CN115841486B - 一种气体感知红外图像处理方法 - Google Patents
一种气体感知红外图像处理方法 Download PDFInfo
- Publication number
- CN115841486B CN115841486B CN202310134481.4A CN202310134481A CN115841486B CN 115841486 B CN115841486 B CN 115841486B CN 202310134481 A CN202310134481 A CN 202310134481A CN 115841486 B CN115841486 B CN 115841486B
- Authority
- CN
- China
- Prior art keywords
- gas
- sparse
- infrared image
- sensing infrared
- 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.)
- Active
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种气体感知红外图像处理方法,包括:获取得到气体感知红外图像、调整图像和描述类别,根据各气体感知红外图像和调整图像得到多个稀疏矩阵,根据多个稀疏矩阵得到各特征与气体泄露的关联性,根据气体感知红外图像的灰度图像、调整图像和各稀疏矩阵得到各气体感知红外图像的各超像素块的单位图像损失特征变化量,根据所述单位图像损失特征变化量和各特征与气体泄露的关联性得到各气体感知红外图像的各超像素块的单位图像损失影响程度,根据所述单位图像损失影响程度对各气体感知红外图像进行存储管理,从而实现将气体感知红外图像重要信息保留的同时还能降低气体感知红外图像的存储量。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种气体感知红外图像处理方法。
背景技术
随着工业化的发展,在工业生产中化工气体的使用频率随之提高,但是由于化工气体活跃性较大,例如甲烷、氢气等,如果存贮不好很容易出现泄露现象,气体泄露很容易造成安全事故。因而需对气体泄露进行实时监控,以便及时发现气体泄露现象。而对气体泄露进行实时监控,就会采集大量的气体感知红外图像数据,这些图像数据需要较大的存储成本,因而需要对图像数据进行存储管理来减少存储空间。
传统的压缩算法对图像信息存储管理时,认为所有的图像信息损失影响均相同,而对于气体感知红外图像数据,我们更多关注图像中与气体泄露相关的信息,因而在进行图像存储管理时,应降低这些信息损失对气体泄露分析的影响,同时每种信息单位损失下的影响程度不同,例如气体感知红外图像中会包含泄露气体、罐体气体泄露口以及罐体结构,而泄露气体和罐体气体泄露口中的一些细小纹理都会影响气体泄露分析,而一些无关的罐体结构等信息对气体泄露分析的影响较小。因而基于此来对图像中各信息进行不同的存储管理,降低图像数据量的同时,尽可能小的降低对气体泄露分析的影响。
发明内容
为了解决上述技术问题,本发明提供一种气体感知红外图像处理方法,所述方法包括:
获取得到气体感知红外图像和各气体感知红外图像的描述类别;
根据各气体感知红外图像得到气体感知红外图像的多个调整图像,根据各气体感知红外图像和多个调整图像得到气体感知红外图像的多个图像序列;根据气体感知红外图像的多个图像序列得到多个稀疏矩阵;稀疏矩阵是由多个稀疏向量构成且每个稀疏向量包含多稀疏值;将多个稀疏矩阵中包含的稀疏向量作为原图像稀疏向量集合;
根据气体感知红外图像的描述类别得到描述类别信息熵,根据原图像稀疏向量集合得到各稀疏值分布在各区间的描述类别信息熵和各区间的稀疏值个数占比,根据各稀疏值分布在各区间的描述类别信息熵和各区间的稀疏值个数占比得到各稀疏值的描述类别的条件熵,将描述类别的信息熵减去各稀疏值的描述类别的条件熵得到各特征与气体泄露的关联性;
根据各气体感知红外图像与调整图像的差异得到各气体感知红外图像的各超像素块的信息损失量,根据稀疏矩阵得到各气体感知红外图像的各超像素块的各特征信息变化量;将各气体感知红外图像的各超像素块的各特征信息变化量除以各气体感知红外图像的各超像素块的信息损失量得到各气体感知红外图像的各超像素块的单位图像信息的特征信息变化量,根据各气体感知红外图像的各超像素块的单位图像信息的特征信息变化量和各特征与气体泄露的关联性得到各气体感知红外图像的各超像素块的单位图像信息损失影响程度;
根据各气体感知红外图像的各超像素块的单位图像信息损失影响程度对各气体感知红外图像进行存储管理。
进一步地,所述根据各气体感知红外图像得到气体感知红外图像的多个调整图像,包括的具体步骤为:
对各气体感知红外图像进行超像素分割得到各气体感知红外图像的超像素图像;
将任意一个气体感知红外图像的超像素图像中的任意一个超像素块作为目标气体感知红外图像的目标超像素块,获取目标超像素块中所有像素的灰度值均值,将目标超像素块中的各像素的灰度值利用灰度均值替换;将目标气体感知红外图像的超像素图像的其他超像素块中的各像素的灰度值保持不变,得到目标气体感知红外图像的调整图像;将任意一个气体感知红外图像的超像素图像中的所有超像素块分别作为目标气体感知红外图像的目标超像素块,得到目标气体感知红外图像的多个调整图像,即各气体感知红外图像的多个调整图像。
进一步地,所述根据原图像稀疏向量集合得到各稀疏值分布在各区间的描述类别信息熵和各区间的稀疏值个数占比,包括的具体步骤为:
将任意一个位置记为目标位置;描述类别包含气体泄露类别和无气体泄露类别;将原图像稀疏向量集合中各稀疏向量对应的气体感知红外图像的描述类别作为各稀疏向量的描述类别,将各稀疏值所在的稀疏向量的描述类别作为各稀疏值的描述类别;
对于原图像稀疏向量集合,获取各稀疏向量目标位置的稀疏值,得到多个目标位置的稀疏值,获取多个目标位置的稀疏值中的最大稀疏值和最小稀疏值,根据最大稀疏和最小稀疏值得到第一区间,将第一区间均匀划分成多个区间,获取各目标位置的稀疏值所属的区间,在各区间中获取气体泄露类别的目标位置的稀疏值个数,获取各区间中无气体泄露类别的目标位置的稀疏值个数,在各区间中获取目标位置的稀疏值个数,将各区间中气体泄露类别的目标位置的稀疏值个数除以各区间中目标位置的稀疏值个数得到目标位置的稀疏值在各区间的条件下在气体泄露类别的占比,将各区间中包含无气体泄露类别的稀疏值个数除以各区间中稀疏值个数得到目标位置的稀疏值在各区间的条件下在无气体泄露类别的占比;
根据目标位置的稀疏值在各区间的条件下在气体泄露类别的占比和目标位置的稀疏值在各区间的条件下在无气体泄露类别的占比得到目标位置的稀疏值分布在各区间的描述类别信息熵,即各稀疏值分布在各区间的描述类别信息熵;
在各区间中获取目标位置的稀疏值个数,在原图像稀疏向量集合中稀疏向量的总个数,将各区间中目标位置的稀疏值个数除以所述稀疏向量的总个数得到各区间的稀疏值个数占比。
进一步地,所述根据各稀疏值分布在各区间的描述类别信息熵和各区间的稀疏值个数占比得到各稀疏值的描述类别的条件熵,包括的具体步骤为:
其中,表示第z个位置的稀疏值分布在第s个区间的个数,表示第z个位置的稀疏值总个数,表示第z个稀疏值分布在第s个区间的描述类别信息熵,表示第z个位置的稀疏值的区间个数,表示第z个稀疏值的描述类别的条件熵。
进一步地,所述根据各气体感知红外图像与调整图像的差异得到各气体感知红外图像的各超像素块的信息损失量,包括的具体步骤为:
对于一个气体感知红外图像,获取气体感知红外图像的各超像素块内所有像素的灰度值,根据各超像素块内所有像素的灰度值得到气体感知红外图像的各超像素块的灰度信息熵;获取气体感知红外图像的各超像素块内各像素的梯度值,根据气体感知红外图像的各超像素块内所有像素的梯度值得到气体感知红外图像各超像素块的梯度信息熵;
对于一个气体感知红外图像的一个调整图像,根据调整图像中各超像素块内所有像素的灰度值得到调整图像的各超像素块的灰度信息熵,根据调整图像的各超像素块内所有像素的梯度值得到调整图像的各超像素块的梯度信息熵;
根据各气体感知红外图像的各超像素块的灰度信息熵、梯度信息熵和各气体感知红外图像的各调整图像的各超像素块的灰度信息熵、梯度信息熵,得到各气体感知红外图像的各超像素块的信息损失量:
其中,表示第i个气体感知红外图像的第j个超像素块的梯度信息熵,表示第i个气体感知红外图像的第j个超像素块的灰度信息熵,表示第i个气体感知红外图像的第j个调整图像的第j个超像素块的梯度信息熵,表示第i个气体感知红外图像的第j个调整图像的第j个超像素块的灰度信息熵,表示第i个气体感知红外图像的第j个超像素块的信息损失量。
进一步地,所述根据稀疏矩阵得到各气体感知红外图像的各超像素块的各特征信息变化量,包括的具体步骤为:
在稀疏矩阵中获取各气体感知红外图像的第0个图像序列对应的稀疏向量,记为第一稀疏向量,在第一稀疏向量中获取各位置的稀疏值记为第一稀疏值;
在稀疏矩阵中获取各气体感知红外图像的各图像序列对应的稀疏向量记为第二稀疏向量,在第二稀疏向量中各位置的稀疏值记为第二稀疏值;
将第一稀疏值减去第二稀疏值得到各气体感知红外图像的各超像素块的各特征信息变化量。
进一步地,所述根据各气体感知红外图像的各超像素块的单位图像信息的特征信息变化量和各特征与气体泄露的关联性得到各气体感知红外图像的各超像素块的单位图像信息损失影响程度,包括的具体步骤为:
其中,表示第i个气体感知红外图像的第j个超像素块的单位图像损失的第z个特征信息变化量,Y表示描述类别,Z表示各稀疏向量中包含稀疏值的个数,表示第z个特征与气体泄露的关联性,表示第i个气体感知红外图像的第j个超像素块的单位图像信息损失影响程度。
进一步地,所述根据各气体感知红外图像的各超像素块的单位图像信息损失影响程度对各气体感知红外图像进行存储管理,包括的具体步骤为:
根据各气体感知红外图像的各超像素块的单位图像信息损失影响程度得到各气体感知红外图像的各超像素块的分割块数;
根据各气体感知红外图像的各超像素块的分割块数对各超像素块进行分割得到分割块数个第一超像素块;
将每个第一超像素块中所有像素的灰度值均值记为各第一超像素块的第一均值;
以各第一超像素块为存储单元,每个第一超像素块中只需存储第一均值。
本发明实施例至少具有如下有益效果:获取得到各气体感知红外图像及调整图像,获取各气体感知红外图像的描述类别,根据气体感知红外图像和气体感知红外图像的调整图像得到图像序列;根据图像序列得到多个稀疏矩阵,根据各稀疏矩阵中各稀疏向量和各气体感知红外图像得到各特征与气体泄露的关联性;在分析各特征与气体泄露的关联性时,考虑稀疏向量中各稀疏值对各气体感知红外图像的描述类别的决定情况来确定各特征与气体泄露的关联性,即稀疏向量中各稀疏值的取值对气体感知红外图像的描述类别确定情况来确定各特征与气体泄露的关联性,通过该方式能够更准确得到各特征与气体泄露的关联性,为后续根据各特征与气体泄露的关联性来对气体感知红外图像中不同信息进行不同的存储管理提供基础。
根据各气体感知红外图像中各超像素块与各气体感知红外图像的调整图像中对应超像素块的信息差异得到各气体感知红外图像的各超像素块的损失值,根据各气体感知红外图像与各气体感知红外图像的调整图像对应稀疏向量的取值差异得到各气体感知红外图像的特征变化量,根据各气体感知红外图像的各超像素块的损失值和各气体感知红外图像的特征变化量得到各气体感知红外图像的各超像素块的单位图像损失的特征变化量;根据各气体感知红外图像的各超像素块的单位图像损失的特征变化量和各特征与气体泄露的关联性得到各气体感知红外图像的各超像素块的单位图像损失影响程度。根据各气体感知红外图像的各超像素块的单位图像损失影响程度对各气体感知红外图像进行存储管理。该存储管理方式考虑各气体感知红外图像中各信息的损失对气体泄露分析的影响情况来对各气体感知红外图像中各信息进行不同的存储管理,从而使得在保留住各气体感知红外图像中气体泄露相关信息的同时,还能降低气体感知红外图像的存储数据量。
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为本发明提供的一种气体感知红外图像处理方法的流程图;
图2表示字典矩阵与稀疏向量的示意图。
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气体感知红外图像处理方法,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气体感知红外图像处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种气体感知红外图像处理方法的步骤流程图,该方法包括以下步骤:
步骤S001,获取气体感知红外图像,对气体感知红外图像进行气体泄露预测。
为了减少气体感知红外图像的存储成本,需对气体感知红外图像进行存储管理,因而需先获取气体感知红外图像。
1、采集气体感知红外图像:
为了对气体泄露进行实时监控,需在存储气体的罐体周围安装红外相机,用于实时监控气体泄露的情况,因而会产生大量的图像数据,如果不对图像数据进行存储管理,直接将图像数据进行存储,需要耗费大量的存储成本。
获取气体感知红外视频,将气体感知红外视频中每帧图像称为气体感知红外图像。
2、根据气体感知红外进行气体泄露预测:
构建数据集,数据集中包含10000个样本,每个样本为带标签的气体感知红外图像,其中存在气体泄露的样本标签为1,表示气体泄露类别,不存在气体泄露的样本标签为0,表示无气体泄露类别。
训练气体泄露识别网络:气体泄露识别网络的网络结构为Encoder-FC结构,本实施例中气体泄露网络为IncepitonV3网络结构,气体泄露识别网络输入为数据集中各图像,气体泄露识别网络的输出为各图像的气体泄露概率,气体泄露识别网络的损失函数为均方差损失函数。
将各气体感知红外图像输入到气体泄露识别网络中,得到各气体感知红外图像是否存在气体泄露的结论,将存在气体泄露的气体感知红外图像划分至气体泄露类别中,将不存在气体泄露的气体感知红外图像划分至无气体泄露类别中,将气体泄露类别和无气体泄露类别统称为描述类别。
步骤S002,确定气体感知红外图像中各特征与气体泄露的关联性。
由于视频序列中难以对应各帧图像信息之间的对应关系,例如在一个物体在视频序列中不同帧的位置不同,此时很难通过视频序列中像素位置对应关系来获取同一物体的信息。但是对于同一物体信息具有相似的特征,因而通过对视频图像进行处理得到视频图像的所有特征信息。
1、获取字典矩阵和稀疏向量:
利用SLIC算法对第i个气体感知红外图像进行超像素分割得到第i个气体感知红外图像的超像素图像,第i个气体感知红外图像的超像素块个数设置为J,J取50,同理对各个气体感知红外图像进行处理得到各个气体感知红外图像的超像素图像。
对于第i个气体感知红外图像的超像素图像中的第j个超像素块,获取该超像素块中所有像素的灰度值均值,该像素块中的各像素的灰度值利用灰度均值替换,将第i个气体感知红外图像的超像素图像中其他超像素块中的各像素的灰度值保持不变,得到第i个气体感知红外图像的第j个调整图像,同理得到第i个气体感知红外图像的J个调整图像。同理对各气体感知红外图像进行处理得到各气体感知红外图像的J个调整图像。
将第i个气体感知红外图像每行拼接在一起得到第i个气体感知红外图像的第0个图像序列,记为,将第i个气体感知红外图像的第j个调整图像每行拼接在一起得到第i个气体感知红外图像的第j个图像序列,记为。
将所有气体感知红外图像对应的所有的图像序列作为输入,利用K-SVD算法进行训练得到一个字典矩阵和多个稀疏向量,其中每个气体感知红外图像对应多个图像序列,一个图像序列对应一个稀疏向量,因而每个气体感知红外图像对应多个稀疏向量,将第i个气体感知红外图像的每个图像序列对应的稀疏向量作为稀疏矩阵的每一列,因而第i个气体感知红外图像的多个图像序列对应的多个稀疏向量构成一个稀疏矩阵,记为第i个稀疏矩阵,第i个气体感知红外图像的第j个图像序列与第i个稀疏矩阵中的第j个稀疏向量满足以下关系,,其中H表示字典矩阵,该关系是由K-SVD算法原理所确定的,图2给出了字典矩阵与稀疏向量的示意图,本实施例中为了方便说明,图2中以字典矩阵大小为8×6为例进行示意。
2、确定各特征与气体泄露的关联性:
为了分析气体感知红外图像中与气体泄露相关的特征,只需对气体感知红外图像得到的特征进行分析,因而先获取气体感知红外图像相关的特征。
为了便于描述,将各稀疏向量中各元素称为稀疏值。
每个气体感知红外图像对应一个稀疏矩阵,多个气体感知红外图像对应多个稀疏矩阵,获取各稀疏矩阵中的第一列稀疏向量,将多个稀疏矩阵中获得的多个第一列稀疏向量构成集合称为原图像稀疏向量集合,该集合中各稀疏向量均与各气体感知红外图像对应。
获取原图像稀疏向量集合中各稀疏向量对应的气体感知红外图像所属类别,记为该稀疏向量的描述类别,例如原图像稀疏向量集合中某个稀疏向量对应的气体感知红外图像属于气体泄露类别,则稀疏向量的描述类别就是气体泄露类别。
对于原图像稀疏向量集合,将字典矩阵中的每列作为一个字典向量,一个字典向量描述一些特征信息,每个稀疏向量中一个位置的稀疏值对应一个字典向量,如示意图2所示,图中表示第i个气体感知红外图像的第0个图像序列,与第i个气体感知红外图像对应,分别表示字典矩阵中的6个字典向量,表示第i个稀疏矩阵的第0个稀疏向量,分别表示稀疏向量中的6个稀疏值,其中字典向量与稀疏向量中中的稀疏值对应,字典向量与稀疏向量中中的稀疏值对应,字典向量与稀疏向量中中的稀疏值对应,字典向量与稀疏向量中中的稀疏值对应,字典向量与稀疏向量中中的稀疏值对应,字典向量与稀疏向量中中的稀疏值对应。所有稀疏向量中同一位置的稀疏值对应同一字典向量,将各稀疏向量第z个位置的稀疏值对应的字典向量记为第z个字典向量,其中稀疏向量中第z个稀疏值的取值决定了第i个气体感知红外图像中包含第z个字典向量描述特征信息的含量。将各稀疏值所在的稀疏向量的描述类别作为各稀疏值的描述类别;
在原图像稀疏向量集合中获取描述类别为气体泄露类别的稀疏向量个数Q1,描述类别为无气体泄露类别的稀疏向量个数Q2,获取原图像稀疏向量集合中包含稀疏向量的个数Q,因而气体泄露类别的稀疏向量个数占比为,无气体泄露类别的稀疏向量个数占比为。
因而根据气体泄露类别的稀疏向量个数占比和无气体泄露类别的稀疏向量个数占比得到描述类别信息熵P1(Y)。
对于原图像稀疏向量集合,获取各稀疏向量第z个位置的稀疏值,得到多个稀疏值,获取在多个稀疏值的最大值和最小值,将第一区间均匀划分成个区间,取6,将,区间分别为,获取各稀疏向量中第z个位置的稀疏值所属的区间,所有稀疏向量中第z个位置的所有稀疏值分布在若干个区间,同时第z个位置的所有稀疏值被分为两个描述类别,获取第z个位置稀疏值处于第s个区间中稀疏值个数,获取第z个位置的稀疏值处于第s个区间且属于气体泄露类别的稀疏值个数,因而第个位置稀疏值在第s个区间的条件下的气体泄露类别的占比为,获取第z个位置的稀疏值处于第s个区间且属于气体无气体泄露类别的稀疏值个数,因而第z个位置的稀疏值在第s个区间的条件下的无气体泄露类别的占比为。同理对各稀疏向量的各位置稀疏值进行处理得到各位置稀疏值在各区间的条件下在气体泄露类别的占比和各位置稀疏值在各区间的条件下在无气体泄露类别的占比。
根据第个位置稀疏值在第s个区间的条件下在气体泄露类别占比和第个位置稀疏值在第s个区间的条件下在无气体泄露类别占比得到第z个稀疏值分布在第s个区间的描述类别信息熵。
同理得到第z个稀疏值分布在各区间的描述类别信息熵。
第z个位置稀疏值在第个区间的稀疏值个数占比为,同理得到各区间个数占比。
因而得到条件熵为:
其中,表示第z个位置的稀疏值分布在第s个区间的个数,表示第z个位置的稀疏值总个数,表示第z个稀疏值分布在第s个区间的描述类别信息熵,表示第z个位置的稀疏值的区间个数,表示第z个稀疏值的描述类别的条件熵。
因而关联性为:
将P1(Y)减去得到第z个位置的稀疏值确定时对描述类别的信息增益,将信息增益表示第z个特征与气体泄露的关联性,即第z个特征与气体泄露的关联性,该值越大说明第z个位置的稀疏值确定时,能够较大的提升描述类别确定的概率,因而第z个位置的稀疏向量对应的第z个字典向量描述的特征信息对描述类别确定的决定程度较大,即第z个特征与气体泄露的关联性越大。
至此,得到各特征与气体泄露的关联性,在确定各特征与气体泄露的关联性时,考虑了在各特征信息确定时对描述类别的信息增益,即各特征信息对描述类别的决定程度,该值越大说明该特征信息与描述类别的关联性越大,即该特征与气体泄露的关联性越大,当该特征对应的信息损失时,对气体泄露分析影响较大,为后续分析各超像素块的单位图像信息损失影响程度提供基础。
步骤S003,计算各气体感知红外图像的各超像素块的单位图像信息损失特征信息变化量,根据各特征与气体泄露的关联性和各气体感知红外图像的各超像素块的单位图像信息损失特征信息变化量计算各气体感知红外图像各超像素块的单位图像信息损失影响程度。
在进行压缩时,有些图像信息在较小的压缩损失下,也对气体泄露分析造成较大的影响,例如气体泄露口处的信息,存在气体泄露的泄漏口一般会与不存在气体泄露的泄漏口存在差异,这些信息有助于进行气体泄露分析,但是这种信息在图像信息中表现为较小的细节信息,这些信息损失时,就会影响气体泄露分析,而有些图像信息在较小的压缩损失下,对气体泄露分析不会产生较大的影响,例如与气体泄露无关的罐体结构信息,这些信息对气体泄露分析影响不大。因而需要分析单位图像信息的单位损失影响程度。
1、计算信息损失值:
对于第i个气体感知红外图像,其对应与第i个气体感知红外图像的第0个图像序列。获取该图像的第j个超像素块内所有像素的灰度值,根据第j个超像素块内所有像素的灰度值计算得到该图像第j个超像素块的灰度信息熵;获取该图像的第j个超像素块内各像素的梯度值,根据该图像的第j超像素块内所有像素的梯度值计算得到该图像第j个超像素块的梯度信息熵,通过该图像的第j个超像素块的灰度信息熵和梯度信息熵来反映该图像的第j个超像素块内部的信息颜色信息和纹理信息含量。
对于第i个气体感知红外图像的第j个调整图像,其通过对第i个气体感知红外图像的j个超像素块进行调整得到,其对应与第i个气体感知红外图像的第j个图像序列。按照第i个气体感知红外图像的第j个超像素块的灰度信息熵计算方法,计算得到该图像的第j个超像素的灰度信息熵,由于该图像的第j个超像素块内的所有像素的灰度值为同一个数据,因而利用该图像的第j个超像素块内的所有像素的灰度值计算得到灰度信息熵等于0;按照第i个气体感知红外图像的第j个超像素块的梯度信息熵计算方法,计算得到该图像的第j个超像素的梯度信息熵,由于该图像的第j超像素块内的所有像素的灰度值为同一个数据,因而利用该图像的第j个超像素块内的所有像素的梯度值计算得到梯度信息熵也等于0。
因而第i个气体感知红外图像的第j个调整图像相较于第i个气体感知红外图像的图像信息损失值为:
其中,表示第i个气体感知红外图像的第j个超像素块的梯度信息熵,表示第i个气体感知红外图像的第j个超像素块的灰度信息熵,表示第i个气体感知红外图像的第j个调整图像的第j个超像素块的梯度信息熵,表示第i个气体感知红外图像的第j个调整图像的第j个超像素块的灰度信息熵,表示第i个气体感知红外图像的第j个超像素块的信息损失量。
2、计算各特征信息的变化量:
获取第i个气体感知红外图像的第0个图像序列对应的第一稀疏向量,第i个气体感知红外图像的第0个图像序列与第i个气体感知红外图像的灰度图像对应,因而第i个气体感知红外图像与稀疏向量对应,在稀疏向量中获取第z个位置的稀疏值记为第二稀疏值,该稀疏值反应了第i个气体感知红外图像中包含第z个位置稀疏值对应的特征信息的含量。
获取第i个气体感知红外图像的第j个图像序列对应的稀疏向量记为,第i个气体感知红外图像的第j个图像序列与第i个气体感知红外图像的第j个调整图像对应,因而第i个气体感知红外图像的第j个调整图像与稀疏向量对应,在稀疏向量中获取第z个位置的稀疏值记为第二稀疏值,该稀疏值反应了第i个气体感知红外图像的第j个调整图像中包含第z个位置稀疏值对应的特征信息的含量。
因而将稀疏值与稀疏值的差值的绝对值作为第i个气体感知红外图像的第j个超像素块的第z个特征信息变化量,该特征信息的变化量是由于第i个气体感知红外图像与第i个气体感知红外图像的第j个调整图像的差异造成,这两个图像的差异是通过由于第i个气体感知红外图像的第j个调整图像在第j个超像素块的信息损失造成的。
3、计算各超像素块中单位图像损失下的各特征信息变化量:
将第i个气体感知红外图像的第j个超像素块的第z个特征信息变化量除以第i个气体感知红外图像的第j个超像素块的信息损失量,得到第i个气体感知红外图像的第j个超像素块的单位图像信息损失的第z个特征信息变化量,该值越大说明该超像素块中图像信息损失会造成第z个特征信息变化量,因而第z个特征信息描述该超像素块的信息越多,因而第z个特征与第j个超像素块的关联性较大。
4、计算各气体感知红外图像的各超像素块的单位图像信息损失影响程度:
其中,表示第i个气体感知红外图像的第j个超像素块的单位图像损失的第z个特征信息变化量,该值越大说明第i个气体感知红外图像的第j个超像素块中单位图像损失会造成第z个特征的信息量发生较大变化,说明第i个气体感知红外图像的第j个超像素块中的图像信息中包含第z个特征的信息较多,Y表示描述类别,表示第z个特征与气体泄露的关联性,该值越大说明第z个特征描述的信息与气体泄露的相关性越大,该值越大说明第j个超像素块中包含第z个特征描述的信息较多,并且第z个特征描述的信息与气体泄露相关性越大越多,因而第j个超像素块中包含与气体泄露相关的第z个特征描述的信息越大,因而第j个超像素块中的信息损失对气体泄露分析的影响程度较大,Z表示各稀疏向量中包含稀疏值的个数,表示第i个气体感知红外图像的第j个超像素块的单位图像信息损失影响程度。
本实施例中将所有气体感知红外图像的所有超像素块的单位图像信息损失影响程度进行线性归一化处理。
至此,得到各气体感知红外图像中各超像素块中单位图像信息损失影响程度,在获取该值时考虑了特征气体泄露的关联程度,通过特征与气体泄露的关联程度能够反映各特征信息损失时对气体泄露分析的影响情况,然后考虑了各气体感知红外图像的各超像素块中单位图像信息的特征信息变化量,通过该值反映了各气体感知红外图像的各超像素块中包含各特征信息的情况,结合各特征与气体泄露的关联程度和各气体感知红外图像的各超像素块中单位图像信息的特征信息变化量得到各气体感知红外图像的各超像素块中单位图像信息损失影响程度,该值越大说明该超像素块中信息损失对气体泄露分析的影响程度较大。
步骤S004,根据各气体感知红外图像的各超像素块的单位图像信息损失影响程度对气体感知红外图像进行存储管理。
1、确定各气体感知红外图像的各超像素块的分割块数:
获取第i个气体感知红外图像中各超像素块中包含像素的个数,将第i个气体感知红外图像的所有超像素块的像素个数求均值,记为;因而各气体感知红外图像的各超像素块的分割块数据为:
其中,表示第i个气体感知红外图像的第j个超像素块的单位图像信息损失影响程度,该值越大说明第i个气体感知红外图像的第j个超像素块中图像信息损失对气体泄露分析影响较大,因而需降低该超像素块中的信息损失量,表示第i个气体感知红外图像的超像素块的像素个数均值,表示向上取整符号,表示第i个气体感知红外图像的第j个超像素块的分割块数。
2、根据各气体感知红外图像的各超像素块的分割块数进行存储管理:
设置第i个气体感知红外图像的第j个超像素块的分割块数为,利用超像素分割算法对第i个气体感知红外图像的第j个超像素块中的像素再次进行超像素分割进行分割,得到个第一超像素块。
同理对各气体感知红外图像的各超像素块进行分割处理得到各气体感知红外图像的各超像素块的多个第一超像素块。
将每个第一超像素块中所有像素的灰度值均值记为各第一超像素块的第一均值。
以各第一超像素块为存储单元,每个第一超像素块中只需存储该第一超像素块的第一均值,无需存储各第一超像素块中的所有像素的灰度值,因而每个超像素块中的数据存储量大大减少,因而节约了大量存储成本。
综上所述,本发明实施例提供了一种气体感知红外图像处理方法,获取得到各气体感知红外图像及调整图像,获取各气体感知红外图像的描述类别,根据气体感知红外图像和气体感知红外图像的调整图像得到图像序列;根据图像序列得到多个稀疏矩阵,根据各稀疏矩阵中各稀疏向量和各气体感知红外图像得到各特征与气体泄露的关联性;在分析各特征与气体泄露的关联性时,考虑稀疏向量中各稀疏值对各气体感知红外图像的描述类别的决定情况来确定各特征与气体泄露的关联性,即稀疏向量中各稀疏值的取值对气体感知红外图像的描述类别确定情况来确定各特征与气体泄露的关联性,通过该方式能够更准确得到各特征与气体泄露的关联性,为后续根据各特征与气体泄露的关联性来对气体感知红外图像中不同信息进行不同的存储管理提供基础。
根据各气体感知红外图像中各超像素块与各气体感知红外图像的调整图像中对应超像素块的信息差异得到各气体感知红外图像的各超像素块的损失值,根据各气体感知红外图像与各气体感知红外图像的调整图像对应稀疏向量的取值差异得到各气体感知红外图像的特征变化量,根据各气体感知红外图像的各超像素块的损失值和各气体感知红外图像的特征变化量得到各气体感知红外图像的各超像素块的单位图像损失的特征变化量;根据各气体感知红外图像的各超像素块的单位图像损失的特征变化量和各特征与气体泄露的关联性得到各气体感知红外图像的各超像素块的单位图像损失影响程度。根据各气体感知红外图像的各超像素块的单位图像损失影响程度对各气体感知红外图像进行存储管理。该存储管理方式考虑各气体感知红外图像中各信息的损失对气体泄露分析的影响情况来对各气体感知红外图像中各信息进行不同的存储管理,从而使得在保留住各气体感知红外图像中气体泄露相关信息的同时,还能降低气体感知红外图像的存储数据量。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (8)
1.一种气体感知红外图像处理方法,其特征在于,所述方法包括:
获取得到气体感知红外图像和各气体感知红外图像的描述类别;
根据各气体感知红外图像得到气体感知红外图像的多个调整图像,根据各气体感知红外图像和多个调整图像得到气体感知红外图像的多个图像序列;根据气体感知红外图像的多个图像序列得到多个稀疏矩阵;稀疏矩阵是由多个稀疏向量构成且每个稀疏向量包含多稀疏值;将多个稀疏矩阵中包含的稀疏向量作为原图像稀疏向量集合;
根据气体感知红外图像的描述类别得到描述类别信息熵,根据原图像稀疏向量集合得到各稀疏值分布在各区间的描述类别信息熵和各区间的稀疏值个数占比,根据各稀疏值分布在各区间的描述类别信息熵和各区间的稀疏值个数占比得到各稀疏值的描述类别的条件熵,将描述类别的信息熵减去各稀疏值的描述类别的条件熵得到各特征与气体泄露的关联性;
根据各气体感知红外图像与调整图像的差异得到各气体感知红外图像的各超像素块的信息损失量,根据稀疏矩阵得到各气体感知红外图像的各超像素块的各特征信息变化量;将各气体感知红外图像的各超像素块的各特征信息变化量除以各气体感知红外图像的各超像素块的信息损失量得到各气体感知红外图像的各超像素块的单位图像信息的特征信息变化量,根据各气体感知红外图像的各超像素块的单位图像信息的特征信息变化量和各特征与气体泄露的关联性得到各气体感知红外图像的各超像素块的单位图像信息损失影响程度;
根据各气体感知红外图像的各超像素块的单位图像信息损失影响程度对各气体感知红外图像进行存储管理。
2.如权利要求1所述的一种气体感知红外图像处理方法,其特征在于,所述根据各气体感知红外图像得到气体感知红外图像的多个调整图像,包括的具体步骤为:
对各气体感知红外图像进行超像素分割得到各气体感知红外图像的超像素图像;
将任意一个气体感知红外图像的超像素图像中的任意一个超像素块作为目标气体感知红外图像的目标超像素块,获取目标超像素块中所有像素的灰度值均值,将目标超像素块中的各像素的灰度值利用灰度均值替换;将目标气体感知红外图像的超像素图像的其他超像素块中的各像素的灰度值保持不变,得到目标气体感知红外图像的调整图像;将任意一个气体感知红外图像的超像素图像中的所有超像素块分别作为目标气体感知红外图像的目标超像素块,得到目标气体感知红外图像的多个调整图像,即各气体感知红外图像的多个调整图像。
3.如权利要求1所述的一种气体感知红外图像处理方法,其特征在于,所述根据原图像稀疏向量集合得到各稀疏值分布在各区间的描述类别信息熵和各区间的稀疏值个数占比,包括的具体步骤为:
将任意一个位置记为目标位置;描述类别包含气体泄露类别和无气体泄露类别;将原图像稀疏向量集合中各稀疏向量对应的气体感知红外图像的描述类别作为各稀疏向量的描述类别,将各稀疏值所在的稀疏向量的描述类别作为各稀疏值的描述类别;
对于原图像稀疏向量集合,获取各稀疏向量目标位置的稀疏值,得到多个目标位置的稀疏值,获取多个目标位置的稀疏值中的最大稀疏值和最小稀疏值,根据最大稀疏和最小稀疏值得到第一区间,将第一区间均匀划分成多个区间,获取各目标位置的稀疏值所属的区间,在各区间中获取气体泄露类别的目标位置的稀疏值个数,获取各区间中无气体泄露类别的目标位置的稀疏值个数,在各区间中获取目标位置的稀疏值个数,将各区间中气体泄露类别的目标位置的稀疏值个数除以各区间中目标位置的稀疏值个数得到目标位置的稀疏值在各区间的条件下在气体泄露类别的占比,将各区间中包含无气体泄露类别的稀疏值个数除以各区间中稀疏值个数得到目标位置的稀疏值在各区间的条件下在无气体泄露类别的占比;
根据目标位置的稀疏值在各区间的条件下在气体泄露类别的占比和目标位置的稀疏值在各区间的条件下在无气体泄露类别的占比得到目标位置的稀疏值分布在各区间的描述类别信息熵,即各稀疏值分布在各区间的描述类别信息熵;
在各区间中获取目标位置的稀疏值个数,在原图像稀疏向量集合中稀疏向量的总个数,将各区间中目标位置的稀疏值个数除以所述稀疏向量的总个数得到各区间的稀疏值个数占比。
4.如权利要求1所述的一种气体感知红外图像处理方法,其特征在于,所述根据各稀疏值分布在各区间的描述类别信息熵和各区间的稀疏值个数占比得到各稀疏值的描述类别的条件熵,包括的具体步骤为:
其中,表示第z个位置的稀疏值分布在第s个区间的个数,表示第z个位置的稀疏值总个数,表示第z个稀疏值分布在第s个区间的描述类别信息熵,表示第z个位置的稀疏值的区间个数,表示第z个稀疏值的描述类别的条件熵。
5.如权利要求1所述的一种气体感知红外图像处理方法,其特征在于,所述根据各气体感知红外图像与调整图像的差异得到各气体感知红外图像的各超像素块的信息损失量,包括的具体步骤为:
对于一个气体感知红外图像,获取气体感知红外图像的各超像素块内所有像素的灰度值,根据各超像素块内所有像素的灰度值得到气体感知红外图像的各超像素块的灰度信息熵;获取气体感知红外图像的各超像素块内各像素的梯度值,根据气体感知红外图像的各超像素块内所有像素的梯度值得到气体感知红外图像各超像素块的梯度信息熵;
对于一个气体感知红外图像的一个调整图像,根据调整图像中各超像素块内所有像素的灰度值得到调整图像的各超像素块的灰度信息熵,根据调整图像的各超像素块内所有像素的梯度值得到调整图像的各超像素块的梯度信息熵;
根据各气体感知红外图像的各超像素块的灰度信息熵、梯度信息熵和各气体感知红外图像的各调整图像的各超像素块的灰度信息熵、梯度信息熵,得到各气体感知红外图像的各超像素块的信息损失量:
其中,表示第i个气体感知红外图像的第j个超像素块的梯度信息熵,表示第i个气体感知红外图像的第j个超像素块的灰度信息熵,表示第i个气体感知红外图像的第j个调整图像的第j个超像素块的梯度信息熵,表示第i个气体感知红外图像的第j个调整图像的第j个超像素块的灰度信息熵,表示第i个气体感知红外图像的第j个超像素块的信息损失量。
6.如权利要求1所述的一种气体感知红外图像处理方法,其特征在于,所述根据稀疏矩阵得到各气体感知红外图像的各超像素块的各特征信息变化量,包括的具体步骤为:
在稀疏矩阵中获取各气体感知红外图像的第0个图像序列对应的稀疏向量,记为第一稀疏向量,在第一稀疏向量中获取各位置的稀疏值记为第一稀疏值;
在稀疏矩阵中获取各气体感知红外图像的各图像序列对应的稀疏向量记为第二稀疏向量,在第二稀疏向量中各位置的稀疏值记为第二稀疏值;
将第一稀疏值减去第二稀疏值得到各气体感知红外图像的各超像素块的各特征信息变化量。
7.如权利要求1所述的一种气体感知红外图像处理方法,其特征在于,所述根据各气体感知红外图像的各超像素块的单位图像信息的特征信息变化量和各特征与气体泄露的关联性得到各气体感知红外图像的各超像素块的单位图像信息损失影响程度,包括的具体步骤为:
其中,表示第i个气体感知红外图像的第j个超像素块的单位图像损失的第z个特征信息变化量,Y表示描述类别,Z表示各稀疏向量中包含稀疏值的个数,表示第z个特征与气体泄露的关联性,表示第i个气体感知红外图像的第j个超像素块的单位图像信息损失影响程度。
8.如权利要求1所述的一种气体感知红外图像处理方法,其特征在于,所述根据各气体感知红外图像的各超像素块的单位图像信息损失影响程度对各气体感知红外图像进行存储管理,包括的具体步骤为:
根据各气体感知红外图像的各超像素块的单位图像信息损失影响程度得到各气体感知红外图像的各超像素块的分割块数;
根据各气体感知红外图像的各超像素块的分割块数对各超像素块进行分割得到分割块数个第一超像素块;
将每个第一超像素块中所有像素的灰度值均值记为各第一超像素块的第一均值;
以各第一超像素块为存储单元,每个第一超像素块中只需存储第一均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310134481.4A CN115841486B (zh) | 2023-02-20 | 2023-02-20 | 一种气体感知红外图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310134481.4A CN115841486B (zh) | 2023-02-20 | 2023-02-20 | 一种气体感知红外图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115841486A CN115841486A (zh) | 2023-03-24 |
CN115841486B true CN115841486B (zh) | 2023-04-25 |
Family
ID=85579906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310134481.4A Active CN115841486B (zh) | 2023-02-20 | 2023-02-20 | 一种气体感知红外图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841486B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311088B (zh) * | 2023-05-24 | 2023-08-04 | 山东亿昌装配式建筑科技有限公司 | 一种基于建筑工地的施工安全监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310343A (zh) * | 2019-05-28 | 2019-10-08 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
CN112434176A (zh) * | 2020-11-30 | 2021-03-02 | 郑州苏一电子科技有限公司 | 一种基于图像处理的图像存储方法和装置 |
CN113112557A (zh) * | 2021-02-23 | 2021-07-13 | 西南科技大学 | 一种基于字典学习的分块自适应纸箱图像压缩方法 |
CN114199464A (zh) * | 2021-12-09 | 2022-03-18 | 湖北久之洋信息科技有限公司 | 一种实现视频显控的sf6气体检漏手持设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5962937B2 (ja) * | 2012-04-20 | 2016-08-03 | ホアウェイ・テクノロジーズ・カンパニー・リミテッド | 画像処理方法 |
CN106663316A (zh) * | 2016-08-30 | 2017-05-10 | 深圳大学 | 一种基于块稀疏压缩感知的红外图像重构方法及其系统 |
US11538145B2 (en) * | 2018-07-05 | 2022-12-27 | Konica Minolta, Inc. | Gas monitoring image recording device, method, and program |
WO2020256092A1 (ja) * | 2019-06-20 | 2020-12-24 | コニカミノルタ株式会社 | 維持管理方法、維持管理装置および維持管理プログラム |
-
2023
- 2023-02-20 CN CN202310134481.4A patent/CN115841486B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310343A (zh) * | 2019-05-28 | 2019-10-08 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
CN112434176A (zh) * | 2020-11-30 | 2021-03-02 | 郑州苏一电子科技有限公司 | 一种基于图像处理的图像存储方法和装置 |
CN113112557A (zh) * | 2021-02-23 | 2021-07-13 | 西南科技大学 | 一种基于字典学习的分块自适应纸箱图像压缩方法 |
CN114199464A (zh) * | 2021-12-09 | 2022-03-18 | 湖北久之洋信息科技有限公司 | 一种实现视频显控的sf6气体检漏手持设备 |
Non-Patent Citations (2)
Title |
---|
Alibek Kopbayev et.al.Gas leakage detection using spatial and temporal neural network model.《Process Safety and Environmental Protection》.2022,968-975. * |
李家琨 等.气体泄漏红外图像动态压缩及增强方法.《光学学报》.2017,第37卷(第1期),0111003-1-0111003-7. * |
Also Published As
Publication number | Publication date |
---|---|
CN115841486A (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhat et al. | Localbins: Improving depth estimation by learning local distributions | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN115841486B (zh) | 一种气体感知红外图像处理方法 | |
CN109685743A (zh) | 基于噪声学习神经网络模型的图像混合噪声消除方法 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN111322716B (zh) | 空调温度自动设置方法、空调、设备及存储介质 | |
CN112001399B (zh) | 基于局部特征显著化的图像场景分类方法和装置 | |
WO2023131301A1 (zh) | 消化系统病理图像识别方法、系统及计算机存储介质 | |
CN102713974B (zh) | 学习装置、识别装置、学习识别系统和学习识别装置 | |
CN116843679B (zh) | 基于深度图像先验框架的pet图像部分容积校正方法 | |
CN112884721A (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
CN108492283B (zh) | 一种基于带约束稀疏表示的高光谱图像异常检测方法 | |
CN116012841A (zh) | 一种基于深度学习的开集图像场景匹配方法及装置 | |
CN111325720B (zh) | 一种多视觉特征集成的无参考超分辨图像质量评价方法 | |
CN114820576A (zh) | 乳腺特征提取、检测模型的训练方法、装置 | |
CN112200222A (zh) | 模型训练设备 | |
Sharma et al. | Facial Image Super-Resolution with CNN,“A Review” | |
CN110991361A (zh) | 面向高清高速视频的多通道多模态背景建模方法 | |
CN113627556B (zh) | 一种图像分类的实现方法、装置、电子设备和存储介质 | |
Wang et al. | Extracting the height of lettuce by using neural networks of image recognition in deep learning | |
CN117692350B (zh) | 一种基于指纹的流量预测方法及系统 | |
CN117853482B (zh) | 一种基于多尺度的复合材料缺陷检测方法和设备 | |
CN117809162B (zh) | 校正透镜成像不均一性、提取透镜参数的方法及装置 | |
CN116091867B (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN118097163A (zh) | 电力图像数据处理方法、装置、设备、介质和程序产品 |
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 |