CN116402823B - 基于图像增强的路面垃圾滴漏检测方法 - Google Patents
基于图像增强的路面垃圾滴漏检测方法 Download PDFInfo
- Publication number
- CN116402823B CN116402823B CN202310677403.9A CN202310677403A CN116402823B CN 116402823 B CN116402823 B CN 116402823B CN 202310677403 A CN202310677403 A CN 202310677403A CN 116402823 B CN116402823 B CN 116402823B
- Authority
- CN
- China
- Prior art keywords
- image
- mean value
- bright channel
- channel mean
- pair
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000002834 transmittance Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 74
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000010808 liquid waste Substances 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 239000007788 liquid Substances 0.000 abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001225883 Prosopis kuntzei Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像增强的路面垃圾滴漏检测方法,包括:采集垃圾运输过程中若干个车前图像与若干个车后图像,构成若干个图像对,利用暗通道先验算法获取初始大气光值与初始透射率;获取每一车前图像的亮通道均值,构成亮通道均值序列,获取每一亮通道均值的调整程度,获取每一图像对的调整参数优化因子;根据每一图像对的调整参数优化因子获取每一图像对的自适应透射率;根据每一图像对的自适应透射率及初始大气光值利用暗通道先验算法分别对每一图像对中车前图像与车后图像进行增强处理并进行路面液体垃圾滴漏检测。本发明旨在解决垃圾滴漏的检测会受到雨水的影响的问题。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像增强的路面垃圾滴漏检测方法。
背景技术
为维护城市的卫生环境并且减少城市环境的污染源,需要对于城市中的垃圾车进行液体垃圾滴漏检测,保证垃圾车的密闭性。在现有的对于垃圾车的垃圾滴漏检测方法为在垃圾车前和车后分别安装图像采集设备以采集路面的实时图像,通过图像采集间隔与车辆的实时行驶速度进行对比图像匹配,通过匹配图像之间的差异来检测是否为垃圾滴漏所导致通过垃圾车经过后路面上出现的变化对垃圾车的滴漏现象进行检测;在检测的过程中因为垃圾车会遇到多变的情况,当出现车辆前方存在垃圾滴漏并且当前垃圾运输车辆存在液体垃圾滴漏时,车后方的图像采集设备获取到的图像中包含了本就有的垃圾滴漏与当前车辆出现的垃圾滴漏,当二者出现重合时,或者滴漏的液体垃圾出现了形状变化时,就会出现错误的检测结果;或是在下雨天气时,对于垃圾滴漏的检测会受到雨水的影响,导致对于路面液体垃圾滴漏的错误检测结果。
在现有的对于上述场景问题的解决方法为通过对车前采集到的图像进行图像增强,降低图像特征,并通过相同的图像增强方法对车后采集到的图像进行相同的图像增强,从而达到通过降低模板图像特征的同时增大当前车辆出现液体滴漏时的图像差异。在现有的图像处理方法中,可以通过暗通道先验的图像增强方式对车前采集到的图像进行处理,对于已有的路面液体滴漏与下雨天气时,在车前采集到的图像中通过对图像进行暗通道先验处理,将车前图像中的高亮像素点即雨水像素点因为反光会呈现为高亮点,根据图像中的亮度最低点作为目标增强效果,通过暗通道先验的统计原理将其他的高亮像素点进行灰度降低。从而使得外界因素影响降低。对于出现垃圾车的液体垃圾滴漏现象则是通过像素点在前后进行相同参数的暗通道先验过程中出现的像素点差异进行液体垃圾滴漏的判断。
在现有的垃圾车液体垃圾滴漏的检测过程中,因为是通过暗通道先验前后的变化差异进行液体垃圾滴漏的检测,所以对于暗通道先验进行降低亮度的过程中需要确定目标状态,也就是需要通过暗通道先验将图像进行加雾的目标效果。并且当出现当前垃圾车的液体垃圾滴漏对图像像素值的影响较低时,会出现像素点在暗通道先验前后的差异较小,也就无法准确判断液体垃圾的滴漏。
发明内容
本发明提供基于图像增强的路面垃圾滴漏检测方法以解决现有的问题。
本发明的基于图像增强的路面垃圾滴漏检测方法采用如下技术方案:
本发明一个实施例提供了基于图像增强的路面垃圾滴漏检测方法,该方法包括以下步骤:
采集垃圾运输过程中若干个车前图像与若干个车后图像,构成若干个图像对,每一图像对包含一个车前图像与车后图像;
利用暗通道先验算法获取初始透射率及每一图像对的初始大气光值;
将所有车前图像的亮通道均值构成亮通道均值序列,根据亮通道均值序列中相邻亮通道均值的数值差异获取每一亮通道均值的差异度,根据亮通道均值序列中相邻亮通道均值的变化趋势的差异获取亮通道均值序列中每一亮通道均值的变化方向判断因子与变化趋势程度,根据每一图像对中车前图像的亮通道均值的变化方向判断因子、变化趋势程度及差异度获取每一图像对的增强参数优化因子,获取每一图像对中车前图像的亮通道均值的调整程度,根据每一图像对中车前图像的亮通道均值的调整程度及每一图像对的增强参数优化因子获取每一图像对的调整参数优化因子;根据每一图像对的调整参数优化因子获取每一图像对的自适应透射率;
根据每一图像对的自适应透射率及初始大气光值利用暗通道先验算法分别对每一图像对中车前图像与车后图像进行增强处理,记每一图像对中车后图像与增强后的车后图像上每一相同位置的两个像素点为对比像素点对,获取每一对比点对的变化程度,获取每一图像对的参考变化程度,根据每一对比点的变化程度与每一图像对的参考变化程度的差值的绝对值获取每一对比点对的异常程度;根据预设异常程度阈值获取每一增强后的车后图像的异常点,根据异常点的密度分布获取每一增强后的车后图像的ROI区域,根据ROI区域进行路面液体垃圾滴漏检测。
可选的,所述根据亮通道均值序列中相邻亮通道均值的变化趋势的差异获取亮通道均值序列中每一亮通道均值的变化方向判断因子与变化趋势程度,包括的具体步骤如下:
记亮通道均值序列中任意一亮通道均值为目标亮通道均值,记亮通道均值序列中
目标亮通道均值的上一个亮通道均值为对比亮通道均值,当对比亮通道均值小于等于目标
亮通道均值,记目标亮通道均值的变化方向判断因子为1,当对比亮通道均值大于目标亮通
道均值时,记目标亮通道均值的变化方向判断因子为-1;设定判断个数,获取亮通道均
值序列中目标亮通道均值前个亮通道均值中变化方向判断因子与目标亮通道均值相同
的亮通道个数,记为目标亮通道均值的变化趋势程度。
可选的,所述根据每一图像对中车前图像的亮通道均值的变化方向判断因子、变化趋势程度及差异度获取每一图像对的增强参数优化因子,计算公式如下:
其中,表示第个图像对的增强参数优化因子,表示第个图像对中车前图
像的亮通道均值的变化方向判断因子,表示第个图像对中车前图像的亮通道均值的变
化趋势程度,表示第个图像对中车前图像的亮通道均值的差异度,表示自然常数。
可选的,所述根据每一图像对中车前图像的亮通道均值的调整程度及每一图像对的增强参数优化因子获取每一图像对的调整参数优化因子,包括的具体步骤如下:
将自然数1与每一图像对中车前图像的亮通道均值的调整程度的差值与每一图像对的增强参数优化因子的乘积记为每一图像对的调整参数优化因子。
可选的,所述获取每一对比点对的变化程度,包括的具体步骤如下:
记每一图像对中车后图像与增强后的车后图像上每一相同位置的两个像素点为该图像对的对比像素点对,获取每一图像对中每一对比像素点对中两个像素点的R、G、B三通道的像素值最大记为每一对比像素点对中每一像素点的亮通道值,获取每一对比像素点对的两个像素点的亮通道值的差值的绝对值,记为每一对比像素点对的变化程度。
可选的,所述根据每一图像对的调整参数优化因子获取每一图像对的自适应透射率,包括的具体步骤如下:
其中,表示第个图像对的自适应透射率,表示第个图像对的调整参数
优化因子,表示第个图像对的自适应透射率,表示初始透射率。
可选的,所述获取每一图像对中车前图像的亮通道均值的调整程度,包括的具体步骤如下:
设定判断个数,记亮通道均值序列中任意一亮通道均值为目标亮通道均值,获
取亮通道均值序列中目标亮通道均值前个亮通道均值,记为目标亮通道均值的参考集
合,利用算法对参考集合进行处理,获取离群因子,记为目标亮通道均值的调整程度。
