CN116563799B - 基于视频监控的粉尘在线监测方法 - Google Patents
基于视频监控的粉尘在线监测方法 Download PDFInfo
- Publication number
- CN116563799B CN116563799B CN202310842557.9A CN202310842557A CN116563799B CN 116563799 B CN116563799 B CN 116563799B CN 202310842557 A CN202310842557 A CN 202310842557A CN 116563799 B CN116563799 B CN 116563799B
- Authority
- CN
- China
- Prior art keywords
- dust
- image block
- image
- extending direction
- diffusion
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 138
- 238000012544 monitoring process Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009792 diffusion process Methods 0.000 claims abstract description 103
- 238000005286 illumination Methods 0.000 claims abstract description 44
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于视频监控的粉尘在线监测方法,包括:根据获得粉尘监测灰度图像中像素点的灰度差异,获取预设图像块的区域延伸程度,根据区域延伸程度获得多尺度高斯卷积下的扩散系数,根据扩散系数获得尺度权重系数,获得光照分量,并分离出粉尘区域。本发明能够利用粉尘对于局部区域灰度特征的延伸性影响与整体上区域的扩散特征,获取粉尘检测灰度图像中的扩散区域,根据扩散区域的光照分量准确获取实际的粉尘浓度,实现了对粉尘浓度的智能化和可视化监测。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于视频监控的粉尘在线监测方法。
背景技术
生产性粉尘指的是在日常的工业生产过程中形成的,并能长时间漂浮在空气中的微小固体颗粒,许多生产性粉尘在形成之后,表面往往还能吸附其他气态或液态的有害物质,成为其他有害物质的载体。生产性粉尘严重污染作业环境,威胁作业人员的身心健康。因此需要对工业生产过程中产生的生产性粉尘进行实时的在线监测与预警,以保障生产作业的安全与作业人员的身体健康。
相较于常规采用粉尘传感器进行粉尘污染程度检测,通过视频监控获取实时的环境中的粉尘图像,利用图像处理技术进行粉尘在线监测,避免了传感器检测的局部检测局限,视频监控图像更加具有实时性与范围整体性。
在对粉尘图像进行图像处理的过程中,采用多尺度Retinex算法进行光照分量与反射分量的分离,但由于高斯算子对于光照显著变化区域的光照估计不准确,会在过渡区出现光晕现象,且粉尘本身物理性质对于光线的散射,都会影响光照分量的获得。因此,本案根据粉尘区域的局部灰度变化特征获取尺度权重系数对多尺度的Retinex方法的原始权重系数进行调整,分离出粉尘监测图像的光照分量,并从光照分量中分离出粉尘区域。
发明内容
本发明提供基于视频监控的粉尘在线监测方法,以解决现有的问题。
本发明的基于视频监控的粉尘在线监测方法采用如下技术方案:
本发明提供了基于视频监控的粉尘在线监测方法,该方法包括以下步骤:
获取粉尘监测灰度图像;
分别预设矩形窗口和滑动窗口大小,将粉尘监测灰度图像进行划分获得若干个图像块,根据滑动窗口中像素点之间的灰度差异,获得像素点的偏置量以及偏置方向;根据图像块中偏置方向的数量获得平均偏置量以及图像块的延伸方向,根据像素点的偏置方向与图像块的延伸方向之间的关系获得像素点的延伸方向;根据像素点的延伸方向获得图像块的区域延伸程度;根据图像块之间的延伸方向的夹角,记为延伸方向夹角,获得扩散区域;根据预设的高斯尺度参数、图像块之间的延伸方向夹角以及图像块的区域延伸程度融合结果,获得扩散区域的若干个扩散系数;
根据扩散系数之间的差异获得不同高斯尺度参数下对应的尺度权重系数,根据尺度权重系数获得粉尘监测灰度图像对应的光照分量,根据光照分量获得粉尘区域;
根据粉尘区域的灰度与实际粉尘浓度的映射关系,实现粉尘浓度在线智能监测。
进一步的,所述将粉尘监测灰度图像进行划分获得若干个图像块,根据滑动窗口中像素点之间的灰度差异,获得像素点的偏置量以及偏置方向,包括的具体步骤如下:
首先,预设大小为的矩形窗口,利用矩形窗口将粉尘监测灰度图像均等划
分为同样大小的区域,记为图像块,则获得若干个图像块;
然后,构建一个大小的滑动窗口,遍历任意图像块,获取滑动窗口的中心位
置像素点与8邻域各像素点之间灰度值差值,记为偏置量,获得8个对应的偏置量;
其次,将由灰度值高的像素点指向灰度值低的像素点的角度作为像素点的偏置方
向,以竖直向上为初始方向,顺时针为正方向,在滑动窗口中的中心点指向8邻域像素点
取值为正,反之,则取值为负,若两个像素点无差异,则认为偏置方向为,获得图像块中
像素点对应的8个偏置方向。
进一步的,所述根据图像块中偏置方向的数量获得平均偏置量以及图像块的延伸方向,根据像素点的偏置方向与图像块的延伸方向之间的关系获得像素点的延伸方向,包括的具体步骤如下:
首先,将任意图像块中频次最多的偏置方向记为对应图像块的延伸方向;获取频次最多的偏置方向对应偏置量的平均值,记为图像块的平均偏置量;
然后,当图像块中像素点的偏置方向与所在图像块的延伸方向相同时,将图像块的延伸方向作为像素点的延伸方向;当图像块中像素点的偏置方向与所在图像块的延伸方向不同时,将像素点在8邻域中偏置量最大时,像素点对应的偏置方向作为像素点的延伸方向。
进一步的,所述根据像素点的延伸方向获得图像块的区域延伸程度,包括的具体步骤如下:
首先,以像素点为直角坐标系的原点,获得对应的4个象限,将图像块的延伸方向以及延伸方向所在象限非对角的两侧象限中的延伸方向,记为置信延伸方向;
然后,构建与图像块大小相同的标签窗口,对每一个图像块进行遍历,当图像块中像素点的延伸方向与置信延伸方向一致时,将像素点的标签预设为1;反之,当图像块中像素点的延伸方向与置信延伸方向不一致时,将像素点的标签预设为0;则由标签窗口中所有像素点的标签构成一个对应的标签矩阵;
最后,任意图像块的区域延伸程度的获取方法为:
,
其中,表示图像块的区域延伸程度,表示标签矩阵,表示标签
矩阵中标签为1的像素点数量,表示图像块的平均偏置量,表示正相关归
一化函数。
进一步的,所述根据图像块之间的延伸方向的夹角,记为延伸方向夹角,获得扩散区域,包括的具体步骤如下:
首先,从粉尘监测灰度图像左下角开始遍历全部图像块,获取任意图像块与对应8邻域的图像块之间延伸方向的夹角,记为延伸方向夹角;
然后,若图像块之间的延伸方向夹角,则认为两个图像块之间的延伸方
向接近,与粉尘扩散的特征相对应,将所有相邻图像块的延伸方向夹角所形成的
区域记为扩散区域,扩散区域包含若干个图像块;若图像块之间的延伸方向夹角,
则认为两个图像块之间的延伸方向不接近,不归为扩散区域。
进一步的,所述根据预设的高斯尺度参数、图像块之间的延伸方向夹角以及图像块的区域延伸程度融合结果,获得扩散区域的若干个扩散系数,包括的具体步骤如下:
首先,预设多尺度Retinex算法高斯环绕函数的高斯尺度参数分别为15、80以及
200,记为经验尺度参数;预设参数范围和步长,以a为基础值,利用步长迭代增加
a的数值,将增加后的数值记为增长参数,使获得的增长参数都在参数范围内,获得
若干个增长参数;将3个尺度参数分别与若干个增长参数相加,获得若干个高斯尺度参数;
然后,扩散区域在不同高斯尺度参数下对应的扩散系数,具体获取方法为:
,
其中,表示扩散区域在第k个高斯尺度参数下对应的扩散系数;表示扩散
区域中第个图像块与第n个邻域图像块的延伸方向夹角;表示扩散区域包含图像块的数
量,表示扩散区域中第个图像块在第k个高斯尺度参数下的区域延伸程度,表示正相关归一化函数。
进一步的,所述根据扩散系数之间的差异获得不同高斯尺度参数下对应的尺度权重系数,包括的具体步骤如下:
首先,由扩散区域在所有高斯尺度参数下的扩散系数,按照高斯尺度参数由小到
大的顺序,将对应的扩散系数进行排列,获得扩散系数序列,并利用后向差分计算方法,获
取扩散系数序列对应的后向差分序列,记为扩散系数差值序列;
然后,不同高斯尺度参数下尺度权重系数的获取方法为:
,
其中,表示第k个高斯尺度参数下的尺度权重系数,表示扩散系数差值序
列中第k个扩散系数差值,表示扩散系数差值序列中元素的数量。
进一步的,所述根据尺度权重系数获得粉尘监测灰度图像对应的光照分量,根据光照分量获得粉尘区域,包括的具体步骤如下:
首先,根据下尺度权重系数获得粉尘监测灰度图像对应的光照分量:
,
其中,表示粉尘监测灰度图像的光照分量;表示第k个高斯尺度参数下的尺
度权重系数;表示多尺度Retinex算法的反射分量;表示多尺度Retinex算法的高斯环绕
函数;表示卷积运算;
然后,根据获得的光照分量,利用PDE算法分离出粉尘区域。
进一步的,所述根据粉尘区域的灰度与实际粉尘浓度的映射关系,实现粉尘浓度在线智能监测,包括的具体步骤如下:
根据粉尘监测灰度图像中粉尘区域的灰度值与实际粉尘浓度之间的数学映射关系,获得实际粉尘浓度,并将粉尘浓度显示在粉尘浓度监控显示器上,实现粉尘浓度的在线可视化智能监测。
本发明的技术方案的有益效果是:能够利用粉尘对于局部区域灰度特征的延伸性影响与整体上区域的扩散性影响,将粉尘待测图像划分为扩散区域与不扩散区域,便于后续精准估计不同高斯卷积尺度的权重占比;能够利用不同高斯卷积尺度下扩散区域延伸方向范围与区域扩展程度的变化程度,量化得到扩散系数,并得出不同高斯卷积尺度的尺度权重系数,避免原有均匀加权忽略粉尘在不同尺度的影响程度不同。
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,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地介绍,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他的附图。
图1为本发明基于视频监控的粉尘在线监测方法的步骤流程图;
图2为粉尘监测灰度图像。
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视频监控的粉尘在线监测方法,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基于视频监控的粉尘在线监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于视频监控的粉尘在线监测方法的步骤流程图,该方法包括以下步骤:
步骤S001,通过视频监控设备采集连续帧图像,并对图像进行预处理。
通过视频监控设备获得连续帧的粉尘监测RGB图像,并对粉尘监测RGB图像进行灰度化处理,得到粉尘监测灰度图像,如图2所示。
步骤S002,利用滑动窗口中像素点灰度值差异进一步获得图像块的区域延伸程度,根据区域延伸程度获得多尺度高斯卷积下的扩散系数。
为了将粉尘监测灰度图像中的粉尘区域进行估计,并分离出来,需要根据粉尘监测灰度图像中局部区域的灰度变化特征获取尺度权重系数,以对多尺度Retinex算法的权重系数进行调整,获得粉尘监测灰度图像的光照分量与反射分量,并从光照分量中分离出粉尘区域。
因此,本实施例根据局部区域的灰度变化特征获取区域延伸程度,再根据区域延伸程度获得区域扩散程度,利用延伸方向夹角与区域延伸程度共同获得不同高斯卷积尺度下的扩散系数,获得尺度权重系数以及光照分量,最终从光照分量中分离出粉尘区域;
需要说明的是,根据多尺度Retinex理论,利用图像采集装置获取的粉尘监测灰度图像由反射分量和光照分量共同形成;
由于粉尘与白雾类似,根据多尺度Retinex理论粉尘通常存在于光照分量中,在获得的粉尘监测灰度图像中,粉尘区域往往从产生位置开始向周围扩散,即粉尘产生位置的浓度最高,像周围扩散的过程中,浓度之间降低,则在粉尘监测灰度图像中,对应的区域的灰度值呈由内向外递减的趋势,且梯度方向呈现发散状;
因此,利用粉尘监测灰度图像中局部区域的灰度变化特征,获得局部区域延伸程度,具体步骤如下:
步骤(1),预设大小为的矩形窗口,利用矩形窗口将粉尘监测灰度图像均
等划分为同样大小的区域,记为图像块,则获得若干个图像块;
需要说明的是,矩形窗口边长为根据经验预设的参数,可根据具体场景进行调
节,本实施例预设。
步骤(2),首先构建一个大小的滑动窗口,遍历任意图像块,获取滑动窗口
的中心位置像素点与8邻域各像素点之间灰度值差值,记为偏置量,获得8个对应的偏置
量;
然后,将由灰度值高的像素点指向灰度值低的像素点的角度作为像素点的偏置方
向,以竖直向上为初始方向,顺时针为正方向,在滑动窗口中的中心点指向8邻域像素点
取值为正,反之,则取值为负,若两个像素点无差异,则认为偏置方向为,由此,获得图
像块区域内所有像素点的8邻域偏置数对序列;
需要说明的是,利用滑动窗口获取位于滑动窗口中心的像素点,与8邻域的像素点之间的偏置量和偏置方向时,分别有8个对应的偏置量和偏置方向,每一个偏置量和偏置方向之间一一对应。
步骤(3),将任意图像块中频次最多的偏置方向记为对应图像块的延伸方向,则
由所有图像块的延伸方向组成延伸方向序列;另外获取频次最多的偏置方向对应偏置量
的平均值,记为图像块的平均偏置量;
另外,当图像块中像素点的偏置方向与所在图像块的延伸方向相同时,将图像块的延伸方向作为像素点的延伸方向,当图像块中像素点的偏置方向与所在图像块的延伸方向不同时,将像素点在8邻域中偏置量最大时,对应的偏置方向作为像素点的延伸方向。
需要说明的是,每个图像块和像素点的延伸方向唯一。
步骤(4),首先以像素点为直角坐标系的原点,获得对应的4个象限,将图像块的延伸方向以及延伸方向所在象限非对角的两侧象限中的延伸方向,记为置信延伸方向;
然后,构建与图像块大小相同的标签窗口,对每一个图像块进行遍历,当图像块中像素点的延伸方向与置信延伸方向一致时,将像素点的标签预设为1;反之,当图像块中像素点的延伸方向与置信延伸方向不一致时,将像素点的标签预设为0;则由标签窗口中所有像素点的标签构成一个对应的标签矩阵。
步骤(5),由于局部区域内像素点的延伸方向一致性程度越高,区域延伸程度越高;则任意图像块的区域延伸程度的获取方法为:
,
其中,表示图像块的区域延伸程度,表示标签矩阵,表示标签
矩阵中标签为1的像素点数量,表示图像块的平均偏置量,表示正相关归
一化函数。
粉尘监测灰度图像中含有若干个图像块,则获得若干个对应的区域延伸程度。
根据区域延伸特征获得的延伸方向与延伸程度,获取区域扩散程度,并进一步获得在多尺度的高斯卷积估计光照分量对应的扩散系数。
根据局部区域延伸方向变化量与延伸程度变化量获得粉尘监测灰度图像中区域的扩散程度,由于粉尘会由产生区域由内向外进行扩散,延伸方向变大,延伸程度变化量增大;
则所述区域扩散程度的具体获取过程为:
首先,从粉尘监测灰度图像左下角开始遍历全部图像块,获取任意图像块与对应8
邻域的图像块之间延伸方向的夹角,任意图像块对应8个延伸方向夹角,则由所有延伸
方向夹角形成对应的延伸方向夹角序列,一个图像块对应一个延伸方向夹角序列。
然后,根据图像块之间的延伸方向夹角,将图像块进行划分,具体划分过程为:
若图像块之间的延伸方向夹角,则认为两个图像块之间的延伸方向接
近,与粉尘扩散的特征相对应,将所有相邻图像块的延伸方向夹角所形成的区域
记为扩散区域,扩散区域包含若干个图像块;
若图像块之间的延伸方向夹角,则认为两个图像块之间的延伸方向不接
近,不归为扩散区域。
最后,随着高斯环绕函数的尺度因子的取值改变,分别获得不同尺度下的区域
延伸程度与区域扩展程度,计算不同尺度下的扩散系数:
高斯环绕函数的尺度因子一般取3个尺度参数的经验值,记为
经验尺度参数;预设参数范围和步长,以a为基础值,利用步长迭代增加a的数值,
将增加后的数值记为增长参数,使获得的增长参数都在参数范围内,获得若干个增
长参数;将3个尺度参数分别与若干个增长参数相加,获得若干个高斯尺度参数;本实施例
预设参数范围,步长;
需要说明的是,预设的参数范围与步长都可由实施者根据具体情况进行设定,本实施例不对其进行限定。
扩散区域内的延伸方向夹角越大,区域延伸程度越高,对应高斯尺度下,光照分量的扩散系数越大;另外,结合多尺度Retinex算法,利用高斯尺度参数对粉尘监测灰度图像进行高斯滤波时,粉尘监测灰度图像中存在像素点的灰度值发生变化的情况,因此图像块在不同高斯尺度参数下,对应不同的区域延伸程度;
因此,扩散区域在不同高斯尺度参数下对应的扩散系数,具体获取方法为:
,
其中,表示扩散区域在第k个高斯尺度参数下对应的扩散系数;表示扩散
区域中第个图像块与第n个邻域图像块的延伸方向夹角;表示扩散区域包含图像块的数
量,表示扩散区域中第个图像块在第k个高斯尺度参数下的区域延伸程度,表示正相关归一化函数。
至此,获得扩散区域在不同高斯尺度参数下对应的扩散系数。
步骤S003,根据扩散系数获得尺度权重系数以及光照分量,并根据光照分量获取粉尘区域。
根据扩散系数在每一个高斯卷积尺度对应的尺度权重系数,对多尺度Retinex算法的权重系数进行调整,动态调节多尺度Retinex算法的增强效果,获得光照分量和反射分量。
不同尺度下的高斯卷积会得到不同尺度的特征图像,对于本实施例采用的方法即是不同尺度下的光照分量组成部分,利用扩散系数获取尺度权重系数,调整不同尺度光照分量的权重。
由扩散区域在所有高斯尺度参数下的扩散系数,按照高斯尺度参数由小到大的顺
序,将对应的扩散系数进行排列,获得扩散系数序列,并利用后向差分计算方法,获取扩散
系数序列对应的后向差分序列,记为扩散系数差值序列;
由于高斯模糊的尺度越大,扩散系数越大,因此扩散系数差值恒为正数,表明高斯尺度扩大时扩散系数的变化程度,即是后一项对应的高斯尺度的扩散影响程度,可由此计算当前高斯尺度的尺度权重系数。
需要说明的是,序列的后向差分计算方法为现有技术,本实施例不过多赘述。
步骤(1),不同高斯尺度参数下尺度权重系数的获取方法为:
,
其中,表示第k个高斯尺度参数下的尺度权重系数,表示扩散系数差值序
列中第k个扩散系数差值,表示扩散系数差值序列中元素的数量。
则根据下尺度权重系数获得粉尘监测灰度图像对应的光照分量:
,
其中,表示粉尘监测灰度图像的光照分量;表示第k个高斯尺度参数下的尺
度权重系数;表示粉尘监测灰度图像的反射分量;表示多尺度Retinex算法的高斯环绕
函数;表示卷积运算;
结合多尺度Retinex算法,利用粉尘监测灰度图像对应的光照分量获取方法获得光照分量;
步骤(2),根据获得的光照分量,利用PDE算法分离出粉尘区域。
获得的光照分量经过扩散系数的调整,使得粉尘区域与理论均匀光照部分组成调整后的光照分量,利用PDE算法求解偏微分方程,以不扩散区域的灰度变化特征估计局部理论均匀光照,并与扩散系数作为局部特征,获得粉尘区域。
需要说明的是,PDE算法为现有算法,本实施例具体不过多赘述。
步骤S004,根据粉尘区域实现对粉尘浓度实时智能监测。
根据步骤S001、步骤S002以及步骤S003,获得连续帧粉尘监测灰度图像的粉尘区域分离结果,以区域内灰度值分布模拟粉尘的空间分布,根据图像中的灰度值与实际粉尘浓度之间的数学映射关系,根据粉尘监测灰度图像中的粉尘区域,获得实际粉尘浓度,并将粉尘浓度显示在粉尘浓度监控显示器上,实现粉尘浓度的在线可视化智能监测;
并可根据生产车间的粉尘含量规定限制,当监测的粉尘浓度超过限定浓度时进行预警,保障生产工作的安全顺利进行。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (8)
1.基于视频监控的粉尘在线监测方法,其特征在于,该方法包括以下步骤:
获取粉尘监测灰度图像;
分别预设矩形窗口和滑动窗口大小,将粉尘监测灰度图像进行划分获得若干个图像块,根据滑动窗口中像素点之间的灰度差异,获得像素点的偏置量以及偏置方向;根据图像块中偏置方向的数量获得平均偏置量以及图像块的延伸方向,根据像素点的偏置方向与图像块的延伸方向之间的关系获得像素点的延伸方向;根据像素点的延伸方向获得图像块的区域延伸程度;根据图像块之间的延伸方向的夹角,记为延伸方向夹角,获得扩散区域;根据预设的高斯尺度参数、图像块之间的延伸方向夹角以及图像块的区域延伸程度融合结果,获得扩散区域的若干个扩散系数;
根据扩散系数之间的差异获得不同高斯尺度参数下对应的尺度权重系数,根据尺度权重系数获得粉尘监测灰度图像对应的光照分量,根据光照分量获得粉尘区域;
根据粉尘区域的灰度与实际粉尘浓度的映射关系,实现粉尘浓度在线智能监测;
所述根据扩散系数之间的差异获得不同高斯尺度参数下对应的尺度权重系数,包括的具体步骤如下:
首先,由扩散区域在所有高斯尺度参数下的扩散系数,按照高斯尺度参数由小到大的顺序,将对应的扩散系数进行排列,获得扩散系数序列,并利用后向差分计算方法,获取扩散系数序列对应的后向差分序列,记为扩散系数差值序列;
然后,不同高斯尺度参数下尺度权重系数的获取方法为:
其中,表示第k个高斯尺度参数下的尺度权重系数,/>表示扩散系数差值序列中第k个扩散系数差值,/>表示扩散系数差值序列中元素的数量。
2.根据权利要求1所述基于视频监控的粉尘在线监测方法,其特征在于,所述将粉尘监测灰度图像进行划分获得若干个图像块,根据滑动窗口中像素点之间的灰度差异,获得像素点的偏置量以及偏置方向,包括的具体步骤如下:
首先,预设大小为的矩形窗口,利用矩形窗口将粉尘监测灰度图像均等划分为同样大小的区域,记为图像块,则获得若干个图像块;
然后,构建一个大小的滑动窗口,遍历任意图像块,获取滑动窗口的中心位置像素点与8邻域各像素点之间灰度值差值,记为偏置量/>,获得8个对应的偏置量;
其次,将由灰度值高的像素点指向灰度值低的像素点的角度作为像素点的偏置方向,以竖直向上为初始方向,顺时针为正方向,在滑动窗口中的中心点指向8邻域像素点取值为正,反之,则取值为负,若两个像素点无差异,则认为偏置方向为/>,获得图像块中像素点对应的8个偏置方向。
3.根据权利要求1所述基于视频监控的粉尘在线监测方法,其特征在于,所述根据图像块中偏置方向的数量获得平均偏置量以及图像块的延伸方向,根据像素点的偏置方向与图像块的延伸方向之间的关系获得像素点的延伸方向,包括的具体步骤如下:
首先,将任意图像块中频次最多的偏置方向记为对应图像块的延伸方向;获取频次最多的偏置方向对应偏置量的平均值,记为图像块的平均偏置量;
然后,当图像块中像素点的偏置方向与所在图像块的延伸方向相同时,将图像块的延伸方向作为像素点的延伸方向;当图像块中像素点的偏置方向与所在图像块的延伸方向不同时,将像素点在8邻域中偏置量最大时,像素点对应的偏置方向作为像素点的延伸方向。
4.根据权利要求1所述基于视频监控的粉尘在线监测方法,其特征在于,所述根据像素点的延伸方向获得图像块的区域延伸程度,包括的具体步骤如下:
首先,以像素点为直角坐标系的原点,获得对应的4个象限,将图像块的延伸方向以及延伸方向所在象限非对角的两侧象限中的延伸方向,记为置信延伸方向;
然后,构建与图像块大小相同的标签窗口,对每一个图像块进行遍历,当图像块中像素点的延伸方向与置信延伸方向一致时,将像素点的标签预设为1;反之,当图像块中像素点的延伸方向与置信延伸方向不一致时,将像素点的标签预设为0;则由标签窗口中所有像素点的标签构成一个对应的标签矩阵;
最后,任意图像块的区域延伸程度的获取方法为:
其中,表示图像块的区域延伸程度,/>表示标签矩阵,/>表示标签矩阵中标签为1的像素点数量,/>表示图像块的平均偏置量,/>表示正相关归一化函数。
5.根据权利要求1所述基于视频监控的粉尘在线监测方法,其特征在于,所述根据图像块之间的延伸方向的夹角,记为延伸方向夹角,获得扩散区域,包括的具体步骤如下:
首先,从粉尘监测灰度图像左下角开始遍历全部图像块,获取任意图像块与对应8邻域的图像块之间延伸方向的夹角,记为延伸方向夹角;
然后,若图像块之间的延伸方向夹角,则认为两个图像块之间的延伸方向接近,与粉尘扩散的特征相对应,将所有相邻图像块的延伸方向夹角/>所形成的区域记为扩散区域,扩散区域包含若干个图像块;若图像块之间的延伸方向夹角/>,则认为两个图像块之间的延伸方向不接近,不归为扩散区域。
6.根据权利要求1所述基于视频监控的粉尘在线监测方法,其特征在于,所述根据预设的高斯尺度参数、图像块之间的延伸方向夹角以及图像块的区域延伸程度融合结果,获得扩散区域的若干个扩散系数,包括的具体步骤如下:
首先,预设多尺度Retinex算法高斯环绕函数的高斯尺度参数分别为15、80以及200,记为经验尺度参数;预设参数范围和步长/>,以a为基础值,利用步长/>迭代增加a的数值,将增加后的数值记为增长参数,使获得的增长参数都在参数范围/>内,获得若干个增长参数;将3个尺度参数分别与若干个增长参数相加,获得若干个高斯尺度参数;
然后,扩散区域在不同高斯尺度参数下对应的扩散系数,具体获取方法为:
其中,表示扩散区域在第k个高斯尺度参数下对应的扩散系数;/>表示扩散区域中第/>个图像块与第n个邻域图像块的延伸方向夹角;/>表示扩散区域包含图像块的数量,表示扩散区域中第/>个图像块在第k个高斯尺度参数下的区域延伸程度,表示正相关归一化函数。
7.根据权利要求1所述基于视频监控的粉尘在线监测方法,其特征在于,所述根据尺度权重系数获得粉尘监测灰度图像对应的光照分量,根据光照分量获得粉尘区域,包括的具体步骤如下:
首先,根据下尺度权重系数获得粉尘监测灰度图像对应的光照分量:
其中,表示粉尘监测灰度图像的光照分量;/>表示第k个高斯尺度参数下的尺度权重系数;/>表示多尺度Retinex算法的反射分量;/>表示多尺度Retinex算法的高斯环绕函数;表示卷积运算;
然后,根据获得的光照分量,利用PDE算法分离出粉尘区域。
8.根据权利要求1所述基于视频监控的粉尘在线监测方法,其特征在于,所述根据粉尘区域的灰度与实际粉尘浓度的映射关系,实现粉尘浓度在线智能监测,包括的具体步骤如下:
根据粉尘监测灰度图像中粉尘区域的灰度值与实际粉尘浓度之间的数学映射关系,获得实际粉尘浓度,并将粉尘浓度显示在粉尘浓度监控显示器上,实现粉尘浓度的在线可视化智能监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842557.9A CN116563799B (zh) | 2023-07-11 | 2023-07-11 | 基于视频监控的粉尘在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842557.9A CN116563799B (zh) | 2023-07-11 | 2023-07-11 | 基于视频监控的粉尘在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563799A CN116563799A (zh) | 2023-08-08 |
CN116563799B true CN116563799B (zh) | 2023-09-22 |
Family
ID=87503953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310842557.9A Active CN116563799B (zh) | 2023-07-11 | 2023-07-11 | 基于视频监控的粉尘在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563799B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894951B (zh) * | 2023-09-11 | 2023-12-08 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种基于图像处理的珠宝在线监测方法 |
