CN116958139A - 一种高级氧化智能监测方法 - Google Patents
一种高级氧化智能监测方法 Download PDFInfo
- Publication number
- CN116958139A CN116958139A CN202311210939.6A CN202311210939A CN116958139A CN 116958139 A CN116958139 A CN 116958139A CN 202311210939 A CN202311210939 A CN 202311210939A CN 116958139 A CN116958139 A CN 116958139A
- Authority
- CN
- China
- Prior art keywords
- oxidation
- pixel point
- oxidation reaction
- point
- pixel
- 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
- 238000007254 oxidation reaction Methods 0.000 title claims abstract description 495
- 230000003647 oxidation Effects 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000002360 preparation method Methods 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 description 22
- SZVJSHCCFOBDDC-UHFFFAOYSA-N ferrosoferric oxide Chemical compound O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 description 19
- 230000000694 effects Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- NCNCGGDMXMBVIA-UHFFFAOYSA-L iron(ii) hydroxide Chemical compound [OH-].[OH-].[Fe+2] NCNCGGDMXMBVIA-UHFFFAOYSA-L 0.000 description 8
- 229960004887 ferric hydroxide Drugs 0.000 description 7
- IEECXTSVVFWGSE-UHFFFAOYSA-M iron(3+);oxygen(2-);hydroxide Chemical compound [OH-].[O-2].[Fe+3] IEECXTSVVFWGSE-UHFFFAOYSA-M 0.000 description 7
- 230000003247 decreasing effect Effects 0.000 description 6
- 239000002244 precipitate Substances 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 229910021506 iron(II) hydroxide Inorganic materials 0.000 description 5
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 3
- 229910001448 ferrous ion Inorganic materials 0.000 description 3
- 235000014413 iron hydroxide Nutrition 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000002848 electrochemical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007062 hydrolysis Effects 0.000 description 2
- 238000006460 hydrolysis reaction Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 229910021645 metal ion Inorganic materials 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- VTLYFUHAOXGGBS-UHFFFAOYSA-N Fe3+ Chemical compound [Fe+3] VTLYFUHAOXGGBS-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 229910001447 ferric ion Inorganic materials 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003301 hydrolyzing effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N iron oxide Inorganic materials [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229910052592 oxide mineral Inorganic materials 0.000 description 1
- NDLPOXTZKUMGOV-UHFFFAOYSA-N oxo(oxoferriooxy)iron hydrate Chemical compound O.O=[Fe]O[Fe]=O NDLPOXTZKUMGOV-UHFFFAOYSA-N 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种高级氧化智能监测方法,包括:获取待监测氧化物制备过程中氧化反应的监测图像的灰度图像;构建灰度图像中每个像素点的像素窗口,并根据像素窗口中各个角点的位置,确定灰度图像中的各个目标像素点及其对应像素窗口中的疑似氧化反应区域和各个氧化反应点,进而确定灰度图像中每个像素点的氧化显著指数;根据灰度图像中每个像素点的位置和氧化显著指数以及疑似氧化反应区域,对灰度图像增强处理过程中每个像素点的隶属度进行更新,从而得到增强灰度图像;对增强灰度图像进行图像分割,得到氧化监测结果。本发明可实现氧化过程中监测图像的有效增强,提高了氧化反应监测结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种高级氧化智能监测方法。
背景技术
四氧化三铁又称为磁性氧化铁,可以用作多功能的磁性材料,且又由于其具有耐腐蚀性,优良导电性和较高的硬度,在当代电气化和信息化社会中的应用十分广泛。目前,四氧化三铁主要使用的原位制备方法为氧化过程较为安全的高级氧化技术,即首先通过电化学方法,电解阳极在电流通过时发生氧化反应,金属离子自发水解,并形成铁氢氧化物,而后通过紫外光的照射,将部分铁还原形成四氧化三铁矿物。
