CN110909640A - 水位线的确定方法及装置、存储介质、电子装置 - Google Patents
水位线的确定方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN110909640A CN110909640A CN201911097029.5A CN201911097029A CN110909640A CN 110909640 A CN110909640 A CN 110909640A CN 201911097029 A CN201911097029 A CN 201911097029A CN 110909640 A CN110909640 A CN 110909640A
- Authority
- CN
- China
- Prior art keywords
- image
- determining
- identification information
- water level
- original 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
Links
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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本发明提供了一种水位线的确定方法及装置、存储介质、电子装置,该方法包括:从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,目标设备用于测量预定区域的水位;基于分割图像中的各个像素点在原始图像中的坐标在原始图像中确定出与分割图像对应的感兴趣区域ROI图像;识别出ROI图像中的标识信息;基于标识信息确定出预定区域的水位线。通过本发明,解决了相关技术中水位测量的问题,达到准确测量水位线的效果。
Description
技术领域
本发明涉及图像领域,具体而言,涉及一种水位线的确定方法及装置、存储介质、电子装置。
背景技术
传统的水位监测方法,主要是在水中设置一个具有一定刻度的标杆,通过使用摄像机对水面进行拍摄获得水面与标杆图像,由人眼对拍摄得到的图像进行观察,根据标杆上的刻度得出当前水位值,该传统方法人力成本高且无法做到实时监控。而其他水位监测方法大多采用本身准确度依赖对识别结果影响极大的参照物,如摄像头水平距离以及高度,导致不能准确对水位进行监测。同时,现在方法没有考虑解决夜晚场景光线条件差、倒影、污损水尺对水位的影响,进一步造成了监测方法适应性不强的问题。
针对上述技术问题,相关技术中尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种水位线的确定方法及装置、存储介质、电子装置,以至少解决相关技术中水位测量的问题。
根据本发明的一个实施例,提供了一种水位线的确定方法,包括:从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,上述目标设备用于测量预定区域的水位;基于上述分割图像中的各个像素点在上述原始图像中的坐标在上述原始图像中确定出与上述分割图像对应的感兴趣区域ROI图像;识别出上述ROI图像中的标识信息;基于上述标识信息确定出上述预定区域的水位线。
根据本发明的另一个实施例,提供了一种水位线的确定装置,包括:第一确定模块,用于从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,上述目标设备用于测量预定区域的水位;第二确定模块,用于基于上述分割图像中的各个像素点在上述原始图像中的坐标在上述原始图像中确定出与上述分割图像对应的感兴趣区域ROI图像;识别模块,用于识别出上述ROI图像中的标识信息;第三确定模块,用于基于上述标识信息确定出上述预定区域的水位线。
可选地,上述第一确定模块,包括:第一确定单元,用于对上述原始图像进行灰度化处理,得到灰度图;第二确定单元,用于遍历上述灰度图,以得到上述灰度图中的像素点的像素值;第三确定单元,用于将上述灰度图中像素值大于预设阈值的像素点确定为目标像素点;第四确定单元,用于对上述目标像素点进行组成以得到上述分割图像。
可选地,上述第二确定模块,包括:第五确定单元,用于确定上述分割图像对应至上述原始图像中的坐标;第六确定单元,用于从上述原始图像中截取与上述坐标对应的图像,得到上述ROI图像。
可选地,上述识别模块,包括:第七确定单元,用于将上述ROI图像输入至卷积神经网络模型中,得到上述卷积神经网络模型输出的上述ROI图像中的标识信息。
