CN117593194A - 气体特征图生成方法、装置、电子设备和存储介质 - Google Patents
气体特征图生成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117593194A CN117593194A CN202311403521.7A CN202311403521A CN117593194A CN 117593194 A CN117593194 A CN 117593194A CN 202311403521 A CN202311403521 A CN 202311403521A CN 117593194 A CN117593194 A CN 117593194A
- Authority
- CN
- China
- Prior art keywords
- gas
- image data
- characteristic diagram
- diffusion
- absorption
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000007789 gas Substances 0.000 claims abstract description 465
- 238000009792 diffusion process Methods 0.000 claims abstract description 137
- 238000010521 absorption reaction Methods 0.000 claims abstract description 134
- 238000010586 diagram Methods 0.000 claims abstract description 120
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 20
- 230000006835 compression Effects 0.000 claims description 66
- 238000007906 compression Methods 0.000 claims description 66
- 230000004927 fusion Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 abstract description 41
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 239000000306 component Substances 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000000862 absorption spectrum Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 241001270131 Agaricus moelleri Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 239000000872 buffer Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007084 catalytic combustion reaction Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请实施例涉及一种气体特征图生成方法、装置、电子设备和存储介质，上述方法包括：获取红外气体探测器采集的红外气体图像数据；根据每帧红外气体图像数据提取弱信号特征，生成弱信号特征图；弱信号特征用于表征微弱气体的信号；根据多帧红外气体图像数据提取吸收特征，生成吸收特征图；吸收特征用于表征气体对红外光谱的吸收特性；根据至少一组相邻的红外气体图像数据提取扩散特征，生成扩散特征图；扩散特征用于表征气体的扩散程度；将得到的弱信号特征图、吸收特征图及扩散特征图融合得到气体特征图。上述气体特征图生成方法、装置、电子设备和存储介质，能够得到具有更多气体特征的气体特征图，从而提高气体检测的精准性。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种气体特征图生成方法、装置、电子设备和存储介质。
背景技术
随着气体检测技术的发展，依据气体的自身特性延伸出了多种气体检测的方法。然而，目前技术中采用不同工作原理的各种泄漏检测技术都有自身的优势和不足。
现有的泄漏气体热成像检测算法研究主要参考可见光场景的目标检测模型，使用卷积神经网络直接训练泄漏气体红外图像，而缺乏对泄漏气体红外图像特征的研究，造成模型训练和泄漏气体检测的计算量大、耗时长，得到的泄漏气体检测卷积神经网络模型复杂度高，难以满足泄漏气体实时检测的需求和检测的精准性。
发明内容
本申请实施例公开了一种气体特征图生成方法、装置、电子设备和存储介质，能够得到具有更多气体特征的气体特征图，从而提高气体检测的精准性。
第一方面，本申请实施例公开了一种气体特征图生成方法，包括：
获取红外气体探测器采集的红外气体图像数据；
根据每帧所述红外气体图像数据提取弱信号特征，以生成弱信号特征图；所述弱信号特征用于表征微弱气体的信号；
根据多帧红外气体图像数据提取吸收特征，以生成吸收特征图；所述吸收特征用于表征气体对红外光谱的吸收特性；
根据至少一组相邻的红外气体图像数据提取扩散特征，以生成扩散特征图；所述扩散特征用于表征气体的扩散程度；
将所述弱信号特征图、所述吸收特征图及所述扩散特征图进行融合，得到气体特征图。
作为一种可选的实施方式，在本申请实施例的第一方面中，所述根据每帧所述红外气体图像数据提取弱信号特征，以生成弱信号特征图；包括：
根据第一红外气体图像数据，生成所述第一红外气体图像数据的灰度直方图；所述第一红外气体图像数据为任一红外气体图像数据；
根据所述灰度直方图，对第一位数的所述第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图；所述第一位数大于所述第二位数。
作为一种可选的实施方式，在本申请实施例的第一方面中，所述根据所述灰度直方图，对第一位数的所述第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图；包括：
根据所述灰度直方图，确定弱灰度及强灰度；所述第一红外气体图像数据中分布在所述弱灰度的像素点的占比小于比例阈值；所述强灰度为所述灰度直方图中除所述弱灰度以外的灰度；
根据所述弱灰度对应的第一压缩比例，以及所述强灰度对应的第二压缩比例，对第一位数的所述第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图；所述第一压缩比例小于所述第二压缩比例。
作为一种可选的实施方式，在本申请实施例的第一方面中，根据多帧红外气体图像数据提取吸收特征，以生成吸收特征图，包括：
确定第一时间段内多帧红外气体图像数据的每个像素点对应的最小灰度值以及目标灰度值，所述目标灰度值为像素点对应的最大灰度值或平均灰度值；