在制备四氧化三铁的过程中,由于需要实时了解氧化反应的情况,从而严格控制氧化反应条件,因此需要对四氧化三铁制备过程中的氧化反应过程进行监测。随着计算机视觉技术的快速发展,可以通过相关设备对氧化反应过程中的反应溶液进行拍摄,并对拍摄图像进行相应的图像处理,确定图像中的氧化反应区域,从而实现氧化反应过程的智能监测。后续通过对氧化反应区域进行分析,可以实时了解氧化反应的程度情况,从而实现氧化反应条件的严格控制。
现有为了准确确定图像中的氧化反应区域,往往需要先对图像进行图像增强处理,以增强图像中氧化反应区域与其他区域的对比度。传统的图像增强算法通常不会考虑图像的模糊性,而只是简单地对整个图像进行去噪处理或者是提高对比度,因而无法实现图像中模糊现象的针对性处理。Pal-King算法可有效的针对图像中的模糊现象进行处理,在抑制噪声的同时,也较好的保留了图像的细节部分。但是考虑到在制备四氧化三铁的氧化反应过程中,电极附近存在多种离子参与化学反应,亚铁离子的氧化过程以及水解过程会同时进行,导致图像中的铁的氢氧化物会聚集生成,此时直接采用Pal-King算法对图像进行增强处理时,由于仅仅是基于图像中像素点的灰度值进行计算,而在图像区域产生渐变现象时,单一的灰度值特征无法准确反映图像中不同区域的特征,从而导致所计算出来的像素点的隶属度不够精确,最终导致图像增强的效果相对较差,进而无法准确分割出氧化反应区域,最终影响四氧化三铁制备过程中氧化反应过程的监测准确性。
发明内容
本发明的目的在于提供一种高级氧化智能监测方法,用于解决现有对图像的增强效果较差,从而导致四氧化三铁制备过程中氧化反应的监测准确性较低的问题。
为解决上述技术问题,本发明提供了一种高级氧化智能监测方法,包括以下步骤:
获取待监测氧化物制备过程中氧化反应的监测图像,进而获取所述监测图像对应的灰度图像;
对所述灰度图像进行角点检测,获取所述灰度图像中的各个角点,构建所述灰度图像中每个像素点对应的像素窗口,并根据所述像素窗口中各个角点的位置,确定所述灰度图像中的各个目标像素点及其对应像素窗口中的疑似氧化反应区域和各个氧化反应点;
根据所述目标像素点对应的像素窗口中各个氧化反应点和各个角点的位置分布,确定所述目标像素点对应的氧化信息显著因子以及所述目标像素点对应的像素窗口中的各条氧化反应路径;
根据所述目标像素点对应的像素窗口中的各条氧化反应路径上像素点的灰度值分布和位置分布,确定所述目标像素点对应的氧化强度指标;
根据所述目标像素点对应的氧化信息显著因子和氧化强度指标,确定所述灰度图像中每个像素点对应的氧化显著强度,并根据所述灰度图像中每个像素点及其周围各个像素点对应的氧化显著强度的差异,确定所述灰度图像中每个像素点的氧化显著指数;
对所述灰度图像进行图像增强处理,获取增强灰度图像,在图像增强处理过程中,获取所述灰度图像中每个像素点的隶属度,并根据所述灰度图像中每个像素点的位置和氧化显著指数以及所述疑似氧化反应区域,对所述隶属度进行更新;
对所述增强灰度图像进行图像分割,从而得到氧化监测结果。
进一步的,确定所述灰度图像中的各个目标像素点及其对应像素窗口中的疑似氧化反应区域和各个氧化反应点,包括:
在所述灰度图像中每个像素点对应的像素窗口中获取设定数目个大小相等的子区域,若设定数目个子区域中角点的数目均不小于第一数目,则将对应的像素点确定为所述灰度图像中的目标像素点;
获取所述目标像素点对应的像素窗口的各个边界点以及所述目标像素点对应的每个子区域中的顶点,确定所述每个子区域中的每个角点到其所在子区域中的顶点的距离,从而得到第一距离,确定所述每个子区域中的每个角点到其所在像素窗口的各个边界点的距离中的最小值,从而得到第二距离;
确定所述每个子区域中的每个角点对应的第一距离和第二距离的平均值,从而得到所述每个子区域中的每个角点对应的窗口边界距离,并将所述每个子区域中窗口边界距离较小的第二数目个角点确定为对应像素窗口中的氧化反应点,所述第二数目小于所述第一数目;
将所述目标像素点对应的像素窗口中的各个氧化反应点所围成的区域,确定为对应像素窗口中的疑似氧化反应区域。
进一步的,确定所述目标像素点对应的氧化信息显著因子,包括:
确定所述目标像素点对应的像素窗口中每个氧化反应点到该像素窗口中除了氧化反应点外的其他角点的距离的平均值,从而得到每个氧化反应点对应的氧化反应距离;
确定所述目标像素点对应的像素窗口中各个氧化反应点对应的氧化反应距离的平均值,从而得到所述目标像素点对应的氧化反应距离均值;
根据所述目标像素点对应的像素窗口中各个角点的总数目以及所述目标像素点对应的氧化反应距离均值,确定所述目标像素点对应的氧化信息显著因子,所述各个角点的总数目和氧化反应距离均值均与所述氧化信息显著因子成正相关关系。
进一步的,确定所述目标像素点对应的像素窗口中的各条氧化反应路径,包括:
将所述目标像素点对应的像素窗口中靠近氧化反应溶液上方的子区域确定为目标子区域,将所述目标像素点对应的像素窗口中靠近氧化反应溶液下方的子区域确定为非目标子区域,并确定所述目标子区域中的每个氧化反应点与所述非目标子区域中除了氧化反应点外的其他角点之间的连线,并将所述连线确定为所述目标像素点对应的像素窗口中的氧化反应路径。
进一步的,确定所述目标像素点对应的氧化强度指标,包括:
以所述目标像素点对应的像素窗口中的每条氧化反应路径对应的氧化反应点为起始点,沿着所述氧化反应路径的方向,依次判断所述氧化反应路径上后一个像素点的灰度值是否小于前一个像素点的灰度值,直至后一个像素点的灰度值不小于前一个像素点的灰度值;
当每次判断出后一个像素点的灰度值小于前一个像素点的灰度值时,将后一个像素点与前一个像素点之间的灰度值的差值绝对值确定为灰度值差异,并将后一个像素点与前一个像素点之间的距离值确定为参考距离;
根据每条氧化反应路径上的像素点总数目、灰度值差异、参考距离以及所确定的后一个像素点的灰度值小于前一个像素点的灰度值的次数,确定每条氧化反应路径的氧化反应强度;
计算所述目标像素点对应的像素窗口中的每条氧化反应路径的氧化反应强度的平均值,从而得到所述目标像素点对应的氧化强度指标。
进一步的,确定每条氧化反应路径的氧化反应强度,对应的计算公式为:
其中, 表示每个目标像素点对应的像素窗口中的第m条氧化反应路径的氧
化反应强度; K表示所述第m条氧化反应路径上所确定的后一个像素点的灰度值小于前一
个像素点的灰度值的次数; SGD 表示所述第m条氧化反应路径上的灰度值差异的累加和;
J表示所述第m条氧化反应路径上的像素点总数目; G表示所述第m条氧化反应路径上的参
考距离的累加和; 表示调整参数值。
进一步的,确定所述灰度图像中每个像素点的氧化显著指数,包括:
确定所述灰度图像中每个像素点的任意一个设定方向上设定步长内的每相邻两个像素点的氧化显著指数的差值绝对值,从而得到所述灰度图像中每个像素点的任意一个设定方向上的各个氧化显著强度指数梯度变化值;
获取所述灰度图像中每个像素点的各个设定方向对应的权重因子,根据所述权重因子,对所述灰度图像中每个像素点对应的各个氧化显著强度指数梯度变化值进行加权求和,并将加权求和的平均值的归一化结果确定为所述灰度图像中每个像素点的氧化显著指数。
进一步的,对所述隶属度进行更新,包括:
判断所述灰度图像中每个像素点的位置是否位于所述疑似氧化反应区域内,若位于所述疑似氧化反应区域内,则根据该像素点的氧化显著指数,增大该像素点的隶属度,该像素点的氧化显著指数的取值越大,对应隶属度的增大幅度越大;
在对所述灰度图像中的所有像素点判断完成后,对所述灰度图像中所有像素点的隶属度进行归一化,从而得到所述灰度图像中所有像素点的更新后的隶属度。
进一步的,确定所述灰度图像中每个像素点的氧化显著强度,包括:
将所述灰度图像中所述目标像素点对应的氧化信息显著因子和氧化强度指标的乘积值,确定为所述目标像素点的氧化显著强度,并将所述灰度图像中除了所述目标像素点之外的其他像素点的氧化显著强度设置为设定氧化显著强度。
进一步的,采用Pal-king算法对所述灰度图像进行图像增强处理。
本发明具有如下有益效果:通过获取待监测氧化物制备过程中氧化反应的高光谱监测图像的灰度图像,并对该灰度图像中每个像素点对应的像素窗口中角点的分布情况进行分析,确定灰度图像中可能位于氧化反应区域中的目标像素点、该目标像素点对应的像素窗口中的发生氧化反应的氧化反应点以及所对应的疑似氧化反应区域。由于当像素窗口内与周围像素点灰度差异较大的角点就越多且角点分布越分散时,说明该像素窗口内的氧化反应特征就越显著,因此通过对目标像素点对应的像素窗口中各个氧化反应点和各个角点的位置分布进行分析,以对像素窗口中的氧化反应特征显著情况进行衡量,从而确定目标像素点对应的氧化信息显著因子。由于氧化反应过程中生成物的颜色和密度特征,自上而下路径上的灰度值变化能够反映氧化反应的剧烈程度,因此确定目标像素点对应的像素窗口中的各条氧化反应路径,并对各条氧化反应路径上像素点的灰度值分布和位置分布进行特征分析,以对像素窗口中的氧化反应剧烈程度进行衡量,从而可以确定目标像素点对应的氧化强度指标。综合考虑目标像素点对应像素窗口中的氧化反应特征和氧化反应剧烈程度,确定灰度图像中每个像素点对应的氧化显著强度,并通过比较每个像素点与其周围像素点之间的氧化显著强度变化情况,确定灰度图像中每个像素点的氧化显著指数,并利用该氧化显著指数对灰度图像增强处理过程中每个像素点的隶属度进行更新,从而得到增强灰度图像,进而最终得到氧化监测结果。由于本发明通过构建灰度图像中每个像素点的氧化显著指数,可以准确识别出图像中的氧化特征,并利用该氧化显著指数对灰度图像增强处理过程中每个像素点的隶属度进行更新,最终实现氧化过程中监测图像的有效增强,再使用图像分割算法将增强图像中的疑似氧化反应区域进行精确划分,从而得到更加准确的氧化反应监测结果,便于后续更好的对四氧化三铁制备过程中的氧化反应过程进行精确分析。
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为本发明实施例的高级氧化智能监测方法的流程图;
图2为本发明实施例的像素窗口中的各个子区域的示意图。
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技术方案的具体实施方式、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。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
高级氧化智能监测方法实施例:
本实施例提供了一种高级氧化智能监测方法,该方法对应的流程图如图1所示,包括以下步骤:
步骤S1:获取待监测氧化物制备过程中氧化反应的监测图像,进而获取所述监测图像对应的灰度图像。
在制备四氧化三铁的过程中,通过电化学方法,金属离子被电离发生氧化反应,进而水解产生沉淀。在此过程中,会有各种反应物参与反应:亚铁离子水解产生氢氧化亚铁沉淀;铁离子水解产生氢氧化铁沉淀;氢氧化亚铁氧化为氢氧化铁。为了实现四氧化三铁制备过程中氧化反应过程的准确监测,考虑到高光谱图像与传统的图像相比,能够提供更详细的物质识别能力以及更加丰富的空间信息,因此在四氧化三铁制备过程中氧化反应过程中,利用分光式高光谱相机在反应容器的一侧对透明反应容器中的阳电极附近反应溶液进行高光谱图像采集,从而得到四氧化三铁制备过程中氧化反应的监测图像,此时该监测图像为侧视图像。采集阳电极附近反应溶液处的图像是为了针对阳电极处产生的氧化反应进行针对分析,从而更好的反映氧化过程中的变化,以实现氧化反应过程的可靠监测。
对采集到的监测图像也就是高光谱图像进行预处理去噪,得到预处理去噪后的高光谱图像。本实施例是采用自适应滤波器对高光谱图像进行预处理去噪,实施者可根据反应溶液中的氧化过程实际情况使用其他方式进行图像预处理去噪。为了对高光谱图像中的特征进行识别,并生成对应的RGB图像,使用最大类响应算法(Maximum Class ResponseAlgorithm,MCR)确定预处理去噪后的高光谱图像中不同光谱波段对应的响应值,并将最大响应值、次大响应值和最小响应值对应的光谱波段分别映射到红通道、绿通道和蓝通道,从而生成假彩色图像,并将生成的假彩色图像转化为灰度图像,用于后续分析处理。当然,也可以采用现有技术中的其他方式来对高光谱图像中的特征进行识别,并生成对应的RGB图像。
步骤S2:对所述灰度图像进行角点检测,获取所述灰度图像中的各个角点,构建所述灰度图像中每个像素点对应的像素窗口,并根据所述像素窗口中各个角点的位置,确定所述灰度图像中的各个目标像素点及其对应像素窗口中的疑似氧化反应区域和各个氧化反应点。
在上述步骤中,已经获得电极附近反应溶液的假彩色图像转化之后的灰度图像,由于假彩色图像是通过高光谱图像的不同波段映射到红、绿、蓝三个通道进行合成,若真彩色图像中的颜色较深时,代表颜色的通道数值会增加,对应的会导致假彩色图像中的像素点的灰度值随之增大。反应溶液中的氧化反应越剧烈,图像中对应的区域中灰度值突变的像素点越多,灰度梯度变化大的像素点越多,较大灰度均值的区域面积越大。反之,反应溶液中的氧化反应越温和,图像中对应区域中灰度值突变的像素点越少,灰度梯度变化大的像素点越少,较大灰度均值的区域面积越小。可根据这些特征对获得的灰度图像进行分析,构建灰度图像中每个像素点的氧化显著指数,对Pal-King算法中的隶属度进行改进,从而提高图像增强的效果,以实现氧化反应过程的可靠监测。
为了构建灰度图像中每个像素点的氧化显著指数,利用Harris角点检测算法获得假彩色图像对应的灰度图像中的各个角点。然后基于灰度图像中的每个像素点构建像素窗口,即以灰度图像中的每个像素点为中心,构建设定尺寸的形状为矩形的像素窗口。像素窗口的大小可以根据需要进行设置,本实施例设置该像素窗口的大小为7*7。对于灰度图像中每个像素点对应的像素窗口,根据该像素窗口中各个角点的位置分布情况,可以确定该灰度图像中的各个目标像素点及其对应像素窗口中的疑似氧化反应区域和各个氧化反应点,实现步骤包括:
在所述灰度图像中每个像素点对应的像素窗口中获取设定数目个大小相等的子区域,若设定数目个子区域中角点的数目均不小于第一数目,则将对应的像素点确定为所述灰度图像中的目标像素点;
获取所述目标像素点对应的像素窗口的各个边界点以及所述目标像素点对应的每个子区域中的顶点,确定所述每个子区域中的每个角点到其所在子区域中的顶点的距离,从而得到第一距离,确定所述每个子区域中的每个角点到其所在像素窗口的各个边界点的距离中的最小值,从而得到第二距离;
确定所述每个子区域中的每个角点对应的第一距离和第二距离的平均值,从而得到所述每个子区域中的每个角点对应的窗口边界距离,并将所述每个子区域中窗口边界距离较小的第二数目个角点确定为对应像素窗口中的氧化反应点,所述第二数目小于所述第一数目;
将所述目标像素点对应的像素窗口中的各个氧化反应点所围成的区域,确定为对应像素窗口中的疑似氧化反应区域。
具体的,对于灰度图像中每个像素点对应的像素窗口,将该像素窗口中四个顶点
的中点记为边界点,此时可以通过该像素窗口中的四个边界点将该像素窗口划分成四个等
大小的子区域,后续可基于划分成的四个子区域寻找最靠近顶点和边界点的角点以确定疑
似氧化反应区域。如图2所示的像素窗口,字样1所在的像素点为像素窗口的四个顶点,字样
2所在的像素点点为像素窗口的四个边界点,通过将位于像素窗口两个对边的边界点所在
像素行作为分割位置,可以将该像素窗口划分成四个等大小的矩形的子区域。按照从上到
下从左到右的顺序,将划分成的四个子区域分别记为 和 ,此时四个子区域均
不包括图2中的灰色区域,即不包括位于像素窗口两个对边的边界点所在像素行。
通常来说,角点与周围像素点有着较大的灰度差异,由于角点的这种自身性质,其分布大多处于氧化反应区域边缘,区域内部不可避免的会因为噪声或氧化反应突变产生角点。因而在确定灰度图像中每个像素点对应的像素窗口对应的四个子区域后,首先判断四个子区域中角点的数目是否均不小于第一数目3,若均不小于第一数目3,则将对应的像素点确定为灰度图像中的目标像素点。目标像素点是指灰度图像中像素点周围极有可能发生氧化反应的像素点。
对于灰度图像中任意一个目标像素点对应的像素窗口,计算该像素窗口中每个子区域的每个角点与该子区域的顶点之间的距离,并将该距离作为第一距离,同时计算该像素窗口中每个子区域的每个角点与该子区域相邻的两边界点之间距离,取其中较小的距离作为第二距离。根据该像素窗口中每个子区域的每个角点与顶点以及子区域相邻边界点的距离,确定窗口边界距离,对应的计算公式为:
其中, d表示灰度图像中任意一个目标像素点对应的像素窗口中每个子区域的每
个角点对应的窗口边界距离; 表示灰度图像中任意一个目标像素点对应的像素窗口中
每个子区域的每个角点对应的第一距离;表示灰度图像中任意一个目标像素点对应的像
素窗口中每个子区域的每个角点对应的第二距离。
按照上述方式,可以确定灰度图像中任意一个目标像素点对应的像素窗口中每个子区域的各个角点对应的窗口边界距离。将这些窗口边界距离按照从小到大的顺序进行排列,并取最小的两个窗口边界距离所对应的角点作为氧化反应点。此时对于灰度图像中任意一个目标像素点对应的像素窗口,可以选择出八个氧化反应点,这八个氧化反应点即为距离像素窗口最近的八个特征点,这些氧化反应点所围成的区域即为疑似氧化反应区域。应当理解的是,本实施例是按照灰度图像中任意一个目标像素点对应的像素窗口中各个子区域平均取两个角点来确定疑似氧化反应区域,即第二数目为2,当各个子区域平均取角点的数量越多,对疑似氧化反应区域的划分就越精确,作为其他的实施方式,可根据像素窗口大小合理设置选取角点的数量以进行疑似氧化反应区域的划分。后续可以基于上述所确定的疑似氧化反应区域,进一步分析像素窗口内的氧化反应特征。
步骤S3:根据所述目标像素点对应的像素窗口中各个氧化反应点和各个角点的位置分布,确定所述目标像素点对应的氧化信息显著因子以及所述目标像素点对应的像素窗口中的各条氧化反应路径。
对于灰度图像中任意一个目标像素点,根据该目标像素点对应的像素窗口中各个氧化反应点和各个角点的位置分布,确定该目标像素点对应的氧化信息显著因子,实现步骤包括:
确定所述目标像素点对应的像素窗口中每个氧化反应点到该像素窗口中除了氧化反应点外的其他角点的距离的平均值,从而得到每个氧化反应点对应的氧化反应距离;
确定所述目标像素点对应的像素窗口中各个氧化反应点对应的氧化反应距离的平均值,从而得到所述目标像素点对应的氧化反应距离均值;
根据所述目标像素点对应的像素窗口中各个角点的总数目以及所述目标像素点对应的氧化反应距离均值,确定所述目标像素点对应的氧化信息显著因子,所述各个角点的总数目和氧化反应距离均值均与所述氧化信息显著因子成正相关关系。
具体的,在灰度图像中任意一个目标像素点对应的像素窗口中,任取一个氧化反应点,计算其与像素窗口内不包括其余氧化反应点的剩余角点之间的欧氏距离均值,并将该欧氏距离均值记为氧化反应距离,并将该像素窗口中所有氧化反应点的氧化反应距离求均值,得到氧化反应距离均值。根据该像素窗口中所存在的角点的总数目以及对应的氧化反应距离均值,获得基于该目标像素点的氧化信息显著因子,对应的计算公式为:
其中, 表示灰度图像中任意一个目标像素点对应的氧化信息显著因子;n表示灰度图像中任意一个目标像素点对应的像素窗口中各个角点的总数目; />表示灰度图像中任意一个目标像素点对应的氧化反应距离均值。
在上述的氧化信息显著因子的计算公式中,总数目n越大时,表示该像素窗口内的角点数量越多,该像素窗口内与周围像素点灰度值差异较大的特征像素点越多,该像素窗口区域中的氧化反应信息越多,对应的氧化信息显著因子的取值就越大;反之则说明该像素窗口区域中的氧化反应信息越少,对应的氧化信息显著因子的取值就越小。氧化反应距离均值越大时,表示该像素窗口内的角点分布越离散,该像素窗口区域中的氧化反应信息越显著,对应的氧化信息显著因子的取值就越大;反之则说明该像素窗口区域中的氧化反应信息越模糊,对应的氧化信息显著因子的取值就越小。
由于氢氧化亚铁的密度小于氢氧化铁的密度,因此氧化反应生成的氢氧化铁沉淀一般分布于反应溶液下方,自上而下路径上的灰度值变化能够反映氧化反应的剧烈程度。基于这一特点,为了进一步分析灰度图像中任意一个目标像素点对应的像素窗口内的氧化反应特征,可以根据该目标像素点对应的像素窗口中各个氧化反应点和各个角点的位置分布,确定该目标像素点对应的像素窗口中的各条氧化反应路径,实现步骤包括:
将所述目标像素点对应的像素窗口中靠近氧化反应溶液上方的子区域确定为目标子区域,将所述目标像素点对应的像素窗口中靠近氧化反应溶液下方的子区域确定为非目标子区域,并确定所述目标子区域中的每个氧化反应点与所述非目标子区域中除了氧化反应点外的其他角点之间的连线,并将所述连线确定为所述目标像素点对应的像素窗口中的氧化反应路径。
具体的,对于灰度图像中任意一个目标像素点,确定该目标像素点对应的像素窗
口中靠近氧化反应溶液上方的子区域,并将该靠近氧化反应溶液上方的子区域确定为目标
子区域,同时,确定该目标像素点对应的像素窗口中靠近氧化反应溶液下方的子区域,并将
该靠近氧化反应溶液下方的子区域确定为非目标子区域。在本实施例中,如图2所示,目标
像素点对应的像素窗口中靠近氧化反应溶液上方的子区域为 和 ,因此将子区域
和 确定为目标子区域,目标像素点对应的像素窗口中靠近氧化反应溶液下方的子区域
为 和 ,因此将子区域 和 确定为非目标子区域。在每个目标子区域中,对于每
一个氧化反应点,将该氧化反应点与其所在像素窗口中的非目标子区域中除了氧化反应点
外的其他角点连接形成的路径记为氧化反应路径。按照这种方式,可以确定灰度图像中任
意一个目标像素点对应的像素窗口中的各条氧化反应路径,后续通过对该氧化反应路径上
像素点灰度值的变化特征进行分析,可以进一步实现对应像素窗口区域的氧化反应特征识
别。
步骤S4:根据所述目标像素点对应的像素窗口中的各条氧化反应路径上像素点的灰度值分布和位置分布,确定所述目标像素点对应的氧化强度指标。
基于上述步骤所述确定的灰度图像中任意一个目标像素点对应的像素窗口中的各条氧化反应路径,根据该氧化反应路径上像素点的灰度值分布和位置分布,可以确定该目标像素点对应的氧化强度指标,实现步骤包括:
以所述目标像素点对应的像素窗口中的每条氧化反应路径对应的氧化反应点为起始点,沿着所述氧化反应路径的方向,依次判断所述氧化反应路径上后一个像素点的灰度值是否小于前一个像素点的灰度值,直至后一个像素点的灰度值不小于前一个像素点的灰度值;
当每次判断出后一个像素点的灰度值小于前一个像素点的灰度值时,将后一个像素点与前一个像素点之间的灰度值的差值绝对值确定为灰度值差异,并将后一个像素点与前一个像素点之间的距离值确定为参考距离;
根据每条氧化反应路径上的像素点总数目、灰度值差异、参考距离以及所确定的后一个像素点的灰度值小于前一个像素点的灰度值的次数,确定每条氧化反应路径的氧化反应强度;
计算所述目标像素点对应的像素窗口中的每条氧化反应路径的氧化反应强度的平均值,从而得到所述目标像素点对应的氧化强度指标。
具体的,当电极附近产生氧化反应时,氢氧化亚铁沉淀由白色固体变为灰绿色又迅速转变为红褐色胶体沉淀,在假彩色图像所对应的灰度图像中,颜色越深,对应像素点的灰度值越小。角点作为与周围像素灰度值差异较大的特征点,角点对应氧化反应路径上的灰度值递减程度越大时,表示该路径上的氧化反应越剧烈,氧化反应程度越大;反之,角点对应氧化反应路径上的灰度值递减平稳或增加时,表示该路径上的氧化反应越温和,氧化反应程度越小。
基于上述分析,以灰度图像中任意一个目标像素点对应的像素窗口中的一条氧化反应路径为例,统计该氧化反应路径上的像素点总数目,将氧化反应点作为初始点,沿氧化反应路径比较两相邻像素点的灰度值变化,若两相邻像素点中后一个像素点的灰度值小于前一个像素点的灰度值,前一个像素点是指氧化反应点或者靠近氧化反应点一侧的像素点,则计算两相邻像素点之间的灰度差值绝对值,将该灰度差值绝对值作为灰度值差异,并计算两相邻像素点之间的距离,将该距离作为参考距离,直到两相邻像素点中后一个像素点的灰度值大于或者等于前一个像素点的灰度值时,停止比较。统计该氧化反应路径所获得的灰度值差异的累加和、参考距离的累加和以及寻找终止时遍历的像素点数量,该寻找终止时遍历的像素点数量就是指氧化反应路径上所确定的后一个像素点的灰度值小于前一个像素点的灰度值的次数,并结合氧化反应路径上的像素点总数目,确定该氧化反应路径的氧化反应强度,对应的计算公式为:
其中,表示每个目标像素点对应的像素窗口中的第m条氧化反应路径的氧化反
应强度; K表示所述第m条氧化反应路径上所确定的后一个像素点的灰度值小于前一个像
素点的灰度值的次数; SGD表示所述第m条氧化反应路径上的灰度值差异的累加和; J表示
所述第m条氧化反应路径上的像素点总数目; G表示所述第m条氧化反应路径上的参考距离
的累加和; 表示调整参数值。
在上述的氧化反应强度的计算公式中,调整参数值 为一个很小的数值,本实施
例设置 的取值为0.1,用于对分母进行调节。比值的取值越大,表示该氧化反应路径上
灰度值递减的像素点个数越多,对应的像素窗口中氧化反应越剧烈的像素点个数越多,该
像素窗口内的氧化反应程度越剧烈,此时氧化反应强度的取值就越大。比值的取值越大
时,表示该氧化反应路径上的像素点灰度值递减程度越大,对应像素窗口中的氧化反应程
度越剧烈,产生的氢氧化铁胶状沉淀越明显,此时氧化反应强度的取值就越大。
在通过上述方式确定灰度图像中任意一个目标像素点对应的像素窗口中每条氧化反应路径的氧化反应强度之后,对该像素窗口内的所有氧化反应路径的氧化反应强度求均值,从而得到该目标像素点对应的氧化强度指标。
步骤S5:根据所述目标像素点对应的氧化信息显著因子和氧化强度指标,确定所述灰度图像中每个像素点对应的氧化显著强度,并根据所述灰度图像中每个像素点及其周围各个像素点对应的氧化显著强度的差异,确定所述灰度图像中每个像素点的氧化显著指数。
基于上述所确定的灰度图像中任意一个目标像素点对应的氧化信息显著因子和氧化强度指标,确定灰度图像中每个像素点对应的氧化显著强度,即:将所述灰度图像中所述目标像素点对应的氧化信息显著因子和氧化强度指标的乘积值,确定为所述目标像素点的氧化显著强度,并将所述灰度图像中除了所述目标像素点之外的其他像素点的氧化显著强度设置为设定氧化显著强度。根据目标像素点的氧化显著强度的确定方式可知,当氧化信息显著因子越大时,表示以对应目标像素点为中心的像素窗口内的角点数量越多,角点分布越离散,该像素窗口对应的图像区域中的氧化信息越丰富,对应氧化显著强度越大。氧化强度指标越大时,表示以该目标像素点为中心的像素窗口中的灰度值递减的像素点越多,灰度值递减程度越大,该像素窗口对应的图像区域中发生的氧化反应越剧烈,氧化过程越明显,对应氧化显著强度越大。对于灰度图像中除了目标像素点以外的像素点,则认为其所在位置没有发生氧化反应,此时直接设置其氧化显著强度为设定氧化显著强度。在本实施例中,设定氧化显著指数的取值为0,此时灰度图像中除了目标像素点之外的其他像素点的氧化显著指数为0。
在获得假彩色图像对应灰度图像中每个像素点的氧化显著强度之后,基于灰度图像中每个像素点及其周围各个像素点对应的氧化显著强度的差异,确定该灰度图像中每个像素点的氧化显著指数,实现步骤包括:
确定所述灰度图像中每个像素点的任意一个设定方向上设定步长内的每相邻两个像素点的氧化显著指数的差值绝对值,从而得到所述灰度图像中每个像素点的任意一个设定方向上的各个氧化显著强度指数梯度变化值;
获取所述灰度图像中每个像素点的各个设定方向对应的权重因子,根据所述权重因子,对所述灰度图像中每个像素点对应的氧化显著强度指数梯度变化值进行加权求和,并将加权求和的平均值确定为所述灰度图像中每个像素点的氧化显著指数。
具体的,对于灰度图像中每个像素点,确定该像素点在八邻域方向上设定步长内的氧化显著强度指数梯度变化值。在本实施例中,设置设定步长的取值为3。该氧化显著强度指数梯度变化值是指在八邻域方向中的任意一个方向上,设定步长内的每相邻两个像素点的氧化显著指数的差值绝对值。为了便于理解,对于灰度图像中的任意一个像素点a,以八邻域方向中的竖直向上方向为例,计算像素点a与其上方的像素点a1之间的氧化显著指数的差值绝对值,从而得到第一个氧化显著强度指数梯度变化值。由于设定步长的取值为3,因此再计算像素点a1与其上方的像素点a2之间的氧化显著指数的差值绝对值,像素点a2与其上方的像素点a3之间的氧化显著指数的差值绝对值,从而得到第二个和第三个氧化显著强度指数梯度变化值,此时像素点a在竖直向上方向上可以得到三个氧化显著强度指数梯度变化值。为了对八邻域方向进行区分,将水平向右方向作为第一个设定方向,然后按照顺时针方向旋转,每旋转45°即可以得到一个设定方向,通过这种方式对八邻域方向进行排序,从而可以得到八个设定方向。
在获取到灰度图像中每个像素点在八邻域方向上对应的各个氧化显著强度指数
梯度变化值之后,考虑到氢氧化铁沉淀的密度高于氢氧化亚铁沉淀,因此氧化反应发生时,
其氢氧化铁在反应溶液中的位置靠下方,因此为八邻域方向上对应的各个氧化显著强度指
数梯度变化值设置两个权重因子、 ,以增强下方梯度变化影响,并削弱上方梯度变化
影响。本实施例设置两个权重因子、的取值分别为0.6和0.4,八个设定方向中的前5个
设定方向对应权重因子,后三个设定方向对应权重因子 。基于这两个权重因子,对灰
度图像中每个像素点对应的各个氧化显著强度指数梯度变化值进行加权求和后求平均,从
而得到灰度图像中每个像素点的氧化显著指数,对应的计算公式为:
其中, OPI表示灰度图像中每个像素点的氧化显著指数;表示灰度图像中每个像素点的第w个设定方向上的第t个氧化显著强度指数梯度变化值;T表示设定步长;norm(*)表示归一化函数,用于将*归一化到[0,1]的范围内。
在上述的氧化显著指数对应的计算公式中,氧化显著强度指数梯度变化值越大时,表示对应像素点周围的氧化显著强度梯度变化越大,该像素点处发生的氧化反应程度越剧烈,与周围的氧化反应变化差异越大,该像素点越有可能是氧化反应较强烈的点,此时所求得的氧化显著指数的取值就越大;反之,说明该像素点处发生的氧化反应程度越温和,与周围的氧化反应变化差异越小,该像素点越有可能是氧化反应较温和或没发生氧化反应的点,此时所求得的氧化显著指数的取值就越小。
步骤S6:对所述灰度图像进行图像增强处理,获取增强灰度图像,在图像增强处理过程中,获取所述灰度图像中每个像素点的隶属度,并根据所述灰度图像中每个像素点的位置和氧化显著指数以及所述疑似氧化反应区域,对所述隶属度进行更新。
在利用Pal-King算法对灰度图像进行图像增强处理的过程中,获取灰度图像中每个像素点的隶属度。由于该隶属度的确定过程属于现有技术,此处不再赘述。为了提高图像增强处理的效果,基于上述所确定的灰度图像中每个像素点的氧化显著指数,对该隶属度进行更新,并根据更新后的隶属度完成灰度图像的图像增强处理。基于上述所确定的灰度图像中每个像素点的氧化显著指数,对该隶属度进行更新,实现步骤包括:
判断所述灰度图像中每个像素点的位置是否位于所述疑似氧化反应区域内,若位于所述疑似氧化反应区域内,则根据该像素点的氧化显著指数,增大该像素点的隶属度,该像素点的氧化显著指数的取值越大,对应隶属度的增大幅度越大;
在对所述灰度图像中的所有像素点判断完成后,对所述灰度图像中所有像素点的隶属度进行归一化,从而得到所述灰度图像中所有像素点的更新后的隶属度。
具体的,基于上述所确定的灰度图像中每个像素点的氧化显著指数,对该隶属度进行更新,对应的计算公式为:
其中,表示灰度图像中位置为(x,y)处的像素点的灰度级关于某个特定灰
度等级的更新后的隶属度;OPI表示灰度图像中位置为(x,y)处的像素点的氧化显著指数;表示灰度图像中的最大灰度等级;为表示灰度图像中位置为(x,y)处的像素点的灰
度级;表示分母模糊化因子;表示大于零的指数模糊化因子; OR 表示灰度图像中所
有疑似氧化反应区域所构成的区域集合;表示灰度图像中位置为(x,y)
处的像素点的灰度级关于某个特定灰度等级的原始的隶属度;
根据上述对隶属度进行更新所对应的计算公式可知,对于疑似氧化反应区域,氧
化显著指数 OPI 越大时,表示灰度图像中该像素点处的氧化反应越剧烈,对应的氧化反应
特征越显著,更新后的隶属度的取值就越大,从而通过增大氧化反应特征明显的像素点
的隶属度,保证了利用Pal-King算法对灰度图像做模糊增强处理时的准确性,有效提高了
灰度图像的增强效果。
按照上述方式,可以获取灰度图像中每个像素点的更新后的隶属度,然后对这些更新后的隶属度整体进行归一化,使其值域处于[0,1]的范围内,从而得到灰度图像中每个像素点的最终更新后的隶属度。在利用Pal-King算法对灰度图像进行图像增强处理的过程中,基于该最终更新后的隶属度,最终实现对灰度图像的图像增强处理,从而得到增强灰度图像。由于本方案的重点在于,在利用Pal-King算法对灰度图像进行图像增强处理时,对Pal-King算法所确定的灰度图像中每个像素点的隶属度进行更新,而上述内容已经对该隶属度进行更新的过程进行了详细阐述,此处对利用Pal-King算法对灰度图像进行图像增强处理的相关步骤不再进行赘述。至此,通过对Pal-King算法的隶属度函数改进,以增强灰度图像中不同氧化反应剧烈程度区域的差异对比,实现了阳极附近反应溶液的图像增强。
步骤S7:对所述增强灰度图像进行图像分割,从而得到氧化监测结果。
对于上述已经获得的增强后的灰度图像也就是增强灰度图像,利用图像分割算法将增强灰度图像中的疑似氧化反应区域进一步划分,从而获得更精确的氧化反应区域,该氧化反应区域即为氧化监测结果。在本实施例中,所采用的图像分割算法为区域生长算法,由于区域生长算法为公知技术,此处不再过多赘述。基于该氧化监测结果,方便后续对四氧化三铁制备过程中的氧化反应区域进行进一步分析,从而实时了解氧化反应情况,并实现氧化反应条件的严格控制。
在上述高级氧化智能监测方法中,通过对高光谱图像选择波段进行融合生成反应溶液的假彩色图像,针对假彩色图像对应灰度图像中氧化反应所产生的特征进行分析,构建基于每个像素点的氧化显著强度,根据灰度图像中每个像素点八邻域方向上的氧化显著强度梯度变化获得该像素点的氧化显著指数,并通过该氧化显著指数改进Pal-King算法中的隶属函数,最终实现氧化过程中监测图像的有效增强,后续再使用图像分割算法将增强图像中的疑似氧化反应区域进行精确划分,从而得到更加准确的氧化反应监测结果,便于后续更好的对四氧化三铁制备过程中的氧化反应过程进行精确分析。
用于高级氧化智能监测的图像增强方法:
在制备四氧化三铁的过程中,现有在对氧化反应过程中的反应溶液进行拍摄,以对氧化反应过程进行监测时,为了准确确定图像中的氧化反应区域,往往需要对获取的图像进行图像增强处理,以增强图像中氧化反应区域与其他区域的对比度。传统的图像增强算法通常不会考虑图像的模糊性,而只是简单地对整个图像进行去噪处理或者是提高对比度,因而无法针对图像中的模糊现象进行针对性的处理。Pal-King算法可有效的针对图像中的模糊现象进行处理,在抑制噪声的同时,也较好的保留了图像的细节部分。但是考虑到在制备四氧化三铁的氧化反应过程中,电极附近存在多种离子参与化学反应,亚铁离子的氧化过程以及水解过程会同时进行,导致图像中的铁的氢氧化物会聚集生成,此时直接采用Pal-King算法对图像进行增强处理时,由于仅仅是基于图像中像素点的灰度值进行计算,而在图像区域产生渐变现象时,单一的灰度值特征无法准确反映图像中不同区域的特征,从而导致所计算出来的像素点的隶属度不够精确,从而导致图像增强的效果相对较差。
针对上述对四氧化三铁制备过程中的监测图像增强效果较差的问题,本实施例提供了一种用于高级氧化智能监测的图像增强方法,该方法包括以下步骤:
获取待监测氧化物制备过程中氧化反应的高光谱图像,进而获取所述高光谱图像对应的灰度图像;
对所述灰度图像进行角点检测,获取所述灰度图像中的各个角点,构建所述灰度图像中每个像素点对应的像素窗口,并根据所述像素窗口中各个角点的位置,确定所述灰度图像中的各个目标像素点及其对应像素窗口中的疑似氧化反应区域和各个氧化反应点;
根据所述目标像素点对应的像素窗口中各个氧化反应点和各个角点的位置分布,确定所述目标像素点对应的氧化信息显著因子以及所述目标像素点对应的像素窗口中的各条氧化反应路径;
根据所述目标像素点对应的像素窗口中的各条氧化反应路径上像素点的灰度值、像素点总数目以及每相邻两个像素点之间的距离值,确定所述目标像素点对应的氧化强度指标;
根据所述目标像素点对应的氧化信息显著因子和氧化强度指标,确定所述灰度图像中每个像素点对应的氧化显著强度,并根据所述灰度图像中每个像素点周围各个像素点对应的氧化显著强度的差异,确定所述灰度图像中每个像素点的氧化显著指数;
对所述灰度图像进行图像增强处理,获取增强灰度图像,在图像增强处理过程中,获取所述灰度图像中每个像素点的隶属度,并根据所述灰度图像中每个像素点的位置和氧化显著指数以及所述疑似氧化反应区域,对所述隶属度进行更新。
由于该用于高级氧化智能监测的图像增强方法中的各个步骤,已经在上述的高级氧化智能监测方法实施例中进行了详细介绍,此处对该用于高级氧化智能监测的图像增强方法中的各个步骤不再进行赘述。
在上述的用于高级氧化智能监测的图像增强方法中,通过对高光谱图像选择波段进行融合生成反应溶液的假彩色图像,针对假彩色图像对应灰度图像中氧化反应所产生的特征进行分析,构建基于每个像素点的氧化显著强度,根据灰度图像中每个像素点八邻域方向上的氧化显著强度梯度变化获得该像素点的氧化显著指数,并利用该氧化显著指数改进Pal-King算法中的隶属函数,最终实现氧化过程中反应溶液的图像增强。该方法通过对Pal-King算法的隶属度函数进行改进,可以更精准地增强灰度图像中不同氧化反应剧烈程度区域的差异对比,有效提高了图像增强的效果。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种高级氧化智能监测方法,其特征在于,包括以下步骤:
获取待监测氧化物制备过程中氧化反应的监测图像,进而获取所述监测图像对应的灰度图像;
对所述灰度图像进行角点检测,获取所述灰度图像中的各个角点,构建所述灰度图像中每个像素点对应的像素窗口,并根据所述像素窗口中各个角点的位置,确定所述灰度图像中的各个目标像素点及其对应像素窗口中的疑似氧化反应区域和各个氧化反应点;
根据所述目标像素点对应的像素窗口中各个氧化反应点和各个角点的位置分布,确定所述目标像素点对应的氧化信息显著因子以及所述目标像素点对应的像素窗口中的各条氧化反应路径;
根据所述目标像素点对应的像素窗口中的各条氧化反应路径上像素点的灰度值分布和位置分布,确定所述目标像素点对应的氧化强度指标;
根据所述目标像素点对应的氧化信息显著因子和氧化强度指标,确定所述灰度图像中每个像素点对应的氧化显著强度,并根据所述灰度图像中每个像素点及其周围各个像素点对应的氧化显著强度的差异,确定所述灰度图像中每个像素点的氧化显著指数;
对所述灰度图像进行图像增强处理,获取增强灰度图像,在图像增强处理过程中,获取所述灰度图像中每个像素点的隶属度,并根据所述灰度图像中每个像素点的位置和氧化显著指数以及所述疑似氧化反应区域,对所述隶属度进行更新;
对所述增强灰度图像进行图像分割,从而得到氧化监测结果。
2.根据权利要求1所述的一种高级氧化智能监测方法,其特征在于,确定所述灰度图像中的各个目标像素点及其对应像素窗口中的疑似氧化反应区域和各个氧化反应点,包括:
在所述灰度图像中每个像素点对应的像素窗口中获取设定数目个大小相等的子区域,若设定数目个子区域中角点的数目均不小于第一数目,则将对应的像素点确定为所述灰度图像中的目标像素点;
获取所述目标像素点对应的像素窗口的各个边界点以及所述目标像素点对应的每个子区域中的顶点,确定所述每个子区域中的每个角点到其所在子区域中的顶点的距离,从而得到第一距离,确定所述每个子区域中的每个角点到其所在像素窗口的各个边界点的距离中的最小值,从而得到第二距离;
确定所述每个子区域中的每个角点对应的第一距离和第二距离的平均值,从而得到所述每个子区域中的每个角点对应的窗口边界距离,并将所述每个子区域中窗口边界距离较小的第二数目个角点确定为对应像素窗口中的氧化反应点,所述第二数目小于所述第一数目;
将所述目标像素点对应的像素窗口中的各个氧化反应点所围成的区域,确定为对应像素窗口中的疑似氧化反应区域。
3.根据权利要求1所述的一种高级氧化智能监测方法,其特征在于,确定所述目标像素点对应的氧化信息显著因子,包括:
确定所述目标像素点对应的像素窗口中每个氧化反应点到该像素窗口中除了氧化反应点外的其他角点的距离的平均值,从而得到每个氧化反应点对应的氧化反应距离;
确定所述目标像素点对应的像素窗口中各个氧化反应点对应的氧化反应距离的平均值,从而得到所述目标像素点对应的氧化反应距离均值;
根据所述目标像素点对应的像素窗口中各个角点的总数目以及所述目标像素点对应的氧化反应距离均值,确定所述目标像素点对应的氧化信息显著因子,所述各个角点的总数目和氧化反应距离均值均与所述氧化信息显著因子成正相关关系。
4.根据权利要求2所述的一种高级氧化智能监测方法,其特征在于,确定所述目标像素点对应的像素窗口中的各条氧化反应路径,包括:
将所述目标像素点对应的像素窗口中靠近氧化反应溶液上方的子区域确定为目标子区域,将所述目标像素点对应的像素窗口中靠近氧化反应溶液下方的子区域确定为非目标子区域,并确定所述目标子区域中的每个氧化反应点与所述非目标子区域中除了氧化反应点外的其他角点之间的连线,并将所述连线确定为所述目标像素点对应的像素窗口中的氧化反应路径。
5.根据权利要求4所述的一种高级氧化智能监测方法,其特征在于,确定所述目标像素点对应的氧化强度指标,包括:
以所述目标像素点对应的像素窗口中的每条氧化反应路径对应的氧化反应点为起始点,沿着所述氧化反应路径的方向,依次判断所述氧化反应路径上后一个像素点的灰度值是否小于前一个像素点的灰度值,直至后一个像素点的灰度值不小于前一个像素点的灰度值;
当每次判断出后一个像素点的灰度值小于前一个像素点的灰度值时,将后一个像素点与前一个像素点之间的灰度值的差值绝对值确定为灰度值差异,并将后一个像素点与前一个像素点之间的距离值确定为参考距离;
根据每条氧化反应路径上的像素点总数目、灰度值差异、参考距离以及所确定的后一个像素点的灰度值小于前一个像素点的灰度值的次数,确定每条氧化反应路径的氧化反应强度;
计算所述目标像素点对应的像素窗口中的每条氧化反应路径的氧化反应强度的平均值,从而得到所述目标像素点对应的氧化强度指标。
6.根据权利要求5所述的一种高级氧化智能监测方法,其特征在于,确定每条氧化反应路径的氧化反应强度,对应的计算公式为:
其中,表示每个目标像素点对应的像素窗口中的第m条氧化
反应路径的氧化反应强度;表示所述第m条氧化反应路径上所确定的后一个像素点的灰
度值小于前一个像素点的灰度值的次数;表示所述第m条氧化反应路径上的灰度值差
异的累加和;表示所述第m条氧化反应路径上的像素点总数目;表示所述第m条氧化反应
路径上的参考距离的累加和;表示调整参数值。
7.根据权利要求1所述的一种高级氧化智能监测方法,其特征在于,确定所述灰度图像中每个像素点的氧化显著指数,包括:
确定所述灰度图像中每个像素点的任意一个设定方向上设定步长内的每相邻两个像素点的氧化显著指数的差值绝对值,从而得到所述灰度图像中每个像素点的任意一个设定方向上的各个氧化显著强度指数梯度变化值;
获取所述灰度图像中每个像素点的各个设定方向对应的权重因子,根据所述权重因子,对所述灰度图像中每个像素点对应的各个氧化显著强度指数梯度变化值进行加权求和,并将加权求和的平均值的归一化结果确定为所述灰度图像中每个像素点的氧化显著指数。
8.根据权利要求1所述的一种高级氧化智能监测方法,其特征在于,对所述隶属度进行更新,包括:
判断所述灰度图像中每个像素点的位置是否位于所述疑似氧化反应区域内,若位于所述疑似氧化反应区域内,则根据该像素点的氧化显著指数,增大该像素点的隶属度,该像素点的氧化显著指数的取值越大,对应隶属度的增大幅度越大;
在对所述灰度图像中的所有像素点判断完成后,对所述灰度图像中所有像素点的隶属度进行归一化,从而得到所述灰度图像中所有像素点的更新后的隶属度。
9.根据权利要求1所述的一种高级氧化智能监测方法,其特征在于,确定所述灰度图像中每个像素点的氧化显著强度,包括:
将所述灰度图像中所述目标像素点对应的氧化信息显著因子和氧化强度指标的乘积值,确定为所述目标像素点的氧化显著强度,并将所述灰度图像中除了所述目标像素点之外的其他像素点的氧化显著强度设置为设定氧化显著强度。
10.根据权利要求1所述的一种高级氧化智能监测方法,其特征在于,采用Pal-king算法对所述灰度图像进行图像增强处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210939.6A CN116958139B (zh) | 2023-09-20 | 2023-09-20 | 一种高级氧化智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210939.6A CN116958139B (zh) | 2023-09-20 | 2023-09-20 | 一种高级氧化智能监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958139A true CN116958139A (zh) | 2023-10-27 |
CN116958139B CN116958139B (zh) | 2023-11-21 |
Family
ID=88442838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311210939.6A Active CN116958139B (zh) | 2023-09-20 | 2023-09-20 | 一种高级氧化智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958139B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117205590A (zh) * | 2023-11-09 | 2023-12-12 | 山东齐隆化工股份有限公司 | 一种石油树脂生产过程分离方法及系统 |
CN118072254A (zh) * | 2024-04-18 | 2024-05-24 | 辽宁通安消防安全技术工程有限公司 | 一种瞬爆明火智能检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7496237B1 (en) * | 2004-01-02 | 2009-02-24 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Image processing for binarization enhancement via fuzzy reasoning |
CN113674231A (zh) * | 2021-08-11 | 2021-11-19 | 宿迁林讯新材料有限公司 | 基于图像增强的轧制过程中氧化铁皮检测方法与系统 |
CN114565556A (zh) * | 2022-01-14 | 2022-05-31 | 西安理工大学 | 基于图像处理的等离子体电解氧化反应状态识别的方法 |
CN115029704A (zh) * | 2022-08-09 | 2022-09-09 | 江苏贯森新材料科技有限公司 | 一种用于不锈钢酸洗工艺的智能控制方法及装置 |
CN115294107A (zh) * | 2022-09-29 | 2022-11-04 | 江苏三通科技有限公司 | 一种基于图像识别的二极管引脚表面氧化检测方法 |
CN116664574A (zh) * | 2023-07-31 | 2023-08-29 | 山东罗斯夫新材料科技有限公司 | 一种丙烯酸乳液生产废水视觉检测方法 |
-
2023
- 2023-09-20 CN CN202311210939.6A patent/CN116958139B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7496237B1 (en) * | 2004-01-02 | 2009-02-24 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Image processing for binarization enhancement via fuzzy reasoning |
CN113674231A (zh) * | 2021-08-11 | 2021-11-19 | 宿迁林讯新材料有限公司 | 基于图像增强的轧制过程中氧化铁皮检测方法与系统 |
CN114565556A (zh) * | 2022-01-14 | 2022-05-31 | 西安理工大学 | 基于图像处理的等离子体电解氧化反应状态识别的方法 |
CN115029704A (zh) * | 2022-08-09 | 2022-09-09 | 江苏贯森新材料科技有限公司 | 一种用于不锈钢酸洗工艺的智能控制方法及装置 |
CN115294107A (zh) * | 2022-09-29 | 2022-11-04 | 江苏三通科技有限公司 | 一种基于图像识别的二极管引脚表面氧化检测方法 |
CN116664574A (zh) * | 2023-07-31 | 2023-08-29 | 山东罗斯夫新材料科技有限公司 | 一种丙烯酸乳液生产废水视觉检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117205590A (zh) * | 2023-11-09 | 2023-12-12 | 山东齐隆化工股份有限公司 | 一种石油树脂生产过程分离方法及系统 |
CN117205590B (zh) * | 2023-11-09 | 2024-04-30 | 山东齐隆化工股份有限公司 | 一种石油树脂生产过程分离方法及系统 |
CN118072254A (zh) * | 2024-04-18 | 2024-05-24 | 辽宁通安消防安全技术工程有限公司 | 一种瞬爆明火智能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116958139B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116958139B (zh) | 一种高级氧化智能监测方法 | |
CN108921176A (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
Hou | Automatic segmentation of retinal blood vessels based on improved multiscale line detection | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN111612817A (zh) | 基于深浅特征自适应融合与上下文信息的目标跟踪方法 | |
CN108320300A (zh) | 一种融合粒子滤波的时空上下文视觉跟踪方法 | |
CN107590496A (zh) | 复杂背景下红外小目标的关联检测方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
Zizzari et al. | Detection of tumor in digital images of the brain | |
Hernández et al. | Assessment of downy mildew in grapevine using computer vision and fuzzy logic. Development and validation of a new method | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN117274293B (zh) | 基于图像特征的细菌菌落精确划分方法 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN116110006B (zh) | 一种用于智慧旅游系统的景区游客异常行为识别方法 | |
CN111192280B (zh) | 一种基于局部特征的视盘边缘检测方法 | |
CN115984283B (zh) | 一种钢筋笼焊接质量智能检测方法 | |
CN111723808B (zh) | 一种基于最大值背景预测的红外弱目标提取方法 | |
CN112766109B (zh) | 一种红外弱小目标自适应检测方法 | |
Wang et al. | Color edge detection using the normalization anisotropic Gaussian kernel and multichannel fusion | |
CN114943891A (zh) | 一种基于特征描述符的预测框匹配方法 | |
Lan et al. | Robust visual object tracking with spatiotemporal regularisation and discriminative occlusion deformation | |
Bhardwaj | Multi-Model Detection of Lung Cancer Using Unsupervised Diffusion Classification Algorithm |
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 |