CN111275698A - 基于单峰偏移最大熵阈值分割雾天道路能见度检测方法 - Google Patents
基于单峰偏移最大熵阈值分割雾天道路能见度检测方法 Download PDFInfo
- Publication number
- CN111275698A CN111275698A CN202010087143.6A CN202010087143A CN111275698A CN 111275698 A CN111275698 A CN 111275698A CN 202010087143 A CN202010087143 A CN 202010087143A CN 111275698 A CN111275698 A CN 111275698A
- Authority
- CN
- China
- Prior art keywords
- image
- road
- gray value
- value
- segmentation
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,获取雾霾天气下道路交通图像,对获得的交通图像进行灰度值处理,获取灰度值图像,对灰度值图像进行计算,获取灰度值分布最密集的数值,根据计算所得数值进行左向偏移操作,同时计算每一点灰度值对应的熵值并获取满足道路分割要求的阈值数值,根据所获取阈值进行最大熵道路分割,对道路分割后的图像获取连通带,在,获得的连通带区域内求取灰度值突变点,并灰度值突变点的中值处理获得天地分割线,由获得的天地分割线得出Vi值,进而求解大气能见度。本发明能够良好分割原图像的灰度图像,同时解决了基于区域生长与拐点算法计算慢、精度低等问题。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于单峰偏移最大熵阈值分割雾天道路能见度检测方法。
背景技术
雾天情况下能见度显著降低,导致人眼容易过分估计场景距离,从而使得驾驶速度过快引发交通事故,因此实时测量能见度信息可以让驾驶员将车速限定在一个合适的范围内,这对不利天气条件下的空中和地面交通安全起重要作用。目前,基于同一场景下多幅图像的检测方法和基于单幅图像的检测方法受到国内外专家的广泛关注。但由于基于多幅图像的检测方法不具有实时性,因此使得基于单幅图像的团雾检测方法成为了研究热点。其中基于视频图像中四邻域的对比度和路面像素的亮度特征定义了可视像素模型,并采用摄像机标定技术计算可视像素到摄像机的最远距离,实现了无需人工标记的能见度测量,但不足之处在于需要提取路面标志的特征(如车道线、路标等)。然而,在复杂场景中或有遮挡的情况下这些特征并不能有效地被提取,从而影响了能见度测量的效率和精度。为了解决上述问题,将雾天图像成像模型和大气对比度的衰减模型相结合提出一种新的能见度检测方法。该方法首先对雾天成像模型求二阶导数获取图像灰度值变化的拐点位置和大气消光系数的关系;然后采用区域增长算法获取视频图像灰度值变化拐点的具***置,并获取消光系数的值;最后将消光系数代入到大气对比度衰减模型以实现能见度的测量。该方法避免了对路面标志的依赖,增强了鲁棒性;然而,该方法中的区域增长算法不但对噪声比较敏感,计算精度低,而且它需要不断地迭代才能实现拐点的检测,其时间计算复杂度较高,不能满足实时性的需求。
发明内容
本发明提供一种基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,以克服上述现有技术存在的缺陷,本发明采用单峰偏移最大熵阈值分割算法,能够良好分割原图像的灰度图像,同时提出了连通带与突变点的概念,从而改善了基于区域生长与拐点算法计算慢、精度低等问题,具有良好的各项性能。
为达到上述目的,本发明采用如下技术方案:
基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,包括以下步骤:
步骤1:获取雾霾天气下道路交通图像;
步骤2:对步骤1中获得的交通图像进行灰度值处理,获取灰度值图像;
步骤3:对步骤2中的灰度值图像进行计算,获取灰度值分布最密集区域的灰度数值;
步骤4:根据步骤3计算所得灰度数值进行偏移操作,即以步骤3所获灰度值作为原点计算熵值,然后向左逐次偏移一个单位灰度值同时计算每一点灰度值对应的熵值并获取满足道路分割要求的阈值数值;
步骤5:根据步骤4所获取阈值进行最大熵道路分割;
步骤6:对步骤5道路分割后的图像获取连通带;
步骤7:在步骤6获得的连通带区域内求取灰度值突变点,并对灰度值突变点的中值处理获得天地分割线;
步骤8:由步骤7获得的天地分割线得出vi值,即天地分割线在图像中的垂直坐标值,进而求解雾天能见度。