可选地,上述第三确定模块,包括:第八确定单元,用于从上述标识信息中确定出上述预定区域的水平直线;第九确定单元,用于基于上述水平直线确定出上述预定区域的水位线。
可选地,上述第八确定单元,包括:第一确定子单元,用于对上述ROI图像进行二值化处理,得到二值图;提取子模块,用于从上述二值图中提取出上述水平直线,其中,上述水平直线用于表示上述目标设备与上述目标设备在上述预定区域中的倒影之间的分割线。
可选地,上述第九确定单元,包括:第二确定子单元,用于将上述水平直线的标识信息与下相邻的标识信息进行比较,得到比较结果;记录子单元,用于在上述水平直线的标识信息的Y轴坐标值小于上述下相邻的标识信息的Y轴坐标值的情况下,记录上述下相邻的标识信息;第三确定子单元,用于确定上述水平直线的标识信息与上述下相邻的标识信息之间的刻度差值;第四确定子单元,用于确定与上述刻度差值对应的距离差;第五确定子单元,用于利用上述距离差、上述目标设备中数字刻度的平均高度确定出上述预定区域的水位线。
可选地,上述装置还包括:处理模块,用于在从获取的原始图像中分割出目标设备所在的区域,得到分割图像之前,对上述原始图像进行补光处理,以得到上述目标设备在上述预定区域中的倒影图像。
根据本发明的又一个实施例,还提供了一种存储介质,上述存储介质中存储有计算机程序,其中,上述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为运行上述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,由于从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,目标设备用于测量预定区域的水位;基于分割图像中的各个像素点在原始图像中的坐标在原始图像中确定出与分割图像对应的感兴趣区域ROI图像;识别出ROI图像中的标识信息;基于标识信息确定出预定区域的水位线。可以实现通过对图像的分析确定出预定区域中的水位线。因此,可以解决相关技术中水位测量的问题,达到准确测量水位线的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种水位线的确定方法的移动终端的硬件结构框图;
图2是根据本发明实施例的水位线的确定方法的流程图;
图3是根据本发明实施例的原始图像的示意图;
图4是根据本发明实施例灰度图的示意图;
图5是根据本发明可选实施例的ROI图像的示意图;
图6是根据本发明可选实施例的水位线确定的流程图;
图7是根据本发明可选实施例的水平直线的示意图;
图8是根据本发明实施例的水位线的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种水位线的确定方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的水位线的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种水位线的确定方法,图2是根据本发明实施例的水位线的确定方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,目标设备用于测量预定区域的水位;
可选地,上述步骤的执行主体可以为终端等,但不限于此。
可选地,在本实施例中,上述水位线的确定方法可以但不限于应用于对水位线进行测量的领域中。具体的,可以但不限于应用于夜晚对水库中的水位进行测量的场景,对沼泽进行测量的场景中等。上述仅是一种示例,本实施例中对此不做任何限定。
可选地,在本实施例中,目标设备包括但不限于是标有刻度的水位尺,设置在预定区域中。例如,在对水库中的水位进行测量的场景中,可以通过设置在水位尺上的摄像设备获取到水位尺的图像,即原始图像(如图3所示)。需要说明的是,原始图像中可能包括周围场景,即需要将水位尺单独的从原始图像中分割出来,以利用后续对水位尺的识别。
步骤S204,基于分割图像中的各个像素点在原始图像中的坐标在原始图像中确定出与分割图像对应的感兴趣区域ROI图像;
可选地,在本实施例中,确定出ROI图像之前,可以对原始图像进行灰度处理,得到灰度图如图4所示,从而可以确定出目标设备所在的区域。
可选地,将目标设备所在的区域的像素对应的输入原始图像中,宽高各扩边10个像素,截取原始图像中的ROI图像,如图5所示。
步骤S206,识别出ROI图像中的标识信息;
可选地,在本实施例中,ROI图像中的标识信息如图5所示,即水位尺中的刻度值。
步骤S208,基于标识信息确定出预定区域的水位线。
可选地,在对夜晚的水域进行水位测量的场景中,如图6所示,包括以下步骤:
S601:利用能够补白光的摄像设备拍摄夜晚场景下的水位尺图片,得到原始图像,对原始图像进行灰度化,得到灰度图,对灰度图进行逐像素阈值分割。
S602:利用区域生长法从原始图像中分割出目标设备所在的区域,即水位尺区域。
可选地,区域生成法包括以下内容:从一组生长点开始(生长点可以是单个像素,也可以是某个小区域),将与该生长点性质相似的相邻像素或者区域与生长点合并,形成新的生长点,重复此过程直到不能生长为止。
S603:将分割出的水位尺区域在原始图像中的坐标,对应到原始图像中,以截取ROI图像。将ROI图像输入到卷积神经网络中,得到数字识别结果。
S604:对ROI图像进行亮度自适应阈值二值化,对二值图进行水平直线检测,获取水位线。
S605:计算水位线上最后一个识别数字底部与水位线垂直距离,换算出真实水位值。
通过上述步骤,通过本发明,由于从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,目标设备用于测量预定区域的水位;基于分割图像中的各个像素点在原始图像中的坐标在原始图像中确定出与分割图像对应的感兴趣区域ROI图像;识别出ROI图像中的标识信息;基于标识信息确定出预定区域的水位线。可以实现通过对图像的分析确定出预定区域中的水位线。因此,可以解决相关技术中水位测量的问题,达到准确测量水位线的效果。
在一个可选的实施例中,从获取的原始图像中分割出目标设备所在的区域,得到分割图像,包括:
S1,对原始图像进行灰度化处理,得到灰度图;
S2,遍历灰度图,以得到灰度图中的像素点的像素值;
S3,将灰度图中像素值大于预设阈值的像素点确定为目标像素点;
S4,对目标像素点进行组成以得到分割图像。
可选地,本实施例中的灰度图如图4所示,设置阈值为th,全图遍历灰度图中像素点,将像素值大于或等于阈值的点置为255,小于阈值的点置为0。随机选取二值化图中像素值为255的点作为种子点,将种子处像素值分别与8领域像素值进行比较,如果该种子点像素值与8领域点像素值差值的绝对值小于设置的阈值T,则将该像素包括进种子像素所在区域。当不再有像素满足该区域的准则时,区域停止生长。选取分割出的最大区域作为水尺区域,即目标设备所在的区域。之后将像素点输入原始图像以及阈值分割后二值化图中,得到分割图像。
可选地,在本实施例中,8领域像素值为上下左右四个点、以及左上右下右上左下四个点的像素值。
在一个可选的实施例,基于分割图像中的各个像素点在原始图像中的坐标在原始图像中确定出与分割图像对应的感兴趣区域ROI图像,包括:
S1,确定分割图像对应至原始图像中的坐标;
S2,从原始图像中截取与坐标对应的图像,得到ROI图像。
可选地,在本实施例中,如图5所示,将分割出的水尺区域对应到输入原图中,宽高各扩边10个像素,截取原始图像中的ROI图像。
在一个可选的实施例中,识别出ROI图像中的标识信息,包括:
S1,将ROI图像输入至卷积神经网络模型中,得到卷积神经网络模型输出的ROI图像中的标识信息。
可选地,在本实施例中,将ROI图像输入卷积神经网络中,进行数字识别,输出该ROI图像中所有数字类别以及坐标信息。
在一个可选的实施例中,基于标识信息确定出预定区域的水位线,包括:
S1,从标识信息中确定出预定区域的水平直线;
S2,基于水平直线确定出预定区域的水位线。
在一个可选的实施例中,从标识信息中确定出预定区域的水平直线,包括:
S1,对ROI图像进行二值化处理,得到二值图;
S2,从二值图中提取出水平直线,其中,水平直线用于表示目标设备与目标设备在预定区域中的倒影之间的分割线。
可选地,在本实施例中,在夜晚场景中,原始图像是由摄像设备补白光拍摄得到的,背景暗,水位尺亮,光线反射到水面上造成清晰倒影。当将ROI图像作为识别卷积神经网络输入时,会造成水面倒影数字的误检,难以得到真实水位数值。可以将ROI图像根据亮度再一次进行自适应阈值二值化,并提取水平直线。由于在灯光的照射下,水面附近出现清晰倒影,真实水尺与倒影之间一定存在水平分隔线,因此ROI二值图中提取出的水平直线即为水位线,如图7所示,(a)是标识信息,(b)中标识有水平直线。
在一个可选的实施例中,基于水平直线确定出预定区域的水位线,包括:
S1,将水平直线的标识信息与下相邻的标识信息进行比较,得到比较结果;
S2,在水平直线的标识信息的Y轴坐标值小于下相邻的标识信息的Y轴坐标值的情况下,记录下相邻的标识信息;
S3,确定水平直线的标识信息与下相邻的标识信息之间的刻度差值;
S4,确定与刻度差值对应的距离差;
S5,利用距离差、目标设备中数字刻度的平均高度确定出预定区域的水位线。
可选地,在本实施例中,当得到水平直线后,根据水平直线y坐标对识别数字进行筛选,如果识别数字右下角y坐标(ymax)小于水位线y坐标,则保留,否则,则去除。根据水位尺刻度标准,一个‘E’字符表示0.05m,相邻两个数字之间相差0.1cm,因此根据公式线性映射出水位线距离最后一个识别数字底部的距离,计算得到该水位尺在自然场景中真实水位值。
water_value=0.1*最后一位数字值-distance+外部标定水位基数,其中,hE为水位尺刻度字符平均高度。
在一个可选的实施例中,在从获取的原始图像中分割出目标设备所在的区域,得到分割图像之前,方法还包括:
S1,对原始图像进行补光处理,以得到目标设备在预定区域中的倒影图像。
可选地,在本实施例中,可以用补白光的摄像设备拍摄夜晚场景下的水位尺,得到原始图像。
综上所述,通过补白光拍摄得到原始图像,对原始图像进行阈值分割。利用区域生长法将原始图像中水尺区域分割出来。实现了在夜晚场景光线不足的情况下分割出水尺区域,可以准确的确定出水位线。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种水位线的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的水位线的确定装置的结构框图,如图8所示,该装置包括:
第一确定模块82,用于从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,上述目标设备用于测量预定区域的水位;
第二确定模块84,用于基于上述分割图像中的各个像素点在上述原始图像中的坐标在上述原始图像中确定出与上述分割图像对应的感兴趣区域ROI图像;
识别模块86,用于识别出上述ROI图像中的标识信息;
第三确定模块88,用于基于上述标识信息确定出上述预定区域的水位线。
可选地,上述第一确定模块,包括:
第一确定单元,用于对上述原始图像进行灰度化处理,得到灰度图;
第二确定单元,用于遍历上述灰度图,以得到上述灰度图中的像素点的像素值;
第三确定单元,用于将上述灰度图中像素值大于预设阈值的像素点确定为目标像素点;
第四确定单元,用于对上述目标像素点进行组成以得到上述分割图像。
可选地,上述第二确定模块,包括:
第五确定单元,用于确定上述分割图像对应至上述原始图像中的坐标;
第六确定单元,用于从上述原始图像中截取与上述坐标对应的图像,得到上述ROI图像。
可选地,上述识别模块,包括:
第七确定单元,用于将上述ROI图像输入至卷积神经网络模型中,得到上述卷积神经网络模型输出的上述ROI图像中的标识信息。
可选地,上述第三确定模块,包括:
第八确定单元,用于从上述标识信息中确定出上述预定区域的水平直线;
第九确定单元,用于基于上述水平直线确定出上述预定区域的水位线。
可选地,上述第八确定单元,包括:
第一确定子单元,用于对上述ROI图像进行二值化处理,得到二值图;
提取子模块,用于从上述二值图中提取出上述水平直线,其中,上述水平直线用于表示上述目标设备与上述目标设备在上述预定区域中的倒影之间的分割线。
可选地,上述第九确定单元,包括:
第二确定子单元,用于将上述水平直线的标识信息与下相邻的标识信息进行比较,得到比较结果;
记录子单元,用于在上述水平直线的标识信息的Y轴坐标值小于上述下相邻的标识信息的Y轴坐标值的情况下,记录上述下相邻的标识信息;
第三确定子单元,用于确定上述水平直线的标识信息与上述下相邻的标识信息之间的刻度差值;
第四确定子单元,用于确定与上述刻度差值对应的距离差;
第五确定子单元,用于利用上述距离差、上述目标设备中数字刻度的平均高度确定出上述预定区域的水位线。
可选地,上述装置还包括:
处理模块,用于在从获取的原始图像中分割出目标设备所在的区域,得到分割图像之前,对上述原始图像进行补光处理,以得到上述目标设备在上述预定区域中的倒影图像。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,目标设备用于测量预定区域的水位;
S2,基于分割图像中的各个像素点在原始图像中的坐标在原始图像中确定出与分割图像对应的感兴趣区域ROI图像;
S3,识别出ROI图像中的标识信息;
S4,基于标识信息确定出预定区域的水位线。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,目标设备用于测量预定区域的水位;
S2,基于分割图像中的各个像素点在原始图像中的坐标在原始图像中确定出与分割图像对应的感兴趣区域ROI图像;
S3,识别出ROI图像中的标识信息;
S4,基于标识信息确定出预定区域的水位线。可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,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 (11)
1.一种水位线的确定方法,其特征在于,包括:
从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,所述目标设备用于测量预定区域的水位;
基于所述分割图像中的各个像素点在所述原始图像中的坐标在所述原始图像中确定出与所述分割图像对应的感兴趣区域ROI图像;
识别出所述ROI图像中的标识信息;
基于所述标识信息确定出所述预定区域的水位线。
2.根据权利要求1所述的方法,其特征在于,从获取的原始图像中分割出目标设备所在的区域,得到分割图像,包括:
对所述原始图像进行灰度化处理,得到灰度图;
遍历所述灰度图,以得到所述灰度图中的像素点的像素值;
将所述灰度图中像素值大于预设阈值的像素点确定为目标像素点;
对所述目标像素点进行组成以得到所述分割图像。
3.根据权利要求1所述的方法,其特征在于,基于所述分割图像中的各个像素点在所述原始图像中的坐标在所述原始图像中确定出与所述分割图像对应的感兴趣区域ROI图像,包括:
确定所述分割图像对应至所述原始图像中的坐标;
从所述原始图像中截取与所述坐标对应的图像,得到所述ROI图像。
4.根据权利要求1所述的方法,其特征在于,识别出所述ROI图像中的标识信息,包括:
将所述ROI图像输入至卷积神经网络模型中,得到所述卷积神经网络模型输出的所述ROI图像中的标识信息。
5.根据权利要求1所述的方法,其特征在于,基于所述标识信息确定出所述预定区域的水位线,包括:
从所述标识信息中确定出所述预定区域的水平直线;
基于所述水平直线确定出所述预定区域的水位线。
6.根据权利要求1所述的方法,其特征在于,从所述标识信息中确定出所述预定区域的水平直线,包括:
对所述ROI图像进行二值化处理,得到二值图;
从所述二值图中提取出所述水平直线,其中,所述水平直线用于表示所述目标设备与所述目标设备在所述预定区域中的倒影之间的分割线。
7.根据权利要求6所述的方法,其特征在于,基于所述水平直线确定出所述预定区域的水位线,包括:
将所述水平直线的标识信息与下相邻的标识信息进行比较,得到比较结果;
在所述水平直线的标识信息的Y轴坐标值小于所述下相邻的标识信息的Y轴坐标值的情况下,记录所述下相邻的标识信息;
确定所述水平直线的标识信息与所述下相邻的标识信息之间的刻度差值;
确定与所述刻度差值对应的距离差;
利用所述距离差、所述目标设备中数字刻度的平均高度确定出所述预定区域的水位线。
8.根据权利要求1所述的方法,其特征在于,在从获取的原始图像中分割出目标设备所在的区域,得到分割图像之前,所述方法还包括:
对所述原始图像进行补光处理,以得到所述目标设备在所述预定区域中的倒影图像。
9.一种水位线的确定装置,其特征在于,包括:
第一确定模块,用于从获取的原始图像中分割出目标设备所在的区域,得到分割图像,其中,所述目标设备用于测量预定区域的水位;
第二确定模块,用于基于所述分割图像中的各个像素点在所述原始图像中的坐标在所述原始图像中确定出与所述分割图像对应的感兴趣区域ROI图像;
识别模块,用于识别出所述ROI图像中的标识信息;
第三确定模块,用于基于所述标识信息确定出所述预定区域的水位线。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
11.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911097029.5A CN110909640A (zh) | 2019-11-11 | 2019-11-11 | 水位线的确定方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911097029.5A CN110909640A (zh) | 2019-11-11 | 2019-11-11 | 水位线的确定方法及装置、存储介质、电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110909640A true CN110909640A (zh) | 2020-03-24 |
Family
ID=69817207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911097029.5A Pending CN110909640A (zh) | 2019-11-11 | 2019-11-11 | 水位线的确定方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909640A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723818A (zh) * | 2020-06-22 | 2020-09-29 | 浙江大华技术股份有限公司 | 图像预处理方法和装置 |
CN112149648A (zh) * | 2020-11-24 | 2020-12-29 | 武汉光谷信息技术股份有限公司 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
CN112784753A (zh) * | 2021-01-22 | 2021-05-11 | 西安电子科技大学 | 一种基于机器视觉的中小自然河流水文水位检测方法 |
CN113129305A (zh) * | 2021-05-18 | 2021-07-16 | 浙江大华技术股份有限公司 | 丝锭状态的确定方法、装置、存储介质及电子装置 |
CN114255574A (zh) * | 2020-09-11 | 2022-03-29 | 英业达科技有限公司 | 淹水警示方法 |
CN114639064A (zh) * | 2022-05-18 | 2022-06-17 | 智洋创新科技股份有限公司 | 一种水位识别方法及装置 |
CN114663811A (zh) * | 2022-03-24 | 2022-06-24 | 中国水利水电科学研究院 | 一种利用水尺倒影的水面线提取方法 |
CN115409839A (zh) * | 2022-11-01 | 2022-11-29 | 北京闪马智建科技有限公司 | 基于像素分析模型的道路声屏障隐患识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201447241A (zh) * | 2013-06-13 | 2014-12-16 | Univ Ishou | 多區塊水位量測方法 |
CN107631782A (zh) * | 2017-07-18 | 2018-01-26 | 南京邮电大学 | 一种基于Harris角点检测的水位检测方法 |
CN108921165A (zh) * | 2018-06-21 | 2018-11-30 | 江苏南水水务科技有限公司 | 基于水尺图像的水位识别方法 |
CN108960070A (zh) * | 2018-06-05 | 2018-12-07 | 河海大学文天学院 | 一种水位高程检测系统及其方法 |
CN109443480A (zh) * | 2018-11-02 | 2019-03-08 | 南京邮电大学 | 基于图像处理的水位标尺定位及水位测量方法 |
JP2019045191A (ja) * | 2017-08-30 | 2019-03-22 | 三菱電機株式会社 | 水位計測装置および水際線抽出方法 |
CN109764930A (zh) * | 2018-12-27 | 2019-05-17 | 河海大学 | 一种适用于复杂光照条件的水尺水位线视觉检测方法 |
CN109766886A (zh) * | 2019-01-02 | 2019-05-17 | 南京林业大学 | 一种基于图像识别的水位识别方法 |
-
2019
- 2019-11-11 CN CN201911097029.5A patent/CN110909640A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201447241A (zh) * | 2013-06-13 | 2014-12-16 | Univ Ishou | 多區塊水位量測方法 |
CN107631782A (zh) * | 2017-07-18 | 2018-01-26 | 南京邮电大学 | 一种基于Harris角点检测的水位检测方法 |
JP2019045191A (ja) * | 2017-08-30 | 2019-03-22 | 三菱電機株式会社 | 水位計測装置および水際線抽出方法 |
CN108960070A (zh) * | 2018-06-05 | 2018-12-07 | 河海大学文天学院 | 一种水位高程检测系统及其方法 |
CN108921165A (zh) * | 2018-06-21 | 2018-11-30 | 江苏南水水务科技有限公司 | 基于水尺图像的水位识别方法 |
CN109443480A (zh) * | 2018-11-02 | 2019-03-08 | 南京邮电大学 | 基于图像处理的水位标尺定位及水位测量方法 |
CN109764930A (zh) * | 2018-12-27 | 2019-05-17 | 河海大学 | 一种适用于复杂光照条件的水尺水位线视觉检测方法 |
CN109766886A (zh) * | 2019-01-02 | 2019-05-17 | 南京林业大学 | 一种基于图像识别的水位识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723818A (zh) * | 2020-06-22 | 2020-09-29 | 浙江大华技术股份有限公司 | 图像预处理方法和装置 |
CN114255574A (zh) * | 2020-09-11 | 2022-03-29 | 英业达科技有限公司 | 淹水警示方法 |
CN112149648A (zh) * | 2020-11-24 | 2020-12-29 | 武汉光谷信息技术股份有限公司 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
CN112149648B (zh) * | 2020-11-24 | 2021-02-12 | 武汉光谷信息技术股份有限公司 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
CN112784753A (zh) * | 2021-01-22 | 2021-05-11 | 西安电子科技大学 | 一种基于机器视觉的中小自然河流水文水位检测方法 |
CN113129305A (zh) * | 2021-05-18 | 2021-07-16 | 浙江大华技术股份有限公司 | 丝锭状态的确定方法、装置、存储介质及电子装置 |
CN114663811A (zh) * | 2022-03-24 | 2022-06-24 | 中国水利水电科学研究院 | 一种利用水尺倒影的水面线提取方法 |
CN114639064A (zh) * | 2022-05-18 | 2022-06-17 | 智洋创新科技股份有限公司 | 一种水位识别方法及装置 |
CN115409839A (zh) * | 2022-11-01 | 2022-11-29 | 北京闪马智建科技有限公司 | 基于像素分析模型的道路声屏障隐患识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN110472623B (zh) | 图像检测方法、设备以及系统 | |
CN109640066B (zh) | 高精度稠密深度图像的生成方法和装置 | |
CN111080526A (zh) | 航拍图像的农田面积的测算方法、装置、设备及介质 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN108109133B (zh) | 一种基于数字图像处理技术的蚕卵自动计数方法 | |
CN111220235B (zh) | 水位监测方法及装置 | |
CN111784675A (zh) | 物品纹理信息处理的方法、装置、存储介质及电子设备 | |
CN113538491B (zh) | 一种基于自适应阈值的边缘识别方法、系统及存储介质 | |
CN104182757A (zh) | 获取被测目标实际覆盖面积的方法及装置 | |
CN113052754B (zh) | 一种图片背景虚化的方法及装置 | |
CN114241326A (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN112053371A (zh) | 一种遥感图像中的水体提取方法和装置 | |
JP4747122B2 (ja) | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム | |
CN113283439B (zh) | 基于图像识别的智能计数方法、装置及系统 | |
CN108268868B (zh) | 身份证图像的倾斜值获取方法及装置、终端、存储介质 | |
CN117095275A (zh) | 一种数据中心资产盘点方法、系统、装置及存储介质 | |
CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
CN111738936A (zh) | 基于图像处理的多株水稻穗长的测量方法 | |
CN110557622A (zh) | 基于结构光的深度信息获取方法及装置、设备及介质 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN115761270A (zh) | 色卡的检测方法、装置、电子设备及存储介质 | |
CN115619725A (zh) | 电子元器件检测方法、装置、电子设备及自动质检设备 |
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 |