CN115841434B - 一种用于气体浓度分析的红外图像增强方法 - Google Patents
一种用于气体浓度分析的红外图像增强方法 Download PDFInfo
- Publication number
- CN115841434B CN115841434B CN202310141646.0A CN202310141646A CN115841434B CN 115841434 B CN115841434 B CN 115841434B CN 202310141646 A CN202310141646 A CN 202310141646A CN 115841434 B CN115841434 B CN 115841434B
- Authority
- CN
- China
- Prior art keywords
- edge pixel
- image
- gas
- pixel point
- deviation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 73
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 4
- 230000000694 effects Effects 0.000 abstract description 13
- 238000001514 detection method Methods 0.000 description 17
- 238000009792 diffusion process Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004392 development of vision Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Image Analysis (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浓度分析的红外图像增强方法,包括:根据红外监控图像获得偏差边缘像素点、正常电气设备边缘像素点以及疑似气体区域图像;将去噪前后的疑似气体区域图像的模糊度指标获得去噪模糊的疑似气体区域图像;获取与偏差边缘像素点最近的正常电气设备边缘像素点和偏差边缘像素点之间的第一距离;得到偏移角度集合,根据偏移角度集合获得相邻偏差边缘像素点区域的特征评价值,根据特征评价值和第一距离获得优化方差,根据优化方差对去噪模糊的疑似气体区域图像进行滤波,获得去噪后的气体泄露监测区域图像。本发明避免电气设备边缘附近的噪声点导致都红外图像平滑滤除效果不好的问题。
Description
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浓度分析的红外图像增强方法。
背景技术
随着视觉技术的发展,对于气体泄漏的检测,传统的利用气体传感器探测气体,只能够定点探测,而利用特殊的红外探测仪能够对无色无味的气体泄漏进行大面积的监测,根据气体排出时与外界所产生的环境温度变化,对气体泄漏进行红外成像,根据红外热成像对气体泄漏位置和规模进行检测。通过检测得到的气体泄露灰度特征和面积大小实现气体浓度分析。
现有技术中,利用热成像仪对气体泄漏图像进行检测过程中,大多数是通过区域分割和背景差分法获取气体泄露的区域位置或者利用气体泄漏图像对神经网络模型进行训练,通过训练后的神经网络对气体泄漏图像对泄漏气体的轮廓进行标记。但是,对于不管是传统的图像检测方法还是对气体泄漏检测的神经网络训练都对图像质量具有较高的要求,图像质量较差存在噪声时,很容易造成检测误差或模型泛化能力较差,现有的图像去噪方法会造成图像局部模糊,影响微小泄露气体的检测精度,从而造成气体泄露浓度较小时,对于较小泄露气体的浓度分析精度。基于此,本发明提出一种用于气体浓度分析的红外图像增强方法。
发明内容
本发明提供一种用于气体浓度分析的红外图像增强方法,以解决现有的问题。
本发明的一种用于气体浓度分析的红外图像增强方法采用如下技术方案:
本发明一个实施例提供了一种用于气体浓度分析的红外图像增强方法,该方法包括以下步骤:
获取红外监控图像,对气体泄露监测区域内红外监控图像上的边缘像素点与标准矩形监测区域图像内的边缘像素点进行偏差匹配获得偏差边缘像素点、正常电气设备边缘像素点以及疑似气体区域图像;
以预设方差作为高斯滤波器的方差对疑似气体区域图像进行滤波,获得去噪后的疑似气体区域图像,将去噪前后的疑似气体区域图像的模糊度指标均值的差异作为疑似气体区域图像的高斯去噪模糊程度,根据所述高斯去噪模糊程度获得去噪模糊的疑似气体区域图像;
获取与偏差边缘像素点最近的正常电气设备边缘像素点和对应偏差边缘像素点之间的距离,记为第一距离;
以每个偏差边缘像素点为邻域中心获得每个邻域范围,计算邻域范围内所有相邻的偏差边缘像素点之间的偏移角度,得到偏移角度集合,对偏移角度集合中的所有偏移角度进行聚类,获得若干类别;根据每个类别中每相邻的两个偏移角度的差值以及类别数量得到相邻偏差边缘像素点区域的特征评价值,根据所述特征评价值和所述第一距离获得优化方差,以所述优化方差作为高斯滤波器的方差对去噪模糊的疑似气体区域图像进行滤波,获得去噪后的气体泄露监测区域图像。
优选的,所述对气体泄露监测区域内红外监控图像上的边缘像素点与标准矩形监测区域图像内的边缘像素点进行偏差匹配获得偏差边缘像素点、正常电气设备边缘像素点以及疑似气体区域图像,包括的方法为:
其中,表示气体泄露监测区域内红外监控图像上的第i个边缘像素点的坐标,表示标准矩形监测区域图像内的第i个边缘像素点坐标,表示红外监控图像上的第i个边缘像素点的二维坐标欧式距离;
设置偏差匹配阈值M,当时,第i个边缘像素点为正常电气设备边缘像素点;
当,或标准矩形监测区域图像上不存在检测得到的边缘像素点时,气体泄露监测区域内的红外监控图像作为疑似气体区域图像,且第i边缘像素点为偏差边缘像素点。
优选的,所述疑似气体区域图像的模糊度指标的获取方法包括:
其中,表示疑似气体区域图像上坐标处的像素点灰度值,、表示疑似气体区域图像宽和高,表示疑似气体区域图像的模糊度指标。
优选的,所述相邻偏差边缘像素点区域的特征评价值的获取方法包括:
其中,表示第k个类别中第j个偏差边缘像素点与第j+1个偏差边缘像素点之间的偏移角度差值的绝对值,表示第k个类别中包含元素总数,表示类别的总个数。
优选的,所述优化方差的获取方法包括:
对相邻偏差边缘像素点区域的特征评价值归一化处理,根据归一化处理的结果的两倍与第一距离的乘积获得优化方差。
优选的,所述计算邻域范围内所有相邻的偏差边缘像素点之间的偏移角度,得到偏移角度集合,包括的方法为:
将邻域范围中心处的偏差边缘像素点记为第一像素点,获取与第一像素点相邻的偏差边缘像素点,记为第二像素点,计算第一像素点与第二像素点的偏移角度;获得与第二像素点相邻的第三像素点,计算第二像素点与第三像素点的偏移角度,以此类推,邻域范围内所有相邻差边缘像素点之间的偏移角度构成的集合记为偏移角度集合。
优选的,所述标准矩形监测区域图像的获取方法为:通过人工对各个电气设备监控区域进行人工标注,根据标注区域像素点坐标获取标准矩形监测区域图像。
本发明上述技术方案至少具有如下的有益效果:
利用电气设备边缘点与存在位置偏差的边缘像素点之间的距离能够减少对微小泄露气体边缘像素点的高斯滤波模糊影响,提高其与背景区域像素点之间的对比度,有利于捕捉浓度较低,特征不明显的微小泄露气体边缘特征。
通过泄露气体的自身特征指标对偏差边缘像素点的距离优化,能够进一步减少泄露气体扩散过程中,高斯滤波平滑对气体泄露区域特征的影响,同时,也能够避免电气设备边缘附近的噪声点的平滑滤除效果不好。
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为本发明的一种用于气体浓度分析的红外图像增强方法的步骤流程图。
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一种用于气体浓度分析的红外图像增强方法,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。
下面结合附图具体的说明本发明所提供的一种用于气体浓度分析的红外图像增强方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于气体浓度分析的红外图像增强方法的步骤流程图。
本实施例的目的:通过对现有的去噪算法进行优化提高局部气体泄露区域的噪声去除效果,提高气体泄露图像的检测精度。
本实施例所针对的具体场景为:主要针对变电站,危化工厂等进行气体泄露检测,主要利用红外热成像设备对大面积区域进行视频监控,通过对视频监控图像进行去噪处理,结合现有的图像去噪算法实现对气体泄露局部区域的自适应优化去噪。本实施例以变电站为例进行展开说明,对泄露气体浓度分析过程中的图像去噪增强过程进行展开叙述和实施。
该方法包括以下步骤:
步骤S101:获取红外监控视频图像,对视频帧图像进行预处理,获取疑似气体区域。
