一种基于林格曼黑度对环境空气中的烟气检测方法与流程

1.本发明涉及气体检测技术领域，特别涉及一种基于林格曼黑度对环境空气中的烟气检测方法。

背景技术：

2.烟气是气体和烟尘的混合物，是污染居民区大气的主要原因，行驶车辆释放的尾气也是烟气产生的一重要源头，为了减少烟气的产生，需要对车辆进行定期的烟气检测，尤其是黑烟的检测，并对排放污染的车辆进行治理。
3.年检站对于黑烟的检测标准非常严格，当发现冒黑烟则直接判为不合格，中止检测，提升检测效率；但现有方案是通过灰度差算法，在检测部分地面盖上白板子，检测白板子的灰度变化，从而判断林格曼等级，但当白板受到污染，就会影响测量结果，造成误报。

技术实现要素：

4.本发明提供一种基于林格曼黑度对环境空气中的烟气检测方法，通过对有动态的烟气进行捕捉，然后对烟气部分图像进行灰度值计算，从而判断其林格曼黑度，本发明不仅不需要铺设白板，而且可以对黑烟、白烟、很淡的黑烟等等环境空中的烟气均可检测。
5.为了实现上述目的，本发明提供以下技术方案：本发明提供一种基于林格曼黑度对环境空气中的烟气检测方法，所述检测方法包括：（1）对烟气待检区域进行抓拍，并对抓拍图片进行二值化处理；（2）将二值化处理后的图片根据图片内的像素建立高斯混合模型，并判断前景图和背景图；将提取变化快的像素作为前景图，变化慢的像素作为背景图；变化快慢的参考物是设置的当前图片的前x数量图片；（3）对前景图进行去噪处理，因为摄像头本身性能等原因，会有类似零散的非前景的像素点也会变化很快，误判为前景，类似电视的雪花点，需要进行去噪点处理；（4）提取去噪处理后前景图中烟气图像；图像经过了二值化，只有黑和白，黑部分为背景，白部分为前景烟气图像即为前景图中白部分；（5）对烟气图像进行林格曼黑度判断。
6.进一步的，所述二值化采用大津算法，算法假定该图像根据双模直方图（前景像素和背景像素）把包含两类像素，于是它要计算能将两类分开的最佳阈值，使得它们的类内方差最小；由于两两平方距离恒定，所以即它们的类间方差最大。把原始图像进行二值化处理，所有图像像素点转换为0-1值。
7.进一步的，所述大津算法的具体处理过程为：假定抓拍图片包含两类像素，分别为前景类像素和背景类像素；利用穷举搜索并将类内方差最小的阈值定义为第一类像素和第二类像素两个类
的方差的加权和：的方差的加权和：(t)第一类像素按阈值t分的概率方差；(t)第二类像素按阈值t分的概率方差；由于最小化类内方差和最大化类间方差是相同的，用类概率和类均值来表示，即：；(t)是最小化类内方差；类内方差；(t)是类按阈值t分的方差；(t)是第一类像素按阈值t分的类概率；(t)是第二类像素按阈值t分的类概率；(t)是第一类像素按阈值t分的类均值；(t)是第二类像素按阈值t分的类均值；第一类像素的类概率用阈值为t的直方图计算，具体为：；第一类像素的类均值为：；其中，为第个直方图面元中心的值，为个点的坐标p在阈值t内的分布；对大于阈值的面元求出右侧直方图的第二类像素的类概率与第二类像素的类均值(t)；对第一类像素和第二类像素类概率和类均值进行迭代计算，得出0:1范围上的一个阈值；该阈值用于表示图像中出现的像素强度的动态范围，若图像只包含155到255之间的像素强度，大津阈值为0.75则会映射到灰度阈值230，即以灰度230为界，灰度230以上为白，灰度230以下为黑。
8.进一步的，步骤（2）中，所述高斯混合模型的构建过程为：(21)确定概率公式对二值化后的图片中的所有像素进行样本分类，样本容量为n，属于k个分类的样本数量分别是，属于第k个分类的样本集合是l(k);
ꢀꢀꢀꢀ
式（2.1）；
ꢀꢀꢀꢀꢀ
式（2.2）；
ꢀꢀꢀꢀꢀ
式（2.3）；是当前样本的概率；是当前样本概率的均值；是当前样本；是当前样本概率偏差总和；有n个数据点，服从分布，到一组参数，为数学参数，没有具体含义，使得生成这些数据点的概率最大，得到似然函数，公式如下：
ꢀꢀꢀꢀꢀꢀꢀ
式（2.4）；由于单个点的概率很小，连乘之后数据会更小，防止浮点数下溢，取对数，公式如下：
ꢀꢀꢀꢀꢀꢀꢀ
式（2.5）；结合似然函数，得到相应的高斯混合模型中的对数似然函数值为：
ꢀꢀꢀꢀ
式（2.6）；为样本内的像素，为所属的类别；z是隐含变量；（22）求解最佳的模型参数首先，初始化一组参数，根据后验概率来更新y的期望e(y)，然后用e(y)代替y求出新的模型参数；如此迭代直到趋于稳定；参数的期望为：
ꢀꢀꢀꢀ
式（2.7）；然后，求隐含变量z分别取的期望，亦即z分别取的概率；求数据点由高斯混合模型中各个高斯分布生成的概率，公式如下：
ꢀꢀꢀꢀꢀꢀ
式（2.8）；为权值因子，表示在训练集中数据点属于类别的频率，在高斯混合模型中以表示，即为：
ꢀꢀꢀꢀ
式（2.9）；最后，再使用最大似然的方法求出模型参数；式（2.9）求出的是由高斯分布k生成的概率，根据式（2.1）、(2.2)和(2.3)推出：
ꢀꢀꢀꢀꢀꢀꢀ
式（2.10）；
ꢀꢀꢀꢀꢀꢀ
式（2.11）；
ꢀꢀꢀ
式（2.12）；
ꢀꢀꢀꢀꢀ
式（2.1）；即为最终的模型参数；（2.3）将最终的模型参数带入高斯混合模型计算结果数据的概率分布密度函数通过加权函数表示：
ꢀꢀꢀꢀꢀꢀ
式（2.14）；式（2.14）即称为高斯混合模型；其中，
ꢀꢀꢀꢀꢀꢀꢀꢀ
式（2.15）；m是分类的类别；是样本概率的均值；是高斯混合模型的高斯分布；每个高斯分布是一个聚类中心；
ꢀꢀꢀꢀ
式（2.16）把处理好的图片的每个像素的变化值为样本，带入式（2.14）计算，得到各个点的高斯混合分布：通过高斯混合分布变化快慢，确定第一类像素、第二类像素是为的前景类像素或背景类像素，前景类像素即为前景图，背景类像素即为背景图。
9.进一步的，步骤（3）中的去噪处理是通过对图像进行腐蚀与膨胀处理，腐蚀或膨胀的像素值依据图像噪点的大小调整；腐蚀与膨胀算法的具体过程为：腐蚀的算法：用aa的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为1，结果图像的该像素为1；否则为0；膨胀的算法：用aa的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为0，结果图像的该像素为0；否则为1。
10.处理后的结果使二值图像扩大一圈，用于恢复被腐蚀的像素点，如果某个点被腐蚀为0了则不会恢复，从而达到消除噪点的作用。
11.进一步的，步骤（5）的具体判断其林格曼黑度的依据为：通过对烟气图像进行灰度值的平均灰度d计算，根据灰度值的平均灰度d在林格曼黑度等级的位置确定其林格曼黑度。
12.本发明具有以下有益效果：（1）本发明通过对有动态的烟气进行捕捉，不仅可以检测到黑烟，还可以检测到白
烟、以及很淡的黑烟，对烟气的检测非常准确，可以满足对各种烟气的检测；（2）本发明不需要铺设白板，简化了烟气检测的整体结构，降低了所需成本；（3）本发明林格曼等级只与烟气本身相关，不受其他因素的影响，检测的准确性较高。
附图说明
13.图1是本发明的检测方法流程图。
14.图2是本发明的高斯混合模型的构建流程图。
15.图3是本发明的第一类像素和第二类像素的高斯分布图。
16.图4是本发明的提取去噪处理后前景图中的烟气图。
具体实施方式
17.以下结合附图对本发明的具体实施方式做详细描述，应当指出的是，实施例只是对发明的具体阐述，不应视为对发明的限定，实施例的目的是为了让本领域技术人员更好地理解和再现本发明的技术方案，本发明的保护范围仍应当以权利要求书所限定的范围为准。
18.如图1所示，本发明提供一种基于林格曼黑度对环境空气中的烟气检测方法，所述检测方法包括：s1，对烟气待检区域进行抓拍，并对抓拍图片进行二值化处理；所述二值化采用大津算法，算法假定该图像根据双模直方图（前景像素和背景像素）把包含两类像素，于是它要计算能将两类分开的最佳阈值，使得它们的类内方差最小；由于两两平方距离恒定，所以即它们的类间方差最大。把原始图像进行二值化处理，所有图像像素点转换为0-1值。
