CN112396121B - 基于神经网络的烟雾图像分类方法 - Google Patents

基于神经网络的烟雾图像分类方法 Download PDF

Info

Publication number
CN112396121B
CN112396121B CN202011377912.2A CN202011377912A CN112396121B CN 112396121 B CN112396121 B CN 112396121B CN 202011377912 A CN202011377912 A CN 202011377912A CN 112396121 B CN112396121 B CN 112396121B
Authority
CN
China
Prior art keywords
image
smoke
target
smoke image
noise
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
Application number
CN202011377912.2A
Other languages
English (en)
Other versions
CN112396121A (zh
Inventor
徐俊生
张俊
陈洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huazheng Tomorrow Information Technology Co ltd
Original Assignee
Beijing Huazheng Tomorrow Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huazheng Tomorrow Information Technology Co ltd filed Critical Beijing Huazheng Tomorrow Information Technology Co ltd
Priority to CN202011377912.2A priority Critical patent/CN112396121B/zh
Publication of CN112396121A publication Critical patent/CN112396121A/zh
Application granted granted Critical
Publication of CN112396121B publication Critical patent/CN112396121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于神经网络的烟雾图像分类方法，属于图像处理技术领域。本发明中获取待分类烟雾图像；提取待分类烟雾图像上各个图像点对应的像素值；根据像素值对待分类烟雾图像进行处理，得到目标烟雾图像；获取目标烟雾图像上各个图像点对应的特征参数；根据各个图像点对应的特征参数构建目标烟雾图像对应的特征参数集；获取特征参数集的参考特征参数；通过预设神经网络模型确定参考特征参数对应的目标特征类别；将目标特征类别作为所待分类烟雾图像的分类结果，通过图像点的像素值对待分类烟雾图像进行处理，对处理后得到的目标烟雾图像进行分类，更加全面地对烟雾图像进行分类，从而提高了烟雾图像分类的准确性。

Description

基于神经网络的烟雾图像分类方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于神经网络的烟雾图像分类方法。
背景技术
火灾探测任务对人员安全至关重要。由于开放环境下烟雾扩散速度快且没有较合适的位置去安放传感器，导致传统基于传感器的检测方式无法准确对火灾烟雾进行检测，目前大多采用的根据纹理特征对火灾的烟雾图像进行分类，从而达到烟雾检测的目的。但是由于烟雾形状、色彩以及纹理千差万别，目标所采取的分类方式存在局限性，导致烟雾图像的分类准确度较低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于神经网络的烟雾图像分类方法，旨在解决现有技术烟雾图像分类准确度较低的技术问题。
为实现上述目的，本发明提供了一种基于神经网络的烟雾图像分类方法，其特征在于，所述基于神经网络的烟雾图像分类方法包括：
获取待分类烟雾图像；
提取所述待分类烟雾图像上各个图像点对应的像素值；
根据所述像素值对所述待分类烟雾图像进行处理，得到目标烟雾图像；
获取所述目标烟雾图像上各个图像点对应的特征参数；
根据所述各个图像点对应的特征参数构建所述目标烟雾图像对应的特征参数集；
获取所述特征参数集的参考特征参数；
通过预设神经网络模型确定所述参考特征参数对应的目标特征类别；
将所述目标特征类别作为所待分类烟雾图像的分类结果。
可选地，所述获取待分类烟雾图像的步骤包括：
获取原始烟雾图像，以及所述原始烟雾图像对应的预设噪声样本；
将所述预设噪声样本输入至所述原始烟雾图像中，得到噪声烟雾图像；
对所述噪声烟雾图像进行处理，得到处理后的噪声烟雾图像；
将所述处理后的噪声烟雾图像作为待分类烟雾图像。
可选地所述对所述噪声烟雾图像进行处理，得到处理后的噪声烟雾图像的步骤包括：
获取所述噪声烟雾图像对应的灰度噪声烟雾图像；
对所述灰度噪声烟雾图像进行区域划分，得到所述灰度噪声烟雾图像对应的多个噪声区域；
根据预设二维模板对所述噪声区域进行滤波，得到处理后的噪声烟雾图像。
可选地，所述根据预设二维模板对所述噪声区域进行滤波，得到处理后的噪声烟雾图像的步骤，包括：
获取预设二维模板的模板中心点，以及所述噪声区域的区域中心点；
将所述预设二维模板依次在所述噪声区域上进行移动；
在所述模板中心点与所述区域中心点重合时，获取所述区域中心点对应的当前噪声区域，以及所述当前噪声区域对应的多个图像点；
获取各个图像点对应的灰度值；
将各个图像点对应的灰度值进行排序，根据排序结果对所述区域中心点的灰度值进行调整，得到目标区域；
将所述目标区域组成的图像作为处理后的噪声烟雾图像。
可选地，所述根据所述像素值对所述待分类烟雾图像进行处理，得到目标烟雾图像的步骤，包括：
根据第一预设像素阈值对所述像素值进行检测，将大于所述第一预设像素阈值的像素值所对应的图像点作为目标图像点，将小于或等于所述第一预设像素阈值的像素值所对应的图像点作为背景图像点；
分别对所述目标图像点的像素值和所述背景图像点的像素值进行调整，以得到目标烟雾图像。
可选地，所述根据第一预设像素阈值对所述像素值进行检测，将大于所述第一预设像素阈值的像素值所对应的图像点作为目标图像点，将小于或等于所述第一预设像素阈值的像素值所对应的图像点作为背景图像点的步骤之后，还包括：
对所述目标图像点进行检测；
若所述目标图像点存在第二预设像素阈值，则将大于所述第一预设像素阈值且小于或者等于所述第二预设像素阈值的像素值所对应的目标图像点作为第一目标图像点，将大于所述第二预设像素阈值的像素值所对应的目标图像点作为第二目标图像点，其中，所述第二预设像素阈值大于所述第一预设像素阈值；
相应地，所述分别对所述目标图像点的像素值和所述背景图像点的像素值进行调整，以得到目标烟雾图像的步骤包括：
基于预设函数分别对所述第一目标图像点的像素值、所述第二目标图像点的像素值以及所述背景图像点的像素值进行调整，以得到目标烟雾图像。
可选地，所述获取所述特征参数集的参考特征参数的步骤包括：
获取各个特征参数集中的特征参数，将相同的特征参数划分为一组，以获得多个参数组；
获取各个参数组中特征参数的数量，将各个参数组中数量最大的特征参数作为特征参数集的参考特征参数。
此外，为实现上述目的，本发明还提出一种基于神经网络的烟雾图像分类装置，所述基于神经网络的烟雾图像分类装置包括：
获取模块，用于获取待分类烟雾图像；
提取模块，用于提取所述待分类烟雾图像上各个图像点对应的像素值；
处理模块，用于根据所述像素值对所述待分类烟雾图像进行处理，得到目标烟雾图像；
分类模块，用于获取所述目标烟雾图像上各个图像点对应的特征参数；
所述分类模块，还用于根据所述各个图像点对应的特征参数构建所述目标烟雾图像对应的特征参数集；
所述分类模块，还用于获取所述特征参数集的参考特征参数；
所述分类模块，还用于通过预设神经网络模型确定所述参考特征参数对应的目标特征类别；
所述分类模块，还用于将所述目标特征类别作为所待分类烟雾图像的分类结果。
此外，为实现上述目的，本发明还提出一种基于神经网络的烟雾图像分类设备，所述基于神经网络的烟雾图像分类设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的烟雾图像分类程序，所述基于神经网络的烟雾图像分类程序配置为实现如上文所述的基于神经网络的烟雾图像分类方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于神经网络的烟雾图像分类程序，所述基于神经网络的烟雾图像分类程序被处理器执行时实现如上文所述的基于神经网络的烟雾图像分类方法的步骤。
本发明中获取待分类烟雾图像；提取待分类烟雾图像上各个图像点对应的像素值；根据像素值对待分类烟雾图像进行处理，得到目标烟雾图像；获取目标烟雾图像上各个图像点对应的特征参数；根据各个图像点对应的特征参数构建目标烟雾图像对应的特征参数集；获取特征参数集的参考特征参数；通过预设神经网络模型确定参考特征参数对应的目标特征类别；将目标特征类别作为所待分类烟雾图像的分类结果，通过图像点的像素值对待分类烟雾图像进行处理，对处理后得到的目标烟雾图像进行分类，更加全面地对烟雾图像进行分类，从而提高了烟雾图像分类的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于神经网络的烟雾图像分类设备的结构示意图；
图2为本发明基于神经网络的烟雾图像分类方法第一实施例的流程示意图；
图3为本发明基于神经网络的烟雾图像分类方法第二实施例的流程示意图；
图4为本发明基于神经网络的烟雾图像分类方法中噪声区域滤波示意图；
图5为本发明基于神经网络的烟雾图像分类方法第三实施例的流程示意图；
图6为本发明基于神经网络的烟雾图像分类装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于神经网络的烟雾图像分类设备结构示意图。
如图1所示，该基于神经网络的烟雾图像分类设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于神经网络的烟雾图像分类设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于神经网络的烟雾图像分类程序。
在图1所示的基于神经网络的烟雾图像分类设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于神经网络的烟雾图像分类设备中的处理器1001、存储器1005可以设置在基于神经网络的烟雾图像分类设备中，所述基于神经网络的烟雾图像分类设备通过处理器1001调用存储器1005中存储的基于神经网络的烟雾图像分类程序，并执行本发明实施例提供的基于神经网络的烟雾图像分类方法。
本发明实施例提供了一种基于神经网络的烟雾图像分类方法，参照图2，图2为本发明一种基于神经网络的烟雾图像分类方法第一实施例的流程示意图。
本实施例中，所述基于神经网络的烟雾图像分类方法包括以下步骤：
步骤S10：获取待分类烟雾图像。
需要说明的是，本实施例中执行主体可为计算机，用于图像的获取以及图像处理，也可为其他终端设备，本实施例中不加以限制。
需要注意的是，由于烟雾图像的结构与组成较为复杂，并且图像纹理清晰度和图像分辨率等因素对数字化烟雾图像的影响较大，因此需要对原始烟雾图像进行筛选与处理，从而得到清晰且特征突出的烟雾图像，本实施例中的待分类烟雾图像是经过筛选和处理后的烟雾图像，为了使得烟雾图像的分类更加准确全面，本实施例中不进行图像分割与截取，而是根据整个处理后的待分类烟雾图像进行图像分类。
步骤S20：提取所述待分类烟雾图像上各个图像点对应的像素值。
在本实施例中，图像由多个图像点构成，在获取到待分类烟雾图像之后，提取待分类烟雾图像上各个图像点的像素值。
在具体实施中，像素值可以按照以下方式进行提取，例如将待分类烟雾图像与红绿蓝三色通道组成的图像进行相似度比对，根据相似度比对结果从而确定待分类烟雾图像上各个图像点的像素值，例如待分类烟雾图像上的图像点A与红绿蓝三色通道组成的图像上的图像点B之间相似度为90％，而图像点B的像素值为X，可以得到图像点A的像素值为90％X，本实施例中像素值的提取还可以为其他方式，本实施例中不加以限制。
步骤S30：根据所述像素值对所述待分类烟雾图像进行处理，得到目标烟雾图像。
需要说明的是，图像点的不同像素值在图像上所显示的特征是不同的，而待分类烟雾图像上并非所有的图像点都包含有效特征，为了使得分类更加准确，需要将包含有效特征的图像点与不包含有效特征的图像点进行区分，本实施例根据各个图像点的像素值对待分类烟雾图像进行处理，使得包含有效特征的图像点的特征更加突出，处理后的待分类烟雾图像为目标烟雾图像。
步骤S40：获取所述目标烟雾图像上各个图像点对应的特征参数。
在本实施例中，在得到目标烟雾图像之后，对目标烟雾图像进行分类即可得到待分类烟雾图像的分类结果，本实施例通过获取目标烟雾图像上各个图像点对应的特征，并根据各个图像点的特征对应的权重值确定待分类烟雾图像的分类。
在具体实施中，先获取目标烟雾图像上各个图像点的像素值，在获取到各个图像点的像素值之后，任意选取一个图像点作为当前图像点，在当前图像点的预设范围内获取其他图像点，将当前图像点的像素值和其他图像点的像素值进行比较，根据比较结果为当前图像点分配相应的二进制编码，例如假设当前图像点的像素值大于其他像素点的像素值，则当前图像点分配的二进制编码为A，又假设其他图像点的像素值均大于当前图像点的像素值，则当前图像点分配的二进制编码为B，又假设像素值大于当前图像点的像素值的其他图像点个数为2，则当前图像点分配的二进制编码为C等，具体二进制编码分配情况根据实际情况自行设定，在得到当前图像点的二进制编码后，从映射关系表中可以查找到二进制编码对应的特征参数，即可得到各个图像点的特征参数。
步骤S50：根据所述各个图像点对应的特征参数构建所述目标烟雾图像对应的特征参数集。
在具体实施中，随机选取各个图像点对应的特征参数，本实施例中特征参数选取的次数不少于一次，每次选取可以得到一个特征参数集，并且每次选取的数量相同，在一次选取中可以重复选取相同的特征参数，例如选取两次特征参数，第一次选取到的特征参数为B、C、B、S以及A，第二次选取到的特征参数为G、F、U、W以及E，因此可以得到X、Y两个特征参数集，其中X＝(B，C，B，S，A)，Y＝(G，F，U，W，E)。
步骤S60：获取所述特征参数集的参考特征参数。
需要说明的是，特征参数集中有多个不同的特征参数，在实际运用中，将具有代表性的特征参数作为整个特征参数集的特征参数进行运算以及分类等操作，本实施例中参考特征参数为能够代表整个特征参数集的特征参数，例如特征参数集G＝(A，B，C)，特征参数C为特征参数集G的参考特征参数，具体地，获取特征参数及的参考特征参数的过程具体为：获取各个特征参数集中的特征参数，将相同的特征参数划分为一组，以获得多个参数组；获取各个参数组中特征参数的数量，将各个参数组中数量最大的特征参数作为特征参数集的参考特征参数。例如特征参数集Z＝(A，A，A，D，E)，将特征参数集划分成T1、T2以及T3三组，T1＝(A，A，A)、T2＝(D)以及T3＝(E)，可知T1中特征参数的数量为3，T2和T3中特征参数的数量均为1，T1中特征参数的数量最大，因此将T1中的特征参数作为特征参数集Z的参考特征参数，即特征参数集Z的特征参数为A。
步骤S70：通过预设神经网络模型确定所述参考特征参数对应的目标特征类别。
在具体实现中，在得到各个特征参数集的参考特征参数之后，通过预设神经网络模型可以确定各个参考特征参数对应的目标特征类别，预设神经网络模型可采用前向神经网络模型，也可采用广义回归神经网络模型，本实施例中不加以限制。通过预设神经网络模型可获取各个参考特征参数对应的预设权重值，预设权重值可以根据实际情况设置，本实施例中不加以限制，根据预设权重值对参考特征参数进行计算，可以得到目标特征参数，例如参考特征参数O的预设权重值为为0.2，参考特征参数P的预设权重值为0.5，参考特征参数Q的预设权重值为0.3，可以得到目标特征特征参数S＝0.2O+0.5P+0.3Q，然后再从预设映射关系表中查找目标特征参数S对应的目标特征类别，预设映射关系表也可根据需要进行更改，本实施例中不加以限制。
步骤S80：将所述目标特征类别作为所待分类烟雾图像的分类结果。
容易理解的是，对图像进行分类实质是识别图像特征对应的类别，目标特征类别即为待分类烟雾图像的分类结果。
本实施例中获取待分类烟雾图像；提取待分类烟雾图像上各个图像点对应的像素值；根据像素值对待分类烟雾图像进行处理，得到目标烟雾图像；获取目标烟雾图像上各个图像点对应的特征参数；根据各个图像点对应的特征参数构建目标烟雾图像对应的特征参数集；获取特征参数集的参考特征参数；通过预设神经网络模型确定参考特征参数对应的目标特征类别；将目标特征类别作为所待分类烟雾图像的分类结果，通过图像点的像素值对待分类烟雾图像进行处理，对处理后得到的目标烟雾图像进行分类，更加全面地对烟雾图像进行分类，从而提高了烟雾图像分类的准确性。
参考图3，图3为本发明一种基于神经网络的烟雾图像分类方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例基于神经网络的烟雾图像分类方法中所述步骤S10包括：
步骤S101：获取原始烟雾图像，以及所述原始烟雾图像对应的预设噪声样本。
需要说明的是，原始烟雾图像为未进行处理的烟雾图像，不同的原始烟雾图像对应的图像类型不同，根据原始烟雾图像对应的具体图像类型可以确定原始病理烟雾图像对应的预设噪声样本，预设噪声样本可以为高斯白噪声，也可以为瑞利噪声，本实施例中不加限制，本实施例中所加入的为已知强度的噪声，通过将原始烟雾图像中加入适用的噪声，为了图像去噪提供依据，能够对原始烟雾图像进行更好的去噪。
步骤S102：将所述预设噪声样本输入至所述原始烟雾图像中，得到噪声烟雾图像。
在具体实施中，在得到原始烟雾图像对应的预设噪声烟雾图像后，将预设噪声样本输入至原始烟雾图像中，即将预设噪声样本与原始烟雾图像进行融合，从而得到含有预设噪声样本的噪声烟雾图像。
步骤S103：对所述噪声烟雾图像进行处理，得到处理后的噪声烟雾图像。
容易理解的是，在得到噪声烟雾图像后，需要将噪声烟雾图像中的图像噪声去除，从而得到不包含图像噪声的烟雾图像，即处理后的噪声烟雾图像。