本发明的技术方案的有益效果是:本发明通过已有的图像进行反向暗通道先验处理对图像进行暗化处理,从而通过在同样的暗通道先验参数下的图像像素值变化情况来进行垃圾车的液体垃圾滴漏检测,相较于现有的每个图像自己获取增强参数可以通过参数的最优化处理获取到可以最大化前后差异的暗通道先验参数。从而使得车后图像中增强前后的差异增大,可以更准确的对垃圾车的液体垃圾滴漏进行检测;同时本发明通过相邻图像之间的局部差异进行暗通道先验参数的优化,相较于对于单一图像进行暗通道增强处理,可以通过前一次对比过程中的结果反馈进行实时参数调整,从而达到在垃圾车运输过程中每一次的识别检测的准确度达到最优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于图像增强的路面垃圾滴漏检测方法的步骤流程图。
具体实施方式
为了更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,以下结合附图及较佳实施例,对依据本发明提出的基于图像增强的路面垃圾滴漏检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于图像增强的路面垃圾滴漏检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像增强的路面垃圾滴漏检测方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集垃圾运输过程中若干个车前图像与若干个车后图像,构成若干个图像对。
需要说明的是,在本实施所述存在路面有水或是存在其他车辆的垃圾滴漏的场景中,可以将采集到的存在于水或是其他影响的图像看作是一个较亮的图像,如果不进行增强,那么当前检测车辆存在液体垃圾滴漏时,车后的采集图像就无法将车辆的滴漏与其他影响即雨水等进行区分;而此时如果将车前图像通过暗通道先验根据图像中的暗点进行加暗,这样就会降低车前图像中的其他影响例如雨水的影响,此时对于相似位置车后采集的图像也通过车前图像相同的参数进行暗通道先验的调整即变暗,那么根据车后采集的图像增强前后的像素点的像素值的变化就可以进行当前检测车辆的液体垃圾滴漏情况的衡量;因此,首先需要采集垃圾运输过程每一时间戳的车前图像与车后图像,根据车辆实施运行速度与车辆长度将车前图像与车后图像构成若干个图像对。
在垃圾运输车的车头、车尾放置图像采集装置,所述图像采集装置可以设定采集
图像的时间间隔,将采集得到的车前图像与车后图像根据采集时间的时间戳以时间序列的
方式进行保存,即在车辆行驶过程中,设定图像采集时间间隔,本实施例设定为0.5
秒,车头车尾的图像采集装置同时开始进行图像采集,将车头采集得到的图像记为车前图
像,记为序列,将车尾采集得到的图像记为车后图像,记为序列,根据车辆的实施运行速度,根据车身长度获取每一车前图像采集位置
对应的车后图像,记为每一车前图像对应的车后图像,每一车前图像与其对应的车后图像
构成一个图像对;需要说明的是,每一图像对中的车前图像与车后图像采集的位置相似,由
于车辆的液体垃圾出现滴漏是一种连续的情况,所以图像对应即使存在误差,但是通过图
像的整体信息也可以通过差异进行液体垃圾滴漏的检测。
至此,得到若干个车前图像、车后图像及若干个图像对。
步骤S002、利用暗通道先验算法获取初始透射率及每一图像对的初始大气光值。
需要说明的是,当存在路面有水或是存在其他车辆的垃圾滴漏的情况时,对于当前车辆前后图像之间的差异就无法正确判断当前车辆是否存在垃圾滴漏;针对于这种情况就需要通过图像增强的方式降低本就有的图像中高亮像素点的影响,由于水会呈现为亮的像素点,而出现的垃圾滴漏情况因为液体垃圾的颜色,反光性存在多样性,所以对于垃圾滴漏的检测需要根据图像的明暗变化进行自适应的调整。在这个过程中首先需要根据初始的图像情况进行初始的暗通道先验参数的确定,之后才能根据当前图像与时序上前一个图像的差异情况进行参数的优化。在获取到初始的暗通道先验参数之后则需要在整个检测过程中通过车前图像采集的连续帧的明暗变化进行判断。那么根据这个自适应优化后的参数就可以保证每次图像增强都可以根据上一次对比的图像获取到当前最能将车前图像中已有的雨水或是液体垃圾滴漏图像进行均匀化,获取到存在可疑的滴漏像素点。最后通过可疑的滴漏像素点形成的ROI区域通过神经网络进行识别获取到滴漏检测结果。
进一步需要说明的是,现有的暗通道先验算法多用于图像去雾,但是暗通道先验的本质是对带雾图像的暗通道通过统计手段估计为0,通过图像中的高亮点的暗通道值作为大气光值,通过这二者进行透射率的估计。在获取到透射率之后,通过透射率与大气光值对暗图像进行增强,将其转换为亮图像。在本实施例的场景中,由于道路上的雨水或是已有的垃圾液体滴漏与其他干扰情况中,图像中像素点会因为液体的反光等因素呈现为较亮的情况,所以需要通过暗通道先验的反向计算,来将亮图像根据暗通道先验原理转换为暗图像,即将图像中的一些高亮像素点的暗通道转换为0,从而降低图像中雨水等因素的影响;首先需要根据暗通道先验算法得到初始的暗通道先验参数,即初始大气光值及初始透射率。
将传统暗通道先验的计算过程记为正过程,将根据传统暗通道先验的输出图像反向推理得到输入图像的过程记为反过程,按照采集时序顺序将得到的图像对进行排列,根据第一图像对利用正过程获取大气光值及透射率,记为初始大气光值与初始透射率;需要说明的是,本实施例设定每一图像对中车前图像上每一像素点在R、G、B三通道中取值最小的像素值为该像素点的暗通道像素值,每一像素点在R、G、B三通道中取值最大的像素值为该像素点的亮通道像素值,将每一车前图像中暗通道像素值最小的前5%的像素点的亮通道像素值的均值记为每一车前图像的初始大气光值,记每一图像对中车前图像的初始大气光值为该图像对的初始大气光值。
至此,利用暗通道先验算法获取初始透射率及每一图像对的初始大气光值。
步骤S003、获取每一车前图像的亮通道均值构成亮通道均值序列,获取每一图像对中车前图像的亮通道均值的调整程度,根据每一图像对中车前图像的亮通道均值的调整程度及每一图像对的增强参数优化因子获取每一图像对的调整参数优化因子;根据每一图像对的调整参数优化因子获取每一图像对的自适应透射率。
需要说明的是,获取到初始参数之后,在垃圾车运输过程中对于每一图像对,根据上述过程中的暗通道先验增强前后的像素值变化程度进行异常程度的衡量;在这个过程中,由于垃圾车运输过程中采集到的图像是不断变化的,道路的路面情况也是多变的,所以通过单一的参数,所述的参数即初始大气光值与初始透射率进行图像增强会导致图像中异常像素点的提取不准确;例如,对于无水的路面,整体是比较暗的,当使用根据无水路面获取到的初始透射率对有水的路面进行处理时,就会出现增强效果不好的情况,即前后像素值差异不明显,那么在垃圾运输车辆行驶过程中就需要通过实时的图像变化进行参数的自适应优化,从而获取到准确的图像中像素点的异常程度,表征是否出现液体垃圾泄露。
进一步需要说明的是,在垃圾车辆行驶中,对于每一图像对,利用时序上连续采集的车前图像的亮度变化进行暗通道参数的自适应变化,首先需要获取每一个车前图像的亮度评估,即获取每一车前图像的亮通道均值。
具体的,以第个车前图像为例,获取第个车前图像的亮通道均值的计算方
法为:
其中,表示第个车前图像中像素点的个数,表示三个通道中的任一
通道,表示以第个车前图像中第个像素点为中心的预设窗口大小,本实施例设定预
审窗口大小为,具体实施过程实施者可视具体情况进行调整。表示属于范围内
的任意一像素点,表示第个车前图像中像素点在通道下的像素值,表示求最
大值。
表示对于第个车前图像中第个像素点的估计
亮通道值。
至此,得到每一个车前图像的亮通道均值。
按照图像采集时序顺序,将所有车前图像的亮通道均值构成序列,记为亮通道均值序列。
至此,得到亮通道均值序列。
进一步需要说明的是,在垃圾车辆行驶过程中,利用时序上连续采集的车前图像的亮度变化进行暗通道参数的自适应变化,即通过亮通道均值序列的变化趋势与变化情况进行暗通道参数的调整。
本实施例对于图像对进行暗通道增强过程中的大气光值设定为初始大气光值,但对于透射率的选取,因为需要找到最能体现出车前车后差异的透射率,所以根据连续的车前图像的亮通道均值序列的变化趋势进行透射率变化的增强,使得对于待判断的一组图像可以根据图像的评估变化情况确定一个可以将车前车后图像中已有的产生影响的像素点的像素值降低,那么此时如果当前车辆出现了液体垃圾滴漏就会导致车后的路面监测图像在进行相同参数的暗通道增强时出现像素点增强前后的差异。
在垃圾车的液体垃圾滴漏检测过程中,液体垃圾的颜色特征是无法确定的。液体垃圾可能是浑浊的,也可能是其他情况。那么对于液体垃圾的判断就需要通过车前车后图像的整体变化(变亮或变暗)进行判断。当出现液体垃圾并且检测的图像整体变亮,则通过步骤S002的反过程将图像的亮度降低,根据像素点增强前后的变化进行判断;当整体变暗,则通过步骤S002中的正过程将图像变亮,根据像素值在增强前后变化的大小进行像素点的异常程度判断;当出现车前图像中的平均亮度增高时,则需要进行更大程度的暗通道先验增强;同时,当亮通道均值序列中出现趋势的变化时还需要对增强的透射率进行变化,使得透射率可以将车前车后图像中的差异更大程度的拉大,以保证准确的检测。
获取亮通道均值序列中每一亮通道均值与上一亮通道均值的差值的绝对值,记为每一亮通道均值的差异度,对所有差异度进行归一化处理;需要说明的是,对亮通道均值序列中第一个亮通道均值不进行差异度的计算。
记亮通道均值序列中任意一亮通道均值为目标亮通道均值,记亮通道均值序列中
目标亮通道均值的上一个亮通道均值为对比亮通道均值,当对比亮通道均值小于等于目标
亮通道均值,记目标亮通道均值的变化方向判断因子为1,当对比亮通道均值大于目标亮通
道均值时,记目标亮通道均值的变化方向判断因子为-1;设定判断个数,本实施例设定
判断个数,具体实施过程实施者可视具体实施情况进行调整,获取亮通道均值序列
中目标亮通道均值前个亮通道均值中变化方向判断因子与目标亮通道均值相同的亮通
道个数,记为目标亮通道均值的变化趋势程度;当目标亮通道均值的变化方向判断因子为-
1时,目标亮通道均值对应的车前图像所在的图像对通过正过程进行暗通道增强,当目标亮
通道均值的变化方向判断因子为1时,目标亮通道均值对应的车前图像所在的图像对通过
反过程进行暗通道增强;需要说明的是,当亮通道均值序列中目标亮通道均值前的亮通道
均值的个数小于判断个数时,将目标亮通道均值前的亮通道均值的个数记为目标亮通道均
值的判断个数,对亮通道均值序列中第一个亮通道均值不进行考虑。
具体的,以第个图像对为例,获取第个图像对的增强参数优化因子的计算
方法为:
其中,表示第个图像对中车前图像的亮通道均值的变化方向判断因子,表
示第个图像对中车前图像的亮通道均值的变化趋势程度,表示第个图像对中车前
图像的亮通道均值的差异度,表示自然常数。
当亮通道均值序列中亮通道均值的变化趋势连续且相同时,即越大时,说明垃
圾运输车辆在一个有水的地方进行行驶,那么对于此时的第个图像对,需要根据图像亮
度越来越高的特征将透射率调整的也越来越高,即随着图像中包含的亮点越多,需要将图
像变暗的程度越高,保证增强前后图像的差异,以此更精确的检测出车后图像中液体垃圾
滴漏的像素点。
至此,得到每一图像对的增强参数优化因子。
进一步需要说明的是,由于在行驶过程中,随天气的变化与车辆驾驶速度的变化,可能存在采集时序上靠前某个图像存在积水,但采集时序上靠后的图像中均不存在积水的情况,此时亮通道均值序列中存在离群点,该离群点对应的图像对的增强参数优化因子较大,对该图像对进行较高程度的增强,此时会导致液体垃圾滴漏的判断出现误差,需要对增强参数优化因子进行进一步调整。
具体的,以第个图像对为例,在亮通道均值序列中,当第个图像对中车前图像
的亮通道均值之前的亮通道均值个数小于判断阈值时,对第个图像对的增强参数优化因
子不进行调整,即第个图像对的调整参数优化因子即第个图像对的增强参数优化因
子;当第个图像对中车前图像的亮通道均值之前的亮通道均值个数大于等于判断阈值
时,对第个图像对的增强参数优化因子进行调整获取调整参数优化因子。
获取调整参数优化因子包括,记亮通道均值序列中任意一亮通道均值为目标亮通
道均值,获取亮通道均值序列中目标亮通道均值前个亮通道均值,记为目标亮通道均值
的参考集合,利用算法对参考集合进行处理,获取离群因子,记为目标亮通道均值的调
整程度,对所有调整程度进行线性归一化处理。
具体的,以第个图像对为例,获取第个图像对的调整参数优化因子的计算
方法为:
其中,表示第个图像对中车前图像的亮通道均值的增强参数优化因子,
表示第个图像对中车前图像的亮通道均值的调整程度。
通过算法得到的离群因子对每一图像对的增强参数优化因子进行进一步的
调整,相较于仅通过亮通道均值序列中数据的变化趋势得到的增强参数优化因子进行透射
率的计算,可以避免道路多样性变化的影响;即在行驶过程中车辆的速度并不是稳定的,在
多变的速度中,前后的对应会存在差异,当出现一小部分水的影响时,车后的对应图像中可
能只存在更小部分的积水,对于这种情况根据上式的优化可以准确地判断差异,也就是降
低暗通道增强的效果,使得前后差异降低。
至此,得到每一图像对的调整参数优化因子。
具体的,以第个图像对为例,获取第个图像对的自适应透射率的计算方
法为:
其中,表示第个图像对的调整参数优化因子,表示初始透射率,
表示第个图像对的自适应透射率。
至此,得到每一图像对的自适应透射率。
步骤S004、根据每一图像对的自适应透射率及初始大气光值利用暗通道先验算法分别对每一图像对中车前图像与车后图像进行增强处理并进行路面液体垃圾滴漏检测。
根据每一图像对的自适应透射率及初始大气光值利用步骤S002所述暗通道先验算法分别对每一图像对中车前图像与车后图像进行增强处理,得到每一图像对中车前图像与车后图像的增强后的图像。
记每一图像对中车后图像与增强后的车后图像上每一相同位置的两个像素点为该图像对的对比像素点对,获取每一图像对中每一对比像素点对中两个像素点的R、G、B三通道的像素值最大记为每一对比像素点对中每一像素点的亮通道值,获取每一对比像素点对的两个像素点的亮通道值的差值的绝对值,记为该对比像素点对的变化程度,按照车后图像与增强后的车后图像每一相同位置的两个像素点的变化程度的获取方式获取车前图像与增强后的车前图像上每一相同位置的两个像素点的变化程度,获取车前图像与增强后的车前图像上所有相同位置两个像素点的变化程度的均值,记为该图像对的参考变化程度。
具体的,以第个图像对的第个对比像素点对为例,第个图像对的对比像素点
对的异常程度的计算方法为:
其中,表示第个图像对的第个对比像素点对的变化程度,表示第个
图像对的参考变化程度,对每一图像对的所有对比像素点对的异常程度进行线性归一化处
理,表示取绝对值。
至此,得到每一图像对的对比像素点对的异常程度。
设定异常程度阈值,本实施例设定,具体实施过程实施者可视具体实
施情况对异常程度阈值进行调整,将增强后的车后图像中大于异常程度阈值的对比像素点
对中的像素点记为异常点,设定预设半径,本实施例设定预设半径为图像长度的十分之一,
获取以每一异常点为中心以预设半径为半径的圆形窗口内的异常点的个数,将个数最大的
圆形窗口记为每一增强后的车后图像的ROI区域。
通过语义分割神经网络,识别采集到的雨水天气下的车后图像经增强处理得到的增强后的车后图像中ROI区域趋于的液体垃圾滴漏情况,其中,所采用的语义分割神经网络的具体内容为:
1.使用语义分割Unet神经网络,输入获取到的ROI区域,输出对应的语义分割结果。先通过卷积层与池化层提取图像特征,而后采用反卷积,反池化操作来重构图像,获得对应输入图像的语义分割结果。
2.搜集大量相应的垃圾车运输车辆获取到的高差异像素点作为数据点,来训练神经网络。
3.由人为标注图像中的类别信息,对于单个图像中的ROI区域,获取其对应的语义分割图像标签信息,其中标注无液体垃圾滴漏类别为0,低程度液体垃圾滴漏类别为1,中程度液体垃圾滴漏类别为2,大量液体垃圾滴漏类别为3。
4.由于是分类任务,所以该神经网络采用交叉熵损失函数来监督训练。
语义分割神经网络训练完成后,可把实时采集到的采集到的雨水天气下的车后图像经增强处理得到的增强后的车后图像中ROI区域输入语义分割神经网络中,由网络推理得到对应的语义分割图像,而后通过图像的类别标签,对于不同情况下的垃圾车液体垃圾滴漏程度的要求进行警报;例如,若判定对于垃圾车的液体垃圾滴漏出现中程度滴漏即为违规,则当出现标签为2和3时,就需要对垃圾车运维中心发送警报,使得运维中心对垃圾车进行密封性检测与维护,从而保证城市环境。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于图像增强的路面垃圾滴漏检测方法,其特征在于,该方法包括以下步骤:
采集垃圾运输过程中若干个车前图像与若干个车后图像,构成若干个图像对,每一图像对包含一个车前图像与车后图像;
利用暗通道先验算法获取初始透射率及每一图像对的初始大气光值;
将所有车前图像的亮通道均值构成亮通道均值序列,根据亮通道均值序列中相邻亮通道均值的数值差异获取每一亮通道均值的差异度,根据亮通道均值序列中相邻亮通道均值的变化趋势的差异获取亮通道均值序列中每一亮通道均值的变化方向判断因子与变化趋势程度,根据每一图像对中车前图像的亮通道均值的变化方向判断因子、变化趋势程度及差异度获取每一图像对的增强参数优化因子,获取每一图像对中车前图像的亮通道均值的调整程度,根据每一图像对中车前图像的亮通道均值的调整程度及每一图像对的增强参数优化因子获取每一图像对的调整参数优化因子;根据每一图像对的调整参数优化因子获取每一图像对的自适应透射率;
根据每一图像对的自适应透射率及初始大气光值利用暗通道先验算法分别对每一图像对中车前图像与车后图像进行增强处理,记每一图像对中车后图像与增强后的车后图像上每一相同位置的两个像素点为对比像素点对,获取每一对比点对的变化程度,获取每一图像对的参考变化程度,根据每一对比点对的变化程度与每一图像对的参考变化程度的差值的绝对值获取每一对比点对的异常程度;根据预设异常程度阈值获取每一增强后的车后图像的异常点,根据异常点的密度分布获取每一增强后的车后图像的ROI区域,根据ROI区域进行路面液体垃圾滴漏检测。
2.根据权利要求1所述基于图像增强的路面垃圾滴漏检测方法,其特征在于,所述根据亮通道均值序列中相邻亮通道均值的变化趋势的差异获取亮通道均值序列中每一亮通道均值的变化方向判断因子与变化趋势程度,包括的具体步骤如下:
记亮通道均值序列中任意一亮通道均值为目标亮通道均值,记亮通道均值序列中目标亮通道均值的上一个亮通道均值为对比亮通道均值,当对比亮通道均值小于等于目标亮通道均值,记目标亮通道均值的变化方向判断因子为1,当对比亮通道均值大于目标亮通道均值时,记目标亮通道均值的变化方向判断因子为-1;设定判断个数 ,获取亮通道均值序列中目标亮通道均值前/>个亮通道均值中变化方向判断因子与目标亮通道均值相同的亮通道个数,记为目标亮通道均值的变化趋势程度。
3.根据权利要求1所述基于图像增强的路面垃圾滴漏检测方法,其特征在于,所述根据每一图像对中车前图像的亮通道均值的变化方向判断因子、变化趋势程度及差异度获取每一图像对的增强参数优化因子,计算公式如下:
其中,表示第/>个图像对的增强参数优化因子,/>表示第/>个图像对中车前图像的亮通道均值的变化方向判断因子,/>表示第/>个图像对中车前图像的亮通道均值的变化趋势程度,/>表示第/>个图像对中车前图像的亮通道均值的差异度,/>表示自然常数。
4.根据权利要求1所述基于图像增强的路面垃圾滴漏检测方法,其特征在于,所述根据每一图像对中车前图像的亮通道均值的调整程度及每一图像对的增强参数优化因子获取每一图像对的调整参数优化因子,包括的具体步骤如下:
将自然数1与每一图像对中车前图像的亮通道均值的调整程度的差值与每一图像对的增强参数优化因子的乘积记为每一图像对的调整参数优化因子。
5.根据权利要求1所述基于图像增强的路面垃圾滴漏检测方法,其特征在于,所述获取每一对比点对的变化程度,包括的具体步骤如下:
记每一图像对中车后图像与增强后的车后图像上每一相同位置的两个像素点为该图像对的对比像素点对,获取每一图像对中每一对比像素点对中两个像素点的R、G、B三通道的像素值最大记为每一对比像素点对中每一像素点的亮通道值,获取每一对比像素点对的两个像素点的亮通道值的差值的绝对值,记为每一对比像素点对的变化程度。
6.根据权利要求1所述基于图像增强的路面垃圾滴漏检测方法,其特征在于,所述根据每一图像对的调整参数优化因子获取每一图像对的自适应透射率,包括的具体步骤如下:
其中,表示第/>个图像对的自适应透射率,/>表示第/>个图像对的调整参数优化因子,/>表示第/>个图像对的自适应透射率,/>表示初始透射率。
7.根据权利要求1所述基于图像增强的路面垃圾滴漏检测方法,其特征在于,所述获取每一图像对中车前图像的亮通道均值的调整程度,包括的具体步骤如下:
设定判断个数,记亮通道均值序列中任意一亮通道均值为目标亮通道均值,获取亮通道均值序列中目标亮通道均值前/>个亮通道均值,记为目标亮通道均值的参考集合,利用/>算法对参考集合进行处理,获取离群因子,记为目标亮通道均值的调整程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677403.9A CN116402823B (zh) | 2023-06-09 | 2023-06-09 | 基于图像增强的路面垃圾滴漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677403.9A CN116402823B (zh) | 2023-06-09 | 2023-06-09 | 基于图像增强的路面垃圾滴漏检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116402823A CN116402823A (zh) | 2023-07-07 |
CN116402823B true CN116402823B (zh) | 2023-08-04 |
Family
ID=87010945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310677403.9A Active CN116402823B (zh) | 2023-06-09 | 2023-06-09 | 基于图像增强的路面垃圾滴漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402823B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036204B (zh) * | 2023-10-09 | 2024-02-02 | 东莞市华复实业有限公司 | 一种用于可视对讲机的图像质量增强方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104509091A (zh) * | 2012-07-27 | 2015-04-08 | 日产自动车株式会社 | 水滴检测装置以及使用水滴检测装置的三维物体检测装置 |
JP2015215694A (ja) * | 2014-05-08 | 2015-12-03 | 日産自動車株式会社 | 立体物検出装置及び立体物検出方法 |
CN110136210A (zh) * | 2018-02-07 | 2019-08-16 | 中国石油化工股份有限公司 | 一种监控装置泄露的智能预警*** |
CN111598814A (zh) * | 2020-05-26 | 2020-08-28 | 北京理工大学 | 基于极端散射通道的单图像去雾方法 |
CN115619662A (zh) * | 2022-09-28 | 2023-01-17 | 河北汉光重工有限责任公司 | 一种基于暗通道先验的图像去雾方法 |
-
2023
- 2023-06-09 CN CN202310677403.9A patent/CN116402823B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104509091A (zh) * | 2012-07-27 | 2015-04-08 | 日产自动车株式会社 | 水滴检测装置以及使用水滴检测装置的三维物体检测装置 |
JP2015215694A (ja) * | 2014-05-08 | 2015-12-03 | 日産自動車株式会社 | 立体物検出装置及び立体物検出方法 |
CN110136210A (zh) * | 2018-02-07 | 2019-08-16 | 中国石油化工股份有限公司 | 一种监控装置泄露的智能预警*** |
CN111598814A (zh) * | 2020-05-26 | 2020-08-28 | 北京理工大学 | 基于极端散射通道的单图像去雾方法 |
CN115619662A (zh) * | 2022-09-28 | 2023-01-17 | 河北汉光重工有限责任公司 | 一种基于暗通道先验的图像去雾方法 |
Non-Patent Citations (1)
Title |
---|
基于暗通道补偿和透射率修正的图像去雾算法;容杰雄 等;计算机应用与软件;第第40卷卷(第第4期期);第166-171、262页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116402823A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296612B (zh) | 一种图像质量评价和天气状况引导的分级式监控视频清晰化***及方法 | |
CN107301623B (zh) | 一种基于暗通道和图像分割的交通图像去雾方法及*** | |
CN105424655B (zh) | 一种基于视频图像的能见度检测方法 | |
CN101430195B (zh) | 一种利用视频图像处理技术计算输电线路覆冰厚度的方法 | |
CN116402823B (zh) | 基于图像增强的路面垃圾滴漏检测方法 | |
CN111652296A (zh) | 一种基于深度学习的铁路货车下拉杆折断故障检测方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测*** | |
CN102855617B (zh) | 自适应图像处理方法及*** | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控*** | |
CN103679656B (zh) | 一种图像自动锐化方法 | |
CN107230207A (zh) | 轮胎的检测方法及*** | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN114708325A (zh) | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 | |
CN116310845B (zh) | 一种用于污水处理的智能监测*** | |
CN102393902A (zh) | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 | |
CN111598814B (zh) | 基于极端散射通道的单图像去雾方法 | |
Hsia et al. | An Intelligent IoT-based Vision System for Nighttime Vehicle Detection and Energy Saving. | |
CN113537037A (zh) | 路面病害识别方法、***、电子设备及存储介质 | |
CN109919062A (zh) | 一种基于特征量融合的道路场景天气识别方法 | |
CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测*** | |
CN116109577A (zh) | 一种印刷标签缺陷检测***及方法 | |
CN117173661A (zh) | 基于计算机视觉的沥青道路质量检测方法 |
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 |