CN114926367A - 煤矿降质图像的全息图生成方法 - Google Patents
煤矿降质图像的全息图生成方法 Download PDFInfo
- Publication number
- CN114926367A CN114926367A CN202210668471.4A CN202210668471A CN114926367A CN 114926367 A CN114926367 A CN 114926367A CN 202210668471 A CN202210668471 A CN 202210668471A CN 114926367 A CN114926367 A CN 114926367A
- Authority
- CN
- China
- Prior art keywords
- image
- coal mine
- hologram
- enhanced
- degraded
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 135
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000002834 transmittance Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 239000000428 dust Substances 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 239000003595 mist Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请提出一种煤矿降质图像的全息图生成方法、装置、电子设备和存储介质。其中,方法包括:对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型,根据图像类型,对煤矿降质图像进行图像增强,以得到目标煤矿增强图像,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法,根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图,由此,基于对不同类型的降质图像进行图像增强,并根据降质图像在不同应用场景下对应的全息图生成算法生成全息图,从而增强煤矿降质图像的图像质量的同时,得到煤矿降质图像的高质量全息图。
Description
技术领域
本申请涉及数字图像处理技术领域,尤其涉及一种煤矿降质图像的全息图生成方法、装置、电子设备和存储介质。
背景技术
目前,由于煤矿井下视频监控设备采集到的图像质量较差,通常存在尘雾、水雾、低照度、模糊、失焦、拖影、噪声等问题,导致监控设备采集到的图像数据质量差,不利于安全生产。因此,对于煤矿井下的降质图像,亟需一种高质量的煤矿降质图像的全息图生成方法。
发明内容
本申请提出一种煤矿降质图像的全息图生成方法、装置、电子设备和存储介质。
本申请第一方面实施例提出了一种煤矿降质图像的全息图生成方法,所述方法包括:对所述煤矿降质图像进行分类,以得到所述煤矿降质图像的图像类型;根据所述图像类型,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像;根据所述目标煤矿增强图像对应的应用场景,确定所述应用场景对应的全息图生成算法;根据所述全息图生成算法对所述目标煤矿增强图像进行处理,生成所述目标煤矿增强图像在所述应用场景下的全息图。
在本申请的一个实施例中,所述对所述煤矿降质图像进行分类,以得到所述煤矿降质图像的图像类型,包括:将所述煤矿降质图像输入到预先训练好的分类模型,以通过所述分类模型得到所述煤矿降质图像的图像类型。
在本申请的一个实施例中,所述根据所述图像类型,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,包括:获取与所述图像类型对应的图像增强算法;根据所述图像增强算法,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像。
在本申请的一个实施例中,在所述图像增强算法为暗通道增强算法的情况下,所述根据所述图像增强算法,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,包括:获取所述煤矿降质图像的图像参数;将所述图像参数输入到所述暗通道增强算法中进行计算,以得到所述煤矿降质图像的暗通道图像和透射率图;根据所述煤矿降质图像的暗通道图像,估算出所述煤矿降质图像对应的大气光强;对所述透射率图中的边缘取值进行优化,以得到具有预设下限值的目标透射率图;基于所述煤矿降质图像对应的大气光强、所述暗通道图像和所述目标透射率,确定所述煤矿降质图像的无雾图像;将所述无雾图像作为增强后的所述目标煤矿增强图像。
在本申请的一个实施例中,所述全息图生成算法为角谱衍射算法或者自适应加权盖师贝格-撒克斯通GS算法。
在本申请的一个实施例中,在所述全息图生成算法为自适应加权GS算法的情况下,所述根据所述全息图生成算法对所述目标煤矿增强图像进行处理,生成所述目标煤矿增强图像在所述应用场景下的全息图,包括:获取所述目标煤矿增强图像的平面波常数振幅和初始化随机相位;根据所述平面波常数振幅和所述初始化随机相位,确定所述目标煤矿增强图像的当前全息图;根据所述自适应加权GS算法对所述当前全息图进行迭代处理,以得到所述目标煤矿增强图像的初始全息图;将所述初始全息图作为下一次迭代处理的输入,直至所述当前全息图的迭代次数等于预设的迭代次数阈值;将迭代次数等于所述迭代次数阈值时所得到的目标全息图作为所述目标煤矿增强图像在所述应用场景下的全息图。