CN117115753B (zh) * | 2023-10-23 | 2024-02-02 | 辽宁地恩瑞科技有限公司 | 一种膨润土自动化磨粉监测系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009103580A (ja) * | 2007-10-23 | 2009-05-14 | Nippon Steel Corp | 粉塵の大気中拡散シミュレーション装置、方法及びプログラム |
CN110675443A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的煤块面积检测方法 |
CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
AU2020104021A4 (en) * | 2020-12-11 | 2021-02-18 | Sichuan University of Science and Engineering | Improved Retinex Image Enhancement Algorithm for Explicit Expression of Multi-scale and Histogram Truncation |
CN113012179A (zh) * | 2019-12-19 | 2021-06-22 | 李韵涵 | 煤矿井下防爆检测用煤粉尘图像识别方法 |
CN114387273A (zh) * | 2022-03-24 | 2022-04-22 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
CN115240105A (zh) * | 2022-07-11 | 2022-10-25 | 湖南联合智为信息技术有限公司 | 基于图像识别的扬尘监测方法及相关设备 |
CN115487959A (zh) * | 2022-11-16 | 2022-12-20 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种用于煤矿钻进钻机喷雾智能调控方法 |
CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
CN115841434A (zh) * | 2023-02-21 | 2023-03-24 | 深圳市特安电子有限公司 | 一种用于气体浓度分析的红外图像增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7310450B2 (en) * | 2003-09-30 | 2007-12-18 | Fotonation Vision Limited | Method of detecting and correcting dust in digital images based on aura and shadow region analysis |
-
2023
- 2023-07-11 CN CN202310842557.9A patent/CN116563799B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009103580A (ja) * | 2007-10-23 | 2009-05-14 | Nippon Steel Corp | 粉塵の大気中拡散シミュレーション装置、方法及びプログラム |
CN110675443A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的煤块面积检测方法 |
CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
CN113012179A (zh) * | 2019-12-19 | 2021-06-22 | 李韵涵 | 煤矿井下防爆检测用煤粉尘图像识别方法 |
AU2020104021A4 (en) * | 2020-12-11 | 2021-02-18 | Sichuan University of Science and Engineering | Improved Retinex Image Enhancement Algorithm for Explicit Expression of Multi-scale and Histogram Truncation |
CN114387273A (zh) * | 2022-03-24 | 2022-04-22 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
CN115240105A (zh) * | 2022-07-11 | 2022-10-25 | 湖南联合智为信息技术有限公司 | 基于图像识别的扬尘监测方法及相关设备 |