计算所述每个像素点对应的目标灰度值与最小灰度值的差值，以得到吸收特征图。
作为一种可选的实施方式，在本申请实施例的第一方面中，所述根据至少一组相邻的红外气体图像数据提取扩散特征，以生成扩散特征图；包括：
确定至少一组相邻的红外气体图像数据对应的灰度差值，以得到扩散特征图。
作为一种可选的实施方式，在本申请实施例的第一方面中，所述将所述弱信号特征图、所述吸收特征图及所述扩散特征图进行融合，得到气体特征图；包括：
分别计算所述弱信号特征图、所述吸收特征图、所述扩散特征图对应的强度权值；
将所述弱信号特征图、所述吸收特征图、所述扩散特征图按照分别对应的强度权值进行融合，得到气体特征图。
作为一种可选的实施方式，在本申请实施例的第一方面中，所述将所述弱信号特征图、所述吸收特征图及所述扩散特征图进行融合，得到气体特征图；包括：
将所述弱信号特征图、所述吸收特征图及所述扩散特征图作为三个通道分量，进行多通道数据融合，得到气体特征图。
第二方面，本申请实施例公开了一种气体特征图生成装置，包括：
数据获取模块，用于获取红外气体探测器采集的红外气体图像数据；
信号特征模块，用于根据每帧所述红外气体图像数据提取弱信号特征，以生成弱信号特征图；所述弱信号特征用于表征微弱气体的信号；
吸收特征模块，用于根据多帧红外气体图像数据提取吸收特征，以生成吸收特征图；所述吸收特征用于表征气体对红外光谱的吸收特性；
扩散特征模块，用于根据至少一组相邻的红外气体图像数据提取扩散特征，以生成扩散特征图；所述扩散特征用于表征气体的扩散程度；
特征融合模块，用于将所述弱信号特征图、所述吸收特征图及所述扩散特征图进行融合，得到气体特征图。
作为一种可选的实施方式，在本申请实施例的第二方面中，所述信号特征模块，还用于根据第一红外气体图像数据，生成所述第一红外气体图像数据的灰度直方图；所述第一红外气体图像数据为任一红外气体图像数据；以及用于根据所述灰度直方图，对第一位数的所述第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图；所述第一位数大于所述第二位数。
作为一种可选的实施方式，在本申请实施例的第二方面中，所述信号特征模块，还用于根据所述灰度直方图，确定弱灰度及强灰度；所述第一红外气体图像数据中分布在所述弱灰度的像素点的占比小于比例阈值；所述强灰度为所述灰度直方图中除所述弱灰度以外的灰度；以及用于根据所述弱灰度对应的第一压缩比例，以及所述强灰度对应的第二压缩比例，对第一位数的所述第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图；所述第一压缩比例小于所述第二压缩比例。
作为一种可选的实施方式，在本申请实施例的第二方面中，所述吸收特征模块，还用于确定第一时间段内多帧红外气体图像数据的每个像素点对应的最小灰度值以及目标灰度值，所述目标灰度值为像素点对应的最大灰度值或平均灰度值；以及用于计算所述每个像素点对应的目标灰度值与最小灰度值的差值，以得到吸收特征图。
作为一种可选的实施方式，在本申请实施例的第二方面中，所述扩散特征模块，还用于确定至少一组相邻的红外气体图像数据对应的灰度差值，以得到扩散特征图。
作为一种可选的实施方式，在本申请实施例的第二方面中，所述特征融合模块，还用于分别计算所述弱信号特征图、所述吸收特征图、所述扩散特征图对应的强度权值；将所述弱信号特征图、所述吸收特征图、所述扩散特征图按照分别对应的强度权值进行融合，得到气体特征图。
作为一种可选的实施方式，在本申请实施例的第二方面中，所述特征融合模块，还用于将所述弱信号特征图、所述吸收特征图及所述扩散特征图作为三个通道分量，进行多通道数据融合，得到气体特征图。
第三方面，本申请实施例公开了一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如上任一实施例所述的方法。
第四方面，本申请实施例公开了一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序被处理器执行时实现如上任一实施例所述的方法。
本申请实施例公开的气体特征图生成方法、装置、电子设备及存储介质，通过对红外气体图像数据的处理，根据微弱气体的信号、气体对红外光谱的吸收特性和气体的扩散程度，提取气体的弱信号特征、吸收特征和扩散特征，并将对应的特征图进行融合，来获得气体特征图，实现了在红外气体图像数据中对气体特征的提取，明显增强红外气体图像数据中的气体特征，并且融合了气体的多种特征，得到具有更多气体特征的气体特征图，从而提高气体检测的精准性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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为一个实施例中气体特征图生成方法的应用场景图；
图2为一个实施例中气体特征图生成方法的流程图；
图3为另一个实施例中气体特征图生成方法的流程图；
图4为另一个实施例中气体特征图生成方法的流程图；
图5为另一个实施例中气体特征图生成方法的流程图；
图6为一个实施例中气体特征图生成装置的框图；
图7为一个实施例中电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一位数称为第二位数，且类似地，可将第二位数称为第一位数。第一位数和第二位数两者都是位数，但其不是相同的位数。
在相关技术中，采用不同工作原理的各种气体泄漏检测技术都有自身的优势和不足。利用红外吸收技术基于气体对红外光谱的特征吸收原理，直接测量气体浓度，能够反映出气体的真正含量，但检测灵敏度不高，响应速度慢，这也就制约了其在电力系统定量检漏中的广泛应用。
基于热成像的泄漏气体检测的方法以热像仪为基础是常用的泄漏气体红外成像检测技术，通过图像滤波和增强处理后在视频中直接呈现泄漏气体，由于原理和制作工艺的局限性，热成像探测器灵敏度低、红外图像对比度差，需要对泄漏气体进行针对性的红外图像增强算法处理。同时红外图像中的气体云团边缘模糊、呈半透明受背景影响较大的情况，使泄漏气体的判断更为困难。
本申请实施例公开了一种气体特征图生成方法、装置、电子设备和存储介质，通过融合气体的多个方面的特征图，增强气体特征，得到具有更多气体特征的气体特征图，从而提高气体检测的精准性。
图1为一个实施例中气体特征图生成方法的应用场景图。如图1所示，气体特征图生成方法可应用于气体检测系统100，气体检测系统100可包括气体探测器110、位于气体探测器110上的拍摄装置120及与气体探测器110相连接的电子设备130。气体探测器110可包括但不限于红外吸收式气体探测器、激光吸收光谱式气体探测器等，本申请实施不作限定。拍摄装置120可包括但不限于红外热成像仪、数码相机、数字影像设备、X线计算机体层成像设备等可成像设备。电子设备130可包括但不限于手机、智能穿戴设备、平板电脑、PC(Personal Computer，个人计算机)、计算机等，本申请实施例不做限定。