在本申请的一个实施例中,所述根据所述自适应加权GS算法对所述目标煤矿增强图像进行迭代处理,以得到所述目标煤矿增强图像的初始全息图,包括:将所述当前全息图正向衍射到像面上,以得到像面的复振幅;根据所述像面的复振幅中的振幅,确定出所述像面的空域约束振幅;根据所述空域约束振幅和所述当前全息面对应的随机相位,确定出所述像面的目标复振幅;对所述目标复振幅进行逆向衍射,以得到所述目标煤矿增强图像的初始全息图。
本申请提出一种煤矿降质图像的全息图生成方法,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型,根据图像类型,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法,根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图,由此,基于对不同类型的降质图像进行图像增强,并根据降质图像在不同应用场景下对应的全息图生成算法生成全息图,从而增强煤矿降质图像的图像质量的同时,得到煤矿降质图像的高质量全息图。
本申请第二方面实施例提出了一种煤矿降质图像的全息图生成装置,所述装置包括:分类模块,用于对所述煤矿降质图像进行分类,以得到所述煤矿降质图像的图像类型;增强模块,用于根据所述图像类型,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像;确定模块,用于根据所述目标煤矿增强图像对应的应用场景,确定所述应用场景对应的全息图生成算法;生成模块,用于根据所述全息图生成算法对所述目标煤矿增强图像进行处理,生成所述目标煤矿增强图像在所述应用场景下的全息图。
在本申请的一个实施例中,所述分类模块,具体用于:将所述煤矿降质图像输入到预先训练好的分类模型,以通过所述分类模型得到所述煤矿降质图像的图像类型。
在本申请的一个实施例中,所述增强模块,包括:第一获取单元,用于获取与所述图像类型对应的图像增强算法;增强单元,用于根据所述图像增强算法,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像。
在本申请的一个实施例中,在所述图像增强算法为暗通道增强算法的情况下,所述增强单元,具体用于:获取所述煤矿降质图像的图像参数;将所述图像参数输入到所述暗通道增强算法中进行计算,以得到所述煤矿降质图像的暗通道图像和透射率图;根据所述煤矿降质图像的暗通道图像,估算出所述煤矿降质图像对应的大气光强;对所述透射率图中的边缘取值进行优化,以得到具有预设下限值的目标透射率图;基于所述煤矿降质图像对应的大气光强、所述暗通道图像和所述目标透射率,确定所述煤矿降质图像的无雾图像;将所述无雾图像作为增强后的所述目标煤矿增强图像。
在本申请的一个实施例中,所述全息图生成算法为角谱衍射算法或者自适应加权GS算法。
在本申请的一个实施例中,在所述全息图生成算法为自适应加权GS算法的情况下,所述生成模块,包括:第二获取单元,用于获取所述目标煤矿增强图像的平面波常数振幅和初始化随机相位;确定单元,用于根据所述平面波常数振幅和所述初始化随机相位,确定所述目标煤矿增强图像的当前全息图;处理单元,用于根据所述自适应加权GS算法对所述当前全息图进行迭代处理,以得到所述目标煤矿增强图像的初始全息图;输入单元,用于将所述初始全息图作为下一次迭代处理的输入,直至所述当前全息图的迭代次数等于预设的迭代次数阈值;生成单元,用于将迭代次数等于所述迭代次数阈值时所得到的目标全息图作为所述目标煤矿增强图像在所述应用场景下的全息图。
在本申请的一个实施例中,所述处理单元,具体用于:将所述当前全息图正向衍射到像面上,以得到像面的复振幅;根据所述像面的复振幅中的振幅,确定出所述像面的空域约束振幅;根据所述空域约束振幅和所述当前全息图对应的随机相位,确定出所述像面的目标复振幅;对所述目标复振幅进行逆向衍射,以得到所述目标煤矿增强图像的初始全息图。
本申请提出一种煤矿降质图像的全息图生成装置,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型,根据图像类型,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法,根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图,由此,基于对不同类型的降质图像进行图像增强,并根据降质图像在不同应用场景下对应的全息图生成算法生成全息图,从而增强煤矿降质图像的图像质量的同时,得到煤矿降质图像的高质量全息图。
本申请第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当所述处理器执行所述程序时实现本申请实施例中的煤矿降质图像的全息图生成方法。
本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,当该程序被处理器执行时本申请实施例中的煤矿降质图像的全息图生成方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请实施例所提供的一种煤矿降质图像的全息图生成方法的流程示意图;
图2是本申请实施例所提供的另一种煤矿降质图像的全息图生成方法的流程示意图;
图3是本申请实施例所提供的一种暗通道算法增强煤矿降质图像的处理流程示意图;
图4是本申请实施例所提供的另一种煤矿降质图像的全息图生成方法的流程示意图;
图5是本申请实施例所提供的一种基于自适应加权GS算法计算全息图的流程示意图;
图6是本申请实施例所提供的一种基于角谱衍射算法计算全息图的流程示意图;
图7是本申请实施例所提供一种煤矿降质图像的全息图生成装置的结构示意图;
图8是本申请实施例所提供另一种煤矿降质图像的全息图生成装置的结构示意图;
图9是本申请一个实施例的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的煤矿降质图像的全息图生成方法、装置和电子设备。
图1是本申请实施例所提供的一种煤矿降质图像的全息图生成方法的流程示意图。其中,需要说明的是,本实施例提供的煤矿降质图像的全息图生成方法的执行主体为煤矿降质图像的全息图生成装置,该煤矿降质图像的全息图生成装置可以由软件和/或硬件的方式实现,该实施例中的煤矿降质图像的全息图生成装置可以配置电子设备中,本实施例中的电子设备可以包括服务器,该实施例对电子设备不作具体限定。
图1是本申请实施例所提供的一种煤矿降质图像的全息图生成方法的流程示意图。
如图1所示,该煤矿降质图像的全息图生成方法可以包括:
步骤101,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型。
在一些实施例中,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型的一种实施方式可以为将煤矿降质图像输入到预先训练好的分类模型,以通过分类模型得到煤矿降质图像的图像类型,从而提高对煤矿降质图像的分类效率。
其中,可以通过对历史煤矿降质图像进行人工分类,并打标签,以得到带有标签的历史煤矿降质图像,通过分类器进行训练,从而得到煤矿降质图像对应的分类模型。
在一些实施例中,煤矿降质图像的图像类型可以包括尘雾图像、水雾图像、低照度图像、强噪声图像、抖动模糊图像和失焦图像,但不仅限于此,该实施例对此不做具体限定。
步骤102,根据图像类型,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像。
在一些实施例中,针对不同的图像类型,可以选择多个不同图像增强算法处理煤矿降质图像,以提高每种图像类型对应的煤矿降质图像的增强效果。
步骤103,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法。
在一些实施例中,目标煤矿增强图像对应的应用场景可以包括实时或快速生成全息图对应的场景,以及生成高质量全息图对应的场景,但并不仅限于此。
在一些实施例中,在为实时或快速生成全息图对应的场景的情况下,为实现目标煤矿增强图像生成对应全息图的实时性和快速性,可以采用角谱衍射算法作为目标煤矿增强图像的全息图生成方法。
在另一些实施例中,在为生成高质量全息图对应的场景的情况下,为提高目标煤矿增强图像生成对应全息图的质量,可以采用自适应加权盖师贝格-撒克斯通(Gerchberg-Saxton,GS)算法作为目标煤矿增强图像的全息图生成方法。
步骤104,根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图。
在一些实施例中,在全息图生成算法为角谱衍射算法的情况下,可以采用角谱衍射算法处理目标煤矿增强图像,以快速生成目标煤矿增强图像对应的全息图。
在另一些实施例中,在全息图生成算法为自适应加权GS算法的情况下,可以采用自适应加权GS算法处理目标煤矿增强图像,以生成目标煤矿增强图像对应的高质量全息图。
本申请提出一种煤矿降质图像的全息图生成方法,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型,根据图像类型,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法,根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图,由此,基于对不同类型的降质图像进行图像增强,并根据降质图像在不同应用场景下对应的全息图生成算法生成全息图,从而增强煤矿降质图像的图像质量的同时,得到煤矿降质图像的高质量全息图。
为清楚的理解本申请,下面结合图2对煤矿降质图像的全息图生成方法的处理过程进行示例性描述,其中,该实施例是对上述实施例的进一步细化或者扩展。
如图2所示,该煤矿降质图像的全息图生成方法可以包括:
步骤201,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型。
其中,需要说明的是,关于步骤201的具体实现方式,可参见上述实施例中的相关描述。
步骤202,获取与图像类型对应的图像增强算法。
在一些实施例中,图像类型可以包括多种,该实施例以低照度图像、强噪声图像、模糊图像和尘雾或水雾图像为例进行描述,具体地如下:
第一方面在处理低照度图像时,由于低照度图像的色彩不受光照强弱的影响,具有一致性,可以采用颜色恒常知觉(Retinex,retina-cortex)算法进行低照度图像增强。
第二方面在处理强噪声图像时,可以采用经典图像滤波算法对强噪声图像进行图像增强。
其中,经典图像滤波算法可以包括但不限于高斯滤波、中值滤波、均值滤波、局部均方差滤波和双边滤波,该实施例对此不做具体限定。
