CN115760749A - 一种毫米波辐射图像火点检测识别方法及系统 - Google Patents
一种毫米波辐射图像火点检测识别方法及系统 Download PDFInfo
- Publication number
- CN115760749A CN115760749A CN202211426628.9A CN202211426628A CN115760749A CN 115760749 A CN115760749 A CN 115760749A CN 202211426628 A CN202211426628 A CN 202211426628A CN 115760749 A CN115760749 A CN 115760749A
- Authority
- CN
- China
- Prior art keywords
- fire
- threshold
- millimeter wave
- points
- image
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种毫米波辐射图像火点检测识别方法及系统,属于毫米波成像技术领域。本发明对毫米波辐射图像进行预处理时对小波阈值去噪方法进行了改进,优势在于:在阈值处连续,消除局部抖动导致图像边缘部分不连续带来的影响,提高图像的质量和火点判别的准确性;增加调节因子来调整阈值函数的陡峭性,使函数在过阈值点后,更快的到达硬阈值函数状态,最大程度减小处理后的小波系数与原始值存在恒定偏差的影响,使重构的信号最大程度逼近真实信号,提高火点判别的准确性。
Description
技术领域
本发明属于毫米波成像技术领域,更具体地,涉及一种毫米波辐射图像火点检测识别的方法和系统。
背景技术
毫米波是指波长在1mm-10mm之间的电磁波,被动毫米波成像系统通过被动检测来自目标场景天然存在的热辐射能量来形成图像。
火灾场景毫米波辐射图像分辨率较低,常用的处理方法包括去除噪声和超分辨率重建图像,然后识别图像中的火点。其中,噪声去除通常采用均值滤波、小波去噪等方法对毫米波图像进行滤波处理。均值滤波的平滑处理,容易导致低亮温物体边缘的火点特征不明确,造成漏检,使火点检测的结果不准确;小波去噪方法中,小波硬阈值滤波存在跳跃点,会导致边缘不连续,进而影响图像质量,降低火点识别的准确性。小波软阈值函数和已存在的一些改进的小波阈值去噪方法中,前者小波系数与原始值存在恒定偏差,后者在过阈值点后任然有一长段区间内小波系数与原始值存在不等偏差,过多的存在偏差会导致信号精度不高,影响到重构的信号与真实信号的逼近程度,同样也会影响图像的质量和火点判别的准确性;同时,使用毫米波辐射计系统搭载二维转台,成像过程中,可能由于人为原因或者不可控的外界干扰因素,产生与火点特征相似的干扰点,误判为火点,使火点检测的结果不准确。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种毫米波辐射图像火点检测识别的方法,其目的在于解决火点漏检和误判的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种毫米波辐射图像火点检测识别的,包括:
S1.获取火场区域毫米波辐射图像对应的灰度值矩阵;
S2.采用小波阈值去噪方法对灰度值矩阵进行预处理,随后进行超分辨率重建;其中,阈值函数为:
ε为阈值;a、b为调节因子;sign(*)为符号函数;e是常数,w为初始小波系数;
S3.遍历图像的每一行像素灰度值,在每一行像素灰度值中,根据第一预设阈值,筛选出疑似火点;根据第二预设阈值,排除疑似火点中的干扰点,得到确认火点;根据像素灰度值梯度变化关系,确定出火点的上下边界点;
S4.对灰度值矩阵进行转置后,执行与步骤S3中相同的行操作处理;
S5.将步骤S3和S4中得到的确认火点像素点和火点边界点分别取并集,得到完整的图像火点像素点集合与火点边界像素点集合。
进一步地,步骤S1包括:
采用定标后的毫米波辐射计扫描火场区域,得到火电场景对应的电压矩阵;
将电压矩阵转化为0-255的灰度值矩阵。
进一步地,步骤S2具体包括,
选择合适的小波基与分解层数对获取的原始图像进行小波分解,得到初始小波系数;
利用所述阈值函数对初始小波系数进行处理;
对处理后的小波系数进行小波重构,得到去噪后的图像;
采用双三次插值法处理滤波后的图像,得到高分辨率毫米波辐射图像。
本发明还提供了一种毫米波辐射图像火点检测识别的系统,包括:
数据采集模块,获取火场区域毫米波辐射图像对应的灰度值矩阵;
小波阈值去噪模块,采用小波阈值去噪方法对灰度值矩阵进行预处理,随后进行超分辨率重建;其中,阈值函数为:
ε为阈值;a、b为调节因子;sign(*)为符号函数;e是常数,w为初始小波系数;
火点边界初筛模块,遍历图像的每一行像素灰度值,在每一行像素灰度值中,根据第一预设阈值,筛选出疑似火点;根据第二预设阈值,排除疑似火点中的干扰点,得到确认火点;根据像素灰度值梯度变化关系,确定出火点的上下边界点;
火点边界二次筛选模块,对灰度值矩阵进行转置后,执行与火点边界初筛模块中相同的行操作处理;
火点边界获取模块,将火点边界初筛模块和火点边界二次筛选模块得到的确认火点像素点和火点边界点分别取并集,得到完整的图像火点像素点集合与火点边界像素点集合。
进一步地,数据采集模块执行过程包括:
采用定标后的毫米波辐射计扫描火场区域,得到火电场景对应的电压矩阵;
将电压矩阵转化为0-255的灰度值矩阵。
进一步地,小波阈值去噪模块执行过程包括,
选择合适的小波基与分解层数对获取的原始图像进行小波分解,得到初始小波系数;
利用所述阈值函数对初始小波系数进行处理;
对处理后的小波系数进行小波重构,得到去噪后的图像;
采用双三次插值法处理滤波后的图像,得到高分辨率毫米波辐射图像。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)本发明对毫米波辐射图像进行预处理时,采用了改进的小波阈值去噪方法,本发明改进的阈值函数优势在于:在阈值处连续,消除局部抖动导致图像边缘部分不连续带来的影响,提高图像的质量和火点判别的准确性;增加调节因子来调整阈值函数的陡峭性,使函数在过阈值点后,更快的到达硬阈值函数状态,最大程度减小处理后的小波系数与原始值存在恒定偏差的影响,使重构的信号最大程度逼近真实信号,提高火点判别的准确性。
(2)本发明对图像每一行进行遍历,通过与灰度值阈值比较后得到疑似火点,再通过灰度值梯度阈值排除干扰点,提高火点识别的准确性;本发明还对图像的每一列进行遍历,具体地,采用对灰度值矩阵进行转置,再进行相同的行操作处理,可以调用同样的函数进行运算,不需额外建立函数;本发明将行遍历与列遍历一起处理,可以弥补单独行遍历处理或单独列遍历处理时不完整火点在图像边缘而无法检测火点边界的问题,行、列同时处理可以提高火点边界检测的准确性,减小漏检的可能性。通过处理得到准确的火点及图像边界,并在毫米波辐射图像中进行标记。
附图说明
图1是本发明实施例提供的一种毫米波辐射图像火点检测识别方法的流程示意图;
图2是本发明实施例提供的硬阈值函数、软阈值函数以及改进后的阈值函数曲线对比示意图;
图3是本发明实施例提供的初始毫米波辐射图像F(i,j);
图4是本发明实施例提供的由改进的小波阈值函数滤波后,得到的滤波图像;
图5是本发明实施例提供的预处理后的高分辨率毫米波火点图像F(i′,j′)。
图6是本发明实施例提供的毫米波辐射图像F(i′,j′)第43、48、53行像素灰度值曲线图。
图7为本实施列提供的存在干扰点的火点毫米波辐射图像。
图8为本实施例提供的存在干扰点的火点毫米波辐射图像第53行像素灰度值曲线与像素灰度梯度曲线图。
图9是本实施例提供的预处理后的高分辨率毫米波辐射图像F′(i′,j′)火点检测识别图。
图10是本实施例提供的存在干扰点的毫米波辐射图像火点检测识别图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种毫米波辐射图像火点检测识别方法包括如下步骤:
S1.获取火场区域毫米波辐射图像对应的灰度值矩阵;
选用标准辐射源,对毫米波辐射计进行定标,确定辐射计输出电压与物体辐射亮温之间的关系。
毫米波辐射计定标方法包括:单点定标法、两点定标法、多点定标法、噪声注入定标法、倾斜曲线定标法等。通过定标确定出辐射计输出电压与物体辐射亮温之间的关系,根据获取的电压数据反演物体辐射亮温。本实施例中,辐射计接收机通道响应是线性的,采用两点定标法对辐射计接收机的输出电压进行定标。
首先分别获得每个通道对准冷热源时的输出电压,得到每个通道输出电压与物体辐射亮温之间的线性关系。
在毫米波辐射计定标完成后,利用被动毫米波辐射计系统,结合二维转台扫描火场区域,获得m×n个火点场景的电压数据,m为扫描行数,n为每一行中扫描的点数。
根据火点场景初始毫米波辐射图像F(i,j)中任意位置(i,j)处的像素值对应的电压大小为Ui,j,将电压数据集中的元素根据其下标排列成矩阵的形式,则扫描场景区域辐射亮温对应的电压数据集为:[U1,1,…,U1,n;U2,1,…,U2,n;…;Um,1,…,Um,n],其中,1≤i≤m,1≤j≤n。
将图像的电压矩阵转化为0-255的灰度值矩阵时,设置电压值较高的数据对应较高的灰度值,电压值较低的数据对应较低的灰度值,转换处理公式为f(i,j)=(Ui,j-Umin)×255/(Umax-Umin),其中1≤i≤m,1≤j≤n,f(i,j)和Ui,j分别为初始毫米波辐射图像F(i,j)中任意位置(i,j)处数据所对应的灰度值大小和电压值大小,Umax为电压矩阵中的最大值,Umin为电压矩阵中的最小值。图3为初始毫米波辐射图像F(i,j),分辨率大小为36×48,对应的图像灰度值矩阵F=[f(1,1),…,f(1,n);f(2,1),…,f(2,n);…;f(m,1),…,f(m,n)];
S2.采用小波阈值去噪方法对灰度值矩阵进行预处理,对滤波后的图像进行超分辨率重建,得到高分辨率毫米波辐射图像;
毫米波辐射计系统扫描成像获得数据的过程中,存在噪声干扰,使电压数据波动,因此需要对初始数据进行降噪处理。常用的降噪方法有高斯滤波、中值滤波、维纳滤波、小波去噪等。本实施例中,首先采用小波阈值去噪方法对初始数据进行处理,该方法主要分为三步:
(1)小波分解:选择合适的小波基与分解层数对获取的初始毫米波辐射图像进行小波分解,得到初始小波系数w。本实施例中选用Coiflet小波,分解层数为2层。
(2)阈值处理:将小波分解后的小波系数w和阈值ε进行对比和处理,得到量化后的小波系数wε。
选取的阈值作为分界点,以区分噪声产生的小波系数和图像自身的小波系数。阈值的选取影响重构信号的精确性和连续性,故对图像的去噪效果影响很大。在小波域,有效信号对应的系数很大,而噪声对应的系数很小并且仍满足高斯分布。因此可以通过设定阈值将信号在小波域某段区间内的系数置零,就能最大程度的抑制噪声,同时只是稍微损伤有效信号。
固定阈值估计在去噪时去噪比较彻底,显得更为有效,但是也容易把有用的信号误认为噪声去掉,固定阈值的计算式为:
其中median(*)是取中值函数,M×N为图像分辨率大小。由于一般毫米波图像的分辨率比较低,选用固定阈值估计方法,求得的阈值ε会比较小,减小置零区间,可以减少对有效信号的损伤。
传统的阈值函数有硬阈值函数和软阈值函数。当小波系数的绝对值小于阈值时,视为噪声将其滤除;当小波系数的绝对值大于阈值时,硬阈值函数保持系数不变,软阈值函数将小波系数减去阈值。硬阈值函数保留了信号的局部特性,与软阈值函数相比,硬阈值函数去噪信号更接近原始信号,但在阈值处函数不连续,可能会导致去噪处理后的信号出现局部抖动现象,产生跳跃点,不具有原始信号的平滑性,导致其边缘部分不连续,影响图像的质量和火点判别的准确性;软阈值函数在阈值处是连续的,处理后的信号较为平滑,但小波系数与原始值存在恒定偏差,会导致信号精度不高,甚至出现失真现象,直接影响到重构的信号与真实信号的逼近程度,同样也会影响图像的质量和火点判别的准确性。
针对传统硬阈值与软阈值函数的不足,本实施例中的阈值函数选择通过增加调节因子来调整阈值函数的陡峭性,使其具有硬阈值和软阈值的优势,同时最大程度弥补两者的不足。本实施例中的改进的阈值函数的优势在于:在阈值处连续,消除局部抖动的影响;过阈值点后,更快的到达硬阈值函数状态,最大程度减小处理后的小波系数与原始值存在恒定偏差的影响,使重构的信号最大程度逼近真实信号,提高火点判别的准确性。改进后的阈值函数初始模型为:
其中,sign(*)为符号函数,g(w)是关于w的函数。由于f(w)在阈值处连续,过阈值点后,更快的到达硬阈值函数状态,则应该满足以下条件:
其中f′(w)是f(w)的导函数,ε+是比ε大极微小量的数值,(-ε)-是比-ε小极微小量的数值,根据f(w)与f′(w)所满足的性质条件,可以推导出函数g(w)应满足以下条件:
其中g′(w)是g(w)的导函数,根据g(w)满足的条件,选用指数函数进行构建g(w)。指数函数具有陡增特性,该特性可使改进的阈值函数,在过阈值点后更快达到硬阈值状态;并且相对于对数函数而言,指数函数自变量取值范围广阔,可取0值。用指数函数为基本模型,构造出满足条件的g(w)表达式为:
为了使阈值函数在阈值出连续,并且可以调节变为硬阈值函数,加入调节因子a进行调节。首先需满足在a取某一特定值使一项在w=±ε时为0,由于分母不能为0,只需考虑加入a使分子为0的情况。分子乘以一个系数(a+1)变为(a+1)ε,当a=-1满足分子为0;同时还需满足g(±ε)=0,此时指数项为1,反推出分母应该为1+ae|w|-ε。然后需要满足第二个条件,在w→±∞时即可。根据第一个条件推出的公式来验证第二个条件,可以发现满足,则推导出加入调节因子a,满足阈值函数在阈值出连续,并且可以调节f(w)变为硬阈值函数的g1(w)为:
为了使阈值函数f(w)在过阈值点后更快到达硬阈值状态,最大程度减小处理后的小波系数与原始值存在恒定偏差的影响,则需要使g′(ε+)→+∞和g′((-ε)-)→-∞,计算g(w)的导函数在w=ε+和w=(-ε)-值,分别为和可以看出实际上1+ε并不能直接达到+∞,-1-ε也不能直接达到-∞。因此,添加一个倍数使其模值变得更大,具有更好的陡峭性,这里添加第二个调节因子b,使g′(ε+)=1+bε,g′((-ε)-)=-1-bε,反推得到改进后的g2(w)为:
结合g1(w)和g2(w),可以得到改进的g(w)表达式为:
进而得到改进后的阈值函数为:
其中,ε为阈值;a、b为调节因子;sign(*)为符号函数;e是常数,为自然底数。
硬阈值函数、软阈值函数以及改进后的阈值函数曲线对比如图2所示,曲线h为软阈值函数,曲线i为硬阈值函数,曲线j为本实施例方法中改进的阈值函数(a=0.5,b=1),曲线k也是本实施例方法中改进的阈值函数(a=0.5,b=10),曲线k相对曲线j过阈值点后更快的到达硬阈值状态。当b取值为0时,该函数变为软阈值函数;当a取值为-1时,变为硬阈值函数。通过改变a和b的值,可以改变函数的趋向性,提高了自适应性,在阈值处连续,消除了局部抖动的影响;对比曲线k和曲线j可以看出,过阈值点后,增大调节因子b的值,可以更快的到达硬阈值函数状态,最大程度减小处理后的小波系数与原始值存在恒定偏差的影响,使重构的信号最大程度逼近真实信号,提高火点判别的准确性。
(3)小波重构:对处理后的小波系数wε进行逆变换,计算二维信号的小波重构,得到去噪之后的图像。图4是利用改进的小波阈值函数对初始毫米波辐射图像F(i,j)滤波得到的滤波图像。对比图4与图3,可以看到改进的小波阈值去噪方法具有很好的效果,去除大量噪声,使火点的轮廓更加清晰。
滤波去噪后再利用超分辨率重建算法得到分辨率更高的毫米波辐射图像。基于插值重建的超分辨率算法包括最近邻插值法、双线性插值法和双三次插值法。本实施例中选用双三次插值法进行插值重建,该算法利用待采样点周围16个点的灰度值作三次插值,不仅考虑到4个直接相邻点的灰度影响,而且考虑到各邻点间灰度值变化率的影响,处理过后使图像分辨率提高,变得更清晰。预处理之后的高分辨率毫米波辐射图像记为F′(i′,j′),分辨率大小为72×96,如图5所示。对应的灰度值矩阵F′=
[f′(1,1),…,f′(1,2n);f′(2,1),…,f′(2,2n);…;f′(2m,1),…,f′(2m,2n)],其中1≤i′≤2m,1≤j′≤2n。
S3.遍历图像的每一行像素灰度值,在每一行像素灰度值中,根据第一预设阈值,筛选出疑似火点;根据第二预设阈值,排除疑似火点中的干扰点,得到确认火点;根据像素灰度值梯度变化关系,确定出火点的上下边界点;
根据扫描场景毫米波辐射图像中火点的灰度值会高于周围背景灰度值这一特点,筛选出疑似火点。实际场景中着火区域的温度是不均匀的,并且表现出一定的规律,着火点的像素灰度值从边缘到中心呈递增的规律,根据这一特点,常用的于火点检测的方法有劈窗法、图像边缘检测技术、双目立体视觉等方法。
在本实施例中,通过对灰度值及灰度梯度值进行判断比较,确认得到火点边界。
首先对灰度值矩阵F′的每一行进行遍历,得到每一行的像素灰度值曲线函数,例如,第i′行的像素灰度值曲线f′(i′,:)={f′(i′,1),…,f′(i′,2n)},其中1≤i′≤2m,1≤j′≤2n。
在第i′行中满足f′(i′,j′)>η1的像素点(i′,j′)判定为疑似火点,记录到疑似火点集合φA中,根据这一阈值条件可缩小疑似火点的范围;图6为本实施例中图像F(i′,j′)第43、48、53行像素灰度值大小曲线,图中虚线A代表的设置的像素灰度值阈值η1=200,第53行判定为有疑似火点,第43、48行判定为没有疑似火点。
在毫米波辐射计对火点场景进行扫描时,可能存在操作不当或者外界不可控因素而导致图像中未发生火灾的区域可能会因为受到邻近火点的干扰产生小面积的像素灰度值偏高的抖动点。图7为本实施列提供的存在干扰点的火点微波图像。考虑到干扰点出现的面积大小,以及其边界剧烈的变化,对图像灰度值矩阵F′的每一行进行遍历的同时,将每一行像素灰度梯度曲线函数df′(i′,:)与所设灰度值梯度阈值η2进行比较,排除疑似火点像素点中的抖动点,从而提高火点判别的准确性。
第i′行像素灰度梯度曲线函数df′(i′,:)={df′(i′,1),df′(i′,2),…,df′(i′,2n)},其中1≤i′≤2m,df′(i′,j′)=f′(i′,j′)-f′(i′,j′-1),1<j′≤2n,df′(i′,1)=0。
抖动干扰点对应的像素灰度变化剧烈,对应的灰度值梯度df′N的模值|df′N|最大,设定合适的灰度值梯度阈值η2,在疑似火点集合φA中比较各个像素点对应的灰度值梯度模值|df′|与阈值η2的关系,当满足|df′|<η2时,确定为火点像素点,排除干扰点后的火点像素点集合为φ′A。
图8为本实施例提供的存在干扰点的火点毫米波辐射图像第53行像素灰度值曲线与像素灰度梯度曲线图,虚线A代表设置的像素灰度值阈值η1=200,虚线B代表设置的像素灰度梯度阈值η2=40,虚线B′代表设置的像素灰度梯度阈值的负值,为-η2=-40。干扰点的像素灰度值大于像素灰度值阈值η1=200,判定为疑似火点;进一步通过像素灰度梯度进行判断,这里灰度值梯度阈值η2=40,干扰点出现的面积很小,像素灰度梯度的模值较大,大于阈值η2=40,判定为干扰点。将该点从疑似火点中剔除。
随后在每一行确认的火点像素点中,根据火点像素值灰度的特性以及火点边缘像素值梯度特性识别出火点中心和边界像素点位置。
以第i′行为例,当(i′,j′),(i′,j′-1),(i′,j′+1)∈φ′,且满足f′(i′,j′)≥f′(i′,j′-1)和f′(i′,j′)≥f′(i′,j′+1)两个条件时,即f′(i′,j′)为极大值点,第i′行像素灰度梯度曲线函数df′(i′,:)在(i′,j′)处的值趋于0则将像素点(i′,j′)判定为环境中火点的中心。
火点中心向火点左边界的像素灰度梯度值的变化,是由df′(i′,j′)→0上升到最大值,然后再下降到df′(i′,j′L)→0,即距离火点中心最近的左边第一个df′(i′,j′L)→0的像素点位置对应火点的左边界,根据该特性找到火点的左边界像素点(i′,j′L);火点中心到火点右边界的像素灰度梯度值的变化,是由df′(i′,j′)→0,下降到最小值,再上升到df′(i′,j′R)→0,即距离火点中心最近的右边第一个df′(i′,j′L)→0的像素点位置对应火点的右边界,根据该特性找到火点的右边界像素点(i′,j′R)。
将所有行进行相同的处理,满足火点边界判定条件的像素点(i′,j′)记录到集合φedge中。
S4.对灰度值矩阵进行转置后,执行与步骤S3中相同的行操作处理;
转置后的图像FT(j′,i′)对应的灰度值矩阵为
F′T=[f′(1,1),…,f′(1,2m);f′(2,1),…,f′(2,2m);…;f′(2n,1),…,f′(2n,2m)],1≤i′≤2m,1≤j′≤2n。
首先判断每一行中像素点是否满足f′(j′,i′)>η1,将满足条件的像素点(j′,i′)判定为疑似火点;然后判断疑似火点对应的像素灰度梯度是否满足|df′|<η2,将满足条件的像素点(j′,i′)确定为火点像素点;随后在每一行确认的火点像素点中,按照步骤S3中火点中心判别方法与火点边界判别方法,根据火点像素值灰度的特性以及火点边缘像素值梯度特性找到火场火点的中心,并识别出火点边界像素点位置。
图像FT(j′,i′)中火点的左、右边界像素点(j′,i′),对应于毫米波辐射图像F(i′,j′)中火点的上、下边界像素点(i′,j′),将转置后图像边界像素点(j′,i′)变化为(i′,j′)后,记录到集合φ′edge中。
S5.将步骤S3和S4中得到的确认火点像素点和火点边界点分别取并集,得到完整的图像火点像素点与火点边界像素点。
图9是本实施例提供的预处理后的高分辨率毫米波辐射图像F′(i′,j′)火点检测识别图,图10是本实施例提供的存在干扰点的毫米波辐射图像火点检测识别图。将转置前后图像的边界像素点集合取并集,得到完整的图像边界像素点集合φ,计算公式为φ=φedge∪φ′edge,并根据集合φ在毫米波辐射图像F′(i′,j′)中准确标记火点边界。
本领域的技术人员容易理解,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种毫米波辐射图像火点检测识别的方法,其特征在于,包括:
S1.获取火场区域毫米波辐射图像对应的灰度值矩阵;
S2.采用小波阈值去噪方法对灰度值矩阵进行预处理,随后进行超分辨率重建;其中,阈值函数为:
ε为阈值;a、b为调节因子;sign(*)为符号函数;e是常数,w为初始小波系数;
S3.遍历图像的每一行像素灰度值,在每一行像素灰度值中,根据第一预设阈值,筛选出疑似火点;根据第二预设阈值,排除疑似火点中的干扰点,得到确认火点;根据像素灰度值梯度变化关系,确定出火点的上下边界点;
S4.对灰度值矩阵进行转置后,执行与步骤S3中相同的行操作处理;
S5.将步骤S3和S4中得到的确认火点像素点和火点边界点分别取并集,得到完整的图像火点像素点集合与火点边界像素点集合。
2.根据权利要求1所述的一种毫米波图像火点检测识别的方法,其特征在于,步骤S1包括:
采用定标后的毫米波辐射计扫描火场区域,得到火点场景对应的电压矩阵;
将电压矩阵转化为0-255的灰度值矩阵。
3.根据权利要求1所述的一种毫米波辐射图像火点检测识别的方法,其特征在于,步骤S2具体包括,
选择合适的小波基与分解层数对获取的原始图像进行小波分解,得到初始小波系数;
利用所述阈值函数对初始小波系数进行处理;
对处理后的小波系数进行小波重构,得到去噪后的图像;
采用双三次插值法处理滤波后的图像,得到高分辨率毫米波辐射图像。
4.一种毫米波辐射图像火点检测识别的系统,其特征在于,包括:
数据采集模块,用于获取火场区域毫米波辐射图像对应的灰度值矩阵;
小波阈值去噪模块,用于采用小波阈值去噪方法对灰度值矩阵进行预处理,随后进行超分辨率重建;其中,阈值函数为:
ε为阈值;a、b为调节因子;sign(*)为符号函数;e是常数,w为初始小波系数;
火点边界初筛模块,用于遍历图像的每一行像素灰度值,在每一行像素灰度值中,根据第一预设阈值,筛选出疑似火点;根据第二预设阈值,排除疑似火点中的干扰点,得到确认火点;根据像素灰度值大小及像素灰度值梯度变化关系,确定出火点的上下边界点;
火点边界二次筛选模块,用于对灰度值矩阵进行转置后,执行与火点边界初筛模块中相同的行操作处理;
火点边界获取模块,用于将火点边界初筛模块和火点边界二次筛选模块得到的确认火点像素点和火点边界点分别取并集,得到完整的图像火点像素点集合与火点边界像素点集合。
5.根据权利要求4所述的一种毫米波辐射图像火点检测识别的系统,其特征在于,数据采集模块执行过程包括:
采用定标后的毫米波辐射计扫描火场区域,得到火点场景对应的电压矩阵;
将电压矩阵转化为0-255的灰度值矩阵。
6.根据权利要求4所述的一种毫米波辐射图像火点检测识别的系统,其特征在于,小波阈值去噪模块执行过程包括,
选择合适的小波基与分解层数对获取的原始图像进行小波分解,得到初始小波系数;
利用所述阈值函数对初始小波系数进行处理;
对处理后的小波系数进行小波重构,得到去噪后的图像;
采用双三次插值法处理滤波后的图像,得到高分辨率毫米波辐射图像。
7.一种计算机可读介质,所述计算机可读介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1~3任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211426628.9A CN115760749A (zh) | 2022-11-15 | 2022-11-15 | 一种毫米波辐射图像火点检测识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211426628.9A CN115760749A (zh) | 2022-11-15 | 2022-11-15 | 一种毫米波辐射图像火点检测识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760749A true CN115760749A (zh) | 2023-03-07 |
Family
ID=85371140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211426628.9A Pending CN115760749A (zh) | 2022-11-15 | 2022-11-15 | 一种毫米波辐射图像火点检测识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760749A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253144A (zh) * | 2023-09-07 | 2023-12-19 | 建研防火科技有限公司 | 一种火灾风险分级管控方法 |
-
2022
- 2022-11-15 CN CN202211426628.9A patent/CN115760749A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253144A (zh) * | 2023-09-07 | 2023-12-19 | 建研防火科技有限公司 | 一种火灾风险分级管控方法 |
CN117253144B (zh) * | 2023-09-07 | 2024-04-12 | 建研防火科技有限公司 | 一种火灾风险分级管控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8180168B2 (en) | One-pass filtering and infrared-visible light decorrelation to reduce noise and distortions | |
Yousefi et al. | A new auto-focus sharpness function for digital and smart-phone cameras | |
CN111083365B (zh) | 一种最佳焦平面位置快速检测方法及装置 | |
EP1059811A2 (en) | Method and system for image processing, and recording medium | |
CN102819827B (zh) | 一种基于灰度分割的自适应矩匹配条带噪声去除方法 | |
CN111783583B (zh) | 基于非局部均值算法的sar图像相干斑抑制方法 | |
Dharejo et al. | A color enhancement scene estimation approach for single image haze removal | |
CN112150386B (zh) | 基于对比度均值的sar图像相干斑非局部平均抑制方法 | |
CN115760749A (zh) | 一种毫米波辐射图像火点检测识别方法及系统 | |
Leng | An improved non-local means algorithm for image denoising | |
Shen et al. | Deeper super-resolution generative adversarial network with gradient penalty for sonar image enhancement | |
Li et al. | Multipatch unbiased distance non-local adaptive means with wavelet shrinkage | |
CN111179333A (zh) | 一种基于双目立体视觉的散焦模糊核估计方法 | |
van Zyl Marais et al. | Robust defocus blur identification in the context of blind image quality assessment | |
Santoso et al. | Performance of various speckle reduction filters on Synthetic Aperture Radar image | |
CN111445435B (zh) | 一种基于多区块小波变换的无参考图像质量评价方法 | |
CN113284060B (zh) | 一种基于波长衰减识别的水下图像增强方法 | |
CN110728646B (zh) | 基于太赫兹有效信号提取的时域分段成像方法 | |
CN113989145A (zh) | 一种图像增强方法、系统、可存储介质 | |
Han et al. | Terahertz Image Restoration with “Zero-Shot” Super-Resolution | |
Tong et al. | Infrared and visible image fusion under different illumination conditions based on illumination effective region map | |
Hu et al. | Maritime video defogging based on spatial-temporal information fusion and an improved dark channel prior | |
Liu et al. | Robust blind deconvolution for PMMW images with sparsity presentation | |
JP3899144B2 (ja) | 画像処理装置 | |
Hofmann et al. | Straightness metric for measurement of turbulence-induced distortion in long-range imaging |
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 |