一种人工智能红外图像处理仪、控制系统及控制方法与流程

本发明属于红外图像处理技术领域，尤其涉及一种人工智能红外图像处理仪、控制系统及控制方法。

背景技术：

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。然而，现有红外图像通常是低像素和带有某些模糊效果，不够清晰；同时，现有技术中的红外图像压缩方法模糊了像素间原有的灰度差异，降低了需要检测的目标与背景之间区分度，不利于运动目标检测。

综上所述，现有技术存在的问题是：

现有红外图像通常是低像素和带有某些模糊效果，不够清晰。

现有技术中的红外图像压缩方法模糊了像素间原有的灰度差异，降低了需要检测的目标与背景之间区分度，不利于运动目标检测。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种人工智能红外图像处理仪、控制系统及控制方法。

本发明是这样实现的，一种人工智能红外图像处理仪控制方法，所述人工智能红外图像处理仪控制方法包括：

步骤一，通过红外图像采集模块利用红外摄像头采集红外图像数据；

步骤二，主控模块通过去噪模块利用去噪程序去除红外图像噪声数据；通过红外图像校正模块利用校正程序对红外图像数据进行校正处理；

通过红外图像增强模块利用图像增强程序对采集的红外图像进行增强处理；图像增强程序对采集的红外图像进行增强处理中，利用卷积神经网络提取与低分辨率红外图像对应的高清可见光图像的轮廓信息；使用超像素分割神经网络对所述低分辨率红外图像进行处理，以获得高清红外图像信息；对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理，其中，在进行处理时，将所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行比较，将所述高清红外图像信息和所述高清可见光图像的轮廓信息的轮廓差异作为训练的损失函数，反复对的所述高清红外图像的超分辨率重建的卷积神经网络参数进行更新，直到所述高清红外图像信息和所述高清可见光图像的轮廓信息的差异满足预定条件；

对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理时，调整所述高清红外图像信息以使红外图像的尺寸与所述可见光图像的轮廓信息对应的尺寸相同；利用提取所述高清可见光图像的轮廓信息的卷积神经网络提取高清红外图像信息；

通过红外图像压缩模块利用压缩程序对红外图像进行压缩处理；获取多帧红外图像作为基准红外图像，其中，所述多帧红外图像为针对同一场景在预设时长内的不同时刻采集的为第一灰阶格式的图像；根据所述基准红外图像中各图像的像素灰度均值和像素灰度分布情况，确定用于区分非感兴趣像素和感兴趣像素的低灰度阈值和高灰度阈值，其中，感兴趣像素为灰度值不低于所述低灰度阈值且不高于所述高灰度阈值的像素，非感兴趣像素为图像中除感兴趣像素外的其它像素；以线性映射的方式调整待压缩红外图像中的感兴趣像素的灰度，以及以截断的方式调整所述待压缩红外图像中的非感兴趣像素的灰度，以获得调整后为第二灰阶格式的压缩图像；采集所述待压缩红外图像的场景与采集所述多帧红外图像的场景相同，所述第一灰阶格式的灰度位数多于所述第二灰阶格式的灰度位数；

步骤三，通过红外图像存储模块利用存储器存储采集的红外图像数据；存储器存储采集的红外图像数据中，通过寄存模块存储二值图像数据；通过读取模块读取寄存模块中二值图像数据；通过压缩组件对读取到的原始二值图像数据进行压缩；通过解压缩组件对读取到的压缩二值图像数据进行解压缩；压缩组件由vhdl语言实现，其中mr编码为二维编码方式，所述mr编码第一行采用mh编码，所述mr编码第二行根据第一行数据进行压缩；压缩组件产生的压缩数据由行标志位、黑白游程标志位、压缩码长度、压缩码构成；

压缩完成后，压缩数据存储在寄存模块中；根据压缩数据中的行标志位、黑白游程标志位、压缩码长度、压缩码，运用状态机的方法进行解压缩操作；解压缩组件将压缩图像数据解压缩完成后，存储在寄存模块中；

步骤四，通过显示模块利用显示器显示采集的红外图像。

进一步，所述训练所述卷积神经网络，并利用训练好的所述卷积神经网络提取所述高清可见光图像的轮廓信息；

所述训练所述卷积神经网络包括以下步骤：

a、收集所述高清可见光图像的数据集以及对应的已标注的真实边缘信息；

b、将所述可见光数据集分为训练数据、测试数据和验证数据；

c、改进所述卷积神经网络用于边缘提取任务；

d、利用所述训练数据，所述测试数据对该模型进行迭代优化，直到满足终止条件。

进一步，所述改进所述卷积神经网络包括以下步骤：

采用u型网络作为改进的基础模型；

在所述u型网络的每次反卷积操作之前，引入全卷积层，以获得不同尺度的分割图像；

将不同尺度下得到的分割图像进行加权叠加，以获得最终的所述高清可见光图像的轮廓信息。

进一步，所述低分辨率红外图像进行处理，以获得高清红外图像信息包括以下步骤：

收集低分辨率的红外图像；

使用srcnn网络进行红外图像的超分辨率重建，并获得最终的高分辨率红外图像。

进一步，所述根据所述基准红外图像中各图像的像素灰度均值和像素灰度分布情况，确定用于区分非感兴趣像素和感兴趣像素的低灰度阈值和高灰度阈值，包括：

确定所述基准红外图像中各图像的低灰度级值和高灰度级值，其中，低灰度级值为图像中的各像素以灰度值从高到低排序时灰度值为倒数预设位的像素的灰度值，高灰度级值为图像中的各像素以灰度值从高到低排序时灰度值为正数所述预设位的像素的灰度值；

根据所述基准红外图像中各图像的像素灰度均值的均值，确定低灰度阈值下限值、低灰度阈值上限值、高灰度阈值下限值和高灰度阈值上限值；

根据所述基准红外图像中各图像的低灰度级值的均值、所述低灰度阈值下限值和所述低灰度阈值上限值，确定所述低灰度阈值；

根据所述基准红外图像中各图像的高灰度级值的均值、所述高灰度阈值下限值和所述高灰度阈值上限值，确定所述高灰度阈值；

所述根据所述基准红外图像中各图像的像素灰度均值的均值，确定低灰度阈值下限值、低灰度阈值上限值、高灰度阈值下限值和高灰度阈值上限值，包括：

确定所述低灰度阈值下限值为所述基准红外图像中各图像的像素灰度均值的均值与第一预设值之差；

确定所述低灰度阈值上限值为所述基准红外图像中各图像的像素灰度均值的均值与第二预设值之差，其中，所述第一预设值大于所述第二预设值；

确定所述高灰度阈值下限值为所述基准红外图像中各图像的像素灰度均值的均值与第三预设值之和；

确定所述高灰度阈值上限值为所述基准红外图像中各图像的像素灰度均值的均值与第四预设值之和，其中，所述第四预设值大于所述第三预设值。

本发明另一目的在于提供一种人工智能红外图像处理仪控制程序，应用于人工智能红外图像处理仪控制系统，所述人工智能红外图像处理仪控制程序实现所述人工智能红外图像处理仪控制方法。

本发明另一目的在于提供一种终端，所述终端搭载实现所述人工智能红外图像处理仪控制方法的控制器。

本发明另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的人工智能红外图像处理仪控制方法。

本发明另一目的在于提供一种人工智能红外图像处理仪控制系统，包括：

红外图像采集模块，与主控模块连接，用于通过红外摄像头采集红外图像数据；

主控模块，与红外图像采集模块、去噪模块、红外图像校正模块、红外图像增强模块、红外图像压缩模块、红外图像存储模块、显示模块连接，用于通过单片机控制各个模块正常工作；

去噪模块，与主控模块连接，用于通过去噪程序去除红外图像噪声数据；

红外图像校正模块，与主控模块连接，用于通过校正程序对红外图像数据进行校正处理；

红外图像增强模块，与主控模块连接，用于通过图像增强程序对采集的红外图像进行增强处理；

红外图像压缩模块，与主控模块连接，用于通过压缩程序对红外图像进行压缩处理；

红外图像存储模块，与主控模块连接，用于通过存储器存储采集的红外图像数据；

显示模块，与主控模块连接，用于通过显示器显示采集的红外图像。

本发明另一目的在于提供一种搭载所述人工智能红外图像处理仪控制系统的人工智能红外图像处理仪。

本发明的优点及积极效果为：

本发明通过红外图像增强模块以红外和对应的可见光图像作为训练数据，通过训练得到一个可以有效恢复红外图像中物体信息的超分辨率重建网络，并且该方法可以仅在训练阶段需要输入对应的可见光图像，一旦超分辨率重建模型训练完成，红外图像的恢复将会非常容易，红外图像中物体的细节也能得到很好的恢复；提高红外图像的清晰度；同时，通过红外图像压缩模块获取多帧红外图像作为基准红外图像，根据基准红外图像中各图像的像素灰度均值和像素灰度分布情况，确定用于区分非感兴趣像素和感兴趣像素的低灰度阈值和高灰度阈值，以线性映射的方式调整待压缩红外图像中的感兴趣像素的灰度，以及以截断的方式调整待压缩红外图像中的非感兴趣像素的灰度，以获得调整后为第二灰阶格式的压缩图像；使得压缩后获得的压缩图像中感兴趣像素的对比度较大，各感兴趣像素的区分度也更大，因而能更加突出地显示运动目标，利于检测出运动目标。

