CN112784753A - 一种基于机器视觉的中小自然河流水文水位检测方法 - Google Patents
一种基于机器视觉的中小自然河流水文水位检测方法 Download PDFInfo
- Publication number
- CN112784753A CN112784753A CN202110093656.2A CN202110093656A CN112784753A CN 112784753 A CN112784753 A CN 112784753A CN 202110093656 A CN202110093656 A CN 202110093656A CN 112784753 A CN112784753 A CN 112784753A
- Authority
- CN
- China
- Prior art keywords
- image
- water level
- hydrological
- ruler
- characteristic diagram
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 142
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于机器视觉的中小自然河流水文水位检测方法,包括:S1:对获取的水位原始视频图像进行预处理,得到预处理后的水位图像;S2:利用视觉显著性检测算法对预处理后的水位图像进行检测,得到水位图像的显著图;S3:根据水位图像的显著图对预处理后的水位图像进行分割,得到预分割图像;S4:对预分割图像进行水文尺感兴趣区的提取,得到水文尺ROI图像;S5:判断水文尺ROI图像中的水文尺是否倾斜,若是则对水文尺ROI图像进行倾斜矫正后执行步骤S6,若否则执行步骤S6;S6:对水文尺ROI图像进行水文尺边缘探测和水位线定位处理,得到后分割图像,根据后分割图像得到水位检测结果。本发明通过视觉显著性检测降低背景干扰,提高了水位检测精度。
Description
技术领域
本发明属于河流水文监测技术领域,具体涉及一种基于机器视觉的中小自然河流水文水位检测方法。
背景技术
水文信息的测量以及获取是现代水利工程建设以及维护的重要方式。一方面,受地理气候特征的影响,我国南北水资源分布不均,南方降水量大,河流众多,在雨季极易发生洪涝灾害。那么水文信息的研究对灾害易发地区河流的治理、开发,以及地区河流汛期的水文灾害预警有着极其重要的意义。
流域内河流水文信息的要素包括河流水位、河流流速、河流流量、河流蒸发量、河流泥沙情况等等,这些要素信息的监测和分析工作尤其重要。其中,河流水位和河流流速直接反映了河流流量大小,及时的获取河流水位的信息,对于河流流域内的抢险避灾具有极大的意义。
大多河流水文站水位监测点又具备视频监控的能力并配置了标准的水文尺,通过河流水文尺获取河流水位的信息,目前的水文检测技术包括接触式水位检测技术和非接触式水位检测技术。接触式水位检测技术包括利用浮子式水位计、压力式水位计等进行水位检测,其存在设备维护成本高、安装工序复杂、测量精度较低的问题。非接触式水位监测设备主要有超声波式水位计、雷达式水位等,其存在成本较高,不具有广泛应用性的问题。传统的基于图像处理的水位检测技术通常通过边缘检测、角点检测、目标匹配等技术,但是其无法克服复杂背景的干扰,仅仅适用于单一简单的背景,一旦提取水文尺的场景背景干扰严重,检测精度将大大降低甚至失效。此外,目前还存在的其他一些水位检测技术,需要对视频图像中的水位尺进行位置预设,或者需要对监控设备进行固件绑定,需要频繁的进行人工校准固定机位或调整水位尺的相关参数,无法灵活切换监测点,依赖人工校准。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于机器视觉的中小自然河流水文水位检测方法。本发明要解决的技术问题通过以下技术方案实现:
本发明提供了一种基于机器视觉的中小自然河流水文水位检测方法,包括:
S1:对获取的水位原始视频图像进行预处理,得到预处理后的水位图像;
S2:利用视觉显著性检测算法对所述预处理后的水位图像进行检测,得到水位图像的显著图;
S3:根据所述水位图像的显著图对所述预处理后的水位图像进行分割,得到预分割图像;
S4:对所述预分割图像进行水文尺感兴趣区的提取,得到水文尺ROI图像;
S5:判断所述水文尺ROI图像中的水文尺是否倾斜,若是则对所述水文尺ROI图像进行倾斜矫正后执行步骤S6,若否则执行步骤S6;
S6:对所述水文尺ROI图像进行水文尺边缘探测和水位线定位处理,得到后分割图像,根据所述后分割图像得到水位检测结果。
在本发明的一个实施例中,所述S1包括:
S11:采用小波阈值去噪算法对所述水位原始视频图像进行去噪处理,得到去噪水位图像;
S12:对所述去噪水位图像进行图像增强处理,得到所述预处理后的水位图像。
在本发明的一个实施例中,所述S2包括:
S21:对所述预处理后的水位图像通过高斯金塔采样,获取不同尺度下图像的颜色、亮度以及方向特征;
S22:利用中心-周边差分算法对不同尺度下图像的显著性进行判断,得到亮度特征图、颜色特征图和方向特征图;
S23:对不同尺度下的所述亮度特征图、所述颜色特征图和所述方向特征图分别进行归一化处理;
S24:将经过归一化处理后的所述亮度特征图、所述颜色特征图和所述方向特征图进行线性叠加,得到所述水位图像的显著图。
在本发明的一个实施例中,所述S3包括:
S31:采用大津法对所述水位图像的显著图进行阈值化;
S32:获取经过阈值化的所述水位图像的显著图的前景区域的第一最小外接矩形,所述第一最小外接矩形包含水文尺;
S33:将所述第一最小外接矩形的前景区域作为初始输入,利用GrabCut算法在所述第一最小外接矩形的区域内进行算法迭代优化,得到分离背景区域的水文尺图像;
S34:利用所述分离背景区域的水文尺图像,对所述预处理后的水位图像的非前景区域进行抑制处理,得到所述预分割图像。
在本发明的一个实施例中,所述S4包括:
S41:将所述预分割图像转换至HSV空间,并根据预设的H、S、V的阈值,进行水文尺掩膜提取,得到含有水文尺轮廓的二值图;
S42:对所述含有水文尺轮廓的二值图进行形态学处理,得到水文尺连通域;
S43:获取所述水文尺连通域的第二最小外接矩形以及所述第二最小外接矩形的坐标;
S44:根据所述第二最小外接矩形的坐标对所述预处理后的水位图像进行分割,得到所述水文尺ROI图像。
在本发明的一个实施例中,所述S6包括:
S61:通过直线探测法对所述水文尺ROI图像进行水文尺边缘检测,以实现对水文尺边缘的分割处理,得到边缘分割图像;
S62:将所述边缘分割图像转换至HSV空间,通过直线探测法对水位线进行定位,得到水位线定位图像;
S63:对所述水位线定位图像进行分割,得到所述后分割图像,根据所述后分割图像得到水位检测结果。
与现有技术相比,本发明的有益效果在于:
1.本发明的基于机器视觉的中小自然河流水文水位检测方法,对获取的水位原始视频图像进行预处理,然后利用显著性检测,快速寻找水文尺感兴趣区,通过视觉显著性检测可以将背景干扰降低到最低,提高水位检测精度;
2.本发明的基于机器视觉的中小自然河流水文水位检测方法,使用直线探测法,对S通道下的水文尺进行探测,自适应获取投影曲线滤波值,从而根据滤波值获取到水位位置,实现精确定位,大大提高水位值检测精度;
3.本发明的基于机器视觉的中小自然河流水文水位检测方法,适用于任何已经安装配置监控的自然河流的水位监测点,无需固定机位及水文尺,不需要频繁的进行人工校准固定机位与水位尺的相关参数,应用范围广,操作简便;
4.本发明的基于机器视觉的中小自然河流水文水位检测方法,无需数据集支持,无需进行各种环境背景下水文尺数据集的收集以及制作,并且不会存在由于更换场景导致检测精度下降的问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1是本发明实施例提供的一种基于机器视觉的中小自然河流水文水位检测方法的示意图;
图2是本发明实施例提供的一种基于机器视觉的中小自然河流水文水位检测方法的流程图;
图3a-图3f是本发明实施例提供的一种水位图像的处理过程图;
图4a-图4g是本发明实施例提供的另一种水位图像的处理过程图。
具体实施方式
为了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,以下结合附图及具体实施方式,对依据本发明提出的一种基于机器视觉的中小自然河流水文水位检测方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效,在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明,可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解,然而所附附图仅是提供参考与说明之用,并非用来对本发明的技术方案加以限制。
实施例一
