CN116563306A - 自适应火灾痕迹光谱图像分割方法及系统 - Google Patents
自适应火灾痕迹光谱图像分割方法及系统 Download PDFInfo
- Publication number
- CN116563306A CN116563306A CN202310404595.6A CN202310404595A CN116563306A CN 116563306 A CN116563306 A CN 116563306A CN 202310404595 A CN202310404595 A CN 202310404595A CN 116563306 A CN116563306 A CN 116563306A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- gray level
- adaptive
- fire trace
- 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.)
- Pending
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000001228 spectrum Methods 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 116
- 238000003708 edge detection Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000005260 corrosion Methods 0.000 claims abstract description 8
- 230000007797 corrosion Effects 0.000 claims abstract description 8
- 238000005286 illumination Methods 0.000 claims description 50
- 230000003044 adaptive effect Effects 0.000 claims description 48
- 230000003595 spectral effect Effects 0.000 claims description 48
- 238000010586 diagram Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 22
- 238000013135 deep learning Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 101100001675 Emericella variicolor andJ gene Proteins 0.000 description 1
- 244000070406 Malus silvestris Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种自适应火灾痕迹光谱图像分割方法及系统，包括：采集多光谱图像；对图像进行维度转换；对图像进行维度拆分以获取多个灰度图，选取第一个维度的灰度图作为待分割灰度图；对灰度图进行图像增强、滤波、自适应的边缘检测及腐蚀膨胀；对灰度图进行轮廓查找与位置定位；对灰度图的分割结果进行检验，如果检验结果不合格，选择下一维度的灰度图作为待分割灰度图，重复上述步骤，判断灰度图是否分割成功；当分割循环至最后一个维度灰度图仍未分割成功时，调整自适应边缘检测值，重复上述步骤，直至图像分割检验结果合格。应用本发明的技术方案，以解决现有技术中图像分割效果不佳以及传统方法分割参数不能自适应调整的技术问题。
Description
技术领域
本发明涉及图像分割技术领域，尤其涉及一种自适应火灾痕迹光谱图像分割方法及系统。
背景技术
图像分割是图像分析与图像理解的第一步，是计算机视觉与图像处理中最基本的问题之一(YulongCai,SihengMi,JiahaoYan,HongPeng,XiaohuiLuo,QianYang,JunWang.Anunsupervisedsegmentationmethodbasedondynamic thresholdneuralPsystemsforcolorimages.InformationSciences.2022.)。近年来，图像分割在有效性和性能方面都取得了显著的进展(Liang-ChiehChen,George Papandreou,IasonasKokkinos,KevinMurphy,andAlanLYuille.Semanticimage segmentationwithdeepconvolutionalnetsandfullyconnectedCRFs.InProc.InternationalConferenceonLearningRepresentations(ICLR),2015.)(Liang-Chieh Chen,GeorgePapandreou,IasonasKokkinos,KevinMurphy,andAlanL.Yuille.Deeplab:Semanticimagesegmentationwithdeepconvolutionalnets,atrous convolution,andfullyconnectedcrfs.IEEETransactionsonPatternAnalysisandMachineIntelligence(TPAMI),2017.)(ZilongHuang,XinggangWang,Lichao Huang,ChangHuang,YunchaoWei,andWenyuLiu.Ccnet:Criss-crossattentionfor semanticsegmentation.InProc.IEEEInternationalConferenceonComputerVision(ICCV),2019.)(JonathanLong,EvanShelhamer,andTrevorDarrell.Fully convolutionalnetworksforsemanticsegmentation.InProc.IEEEConferenceon ComputerVisionandPatternRecognition(CVPR),2015.)。然而，由于该任务被设计为只处理预定义的类集(例如，“汽车”，“人”)，分割模型很难处理未定义的类别或者相同类别不同纹理的目标(例如，“低光照环境下不同燃烧程度的火灾痕迹”,“暗光下同一张图片上人和影子”)。因此急需一种方法能够针对细粒度的场景进行准确分割。
不同类型的物或者物质具有不同的反射光谱，在多维光谱空间中构成不同的特征向量，这为我们进行图像处理图像分割提供了更多的数据支撑。然而随着拍摄环境复杂度的增加，高分辨率的多光谱图像数据和计算复杂性也随之增加，图像噪声影响、光谱混淆等现象更为突出，因此在复杂环境下，只是对可见光的rgb三通道颜色信息，使用传统的分割方法进行图像分析与图形分割效果不太理想。
传统的图像分割方法(PengHuang,QiZheng,ChaoLiang.Overviewofimage segmentationmethods.JournalofWuhanUniversity(SCIENCEEDITION),2020.(inChinese)黄鹏,郑淇,梁超.图像分割方法综述.武汉大学学报(理学版).2020.)(ElizaYingziDu,Chein-IChang.Unsupervisedapproachtocolorvideo thresholding.InternationalConferenceonAcoustics,Speech,andSignalProcessing.2003.)(N.Senthilkumaran,R.Rajesh.Edgedetectiontechniquesforimage segmentation–asurveyofsoftcomputingapproaches.InternationalJournalof RecentTrendsinEngineering.2009.)(PedroF.Felzenszwalb,DanielP.Huttenlocher.Efficientgraph-basedimagesegmentation.Int.J.Comput.Vision.2004.)(TaoLei,XiaohongJia,YanningZhang,LifengHe,HongyingMeng,Asoke K.Nandi.Significantlyfastandrobustfuzzyc-meansclusteringalgorithmbasedon morphologicalreconstructionandmembershipfiltering.IEEETrans.FuzzySyst.2018.)(YiningDeng,B.S.Manjunath.Unsupervisedsegmentationofcolor-texture regionsinimagesandvideo.IEEETrans.PatternAnal.Mach.Intell.2001.)(Haifeng Sima,PingGuo,YoufengZou,ZhihengWang,MingliangXu.Bottom-upmerging segmentationforcolorimageswithcomplexareas.IEEETrans.Syst.ManCybern.Syst.2018.)通过人为设定的某种规则来实现图像的分割，对同一张图像的多次分割结果通常是确定的。其规则的确定通常有两个步骤，即先在理论上论证该规则的合理性，再通过分割结果进一步验证其有效性。
随着深度学习的发展，计算机视觉领域的研究者逐渐将卷积神经网络作为图像处理的主要手段。卷积神经网络(ConvolutionalNeuralNetwork,CNN)模型可以充分学习并理解图像的语义信息，可以较好的实现图像的语义级分割(HyeonwooNoh,SeunghoonHong,andBohyungHan.Learningdeconvolution networkforsemanticsegmentation.InProc.IEEEInternationalConferenceon ComputerVision(ICCV),2015.)(HengshuangZhao,JiayaJia,andVladlenKoltun.Exploringself-attentionforimagerecognition.InProc.IEEEConferenceon ComputerVisionandPatternRecognition(CVPR),2020.)(H.Zhao,J.Shi,X.Qi,X.Wang,andJ.Jia.Pyramidsceneparsingnetwork.InProc.IEEEConferenceonComputerVisionandPatternRecognition(CVPR),July2017.)。
然而，传统的图像分割方法大多仅利用图像的表层信息，由于常见的rgb图像信息通道数较少，在遇到拍摄环境较差时往往分割效果表现不佳。此外，传统分割方法的参数通常不能根据图像进行自适应，也会导致其鲁棒性较差。因此，针对以往传统的方法很难对所有复杂场景如低光照下rgb图像进行图像分割。
现有的基于深度学习的图像分割主要分为语义分割、实例分割和全景分割，主要处理预定义的类集，针对细粒度的同一类别不同纹理痕迹的处理效果不佳。因此，当分割任务类型与传统语义分割、实例分割和全景分割有差异时，如果想要使用深度学习的方法对相同类别不同形状的火灾痕迹数据进行图像分割，则需要针对性的对海量数据集重新进行标注，且标准数据的质量也会影响最终的结果。因此，针对细粒度的同一类别不同纹理痕迹的图像分割处理十分艰难。
发明内容
本发明提供了一种自适应火灾痕迹光谱图像分割方法及系统，能够解决现有技术中火灾痕迹数据在rgb图像下信息少以及复杂光照情况下图像分割效果不佳以及传统方法分割参数不能自适应调整的技术问题。
根据本发明的一方面，提供了一种复杂光照环境下的自适应火灾痕迹光谱图像分割方法，复杂光照环境下的自适应火灾痕迹光谱图像分割方法包括：步骤一，采集火灾痕迹样品的多光谱图像；步骤二，对采集到的火灾痕迹样品的多光谱图像进行维度转换；步骤三，将维度转换后的多光谱图像进行维度拆分以获取多个灰度图，从多个灰度图中选取第一个维度的灰度图作为待分割灰度图；步骤四，对待分割灰度图进行图像增强；步骤五，对图像增强后的灰度图进行滤波；步骤六，对滤波后的灰度图进行自适应的边缘检测；步骤七，对边缘检测后的灰度图进行腐蚀膨胀，完成灰度图的基本分割；步骤八，对分割完成后的灰度图进行轮廓查找与位置定位；步骤九，对灰度图的分割结果进行检验，如果灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；如果灰度图的分割检验结果不合格，转回步骤三，选择下一维度的灰度图作为待分割灰度图，重复步骤三至步骤九，判断灰度图是否分割成功；步骤十，当灰度图分割成功时，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；当分割循环至最后一个维度灰度图仍未分割成功时，返回步骤三，调整自适应边缘检测值，进行下一轮第一个维度的灰度图分割，重复步骤三至步骤十，直至某一维度的灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割。
进一步地，在步骤六中，调用OpenCV中的阈值边缘检测模块对滤波后的灰度图进行自适应的边缘检测，阈值thresh可根据thresh＝mean(img_i)/det_th计算获取，其中，mean(img_i)为灰度图均值，det_th为自适应边缘检测值。
进一步地，在步骤九中，对灰度图的分割结果进行检验，若待分割灰度图的分割区域数量大于或等于预设分割数时，认为灰度图的分割检验结果合格；若待分割灰度图的分割区域数量小于预设分割数时，认为灰度图的分割检验结果不合格。
进一步地，在步骤十中，当分割循环至最后一个维度仍不存在分割成功的灰度图时，返回步骤三，根据det_th’＝det_th*1.1调整自适应边缘检测值，其中，det_th’为调整后的自适应边缘检测值，det_th为上一轮图像分割中的自适应边缘检测值。
进一步地，在步骤二中，将bayer格式的多光谱图像根据谱段转换为(h/5)*(w/5)*25的图像格式，其中h为多光谱图像的长度，w为多光谱图像的宽度。
进一步地，在步骤四中，使用sobel边缘检测算法对图像分割后的灰度图进行边缘检测增强。
进一步地，在步骤五，使用均值滤波的方法对图像增强后的灰度图进行滤波。
进一步地，在步骤八中，调用OpenCV中的轮廓查找与位置定位模块对分割完成后的灰度图进行轮廓查找与位置定位。
进一步地，在步骤一中，使用ximea多光谱图像采集器对火灾痕迹样品进行多光谱图像采集。
根据本发明的另一方面，提供了一种复杂光照环境下的自适应火灾痕迹光谱图像分割系统，复杂光照环境下的自适应火灾痕迹光谱图像分割系统使用如上所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法进行自适应火灾痕迹光谱图像分割。
应用本发明的技术方案，提供了一种针对多光谱图像作为测试数据，并使用自适应的图像分割方法快速高效的进行复杂光照环境下的自适应火灾痕迹光谱图像分割方法，该方法通过循环检测与分割，能够充分利用多光谱图像的不同维度的信息，较好地在极暗或者低分辨率场景下进行目标显著性区域分割；通过使用自适应边缘检测阈值det_th与thresh，能够根据不同的图像或者维度进行自适应调整；根据自适应阈值和高维图像的特点能够完成不同指定数量的显著性目标区域分割任务。本发明所提供的自适应火灾痕迹光谱图像分割方法与现有技术相比，不需要使用深度学习等方法进行大量数据标定与训练，能够精准和循序渐进的对于显著性目标进行分割和选择，能够避免暗光噪声等因素对分割效果的影响，能够自适应调整分割阈值进行精准分割，能够完成指定数量的显著性目标区域分割，因此，本发明所提供的自适应火灾痕迹光谱图像分割方法能够有效解决现有技术中火灾痕迹数据在rgb图像下信息少，分割效果差的问题，解决复杂光照情况下，图像分割效果不佳的问题，解决传统方法分割参数不能自适应调整的问题。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。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示出了根据本发明的具体实施例提供的复杂光照环境下自适应火灾痕迹光谱图像分割方法的流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
如图1示，根据本发明的具体实施例提供了一种复杂光照环境下的自适应火灾痕迹光谱图像分割方法，该复杂光照环境下的自适应火灾痕迹光谱图像分割方法包括：步骤一，采集火灾痕迹样品的多光谱图像；步骤二，对采集到的火灾痕迹样品的多光谱图像进行维度转换；步骤三，将维度转换后的多光谱图像进行维度拆分以获取多个灰度图，从多个灰度图中选取第一个维度的灰度图作为待分割灰度图；步骤四，对待分割灰度图进行图像增强；步骤五，对图像增强后的灰度图进行滤波；步骤六，对滤波后的灰度图进行自适应的边缘检测；步骤七，对边缘检测后的灰度图进行腐蚀膨胀，完成灰度图的基本分割；步骤八，对分割完成后的灰度图进行轮廓查找与位置定位；步骤九，对灰度图的分割结果进行检验，如果灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；如果灰度图的分割检验结果不合格，转回步骤三，选择下一维度的灰度图作为待分割灰度图，重复步骤三至步骤九，判断灰度图是否分割成功；步骤十，当灰度图分割成功时，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；当分割循环至最后一个维度灰度图仍未分割成功时，返回步骤三，调整自适应边缘检测值，进行下一轮第一个维度的灰度图分割，重复步骤三至步骤九，直至某一维度的灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割。
应用此种配置方式，针对复杂光照条件下细粒度的火灾痕迹图像分割效果不佳的情况下，提出一种针对多光谱图像作为测试数据，并使用自适应的图像分割方法快速高效的进行复杂光照环境下的自适应火灾痕迹光谱图像分割方法，该方法通过循环检测与分割，能够充分利用多光谱图像的不同维度的信息，较好地在极暗或者低分辨率场景下进行目标显著性区域分割；通过使用自适应边缘检测阈值det_th与thresh，能够根据不同的图像或者维度进行自适应调整；根据自适应阈值和高维图像的特点能够完成不同指定数量的显著性目标区域分割任务。本发明所提供的自适应火灾痕迹光谱图像分割方法与现有技术相比，不需要使用深度学习等方法进行大量数据标定与训练，能够精准和循序渐进的对于显著性目标进行分割和选择，能够避免暗光噪声等因素对分割效果的影响，能够自适应调整分割阈值进行精准分割，能够完成指定数量的显著性目标区域分割，因此，本发明所提供的自适应火灾痕迹光谱图像分割方法能够有效解决现有技术中火灾痕迹数据在rgb图像下信息少，分割效果差的问题，解决复杂光照情况下，图像分割效果不佳的问题，解决传统方法分割参数不能自适应调整的问题。
具体地，在本发明中，为了实现复杂光照环境下的自适应火灾痕迹光谱图像分割，首先需要采集火灾痕迹样品的多光谱图像。在本发明中，使用ximea多光谱图像采集器对火灾痕迹样品进行多光谱图像采集。作为本发明的一个具体实施例，使用ximea多光谱图像采集设备对燃烧后的钢板进行数据采集。该机器可以采集到25个谱段的光谱信息，以bayer格式采集和存储。
进一步地，在获取了火灾痕迹样品的多光谱图像之后，即可对采集到的火灾痕迹样品的多光谱图像进行维度转换。在本发明中，将bayer格式的多光谱图像根据谱段转换为(h/5)*(w/5)*25的图像格式，其中h为多光谱图像的长度，w为多光谱图像的宽度。
作为本发明的一个具体实施例，对步骤一中采集的多光谱图像数据，进行数据预处理，将bayer格式的平面多光谱图像的光谱维度拆分出来(如：将250*250的byer光谱图像拆分成50*50*25的三维图，其中25为纵向光谱维度)。
进一步地，在完成多光谱图像的维度转换之后，即可将维度转换后的多光谱图像进行维度拆分以获取多个灰度图，从多个灰度图中选取第一个维度的灰度图作为待分割灰度图。
作为本发明的一个具体实施例，对步骤二中得到的光谱图像进行维度拆分，提取第一个维度的灰度图进行分割，例如，对50*50*25的三维图进行维度拆分以获取25个灰度图，从25个灰度图中选取第一个维度的灰度图50*50*1作为待分割灰度图。
进一步地，在选取了待分割灰度图之后，即可对待分割灰度图img_i进行图像增强。在本发明中，为了提升后续分割容易程度，使用sobel边缘检测算法对步骤三中待分割灰度图img_i进行边缘检测增强。
在完成灰度图的图像增强之后，即可对图像增强后的灰度图进行滤波。在本发明中，由于环境等因素的影响，图像中的噪声会影响分割效果，因此需要对步骤四增强后的图像进行滤波。本发明使用均值滤波的方法对图像增强后的图像进行滤波，去除由于暗光等环境因素带来的噪声影响。
进一步地，在对灰度图进行滤波之后，即可对滤波后的灰度图进行自适应的边缘检测。在本发明的步骤六中，调用OpenCV中的阈值边缘检测模块对滤波后的灰度图进行自适应的边缘检测，阈值thresh可根据thresh＝mean(img_i)/det_th计算获取，其中，mean(img_i)为灰度图均值，det_th为自适应边缘检测值。阈值thresh会根据不同的图像或者维度进行自适应调整，det_th为预定义的一个值根据不同的分割任务和图像进行设置，本实验初始定义为0.85。
在对滤波后的灰度图进行自适应的边缘检测之后，即可对边缘检测后的灰度图进行腐蚀膨胀，完成灰度图的基本分割。在本发明中，使用腐蚀与膨胀操作对检测的细小嘈杂边缘与分割区域进行剔除与连通，从而保留较准确的待分割区域的边缘。
进一步地，在对边缘检测后的灰度图进行腐蚀膨胀之后，即可对分割完成后的灰度图进行轮廓查找与位置定位。在本发明的步骤八中，调用OpenCV中的轮廓查找与位置定位模块findcontours对分割完成后的灰度图进行轮廓查找与位置定位。
在完成了灰度图的轮廓查找与位置定位之后，即可对灰度图的分割结果进行检验，如果灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；如果灰度图的分割检验结果不合格，转回步骤三，选择下一维度的灰度图作为待分割灰度图，重复步骤三至步骤九，判断灰度图是否分割成功。
在本发明的步骤九中，对灰度图的分割结果进行检验，若待分割灰度图的分割区域数量大于或等于预设分割数时，认为灰度图的分割检验结果合格；若待分割灰度图的分割区域数量小于预设分割数时，认为灰度图的分割检验结果不合格。
作为本发明的一个具体实施例，对灰度图的分割结果进行检验，假设预设分割数为n，对步骤八中分割出来的轮廓数量进行检测，判断待分割灰度图的分割区域数量是否大于或等于预设分割数n，针对由于光线太暗或者图像分辨度不高等原因导致分割区域数量达不到指定数量n的情况下(如要求找到面积最大的3个待分割区域)，将从步骤三开始重新进行下一维度的区域分割。
进一步地，在循环分割的过程中，当某一维度的灰度图分割成功时，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；当分割循环至最后一个维度灰度图仍未分割成功时，返回步骤三，调整自适应边缘检测值，进行下一轮第一个维度的灰度图分割，重复步骤三至步骤十，直至某一维度的灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割。
在本发明的步骤十中，当分割循环至最后一个维度仍不存在分割成功的灰度图时，返回步骤三，根据det_th’＝det_th*1.1调整自适应边缘检测值，其中，det_th’为调整后的自适应边缘检测值，det_th为上一轮图像分割中的自适应边缘检测值。
作为本发明的一个具体实施例，当分割循环至最后一个维度仍然无法达到预定于分割数量n的情况下，重新进入步骤三进行第二轮第一个维度的分割，同时次轮分割中步骤六中的det_th’＝det_th*1.1，进一步降低区域检测的难度直到可以完成图像分割。
根据本发明的另一方面，提供了一种复杂光照环境下的自适应火灾痕迹光谱图像分割系统，复杂光照环境下的自适应火灾痕迹光谱图像分割系统使用如上所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法进行自适应火灾痕迹光谱图像分割。
应用此种配置方式，针对复杂光照条件下细粒度的火灾痕迹图像分割效果不佳的情况下，提出一种针对多光谱图像作为测试数据，并使用自适应的图像分割方法快速高效的进行复杂光照环境下的自适应火灾痕迹光谱图像分割系统，该系统通过循环检测与分割，能够充分利用多光谱图像的不同维度的信息，较好地在极暗或者低分辨率场景下进行目标显著性区域分割；通过使用自适应边缘检测阈值det_th与thresh，能够根据不同的图像或者维度进行自适应调整；根据自适应阈值和高维图像的特点能够完成不同指定数量的显著性目标区域分割任务。本发明所提供的自适应火灾痕迹光谱图像分割系统与现有技术相比，不需要使用深度学习等方法进行大量数据标定与训练，能够精准和循序渐进的对于显著性目标进行分割和选择，能够避免暗光噪声等因素对分割效果的影响，能够自适应调整分割阈值进行精准分割，能够完成指定数量的显著性目标区域分割，因此，本发明所提供的自适应火灾痕迹光谱图像分割系统能够有效解决现有技术中火灾痕迹数据在rgb图像下信息少，分割效果差的问题，解决复杂光照情况下，图像分割效果不佳的问题，解决传统方法分割参数不能自适应调整的问题。
为了对本发明有进一步地了解，下面结合图1对本发明所提供的复杂光照环境下的自适应火灾痕迹光谱图像分割方法进行详细说明。
如图1所示，根据本发明的具体实施例提供了一种复杂光照环境下的自适应火灾痕迹光谱图像分割方法，该方法具体包括如下步骤。
步骤一，采集火灾痕迹样品的多光谱图像。在本实施例中，使用ximea多光谱图像采集设备对燃烧后的钢板进行数据采集。该机器可以采集到25个谱段的光谱信息，以bayer格式采集和存储。
步骤二，对采集到的火灾痕迹样品的多光谱图像进行维度转换。在本实施例中，对步骤一中采集的多光谱图像数据，进行数据预处理，将bayer格式的平面多光谱图像的光谱维度拆分出来(如：将250*250的byer光谱图像拆分成50*50*25的三维图，其中25为纵向光谱维度)。
步骤三，将维度转换后的多光谱图像进行维度拆分以获取多个灰度图，从多个灰度图中选取第一个维度的灰度图作为待分割灰度图。在本实施例中，对50*50*25的三维图进行维度拆分以获取25个灰度图，从25个灰度图中选取第一个维度的灰度图50*50*1作为待分割灰度图。
步骤四，对待分割灰度图进行图像增强。在本实施例中，使用sobel边缘检测算法对步骤三中待分割灰度图img_i进行边缘检测增强。
步骤五，对图像增强后的灰度图进行滤波。在本实施例中，使用均值滤波的方法对图像增强后的图像进行滤波，去除由于暗光等环境因素带来的噪声影响。
步骤六，对滤波后的灰度图进行自适应的边缘检测。在本实施例中，调用OpenCV中的阈值边缘检测模块对滤波后的灰度图进行自适应的边缘检测，阈值thresh可根据thresh＝mean(img_i)/det_th计算获取，其中，mean(img_i)为灰度图均值，det_th为自适应边缘检测值。
步骤七，对边缘检测后的灰度图进行腐蚀膨胀，完成灰度图的基本分割。在本实施例中，使用腐蚀与膨胀操作对检测的细小嘈杂边缘与分割区域进行剔除与连通，从而保留较准确的待分割区域的边缘。
步骤八，对分割完成后的灰度图进行轮廓查找与位置定位。在本实施例中，调用OpenCV中的轮廓查找与位置定位模块findcontours对分割完成后的灰度图进行轮廓查找与位置定位。
步骤九，对灰度图的分割结果进行检验，如果灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；如果灰度图的分割检验结果不合格，转回步骤三，选择下一维度的灰度图作为待分割灰度图，重复步骤三至步骤九，判断灰度图是否分割成功。在本实施例中，对灰度图的分割结果进行检验，假设预设分割数为n，对步骤八中分割出来的轮廓数量进行检测，判断待分割灰度图的分割区域数量是否大于或等于预设分割数n，针对由于光线太暗或者图像分辨度不高等原因导致分割区域数量达不到指定数量n的情况下(如要求找到面积最大的3个待分割区域)，将从步骤三开始重新进行下一维度的区域分割。
步骤十，当某一维度的灰度图分割成功时，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；当分割循环至最后一个维度灰度图仍未分割成功时，返回步骤三，调整自适应边缘检测值，进行下一轮第一个维度的灰度图分割，重复步骤三至步骤十，直至某一维度的灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割。在本实施例中，当分割循环至最后一个维度仍然无法达到预定于分割数量n的情况下，重新进入步骤三进行第二轮第一个维度的分割，同时次轮分割中步骤六中的det_th’＝det_th*1.1，进一步降低区域检测的难度直到可以完成图像分割。
综上所述，本发明针对复杂光照条件下细粒度的火灾痕迹图像分割效果不佳的情况下，提出一种针对多光谱图像作为测试数据，并使用自适应的图像分割方法快速高效的进行复杂光照环境下的自适应火灾痕迹光谱图像分割方法，该方法通过循环检测与分割，能够充分利用多光谱图像的不同维度的信息，较好地在极暗或者低分辨率场景下进行目标显著性区域分割；通过使用自适应边缘检测阈值det_th与thresh，能够根据不同的图像或者维度进行自适应调整；根据自适应阈值和高维图像的特点能够完成不同指定数量的显著性目标区域分割任务。本发明所提供的自适应火灾痕迹光谱图像分割方法与现有技术相比，不需要使用深度学习等方法进行大量数据标定与训练，能够精准和循序渐进的对于显著性目标进行分割和选择，能够避免暗光噪声等因素对分割效果的影响，能够自适应调整分割阈值进行精准分割，能够完成指定数量的显著性目标区域分割，因此，本发明所提供的自适应火灾痕迹光谱图像分割方法能够有效解决现有技术中火灾痕迹数据在rgb图像下信息少，分割效果差的问题，解决复杂光照情况下，图像分割效果不佳的问题，解决传统方法分割参数不能自适应调整的问题。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)
1.一种复杂光照环境下的自适应火灾痕迹光谱图像分割方法，其特征在于，所述复杂光照环境下的自适应火灾痕迹光谱图像分割方法包括：
步骤一，采集火灾痕迹样品的多光谱图像；
步骤二，对采集到的所述火灾痕迹样品的多光谱图像进行维度转换；
步骤三，将维度转换后的多光谱图像进行维度拆分以获取多个灰度图，从多个所述灰度图中选取第一个维度的灰度图作为待分割灰度图；
步骤四，对所述待分割灰度图进行图像增强；
步骤五，对图像增强后的灰度图进行滤波；
步骤六，对滤波后的灰度图进行自适应的边缘检测；
步骤七，对边缘检测后的灰度图进行腐蚀膨胀，完成灰度图的基本分割；
步骤八，对分割完成后的灰度图进行轮廓查找与位置定位；
步骤九，对灰度图的分割结果进行检验，如果所述灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；如果所述灰度图的分割检验结果不合格，转回所述步骤三，选择下一维度的灰度图作为待分割灰度图，重复所述步骤三至所述步骤九，判断灰度图是否分割成功；
步骤十，当灰度图分割成功时，完成复杂光照环境下的自适应火灾痕迹光谱图像分割；当分割循环至最后一个维度灰度图仍未分割成功时，返回所述步骤三，调整自适应边缘检测值，进行下一轮第一个维度的灰度图分割，重复所述步骤三至所述步骤十，直至某一维度的灰度图的分割检验结果合格，认为图像分割成功，完成复杂光照环境下的自适应火灾痕迹光谱图像分割。
2.根据权利要求1所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法，其特征在于，在所述步骤六中，调用OpenCV中的阈值边缘检测模块对滤波后的灰度图进行自适应的边缘检测，阈值thresh可根据thresh＝mean(img_i)/det_th计算获取，其中，mean(img_i)为灰度图均值，det_th为自适应边缘检测值。
3.根据权利要求2所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法，其特征在于，在所述步骤九中，对灰度图的分割结果进行检验，若所述待分割灰度图的分割区域数量大于或等于预设分割数时，认为所述灰度图的分割检验结果合格；若所述待分割灰度图的分割区域数量小于预设分割数时，认为所述灰度图的分割检验结果不合格。
4.根据权利要求3所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法，其特征在于，在所述步骤十中，当分割循环至最后一个维度仍不存在分割成功的灰度图时，返回所述步骤三，根据det_th’＝det_th*1.1调整自适应边缘检测值，其中，det_th’为调整后的自适应边缘检测值，det_th为上一轮图像分割中的自适应边缘检测值。
5.根据权利要求4所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法，其特征在于，在所述步骤二中，将bayer格式的多光谱图像根据谱段转换为(h/5)*(w/5)*25的图像格式，其中h为多光谱图像的长度，w为多光谱图像的宽度。
6.根据权利要求5所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法，其特征在于，在所述步骤四中，使用sobel边缘检测算法对图像分割后的灰度图进行边缘检测增强。
7.根据权利要求6所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法，其特征在于，在所述步骤五，使用均值滤波的方法对图像增强后的灰度图进行滤波。
8.根据权利要求7所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法，其特征在于，在所述步骤八中，调用OpenCV中的轮廓查找与位置定位模块对分割完成后的灰度图进行轮廓查找与位置定位。
9.根据权利要求8所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法，其特征在于，在所述步骤一中，使用ximea多光谱图像采集器对火灾痕迹样品进行多光谱图像采集。
10.一种复杂光照环境下的自适应火灾痕迹光谱图像分割系统，其特征在于，所述复杂光照环境下的自适应火灾痕迹光谱图像分割系统使用如权利要求1至9中任一项所述的复杂光照环境下的自适应火灾痕迹光谱图像分割方法进行自适应火灾痕迹光谱图像分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310404595.6A CN116563306A (zh) | 2023-04-17 | 2023-04-17 | 自适应火灾痕迹光谱图像分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310404595.6A CN116563306A (zh) | 2023-04-17 | 2023-04-17 | 自适应火灾痕迹光谱图像分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116563306A true CN116563306A (zh) | 2023-08-08 |
Family
ID=87493757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310404595.6A Pending CN116563306A (zh) | 2023-04-17 | 2023-04-17 | 自适应火灾痕迹光谱图像分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563306A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116863252A (zh) * | 2023-09-04 | 2023-10-10 | 四川泓宝润业工程技术有限公司 | 动火作业现场易燃物检测方法、装置、设备、存储介质 |
-
2023
- 2023-04-17 CN CN202310404595.6A patent/CN116563306A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116863252A (zh) * | 2023-09-04 | 2023-10-10 | 四川泓宝润业工程技术有限公司 | 动火作业现场易燃物检测方法、装置、设备、存储介质 |
| CN116863252B (zh) * | 2023-09-04 | 2023-11-21 | 四川泓宝润业工程技术有限公司 | 动火作业现场易燃物检测方法、装置、设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840521B (zh) | 一种基于深度学习的一体化车牌识别方法 | |
| CN110059586B (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
| CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
| CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
| CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
| CN106951870B (zh) | 主动视觉注意的监控视频显著事件智能检测预警方法 | |
| CN111680690B (zh) | 一种文字识别方法及装置 | |
| CN110598788A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
| CN109949227A (zh) | 图像拼接方法、系统及电子设备 | |
| CN111369605A (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
| CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
| CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
| CN111209873A (zh) | 一种基于深度学习的高精度人脸关键点定位方法及系统 | |
| CN114529593A (zh) | 红外与可见光图像配准方法、系统、设备、图像处理终端 | |
| CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
| CN116563306A (zh) | 自适应火灾痕迹光谱图像分割方法及系统 | |
| CN110826534B (zh) | 一种基于局部主成分分析的人脸关键点检测方法及系统 | |
| Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
| CN113177956A (zh) | 一种面向无人机遥感影像的语义分割方法 | |
| CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
| CN109711420B (zh) | 基于人类视觉注意机制的多仿射目标的检测与识别方法 | |
| CN113538387B (zh) | 基于深度卷积神经网络的多尺度巡检图像识别方法及装置 | |
| Wang et al. | Deep learning-based human activity analysis for aerial images |
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 |