在具体实现中，对所述噪声烟雾图像进行处理，得到处理后的噪声烟雾图像的步骤包括：获取所述噪声烟雾图像对应的灰度噪声烟雾图像；对所述灰度噪声烟雾图像进行区域划分，得到所述灰度噪声烟雾图像对应的多个噪声区域；根据预设二维模板对所述噪声区域进行滤波，得到处理后的噪声烟雾图像。
需要说明的是，对噪声烟雾图像的处理需要先获取噪声烟雾图像对应的灰度噪声烟雾图像，灰度噪声烟雾图像通过对噪声烟雾图像化进行灰度处理后得到，然后再对灰度噪声烟雾图像进行区域划分，得到多个噪声区域，可以按照等分的方式对噪声烟雾图像进行区域划分，也可以按照随机面积大小对噪声烟雾图像进行区域划分，可以根据实际情况自行设置，本实施例中不加以限制，本实施例仅以对噪声烟雾图像进行等分为例进行说明。
在本实施例中，在得到多个噪声区域之后，根据预设二维模板对各个噪声区域依次进行滤波，通过滤波可以将各个噪声区域中的图像噪声去除，从而得到处理后的噪声烟雾图像，预设二维模板的尺寸可以与噪声区域的尺寸相同，例如4×4或7×7等。
在具体实现中，根据预设二维模板对所述噪声区域进行滤波，得到处理后的噪声烟雾图像的步骤包括：获取预设二维模板的模板中心点，以及所述噪声区域的区域中心点；将所述预设二维模板依次在所述噪声区域上进行移动；在所述模板中心点与所述区域中心点重合时，获取所述区域中心点对应的当前噪声区域，以及所述当前噪声区域对应的多个图像点；获取各个图像点对应的灰度值；将各个图像点对应的灰度值进行排序，根据排序结果对所述区域中心点的灰度值进行调整，得到目标区域；将所述目标区域组成的图像作为处理后的噪声烟雾图像。
在具体实施中，分别获取预设二维模板的模板中心点和各个噪声区域的区域中心点，将预设二维模板在各个噪声区域上依次移动，容易理解的是，在预设二维模板对当前噪声区域滤波之后，再进行下一个噪声区域的滤波，在预设二维模板移动的过程中，对模板中心点的位置进行实时检测，在检测到模板中心点与噪声区域的区域中心重合时，预设二维模板停止移动，获取此时区域中心点所对应的当前噪声区域，以及当前噪声区域对应的多个图像点，并获取各个图像点对应的灰度值，然后将获取到的灰度值按照大小顺序进行排序，可以得到处于中间大小的灰度值中值，将区域中心点的灰度值调整为灰度值中值，灰度值调整后的噪声区域即为目标区域，为了便于理解，以图4为例进行说明，如图4所示，当前噪声区域中各个图像点的灰度值分别为12、33、30、2、5、6、9、1以及22，将灰度值按照大小顺序排列之后，得到灰度值中值为12，将当前噪声区域中区域中心点的灰度值从5调整为12，即可得到目标区域，循环上述步骤可以得到多个目标区域，多个目标区域所组成的图像即为处理后的噪声烟雾图像。
步骤S104：将所述处理后的噪声烟雾图像作为待分类烟雾图像。
在本实施例中，处理后的噪声烟雾图像中已经不包含输入的预设噪声样本以及原始烟雾图像中本身存在的噪声，处理后的噪声烟雾图像即为待分类烟雾图像。
本实施例中获取原始烟雾图像，以及所述原始烟雾图像对应的预设噪声样本；将所述预设噪声样本输入至所述原始烟雾图像中，得到噪声烟雾图像；对所述噪声烟雾图像进行处理，得到处理后的噪声烟雾图像；将所述处理后的噪声烟雾图像作为待分类烟雾图像，通过将预设噪声样本输入至原始烟雾图像中得到噪声烟雾图像，并对噪声烟雾图像进行处理，使得获取到的待分类烟雾图像中不含有图像噪声，使得烟雾图像的分类更加准确。
参考图5，图5为本发明一种基于神经网络的烟雾图像分类方法第三实施例的流程示意图。
基于上述第一实施例或第二实施例，提出本发明本发明一种基于神经网络的烟雾图像分类方法第三实施例。
以基于第一实施例为例进行说明，所述步骤S30包括：
步骤S301：根据第一预设像素阈值对所述像素值进行检测，将大于所述第一预设像素阈值的像素值所对应的图像点作为目标图像点，将小于或等于所述第一预设像素阈值的像素值所对应的图像点作为背景图像点。
在本实施例中，第一预设像素阈值可以根据情况自行设定，将第一预设像素阈值作为图像点的像素值检测标准，可以得到大于第一预设像素阈值的像素值对应的图像点和小于或等于第一预设像素阈值的像素值对应的图像点，本实例中将大于第一预设像素阈值的像素值对应的图像点作为目标图像点，将小于或等于第一预设像素阈值的像素值所对应的图像点作为背景图像点，目标图像点为与有效特征有关的图像点，背景图像点为与有效特征无关的图像点，与有效特征是否有关可以根据图像点中是否包含有效特征以及所包含的有效特征是否达到一定数量，可以根据情况自行定义。
需要说明的是，根据第一预设像素阈值对像素值进行检测可以理解为对图像点进行的预筛选，而在实际情况中，部分目标图像点会存在第二预设像素阈值，需要根据第二预设像素阈值对目标图像点进行二次筛选，具体地，在得到目标图像点之后，继续对目标图像点进行检测，若检测到目标图像点存在第二预设像素阈值，则将大于所述第一预设像素阈值且小于或者等于所述第二预设像素阈值的像素值所对应的目标图像点作为第一目标图像点，将大于所述第二预设像素阈值的像素值所对应的目标图像点作为第二目标图像点，其中，第二预设像素阈值大于第一预设像素阈值，第一目标图像点与第二图像点均为与有效特征相关的图像点，第一目标图像点中有效特征的数量小于第二图像点中有效特征的数量。
步骤S302：分别对所述目标图像点的像素值和所述背景图像点的像素值进行调整，以得到目标烟雾图像。
在本实施例中，基于预设函数分别对目标图像点和背景图像点的像素值进行调整，目标图像点包括第一图像点和第二图像点，本实施例的预设函数如公式1。
其中，H为像素值对应的预设函数，X为图像点的像素值，T1为第一预设像素阈值，T2为第二预设像素阈值，C为背景图像点的像素值，B为第一目标图像点的像素值，A为第二目标图像点的像素值，并且A＞B＞C，A、B以及C的具体数值可以根据实际情况自行设定，根据通过上述公式1将各个图像点的像素值进行调整，即可得到目标烟雾图像。
本实施例中根据第一预设像素阈值对所述像素值进行检测，将大于所述第一预设像素阈值的像素值所对应的图像点作为目标图像点，将小于或等于所述第一预设像素阈值的像素值所对应的图像点作为背景图像点，再根据第二预设像素阈值从目标图像点中确定第一目标图像点与第二目标图像点，并基于预设函数分别对第一目标图像点的像素值、第二目标图像点的像素值以及背景图像点的像素值进行调整，以得到目标烟雾图像，使得目标烟雾图像的有效特征更加突出，从而提高基于神经网络的烟雾图像分类的准确性。
参照图6，图6为本发明基于神经网络的烟雾图像分类装置第一实施例的结构框图。
如图6所示，本发明实施例提出的基于神经网络的烟雾图像分类装置包括：
获取模块10，用于获取待分类烟雾图像。
需要注意的是，由于烟雾图像的结构与组成较为复杂，并且图像纹理清晰度和图像分辨率等因素对数字化烟雾图像的影响较大，因此需要对原始烟雾图像进行筛选与处理，从而得到清晰且特征突出的烟雾图像，本实施例中的待分类烟雾图像是经过筛选和处理后的烟雾图像，为了使得烟雾图像的分类更加准确全面，本实施例中不进行图像分割与截取，而是根据整个处理后的待分类烟雾图像进行图像分类。
提取模块20，用于提取所述待分类烟雾图像上各个图像点对应的像素值。
在本实施例中，图像由多个图像点构成，在获取到待分类烟雾图像之后，提取待分类烟雾图像上各个图像点的像素值。
在具体实施中，像素值可以按照以下方式进行提取，例如将待分类烟雾图像与红绿蓝三色通道组成的图像进行相似度比对，根据相似度比对结果从而确定待分类烟雾图像上各个图像点的像素值，例如待分类烟雾图像上的图像点A与红绿蓝三色通道组成的图像上的图像点B之间相似度为90％，而图像点B的像素值为X，可以得到图像点A的像素值为90％X，本实施例中像素值的提取还可以为其他方式，本实施例中不加以限制。
处理模块30，用于根据所述像素值对所述待分类烟雾图像进行处理，得到目标烟雾图像。
需要说明的是，图像点的不同像素值在图像上所显示的特征是不同的，而待分类烟雾图像上并非所有的图像点都包含有效特征，为了使得分类更加准确，需要将包含有效特征的图像点与不包含有效特征的图像点进行区分，本实施例根据各个图像点的像素值对待分类烟雾图像进行处理，使得包含有效特征的图像点的特征更加突出，处理后的待分类烟雾图像为目标烟雾图像。
分类模块40，用于获取所述目标烟雾图像上各个图像点对应的特征参数。
在本实施例中，在得到目标烟雾图像之后，对目标烟雾图像进行分类即可得到待分类烟雾图像的分类结果，本实施例通过获取目标烟雾图像上各个图像点对应的特征，并根据各个图像点的特征对应的权重值确定待分类烟雾图像的分类。
在具体实施中，先获取目标烟雾图像上各个图像点的像素值，在获取到各个图像点的像素值之后，任意选取一个图像点作为当前图像点，在当前图像点的预设范围内获取其他图像点，将当前图像点的像素值和其他图像点的像素值进行比较，根据比较结果为当前图像点分配相应的二进制编码，例如假设当前图像点的像素值大于其他像素点的像素值，则当前图像点分配的二进制编码为A，又假设其他图像点的像素值均大于当前图像点的像素值，则当前图像点分配的二进制编码为B，又假设像素值大于当前图像点的像素值的其他图像点个数为2，则当前图像点分配的二进制编码为C等，具体二进制编码分配情况根据实际情况自行设定，在得到当前图像点的二进制编码后，从映射关系表中可以查找到二进制编码对应的特征参数，即可得到各个图像点的特征参数。
所述分类模块40，还用于根据所述各个图像点对应的特征参数构建所述目标烟雾图像对应的特征参数集。
在具体实施中，随机选取各个图像点对应的特征参数，本实施例中特征参数选取的次数不少于一次，每次选取可以得到一个特征参数集，并且每次选取的数量相同，在一次选取中可以重复选取相同的特征参数，例如选取两次特征参数，第一次选取到的特征参数为B、C、B、S以及A，第二次选取到的特征参数为G、F、U、W以及E，因此可以得到X、Y两个特征参数集，其中X＝(B，C，B，S，A)，Y＝(G，F，U，W，E)。
所述分类模块40，还用于获取所述特征参数集的参考特征参数。
需要说明的是，特征参数集中有多个不同的特征参数，在实际运用中，将具有代表性的特征参数作为整个特征参数集的特征参数进行运算以及分类等操作，本实施例中参考特征参数为能够代表整个特征参数集的特征参数，例如特征参数集G＝(A，B，C)，特征参数C为特征参数集G的参考特征参数，具体地，获取特征参数及的参考特征参数的过程具体为：获取各个特征参数集中的特征参数，将相同的特征参数划分为一组，以获得多个参数组；获取各个参数组中特征参数的数量，将各个参数组中数量最大的特征参数作为特征参数集的参考特征参数。例如特征参数集Z＝(A，A，A，D，E)，将特征参数集划分成T1、T2以及T3三组，T1＝(A，A，A)、T2＝(D)以及T3＝(E)，可知T1中特征参数的数量为3，T2和T3中特征参数的数量均为1，T1中特征参数的数量最大，因此将T1中的特征参数作为特征参数集Z的参考特征参数，即特征参数集Z的特征参数为A。
所述分类模块40，还用于通过预设神经网络模型确定所述参考特征参数对应的目标特征类别。
在具体实现中，在得到各个特征参数集的参考特征参数之后，通过预设神经网络模型可以确定各个参考特征参数对应的目标特征类别，预设神经网络模型可采用前向神经网络模型，也可采用广义回归神经网络模型，本实施例中不加以限制。通过预设神经网络模型可获取各个参考特征参数对应的预设权重值，预设权重值可以根据实际情况设置，本实施例中不加以限制，根据预设权重值对参考特征参数进行计算，可以得到目标特征参数，例如参考特征参数O的预设权重值为为0.2，参考特征参数P的预设权重值为0.5，参考特征参数Q的预设权重值为0.3，可以得到目标特征特征参数S＝0.2O+0.5P+0.3Q，然后再从预设映射关系表中查找目标特征参数S对应的目标特征类别，预设映射关系表也可根据需要进行更改，本实施例中不加以限制。
所述分类模块40，还用于将所述目标特征类别作为所待分类烟雾图像的分类结果。
容易理解的是，对图像进行分类实质是识别图像特征对应的类别，目标特征类别即为待分类烟雾图像的分类结果。
本实施例中获取待分类烟雾图像；提取待分类烟雾图像上各个图像点对应的像素值；根据像素值对待分类烟雾图像进行处理，得到目标烟雾图像；获取目标烟雾图像上各个图像点对应的特征参数；根据各个图像点对应的特征参数构建目标烟雾图像对应的特征参数集；获取特征参数集的参考特征参数；通过预设神经网络模型确定参考特征参数对应的目标特征类别；将目标特征类别作为所待分类烟雾图像的分类结果，通过图像点的像素值对待分类烟雾图像进行处理，对处理后得到的目标烟雾图像进行分类，更加全面地对烟雾图像进行分类，从而提高了烟雾图像分类的准确性。
在一实施例中，所述基于神经网络的烟雾图像分类还包括去噪模块，用于获取原始烟雾图像，以及所述原始烟雾图像对应的预设噪声样本；将所述预设噪声样本输入至所述原始烟雾图像中，得到噪声烟雾图像；对所述噪声烟雾图像进行处理，得到处理后的噪声烟雾图像；将所述处理后的噪声烟雾图像作为待分类烟雾图像。
在一实施例中，所述去噪模块，还用于获取所述噪声烟雾图像对应的灰度噪声烟雾图像；对所述灰度噪声烟雾图像进行区域划分，得到所述灰度噪声烟雾图像对应的多个噪声区域；根据预设二维模板对所述噪声区域进行滤波，得到处理后的噪声烟雾图像。
在一实施例中，所述去噪模块，还用于获取预设二维模板的模板中心点，以及所述噪声区域的区域中心点；将所述预设二维模板依次在所述噪声区域上进行移动；在所述模板中心点与所述区域中心点重合时，获取所述区域中心点对应的当前噪声区域，以及所述当前噪声区域对应的多个图像点；获取各个图像点对应的灰度值；将各个图像点对应的灰度值进行排序，根据排序结果对所述区域中心点的灰度值进行调整，得到目标区域；将所述目标区域组成的图像作为处理后的噪声烟雾图像。
在一实施例中，所述处理模块30，还用于根据第一预设像素阈值对所述像素值进行检测，将大于所述第一预设像素阈值的像素值所对应的图像点作为目标图像点，将小于或等于所述第一预设像素阈值的像素值所对应的图像点作为背景图像点；分别对所述目标图像点的像素值和所述背景图像点的像素值进行调整，以得到目标烟雾图像。
在一实施例中，所述处理模块30，还用于对所述目标图像点进行检测；若所述目标图像点存在第二预设像素阈值，则将大于所述第一预设像素阈值且小于或者等于所述第二预设像素阈值的像素值所对应的目标图像点作为第一目标图像点，将大于所述第二预设像素阈值的像素值所对应的目标图像点作为第二目标图像点，其中，所述第二预设像素阈值大于所述第一预设像素阈值；基于预设函数分别对所述第一目标图像点的像素值、所述第二目标图像点的像素值以及所述背景图像点的像素值进行调整，以得到目标烟雾图像。
在一实施例中，所述分类模块40，还用于获取各个特征参数集中的特征参数，将相同的特征参数划分为一组，以获得多个参数组；获取各个参数组中特征参数的数量，将各个参数组中数量最大的特征参数作为特征参数集的参考特征参数。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于神经网络的烟雾图像分类方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于神经网络的烟雾图像分类方法，其特征在于，所述基于神经网络的烟雾图像分类方法包括：
获取待分类烟雾图像；
提取所述待分类烟雾图像上各个图像点对应的像素值；
根据所述像素值对所述待分类烟雾图像进行处理，得到目标烟雾图像；
获取所述目标烟雾图像上各个图像点对应的特征参数，其中，所述获取所述目标烟雾图像上各个图像点对应的特征参数包括：获取所述目标烟雾图像上各个图像点的像素值，在获取到各个图像点的像素值之后，任意选取一个图像点作为当前图像点，在当前图像点的预设范围内获取其他图像点，将当前图像点的像素值和其他图像点的像素值进行比较，根据比较结果为当前图像点分配相应的二进制编码，从映射关系表中查找二进制编码对应的特征参数；
根据所述各个图像点对应的特征参数构建所述目标烟雾图像对应的特征参数集，其中，所述根据所述各个图像点对应的特征参数构建所述目标烟雾图像对应的特征参数集包括：设置所述各个图像点对应的特征参数的选取次数和选取的数量，按照所述选取次数和选取的数量进行多次图像点的特征参数随机选取，得到所述目标烟雾图像对应的特征参数集；
获取所述特征参数集的参考特征参数，其中，所述获取所述特征参数集的参考特征参数包括获取各个特征参数集中的特征参数，将相同的特征参数划分为一组，以获得多个参数组；获取各个参数组中特征参数的数量，将各个参数组中数量最大的特征参数作为特征参数集的参考特征参数；
通过预设神经网络模型确定所述参考特征参数对应的目标特征类别；
将所述目标特征类别作为所待分类烟雾图像的分类结果。
2.如权利要求1所述的基于神经网络的烟雾图像分类方法，其特征在于，所述获取待分类烟雾图像的步骤包括：
获取原始烟雾图像，以及所述原始烟雾图像对应的预设噪声样本；
将所述预设噪声样本输入至所述原始烟雾图像中，得到噪声烟雾图像；
对所述噪声烟雾图像进行处理，得到处理后的噪声烟雾图像；
将所述处理后的噪声烟雾图像作为待分类烟雾图像。
3.如权利要求2所述的基于神经网络的烟雾图像分类方法，其特征在于，所述对所述噪声烟雾图像进行处理，得到处理后的噪声烟雾图像的步骤包括：
获取所述噪声烟雾图像对应的灰度噪声烟雾图像；
对所述灰度噪声烟雾图像进行区域划分，得到所述灰度噪声烟雾图像对应的多个噪声区域；
根据预设二维模板对所述噪声区域进行滤波，得到处理后的噪声烟雾图像。
4.如权利要求3所述的基于神经网络的烟雾图像分类方法，其特征在于，所述根据预设二维模板对所述噪声区域进行滤波，得到处理后的噪声烟雾图像的步骤，包括：
获取预设二维模板的模板中心点，以及所述噪声区域的区域中心点；
将所述预设二维模板依次在所述噪声区域上进行移动；
在所述模板中心点与所述区域中心点重合时，获取所述区域中心点对应的当前噪声区域，以及所述当前噪声区域对应的多个图像点；
获取各个图像点对应的灰度值；
将各个图像点对应的灰度值进行排序，根据排序结果对所述区域中心点的灰度值进行调整，得到目标区域；
将所述目标区域组成的图像作为处理后的噪声烟雾图像。
5.如权利要求1至4中任一项所述的基于神经网络的烟雾图像分类方法，其特征在于，所述根据所述像素值对所述待分类烟雾图像进行处理，得到目标烟雾图像的步骤，包括：
根据第一预设像素阈值对所述像素值进行检测，将大于所述第一预设像素阈值的像素值所对应的图像点作为目标图像点，将小于或等于所述第一预设像素阈值的像素值所对应的图像点作为背景图像点；
分别对所述目标图像点的像素值和所述背景图像点的像素值进行调整，以得到目标烟雾图像。
6.如权利要求5所述的基于神经网络的烟雾图像分类方法，其特征在于，所述根据第一预设像素阈值对所述像素值进行检测，将大于所述第一预设像素阈值的像素值所对应的图像点作为目标图像点，将小于或等于所述第一预设像素阈值的像素值所对应的图像点作为背景图像点的步骤之后，还包括：
对所述目标图像点进行检测；
若所述目标图像点存在第二预设像素阈值，则将大于所述第一预设像素阈值且小于或者等于所述第二预设像素阈值的像素值所对应的目标图像点作为第一目标图像点，将大于所述第二预设像素阈值的像素值所对应的目标图像点作为第二目标图像点，其中，所述第二预设像素阈值大于所述第一预设像素阈值；
相应地，所述分别对所述目标图像点的像素值和所述背景图像点的像素值进行调整，以得到目标烟雾图像的步骤包括：
基于预设函数分别对所述第一目标图像点的像素值、所述第二目标图像点的像素值以及所述背景图像点的像素值进行调整，以得到目标烟雾图像。
7.一种基于神经网络的烟雾图像分类装置，其特征在于，所述基于神经网络的烟雾图像分类装置包括：
获取模块，用于获取待分类烟雾图像；
提取模块，用于提取所述待分类烟雾图像上各个图像点对应的像素值；
处理模块，用于根据所述像素值对所述待分类烟雾图像进行处理，得到目标烟雾图像；
分类模块，用于获取所述目标烟雾图像上各个图像点对应的特征参数，其中，所述获取所述目标烟雾图像上各个图像点对应的特征参数包括：获取所述目标烟雾图像上各个图像点的像素值，在获取到各个图像点的像素值之后，任意选取一个图像点作为当前图像点，在当前图像点的预设范围内获取其他图像点，将当前图像点的像素值和其他图像点的像素值进行比较，根据比较结果为当前图像点分配相应的二进制编码，从映射关系表中查找二进制编码对应的特征参数；
所述分类模块，还用于根据所述各个图像点对应的特征参数构建所述目标烟雾图像对应的特征参数集，其中，所述根据所述各个图像点对应的特征参数构建所述目标烟雾图像对应的特征参数集包括：设置所述各个图像点对应的特征参数的选取次数和选取的数量，按照所述选取次数和选取的数量进行多次图像点的特征参数随机选取，得到所述目标烟雾图像对应的特征参数集；
所述分类模块，还用于获取所述特征参数集的参考特征参数，其中，所述获取所述特征参数集的参考特征参数包括获取各个特征参数集中的特征参数，将相同的特征参数划分为一组，以获得多个参数组；获取各个参数组中特征参数的数量，将各个参数组中数量最大的特征参数作为特征参数集的参考特征参数；
所述分类模块，还用于通过预设神经网络模型确定所述参考特征参数对应的目标特征类别；
所述分类模块，还用于将所述目标特征类别作为所待分类烟雾图像的分类结果。
8.如权利要求7所述的基于神经网络的烟雾图像分类装置，其特征在于，所述基于神经网络的烟雾图像分类装置还包括：去噪模块；
所述去噪模块，用于获取原始烟雾图像，以及所述原始烟雾图像对应的预设噪声样本；
所述去噪模块，还用于将所述预设噪声样本输入至所述原始烟雾图像中，得到噪声烟雾图像；
所述去噪模块，还用于对所述噪声烟雾图像进行处理，得到处理后的噪声烟雾图像；
所述去噪模块，还用于将所述处理后的噪声烟雾图像作为待分类烟雾图像。
9.一种基于神经网络的烟雾图像分类设备，其特征在于，所述基于神经网络的烟雾图像分类设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的烟雾图像分类程序，所述基于神经网络的烟雾图像分类程序配置为实现如权利要求1至6中任一项所述的基于神经网络的烟雾图像分类方法的步骤。
CN202011377912.2A 2020-11-30 2020-11-30 基于神经网络的烟雾图像分类方法 Active CN112396121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011377912.2A CN112396121B (zh) 2020-11-30 2020-11-30 基于神经网络的烟雾图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011377912.2A CN112396121B (zh) 2020-11-30 2020-11-30 基于神经网络的烟雾图像分类方法

Publications (2)

Publication Number Publication Date
CN112396121A CN112396121A (zh) 2021-02-23
CN112396121B true CN112396121B (zh) 2024-02-02

Family

ID=74605675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011377912.2A Active CN112396121B (zh) 2020-11-30 2020-11-30 基于神经网络的烟雾图像分类方法

Country Status (1)

Country Link
CN (1) CN112396121B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116746A (zh) * 2013-03-08 2013-05-22 中国科学技术大学 一种基于多特征融合技术的视频火焰探测方法
CN104050478A (zh) * 2014-07-09 2014-09-17 湖南大学 烟雾检测方法与***
CN105225235A (zh) * 2015-09-18 2016-01-06 北京航空航天大学 一种基于多光谱特征的视频火焰检测方法
CN105608443A (zh) * 2016-01-22 2016-05-25 合肥工业大学 一种多特征描述及局部决策加权的人脸识别方法
JP2016110263A (ja) * 2014-12-03 2016-06-20 能美防災株式会社 煙検出装置および煙検出方法
CN106952438A (zh) * 2017-04-19 2017-07-14 天津安平易视智能影像科技有限公司 一种基于视频图像的火灾预警方法
CN106997461A (zh) * 2017-03-28 2017-08-01 浙江大华技术股份有限公司 一种烟火检测方法及装置
CN109165577A (zh) * 2018-08-07 2019-01-08 东北大学 一种基于视频图像的早期森林火灾检测方法
CN109191495A (zh) * 2018-07-17 2019-01-11 东南大学 基于自组织背景差模型和多特征融合的黑烟车检测方法
CN109711345A (zh) * 2018-12-27 2019-05-03 南京林业大学 一种火焰图像识别方法、装置及其存储介质
CN109886227A (zh) * 2019-02-27 2019-06-14 哈尔滨工业大学 基于多通道卷积神经网络的室内火灾视频识别方法
CN110033040A (zh) * 2019-04-12 2019-07-19 华南师范大学 一种火焰识别方法、***、介质和设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116746A (zh) * 2013-03-08 2013-05-22 中国科学技术大学 一种基于多特征融合技术的视频火焰探测方法
CN104050478A (zh) * 2014-07-09 2014-09-17 湖南大学 烟雾检测方法与***
JP2016110263A (ja) * 2014-12-03 2016-06-20 能美防災株式会社 煙検出装置および煙検出方法
CN105225235A (zh) * 2015-09-18 2016-01-06 北京航空航天大学 一种基于多光谱特征的视频火焰检测方法
CN105608443A (zh) * 2016-01-22 2016-05-25 合肥工业大学 一种多特征描述及局部决策加权的人脸识别方法
CN106997461A (zh) * 2017-03-28 2017-08-01 浙江大华技术股份有限公司 一种烟火检测方法及装置
CN106952438A (zh) * 2017-04-19 2017-07-14 天津安平易视智能影像科技有限公司 一种基于视频图像的火灾预警方法
CN109191495A (zh) * 2018-07-17 2019-01-11 东南大学 基于自组织背景差模型和多特征融合的黑烟车检测方法
CN109165577A (zh) * 2018-08-07 2019-01-08 东北大学 一种基于视频图像的早期森林火灾检测方法
CN109711345A (zh) * 2018-12-27 2019-05-03 南京林业大学 一种火焰图像识别方法、装置及其存储介质
CN109886227A (zh) * 2019-02-27 2019-06-14 哈尔滨工业大学 基于多通道卷积神经网络的室内火灾视频识别方法
CN110033040A (zh) * 2019-04-12 2019-07-19 华南师范大学 一种火焰识别方法、***、介质和设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Forest Fire Smoke Detection Using Back-Propagation Neural Network Based on MODIS Data;Xiaolian Li等;《remote sensing》;4473-4498 *
基于曲波域烟雾特征提取方法研究;唐田田;《中国优秀硕士学位论文全文数据库 信息科技辑》(第02期);I138-1192 *
基于视频的火灾烟雾检测;高云玲;《中国优秀硕士学位论文全文数据库 信息科技辑》(第04期);I138-847 *

Also Published As

Publication number Publication date
CN112396121A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN110826632B (zh) 图像变化检测方法、装置、设备及计算机可读存储介质
WO2007051963A1 (en) Image processing
CN108229232B (zh) 批量扫描二维码的方法和批量扫描二维码的装置
CN113269046B (zh) 一种高空坠物识别方法及***
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN111079730A (zh) 一种在界面图中确定样图所在区域的方法和电子设备
CN111523490A (zh) 口罩佩戴检测方法、装置、设备和可读存储介质
CN111553241A (zh) 掌纹的误匹配点剔除方法、装置、设备及存储介质
CN112396121B (zh) 基于神经网络的烟雾图像分类方法
CN110874732A (zh) 基于移动支付设备的被扫支付方法和装置
JP4967045B2 (ja) 背景判別装置、方法及びプログラム
CN111639523A (zh) 目标检测方法、装置、计算机设备和存储介质
CN113610832B (zh) 一种徽标缺陷检测方法、装置、设备和存储介质
CN109670514B (zh) 数字岩心的孔隙与骨架识别方法和装置、设备、存储介质
CN114266643A (zh) 基于融合算法的企业挖掘方法、装置、设备及存储介质
CN109543565B (zh) 一种数量确定方法及装置
CN114202665A (zh) 一种图像相似度确定方法及装置、设备、存储介质
CN111563181A (zh) 数字图像文件查询方法、装置及可读存储介质
CN111353503B (zh) 一种用户界面图像中功能区域的识别方法及装置
CN111144244B (zh) 家具木材类别识别方法及装置
CN114463243A (zh) 图像检测方法、设备、存储介质及装置
CN114299037B (zh) 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质
CN116881831B (zh) 基于遥感技术的道路识别方法、***及存储介质
CN117474904B (zh) 工业缺陷检测方法、装置、设备及存储介质
CN112950556B (zh) 图像真实度评估方法、装置、***及计算机可读存储介质

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