CN115937093A - 融合hsl空间和改进暗通道技术的烟雾浓度检测方法 - Google Patents

Abstract

本发明公开了一种融合HSL空间和改进暗通道技术的烟雾浓度检测方法，首先在HSL空间中对有雾图像进行亮度调整，改进暗通道先验理论中大气光和透射率的计算方法以获得更为精确的透射率值，通过多组真实实验获取图像透射率和烟雾浓度之间的关系。实验结果表明，基于本文算法得到的图像烟雾浓度和电化学传感器测量浓度比较，其平均误差控制在5.8％左右，具有较高的准确率。另外，本发明具有降低光照以及背景图像对烟雾浓度测量的负面影响的作用。

Description

融合HSL空间和改进暗通道技术的烟雾浓度检测方法

技术领域

本发明涉及数字图像处理技术领域，具体涉及一种融合HSL空间和改进暗通道技术的烟雾浓度检测方法。

背景技术

传统的烟雾浓度传感器大多通过光学方面的光散射和光透射、或者是电学方面的基于电离室的电容法和基于静电感应的电荷法等原理进行工作，这类烟雾传感器，必须靠近烟源才能正常工作，而且往往只能测量局部范围的烟雾浓度，无法获得大范围空间的烟雾浓度分布情况，从而限制了其应用。随着图像处理技术的不断发展，基于视频监控的各种智能探测技术愈发成熟，基于图像的烟雾浓度检测技术也受到越来越多的关注。

目前国内外对图像中的烟雾浓度研究已取得了一些成果。最早在19世纪末Ringelmann提出了林格曼黑度图，这种方式依靠视觉对比判断烟雾浓度，不够精确可靠。Cozman和Krotkov等根据光线在穿过大气时的散射效应，提出了背景灰度、雾化图像的灰度以及环境条件间的关系模型。何凯明在他的论文(Single Image Haze Removal UsingDark Channel Prior IEEE transactions on pattern analysis and machineintelligence,2010,33(12):2341-2353.33(12):2341～2353.)中总结了图像中的烟雾化方程，成为图像中烟雾物理模型的理论基础。袁飞阁(基于烟雾浓度的火灾视频检测方法[D].华中科技大学,2013.)首次系统性的探索了减光系数与图像灰度的关系并成功用实验验证，但只适用于白烟且对背景图灰度有要求。马天颖(基于图像结构相似度的烟雾浓度视频测量方法研究[D].华中科技大学,2017)提出基于图像结构相似度的方法测量减光系数，这种方法的优点是不受烟雾颜色与背景图像灰度的限制，缺点是只适用于低浓度烟雾且对背景图图像复杂度有要求。

袁飞阁和马天颖讨论的是图像特征和减光系数之间的关系，并以减光系数指代烟雾浓度，并未对图像特征和实际烟雾浓度之间的关系进行探讨。因此，本文提出一种基于HSL颜色空间亮度调整和改进暗通道先验的图像烟雾浓度检测方法，对原始图像进行亮度调整，并使用改进的暗通道先验计算图像的透射率，并通过实验建立起烟雾图像、透射率、烟雾浓度三者之间的对应关系，从而创新性地探究了图像特征和实际烟雾浓度之间的联系。其主要优势如下：1)通过对图像进行HSL空间转换并提升对比度和亮度从而减弱光照的影响，提升算法的通用性；2)算法不受烟雾颜色与背景图像灰度的限制；3)可以实现远距离烟雾浓度估计。

发明内容

针对上述存在的现实问题，认真分析了该类问题所属的问题技术领域，提出一种融合HSL空间和改进暗通道技术的烟雾浓度检测模型方法。

本发明的技术方案如下：

融合HSL空间和改进暗通道技术的烟雾浓度检测模型方法，包括如下步骤：

步骤1、通过摄像头，获取自然光照下的密闭烟雾图像；

步骤2、对密闭烟雾图像由RGB转换到HSL空间；

步骤3、对图像进行HSL空间亮度分量调整指定阈值，随后逆变换回RGB空间；

步骤4、记录无雾原图中暗通道值大于阈值r的位置集合；

步骤5、根据有雾环境下的大气成像模型和暗通道先验得到改进后的大气光A值；

步骤6、由暗通道先验计算获得透射率图，对透射率图中除了步骤4中记录的位置外的其他位置所对应的透射率值计算透射率直方图；

步骤7、计算出整幅有雾图像代表的透射率值；

步骤8、对多幅烟雾图像进行上述计算获得对应透射率值，根据实验数据对透射率和烟雾浓度进行回归分析。

在本发明的步骤1中，具体的方法为：在某个密闭的空间内，通过设置固定时间采集图像，图像环境应该是烟雾分布均匀的，此种情况准确率较高；从无雾图像开始，逐步增加烟雾浓度(采集图像包括无雾原图和有雾图)。

步骤2中，由于在不同的光照条件下，大气光不同，相同浓度烟雾在图像中呈现不同的像素值，弱光照环境下图像的亮度明显偏低。因此为了减弱光照条件对烟雾浓度估计的影响，需要对烟雾图像进行亮度统一预处理，在HSL颜色空间中H是色相分量(Hue)，S是饱和度分量(Saturation)，L是亮度分量(Lightness)。在HSL颜色空间中，各分量相对独立，颜色信息不受亮度变化影响。将RGB颜色空间转换为HSL颜色空间，计算公式为。

步骤3中，为了统一图像亮度，将RGB图像转换到HSL空间后对图像进行亮度调整处理，将图像HSL空间的L亮度分量的平均值整幅图像的亮度值。预设亮度阈值s作为调整后的亮度值，那么求取比例系数p公式如下：

其中I^l(x)为图像L通道分量的值。

根据比例系数p调整图像亮度，同时将值大于1的设为1：

式中

和

分别表示转换前和转换后的图像l通道的值。最后将HSL空间的图像转换回RGB三通道图像。其中阈值s在本文中取值0.5。

步骤4中，将之前的无雾原图进行比较，记录无雾原图中暗通道值大于阈值r的位置集合。

步骤5中，将输入有雾图像进行了亮度调整预处理，由于多幅图像的R，G，B三个通道的总平均值趋于一致，因此本文使用此平均值作为大气光A的值。但是因为大气光值过低而导致最终的透射率计算出现负值，因此需要对大气光值增加常数k补偿。本文计算图像大气光A值的公式如下：

公式中M和N分别为用像素数表示的图像长和宽。I^r(i,j)、I^b(i,j)和I^b(i,j)分别表示图像R、G、B三个通道的像素值，经实验确定常数k取值70。

步骤6中，由暗通道先验计算获得透射率图，对透射率图中除了步骤4中记录的位置外的其他位置所对应的透射率值计算透射率t直方图，计算公式为：

步骤7中，假设透射率t₁、透射率t₂、透射率t₃是透射率直方图中出现次数前三的透射率值，对应的出现次数分别为n₁，n₂，n₃，计算出整幅有雾图像代表的最终投射率t,计算公式为：

步骤8中，对多幅烟雾图像进行上述计算获得对应透射率值，并加入饱和度，韦伯对比度，色彩度作为辅助的特征，透射率和烟雾浓度为主要特征进行回归分析，得出模型。

其中饱和度定义如下：

I_saturation(i,j)＝I_HSV(i,j,2)

式中，I_HSV为HSV空间下的饱和度通道。

韦伯对比度定义如下：

式中，vb(x),△v(x)分别是图像每个像素点x的背景亮度和对比度，vb(x)可通过对HSV空间中的V通道利用低通滤波器获得，N为图像块Ω所包含的像素数目。

色彩度定义如下：

μ_rg，μ_yb是图像rg、yb的均值，σ_rg，σ_yb是图像rg、yb的方差，而rg＝R-G,yb＝0.5*(R+G)-B，R，G，B分别为图像的RGB通道值。

在SVR核函数的选择上，使用rbf核函数可以达到较好的效果。rbf核函数公式如下：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²),γ＞0

为验证本文算法所计算烟雾浓度的准确率，这里定义误差百分比：

d＝(c_t-c)/c×100％

公式中c_t表示经过本文算法计算所得烟雾浓度，c表示实验中通过烟雾传感器实际测量的烟雾浓度。

对这些烟雾图片计算透射率、饱和度、韦伯对比度、色彩度并使用SVR回归模型计算烟雾浓度值，得出模型。

本发明的有益效果如下：

1)提出了基于HSL空间亮度调整和暗通道先验的烟雾浓度检测算法；

2)使用改进了大气光计算和透射率计算的暗通道先验算法获得更为精确的烟雾透射率；

3)将烟雾透射率与烟雾浓度进行回归分析数据拟合获得两者之间的关系公式，最终建立烟雾图像与烟雾浓度之间的联系。

附图说明

图1是本发明算法流程图。

具体实施方式

下面对本发明的实施方式进行更为详细的描述，所述实施方式的流程图在附图1中展示。下面通过参考附图描述的实施方案仅用于解释本发明，而不能解释为对本发明的限制。

如图1所示，融合HSL空间和改进暗通道技术的烟雾浓度检测模型，包括以下步骤：

步骤1，具体的方法为：在某个密闭的空间内，通过设置固定时间采集图像，图像环境应该是烟雾分布均匀的，此种情况准确率较高。

步骤2，由于在不同的光照条件下，大气光不同，相同浓度烟雾在图像中呈现不同的像素值，弱光照环境下图像的亮度明显偏低。因此为了减弱光照条件对烟雾浓度估计的影响，需要对烟雾图像进行亮度统一预处理，在HSL颜色空间中H是色相分量(Hue)，S是饱和度分量(Saturation)，L是亮度分量(Lightness)。在HSL颜色空间中，各分量相对独立，颜色信息不受亮度变化影响。将RGB颜色空间转换为HSL颜色空间，计算公式为。

步骤3，为了统一图像亮度，将RGB图像转换到HSL空间后对图像进行亮度调整处理，将图像HSL空间的L亮度分量的平均值整幅图像的亮度值。预设亮度阈值s作为调整后的亮度值，那么求取比例系数p公式如下：

其中I^l(x)为图像L通道分量的值。

根据比例系数p调整图像亮度，同时将值大于1的设为1：

式中

和

分别表示转换前和转换后的图像l通道的值。最后将HSL空间的图像转换回RGB三通道图像。其中阈值s在本文中取值0.5。

步骤4，将之前的无雾原图进行比较，记录无雾原图中暗通道值大于阈值r的位置集合。

步骤5，将输入有雾图像进行了亮度调整预处理，由于多幅图像的R，G，B三个通道的总平均值趋于一致，因此本文使用此平均值作为大气光A的值。但是因为大气光值过低而导致最终的透射率计算出现负值，因此需要对大气光值增加常数k补偿。本文计算图像大气光A值的公式如下：

公式中M和N分别为用像素数表示的图像长和宽。I^r(i,j)、I^b(i,j)和I^b(i,j)分别表示图像R、G、B三个通道的像素值，经实验确定常数k取值70。

步骤6，由暗通道先验计算获得透射率图，对透射率图中除了步骤4中记录的位置外的其他位置所对应的透射率值计算透射率t直方图，计算公式为：

步骤7，假设透射率t₁、透射率t₂、透射率t₃是透射率直方图中出现次数前三的透射率值，对应的出现次数分别为n₁，n₂，n₃，计算出整幅有雾图像代表的最终投射率t,计算公式为：

步骤8，对多幅烟雾图像进行上述计算获得对应透射率值，并加入饱和度，韦伯对比度，色彩度作为辅助的特征，透射率和烟雾浓度为主要特征进行回归分析，得出模型。

其中饱和度定义如下

I_saturation(i,j)＝I_HSV(i,j,2)

式中，I_HSV为HSV空间下的饱和度通道。

韦伯对比度定义如下：

式中，v_b(x),△v(x)分别是图像每个像素点x的背景亮度和对比度，v_b(x)可通过对HSV空间中的V通道利用低通滤波器获得，N为图像块Ω所包含的像素数目。

色彩度定义如下：

μ_rg，μ_yb是图像rg、yb的均值，σ_rg，σ_yb是图像rg、yb的方差，而rg＝R-G,yb＝0.5*(R+G)-B，R，G，B分别为图像的RGB通道值。

在SVR核函数的选择上，使用rbf核函数可以达到较好的效果。rbf核函数公式如下：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²),γ＞0

为验证本文算法所计算烟雾浓度的准确率，这里定义误差百分比：

d＝(c_t-c)/c×100％

公式中c_t表示经过本文算法计算所得烟雾浓度，c表示实验中通过烟雾传感器实际测量的烟雾浓度。

对这些烟雾图片计算透射率、饱和度、韦伯对比度、色彩度并使用SVR回归模型计算烟雾浓度值，得出模型。

本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (1)

1.融合HSL空间和改进暗通道技术的烟雾浓度检测方法，其特征在于，包括如下步骤：

步骤1，密闭的空间内，通过设置固定时间采集图像；从无雾图像开始，逐步增加烟雾浓度；

步骤2，由于在不同的光照条件下，大气光不同，相同浓度烟雾在图像中呈现不同的像素值，弱光照环境下图像的亮度明显偏低；因此为了减弱光照条件对烟雾浓度估计的影响，需要对烟雾图像进行亮度统一预处理，在HSL颜色空间中H是色相分量Hue，S是饱和度分量Saturation，L是亮度分量Lightness；在HSL颜色空间中，各分量相对独立，颜色信息不受亮度变化影响；将RGB颜色空间转换为HSL颜色空间，计算公式为：

步骤3，为了统一图像亮度，将RGB图像转换到HSL空间后对图像进行亮度调整处理，将图像HSL空间的L亮度分量的平均值整幅图像的亮度值；预设亮度阈值s作为调整后的亮度值，那么求取比例系数p公式如下：

其中I^l(x)为图像L通道分量的值；

根据比例系数p调整图像亮度，同时将值大于1的设为1：

式中

和

分别表示转换前和转换后I的值；最后将HSL空间的图像转换回RGB三通道图像；I为图像L通道分量的值；

步骤4，与步骤1获取到的无雾原图做比较，记录无雾原图中暗通道值大于阈值r的位置集合；

步骤5，将输入步骤1中获取的有雾图像进行了亮度调整预处理，由于多幅图像的R，G，B三个通道的总平均值趋于一致，因此使用此平均值作为大气光A的值；但是因为大气光值过低而导致最终的透射率计算出现负值，因此需要对大气光值增加常数k补偿；计算图像大气光A值的公式如下：

公式中M和N分别为用像素数表示的图像长和宽，I^r(i,j)、I^b(i,j)和I^b(i,j)分别表示图像R、G、B三个通道的像素值；

步骤6，由暗通道先验计算获得透射率图，对透射率图中除了步骤4中记录的位置外的其他位置所对应的透射率值计算透射率t直方图，计算公式为：

I^c(y)为某浓度烟雾时的图像；J^c(y)为无雾图像的R、G、B颜色通道中的某一个通道强度值；A^c为大气光值；c为{R,G,B}颜色通道中的某一个通道；Ω(x)是以像素点为中心的方形区域，这个区域的长宽一般取15×15；I^dark为三通道中最暗通道的值；

步骤7，假设透射率t₁、透射率t₂、透射率t₃是透射率直方图中出现次数前三的透射率值，对应的出现次数分别为n₁，n₂，n₃，计算出整幅有雾图像代表的最终投射率t,计算公式为：

步骤8，对多幅烟雾图像进行上述计算获得对应透射率值，并加入饱和度，韦伯对比度，色彩度作为辅助的特征，透射率和烟雾浓度为主要特征进行回归分析，得出模型；

其中饱和度定义如下：

I_saturation(i,j)＝I_HSV(i,j,2)

式中，I_HSV为HSV空间下的饱和度通道；

韦伯对比度定义如下：

式中，v_b(x),△v(x)分别是图像每个像素点x的背景亮度和对比度，v_b(x)可通过对HSV空间中的V通道利用低通滤波器获得，N为图像块Ω所包含的像素数目；

色彩度定义如下：

μ_rg，μ_yb是图像rg、yb的均值，σ_rg，σ_yb是图像rg、yb的方差，而rg＝R-G,yb＝0.5*(R+G)-B，R，G，B分别为图像的RGB通道值；

在SVR核函数的选择上，使用rbf核函数；rbf核函数公式如下：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²),γ＞0

为验证算法所计算烟雾浓度的准确率，这里定义误差百分比：

d＝(c_t-c)/c×100％

公式中c_t表示经过算法计算所得烟雾浓度，c表示实验中通过烟雾传感器实际测量的烟雾浓度；

对这些烟雾图片计算透射率、饱和度、韦伯对比度、色彩度并使用SVR回归模型计算烟雾浓度值，得出烟雾浓度检测模型。

Images