可选地，拍摄装置120的种类不同，所拍摄得到的图像或视频不同，可以是RGB(红绿蓝三原色)色彩域的、CMY/CMYK(Cyan，Magenta，Yellow，Black)色彩域的、也可以是灰度成像的。气体探测器110在接收到拍摄装置120获取的图像或视频后，采集图像或视频的数据信息，主要是获取图像或视频的灰度信息，并通过发送给电子设备130处理数据，得到气体特征图。与气体探测器110相连接的电子设备130可以独立于气体探测器110之外仅通过数据线连接，也可位于气体探测器110内部。
在一些实施例中，气体检测系统100可应用于包括但不限于石油化工、制药行业、食品行业等领域上进行气体的检测，尤其是在泄漏气体的检测方面。
在本申请实施例中，通过气体探测器110上的拍摄装置120获取图像或视频，由气体探测器110采集图像或视频中的红外气体图像数据，并将红外气体图像数据发送到电子设备130，电子设备130根据气体的多个特征，生成弱信号特征图、吸收特征图及扩散特征图，并将得到的弱信号特征图、吸收特征图及扩散特征图进行融合得到具有更多气体特征的气体特征图。使得电子设备130能够从气体的多个方面特征出发，根据具有更多气体特征的气体特征图，进行气体检测分析，从而提高气体检测的精准性。
如图2所示，在一个实施例中，提供一种气体特征图生成方法，可应用于上述电子设备，该方法可包括以下步骤：
步骤210，获取红外气体探测器采集的红外气体图像数据。
气体探测器是一种利用物理方法或者化学方法气体泄露浓度检测的工具，能够检测环境中存在的气体种类和浓度，主要分类有电化学传感器和催化燃烧式传感器(可燃气体)或红外传感器等。红外气体探测器是工业上比较经常使用的，利用红外原理检测气体浓度，以红外吸收型为主，核心部件为红外传感器，利用不同气体对红外波吸收程度不同，通过测量红外吸收波长来检测气体。由不同原子构成的分子会有独特的振动、转动频率，当其受到相同频率的红外线照射时，就会发生红外吸收，从而引起红外光强的变化。在一些实施例中，使用的红外气体探测器在采集的红外气体图像数据时，可以通过红外传感器测量红外线强度的变化或特征吸收峰位置的吸收情况，有效地分辨气体的种类，准确测定气体浓度。
在一些实施例中，红外气体探测器的红外传感器采集的红外气体图像数据包括16位灰度图像数据，但不限于此，也可以是12位灰度图像数据等。
步骤220，根据每帧红外气体图像数据提取弱信号特征，以生成弱信号特征图；弱信号特征用于表征微弱气体的信号。
弱信号指的是微弱气体发出的信号，微弱气体主要指声信号、光信号或电信号等消息强度低，既小又弱，不易被接收、感觉到或设备接收的气体。
在一些实施例中，可根据红外气体图像数据生成灰度直方图，并利用灰度直方图确定红外气体图像数据的弱信号特征，弱信号特征可以是灰度直方图中弱灰度对应的信号。其中，弱灰度指的是每帧红外气体图像数据中具有相同灰度值的像素点的占比小于比例阈值时这些像素点的灰度值。通过获取红外气体图像数据的灰度直方图，一般情况下，灰度直方图横坐标表示灰度值，纵坐标表示各个灰度值出现的次数，再根据灰度直方图纵坐标的数值，找到红外气体图像数据中的弱灰度，具体地，通过红外气体图像数据的灰度直方图找到灰度值出现的频率小的灰度作为弱信号特征。
在本申请实施例中，从每帧红外气体图像数据提取弱信号特征，生成弱信号特征图，能够帮助当气体刚开始泄漏或微量泄漏等气体强度较弱的情况下，根据针对性检测微弱气体的信号，能够在微弱气体的检测方面提高气体检测的精准性。
步骤230，根据多帧红外气体图像数据提取吸收特征，以生成吸收特征图；吸收特征用于表征气体对红外光谱的吸收特性。
对多帧红外气体图像数据进行处理，需要先进行多帧红外气体图像数据的缓存，指的是将多幅图像或多帧数据保存在单个文件中，主要用于对时间或场景上相关图像集合进行操作的场合。在一些实施例中，根据多帧红外气体图像数据提取吸收特征，以生成吸收特征图之前，电子设备会先缓存多帧红外气体图像数据，以便用于数据处理。一般情况下，缓存的多帧红外气体图像数据具有时间或者空间上的连续性。具体地，可使用函数cv.imwritemulti()将多帧红外气体图像数据进行缓存到指定文件，并使用函数cv.imreadmulti()从指定文件中读取多帧红外气体图像数据，从中提取吸收特征，生成吸收特征图。
红外光谱红外光与物质的相互作用产生的，属于分子光谱，有红外发射和红外吸收光谱两种，常用的一般为红外吸收光谱。其中，红外光，又叫红外线，是波长比可见光要长的电磁波(光)，波长为770纳米到1毫米之间，绝大多数有机物和无机物的基频吸收带都出现在中红外区，因此通常所说的红外光谱即指中红外光谱。
一般而言，一束不同波长的红外射线照射到物质的分子上，某些特定波长的红外射线被吸收，形成这一分子的红外吸收光谱。每种分子都有由其组成和结构决定的独有的红外吸收光谱，因此气体对红外线也具备吸收特性，可以通过提取红外气体图像数据中气体的吸收特征，生成吸收特征图。通过吸收特征图分析出特定波长的红外线被吸收的情况，若是该特定波长的红外线被大量吸收，能够初步判断存在该特定波长对应的气体。
在一些实施例中，可根据一段时间内红外气体图像数据的灰度变化提取吸收特征，以生成吸收特征图。为了放大气体的吸收特征，可通过计算一段时间内红外气体图像数据的灰度差值，得到的灰度图即为这段时间内红外气体图像数据的吸收特征图。
在本申请实施例中，从多帧红外气体图像数据提取吸收特征，通过吸收特征图分析不同波长的红外线被吸收的情况，能够检测是否存在该气体，提高对气体的精准检测，有助于在包括但不限于检测气体泄漏及泄漏气体的类别等方面提供帮助。
步骤240，根据至少一组相邻的红外气体图像数据提取扩散特征，以生成扩散特征图；扩散特征用于表征气体的扩散程度。
任何物质都不停的在做不规则运动，气体扩散指的是某种气体分子通过扩散运动而进入到其它气体里；因为气体分子的不规则运动比较激烈，所以扩散现象比较明显，大部分气体都具备明显的扩散特性。
由于气体的扩散特性较为明显，因此相邻的红外气体图像数据出现灰度变化时，很明显可以认为是由气体的扩散引起的。在一些实施例中，可以根据帧差法获取至少一组相邻的红外气体图像数据提取扩散特征，以生成扩散特征图。每组相邻的红外气体图像数据可包括两帧红外气体图像数据，进一步地，可以将相邻的可以两帧红外气体图像数据的灰度差值作为扩散特征，得到扩散特征图，例如，可以计算两帧或者三帧中两组相邻的红外气体图像数据的灰度差值，将得到的差值灰度图作为扩散特征图。
在本申请实施例中，从至少一组相邻的红外气体图像数据提取扩散特征，并获得扩散特征图，由扩散特征图可以观察到在相邻的红外气体图像数据中是否存在灰度变化，即是否出现气体的扩散现象，为气体的检测提提供一种可行的方法。由于扩散特征图是根据灰度差值得到灰度图像，即灰度差值越大图中存在气体扩散的可能性越大，因此，当扩散特征图中某个像素点的灰度值越大，表示该像素点在气体扩散前后的灰度变化越大，在环境压强温度不变的情况下，灰度变化越大表示气体的浓度越高，即气体的扩散速度越快；当扩散特征图中灰度值大的像素点比上一组相邻的红外气体图像数据扩散特征图中灰度值大的像素点多且灰度值更大，表示气体的扩散程度增大。因此，能够根据气体的扩散程度和扩散速度，结合环境因素在产生气体泄漏时，及时精准的分析出气体的泄漏时间和泄漏浓度，实现对气体的精准检测。
在本申请实施例中，执行上述步骤220生成弱信号特征图、步骤230生成吸收特征图及步骤240生成扩散特征图的先后顺序不作具体限定，可以是并行执行，也可以是串行执行，且互不干扰。
步骤250，将弱信号特征图、吸收特征图及扩散特征图进行融合，得到气体特征图。
将弱信号特征图、吸收特征图及扩散特征图进行融合，实质上是将三个图像的像素点等数据进行融合，具有多种融合方法。
在一些实施例中，可根据RGB色彩域融合三通道数据的方法，将弱信号特征图、吸收特征图及扩散特征图进行融合，得到气体特征图。可将弱信号特征图、吸收特征图及扩散特征图分别作为RGB的三个通道数据，使用merge()函数，将三个通道融合，生成气体特征图。
在一些实施例中，可根据弱信号特征图、吸收特征图及扩散特征图所占的权重进行融合，得到气体特征图。可对弱信号特征图、吸收特征图及扩散特征图进行主成分分析，通过降维寻找主成分，即寻找在各特征图中的灰度值主要集中在哪些灰度值范围，并根据主成分来确定各特征图的权重并完成融合，生成气体特征图。还可在将弱信号特征图、吸收特征图及扩散特征图相同像素点对应的灰度值分别赋予权值，将所有像素点对应的灰度值进行加权求和，得到气体特征图。
在一些实施例中，可利用变换域融合的方法，对弱信号特征图、吸收特征图及扩散特征图进行融合，获得气体特征图。可先利用变换算法将特征图分解为高低频率系数，对不同的系数采用不同的融合策略，分层次分方向地完成融合，再通过逆变换完成三个特征图的融合，得到气体特征图。具体地，金字塔是一种经典的变换域融合方法，首先将每个待融合图像作为最底层图像G0(高斯金字塔的第0层)，利用高斯核(例如：5*5)对其进行卷积(高斯平滑)，然后对卷积后的图像进行下采样(去除偶数行和列)得到上一层图像G1(高斯金字塔的第1层)，将此图像作为输入，重复卷积和下采样操作得到更上一层图像，反复迭代多次，形成金字塔形的图像数据结构，其中金字塔的每一层都包含了图像不同的频段，根据不同频段，将所有待融合图像生成的金字塔在各空间层上分别进行融合，获得融合图像。
在本申请实施例中，根据微弱气体的信号、气体对红外光谱的吸收特性和气体的扩散程度三方面，分别提取气体的弱信号特征、吸收特征和扩散特征，并将对应的特征图进行融合，来获得融合了三种气体特征的气体特征图，实现了在红外气体图像数据中对气体特征的提取，明显增强红外气体图像数据中的气体特征，从气体强度、气体吸收和气体扩散三个方面检测气体情况，能够通过三方面掌握并分析气体，并且通过融合气体的多种特征，提高了气体的检测精准性，尤其是在检测气体泄漏情况上，能够实现对气体的精准检测。
如图3所示，在一个实施例中，提供一种气体特征图生成方法，可应用于上述的电子设备，该方法可包括以下步骤：
步骤302，获取红外气体探测器采集的红外气体图像数据。
步骤302的描述可参照上述实施例中的步骤210的相关描述，在此不再赘述。
步骤304，根据第一红外气体图像数据，生成第一红外气体图像数据的灰度直方图。
其中，第一红外气体图像数据为任一红外气体图像数据。
灰度直方图是灰度级的函数，描述的是图像中每个灰度值像素点的个数，能够反映图像中每种灰度出现的频率。一般情况下，横坐标表示灰度值，纵坐标表示灰度值出现的次数。灰度直方图能够在使用轮廓线确定物体边界时，更好的选择边界阈值，进行阈值化处理，而且能够在物体与背景有较强对比时有效分割景物，因此，可以通过灰度直方图在红外气体图像数据中找到气体与背景的边界。
在一些实施例中，可以通过统计第一红外气体图像数据中所有像素点的灰度值以及每个灰度值的像素点个数，生成第一红外气体图像数据的灰度直方图。
在一些实施例中，将得到的灰度直方图进行归一化，获得第一红外气体图像数据中各级灰度值的出现概率，这里的出现概率指的是各个灰度值的像素点个数占所有像素点个数的比例。归一化后的灰度直方图的横坐标表示图像中各个像素点的灰度值，纵坐标表示出现该灰度值的概率。通过观察第一红外气体图像数据中各个灰度值的出现概率，更加直观地获取第一红外气体图像数据的灰度情况。
步骤306，根据灰度直方图，对第一位数的第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图。
其中，第一位数大于第二位数。在一些实施例中，第一位数可包括16位数，第二位数包括8位数。
灰度压缩指的是将图像的第一位数灰度级压缩至第二位数灰度级，这里的第一位数大于第二位数。进行灰度压缩比较简单的方法是直接除以第一位数灰度级到第二位数灰度级的倍数；具体地，若将第一位数灰度级为16位的图像进行灰度压缩为第二位数灰度级为8位的图像，可将第一位数灰度级的图像的所有灰度值除以2的16与8的差值次幂，完成灰度压缩。
进行灰度压缩也可先将直方图均衡化，或者计算累计直方图，取2％～98％范围内的灰度值作为有效范围再进行灰度压缩。这里的累计直方图值的纵坐标表示的是各个灰度值的像素点个数累计情况，即灰度值小于或等于横坐标对应灰度值的像素点个数占所有像素点个数的比例。
为了实现对微弱气体信号的增强以及方便检测分析，将提取到的弱信号特征，生成弱信号特征图。在一些实施例中，可通过将红外气体图像数据进行灰度压缩，以生成弱信号特征图。在将红外气体图像数据进行灰度压缩的过程中，降低弱信号对应的灰度的压缩程度，即，减小弱灰度的压缩比例，尽可能保留弱灰度的完整，以实现对弱信号的增强，经过灰度压缩得到的灰度图作为弱信号特征图。
在一些实施例中，可根据压缩程度对第一位数的第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图，这里的压缩程度指的是第一位数的最大灰度值与第二位数的最大灰度值相除的结果。具体地，将16位数的第一红外气体图像数据进行压缩，将第一红外气体图像数据的每个像素点的灰度值除以256，得到8位数的弱信号特征图。
在一些实施例中，可根据灰度直方图得到的灰度值分布情况，再根据灰度值分布情况，对第一位数的第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图。可根据灰度直方图得到弱灰度，这里的弱灰度对应的信号为弱信号，在对第一位数的第一红外气体图像数据进行灰度压缩时，降低弱灰度的压缩比例，以增强弱信号特征，得到弱信号特征图。
在本申请实施例中，可根据灰度直方图，确定弱灰度及强灰度，再根据弱灰度对应的第一压缩比例，以及强灰度对应的第二压缩比例，对第一位数的第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图。
其中，第一红外气体图像数据中分布在弱灰度的像素点的占比小于比例阈值；强灰度为灰度直方图中除弱灰度以外的灰度。在第一红外气体图像数据的灰度直方图中，像素点个数占比小于比例阈值的灰度称为弱灰度，像素点个数占比大于或等于比例阈值的灰度称为强灰度，比例阈值为一个位于0到1之间的数值，包括但不限于电子设备出厂时设置、使用时外部输入。
在一些实施例中，灰度直方图的纵坐标表示的是各个灰度值出现的频率，可通过将灰度直方图进行归一化，得到第一红外气体图像数据各个灰度值像素点的出现概率；根据出现概率与比例阈值相比较，确定弱灰度及强灰度。
在本申请实施例中，第一压缩比例小于第二压缩比例。第一压缩比例指的是在对第一红外气体图像数据进行灰度压缩时的弱灰度的压缩程度，第二压缩比例指的是在对第一红外气体图像数据进行灰度压缩时的强灰度的压缩程度，弱灰度的压缩程度小于强灰度的压缩程度，能够在得到的压缩结果中放大弱灰度，即增强弱灰度对应的弱信号，得到弱信号特征图。能够通过分析弱信号特征图，在气体刚发生泄漏时或泄漏浓度较低时，准确检测到气体。
针对每一红外气体图像数据，均可按照步骤304及步骤306的方式，得到相应的弱信号特征图。
在本申请实施例中，根据得到的灰度直方图，从每帧红外气体图像数据提取弱信号，并通过灰度压缩，减小弱灰度的压缩程度，尽可能保留弱灰度的完整，以实现对弱信号的增强，生成的弱信号特征图，根据针对性检测微弱气体的信号，能够在微弱气体的检测方面提高气体检测的精准性。
步骤308，确定第一时间段内多帧红外气体图像数据的每个像素点对应的最小灰度值以及目标灰度值。
第一时间段指的是规定时间，这里的规定时间可以是电子设备的出厂设定时间，也可以是在电子设备使用期间通过人工外部输入设定的时间。具体地，第一时间段可以是红外气体探测器采集十帧红外气体图像数据所用的时间，也可以是出厂设定的具体时间0.5s(秒)，或者也可以是外部输入的1s。
最小灰度值指的是在第一时间段内，由红外气体探测器采集到的多帧红外气体图像数据中每个相同像素点对应的灰度值的最小值。目标灰度值指的是在与最小灰度值的同一个第一时间段内，多帧红外气体图像数据中每个相同像素点对应的灰度值的最大值或平均值。
最小灰度值和对应的目标灰度值必须是在同一个第一时间段内获取的，能够避免出现最小灰度值和目标灰度值不属于同一个第一时间段的错位情况，导致后续计算和吸收特征图出错。
步骤310，计算每个像素点对应的目标灰度值与最小灰度值的差值，以得到吸收特征图。
根据气体对红外光谱的吸收特性，可以检测不同波长的红外线被吸收的情况，不同波长的红外线被吸收的情况在红外气体图像数据中最明显的表现是出现了灰度变化，因此，通过计算第一时间段内多帧红外气体图像数据的每个像素点对应的目标灰度值与最小灰度值的差值，来放大气体对红外光谱的吸收特征，以生成吸收特征图。具体地，可以分别计算每个像素点的在一段时间内的最大差值，以得到吸收特征图。
在一些实施例中，红外气体探测器所采集的红外气体图像数据并不是常使用的灰度级，因此得到的吸收特征图也不是电子设备识别的灰度图像，需要进行灰度级转化。具体地，得到的吸收特征图为16位灰度级时，需要进行灰度压缩转化为常用的8位灰度级。具体地，灰度压缩可以直接将16位灰度值的吸收特征图的每个像素点对应的灰度值分别除以256，获得8位灰度级的吸收特征图。
步骤312，确定至少一组相邻的红外气体图像数据对应的灰度差值，以得到扩散特征图。
至少一组相邻的红外气体图像数据指的是一定数量的相邻的红外气体图像数据。这里的一定数量可以是电子设备随机的数量或预先设定的数量，也可以是人工输入的数量。例如，可以是两帧或者三帧中两组相邻的红外气体图像数据。
由于大部分气体的扩散速度较快，能够在较短时间内有较大的扩散程度，因此，能够通过确定气体扩散前后至少一组相邻的红外气体图像数据对应的灰度变化，得到气体的扩散情况，通过计算至少一组相邻的红外气体图像数据对应的灰度差值，提取并放大气体的扩散特征，得到气体的扩散特征图，这里的扩散特征图表示的是气体的扩散程度对应的灰度变化。
在一些实施例中，根据红外气体探测器所采集的红外气体图像数据得到的扩散特征图为第一位数图像，需要进行灰度压缩，以生成第二位数的扩散特征图。
步骤314，将弱信号特征图、吸收特征图及扩散特征图进行融合，得到气体特征图。
步骤314的描述可参照上述实施例中的步骤250的相关描述，在此不再赘述。
在本申请实施例中，根据微弱气体的信号、气体对红外光谱的吸收特性和气体的扩散程度三方面，通过第一红外气体图像数据的灰度直方图和灰度压缩提取气体的弱信号特征、利用目标灰度值与最小灰度值的差值提取气体的吸收特征、计算相邻的红外气体图像数据对应的灰度差值提取其他的扩散特征，获得对应的特征图，并三种气体特征图进行融合，得到具备三种特性的气体特征图，能够明显增强红外气体图像数据中的气体特征，从气体强度、气体吸收和气体扩散三个方面检测和分析气体情况，并且通过融合气体的多种特征，提高了气体的检测准确率，尤其是在检测气体泄漏情况上，能够实现对气体的精准检测。
如图4所示，在一个实施例中，提供一种气体特征图生成方法，可应用于上述的电子设备，该方法可包括以下步骤：
步骤402，获取红外气体探测器采集的红外气体图像数据。
步骤404，根据第一红外气体图像数据，生成第一红外气体图像数据的灰度直方图。
步骤406，根据灰度直方图，对第一位数的第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图。
步骤408，确定第一时间段内多帧红外气体图像数据的每个像素点对应的最小灰度值以及目标灰度值。
步骤410，计算每个像素点对应的目标灰度值与最小灰度值的差值，以得到吸收特征图。
步骤412，确定至少一组相邻的红外气体图像数据对应的灰度差值，以得到扩散特征图。
步骤402到步骤412的描述可参照上述实施例中的步骤302到步骤312的相关描述，在此不再赘述。
步骤414，分别计算弱信号特征图、吸收特征图、扩散特征图对应的强度权值。
对应的强度权值指的是弱信号特征图或吸收特征图或扩散特征图的每个相同像素点的灰度值的权重。具体地，弱信号特征图对应的强度权值是弱信号特征图中每个像素点的灰度值除以在三个特征图中相同像素点的灰度值之和。
步骤416，将弱信号特征图、吸收特征图、扩散特征图按照分别对应的强度权值进行融合，得到气体特征图。
在一些实施例中，根据红外气体图像数据的弱信号特征图、吸收特征图、扩散特征图对应的强度权值融合得到的气体特征图，能够兼顾单个特征图数据，计算每个特征图的强度权值，通过加权综合所有的特征图得到具有更多气体特征的气体特征图，既能够从气体的弱信号特征、吸收特征、扩散特征三个方面检测气体，又能够根据检测时气体的三个特征的影响程度，灵活变化强度权值，得到气体特征图。
在本申请实施例中，通过对红外气体图像数据的处理，根据灰度直方图，确定弱灰度及强灰度，并在灰度压缩时实现弱信号的提取和增强，利用多帧或至少一组相邻的红外气体图像数据的灰度差值得到气体对红外光谱的吸收特性和气体的扩散程度，并将对应的特征图进行加权融合，来获得具有局部适应的灵活的气体特征图，实现了在红外气体图像数据中对气体特征的提取，明显增强红外气体图像数据中的气体特征，并且通过对应的强度权值融合气体的多种特征，实使得融合后的气体特征图能够具有更多气体特征，从而提高了对气体检测的精准性。
如图5所示，在一个实施例中，提供一种气体特征图生成方法，可应用于上述的电子设备，该方法可包括以下步骤：
步骤502，获取红外气体探测器采集的红外气体图像数据。
步骤504，根据第一红外气体图像数据，生成第一红外气体图像数据的灰度直方图。
步骤506，根据灰度直方图，对第一位数的第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图。
步骤508，确定第一时间段内多帧红外气体图像数据的每个像素点对应的最小灰度值以及目标灰度值。
步骤510，计算每个像素点对应的目标灰度值与最小灰度值的差值，以得到吸收特征图。
步骤512，确定至少一组相邻的红外气体图像数据对应的灰度差值，以得到扩散特征图。
步骤502到步骤512的描述可参照上述实施例中的步骤302到步骤312的相关描述，在此不再赘述。
步骤514，将弱信号特征图、吸收特征图、扩散特征图作为三个通道分量，进行多通道数据融合，得到气体特征图。
在一些实施例中，可根据多通道数据融合方法，将弱信号特征图、吸收特征图、扩散特征图作为三个通道分量，进行通道数据融合，得到气体特征图。可借助RGB融合红、绿、黄三个通道数据的方法，将弱信号特征图、吸收特征图、扩散特征图分别作为RGB的红、绿、黄三个通道数据，进行通道数据融合，得到气体特征图。具体地，可使用RGB三通道数据融合相关的函数，将弱信号特征图、吸收特征图、扩散特征图进行融合，得到气体特征图，相关函数包括但不限于cv2.merge()函数等。
在本申请实施例中，根据微弱气体的信号、气体对红外光谱的吸收特性和气体的扩散程度，提取气体的弱信号特征、吸收特征和扩散特征，并获得对应的特征图，通过多通道数据融合方法，将三个特征图进行融合，实现在红外气体图像数据中对气体特征的提取，并且明显增强红外气体图像数据中的气体特征，能够得到具有更多气体特征的气体特征图，从而提高气体检测的精准性。
如图6所示，在一个实施例中，提供一种气体特征图生成装置600，可应用于上述的电子设备。该气体特征图生成装置600，可包括数据获取模块610、信号特征模块620、吸收特征模块630、扩散特征模块640及特征融合模块650。
数据获取模块610，用于获取红外气体探测器采集的红外气体图像数据；
信号特征模块620，用于根据每帧红外气体图像数据提取弱信号特征，以生成弱信号特征图；弱信号特征用于表征微弱气体的信号；
吸收特征模块630，用于根据多帧红外气体图像数据提取吸收特征，以生成吸收特征图；吸收特征用于表征气体对红外光谱的吸收特性；
扩散特征模块640，用于根据至少一组相邻的红外气体图像数据提取扩散特征，以生成扩散特征图；扩散特征用于表征气体的扩散程度；
特征融合模块650，用于将弱信号特征图、吸收特征图及扩散特征图进行融合，得到气体特征图。
作为一种可选的实施方式，信号特征模块620，还用于根据第一红外气体图像数据，生成第一红外气体图像数据的灰度直方图；第一红外气体图像数据为任一红外气体图像数据；根据灰度直方图，对第一位数的第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图；第一位数大于第二位数。
可选地，信号特征模块620，还用于根据灰度直方图，确定弱灰度及强灰度；第一红外气体图像数据中分布在弱灰度的像素点的占比小于比例阈值；强灰度为灰度直方图中除弱灰度以外的灰度；根据弱灰度对应的第一压缩比例，以及强灰度对应的第二压缩比例，对第一位数的第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图；第一压缩比例小于第二压缩比例。
作为一种可选的实施方式，吸收特征模块630，还用于确定第一时间段内多帧红外气体图像数据的每个像素点对应的最小灰度值以及目标灰度值，目标灰度值为像素点对应的最大灰度值或平均灰度值；计算每个像素点对应的目标灰度值与最小灰度值的差值，以得到吸收特征图。
在一些实施例中，扩散特征模块640，还用于确定至少一组相邻的红外气体图像数据对应的灰度差值，以得到扩散特征图。
作为一种可选的实施方式，特征融合模块650，还用于分别计算弱信号特征图、吸收特征图、扩散特征图对应的强度权值；将弱信号特征图、吸收特征图、扩散特征图按照分别对应的强度权值进行融合，得到气体特征图。
可选地，特征融合模块650，还用于将弱信号特征图、吸收特征图及扩散特征图作为三个通道分量，进行多通道数据融合，得到气体特征图。
在本申请实施例中，对红外气体图像数据进行处理，根据微弱气体的信号、气体对红外光谱的吸收特性和气体的扩散程度，提取气体的弱信号特征、吸收特征和扩散特征，通过降低弱信号在灰度压缩时的压缩比例，保留较完整的弱信号来增强气体的弱信号特征、利用灰度差值来增强气体的吸收特征和扩散特征，并获得对应的特征图，通过融合三个特征图，实现在红外气体图像数据中对气体特征的提取，并且明显增强红外气体图像数据中的气体特征，并且融合了气体的多种特征，实现了对气体的精准检测。
图7为一个实施例中电子设备的结构框图。电子设备可以是手机、平板电脑、智能穿戴设备等设备。如图7所示，电子设备700可以包括一个或多个如下部件：处理器710、与处理器710耦合的存储器720，其中存储器720可存储有一个或多个计算机程序，一个或多个计算机程序可以被配置为由一个或多个处理器710执行时实现如上述各实施例中所描述的方法。
处理器710可以包括一个或者多个处理核。处理器710利用各种接口和线路连接整个电子设备700内的各个部分，通过运行或执行存储在存储器720内的指令、程序、代码集或指令集，以及调用存储在存储器720内的数据，执行电子设备700的各种功能和处理数据。可选地，处理器710可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器710可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器710中，单独通过一块通信芯片进行实现。
存储器720可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。存储器720可用于存储指令、程序、代码、代码集或指令集。存储器720可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等。存储数据区还可以存储电子设备700在使用中所创建的数据等。
可以理解地，电子设备700可包括比上述结构框图中更多或更少的结构元件，例如，包括电源、输入按键、摄像头、扬声器、屏幕、RF(Radio Frequency，射频)电路、Wi-Fi(Wireless Fidelity，无线保真)模块、蓝牙模块、传感器等，还可在此不进行限定。
本申请实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序被处理器执行时实现如上述各实施例中描述的方法。
本申请实施例公开一种计算机可读程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可被处理器执行时实现如上述各实施例描述的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等。
