基于深度學習的有害氣體紅外圖像處理研究.pdf

1、氨氣，氯氣，六氟化硫等工業(yè)生產中常見的有毒害氣體排放或泄漏會對人們造成大量不可逆的生命財產危害。因此高效地正確地對有害氣體的種類和濃度做出檢測識別具有極大的意義和研究價值。紅外熱像儀采集紅外圖像分析的方法以其高效率、遠距離、大范圍、動態(tài)直觀等優(yōu)勢成為氣體檢測的主要手段之一。本文結合深度學習算法與有害氣體紅外圖像處理，避免了人工特征提取，圖像增強，圖像偽彩處理等圖像處理算法必然遇到的圖像信息缺失的問題。同時在氨氣二分類問題上取得了98％以

2、上的正確分類結果，而基于機器學習的hog-svm算法只有92％的識別率，本文算法對分類結果有顯著提升。
　　本文研究的主要創(chuàng)新研究工作包括:
　　(1)提出了利用非局部均值降噪算法代替常用的小波降噪算法對有害氣體紅外圖像進行圖像降噪，并利用線性轉化的方法將14bit圖像轉化為計算機可顯示的8bit圖像。本文比較了使用非局部均值算法與常用的小波降噪算法對有害氣體紅外圖像降噪效果。同時針對不同搜索域半徑，鄰域半徑以及平滑系數比較

3、降噪效果。研究得出以下結論:1.人眼直觀感受上非局部均值降噪算法比小波算法降噪效果明顯，氣體與背景對比度強;2.搜索域半徑越大，鄰域半徑越大，平滑系數越高，圖像對比度越強，但是圖像的邊緣會變得模糊。
　　(2)提出以個人搭建卷積神經網絡結構為核心，對無參考圖像的有害氣體紅外圖像進行質量評估。利用LIVE數據集訓練網絡，用訓練好的網絡評估有害氣體紅外圖像質量。同時計算多種無參考圖像質量評估算法的回歸值與差分主觀評分的線性相關系數和斯

4、皮爾曼秩相關系數，以此做算法性能評估。研究得出以下結論:1.本文算法在對多種失真類型圖像的質量評估比CORNIA，BRISQUE等非基于深度學習的無參估計算法更接近差分主觀評分;2.經過非局部均值降噪的圖像的卷積網絡的回歸值低于小波降噪后的圖像，本文算法降噪后的圖像質量優(yōu)于小波降噪效果。
　　(3)提出了利用深度學習算法處理有害氣體紅外圖像分類識別問題。以LeNet為基礎網絡框架，添加包括dropout等結構加以改進，搭建自己的卷