请结合参见图1和图2,图1是本发明实施例提供的一种基于机器视觉的中小自然河流水文水位检测方法的示意图;图2是本发明实施例提供的一种基于机器视觉的中小自然河流水文水位检测方法的流程图。如图所示,本实施例的方法包括:
S1:对获取的水位原始视频图像进行预处理,得到预处理后的水位图像;
S2:利用视觉显著性检测算法对预处理后的水位图像进行检测,得到水位图像的显著图;
S3:根据水位图像的显著图对预处理后的水位图像进行分割,得到预分割图像;
S4:对预分割图像进行水文尺感兴趣区(ROI)的提取,得到水文尺ROI图像;
S5:判断水文尺ROI图像中的水文尺是否倾斜,若是则对水文尺ROI图像进行倾斜矫正后执行步骤S6,若否则执行步骤S6;
S6:对水文尺ROI图像进行水文尺边缘探测和水位线定位处理,得到后分割图像,根据后分割图像得到水位检测结果。
在本实施例中,水位原始视频图像可以通过河流监测点的监控视频获取。由于摄像机拍摄的图像很可能存在噪声干扰使得图像的质量下降,这会对水位尺的检测造成影响。为了保证后续对图像的处理工作,首先需要对获取的水位原始视频图像进行相关的预处理工作。
具体地,在本实施例中,S1包括:
S11:采用小波阈值去噪算法对水位原始视频图像进行去噪处理,得到去噪水位图像;
S12:对去噪水位图像进行图像增强处理,得到预处理后的水位图像。
在本实施例中,图像增强处理主要包括去雾处理以及低照度问题处理。具体地,由于水文监测检测点一般位于野外,天气原因造成的雾霾会影响到采集的监控视频图像质量,造成水位检测的困难。可选地,采用基于Retinex的去雾算法,利用色彩恒常理论对图像进行去雾处理,以保证水位检测不受大雾影响。
关于低照度问题主要包括两类,一类是自然光照不足造成的低照度问题,另一类是逆光造成的低照度问题。其中,自然光照不足主要出现在日出日落时分,此时的太阳光照较为微弱,再一个是周围体积较大的物体阴影恰好投射在水文尺周围,导致局部光照不足。针对此类问题,可选地,使用基于多图融合的低亮度增强算法对图像进行处理,解决低照度问题。
逆光主要是由于设备安装位置与监控目标位置,恰好在某些时刻只能逆光作业,存在逆光拍摄下导致的低照度问题。针对此类问题,可选地,采用HDR算法,对逆光图像进行处理,增加图像暗处区域的亮度,从而解决逆光造成的低照度问题。
进一步地,请结合参见图3a-图3f以及图4a-图4g,图3a-图3f是本发明实施例提供的一种水位图像的处理过程图,其中,图3a为水位图像的显著图,图3b为预分割图像,图3c为HSV空间下的预分割图像,图3d为含有水文尺轮廓的二值图,图3e为水文尺ROI图像,图3f为后分割图像。图4a-图4f是本发明实施例提供的另一种水位图像的处理过程图,图4a为水位图像的显著图,图4b为预分割图像,图4c为HSV空间下的预分割图像,图4d为含有水文尺轮廓的二值图,图4e为水文尺ROI图像图,图4f为矫正后的水文尺ROI图像,图4g为后分割图像。
可选地,步骤S2中视觉显著性检测算法选用IT算法,具体地,S2包括:
S21:对预处理后的水位图像通过高斯金塔采样,获取不同尺度下图像的颜色、亮度以及方向特征;
具体地,通过高斯金塔采样,获取不同尺度图像的颜色、亮度以及方向特征。相应的红色、绿色、蓝色、黄色颜色特征分别为:
Red=R-(G+B)/2 (1),
Green=G-(R+B)/2 (2),
Blue=B-(R+G)/2 (3),
Yellow=(R+G)/2-|R-G|/2-B (4),
亮度特征I为:
I=(R+B+G)/3 (5),
方向特征为:
o(θ),θ∈{0,π/4,π/2,3π/4} (6),
其中,θ取四个方位。
S22:利用中心-周边差分算法对不同尺度下图像的显著性进行判断,得到亮度特征图、颜色特征图和方向特征图;
具体地,中心-周边差分算法通过对不同大小尺度图上体现的特征差异进行计算,由此获得图像的特征图。计算得到亮度特征图I(c,s),颜色特征图R G(c,s)、BY(c,s),方向特征图Ο(c,s,θ)分别为:
其中,c、s代表九个尺度图中所属范围,取小尺度图上某一像素用中心像素pc表示,其中c∈{2,3,4},取pc相应的大尺度图上某一像素,该像素点计为周边像素ps,其中s表示的范围为s=c+δ,δ∈{3,4},表示对应像素点逐点相减。
S23:对不同尺度下的亮度特征图、颜色特征图和方向特征图分别进行归一化处理;
对于特征图,图像不同的属性对应了相应的特征图,由于各个特征图之间的取值范围各不相同,因此,需要对不同尺度下的亮度特征图、颜色特征图和方向特征图分别使用归一化处理操作,使得各尺度的特征图在同一取值范围内。
具体地,使用N()表示归一化运算,按照以下步骤进行计算:
步骤(1):对输入特征图的显著值进行处理,使其值映射到[0,V];
步骤(2):计算特征图显著值的局部最大值的均值v;
S24:将经过归一化处理后的亮度特征图、颜色特征图和方向特征图进行线性叠加,得到水位图像的显著图,
需要说明的是,在其他实施例中,步骤S2中的视觉显著性检测算法还可以选用其他算法,以对预处理后的水位图像进行处理,得到水位图像的显著图,具体算法在此不做限制。
进一步地,S3包括:
S31:采用大津法对水位图像的显著图进行阈值化;
S32:获取经过阈值化的水位图像的显著图的前景区域的第一最小外接矩形,第一最小外接矩形包含水文尺;
S33:将第一最小外接矩形的前景区域作为初始输入,利用GrabCut算法在第一最小外接矩形的区域内进行算法迭代优化,得到分离背景区域的水文尺图像;
S34:利用分离背景区域的水文尺图像,对预处理后的水位图像的非前景区域进行抑制处理,得到预分割图像。
在本实施例中,将分离背景区域的水文尺图像以及预处理后的水位图像进行“与”操作,得到预分割图像。
进一步地,S4包括:
S41:将预分割图像转换至HSV空间,并根据预设的H、S、V的阈值,进行水文尺掩膜提取,得到含有水文尺轮廓的二值图。
由于预分割图像中已经去除了绝大部分的背景干扰,水文尺本身的颜色(红色或者蓝色)具有明显的色彩特征,而HSV空间的颜色信息更加的丰富,颜色的区分度更高,对色调、饱和度变化更加敏感,因此将预分割图像转换至HSV空间,此时在HSV色彩空间,利用水文尺颜色特征得到的含有水文尺轮廓的二值化结果图几乎不存在其他的噪声干扰,水文尺感兴趣区域(ROI)十分明显。在本实施例中,预设的H、S、V的阈值是根据水文尺本身的颜色确定的。
S42:对含有水文尺轮廓的二值图进行形态学处理,得到水文尺连通域;
S43:获取水文尺连通域的第二最小外接矩形以及第二最小外接矩形的坐标;
S44:根据第二最小外接矩形的坐标对预处理后的水位图像进行分割,得到水文尺ROI图像。
进一步地,在步骤S5中,若判断水文尺ROI图像中的水文尺倾斜,则采用霍夫变换对水文尺ROI图像中的水文尺进行倾斜矫正。
进一步地,S6包括:
S61:通过直线探测法对水文尺ROI图像进行水文尺边缘检测,以实现对水文尺边缘的分割处理,得到边缘分割图像;
由于水文尺左右边缘有着特殊的像素排列规律,通过直线探测法,对水文尺ROI图像进行边缘像素垂直投影,再利用水文尺边缘像素投影规律设置滤波参数,对水文尺ROI图像进行滤波处理,进而定位水文尺左右边缘,完成左右边缘的分割处理。
S62:将边缘分割图像转换至HSV空间,通过直线探测法对水位线进行定位,得到水位线定位图像;
水位线位于水文尺与河流河面交接处,定位时会受到光照、倒影以及水文尺折射影响。因此,将边缘分割图像从RGB空间转换到受光照影响较小的HSV空间,利用色调、饱和度互不影响的特性进行水位线的定位。
在本实施例中,取S通道(即对其饱和度进行研究),依然采用直线探测法,首先对水文尺的右半部分进行直线探测。因为水尺与河面的交线在S通道下会出现投影值的突变,交线河面处的饱和度S值会突然变小但相较于交线以下河面的饱和度值又较大,此突变值即交线(水位线)。
在本实施例中,使用直线探测法,对S通道下的水文尺进行探测,自适应获取投影曲线滤波值,从而根据滤波值获取到水位位置,实现精确定位,大大提高水位值检测精度。
S63:对水位线定位图像进行分割,得到后分割图像,根据后分割图像得到水位检测结果。
本实施例的基于机器视觉的中小自然河流水文水位检测方法,对获取的水位原始视频图像进行预处理,然后利用显著性检测,快速寻找水文尺感兴趣区,通过视觉显著性检测可以将背景干扰降低到最低,提高水位检测精度。
本实施例的基于机器视觉的中小自然河流水文水位检测方法,适用于任何已经安装配置监控的自然河流的水位监测点,无需固定机位及水文尺,不需要频繁的进行人工校准固定机位与水位尺的相关参数,应用范围广,操作简便,而且无需数据集支持,无需进行各种环境背景下水文尺数据集的收集以及制作,并且不会存在由于更换场景导致检测精度下降的问题。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于机器视觉的中小自然河流水文水位检测方法,其特征在于,包括:
S1:对获取的水位原始视频图像进行预处理,得到预处理后的水位图像;
S2:利用视觉显著性检测算法对所述预处理后的水位图像进行检测,得到水位图像的显著图;