进一步地,步骤3中通过对灰度值图像的计算获取图像灰度值分布的情况,从而获得灰度值分布最密集区域对应的灰度数值,即灰度值分布最高峰值,从而有效快速找到灰度值分布的区域。
进一步地,步骤4中以灰度值分布最高峰为起点进行图像熵值的计算,同时向左偏移一位灰度值并计算其对应熵值,进而与最高峰对应熵值进行比较判断,重复以上步骤,直到灰度值对应熵值为最高峰熵值1.05-1.25倍,即获得符合道路分割要求的熵值。
进一步地,步骤5中利用满足道路分割要求的阈值对步骤1所获雾天道路交通图进行道路分割获得道路区域。
进一步地,步骤6中所述连通带为分割出道路区域后得到的一个天空与道路连通的区域;求解连通带的方法为:首先,通过对单峰偏移最大熵阈值分割算法处理后的图像矩阵的每一列像素值进行求和处理,并将每一列的像素值之和存到一个新的数组中;其次,比较新的数组中各个元素的大小,找出其中最大的元素,这个最大的元素位置就是列像素和最大的列在图像中所在的位置,即为最接近公路中央的位置;接着,确定一个列像素值和的范围,得到若干条符合条件的列像素之和,将上述符合条件的列像素所在列在原图中画出后只保留下最左侧和最右侧两条竖线,两条竖线中间所夹的区域即连通带。
进一步地,步骤7中在连通带中进行做差处理得到像素值变化明显的点,即灰度值突变点,具体为:首先,将步骤2所得灰度图像每个点的像素值存入矩阵中;其次,在该矩阵中找到连通带两条竖线的位置坐标;最后,以这两个位置坐标为边界,把边界中间的所有元素看成一个新矩阵,称为连通带矩阵,对连通带矩阵的每一列进行相邻元素的做差处理,设定阈值,当像素值之差大于阈值时,标记出相邻元素中上方元素在灰度图像上对应的坐标点,这些被标记的坐标点即为灰度值突变点,对突变点的坐标判断,当这些坐标点聚集或连成一片时,即推断出天地分割线所在位置,若无法满足判断条件则提示图像不符合要求。
进一步地,步骤8中雾天能见度V由下式计算:
V=3Hf/[2(vi-vh)cos(θ)]
其中,H表示摄像机距离地平面的高度,θ表示摄像机的光轴与地平面的夹角,f表示摄像机的有效焦距,vh表示地平线在图像中的垂直坐标值。
与现有技术相比,本发明具有以下有益的技术效果:
本发明结合能见度计算模型,图像分割算法,灰度值突变点检测结果计算大雾天气下的能见度值,运行时间和检测误差均得到显著优化。在进行图像分割时,传统图像分割方法一般需要对整幅图像或256点灰度值进行处理,本发明基于传统最大熵阈值分割算法的基础上,能够在获得较好的图像处理效果的前提下,只对部分图像及部分灰度值对应下的图像进行处理,从而使计算量大幅缩减,从而缩减运行时间。同时,根据本发明方法分割的图像,进行目标物提取,能够在消除部分噪声的同时,再次缩减运行时间。最后在提取目标物的基础上,根据突变点概念的设计,可获得较准确的检测结果,结果优于传统的雾天能见度检测算法。
附图说明
图1为交通场景下摄像机模型;
图2为本发明的流程示意图;
图3为单峰偏移最大熵阈值分割算法的流程示意图;
图4为本发明与基于拐点线的大雾能见度检测效果对比图,其中,(a)、 (c)、(e)、(g)、(i)为基于单峰偏移最大熵阈值分割的突变点雾天道路能见度检测算法处理后的图像,(b)、(d)、(f)、(h)、(j)基于拐点线的大雾能见度检测算法处理后的图像。
具体实施方式
下面结合附图对本发明作进一步详细描述:
参见图2和图3,本发明提供一种基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,用单峰偏移最大熵阈值分割算法对图像进行处理,实现准确、快速的道路分割。求天地线的具体思路是:利用图像分割的原理,结合道路特征将图像中的道路、天空与其他元素分离,经理想处理后的图像中将得到的一条连通天空与道路的白色区域。在连通带内进行突变点求解,可以大大减小算法运算的数据量,缩短运行时长,提高算法的效率。图像中的道路、景物等元素均具有连续性,即灰度值一般不会发生突变现象,根据天地线特征,天地线附近的灰度值会发生明显突变,即存在大量突变点。因此根据该性质,提出设定偏差阈值求取突变点,最后画出天地线。
具体步骤如下:
步骤1、获得雾霾天气下的道路图像:利用图像采集设备,获得要处理的雾霾天气下的道路图像。
步骤2、将步骤1获得的图像转为灰度图,等待下一步处理。
最大熵阈值分割算法的求解过程是在于计算所有分割阈值下的图像总熵,进而找到最大的熵,将最大熵对应的分割阈值作为最终的阈值,图像中灰度大于此阈值的像素作为前景,否则作为背景。单峰偏移算法能够根据图像灰度值分布特性迅速地找到较优解k和对应熵值。首先为了使用单峰偏移最大熵阈值分割算法,需要对图像进行灰度值处理,从而获得图像灰度值分布情况。
步骤3、对步骤2中的灰度值图像进行计算,获取灰度值分布最密集区域的灰度数值。
在步骤3中,通过对灰度值图像的计算获取图像灰度值分布的情况,从而获得灰度值分布最密集的数值,即灰度值分布最高峰值,从而有效快速找到灰度值分布的区域。
步骤4、对步骤3计算所得数值进行左向偏移操作,同时计算每一点灰度值对应的熵值并获取满足道路分割要求的阈值数值。
在步骤4中,以灰度值分布最高峰为起点进行图像熵值的计算,同时向左偏移一位灰度值并计算其对应熵值,进而与最高峰对应熵值进行比较判断,重复以上步骤,直到获得符合道路分割要求的熵值,图像不同其对应最高峰熵值与适合熵值的关系也不同,较优灰度值对应熵值为最高峰熵值1.05-1.25 倍即可。传统最大熵阈值分割算法需要计算256位灰度值,包括大量无效操作,根据单峰偏移算法,只需要计算最高峰与较优熵值对应区间的灰度值熵值,节约至少一半图像分割计算时间。
步骤5、对步骤4所获取阈值进行最大熵道路分割。
在步骤5中,利用单峰偏移操作获得的阈值对雾天道路交通图进行道路分割获得道路区域。
步骤6、对步骤5道路分割后的图像获取连通带。
获得图像求解连通带的方法为:我们提出了连通带的概念,即利用单峰偏移最大熵阈值分割算法对雾天道路交通图像进行道路分割,分割出道路区域(分割出的道路区域以白色显示)后得到的一个天空与道路连通的白色区域。我们的设计思想是:首先,通过编写程序来对单峰偏移最大熵阈值分割算法处理后的图像矩阵的每一列像素值进行求和处理,并将每一列的像素值之和存到一个新的数组中;其次,比较新的数组中各个元素的大小,找出其中最大的元素,这个最大的元素位置就是列像素和最大的列在图像中所在的位置,即为最接近公路中央的位置;接着,确定一个列像素值和的范围,比如说找到列像素值之和小于列像素之和最大值而大于0.97倍的列像素之和最大值,这样一来我就可以得到若干条符合条件的列像素之和,将他们在原图中画出后只保留下最左侧和最右侧两条竖线,两条竖线中间所夹的区域就是我们所求的连通带,通过改变参数的大小就可以方便的改变连通带的宽窄,从而改变运算精度和运算时间。这样经由单峰偏移最大熵阈值分割算法得到的图像选取出恰当的连通带后,再对灰度图像中的连通带进行下一步处理。
步骤7、在步骤6获得的连通带区域内求取灰度值突变点,并灰度值突变点的中值处理获得天地分割线。
在步骤7中,在选取好的连通带中进行做差处理,来得到像素值变化明显的点,即灰度值突变点。首先,灰度图像每个点的像素值存入矩阵中;其次,在新的矩阵中找到上述步骤中连通带两条竖线的位置坐标;最后,以这两个坐标为边界,把边界中间的所有元素看成一个新的矩阵,对这个新矩阵的每一列进行相邻元素的做差处理,人为的给出阈值大小,当像素值之差大于阈值时,标记出该元素在图像上对应的点坐标。这些被标记的坐标点就是灰度值突变点,也就是最靠近天地线的点,当这些点聚集或连成一片时,我们就可由此推断出天地线所在的大概位置。为了减小求取出的天地线之间的误差,我们采用了求取连通带中所以灰度值突变点中值的方法。由于实验图片中尚存在一些处理不掉的干扰,例如:白色的车道线、白色的路灯、粗壮的树干等等。为了最大程度的消除干扰,求取中值无疑是最好的方式,因为在上述步骤得到的若干灰度值突变点中,总是有一些灰度值突变点分布在干扰周围,但干扰毕竟只是一小部分,绝大多数的灰度值突变点还是分布在天地线周围的。取中值这一做法不同于取平均值,中值消除了干扰所带来的少部分误差,从而得到一条较为准确的天地线。最后再通过天地线的纵坐标Vi 来计算大气的能见度。
步骤8:由步骤7获得的天地分割线得出Vi值,进而求解大气能见度。
由步骤7中获得的天地分割线得出Vi值求解能见度。其过程原理如下:Koschmieder指出物体固有光强与观测到的光强之间存在如下关系:
I(X)=t(X)J(X)+(1-t(X))A (1)
其中:A表示大气光强,t(x)表示场景透射率。
t(x)=e-kd(x) (2)
其中k表示消光系数。根据式(2),对于道路区域以及天空区域中,由于纹理、光照均匀统一,自上到下像素将以双曲线形式变化。
将式(2)代入式(1)中:
I(X)=e-kd(x)J(x)+(1-e-kd(x))A (3)
Stewart等证明随着距离的增加对比度成以下规律衰减:
C=C0e-kd(x) (4)
式中:C表示在距离d处物体呈现的对比度,C0表示物体相对于背景的固有对比度。该公式仅适用于均质雾天。为使物体勉强可见C必须大于最小阈值ε。从实用方面来说,国际上采用对比度阈值ε=0.05.定义了气象能见度距离,也即物体以一个合适的尺寸当在背景对比度为1时能见到的最大距离。
本发明所用的摄像机架设在路中间,图1给出了交通场景下摄像机模型。在图像像素坐标系坐标以(u,v).给出,其中u、v表示像素的行数以及列数。假设光轴在图像平面上的投影为(u0,v0),θ表示摄像机光轴与地平线的夹角, vh表示地平线的垂直投影。摄像机内参包括摄像机焦距f,单位像素的水平尺寸tu、垂直尺寸tv。假设au=f/tu、av=f/tv一般来说au与av相等不妨设 au=av=a。
通过使用针孔模型,场景中三维点坐标根据以下公式可以求出相应的摄像机坐标:
在图像平面中,地平线可以表示为:vh=v0-atanθ (6)
结合式(5)和(6)得到:
在世界坐标系(S,Xw,Yw,Zw)中,式(8)变为:
在路面上,在距离原点S处假设有一点M,那么M的坐标
平面中点的距离信息可以由式(10)计算:
对于图像中的任一像素点(u,v)到摄像机的距离d可以定义为如下的表达式:
其中:H是摄像机距离地平面的高度,θ表示摄像机的光轴与地平面的夹角,f是摄像机的有效焦距,vh代表地平线(或灭点)在图像中的垂直坐标值。
雾天的图像光学模型如下式所示:
I(x)=J(x)exp(-βd(x))+A(1-exp(-βd(x))) (12)
其中:I是观测到的物体亮度,J是物体本身的固有亮度,β是大气的散射系数,A表示大气光强度。
将式(1)代入式(2)后对v求二阶导数可得:
令式(3)等于零可得到两个解:一个是无意义的β=0;另一个是β=2(vi-vh)/λ=2/d(vi)。vi表示顺着图像的垂直方向,灰度值变化的拐点在图像坐标系中的坐标。在雾天环境下大气消光系数与大气散射系数近似相等。
雾天能见度V可由下式计算:
V=3Hf/[2(vi-vh)cos(θ)] (14)
由式(14)所示的计算模型可知,只要检测到图像灰度值沿垂直方向变化的突变点位置就可以计算雾天的能见度。H是摄像机距离地平面的高度,θ表示摄像机的光轴与地平面的夹角,f是摄像机的有效焦距,vh代表地平线(或灭点)在图像中的垂直坐标值。所以vh从现实世界中测量可以得出。
从图4可以看出,(a)、(c)、(e)、(g)、(i)为基于单峰偏移最大熵阈值分割的突变点雾天道路能见度检测算法处理后的图像,处理效果良好,天地线求取较为准确;(b)、(d)、(f)、(h)、(j)基于拐点线的大雾能见度检测算法处理后的图像,运行时间过长,求取的天地线偏差较大。
Claims (7)
1.基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,其特征在于,包括以下步骤:
步骤1:获取雾霾天气下道路交通图像;
步骤2:对步骤1中获得的交通图像进行灰度值处理,获取灰度值图像;
步骤3:对步骤2中的灰度值图像进行计算,获取灰度值分布最密集区域的灰度数值;
步骤4:根据步骤3计算所得灰度数值进行偏移操作,即以步骤3所获灰度值作为原点计算熵值,然后向左逐次偏移一个单位灰度值同时计算每一点灰度值对应的熵值并获取满足道路分割要求的阈值数值;
步骤5:根据步骤4所获取阈值进行最大熵道路分割;
步骤6:对步骤5道路分割后的图像获取连通带;
步骤7:在步骤6获得的连通带区域内求取灰度值突变点,并对灰度值突变点的中值处理获得天地分割线;
步骤8:由步骤7获得的天地分割线得出vi值,即天地分割线在图像中的垂直坐标值,进而求解雾天能见度。
2.根据权利要求1所述的基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,其特征在于,步骤3中通过对灰度值图像的计算获取图像灰度值分布的情况,从而获得灰度值分布最密集区域对应的灰度数值,即灰度值分布最高峰值,从而有效快速找到灰度值分布的区域。
3.根据权利要求2所述的基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,其特征在于,步骤4中以灰度值分布最高峰为起点进行图像熵值的计算,同时向左偏移一位灰度值并计算其对应熵值,进而与最高峰对应熵值进行比较判断,重复以上步骤,直到灰度值对应熵值为最高峰熵值1.05-1.25倍,即获得符合道路分割要求的熵值。
4.根据权利要求1所述的基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,其特征在于,步骤5中利用满足道路分割要求的阈值对步骤1所获雾天道路交通图进行道路分割获得道路区域。
5.根据权利要求4所述的基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,其特征在于,步骤6中所述连通带为分割出道路区域后得到的一个天空与道路连通的区域;求解连通带的方法为:首先,通过对单峰偏移最大熵阈值分割算法处理后的图像矩阵的每一列像素值进行求和处理,并将每一列的像素值之和存到一个新的数组中;其次,比较新的数组中各个元素的大小,找出其中最大的元素,这个最大的元素位置就是列像素和最大的列在图像中所在的位置,即为最接近公路中央的位置;接着,确定一个列像素值和的范围,得到若干条符合条件的列像素之和,将上述符合条件的列像素所在列在原图中画出后只保留下最左侧和最右侧两条竖线,两条竖线中间所夹的区域即连通带。
