CN116309912B - 一种测试热成像温度数据恢复为灰度图像的方法 - Google Patents
一种测试热成像温度数据恢复为灰度图像的方法 Download PDFInfo
- Publication number
- CN116309912B CN116309912B CN202310246325.7A CN202310246325A CN116309912B CN 116309912 B CN116309912 B CN 116309912B CN 202310246325 A CN202310246325 A CN 202310246325A CN 116309912 B CN116309912 B CN 116309912B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature data
- temperature
- standard deviation
- moment
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 84
- 238000001931 thermography Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000011084 recovery Methods 0.000 title claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010998 test method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明属于图像处理领域，具体公布了一种测试热成像温度数据恢复为灰度图像的方法。包括如下步骤：获取测试区域基础图像的原始温度数据集合，在原始温度数据集合中任意提取M组背景数据以及对应的位置数据；获取测试区域中每一背景数据在设定周期内中第二时刻的第二均值和第二标准差；获取在第二时刻和第一时刻之间、第二均值和第一均值之间的第一变化，以及第二标准差和第一标准差的第二变化；将热源引入至测试区域，获取测试区域中热源图像的测试温度数据集合，热源图像与所述基础图像对应，以此确定原始温度数据集合相对于测试温度数据集合的稳定性。
Description
技术领域
本发明属于图像处理领域，涉及一种测试热成像温度数据恢复为灰度图像的方法。
背景技术
热成像系统更适合克服光照强度变化、背景变化等问题，但是由于当前多数的热成像摄像头视频成像存在动态调整问题，即当热源靠近摄像头时，图像中的每个像素点灰度值会发生明显的变化，严重影响热成像目标检测的效果。所以采用非动态的热成像数据进行目标检测至关重要。
目前，基于热成像目标检测的方法有基于深度学习模型的目标检测和传统算法下的目标检测，但是均为提及到热成像白平衡问题。
目前针对热成像目标检测的相关工作中，国内外专家已经提出了大量的算法，Yadav在文献Moving object detection in real-time visual surveillance usingbackground sub-traction technique[J]. In 2014 14th international conferenceon hybrid intelligent systems, 2014, no 1, pp 79–84.引入了形态学算子的后处理方法，改进了GMM检测效果。Sharma等人在文献Fisher’s linear discriminant ratiobased threshold for moving human detection in thermal video[J]. Infrared PhysTechnol , 2016, 78:118–128.提出了一种基于FLD的方法，用于彩色和热视频帧检测运动对象，但当背景场景中存在多种行为时该方法会产生问题。
张学思等人在文献基于轻量型卷积神经网络的海面红外显著性目标检测方法[J]. 山东大学学报(工学版)，2022，52(2): 41-49中将红外图像与轻量型卷积神经网络进行结合，可以在大幅减少参数量的情况下有效提升红外显著性的目标检测性能。
代牮等人在基于改进YOLOv5 的复杂背景红外弱小目标检测算法[J]．红外技术.通过在YOLOv5的方法的基础上，添加注意力机制提高算法的特征提取能力和检测准确率。
发明内容
有鉴于此，本申请提供了一种测试热成像温度数据恢复为灰度图像的方法；具体方案如下：
一种测试热成像温度数据恢复为灰度图像的方法，包括以下步骤：
步骤1，获取测试区域基础图像的原始温度数据集合，并记录原始温度数据集合中每一原始温度数据在热成像中的位置数据；
步骤2，在原始温度数据集合中任意提取M组背景数据以及对应的位置数据，其中M≥1且M为整数，获取测试区域中每一背景数据在第一时刻的第一均值和第一标准差；
步骤3，获取测试区域中每一背景数据在设定周期内第二时刻的第二均值和第二标准差；
步骤4，获取在第二时刻和第一时刻之间、第二均值和第一均值之间的第一变化，以及第二标准差和第一标准差的第二变化；
步骤5，将热源引入至测试区域，获取测试区域中热源图像的测试温度数据集合，热源图像与基础图像对应，并基于位置数据获取与N组背景数据对应的N组测试数据，获取测试区域中每一所述测试数据在第三时刻的第三均值和第三标准差；
步骤6，获取在第三时刻和第二时刻之间、第三均值和第二均值之间的第三变化，以及第三标准差和第二标准差的第四变化；以及
获取在第三时刻和第一时刻之间第三均值和第一均值之间的第五变化，以及第三标准差和第一标准差的第六变化；
步骤7，通过第三变化、第四变化和/或第五变化、第六变化来确定当热源引入至背景图像后形成的热源图像相对于基础图像的温度分布，以此确定原始温度数据集合相对于测试温度数据集合的稳定性；确定测试区域中实际温度的分布范围，基于测试区域中实际温度的分布范围将实际测定的温度数据恢复为灰度图像。
进一步地，在步骤1中，获取基础图像的原始温度数据具体步骤如下：
第一步：修改摄像头厂家SDK，调取每一帧的温度数据并进行保存；
第二步：获取到温度数据是反转之后的数据，将数据恢复为正常视角。
进一步地，在步骤2中，基于所述位置数据对应的获取测试区域中每一背景数据在第一时刻的第一均值和第一标准差步骤如下；
第一步：获取第一时刻，基础图像对应的初始温度数据集合，将获取的初始温度数据集合划分成多个区域：
第二步：计算每块区域内每个像素位置的第一均值和第一标准差；
第一均值的计算公式：
其中/>表示位置/>出的数据均值，/>表示位置/>处的温度数据,/>表示当前时刻，/>即表示/>时刻位置/>处的温度数据，/>表示数据帧的总数量。
第一标准差的计算公式：
其中，/>表示位置/>处的数据的标准差。
进一步地，在步骤4中，获取在第二时刻和第一时刻之间第二均值和第一均值之间的第一变化的步骤如下：第一步：对相同的测试区域每个对应位置做差值：其中/>表示位置/>处差分之后的温度数据，表示初始数据中位置/>处的温度均值，/>表示间隔周期后位置/>处的温度均值；
第二步：统计每个位置处的均值范围。
进一步地，在步骤5中，基于所述位置数据对应的获取测试区域中每一所述测试数据在第三时刻的第三均值和第三标准差步骤如下：
第一步：将获取的测试温度数据集合划分成多个区域：
第二步：计算每块区域内每个像素位置的均值和标准差；
均值的计算公式：
其中/>表示位置/>出的数据均值，/>表示位置/>处的温度数据,/>表示当前时刻，/>即表示/>时刻位置/>处的温度数据，/>表示数据帧的总数量。
标准差的计算公式：
其中，/>表示位置/>处的数据的标准差。
进一步地，在步骤6中，获取在第三时刻和第二时刻之间第三均值和第二均值之间的第三变化步骤如下：
第一步：对相同的测试区域每个位置做差值：
其中/>表示位置/>处热源数据的第三均值与初始背景数据差分之后的温度数据，/>表示初始数据中位置/>处的温度均值，/>表示热源数据中位置/>处的温度均值；
第二步：统计每个位置处的均值范围。
进一步地，在步骤7中，将温度数据恢复为灰度图像具体步骤如下：
第一步：通过对比和/>的分布，确定温度数据的稳定性；
第二步：确定测试区域中实际温度的分布范围(minimum,maximum)；
第三步：按照下式将温度数据恢复为灰度图像：
其中，/>表示位置/>处的温度数据,/>表示当前时刻，minimum表示实际场景中的最低温度，maximum表示实际场景中最高温度。
通过本申请可以得到测试区域在引入热源的前后温度变化以及温度数据稳定性，通过研究温度数据的稳定性可以进行有效得到依据温度数据来建立灰度图像的途径。
当前多数的热成像摄像头视频成像存在白平衡问题，影响后期的图像处理工作。所有通过测试热成像温度数据的稳定性并自行将温度数据转化为图像就可以减小白平衡的影响。首先，利用红外光谱摄像头，获取每一帧热成像的温度数据，热成像温度数据的帧率为5-6帧每秒，获取一分钟左右的温度数据，其中包含热成像视野中存在热源的情况，测试当热源进入场景前后一段时间内背景区域中每个像素位置的均值和标准差变化，测试热成像温度数据的稳定性后，通过规定场景中温度的范围，将温度数据恢复为灰度图像。本发明的方法简单易行，验证了热成像相机的获取温度数据的稳定性并减小了白平衡所带来的影响。
附图说明
图1是本发明的有效算法流程图；
图2 热成像不同区域位置的均值和标准差的分布情况；
图3 热源进入前后对应位置的均值的差，其中，(a)为进入热源前后，图像上方区域均值差分布图；(b) 为进入热源前后，图像左下方区域均值差分布图；
图4是热成像原始效果与本发明效果对比,其中，(a)热成像原图，(b)本发明的效果图。
具体实施方式
参照图1至图4，以下结合实施例对本发明进行详细的描述。
一种测试热成像温度数据恢复为灰度图像的方法，包括以下步骤：
步骤1，获取测试区域基础图像的原始温度数据集合，并记录原始温度数据集合中每一原始温度数据在热成像中的位置数据；
获取基础图像的原始温度数据具体步骤如下：
第一步：修改摄像头厂家SDK，调取每一帧的温度数据并进行保存；
第二步：获取到温度数据是反转之后的数据，将数据恢复为正常视角；
步骤2，在原始温度数据集合中任意提取M组背景数据以及对应的位置数据，其中M≥1且M为整数，基于位置数据对应的获取测试区域中每一背景数据在第一时刻的第一均值和第一标准差；
基于所述位置数据对应的获取测试区域中每一背景数据在第一时刻的第一均值和第一标准差步骤如下；
第一步：获取第一时刻，基础图像对应的初始温度数据集合，将获取的初始温度数据集合划分成多个区域：
第二步：计算每块区域内每个像素位置的第一均值和第一标准差；
第一均值的计算公式：
其中/>表示位置/>出的数据均值，/>表示位置/>处的温度数据,/>表示当前时刻，/>即表示/>时刻位置/>处的温度数据，/>表示数据帧的总数量。
第一标准差的计算公式：
其中，/>表示位置/>处的数据的标准差；
步骤3，所述位置数据对应的获取测试区域中每一背景数据在设定周期内中第二时刻的第二均值和第二标准差；
步骤4，获取在第二时刻和第一时刻之间第二均值和第一均值之间的第一变化，以及第二标准差和第一标准差的第二变化；
具体的，获取在第二时刻和第一时刻之间第二均值和第一均值之间的第一变化的步骤如下：
第一步：对相同的测试区域每个对应位置做差值：
其中/>表示位置/>处差分之后的温度数据，/>表示初始数据中位置/>处的温度均值，/>表示间隔周期后位置/>处的温度均值；
第二步：统计每个位置处的均值范围。
步骤5，将热源引入至测试区域，获取测试区域中热源图像的测试温度数据集合，热源图像与所述基础图像对应，并基于位置数据获取与N组背景数据对应的N组测试数据，基于所述位置数据对应的获取测试区域中每一所述测试数据在第三时刻的第三均值和第三标准差；
具体的，基于所述位置数据对应的获取测试区域中每一所述测试数据在第三时刻的第三均值和第三标准差步骤如下：
第一步：将获取的测试温度数据集合划分成多个区域：
第二步：计算每块区域内每个像素位置的均值和标准差；
均值的计算公式：
其中/>表示位置/>出的数据均值，/>表示位置/>处的温度数据,/>表示当前时刻，/>即表示/>时刻位置/>处的温度数据，/>表示数据帧的总数量。
标准差的计算公式：
其中，/>表示位置/>处的数据的标准差。
步骤6，获取在第三时刻和第二时刻之间第三均值和第二均值之间的第三变化，以及第三标准差和第二标准差的第四变化；以及
获取在第三时刻和第一时刻之间第三均值和第一均值之间的第五变化，以及第三标准差和第一标准差的第六变化；具体的，获取在第三时刻和第二时刻之间第三均值和第二均值之间的第三变化步骤如下：
第一步：对相同的测试区域每个位置做差值：
其中/>表示位置/>处热源数据的第三均值与初始背景数据差分之后的温度数据，/>表示初始数据中位置/>处的温度均值，/>表示热源数据中位置/>处的温度均值；
第二步：统计每个位置处的均值范围。
步骤7，通过第三变化、第四变化和或第五变化、第六变化来确定当热源引入至背景图像后形成的热源图像相对于基础图像的温度分布，以此确定原始温度数据集合相对于测试温度数据集合的稳定性；确定测试区域中实际温度的分布范围，基于测试区域中实际温度的分布范围将实际测定的温度数据恢复为灰度图像。
具体的，将温度数据恢复为灰度图像具体步骤如下：
第一步：通过对比和/>的分布，确定温度数据的稳定性；
第二步：确定测试区域中实际温度的分布范围(minimum,maximum)；
第三步：按照下式将温度数据恢复为灰度图像：
其中，/>表示位置/>处的温度数据,/>表示当前时刻，minimum表示实际场景中的最低温度，maximum表示实际场景中最高温度。
基于上述的技术方案，本申请提供了如下的实施例。
本发明提供了一种基于分区域特征提取的单张图像天气识别方法。在特征提取前，划分图像中的天际线并将图像分割为天空区域和地面区域并提取每个区域的特征，以此确保充分提取每个区域的特征信息。在特征选择上，通过计算每个区域主要特征的信息增益，根据信息增益的大小选择出每个区域能够最直观反映天气状况的特征，以此保证特征选择的准确性，例如天空区域的纹理特征、地面区域的阴影特征、全局图像的对比度和相对饱和度。在分类器选择上，根据随机森林训练速度快、处理数据维度高的特点，选择随机森林作为识别分类器。
本发明的一种基于分区域特征提取的单张图像天气识别方法，具体实施方式包括以下步骤：
步骤1：获取热成像的原始温度数据：
第一步：修改摄像头厂家SDK，调取每一帧的温度数据并进行保存
第二步：获取到温度数据是反转之后的数据，将数据恢复为正常视角；
步骤2：提取30组背景数据并对数据中的不同测试区域中的每个位置求均值和标准差；
第一步：将获取的温度数据划分成多个小区域：图像上方区域、右下角、左下角；
第二步：计算每块小区域内每个像素位置的均值和标准差；
均值的计算公式：
其中/>表示位置/>出的数据均值，/>表示位置/>处的温度数据,/>表示当前时刻，/>即表示/>时刻位置/>处的温度数据，/>表示数据帧的总数量。
标准差的计算公式：
其中，/>表示位置/>处的数据的标准差;
步骤3：对比两组数据相同区域中每个位置的均值变化：：
第一步：对相同的测试区域每个位置做差值：
其中/>表示位置/>处差分之后的温度数据，/>表示初始数据中位置/>处的温度均值，/>表示间隔10分钟后位置/>处的温度均值。
第二步：统计每个位置处的均值范围
步骤4：提取30组带有热源图像的数据集，对背景区域中的测试区域每个位置求均值和标准差：
第一步：将获取的温度数据划分成多个小区域：图像上方区域、右下角、左下角及测试区域全部为热源时的区域；
第二步：计算每块小区域内每个像素位置的均值和标准差；
均值的计算公式：
其中/>表示位置/>出的数据均值，/>表示位置/>处的温度数据,/>表示当前时刻，/>即表示/>时刻位置/>处的温度数据，/>表示数据帧的总数量。
标准差的计算公式：
其中，/>表示位置/>处的数据的标准差；
步骤5：对比热源进入前后背景测试区域中每个位置的均值变化：
第一步：对相同的测试区域每个位置做差值：
其中/>表示位置/>处热源数据的均值与初始背景数据差分之后的温度数据，/>表示初始数据中位置/>处的温度均值，/>表示热源数据中位置/>处的温度均值。
第二步：统计每个位置处的均值范围
步骤6：将温度数据恢复为灰度图像：
第一步：通过对比和/>的分布，确定温度数据的稳定性
第二步：确定测试区域中实际温度的分布范围(minimum,maximum)
第三步：按照下式将温度数据恢复为灰度图像
其中，/>表示位置/>处的温度数据,/>示当前时刻，minimum表示实际场景中的最低温度，maximum表示实际场景中最高温度。
图2给出了测试区域中不同区域的均值分布和标准差分布。
参照图3，图3相同测试区域下热源进入场景前后每个位置均值的差值分布：(a)进入热源前后，图像上方区域每个位置均值差的分布；(b) 进入热源前后，图像左下方区域每个位置均值差的分布。
图4给出了将温度数据恢复为灰度图像的效果图。
Claims (7)
1.一种测试热成像温度数据恢复为灰度图像的方法，其特征在于，包括以下步骤：
步骤1，获取测试区域基础图像的原始温度数据集合，并记录原始温度数据集合中每一原始温度数据在热成像中的位置数据；
步骤2，在原始温度数据集合中任意提取M组背景数据以及对应的位置数据，其中M≥1且M为整数，获取测试区域中每一背景数据在第一时刻的第一均值和第一标准差；
步骤3，获取测试区域中每一背景数据在设定周期内第二时刻的第二均值和第二标准差；
步骤4，获取在第二时刻和第一时刻之间、第二均值和第一均值之间的第一变化，以及第二标准差和第一标准差的第二变化；
步骤5，将热源引入至测试区域，获取测试区域中热源图像的测试温度数据集合，热源图像与基础图像对应，并基于位置数据获取与N组背景数据对应的N组测试数据，获取测试区域中每一所述测试数据在第三时刻的第三均值和第三标准差；
步骤6，获取在第三时刻和第二时刻之间、第三均值和第二均值之间的第三变化，以及第三标准差和第二标准差的第四变化；以及
获取在第三时刻和第一时刻之间第三均值和第一均值之间的第五变化，以及第三标准差和第一标准差的第六变化；
步骤7，通过第三变化、第四变化和/或第五变化、第六变化来确定当热源引入至背景图像后形成的热源图像相对于基础图像的温度分布，以此确定原始温度数据集合相对于测试温度数据集合的稳定性；确定测试区域中实际温度的分布范围，基于测试区域中实际温度的分布范围将实际测定的温度数据恢复为灰度图像。
2.根据权利要求1所述的一种测试热成像温度数据恢复为灰度图像的方法，其特征在于，在步骤1中，获取基础图像的原始温度数据具体步骤如下：
第一步：修改摄像头厂家SDK，调取每一帧的温度数据并进行保存；
第二步：获取到温度数据是反转之后的数据，将数据恢复为正常视角。
3.根据权利要求1所述的一种测试热成像温度数据恢复为灰度图像的方法，其特征在于，在步骤2中，获取测试区域中每一背景数据在第一时刻的第一均值和第一标准差步骤如下；
第一步：获取第一时刻基础图像对应的初始温度数据集合，将获取的初始温度数据集合划分成多个区域：
第二步：计算每块区域内每个像素位置的第一均值和第一标准差；
第一均值的计算公式：
其中/>表示位置/>处的数据均值，/>表示位置处的温度数据,/>表示当前时刻，/>即表示/>时刻位置/>处的温度数据，表示数据帧的总数量；
第一标准差的计算公式：
其中，/>表示位置/>处的数据的标准差。
4.根据权利要求1所述的一种测试热成像温度数据恢复为灰度图像的方法，其特征在于，在步骤4中，获取在第二时刻和第一时刻之间、第二均值和第一均值之间的第一变化的步骤如下：
第一步：对相同的测试区域每个对应位置做差值：其中/>表示位置/>处差分之后的温度数据，/>表示初始数据中位置/>处的温度均值，/>表示间隔周期后位置/>处的温度均值；
第二步：统计每个位置处的均值范围。
5.根据权利要求1所述的一种测试热成像温度数据恢复为灰度图像的方法，其特征在于，在步骤5中，获取测试区域中每一所述测试数据在第三时刻的第三均值和第三标准差步骤如下：
第一步：将获取的测试温度数据集合划分成多个区域：
第二步：计算每块区域内每个像素位置的均值和标准差；
均值的计算公式：
其中/>表示位置/>处的数据均值，/>表示位置处的温度数据,/>表示当前时刻，/>即表示/>时刻位置/>处的温度数据，表示数据帧的总数量；
标准差的计算公式：
其中，/>表示位置/>处的数据的标准差。
6.根据权利要求1所述的一种测试热成像温度数据恢复为灰度图像的方法，其特征在于，在步骤6中，获取在第三时刻和第二时刻之间、第三均值和第二均值之间的第三变化步骤如下：
第一步：对相同的测试区域每个位置做差值：
其中/>表示位置/>处热源数据的第三均值与初始背景数据差分之后的温度数据，/>表示初始数据中位置/>处的温度均值，/>表示热源数据中位置/>处的温度均值；
第二步：统计每个位置处的均值范围。
7.根据权利要求1所述的一种测试热成像温度数据恢复为灰度图像的方法，其特征在于，在步骤7中，将温度数据恢复为灰度图像具体步骤如下：
第一步：通过对比和/>的分布，确定温度数据的稳定性；
第二步：确定测试区域中实际温度的分布范围(minimum,maximum)；
第三步：按照下式将温度数据恢复为灰度图像：
其中，/>表示位置/>处的温度数据,/>表示当前时刻，minimum表示实际场景中的最低温度，maximum表示实际场景中最高温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310246325.7A CN116309912B (zh) | 2023-03-15 | 2023-03-15 | 一种测试热成像温度数据恢复为灰度图像的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310246325.7A CN116309912B (zh) | 2023-03-15 | 2023-03-15 | 一种测试热成像温度数据恢复为灰度图像的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116309912A CN116309912A (zh) | 2023-06-23 |
| CN116309912B true CN116309912B (zh) | 2023-08-22 |
Family
ID=86816286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310246325.7A Active CN116309912B (zh) | 2023-03-15 | 2023-03-15 | 一种测试热成像温度数据恢复为灰度图像的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309912B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09216403A (ja) * | 1996-02-13 | 1997-08-19 | Fuji Photo Film Co Ltd | 感熱画像記録装置および記録方法 |
| CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
| CN104680564A (zh) * | 2015-03-12 | 2015-06-03 | 北京航空航天大学 | 一种灰度增强层析piv重构方法、装置和设备 |
| WO2017215393A1 (zh) * | 2016-06-13 | 2017-12-21 | 深圳市太赫兹科技创新研究院 | 微波图像中人体性别检测方法和装置 |
| WO2021088849A1 (zh) * | 2019-11-04 | 2021-05-14 | 深圳先进技术研究院 | 一种超声成像方法、装置、可读存储介质及终端设备 |
| WO2021174601A1 (zh) * | 2020-03-03 | 2021-09-10 | 广州紫川电子科技有限公司 | 一种基于红外热成像的人体体温异常检测方法及装置 |
| CN113657404A (zh) * | 2021-10-19 | 2021-11-16 | 中央民族大学 | 一种东巴象形文字的图像处理方法 |
| CN113920062A (zh) * | 2021-09-15 | 2022-01-11 | 国网浙江省电力有限公司电力科学研究院 | 一种红外热成像电力设备故障检测方法 |
-
2023
- 2023-03-15 CN CN202310246325.7A patent/CN116309912B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09216403A (ja) * | 1996-02-13 | 1997-08-19 | Fuji Photo Film Co Ltd | 感熱画像記録装置および記録方法 |
| CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
| CN104680564A (zh) * | 2015-03-12 | 2015-06-03 | 北京航空航天大学 | 一种灰度增强层析piv重构方法、装置和设备 |
| WO2017215393A1 (zh) * | 2016-06-13 | 2017-12-21 | 深圳市太赫兹科技创新研究院 | 微波图像中人体性别检测方法和装置 |
| WO2021088849A1 (zh) * | 2019-11-04 | 2021-05-14 | 深圳先进技术研究院 | 一种超声成像方法、装置、可读存储介质及终端设备 |
| WO2021174601A1 (zh) * | 2020-03-03 | 2021-09-10 | 广州紫川电子科技有限公司 | 一种基于红外热成像的人体体温异常检测方法及装置 |
| CN113920062A (zh) * | 2021-09-15 | 2022-01-11 | 国网浙江省电力有限公司电力科学研究院 | 一种红外热成像电力设备故障检测方法 |
| CN113657404A (zh) * | 2021-10-19 | 2021-11-16 | 中央民族大学 | 一种东巴象形文字的图像处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于红外热成像技术的激光焊接质量在线检测;宋海燕;陈继涛;宋娟;刘晓玲;;激光杂志(08);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116309912A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070010B (zh) | 一种基于行人重识别的人脸属性关联方法 | |