19.所述大津算法的具体处理过程为：假定抓拍图片包含两类像素，分别为前景类像素和背景类像素；利用穷举搜索并将类内方差最小的阈值定义为第一类像素和第二类像素两个类的方差的加权和：的方差的加权和：是一类像素按阈值t分的概率方差；(t)是二类像素按阈值t分的概率方差；由于最小化类内方差和最大化类间方差是相同的，用类概率和类均值来表示，即：；(t)是最小化类内方差；是类内方差；(t)是类按阈值t分的方差；
ꢀꢀꢀꢀꢀꢀꢀ
式（2.4）；由于单个点的概率很小，连乘之后数据会更小，防止浮点数下溢，取对数，公式如下：
ꢀꢀꢀꢀ
式（2.5）；结合似然函数，得到相应的高斯混合模型中的对数似然函数值为：
ꢀꢀꢀ
式（2.6）；为样本内的像素，为所属的类别；z是隐含变量；s22，求解最佳的模型参数首先，初始化一组参数，根据后验概率来更新y的期望e(y)，然后用e(y)代替y求出新的模型参数；如此迭代直到趋于稳定；参数的期望为：
ꢀꢀꢀꢀꢀ
式（2.7）；然后，求隐含变量z分别取的期望，亦即z分别取的概率；求数据点由高斯混合模型中各个高斯分布生成的概率，公式如下：
ꢀꢀꢀꢀꢀꢀꢀ
式（2.8）；为权值因子，表示在训练集中数据点属于类别的频率，在高斯混合模型中以表示，即为：
ꢀꢀꢀꢀ
式（2.9）；最后，再使用最大似然的方法求出模型参数；式（2.9）求出的是由高斯分布k生成的概率，根据式（2.1）、(2.2)和(2.3)推出：
ꢀꢀꢀꢀ
式（2.10）；
ꢀꢀꢀꢀꢀꢀꢀ
式（2.11）；
ꢀꢀꢀ
式（2.12）；
ꢀꢀꢀꢀ
式（2.1）；即为最终的模型参数；s23，将最终的模型参数带入高斯混合模型计算结果数据的概率分布密度函数通过加权函数表示：
ꢀꢀꢀꢀꢀ
式（2.14）；
式（2.14）即称为高斯混合模型；其中，
ꢀꢀꢀꢀ
式（2.15）；m是分类的类别；是样本概率的均值；是高斯混合模型的高斯分布；每个高斯分布是一个聚类中心；
ꢀꢀꢀꢀ
式（2.16）；如图3所述，把处理好的图片的每个像素的变化值为样本，带入式（2.14）计算，得到各个点的高斯混合分布：通过高斯混合分布变化快慢，确定第一类像素1、第二类像素2是为的前景类像素或背景类像素，从图3中可以看出第二类像素2比第一类像素1的高斯混合分布变化快，因此，第二类像素2为前景类像素即为前景图，第一类像素1背景类像素即为背景图。
21.s3，对前景图进行去噪处理，因为摄像头本身性能等原因，会有类似零散的非前景的像素点也会变化很快，误判为前景，类似电视的雪花点，需要进行去噪点处理；去噪处理是通过对图像进行腐蚀与膨胀处理，腐蚀或膨胀的像素值依据图像噪点的大小调整；腐蚀与膨胀算法的具体过程为：腐蚀的算法：用aa的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为1，结果图像的该像素为1；否则为0；膨胀的算法：用aa的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为0，结果图像的该像素为0；否则为1。
22.处理后的结果使二值图像扩大一圈，用于恢复被腐蚀的像素点，如果某个点被腐蚀为0了则不会恢复，从而达到消除噪点的作用。
23.s4，提取去噪处理后前景图中烟气图像；图像经过了二值化，只有黑和白，黑部分为背景，白部分为前景烟气图像即为前景图中白部分，如图4所示；s5，对烟气图像进行林格曼黑度判断。
24.具体判断其林格曼黑度的依据为：通过对烟气图像进行灰度值的平均灰度d计算，根据灰度值的平均灰度d在林格曼黑度等级的位置确定其林格曼黑度。
25.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。

技术特征：

1.一种基于林格曼黑度对环境空气中的烟气检测方法，其特征在于，所述检测方法包括：（1）对烟气待检区域进行抓拍，并对抓拍图片进行二值化处理；（2）将二值化处理后的图片根据图片内的像素建立高斯混合模型，并判断前景图和背景图；（3）对前景图进行去噪处理；（4）提取去噪处理后前景图中烟气图像；（5）对烟气图像进行林格曼黑度判断。2.根据权利要求1所述的一种基于林格曼黑度对环境空气中的烟气检测方法，其特征在于，所述二值化采用大津算法。3.根据权利要求2所述的一种基于林格曼黑度对环境空气中的烟气检测方法，其特征在于，所述大津算法的具体处理过程为：假定抓拍图片包含两类像素，分别为前景类像素和背景类像素；利用穷举搜索并将类内方差最小的阈值定义为第一类像素和第二类像素两个类的方差的加权和：差的加权和：(t)第一类像素按阈值t分的概率方差；(t)第二类像素按阈值t分的概率方差；由于最小化类内方差和最大化类间方差是相同的，用类概率和类均值来表示，即：；(t)是最小化类内方差；类内方差；(t)是类按阈值t分的方差；(t)是第一类像素按阈值t分的类概率；(t)是第二类像素按阈值t分的类概率；(t)是第一类像素按阈值t分的类均值；(t)是第二类像素按阈值t分的类均值；第一类像素的类概率(t)用阈值为的直方图计算，具体为：；第一类像素的类均值为：；
其中，为第个直方图面元中心的值，为个点的坐标p在阈值t内的分布；对大于阈值t的面元求出右侧直方图的第二类像素的类概率与第二类像素的类均值(t)；对第一类像素和第二类像素类概率和类均值进行迭代计算，得出0:1范围上的一个阈值；该阈值用于表示图像中出现的像素强度的动态范围，若图像只包含155到255之间的像素强度，大津阈值为0.75则会映射到灰度阈值230，即以灰度230为界，灰度230以上为白，灰度230以下为黑。4.根据权利要求1所述的一种基于林格曼黑度对环境空气中的烟气检测方法，其特征在于，步骤（2）中，所述高斯混合模型的构建过程为：(21)确定概率公式对二值化后的图片中的所有像素进行样本分类，样本容量为n，属于k个分类的样本数量分别是，属于第k个分类的样本集合是l(k);
ꢀꢀꢀꢀꢀ
式（2.1）；
ꢀꢀꢀꢀꢀ
式（2.2）；
ꢀꢀꢀꢀ
式（2.3）；是当前样本的概率；是当前样本概率的均值；是当前样本；是当前样本概率偏差总和；有n个数据点，服从分布，到一组参数，为数学参数，没有具体含义，使得生成这些数据点的概率最大，得到似然函数，公式如下：
ꢀꢀꢀꢀꢀ
式（2.4）；由于单个点的概率很小，连乘之后数据会更小，防止浮点数下溢，取对数，公式如下：
ꢀꢀꢀꢀ
式（2.5）；结合似然函数，得到相应的高斯混合模型中的对数似然函数值为：
ꢀꢀꢀ
式（2.6）；为样本内的像素，为所属的类别；z是隐含变量；（22）求解最佳的模型参数首先，初始化一组参数，根据后验概率来更新y的期望e(y)，然后用e(y)代替y求出新的模型参数；如此迭代直到趋于稳定；参数的期望为：
ꢀꢀꢀꢀ
式（2.7）；然后，求隐含变量z分别取的期望，亦即z分别取的概率；求数据点由高
斯混合模型中各个高斯分布生成的概率，公式如下：
ꢀꢀꢀꢀꢀꢀꢀ
式（2.8）；为权值因子，表示在训练集中数据点属于类别的频率，在高斯混合模型中以表示，即为：
ꢀꢀꢀꢀꢀ
式（2.9）；最后，再使用最大似然的方法求出模型参数；式（2.9）求出的是由高斯分布k生成的概率，根据式（2.1）、(2.2)和(2.3)推出：
ꢀꢀꢀꢀꢀꢀ
式（2.10）；
ꢀꢀꢀꢀꢀ
式（2.11）；
ꢀꢀꢀ
式（2.12）；
ꢀꢀꢀꢀꢀ
式（2.1）；即为最终的模型参数；（2.3）将最终的模型参数带入高斯混合模型计算结果数据的概率分布密度函数通过加权函数表示：
ꢀꢀꢀꢀꢀ
式（2.14）；式（2.14）即称为高斯混合模型；其中，
ꢀꢀꢀꢀ
式（2.15）；m是分类的类别；是样本概率的均值；是高斯混合模型的高斯分布；每个高斯分布是一个聚类中心；
ꢀꢀꢀꢀꢀ
式（2.16）把处理好的图片中每个像素的变化值作为样本带入式（2.14）计算，得到各个点的高斯混合分布：通过高斯混合分布变化快慢，确定第一类像素、第二类像素是为的前景类像素或背景类像素，前景类像素即为前景图，背景类像素即为背景图。5.根据权利要求1所述的一种基于林格曼黑度对环境空气中的烟气检测方法，其特征在于，步骤（3）中的去噪处理是通过对图像进行腐蚀与膨胀处理，腐蚀或膨胀的像素值依据图像噪点的大小调整；腐蚀与膨胀算法的具体过程为：腐蚀的算法：用aa的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；
如果都为1，结果图像的该像素为1；否则为0；膨胀的算法：用aa的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作；如果都为0，结果图像的该像素为0；否则为1。6.根据权利要求1所述的一种基于林格曼黑度对环境空气中的烟气检测方法，其特征在于，步骤（5）的具体判断其林格曼黑度的依据为：通过对烟气图像进行灰度值的平均灰度d计算，根据灰度值的平均灰度d在林格曼黑度等级的位置确定其林格曼黑度。

技术总结

本发明涉及气体检测技术领域，提供一种基于林格曼黑度对环境空气中的烟气检测方法，所述检测方法包括：（1）对烟气待检区域进行抓拍，并对抓拍图片进行二值化处理；（2）将二值化处理后的图片根据图片内的像素建立高斯混合模型，并判断前景图和背景图；（3）对前景图进行去噪处理；（4）提取去噪处理后前景图中烟气图像；（5）对烟气图像进行林格曼黑度判断。通过对有动态的烟气进行捕捉，不仅可以检测到黑烟，还可以检测到白烟、以及很淡的黑烟，对烟气的检测非常准确，可以满足对各种烟气的检测；不需要铺设白板，简化了烟气检测的整体结构，降低了所需成本；检测结果只与烟气本身相关，不受其他因素的影响，检测的准确性较高。检测的准确性较高。检测的准确性较高。