CN103886612B - 一种基于水库监控摄像头的水位自动提取方法及系统 - Google Patents

Abstract

本发明公开了一种基于水库监控摄像头的水位自动提取方法及系统，本发明基于水库监控摄像头提供的影像数据，对水库标准水尺进行监测，并通过图像处理方法进行水位的自动提取。在保证了提供精准水位数据的同时，提供对应的水位影像数据，对影像数据进行关键像素训练提取，边缘检测提取，聚类分析及去噪及水位线段检测以实现通过摄像头数据自动解算水位数据的功能。本发明能在水库摄像头执行监控任务的基础上，对监控影像进行自动的水位数值计算提取，不但简化了现有的水位数据提取步骤，并且可在不增加硬件设施的前提下，实现水库水位实时监测及数据获取，可广泛应用于水库的生产实践中。

Description

一种基于水库监控摄像头的水位自动提取方法及系统

技术领域

本发明属于影像数据的识别及信息提取领域，尤其涉及一种基于水库摄像头的水位自动提取方法及系统。

背景技术

水位信息是水库管理过程中最重要的水文数据之一，现采用的水位信息获取方式主要分为气泡式水位计，压力式水位计，雷达式水位计等。

现行水位计在获取水库水位的过程中存在以下不足：

（1）需要专门建设的水位信息获取设备，造价高且维护困难；

（2）只提供单一的水位信息，忽略了水位图像信息的需求。

发明内容

为了解决上述的技术问题，本发明基于水库监控摄像头在对固定水尺进行监测的同时，对输入图像进行水尺像元自动提取、边缘检测提取、水位自适应检测等处理，实现水位数据的自动解算，提出了一种基于水库监控摄像头的水位自动提取方法及系统。

本发明的方法所采用的技术方案是：一种基于水库监控摄像头的水位自动提取方法，其特征在于，包括以下步骤：

步骤1：对水库摄像头的水尺图像进行水尺关键像素提取并二值化处理，生成水尺水位信息图；

步骤2：建立水尺图像的边缘检测提取模型，并对所述的水尺水位信息图进行边缘检测提取；

步骤3：将检测提取后的图像作为输入，进行像素聚类分析并去噪，生成新的水平特征聚类图；

步骤4：建立水位线段检测处理模型，并计算所述的水平特征聚类图中的水位高度，输出水位解算图像及数值。

作为优选，步骤1中所述的关键像素提取的方法是基于海量水尺像素训练模型优化后的提取方法。

作为优选，步骤2中所述的水尺图像边缘检测提取模型是基于多种边缘提取算子综合评定计算最优解建立的。

作为优选，所述的边缘提取算子，包括三种算子；

其中微分算子为：

$\left|\mathrm{grad}\left(f(x,y)\right)\right|={[{\left(\frac{\∂f}{\∂x}\right)}^2+{\left(\frac{\∂f}{\∂y}\right)}^2]}^{\frac{1}{2}}$

其中，|grad(f(x,y))|为x，y处像元灰度变化的幅度；为灰度值在水平方向变化率；为灰度值在竖直方向变化率；

用以检测斜向边缘特征的Robert算子为：

$g(x,y)={\{{[\sqrt{f(x,y)}-\sqrt{f(x+1,y+1)}]}^2+{[\sqrt{f(x+1,y)}-\sqrt{f(x,y+1)}]}^2\}}^{\frac{1}{2}}$

其中，(x,y)表示图像坐标；g(x,y)表示(x,y)点算子计算后的灰度值；f(x,y)表示计算前的灰度值；

Laplacian算子为：

${\▿}^{2}f(x,y)=\frac{{\∂}^{2}f(x,y)}{{\∂x}^2}+\frac{{\∂}^{2}f(x,y)}{\∂y^2}$

其中，(x,y)表示图像坐标；表示对x方向灰度值的二级偏导；表示对y方向灰度值的二级偏导。

作为优选，步骤3中所述的水平特征聚类图是据自适应影像优化处理并多元降噪后获得的。

作为优选，步骤4中所述中的水位线段检测处理模型是据水位影像特点及训练集训练资料，采用自适应影像线段提取方法获得的。

本发明的系统所采用的技术方案是：一种基于水库监控摄像头的水位自动提取系统，其特征在于：包括关键像素提取模块、边缘检测提取模块、聚类分析模块和水位线段检测处理模块；所述的关键像素提取模块用于对水库摄像头的水尺图像进行水尺关键像素提取并二值化处理，生成水尺水位信息图；所述的边缘检测提取模块用于建立水尺图像的边缘检测提取模型，并对所述的水尺水位信息图进行边缘检测提取；所述的聚类分析模块用于将检测提取后的图像作为输入，进行像素聚类分析并去噪，生成新的水平特征聚类图；所述的水位线段检测处理模块用于建立水位线段检测处理模型，并计算所述的水平特征聚类图中的水位高度，输出水位解算图像及数值。

与现有技术相比，本发明具有以下优点和效果：

1.在水库现有监控摄像头建设的基础上，增加水位检测功能，极大减少了水位信息获取设备的建设及维护费用，不需要复杂的硬件安装及调试过程；

2.现有的方法均只能提供水位数值数据，而不能全方面的反应水库水位实时状态，本方法可以在不增加硬件建设的基础上，实现水位信息及水位影像的同时传输及展示，填补了目前市场上水位信息获取设备的不足。

附图说明

图1：为本发明的方法流程图。

图2：为本发明实施例的监控图像关键像素提取效果图。

图3：为本发明实施例的边缘检测及优化去除结果图。

图4：为本发明实施例的聚类分析及去噪后的水尺标记图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明基于水库监控摄像头提供的影像数据，对水库标准水尺进行监测，并通过图像处理方法进行水位的自动提取。在保证了提供精准水位数据的同时，提供对应的水位影像数据，对影像数据进行关键像素训练提取，边缘检测提取，聚类分析及去噪及水位线段检测以实现通过摄像头数据自动解算水位数据的功能。

请见图1，本发明的方法所采用的技术方案是：一种基于水库监控摄像头的水位自动提取方法，包括以下步骤：

步骤1：采用基于海量水尺像素训练模型优化后的提取方法对水库摄像头的水尺图像进行水尺关键像素提取并二值化处理，生成水尺水位信息图；其具体过程为：

（1）将含有水库水尺的影像作为输入数据，将图像数据分为BAND_RED，BAND_GREEN，BAND_BLUE红绿蓝三个波段，并将图像左上第一个像素赋值影像坐标（0，0）建立影像坐标系。代入水尺影像训练集，输出符合水尺影像特征的像素点坐标并赋值为TRUE。

f（x,y）=g(BAND_RED(x,y),BAND_GREEN(x,y),BAND_BLUE(x,y)) (1)

式中，f(x,y)代表(x,y)坐标处的值；BAND_RED(x,y)代表(x,y)处的红色波段值；g表示对三个波段数值进行基于训练集的筛选处理。

（2）将通过水尺影像训练集进行水尺特征像元处理的影像进行二值化处理

$w(x,y)=$ $\left\{\begin{array}{c}0(f(x,y)=\mathrm{TRUE})\\ 255(f(x,y)\≠\mathrm{TRUE})\end{array}\right.---\left(2\right)$

式中，w(x,y)表示二值化处理后(x,y)坐标处的灰度值；其中0表示该点像素为黑色，255表示该点像素为白色。请见图2，为以此生成的水尺水位信息图效果图。

步骤2：采用基于多种边缘提取算子综合评定计算最优解建立水尺图像的边缘检测提取模型，并对水尺水位信息图进行边缘检测提取；

对于影像信息的自动提取技术来说，其中重要的步骤是逐步简化影像图所包含的信息量。而在基于水库监控摄像头的水位自动提取方法中，边缘检测实现了从冗杂图像对象到单一信息对象的转化，为之后的自动识别提供了关键的输入条件。边缘检测提取综合评价模型采用了微分算子，Robert算子及Laplacian算子进行提取，模型中使用综合评价最终生成边缘提取结果图像。

本实施例单独使用三种算子进行边缘检测：

（1）微分算子：考察图像的每个像素的某个邻域内灰度的变化，利用边缘邻近一阶或二阶方向导数变化规律，即

$\left|\mathrm{grad}\left(f(x,y)\right)\right|={[{\left(\frac{\∂f}{\∂x}\right)}^2+{\left(\frac{\∂f}{\∂y}\right)}^2]}^{\frac{1}{2}}---\left(3\right)$

式中，|grad(f(x,y))|为x，y处像元灰度变化的幅度；为灰度值在水平方向变化率；为灰度值在竖直方向变化率。

进一步简化计算，可以取:

$\text{|grad}\left(f(x,y)\right)|=\max \left(\right|{\▿}_{x}f|+|{\▿}_{y}f\left|\right)---\left(4\right)$

式中， ${\▿}_{x}f=f(x,y)-f(x+1,y),{\▿}_{y}f=f(x,y)-f(x,y+1);$

（2）Roberts算子是一种斜向偏差分的梯度计算方法，梯度的大小代表边缘的强度，梯度的方向与边缘走向垂直；

$g(x,y)={\{{[\sqrt{f(x,y)}-\sqrt{f(x+1,y+1)}]}^2+{[\sqrt{f(x+1,y)}-\sqrt{f(x,y+1)}]}^2\}}^{\frac{1}{2}}---\left(5\right)$

式中，(x,y)表示图像坐标；g(x,y)表示(x,y)点算子计算后的灰度值；f(x,y)表示计算前的灰度值；

（3）Laplacian算子是一种二阶导数算子，将在边缘处产生一个陡峭的零交叉。能对任何走向的界线和线条进行锐化，无方向性。弥补了前两种算子的不足。

${\▿}^{2}f(x,y)=\frac{{\∂}^{2}f(x,y)}{{\∂x}^2}+\frac{{\∂}^{2}f(x,y)}{\∂y^2}---\left(6\right)$

式中，(x,y)表示图像坐标；表示对x方向灰度值的二级偏导；表示对y方向灰度值的二级偏导；

（4）综合评价三种算子的边缘提取图并进行自动评价决策。评价指标以线性元素提取效果为比照。将图像按照像素矩阵大小平均分配为10*10个网格，分别对同一网格三种提取算子的结果进行对照。效果一致时即筛选通过，效果不一致时计算网格内图形形状指数，即周长面积比，选取指数最大值为筛选结果。

请见图3，为生成边缘提取结果图的效果图。

步骤3：将检测提取后的图像作为输入，进行像素聚类分析并去噪，据自适应影像优化处理并多元降噪后生成新的水平特征聚类图；

本实施例中聚类分析优化的基本思路是对边缘提取后的结果图进行进一步处理提炼信息像元，去除噪声像元，由于步骤2中生成的边缘提取结果图在包含了水尺水位信息的同时也富含了大量的噪声像元；主要实施过程如下：

（1）为待处理影像建立影像坐标系，以左上角第一个非空白像素作为原点；

（2）使用种子增长法对相连的非空白像素进行累计计算。即将第一个非空白像素置为种子点并标记，此后对该种子点相邻的八个像素进行检验，对符合非空白条件的像素进行标记，并置为新的种子；

（3）迭代运算直至所有相连非空白像素都已被标记，则完成一次聚类分析。统计数量并标记组号Ai，直至所有分组聚类完成；

（4）将所有组内像素数量进行统计并标记为Bi，带入置信度公式进行计算，即

$\mathrm{Bi}>(\stackrel{\‾}{X}-\frac{s}{\sqrt{n}}{t}_{\frac{\mathrm{\α}}{2}}(n-1))---\left(7\right)$

式中，表示Bi数组的平均值；S表示Bi数组标准差；n为样本容量；α取0.1；

（5）将满足条件的Bi数组对应的Ai组进行标记并赋予标记色，其他像素赋予空白色。可事先设定参考阈值，如果去除噪声后满足条件的数组数量大于阈值，则代入第（1）步，再次运算；

（6）满足阈值要求后，计算每个聚类象素组的图形形态指数，即周长面积比，由于水尺上的计数标记具有长且窄的特点，且相邻计数标记不重叠，因此对每一组满足周长面积比要求的聚类象素组进行标记。并在该象素组所在的起始点位置标记该组的横坐标，计为刻度，并在图像坐标系中进行标记。

通过聚类分析对边缘提取后的结果图进行了进一步的处理工作，并通过自适应的筛选方式去除了聚类分析后，聚合度较低，即相连像素数量较少的噪声数据。并通过图像形态学指数对水尺标记进行了分离和读取，标记入图像坐标系中，为水位线读取后的水位数值计算提供了输入。请见图4，为聚类分析及去噪后的水尺标记图的效果图。

步骤4：建立水位线段检测处理模型，并计算水平特征聚类图中的水位高度，输出水位解算图像及数值；其中水位线段检测处理模型是据水位影像特点及训练集训练资料，采用自适应影像线段提取方法获得的。

本步骤中通过建立水位线段的检测处理模型，计算出水位线所在图像坐标系中的位置，并结合上述步骤中获得的水尺标记坐标，计算出水位线以上的水尺标记个数，并代入图像中水尺起始点坐标，进行水位数据计算；主要实施过程如下：

（1）将水尺简化影像进行框架确定，确定水尺在该图像内的坐标范围，并依照框架的长边延长至图像边缘；

（2）将水尺所在框架覆盖在原始影像上，截取框架内的原始影像，将截取后的影像数据代入到水位像素训练集中，计算符合结果的像素。并将结果进行去噪处理。取满足形状指数阈值要求的结果作为水位所在位置结果；

（3）如果没有能够满足需求的结果，可以采用前后影像对比的方式，即截取相邻的2到4帧监控图像，并对像素RGB三通道值分别进行相减计算。根据经验，在极短时间内，只有水的波动可以在监控摄像中产生位移。因此对前后印象的灰度相减计算可以获得变化的象元，以此获得水位位置，并计算水位位置在图像坐标系中的位置；

（4）在获得水位位置在图像坐标系的坐标后，结合步骤3中获得的水尺标记坐标，进行相对位置计算，最终获得水位高度。

本发明的系统所采用的技术方案是：一种基于水库监控摄像头的水位自动提取系统，包括关键像素提取模块、边缘检测提取模块、聚类分析模块和水位线段检测处理模块；关键像素提取模块用于对水库摄像头的水尺图像进行水尺关键像素提取并二值化处理，生成水尺水位信息图；边缘检测提取模块用于建立水尺图像的边缘检测提取模型，并对水尺水位信息图进行边缘检测提取；聚类分析模块用于将检测提取后的图像作为输入，进行像素聚类分析并去噪，生成新的水平特征聚类图；水位线段检测处理模块用于建立水位线段检测处理模型，并计算水平特征聚类图中的水位高度，输出水位解算图像及数值。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种基于水库监控摄像头的水位自动提取方法，其特征在于，包括以下步骤：

步骤1：对水库摄像头的水尺图像进行水尺关键像素提取并二值化处理，生成水尺水位信息图；所述的关键像素提取的方法是基于海量水尺像素训练模型优化后的提取方法；

步骤2：建立水尺图像的边缘检测提取模型，并对所述的水尺水位信息图进行边缘检测提取；

所述的水尺图像边缘检测提取模型是基于多种边缘提取算子综合评定计算最优解建立的；

所述的边缘提取算子，包括三种算子；

其中微分算子为：

$\left|grad\left(f\right(x,y\left)\right)\right|={\[{\left(\frac{\∂f}{\∂x}\right)}^2+{\left(\frac{\∂f}{\∂y}\right)}^2\]}^{\frac{1}{2}}$

其中，|grad(f(x,y))|为x，y处像元灰度变化的幅度；为灰度值在水平方向变化率；为灰度值在竖直方向变化率；

用以检测斜向边缘特征的Robert算子为：

$g(x,y)={\{{\[\sqrt{f(x,y)}-\sqrt{f(x+1,y+1)}\]}^2+{\[\sqrt{f(x+1,y)}-\sqrt{f(x,y+1)}\]}^2\}}^{\frac{1}{2}}$

其中，(x,y)表示图像坐标；g(x,y)表示(x,y)点算子计算后的灰度值；f(x,y)表示计算前的灰度值；

Laplacian算子为：

${\▿}^{2}f(x,y)=\frac{{\∂}^{2}f(x,y)}{\∂x^2}+\frac{{\∂}^{2}f(x,y)}{\∂y^2}$

其中，(x,y)表示图像坐标；表示对x方向灰度值的二级偏导；表示对y方向灰度值的二级偏导；

步骤3：将检测提取后的图像作为输入，进行像素聚类分析并去噪，生成新的水平特征聚类图；

步骤4：建立水位线段检测处理模型，并计算所述的水平特征聚类图中的水位高度，输出水位解算图像及数值；所述的水位线段检测处理模型是据水位影像特点及训练集训练资料，采用自适应影像线段提取方法获得的。

2.根据权利要求1所述的基于水库监控摄像头的水位自动提取方法，其特征在于：步骤3中所述的水平特征聚类图是据自适应影像优化处理并多元降噪后获得的。

3.一种基于水库监控摄像头的水位自动提取系统，其特征在于：包括关键像素提取模块、边缘检测提取模块、聚类分析模块和水位线段检测处理模块；

所述的关键像素提取模块用于对水库摄像头的水尺图像进行水尺关键像素提取并二值化处理，生成水尺水位信息图；所述的关键像素提取的方法是基于海量水尺像素训练模型优化后的提取方法；

所述的边缘检测提取模块用于建立水尺图像的边缘检测提取模型，并对所述的水尺水位信息图进行边缘检测提取；所述的水尺图像边缘检测提取模型是基于多种边缘提取算子综合评定计算最优解建立的；所述的边缘提取算子，包括三种算子；

其中微分算子为：

$\left|grad\left(f\right(x,y\left)\right)\right|={\[{\left(\frac{\∂f}{\∂x}\right)}^2+{\left(\frac{\∂f}{\∂y}\right)}^2\]}^{\frac{1}{2}}$

其中，|grad(f(x,y))|为x，y处像元灰度变化的幅度；为灰度值在水平方向变化率；为灰度值在竖直方向变化率；

用以检测斜向边缘特征的Robert算子为：

$g(x,y)={\{{\[\sqrt{f(x,y)}-\sqrt{f(x+1,y+1)}\]}^2+{\[\sqrt{f(x+1,y)}-\sqrt{f(x,y+1)}\]}^2\}}^{\frac{1}{2}}$

其中，(x,y)表示图像坐标；g(x,y)表示(x,y)点算子计算后的灰度值；f(x,y)表示计算前的灰度值；

Laplacian算子为：

${\▿}^{2}f(x,y)=\frac{{\∂}^{2}f(x,y)}{\∂x^2}+\frac{{\∂}^{2}f(x,y)}{\∂y^2}$

其中，(x,y)表示图像坐标；表示对x方向灰度值的二级偏导；表示对y方向灰度值的二级偏导；

所述的聚类分析模块用于将检测提取后的图像作为输入，进行像素聚类分析并去噪，生成新的水平特征聚类图；

所述的水位线段检测处理模块用于建立水位线段检测处理模型，并计算所述的水平特征聚类图中的水位高度，输出水位解算图像及数值；所述的水位线段检测处理模型是据水位影像特点及训练集训练资料，采用自适应影像线段提取方法获得的。