弱小气体泄漏目标增强与快速实现方法

摘要

本发明涉及数据识别技术领域，具体涉及一种弱小气体泄漏目标增强与快速实现方法，包括以下步骤：第一步，对所测区域介质的红外图像进行滤波；第二步，计算滤波后红外图像中各点的频率信息，根据频率信息确定边缘；第三步，采用仪器设备剔除算法剔除第二步中的仪器/设备边缘所围成的区域，保留其余边缘围成的区域；第四步，采用自适应阈值计算方法第三步中保留区域的上限阈值t1和下限阈值t2；第五步，利用自适应双平台直方图均衡化方法实现泄漏目标的图像增强。本发明有效提高弱小气体泄漏目标检测精度，执行效率高。

说明书

技术领域

本发明涉及数据识别技术领域，具体涉及一种弱小气体泄漏目标增强与快速实现方法。

背景技术

工业生产中气体泄漏事故所造成的危害是多方面的。甲苯和二甲苯等易燃易爆气体一旦发生泄漏，极有可能发生火灾、爆炸等危害人民生命财产安全的严重事故。乙二醇醚类各种有毒有害工业气体的泄漏同样严重危及人体及动植物的生命安全。因此，泄漏气体检测在涉及危害气体的相关产业中尤为重要。

与可见光图像相比，红外图像目标与背景的对比度较差，物体边缘比较模糊，信噪比较低，整体视觉效果模糊，需要进行增强处理。尤其当气体的泄漏量较小，再加上工业环境中管道和设备众多，背景复杂，泄漏气体目标在红外图像中更加不明显，因此需要对气体目标进行增强。

红外图像增强方法可分为空域图像增强和频域图像增强两大类。空域是指组成图像的像素的集合，空域图像增强是直接对图像中像素灰度值进行运算处理；频域图像增强是对图像经傅立叶变换后的频谱成分进行操作，然后逆傅立叶变换获得所需结果。上述方法对红外图像的增强都具有一定效果，但是弱小气体目标极易受复杂背景以及噪声的干扰，因此采用以上方法实现图像增强效果并不理想。另外，实时性是气体检测重要的性能指标，在手持式的泄漏气体检测装置中，如何利用有限的处理器资源，有效提高图像增强的处理速度，现有的方法也未提及。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种弱小气体泄漏目标增强与快速实现方法，提高弱小气体泄漏目标检测精度，执行效率高。

本发明为解决其技术问题所采用的技术方案为：

所述弱小气体泄漏目标增强与快速实现方法，包括以下步骤：

第一步，对所测区域介质的红外图像进行滤波；

第二步，计算滤波后红外图像中各点的频率信息，根据频率信息确定边缘；

第三步，采用仪器设备剔除算法剔除第二步中的仪器/设备边缘所围成的区域，保留其余边缘围成的区域；

第四步，采用自适应阈值计算方法第三步中保留区域的上限阈值t₁和下限阈值t₂；

第五步，利用自适应双平台直方图均衡化方法实现泄漏目标的图像增强；

其中，其中，第一步到第五步执行流程设置为流水线结构。

考虑到红外图像的噪声主要由颗粒噪声和一些随机噪声组成，可利用中值滤波和均值滤波等平滑线性滤波方法完成对红外图像的滤波；滤波完成后计算红外图像中各点的频率信息，频率信息较高的像素点即为边缘区域，优先选取|B(x,y)|≥20的像素点，由于图像中的边缘可能包括气体边缘和仪器/设备的边缘，因此首先对仪器/设备的边缘进行剔除，只保留气体的边缘围成的区域，最后采用自适应双平台直方图均衡化的方法实现对图像目标的增强。上述各步骤之间可以顺序执行且又相互关联，即当前步骤需要上一步骤的处理结果才能继续执行，采用流水线的方法对弱小气体泄漏目标增强算法进行设置，有效提高算法的执行效率。

其中，优选方案为：

所述第二步中频率信息计算公式如下：

$\begin{array}{c}B(x,y)=f(x-1,y-1)+f(x-1,y)+f(x-1,y+1)\\ +f(x+1,y-1)+f(x-1,y)+f(x+1,y+1)\\ +f(x,y-1)+f(x,y+1)-8f(x,y)\end{array}---\left(1\right)$

其中，f(x,y)是红外图像第x行，第y列像素点的灰度值，|B(x,y)|为该点的频率信息。如果f(x,y)与其邻域灰度值相差不大，该区域灰度值变化平缓，此时|B(x,y)|不会很大，如果f(x,y)与邻域的灰度值有很强的突变，此时|B(x,y)|会很大。因此，可根据|B(x,y)|的变化幅度来提取图像中的边缘。优先选取频率信息|B(x,y)|≥20的像素点为边缘区域，实际操作过程中，可根据检测环境确定|B(x,y)|的边缘取值。

所述第三步中仪器设备剔除算法具体为：

S31：先通过红外图像边缘的灰度值判断边缘是否属于同一个物体；

S32：确定同一物体的边缘后，利用公式(2)和(3)计算所有灰度值相同的边缘像素点在x和y方向的距离，

L_x＝|y₁-y₂|>

L_y＝|x₁-x₂|>

其中L_x为像素点(x,y₁)和像素点(x,y₂)在x方向上的距离，L_y为像素点(x₁,y)和像素点(x₂,y)在y方向上的距离；

S33：根据物体在x方向和y方向的距离特征查询图形库，若符合图形库中的特征标准，则为仪器/设备，对该物体区域进行剔除。

图像的一行像素中可能包括多个不同物体的边缘，一般不同的物体具有不同的灰度值，因此可先通过边缘的灰度值判断边缘是否属于同一个物体；若不同的物体具有相同的灰度值，此时需要判断边缘点之间的灰度值，若两边缘点之间的灰度值与边缘的相匹配，则说明该区域为一个物体，若两边缘点之间的灰度值变化较大，则不属于同一物体。

仪器/设备的边缘具有规则性，而气体形状多变，因此可利用边缘的形状特征剔除仪器/设备的边缘，本发明根据工业生产环境中常见仪器/设备的图形特征建立图形库，当物体边缘确定后，可通过查询图形库以确定是否为仪器/设备，然后剔除仪器/设备边缘，保留其余的边缘。例如在x方向和y方向的距离分别相同的物体区域即为方形的仪器/设备，在x方向和y方向的距离分别呈逐渐递增到某一最大值后又逐渐递减，x和y方向的最大值相同，且以最大距离所在的x或y坐标为轴心，物体的距离对称，则为圆形的仪器设备。实际使用过程中，可根据工业环境的变化随时向图形库中增加或删除图形特征，以提高仪器/设备的检测准确度和检测效率。

所述第三步剔除仪器/设备区域后，保留的区域可认为仪器/设备与气体相重叠的区域，可利用气体自身的细腻性、相关性和自相似性，分别采用角二阶矩、相关矩和分形维数纹理特征对保留区域的气体区域和仪器/设备区域进行区分，角二阶矩、相关矩和分形维数的计算公式分别如公式(4)、(5)和(6)所示：

$ASM=\underset{x^{\prime }=0}{\overset{l-1}{\Sigma }}{p}^2(x^{\prime },y^{\prime })---\left(4\right)$

$CORRLN=\frac{\underset{x^{\prime }=0}{\overset{l-1}{\Sigma }}\underset{y^{\prime }=0}{\overset{l-1}{\Sigma }}xyp(x^{\prime },y^{\prime })-m_1{m}_2}{s_1^2{s}_2^2}---\left(5\right)$

$D=\frac{log\left(N_r\right)}{1og(1/r)}---\left(6\right)$

其中，其中p(x',y')为归一化后的灰度共生矩阵值，x'和y'分别表示灰度共生矩阵的横、纵坐标值，l为灰度共生矩阵的行列数，m₁、m₂、和分别为x'和y'的均值和方差，N_r表示覆盖整个图像所需的盒子数，r为图像划分的尺度。

上限阈值t₁和下限阈值t₂是自适应双平台直方图均衡化方法的前提和基础，阈值选得合适与否，将直接影响到该算法对图像的增强效果，而且针对不同的图像需要选择不同的上限和下限阈值，阈值的选取速度也直接影响图像增强算法的执行效率。所述自适应阈值计算方法具体为：

S41：根据第三步得到的非仪器/设备区域，得到该区域中各像素点的灰度值，将每个灰度值对应的像素点数通过直方图进行表达，结合直方图得到该灰度区域的包络，包络中的灰度最大值即为上限阈值t₁；

S42：统计原始红外图像直方图，获得该直方图高峰对应的灰度值G_b；

S43：计算第三步检测到的每个仪器/设备区域灰度平均值，找出各仪器/设备区域灰度平均值中的灰度最大值G_max；

S44：比较G_b和G_max，如果G_b>G_max，t₂＝G_b，G_b<＝G_max，t₂＝G_max。

由于无法直接从直方图上看出气体目标区域的灰度范围，因此，无法从直方图上直接得到上限阈值t₁，本发明将气体区域识别与直方图想结合，计算得到上限阈值t₁。上限阈值t₁代表气体目标与不感兴趣区域的分界点，也即上限阈值t₁代表气体目标区域灰度的上限，步骤S41取包络中的灰度最大值而不是气体区域的灰度最大值，是为了有效抑制图像中单点噪声的影响。

通过对原始红外图像直方图特点的分析，可以得到由于大范围低灰度的背景使得原始直方图会出现高峰现象。此外，图像中还存在各种仪器设备，一般仪器/设备的温度要低于气体的温度，因此仪器/设备区域的灰度值要小于气体区域的灰度值，为了增强目标区域，需要最大程度地抑制背景和仪器/设备区域，故所选取的下限阈值t₂必须要尽可能地包含直方图高峰所对应的灰度值和仪器/设备区域的灰度值，这样对小于下限阈值t₂的灰度进行压缩的时候，不仅对背景进行了压缩，同时对仪器/设备区域进行压缩，从而更好的突出气体目标区域。

所述自适应双平台直方图均衡化方法具体为：

S51：得到上限阈值t₁和下限阈值t₂后，利用公式(7)计算得到分段变换后的图像。

$P_r(x,y)=\left(\begin{array}{cc}{t}_1& P(x,y)\ge t_1\\ P(x,y)& T_2\le P(x,y)\le t_1\\ t_2& P(x,y)\le t_2\end{array}\right)---\left(7\right)$

其中t₁为上限阈值，t₂为下限阈值，P(x,y)为是红外图像第x行，第y列像素点的原始灰度值，P_r(x,y)为转换后的图像灰度；

S52：利用公式(8)重新累计红外图像直方图，并根据公式(9)对图像的灰度级重新进行分配，得到均衡化的灰度值，

$\begin{array}{cc}{F}_r\left(k\right)=\underset{j=0}{\overset{k}{\Sigma }}P\left(j\right)& 0\le k\le M\end{array}---\left(8\right)$

其中F_r(k)为转换后的统计直方图，D_r(k)为灰度为k的像素在直方图均衡化后的灰度值。

所述步骤S51和步骤S52执行流程也设置为流水线结构。

与现有技术相比，本发明具有以下有益效果：

本发明有效提高弱小气体泄漏目标检测精度，执行效率高。考虑到红外图像的噪声主要由颗粒噪声和一些随机噪声组成，利用中值滤波和均值滤波等平滑线性滤波方法完成图像的滤波；滤波完成后计算红外图像中各点的频率信息，频率信息较高的像素点即为边缘区域，由于图像中的边缘可能包括气体边缘和仪器/设备的边缘，因此首先对仪器/设备的边缘进行剔除，只保留气体的边缘，最后采用自适应双平台直方图均衡化的方法实现对图像目标的增强。上述各步骤之间可以顺序执行且又相互关联，即当前步骤需要上一步骤的处理结果才能继续执行，采用流水线的方法对弱小气体泄漏目标增强算法进行设计，有效提高算法的执行效率。

附图说明

图1本发明仪器设备剔除算法的流程图。

图2本发明下限阈值t₂计算流程图。

图3本发明流水线计算流程图。

具体实施方式

下面结合附图对本发明实施例做进一步描述：

实施例1：

本发明所述弱小气体泄漏目标增强与快速实现方法，包括以下步骤：

第一步，对所测区域介质的红外图像进行滤波；

第二步，计算滤波后红外图像中各点的频率信息，根据频率信息确定边缘；

第三步，采用仪器设备剔除算法剔除第二步中的仪器/设备边缘所围成的区域，保留其余边缘围成的区域；

第四步，采用自适应阈值计算方法第三步中保留区域的上限阈值t₁和下限阈值t₂；

第五步，利用自适应双平台直方图均衡化方法实现泄漏目标的图像增强；

其中，第二步中频率信息计算公式如下：

$\begin{array}{c}B(x,y)=f(x-1,y-1)+f(x-1,y)+f(x-1,y+1)\\ +f(x+1,y-1)+f(x-1,y)+f(x+1,y+1)\\ +f(x,y-1)+f(x,y+1)-8f(x,y)\end{array}---\left(1\right)$

其中，f(x,y)是红外图像第x行，第y列像素点的灰度值，|B(x,y)|为该点的频率信息。如果f(x,y)与其邻域灰度值相差不大，该区域灰度值变化平缓，此时|B(x,y)|不会很大，如果f(x,y)与邻域的灰度值有很强的突变，此时|B(x,y)|会很大。因此，可根据|B(x,y)|的变化幅度来提取图像中的边缘。

红外图像的一行像素中可能包括多个不同物体的边缘，一般不同的物体具有不同的灰度值，因此可先通过边缘的灰度值判断边缘是否属于同一个物体；若不同的物体具有相同的灰度值，此时需要判断边缘点之间的灰度值，若两边缘点之间的灰度值与边缘的相匹配，则说明该区域为一个物体，若两边缘点之间的灰度值变化较大，则不属于同一物体。

仪器/设备的边缘具有规则性，而气体形状多变，因此可利用边缘的形状特征剔除仪器设备的边缘，本发明根据工业生产环境中常见仪器设备的图形特征建立图形库，当物体边缘确定后，可通过查询图形库以确定是否为仪器/设备，然后剔除仪器/设备边缘，保留其余的边缘。例如在x方向和y方向的距离分别相同的物体区域即为方形的仪器设备，在x方向和y方向的距离分别呈逐渐递增到某一最大值后又逐渐递减，x和y方向的最大值相同，且以最大距离所在的x或y坐标为轴心，物体的距离对称，则为圆形的仪器设备。实际使用过程中，可根据工业环境的变化随时向图形库中增加或删除图形特征，以提高仪器设备的检测准确度和检测效率。

如图1所示，所述第三步中仪器设备剔除算法具体为：

S31：先通过红外图像边缘的灰度值判断边缘是否属于同一个物体；

S32：确定同一物体的边缘后，利用公式(2)和(3)计算所有灰度值相同的边缘像素点在x和y方向的距离，

L_x＝|y₁-y₂|>

L_y＝|x₁-x₂|>

其中L_x为像素点(x,y₁)和像素点(x,y₂)在x方向上的距离，L_y为像素点(x₁,y)和像素点(x₂,y)在y方向上的距离；

S33：根据物体在x方向和y方向的距离特征查询图形库，若符合图形库中的特征标准，则为仪器/设备，对该物体区域进行剔除。

所述第三步剔除仪器/设备区域后，保留的区域可认为仪器/设备与气体相重叠的区域，可利用气体自身的细腻性、相关性和自相似性，分别采用角二阶矩、相关矩和分形维数纹理特征对保留区域的气体区域和仪器/设备区域进行区分，角二阶矩、相关矩和分形维数的计算公式分别如公式(4)、(5)和(6)所示：

$ASM=\underset{x^{\prime }=0}{\overset{l-1}{\Sigma }}{p}^2(x^{\prime },y^{\prime })---\left(4\right)$

$CORRLN=\frac{\underset{x^{\prime }=0}{\overset{l-1}{\Sigma }}\underset{y^{\prime }=0}{\overset{l-1}{\Sigma }}xyp(x^{\prime },y^{\prime })-m_1{m}_2}{s_1^2{s}_2^2}---\left(5\right)$

$D=\frac{log\left(N_r\right)}{1og(1/r)}---\left(6\right)$

其中，其中p(x',y')为归一化后的灰度共生矩阵值，x'和y'分别表示灰度共生矩阵的横、纵坐标值，l为灰度共生矩阵的行列数，m₁、m₂、和分别为x'和y'的均值和方差，N_r表示覆盖整个图像所需的盒子数，r为图像划分的尺度。

上限阈值t₁和下限阈值t₂是自适应双平台直方图均衡化方法的前提和基础，阈值选得合适与否，将直接影响到该算法对图像的增强效果，而且针对不同的图像需要选择不同的上限和下限阈值，阈值的选取速度也直接影响图像增强算法的执行效率。如图2所示，所述自适应阈值计算方法具体为：

S41：根据第三步得到的非仪器/设备区域，得到该区域中各像素点的灰度值，将每个灰度值对应的像素点数通过直方图进行表达，结合直方图得到该灰度区域的包络，包络中的灰度最大值即为上限阈值t₁；

S42：统计原始红外图像直方图(原始红外图像中每个灰度值对应的像素点数通过直方图进行表达)，获得该直方图高峰对应的灰度值G_b；

S43：计算第三步检测到的每个仪器/设备区域灰度平均值，找出各仪器/设备区域灰度平均值中的灰度最大值G_max；

S44：比较G_b和G_max，如果G_b>G_max，t₂＝G_b，G_b<＝G_max，t₂＝G_max。

由于无法直接从直方图上看出气体目标区域的灰度范围，因此，无法从直方图上直接得到上限阈值，本发明将气体区域识别与直方图想结合，计算得到上限阈值t₁。上限阈值t₁代表气体目标与不感兴趣区域的分界点，也即上限阈值t₁代表气体目标区域灰度的上限，步骤S41取包络中的灰度最大值而不是气体区域的灰度最大值，是为了有效抑制图像中单点噪声的影响。

通过对原始红外图像直方图特点的分析，可以得到由于大范围低灰度的背景使得原始直方图会出现高峰现象。此外，图像中还存在各种仪器设备，一般仪器/设备的温度要低于气体的温度，因此仪器/设备区域的灰度值要小于气体区域的灰度值，为了增强目标区域，需要最大程度地抑制背景和仪器/设备区域，故所选取的下限阈值t₂必须要尽可能地包含直方图高峰所对应的灰度值和仪器设备区域的灰度值，这样对小于下限阈值t₂的灰度进行压缩的时候，不仅对背景进行了压缩，同时对仪器/设备区域进行压缩，从而更好的突出气体目标区域。

所述自适应双平台直方图均衡化方法具体为：

S51：得到上限阈值t₁和下限阈值t₂后，利用公式(7)计算得到分段变换后的图像。

$P_r(x,y)=\left(\begin{array}{cc}{t}_1& P(x,y)\ge t_1\\ P(x,y)& T_2\le P(x,y)\le t_1\\ t_2& P(x,y)\le t_2\end{array}\right)---\left(7\right)$

其中t₁为上限阈值，t₂为下限阈值，P(x,y)为是红外图像第x行，第y列像素点的原始灰度值，P_r(x,y)为转换后的图像灰度；

S52：利用公式(8)重新累计红外图像直方图，并根据公式(9)对图像的灰度级重新进行分配，得到均衡化的灰度值，

$\begin{array}{cc}{F}_r\left(k\right)=\underset{j=0}{\overset{k}{\Sigma }}P\left(j\right)& 0\le k\le M\end{array}---\left(8\right)$

其中F_r(k)为转换后的统计直方图，D_r(k)为灰度为k的像素在直方图均衡化后的灰度值。

上述执行步骤主要包括滤波、计算频率信息、剔除仪器设备边缘、确定上下限阈值、灰度转换和直方图均衡化等子任务。各个子任务之间可以顺序执行且又相互关联，即当前子任务需要前一级子任务的处理结果才能继续执行。因此采用流水线结构对本发明进行设置，以提高算法的执行效率。如图3所示，根据各个子任务将流水线划分为六级，每一级流水线分别处理一个子任务。S₁级根据滤波算法对输入红外图像进行滤波，并将滤波后的红外图像数据缓存到存储器R₁中，S₂级读取滤波后的红外图像数据，并计算各像素点的频率信息，并将频率信息缓存到存储器R₂，S₃级根据频率信息，利用仪器设备剔除算法将仪器/设备的边缘区域剔除，并将剔除仪器/设备边缘后的图像数据保存到存储器R₃中，然后S₄级读取R₃中的图像数据，根据自适应阈值计算方法，得到图像的上限阈值t₁和下限阈值t₂，并将上限阈值t₁和下限阈值t₂保存到R₄中，S₅级根据上限阈值t₁和下限阈值t₂，利用公式(7)对图像进行灰度转换，并将转换后的图像数据保存到存储器R₅中，S₆级利用公式(8)和(9)得到直方图均衡化后的图像数据，并保存到存储器R₆中。至此，流水线执行完毕。

当各个子任务填满流水线后，每个时钟周期即可输出一副均衡化后的图像数据，从而提高了目标增强算法的执行效率。另外，为了降低时钟周期，提高算法的执行效率，可将每一级流水线采用多个处理单元并行的方法对图像的多个子模块并行处理。