CN109389132A - 一种基于图像的雾浓度检测预警方法及*** - Google Patents
一种基于图像的雾浓度检测预警方法及*** Download PDFInfo
- Publication number
- CN109389132A CN109389132A CN201811138236.6A CN201811138236A CN109389132A CN 109389132 A CN109389132 A CN 109389132A CN 201811138236 A CN201811138236 A CN 201811138236A CN 109389132 A CN109389132 A CN 109389132A
- Authority
- CN
- China
- Prior art keywords
- mist
- concentration
- image
- early warning
- correlated characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003595 mist Substances 0.000 title claims abstract description 143
- 238000012360 testing method Methods 0.000 title claims abstract description 25
- 230000002596 correlated effect Effects 0.000 claims abstract description 62
- 230000000875 corresponding effect Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Dispersion Chemistry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像的雾浓度检测预警方法及***,通过提取一幅雾天图像中的雾相关特征,并基于所述雾相关特征建立多元高斯模型,以所述多元高斯模型拟合所述雾相关特征向量,并以马氏距离来量化所述单幅雾天图像的雾浓度;根据所述雾浓度的量化值对所述雾天图像所处于的浓度等级进行判定,以及根据判定出的浓度等级发出相应的预警信息。本发明所公开的预警方法及***,解决当前算法不能量化雾浓度等级的缺点,根据雾浓度的等级划分,提前预警,提醒驾驶员或车辆当前的天气状况,从而采用正确的操作措施。
Description
技术领域
本发明涉及数字图像处理及计算机视觉技术领域,尤其涉及的是一种基于图像的雾浓度检测预警方法及***。
背景技术
雾天空气中悬浮着大量微小悬浮粒子,由于其散射作用造成户外图像颜色和对比度严重退化,影响人们的视觉感受。特别是近年来,随着全球经济的高速发展以及所带来的环境污染等问题,使得内陆环境中常年都会有雾的出现,从而造成目标模糊不清甚至难以辨认,严重影响了交通视频监控***,非常不利于交通监测,同时也大大提高了交通安全事故。准确的从图像中检测出雾的浓度,不仅能够为监管人员提供必要的安全信息,而且能够很好的为驾驶员提供预警信息,从而降低安全事故;同时,还能够为图像去雾算法提供前期预处理判别图像有雾无雾,防止算法无为处理清晰图像而导致处理时间增加、空间复杂度提升,算法的效率降低。
近年来,国内外关于雾天图像的雾浓度的检测问题的研究还不是很多,所研究的方法通常选取图像的基本特征作为研究对象,比如对比度、灰度等统计特征,这些特征较单一,不能很好的反映雾的特征,通常造成雾浓度的估计不够精确;另外,通常的基于图像的雾浓度检测方法只能量化浓度值以判断图像是否有雾,但是并没有对雾的浓度等级进行量化,也就是算法的功能只告诉人们一幅图像是否有雾,但是该雾的浓度属于轻雾、大雾或浓雾,算法并没有告之。当此类算法应用到具体的场景时,比如道路交通场景中的自动驾驶车辆,由于算法不具有量化雾等级的功能,也就不能为驾驶员或车辆起到预警的作用,容易造成交通事故的发生。
因此,现有技术有待于进一步的改进。
发明内容
鉴于上述现有技术中的不足之处,本发明的目的在于提供一种基于图像的雾浓度检测预警方法及***,克服现有技术中不能根据雾天图像对雾的浓度等级进行量化,及时根据浓度等级给予提示的缺陷。
本发明公开的第一实施例为一种基于单幅图像的雾浓度检测预警方法,其中,包括:
获取一幅雾天图像;
提取所述雾天图像中的雾相关特征,并基于所述雾相关特征建立多元高斯模型,以所述多元高斯模型拟合所述雾相关特征向量,并以马氏距离来量化所述单幅雾天图像的雾浓度;
根据所述雾浓度的量化值对所述雾天图像所处于的浓度等级进行判定,以及根据判定出的浓度等级发出相应的预警信息。
可选的,所述雾浓度检测预警方法还包括:
提取雾相关特征,建立雾相关特征库;
所述雾相关特征包括:暗原色特征,局部均值对比度归一化系数,色度特征,白色指数,颜色衰减特征,色调不一致特征,梯度特征以及平均曲率特征。
可选的,所述以马氏距离来量化所述雾天图像的雾浓度步骤包括:
利用以下公式计算单幅雾天图像与多元高斯模型之间的马氏距离,并以计算出的所述马氏距离来量化所述单幅雾天图像的雾浓度:
其中,μ1和Σ1分别代表单幅雾天图像的雾相关特征的多元高斯模型拟合均值和协方差矩阵;μ2和Σ2分别代表一组不同浓度等级下标准雾天图像的雾相关特征的多元高斯模型均值和协方差矩阵。
可选的,所述浓度等级设置为多级;所述预警信息的预警模式设置为与所述浓度等级相同等级的多级预警模式。
可选的,所述根据判定出的浓度等级发出相应的预警信息的步骤包括:
当浓度等级为判定为第四级时,此时雾的浓度等级为低雾,预警***不发出报警信号;
当浓度等级为判定为第三级时,此时雾的浓度等级为中雾,预警***发出中级报警信号;
当浓度等级为判定为第二级时,此时雾的浓度等级为大雾,预警***发出高级报警信号;
当浓度等级为判定为第一级时,此时雾的浓度等级为浓雾,预警***发出特高级报警信号。
本发明公开的第二实施例为一种基于图像的单幅雾浓度检测预警***,其中,包括:图像获取装置、图像处理装置和预警装置;
所述图像获取装置,用于获取一幅雾天图像;
所述图像处理装置,用于提取所述雾天图像中的雾相关特征,并基于所述雾相关特征建立多元高斯模型,以所述多元高斯模型拟合所述雾相关特征向量,并以马氏距离来量化所述单幅雾天图像的雾浓度;
所述预警装置,用于根据所述雾浓度的量化值对所述雾天图像所处于的浓度等级进行判定,以及根据判定出的浓度等级发出相应的预警信息。
可选的,所述***还包括:
信息存储模块,用于提取雾相关特征,建立雾相关特征库;
所述雾相关特征包括:暗原色特征,局部均值对比度归一化系数,色度特征,白色指数,颜色衰减特征,色调不一致特征,梯度特征以及平均曲率特征。
可选的,所述图像处理装置还包括浓度值计算单元;
所述浓度值计算单元,用于利用以下公式计算单幅雾天图像与多元高斯模型之间的马氏距离,并以计算出的所述马氏距离来量化所述单幅雾天图像的雾浓度:
其中,μ1和Σ1分别代表单幅雾天图像的雾相关特征的多元高斯模型拟合均值和协方差矩阵;μ2和Σ2分别代表一组不同浓度等级下标准雾天图像的雾相关特征的多元高斯模型均值和协方差矩阵。
可选的,所述浓度等级设置为多级;所述预警信息的预警模式设置为与所述浓度等级相同等级的多级预警模式。
可选的,所述预警装置中浓度等级与其相应的报警信息之间的对应关系为:
当浓度等级为判定为第四级时,此时雾的浓度等级为低雾,预警***不发出报警信号;
当浓度等级为判定为第三级时,此时雾的浓度等级为中雾,预警***发出中级报警信号;
当浓度等级为判定为第二级时,此时雾的浓度等级为大雾,预警***发出高级报警信号;
当浓度等级为判定为第一级时,此时雾的浓度等级为浓雾,预警***发出特高级报警信号。
有益效果,本发明提供了一种基于图像的雾浓度检测预警方法及***,通过提取一幅雾天图像中的雾相关特征,并基于所述雾相关特征建立多元高斯模型,以所述多元高斯模型拟合所述雾相关特征向量,并以马氏距离来量化所述单幅雾天图像的雾浓度;根据所述雾浓度的量化值对所述雾天图像所处于的浓度等级进行判定,以及根据判定出的浓度等级发出相应的预警信息。本发明所公开的预警方法及***,解决当前算法不能量化雾浓度等级的缺点,根据雾浓度的等级划分,提前预警,提醒驾驶员或车辆当前的天气状况,从而采用正确的操作措施。
附图说明
图1是本发明所提供的基于图像的雾浓度检测预警方法的步骤流程图;
图2是基于单幅图像的雾浓度检测预警具体应用实施例的步骤流程图;
图3是本发明提供的所述检测预警***的原理结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
本发明公开的第一实施例为一种基于单幅图像的雾浓度检测预警方法,如图1所示,包括:
步骤S1、获取一幅雾天图像;
步骤S2、提取所述雾天图像中的雾相关特征,并基于所述雾相关特征建立多元高斯模型,以所述多元高斯模型拟合所述雾相关特征向量,并以马氏距离来量化所述单幅雾天图像的雾浓度;
步骤S3、根据所述雾浓度的量化值对所述雾天图像所处于的浓度等级进行判定,以及根据判定出的浓度等级发出相应的预警信息。
具体的,在上述步骤S1之前还包括:
步骤S0、提取雾相关特征,建立雾相关特征库;
所述雾相关特征包括:暗原色特征,局部均值对比度归一化系数,色度特征,白色指数,颜色衰减特征,色调不一致特征,梯度特征以及平均曲率特征。
具体的,上述步骤S2中所述以马氏距离来量化所述雾天图像的雾浓度步骤包括:
利用以下公式计算单幅雾天图像与多元高斯模型之间的马氏距离,并以计算出的所述马氏距离来量化所述单幅雾天图像的雾浓度:
其中,μ1和Σ1分别代表单幅雾天图像的雾相关特征的多元高斯模型拟合均值和协方差矩阵;μ2和Σ2分别代表一组不同浓度等级下标准雾天图像的雾相关特征的多元高斯模型均值和协方差矩阵。
进一步的,所述浓度等级设置为多级;所述预警信息的预警模式设置为与所述浓度等级相同等级的多级预警模式。
具体实施时,可以选择使用四级预警模式,则所述根据判定出的浓度等级发出相应的预警信息的步骤包括:
当浓度等级为判定为第四级时,此时雾的浓度等级为低雾,预警***不发出报警信号;
当浓度等级为判定为第三级时,此时雾的浓度等级为中雾,预警***发出中级报警信号;
当浓度等级为判定为第二级时,此时雾的浓度等级为大雾,预警***发出高级报警信号;
当浓度等级为判定为第一级时,此时雾的浓度等级为浓雾,预警***发出特高级报警信号。
下面以上述检测预警方法的具体应用实施例为例对上述方法做更为详细的说明。该方法通过建立雾相关特征库,利用多元高斯函数拟合该特征库构建雾浓度估计模型,从而进行雾浓度等级预警,最终植入到基于单幅图像的雾浓度检测预警***中。结合图3所示,该方法包括以下步骤:
1.建立雾相关特征库,其中,包括:暗原色特征(DCP,dark channel prior),局部均值对比度归一化系数(MSCN,local mean subtracted contrast normalizedcoefficients),色度特征(chroma feature),白色指数(WI,whiteness indices),颜色衰减特征(CA,color attenuation),色调不一致特征(HD,hue disparity),梯度特征(gradient feature)以及平均曲率特征(MC,mean curvature)。
1)计算暗原色特征:
式(1)中,Jc代表一副图像的某一个颜色通道分量,Ω(x)是以x为中心的正方形区域,用来最小化RGB通道中的每一个像素,为一个最小值滤波器。
2)计算局部均值对比度归一化系数
其中,
式(2)中,Igray为一副图像的灰度图,其中i和j为像素坐标,η为一个二维的圆形对称的高斯加权函数,μ和σ2分别代表图像的局部均值和归一化方差。
3)计算色度特征
色度特征建立在CIELab颜色空间上,因此,需要先将图像的RGB空间转换为CIELab空间:
其中,
上式中,X0,Y0和Z0为光源的归一化三色值。因此,对于一副雾天图像,其色度特征的计算如下:
4)计算白色指数特征
该特征同样建立在CIELab颜色空间上行,因此,其计算公式如下:
5)计算颜色衰减特征
式(6)中,λ0,λ1和λ2为线性系数,为随机变量。Iv(x)和Is(x)分别为HSV颜色空间的亮度分量和饱和度分量:
6)计算色调不一致特征
色调不一致特征通过计算HSV颜色空间中原图像的色调分量和其半反图像的色调分量的差来得到:
上式中,为原图像的半反图像在HSV颜色空间的色调分量,其定义为:
7)计算梯度特征
对于一幅雾天图像I,定义f(x,y)为其函数表达式,则它的梯度特征计算如下:
上式中,Gx和Gy分别代表f在x方向和y方向的一阶导数。
8)计算平均曲率特征
结合梯度特征,曲率特征的计算如下:
其中,
上式中,Gxy,Gyx,Gxx和Gyy为f在x方向和y方向的二阶导数。
上述所有雾相关特征的描述及计算入表1所示。
表1
2.基于雾相关特征,建立多元高斯模型(MND,multivariate normal densitymodel),其中定义θ为步骤(1)中的所有特征的一组列向量:
其中,
μ=∫θMND(θ)dθ
Σ=∫(θ-μ)(θ-μ)tMND(θ)dθ
式中,d为特征向量的个数(本发明选取了8个雾相关特征,故d=8),μ为特征向量的均值,Σ为特征向量的d×d维协方差矩阵,|Σ|为Σ的行列式,t代表转置。
3.建立雾浓度检测策略
1)利用以下公式计算单幅雾天图像与MND之间的马氏距离来代表雾浓度水平:
式中,μ1和Σ1分别代表单幅雾天图像的雾相关特征的MND拟合均值和协方差矩阵;μ2和Σ2分别代表一组雾天图像的雾相关特征的MND均值和协方差矩阵,本发明中选取四组不同浓度的雾天图像,它们分别是轻雾图像(slightly foggy images)、中雾图像(moderately foggy images)、大雾图像(highly foggy images)和浓雾图像(extremelyfoggy images)。因此,针对同一副雾天图像,需要计算它在4个不同雾浓度图像下的马氏距离,即:Ds、Dm、Dh和De,这里的s、m、h和e分别代表轻雾、中雾、大雾和浓雾。
2)构建雾浓度评估公式为:
d=f(Ds,Dm,Dh,De)
雾浓度评估值d的范围为:d∈[0,1]。
雾浓度评估值d越接近1,说明当前天气的雾浓度越高,驾驶危险系数也就越高。为此,本发明设定了4级报警信号,如表2所示。
表2
报警级别level | 报警类别 | 灯光警示 |
IV | 安全 | 绿灯亮 |
III | 中级报警 | 黄灯亮 |
II | 高级报警 | 橙灯亮 |
I | 特高级报警 | 红灯亮 |
上述报警级别的划分规则不仅有效提醒驾驶员或自动驾驶车辆当天的雾天天气情况,而且还能根据雾浓度的大小发出不同级别的报警信息。如表2所示,本发明的预警***具有4个报警级别,其中不同的报警级别,分别对应不同的灯光信号。
在上述检测预警方法的基础上,本发明还公开了一种基于单幅图像的雾浓度检测预警***,如图3所示,包括:图像获取装置310、图像处理装置320和预警装置330;
所述图像获取装置310,用于获取一幅雾天图像;
所述图像处理装置320,用于提取所述雾天图像中的雾相关特征,并基于所述雾相关特征建立多元高斯模型,以所述多元高斯模型拟合所述雾相关特征向量,并以马氏距离来量化所述单幅雾天图像的雾浓度;
所述预警装置330,用于根据所述雾浓度的量化值对所述雾天图像所处于的浓度等级进行判定,以及根据判定出的浓度等级发出相应的预警信息。
可选的,所述***还包括:
信息存储模块,用于提取雾相关特征,建立雾相关特征库;
所述雾相关特征包括:暗原色特征,局部均值对比度归一化系数,色度特征,白色指数,颜色衰减特征,色调不一致特征,梯度特征以及平均曲率特征。
可选的,所述图像处理装置还包括浓度值计算单元;
所述浓度值计算单元,用于利用以下公式计算单幅雾天图像与多元高斯模型之间的马氏距离,并以计算出的所述马氏距离来量化所述单幅雾天图像的雾浓度:
其中,μ1和Σ1分别代表单幅雾天图像的雾相关特征的多元高斯模型拟合均值和协方差矩阵;μ2和Σ2分别代表一组不同浓度等级下标准雾天图像的雾相关特征的多元高斯模型均值和协方差矩阵。
可选的,所述浓度等级设置为多级;所述预警信息的预警模式设置为与所述浓度等级相同等级的多级预警模式。
可选的,所述预警装置中浓度等级与其相应的报警信息之间的对应关系为:
当浓度等级为判定为第四级时,此时雾的浓度等级为低雾,预警***不发出报警信号;
当浓度等级为判定为第三级时,此时雾的浓度等级为中雾,预警***发出中级报警信号;
当浓度等级为判定为第二级时,此时雾的浓度等级为大雾,预警***发出高级报警信号;
当浓度等级为判定为第一级时,此时雾的浓度等级为浓雾,预警***发出特高级报警信号。
本发明提供了一种基于图像的雾浓度检测预警方法及***,通过提取一幅雾天图像中的雾相关特征,并基于所述雾相关特征建立多元高斯模型,以所述多元高斯模型拟合所述雾相关特征向量,并以马氏距离来量化所述单幅雾天图像的雾浓度;根据所述雾浓度的量化值对所述雾天图像所处于的浓度等级进行判定,以及根据判定出的浓度等级发出相应的预警信息。本发明所公开的预警方法及***,解决当前算法不能量化雾浓度等级的缺点,根据雾浓度的等级划分,提前预警,提醒驾驶员或车辆当前的天气状况,从而采用正确的操作措施。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于单幅图像的雾浓度检测预警方法,其特征在于,包括:
获取一幅雾天图像;
提取所述雾天图像中的雾相关特征,并基于所述雾相关特征建立多元高斯模型,以所述多元高斯模型拟合所述雾相关特征向量,并以马氏距离来量化所述单幅雾天图像的雾浓度;
根据所述雾浓度的量化值对所述雾天图像所处于的浓度等级进行判定,以及根据判定出的浓度等级发出相应的预警信息。
2.根据权利要求1所述的基于单幅图像的雾浓度检测预警方法,其特征在于,所述雾浓度检测预警方法还包括:
提取雾相关特征,建立雾相关特征库;
所述雾相关特征包括:暗原色特征,局部均值对比度归一化系数,色度特征,白色指数,颜色衰减特征,色调不一致特征,梯度特征以及平均曲率特征。
3.根据权利要求1所述的基于单幅图像的雾浓度检测预警方法,其特征在于,所述以马氏距离来量化所述雾天图像的雾浓度步骤包括:
利用以下公式计算单幅雾天图像与多元高斯模型之间的马氏距离,并以计算出的所述马氏距离来量化所述单幅雾天图像的雾浓度:
其中,μ1和Σ1分别代表单幅雾天图像的雾相关特征的多元高斯模型拟合均值和协方差矩阵;μ2和Σ2分别代表一组不同浓度等级下标准雾天图像的雾相关特征的多元高斯模型均值和协方差矩阵。
4.根据权利要求3所述的基于单幅图像的雾浓度检测预警方法,其特征在于,所述浓度等级设置为多级;所述预警信息的预警模式设置为与所述浓度等级相同等级的多级预警模式。
5.根据权利要求4所述的基于单幅图像的雾浓度检测预警方法,其特征在于,所述根据判定出的浓度等级发出相应的预警信息的步骤包括:
当浓度等级为判定为第四级时,此时雾的浓度等级为低雾,预警***不发出报警信号;
当浓度等级为判定为第三级时,此时雾的浓度等级为中雾,预警***发出中级报警信号;
当浓度等级为判定为第二级时,此时雾的浓度等级为大雾,预警***发出高级报警信号;
当浓度等级为判定为第一级时,此时雾的浓度等级为浓雾,预警***发出特高级报警信号。
6.一种基于图像的单幅雾浓度检测预警***,其特征在于,包括:图像获取装置、图像处理装置和预警装置;
所述图像获取装置,用于获取一幅雾天图像;
所述图像处理装置,用于提取所述雾天图像中的雾相关特征,并基于所述雾相关特征建立多元高斯模型,以所述多元高斯模型拟合所述雾相关特征向量,并以马氏距离来量化所述单幅雾天图像的雾浓度;
所述预警装置,用于根据所述雾浓度的量化值对所述雾天图像所处于的浓度等级进行判定,以及根据判定出的浓度等级发出相应的预警信息。
7.根据权利要求6所述的基于单幅图像的雾浓度检测预警***,其特征在于,所述***还包括:
信息存储模块,用于提取雾相关特征,建立雾相关特征库;
所述雾相关特征包括:暗原色特征,局部均值对比度归一化系数,色度特征,白色指数,颜色衰减特征,色调不一致特征,梯度特征以及平均曲率特征。
8.根据权利要求6所述的基于单幅图像的雾浓度检测预警***,其特征在于,所述图像处理装置还包括浓度值计算单元;
所述浓度值计算单元,用于利用以下公式计算单幅雾天图像与多元高斯模型之间的马氏距离,并以计算出的所述马氏距离来量化所述单幅雾天图像的雾浓度:
其中,μ1和Σ1分别代表单幅雾天图像的雾相关特征的多元高斯模型拟合均值和协方差矩阵;μ2和Σ2分别代表一组不同浓度等级下标准雾天图像的雾相关特征的多元高斯模型均值和协方差矩阵。
9.根据权利要求8所述的基于单幅图像的雾浓度检测预警***,其特征在于,所述浓度等级设置为多级;所述预警信息的预警模式设置为与所述浓度等级相同等级的多级预警模式。
10.根据权利要求8所述的基于单幅图像的雾浓度检测预警***,其特征在于,所述预警装置中浓度等级与其相应的报警信息之间的对应关系为:
当浓度等级为判定为第四级时,此时雾的浓度等级为低雾,预警***不发出报警信号;
当浓度等级为判定为第三级时,此时雾的浓度等级为中雾,预警***发出中级报警信号;
当浓度等级为判定为第二级时,此时雾的浓度等级为大雾,预警***发出高级报警信号;
当浓度等级为判定为第一级时,此时雾的浓度等级为浓雾,预警***发出特高级报警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811138236.6A CN109389132A (zh) | 2018-09-28 | 2018-09-28 | 一种基于图像的雾浓度检测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811138236.6A CN109389132A (zh) | 2018-09-28 | 2018-09-28 | 一种基于图像的雾浓度检测预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109389132A true CN109389132A (zh) | 2019-02-26 |
Family
ID=65418157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811138236.6A Pending CN109389132A (zh) | 2018-09-28 | 2018-09-28 | 一种基于图像的雾浓度检测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389132A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211096A (zh) * | 2019-04-30 | 2019-09-06 | 安徽四创电子股份有限公司 | 一种雾霾图像的检测方法 |
CN112750170A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 一种雾特征识别方法、装置及相关设备 |
CN112784880A (zh) * | 2021-01-04 | 2021-05-11 | 安徽大学 | 基于自然特征统计方法标注高速公路雾天能见度等级 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150061493A1 (en) * | 2013-08-28 | 2015-03-05 | Gentex Corporation | Imaging system and method for fog detection |
CN104809707A (zh) * | 2015-04-28 | 2015-07-29 | 西南科技大学 | 一种单幅雾天图像能见度估计方法 |
CN106447646A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于无人机图像的质量盲评价方法 |
CN107093173A (zh) * | 2017-03-27 | 2017-08-25 | 湖南大学 | 一种图像雾霾浓度的估计方法 |
CN107103591A (zh) * | 2017-03-27 | 2017-08-29 | 湖南大学 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
-
2018
- 2018-09-28 CN CN201811138236.6A patent/CN109389132A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150061493A1 (en) * | 2013-08-28 | 2015-03-05 | Gentex Corporation | Imaging system and method for fog detection |
CN104809707A (zh) * | 2015-04-28 | 2015-07-29 | 西南科技大学 | 一种单幅雾天图像能见度估计方法 |
CN106447646A (zh) * | 2016-06-28 | 2017-02-22 | 中国人民解放军陆军军官学院 | 一种用于无人机图像的质量盲评价方法 |
CN107093173A (zh) * | 2017-03-27 | 2017-08-25 | 湖南大学 | 一种图像雾霾浓度的估计方法 |
CN107103591A (zh) * | 2017-03-27 | 2017-08-29 | 湖南大学 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
Non-Patent Citations (2)
Title |
---|
LARK KWON CHOI ET AL.: "Referenceless prediction of perceptual fog density and perceptual image defogging", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
温立民等: "基于自然统计特征分布的交通图像雾浓度检测", 《电子学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211096A (zh) * | 2019-04-30 | 2019-09-06 | 安徽四创电子股份有限公司 | 一种雾霾图像的检测方法 |
CN112750170A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 一种雾特征识别方法、装置及相关设备 |
WO2021082735A1 (zh) * | 2019-10-31 | 2021-05-06 | 华为技术有限公司 | 一种雾特征识别方法、装置及相关设备 |
CN112750170B (zh) * | 2019-10-31 | 2024-05-17 | 华为技术有限公司 | 一种雾特征识别方法、装置及相关设备 |
CN112784880A (zh) * | 2021-01-04 | 2021-05-11 | 安徽大学 | 基于自然特征统计方法标注高速公路雾天能见度等级 |
CN112784880B (zh) * | 2021-01-04 | 2023-04-07 | 安徽大学 | 基于自然特征统计方法标注高速公路雾天能见度等级 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135269B (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
TWI423166B (zh) | 判斷輸入影像是否為霧化影像之方法、判斷輸入影像的霧級數之方法及霧化影像濾清方法 | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN107505546A (zh) | 一种利用紫外成像仪监测电晕放电的方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN103488987A (zh) | 一种基于视频检测交通信号灯的方法及装置 | |
CN104168478B (zh) | 基于Lab空间及相关性函数的视频图像偏色检测方法 | |
CN109389132A (zh) | 一种基于图像的雾浓度检测预警方法及*** | |
CN104021527B (zh) | 一种图像中雨雪的去除方法 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN102156881B (zh) | 基于多尺度图像相位信息的海难搜救目标检测方法 | |
CN105678735A (zh) | 一种用于雾天图像的目标显著性检测方法 | |
CN112365467A (zh) | 一种基于单幅图像深度估计的雾天图像能见度估计方法 | |
CN109325426A (zh) | 一种基于三正交平面时空特征的黑烟车检测方法 | |
CN104050678A (zh) | 水下监测彩色图像质量测量方法 | |
CN106709445A (zh) | 一种基于视频图像的高速公路雾天检测预警方法 | |
CN103034997A (zh) | 一种适用于监控视频前/背景分离的前景检测方法 | |
CN116958113A (zh) | 一种产品检测方法、装置、设备及存储介质 | |
CN116977917A (zh) | 一种红外图像行人检测方法 | |
CN114943869B (zh) | 风格迁移增强的机场目标检测方法 | |
CN116188316A (zh) | 一种基于雾浓度感知的水域去雾方法 | |
CN112686105B (zh) | 一种基于视频图像多特征融合的雾浓度等级识别方法 | |
CN109461164A (zh) | 一种基于方向核重建的红外小目标检测方法 | |
CN111402189B (zh) | 一种视频图像偏色检测装置及方法 | |
Chen et al. | Taxi drivers' smoking behavior detection in traffic monitoring video |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190226 |