如此处所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括ROM、可编程ROM(Programmable ROM，PROM)、可擦除PROM(Erasable PROM，EPROM)、电可擦除PROM(Electrically ErasablePROM，EEPROM)或闪存。易失性存储器可包括随机存取存储器(random access memory，RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(Static RAM，SRAM)、动态RAM(Dynamic Random Access Memory，DRAM)、同步DRAM(synchronous DRAM，SDRAM)、双倍数据率SDRAM(Double Data Rate SDRAM，DDR SDRAM)、增强型SDRAM(Enhanced Synchronous DRAM，ESDRAM)、同步链路DRAM(Synchlink DRAM，SLDRAM)、存储器总线直接RAM(Rambus DRAM，RDRAM)及直接存储器总线动态RAM(DirectRambus DRAM，DRDRAM)。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在本申请的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本申请的各个实施例上述方法的部分或全部步骤。
以上对本申请实施例公开的一种气体特征图生成方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种气体特征图生成方法，其特征在于，所述方法包括：
获取红外气体探测器采集的红外气体图像数据；
根据每帧所述红外气体图像数据提取弱信号特征，以生成弱信号特征图；所述弱信号特征用于表征微弱气体的信号；
根据多帧红外气体图像数据提取吸收特征，以生成吸收特征图；所述吸收特征用于表征气体对红外光谱的吸收特性；
根据至少一组相邻的红外气体图像数据提取扩散特征，以生成扩散特征图；所述扩散特征用于表征气体的扩散程度；
将所述弱信号特征图、所述吸收特征图及所述扩散特征图进行融合，得到气体特征图。
2.根据权利要求1所述的方法，其特征在于，所述根据每帧所述红外气体图像数据提取弱信号特征，以生成弱信号特征图，包括：
根据第一红外气体图像数据，生成所述第一红外气体图像数据的灰度直方图；所述第一红外气体图像数据为任一红外气体图像数据；
根据所述灰度直方图，对第一位数的所述第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图；所述第一位数大于所述第二位数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述灰度直方图，对第一位数的所述第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图，包括：
根据所述灰度直方图，确定弱灰度及强灰度；所述第一红外气体图像数据中分布在所述弱灰度的像素点的占比小于比例阈值；所述强灰度为所述灰度直方图中除所述弱灰度以外的灰度；
根据所述弱灰度对应的第一压缩比例，以及所述强灰度对应的第二压缩比例，对第一位数的所述第一红外气体图像数据进行灰度压缩，得到第二位数的弱信号特征图；所述第一压缩比例小于所述第二压缩比例。
4.根据权利要求1所述的方法，其特征在于，所述根据多帧红外气体图像数据提取吸收特征，以生成吸收特征图，包括：
确定第一时间段内多帧红外气体图像数据的每个像素点对应的最小灰度值以及目标灰度值，所述目标灰度值为像素点对应的最大灰度值或平均灰度值；
计算所述每个像素点对应的目标灰度值与最小灰度值的差值，以得到吸收特征图。
5.根据权利要求1所述的方法，其特征在于，所述根据至少一组相邻的红外气体图像数据提取扩散特征，以生成扩散特征图，包括：
确定至少一组相邻的红外气体图像数据对应的灰度差值，以得到扩散特征图。
6.根据权利要求1～5任一项所述的方法，其特征在于，所述将所述弱信号特征图、所述吸收特征图及所述扩散特征图进行融合，得到气体特征图，包括：
分别计算所述弱信号特征图、所述吸收特征图、所述扩散特征图对应的强度权值；
将所述弱信号特征图、所述吸收特征图、所述扩散特征图按照分别对应的强度权值进行融合，得到气体特征图。
7.根据权利要求1～5任一项所述的方法，其特征在于，所述将所述弱信号特征图、所述吸收特征图及所述扩散特征图进行融合，得到气体特征图，包括：
将所述弱信号特征图、所述吸收特征图及所述扩散特征图作为三个通道分量，进行多通道数据融合，得到气体特征图。
8.一种气体特征图生成装置，其特征在于，所述装置包括：
数据获取模块，用于获取红外气体探测器采集的红外气体图像数据；
信号特征模块，用于根据每帧所述红外气体图像数据提取弱信号特征，以生成弱信号特征图；所述弱信号特征用于表征微弱气体的信号；
吸收特征模块，用于根据多帧红外气体图像数据提取吸收特征，以生成吸收特征图；所述吸收特征用于表征气体对红外光谱的吸收特性；
扩散特征模块，用于根据至少一组相邻的红外气体图像数据提取扩散特征，以生成扩散特征图；所述扩散特征用于表征气体的扩散程度；
特征融合模块，用于将所述弱信号特征图、所述吸收特征图及所述扩散特征图进行融合，得到气体特征图。
9.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403521.7A CN117593194B (zh) | 2023-10-26 | 2023-10-26 | 气体特征图生成方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403521.7A CN117593194B (zh) | 2023-10-26 | 2023-10-26 | 气体特征图生成方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117593194A true CN117593194A (zh) | 2024-02-23 |
| CN117593194B CN117593194B (zh) | 2024-05-28 |
Family
ID=89910544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311403521.7A Active CN117593194B (zh) | 2023-10-26 | 2023-10-26 | 气体特征图生成方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117593194B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016694A (zh) * | 2017-04-12 | 2017-08-04 | 国网山东省电力公司电力科学研究院 | 一种基于红外视频的sf6气体泄漏自动检测方法 |
| CN115423861A (zh) * | 2022-08-12 | 2022-12-02 | 广州科易光电技术有限公司 | 气体泄露检测方法及装置、设备、存储介质 |
| CN116152254A (zh) * | 2023-04-20 | 2023-05-23 | 北京万龙精益科技有限公司 | 工业泄露目标气体检测模型训练方法、检测方法、电子设备 |
| CN116147842A (zh) * | 2022-11-14 | 2023-05-23 | 广州科易光电技术有限公司 | 气体泄露检测方法及装置、设备、存储介质 |
| CN116309473A (zh) * | 2023-03-20 | 2023-06-23 | 中国科学技术大学先进技术研究院 | 气体泄漏检测模型的训练方法和气体泄漏检测方法 |
| CN116310713A (zh) * | 2023-02-16 | 2023-06-23 | 嘉洋智慧安全科技(北京)股份有限公司 | 红外图像识别方法、装置、电子设备及存储介质 |
-
2023
- 2023-10-26 CN CN202311403521.7A patent/CN117593194B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016694A (zh) * | 2017-04-12 | 2017-08-04 | 国网山东省电力公司电力科学研究院 | 一种基于红外视频的sf6气体泄漏自动检测方法 |
| CN115423861A (zh) * | 2022-08-12 | 2022-12-02 | 广州科易光电技术有限公司 | 气体泄露检测方法及装置、设备、存储介质 |
| CN116147842A (zh) * | 2022-11-14 | 2023-05-23 | 广州科易光电技术有限公司 | 气体泄露检测方法及装置、设备、存储介质 |
| CN116310713A (zh) * | 2023-02-16 | 2023-06-23 | 嘉洋智慧安全科技(北京)股份有限公司 | 红外图像识别方法、装置、电子设备及存储介质 |
| CN116309473A (zh) * | 2023-03-20 | 2023-06-23 | 中国科学技术大学先进技术研究院 | 气体泄漏检测模型的训练方法和气体泄漏检测方法 |
| CN116152254A (zh) * | 2023-04-20 | 2023-05-23 | 北京万龙精益科技有限公司 | 工业泄露目标气体检测模型训练方法、检测方法、电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| XIAOJUN TANG: "A Novel Approach to Information Fusion for Multicomponent Gas Quantitative Analysis with Fourier Transform Infrared Spectrometer", 《IEEE XPLORE》, 28 October 2018 (2018-10-28) * |
| 冉维维: "融合光谱-空间-时相特征的天然气微泄漏胁迫植被识别", 《CNKI中国知网》, 15 February 2023 (2023-02-15) * |
| 陈磊: "基于数据融合技术二氧化硫检测方法的研究", 《CNKI中国知网》, 15 March 2007 (2007-03-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117593194B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109118470B (zh) | 一种图像质量评价方法、装置、终端和服务器 | |
| CN116091497B (zh) | 遥感变化检测方法、装置、电子设备和存储介质 | |
| CN113705788B (zh) | 基于全卷积神经网络的红外图像温度估计方法及系统 | |
| JP2022539909A (ja) | 電子デバイスフレーム外観瑕疵検査方法及び装置 | |
| CN112465077A (zh) | 水果糖度无损检测方法、装置、计算机设备和存储介质 | |
| CN111079807B (zh) | 一种地物分类方法及装置 | |
| CN109903272A (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
| CN113705361A (zh) | 活体检测模型的方法、装置及电子设备 | |
| CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
| CN114529462A (zh) | 一种基于改进YOLO V3-Tiny的毫米波图像目标检测方法及系统 | |
| US20180033156A1 (en) | Method and device for filtering texture, using patch shift | |
| Chen et al. | Attentive generative adversarial network for removing thin cloud from a single remote sensing image | |
| CN103035185A (zh) | 数字黑白图像的缺陷像素的亮度校正方法 | |
| CN117593194B (zh) | 气体特征图生成方法、装置、电子设备和存储介质 | |
| CN113822871A (zh) | 基于动态检测头的目标检测方法、装置、存储介质及设备 | |
| CN115205246B (zh) | 换流阀电晕放电紫外图像特征提取方法和装置 | |
| Narwaria et al. | An objective method for High Dynamic Range source content selection | |
| CN111179245A (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
| CN115115653A (zh) | 一种冷热冲击试验箱精细化温度校准方法 | |
| CN111325732B (zh) | 面部残留物检测方法及相关设备 | |
| Feng et al. | A new mesh visual quality metric using saliency weighting-based pooling strategy | |
| CN105796051A (zh) | 三维生理检测系统及其操作方法 | |
| CN116977911A (zh) | 基于注意力机制的目标检测模型及其训练方法、目标检测方法 | |
| Yao et al. | Quality assessment for multi-exposure fusion light field images with dynamic region segmentation | |
| CN113933293A (zh) | 浓度检测方法及装置 |
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 |