CN115496693B - 基于暗通道算法的烧结火焰图像去烟雾方法 - Google Patents
基于暗通道算法的烧结火焰图像去烟雾方法 Download PDFInfo
- Publication number
- CN115496693B CN115496693B CN202211437496.XA CN202211437496A CN115496693B CN 115496693 B CN115496693 B CN 115496693B CN 202211437496 A CN202211437496 A CN 202211437496A CN 115496693 B CN115496693 B CN 115496693B
- Authority
- CN
- China
- Prior art keywords
- window
- value
- pixel
- gray
- smoke
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005245 sintering Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000000779 smoke Substances 0.000 claims abstract description 89
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 239000000126 substance Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 239000000428 dust Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 7
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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
本发明涉及数据处理技术领域,具体涉及一种基于暗通道算法的烧结火焰图像去烟雾方法,获取烧结火焰图像中的数据信息,并根据获取的数据信息得到各包围区,根据各包围区中像素点在R、G和B通道的像素值计算各包围区的均匀度;获取各包围区对应的各灰度区域,计算各灰度区域中各像素点的烟雾均匀系数;根据所述烟尘均匀系数与均匀度计算各像素点的烟尘抗干扰系数,基于所述烟尘抗干扰系数得到各像素点对应滤波窗口的尺寸。本发明能够实现滤波窗口的自适应,更精确地获取各像素点对应滤波窗口的尺寸,进而得到较佳的去雾效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于暗通道算法的烧结火焰图像去烟雾方法。
背景技术
冶金生产的烧结过程是为高炉准备原料的重要工序,烧结矿质量的优劣将直接影响到炼铁生产的产量、质量以及能源消耗。一般通过烧结终点评价烧结过程是否正常运行,烧结终点是烧结矿烧结结束时的位置,包括三种烧结状态,即烧结均匀、过烧以及欠烧;烧结状态不仅是评价烧结过程是否正常运行的重要指标,还是提高烧结矿的质量和降低成本的重要工艺参数;
但是在烧结料燃烧的过程中无法直接获得其内部的热状态,一般只能通过分析与烧结终点相关且易于测量的参数,用数学计算的方法间接得到烧结终点;主要方法包括风箱废弃温度法、风箱废弃成分法以及负压法等,但这些方法普遍存在计算结果偏差、应用比较局限的问题。现有技术中还出现了一种通过烧结机的机尾断面图像来判断烧结终点的方法,该方法使用了基于目标函数的无监督学习算法,应用范围较广泛;但机尾断面图像中存在易受粉尘散射及热辐射等因素的影响而产生图像退化的特点,同时,机尾断面图像中的烟尘、噪声以及亮度不均等问题会导致分析结果不准确,因此在对机尾断面图像进行分析之前有必要对其进行清晰化处理;
目前,直方图均衡化算法、Retinex算法以及暗通道算法均能实现对图像的清晰化处理,但是直方图均衡化算法与Retinex算法在操作过程中存在丢失图像信息的问题,而暗通道算法存在执行效率低、边缘区域易产生光晕等问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于暗通道算法的烧结火焰图像去烟雾方法,所采用的技术方案具体如下:
获取烧结火焰图像并对其进行预处理得到灰度图像;所述烧结火焰图像为RGB图像;
获取灰度图像中的多条边缘线,所述边缘线包括闭合边缘线与非闭合边缘线;
设置n×n的窗口;窗口的中心为各边缘像素点,若一条边缘线上各边缘像素点对应窗口中的所有边缘像素点组成的连线均能够将窗口划分为两个区域,则对应边缘线为闭合边缘线;反之,对应缘线为非闭合边缘线将其删除;n大于等于3;
计算窗口中所有边缘像素点的灰度均值,根据所述灰度均值以及窗口中的每一个区域中像素点对应的数量与灰度值,计算窗口中心的边缘像素点的差异边缘系数;当一条闭合边缘线上具有设定数值以上的差异边缘系数大于阈值时,则对其进行保留,反之将其剔除;
获取每一条保留下来的闭合边缘线在所述烧结火焰图像中对应的包围区,分别计算各包围区中像素点在R通道、G通道以及B通道对应的像素值均值与像素值中位数,基于所述像素值均值与像素值中位数计算各包围区的均匀度;
获取所述各包围区在灰度图像中对应的各灰度区域,利用所述n×n的窗口分别对各灰度区域进行滑窗操作,根据窗口内像素点的灰度值,计算窗口中心像素点的烟雾均匀系数;
计算所述均匀度与烟雾均匀系数归一化后的值的乘积,得到各像素点的烟尘抗干扰系数,基于烟尘抗干扰系数得到各像素点在暗通道算法中对应滤波窗口的尺寸。
进一步地,所述差异边缘系数为:
其中,为窗口中心的边缘像素点对应的差异边缘系数,为窗口中所有边缘像素点的灰度均值,为窗口中其中一个区域中的像素点数量,为窗口中其中一个区域中像素点i的灰度值,为窗口中另外一个区域中的像素点数量;为窗口中另外一个区域中像素点j的灰度值;T为比较系数;为取值函数;即在中,若大于,则的值为,若小于等于,则的值为0。
进一步地,所述均匀度为:
其中,为包围区对应的均匀度,为包围区中像素点在R通道对应的像素值中位数,为包围区中像素点在R通道对应的像素值均值;为包围区中像素点在G通道对应的像素值中位数,为包围区中像素点在G通道对应的像素值均值;为包围区中像素点在B通道对应的像素值中位数,为包围区中像素点在B通道对应的像素值均值;为以e为底的指数函数。
进一步地,所述窗口中心像素点的烟雾均匀系数的获取方法为:所述窗口的大小为5×5,首先将窗口划分为三个区域,窗口的中心像素点为第一区域,所述中心像素点的8邻域像素点为第二区域,窗口中除第一区域与第二区域之外的剩余其他区域为第三区域,然后分别计算第二区域与第三区域对应的灰度值均值,根据所述第二区域与第三区域对应的灰度值均值、第一区域的灰度值以及窗口对应的灰度值均值,计算窗口中心像素点的烟雾均匀系数;
所述烟雾均匀系数为:
其中,为第一区域的灰度值,为第二区域对应的灰度值均值,为第三区域对应的灰度值均值,为窗口对应的灰度值均值。
进一步地,所述滑窗操作的步长为1。
进一步地,所述各像素点在暗通道算法中对应滤波窗口的尺寸为:
其中,为滤波窗口的尺寸,为该像素点对应的烟尘抗干扰系数归一化后的值,与为值域参数,为四舍五入函数。
本发明实施例至少具有如下有益效果:
本方案通过不同区域对应的均匀度与各个像素点对应的烟雾均匀系数,得到各个像素点的烟尘抗干扰系数,通过烟尘抗干扰系数得到各像素点在暗通道算法中对应滤波窗口的尺寸,实现了滤波窗口的自适应,本方案考虑到了像素点周围烟雾的分布情况以及气孔区、红火区和背景区对应均匀性的不同,根据不同像素点对应区域的不同及其周围环境的不同,构建尺寸大小不一的滤波窗口;使得到的滤波窗口能够更加精确的实现去烟尘效果,在利用暗通道算法对烧结火焰图像进行去烟雾操作时,不同的滤波窗口具有执行效率高,边缘区域不易产生光晕的优点。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明的一种基于暗通道算法的烧结火焰图像去烟雾方法实施例的步骤流程图;
图2为不同的烧结火焰图像对应的灰度图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的方案,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
请参阅图1,其示出了本发明一个实施例提供的一种基于暗通道算法的烧结火焰图像去烟雾方法的步骤流程图,该方法包括以下步骤:
步骤1,获取烧结火焰图像并对其进行灰度化处理得到灰度图像;获取灰度图像中的多条边缘线;所述边缘线包括闭合边缘线与非闭合边缘线。
具体地,在烧结机机尾安装CCD相机,利用CCD相机获取烧结矿断面的RGB图像,称为烧结火焰图像,即烧结火焰图像为RGB图像;由于烧结火焰图像在获取过程中会出现噪声,因此需要对烧结火焰图像进行去噪,去除烧结火焰图像中的噪声,本实施例采用高斯滤波去除烧结火焰图像中的噪声,即利用高斯函数与烧结火焰图像中的每一个通道分别作卷积,消除烧结火焰图像中的随机噪声。
首先对烧结火焰图像进行灰度化处理得到灰度图像,如图2所示,图2为不同的烧结火焰图像对应的灰度图像;现有技术中灰度化处理的算法有加权平均法、最大值法、分量法以及平均值法,在具体实施过程中实施者可随机选取其中的一种,本实施例利用加权平均法进行灰度化处理。
然后利用canny算子获取灰度图像中的多条边缘线,其中边缘线包括闭合边缘线与非闭合边缘线;获取边缘线的具体步骤为:首先利用canny算子得到一张二值图;然后对二值图做闭运算处理保证应闭合的边缘线闭合;最后根据二值图中像素点的灰度值标记像素点在灰度图像中的标签;即将二值图中灰度值为0的像素点对应到灰度图像中的像素点记为边缘像素点,将二值图中灰度值为255的像素点对应到灰度图像中的像素点记为非边缘像素点;至此得到灰度图像中的多条边缘线,利用canny算子获取边缘线为公知技术,不再赘述。
步骤2,设置n×n的窗口;窗口的中心为各边缘像素点,若一条边缘线上各边缘像素点对应窗口中的所有边缘像素点组成的连线均能够将窗口划分为两个区域,则对应边缘线为闭合边缘线;反之,对应边缘线为非闭合边缘线将其删除;n大于等于3。
在烧结火焰图像中,烧结火焰图像一般分为气孔区、红火区以及背景区;对应在灰度图像中的灰度值依次减小;气孔区是火焰中特别明亮的黄白色区域,且气孔区全部被包围在被红火区里面,通常有多个不同大小的气孔区在一个红火区中;红火区是火焰中较亮的红色区域;背景区为不清晰的外焰、烟尘等;由于红火区和气孔区为闭合区域,因此需要筛选出灰度图像中的闭合边缘线,保证后续分析结果的准确性。
筛选闭合边缘线的过程为:每一个边缘像素点均具有一个以该边缘像素点为中心的窗口;对于气孔区对应的边缘线来说,该边缘线为闭合边缘线,分析该条闭合边缘线上的每一个边缘像素点对应的窗口,对于任意一个窗口,因为边缘线为闭合边缘线,因此窗口中具有与窗口中心的边缘像素点左右相邻的边缘像素点,窗口中的所有边缘像点组成的连线能够将窗口分为两个区域,其中一个区域对应气孔区,灰度值较大称为燃烧反应剧烈侧;另外一个区域对应红火区,灰度值较小称为燃烧反应平缓侧。所以闭合边缘线中任意一个边缘像素点对应窗口中的所有边缘像素点组成的连线均能够将窗口划分为两个区域,而对非闭合边缘线来说,非闭合边缘线中最左侧的边缘像素点对应的窗口中只具有与窗口中心的边缘像素点右相邻的边缘像素点,不具有与窗口中心的边缘像素点右相邻的边缘像素点,即该窗口中的所有边缘像素点组成的连线不能将该窗口分为两个区域,基于此,筛选出灰度图像中的闭合边缘线;即若一条边缘线上各边缘像素点对应窗口中的所有边缘像素点组成的连线均能够将窗口划分为两个区域,则这条边缘线为闭合边缘线;反之,这条边缘线为非闭合边缘线将其删除;排除了非闭合边缘线对后续分析结果的干扰,本实施例设置的窗口大小为5×5,实施者可根据情况对其进行调整。
步骤3,计算窗口中所有边缘像素点的灰度均值,根据所述灰度均值以及窗口中的每一个区域中像素点对应的数量与灰度值,计算窗口中心的边缘像素点的差异边缘系数;当一条闭合边缘线上具有设定数值以上的差异边缘系数大于阈值时,则对其进行保留,反之将其剔除。
具体地,所述差异边缘系数为:
其中,为窗口中心的边缘像素点对应的差异边缘系数,为窗口中所有边缘像素点的灰度均值,为窗口中其中一个区域中的像素点数量,为窗口中其中一个区域中像素点i的灰度值,为窗口中另外一个区域中的像素点数量;为窗口中另外一个区域中像素点j的灰度值;T为比较系数;为取值函数;即在中,若大于,则的值为,若小于等于,则的值为0。其中比较系数T的取值为20,实施者可根据实际情况进行调整。
需要说明的是,差异边缘系数是基于窗口中两区域对应灰度值的不同进行构建的,窗口中边缘像素点的灰度值与两个区域中像素点的灰度值相差越大时,差异边缘系数越大,两个区域中像素点的灰度值相差越大,差异边缘系数越大;若差异边缘系数越大,则表明窗口中心的边缘像素点划分的越准确,若差异边缘系数较小,则表明窗口中心的边缘像素点划分失误,即在利用canny算子获取灰度图像中的边缘线时,误把正常像素点划分为了边缘像素点,在这种情况下得到的闭合边缘线则为假闭合边缘线,因此通过差异边缘系数筛选出真正的闭合边缘线。当一条闭合边缘线上具有设定数值以上的差异边缘系数大于阈值时,则对其进行保留,反之将其剔除;闭合边缘线上一个边缘像素点具有一个差异边缘系数,本实施例的设定数值为该条闭合边缘线上边缘像素点总量的90%,阈值为800,在实际操作过程中,实施者可根据实际情况调整阈值与设定数值的取值。
步骤4,获取每一条保留下来的闭合边缘线在所述烧结火焰图像中对应的包围区,分别计算各包围区中像素点在R通道、G通道以及B通道对应的像素值均值与像素值中位数,基于所述像素值均值与像素值中位数计算各包围区的均匀度。
所述均匀度为:
其中,为包围区对应的均匀度,为包围区中像素点在R通道对应的像素值中位数,为包围区中像素点在R通道对应的像素值均值;为包围区中像素点在G通道对应的像素值中位数,为包围区中像素点在G通道对应的像素值均值;为包围区中像素点在B通道对应的像素值中位数,为包围区中像素点在B通道对应的像素值均值;为以e为底的指数函数。
需要说明的是,包围区中所有像素点在同一个通道下对应的像素值组成的一组数据,像素值中位数反映的是这组数据中间值的情况,像素值平均值易受极值的影响,反映的是数据整体的平均水平;当这组数据的分布越分散,则像素值中位数与像素值平均值的差值的绝对值越大,则对应包围区的均匀度越小。
本实施例中,包围区对应的是烧结火焰图像中的气孔区、红火区以及背景区;这三个区域对应的均匀度是不同的;气孔区、红火区和背景区对应的均匀度依次减小;气孔区为火焰中特别明亮的黄白色区域,气孔区受烟尘影响的程度小,因此气孔区的均匀度较大;红火区较亮,但是在红火区由于物质的不完全燃烧会在此出现烟尘,所以红火区会受到烟尘的一定影响;烟尘伴随着热气上升,主要向上方更大的范围扩散,所以背景区受到烟雾影响的程度最大,背景区内烟雾的形态、密度最不均匀;因此气孔区最为明亮均匀,在红火区围绕内的较低位置,基本不受烟尘影响,因此总结为气孔区受烟尘的影响程度最小,气孔区的均匀度最大,红火区受烟尘的影响程度一般,红火区的均匀度较大;背景区受烟尘的影响程度最大,背景区的均匀度最小。对于同属于一个类别区的不同包围区,根据包围区内具体情况的不同,包围区对应的均匀度也会存在差异;例如,有两个包围区同属于气孔区,但是根据包围内具体情况的不同,这两个包围区对应的均匀度会有差异,基于此计算各包围区的均匀度。
步骤5,获取所述各包围区在灰度图像中对应的各灰度区域,利用所述n×n的窗口分别对各灰度区域进行滑窗操作,根据窗口内像素点的灰度值,计算窗口中心像素点的烟雾均匀系数。
所述窗口中心像素点的烟雾均匀系数的获取方法为:本实施例中窗口的大小为5×5,首先将,窗口划分为三个区域,窗口的中心像素点为第一区域,所述中心像素点的8邻域像素点为第二区域,窗口中除第一区域与第二区域之外的剩余其他区域为第三区域,然后分别计算第二区域与第三区域对应的灰度值均值,根据所述第二区域与第三区域对应的灰度值均值、第一区域的灰度值以及窗口对应的灰度值均值,计算窗口中心像素点的烟雾均匀系数。
所述烟雾均匀系数为:
其中,为第一区域的灰度值,为第二区域对应的灰度值均值,为第三区域对应的灰度值均值,为窗口对应的灰度值均值。其中分母加上1是为了避免计算烟雾均匀系数时出现分母为0的极端情况。
某一像素点附近亮度越高,即附近像素点的灰度值越大,表征受烟雾影响的程度越小;该像素点对应窗口中的第二区域与第三区域对应的灰度值均值相差越小,窗口中的第一区域的灰度值(窗口中心像素点的灰度值)与第二区域的灰度值均值相差越小,烟雾均匀系数越大,烟雾越均匀。
需要说明的是,因为燃烧产生的烟雾在各灰度区域中并不完全均匀,其存在方式大致呈现为团块,所以对应同一灰度区域内不同像素点处的烟雾情况也不相同,需要根据每个像素点周边的具体情况进行判断,因此本实施例利用窗口获取各个像素点的周边情况,即将窗口区域的像素点划分为第一、第二以及第三区域,通过第一、第二以及第三区域对应的灰度值计算了窗口中心像素点的烟雾均匀系数。
上述滑窗操作的步长为1,以保证能够得到各灰度区域中每一个像素点的烟雾均匀系数。
步骤6,计算所述均匀度与烟雾均匀系数归一化后的值的乘积,得到各像素点的烟尘抗干扰系数,基于烟尘抗干扰系数得到各像素点在暗通道算法中对应滤波窗口的尺寸。
具体地,烧结火焰图像中每一个像素点均具有其所属的区域,计算像素点对应的烟雾均匀系数归一化后的值与该像素点所属区域对应均匀度的乘积,得到该像素点的烟尘抗干扰系数,所述烟尘抗干扰系数的公示表达为:,式中,为像素点对应的烟尘抗干扰系数,为像素点对应的烟雾均匀系数归一化后的值,为像素点所属区域对应的均匀度;对烟雾均匀系数进行归一化处理是去量纲操作。
进一步地,对烟尘抗干扰系数进行归一化操作,得到烟尘抗干扰系数归一化后的值;对烟尘抗干扰系数进行归一化的目的为:烟尘抗干扰系数为均匀度与烟雾均匀系数归一化后的值的乘积,均匀度本身的取值范围在0-1之间,烟雾均匀系数归一化后的值同样也在0-1之间,两者的乘积也即烟尘抗干扰系数,取值范围也在0-1之间,但是烟尘抗干扰系数实际得到的值域比0-1的范围要小,归一化可以使得烟尘抗干扰系数按照大小顺序让其在0-1之间的分布更均匀。
上述中各像素点在暗通道算法中对应滤波窗口的尺寸为:
其中,为滤波窗口的尺寸,为该像素点对应的烟尘抗干扰系数归一化后的值,与为值域参数,为四舍五入函数。本实施例中=20,=5。实施者可根据具体情况设置值域参数。
通过上述步骤得到了每一个像素点在暗通道算法中对应滤波窗口的尺寸,基于得到的滤波窗口的尺寸利用暗通道算法对烧结火焰图像进行去烟雾处理。
利用暗通道算法对烧结火焰图像进行去烟雾处理的具体过程为:首先得到烧结火焰图像对应的原始暗通道图像,即在烧结火焰图像中的每个像素点在R、G和B通道下都有对应的像素值,选取三个通道中的最小像素值作为该像素点对应的像素值,通过相同步骤得到每个像素点对应的最小像素值,最小像素值组成原始暗通道图像;然后对原始暗通道图像进行最小值滤波可达到对烧结火焰图像去烟雾的目的。方案中获取的各个像素点对应的滤波窗口的尺寸即为最小值滤波时各个像素点对应的滤波窗口的尺寸。
需要说明的是,烟尘是由燃烧物燃烧不充分产生的,并且烟尘会伴随着热气上升,聚集在火焰周围,并向外扩散;且内焰部分亮度最高,外焰部分亮度较高,烧结火焰图像不同位置的烟尘影响程度不同,所以不同位置需要去除烟尘的程度不同,而后续对于去烟尘后的烧结火焰图像进行分析时,对于气孔区和红火区的精度要求较高,对背景区的精度要求较低,因此要对烧结火焰图像中的不同区域实现不同的去烟尘效果和精度保留程度。由于滤波窗口越小,最后去烟雾的效果越好,滤波窗口越大,对图像中颜色和细节的保留程度越好,因此烧结火焰图像中的背景区受烟雾的影响程度越大,其对应的滤波窗口最小,气孔区受烟雾的影响程度最小,对应的滤波窗口较大,且气孔区的颜色和细节的保留程度较好。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (3)
1.一种基于暗通道算法的烧结火焰图像去烟雾方法,其特征在于,该方法包括以下步骤:
获取烧结火焰图像并对其进行预处理得到灰度图像;所述烧结火焰图像为RGB图像;
获取灰度图像中的多条边缘线,所述边缘线包括闭合边缘线与非闭合边缘线;
设置n×n的窗口;窗口的中心为各边缘像素点,若一条边缘线上各边缘像素点对应窗口中的所有边缘像素点组成的连线均能够将窗口划分为两个区域,则对应边缘线为闭合边缘线;反之,对应缘线为非闭合边缘线将其删除;n大于等于3;
计算窗口中所有边缘像素点的灰度均值,根据所述灰度均值以及窗口中的每一个区域中像素点对应的数量与灰度值,计算窗口中心的边缘像素点的差异边缘系数;当一条闭合边缘线上具有设定数值以上的差异边缘系数大于阈值时,则对其进行保留,反之将其剔除;
获取每一条保留下来的闭合边缘线在所述烧结火焰图像中对应的包围区,分别计算各包围区中像素点在R通道、G通道以及B通道对应的像素值均值与像素值中位数,基于所述像素值均值与像素值中位数计算各包围区的均匀度;
获取所述各包围区在灰度图像中对应的各灰度区域,利用所述n×n的窗口分别对各灰度区域进行滑窗操作,根据窗口内像素点的灰度值,计算窗口中心像素点的烟雾均匀系数;
计算所述均匀度与烟雾均匀系数归一化后的值的乘积,得到各像素点的烟尘抗干扰系数,基于烟尘抗干扰系数得到各像素点在暗通道算法中对应滤波窗口的尺寸;
所述差异边缘系数为:
其中,为窗口中心的边缘像素点对应的差异边缘系数,为窗口中所有边缘像素点的灰度均值,为窗口中其中一个区域中的像素点数量,为窗口中其中一个区域中像素点i的灰度值,为窗口中另外一个区域中的像素点数量;为窗口中另外一个区域中像素点j的灰度值;T为比较系数;为取值函数;即在中,若大于,则的值为,若小于等于,则的值为0;
所述均匀度为:
其中,为包围区对应的均匀度,为包围区中像素点在R通道对应的像素值中位数,为包围区中像素点在R通道对应的像素值均值;为包围区中像素点在G通道对应的像素值中位数,为包围区中像素点在G通道对应的像素值均值;为包围区中像素点在B通道对应的像素值中位数,为包围区中像素点在B通道对应的像素值均值;为以e为底的指数函数;
所述窗口中心像素点的烟雾均匀系数的获取方法为:所述窗口的大小为5×5,首先将窗口划分为三个区域,窗口的中心像素点为第一区域,所述中心像素点的8邻域像素点为第二区域,窗口中除第一区域与第二区域之外的剩余其他区域为第三区域,然后分别计算第二区域与第三区域对应的灰度值均值,根据所述第二区域与第三区域对应的灰度值均值、第一区域的灰度值以及窗口对应的灰度值均值,计算窗口中心像素点的烟雾均匀系数;
所述烟雾均匀系数为:
其中,为第一区域的灰度值,为第二区域对应的灰度值均值,为第三区域对应的灰度值均值,为窗口对应的灰度值均值。
2.根据权利要求1所述的一种基于暗通道算法的烧结火焰图像去烟雾方法,其特征在于,所述滑窗操作的步长为1。
3.根据权利要求1所述的一种基于暗通道算法的烧结火焰图像去烟雾方法,其特征在于,所述各像素点在暗通道算法中对应滤波窗口的尺寸为:
其中,为滤波窗口的尺寸,为该像素点对应的烟尘抗干扰系数归一化后的值,与为值域参数,为四舍五入函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437496.XA CN115496693B (zh) | 2022-11-17 | 2022-11-17 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437496.XA CN115496693B (zh) | 2022-11-17 | 2022-11-17 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496693A CN115496693A (zh) | 2022-12-20 |
CN115496693B true CN115496693B (zh) | 2023-04-07 |
Family
ID=85115974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211437496.XA Active CN115496693B (zh) | 2022-11-17 | 2022-11-17 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496693B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861133B (zh) * | 2023-02-22 | 2023-05-09 | 山东晋工科技有限公司 | 一种钻凿劈裂一体机的远程遥控无人驾驶系统 |
CN115861721B (zh) * | 2023-02-28 | 2023-05-05 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖喷雾设备状态识别方法 |
CN116363390B (zh) * | 2023-05-25 | 2023-09-19 | 之江实验室 | 一种红外弱小目标检测方法、装置、存储介质及电子设备 |
CN116453029B (zh) * | 2023-06-16 | 2023-08-29 | 济南东庆软件技术有限公司 | 基于图像数据的楼宇火灾环境检测方法 |
CN116523801B (zh) * | 2023-07-03 | 2023-08-25 | 贵州医科大学附属医院 | 一种早产儿护理智能监测方法 |
CN116580024B (zh) * | 2023-07-12 | 2023-09-15 | 山东荣信集团有限公司 | 一种基于图像处理的焦炭质量检测方法 |
CN116798003B (zh) * | 2023-08-28 | 2023-11-14 | 苏州科尔珀恩机械科技有限公司 | 一种焚烧炉视觉辅助监控方法 |
CN116977327B (zh) * | 2023-09-14 | 2023-12-15 | 山东拓新电气有限公司 | 一种滚筒驱动带式输送机烟雾检测方法及系统 |
CN117994165B (zh) * | 2024-04-02 | 2024-06-14 | 湖南亿盛科技有限公司 | 一种基于大数据的智慧校园管理方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7031543B2 (en) * | 2002-01-02 | 2006-04-18 | Xerox Corporation | Grayscale image de-speckle algorithm |
CN112053298B (zh) * | 2020-08-27 | 2022-05-27 | 上海电机学院 | 一种图像去雾方法 |
CN112419149B (zh) * | 2020-11-02 | 2022-05-13 | 武汉大学 | 一种暗通道先验和导向滤波的分布式遥感图像去雾方法 |
-
2022
- 2022-11-17 CN CN202211437496.XA patent/CN115496693B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115496693A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115496693B (zh) | 基于暗通道算法的烧结火焰图像去烟雾方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN113538433A (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN117557571B (zh) | 基于图像增强的合金电阻焊接缺陷视觉检测方法及系统 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114972892B (zh) | 基于计算机视觉的汽车刹车片缺陷分类方法 | |
CN114494256A (zh) | 基于图像处理的电线生产缺陷检测方法 | |
CN116051543B (zh) | 一种用于钢材剥皮的缺陷识别方法 | |
CN115359043A (zh) | 一种pcb板面异物智能检测方法 | |
CN115409742A (zh) | 一种基于园林绿化的植被覆盖密度评估方法 | |
CN117745715B (zh) | 基于人工智能的大口径望远镜镜片缺陷检测方法 | |
CN116703251A (zh) | 基于人工智能的胶圈生产质量检测方法 | |
AU2021102981A4 (en) | Identification Method of Pulmonary Nodules Based on Lung CT Image Features and Genetic Markers | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
CN115115622B (zh) | 一种冲压端子视觉检测装置 | |
CN115905916A (zh) | 一种拱坝变形监测有效信息提取方法 | |
CN116778261B (zh) | 基于图像处理的原料油等级分类方法 | |
CN115731239B (zh) | 一种钢材质量的检测方法 | |
CN118014994B (zh) | 一种稻壳可降解餐盒裂缝检测方法 | |
CN116740065B (zh) | 基于大数据的人造板瑕疵品快速溯源方法及系统 |
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 |