红外成像系统1与气体3之间设置滤波片2用于滤除非红外光线,由于气体3的分子能级结构吸收红外波段辐射,气体3因吸收辐射而在图像中呈灰黑色,导致在所成灰度级图像中,在与背景环境4灰度级相同的情况下,有气体3的部分比没有气体3的部分要稍暗。但由于红外拍摄为灰度图像,同时气体3的灰度与背景环境4的灰度有多重同级别的重合,导致成像时气体3的显示效果差。因此,需要对红外拍摄的图像进行处理,检测气体3部分的图像。
实施例1
参见说明书附图2,本发明提供了一种气体图像增强方法,使用红外成像系统获取没有气体的背景图像信息,用出现气体的图像与背景图像进行差分操作之后得到气体部分图像和图像噪声,通过对差分图像进行数字形态学平滑去噪处理,再通过根据气体图像的最大灰度级和最小灰度级计算得到的增强因子提高对气体部分的图像增强能力,最后将气体部分与原先需要增强的图像进行融合能够得到增强气体部分成像效果的图像。
具体地,参见说明书附图3,为了在整体图像中提升气体部分的区分度,使得气体能在图像中更好地显示出来,本发明的气体图像增强方法所执行的具体算法如下:
S1:获取背景图像和气体图像;
S2:将背景图像和气体图像进行差分,获得差分图像:diffV=V2-V1,其中,V2为有泄漏气体的图像,V1为没有泄漏气体的图像。如果第一帧中位于气体区域的图像在第二帧中不在气体区域内,则灰度值变大,相反,如果第一帧中不在气体区域的图像在第二帧中属于气体区域内,则灰度值变小。
随后将差分图像进行灰度级阶梯化,在本实施例中,进行向下取整阶梯化:diffV1=[diffV/10]*10,其中,diffV为差分图像,diffV1为向下取整阶梯化后的差分图像。这一步对差分图像进行浓度阶梯化,便于显示气体部分的浓度变化,并与背景区分开来,同时采用向下取整还能有一定的滤波效果。
S3:对差分图像进行数字形态学操作,数字形态学操作包括数字形态学开操作和数字形态学先开后闭操作。在本实施例中,先使用数字形态学开操作,即先腐蚀再膨胀消除图像差分引起的细小噪声像素:diffV2=imopen(diffV1,se),其中,imopen()为数字形态学开操作,diffV1为向下取整阶梯化后的差分图像,diffV2为数字形态学开操作后得到的图像,se为结构元;然后使用数字形态学先开后闭操作平滑图像:diffV3=imclose(imopen(diffV2,se),se),其中,imclose()为数字形态学闭操作,diffV2为数字形态学开操作后得到的图像,diffV3为去噪平滑后的图像;
S4:将步骤S3获得的图像乘以增强因子,增强因子根据所述气体图像的最大灰度级和最小灰度级计算。优选地,增强因子计算公式为:a=log2(Vmax-Vmin),其中,a为增强因子,Vmax为气体图像中最大的灰度级,Vmin为气体图像中最小的灰度级。如果图像的灰度级复杂的时候,即图像中像素的差异大时,气体增强显示的效果需要随着灰度级的不同而变化,否则增强效果不明显。增强因子的取值可以保证图像灰度级无论是在差异大还是差异小的情况下,气体的增强都能在该灰度级图像取得良好的效果。
S5:将步骤S4获得的图像与原未增强的气体图像融合:V3=V2+diffv3*a,使得气体部分在监控图像帧中得到明显增强。
上述气体图像增强方法能够通过背景差分算法提取图像中的气体部分信息,通过整个气体图像的最大灰度级和最小灰度级计算出增强因子对气体部分图像进行增强,以提高背景差分融合之后气体的显示效果,能够用于在已知图像中存在气体的情况下判断气体浓度。进一步,本实施例中所提出的气体图像增强方法的原理还能够应用于气体泄露检测。
实施例2
基于气体图像增强方法的理论,本实施例是更为完整的气体泄露检测方法的实施例。
参见说明书附图4,气体泄露检测方法的具体工作流程如下:
S01:使用红外成像系统拍摄被检测场景视频,获取气体从未泄露到泄露的全过程;
S02:从视频中提取未发生泄露时的背景图像作为先验信息;
S03:经过固定间隔时间提取监控图像帧作为待测气体图像;
S04:将待测气体图像与背景图像差分,获得差分图像:diffV=V2-V1,其中,V2为有泄漏气体的图像,V1为没有泄漏气体的图像。如果第一帧中位于气体区域的图像在第二帧中不在气体区域内,则灰度值变大,相反,如果第一帧中不在气体区域的图像在第二帧中属于气体区域内,则灰度值变小。
随后将差分图像进行灰度级阶梯化,在本实施例中,进行向下取整阶梯化:diffV1=[diffV/10]*10,其中,diffV为差分图像,diffV1为向下取整阶梯化后的差分图像。这一步对差分图像进行浓度阶梯化,便于显示气体部分的浓度变化,并与背景区分开来,同时采用向下取整还能有一定的滤波效果。
S05:对差分图像进行数字形态学操作,数字形态学操作包括用于消除图像差分引起的细小噪声像素的数字形态学开操作,和用于平滑图像的数字形态学先开后闭操作。在本实施例中,先使用数字形态学开操作,即先腐蚀再膨胀消除图像差分引起的细小噪声像素:diffV2=imopen(diffV1,se),其中,imopen()为数字形态学开操作,diffV1为向下取整阶梯化后的差分图像,diffV2为数字形态学开操作后得到的图像,se为结构元;然后使用数字形态学先开后闭操作平滑图像:diffV3=imclose(imopen(diffV2,se),se),其中,imclose()为数字形态学闭操作,diffV2为数字形态学开操作后得到的图像,diffV3为去噪平滑后的图像;
S06:将步骤S05获得的图像乘以增强因子,增强因子根据待测气体图像的最大灰度级和最小灰度级计算。优选地,增强因子计算公式为:a=log2(Vmax-Vmin),其中,a为增强因子,Vmax为气体图像中最大的灰度级,Vmin为气体图像中最小的灰度级。如果图像的灰度级复杂的时候,即图像中像素的差异大时,气体增强显示的效果需要随着灰度级的不同而变化,否则增强效果不明显。增强因子的取值可以保证图像灰度级无论是在差异大还是差异小的情况下,气体的增强都能在该灰度级图像取得良好的效果;
S07:判断是否存在气体泄露,如果是,进入步骤S08,如果否,则返回步骤S03;具体地,判断过程包括:设定阈值,将步骤S06获得的图像像素与阈值比较,大于阈值的所述像素形成像素组合,判断所述像素组合中是否存在八连通域的像素,如果是,判断有气体泄露,如果否,判断无气体泄露;
S08:将步骤S06获得的图像与待测气体图像融合:V3=V2+diffv3*a,使得气体部分在监控图像帧中得到明显增强。
参见图5(a)、图5(b)和图5(c),在一个具体的检测过程中,从所拍摄的被检测场景的视频中提取监控图像帧,得到如图5(a)所示的含有气体的灰度图。图5(b)为通过传统的图像增强方法,将图5(a)的图像与背景图像进行差分操作后,与原图5(a)进行融合得到背景差分融合图像。而运用本发明所提出的气体图像增强方法,能够将图5(a)与背景图像进行差分操作,再通过形态学开和闭组合操作平滑去噪,而后乘以增强因子,再与原图5(a)进行融合得到的如图5(c)所示的增高灵敏度背景差分融合图像。
结合图5(a)、图5(b)和图5(c)可以看出,通过增强因子对图像中的气体部分灰度级进行增强显示,能够明显地将图像中的气体部分增强显示。运用本发明所提出的气体泄露检测方法实现的效果相对于使用传统图像增强方法实现的效果有了良好的提升,能够提升对气体泄漏的检测能力。
实施例3
本实施例为一种运用实施例1所提供的气体图像增强方法的气体图像增强系统。
参见说明书附图6,气体图像增强系统包括:
图像获取模块,用于获取所述背景图像和所述气体图像;
图像差分模块,用于将所述背景图像和所述气体图像差分,获得差分图像,随后,对差分图像进行灰度级向下取整阶梯化;
形态学操作模块,用于对所述差分图像进行数字形态学操作,数字形态学操作包括用于消除图像差分引起的细小噪声像素的数字形态学开操作,和用于平滑图像的数字形态学先开后闭操作;
增强模块,用于将步骤S3获得的图像乘以增强因子,其中包括增强因子计算单元,根据所述气体图像的最大灰度级和最小灰度级计算所述增强因子;
融合模块,用于将步骤S4获得的图像与所述气体图像融合。
实施例4
本实施例为一种运用实施例2所提供的气体泄露检测方法的气体泄露检测系统。
参见说明书附图7,气体泄露检测系统包括:
摄像设备,用于拍摄被检测场景视频,获取气体从未泄露到泄露的全过程;
背景图像提取模块,用于从所述视频中提取未发生泄露时的背景图像;
待测气体图像提取模块,用于经过固定间隔时间提取所述监控图像帧作为待测气体图像;
图像差分模块,用于将所述待测气体图像与所述背景图像差分,获得差分图像,随后将差分图像进行灰度级向下取整阶梯化;
形态学操作模块,用于对所述差分图像进行数字形态学操作,数字形态学操作包括用于消除图像差分引起的细小噪声像素的数字形态学开操作,和用于平滑图像的数字形态学先开后闭操作;
增强模块,用于将步骤S05获得的图像乘以增强因子,其中包括增强因子计算单元,根据所述气体图像的最大灰度级和最小灰度级计算所述增强因子;
判断模块,用于判断是否存在气体泄露,如果是,进入步骤S08,如果否,则返回步骤S03,具体地,判断过程包括:设定阈值,将步骤S06获得的图像像素与阈值比较,大于阈值的所述像素形成像素组合,判断所述像素组合中是否存在八连通域的像素,如果是,判断有气体泄露,如果否,判断无气体泄露;
融合模块,用于将步骤S06获得的图像与所述待测气体图像融合。
综上所述,本发明提供了一种气体图像增强方法,通过使用增强因子对图像中的气体部分进行增强显示,可以保证图像灰度级无论是在差异大还是差异小的情况下,气体部分的增强都能在该灰度级图像取得良好的效果,相对于使用传统图像增强方法实现的效果有了良好的提升。本发明提出的气体图像增强方法不仅能够用于在已知图像中存在气体的情况下判断气体浓度,还能够应用于气体泄露检测方法中,实现对气体泄露的检测能力的提升。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,除了以上实施例以外,还可以具有不同的变形例,以上实施例的技术特征可以相互组合,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种气体图像增强方法,根据背景图像和气体图像对所述气体图像中的气体部分进行增强,其特征在于,
S1:获取所述背景图像和所述气体图像;
S2:将所述背景图像和所述气体图像差分,获得差分图像;
S3:对所述差分图像进行数字形态学操作;
S4:将步骤S3获得的图像乘以增强因子,所述增强因子根据所述气体图像的最大灰度级和最小灰度级计算;
S5:将步骤S4获得的图像与所述气体图像融合。
2.根据权利要求1所述的气体图像增强方法,其特征在于,步骤S2还包括,将所述差分图像进行灰度级向下取整阶梯化。
3.根据权利要求1所述的气体图像增强方法,其特征在于,所述数字形态学操作包括diffV2=imopen(diffV1,se),其中,imopen()为数字形态学开操作,diffV1为向下取整阶梯化后的差分图像,diffV2为执行数字形态学开操作后得到的图像,和diffV3=imclose(imopen(diffV2,se),se),其中,imclose()为数字形态学闭操作,diffV3为去噪平滑后的图像。
4.根据权利要求1-3任一项所述的气体图像增强方法,其特征在于,所述增强因子的计算公式为a=log2(Vmax-Vmin),其中,a为所述增强因子,Vmax为所述气体图像中最大的灰度级,Vmin为所述气体图像中最小的灰度级。
5.一种气体图像增强系统,用于执行权利要求1-5任一项所述的方法,其特征在于,包括,
图像获取模块,用于获取所述背景图像和所述气体图像;
图像差分模块,用于将所述背景图像和所述气体图像差分,获得差分图像;
形态学操作模块,用于对所述差分图像进行数字形态学操作;
增强模块,用于将步骤S3获得的图像乘以增强因子,其中包括增强因子计算单元,根据所述气体图像的最大灰度级和最小灰度级计算所述增强因子;
融合模块,用于将步骤S4获得的图像与所述气体图像融合。
6.一种气体泄露检测方法,根据背景图像和监控图像帧检测是否存在气体泄露,其特征在于,
S01:拍摄被检测场景视频;
S02:从所述视频中提取未发生泄露时的背景图像;
S03:经过固定间隔时间提取所述监控图像帧作为待测气体图像;
S04:将所述待测气体图像与所述背景图像差分,获得差分图像;
S05:对所述差分图像进行数字形态学操作;
S06:将步骤S05获得的图像乘以增强因子,所述增强因子根据所述待测气体图像的最大灰度级和最小灰度级计算;
S07:判断是否存在气体泄露,如果是,进入步骤S08,如果否,则返回步骤S03;
S08:将步骤S06获得的图像与所述待测气体图像融合。
7.根据权利要求6所述的气体泄露检测方法,其特征在于,步骤S04还包括,将所述差分图像进行灰度级向下取整阶梯化。
8.根据权利要求6所述的气体泄露检测方法,其特征在于,所述数字形态学操作包括diffV2=imopen(diffV1,se),其中,imopen()为数字形态学开操作,diffV1为向下取整阶梯化后的差分图像,diffV2为数字形态学开操作后得到的图像,和diffV3=imclose(imopen(diiffV2,se),se),其中,imclose()为数字形态学闭操作,diffV3为去噪平滑后的图像。
9.根据权利要求6所述的气体泄露检测方法,其特征在于,所述“判断是否存在气体泄露”包括,
设定阈值;
将步骤S06获得的图像像素与阈值比较,大于阈值的所述像素形成像素组合,判断所述像素组合中是否存在八连通域的像素;
如果是,判断有气体泄露,如果否,判断无气体泄露。
10.根据权利要求6-9任一项所述的气体泄露检测方法,其特征在于,所述增强因子的计算公式为a=log2(Vmax-Vmin),其中,a为所述增强因子,Vmax为所述监控图像帧中最大的灰度级,Vmin为所述监控图像帧中最小的灰度级。
11.一种气体泄露检测系统,用于执行权利要求6-10任一项所述的方法,其特征在于,包括,
摄像设备,用于拍摄被检测场景视频;
背景图像提取模块,用于从所述视频中提取未发生泄露时的背景图像;
待测气体图像提取模块,用于经过固定间隔时间提取所述监控图像帧作为待测气体图像;
图像差分模块,用于将所述待测气体图像与所述背景图像差分,获得差分图像;
形态学操作模块,用于对所述差分图像进行数字形态学操作;
增强模块,用于将步骤S05获得的图像乘以增强因子,其中包括增强因子计算单元,根据所述气体图像的最大灰度级和最小灰度级计算所述增强因子;
判断模块,用于判断是否存在气体泄露,如果是,进入步骤S08,如果否,则返回步骤S03;
融合模块,用于将步骤S06获得的图像与所述待测气体图像融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403407.0A CN114596329A (zh) | 2020-12-04 | 2020-12-04 | 一种气体图像增强及气体泄露检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403407.0A CN114596329A (zh) | 2020-12-04 | 2020-12-04 | 一种气体图像增强及气体泄露检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114596329A true CN114596329A (zh) | 2022-06-07 |
Family
ID=81812856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011403407.0A Pending CN114596329A (zh) | 2020-12-04 | 2020-12-04 | 一种气体图像增强及气体泄露检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596329A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311173A (zh) * | 2022-10-09 | 2022-11-08 | 山东瑞驰至臻环境科技有限公司 | 用于气体污染识别的视觉增强方法及系统 |
CN115841434A (zh) * | 2023-02-21 | 2023-03-24 | 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 |
CN116147842A (zh) * | 2022-11-14 | 2023-05-23 | 广州科易光电技术有限公司 | 气体泄露检测方法及装置、设备、存储介质 |
CN117173031A (zh) * | 2023-06-01 | 2023-12-05 | 广州科易光电技术有限公司 | 针对气体的图像处理方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-04 CN CN202011403407.0A patent/CN114596329A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311173A (zh) * | 2022-10-09 | 2022-11-08 | 山东瑞驰至臻环境科技有限公司 | 用于气体污染识别的视觉增强方法及系统 |
CN115311173B (zh) * | 2022-10-09 | 2023-01-13 | 山东瑞驰至臻环境科技有限公司 | 用于气体污染识别的视觉增强方法及系统 |
CN116147842A (zh) * | 2022-11-14 | 2023-05-23 | 广州科易光电技术有限公司 | 气体泄露检测方法及装置、设备、存储介质 |
CN116147842B (zh) * | 2022-11-14 | 2024-04-26 | 广州科易光电技术有限公司 | 气体泄漏检测方法及装置、设备、存储介质 |
CN115841434A (zh) * | 2023-02-21 | 2023-03-24 | 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 |
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 |
CN117173031A (zh) * | 2023-06-01 | 2023-12-05 | 广州科易光电技术有限公司 | 针对气体的图像处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114596329A (zh) | 一种气体图像增强及气体泄露检测方法和系统 | |
KR101518722B1 (ko) | 안개 등의 대기 산란 입자로 인한 왜곡 보정용 영상 처리 방법 및 장치 | |
CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
CN111062293B (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
US11126824B2 (en) | Face image quality evaluating method and apparatus and computer readable storage medium using the same | |
Rani et al. | Detection of edges using mathematical morphological operators | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN109727202B (zh) | 气体红外视频增强方法、装置及存储介质 | |
Sanmiguel et al. | Pixel-based colour contrast for abandoned and stolen object discrimination in video surveillance | |
CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
de Dravo et al. | An adaptive combination of dark and bright channel priors for single image dehazing | |
Jyothisree et al. | Shadow detection using tricolor attenuation model enhanced with adaptive histogram equalization | |
CN112561895A (zh) | 一种基于人工智能的气密性泄漏等级评估方法及系统 | |
Sanap et al. | License plate recognition system for Indian vehicles | |
CN109357977B (zh) | 基于时间联系的烟雾子区域空间复检方法 | |
CN111062887A (zh) | 基于改进的Retinex算法的图像清晰度判定方法 | |
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 | |
Ghewari et al. | Analysis of model based shadow detection and removal in color images | |
Divya et al. | Shadow detection and removal by object-wise segmentation | |
Raja | Principal component analysis based assessment of trees outside forests in satellite images | |
CN110782405B (zh) | 一种基于梯度辨识的点目标和暗斑图像背景均衡方法 | |
CN116612279B (zh) | 目标检测的方法、装置、网络设备及存储介质 | |
CN117456371B (zh) | 一种组串热斑检测方法、装置、设备及介质 | |
Nema et al. | Edge detection operators on digital image | |
Sun et al. | Retinex theory‐based shadow detection and removal in single outdoor image |
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 |