本发明存储器存储采集的红外图像数据中，通过寄存模块存储二值图像数据；通过读取模块读取寄存模块中二值图像数据；通过压缩组件对读取到的原始二值图像数据进行压缩；通过解压缩组件对读取到的压缩二值图像数据进行解压缩；压缩组件由vhdl语言实现，其中mr编码为二维编码方式，所述mr编码第一行采用mh编码，所述mr编码第二行根据第一行数据进行压缩；压缩组件产生的压缩数据由行标志位、黑白游程标志位、压缩码长度、压缩码构成；压缩完成后，压缩数据存储在寄存模块中；根据压缩数据中的行标志位、黑白游程标志位、压缩码长度、压缩码，运用状态机的方法进行解压缩操作；解压缩组件将压缩图像数据解压缩完成后，存储在寄存模块中。便于后期图像的显示。

附图说明

图1是本发明实施例提供的人工智能红外图像处理仪控制系统图。

图中：1、红外图像采集模块；2、主控模块；3、去噪模块；4、红外图像校正模块；5、红外图像增强模块；6、红外图像压缩模块；7、红外图像存储模块；8、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

现有红外图像通常是低像素和带有某些模糊效果，不够清晰。现有技术中的红外图像压缩方法模糊了像素间原有的灰度差异，降低了需要检测的目标与背景之间区分度，不利于运动目标检测。

为解决上述问题，下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的人工智能红外图像处理仪控制系统包括：红外图像采集模块1、主控模块2、去噪模块3、红外图像校正模块4、红外图像增强模块5、红外图像压缩模块6、红外图像存储模块7、显示模块8。

红外图像采集模块1，与主控模块2连接，用于通过红外摄像头采集红外图像数据；

主控模块2，与红外图像采集模块1、去噪模块3、红外图像校正模块4、红外图像增强模块5、红外图像压缩模块6、红外图像存储模块7、显示模块8连接，用于通过单片机控制各个模块正常工作；

去噪模块3，与主控模块2连接，用于通过去噪程序去除红外图像噪声数据；

红外图像校正模块4，与主控模块2连接，用于通过校正程序对红外图像数据进行校正处理；

红外图像增强模块5，与主控模块2连接，用于通过图像增强程序对采集的红外图像进行增强处理；

红外图像压缩模块6，与主控模块2连接，用于通过压缩程序对红外图像进行压缩处理；

红外图像存储模块7，与主控模块2连接，用于通过存储器存储采集的红外图像数据；

显示模块8，与主控模块2连接，用于通过显示器显示采集的红外图像。

本发明提供的红外图像增强模块5增强方法如下：

（1）利用卷积神经网络提取与低分辨率红外图像对应的高清可见光图像的轮廓信息；

（2）使用超像素分割神经网络对所述低分辨率红外图像进行处理，以获得高清红外图像信息；

（3）对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理，其中，在进行处理时，将所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行比较，将所述高清红外图像信息和所述高清可见光图像的轮廓信息的轮廓差异作为训练的损失函数，反复对的所述高清红外图像的超分辨率重建的卷积神经网络参数进行更新，直到所述高清红外图像信息和所述高清可见光图像的轮廓信息的差异满足预定条件。

