CN108009556B - 一种基于定点图像分析的河道漂浮物检测方法 - Google Patents
一种基于定点图像分析的河道漂浮物检测方法 Download PDFInfo
- Publication number
- CN108009556B CN108009556B CN201711412294.9A CN201711412294A CN108009556B CN 108009556 B CN108009556 B CN 108009556B CN 201711412294 A CN201711412294 A CN 201711412294A CN 108009556 B CN108009556 B CN 108009556B
- Authority
- CN
- China
- Prior art keywords
- image
- river
- value
- point
- water body
- 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
Images
Classifications
-
- 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]
-
- 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
- G06T7/13—Edge 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
Abstract
本发明公开了一种基于定点图像分析的河道漂浮物检测的方法。该方法包括河道背景建模、图像配准、河道水体部分提取和异常检测四个步骤。背景建模环节利用一种背景建模算法对河道的定点图像序列做理想背景图像的提取;图像配准环节基于图像特征点提取算法的结果进行感知图像与理想图像的配准;河道水体部分提取环节基于色调、饱和度和亮度(HSI)空间的亮度特征(I值)和河岸连续性判断准则对图像中的河道水体部分进行提取;异常检测环节设计了一种基于邻域块间灰度梯度(GoNP)的异常检测算法进行漂浮物检测。本发明可以实现从河道图像中自动检测出漂浮污染物,减少人工目测因环境或人为因素导致的误判,降低人力劳动成本。
Description
技术领域
本发明涉及水质安全监测领域,涉及一种利用可见光范围内的数字图像处理技术进行河道水表漂浮物检测的方法,尤其是涉及一种基于定点图像分析的河道漂浮物检测方法。
背景技术
水是生命之源。近年来,随着经济社会的快速发展,工业化、城镇化建设的加速,水体污染问题与水质安全状况都愈发引起关注。
但据调查发现,因为人员巡查不可避免地受到河道距离长、巡查耗费的时间长、视觉盲区等问题影响,导致河道漂浮物无法及时检出,甚至漏检。
发明内容
本发明的内容在于针对目前人工巡河耗时长、路途远、存在视觉盲区等成本高但效率低的一系列问题,提出了利用定点图像分析检测河道水表漂浮物的方法。
一种基于定点图像分析的河道漂浮物检测方法,包括以下步骤:
S1.河道背景建模:采集定点图像,得到定点图像序列,利用背景建模算法,对河道的定点图像序列做理想背景图像的提取工作;
S2.图像配准:实时采集定点图像即感知图像,提取图像特征,获取感知图像和理想背景图像之间对应的特征点,基于特征点求出两幅图像的变换关系,利用此变换关系实现感知图像与理想背景图像之间的配准;
S3.进一步针对配准后的图像分别提取感知图像和理想背景图像的河道水体部分:基于色调(Hue)、饱和度(Saturation)和亮度(Intensity)的HSI空间的亮度(I值)统计特征和河岸连续性判断准则识别和提取配准后的图像中的河道水体部分;
S4.河道水体部分异常检测:利用基于邻域块间灰度梯度(Gray-gradient ofNeighboring Patch)的异常检测算法对河道水体部分进行漂浮物检测,具体如下:将感知图像分成若干个矩形块,每个矩形块再等分成个多个小块,利用中心小块与邻域小块之间灰度关系构造出每个矩形块的灰度特征描述子,将感知图像每个矩形块的灰度特征描述子与理想背景图像的相应描述子进行比较,若差异超过阈值则视为存在异常漂浮物。
所述S3步骤中的I值统计特征具体含义如下:每获取到一幅感知图像,读取该图像中每个像素点的I值,然后统计每个I值出现的次数,分析得到I值的众数。以众数的I值大小为中心,按一定条件或经验构造一个邻域,即I值的取值范围。将该I值的取值范围作为本图像中河道水体部分像素点的I值大小的范围,将本图像中所有I值属于该范围的像素点视为河道水体部分的像素点。
所述S3步骤中河岸连续性判断准则:根据实际情况下河岸线必然连续的特点,认为河道图像中河道边缘像素点在坐标上变化连续,将图像的像素矩阵中每一行可能的河道边缘点分别与上一行进行差值比较,差值最小的确定为河道边缘点。
本发明的有益效果:本发明提出一种基于定点图像的河道漂浮物检测方法,利用定点拍摄获得的河道图像序列自动检测出河道水表的漂浮物。该方法能取代繁琐、重复的人力劳动,为河长巡河工作提供便利,有效降低劳动成本,提高工作效率。
附图说明
图1为本发明方法的整体流程示意图;
图2为河岸连续性准则实现的程序框图;
图3为GoNP算法的图像分块示意图;
图4为GoNP算法的程序流程图;
图5为浙大玉泉校区护校河某段的理想图像;
图6为浙大玉泉校区护校河某段某时刻的感知图像;
图7为将图5与图6经S2步骤配准后的图像;
图8为浙大玉泉校区感知图像的I值统计特征;
图9为本发明方法在浙大玉泉校区护校河某段对应图6时刻的检测结果。
具体实施方式
下面结合实施例和附图对本发明做进一步的阐述。该发明适用于河道水表漂浮污染物的检测。
一种基于定点图像分析的河道漂浮物检测方法,如图1所示,包括以下步骤:
S1.河道背景建模:一般可采用无人机航拍或者定点摄像头进行定点图像采集,得到没有漂浮物的定点图像序列。利用现有的背景建模算法对河道的定点图像序列做理想背景图像的提取工作。在不同效果条件要求下,可采用高斯混合模型、视觉背景提取子等不同的背景建模算法,本发明以视觉背景提取子(Visual Background extractor,ViBe)算法为例,本领域技术人员根据需要可以采用其它算法。
S2.图像配准:实时采集定点图像即感知图像(可能有漂浮物),提取图像特征,获取感知图像和理想背景图像之间对应的特征点。基于这些特征点求出两幅图像的变换关系,利用此关系实现感知图像与理想图像之间的配准,从而克服机器误差、人为因素等造成的定点图像间的偏差。此步骤中可以采用不同提取图像特征的算法,如Harris算子、SURF算法、SIFT算法等。本发明内容说明中以尺度不变特征变换(Scale Invariant FeatureTransform,SIFT)算法为例。
S3.河道水体部分提取:河道水体部分提取环节基于色调(Hue)、饱和度(Saturation)和亮度(Intensity)的HSI空间的亮度(I值)统计特征和河岸连续性判断准则对图像中的河道水体部分进行识别和提取;
S4.异常检测:设计了一种基于邻域块间灰度梯度(Gray-gradient ofNeighboring Patch)的异常检测算法进行漂浮物检测。
在上述基于定点图像分析的河道漂浮物检测方法的S1步骤中,采用不同时间定点拍摄得到的一系列定点图像作为ViBe算法的输入,经过ViBe算法运算后能够够将图像序列中的前景消去、保留背景部分。将得到的背景图像视作河道该点处的理想图像。
在上述基于定点图像分析的河道漂浮物检测方法的S2步骤中,利用SIFT算法完成图像的特征点匹配、仿射变换后,编程实现两幅图像相同部分的提取,从而得到配准后的感知图像。
在上述基于定点图像分析的河道漂浮物检测方法的S3步骤中,在限定条件下拍摄得的河道图像,河道水体部分占据了图像的大部分内容,一般位于图像的中部。在HSI空间中选择I(亮度)值作为水体的特征依据对水体进行识别和提取。对于一幅图像的I值分布,水体部分的I值范围明显区别于非水体部分的I值范围,且像素点数量最多。对于某河道图像I值的众数C,以众数为中心,取其一定范围的邻域作为河道水体部分的I值的范围区间,表示为:
(C-ΔCdown,C+ΔCup) (1)
其中,C-ΔCdown为区间下限,C+ΔCup为区间上限,ΔCdown,ΔCup均为非负数,可根据河道图像情况人为调整。提取I值属于(1)值所示区间的点。将其HSI三通道的像素值均置为255,即表现为白色;I值不属于(1)所示区间的像素点,则将其HSI三通道像素值均置为0,表现为黑色。根据人为设定的I值区间对图像进行提取操作后,水体部分几乎都被识别出来,并置为白色。对于小范围的、零散分散的误判部分,利用数学形态学方法对结果进行改善。经过数学形态学处理后,数量较少、零散分布的非水体像素点得以屏蔽,河道区域的提取更加准确。
在上述基于定点图像分析的河道漂浮物检测方法S3步骤中,本发明设计了一种基于河岸连续性的判断准则,进一步保证河道水体部分提取的准确性。原理如下:
对于形态学处理后、以矩阵形式存储在工作空间中的目标图像,先对每行由左到右遍历每一个像素点(i,j),其中i,j分别为行索引和列索引。记位于(i,j)处的像素点的值为value(i,j),设计下式初步判断准则:
value(i,j)=0∧value(i,j+1)=255 (2)
若(2)式成立,则认为当前点(i,j)是一个可能的河道边缘点。即从左到右,若一个像点介于由黑到白的位置,则视作是一个可能的河道边缘的像素点。
同理,再对每行从右到左进行遍历,有:
value(i,j)=255∧value(i,j+1)=0 (3)
若(3)式成立,则认为该点是一个可能的河道边缘的像素点。
基于河岸连续性准则,将所有满足式(2)、(3)的点都记为潜在的河道边缘点,将当前行的所有可能点与上一行确定的河道边缘点进行列方向的距离比较,选取距离最小的可能点定为当前行的河岸边缘点。
在数学形态学运算的结构元素设计得当的情况下,一般每行单方向上的河道边缘可能点不超过2个。当每行单方向出现两个可能点时:
|j1-j0|>|j2-j0| (4)
式中j1和j2为当前行的两个可能点的列索引,j0为上一行确定的同一边的河道边缘点的列索引。若它们满足式(4)所示关系,则定j2为当前行该方向的河道边缘点。若出现某行单方向出现大于两个可能点的少数情况,为避免算法不必要的复杂化,直接将上一行确定的河道边缘点的j坐标作为该行的河道边缘点的j坐标,即此处河道边缘表现为平行于i轴的一条直线。这样的做法虽然会扩大感兴趣区域的范围,但尽可能少地避免了对河道部分的遗漏。若检测到遍历开始时的点即为可能点,则无需再用河岸连续性准则进行判断和提取,直接将图像边缘定位河道边缘。河岸连续性准则的程序实现框图如图2所示。
在上述基于定点图像分析的河道漂浮物检测方法的S4步骤中,本发明设计了一种基于邻域块间灰度梯度(Gray-gradient of Neighboring Patch)的异常检测算法,对两幅图像进行差分比较,从而检测水表的漂浮物。其原理如图3所示,将图像分成m×n个矩形块,按行列编号,记为B1,1,B1,2,……,Bm×n。每个矩形块再等分成3×3个小块,位于中间的小块称为中心块。如B2,2中所示。从左上角开始顺时针对中心块8个邻域块进行编号。
先计算中心块和每个邻域块的灰度值和,分别记为:SoG0和SoG1,SoG2,……,SoG8。计算中心块与之8个邻域块的灰度值梯度g1,g2,……g8,如式(5)所示:
用所得的8个值构成一个1×8的向量,称之为邻域灰度梯度描述子,记为F。即:
F=[g1,g2,g3,g4,g5,g6,g7,g8] (6)
故对于每一个矩形块B1,1,B1,2,…,Bm×n,都有一个邻域灰度梯度描述子,它表征该矩形块内的灰度信息,对于位于一幅感知图像中的不同位置的矩形块,几乎不可能具有完全相同的描述子,故如是设计的灰度梯度描述子可以在一定程度上作为每个矩形块的特征描述工具。
针对配准后的参考图像和感知图像,对二者进行同样方式的分块,然后按对应位置比较每个矩形块的灰度梯度描述子。通过描述子的接近程度来判断感知图像的该矩形块范围内是否存在异常。在此处相关系数R用以描述两个矩阵的相似程度,设两个矩阵分别为A、B,则:
设定相关性系数阈值RT。若R满足:
R<RT (8)
则认为当前两个矩形块存在差异,即认为感知图像的该矩形块范围内存在污染物,并将该矩形块在感知图像中以红框标出。该算法中存在两组可调整的参数:m,n和RT。m,n决定了原图像被分成多少个块,RT决定了异常报警的灵敏度,它们之间存在耦合关系,均会影响到检测结果的精度。
本发明设计的GoNP算法可在Matlab或其他平台上编程实现,其程序框图如图4所示。
实施例
以浙大玉泉校区护校河为例,运用本发明所述的基于定点图像分析的河道漂浮物检测方法。
1)使用无人机的一段定点航拍的时长为5s、共175帧的视频作为ViBe算法的输入,建立背景模型。其得到理想背景图像如附图5所示,而某时刻具有漂浮物的感知图像如附图6所示。
2)将图5和图6作为SIFT算法的输入,寻找图5和图6的图像尺度空间中的特征点并进行匹配,根据匹配结果计算图像之间的仿射矩阵,从而对两图进行配准。
上述两个步骤可采用现有的技术(ViBe算法和SIFT算法)实现,ViBe算法和SIFT算法对本领域技术人员来说是直接的容易实现的,故不作赘述。
得到配准后的图像如附图7所示。
3)使用本发明的S3步骤中的方法,得到感知图像的I值统计特征如图8所示:I值的众数在(0.5,0.6)区间内。根据式(1)所述思想取一个I值范围区间作为水体部分的I值区间进行水体部分即感兴趣区域的识别的提取,本例中此处该区间取为(0.5,0.6)。
4)使用本发明的S4步骤的GoNP算法进行漂浮物检测。首先将理想图像和感知图像都分成10×10的矩形块,再将每个矩形块等分成3×3个小块。先计算中心块和每个邻域块的灰度值和,分别记为:SoG0和SoG1,SoG2,……,SoG8。计算中心块与之8个邻域块的灰度值梯度g1,g2,……g8,如式(5)所示。用所得的8个值构成一个1×8的向量,称之为邻域灰度梯度描述子,记为F,F形式如式(6)。将理想图像和感知图像每一个矩形块B1,1,B1,2,…,Bm×n的邻域灰度梯度描述子进行相应的比较,根据经验值设置该处河道图像的相关系数R的阈值RT为0.7,凡是比较结果低于0.7的两个块,认为感知图像的该块内存在漂浮物,用方框标出。最终检测结果如图9所示,成功地找到了异常漂浮物。
Claims (1)
1.一种基于定点图像分析的河道漂浮物检测方法,其特征在于,包括以下步骤:
S1. 河道背景建模:采集定点图像,得到定点图像序列,利用背景建模算法,对河道的定点图像序列做理想背景图像的提取工作;
S2.图像配准:实时采集定点图像即感知图像,提取图像特征,获取感知图像和理想背景图像之间对应的特征点,基于特征点求出两幅图像的变换关系,利用此变换关系实现感知图像与理想背景图像之间的配准;
S3.进一步针对配准后的图像分别提取感知图像和理想背景图像的河道水体部分:基于色调(Hue)、饱和度(Saturation)和亮度(Intensity)的HSI空间的亮度I值统计特征和河岸连续性判断准则识别和提取配准后的图像中的河道水体部分;
S4. 河道水体部分异常检测:利用基于邻域块间灰度梯度(Gray-gradient ofNeighboring Patch)的异常检测算法对河道水体部分进行漂浮物检测,具体如下:将感知图像分成若干个矩形块,每个矩形块再等分成个多个小块,利用中心小块与邻域小块之间灰度关系构造出每个矩形块的灰度特征描述子,将感知图像每个矩形块的灰度特征描述子与理想背景图像的相应描述子进行比较,若差异超过阈值则视为存在异常漂浮物;
所述S3步骤中的I值统计特征具体含义如下:每获取到一幅感知图像,读取该图像中每个像素点的I值,然后统计每个I值出现的次数,分析得到I值的众数;
以众数的I值大小为中心,按一定条件或经验构造一个邻域,即I值的取值范围;
将该I值的取值范围作为本图像中河道水体部分像素点的I值大小的范围,将本图像中所有I值属于该范围的像素点视为河道水体部分的像素点;
所述河岸连续性判断准则:根据实际情况下河岸线必然连续的特点,认为河道图像中河道边缘像素点在坐标上变化连续,将图像的像素矩阵中每一行可能的河道边缘点分别与上一行进行差值比较,差值最小的确定为河道边缘点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711412294.9A CN108009556B (zh) | 2017-12-23 | 2017-12-23 | 一种基于定点图像分析的河道漂浮物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711412294.9A CN108009556B (zh) | 2017-12-23 | 2017-12-23 | 一种基于定点图像分析的河道漂浮物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009556A CN108009556A (zh) | 2018-05-08 |
CN108009556B true CN108009556B (zh) | 2021-08-24 |
Family
ID=62060932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711412294.9A Active CN108009556B (zh) | 2017-12-23 | 2017-12-23 | 一种基于定点图像分析的河道漂浮物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009556B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145820B (zh) * | 2018-08-22 | 2021-11-12 | 四创科技有限公司 | 一种基于视频动态图像的河道位置标注方法 |
CN109242861A (zh) * | 2018-08-23 | 2019-01-18 | 成都信息工程大学 | 一种基于图像处理的水质监控方法 |
CN110751643A (zh) * | 2019-10-21 | 2020-02-04 | 睿视智觉(厦门)科技有限公司 | 一种水质异常检测方法、装置及设备 |
CN113095224A (zh) * | 2021-04-13 | 2021-07-09 | 山东瑞智飞控科技有限公司 | 一种无人机巡查河道漂浮物的识别方法和装置 |
CN115046966B (zh) * | 2022-08-16 | 2022-11-04 | 山东国慈新型材料科技有限公司 | 一种环境污水可循环利用程度检测方法 |
CN116503767B (zh) * | 2023-06-02 | 2023-09-22 | 合肥众安睿博智能科技有限公司 | 基于语义式图像处理的河道漂浮物识别系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
CN101976429A (zh) * | 2010-10-27 | 2011-02-16 | 南京大学 | 基于游弋图像的水面鸟瞰图成像方法 |
CN102051871A (zh) * | 2010-10-21 | 2011-05-11 | 东华大学 | 一种嵌入式河道漂浮污染物视觉检测装置 |
CN103761526A (zh) * | 2014-01-26 | 2014-04-30 | 北京理工大学 | 一种基于特征位置优选整合的城区检测方法 |
CA2905810A1 (en) * | 2013-03-13 | 2014-10-09 | Conocophillips Company | Method for tracking and forecasting marine ice bodies |
CN106650600A (zh) * | 2016-10-17 | 2017-05-10 | 东南大学 | 一种基于视频图像分析的森林烟火检测方法 |
CN106709870A (zh) * | 2017-01-11 | 2017-05-24 | 辽宁工程技术大学 | 一种近景影像直线段匹配方法 |
CN106780598A (zh) * | 2016-12-05 | 2017-05-31 | 歌尔科技有限公司 | 一种基于无人机的水面漂浮物检测方法和无人机 |
CN107507145A (zh) * | 2017-08-25 | 2017-12-22 | 上海海洋大学 | 一种基于不同颜色空间自适应直方图拉伸的水下图像增强方法 |
-
2017
- 2017-12-23 CN CN201711412294.9A patent/CN108009556B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
CN102051871A (zh) * | 2010-10-21 | 2011-05-11 | 东华大学 | 一种嵌入式河道漂浮污染物视觉检测装置 |
CN101976429A (zh) * | 2010-10-27 | 2011-02-16 | 南京大学 | 基于游弋图像的水面鸟瞰图成像方法 |
CA2905810A1 (en) * | 2013-03-13 | 2014-10-09 | Conocophillips Company | Method for tracking and forecasting marine ice bodies |
CN103761526A (zh) * | 2014-01-26 | 2014-04-30 | 北京理工大学 | 一种基于特征位置优选整合的城区检测方法 |
CN106650600A (zh) * | 2016-10-17 | 2017-05-10 | 东南大学 | 一种基于视频图像分析的森林烟火检测方法 |
CN106780598A (zh) * | 2016-12-05 | 2017-05-31 | 歌尔科技有限公司 | 一种基于无人机的水面漂浮物检测方法和无人机 |
CN106709870A (zh) * | 2017-01-11 | 2017-05-24 | 辽宁工程技术大学 | 一种近景影像直线段匹配方法 |
CN107507145A (zh) * | 2017-08-25 | 2017-12-22 | 上海海洋大学 | 一种基于不同颜色空间自适应直方图拉伸的水下图像增强方法 |
Non-Patent Citations (4)
Title |
---|
Adding a rigid motion model to foreground detection: application to moving object detection in rivers;Imtiaz Ali等;《Pattern Analysis & Applications》;20130731;第17卷(第3期);第567-585页 * |
Evolutionary Feature Detection for Monitoring Floating Contaminants in Waterways;Anup Kale1 and Zenon Chaczko;《Computational Intelligence and Efficiency in Engineering Systems》;20150311;第595卷;第1-15页 * |
基于机器视觉的水面漂浮物自动监测的研究;胡蓉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715(第7期);第I138-606页 * |
水面漂浮物智能监控技术;左建军和吴有富;《软件导刊》;20130420;第12卷(第4期);第150-152页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108009556A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009556B (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
US11836976B2 (en) | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device | |
CN108759973B (zh) | 一种水位测量方法 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN111292321B (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
CN109086687A (zh) | 基于pca降维的hog-mblbp融合特征的交通标志识别方法 | |
CN102426649A (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN102226907A (zh) | 基于多特征的车牌定位方法及装置 | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
CN107240112B (zh) | 一种复杂场景下个体x角点提取方法 | |
CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
Abbas et al. | Automated pavement distress detection using image processing techniques | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
Musicco et al. | Automatic point cloud segmentation for the detection of alterations on historical buildings through an unsupervised and clustering-based Machine Learning approach | |
CN103743750A (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
CN112085699A (zh) | 一种基于二维图像的路面裂缝提取方法 | |
CN108765426A (zh) | 自动图像分割方法及装置 | |
CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
CN106886609B (zh) | 街区式农村居民地遥感快速标注方法 | |
Cetin et al. | Building detection in satellite images by textural features and Adaboost | |
CN112215126A (zh) | 一种基于非下采样Contourlet变换的直线目标检测方法及系统 | |
CN107066985B (zh) | 一种基于快速霍夫变换的路口斑马线检测方法 |
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 |