CN115487959A (zh) * | 2022-11-16 | 2022-12-20 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种用于煤矿钻进钻机喷雾智能调控方法 |
CN115841434A (zh) * | 2023-02-21 | 2023-03-24 | 深圳市特安电子有限公司 | 一种用于气体浓度分析的红外图像增强方法 |
CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
Non-Patent Citations (5)
Title |
---|
Adaptive multi-scale retinex algorithm for contrast enhancement of real world scenes;RobinsonWing J等;International Conference on Signal-Image Technology & Internet-Based Systems;全文 * |
Dust Monitoring System Based on Video Image Processing;Yi Chu等;Electrical, Information Engineering and Mechatronics;全文 * |
Retinex算法在煤矿井下图像增强的应用研究;乔佳伟,等;煤炭技术;全文 * |
受限空间煤粒瓦斯吸附扩散特性及模型适配差异分析;赵伟;王亮;陈向军;潘荣锟;;煤炭科学技术(第09期);全文 * |
基于多尺度Retinex的图像增强算法;彭佳琦;刘秉琦;董伟;华文深;王金玉;王运波;;激光与红外(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563799A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116563799B (zh) | 基于视频监控的粉尘在线监测方法 | |
CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法 | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN116205823B (zh) | 一种基于空域滤波的超声影像去噪方法 | |
CN105682310B (zh) | 基于图像质量控制的组合照明装置及方法 | |
CN108765336A (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN106952280B (zh) | 一种基于计算机视觉的喷枪喷漆量均匀度检测方法 | |
CN116645429B (zh) | 一种视觉辅助的涂料生产样品色彩分析检测方法 | |
CN103702116B (zh) | 一种图像的宽动态压缩方法和装置 | |
CN109584185A (zh) | 图像处理方法 | |
CN109118442B (zh) | 一种基于Sobel算子滤波的图像增强方法 | |
CN107203980B (zh) | 自适应多尺度暗通道先验的水下目标探测图像增强方法 | |
CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
Sihotang | Implementation of Gray Level Transformation Method for Sharping 2D Images | |
CN109028237A (zh) | 基于双区域图像采集进行风速调节的油烟机 | |
CN115641767A (zh) | 无人艇感知实验平台装置 | |
Liu et al. | Single image haze removal via depth-based contrast stretching transform | |
CN115082427A (zh) | 基于人工智能的铝材压延工艺参数控制方法 | |
CN112862721B (zh) | 基于暗通道与Retinex的地下管道图像去雾方法 | |
CN109636785A (zh) | 一种识别金刚砂颗粒的视觉处理方法 | |
Wu et al. | Experimental analysis of image dehazing algorithms for pelletization process 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |