CN116310354A - 基于红外图像处理的漂浮危化品识别方法 - Google Patents
基于红外图像处理的漂浮危化品识别方法 Download PDFInfo
- Publication number
- CN116310354A CN116310354A CN202310586515.3A CN202310586515A CN116310354A CN 116310354 A CN116310354 A CN 116310354A CN 202310586515 A CN202310586515 A CN 202310586515A CN 116310354 A CN116310354 A CN 116310354A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- water
- pixel
- infrared image
- risk coefficient
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
Abstract
本发明涉及图像处理技术领域,具体涉及基于红外图像处理的漂浮危化品识别方法。获取水体红外图像;根据水体红外图像中各像素点和对应邻域内像素点的像素值差异确定各像素点的初始水体风险系数;根据各像素点与邻域内像素点的初始水体风险系数的变化程度、各像素点与邻域内像素点的距离确定各像素点的最终水体风险系数;利用wolf‑jolion算法,将最终水体风险系数作为超参数,对水体红外图像进行分割,识别水体红外图像中的漂浮危化品。本发明提高了对水体红外图像中漂浮危化品分割识别的智能化和精确化效果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于红外图像处理的漂浮危化品识别方法。
背景技术
水资源环境随着工业生产规模的不断扩大会受到不同程度的污染,其中危险化工品对河流水体造成了较为严重的污染。危险化工品在河流河道漂浮过程中极易导致内部化学危害废料泄露对水体本身进一步破坏,从而引发河流生态范围内的动植物遭到严重的破坏,严重污染河水周围生态环境,不利于河流生态环境稳定发展。因此要对河流河道漂浮的危险化工品进行及时检测识别,规避危化品对河流生态环境的影响是极为重要的。
目前,常见的对水体中的漂浮危化品进行识别的方法为:对水体图像进行分割,进而得到水体图像中的异常点,实现对水体图像中漂浮危化品的识别。对水体图像进行分割时,常通过wolf-jolion算法进行分割,wolf-jolion算法是一种自适应的二值化算法,是一种局部的方法,使用一个滑动窗口在图片上滑动,使用窗口内的值来来计算阈值,wolf-jolion算法中有超参数,超参数的取值在0到1之间,超参数越大像素值的波动的影响力越大。常见的wolf-jolion算法中的超参数由经验设定取值,其主观性较强,且由于水体有波动性,水面上会产生波纹,难以准确识别水体中的漂浮危化品,故对利用传统wolf-jolion算法分割水体图像,以识别漂浮危化品存在较大误差。
发明内容
为了解决识别水体中的漂浮危化品存在较大误差的技术问题,本发明的目的在于提供基于红外图像处理的漂浮危化品识别方法,所采用的技术方案具体如下:
获取水体红外图像;
根据水体红外图像中各像素点和对应邻域内像素点的像素值差异确定各像素点的初始水体风险系数;
根据各像素点与邻域内像素点的初始水体风险系数的变化程度、各像素点与邻域内像素点的距离确定各像素点的最终水体风险系数;
利用wolf-jolion算法,将所述最终水体风险系数作为超参数,对水体红外图像进行分割,识别水体红外图像中的漂浮危化品。
优选的,所述根据水体红外图像中各像素点和对应邻域内像素点的像素值差异确定各像素点的初始水体风险系数,包括:
对于任意像素点,计算像素点和对应邻域内各像素点的像素值的差值绝对值的和值,作为像素点的待定风险系数;将像素点的像素值和预设最大像素值的比值,作为像素点的调节系数;将像素点的所述待定风险系数和所述调节系数的乘积作为像素点的初始水体风险系数。
优选的,所述根据各像素点与邻域内像素点的初始水体风险系数的变化程度、各像素点与邻域内像素点的距离确定各像素点的最终水体风险系数,包括:
由像素点和对应邻域内像素点的初始水体风险系数构建像素点的变化特征二元组;
选取任意像素点作为目标像素点,获取目标像素点的局部邻域窗口内与目标像素点的像素值的差值绝对值大于预设像素值阈值的像素点,作为目标像素点对应的待定像素点;
计算目标像素点和对应的待定像素点的距离,作为目标像素点的待定像素点的第一调节权重;计算目标像素点和对应待定像素点的变化特征二元组的相似度;将局部邻域窗口的边长和目标像素点的待定像素点的第一调节权重的比值,作为目标像素点的待定像素点的第二调节权重;计算目标像素点的待定像素点的第二调节权重和相似度的乘积,作为目标像素点的待定像素点的单风险系数;将目标像素点对应的所有待定像素点的单风险系数的均值作为目标像素点的总水体风险系数;
计算目标像素点与对应邻域内各像素点的总水体风险系数的差值绝对值的和值,作为目标像素点的目标水体风险系数,将归一化后的目标水体风险系数作为目标像素点的最终水体风险系数。
优选的,所述由像素点和对应邻域内像素点的初始水体风险系数构建像素点的变化特征二元组,包括:
获取像素点对应的邻域内像素点的初始水体风险系数的均值,作为像素点对应的二元组元素;由像素点的初始水体风险系数和像素点对应的二元组元素,构建像素点的变化特征二元组。
优选的,所述利用wolf-jolion算法,将所述最终水体风险系数作为超参数,对水体红外图像进行分割,识别水体红外图像中的漂浮危化品,包括:
将所述最终水体风险系数作为wolf-jolion算法中的超参数,利用wolf-jolion算法得到水体红外图像中各像素点的自适应阈值;
根据所述自适应阈值对水体红外图像进行分割,识别水体红外图像中的漂浮危化品。
优选的,所述基于所述自适应阈值对水体红外图像进行分割,识别水体红外图像中的漂浮危化品,包括:
将水体红外图像中像素值大于或等于对应的自适应阈值的像素点作为异常像素点;由异常像素点构成的区域即为水体红外图像中的漂浮危化品所在的区域。
本发明实施例至少具有如下有益效果:
本发明根据获取到的水体红外图像中各像素点和对应邻域内像素点的像素值差异确定各像素点的初始水体风险系数,并根据各像素点与邻域内像素点的初始水体风险系数的变化程度、各像素点与邻域内像素点的距离确定各像素点的最终水体风险系数,实现通过对水体红外图像中像素点的特征变化差异进行分析,并对每个像素点以及邻域内像素点的特征进行对比表征,得到每个像素点的最终水体风险系数,该最终水体风险系数反映了像素点属于漂浮危化品所在的区域的情况,最终水体风险系数越大则像素点属于漂浮危化品所在的区域的概率越大;利用wolf-jolion算法,将所述最终水体风险系数作为超参数,对水体红外图像进行分割,识别水体红外图像中的漂浮危化品,通过分析水体红外图像的像素特征得到最终水体系数,实现对传统wolf-jolion算法中超参数的优化,避免传统wolf-jolion算法中由经验设定超参数,其主观性较强,对水体红外图像分割效果较差的问题,提高了识别水体中的漂浮危化品的准确性。
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为本发明一个实施例所提供的基于红外图像处理的漂浮危化品识别方法的方法流程图。
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基于红外图像处理的漂浮危化品识别方法,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。
本发明实施例提供了基于红外图像处理的漂浮危化品识别方法的具体实施方法,该方法适用于水体中漂浮物识别的场景。该场景下通过红外成像设备对水体进行拍摄采集,并进行预处理得到水体红外图像。为了解决识别水体中的漂浮危化品存在较大误差的技术问题,本发明利用wolf-jolion算法,将计算得到的最终水体风险系数作为超参数,对水体红外图像进行分割,识别水体红外图像中的漂浮危化品,避免传统wolf-jolion算法中由经验设定超参数,其主观性较强,对水体红外图像分割效果较差的问题,提高了识别水体中的漂浮危化品的准确性。
下面结合附图具体的说明本发明所提供的基于红外图像处理的漂浮危化品识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于红外图像处理的漂浮危化品识别方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取水体红外图像。
对水体表面进行拍摄采集获取得到水体表面的水体图像,由于河流部分流域段流速较快,使用传统可见光图像采集设备进行采集时,危化品表面颜色变化特征不明显,极易与周围河流表面区域重叠,使得危化品表面模糊,边缘不清晰,进而引起河流中漂浮危化品检测识别精度较差的影响。考虑到危化品与河流水体本身的热辐射相差较大,尤以危险易燃易爆化工品热辐射较大。基于此,使用红外成像设备对水体进行拍摄采集,获取得到水体表面红外图像。
对于采集获取得到水体的水体表面红外图像,由于拍摄采集工作环境中存在噪声噪点,为了避免这些随机噪声对后续河流表面漂浮危化品检测识别精度的影响,使用高斯滤波方法对水体表面红外图像进行处理得到水体红外图像,尽可能减弱甚至消除随机噪声对水体表面红外图像精确程度的影响。
步骤S200,根据水体红外图像中各像素点和对应邻域内像素点的像素值差异确定各像素点的初始水体风险系数。
对于步骤S100中获取得到的水体红外图像进行进一步分析,在得到的水体红外图像中,其漂浮危化品对应位置处像素点的像素值相较于水体表面正常位置处像素点的像素值会呈现较大的差异变化。这是由于水体表面漂浮危化品与水体本身有所不同,当漂浮危化品具有不稳定的化学性质时,在红外图像中像素点数值的变化差异更加明显。根据这种特点对水体红外图像的不同像素点进行进一步分析计算。
根据水体红外图像中每个像素点和对应邻域内像素点的像素值差异确定每个像素点的初始水体风险系数,具体的:对于任意像素点,计算像素点和对应邻域内像素点的像素值的差值绝对值的和值,作为像素点的待定风险系数;将像素点的像素值和预设最大像素值的比值,作为像素点的调节系数;将像素点的所述待定风险系数和所述调节系数的乘积作为像素点的初始水体风险系数。在本发明实施例中预设最大像素值的取值为255,在其他实施例中实施者可根据水体红外图像中最大像素值的实际情况调整该预设最大像素值的取值,在本发明实施例中像素点的邻域设定为8邻域,也即像素点对应邻域内像素点的数量为8个。
初始水体风险系数的计算公式为:
其中,为水体红外图像中第i个像素点的初始水体风险系数;为水体红外图像
中第i个像素点的像素值;G为预设最大像素值;为邻域内像素点的数量;为水体红外图
像中第i个像素点的邻域内第k个像素点的灰度值;为水体红外图像中第i个
像素点的待定风险系数;为水体红外图像中第i个像素点的调节系数。
通过初始水体风险系数的计算,可以获取得到各个像素点位置处对应的初始水体
风险系数,假设像素点属于水体红外图像中漂浮危化品的区域中,则像素点在水体红外图
像上较亮,其对应的像素值较大,此时像素点的像素值与预设最大像素值G的比值也会较
大,则对应的像素点的初始水体风险系数会较大。同时假如第i个像素点处于漂浮危化品与
水体背景像素点区域的边界位置处,第i个像素点为中心的局部窗口中不同位置处的像素
点像素值差异也会相对较大,此时第i个像素点为中心的局部窗口中不同位置的像素点与
中心像素点的像素值相减后得到的数值会较大。则对应的计算得到第i个像素点位置处的
初始水体风险系数的数值会相对较大。
通过初始水体风险系数的计算对水体红外图像中对应漂浮危化品的所在区域的像素点进行突显,其属于漂浮危化品所在区域内的像素点风险系数相较正常水体表面存在较为明显的差异,便于后续对水体表面的漂浮危化品进一步检测识别分析。
步骤S300,根据各像素点与邻域内像素点的初始水体风险系数的变化程度、各像素点与邻域内像素点的距离确定各像素点的最终水体风险系数。
根据计算得到的水体红外图像中每个像素点的初始水体风险系数,对水体红外图像中不同位置处像素点的特征情况进行表征。当水体红外图像中某个像素点为漂浮危化品所在区域的像素点时,该像素点对应邻域内其他像素点也属于漂浮危化品所在区域的可能性相对较大。
在得到各像素点的初始水体风险系数之后,根据各像素点与邻域内像素点的初始水体风险系数的变化程度、各像素点与邻域内像素点的距离确定各像素点的最终水体风险系数。
首先,由像素点和对应邻域内像素点的初始水体风险系数构建像素点的变化特征
二元组,具体的:获取像素点对应的邻域内像素点的初始水体风险系数的均值,作为像素点
对应的二元组元素;由像素点的初始水体风险系数和像素点对应的二元组元素,构建像素
点的变化特征二元组。也即为由像素点的初始水体风险系数与像素点邻域内其他像素点的
初始水体风险系数均值构成变化特征二元组。例如第i个像素点的变化特征二元组记为,其中,为第i个变化特征二元组;以第i个像素点的邻域内像素
点的初始水体风险系数的均值,也即为第i个像素点的二元组元素;为第i个像素点的初
始水体风险系数。每个像素点均有各自对应的变化特征二元组。
进一步的,选取水体红外图像中任意像素点作为目标像素点,获取目标像素点的局部邻域窗口内与目标像素点的像素值的差值绝对值大于预设像素值阈值的像素点,作为目标像素点对应的待定像素点。在本发明实施例中局部邻域窗口为以目标像素点为中心像素点的,大小为7*7的窗口,在其他实施例中可由实施者根据实际情况调整该窗口的大小。在本发明实施例中预设像素值阈值取经验值为30,在其他实施例中可由实施者根据实际情况调整该取值。
计算目标像素点和对应的待定像素点的距离,作为目标像素点的待定像素点的第一调节权重;计算目标像素点和对应待定像素点的变化特征二元组的相似度。
将局部邻域窗口的边长和目标像素点的待定像素点的第一调节权重的比值,作为目标像素点的待定像素点的第二调节权重;计算目标像素点的待定像素点的第二调节权重和相似度的乘积,作为目标像素点的待定像素点的单风险系数;将目标像素点对应的所有待定像素点的单风险系数的均值作为目标像素点的总水体风险系数。
以第i个像素点为目标像素点为例,目标像素点的总水体风险系数的计算公式为:
其中,为第i个像素点的总水体风险系数,也即为目标像素点的总水体风险系
数;m为目标像素点对应的待定像素点的数量;W为局部邻域窗口的边长;为目标像素
点与对应的第t个待定像素点的距离,也即为目标像素点对应第t个待定像素点的第一调节
权重;为目标像素点的变化特征二元组和对应第t个待定像素点的变化特
征二元组的相似度;为目标像素点对应第t个待定像素点的第二调节权重;为目标像素点与对应的第t个待定像素点的单风险系数。
假设水体红外图像中第i个像素点位于漂浮危化品区域中,则为了较为准确地划
分得到水体红外图像中漂浮危化品所在的区域,需要优先计算在阈值范围内与第i个像素
点风险系数相差较小的像素点。为目标像素点与对应的第t个待定像素点的欧式距
离;sim()为相似度函数,在本发明实施例中利用余弦相似度进行计算,该相似度的取值区
间为[0,1]。当局部邻域窗口内不同位置处的待定像素点对应的变化特征二元组与目标像
素点的变化特征二元组的相似度较大时,则得到的像素点位置处的反映空间一致性的总水
体风险系数会相应增大。同时,对局部邻域窗口内不同距离的待定像素点引入距离贡献系
数,也即为第二调节权重,引入第二调节权重是由于距离目标像素点越近的待定
像素点,越有可能与目标像素点属于同一个类别,而距离目标像素点越远的像素点,对目标
像素点的判断贡献越小。即当目标像素点对应的待定像素点的总水体风险系数越大,说明
对应的目标像素点越有可能位于漂浮危化品的所在区域中。对于水体红外图像,若第i个像
素点位置处的变化特征二元组与对应局部邻域窗口内第t个像素点处的变化特征二元组相
似,则通过计算得到相似度函数计算得到的水体像素点的相似度数值会相对增大。
当目标像素点位于水体红外图像中漂浮危化品所在的区域,且目标像素点对应的待定像素点的变化特征二元组与目标像素点的变化特征二元组较为相似时,若待定像素点与目标像素点的距离越远,超过漂浮危化品所在区域,则此时目标像素点对待定像素点之间应位于不同的漂浮危化品所在的区域中。为了避免距离相隔较远的待定像素点对目标像素点的漂浮危化品特征计算产生较大的影响,故引入第二调节权重,当目标像素点和待定像素点之间相距较远,则计算得到的第二调节权重越小,规避相隔较远的待定像素点对目标像素点的水体风险系数评估的影响。
获取水体红外图像中每个像素点的总水体风险系数,也即为每个像素点均有各自对应的总水体风险系数。
计算目标像素点与对应邻域内各像素点的总水体风险系数的差值绝对值的和值,作为目标像素点的目标水体风险系数,将归一化后的目标水体风险系数作为目标像素点的最终水体风险系数。
以第i个像素点为目标像素点为例,目标像素点的最终水体风险系数的计算公式为:
其中,为第i个像素点的最终水体风险系数,也即为目标像素点的最终水体风
险系数;为归一化函数;为目标像素点对应的总水体风险系数;为目标像素点
对应邻域内第k个像素点的总水体风险系数;为邻域内像素点的数量;为
为目标像素点的目标水体风险系数。
通过归一化函数将计算得到的差值绝对值的和值归一化到区间[0,1]上。当两个
不同像素点对应的变化特征二元组的相似性数值越大,计算获取得到的第i个像素点位置
处的总水体风险系数的数值也会相应增大,当第i个像素点对应邻域中不同位置像素点
的总水体风险系数的差异较为明显时,计算得到的第i个像素点的最终水体风险系数也
会相应越大。
步骤S400,利用wolf-jolion算法,将所述最终水体风险系数作为超参数,对水体红外图像进行分割,识别水体红外图像中的漂浮危化品。
最终水体风险系数表征了水体红外图像中任意像素点与周围像素点的一致性程度,结合计算得到的能够反映空间一致性的最终水体风险系数,对水体红外图像中不同像素点进行分割划分。首先根据最终水体风险系数确定水体红外图像中的各像素点的自适应阈值,具体的:将所述最终水体风险系数作为wolf-jolion算法中的超参数,利用wolf-jolion算法得到水体红外图像中各像素点的自适应阈值。
像素点的自适应阈值的计算公式为:
其中,为第i个像素点的自适应阈值;为第i个像素点对应邻域内像素点的像
素值的均值;为第i个像素点的最终水体风险系数;为第i个像素点对应邻域内像素
点的像素值的标准差;为水体红外图像中像素点对应的标准差的最大值;为
水体红外图像中像素点的最小像素值。
需要说明的是该自适应阈值的计算公式为wolf-jolion算法中的计算公式,即
为wolf-jolion算法的计算公式中的超参数,wolf-jolion算法中的计算公式为本领域技术
人员的公知技术,在此不再进行赘述。在本发明实施例中通过计算得到的最终水体风险系
数对传统的wolf-jolion算法进行优化,通过对水体红外图像中不同像素点位置处的特征
变化差异系数计算,对第i个像素点位置处及其窗口像素点的危化品特征差异进行表征,规
避了传统算法中人为设定经验参数导致主观性较强,对水体红外图像分割效果较差的影
响。
在得到每个像素点对应的自适应阈值之后,根据所述自适应阈值对水体红外图像进行分割,识别水体红外图像中的漂浮危化品,具体的:将水体红外图像中像素值大于或等于对应的自适应阈值的像素点作为异常像素点;将水体红外图像中像素值小于对应的自适应阈值的像素点作为正常像素点;由异常像素点构成的区域即为水体红外图像中的漂浮危化品所在的区域。
该异常像素点的判断公式为:
当像素点为异常像素点时,反映该像素点为水体红外图像中漂浮危化品所在的区域内的像素点,当像素点为正常像素点时,反映该像素点为水体红外图像中正常水体的像素点。故进一步的,由异常像素点构成的区域即为水体红外图像中的漂浮危化品所在的区域。
本发明实施例针对采集获取得到的水体红外图像计算构建得到不同位置像素点的风险系数的数值大小,并结合该风险系数进一步构建得到水体红外图像的变化特征二元组。相较于传统wolf-jolion算法中基于孤立像素点进行分析,通过水体红外图像变化特征二元组对水体红外图像像素点及其周围邻域情况进行计算表征,更好的体现了水体表面漂浮危化品的细节特征。进一步地,本发明实施例根据水体红外图像变化特征二元组计算构建得到相应的总水体风险系数,并结合总水体风险系数对水体红外图像的阈值进行优化计算,有效的规避了传统阈值分割算法中人为设置参数主管性较强,使用场景有所局限的缺点,提高了对水体红外图像中漂浮危化品分割识别的智能化和精确化效果。
综上所述,本发明涉及图像处理技术领域。该方法获取水体红外图像;根据水体红外图像中各像素点和对应邻域内像素点的像素值差异确定各像素点的初始水体风险系数;根据各像素点与邻域内像素点的初始水体风险系数的变化程度、各像素点与邻域内像素点的距离确定各像素点的最终水体风险系数;利用wolf-jolion算法,将所述最终水体风险系数作为超参数,对水体红外图像进行分割,识别水体红外图像中的漂浮危化品。
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。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。
Claims (6)
1.基于红外图像处理的漂浮危化品识别方法,其特征在于,该方法包括以下步骤:
获取水体红外图像;
根据水体红外图像中各像素点和对应邻域内像素点的像素值差异确定各像素点的初始水体风险系数;
根据各像素点与邻域内像素点的初始水体风险系数的变化程度、各像素点与邻域内像素点的距离确定各像素点的最终水体风险系数;
利用wolf-jolion算法,将所述最终水体风险系数作为超参数,对水体红外图像进行分割,识别水体红外图像中的漂浮危化品。
2.根据权利要求1所述的基于红外图像处理的漂浮危化品识别方法,其特征在于,所述根据水体红外图像中各像素点和对应邻域内像素点的像素值差异确定各像素点的初始水体风险系数,包括:
对于任意像素点,计算像素点和对应邻域内各像素点的像素值的差值绝对值的和值,作为像素点的待定风险系数;将像素点的像素值和预设最大像素值的比值,作为像素点的调节系数;将像素点的所述待定风险系数和所述调节系数的乘积作为像素点的初始水体风险系数。
3.根据权利要求1所述的基于红外图像处理的漂浮危化品识别方法,其特征在于,所述根据各像素点与邻域内像素点的初始水体风险系数的变化程度、各像素点与邻域内像素点的距离确定各像素点的最终水体风险系数,包括:
由像素点和对应邻域内像素点的初始水体风险系数构建像素点的变化特征二元组;
选取任意像素点作为目标像素点,获取目标像素点的局部邻域窗口内与目标像素点的像素值的差值绝对值大于预设像素值阈值的像素点,作为目标像素点对应的待定像素点;
计算目标像素点和对应的待定像素点的距离,作为目标像素点的待定像素点的第一调节权重;计算目标像素点和对应待定像素点的变化特征二元组的相似度;将局部邻域窗口的边长和目标像素点的待定像素点的第一调节权重的比值,作为目标像素点的待定像素点的第二调节权重;计算目标像素点的待定像素点的第二调节权重和相似度的乘积,作为目标像素点的待定像素点的单风险系数;将目标像素点对应的所有待定像素点的单风险系数的均值作为目标像素点的总水体风险系数;
计算目标像素点与对应邻域内各像素点的总水体风险系数的差值绝对值的和值,作为目标像素点的目标水体风险系数,将归一化后的目标水体风险系数作为目标像素点的最终水体风险系数。
4.根据权利要求3所述的基于红外图像处理的漂浮危化品识别方法,其特征在于,所述由像素点和对应邻域内像素点的初始水体风险系数构建像素点的变化特征二元组,包括:
获取像素点对应的邻域内像素点的初始水体风险系数的均值,作为像素点对应的二元组元素;由像素点的初始水体风险系数和像素点对应的二元组元素,构建像素点的变化特征二元组。
5.根据权利要求1所述的基于红外图像处理的漂浮危化品识别方法,其特征在于,所述利用wolf-jolion算法,将所述最终水体风险系数作为超参数,对水体红外图像进行分割,识别水体红外图像中的漂浮危化品,包括:
将所述最终水体风险系数作为wolf-jolion算法中的超参数,利用wolf-jolion算法得到水体红外图像中各像素点的自适应阈值;
根据所述自适应阈值对水体红外图像进行分割,识别水体红外图像中的漂浮危化品。
6.根据权利要求5所述的基于红外图像处理的漂浮危化品识别方法,其特征在于,所述基于所述自适应阈值对水体红外图像进行分割,识别水体红外图像中的漂浮危化品,包括:
将水体红外图像中像素值大于或等于对应的自适应阈值的像素点作为异常像素点;由异常像素点构成的区域即为水体红外图像中的漂浮危化品所在的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586515.3A CN116310354B (zh) | 2023-05-24 | 2023-05-24 | 基于红外图像处理的漂浮危化品识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586515.3A CN116310354B (zh) | 2023-05-24 | 2023-05-24 | 基于红外图像处理的漂浮危化品识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116310354A true CN116310354A (zh) | 2023-06-23 |
CN116310354B CN116310354B (zh) | 2023-08-01 |
Family
ID=86813526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310586515.3A Active CN116310354B (zh) | 2023-05-24 | 2023-05-24 | 基于红外图像处理的漂浮危化品识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310354B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230316A (zh) * | 2018-01-08 | 2018-06-29 | 浙江大学 | 一种基于偏振差分放大图像处理的漂浮危化品检测方法 |
CN108257119A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
CN110443806A (zh) * | 2019-04-30 | 2019-11-12 | 浙江大学 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
KR20210004038A (ko) * | 2019-07-03 | 2021-01-13 | 제이엔케이히터(주) | 유해화학물질 누출 방재를 위한 관제 시스템 |
WO2021093283A1 (zh) * | 2019-11-14 | 2021-05-20 | 青岛理工大学 | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 |
WO2021217643A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN116092013A (zh) * | 2023-03-06 | 2023-05-09 | 广东汇通信息科技股份有限公司 | 一种用于智慧监控的危险路况识别方法 |
-
2023
- 2023-05-24 CN CN202310586515.3A patent/CN116310354B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230316A (zh) * | 2018-01-08 | 2018-06-29 | 浙江大学 | 一种基于偏振差分放大图像处理的漂浮危化品检测方法 |
CN108257119A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
CN110443806A (zh) * | 2019-04-30 | 2019-11-12 | 浙江大学 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
KR20210004038A (ko) * | 2019-07-03 | 2021-01-13 | 제이엔케이히터(주) | 유해화학물질 누출 방재를 위한 관제 시스템 |
WO2021093283A1 (zh) * | 2019-11-14 | 2021-05-20 | 青岛理工大学 | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 |
WO2021217643A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN116092013A (zh) * | 2023-03-06 | 2023-05-09 | 广东汇通信息科技股份有限公司 | 一种用于智慧监控的危险路况识别方法 |
Non-Patent Citations (3)
Title |
---|
王铎;: "基于形态学和邻域差值的红外小目标检测算法", 光电技术应用, no. 02 * |
石祥滨;刘晓娜;刘芳;: "一种双阈值红外行人分割方法", 计算机工程, no. 12 * |
陈乃想;何立平;金充充;: "改进的vibe算法在危化品车辆运输视频监控系统中的应用", 网络安全技术与应用, no. 09 * |
Also Published As
Publication number | Publication date |
---|---|
CN116310354B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Comparative analysis of image binarization methods for crack identification in concrete structures | |
US20190331301A1 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
US20190171862A1 (en) | Method of extracting image of port wharf through multispectral interpretation | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN116542972B (zh) | 基于人工智能的墙板表面缺陷快速检测方法 | |
CN116703931B (zh) | 一种用于建筑高分子材料的表面银纹检测方法 | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN116823839B (zh) | 基于热红外图像的管道泄漏检测方法 | |
CN116091504A (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN111667470A (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN117036347A (zh) | 基于图像增强的管道内衬泄漏视觉检测方法及系统 | |
CN116310354B (zh) | 基于红外图像处理的漂浮危化品识别方法 | |
CN117315289B (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN109872358B (zh) | 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 | |
CN115841449B (zh) | 排水管道结构性缺陷纵向定位的单目测距方法及存储介质 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
CN116183622A (zh) | 一种基于点云信息的地铁渗漏水检测方法 | |
CN112487642A (zh) | 一种基于漫水填充算法的疲劳断口形貌特征提取方法 | |
CN114170200B (zh) | 基于人工智能的金属点蚀缺陷程度评估方法及系统 | |
CN117593300B (zh) | 一种pe管材裂纹缺陷检测方法及系统 |
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 |