| Liu et al. | Automatic cloud detection for all-sky images using superpixel segmentation | |
| CN108875619B (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
| CN101980282B (zh) | 一种红外图像动态细节增强方法 | |
| CN103763515B (zh) | 一种基于机器学习的视频异常检测方法 | |
| CN110580487A (zh) | 神经网络的训练方法、构建方法、图像处理方法和装置 | |
| CN111882810B (zh) | 一种火灾识别与预警方法及其系统 | |
| CN102111552B (zh) | 图像处理设备和图像处理方法 | |
| CN107609571B (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
| CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
| Ling et al. | Single image dehazing using saturation line prior | |
| CN115170619A (zh) | 一种基于密集光流法的云遮挡预测方法 | |
| KR101769741B1 (ko) | 동공 탐지를 통한 홍채 인식 방법 및 홍채 인식 장치 | |
| CN111460964A (zh) | 一种广电传输机房低照度条件下运动目标检测方法 | |
| WO2018078806A1 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
| CN110991256A (zh) | 一种基于人脸特征进行年龄估计、和/或性别识别的系统及方法 | |
| CN110647813A (zh) | 一种基于无人机航拍的人脸实时检测识别方法 | |
| CN116309912B (zh) | 一种测试热成像温度数据恢复为灰度图像的方法 | |
| Kim et al. | Background subtraction using generalised Gaussian family model | |
| Khashman | Automatic detection, extraction and recognition of moving objects | |
| CN116758447A (zh) | 一种基于数字孪生的变电站设备故障分析系统 | |
| WO2023011280A1 (zh) | 图像噪声程度估计方法、装置、电子设备及存储介质 | |
| Szwoch et al. | Detection of moving objects in images combined from video and thermal cameras | |
| Maalouf et al. | Offline quality monitoring for legal evidence images in video-surveillance applications | |
| CN116703755A (zh) | 用于医疗废弃物冷库的遗漏风险监控系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for testing the restoration of thermal imaging temperature data to grayscale images Granted publication date: 20230822 Pledgee: Ji'nan rural commercial bank Limited by Share Ltd. high tech branch Pledgor: Shandong Shangshui Environmental Technology Group Co.,Ltd. Registration number: Y2024980006821 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |