CN105046703A - 一种图像解析大气能见度方法 - Google Patents

一种图像解析大气能见度方法 Download PDF

Info

Publication number
CN105046703A
CN105046703A CN201510406741.4A CN201510406741A CN105046703A CN 105046703 A CN105046703 A CN 105046703A CN 201510406741 A CN201510406741 A CN 201510406741A CN 105046703 A CN105046703 A CN 105046703A
Authority
CN
China
Prior art keywords
visibility
pane
interest
factors
image
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.)
Pending
Application number
CN201510406741.4A
Other languages
English (en)
Inventor
邱新法
朱晓晨
高佳琦
花毓幸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201510406741.4A priority Critical patent/CN105046703A/zh
Publication of CN105046703A publication Critical patent/CN105046703A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G01N2021/8578—Gaseous flow
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种图像解析大气能见度方法，对同一时间段的原始视频转成图像，每五分钟截取一张图片，图像转成灰度值图像，进而按像素分窗；计算四个因子，对每个窗格时间序列上的因子分别与观测能见度值做相关分析,求出相关系数，选取相关系数大于0.9的窗格做为兴趣区域，分别用3窗、4窗、5窗这三种窗格数对应的四个因子分别与能见度观测值建立多元线性模型计算出12个线性回归模型，再将四个因子分别代入12个线性回归模型中计算出模拟能见度的结果；选择最优因子与最优兴趣区域进行建模，通过模型得到大气能见度结果。本发明的有益效果是能通过监控探头或手机摄像头拍摄的视频或图像测算大气能见度。

Description

一种图像解析大气能见度方法
技术领域
本发明属于图像处理技术领域，涉及一种图像解析大气能见度方法。
背景技术
SteffensC[1]最早提出了一种利用照相法来测量能见度的思路，这种方法的独特之处在于它借助照相机拍摄黑色物体，再对比照片中目标物与背景物的相对亮度，从而推算得出能见度，由于这个过程中从拍照、冲洗照片、选定目标物与背景物的亮度对比，都是手工完成，所以该方法不仅繁琐、耗费时间，准确度也难以得到保证。随着计算机技术、数字摄影技术的迅速发展与广泛应用。ThomasLegal等人[2]于1994年，用数字化相机实时测量能见度的简单实验结果，但未对所获结果的可靠性及测量过程中所采用计算公式的适用条件做出严格说明,从能见度测量角的基本理论，阐明了数字摄影技术测量气象能见度的原理，并用该方法与已有的可靠方法对比试验检验该方法的可行性，但是在研究从取图到目标的定位和相对亮度计算全部自动化方面仍需努力。1999年，我国中国科学院院士周秀骥等人[3]提出数字摄影法测量气象能见度的构想，其原理是通过数字摄影设备摄取既定目标及背景图像，然后由计算机对获取的信息进行分析处理，但这种方法对目标物的要求较高，在能见度较差的情况下计算误差较大。此后，陶善昌等人[4]在此基础上，利用双亮度方差算法推算能见度。2009年，陈文兵等人[5]对图像边缘进行处理，利用图像边缘梯度、对比度、亮度等图像内部特征定量判定地面预设目标的可见性，从而获得能见度。同年，陈启美等人提出结合人眼模拟和曲线拟合的基于路况视频的能见度监测算法。该方法误差较小，具有良好的鲁棒性，监测精度高[6]。之后陈启美等人又提出一种无需人工标记的视频对比道路能见度检测算法，该方法通过比对分析车道分割线提取兴趣区域确保所选择的像素保持高度一致，将像素与其四邻的对比度进行对比，当取得最大值大于给定阈值时，认定该数值为人眼可分辨相熟，采用摄像机标定的方式来计算距离摄像设备最远的可视像素[7]。2011年，张潇等人[8]又对该方法进行改进，利用基于Nagao滤波的区域增长算法得到路面区域，提取反应路面亮度变化的对比度曲线，并分析曲线特征点，通过消光系数计算图像中人眼可分辨的最远像素，结合摄影设备标定来换算能见度。
上述方法中对于兴趣区域的选择为人工选择，并未对兴趣区域的优化给出合适的解决方案。在研究从取图到目标的定位和相对亮度计算全部自动化方面仍需努力。且存在对设备要求高、解算方法复杂、需要人工操作等问题。
发明内容
本发明的目的在于提供一种图像解析大气能见度方法，解决了现有的方法对于兴趣区域的选择为人工选择，并对兴趣区域的优化给出合适解决方案的问题。
本发明所采用的技术方案是：
步骤1：对同一时间段的原始视频转成图像，每五分钟截取一张图片，图像转成灰度值图像，进而按像素分窗，每个窗格中有13*13个像素；
步骤2：选择兴趣区域，计算每个窗格灰度值的平均值，σ均方差， 四个因子，其中最大平均值与最大均方差σmax采用能见度最佳的图像对应该值，对每个窗格时间序列上的因子分别与观测能见度值做相关分析,求出相关系数，选取相关系数大于0.9的窗格做为兴趣区域，如果相关性均小于0.9或大于0.9的窗格较多则选取相关系数前5个窗格做为兴趣窗格，分别用3窗、4窗、5窗这三种窗格数对应的四个因子分别与能见度观测值建立多元线性模型计算出12个线性回归模型，再将四个因子分别代入12个线性回归模型中计算出模拟能见度的结果；
步骤3：选择最优因子与最优兴趣区域；通过这12个线性回归模型计算能见度后，与观测值进行比较验证，计算模拟值与观测值的平均误差，选取误差最小的窗格数时对应窗格做为最优兴趣区域，选取误差最小的因子做为最优建模因子进行建模，通过模型得到大气能见度结果。
本发明的有益效果是通过监控探头或手机摄像头拍摄的视频或图像测算大气能见度。通过固定监控设备以及移动摄影设备的视频与图像测算能见度。并实现对于兴趣区域的选择自动化，简易化，精确化。
附图说明
图1为本发明一种图像解析大气能见度方法流程示意图；
图2是本发明解析效果示意图；
图3是实验中1至10km能见度水平的模拟(2014-7-15:45——2014-7-110:00)时间段示意图。
具体实施方式
下面结合附图对本发明进行说明。
本发明方法如图1所示，包括以下步骤：
步骤1：数据预处理；对同一时间段的原始视频转成图像，每五分钟截取一张图片；图像转成灰度值图像，进而按像素分窗，每个窗格中有13*13个像素，通过MATLAB程序实现；
步骤2：选择兴趣区域，计算每个窗格灰度值的(平均值)，σ(均方差)，即四个因子。其中最大平均值与最大均方差σmax采用能见度最佳的图像对应该值。对每个窗格时间序列上的因子分别与观测能见度值做相关分析,求出相关系数，选取相关系数大于0.9的窗格做为兴趣区域，如果相关性均小于0.9或大于0.9的窗格较多则选取相关系数前5个窗格做为兴趣窗格。分别用3、4、5三种窗格数(3窗与4窗均是采用相关系数较大的窗格)对应的四个因子分别与能见度观测值建立多元线性模型计算出12个线性回归模型(利用SPSS建立线性回归模型)，再将四个因子分别代入回归模型中计算出模拟能见度的结果。见表1。
表1.窗格数与因子组合建模
步骤3：选择最优因子与最优兴趣区域。依照步骤2，通过这12个线性回归模型计算能见度后，与观测值进行比较验证，计算模拟值与观测值的平均误差，选取误差最小的窗格数时对应窗格做为最优兴趣区域，选取误差最小的因子做为最优建模因子。则对应的模型则作为自主开发的模型测算方法。得到大气能见度结果。
本发明可以通过图像在不同能见度水平下反应的内部特征测算实际能见度。现有情况下能见度观测仪数量有限，覆盖区域较小，不能满足大众需要，且对于受局部地区微气候环境影响产生的团雾无法做出有效观测。而本发明的数据源保证了观测点可以很广泛，覆盖密度较大，可以有效地观测出团雾现象。该发明可以通过数字摄影产品实时推算能见度，在交通行业的作用尤为突出。(如高速公路，可以由高速公路的监控设备测算整条道路的能见度，为出行安全给出提示，减少因能见度不良导致的交通事故发生的频率)。图2是本发明解析示意图，左边图是右边图采用本发明方法进行解析后的效果图。
对本发明进行仿真与验证：
1至10km能见度水平的模拟(2014-7-15:45——2014-7-110:00)
图3中，将该时间段内所有图像分为2376个窗格，每个窗格像素灰度值的均方差与能见度观测值做相关性分析，选出相关系数大于0.9的窗格做为兴趣区域。被标记为橙色的点即为使用均方差做为因子时选择出的兴趣区域(窗格)。在这次能见度变化过程中，利用均方差做为因子，图1中的兴趣点,建立多元线性回归模型，模拟出实验结果。结果比对见表2。模拟结果的平均误差约0.79km，模拟结果良好。
表2(1-10km)结果与验证单位：千米
7.21km以内能见度水平模拟(2014-11-236:40——2014-11-237:50)
采用上述方法，对低于1km能见度进行模拟计算。模拟过程采用均值作为因子时模拟结果最优。选取该时间段上所有的窗格的均值与观测值相关系数最大的前三个窗格做为兴趣点，进而建立线性回归方程，对能见度进行模拟，平均误差约为28.27米，结果良好。模拟结果见表3。
表3(1km以内)结果与验证单位：米
以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
参考文献：
[1]SteffensC.Measurementofvisibilitybyphotographicphotometry.IndustrialEngi-neeringChemistry,1949,41:2396～2399.
[2]ThomasLegal,LouisLegal,WaldemarLehn.MeasuringVisibiltyUsingDigitalRemoteVideoCameras.AmericanMeteorologicalSociety,9thsymponmetobserv&instr,1994.87～89.
[3]谢兴盛，陶尚昌，周秀骥，等.数字摄影法测量气象能见度[J]科学通报，1994(4):13-16.
[4]谢兴生，陶善昌，周秀骥.数字摄像法测量气象能见度[J].科学通报，1999(3):97-100..
[5]陈文兵、张小磊.基于图像边缘的能见度算法[J].微型电脑应用，2009,35(16)：13-16.
[6]李佳，葛嘉琦，陈启美，路况视频能见度检测算法[J].计算机工程，2009，36(16):175-177.
[7]李勃，董蓉。陈启美.无需人工标记的视频对比度道路能见度检测[J].计算机辅助设计与图形学报，2009(11)：1575-1582.
[8]张潇，李勃，陈启美，基于亮度特征的PTZ视频能见度检测算法及实现[J],仪器仪表学报，2011,32(2)：381-387。

Claims (1)

1.一种图像解析大气能见度方法，其特征在于按照以下步骤进行：
步骤1：对同一时间段的原始视频转成图像，每五分钟截取一张图片，图像转成灰度值图像，进而按像素分窗，每个窗格中有13*13个像素；
步骤2：选择兴趣区域，计算每个窗格灰度值的平均值，σ均方差， 四个因子，其中最大平均值与最大均方差σmax采用能见度最佳的图像对应该值，对每个窗格时间序列上的因子分别与观测能见度值做相关分析,求出相关系数，选取相关系数大于0.9的窗格做为兴趣区域，如果相关性均小于0.9或大于0.9的窗格较多则选取相关系数前5个窗格做为兴趣窗格，分别用3窗、4窗、5窗这三种窗格数对应的四个因子分别与能见度观测值建立多元线性模型计算出12个线性回归模型，再将四个因子分别代入12个线性回归模型中计算出模拟能见度的结果；
步骤3：选择最优因子与最优兴趣区域；通过这12个线性回归模型计算能见度后，与观测值进行比较验证，计算模拟值与观测值的平均误差，选取误差最小的窗格数时对应窗格做为最优兴趣区域，选取误差最小的因子做为最优建模因子进行建模，通过模型得到大气能见度结果。
CN201510406741.4A 2015-07-10 2015-07-10 一种图像解析大气能见度方法 Pending CN105046703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510406741.4A CN105046703A (zh) 2015-07-10 2015-07-10 一种图像解析大气能见度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510406741.4A CN105046703A (zh) 2015-07-10 2015-07-10 一种图像解析大气能见度方法

Publications (1)

Publication Number Publication Date
CN105046703A true CN105046703A (zh) 2015-11-11

Family

ID=54453221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510406741.4A Pending CN105046703A (zh) 2015-07-10 2015-07-10 一种图像解析大气能见度方法

Country Status (1)

Country Link
CN (1) CN105046703A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741322A (zh) * 2019-01-08 2019-05-10 南京蓝绿物联科技有限公司 一种基于机器学习的能见度测量方法
CN109903243A (zh) * 2019-02-20 2019-06-18 云南农业大学 一种基于Logistics模型表征多相搅拌混合效果的方法
CN109979243A (zh) * 2018-09-30 2019-07-05 大连永航科技有限公司 基于能见度信息的船舶进港优化调度系统

Citations (3)

* Cited by examiner, † Cited by third party
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
CN102509102A (zh) * 2011-09-28 2012-06-20 郝红卫 基于图像学习的能见度测量方法
CN104157009A (zh) * 2014-08-21 2014-11-19 铁道第三勘察设计院集团有限公司 一种多源遥感影像质量定量比选方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
CN102509102A (zh) * 2011-09-28 2012-06-20 郝红卫 基于图像学习的能见度测量方法
CN104157009A (zh) * 2014-08-21 2014-11-19 铁道第三勘察设计院集团有限公司 一种多源遥感影像质量定量比选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
THOMAS LEGAL ET AL: "Measuring Visibilty Using Digital Remote Video Cameras", 《AMERICAN METEOROLOGICAL SOCIETY》 *
许茜 等: "基于图像理解的能见度测量方", 《模式识别与人工智能》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109979243A (zh) * 2018-09-30 2019-07-05 大连永航科技有限公司 基于能见度信息的船舶进港优化调度系统
CN109741322A (zh) * 2019-01-08 2019-05-10 南京蓝绿物联科技有限公司 一种基于机器学习的能见度测量方法
CN109903243A (zh) * 2019-02-20 2019-06-18 云南农业大学 一种基于Logistics模型表征多相搅拌混合效果的方法

Similar Documents

Publication Publication Date Title
US10636149B2 (en) Devices for refractive field visualization
CN105045950B (zh) 一种基于三维激光扫描的桥梁安全评估系统
Han et al. Monitoring tunnel deformations by means of multi-epoch dispersed 3D LiDAR point clouds: An improved approach
CN107677372B (zh) 一种基于双目视觉的隧道检测方法
Martini et al. A computer vision-based method for bridge model updating using displacement influence lines
CN103954542A (zh) 基于无参考图像清晰度评价的pm2.5浓度检测仪
CN108875794A (zh) 一种基于迁移学习的图像能见度检测方法
CN105261018A (zh) 基于光学模型和暗原色先验理论的能见度检测方法
CN106709903B (zh) 基于图像质量的pm2.5浓度预测方法
Zhu et al. An accurate approach for obtaining spatiotemporal information of vehicle loads on bridges based on 3D bounding box reconstruction with computer vision
Ge et al. A low-cost approach for the estimation of rock joint roughness using photogrammetry
Luo et al. Modeling and detection of heat haze in computer vision based displacement measurement
CN105046703A (zh) 一种图像解析大气能见度方法
Cauteruccio et al. Wind tunnel validation of a particle tracking model to evaluate the wind‐induced bias of precipitation measurements
Zhu et al. A robust structural vibration recognition system based on computer vision
CN117953445B (zh) 基于交通监控相机雨天道路能见度测定方法、系统及介质
CN105701578A (zh) 一种基于电子鼻和红外摄像仪烟羽前端扩散路径预测方法
Han et al. Structural modal identification using a portable laser-and-camera measurement system
Motayyeb et al. Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades
Li et al. Physics-based stitching of multi-FOV PIV measurements for urban wind fields
Lin et al. A novel approach for pavement distress detection and quantification using RGB-D camera and deep learning algorithm
Mataei et al. Automatic pavement texture measurement using a new 3D image-based profiling system
CN109272484A (zh) 一种基于视频图像的降雨检测方法
CN105869413A (zh) 基于摄像头视频检测车流量和车速的方法
Liu et al. A binocular reconstruction method fused with Laplacian image information for pavement texture evaluation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20151111

WD01 Invention patent application deemed withdrawn after publication