在本申请的实施例中,可以采用双边滤波算法增强强噪声图像,从而兼顾强噪声图像的空域信息和灰度相似性,有效去除噪声的同时保留强噪声图像细节,减少强噪声图像边缘的信息损失。
第三方面在处理模糊图像时,可以采用维纳滤波对模型图像去模糊。
第四方面在处理尘雾或水雾图像时,由于处理尘雾或水雾图像是煤矿的降质图像,煤矿降质图像中不包括天空区域,故可以采用暗通道增强算法对尘雾或水雾图像进行图像增强,从而提高尘雾或水雾图像的增强效果。
在一些实施例中,还可以用直方图均衡化、Retinex算法、小波变换、同态滤波、单幅图像去雾算法、单一图像去雾算法、快速图像恢复算法、贝叶斯去雾算法来处理尘雾或水雾图像,但不仅限于此。
步骤203,根据图像增强算法,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像。
在一些实施例中,在图像增强算法为暗通道增强算法的情况下,根据图像增强算法,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像的一种实施方式可以为获取煤矿降质图像的图像参数,将图像参数输入到暗通道增强算法中进行计算,以得到煤矿降质图像的暗通道图像和透射率图,根据煤矿降质图像的暗通道图像,估算出煤矿降质图像对应的大气光强,对透射率图中的边缘取值进行优化,以得到具有预设下限值的目标透射率图,基于煤矿降质图像对应的大气光强、暗通道图像和目标透射率图,确定煤矿降质图像的无雾图像,将无雾图像作为增强后的目标煤矿增强图像。
具体地,如图3所示,图3是本申请实施例所提供的一种暗通道算法增强煤矿降质图像的处理流程示意图,输入尘雾或水雾的煤矿降质图像,根据煤矿降质图像的图像参数计算出暗通道图像,暗通道图像Jdark的计算方式可以为:
Jdark→0
其中,x表示像素点的坐标,良示无雾彩色图像各个通道的暗原色,Ω(x)表示以像素x为中心的局部区域,除去天空区域,c表示红R,绿G,蓝B三通道,Jdark的强度很低并且趋近于0,并根据煤矿降质图像的图像参数计算出透射率图,透射率图的计算方式可以为:
其中,ω为修正因子,I(x)表示尘雾图像,A表示煤矿降质图像对应的大气光强,再利用引导滤波算法对透射率图进行边缘取值优化,可以设置一个透射率图的下限值to,以使得当时,其中,to可以为0.1,从而得到一个具有预设下限值的目标透射率图,再根据暗通道图像Jdark估算出的煤矿降质图像对应的大气光强A,从而计算出无雾的目标煤矿增强图像,计算无雾的目标煤矿增强图像J(x)的计算方式是可以为:
步骤204,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法。
步骤205,根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图。
本申请提出一种煤矿降质图像的全息图生成方法,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型,获取与图像类型对应的图像增强算法,根据图像增强算法,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法,根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图,由此,基于对不同类型的降质图像进行图像增强,并根据降质图像在不同应用场景下对应的全息图生成算法,得到高质量、快速收敛的全息图,保证煤矿的安全生产。
可以理解的是,在全息图生成算法为自适应加权GS算法的情况下,本申请实施例提供了一种煤矿降质图像的全息图生成方法的流程示意图,如图4所示。
步骤401,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型。
步骤402,根据图像类型,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像。
其中,需要说明的是,关于步骤401至步骤402的具体实现方式,可参见上述实施例中的相关描述。
步骤403,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法。
在一些实施例中,在得到目标煤矿增强图像后,且在采用角谱衍射算法或者自适应加权GS算法计算全息图之前,需要根据三基色原理,将全彩色目标煤矿增强图像分解为红色通道R、蓝色通道B、绿色通道G,然后分别计算各个颜色通道的全息图,即单通道全息图,从而再根据目标煤矿增强图像的全息图算法分别计算出单通道的全息图。
步骤404,获取目标煤矿增强图像的平面波常数振幅和初始化随机相位。在一些实施例中,可以获取目标煤矿增强图像的平面波常数振幅Ao,以及初始化随机相位φo(xo,yo),其中,平面波常数振幅Ao可以是全1的矩阵,但不仅限于此。
步骤405,根据平面波常数振幅和初始化随机相位,确定目标煤矿增强图像的当前全息图。
在一些实施例中,根据平面波常数振幅Ao和初始化随机相位φo(xo,yo),确定目标煤矿增强图像的当前全息图Uo(xo,yo),其中,当前全息图Uo(xo,yo)的计算方式可以为:
U0(x0,y0)=A0exp[jφ0(x0,y0)]
步骤406,根据自适应加权GS算法对当前全息图进行迭代处理,以得到目标煤矿增强图像的初始全息图。
在一些实施例中,根据自适应加权GS算法对当前全息图进行迭代处理,以得到目标煤矿增强图像的初始全息图的一种实施方式为:将当前全息图正向衍射到像面上,以得到像面的复振幅,根据像面的复振幅中的振幅,确定出像面的空域约束振幅,根据空域约束振幅和当前全息面对应的随机相位,确定出像面的目标复振幅,对目标复振幅进行逆向衍射,以得到目标煤矿增强图像的初始全息图。
步骤407,将初始全息图作为下一次迭代处理的输入,直至当前全息图的迭代次数等于预设的迭代次数阈值。
步骤408,将迭代次数等于迭代次数阈值时所得到的目标全息图作为目标煤矿增强图像在应用场景下的全息图。
综上,本申请实施例还提供的一种基于自适应加权GS算法计算全息图的流程示意图,如图5所示,具体地,可以根据平面波常数振幅Ao和初始化随机相位φo(xo,yo),确定出煤矿降质图像对应的当前迭代次数n,且n=0时的全息图U’o(xo,yo),其中:
U′0(x0,y0)=A0exp[jφ0(x0,y0)]
对于第n次循环中的全息面Un(xo,yo),取其相位为φo(xo,yo)。用Ao替换其振幅。复振幅U’n(xo,yo)的计算方式可以为:
U′n(x0,y0)=A0exp[jφn(x0,y0)]
在将当前迭代的全息图U’n(xo,yo)通过夫琅禾费正向衍射到像面上,以得到像面的复振幅Un(x,y),复振幅Un(x,y)的计算方式可以为:
其中,像面是自适应加权GS算法中与全息图距离为z的观察面(像面),再根据像面的复振幅Un(x,y)中的振幅A1,确定出像面的空域约束振幅A2空域约束振幅A2的计算方式可以为:
其中,T为目标煤矿增强图像的振幅,从而根据空域约束振幅A2和当前全息面对应的随机相位φn(x,y),确定出像面的目标复振幅U’n(x,y),目标复振幅U’n(x,y)的计算方式可以为:
U′n(x,y)=A2exp[jφn(x,y)]
最后,对目标复振幅U’n(x,y)进行夫琅禾费逆向衍射,以得到目标煤矿增强图像的初始全息图Un+1(xo,yo),初始全息图Un+1(xo,yo)的计算方式可以为:
在得到初始全息图之后可以继续迭代,重复执行夫琅禾费正向衍射和夫琅禾费逆向衍射,直至将迭代次数n等于迭代次数阈值N时,以得到目标全息图UN(xo,yo),并作为目标煤矿增强图像在应用场景下的全息UN(xo,yo),并输出该全息图UN(xo,yo)对应的纯相位全息图。
本申请提出一种煤矿降质图像的全息图生成方法,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型,根据图像类型,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法,获取目标煤矿增强图像的平面波常数振幅和初始化随机相位,根据平面波常数振幅和初始化随机相位,确定目标煤矿增强图像的当前全息图,根据自适应加权GS算法对当前全息图进行迭代处理,以得到目标煤矿增强图像的初始全息图,将初始全息图作为下一次迭代处理的输入,直至当前全息图的迭代次数等于预设的迭代次数阈值,将迭代次数等于迭代次数阈值时所得到的目标全息图作为目标煤矿增强图像在应用场景下的全息图,由此,基于对不同类型的降质图像进行图像增强,并根据降质图像在不同应用场景下对应的全息图生成算法,得到高质量的全息图,保证煤矿的安全生产。
在一些实施例中,在全息图生成算法为角谱衍射算法的情况下,本申请实施例提供了一种基于角谱衍射算法计算全息图的的流程示意图,如图6所示,具体地,获取目标煤矿增强图像的单通道去雾图像、波长、重建距离和像素尺寸,以及目标煤矿增强图像对应的初始化随机相位,再通过角谱衍射算法,计算出目标煤矿增强图像的全息图,并输出该全息图对应的纯相位全息图。
图7是本申请实施例所提供一种煤矿降质图像的全息图生成装置的结构示意图。
如图7所示,该煤矿降质图像的全息图生成装置700包括:分类模块701、增强模块702、确定模块703和生成模块704,其中:
分类模块701,用于对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型。
增强模块702,用于根据图像类型,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像。
确定模块703,用于根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法。
生成模块704,用于根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图。
本申请提出一种煤矿降质图像的全息图生成装置,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型,根据图像类型,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法,根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图,由此,基于对不同类型的降质图像进行图像增强,并根据降质图像在不同应用场景下对应的全息图生成算法生成全息图,从而增强煤矿降质图像的图像质量的同时,得到煤矿降质图像的高质量全息图。
在本申请的一个实施例中,图8是本申请实施例所提供另一种煤矿降质图像的全息图生成装置的结构示意图,如图8所示,该煤矿降质图像的全息图生成装置800还可以包括:分类模块801、增强模块802、确定模块803和生成模块804,其中,增强模块802包括第一获取单元8021和增强单元8022,生成模块804包括第二获取单元8041、确定单元8042、处理单元8043、输入单元8044和生成单元8045。
其中,关于分类模块801、增强模块802、确定模块803和生成模块804的详细描述请参考图7所示实施例中分类模块701、增强模块702、确定模块703和生成模块704的说明,此处不在进行描述。
在本申请的一个实施例中,如图8所示,分类模块801,具体用于:
将煤矿降质图像输入到预先训练好的分类模型,以通过分类模型得到煤矿降质图像的图像类型。
在本申请的一个实施例中,如图8所示,增强模块802,包括:
第一获取单元8021,用于获取与图像类型对应的图像增强算法。
增强单元8022,用于根据图像增强算法,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像。
在本申请的一个实施例中,如图8所示,在图像增强算法为暗通道增强算法的情况下,增强单元8022,具体用于:
获取煤矿降质图像的图像参数。
将图像参数输入到暗通道增强算法中进行计算,以得到煤矿降质图像的暗通道图像和透射率图。
根据煤矿降质图像的暗通道图像,估算出煤矿降质图像对应的大气光强。
对透射率图中的边缘取值进行优化,以得到具有预设下限值的目标透射率图。
基于煤矿降质图像对应的大气光强、暗通道图像和目标透射率,确定煤矿降质图像的无雾图像。
将无雾图像作为增强后的目标煤矿增强图像。
在本申请的一个实施例中,全息图生成算法为角谱衍射算法或者自适应加权GS算法。
在本申请的一个实施例中,如图8所示,在全息图生成算法为自适应加权GS算法的情况下,生成模块804,包括:
第二获取单元8041,用于获取目标煤矿增强图像的平面波常数振幅和初始化随机相位。
确定单元8042,用于根据平面波常数振幅和初始化随机相位,确定目标煤矿增强图像的当前全息图。
处理单元8043,用于根据自适应加权GS算法对当前全息图进行迭代处理,以得到目标煤矿增强图像的初始全息图。
输入单元8044,用于将初始全息图作为下一次迭代处理的输入,直至当前全息图的迭代次数等于预设的迭代次数阈值。
生成单元8045,用于将迭代次数等于迭代次数阈值时所得到的目标全息图作为目标煤矿增强图像在应用场景下的全息图。
在本申请的一个实施例中,如图8所示,处理单元8043,具体用于:
将当前全息图正向衍射到像面上,以得到像面的复振幅。
根据像面的复振幅中的振幅,确定出像面的空域约束振幅。
根据空域约束振幅和当前全息面对应的随机相位,确定出像面的目标复振幅。
对目标复振幅进行逆向衍射,以得到目标煤矿增强图像的初始全息图。
本申请提出一种煤矿降质图像的全息图生成装置,对煤矿降质图像进行分类,以得到煤矿降质图像的图像类型,根据图像类型,对煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,根据目标煤矿增强图像对应的应用场景,确定应用场景对应的全息图生成算法,根据全息图生成算法对目标煤矿增强图像进行处理,生成目标煤矿增强图像在应用场景下的全息图,由此,基于对不同类型的降质图像进行图像增强,并根据降质图像在不同应用场景下对应的全息图生成算法生成全息图,从而增强煤矿降质图像的图像质量的同时,得到煤矿降质图像的高质量全息图。
如图9所示,是根据本申请一个实施例的电子设备的框图。
如图9所示,该电子设备包括:
存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机指令。
处理器902执行指令时实现上述实施例中提供的煤矿降质图像的全息图生成方法。
进一步地,电子设备还包括:
通信接口903,用于存储器901和处理器902之间的通信。
存储器901,用于存放可在处理器902上运行的计算机指令。
存储器901可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器902,用于执行程序时实现上述实施例的煤矿降质图像的全息图生成方法。
如果存储器901、处理器902和通信接口903独立实现,则通信接口903、存储器901和处理器902可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器901、处理器902及通信接口903,集成在一块芯片上实现,则存储器901、处理器902及通信接口903可以通过内部接口完成相互间的通信。
处理器902可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种煤矿降质图像的全息图生成方法,其特征在于,所述方法包括:
对所述煤矿降质图像进行分类,以得到所述煤矿降质图像的图像类型;
根据所述图像类型,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像;
根据所述目标煤矿增强图像对应的应用场景,确定所述应用场景对应的全息图生成算法;
根据所述全息图生成算法对所述目标煤矿增强图像进行处理,生成所述目标煤矿增强图像在所述应用场景下的全息图。
2.根据权利要求1所述的方法,其特征在于,所述对所述煤矿降质图像进行分类,以得到所述煤矿降质图像的图像类型,包括:
将所述煤矿降质图像输入到预先训练好的分类模型,以通过所述分类模型得到所述煤矿降质图像的图像类型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述图像类型,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,包括:
获取与所述图像类型对应的图像增强算法;
根据所述图像增强算法,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像。
4.根据权利要求3所述的方法,其特征在于,在所述图像增强算法为暗通道增强算法的情况下,所述根据所述图像增强算法,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像,包括:
获取所述煤矿降质图像的图像参数;
将所述图像参数输入到所述暗通道增强算法中进行计算,以得到所述煤矿降质图像的暗通道图像和透射率图;
根据所述煤矿降质图像的暗通道图像,估算出所述煤矿降质图像对应的大气光强;
对所述透射率图中的边缘取值进行优化,以得到具有预设下限值的目标透射率图;
基于所述煤矿降质图像对应的大气光强、所述暗通道图像和所述目标透射率,确定所述煤矿降质图像的无雾图像;
将所述无雾图像作为增强后的所述目标煤矿增强图像。
5.根据权利要求1所述的方法,其特征在于,所述全息图生成算法为角谱衍射算法或者自适应加权盖师贝格-撒克斯通GS算法。
6.根据权利要求5所述的方法,其特征在于,在所述全息图生成算法为自适应加权GS算法的情况下,所述根据所述全息图生成算法对所述目标煤矿增强图像进行处理,生成所述目标煤矿增强图像在所述应用场景下的全息图,包括:
获取所述目标煤矿增强图像的平面波常数振幅和初始化随机相位;
根据所述平面波常数振幅和所述初始化随机相位,确定所述目标煤矿增强图像的当前全息图;
根据所述自适应加权GS算法对所述当前全息图进行迭代处理,以得到所述目标煤矿增强图像的初始全息图;
将所述初始全息图作为下一次迭代处理的输入,直至所述当前全息图的迭代次数等于预设的迭代次数阈值;
将迭代次数等于所述迭代次数阈值时所得到的目标全息图作为所述目标煤矿增强图像在所述应用场景下的全息图。
7.根据权利要求6所述的方法,其特征在于,所述根据所述自适应加权GS算法对所述目标煤矿增强图像进行迭代处理,以得到所述目标煤矿增强图像的初始全息图,包括:
将所述当前全息图正向衍射到像面上,以得到像面的复振幅;
根据所述像面的复振幅中的振幅,确定出所述像面的空域约束振幅;
根据所述空域约束振幅和所述当前全息图对应的随机相位,确定出所述像面的目标复振幅;
对所述目标复振幅进行逆向衍射,以得到所述目标煤矿增强图像的初始全息图。
8.一种煤矿降质图像的全息图生成装置,其特征在于,所述装置包括:
分类模块,用于对所述煤矿降质图像进行分类,以得到所述煤矿降质图像的图像类型;
增强模块,用于根据所述图像类型,对所述煤矿降质图像进行图像增强,以得到增强后的目标煤矿增强图像;
确定模块,用于根据所述目标煤矿增强图像对应的应用场景,确定所述应用场景对应的全息图生成算法;
生成模块,用于根据所述全息图生成算法对所述目标煤矿增强图像进行处理,生成所述目标煤矿增强图像在所述应用场景下的全息图。
9.一种电子设备,其特征在于,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的煤矿降质图像的全息图生成方法。
10.一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如权利要求1-7中任一所述的煤矿降质图像的全息图生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210668471.4A CN114926367A (zh) | 2022-06-14 | 2022-06-14 | 煤矿降质图像的全息图生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210668471.4A CN114926367A (zh) | 2022-06-14 | 2022-06-14 | 煤矿降质图像的全息图生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926367A true CN114926367A (zh) | 2022-08-19 |
Family
ID=82813742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210668471.4A Pending CN114926367A (zh) | 2022-06-14 | 2022-06-14 | 煤矿降质图像的全息图生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926367A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661321A (zh) * | 2022-12-07 | 2023-01-31 | 煤炭科学研究总院有限公司 | 全息图的获取方法、装置、电子设备和介质 |
-
2022
- 2022-06-14 CN CN202210668471.4A patent/CN114926367A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661321A (zh) * | 2022-12-07 | 2023-01-31 | 煤炭科学研究总院有限公司 | 全息图的获取方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ancuti et al. | Color balance and fusion for underwater image enhancement | |
Raveendran et al. | Underwater image enhancement: a comprehensive review, recent trends, challenges and applications | |
Bai et al. | Underwater image enhancement based on global and local equalization of histogram and dual-image multi-scale fusion | |
Shin et al. | Radiance–reflectance combined optimization and structure-guided $\ell _0 $-Norm for single image dehazing | |
Cao et al. | Underwater image restoration using deep networks to estimate background light and scene depth | |
Shiau et al. | Weighted haze removal method with halo prevention | |
CN110889812B (zh) | 一种多尺度融合图像特征信息的水下图像增强方法 | |
CN108447028A (zh) | 基于多尺度融合的水下图像质量改善方法 | |
Wang et al. | Single Underwater Image Enhancement Based on $ L_ {P} $-Norm Decomposition | |
CN114926367A (zh) | 煤矿降质图像的全息图生成方法 | |
Honnutagi et al. | Fusion-based underwater image enhancement by weight map techniques | |
Choi et al. | Sharpness enhancement and super-resolution of around-view monitor images | |
Pan et al. | ChebyLighter: Optimal Curve Estimation for Low-light Image Enhancement | |
Thepade et al. | Improved haze removal method using proportionate fusion of color attenuation prior and edge preserving | |
Liu et al. | Single image defogging method based on image patch decomposition and multi-exposure image fusion | |
Srigowri | Enhancing unpaired underwater images with cycle consistent network | |
Baboshina et al. | Combined use of a bilateral and median filter to suppress gaussian noise in images | |
US11922609B2 (en) | End to end differentiable machine vision systems, methods, and media | |
Cao et al. | Remote sensing image recovery and enhancement by joint blind denoising and dehazing | |
Srinivas et al. | Channel prior based Retinex model for underwater image enhancement | |
Gautam et al. | WMCP-EM: An integrated dehazing framework for visibility restoration in single image | |
Chakraborty et al. | A multi-level method noise based image denoising using convolution neural network | |
He et al. | Single image dehazing using non-local total generalized variation | |
Wang et al. | Underwater image quality optimization: Researches, challenges, and future trends | |
Javaran | Blur length estimation in linear motion blurred images using evolutionary algorithms |
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 |