通过红外监控设备获取电气设备区域视频图像,为了提高视频图像的检测效率,对视频图像进行间隔帧选取,每间隔1秒采集一次红外监控图像。
将采集到的图像进行感兴趣区域分割,具体的,通过人工对各个电气设备监控区域进行人工标注,根据标注区域像素点坐标获取标准矩形监测区域图像。进一步的,通过Canny边缘检测算法获取气体泄露监测区域内的边缘像素点信息,通过边缘像素点的坐标信息与标准矩形监测区域图像内的边缘像素点进行偏差匹配,需要说明的是气体泄露监测区域是在红外监控图像上与标准矩形监测区等大小与相同位置的区域,具体的偏差匹配方法为:通过标准矩形监测区域图像内的边缘像素点与实时获取的气体泄露监测区域图像内的边缘像素点进行图像二维坐标欧式距离计算:,其中,表示获取气体泄露监测区域图像中的第i个边缘像素点的坐标,表示标准矩形监测区域图像中的第i边缘像素点坐标。设置偏差匹配阈值M,本实施例以M=1为例进行叙述,当对应边缘像素点的欧式距离时,则说明第i个边缘像素点为正常电气设备边缘像素点;当对应边缘像素点的欧式距离,或对应的标准矩形监测区域图像上不存在检测得到的边缘像素点时,则视为当前监测区域为存在疑似泄露气体,此时当前监测区域内的红外监控图像记为疑似气体区域图像,那么该条件下的第i边缘像素点称为存在位置偏差的边缘像素点,简称为偏差边缘像素点。
需要说明的是,本实施例不考虑Canny边缘检测算法在检测边缘像素点过程中存在的边缘像素点漏检问题,非本实施例研究重点。本实施例主要针对噪声点所造成的边缘像素点错检问题所造成的后续气体泄露区域监测准确率受到影响。标准矩形监测区域图像中边缘像素点即为当前区域内待监测的电气设备边缘,实时获取的气体泄露监测区域图像中边缘像素点包括:当前区域内待监测的电气设备边缘,噪声点所造成的误检测边缘像素点和气体泄露区域边缘像素点。
需要说明的是由于存在多个电子设备,因此对应获得多个标准矩形监测区域图像和气体泄露监测区域,对应获得多个疑似气体区域图像。
步骤S102:根据疑似气体区域图像进行局部区域自适应去噪,获得去噪后的气体泄露监测区域图像。
需要说明的是,现有的红外监控设备采集的视频图像中,噪声的主要来源是由于传输过程中信道所产生的噪声或红外监控设备过热所产生的信道不稳定导致。通过疑似气体区域图像进行气体泄露检测过程中,容易受到图像噪声的影响,一般的,在进行图像边缘检测等图像处理之前,需要先经过图像去噪,但是现有的图像去噪算法会造成局部区域纹理细节模糊,对于微小的气体泄露检测影响较大,本实施例通过先疑似气体区域图像获取,考虑噪声所对边缘检测造成的影响,通过后续的局部区域自适应去噪来提高去噪算法所对局部区域纹理细节模糊的影响,从而提高疑似气体区域图像质量,避免对微小气体检测过程中的误差问题。
针对步骤S101获取的疑似气体区域图像实现局部区域自适应去噪的具体过程展开如下:a. 通过去噪算法对实时获取的气体泄露监测区域图像进行去噪。
本实施例使用高斯去噪滤波对气体泄露监测区域进行去噪,构建3*3的高斯滤波核对疑似气体区域图像进行滤波去噪,高斯滤波在初始卷积的过程中,其高斯滤波方差设置为,对气体泄露监测区域进行初步去噪,获取去噪后的图像。
通过去噪后的图像中,步骤S101得到的疑似气体区域图像之间进行模糊程度检测,利用Brenner梯度函数获取去噪前的疑似气体区域图像和去噪后的疑似气体区域图像的灰度差的平方,也即:
其中,表示疑似气体区域图像内坐标处的像素点灰度值,、表示疑似气体区域图像宽和高,表示模糊度指标,其值越大模糊程度越小。
通过获取的去噪前后的疑似气体区域图像的模糊度指标均值差值获取疑似气体区域图像的高斯去噪模糊程度,其中,表示去噪前的所有疑似气体区域图像的模糊度指标均值,表示去噪后的所有疑似气体区域图像的模糊度指标均值。根据去噪后的模糊度指标均值差值来获取疑似气体区域图像的去噪效果评价。设置高斯去噪模糊程度阈值,当高斯去噪模糊程度时,则认为当前疑似气体区域图像存在高斯滤波去噪所造成的图像模糊,记为去噪模糊的疑似气体区域图像。
b. 根据去噪模糊区域图像和疑似气体泄露区域特征获取局部区域自适应高斯滤波方差参数。
通过步骤a获取的去噪模糊的疑似气体区域图像进行高斯滤波方差进行自适应估计校正。需要说明的是,高斯滤波器是一种低通滤波器,在滤波过程中会对高频信息造成一定的损失,所述的,高频信息包括微小气体的弱边缘信息和噪声信息。其高斯滤波方差的作用是控制其高斯滤波核内部的变化差异,高斯滤波方差越大,对高斯滤波核内部的像素点的平滑程度越大,造成局部模糊程度越大。
本实施例通过去噪后的图像与标准监测区域图像中电气设备本身的特征边缘位置区域和微小气体本身的边缘分布方向位置对高斯滤波去噪过程中,局部的高斯滤波核对应的滤波方差进行自适应估计校正。具体的:
1.通过标准监测区域图像的边缘检测结果获取电气设备边缘的分布位置,和存在位置偏差的边缘像素点的分布位置,计算与偏差边缘像素点最近的正常电气设备边缘像素点和对应偏差边缘像素点之间的距离的欧式距离,记为第一距离。即每个偏差边缘像素点对应获得一个第一距离。
利用欧式距离对高斯滤波核进行偏差边缘像素点滤波过程中,对滤波方差的自适应优化,其优化方式为:
需要说明的是,由于滤波方差的大小决定了其均值附近允许方差大小,滤波方差越大,对应的滤波核区域内高斯平滑程度越大,由于电气设备气体泄露产生初期,微小气体一般围绕在电气设备边缘附近,所以,当电气设备边缘点与存在位置偏差的边缘像素点之间的距离越大,表明其可能为噪声像素点越大,高斯滤波所带来的平滑模糊影响对微小气体检测影响越小,50为本实施例自设参考度量值,可根据实际检测需要进行调整,预设方差为初始的高斯滤波方差值,为了后续的优化效果精确,其采用较小的滤波方差值进行初始高斯滤波,更好的获取气体泄露区域的特征信息。
利用电气设备边缘点与存在位置偏差的边缘像素点之间的距离能够减少对微小泄露气体边缘像素点的高斯滤波模糊影响,同时,对距离较大的偏差边缘像素点所存在的背景区域,能够提高其高斯滤波平滑的效果,对背景区域像素点的平滑模糊程度越大,有利于提高对微小泄露气体边缘像素点的邻域对比度,使后续气体泄露区域的检测精度更高。
2.通过标准电气设备边缘图像作为高斯滤波方差优化参考对象,能够降低对微小气体边缘像素点的高斯滤波模糊影响,但是,对于真正的噪声像素点所造成的误检测边缘像素点的滤除,也会造成其滤波效果的影响。在欧式距离对高斯滤波方差优化的基础上,利用微小气体本身的边缘分布特征对高斯滤波方差进一步优化。
3.气体泄露的过程中会表现出其扩散特征,也即气体泄露边缘的分布位置存在一定的扩散方向和在扩散方向上的位置偏差。通过其相邻的偏差边缘像素点之间的位置偏移方向对疑似气体泄露边缘像素点进行筛选,需要说明的是,相邻偏差边缘像素点并不是图像位置坐标上绝对意义上的相邻,而是其偏差边缘像素点邻域范围内距离较近的边缘像素点,目的是为了避免微小气体边缘在红外图像上的边缘特征较弱所造成的连续边缘间断问题。本实施例以邻域范围大小为5*5进行叙述,实施者可根据实际情况对所研究的邻域范围大小进行调整。
4.具体的,对于任意一个偏差边缘像素点,在以该偏差边缘像素点为中心的5*5邻域范围内,获得该邻域范围内的所有偏差边缘像素点,对这些偏差边缘像素点进行如下处理:
获取中心处的偏差边缘像素点与其在5*5邻域内相邻的偏差边缘像素点之间的偏移角度,为了方便研究,偏移角度用两点之间的斜率进行表征。以其相邻的偏差边缘像素点为新的邻域中心点,获取新的5*5邻域内的相邻偏差边缘像素点,进一步计算偏差边缘像素点与其相邻的偏差边缘像素点之间的偏移角度,重复上述方式,获取偏差边缘像素点邻域内的所有相邻的偏差边缘像素点之间的偏移角度集合。
对偏移角度集合中所有偏移角度进行均值漂移聚类,获得多个类别,获得的类别数量记为,越大说明邻域范围内内存在较多的噪声干扰,越需要去噪,越小表示偏差边缘像素点之间偏移角度差别不大,说明这些偏差边缘像素点的分布符合泄露气体的扩散特征,则越不需要去噪。
设其中第k个类别中偏移角度按照获取的顺序进行排列序列,该序列的长度记为,序列中的第j个偏移角度。
至此,根据一个任意一个偏差边缘像素点的5*5邻域范围内获得了个类别,以及每个类别对应的序列。
5.利用相邻的偏差边缘像素点之间的偏移角度,获取偏移角度差值。利用连续偏差角度差值所满足泄露气体的扩散特征,构建特征评价模型:
其中,表示第k个类别中第j个偏差边缘像素点与第j+1个偏差边缘像素点之间的偏移角度差异。是为了表征相邻偏差边缘像素点之间的偏移角度的差异,目的是为了依据气体的扩散特征,其边缘像素点的分布方向具有一定的趋势性,其相邻的气体边缘像素点之间的偏移角度大小不会存在较大的差异,是为了获取连续相邻偏差边缘像素点之间的偏移角度之和,保证在多个偏差边缘像素点进行同时高斯滤波过程中,能够降低高斯滤波方差对平滑模糊的影响程度,突出该类边缘像素点的图像特征。的目的是为了表征邻域范围内其表征气体泄露边缘在分布方向的数量,一般的气体边缘在邻域范围内满足一定的趋势性,其扩散方向会出现趋势上的变化,但是在邻域范围内的相邻边缘几乎不存在多个不同方向上的边缘像素点,当存在多个方向上的边缘像素点时,主要是受到噪声像素点的影响,结合边缘趋势性特征准确的获取相邻偏差边缘像素点区域的特征评价值,有利于减少对疑似气体泄露边缘像素点进行高斯滤波核平滑模糊的影响。
综上所述,可知任意一个偏差边缘像素点对应一个特征评价值,并且也对应一个第一距离。
需要说明的是,获得的类别中,可能存在包含元素个数为1的类别,那么该类别中偏移角度差值记为0。
6.通过偏差像素点的特征评价值对气体泄露监测区域内的偏差边缘像素点进行其分布方向位置估计,结合电气设备边缘与存在位置偏差的边缘像素点最近的像素点与对应的偏差边缘像素点之间的欧式距离对高斯滤波方差进行自适应校正,减少因距离偏差较大的微小气体弱边缘像素点被忽略,从而被高斯滤波平滑模糊,损失细节。具体的高斯滤波方差的优化为:
其中,表示对所有偏差边缘像素点的特征评价值进行线性归一化处理的结果,表示将Z的范围调整为,为了通过对微小气体边缘像素点的分布方向位置特征分析提高对偏差边缘像素点的高斯滤波效果,表示高斯滤波核的优化方差。
至此,每个偏差边缘像素点对应一个,对于非偏差边缘像素点对应的滤波核的方差设置为。
c. 根据局部区域自适应高斯滤波方差参数实现气体泄露监测区域图像局部区域自适应去噪。
通过上述步骤S102的第6个子步骤中获取的局部自适应优化的高斯滤波方差对新的高斯滤波过程进行优化,将传统算法中的固定高斯滤波方差进行局部自适应调整,根据优化后的高斯滤波核对去噪模糊的疑似气体区域图像进行去噪处理,获取去噪后的气体泄露监测区域图像,具体在去噪过程中每个像素点对应的高斯滤波核的方差设置为每个像素点优化方差。
步骤S103:根据去噪后的图像进行背景差分进行气体泄露区域检测。
通过步骤S102的局部自适应去噪算法获取去噪后的气体泄露监测区域图像,利用与标准矩形监测区域图像进行背景差分处理,获取背景差分后的气体泄露区域,利用现有训练好的气体识别神经网络实现气体识别和气体轮廓标注,标注后的气体轮廓区域即为气体泄露区域。所述的,气体识别神经网络可为现有的MaskRCNN网络实现识别,网络的输入为:去噪后的气体泄露监测区域图像,输出为:气体轮廓区域图像。然后,根据气体轮廓区域的面积和轮廓区域内部的灰度均值实现对泄露气体的浓度分析估计,其具体的浓度分析估计过程非本实施例的重点,不再详述。
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 (7)
1.一种用于气体浓度分析的红外图像增强方法,其特征在于,该方法包括以下步骤:
获取红外监控图像,对气体泄露监测区域内红外监控图像上的边缘像素点与标准矩形监测区域图像内的边缘像素点进行偏差匹配获得偏差边缘像素点、正常电气设备边缘像素点以及疑似气体区域图像;
以预设方差作为高斯滤波器的方差对疑似气体区域图像进行滤波,获得去噪后的疑似气体区域图像,将去噪前后的疑似气体区域图像的模糊度指标均值的差异作为疑似气体区域图像的高斯去噪模糊程度,根据所述高斯去噪模糊程度获得去噪模糊的疑似气体区域图像;
获取与偏差边缘像素点最近的正常电气设备边缘像素点和对应偏差边缘像素点之间的距离,记为第一距离;
以每个偏差边缘像素点为邻域中心获得每个邻域范围,计算邻域范围内所有相邻的偏差边缘像素点之间的偏移角度,得到偏移角度集合,对偏移角度集合中的所有偏移角度进行聚类,获得若干类别;根据每个类别中每相邻的两个偏移角度的差值以及类别数量得到相邻偏差边缘像素点区域的特征评价值,根据所述特征评价值和所述第一距离获得优化方差,以所述优化方差作为高斯滤波器的方差对去噪模糊的疑似气体区域图像进行滤波,获得去噪后的气体泄露监测区域图像。
2.根据权利要求1所述的一种用于气体浓度分析的红外图像增强方法,其特征在于,所述对气体泄露监测区域内红外监控图像上的边缘像素点与标准矩形监测区域图像内的边缘像素点进行偏差匹配获得偏差边缘像素点、正常电气设备边缘像素点以及疑似气体区域图像,包括的方法为:
其中,表示气体泄露监测区域内红外监控图像上的第i个边缘像素点的坐标,表示标准矩形监测区域图像内的第i个边缘像素点坐标,表示红外监控图像上的第i个边缘像素点的二维坐标欧式距离;
设置偏差匹配阈值M,当时,第i个边缘像素点为正常电气设备边缘像素点;
当,或标准矩形监测区域图像上不存在检测得到的边缘像素点时,气体泄露监测区域内的红外监控图像作为疑似气体区域图像,且第i边缘像素点为偏差边缘像素点。
3.根据权利要求1所述的一种用于气体浓度分析的红外图像增强方法,其特征在于,所述疑似气体区域图像的模糊度指标的获取方法包括:
其中,表示疑似气体区域图像上坐标处的像素点灰度值,、表示疑似气体区域图像宽和高,表示疑似气体区域图像的模糊度指标。
4.根据权利要求1所述的一种用于气体浓度分析的红外图像增强方法,其特征在于,所述相邻偏差边缘像素点区域的特征评价值的获取方法包括:
其中,表示第k个类别中第j个偏差边缘像素点与第j+1个偏差边缘像素点之间的偏移角度差值的绝对值,表示第k个类别中包含元素总数,表示类别的总个数。
5.根据权利要求1所述的一种用于气体浓度分析的红外图像增强方法,其特征在于,所述优化方差的获取方法包括:
对相邻偏差边缘像素点区域的特征评价值归一化处理,根据归一化处理的结果的两倍与第一距离的乘积获得优化方差。
6.根据权利要求1所述的一种用于气体浓度分析的红外图像增强方法,其特征在于,所述计算邻域范围内所有相邻的偏差边缘像素点之间的偏移角度,得到偏移角度集合,包括的方法为:
将邻域范围中心处的偏差边缘像素点记为第一像素点,获取与第一像素点相邻的偏差边缘像素点,记为第二像素点,计算第一像素点与第二像素点的偏移角度;获得与第二像素点相邻的第三像素点,计算第二像素点与第三像素点的偏移角度,以此类推,邻域范围内所有相邻偏差边缘像素点之间的偏移角度构成的集合记为偏移角度集合。
7.根据权利要求1所述的一种用于气体浓度分析的红外图像增强方法,其特征在于,所述标准矩形监测区域图像的获取方法为:通过人工对各个电气设备监控区域进行人工标注,根据标注区域像素点坐标获取标准矩形监测区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141646.0A CN115841434B (zh) | 2023-02-21 | 2023-02-21 | 一种用于气体浓度分析的红外图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141646.0A CN115841434B (zh) | 2023-02-21 | 2023-02-21 | 一种用于气体浓度分析的红外图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115841434A CN115841434A (zh) | 2023-03-24 |
CN115841434B true CN115841434B (zh) | 2023-04-21 |
Family
ID=85580005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310141646.0A Active CN115841434B (zh) | 2023-02-21 | 2023-02-21 | 一种用于气体浓度分析的红外图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841434B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245880B (zh) * | 2023-05-09 | 2023-07-18 | 深圳市银河通信科技有限公司 | 基于红外识别的电动车充电桩火灾风险检测方法 |
CN116311079B (zh) * | 2023-05-12 | 2023-09-01 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的民用安防工程监测方法 |
CN116311383B (zh) * | 2023-05-16 | 2023-07-25 | 成都航空职业技术学院 | 一种基于图像处理的楼宇智能用电管理系统 |
CN116563799B (zh) * | 2023-07-11 | 2023-09-22 | 山东昆仲信息科技有限公司 | 基于视频监控的粉尘在线监测方法 |
CN116844116B (zh) * | 2023-09-01 | 2023-12-05 | 山东乐普矿用设备股份有限公司 | 基于照明控制体系的井下综合安全监控系统 |
CN117470450B (zh) * | 2023-12-27 | 2024-03-01 | 广州煌之牌包装机械有限公司 | 一种西林瓶多头式轧盖检漏方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451590A (zh) * | 2017-07-19 | 2017-12-08 | 哈尔滨工程大学 | 基于高光谱红外图像的气体检测识别和浓度表示方法 |
CN109727202A (zh) * | 2017-10-27 | 2019-05-07 | 清华大学 | 气体红外视频增强方法、装置及存储介质 |
CN112763155A (zh) * | 2021-02-02 | 2021-05-07 | 南京信息工程大学 | 一种压力容器气体泄漏检测方法 |
CN113720544A (zh) * | 2021-08-16 | 2021-11-30 | 天津大学 | 一种微弱声波或微小气体泄漏检测系统和方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6319527B2 (ja) * | 2015-12-15 | 2018-05-09 | コニカミノルタ株式会社 | ガス検知用画像処理装置、ガス検知用画像処理方法、ガス検知用画像処理プログラム、ガス検知用画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体、及び、ガス検知システム |
-
2023
- 2023-02-21 CN CN202310141646.0A patent/CN115841434B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451590A (zh) * | 2017-07-19 | 2017-12-08 | 哈尔滨工程大学 | 基于高光谱红外图像的气体检测识别和浓度表示方法 |
CN109727202A (zh) * | 2017-10-27 | 2019-05-07 | 清华大学 | 气体红外视频增强方法、装置及存储介质 |
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 |
CN112763155A (zh) * | 2021-02-02 | 2021-05-07 | 南京信息工程大学 | 一种压力容器气体泄漏检测方法 |
CN113720544A (zh) * | 2021-08-16 | 2021-11-30 | 天津大学 | 一种微弱声波或微小气体泄漏检测系统和方法 |
Non-Patent Citations (2)
Title |
---|
刘路民根 等.一种基于形状的红外图像泄漏气体检测方法.《应用光学》.2019,第40卷(第3期),第469-471页. * |
王建平 等.基于红外成像的乙烯气体泄漏检测.《液晶与显示》.2014,第29卷(第4期),第625-626页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115841434A (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN116188462B (zh) | 一种基于视觉鉴定的贵金属质量检测方法及系统 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN117132510B (zh) | 一种基于图像处理的监控图像增强方法及系统 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN112017130B (zh) | 基于自适应各向异性全变分正则化的图像复原方法 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN116188510B (zh) | 一种基于多传感器的企业排放数据采集系统 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN109658357A (zh) | 一种面向遥感卫星图像的去噪方法 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN115100068A (zh) | 一种红外图像校正方法 | |
CN115029704A (zh) | 一种用于不锈钢酸洗工艺的智能控制方法及装置 | |
CN109357977B (zh) | 基于时间联系的烟雾子区域空间复检方法 | |
CN112541913B (zh) | 一种基于列率谱分析且噪声鲁棒的图像局部模糊检测与提取方法 | |
CN117115174B (zh) | 一种钳子外形自动检测方法及系统 |
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 |