CN115620119A - 一种天气类型图像检测及雾天图像处理方法及装置 - Google Patents
一种天气类型图像检测及雾天图像处理方法及装置 Download PDFInfo
- Publication number
- CN115620119A CN115620119A CN202211199412.3A CN202211199412A CN115620119A CN 115620119 A CN115620119 A CN 115620119A CN 202211199412 A CN202211199412 A CN 202211199412A CN 115620119 A CN115620119 A CN 115620119A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- weather
- target
- target area
- 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 description 22
- 238000003672 processing method Methods 0.000 title claims description 12
- 238000012545 processing Methods 0.000 claims abstract description 97
- 230000007613 environmental effect Effects 0.000 claims abstract description 86
- 238000013145 classification model Methods 0.000 claims abstract description 78
- 238000012937 correction Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- 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
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)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理技术领域，提供了一种天气类型图像检测及雾天图像处理方法及装置。该方法包括：获取目标区域的待识别图像和待识别环境数据；将待识别图像输入至图像分类模型，得到图像分类模型输出的第一气象分类概率；将待识别环境数据输入至数据分类模型，得到数据分类模型输出的第二气象分类概率；基于预设权重、第一气象分类概率以及第二气象分类概率，确定目标区域对应的天气类型；若确定目标区域对应的天气类型为目标天气类型，则将待识别图像作为目标图像；对目标图像进行自动色阶处理，并基于自动色阶处理后的目标图像对应的像素取值范围，对自动色阶处理后的目标图像进行伽马校正，得到目标图像的处理结果。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种天气类型图像检测及雾天图像处理方法及装置。
背景技术
由于处于雾、霾等天气条件时，大气能见度较低，在该类型天气中拍摄的图像，往往存在清晰度较低，色彩对比度表现不佳的问题。
然而，由于现有的图像去雾处理技术尚未实现与多数图像采集设备的实时联动，因此，当处于雾、霾等天气条件时，难以基于现有技术，对图像采集设备拍摄的图像进行实时优化处理。
发明内容
基于此，有必要针对上述技术问题，提供一种天气类型图像检测及雾天图像处理方法及装置。
第一方面，本申请提供了一种天气类型图像检测及雾天图像处理方法，应用于图像采集设备的处理器，所述方法包括：
获取目标区域的待识别图像和待识别环境数据；
将所述待识别图像输入至图像分类模型，得到所述图像分类模型输出的第一气象分类概率；
将所述待识别环境数据输入至数据分类模型，得到所述数据分类模型输出的第二气象分类概率；
基于预设权重、所述第一气象分类概率以及所述第二气象分类概率，确定所述目标区域对应的天气类型；
若确定所述目标区域对应的天气类型为目标天气类型，则将所述待识别图像作为目标图像；
对所述目标图像进行自动色阶处理，并基于自动色阶处理后的目标图像对应的像素取值范围，对所述自动色阶处理后的目标图像进行伽马校正，得到所述目标图像的处理结果。
在其中一个实施例中，所述目标天气类型包括雾天；所述待识别环境数据包括环境温度数据以及环境湿度数据；所述环境湿度数据包括环境平均湿度数据；所述环境平均湿度数据为基于若干湿度传感器获取得到；所述将所述待识别环境数据输入至数据分类模型，得到所述数据分类模型输出的第二气象分类概率之前，所述方法还包括步骤：
在若干预设时间段内，获取所述目标区域的环境温度数据，以及所述目标区域的环境平均湿度数据；获取在各所述预设时间段内，所述目标区域对应的天气类型；将在各所述预设时间段内，获取的所述目标区域的环境温度数据，所述目标区域的环境平均湿度数据，以及所述目标区域对应的天气类型进行拟合处理，构建所述目标区域的气象数据训练集；基于所述气象数据训练集，对所述数据分类模型进行训练。
在其中一个实施例中，所述数据分类模型为梯度下降树模型。
在其中一个实施例中，所述图像分类模型为DenseNet卷积神经网络模型。
在其中一个实施例中，所述自动色阶处理后的目标图像对应的像素取值范围包括[0,255]；所述基于自动色阶处理后的目标图像对应的像素取值范围，对所述自动色阶处理后的目标图像进行伽马校正的步骤，包括：
基于预设伽马值，分别对位于[0,255]这一区间的每一整数进行预补偿处理，得到所述每一整数对应的预补偿值；根据所述每一整数对应的预补偿值，构建伽马校正查找表；采用网格搜索法，从所述伽马校正查找表中，查找出所述自动色阶处理后的目标图像的每一像素点对应的伽马校正参数；基于所述伽马校正参数，确定伽马矫正后的目标图像的每一像素点对应的像素值。
在其中一个实施例中，所述基于预设权重、所述第一气象分类概率以及所述第二气象分类概率，确定所述目标区域对应的天气类型的步骤中，采用如下公式确定所述目标区域对应的天气类型：
其中，
为所述目标区域对应的天气类型为某一天气类型的概率，Pi为所述第一气象分类概率，
为所述第二气象分类概率，α为所述第一气象分类概率对应的预设权重，β为所述第二气象分类概率对应的预设权重，且α+β＝1。
第二方面，本申请还提供了一种天气类型图像检测及雾天图像处理装置，应用于图像采集设备的处理器，所述装置包括：
待识别数据获取模块，用于获取目标区域的待识别图像和待识别环境数据；
第一气象概率输出模块，用于将所述待识别图像输入至图像分类模型，得到所述图像分类模型输出的第一气象分类概率；
第二气象概率输出模块，用于将所述待识别环境数据输入至数据分类模型，得到所述数据分类模型输出的第二气象分类概率；
天气类型确定模块，用于基于若干预设权重、所述第一气象分类概率以及所述第二气象分类概率，确定所述目标区域对应的天气类型；
目标图像确定模块，用于若确定所述目标区域对应的天气类型为目标天气类型，则将所述待识别图像作为目标图像；
处理结果输出模块，用于对所述目标图像进行自动色阶处理，并基于自动色阶处理后的目标图像对应的像素取值范围，对所述自动色阶处理后的目标图像进行伽马校正，得到所述目标图像的处理结果。
第三方面，本申请还提供了一种图像采集设备。所述图像采集设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
上述天气类型图像检测及雾天图像处理方法及装置，首先，获取目标区域的待识别图像和待识别环境数据。然后，将所述待识别图像输入至图像分类模型，得到所述图像分类模型输出的第一气象分类概率。接着，将所述待识别环境数据输入至数据分类模型，得到所述数据分类模型输出的第二气象分类概率。之后，基于预设权重、所述第一气象分类概率以及所述第二气象分类概率，确定所述目标区域对应的天气类型。而后，若确定所述目标区域对应的天气类型为目标天气类型，则将所述待识别图像作为目标图像。最后，对所述目标图像进行自动色阶处理，并基于自动色阶处理后的目标图像对应的像素取值范围，对所述自动色阶处理后的目标图像进行伽马校正，得到所述目标图像的处理结果。本申请通过基于从目标区域中获取的图像及环境数据，确定从目标区域中获取的图像时，目标区域的所属天气类型，并针对所述天气类型为目标类型的图像进行去雾处理，不仅实现了去雾处理技术与图像采集设备的实时联动，还有效提升了基于图像采集设备对目标区域进行状态监控的实时性，以及基于图像采集设备获取的图像数据的准确性。
附图说明
图1为一个实施例中天气类型图像检测及雾天图像处理方法的流程示意图；
图2为一个实施例中获取用于训练数据分类模型的气象数据训练集的具体方式的流程示意图；
图3为一个实施例中对自动色阶处理后的目标图像进行伽马校正的具体方式的流程示意图；
图4为一个实施例中天气类型图像检测及雾天图像处理装置的结构框图；
图5为一个实施例中图像采集设备的内部结构图；
图6为一个实施例中天气类型图像检测及雾天图像处理方法在实际应用中的效果示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
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申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
本申请实施例提供的天气类型图像检测及雾天图像处理方法，可以应用于服务器执行。其中，数据存储系统可以存储服务器需要处理的数据；数据存储系统可以集成在服务器上，也可以放在云上或其他网络服务器上；服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图1所示，提供了一种天气类型图像检测及雾天图像处理方法，该方法应用于图像采集设备的处理器，包括以下步骤：
步骤S110，获取目标区域的待识别图像和待识别环境数据。
本步骤中，目标区域，可以是任意需要通过实时采集图像以及环境数据的方式，进行状态监控的区域；待识别图像，是指在目标区域中拍摄的，尚未进行分类识别处理的图像；待识别环境数据，是指从目标区域中获取的，尚未进行分类识别处理的环境数据；环境数据，可以包括环境温度数据、环境湿度数据等可用于表征某一区域在某一时间段内的所属天气类型的环境状态数据；环境温度数据，可以是基于温度传感器获取的；环境湿度数据，可以是基于湿度传感器获取的；湿度传感器，可以是户外湿度传感器。
示例性的，假设目标区域为变电站，则可以采用配置有图像采集设备的智能巡检机器人，实时拍摄表征变电站所属区域状态的图像，作为上述待识别图像，且可以通过在变电站所属区域中设置多个湿度传感器、温度传感器的方式，实时采集变电站所属区域的环境状态数据。
步骤S120，将待识别图像输入至图像分类模型，得到图像分类模型输出的第一气象分类概率。
本步骤中，待识别图像，是指在目标区域中拍摄的，尚未进行分类识别处理的图像；图像分类模型，是指具有基于待识别图像，确定拍摄待识别图像时的所属天气类型的功能的图像分类模型；第一气象分类概率，是指由图像分类模型输出的，拍摄待识别图像时的所属天气类型为某一或某些天气类型的概率。
示例性的，假设图像分类模型的分类基准为雾天、雨天以及其他天气这三种天气类型，则通过将待识别图像输入至图像分类模型，可以得到图像分类模型输出的拍摄待识别图像时的所属天气类型为雾天、雨天以及其他天气这三种天气类型的概率值，例如，通过将待识别图像输入至图像分类模型，图像分类模型可以输出以下概率值：拍摄待识别图像时的所属天气类型为雾天的概率值为P1，拍摄待识别图像时的所属天气类型为雨天的概率值为P2，拍摄待识别图像时的所属天气类型为其他天气的概率值为P3。
步骤S130，将待识别环境数据输入至数据分类模型，得到数据分类模型输出的第二气象分类概率。
本步骤中，待识别环境数据，是指从目标区域中获取的，尚未进行分类识别处理的环境数据；环境数据，可以包括环境温度数据、环境湿度数据等可用于表征某一区域在某一时间段内的所属天气类型的环境状态数据；数据分类模型，是指具有基于待识别环境数据，确定获取待识别环境数据时的所属天气类型的功能的数据分类模型；第二气象分类概率，是指由数据分类模型输出的，获取待识别环境数据时的所属天气类型为某一或某些天气类型的概率。
示例性的，假设数据分类模型的分类基准为雾天、雨天以及其他天气这三种天气类型，则通过将待识别环境数据输入至数据分类模型，可以得到数据分类模型输出的获取待识别环境数据时的所属天气类型为雾天、雨天以及其他天气这三种天气类型的概率值，例如，通过将待识别环境数据输入至数据分类模型，数据分类模型可以输出以下信息：获取待识别环境数据时的所属天气类型为雾天的概率值为
获取待识别环境数据时的所属天气类型为雨天的概率值为
获取待识别环境数据时的所属天气类型为其他天气的概率值为
步骤S140，基于预设权重、第一气象分类概率以及第二气象分类概率，确定目标区域对应的天气类型。
本步骤中，预设权重，可以是第一气象分类概率、第二气象分类概率各自对应的预设权重；第一气象分类概率，是指由图像分类模型输出的，拍摄待识别图像时的所属天气类型为某一或某些天气类型的概率；第二气象分类概率，是指由数据分类模型输出的，获取待识别环境数据时的所属天气类型为某一或某些天气类型的概率；目标区域对应的天气类型，是指在获取待识别图像及待识别环境数据时，目标区域的所属天气类型；确定目标区域对应的天气类型的具体方式，可以是根据第一气象分类概率、第二气象分类概率与其各自对应的预设权重，确定在获取待识别图像及待识别环境数据时，目标区域的所属天气类型为某一或某些天气类型的概率，再将对应概率值最大的天气类型，作为目标区域对应的天气类型。
步骤S150，若确定目标区域对应的天气类型为目标天气类型，则将待识别图像作为目标图像。
本步骤中，目标区域对应的天气类型，是指基于上述待识别图像及上述待识别环境数据，确定的目标区域对应的天气类型；目标天气类型，可以是根据实际图像处理需求确定的任意天气类型，例如，可以将目标天气类型设置为雾天。
示例性的，假设将目标天气类型设置为雾天，则将对应的天气类型为雾天的图像，作为用于进行后续图像处理的目标图像。
进一步的，还可以基于图像采集设备对应的图像采集目标区域，可能存在的状态监测需求，针对目标天气类型以外的其他天气类型，设置相应的后续执行步骤。例如，当确定目标区域对应的天气类型为雨天时，则生成打开图像采集设备的雨刮器的运行指令，以提高在雨天条件下拍摄的图像质量；当确定目标区域对应的天气类型为雾天、雨天以外的其他天气时，则直接输出由图像采集设备拍摄的图像(由于在因火灾产生的烟雾与自然条件下产生的雾天拍摄的图像，具备较高的特征相似度，仅针对自然条件下产生的雾天中拍摄的图像进行去雾优化处理，能够有效避免基于图像采集设备对目标区域进行状态监测时，因采用自动运行的图像去雾处理技术，而导致遗漏表征火灾事故的烟雾图像这一问题)。
步骤S160，对目标图像进行自动色阶处理，并基于自动色阶处理后的目标图像对应的像素取值范围，对自动色阶处理后的目标图像进行伽马校正，得到目标图像的处理结果。
本步骤中，自动色阶，是指自动色阶(Auto Levels)，即，首先，分别在图像对应的红、绿、蓝(R,G,B)三个通道中，将最亮的像素值和最暗的像素值作为白和黑，然后，基于预设比例，重新分配红、绿、蓝各通道中的像素值；伽马校正，是指伽马校正(GammaCorrection)；目标图像的处理结果，是指经自动色阶以及伽马校正处理后的目标图像。
示例性的，对目标图像进行自动色阶处理的具体方式可以是，首先，分别针对目标图像对应的红、绿、蓝(R,G,B)三个通道中的像素值进行直方图统计，得到目标图像对应的红通道(R通道，Red Channel)的首尾各0.5％的像素阈值，记为Rmin(R通道的下限阈值)和Rmax(R通道的上限阈值)，目标图像对应的绿通道(G通道，Green Channel)的首尾各0.5％的像素阈值，记为Gmin(G通道的下限阈值)和Gmax(G通道的上限阈值)，以及目标图像对应的蓝通道(B通道，Blue Channel)的首尾各0.5％的像素阈值，记为Bmin(B通道的下限阈值)和Bmax(B通道的上限阈值)；然后，根据如下公式，分别建立目标图像对应的红、绿、蓝(R,G,B)三个通道中的每一像素值与[0,255]这一区间的线性映射关系：
其中，u为目标图像对应的红、绿、蓝(R,G,B)三个通道中的任一像素值，min为该像素值对应的通道的下限阈值(即Rmin、Gmin，或Bmin)，max为该像素值对应的通道的上限阈值(即Rmax、Gmax，或Bmax)，且u的取值，满足min<u<max。
上述天气类型图像检测及雾天图像处理方法，首先，获取目标区域的待识别图像和待识别环境数据。然后，将待识别图像输入至图像分类模型，得到图像分类模型输出的第一气象分类概率。接着，将待识别环境数据输入至数据分类模型，得到数据分类模型输出的第二气象分类概率。之后，基于预设权重、第一气象分类概率以及第二气象分类概率，确定目标区域对应的天气类型。而后，若确定目标区域对应的天气类型为目标天气类型，则将待识别图像作为目标图像。最后，对目标图像进行自动色阶处理，并基于自动色阶处理后的目标图像对应的像素取值范围，对自动色阶处理后的目标图像进行伽马校正，得到目标图像的处理结果。本申请通过基于从目标区域中获取的图像及环境数据，确定从目标区域中获取的图像时，目标区域的所属天气类型，并针对所述天气类型为目标类型的图像进行去雾处理，不仅实现了去雾处理技术与图像采集设备的实时联动，还有效提升了基于图像采集设备对目标区域进行状态监控的实时性，以及基于图像采集设备获取的图像数据的准确性。
在一个实施例中，上述目标天气类型包括雾天；上述待识别环境数据包括环境温度数据以及环境湿度数据；上述环境湿度数据包括环境平均湿度数据；上述环境平均湿度数据为基于若干湿度传感器获取得到；对于获取用于训练数据分类模型的气象数据训练集的具体方式，如图2所示，上述步骤S130之前，还包括以下步骤：
步骤S210，在若干预设时间段内，获取目标区域的环境温度数据，以及目标区域的环境平均湿度数据。
本步骤中，若干预设时间段，可以是基于针对目标区域的需求状态监测频率确定的若干时间段；目标区域的环境温度数据，可以通过在目标区域内设置的温度传感器获取得到；目标区域的环境平均湿度数据，可以是通过在目标区域内设置的若干湿度传感器获取得到的环境湿度数据的平均值；若干湿度传感器，可以是若干户外湿度传感器。
示例性的，假设通过在目标区域内设置的若干湿度传感器获取得到的环境湿度数据为(H1,H2,……，Hn)，则可以通过如下表达式计算目标区域的平均湿度数据：
其中，i∈n。
步骤S220，获取在各预设时间段内，目标区域对应的天气类型。
本步骤中，各预设时间段，可以是基于针对目标区域的需求状态监测频率确定的各个时间段；目标区域对应的天气类型，是指在获取目标区域的环境温度数据，以及目标区域的环境平均湿度数据的时间段内，目标区域所属的天气类型。
步骤S230，将在各预设时间段内，获取的目标区域的环境温度数据，目标区域的环境平均湿度数据，以及目标区域对应的天气类型进行拟合处理，构建目标区域的气象数据训练集。
本步骤中，将在各预设时间段内，获取的目标区域的环境温度数据，目标区域的环境平均湿度数据，以及目标区域对应的天气类型进行拟合处理的具体方式，可以是基于梯度下降树模型(sklearn GBDT)，对在各预设时间段内，获取的目标区域的环境温度数据，目标区域的环境平均湿度数据，以及目标区域对应的天气类型形成的关系数据集进行拟合处理；目标区域的气象数据训练集，是指基于在各预设时间段内，获取的目标区域的环境温度数据，目标区域的环境平均湿度数据，以及目标区域对应的天气类型形成的关系数据集，进行拟合处理后得到的气象数据训练集。
示例性的，假设目标区域对应的天气类型的分类基准为雨天、雾天以及其他天气，且将雨天、雾天、其他天气三类分别表示为0，1，2，则上述关系数据集的表现形式可以是如下表1所示的形式：表1
步骤S240，基于气象数据训练集，对数据分类模型进行训练。
本步骤中，气象数据训练集，是指目标区域的气象数据训练集；完成基于目标区域的气象数据训练集对数据分类模型进行的训练后，即可通过向数据分类模型输入从目标区域中获取的环境温度数据和环境平均湿度数据的方式，得到从目标区域中获取环境温度数据和环境平均湿度数据时，目标区域的所属天气类型为某一或某些天气类型的概率。
上述实施例通过基于在各预设时间段内，获取的目标区域的环境温度数据，目标区域的环境平均湿度数据，以及目标区域对应的天气类型拟合而成的气象数据训练集，对数据分类模型进行训练的方式，有效提升了基于数据分类模型获取的目标区域的所属天气类型的预测结果的准确性，进而提升了基于图像采集设备获取的图像的数据准确性。
在一个实施例中，上述数据分类模型为梯度下降树模型。
示例性的，假设需要使用梯度下降树模型(即上述数据分类模型)，对从目标区域中获取环境温度数据和环境平均湿度数据时，目标区域的所属天气类型进行m轮预测，预测函数为Fm，初始常量或某一预测周期为fm，输入变量为X＝{H，C}，其中，H为环境湿度数据，C为环境温度数据，则可以采用如下公式进行目标区域的所属天气类型的预测与输出：
Fm(X)＝Fm-1(X)+fm(X)；
其中，P为基于Sigmoid函数输出的预测值(即上述第二气象分类概率)。
在一个实施例中，上述图像分类模型为DenseNet卷积神经网络模型。
其中，DenseNet卷积神经网络模型(即上述图像分类模型)，使用Softmax函数进行预测值(即上述第一气象分类概率)的输出。
在一个实施例中，上述自动色阶处理后的目标图像对应的像素取值范围包括[0,255]；对于对自动色阶处理后的目标图像进行伽马校正的具体方式，如图3所示，上述步骤S160具体包括：
步骤S310，基于预设伽马值，分别对位于[0,255]这一区间的每一整数进行预补偿处理，得到每一整数对应的预补偿值。
本步骤中，预设伽马值，可以是基于图像分辨率确定的伽马值；预补偿值，是指分别对位于[0,255]这一区间的每一整数进行预补偿处理，得到每一整数对应的预补偿值。
步骤S320，根据每一整数对应的预补偿值，构建伽马校正查找表。
本步骤中，根据每一整数对应的预补偿值，构建伽马校正查找表的具体方式，可以是将每一整数对应的预补偿值，分别存入预先设置的伽马校正查找表。
步骤S330，采用网格搜索法，从伽马校正查找表中，查找出自动色阶处理后的目标图像的每一像素点对应的伽马校正参数。
本步骤中，网格搜索法，是指网格搜索法(Grid Search)；伽马校正参数，是指用于确定伽马矫正后的目标图像的每一像素点对应的像素值的伽马校正参数；伽马校正参数与目标图像的每一像素点之间，存在一一对应的关系。
步骤S340，基于伽马校正参数，确定伽马矫正后的目标图像的每一像素点对应的像素值。
本步骤中，基于伽马校正参数，确定伽马矫正后的目标图像的每一像素点对应的像素值的具体方式，可以是基于伽马矫正后的目标图像的每一像素点对应的伽马校正参数，替换目标图像的每一像素点对应位置的输出像素值。
示例性的，假设已知目标图像的像素取值范围为[0,255]，预设伽马值为gamma，则可以采用如下表达式，计算位于目标图像对应的红、绿、蓝各通道中的每一像素点对应的输出像素值：
R’＝[255*(R/255)]^(1/gamma)；
G’＝[255*(G/255)]^(1/gamma)；
B’＝[255*(B/255)]^(1/gamma)；
其中，R’为R通道(Red Channel，红色通道)中每一像素点对应的输出像素值，R为R通道中每一像素点对应的原始像素值，G’为G通道(Green Channel，绿色通道)中每一像素点对应的输出像素值，G为G通道中每一像素点对应的原始像素值，B’为B通道(BlueChannel，绿色通道)中每一像素点对应的输出像素值，B为B通道中每一像素点对应的原始像素值。
上述实施例通过对经自动色阶处理后的目标图像，进行伽马校正的方式，有效提升了基于图像采集设备获取的图像的清晰度，以及图像的色彩对比度，进而提高了基于图像采集设备获取的图像的数据准确性。
在一个实施例中，在上述步骤S140中，采用如下公式确定上述目标区域对应的天气类型：
其中，
为上述目标区域对应的天气类型为某一天气类型的概率，Pi为上述第一气象分类概率，
为上述第二气象分类概率，α为上述第一气象分类概率对应的预设权重，β为上述第二气象分类概率对应的预设权重，且α+β＝1。
上述实施例通过基于第一气象分类概率和第二气象分类概率各自对应的预设权重值，确定目标图像属于某一或某些天气类型的概率的方式，有效保障了基于图像采集设备获取的目标图像对应的天气类型的结果准确性，进而提升了基于图像采集设备获取的图像的数据准确性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的天气类型图像检测及雾天图像处理方法的天气类型图像检测及雾天图像处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个天气类型图像检测及雾天图像处理装置实施例中的具体限定可以参见上文中对于天气类型图像检测及雾天图像处理方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种天气类型图像检测及雾天图像处理装置，应用于图像采集设备的处理器，该装置400包括：
待识别数据获取模块410，用于获取目标区域的待识别图像和待识别环境数据；
第一气象概率输出模块420，用于将所述待识别图像输入至图像分类模型，得到所述图像分类模型输出的第一气象分类概率；
第二气象概率输出模块430，用于将所述待识别环境数据输入至数据分类模型，得到所述数据分类模型输出的第二气象分类概率；
天气类型确定模块440，用于基于若干预设权重、所述第一气象分类概率以及所述第二气象分类概率，确定所述目标区域对应的天气类型；
目标图像确定模块450，用于若确定所述目标区域对应的天气类型为目标天气类型，则将所述待识别图像作为目标图像；
处理结果输出模块460，用于对所述目标图像进行自动色阶处理，并基于自动色阶处理后的目标图像对应的像素取值范围，对所述自动色阶处理后的目标图像进行伽马校正，得到所述目标图像的处理结果。
在一个实施例中，上述装置还包括：训练集获取模块，用于在若干预设时间段内，获取所述目标区域的环境温度数据，以及所述目标区域的环境平均湿度数据；获取在各所述预设时间段内，所述目标区域对应的天气类型；将在各所述预设时间段内，获取的所述目标区域的环境温度数据，所述目标区域的环境平均湿度数据，以及所述目标区域对应的天气类型进行拟合处理，构建所述目标区域的气象数据训练集；基于所述气象数据训练集，对所述数据分类模型进行训练。
在一个实施例中，第二气象概率输出模块430中的数据分类模型为梯度下降树模型。
在一个实施例中，第一气象概率输出模块420中的图像分类模型为DenseNet卷积神经网络模型。
在一个实施例中，处理结果输出模块460中的自动色阶处理后的目标图像对应的像素取值范围包括[0,255]，处理结果输出模块460，具体用于基于预设伽马值，分别对位于[0,255]这一区间的每一整数进行预补偿处理，得到所述每一整数对应的预补偿值；根据所述每一整数对应的预补偿值，构建伽马校正查找表；采用网格搜索法，从所述伽马校正查找表中，查找出所述自动色阶处理后的目标图像的每一像素点对应的伽马校正参数；基于所述伽马校正参数，确定伽马矫正后的目标图像的每一像素点对应的像素值。
在一个实施例中，天气类型确定模块440，具体用于如下公式确定所述目标区域对应的天气类型：
其中，
为所述目标区域对应的天气类型为某一天气类型的概率，Pi为所述第一气象分类概率，
为所述第二气象分类概率，α为所述第一气象分类概率对应的预设权重，β为所述第二气象分类概率对应的预设权重，且α+β＝1。
上述天气类型图像检测及雾天图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于图像采集设备中的处理器中，也可以以软件形式存储于图像采集设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种图像采集设备，其内部结构图可以如图5所示。该图像采集设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该图像采集设备的处理器用于提供计算和控制能力。该图像采集设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该图像采集设备的数据库用于存储目标区域的图像和环境数据等数据。该图像采集设备的输入/输出接口用于处理器与外部设备之间交换信息。该图像采集设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种天气类型图像检测及雾天图像处理方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的图像采集设备的限定，具体的图像采集设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，如图6所示，提供了上述天气类型图像检测及雾天图像处理方法在实际应用中的效果示意图，从图6中可以看出，上述天气类型图像检测及雾天图像处理方法，能够有效提高雾、霾等天气条件下拍摄的图像的清晰度以及色彩对比度。
在一个实施例中，提供了一种图像采集设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种天气类型图像检测及雾天图像处理方法，其特征在于，应用于图像采集设备的处理器，所述方法包括：
获取目标区域的待识别图像和待识别环境数据；
将所述待识别图像输入至图像分类模型，得到所述图像分类模型输出的第一气象分类概率；
将所述待识别环境数据输入至数据分类模型，得到所述数据分类模型输出的第二气象分类概率；
基于预设权重、所述第一气象分类概率以及所述第二气象分类概率，确定所述目标区域对应的天气类型；
若确定所述目标区域对应的天气类型为目标天气类型，则将所述待识别图像作为目标图像；
对所述目标图像进行自动色阶处理，并基于自动色阶处理后的目标图像对应的像素取值范围，对所述自动色阶处理后的目标图像进行伽马校正，得到所述目标图像的处理结果。
2.根据权利要求1所述的方法，其特征在于，所述目标天气类型包括雾天；所述待识别环境数据包括环境温度数据以及环境湿度数据；所述环境湿度数据包括环境平均湿度数据；所述环境平均湿度数据为基于若干湿度传感器获取得到；
所述将所述待识别环境数据输入至数据分类模型，得到所述数据分类模型输出的第二气象分类概率之前，所述方法还包括步骤：
在若干预设时间段内，获取所述目标区域的环境温度数据，以及所述目标区域的环境平均湿度数据；
获取在各所述预设时间段内，所述目标区域对应的天气类型；
将在各所述预设时间段内，获取的所述目标区域的环境温度数据，所述目标区域的环境平均湿度数据，以及所述目标区域对应的天气类型进行拟合处理，构建所述目标区域的气象数据训练集；
基于所述气象数据训练集，对所述数据分类模型进行训练。
3.根据权利要求2所述的方法，其特征在于，所述数据分类模型为梯度下降树模型。
4.根据权利要求3所述的方法，其特征在于，所述图像分类模型为DenseNet卷积神经网络模型。
5.根据权利要求1所述的方法，其特征在于，所述自动色阶处理后的目标图像对应的像素取值范围包括[0,255]；
所述基于自动色阶处理后的目标图像对应的像素取值范围，对所述自动色阶处理后的目标图像进行伽马校正的步骤，包括：
基于预设伽马值，分别对位于[0,255]这一区间的每一整数进行预补偿处理，得到所述每一整数对应的预补偿值；
根据所述每一整数对应的预补偿值，构建伽马校正查找表；
采用网格搜索法，从所述伽马校正查找表中，查找出所述自动色阶处理后的目标图像的每一像素点对应的伽马校正参数；
基于所述伽马校正参数，确定伽马矫正后的目标图像的每一像素点对应的像素值。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述基于预设权重、所述第一气象分类概率以及所述第二气象分类概率，确定所述目标区域对应的天气类型的步骤中，采用如下公式确定所述目标区域对应的天气类型：
其中，
为所述目标区域对应的天气类型为某一天气类型的概率，Pi为所述第一气象分类概率，
为所述第二气象分类概率，α为所述第一气象分类概率对应的预设权重，β为所述第二气象分类概率对应的预设权重，且α+β＝1。
7.一种天气类型图像检测及雾天图像处理装置，其特征在于，应用于图像采集设备的处理器，所述装置包括：
待识别数据获取模块，用于获取目标区域的待识别图像和待识别环境数据；
第一气象概率输出模块，用于将所述待识别图像输入至图像分类模型，得到所述图像分类模型输出的第一气象分类概率；
第二气象概率输出模块，用于将所述待识别环境数据输入至数据分类模型，得到所述数据分类模型输出的第二气象分类概率；
天气类型确定模块，用于基于若干预设权重、所述第一气象分类概率以及所述第二气象分类概率，确定所述目标区域对应的天气类型；
目标图像确定模块，用于若确定所述目标区域对应的天气类型为目标天气类型，则将所述待识别图像作为目标图像；
处理结果输出模块，用于对所述目标图像进行自动色阶处理，并基于自动色阶处理后的目标图像对应的像素取值范围，对所述自动色阶处理后的目标图像进行伽马校正，得到所述目标图像的处理结果。
8.一种图像采集设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211199412.3A CN115620119A (zh) | 2022-09-29 | 2022-09-29 | 一种天气类型图像检测及雾天图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211199412.3A CN115620119A (zh) | 2022-09-29 | 2022-09-29 | 一种天气类型图像检测及雾天图像处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115620119A true CN115620119A (zh) | 2023-01-17 |
Family
ID=84860438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211199412.3A Pending CN115620119A (zh) | 2022-09-29 | 2022-09-29 | 一种天气类型图像检测及雾天图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115620119A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292174A (zh) * | 2023-09-06 | 2023-12-26 | 中化现代农业有限公司 | 苹果病害识别方法、装置、电子设备和存储介质 |
-
2022
- 2022-09-29 CN CN202211199412.3A patent/CN115620119A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292174A (zh) * | 2023-09-06 | 2023-12-26 | 中化现代农业有限公司 | 苹果病害识别方法、装置、电子设备和存储介质 |
| CN117292174B (zh) * | 2023-09-06 | 2024-04-19 | 中化现代农业有限公司 | 苹果病害识别方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| Liu et al. | Automatic cloud detection for all-sky images using superpixel segmentation | |
| CN112241699A (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
| CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
| CN110580428A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN108897786A (zh) | 应用程序的推荐方法、装置、存储介质及移动终端 | |
| CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
| CN113177438B (zh) | 图像处理方法、设备及存储介质 | |
| CN102469302A (zh) | 应用于影像监控的可适应光线变化的背景模型学习系统 | |
| CN113256537A (zh) | 一种图像数据生成方法和装置 | |
| CN112149756A (zh) | 模型训练方法、图像识别方法、装置、设备及存储介质 | |
| CN115620119A (zh) | 一种天气类型图像检测及雾天图像处理方法及装置 | |
| CN114511820A (zh) | 货架商品检测方法、装置、计算机设备及存储介质 | |
| CN115115552A (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
| CN109523509B (zh) | 小麦抽穗期的检测方法、装置及电子设备 | |
| WO2021051382A1 (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
| CN108510490A (zh) | 一种分析虫害趋势的方法、装置及计算机存储介质 | |
| CN117451012B (zh) | 一种无人机航摄测量方法及系统 | |
| CN117808708A (zh) | 云雾遥感影像的处理方法、装置、设备和介质 | |
| US11983853B1 (en) | Techniques for generating training data for machine learning enabled image enhancement | |
| CN107424134B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
| CN111539975A (zh) | 一种运动目标的检测方法、装置、设备及存储介质 | |
| CN116524296A (zh) | 设备缺陷检测模型的训练方法、装置和设备缺陷检测方法 | |
| CN109472771A (zh) | 玉米雄穗的检测方法、装置及检测设备 |
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 |