6.根据权利要求4所述的基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,其特征在于,步骤7中在连通带中进行做差处理得到像素值变化明显的点,即灰度值突变点,具体为:首先,将步骤2所得灰度图像每个点的像素值存入矩阵中;其次,在该矩阵中找到连通带两条竖线的位置坐标;最后,以这两个位置坐标为边界,把边界中间的所有元素看成一个新矩阵,称为连通带矩阵,对连通带矩阵的每一列进行相邻元素的做差处理,设定阈值,当像素值之差大于阈值时,标记出相邻元素中上方元素在灰度图像上对应的坐标点,这些被标记的坐标点即为灰度值突变点,对突变点的坐标判断,当这些坐标点聚集或连成一片时,即推断出天地分割线所在位置,若无法满足判断条件则提示图像不符合要求。
7.根据权利要求4所述的基于单峰偏移最大熵阈值分割雾天道路能见度检测方法,其特征在于,步骤8中雾天能见度V由下式计算:
V=3Hf/[2(vi-vh)cos(θ)]
其中,H表示摄像机距离地平面的高度,θ表示摄像机的光轴与地平面的夹角,f表示摄像机的有效焦距,vh表示地平线在图像中的垂直坐标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087143.6A CN111275698B (zh) | 2020-02-11 | 2020-02-11 | 基于单峰偏移最大熵阈值分割雾天道路能见度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087143.6A CN111275698B (zh) | 2020-02-11 | 2020-02-11 | 基于单峰偏移最大熵阈值分割雾天道路能见度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275698A true CN111275698A (zh) | 2020-06-12 |
CN111275698B CN111275698B (zh) | 2023-05-09 |
Family
ID=71000586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087143.6A Active CN111275698B (zh) | 2020-02-11 | 2020-02-11 | 基于单峰偏移最大熵阈值分割雾天道路能见度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275698B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797848A (zh) * | 2023-01-05 | 2023-03-14 | 山东高速股份有限公司 | 基于高速事件预防***中视频数据的能见度检测预警方法 |
CN117094914A (zh) * | 2023-10-18 | 2023-11-21 | 广东申创光电科技有限公司 | 基于计算机视觉的智慧城市道路监控*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175613A (zh) * | 2011-01-26 | 2011-09-07 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
WO2018058356A1 (zh) * | 2016-09-28 | 2018-04-05 | 驭势科技(北京)有限公司 | 基于双目立体视觉的汽车防碰撞预警方法和*** |
-
2020
- 2020-02-11 CN CN202010087143.6A patent/CN111275698B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175613A (zh) * | 2011-01-26 | 2011-09-07 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
WO2018058356A1 (zh) * | 2016-09-28 | 2018-04-05 | 驭势科技(北京)有限公司 | 基于双目立体视觉的汽车防碰撞预警方法和*** |
Non-Patent Citations (2)
Title |
---|
徐敏等: "基于场景深度的雾天图像能见度检测算法", 《自动化仪表》 * |
苏伟等: "基于最大熵模型的玉米冠层LAI升尺度方法", 《农业工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797848A (zh) * | 2023-01-05 | 2023-03-14 | 山东高速股份有限公司 | 基于高速事件预防***中视频数据的能见度检测预警方法 |
CN117094914A (zh) * | 2023-10-18 | 2023-11-21 | 广东申创光电科技有限公司 | 基于计算机视觉的智慧城市道路监控*** |
CN117094914B (zh) * | 2023-10-18 | 2023-12-12 | 广东申创光电科技有限公司 | 基于计算机视觉的智慧城市道路监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN111275698B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN105260699B (zh) | 一种车道线数据的处理方法及装置 | |
CN107516077B (zh) | 基于激光点云和影像数据融合的交通标牌信息提取方法 | |
CN107301623B (zh) | 一种基于暗通道和图像分割的交通图像去雾方法及*** | |
CN109635737B (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN109636732A (zh) | 一种深度图像的空洞修复方法以及图像处理装置 | |
CN106204494B (zh) | 一种包含大面积天空区域的图像去雾方法及*** | |
CN108596165A (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及*** | |
CN112287838B (zh) | 基于静止气象卫星影像序列的云雾自动判识方法及*** | |
CN111275698A (zh) | 基于单峰偏移最大熵阈值分割雾天道路能见度检测方法 | |
CN113935428A (zh) | 基于图像识别的三维点云聚类识别方法及*** | |
CN103578083A (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
CN111563852A (zh) | 一种基于低复杂度mf的暗通道先验去雾方法 | |
CN114998545A (zh) | 一种基于深度学习的三维建模阴影识别*** | |
CN112906616A (zh) | 一种车道线提取与生成方法 | |
CN115330684A (zh) | 基于双目视觉与线结构光的水下构筑物表观缺陷检测方法 | |
CN111380503B (zh) | 一种采用激光辅助标定的单目相机测距方法 | |
CN109800693B (zh) | 一种基于颜色通道混合特征的夜间车辆检测方法 | |
CN104881652B (zh) | 一种基于玉米穗凸性特征的行数自动检测方法 | |
CN111241916A (zh) | 一种交通标志识别模型的建立方法 | |
CN107424205B (zh) | 一种基于昼夜图像对进行三维立面布局估计的联合推断方法 | |
CN112686105B (zh) | 一种基于视频图像多特征融合的雾浓度等级识别方法 | |
CN106097259B (zh) | 一种基于透射率优化技术的雾天图像快速重建方法 | |
CN115439349A (zh) | 一种基于图像增强的水下slam优化方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230424 Address after: Room 508, block a, Rongcheng cloud Valley, 57 Keji 3rd road, Zhangba Street office, high tech Zone, Xi'an City, Shaanxi Province, 710075 Applicant after: Xi'an Huizhi Information Technology Co.,Ltd. Address before: 710064 middle section, south two ring road, Shaanxi, Xi'an Applicant before: CHANG'AN University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |