CN115311173A - 用于气体污染识别的视觉增强方法及系统 - Google Patents

用于气体污染识别的视觉增强方法及系统 Download PDF

Info

Publication number
CN115311173A
CN115311173A CN202211223856.6A CN202211223856A CN115311173A CN 115311173 A CN115311173 A CN 115311173A CN 202211223856 A CN202211223856 A CN 202211223856A CN 115311173 A CN115311173 A CN 115311173A
Authority
CN
China
Prior art keywords
gas
difference
leakage
pixel point
current frame
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
Application number
CN202211223856.6A
Other languages
English (en)
Other versions
CN115311173B (zh
Inventor
吴庆东
隋鲁智
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.)
Shandong Ruichi Zhizhen Environmental Technology Co ltd
Original Assignee
Shandong Ruichi Zhizhen Environmental Technology Co ltd
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 Shandong Ruichi Zhizhen Environmental Technology Co ltd filed Critical Shandong Ruichi Zhizhen Environmental Technology Co ltd
Priority to CN202211223856.6A priority Critical patent/CN115311173B/zh
Publication of CN115311173A publication Critical patent/CN115311173A/zh
Application granted granted Critical
Publication of CN115311173B publication Critical patent/CN115311173B/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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20224—Image subtraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于气体污染识别的视觉增强方法及系统。该方法包括：采集当前帧气体泄漏红外图像并进行灰度化处理，获取当前帧气体泄漏灰度图像中的差异气体像素点；获取每个差异气体像素点的差异分布密度；获取每个差异气体像素点与其他每个差异气体像素点之间的泄漏向量，得到每个差异气体像素点的泄漏合向量；获取每个差异气体像素点的离散程度；获取每个差异气体像素点的泄漏程度，获取当前帧气体泄漏灰度图像中每个差异气体像素点的增强灰度值，得到增强后的当前帧气体泄漏灰度图像。本发明通过确定差异气体像素点，并结合其分布以及扩散方向确定泄漏程度进行对应增强，有效提升了图像的可观测性。

Description

用于气体污染识别的视觉增强方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于气体污染识别的视觉增强方法及系统。
背景技术
在人们生活和生产过程中，工业气体、甲烷等易燃易爆气体的泄漏，存在着巨大的安全隐患，不仅对环境造成污染，而且处理不当，可能会造成爆炸或引发火灾等重大安全事故，造成生命财产的巨大损失，一些易燃易爆或者对环境造成污染的无色气体，一旦发生泄漏，肉眼难以察觉，因此通常需要使用红外热成像仪拍摄红外图像来进行观测，但是泄漏的气体在红外图像中呈半透明的状态，可观测性较差，因此需要对红外图像进行增强。
现有技术中存在利用直方图均衡化进行图像增强的方法，该方法通过对图像进行整体增强从而提升图像的质量，但是对于气体泄漏图像来说，需要观测的主要是气体区域，因此在图像增强时需要有针对性的进行部分区域增强，而直方图均衡化对图像进行增强时会将其它不需要增强的区域也进行增强，依旧无法提升对图像中气体区域的可观测性，并且对于背景区域的图像增强还可能会干扰气体泄漏情况的观测。
发明内容
为了解决现有技术中无法有针对性的进行部分区域增强，从而提升对图像中气体区域的可观测性，本发明提供一种用于气体污染识别的视觉增强方法及系统，该方法包括：连续采集多帧气体泄漏灰度图像并进行灰度化处理，获取当前帧气体泄漏灰度图像中的差异气体像素点；获取每个差异气体像素点的差异分布密度；获取每个差异气体像素点与其他每个差异气体像素点之间的泄漏向量，得到每个差异气体像素点的泄漏合向量；获取每个差异气体像素点的离散程度；获取每个差异气体像素点的泄漏程度，获取当前帧气体泄漏灰度图像中每个差异气体像素点的增强灰度值，得到增强后的当前帧气体泄漏灰度图像。本发明通过确定差异气体像素点，并结合其分布以及扩散方向确定泄漏程度进行对应增强，有效提升了图像的可观测性。
本发明采用如下技术方案，用于气体污染识别的视觉增强方法，包括：
采集当前帧气体泄漏红外图像并进行灰度化处理，得到当前帧气体泄漏灰度图像，获取当前帧气体泄漏灰度图像中的气体像素点。
根据当前帧气体泄漏灰度图像与其上一帧气体泄漏灰度图像中气体像素点之间的灰度值差异获取当前帧气体泄漏灰度图像中的差异气体像素点；其中，上一帧气体泄漏灰度图像为采集的未增强气体泄漏灰度图像。
根据当前帧气体泄漏灰度图像中每个差异气体像素点及其相邻差异气体像素点的灰度值、每个差异气体像素点与其相邻差异气体像素点的距离获取当前帧气体泄漏灰度图像中每个差异气体像素点的差异分布密度。
根据当前帧气体泄漏灰度图像中每个差异气体像素点的差异分布密度，获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏向量。
根据当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量的方向获取当前帧气体泄漏灰度图像中每个差异气体像素点的离散程度。
根据当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏向量以及离散程度获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏程度。
根据当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏程度获取当前帧气体泄漏灰度图像中每个差异气体像素点的增强灰度值。
根据当前帧气体泄漏灰度图像中每个差异气体像素点的增强灰度值得到增强后的当前帧气体泄漏灰度图像。
进一步的，用于气体污染识别的视觉增强方法，获取当前帧气体泄漏灰度图像中的差异气体像素点的方法为：
利用帧间差分法获取当前帧气体泄漏灰度图像与其上一帧气体泄漏灰度图像中气体像素点之间灰度值差值的绝对值；
将当前帧气体泄漏灰度图像中灰度值差值的绝对值不为零的气体像素点作为当前帧气体泄漏灰度图像中的差异气体像素点。
进一步的，用于气体污染识别的视觉增强方法，获取每个差异气体像素点的差异分布密度的方法为：
获取当前帧气体泄漏灰度图像中每个差异气体像素点与其相邻差异气体像素点之间的灰度值差值，以及每个差异气体像素点与其对应相邻差异像素点之间的欧式距离；
根据每个差异气体像素点与其相邻差异气体像素点之间的灰度值差值以及欧式距离的乘积之和得到每个差异气体像素点的差异分布密度。
进一步的，用于气体污染识别的视觉增强方法，获取当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量的方法为：
获取当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间的差异分布密度的差值绝对值；
将该差值绝对值与单位向量的乘积作为当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间的泄漏向量；
将每个差异气体像素点与其他每个差异气体像素点之间差异分布密度最小值对应的差异气体像素点作为向量起始点，得到当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量的方向。
进一步的，用于气体污染识别的视觉增强方法，获取当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量之后，还包括：
根据当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间的泄漏向量，获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏合向量。
进一步的，用于气体污染识别的视觉增强方法，获取当前帧气体泄漏灰度图像中每个差异气体像素点的离散程度的方法为：
获取当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间泄漏向量的方向个数；
根据当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间泄露向量的每个方向在所有方向个数中的占比之和，得到当前帧气体泄漏灰度图像每个差异气体像素点的离散程度。
进一步的，用于气体污染识别的视觉增强方法，获取每个差异气体像素点的泄漏程度的方法为：
获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏合向量的模长；
根据当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏合向量的模长与离散程度的乘积得到每个差异气体像素点的泄漏程度。
进一步的，用于气体污染识别的视觉增强方法，获取当前帧气体泄漏灰度图像的气体像素点的方法为：
获取数据库中的气体泄漏图像作为数据集对神经网络进行训练，利用训练好的神经网络对当前帧气体泄漏灰度图像进行语义分割，得到当前帧气体泄漏灰度图像中的气体像素点。
进一步的，本发明还提出了一种用于气体污染识别的视觉增强系统，至少包括摄像设备、存储器以及处理器，存储器存储摄像设备采集的图像以及计算机程序，处理器通过执行存储器存储的计算机程序对摄像设备采集的图像进行处理，以实现本发明所述的用于气体污染识别的视觉增强方法。
本发明的有益效果是，本发明利用神经网络能够准确的确定出当前帧图像中的气体像素点，并通过帧间差分法确定当前帧图像中发生变化的差异气体像素点，从而确定对图像进行针对性增强的目标，便于后续进行像素点增强值的计算；同时通过差异气体像素点的分布密度以及泄漏向量确定每个差异气体像素点的泄漏程度，一方面能够反映出气体的扩散程度，另一方面能够体现出气体的扩散趋势，因此根据泄漏程度得到的像素增强值能够使图像的增强效果更好，并且对不同的差异气体像素点分别进行增强，在保证对图像进行针对性增强的同时能够有效提升图像的可观测性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种用于气体污染识别的视觉增强方法结构示意图；
图2为本发明实施例的一种用于气体污染识别的视觉增强系统流程示意图。
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，所描述的实施例仅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。
本发明所针对的情景为：一些易燃易爆或者对环境造成污染的气体，一旦发生泄漏，肉眼难以察觉，如果处理不当可能会造成爆炸或引发火灾等重大安全事故，造成生命财产的巨大损失，因此本发明通过固定摄像头，采集气体泄漏红外图像，利用神经网络找出红外图像中存在泄漏气体的区域，对其进行标记，然后利用帧差法获取图像的差异气体像素点；然后对差异气体像素点的分布密度特征进行计算，由于气体泄漏的源头浓度比较大，从图像中很难看出变化，在时序上前一帧与后一帧几乎没有差异，而浓度比较小的地方，差异比较明显，得到的差异点（差异气体像素点）也比较多，因此计算差异分布密度时，浓度越大的地方，计算出的差异分布密度反而小，进一步获取每个差异气体像素点的泄漏方向从而得到每个差异气体像素点的泄漏严重程度，进一步根据各差异点的泄漏严重程度，对图像进行增强，泄漏情况越严重，气体泄漏表现从泄漏源向某一方向快速扩散，呈现喷射式泄漏；泄漏情况越不严重，气体从泄漏源向四周扩散，呈现蔓延式泄漏。
如图1所示，给出了本发明实施例的一种用于气体污染识别的视觉增强方法结构示意图，包括：
101.采集当前帧气体泄漏红外图像并进行灰度化处理，得到当前帧气体泄漏灰度图像，获取当前帧气体泄漏灰度图像中的气体像素点。
获取当前帧气体泄漏灰度图像的气体像素点的方法为：
获取数据库中的气体泄漏图像作为数据集对神经网络进行训练，利用训练好的神经网络对当前帧气体泄漏灰度图像进行语义分割，得到当前帧气体泄漏灰度图像中的气体像素点。
本发明采用DNN网络，采用语义分割的方式来识别红外图像中的气体点（气体像素点），步骤如下：
使用的数据集为数据库中的气体红外图像数据集；需要分割的像素分为两类，即训练集对应标签标注过程为：单通道的语义标签，对于位置像素属于背景类的标注为0，属于气体点的标注为1。网络的任务是分类，所以使用的是loss函数为交叉熵损失函数。
通过标记好的气体区域数据集对神经网络进行训练，从而利用训练好的模型找出红外图像中气体发生泄漏的区域，并对泄漏气体进行标记，将识别出为泄漏的气体的区域，标记为要对其进行处理的气体点，从而得到当前帧气体泄漏灰度图像中的气体像素点。
102.根据当前帧气体泄漏灰度图像与其上一帧气体泄漏灰度图像中气体像素点之间的灰度值差异获取当前帧气体泄漏灰度图像中的差异气体像素点；其中，上一帧气体泄漏灰度图像为采集的未增强气体泄漏灰度图像。
获取当前帧气体泄漏灰度图像中的差异气体像素点的方法为：
利用帧间差分法获取当前帧气体泄漏灰度图像与其上一帧气体泄漏灰度图像中气体像素点之间灰度值差值的绝对值；
将灰度值差值的绝对值不为零的气体像素点作为差异气体像素点，得到当前帧气体泄漏灰度图像中的差异气体像素点。
本发明利用帧差法获取气体在当前帧气体泄漏图像中的差异气体像素点，帧差法就是帧间差分法，通过当前帧图像与其前一帧图像的差值绝对值进行差异判断，两帧之间相同的区域将会被去除，差值绝对值为零时认为该区域未发生变化，从而保留下来产生变化的区域，对于气体泄漏时由固定的相机拍摄出的红外图像，通过神经网络找到泄漏气体的区域，其中标记为气体点的像素，利用帧差法就获取到前后两帧之间的差异，找出这些被标记的气体点中发生改变的点，即得到本发明的差异气体像素点。
103.根据当前帧气体泄漏灰度图像中每个差异气体像素点及其相邻差异气体像素点的灰度值、每个差异气体像素点与其相邻差异气体像素点的距离获取当前帧气体泄漏灰度图像中每个差异气体像素点的差异分布密度。
获取每个差异气体像素点的差异分布密度的方法为：
获取当前帧气体泄漏灰度图像中每个差异气体像素点与其相邻差异气体像素点之间的灰度值差值以及每个差异气体像素点与其对应相邻差异像素点之间的欧式距离；
根据每个差异气体像素点与其相邻差异气体像素点之间的灰度值差值以及欧式 距离的乘积之和得到每个差异气体像素点的差异分布密度，表达式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 469479DEST_PATH_IMAGE002
表示第i个差异气体像素点的差异分布密度，
Figure 183357DEST_PATH_IMAGE003
表示第i个像素点与其相 邻的第m个像素点之间的灰度值差值，
Figure 822149DEST_PATH_IMAGE004
表示第i个像素点与其相邻的第m个像素点之间的 欧式距离，该差异分布密度表示每个差异气体像素点周围其他差异气体像素点的分布特 征，由于气体浓度比较大的地方，得到的差异气体像素点也比较多，因此相邻差异气体像素 点之间的距离相对较近，灰度值差异也较小，因此气体浓度越高，则该差异分布密度越小， 反之气体浓度越低，该差异分布密度越大，从而得到的泄漏程度更大，由于气体浓度较低区 域的像素点可观测程度更低，因此根据泄漏程度进行图像增强时对差异气体像素点增强的 效果更好。
104.根据当前帧气体泄漏灰度图像中每个差异气体像素点的差异分布密度，获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏向量。
获取每个差异气体像素点与其他每个差异气体像素点之间的泄漏向量的方法为：
获取每个差异气体像素点与其他每个差异气体像素点之间的差异分布密度的差值绝对值；
将该差值绝对值与单位向量的乘积作为每个差异气体像素点与其他每个差异气体像素点之间的泄漏向量；
将每个差异气体像素点与其他每个差异气体像素点之间差异分布密度最小值对应的差异气体像素点作为向量起始点，得到每个差异气体像素点与其他每个差异气体像素点之间泄漏向量的方向。
进一步本发明根据差异分布密度求出每个差异点与其它差异点（差异气体像素 点）之间的向量，向量起点为差异分布密度较小的差异点，指向差异分布密度较大的差异 点，选择一个差异点
Figure 810833DEST_PATH_IMAGE005
,取另一个非
Figure 687522DEST_PATH_IMAGE005
的差异点，以二者差异分布密度较小的差异点为起 点，指向
Figure 103460DEST_PATH_IMAGE002
较大的差异点方向构建单位泄漏向量。以二者差异分布密度差值绝对值乘以单 位泄露向量所获得的向量作为二者构成的泄漏向量，以上述方式构建差异点
Figure 170161DEST_PATH_IMAGE005
与其他所有 差异点之间的泄漏向量，通过该泄漏向量能够反映出每个差异点的扩散方向，而由于气体 扩散方向较为分散，因此综合每个差异点与其他每个差异点之间的泄漏向量计算其合向 量。
进一步的，用于气体污染识别的视觉增强方法，获取当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量之后，还包括：
根据当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间的泄漏向量，获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏合向量。
计算差异点
Figure 103482DEST_PATH_IMAGE005
对应的泄露合向量，表达式为：
Figure 569098DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
表示第i个像素点的泄漏合向量，
Figure 218254DEST_PATH_IMAGE002
表示第i个差异气体像素点的差异分 布密度，
Figure 707004DEST_PATH_IMAGE008
表示第n个不为i的差异气体像素点的差异分布密度，
Figure 240754DEST_PATH_IMAGE009
为差异气体像素点
Figure 623194DEST_PATH_IMAGE005
与 第n个差异气体像素点的单位向量。
通过综合每个差异点与其他每个差异点之间的泄漏向量，从而确定每个差异点的泄漏合向量来反应出每个差异点的综合扩散方向，该向量值越大说明气体泄漏方向越集中，即气体泄漏呈现喷射式的泄漏，泄漏严重程度较高；反之则说明气体泄漏方向越分散，气体呈现向四周扩散，泄漏是慢慢进行逸散的，从而其泄漏严重程度会较低。
105.根据当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量的方向获取当前帧气体泄漏灰度图像中每个差异气体像素点的离散程度。
获取每个差异气体像素点的离散程度的方法为：
获取每个差异气体像素点与其他每个差异气体像素点之间泄漏向量的方向个数；
根据每个差异气体像素点与其他每个差异气体像素点之间泄露向量的每个方向在所有方向个数中的占比之和，得到每个差异气体像素点的离散程度。
为了方便计算泄漏方向的离散程度，本发明对向量的方向进行量化，即以水平向右的方向记为零度，逆时针进行旋转从而得到向量的所有方向角度；
进一步根据该量化后的方向角度获取每个差异点与其他差异点之间泄漏向量的方向，并统计不同的泄漏向量方向的个数，根据每个泄露向量的方向在该差异点所有泄漏向量的方向中出现的概率计算每个差异点的离散程度，表达式为：
Figure 849776DEST_PATH_IMAGE010
其中，
Figure 825822DEST_PATH_IMAGE011
表示第i个差异点的离散程度，
Figure 897683DEST_PATH_IMAGE012
表示第i个差异点的所有泄漏向量的方 向中，方向角度为m出现的概率，log为对数函数，通过每个差异点泄漏向量的方向来计算离 散程度，能够反应出每个差异点泄漏方向的分散程度，该离散程度值越大，即该差异点对应 的扩散方向越多，则该差异点的泄漏方向越分散，对应泄漏程度越严重。
106.根据当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏向量以及离散程度获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏程度；根据当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏程度获取当前帧气体泄漏灰度图像中每个差异气体像素点的增强灰度值。
获取每个差异气体像素点的泄漏程度的方法为：
获取每个差异气体像素点的泄漏合向量的模长；
根据每个差异气体像素点的泄漏合向量的模长与离散程度的乘积得到每个差异气体像素点的泄漏程度，表达式为：
Figure 391420DEST_PATH_IMAGE013
Figure 87105DEST_PATH_IMAGE014
为第i个差异气体像素点的泄漏程度，
Figure 675082DEST_PATH_IMAGE015
为第i个差异气体像素点对应的泄漏 合向量的模长，
Figure 550634DEST_PATH_IMAGE011
为第i个差异气体像素点对应的离散程度，泄漏方向合向量的大小相当于 扩散速度的大小，泄漏方向合向量越大说明扩散速度越大；泄漏方向合向量越小则扩散速 度越小，而离散程度的大小相当于泄漏方向的分散程度，当气体的扩散程度越大时，其分散 程度随之增大，则此时泄漏程度也越高，两者呈正比例关系，因此将其相乘，泄漏程度
Figure 907666DEST_PATH_IMAGE014
越 大，泄漏越严重。
107.根据当前帧气体泄漏灰度图像中每个差异气体像素点的增强灰度值得到增强后的当前帧气体泄漏灰度图像。
清除原图像中气体区域的灰度值，每个差异气体像素点都会对应计算出一个泄漏 程度
Figure 476050DEST_PATH_IMAGE014
，设该差异气体像素点的增强灰度值为
Figure 161110DEST_PATH_IMAGE016
，公式为：
Figure 843282DEST_PATH_IMAGE017
Figure 54821DEST_PATH_IMAGE016
为第i个差异气体像素点的增强灰度值，
Figure 794107DEST_PATH_IMAGE018
是将严重程度归一化，范围为
Figure 966462DEST_PATH_IMAGE019
，e为以e为底的指数函数，255是最大灰度值，对于当前帧图像中的差异点，根据计算 出每个差异点的泄漏严重程度
Figure 183817DEST_PATH_IMAGE014
对其后一帧图像中这个差异点位置对应的气体点进行增 强，泄漏严重程度
Figure 718703DEST_PATH_IMAGE014
越大，对其增强程度越大；泄漏严重程度
Figure 691207DEST_PATH_IMAGE014
越小，对其增强程度越小。
用当前帧气体泄漏灰度图像中每个差异气体像素点的增强灰度值替换其原灰度值，从而实现了对当前帧气体泄漏灰度图像的针对性增强，即得到了增强后的当前帧气体泄漏灰度图像。
如图2所示，给出了本发明实施例的一种用于气体污染识别的视觉增强系统流程示意图，包括摄像设备、存储器以及处理器；
摄像设备为外部设备，其安装于气体存储罐体所在的区域，用于对气体存储罐体所在的区域进行监控，当气体泄漏时能够对气体泄漏的图像进行实时采集，并将采集到的图像储存在存储器中，存储器与处理器均安装于计算机介质中，存储器一方面存储摄像设备采集到的图像，另一方面其存储相关的计算机程序，从而使得处理器可以通过存储器中存储的相关计算机程序对气体泄漏图像进行处理，从而实现本发明一种用于气体污染识别的视觉增强方法所记载的全部内容。
本发明利用神经网络能够准确的确定出当前帧图像中的气体像素点，并通过帧间差分法确定当前帧图像中发生变化的差异气体像素点，从而确定对图像进行针对性增强的目标，便于后续进行像素点增强值的计算；同时通过差异气体像素点的分布密度以及泄漏向量确定每个差异气体像素点的泄漏程度，一方面能够反映出气体的扩散程度，另一方面能够体现出气体的扩散趋势，因此根据泄漏程度得到的像素增强值能够使图像的增强效果更好，并且对不同的差异气体像素点分别进行增强，在保证对图像进行针对性增强的同时能够有效提升图像的可观测性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (9)

1.用于气体污染识别的视觉增强方法，其特征在于，包括：
采集当前帧气体泄漏红外图像并进行灰度化处理，得到当前帧气体泄漏灰度图像，获取当前帧气体泄漏灰度图像中的气体像素点；
根据当前帧气体泄漏灰度图像与其上一帧气体泄漏灰度图像中气体像素点之间的灰度值差异获取当前帧气体泄漏灰度图像中的差异气体像素点；其中，上一帧气体泄漏灰度图像为采集的未增强气体泄漏灰度图像；
根据当前帧气体泄漏灰度图像中每个差异气体像素点及其相邻差异气体像素点的灰度值、每个差异气体像素点与其相邻差异气体像素点的距离获取当前帧气体泄漏灰度图像中每个差异气体像素点的差异分布密度；
根据当前帧气体泄漏灰度图像中每个差异气体像素点的差异分布密度，获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏向量；
根据当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量的方向获取当前帧气体泄漏灰度图像中每个差异气体像素点的离散程度；
根据当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏向量以及离散程度获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏程度；
根据当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏程度获取当前帧气体泄漏灰度图像中每个差异气体像素点的增强灰度值；
根据当前帧气体泄漏灰度图像中每个差异气体像素点的增强灰度值得到增强后的当前帧气体泄漏灰度图像。
2.根据权利要求1所述的用于气体污染识别的视觉增强方法，其特征在于，获取当前帧气体泄漏灰度图像中的差异气体像素点的方法为：
利用帧间差分法获取当前帧气体泄漏灰度图像与其上一帧气体泄漏灰度图像中气体像素点之间灰度值差值的绝对值；
将当前帧气体泄漏灰度图像中灰度值差值的绝对值不为零的气体像素点作为当前帧气体泄漏灰度图像中的差异气体像素点。
3.根据权利要求1所述的用于气体污染识别的视觉增强方法，其特征在于，获取每个差异气体像素点的差异分布密度的方法为：
获取当前帧气体泄漏灰度图像中每个差异气体像素点与其相邻差异气体像素点之间的灰度值差值，以及每个差异气体像素点与其对应相邻差异像素点之间的欧式距离；
根据每个差异气体像素点与其相邻差异气体像素点之间的灰度值差值以及欧式距离的乘积之和得到每个差异气体像素点的差异分布密度。
4.根据权利要求1所述的用于气体污染识别的视觉增强方法，其特征在于，获取当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量的方法为：
获取当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间的差异分布密度的差值绝对值；
将该差值绝对值与单位向量的乘积作为当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间的泄漏向量；
将每个差异气体像素点与其他每个差异气体像素点之间差异分布密度最小值对应的差异气体像素点作为向量起始点，得到当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量的方向。
5.根据权利要求4所述的用于气体污染识别的视觉增强方法，其特征在于，获取当前帧气体泄漏灰度图像中每个差异气体像素点泄漏向量之后，还包括：
根据当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间的泄漏向量，获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏合向量。
6.根据权利要求1所述的用于气体污染识别的视觉增强方法，其特征在于，获取当前帧气体泄漏灰度图像中每个差异气体像素点的离散程度的方法为：
获取当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间泄漏向量的方向个数；
根据当前帧气体泄漏灰度图像中每个差异气体像素点与其他每个差异气体像素点之间泄露向量的每个方向在所有方向个数中的占比之和，得到当前帧气体泄漏灰度图像每个差异气体像素点的离散程度。
7.根据权利要求5所述的用于气体污染识别的视觉增强方法，其特征在于，获取每个差异气体像素点的泄漏程度的方法为：
获取当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏合向量的模长；
根据当前帧气体泄漏灰度图像中每个差异气体像素点的泄漏合向量的模长与离散程度的乘积得到每个差异气体像素点的泄漏程度。
8.根据权利要求1所述的用于气体污染识别的视觉增强方法，其特征在于，获取当前帧气体泄漏灰度图像的气体像素点的方法为：
获取数据库中的气体泄漏图像作为数据集对神经网络进行训练，利用训练好的神经网络对当前帧气体泄漏灰度图像进行语义分割，得到当前帧气体泄漏灰度图像中的气体像素点。
9.用于气体污染识别的视觉增强系统，至少包括摄像设备、存储器以及处理器，其特征在于，存储器存储摄像设备采集的图像以及计算机程序，处理器通过执行存储器存储的计算机程序对摄像设备采集的图像进行处理，以实现如权利要求1-8任一项所述的用于气体污染识别的视觉增强方法。
CN202211223856.6A 2022-10-09 2022-10-09 用于气体污染识别的视觉增强方法及系统 Active CN115311173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211223856.6A CN115311173B (zh) 2022-10-09 2022-10-09 用于气体污染识别的视觉增强方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211223856.6A CN115311173B (zh) 2022-10-09 2022-10-09 用于气体污染识别的视觉增强方法及系统

Publications (2)

Publication Number Publication Date
CN115311173A true CN115311173A (zh) 2022-11-08
CN115311173B CN115311173B (zh) 2023-01-13

Family

ID=83865814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211223856.6A Active CN115311173B (zh) 2022-10-09 2022-10-09 用于气体污染识别的视觉增强方法及系统

Country Status (1)

Country Link
CN (1) CN115311173B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115798157A (zh) * 2023-02-08 2023-03-14 山东斯弗特智能科技有限公司 一种可燃气体泄露报警器
CN115965773A (zh) * 2023-03-16 2023-04-14 深圳市特安电子有限公司 基于物联网大数据的气体泄漏检测系统
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
CN117237647A (zh) * 2023-11-15 2023-12-15 成都嘉德数源环保科技有限公司 一种大气污染监测系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2381417A1 (en) * 2010-04-23 2011-10-26 Flir Systems AB Infrared resolution and contrast enhancement with fusion
CN102609906A (zh) * 2012-01-12 2012-07-25 北京理工大学 一种基于各向异性扩散的气体红外图像增强方法
CN104346626A (zh) * 2014-10-30 2015-02-11 国家电网公司 基于图像识别的sf6气体泄漏在线模式识别方法
WO2017197521A1 (en) * 2016-05-18 2017-11-23 Lineriders Inc. Apparatus and methodologies for leak detection using gas and infrared thermography
CN112419213A (zh) * 2020-10-23 2021-02-26 广西电网有限责任公司电力科学研究院 一种sf6红外图像增强方法及系统
CN114596329A (zh) * 2020-12-04 2022-06-07 中国科学院深圳先进技术研究院 一种气体图像增强及气体泄露检测方法和系统
CN114782902A (zh) * 2022-06-22 2022-07-22 中国科学技术大学先进技术研究院 石化气体泄露检测方法、系统、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2381417A1 (en) * 2010-04-23 2011-10-26 Flir Systems AB Infrared resolution and contrast enhancement with fusion
CN102609906A (zh) * 2012-01-12 2012-07-25 北京理工大学 一种基于各向异性扩散的气体红外图像增强方法
CN104346626A (zh) * 2014-10-30 2015-02-11 国家电网公司 基于图像识别的sf6气体泄漏在线模式识别方法
WO2017197521A1 (en) * 2016-05-18 2017-11-23 Lineriders Inc. Apparatus and methodologies for leak detection using gas and infrared thermography
US20190178743A1 (en) * 2016-05-18 2019-06-13 Lineriders Inc. Apparatus and methodologies for leak detection using gas and infrared thermography
CN112419213A (zh) * 2020-10-23 2021-02-26 广西电网有限责任公司电力科学研究院 一种sf6红外图像增强方法及系统
CN114596329A (zh) * 2020-12-04 2022-06-07 中国科学院深圳先进技术研究院 一种气体图像增强及气体泄露检测方法和系统
CN114782902A (zh) * 2022-06-22 2022-07-22 中国科学技术大学先进技术研究院 石化气体泄露检测方法、系统、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BINGLU LIU ET AL: "Monitoring and Detection of Combustible Gas Leakage by Using Infrared Imaging", 《2018 IEEE INTERNATIONAL CONFERENCE ON IMAGING SYSTEMS AND TECHNIQUES (IST)》 *
丁罗依: "泄漏气体的红外光学图像增强方法研究", 《中国优秀硕士论文全文数据库》 *
刘绍华: "泄漏气体红外图像增强显示技术研究", 《中国优秀硕士论文全文数据库》 *
李家琨等: "气体泄漏红外图像动态压缩及增强方法", 《光学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115798157A (zh) * 2023-02-08 2023-03-14 山东斯弗特智能科技有限公司 一种可燃气体泄露报警器
CN115798157B (zh) * 2023-02-08 2023-05-23 山东斯弗特智能科技有限公司 一种可燃气体泄露报警器
CN115965773A (zh) * 2023-03-16 2023-04-14 深圳市特安电子有限公司 基于物联网大数据的气体泄漏检测系统
CN117237647A (zh) * 2023-11-15 2023-12-15 成都嘉德数源环保科技有限公司 一种大气污染监测系统及方法
CN117237647B (zh) * 2023-11-15 2024-01-26 成都嘉德数源环保科技有限公司 一种大气污染监测系统及方法

Also Published As

Publication number Publication date
CN115311173B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN115311173B (zh) 用于气体污染识别的视觉增强方法及系统
Chen et al. Tom-net: Learning transparent object matting from a single image
WO2021008032A1 (zh) 监控视频处理方法、装置、计算机设备和存储介质
CN114372968B (zh) 结合注意力机制与自适应记忆性融合网络的瑕疵检测方法
CN109460787B (zh) 入侵检测模型建立方法、装置及数据处理设备
CN112990392A (zh) 基于改进YOLOv5算法的新材料地板缺陷目标检测系统
CN106097315A (zh) 一种基于声呐图像的水下构筑物裂缝提取方法
CN110059607B (zh) 活体多重检测方法、装置、计算机设备及存储介质
CN115205764B (zh) 基于机器视觉的在线学习专注度监测方法、系统及介质
CN117745680A (zh) 基于大型视觉语言模型的异常检测方法及装置
CN112069907A (zh) 基于实例分割的x光机图像识别方法、装置及系统
CN116071294A (zh) 一种光纤表面缺陷检测方法和装置
CN114170575A (zh) 一种火焰识别方法、装置、电子设备及存储介质
CN117745681A (zh) 一种管线缺陷的预警方法、装置及电子设备
CN111709762B (zh) 信息匹配度的评估方法、装置、设备及存储介质
CN111241330B (zh) 一种商品图片的审核方法、装置
Ellahi et al. Hmm-based framework to measure the visual fidelity of tone mapping operators
Abdrabou et al. Understanding Shoulder Surfer Behavior Using Virtual Reality
CN116977260A (zh) 目标物的缺陷检测方法、装置、电子设备及存储介质
CN116012659A (zh) 一种红外目标检测方法、装置、电子设备及存储介质
CN114022415B (zh) 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法
CN115578362A (zh) 电极涂层的缺陷检测方法、装置、电子设备及介质
CN114267016A (zh) 一种用于线下多人考试的视觉辅助监考系统
CN103065332B (zh) 雾天行人快速运动行为的检测方法及装置
JP2021045077A5 (zh)

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