S3:根据所述水位图像的显著图对所述预处理后的水位图像进行分割,得到预分割图像;
S4:对所述预分割图像进行水文尺感兴趣区的提取,得到水文尺ROI图像;
S5:判断所述水文尺ROI图像中的水文尺是否倾斜,若是则对所述水文尺ROI图像进行倾斜矫正后执行步骤S6,若否则执行步骤S6;
S6:对所述水文尺ROI图像进行水文尺边缘探测和水位线定位处理,得到后分割图像,根据所述后分割图像得到水位检测结果。
2.根据权利要求1所述的方法,其特征在于,所述S1包括:
S11:采用小波阈值去噪算法对所述水位原始视频图像进行去噪处理,得到去噪水位图像;
S12:对所述去噪水位图像进行图像增强处理,得到所述预处理后的水位图像。
3.根据权利要求1所述的方法,其特征在于,所述S2包括:
S21:对所述预处理后的水位图像通过高斯金塔采样,获取不同尺度下图像的颜色、亮度以及方向特征;
S22:利用中心-周边差分算法对不同尺度下图像的显著性进行判断,得到亮度特征图、颜色特征图和方向特征图;
S23:对不同尺度下的所述亮度特征图、所述颜色特征图和所述方向特征图分别进行归一化处理;
S24:将经过归一化处理后的所述亮度特征图、所述颜色特征图和所述方向特征图进行线性叠加,得到所述水位图像的显著图。
4.根据权利要求1所述的方法,其特征在于,所述S3包括:
S31:采用大津法对所述水位图像的显著图进行阈值化;
S32:获取经过阈值化的所述水位图像的显著图的前景区域的第一最小外接矩形,所述第一最小外接矩形包含水文尺;
S33:将所述第一最小外接矩形的前景区域作为初始输入,利用GrabCut算法在所述第一最小外接矩形的区域内进行算法迭代优化,得到分离背景区域的水文尺图像;
S34:利用所述分离背景区域的水文尺图像,对所述预处理后的水位图像的非前景区域进行抑制处理,得到所述预分割图像。
5.根据权利要求1所述的方法,其特征在于,所述S4包括:
S41:将所述预分割图像转换至HSV空间,并根据预设的H、S、V的阈值,进行水文尺掩膜提取,得到含有水文尺轮廓的二值图;
S42:对所述含有水文尺轮廓的二值图进行形态学处理,得到水文尺连通域;
S43:获取所述水文尺连通域的第二最小外接矩形以及所述第二最小外接矩形的坐标;
S44:根据所述第二最小外接矩形的坐标对所述预处理后的水位图像进行分割,得到所述水文尺ROI图像。
6.根据权利要求1所述的方法,其特征在于,所述S6包括:
S61:通过直线探测法对所述水文尺ROI图像进行水文尺边缘检测,以实现对水文尺边缘的分割处理,得到边缘分割图像;
S62:将所述边缘分割图像转换至HSV空间,通过直线探测法对水位线进行定位,得到水位线定位图像;
S63:对所述水位线定位图像进行分割,得到所述后分割图像,根据所述后分割图像得到水位检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110093656.2A CN112784753B (zh) | 2021-01-22 | 2021-01-22 | 一种基于机器视觉的中小自然河流水文水位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110093656.2A CN112784753B (zh) | 2021-01-22 | 2021-01-22 | 一种基于机器视觉的中小自然河流水文水位检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784753A true CN112784753A (zh) | 2021-05-11 |
CN112784753B CN112784753B (zh) | 2023-04-18 |
Family
ID=75758792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110093656.2A Active CN112784753B (zh) | 2021-01-22 | 2021-01-22 | 一种基于机器视觉的中小自然河流水文水位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784753B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160018069A (ko) * | 2014-08-08 | 2016-02-17 | 아몽솔루션(주) | 수위 자동인식 방법 |
CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
CN107367310A (zh) * | 2017-07-11 | 2017-11-21 | 华南理工大学 | 一种基于计算机视觉的河流水位远程监测方法 |
CN110909640A (zh) * | 2019-11-11 | 2020-03-24 | 浙江大华技术股份有限公司 | 水位线的确定方法及装置、存储介质、电子装置 |
-
2021
- 2021-01-22 CN CN202110093656.2A patent/CN112784753B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160018069A (ko) * | 2014-08-08 | 2016-02-17 | 아몽솔루션(주) | 수위 자동인식 방법 |
CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
CN107367310A (zh) * | 2017-07-11 | 2017-11-21 | 华南理工大学 | 一种基于计算机视觉的河流水位远程监测方法 |
CN110909640A (zh) * | 2019-11-11 | 2020-03-24 | 浙江大华技术股份有限公司 | 水位线的确定方法及装置、存储介质、电子装置 |
Non-Patent Citations (2)
Title |
---|
JING HUANG ET AL.: "Deep Visual Waterline Detection within Inland Marine Environment", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
张振: "标准双色水尺的图像法水位测量", 《仪器仪表学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112784753B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN108759973B (zh) | 一种水位测量方法 | |
CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN110569857B (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
CN109584240B (zh) | 滑坡后缘裂缝位移图像识别方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别***与方法 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN108256467B (zh) | 一种基于视觉注意机制和几何特征的交通标志检测方法 | |
CN108169142A (zh) | 基于遥感影像的水色异常快速定位方法和装置 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN111369570B (zh) | 一种视频图像的多目标检测跟踪方法 | |
CN115032202A (zh) | 一种甜菊糖苷产品的残留杂质去除方法 | |
CN115797775A (zh) | 基于近地视频图像的违章建筑智能识别方法及*** | |
CN117456371B (zh) | 一种组串热斑检测方法、装置、设备及介质 | |
CN113989771A (zh) | 一种基于数字图像处理的交通信号灯识别方法 | |
CN112784753B (zh) | 一种基于机器视觉的中小自然河流水文水位检测方法 | |
CN115578695B (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
CN113095224A (zh) | 一种无人机巡查河道漂浮物的识别方法和装置 | |
CN114332605B (zh) | 一种基于光学遥感影像的水工建筑物识别方法 | |
CN113343742A (zh) | 一种车道线检测方法、一种车道线检测*** | |
CN107506686B (zh) | 一种基于显著性检测的夜间车辆检测方法 |
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 |