CN117173642B - 一种基于大数据的建筑施工视频实时监测预警方法 - Google Patents
一种基于大数据的建筑施工视频实时监测预警方法 Download PDFInfo
- Publication number
- CN117173642B CN117173642B CN202311451336.5A CN202311451336A CN117173642B CN 117173642 B CN117173642 B CN 117173642B CN 202311451336 A CN202311451336 A CN 202311451336A CN 117173642 B CN117173642 B CN 117173642B
- Authority
- CN
- China
- Prior art keywords
- illumination
- component
- optimized
- histogram
- building construction
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000009435 building construction Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005286 illumination Methods 0.000 claims abstract description 174
- 238000001914 filtration Methods 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims description 41
- 238000009826 distribution Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及直方图的图像增强技术领域,具体涉及一种基于大数据的建筑施工视频实时监测预警方法,该方法首先将夜间建筑施工监控视频帧对应的V通道分量分解为初始照度分量图像和初始反射分量图像。结合不同的伽马数值对初始照度分量图像的照度分量直方图进行调整,得到最优照度直方图对应的优化照度分量图像;对初始反射分量图像进行滤波锐化,得到优化反射分量图像。进一步地将优化照度分量图像和优化反射分量图像结合,得到优化后的夜间建筑施工监控视频帧,使得根据优化后的夜间建筑施工监控视频帧对应的建筑施工危险行为的监测预警能力更强。
Description
技术领域
本发明涉及直方图的图像增强技术领域,具体涉及一种基于大数据的建筑施工视频实时监测预警方法。
背景技术
随着建筑施工领域的蓬勃发展,其从业的人数越来越多,并且建筑施工由迅速发展逐步转变为高质量发展,因此需要更加重视建筑施工的安全监测。但是施工工地环境较为复杂,尤其是夜间的建筑工地,使得所采集的视频监测图像的质量较差,使得对建筑施工危险行为的监测预警能力较差。因此需要对所采集的施工工地夜间视频图像进行增强。
现有技术通常通过直方图均衡化方法增强夜间视频图像。但是夜间的工地环境对应灯光光照较为不均,存在局部光照较强和反光等现象,仅仅采用直方图均衡化会导致增强后的结果存在失真,且增强的效果达不到监测预期,因此现有技术采用直方图均衡化对夜间建筑施工监控视频帧进行增强的方法,对建筑施工危险行为的监测预警能力较差。
发明内容
为了解决现有技术采用直方图均衡化对夜间建筑施工监控视频帧进行增强的方法,对建筑施工危险行为的监测预警能力较差的技术问题,本发明的目的在于提供一种基于大数据的建筑施工视频实时监测预警方法,所采用的技术方案具体如下:
本发明提出了一种基于大数据的建筑施工视频实时监测预警方法,所述方法包括:
获取夜间建筑施工监控视频帧;
基于MSR算法,通过不同尺度的高斯滤波核对夜间建筑施工监控视频帧对应的HSV空间的V通道分量进行分解,得到夜间建筑施工监控视频帧对应的初始照度分量图像和初始反射分量图像;根据所述初始照度分量图像中各个照度分量的频次分布情况,得到照度分量直方图;
通过不同的伽马数值遍历调整每个照度分量,结合调整后的照度分量的频率分布情况,得到最优照度直方图,所述不同的伽马数值根据所述照度分量直方图的照度分布情况得到;基于直方图均衡化对所述最优照度直方图进行拉伸后,得到对应的优化照度分量图像;
对所述初始反射分量图像进行滤波锐化,得到优化反射分量图像;根据所述优化照度分量图像和所述优化反射分量图像,得到优化后的夜间建筑施工监控视频帧;根据所述优化后的夜间建筑施工监控视频帧进行建筑施工视频实时监测预警。
进一步地,所述初始反射分量图像的获取方法包括:
将所述夜间建筑施工监控视频帧转换至HSV空间后,得到V通道对应V通道分量图像;
依次将预设第一尺度的高斯滤波核、预设第二尺度的高斯滤波核和预设第三尺度的高斯滤波核,作为目标高斯滤波核,所述预设第一尺度小于预设第二尺度,所述预设第二尺度小于预设第三尺度,且预设第一尺度、预设第二尺度和预设第三尺度均为正整数;将目标高斯滤波核对应尺度的三分之一向上取整,作为目标高斯滤波核的标准差;
在所述V通道分量图像中,通过各个高斯滤波核结合MSR算法加权融合,得到各个像素点对应的反射分量;根据所有像素点对应的反射分量得到初始反射分量图像。
进一步地,所述通过各个高斯滤波核结合MSR算法加权融合,得到各个像素点对应的反射分量的方法在公式上表现为:
其中,为V通道分量图像中像素坐标为/>的像素点对应的反射分量;/>为高斯滤波核尺度的数量;/>为第/>个高斯滤波核对应的融合权重,其中,所有的高斯滤波核对应的融合权重相同,且累加和为1;/>为V通道分量图像中像素坐标为/>的像素点对应的V通道分量;/>为第/>个高斯滤波核,/>为以自然常数为底的对数函数,/>为卷积符号。
进一步地,所述初始照度分量图像的获取方法包括:
将每个像素点对应的V通道分量与对应的反射分量的比值,作为每个像素点的照度分量;根据所有像素点对应的照度分量,得到初始照度分量图像。
进一步地,所述不同的伽马数值的获取方法在公式上表现为:
其中,为第/>个伽马数值;/>为所述照度分量直方图中第/>个照度分量对应的数值,/>为所述初始照度分量图像中所有照度分量的均值,/>为以自然常数为底的指数函数,/>为以自然常数为底的对数函数,/>为预设调节参数。
进一步地,所述最优照度直方图的获取方法包括:
依次将每个伽马数值作为目标伽马数值;
在所述照度分量直方图中,将目标伽马数值作为每个照度分量对应的数值的幂指数,得到目标伽马数值下每个照度分量对应的照度校正分量,根据所述照度校正分量构建目标伽马数值对应的参考照度直方图;
在所述参考照度直方图中,根据所有照度校正分量的归一化值的数值大小,将所有照度校正分量划分为至少两个照度划分区间,其中每个照度划分区间对应的数值范围相同;
将每个照度划分区间对应的像素点数量占比,作为对应的概率密度;将所有照度划分区间对应的概率密度的信息熵,作为目标伽马数值对应的参考判定值;
将参考判定值最大的伽马数值对应的参考照度直方图,作为最优照度直方图。
进一步地,所述优化照度分量图像的获取方法包括:
统计最优照度直方图中的照度分量中位数和最高频次照度分量;根据最优照度直方图中最高频次照度分量和照度分量中位数之间的差值对每个照度校正分量进行调整,得到每个照度校正分量对应的增强照度分量;
将最优照度直方图中每个照度校正分量替换为对应的增强照度分量,得到对应的增强照度直方图;根据直方图变换,得到所述增强照度直方图对应的优化照度分量图像。
进一步地,所述增强照度分量的获取方法包括:
其中,为最优照度直方图中第/>个照度校正分量对应的增强照度分量;/>为最优照度直方图中第/>个照度校正分量;/>为最优照度直方图中的最高频次照度分量;为最优照度直方图中的照度分量中位数。
进一步地,所述优化反射分量图像的获取方法包括:
在所述初始反射分量图像中,统计每个像素点对应的反射分量;将所述初始反射分量图像进行导向滤波,得到每个像素点对应的滤波分量;
将所述夜间建筑施工监控视频帧对应的V通道分量图像中所有像素点的V通道分量进行归一化,得到每个像素点对应的V通道分量归一化值;将所有像素点的V通道分量归一化值的均值,作为反射分量权重;将数值1与所述反射分量权重的差值,作为滤波分量权重;
将所述反射分量权重与所述反射分量的乘积,作为每个像素点对应的第一乘积;将所述滤波分量权重与所述滤波分量的乘积,作为每个像素点对应的第二乘积;将所述第一乘积与所述第二乘积的和值,作为每个像素点对应的优化反射分量;根据所有像素点的优化反射分量构建优化反射分量图像。
进一步地,所述优化后的夜间建筑施工监控视频帧的获取方法包括:
将所述优化照度分量图像和所述优化反射分量图像通过MSR算法结合,得到V通道分量优化图像;将夜间建筑施工监控视频帧对应的HSV空间对应的V通道分量图像替换为所述V通道分量优化图像后,进行RGB转换,得到优化后的夜间建筑施工监控视频帧。
本发明具有如下有益效果:
考虑到夜间施工环境中局部光照较强和反光等现象对夜间建筑施工监控视频帧质量影响较大,因此可从光照的角度进行图像增强。在光照的角度上,图像均由照度分量和反射分量构成,其中照度分量又称为入射分量,因此分别对夜间建筑施工监控视频帧的照度分量和反射分量进行增强,即可得到图像增强效果较好的夜间建筑施工监控视频帧。本发明首先基于多尺度Retinex(Multi-Scale Retinex,MSR)算法,将夜间建筑施工监控视频帧在HSV空间中的V通道分量分解为初始照度分量图像和初始反射分量图像。进一步地基于照度分量直方图通过不同的伽马数值遍历每个照度分量,并将筛选出的最优照度直方图进行拉伸后,得到照度分量优化后的优化照度分量图像。进一步地对初始反射分量图像进行滤波锐化,得到反射分量优化后的优化反射分量图像。将优化照度分量图像和优化反射分量图像融合后,得到图像增强效果更好的优化后的夜间建筑施工监控视频帧,使得根据优化后的夜间建筑施工监控视频帧对应的建筑施工危险行为的监测预警能力更强。
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为本发明一个实施例所提供的一种基于大数据的建筑施工视频实时监测预警方法。
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一种基于大数据的建筑施工视频实时监测预警方法,其具体实施方式、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。
下面结合附图具体的说明本发明所提供的一种基于大数据的建筑施工视频实时监测预警方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于大数据的建筑施工视频实时监测预警方法流程图,该方法包括:
步骤S1:获取夜间建筑施工监控视频帧。
本发明实施例旨在提供一种基于大数据的建筑施工视频实时监测预警方法,根据所获取的夜间建筑施工监控视频帧通过图像处理的方法进行图像增强,得到优化后的夜间建筑施工监控视频帧,进一步地根据优化后的夜间建筑施工监控视频帧进行建筑施工视频实时监测预警。因此首先需要获取夜间建筑施工监控视频帧。
在本发明实施例中,通过建筑施工场地对应的监控设备,调取夜间建筑施工监控视频,考虑到本发明是基于图像的图像增强处理方法,因此进一步地对夜间建筑施工监控视频的每一帧进行分析,也即获取对应的夜间建筑施工监控视频帧。需要说明的是,监控设备所采集到的视频中,每个视频帧对应一个RGB图像,即夜间建筑施工监控视频帧为RGB图像,并且实施者也可根据具体实施环境,使得夜间建筑施工监控视频帧为HSV图像;也即需要保证所采集到的夜间建筑施工监控视频帧具有彩色信息,在此不做进一步赘述。
步骤S2:基于MSR算法,通过不同尺度的高斯滤波核对夜间建筑施工监控视频帧对应的HSV空间的V通道分量进行分解,得到夜间建筑施工监控视频帧对应的初始照度分量图像和初始反射分量图像;根据初始照度分量图像中各个照度分量的频次分布情况,得到照度分量直方图。
考虑到本发明实施例需要从光照的角度上对夜间建筑施工监控视频帧进行图像增强,而在光照角度上,图像由照度分量和反射分量组成,其中照度分量又称为入射分量,进一步地分别对照度分量对应的图像和反射分量对应的图像进行优化,即可得到在光照角度上,图像增强后的夜间建筑施工监控视频帧,因此首先需要将夜间建筑施工监控视频帧分解,得到本发明实施例所需要优化的初始照度分量图像和初始反射分量图像。考虑到MSR算法在将图像分解为初始照度分量图像和初始反射分量图像的效果较好,因此本发明实施例基于MSR算法,通过不同尺度的高斯滤波核对夜间建筑施工监控视频帧对应的HSV空间的V通道分量进行分解,得到夜间建筑施工监控视频帧对应的初始照度分量图像和初始反射分量图像。
优选地,初始反射分量图像的获取方法包括:
将夜间建筑施工监控视频帧转换至HSV空间后,得到V通道对应V通道分量图像。HSV空间中,V通道对应图像的亮度信息,对V通道分量图像进行分解,能够将亮度信息和色彩信息分量,使得对照度分量和反射分量的分解效果更好。
依次将预设第一尺度的高斯滤波核、预设第二尺度的高斯滤波核和预设第三尺度的高斯滤波核,作为目标高斯滤波核,预设第一尺度小于预设第二尺度,预设第二尺度小于预设第三尺度,且预设第一尺度、预设第二尺度和预设第三尺度均为正整数;将目标高斯滤波核对应尺度的三分之一向上取整,作为目标高斯滤波核的标准差。在本发明实施例中,将夜间建筑施工监控视频帧对应边长的百分之二向上取整,作为预设第一尺度;将夜间建筑施工监控视频帧对应边长的百分之十向上取整,作为预设第二尺度;将夜间建筑施工监控视频帧对应边长的百分之三十向上取整,作为预设第三尺度。在MSR算法中,通常采用先验固定大小的不同尺度的高斯滤波核尺度进行分析,但是对于不同场景不同尺寸的图像,尺度大小也应该相应的进行变化。而本发明实施例根据图像的边长的比例自适应的选取高斯滤波核的尺度。
在V通道分量图像中,通过各个高斯滤波核结合MSR算法加权融合,得到各个像素点对应的反射分量;
优选地,通过各个高斯滤波核结合MSR算法加权融合,得到各个像素点对应的反射分量的方法在公式上表现为:
其中,为V通道分量图像中像素坐标为/>的像素点对应的反射分量;/>为高斯滤波核尺度的数量;/>为第/>个高斯滤波核对应的融合权重,其中,所有的高斯滤波核对应的融合权重相同,且累加和为1;/>为V通道分量图像中像素坐标为/>的像素点对应的V通道分量;/>为第/>个高斯滤波核,/>为以自然常数为底的对数函数,/>为卷积符号。
其中,各个像素点对应的反射分量的方法对应的公式为MSR算法中的常规公式,每个高斯滤波核对应的高斯滤波核对应的融合权重均为三分之一。并且基于MSR算法,不同尺度的高斯滤波所提取的结果不同,小尺度的高斯滤波能够提取到图像的边缘信息,也即对应预设第一尺度的高斯滤波核。中尺度的高斯滤波能够提取到图像较好的细节和纹理信息,也即对应预设第二尺度的高斯滤波和。大尺度的高斯滤波可以额获取较为平滑的纹理信息。进一步地基于MSR算法将三个尺度的信息融合,分解出本发明实施例所需要的入射分量。
需要说明的是,本发明实施例中不同的高斯滤波核对应函数的积分均为1,也即在不同标准差的情况下,对应的积分总和是不变的,满足高斯滤波核的基本性质;并且MSR算法为本领域技术人员所熟知的现有技术,在此不做进一步赘述。
进一步地根据所有像素点对应的反射分量得到初始反射分量图像。
优选地,初始照度分量图像的获取方法包括:
基于MSR算法对应的Retinex理论,图像由照度分量和反射分量构成,并且图像对应的分量等于入射分量和反射分量的乘积,而本发明实施例对夜间建筑施工监控视频帧的V通道分量进行分解;因此进一步地将每个像素点对应的V通道分量与对应的反射分量的比值,作为每个像素点的照度分量;根据所有像素点对应的照度分量,得到初始照度分量图像。
在本发明实施例中,像素坐标为的像素点的照度分量的获取方法在公式上表现为:
其中,为像素坐标为/>的像素点的照度分量,/>为像素坐标为的像素点的V通道分量,/>为像素坐标为/>的像素点的反射分量。
考虑到后续需要结合光照的分布对整体进行增强,而借助直方图进行分析的方法能够清楚的反映照度的分布情况,因此本发明实施例根据初始照度分量图像中各个照度分量的频次分布情况,得到照度分量直方图。在本发明实施例中,以照度分量大小为横轴,以各个照度分量的频次为纵轴构建照度分量直方图,实施者也可通过其他方法进行照度分量直方图的构建。
步骤S3:通过不同的伽马数值遍历调整每个照度分量,结合调整后的照度分量的频率分布情况,得到最优照度直方图,不同的伽马数值根据照度分量直方图的照度分布情况得到;基于直方图均衡化对最优照度直方图进行拉伸后,得到对应的优化照度分量图像。
在图像增强领域,直方图技术通常结合伽马校正方法进行图像增强。但是不同伽马数值的选择,对图像增强的效果不同,为了获取使得得到的校正后的照度分量均匀分布,以进行照度的整体增强,本发明实施例通过不同的伽马数值遍历调整每个照度分量,结合调整后的照度分量的频率分布情况,得到最优照度直方图,不同的伽马数值根据照度分量直方图的照度分布情况得到。对于常规的伽马校正方法而言,通常采用先验的伽马数值对图像进行伽马校正。但是考虑到不同的照度分量图像对应的照度分量分布不同,考虑到伽马变换方法的鲁棒性,本发明实施例根据照度分量直方图的照度分布情况自适应获取伽马数值。
优选地,不同的伽马数值的获取方法在公式上表现为:
其中,为第/>个伽马数值;/>为照度分量直方图中第/>个照度分量对应的数值,为初始照度分量图像中所有照度分量的均值,/>为以自然常数为底的指数函数,为以自然常数为底的对数函数,/>为预设调节参数,用于防止分母为0,在本发明实施例中,预设调节参数设置为0.1,需要说明的是,初始照度分量图像中所有照度分量的均值大于0,均值为0的情况下,对应的图像无法分析,也即不适用于本发明实施例中场景对应的公式,因此公式不会处于没有意义的情况。
在伽马数值的获取公式中,分母采用对数函数能够对应本发明实施例中反射分量的获取公式的形式,并且均值能够一定程度的表征初始照度分量图像中照度分量的整体特征,并且结合预设调节参数能够防止分母为0导致公式无意义。因此以作为分母进行公式的构建。在分子中,指数函数/>的作用为调节伽马数值的选取范围,实施者也可根据实施环境自行调整对应的函数选择;并且采用/>来计算每个照度分量与均值之间的差值,使得从两个方向上尽量多的选取伽马数值,从而达到自适应选取伽马数值的目的。进一步地根据伽马数值对照度直方图进行校正,根据校正结果选取出最优照度直方图。
优选地,最优照度直方图的获取方法包括:
依次将每个伽马数值作为目标伽马数值;在照度分量直方图中,将目标伽马数值作为每个照度分量对应的数值的幂指数,得到目标伽马数值下每个照度分量对应的照度校正分量,根据照度校正分量构建目标伽马数值对应的参考照度直方图。
在本发明实施例中,目标伽马数值对应的第个伽马数值下第/>个照度校正分量的获取方法在公式上表现为:
其中,为第/>个伽马数值下第/>个照度校正分量,/>为照度分量直方图中第/>个照度分量,/>为第/>个伽马数值。需要说明的是,该公式为伽马校正的常规公式在照度分量上的表现形式,由于伽马校正为本领域技术人员所熟知的现有技术,因此不对其意义作进一步赘述。
在参考照度直方图中,根据所有照度校正分量的归一化值的数值大小,将所有照度校正分量划分为至少两个照度划分区间,其中每个照度划分区间对应的数值范围相同。经过伽马校正后,不同数值的照度分量,其归一化值所在的区间会发生改变。在本发明实施例中,根据所有照度校正分量归一化后的值以从小到大的顺序划分为十个照度划分区间,每个划分区间对应0.1长度的区段范围,例如归一化后的值在0到0.1范围内的所有照度校正分量作为一个照度划分区间,在0.1到0.2范围内的所有照度校正分量作为一个照度划分区间,直至将所有照度校正分量完全划分。在本发明实施例中,归一化方法采用线性归一化,实施者也可根据具体实施环境采用其他归一化方法。
将每个照度划分区间对应的像素点数量占比,作为对应的概率密度;将所有照度划分区间对应的概率密度的信息熵,作为目标伽马数值对应的参考判定值。信息熵能够表征对应照度校正分量的混乱情况,也即表征对应的参考照度直方图对应图像的视觉复杂性和均匀分布情况,也即参考判定值能够表征参考照度直方图的照度分布均匀程度。
在本发明实施例中,第个伽马数值的参考判定值的获取方法在公式上表现为:
其中,为第/>个伽马数值的参考判定值;/>为所有照度校正分量所划分出的照度划分区间的数量,本发明实施例中为10;/>为第/>个伽马数值下第/>个照度划分区间的概率密度,也即对应的像素点数量占比;/>为以自然常数为底的对数函数。需要说明的是,第/>个伽马数值的参考判定值的获取公式为信息熵的计算公式,而信息熵的计算公式为本领域技术人员所熟知的现有技术,因此不对其具体意义作进一步赘述。
由于参考判定值能够表征参考照度直方图的照度分布均匀程度,因此为了尽可能获取亮度分布更加均匀的图像,本发明实施例将参考判定值最大的伽马数值对应的参考照度直方图,作为最优照度直方图。
虽然最优照度直方图对应的照度优化结果能够使得亮度尽可能的均匀分布,但是可能会存在整体亮度不够或过高的情况,因此需要将照度直方图拉伸至中间区域进行整体亮度效果的增强,本发明实施例基于直方图均衡化对最优照度直方图进行拉伸后,得到对应的优化照度分量图像。
优选地,优化照度分量图像的获取方法包括:
统计最优照度直方图中的照度分量中位数和最高频次照度分量;根据最优照度直方图中最高频次照度分量和照度分量中位数之间的差值对每个照度校正分量进行调整,得到每个照度校正分量对应的增强照度分量。
优选地,增强照度分量的获取方法包括:
其中,为最优照度直方图中第/>个照度校正分量对应的增强照度分量;/>为最优照度直方图中第/>个照度校正分量;/>为最优照度直方图中的最高频次照度分量;为最优照度直方图中的照度分量中位数。对于图像而言,最高频次照度分量和照度中位数之间的差异能够反映图像中明暗部分的分离程度,也即对比度,对比度越大,说明图像的光照需要增强或削弱的更多。当最高频次照度分量小于等于照度分量中位数时,说明图像整体照度较低,需要进行增强,因此根据最高频次照度分量和照度中位数之间的差异,赋予一个大于1的系数进行加权,实现图像整体照度的增强;相反地,当最高频次照度分量大于照度分量中位数时,说明图像整体照度较高,需要进行削弱,因此根据最高频次照度分量和照度中位数之间的差异,赋予一个小于1的系数进行加权,实现图像整体照度的削弱,从而达到图像增强的目的。
进一步地将最优照度直方图中每个照度校正分量替换为对应的增强照度分量,得到对应的增强照度直方图;根据直方图变换,得到增强照度直方图对应的优化照度分量图像。需要说明的是,直方图变换为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
步骤S4:对初始反射分量图像进行滤波锐化,得到优化反射分量图像;根据优化照度分量图像和优化反射分量图像,得到优化后的夜间建筑施工监控视频帧;根据优化后的夜间建筑施工监控视频帧进行建筑施工视频实时监测预警。
在得到照度分量增强后的优化照度分量图像后,进一步地对反射分量进行增强。考虑到在Retinex理论中,反射分量为高频分量,即对应的图像的边缘信息,因此对初始反射分量进行增强需要对边缘信息进行分析。本发明实施例对初始反射分量图像进行滤波锐化,得到优化反射分量图像。
优选地,优化反射分量图像的获取方法包括:
在初始反射分量图像中,统计每个像素点对应的反射分量;将初始反射分量图像进行导向滤波,得到每个像素点对应的滤波分量。由于反射分量中存在一些噪声和干扰,需要对图像进行滤波处理,而反射分量本身即为反映图像高频信息,也即边缘信息的分量,传统的滤波方法会导致边缘信息丢失,因此本发明实施例选择对边缘信息保留效果较好的导向滤波方法进行去噪处理,得到对应的滤波分量。需要说明的是,实施者也可根据实施环境选择其他边缘信息保留效果较好的滤波方法,例如非局部均值滤波,在此不做进一步赘述。
将夜间建筑施工监控视频帧对应的V通道分量图像中所有像素点的V通道分量进行归一化,得到每个像素点对应的V通道分量归一化值;将所有像素点的V通道分量归一化值的均值,作为反射分量权重。由于反射分量权重为归一化后的数值,并且为了保证权重之和为1,因此将数值1与反射分量权重的差值,作为滤波分量权重。对于V通道分量图像而言,所有像素点的V通道分量归一化值的均值,能够反映V通道分量的整体分布情况,当反射分量权重较小时,说明图像整体较暗,受到噪声的影响可能更大,因此对反射分量赋予更小的权重,对滤波分量赋予更大的权重;相反,当反射分量权重较大时,说明图像整体较亮,受到噪声的影响可能较小,因此对反射分量赋予更大的权重,对滤波分量赋予更小的权重。
进一步地进行加权求和得到最终的优化反射分量,本发明实施例将反射分量权重与反射分量的乘积,作为每个像素点对应的第一乘积;将滤波分量权重与滤波分量的乘积,作为每个像素点对应的第二乘积;将第一乘积与第二乘积的和值,作为每个像素点对应的优化反射分量;根据所有像素点的优化反射分量构建优化反射分量图像。
在本发明实施例中,像素坐标为的像素点的优化反射分量的获取方法在公式上表现为:
其中,为像素坐标为/>的像素点的优化反射分量,/>为像素坐标为/>的像素点的反射分量,/>为像素坐标为/>的像素点的滤波分量,/>为反射分量权重,/>为滤波分量权重,/>为像素坐标为/>的像素点的第一乘积,/>为像素坐标为/>的像素点的第二乘积。
进一步地将优化照度分量图像和优化反射分量图像结合,本发明实施例根据优化照度分量图像和优化反射分量图像,得到优化后的夜间建筑施工监控视频帧。
优选地,优化后的夜间建筑施工监控视频帧的获取方法包括:
由于初始照度分量图像和初始反射分量图像是基于MSR算法分解V通道分量图像得到的,因此将优化照度分量图像和优化反射分量图像通过MSR算法结合,得到V通道分量优化图像;将夜间建筑施工监控视频帧对应的HSV空间对应的V通道分量图像替换为V通道分量优化图像后,进行RGB转换,得到优化后的夜间建筑施工监控视频帧。
本发明实施例根据优化后的夜间建筑施工监控视频帧进行建筑施工视频实时监测预警。优化后的夜间建筑施工监控视频帧也即图像增强后的夜间建筑施工监控视频帧,进一步地结合现有的建筑施工危险行为检测方法对优化后的夜间建筑施工监控视频帧进行处理,以进行建筑施工视频实时监测预警。在本发明实施例中,将优化后的夜间建筑施工监控视频帧输入到训练好的卷积神经网络中,输出是否具有建筑施工危险行为,实施者也可根据具体实施环境选用其他深度学习模型,在此不做进一步赘述。
综上所述,本发明首先将夜间建筑施工监控视频帧对应的V通道分量分解为初始照度分量图像和初始反射分量图像。结合不同的伽马数值对初始照度分量图像的照度分量直方图进行调整,得到最优照度直方图对应的优化照度分量图像;对初始反射分量图像进行滤波锐化,得到优化反射分量图像。进一步地将优化照度分量图像和优化反射分量图像结合,得到优化后的夜间建筑施工监控视频帧,使得根据优化后的夜间建筑施工监控视频帧对应的建筑施工危险行为的监测预警能力更强。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种基于大数据的建筑施工视频实时监测预警方法,其特征在于,所述方法包括:
获取夜间建筑施工监控视频帧;
基于MSR算法,通过不同尺度的高斯滤波核对夜间建筑施工监控视频帧对应的HSV空间的V通道分量进行分解,得到夜间建筑施工监控视频帧对应的初始照度分量图像和初始反射分量图像;根据所述初始照度分量图像中各个照度分量的频次分布情况,得到照度分量直方图;
通过不同的伽马数值遍历调整每个照度分量,结合调整后的照度分量的频率分布情况,得到最优照度直方图,所述不同的伽马数值根据所述照度分量直方图的照度分布情况得到;基于直方图均衡化对所述最优照度直方图进行拉伸后,得到对应的优化照度分量图像;
对所述初始反射分量图像进行滤波锐化,得到优化反射分量图像;根据所述优化照度分量图像和所述优化反射分量图像,得到优化后的夜间建筑施工监控视频帧;根据所述优化后的夜间建筑施工监控视频帧进行建筑施工视频实时监测预警;
所述最优照度直方图的获取方法包括:
依次将每个伽马数值作为目标伽马数值;
在所述照度分量直方图中,将目标伽马数值作为每个照度分量对应的数值的幂指数,得到目标伽马数值下每个照度分量对应的照度校正分量,根据所述照度校正分量构建目标伽马数值对应的参考照度直方图;
在所述参考照度直方图中,根据所有照度校正分量的归一化值的数值大小,将所有照度校正分量划分为至少两个照度划分区间,其中每个照度划分区间对应的数值范围相同;
将每个照度划分区间对应的像素点数量占比,作为对应的概率密度;将所有照度划分区间对应的概率密度的信息熵,作为目标伽马数值对应的参考判定值;
将参考判定值最大的伽马数值对应的参考照度直方图,作为最优照度直方图;
所述优化照度分量图像的获取方法包括:
统计最优照度直方图中的照度分量中位数和最高频次照度分量;根据最优照度直方图中最高频次照度分量和照度分量中位数之间的差值对每个照度校正分量进行调整,得到每个照度校正分量对应的增强照度分量;
将最优照度直方图中每个照度校正分量替换为对应的增强照度分量,得到对应的增强照度直方图;根据直方图变换,得到所述增强照度直方图对应的优化照度分量图像;
所述增强照度分量的获取方法包括:
其中,为最优照度直方图中第/>个照度校正分量对应的增强照度分量;/>为最优照度直方图中第/>个照度校正分量;/>为最优照度直方图中的最高频次照度分量;/>为最优照度直方图中的照度分量中位数;
所述优化反射分量图像的获取方法包括:
在所述初始反射分量图像中,统计每个像素点对应的反射分量;将所述初始反射分量图像进行导向滤波,得到每个像素点对应的滤波分量;
将所述夜间建筑施工监控视频帧对应的V通道分量图像中所有像素点的V通道分量进行归一化,得到每个像素点对应的V通道分量归一化值;将所有像素点的V通道分量归一化值的均值,作为反射分量权重;将数值1与所述反射分量权重的差值,作为滤波分量权重;
将所述反射分量权重与所述反射分量的乘积,作为每个像素点对应的第一乘积;将所述滤波分量权重与所述滤波分量的乘积,作为每个像素点对应的第二乘积;将所述第一乘积与所述第二乘积的和值,作为每个像素点对应的优化反射分量;根据所有像素点的优化反射分量构建优化反射分量图像。
2.根据权利要求1所述的一种基于大数据的建筑施工视频实时监测预警方法,其特征在于,所述初始反射分量图像的获取方法包括:
将所述夜间建筑施工监控视频帧转换至HSV空间后,得到V通道对应V通道分量图像;
依次将预设第一尺度的高斯滤波核、预设第二尺度的高斯滤波核和预设第三尺度的高斯滤波核,作为目标高斯滤波核,所述预设第一尺度小于预设第二尺度,所述预设第二尺度小于预设第三尺度,且预设第一尺度、预设第二尺度和预设第三尺度均为正整数;将目标高斯滤波核对应尺度的三分之一向上取整,作为目标高斯滤波核的标准差;
在所述V通道分量图像中,通过各个高斯滤波核结合MSR算法加权融合,得到各个像素点对应的反射分量;根据所有像素点对应的反射分量得到初始反射分量图像。
3.根据权利要求2所述的一种基于大数据的建筑施工视频实时监测预警方法,其特征在于,所述通过各个高斯滤波核结合MSR算法加权融合,得到各个像素点对应的反射分量的方法在公式上表现为:
其中,为V通道分量图像中像素坐标为/>的像素点对应的反射分量;/>为高斯滤波核尺度的数量;/>为第/>个高斯滤波核对应的融合权重,其中,所有的高斯滤波核对应的融合权重相同,且累加和为1;/>为V通道分量图像中像素坐标为/>的像素点对应的V通道分量;/>为第/>个高斯滤波核,/>为以自然常数为底的对数函数,为卷积符号。
4.根据权利要求2所述的一种基于大数据的建筑施工视频实时监测预警方法,其特征在于,所述初始照度分量图像的获取方法包括:
将每个像素点对应的V通道分量与对应的反射分量的比值,作为每个像素点的照度分量;根据所有像素点对应的照度分量,得到初始照度分量图像。
5.根据权利要求1所述的一种基于大数据的建筑施工视频实时监测预警方法,其特征在于,所述不同的伽马数值的获取方法在公式上表现为:
其中,为第/>个伽马数值;/>为所述照度分量直方图中第/>个照度分量对应的数值,为所述初始照度分量图像中所有照度分量的均值,/>为以自然常数为底的指数函数,/>为以自然常数为底的对数函数,/>为预设调节参数。
6.根据权利要求1所述的一种基于大数据的建筑施工视频实时监测预警方法,其特征在于,所述优化后的夜间建筑施工监控视频帧的获取方法包括:
将所述优化照度分量图像和所述优化反射分量图像通过MSR算法结合,得到V通道分量优化图像;将夜间建筑施工监控视频帧对应的HSV空间对应的V通道分量图像替换为所述V通道分量优化图像后,进行RGB转换,得到优化后的夜间建筑施工监控视频帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451336.5A CN117173642B (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据的建筑施工视频实时监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451336.5A CN117173642B (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据的建筑施工视频实时监测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173642A CN117173642A (zh) | 2023-12-05 |
CN117173642B true CN117173642B (zh) | 2024-02-02 |
Family
ID=88932166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311451336.5A Active CN117173642B (zh) | 2023-11-03 | 2023-11-03 | 一种基于大数据的建筑施工视频实时监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173642B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136533A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 基于动态阈值的人脸识别方法及装置 |
CN108053374A (zh) * | 2017-12-05 | 2018-05-18 | 天津大学 | 一种结合双边滤波与Retinex的水下图像增强方法 |
CN108898566A (zh) * | 2018-07-20 | 2018-11-27 | 南京邮电大学 | 一种利用时空照度图的低照度彩***增强方法 |
CN111127377A (zh) * | 2019-12-20 | 2020-05-08 | 湖北工业大学 | 一种基于多图像融合Retinex的弱光增强方法 |
CN111986120A (zh) * | 2020-09-15 | 2020-11-24 | 天津师范大学 | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 |
CN112288652A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法 |
CN113313639A (zh) * | 2021-03-03 | 2021-08-27 | 辽宁工程技术大学 | 基于Retinex多层次分解的图像增强方法 |
CN113962898A (zh) * | 2021-11-03 | 2022-01-21 | 大连海事大学 | 基于照度图优化和自适应伽马校正的低照度图像增强方法 |
CN115660964A (zh) * | 2022-08-18 | 2023-01-31 | 贵州大学 | 基于阈值分区加权亮度分量的夜间道路图像增强方法 |
CN116309146A (zh) * | 2023-03-13 | 2023-06-23 | 南京理工大学 | 基于Retinex的边缘保留彩色低照度图像增强方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4765667B2 (ja) * | 2006-02-27 | 2011-09-07 | ブラザー工業株式会社 | 画像処理プログラムおよび画像処理装置 |
US8031973B2 (en) * | 2006-03-07 | 2011-10-04 | Brother Kogyo Kabushiki Kaisha | Data processing device capable of executing retinex processing at high speed |
-
2023
- 2023-11-03 CN CN202311451336.5A patent/CN117173642B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136533A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 基于动态阈值的人脸识别方法及装置 |
CN108053374A (zh) * | 2017-12-05 | 2018-05-18 | 天津大学 | 一种结合双边滤波与Retinex的水下图像增强方法 |
CN108898566A (zh) * | 2018-07-20 | 2018-11-27 | 南京邮电大学 | 一种利用时空照度图的低照度彩***增强方法 |
CN111127377A (zh) * | 2019-12-20 | 2020-05-08 | 湖北工业大学 | 一种基于多图像融合Retinex的弱光增强方法 |
CN111986120A (zh) * | 2020-09-15 | 2020-11-24 | 天津师范大学 | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 |
CN112288652A (zh) * | 2020-10-30 | 2021-01-29 | 西安科技大学 | 一种基于PSO寻优的引导滤波-Retinex低照度图像增强方法 |
CN113313639A (zh) * | 2021-03-03 | 2021-08-27 | 辽宁工程技术大学 | 基于Retinex多层次分解的图像增强方法 |
CN113962898A (zh) * | 2021-11-03 | 2022-01-21 | 大连海事大学 | 基于照度图优化和自适应伽马校正的低照度图像增强方法 |
CN115660964A (zh) * | 2022-08-18 | 2023-01-31 | 贵州大学 | 基于阈值分区加权亮度分量的夜间道路图像增强方法 |
CN116309146A (zh) * | 2023-03-13 | 2023-06-23 | 南京理工大学 | 基于Retinex的边缘保留彩色低照度图像增强方法 |
Non-Patent Citations (2)
Title |
---|
基于NSST多尺度自适应的Retinex低照度图像增强算法;王晓红;翟焱修;麻祥才;;包装工程(03);全文 * |
基于照度调整的矿井非均匀照度视频图像增强算法;智宁;毛善君;李梅;;煤炭学报(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173642A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Exposure based multi-histogram equalization contrast enhancement for non-uniform illumination images | |
Singh et al. | Principal component analysis-based low-light image enhancement using reflection model | |
CN108765336B (zh) | 基于暗亮原色先验与自适应参数优化的图像去雾方法 | |
CN111242878B (zh) | 基于布谷鸟搜索的矿井下图像增强方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN111179202B (zh) | 一种基于生成对抗网络的单幅图像去雾增强方法和*** | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN104318529A (zh) | 处理在恶劣环境中所拍摄低照度图像的方法 | |
CN111656781A (zh) | 用于使用参考图像进行图像信号处理器调谐的***和方法 | |
WO2019152534A1 (en) | Systems and methods for image signal processor tuning | |
Bi et al. | Haze removal for a single remote sensing image using low-rank and sparse prior | |
CN115457249A (zh) | 红外图像与可见光图像融合匹配的方法及*** | |
Feng et al. | Low-light color image enhancement based on Retinex | |
CN117173642B (zh) | 一种基于大数据的建筑施工视频实时监测预警方法 | |
CN113129300A (zh) | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 | |
CN117611501A (zh) | 一种低照度图像增强方法、装置、设备及可读存储介质 | |
CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
Malik et al. | Contrast enhancement and smoothing of CT images for diagnosis | |
Shokrollahi et al. | Histogram modification based enhancement along with contrast-changed image quality assessment | |
CN114078117A (zh) | 一种变压器油位的实时检测方法 | |
Zini et al. | Shallow camera pipeline for night photography rendering | |
CN112598002A (zh) | 一种雾气和噪声影响下的车牌识别方法 | |
Qiu et al. | High dynamic range image compression based on the multi-peak S-shaped tone curve | |
CN116778261B (zh) | 基于图像处理的原料油等级分类方法 |
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 |