CN115661017A - 红外热成像超像素分割融合方法、系统、介质及计算机 - Google Patents
红外热成像超像素分割融合方法、系统、介质及计算机 Download PDFInfo
- Publication number
- CN115661017A CN115661017A CN202211704983.8A CN202211704983A CN115661017A CN 115661017 A CN115661017 A CN 115661017A CN 202211704983 A CN202211704983 A CN 202211704983A CN 115661017 A CN115661017 A CN 115661017A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- image
- target
- superpixel
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 74
- 238000001931 thermography Methods 0.000 title claims abstract description 26
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000005445 natural material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003245 working effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000000463 material Substances 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
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种红外热成像超像素分割融合方法、系统、介质及计算机，该方法包括：对获取的红外图像进行超像素分割，并将超像素分割后的红外图像进行目标标记得到目标区域；将红外图像转换成灰度图像，并计算出灰度图像的全局阈值及超像素分割后的红外图像中各超像素块的灰度均值，根据灰度均值与全局阈值的对比结果确定目标像素块；将目标像素块和目标区域进行超像素合并，并判断超像素合并后的图像中是否存在目标像素块和/或目标区域；若不存在，则输出超像素合并后的图像。本发明根据灰度均值与全局阈值确定目标像素块，以提高目标区域的分割精度；将目标像素块和目标区域进行超像素合并，以使得目标物的温度损失减小。
Description
技术领域
本发明涉及图像数据处理技术领域，特别涉及一种红外热成像超像素分割融合方法、系统、介质及计算机。
背景技术
随着科技的飞速发展和高技术信息化综合水平的提高，电网及铁路规模也在不断的扩大，与此同时，用电设备的数量也在以指数形式增长。
为提高运维人员的工作效率，根据电力设备的工作性质和工作原理，利用红外热像仪对其进行探测，以检测出设备的内部故障是目前电力设备运维检修中较为常用的一种方法。且随着三维可视化的逐步发展，也有大量的研究将三维模型运用到数据建模和工程应用中。但目前三维图像仅能展示设备空间维度，不能反映设备温度信息，易造成设备内部放电故障难以检测。
发明内容
基于此，本发明的目的是提供一种红外热成像超像素分割融合方法、系统、介质及计算机，以至少解决上述相关技术中的不足。
本发明提出一种红外热成像超像素分割融合方法，包括：
获取红外图像，对所述红外图像进行超像素分割，并将超像素分割后的红外图像进行目标标记，以得到目标区域；
将所述红外图像转换成灰度图像，并计算出所述灰度图像的全局阈值以及所述超像素分割后的红外图像中各超像素块的灰度均值，并根据各所述超像素块的灰度均值与所述全局阈值的对比结果确定目标像素块；
将所述目标像素块和所述目标区域进行超像素合并，并判断超像素合并后的图像中是否存在所述目标像素块和/或所述目标区域；
若所述超像素合并后的图像中不存在所述目标像素块和/或所述目标区域，则输出所述超像素合并后的图像。
进一步的，对所述红外图像进行超像素分割的步骤包括：
计算出线性谱聚类算法的相似度函数以及10维空间映射关系，以得到图像像素点之间的颜色相似度参数和空间距离远近参数；
利用所述颜色相似度参数和所述空间距离远近参数优化所述线性谱聚类算法，以得到优化后的Dice系数和Jaccard系数；
利用所述优化后的Dice系数和Jaccard系数对简单线性迭代聚类算法进行改进，以得到改进后的简单线性迭代聚类算法，并利用所述改进后的简单线性迭代聚类算法对所述红外图像进行超像素分割。
进一步的，所述相似度函数的表达式为：
式中，
所述10维空间映射关系的表达式为：
式中，图像上的每个像素点p用五维向量
表示，其中，
为
CIELAB颜色空间上像素点p的分量值，
为亮度值，
为绿-红分量值，
为蓝-黄分量值，
、
分别为像素点p在图像上的横坐标、纵坐标，
、
分别为像素点之间颜色相似度参数和
空间距离远近参数。
进一步的，根据各所述超像素块的灰度均值与所述全局阈值的对比结果确定目标像素块的步骤包括：
将各所述超像素块的灰度均值中小于所述全局阈值的超像素块标记成背景像素块；
将各所述超像素块的灰度均值中不小于所述全局阈值的超像素块标记成目标像素块。
进一步的，将所述目标像素块和所述目标区域进行超像素合并的步骤包括：
基于环境特征定义所述红外图像的背景类型，并基于所述背景类型对所述红外图像进行亮度标记；
将所述红外图像中亮度最低的超像素块以及所述红外图像的左右两侧边缘亮度最大的像素块标记为背景像素块；
筛除所述背景像素块，并利用MSRM超像素融合算法将所述目标像素块和所述目标区域进行超像素融合。
本发明还提出一种红外热成像超像素分割融合系统，包括：
红外图像获取模块，用于获取红外图像，对所述红外图像进行超像素分割，并将超像素分割后的红外图像进行目标标记，以得到目标区域；
背景预选模块，用于将所述红外图像转换成灰度图像，并计算出所述灰度图像的全局阈值以及所述超像素分割后的红外图像中各超像素块的灰度均值，并根据各所述超像素块的灰度均值与所述全局阈值的对比结果确定目标像素块；
超像素合并模块，用于将所述目标像素块和所述目标区域进行超像素合并，并判断超像素合并后的图像中是否存在所述目标像素块和/或所述目标区域；
图像输出模块，用于若所述超像素合并后的图像中不存在所述目标像素块和/或所述目标区域，则输出所述超像素合并后的图像。
进一步的，所述红外图像获取模块包括：
参数计算单元，用于计算出线性谱聚类算法的相似度函数以及10维空间映射关系，以得到图像像素点之间的颜色相似度参数和空间距离远近参数；
系数优化单元，用于利用所述颜色相似度参数和所述空间距离远近参数优化所述线性谱聚类算法，以得到优化后的Dice系数和Jaccard系数；
超像素分割单元，用于利用所述优化后的Dice系数和Jaccard系数对简单线性迭代聚类算法进行改进，以得到改进后的简单线性迭代聚类算法，并利用所述改进后的简单线性迭代聚类算法对所述红外图像进行超像素分割。
进一步的，所述背景预选模块包括：
背景预选单元，用于将各所述超像素块的灰度均值中小于所述全局阈值的超像素块标记成背景像素块；
目标预选单元，用于将各所述超像素块的灰度均值中不小于所述全局阈值的超像素块标记成目标像素块。
进一步的，所述超像素合并模块包括：
亮度标记单元，用于基于环境特征定义所述红外图像的背景类型，并基于所述背景类型对所述红外图像进行亮度标记；
像素块标记单元，用于将所述红外图像中亮度最低的超像素块以及所述红外图像的左右两侧边缘亮度最大的像素块标记为背景像素块；
超像素合并单元，用于筛除所述背景像素块，并利用MSRM超像素融合算法将所述目标像素块和所述目标区域进行超像素融合。
本发明还提出一种介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的红外热成像超像素分割融合方法。
本发明还提出一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的红外热成像超像素分割融合方法。
与现有技术相比，本发明的有益效果是：通过对红外图像进行超像素分割，以得到对应的目标区域，将红外图像转换成灰度图像，并计算出灰度图像的全局阈值和超像素分割后的红外图像中各超像素块的灰度均值，根据灰度均值与全局阈值确定目标像素块，以提高目标区域的分割精度；将目标像素块和目标区域进行超像素合并，以使得目标物的温度损失减小，并在图像上表现出较高的亮度。
附图说明
图1为本发明第一实施例中红外热成像超像素分割融合方法的流程图；
图2为图1中步骤S101的详细流程图；
图3为本发明第一实施例中LSC算法参数的颜色相似度Jaccard系数的评估图；
图4为本发明第一实施例中LSC算法参数的颜色相似度Dice系数的评估图；
图5为本发明第一实施例中LSC算法参数的参数颜色相似度
和空间距离远近
Jaccard系数的评估图；
图6为本发明第一实施例中LSC算法参数的参数颜色相似度
和空间距离远近
Dice系数的评估图；
图7为图1中步骤S102的详细流程图；
图8为图1中步骤S103的详细流程图；
图9为本发明第二实施例中红外热成像超像素分割融合系统的结构框图；
图10为本发明第三实施例中计算机的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
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。本文中在本发明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，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
第一实施例
请参阅图1，所示为本发明第一实施例中的红外热成像超像素分割融合方法，所述方法具体包括步骤S101至S105：
S101，获取红外图像，对所述红外图像进行超像素分割，并将超像素分割后的红外图像进行目标标记，以得到目标区域；
进一步的，请参阅图2，所述步骤S101具体包括步骤S1011~S1013：
S1011，计算出线性谱聚类算法的相似度函数以及10维空间映射关系，以得到图像像素点之间的颜色相似度参数和空间距离远近参数；
S1012，利用所述颜色相似度参数和所述空间距离远近参数优化所述线性谱聚类算法，以得到优化后的Dice系数和Jaccard系数；
S1013，利用所述优化后的Dice系数和Jaccard系数对简单线性迭代聚类算法进行改进，以得到改进后的简单线性迭代聚类算法，并利用所述改进后的简单线性迭代聚类算法对所述红外图像进行超像素分割。
在具体实施时，本申请对线性谱聚类算法（LSC）的参数进行优化，线性谱聚类算法是找到相似度函数W及其高维特征空间的构建方式，以满足下式能够同时成立。
通过计算得到相似度函数W表达式和10维空间映射
的表达式：
式中，
所述10维空间映射关系的表达式为：
式中，图像上的每个像素点p用五维向量
表示，其中，
为
CIELAB颜色空间上像素点p的分量值，
为亮度值，
为绿-红分量值，
为蓝-黄分量值，
、
分别为像素点p在图像上的横坐标、纵坐标，
、
分别为像素点之间颜色相似度参数和
空间距离远近参数。
具体的，为了得到更好的图像分割效果，对参数颜色相似度
和空间距离远近
做
优化选择，使用大量变电场所红外图像进行实验，计算衡量值Dice和Jaccard系数的均值与
标准差，结果如图3至图6所示。
Dice和Jaccard这两个全局测量的性能系数被大量应用于计算超像素的分割效果，通常与灵敏度和特异性系数有关，表征了测量对象中有多少像素被正确分割与排除，系数值越高说明分割效果越好。
Jaccard系数
代表集合
和
的交集面积除以它们的并集面积：
Dice系数
计算集合
和
的交叉区域除以两个单独区域的平均总和：
根据图3至图6所示，Dice和Jaccard系数的标准差包络均值可知，当
为20时，
Jaccard和Dice系数均值最大，同时标准差最小，可知此时超像素分割效果最好且分割结果
波动较小。由图5和图6可知
的值对分割效果影响很小，但当空间距离相似度
为1.5时可
以获得相对较好的分割结果。
因此，相关参数取值为：颜色相似度
为20，空间距离相似度
为1.5，结构元素B为
2×2。
进一步的，对简单线性迭代聚类算法（SLIC）改进，简单线性迭代聚类超像素分割算法和LSC算法一样使用CIELAB颜色空间。简单线性迭代聚类算法与标准方法不同，当超像素尺寸为S×S时，改进后的SLIC算法的搜索范围是2S×2S。
在此搜索步长下，时间损耗可以得到较多的节省。考虑变电所环境复杂且器械众多，使用六角网格对红外图像进行超像素分割。六角网格的标准间距如下：
其中S代表六角网格的标准间距，R和C分别表示图片的行和列，k为超像素的个数。
相邻种子点间的步长为：
其中，S表示相邻种子点的步长，N表示像素数，k代表超像素数目。依据种子点间的
步长来初始化聚类中心，形成矩阵
，
。
其中，
、
、
分别代表Lab色彩空间的亮度和颜色对立维度，
和
分别代表
聚类中心的行和列，k代表超像素的标签。
以聚类中心点为中心，搜索附近两倍步长范围内的所有像素点进行聚类。根据像素和聚类中心的颜色以及空间距离，更新像素点的标签和信息，按照下面公式计算每个像素点和聚类中心的距离。
S102，将所述红外图像转换成灰度图像，并计算出所述灰度图像的全局阈值以及所述超像素分割后的红外图像中各超像素块的灰度均值，并根据各所述超像素块的灰度均值与所述全局阈值的对比结果确定目标像素块；
进一步的，请参阅图7，所述步骤S102具体包括S1021~S1022：
S1021，将各所述超像素块的灰度均值中小于所述全局阈值的超像素块标记成背景像素块；
S1022，将各所述超像素块的灰度均值中不小于所述全局阈值的超像素块标记成目标像素块。
在具体实施时，为了提高目标设备分割精度，计算全局Otsu阈值，预选背景超像素块。Otsu阈值法，基本原理是在灰度信息的基础上，用阈值t将灰度值范围为[0，L-1]的图像划分为背景和前景两类，当所取阈值t对应的类间方差为最大值时，则阈值t为最佳阈值T。
阈值t将图像分为背景和前景两类，即
和
，当
和
的类间方差
越大时，前景与背景的分类效果越贴近直观感受。
最佳阈值T使得前景与背景的类间方差
为最大：
将原始红外图像转换为灰度图后计算其全局阈值T，计算经过超像素分割后的各
超像素块灰度均值
，当超像素块的灰度均值
小于全局阈值T时，标记该超像素块为背景
预选项。
S103，将所述目标像素块和所述目标区域进行超像素合并，并判断超像素合并后的图像中是否存在所述目标像素块和/或所述目标区域；
进一步的，请参阅图8，所述步骤S103具体包括S1031~S1033：
S1031，基于环境特征定义所述红外图像的背景类型，并基于所述背景类型对所述红外图像进行亮度标记；
S1032，将所述红外图像中亮度最低的超像素块以及所述红外图像的左右两侧边缘亮度最大的像素块标记为背景像素块；
S1033，筛除所述背景像素块，并利用MSRM超像素融合算法将所述目标像素块和所述目标区域进行超像素融合。
在具体实施时，在得到分割后的超像素块，为提取出红外图像的目标设备，需要将组成目标区域的超像素块进行合并。对超像素块进行背景与目标标记以便后续融合超像素块。
在制定背景和目标像素块标记的方法时，需要有效结合变电设备红外图像的特点、红外图像检测中存在的问题及现场检测要求。因变电站和牵引变电所具有较为特殊的工作环境，其变电设备红外图像的背景主要为以下两类：
1、自然物质：此类背景与变电站内带电工作的用电设备存在较大温度差异，如天空、树木等。由于自然物质背景相较于带电运行的变电设备呈现出较小热量，故会在红外图像上呈现出与目标设备较高的颜色对比。
2、其他设备或建筑物：因这一类背景其本身与目标设备一样同为发热体，或由于其组成材料（如混凝土等）的比热容相与反射率相对较高，故在红外图像上表现出与目标设备较低的对比度，色泽上也相对类似。
同时，依据变电设备现场检测规程和红外图像拍摄要求，应将目标设备尽量放置于图像中心位置，强干扰背景放置于图像边缘位置。由于目标设备位于图像中心位置，且成像过程中目标设备与红外热像仪的距离较其他设备或物体更近，故目标设备的温度损失较小，在图像上表现出较高的亮度。
综上所述，目标及背景超像素块的标记规则如下所示：
1、标记图像中亮度最低的超像素块为背景；
2、标记图像左右两侧边缘亮度最大的超像素块为背景；
3、标记图像位于非边缘区域，且亮度最高的超像素块为目标。
具体的，基于最大相似度的区域融合算法（MSRM）是在超像素分割的基础上，利用同属同一物体的超像素块在颜色方面具有高度相似性特点，将属同一物体的超像素块融合，达到完整分割目标的目的。在变电场所，用电设备由于其特殊的工作性质会产生发热现象，故与周围环境的温度存在较大差异性。MSRM算法具有充分考虑超像素块颜色的特性，因此结合变电站内特点选择使用MSRM算法对超像素块进行融合。
MSRM算法的合并过程分为两个步骤：
1、背景标记区域与相邻超像素块的合并，将属于背景标记区域
的超像素块，
与其相邻的超像素块集合为
；不属于
的超像素块
与其相邻超像素块的集合为
，按此规则有
。计算A与
中各元素的相似度
，若B和
满足式
，则合并B
与
，否则不合并。
2、未标记超像素块之间的合并，未标记集合N上的超像素块可能为背景、亦可能为
目标。每个属于未标记集合N的超像素块P（P∈N），其相邻超像素块的集合为
，对不属于
或
的
，其相邻超像素块的集合为
，按此规则有
。计算
与
中各元素的相似度
，若P
和满足式
，则合并P和
，否则不合并。
S104，若所述超像素合并后的图像中不存在所述目标像素块和/或所述目标区域，则输出所述超像素合并后的图像。
在具体实施时，重复执行上述步骤，直至所有未标记区域集合N全部合并至背景或目标标记区域，超像素块合并完成。
综上，本发明上述实施例当中的红外热成像超像素分割融合方法，通过对红外图像进行超像素分割，以得到对应的目标区域，将红外图像转换成灰度图像，并计算出灰度图像的全局阈值和超像素分割后的红外图像中各超像素块的灰度均值，根据灰度均值与全局阈值确定目标像素块，以提高目标区域的分割精度；将目标像素块和目标区域进行超像素合并，以使得目标物的温度损失减小，并在图像上表现出较高的亮度。
第二实施例
本发明另一方面还提出一种红外热成像超像素分割融合系统，请查阅图9，所示为本发明第二实施例中的红外热成像超像素分割融合系统，所述系统包括：
红外图像获取模块11，用于获取红外图像，对所述红外图像进行超像素分割，并将超像素分割后的红外图像进行目标标记，以得到目标区域；
进一步的，所述红外图像获取模块11包括：
参数计算单元，用于计算出线性谱聚类算法的相似度函数以及10维空间映射关系，以得到图像像素点之间的颜色相似度参数和空间距离远近参数；
系数优化单元，用于利用所述颜色相似度参数和所述空间距离远近参数优化所述线性谱聚类算法，以得到优化后的Dice系数和Jaccard系数；
超像素分割单元，用于利用所述优化后的Dice系数和Jaccard系数对简单线性迭代聚类算法进行改进，以得到改进后的简单线性迭代聚类算法，并利用所述改进后的简单线性迭代聚类算法对所述红外图像进行超像素分割。
背景预选模块12，用于将所述红外图像转换成灰度图像，并计算出所述灰度图像的全局阈值以及所述超像素分割后的红外图像中各超像素块的灰度均值，并根据各所述超像素块的灰度均值与所述全局阈值的对比结果确定目标像素块；
进一步的，所述背景预选模块12包括：
背景预选单元，用于将各所述超像素块的灰度均值中小于所述全局阈值的超像素块标记成背景像素块；
目标预选单元，用于将各所述超像素块的灰度均值中不小于所述全局阈值的超像素块标记成目标像素块。
超像素合并模块13，用于将所述目标像素块和所述目标区域进行超像素合并，并判断超像素合并后的图像中是否存在所述目标像素块和/或所述目标区域；
进一步的，所述超像素合并模块13包括：
亮度标记单元，用于基于环境特征定义所述红外图像的背景类型，并基于所述背景类型对所述红外图像进行亮度标记；
像素块标记单元，用于将所述红外图像中亮度最低的超像素块以及所述红外图像的左右两侧边缘亮度最大的像素块标记为背景像素块；
超像素合并单元，用于筛除所述背景像素块，并利用MSRM超像素融合算法将所述目标像素块和所述目标区域进行超像素融合。
图像输出模块14，用于若所述超像素合并后的图像中不存在所述目标像素块和/或所述目标区域，则输出所述超像素合并后的图像。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
本发明实施例所提供的红外热成像超像素分割融合系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
第三实施例
本发明还提出一种计算机，请参阅图10，所示为本发明第三实施例中的计算机，包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30，所述处理器20执行所述计算机程序30时实现上述的红外热成像超像素分割融合方法。
其中，存储器10至少包括一种类型的介质，所述介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机的内部存储单元，例如该计算机的硬盘。存储器10在另一些实施例中也可以是外部存储装置，例如插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器10还可以既包括计算机的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit，简称ECU，又称行车电脑)、中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器10中存储的程序代码或处理数据，例如执行访问限制程序等。
需要指出的是，图10示出的结构并不构成对计算机的限定，在其它实施例当中，该计算机可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的红外热成像超像素分割融合方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种红外热成像超像素分割融合方法，其特征在于，包括：
获取红外图像，对所述红外图像进行超像素分割，并将超像素分割后的红外图像进行目标标记，以得到目标区域；
将所述红外图像转换成灰度图像，并计算出所述灰度图像的全局阈值以及所述超像素分割后的红外图像中各超像素块的灰度均值，并根据各所述超像素块的灰度均值与所述全局阈值的对比结果确定目标像素块；
将所述目标像素块和所述目标区域进行超像素合并，并判断超像素合并后的图像中是否存在所述目标像素块和/或所述目标区域；
若所述超像素合并后的图像中不存在所述目标像素块和/或所述目标区域，则输出所述超像素合并后的图像。
2.根据权利要求1所述的红外热成像超像素分割融合方法，其特征在于，对所述红外图像进行超像素分割的步骤包括：
计算出线性谱聚类算法的相似度函数以及10维空间映射关系，以得到图像像素点之间的颜色相似度参数和空间距离远近参数；
利用所述颜色相似度参数和所述空间距离远近参数优化所述线性谱聚类算法，以得到优化后的Dice系数和Jaccard系数；
利用所述优化后的Dice系数和Jaccard系数对简单线性迭代聚类算法进行改进，以得到改进后的简单线性迭代聚类算法，并利用所述改进后的简单线性迭代聚类算法对所述红外图像进行超像素分割。
3.根据权利要求2所述的红外热成像超像素分割融合方法，其特征在于，所述相似度函数的表达式为：
式中，
所述10维空间映射关系的表达式为：
式中，图像上的每个像素点p用五维向量
表示，其中，
为CIELAB
颜色空间上像素点p的分量值，
为亮度值，
为绿-红分量值，
为蓝-黄分量值，
、
分
别为像素点p在图像上的横坐标、纵坐标，
、
分别为像素点之间颜色相似度参数和空间
距离远近参数。
4.根据权利要求1所述的红外热成像超像素分割融合方法，其特征在于，根据各所述超像素块的灰度均值与所述全局阈值的对比结果确定目标像素块的步骤包括：
将各所述超像素块的灰度均值中小于所述全局阈值的超像素块标记成背景像素块；
将各所述超像素块的灰度均值中不小于所述全局阈值的超像素块标记成目标像素块。
5.根据权利要求1所述的红外热成像超像素分割融合方法，其特征在于，将所述目标像素块和所述目标区域进行超像素合并的步骤包括：
基于环境特征定义所述红外图像的背景类型，并基于所述背景类型对所述红外图像进行亮度标记；
将所述红外图像中亮度最低的超像素块以及所述红外图像的左右两侧边缘亮度最大的像素块标记为背景像素块；
筛除所述背景像素块，并利用MSRM超像素融合算法将所述目标像素块和所述目标区域进行超像素融合。
6.一种红外热成像超像素分割融合系统，其特征在于，包括：
红外图像获取模块，用于获取红外图像，对所述红外图像进行超像素分割，并将超像素分割后的红外图像进行目标标记，以得到目标区域；
背景预选模块，用于将所述红外图像转换成灰度图像，并计算出所述灰度图像的全局阈值以及所述超像素分割后的红外图像中各超像素块的灰度均值，并根据各所述超像素块的灰度均值与所述全局阈值的对比结果确定目标像素块；
超像素合并模块，用于将所述目标像素块和所述目标区域进行超像素合并，并判断超像素合并后的图像中是否存在所述目标像素块和/或所述目标区域；
图像输出模块，用于若所述超像素合并后的图像中不存在所述目标像素块和/或所述目标区域，则输出所述超像素合并后的图像。
7.根据权利要求6所述的红外热成像超像素分割融合系统，其特征在于，所述红外图像获取模块包括：
参数计算单元，用于计算出线性谱聚类算法的相似度函数以及10维空间映射关系，以得到图像像素点之间的颜色相似度参数和空间距离远近参数；
系数优化单元，用于利用所述颜色相似度参数和所述空间距离远近参数优化所述线性谱聚类算法，以得到优化后的Dice系数和Jaccard系数；
超像素分割单元，用于利用所述优化后的Dice系数和Jaccard系数对简单线性迭代聚类算法进行改进，以得到改进后的简单线性迭代聚类算法，并利用所述改进后的简单线性迭代聚类算法对所述红外图像进行超像素分割。
8.根据权利要求6所述的红外热成像超像素分割融合系统，其特征在于，所述背景预选模块包括：
背景预选单元，用于将各所述超像素块的灰度均值中小于所述全局阈值的超像素块标记成背景像素块；
目标预选单元，用于将各所述超像素块的灰度均值中不小于所述全局阈值的超像素块标记成目标像素块。
9.一种介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一所述的红外热成像超像素分割融合方法。
10.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至5任一所述的红外热成像超像素分割融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211704983.8A CN115661017B (zh) | 2022-12-29 | 2022-12-29 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211704983.8A CN115661017B (zh) | 2022-12-29 | 2022-12-29 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115661017A true CN115661017A (zh) | 2023-01-31 |
| CN115661017B CN115661017B (zh) | 2023-09-22 |
Family
ID=85022237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211704983.8A Active CN115661017B (zh) | 2022-12-29 | 2022-12-29 | 红外热成像超像素分割融合方法、系统、介质及计算机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115661017B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109662A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院国家空间科学中心 | 一种红外图像的超像素分割方法 |
| CN116128916A (zh) * | 2023-04-13 | 2023-05-16 | 中国科学院国家空间科学中心 | 一种基于空间能流对比度的红外弱小目标增强方法 |
| CN116385436A (zh) * | 2023-06-02 | 2023-07-04 | 胜利油田中心医院 | 一种基于ct图像的胆结石辅助检测系统 |
| CN118581440A (zh) * | 2024-08-06 | 2024-09-03 | 长沙韶光芯材科技有限公司 | 一种玻璃基板镀膜温度智能控制方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986119A (zh) * | 2018-07-25 | 2018-12-11 | 京东方科技集团股份有限公司 | 图像分割方法及装置、计算机设备及可读存储介质 |
| CN110222644A (zh) * | 2019-06-10 | 2019-09-10 | 哈尔滨理工大学 | 基于图像分割的森林火灾烟雾检测方法 |
-
2022
- 2022-12-29 CN CN202211704983.8A patent/CN115661017B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986119A (zh) * | 2018-07-25 | 2018-12-11 | 京东方科技集团股份有限公司 | 图像分割方法及装置、计算机设备及可读存储介质 |
| CN110222644A (zh) * | 2019-06-10 | 2019-09-10 | 哈尔滨理工大学 | 基于图像分割的森林火灾烟雾检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 于欣力: "《东陆留记 第2辑》" * |
| 宋以宁等: "基于线性谱聚类的林地图像中枯死树监测" * |
| 曾晗等: "基于SLIC超像素分割和ICP配准的牵引变压器套管红外三维立体重构方法" * |
| 王小芳等: "一种复杂背景下的电力设备红外图像分割方法" * |
| 韩冬越: "基于超像素生成的图像分割算法研究及应用" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109662A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院国家空间科学中心 | 一种红外图像的超像素分割方法 |
| CN116128916A (zh) * | 2023-04-13 | 2023-05-16 | 中国科学院国家空间科学中心 | 一种基于空间能流对比度的红外弱小目标增强方法 |
| CN116385436A (zh) * | 2023-06-02 | 2023-07-04 | 胜利油田中心医院 | 一种基于ct图像的胆结石辅助检测系统 |
| CN116385436B (zh) * | 2023-06-02 | 2023-08-15 | 胜利油田中心医院 | 一种基于ct图像的胆结石辅助检测系统 |
| CN118581440A (zh) * | 2024-08-06 | 2024-09-03 | 长沙韶光芯材科技有限公司 | 一种玻璃基板镀膜温度智能控制方法及系统 |
| CN118581440B (zh) * | 2024-08-06 | 2024-10-08 | 长沙韶光芯材科技有限公司 | 一种玻璃基板镀膜温度智能控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115661017B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115661017B (zh) | 红外热成像超像素分割融合方法、系统、介质及计算机 | |
| Zhang et al. | A review of deep learning-based semantic segmentation for point cloud | |
| Rocco et al. | Efficient neighbourhood consensus networks via submanifold sparse convolutions | |
| Chen et al. | Single image shadow detection and removal based on feature fusion and multiple dictionary learning | |
| CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
| CN113902641B (zh) | 一种基于红外图像的数据中心热区判别方法及系统 | |
| RU2581567C2 (ru) | Система и способ для сжатия сигнала цифрового изображения с использованием истинных изображений | |
| JP2010535383A (ja) | 画像内の複雑なトークンを識別するためのシステムと方法 | |
| Zuo et al. | HF-FCN: Hierarchically fused fully convolutional network for robust building extraction | |
| Xu et al. | Weakly supervised deep semantic segmentation using CNN and ELM with semantic candidate regions | |
| CN111768415A (zh) | 一种无量化池化的图像实例分割方法 | |
| Zhao et al. | Optimal chroma-like channel design for passive color image splicing detection | |
| CN111652240A (zh) | 一种基于cnn的图像局部特征检测与描述方法 | |
| CN111768402A (zh) | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 | |
| CN112991238A (zh) | 基于纹理色彩混合式的食物图像分割方法、系统、介质及终端 | |
| Zhou et al. | Scale adaptive kernelized correlation filter tracker with feature fusion | |
| Deepa et al. | FHGSO: Flower Henry gas solubility optimization integrated deep convolutional neural network for image classification | |
| Laupheimer et al. | The importance of radiometric feature quality for semantic mesh segmentation | |
| CN112785595A (zh) | 目标属性检测、神经网络训练及智能行驶方法、装置 | |
| CN117078608B (zh) | 一种基于双掩码引导的高反光皮革表面缺陷检测方法 | |
| CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
| Jian et al. | Capture and fusion of 3d surface texture | |
| Wang et al. | Gradient Color Leaf Image Segmentation Algorithm Based on Meanshift and Kmeans | |
| CN114140581A (zh) | 一种自动建模方法、装置、计算机设备及存储介质 | |
| Erhan et al. | Patterns of approximated localised moments for visual loop closure detection |
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 |