本发明提供的训练所述卷积神经网络，并利用训练好的所述卷积神经网络提取所述高清可见光图像的轮廓信息。

本发明提供的训练所述卷积神经网络包括以下步骤：

a、收集所述高清可见光图像的数据集以及对应的已标注的真实边缘信息；

b、将所述可见光数据集分为训练数据、测试数据和验证数据；

c、改进所述卷积神经网络用于边缘提取任务；

d、利用所述训练数据，所述测试数据对该模型进行迭代优化，直到满足终止条件。

本发明提供的改进所述卷积神经网络包括以下步骤：

采用u型网络作为改进的基础模型；

在所述u型网络的每次反卷积操作之前，引入全卷积层，以获得不同尺度的分割图像；

将不同尺度下得到的分割图像进行加权叠加，以获得最终的所述高清可见光图像的轮廓信息。

本发明提供的低分辨率红外图像进行处理，以获得高清红外图像信息包括以下步骤：

收集低分辨率的红外图像；

使用srcnn网络进行红外图像的超分辨率重建，并获得最终的高分辨率红外图像。

本发明提供的对所述高清红外图像信息并与所述高清可见光图像的轮廓信息进行处理时，包括以下步骤：

调整所述高清红外图像信息以使红外图像的尺寸与所述可见光图像的轮廓信息对应的尺寸相同；

利用提取所述高清可见光图像的轮廓信息的卷积神经网络提取高清红外图像信息。

本发明提供的红外图像压缩模块6压缩方法如下：

1）获取多帧红外图像作为基准红外图像，其中，所述多帧红外图像为针对同一场景在预设时长内的不同时刻采集的为第一灰阶格式的图像；

2）根据所述基准红外图像中各图像的像素灰度均值和像素灰度分布情况，确定用于区分非感兴趣像素和感兴趣像素的低灰度阈值和高灰度阈值，其中，感兴趣像素为灰度值不低于所述低灰度阈值且不高于所述高灰度阈值的像素，非感兴趣像素为图像中除感兴趣像素外的其它像素；

3）以线性映射的方式调整待压缩红外图像中的感兴趣像素的灰度，以及以截断的方式调整所述待压缩红外图像中的非感兴趣像素的灰度，以获得调整后为第二灰阶格式的压缩图像；

其中，采集所述待压缩红外图像的场景与采集所述多帧红外图像的场景相同，所述第一灰阶格式的灰度位数多于所述第二灰阶格式的灰度位数。

本发明提供的根据所述基准红外图像中各图像的像素灰度均值和像素灰度分布情况，确定用于区分非感兴趣像素和感兴趣像素的低灰度阈值和高灰度阈值，包括：

确定所述基准红外图像中各图像的低灰度级值和高灰度级值，其中，低灰度级值为图像中的各像素以灰度值从高到低排序时灰度值为倒数预设位的像素的灰度值，高灰度级值为图像中的各像素以灰度值从高到低排序时灰度值为正数所述预设位的像素的灰度值；

根据所述基准红外图像中各图像的像素灰度均值的均值，确定低灰度阈值下限值、低灰度阈值上限值、高灰度阈值下限值和高灰度阈值上限值；

根据所述基准红外图像中各图像的低灰度级值的均值、所述低灰度阈值下限值和所述低灰度阈值上限值，确定所述低灰度阈值；

根据所述基准红外图像中各图像的高灰度级值的均值、所述高灰度阈值下限值和所述高灰度阈值上限值，确定所述高灰度阈值。

本发明提供的根据所述基准红外图像中各图像的像素灰度均值的均值，确定低灰度阈值下限值、低灰度阈值上限值、高灰度阈值下限值和高灰度阈值上限值，包括：

确定所述低灰度阈值下限值为所述基准红外图像中各图像的像素灰度均值的均值与第一预设值之差；

确定所述低灰度阈值上限值为所述基准红外图像中各图像的像素灰度均值的均值与第二预设值之差，其中，所述第一预设值大于所述第二预设值；

确定所述高灰度阈值下限值为所述基准红外图像中各图像的像素灰度均值的均值与第三预设值之和；

确定所述高灰度阈值上限值为所述基准红外图像中各图像的像素灰度均值的均值与第四预设值之和，其中，所述第四预设值大于所述第三预设值。

本发明实施例提供的人工智能红外图像处理仪控制方法包括：

s102，主控模块2通过去噪模块3利用去噪程序去除红外图像噪声数据；通过红外图像校正模块4利用校正程序对红外图像数据进行校正处理；通过红外图像增强模块5利用图像增强程序对采集的红外图像进行增强处理；通过红外图像压缩模块6利用压缩程序对红外图像进行压缩处理。

s103，通过红外图像存储模块7利用存储器存储采集的红外图像数据。

s104，通过显示模块8利用显示器显示采集的红外图像。

步骤s103中，通过红外图像存储模块利用存储器存储采集的红外图像数据；存储器存储采集的红外图像数据中，通过寄存模块存储二值图像数据；通过读取模块读取寄存模块中二值图像数据；通过压缩组件对读取到的原始二值图像数据进行压缩；通过解压缩组件对读取到的压缩二值图像数据进行解压缩；压缩组件由vhdl语言实现，其中mr编码为二维编码方式，所述mr编码第一行采用mh编码，所述mr编码第二行根据第一行数据进行压缩；压缩组件产生的压缩数据由行标志位、黑白游程标志位、压缩码长度、压缩码构成；

压缩完成后，压缩数据存储在寄存模块中；根据压缩数据中的行标志位、黑白游程标志位、压缩码长度、压缩码，运用状态机的方法进行解压缩操作；解压缩组件将压缩图像数据解压缩完成后，存储在寄存模块中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。