CN111899309A - 上坡雾检测方法、装置、计算机设备和可读存储介质 - Google Patents
上坡雾检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111899309A CN111899309A CN202010762477.9A CN202010762477A CN111899309A CN 111899309 A CN111899309 A CN 111899309A CN 202010762477 A CN202010762477 A CN 202010762477A CN 111899309 A CN111899309 A CN 111899309A
- Authority
- CN
- China
- Prior art keywords
- target
- area
- target area
- visibility
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000007613 environmental effect Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000000875 corresponding effect Effects 0.000 claims description 133
- 238000003384 imaging method Methods 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 description 20
- 206010070834 Sensitisation Diseases 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 11
- 230000008313 sensitization Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 239000003595 mist Substances 0.000 description 4
- 206010034960 Photophobia Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 208000013469 light sensitivity Diseases 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003993 interaction Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种上坡雾检测方法、装置、计算机设备和可读存储介质。所述方法包括：获取至少一个目标区域对应的目标图像，所述目标区域是待检测区域中的预设区域；针对每个所述目标区域，根据所述目标区域的目标图像获取所述目标区域的能见度值，并检测所述能见度值是否小于或者等于能见度阈值；若所述能见度值小于或者等于所述能见度阈值，则检测所述目标区域的环境数据是否满足预设条件，所述预设条件与上坡雾形成的气象因素有关；若各所述目标区域的环境数据均满足所述预设条件，则确定所述待检测区域存在上坡雾。采用本方法能够提升上坡雾的检测准确性。
Description
技术领域
本申请涉及气象检测技术领域，特别是涉及一种上坡雾检测方法、装置、计算机设备和可读存储介质。
背景技术
上坡雾(up-slope fog)属于雾的一种类型，通常发生在山区地带，主要形成原因是：当风将潮湿空气吹向山坡时，潮湿空气会沿山坡向上爬升，由于气温随高度上升而下降，因此潮湿空气在上升过程中水汽会冷却而凝结成小水滴，从而形成上坡雾。
上坡雾会对一些高原机场的正常运行造成影响，例如，若飞行器的飞行区域内存在上坡雾，将会严重影响飞行器的正常航行，甚至引发事故。目前，普遍是由人工对飞行区域进行观测来确定是否存在上坡雾，并根据观测结果结合地面观测手册来人工推算飞行区域内的能见度值。
然而，上述人工观测上坡雾的方法，人为主观因素较多，导致上坡雾的检测准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升上坡雾的检测准确性的上坡雾检测方法、装置、计算机设备和可读存储介质。
第一方面，本申请实施例提供一种上坡雾检测方法，所述方法包括：
获取至少一个目标区域对应的目标图像，所述目标区域是待检测区域中的预设区域；
针对每个所述目标区域，根据所述目标区域的目标图像获取所述目标区域的能见度值，并检测所述能见度值是否小于或者等于能见度阈值；
若所述能见度值小于或者等于所述能见度阈值，则检测所述目标区域的环境数据是否满足预设条件，所述预设条件与上坡雾形成的气象因素有关；
若各所述目标区域的环境数据均满足所述预设条件，则确定所述待检测区域存在上坡雾。
在其中一个实施例中，所述目标区域中部署有高感光成像组件，所述目标区域对应的目标图像是通过所述高感光成像组件获取的；所述预设区域为山腰区域或山谷区域。
在其中一个实施例中，所述目标区域包括至少一个目标物，所述根据所述目标区域的目标图像获取所述目标区域的能见度值，包括：
针对每个所述目标物，从所述目标图像中提取所述目标物对应的目标物图像；
根据所述目标物图像，提取所述目标物对应的HSV颜色直方图；
根据各所述目标物对应的HSV颜色直方图，获取所述目标区域的所述能见度值。
在其中一个实施例中，所述根据各所述目标物对应的HSV颜色直方图，获取所述目标区域的所述能见度值，包括：
针对每个所述目标物对应的HSV颜色直方图，将所述HSV颜色直方图输入至清晰度分类模型中，得到所述目标物对应的清晰度等级，其中，所述清晰度等级用于表征所述目标物在所述目标物图像中成像的清晰程度，所述清晰度分类模型基于多个样本HSV颜色直方图以及各样本HSV颜色直方图对应的清晰度等级标签训练得到；
获取所述清晰度等级对应的能见度系数，并获取所述目标物与所述目标图像对应的拍摄距离，所述清晰度等级和所述能见度系数正相关；
根据各所述目标物对应的能见度系数和拍摄距离，获取所述能见度值。
在其中一个实施例中，所述根据各所述目标物对应的能见度系数和拍摄距离，获取所述能见度值，包括：
计算各所述目标物对应的能见度系数和拍摄距离的乘积；
计算各所述目标物对应的乘积的平均值，并将所述平均值确定为所述能见度值。
在其中一个实施例中，所述目标区域的环境数据包括相对湿度和风向，所述检测所述目标区域的环境数据是否满足预设条件，包括：
检测所述相对湿度是否大于预设湿度阈值，并检测所述风向是否为预设风向；
若所述相对湿度大于所述预设湿度阈值，且所述风向为所述预设风向，则确定所述目标区域的环境数据满足所述预设条件。
在其中一个实施例中，所述方法还包括：
通过光仪亮度计测量所述目标区域对应的目标亮度值；
根据所述目标亮度值查找预设的参数调整表，得到所述目标亮度值对应的目标成像参数，所述参数调整表包括各亮度值和各成像参数之间的映射关系；
将所述目标成像参数设置为所述目标区域中部署的所述高感光成像组件的工作参数。
第二方面，本申请实施例提供一种上坡雾检测装置，所述装置包括：
图像获取模块，用于获取至少一个目标区域对应的目标图像，所述目标区域是待检测区域中的预设区域；
第一检测模块，用于针对每个所述目标区域，根据所述目标区域的目标图像获取所述目标区域的能见度值，并检测所述能见度值是否小于或者等于能见度阈值；
第二检测模块，用于若所述能见度值小于或者等于所述能见度阈值，则检测所述目标区域的环境数据是否满足预设条件，所述预设条件与上坡雾形成的气象因素有关；
确定模块，用于若各所述目标区域的环境数据均满足所述预设条件，则确定所述待检测区域存在上坡雾。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面的方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过获取至少一个目标区域对应的目标图像，所述目标区域是待检测区域中的预设区域；针对每个所述目标区域，根据所述目标区域的目标图像获取所述目标区域的能见度值，并检测所述能见度值是否小于或者等于能见度阈值；若所述能见度值小于或者等于所述能见度阈值，则检测所述目标区域的环境数据是否满足预设条件，所述预设条件与上坡雾形成的气象因素有关；若各所述目标区域的环境数据均满足所述预设条件，则确定所述待检测区域存在上坡雾；由此，本申请实施例中，目标区域的能见度值是根据目标区域的目标图像获取的，避免了传统技术中由人工推算区域内的能见度值导致的能见度值准确性低的问题；本申请实施例中，目标区域的能见度值小于或者等于能见度阈值，则表征目标区域的能见度较低，存在大雾，在此种情况下，再将目标区域的环境数据与预设条件进行比对，由于预设条件与上坡雾形成的气象因素有关，如果该环境数据满足该预设条件，则表征目标区域的当前环境具备上坡雾形成的条件，从而可以确定目标区域存在的大雾是上坡雾，即确定待检测区域存在上坡雾，避免了传统技术中依靠人工观测来检测上坡雾，由于人为主观因素较多，导致上坡雾的检测准确性低的问题。本申请实施例结合目标区域对应的目标图像和目标区域的环境数据，对待检测区域是否存在上坡雾进行准确检测，提升了上坡雾的检测准确性。
附图说明
图1为一个实施例中上坡雾检测方法的流程示意图；
图2为另一个实施例中步骤S200的部分细化步骤示意图；
图3为另一个实施例中步骤S230的细化步骤示意图；
图4为另一个实施例中步骤S300的细化步骤示意图；
图5为另一个实施例中上坡雾检测方法的流程示意图；
图6为一个实施例中上坡雾检测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的上坡雾检测方法、装置、计算机设备和可读存储介质，旨在解决传统技术中，依靠人工观测来检测上坡雾，由于人为主观因素较多，导致上坡雾的检测准确性较低的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体地实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
需要说明的是，本申请实施例提供的上坡雾检测方法，其执行主体可以是上坡雾检测装置，该上坡雾检测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部，计算机设备可以是服务器。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。可以理解的是，下述方法实施例提供的上坡雾检测方法，也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。
在一个实施例中，如图1所示，提供了一种上坡雾检测方法，包括以下步骤：
步骤S100，获取至少一个目标区域对应的目标图像。
本申请实施例中，待检测区域可以是需要检测上坡雾的山坡区域，例如，可以是飞行器的飞行航线中的山坡区域或某些特定的山坡区域，等等。目标区域是待检测区域中的预设区域，该预设区域可以是待检测区域中的山谷区域，即设置在待检测区域的山谷的观测区域，该预设区域也可以是待检测区域中的山腰区域，即设置在待检测区域的山腰的观测区域等。
计算机设备获取至少一个目标区域对应的目标图像，在一种可能的实施方式中，目标区域中部署有高感光成像组件，目标区域对应的目标图像是计算机设备通过高感光成像组件获取的。
本申请实施例中，各个目标区域均为待检测区域中的预设区域，预设区域为山腰区域或山谷区域，即每个目标区域为待检测区域中的山腰区域或山谷区域，作为一种实施方式，该至少一个目标区域为两个目标区域，该两个目标区域可以是待检测区域中的山腰区域和山谷区域，即，其中一个目标区域为待检测区域中的山腰区域，另一个目标区域为待检测区域中的山谷区域。计算机设备通过山谷区域中的高感光成像组件采集该山谷区域的目标图像，并通过山腰区域的高感光成像组件采集该山腰区域的目标图像，由此，得到两个目标区域分别对应的目标图像。
本申请实施例中，均以至少一个目标区域为两个目标区域，该两个目标区域为待检测区域中的山腰区域和山谷区域为例，对本申请实施例的实施方式进行说明。可以理解的是，至少一个目标区域也可以是比两个更多或者更少数量的目标区域，例如，至少一个目标区域为一个目标区域，该一个目标区域为山谷区域或者山腰区域，还例如，至少一个目标区域为三个目标区域，该三个目标区域为待检测区域中的山腰区域、山谷区域以及山顶区域，等等，在此均不做具体限制。
需要说明的是，由于上坡雾属于爬坡类型，待检测区域中若仅在一个目标区域部署高感光成像组件，例如，在山谷区域部署高感光成像组件，计算机设备从该高感光成像组件采集的山谷区域的目标图像中检测到大雾，但是大雾未在垂直层面发展起来，即未爬坡，则可能存在计算机设备误将该大雾确定为上坡雾所造成的上坡雾检测错误的情况。本申请实施例通过在山谷区域和山腰区域分别部署高感光成像组件，山谷区域和山腰区域属于不同高度的区域，由此可以对不同高度上垂直层面的大雾进行准确判断，有利于更准确地检测上坡雾，从而可以提升上坡雾的检测准确性。
本申请实施例中，高感光成像组件可以是高感光成像仪。传统相机由于其性能限制，计算机设备无法识别其在夜间采集的图片中的内容，因此基于传统相机采集的图片，计算机设备无法实现上坡雾的夜间检测，而夜间通常是大雾发生的高发时间段；本申请实施例计算机设备采用高感光成像组件获取目标图像，计算机设备通过调整高感光成像组件的工作参数，使得高感光成像组件在夜间或者光线较差的环境下也可以采集到与白天成像效果类似的目标图像，从而可以实现上坡雾的全天候检测，扩大了上坡雾的检测范围，进而提升了上坡雾的检测准确性。
步骤S200，针对每个目标区域，根据目标区域的目标图像获取目标区域的能见度值，并检测能见度值是否小于或者等于能见度阈值。
对于每个目标区域，目标区域如山谷区域或山腰区域，计算机设备根据每个目标区域的目标图像获取对应目标区域的能见度值。
能见度是反映大气透明度的一个指标，在一种可能的实施方式中，计算机设备可以通过一个目标区域中的目标物在该目标区域的目标图像中成像的清晰程度，来确定该目标区域的能见度值。可以理解的是，目标区域中的目标物在对应目标图像中成像越清晰，则该目标区域的能见度值越高，反之，则该目标区域的能见度值越低。
计算机设备获取每个目标区域的能见度值后，检测每个目标区域的能见度值是否小于或者等于能见度阈值，该能见度阈值在实施时可以灵活设置，例如，可以按照民航气象编报的大雾标准，设置能见度阈值为1km，能见度值小于或等于1km则为大雾。
步骤S300，若能见度值小于或者等于能见度阈值，则检测目标区域的环境数据是否满足预设条件。
计算机设备若检测到目标区域的能见度值小于或者等于能见度阈值，则表征目标区域存在大雾，受大雾影响目标区域的能见度值比较小。在此种情况下，计算机设备检测目标区域的环境数据是否满足预设条件，该预设条件与上坡雾形成的气象因素有关，该预设条件可以是根据上坡雾形成的气象因素确定的。
在一种可能的实施方式中，预设条件可以包括容易形成上坡雾的气象因素。如上坡雾通常发生在山区地带，当风将潮湿空气吹向山坡时，潮湿空气会沿山坡向上爬升，由于气温随高度上升而下降，因此潮湿空气在上升过程中水汽会冷却而凝结成小水滴，从而形成上坡雾。计算机设备则可以设置该预设条件为容易形成上坡雾的湿度范围或风向，等等。
计算机设备检测目标区域的环境数据是否满足预设条件，例如，可以是检测环境数据中包括的相对湿度是否处于容易形成上坡雾的湿度范围内，等等。
在一种可能的实施方式中，若计算机设备若检测到目标区域的能见度值大于能见度阈值，则确定目标区域不存在大雾，从而确定待检测区域中不存在上坡雾。
步骤S400，若各目标区域的环境数据均满足预设条件，则确定待检测区域存在上坡雾。
计算机设备通过检测环境数据是否满足预设条件，则可以确定环境数据表征的目标区域的当前环境是否可以形成上坡雾。若计算机设备检测到待检测区域中各目标区域的环境数据均满足预设条件，则表征各目标区域的当前环境均可以形成上坡雾，确定各目标区域均存在上坡雾，从而确定待检测区域存在上坡雾，并输出各目标区域，即山谷区域和山腰区域的能见度值供参考。
本实施例通过获取至少一个目标区域对应的目标图像，目标区域是待检测区域中的预设区域；针对每个目标区域，根据目标区域的目标图像获取目标区域的能见度值，并检测能见度值是否小于或者等于能见度阈值；若能见度值小于或者等于能见度阈值，则检测目标区域的环境数据是否满足预设条件，预设条件与上坡雾形成的气象因素有关；若各目标区域的环境数据均满足预设条件，则确定待检测区域存在上坡雾；由此，本申请实施例中，目标区域的能见度值是根据目标区域的目标图像获取的，避免了传统技术中由人工推算区域内的能见度值导致的能见度值准确性低的问题；本申请实施例中，目标区域的能见度值小于或者等于能见度阈值，则表征目标区域的能见度较低，存在大雾，在此种情况下，再将目标区域的环境数据与预设条件进行比对，由于预设条件与上坡雾形成的气象因素有关，如果该环境数据满足该预设条件，则表征目标区域的当前环境具备上坡雾形成的条件，从而可以确定目标区域存在的大雾是上坡雾，即确定待检测区域存在上坡雾，避免了传统技术中依靠人工观测来检测上坡雾，由于人为主观因素较多，导致上坡雾的检测准确性较低的问题。本申请实施例结合目标区域对应的目标图像和目标区域的环境数据，对待检测区域是否存在上坡雾进行准确检测，提升了上坡雾的检测准确性。
在一个实施例中，在上述图1所示实施例的基础上，参见图2，本实施例涉及的是计算机设备如何根据目标区域的目标图像获取目标区域的能见度值的过程。如图2所示，该过程包括步骤S210、步骤S220和步骤S230：
步骤S210，针对每个目标物，从目标图像中提取目标物对应的目标物图像。
本申请实施例中，目标区域包括至少一个目标物，目标物可以是目标区域中的建筑、灯塔、山脉等。在一种可能的实施方式中，高感光成像组件在部署时与目标区域中各目标物的距离可以在50m-2km范围内；由于高感光成像组件和目标物距离太近时，高感光成像组件在目标区域存在大雾的情况下依然可以采集到清晰的图像，而距离太远时，即使目标区域不存在大雾，高感光成像组件由于距离太远采集到的图像也不清晰，以上均不利于计算机设备根据目标区域的目标图像检测上坡雾，因此，本申请实施例设置高感光成像组件与目标区域中各目标物的距离在50m-2km范围内，有利于提升上坡雾的检测准确性。
针对每个目标物，计算机设备从目标图像中提取目标物对应的目标物图像，例如，目标区域可以包括四个目标物，计算机设备则根据每个目标物在目标图像中的位置框坐标，从目标图像中截取与各位置框坐标对应的区域，得到每个目标物对应的目标物图像。
在一种可能的实施方式中，由于目标物的位置固定，所以目标物在目标图像中的位置也是固定不变的，因此，每个目标物在目标图像中的位置框坐标可以是人工输入计算机设备的，计算机设备存储每个目标物在目标图像中的位置框坐标；在另一种可能的实施方式中，目标物在目标图像中的位置框坐标也可以是计算机设备采用目标检测算法检测到的，在此不做具体限制。
步骤S220，根据目标物图像，提取目标物对应的HSV颜色直方图。
本申请实施例中，计算机设备可以将目标物图像由RGB颜色空间转换到HSV颜色空间，然后对目标物图像在HSV颜色空间对应的HSV图像进行直方图统计，得到每个目标物图像对应的HSV颜色直方图，即得到每个目标物对应的HSV颜色直方图。
作为一种实施方式，计算机设备可以通过OpenCV(计算机视觉库)提取各目标物对应的HSV颜色直方图。HSV颜色直方图描述的是不同色彩在整幅图像中所占的比例，本申请实施例中，将每个目标物对应的HSV颜色直方图作为该目标物在目标图像中的特征。
步骤S230，根据各目标物对应的HSV颜色直方图，获取目标区域的能见度值。
计算机设备根据各目标物对应的HSV颜色直方图，获取目标区域的能见度值，在一种可能的实施方式中，计算机设备中可以预置有各HSV颜色直方图与能见度值的映射关系，计算机设备根据各目标物对应的HSV颜色直方图，查找该映射关系则得到目标区域的能见度值。
在步骤S230的另一种可能的实施方式中，参见图3，步骤S230可以包括步骤S2301、步骤S2302和步骤S2303：
步骤S2301，针对每个目标物对应的HSV颜色直方图，将HSV颜色直方图输入至清晰度分类模型中，得到目标物对应的清晰度等级。
其中，清晰度等级用于表征目标物在目标物图像中成像的清晰程度，清晰度分类模型基于多个样本HSV颜色直方图以及各样本HSV颜色直方图对应的清晰度等级标签训练得到。
本申请实施例中，计算机设备获取预设时间段内待检测区域中的高感光成像组件采集的多个样本图像，每个样本图像包括人工标注的目标物在该样本图片中成像的清晰度等级标签以及目标物在该样本图像中的位置框坐标。如标注清晰度等级标签“0”表示目标物在该样本图片中不可见、标注清晰度等级标签“1”表示目标物在该样本图片中隐约可见、标注清晰度等级标签“2”表示目标物在该样本图片中边缘可见以及标注清晰度等级标签“3”表示目标物在该样本图片中清晰可见。
计算机设备根据各目标物在各样本图像中的位置框坐标，从各样本图像中截取各目标物对应的样本目标物图像，计算机设备从各样本目标物图像中提取各目标物对应的样本HSV颜色直方图，得到多个样本HSV颜色直方图。本申请实施例中，样本图像中可以包括多个目标物，例如，样本图像中包括四个目标物，则基于该样本图像，计算机设备可以获取到四个样本HSV颜色直方图及四个清晰度等级标签，一个样本HSV颜色直方图与一个清晰度等级标签对应。
计算机设备将获取的多个样本HSV颜色直方图以及各样本HSV颜色直方图对应的清晰度等级标签作为训练样本集，将该训练样本集划分为训练集和测试集，然后采用训练集中的样本HSV颜色直方图作为模型输入，将训练集中与输入对应的清晰度等级标签作为监督，训练初始分类模型，训练过程中结合测试集进行分类结果验证，直至模型收敛，得到清晰度分类模型。其中，初始分类模型可以是随机森林，当然也可以是其它分类模型框架，在此不做具体限制。
训练得到清晰度分类模型后，针对每个目标物对应的HSV颜色直方图，计算机设备将HSV颜色直方图输入至训练的清晰度分类模型中，得到目标物对应的清晰度等级，例如，得到清晰度等级为“0”、“1”、“2”或“3”，不同的清晰度等级表征目标物在目标物图像中成像的不同清晰程度。
步骤S2302，获取清晰度等级对应的能见度系数，并获取目标物与目标图像对应的拍摄距离。
其中，清晰度等级和能见度系数正相关。作为一种实施方式，计算机设备在数据库中查找与清晰度等级匹配的能见度系数，例如，清晰度等级“0”匹配的能见度系数为0，清晰度等级“1”匹配的能见度系数为1，清晰度等级“2”匹配的能见度系数为1.5，清晰度等级“3”匹配的能见度系数为2.5。清晰度等级和能见度系数的匹配关系，可以是由地面观测手册确定的。
计算机设备获取目标物与目标图像对应的拍摄距离，该拍摄距离可以是人工测量后输入计算机设备的，也可以是计算机设备通过测距传感器测量的，在此不做具体限制。
步骤S2303，根据各目标物对应的能见度系数和拍摄距离，获取能见度值。
在一种可能的实施方式中，若目标图像包括一个目标物，计算机设备则计算该目标物对应的能见度系数和拍摄距离的乘积，将计算得到乘积确定为该目标区域的能见度值。
在步骤S2303的另一种可能的实施方式中，若目标图像包括多个目标物，计算机设备根据各目标物对应的能见度系数和拍摄距离，获取能见度值，可以通过执行下述步骤A1和A2实现：
步骤A1，计算各目标物对应的能见度系数和拍摄距离的乘积。
步骤A2，计算各目标物对应的乘积的平均值，并将平均值确定为能见度值。
由此，通过计算目标区域中各目标物对应的乘积的平均值得到目标区域的能见度值，可以提升目标区域的能见度值的准确性。
计算机设备获取目标区域的能见度值，并检测能见度值是否小于或者等于能见度阈值，作为一种实施方式，若检测到能见度值小于或者等于能见度阈值，且检测到目标区域的环境数据不满足预设条件，计算机设备则将该目标区域对应的目标图像存入待优化图像序列中，该待优化图像序列用于计算机设备对清晰度分类模型的参数进行优化。
本申请实施例通过从目标图像中提取目标物对应的目标物图像，从目标物图像中提取目标物对应的HSV颜色直方图，基于HSV颜色直方图获取目标物对应的清晰度等级，得到清晰度等级对应的能见度系数，避免了传统技术中，通过人工观测确定能见度系数导致的准确性差的问题，从而提升了目标区域的能见度值的准确性；本申请实施例通过计算各目标物对应的乘积的平均值，并将平均值确定为能见度值，可以削弱单次乘积的误差对能见度值的影响，从而进一步提升目标区域的能见度值的准确性，进而提升了上坡雾检测准确性。
在一个实施例中，在上述图1所示实施例的基础上，目标区域的环境数据包括相对湿度和风向。参见图4，本实施例涉及的是计算机设备如何检测目标区域的环境数据是否满足预设条件的过程。如图4所示，该过程包括：
步骤S310，检测相对湿度是否大于预设湿度阈值，并检测风向是否为预设风向。
本申请实施例中，目标区域的环境数据包括相对湿度和风向。作为一种实施方式，目标区域中可以部署温湿度传感器和风向风速传感器，计算机设备通过温湿度传感器获取目标区域的相对湿度，通过风向风速传感器获取目标区域的风向。
计算机设备根据上坡雾形成的气象因素，确定预设条件为相对湿度大于预设湿度阈值以及风向为预设风向，该预设湿度阈值在实施时可以灵活设置，例如可以设置为90％，预设风向例如可以是朝向山坡的方向。
计算机设备检测目标区域的环境数据包括的相对湿度是否大于预设湿度阈值，并检测目标区域的环境数据包括的风向是否为预设风向，由此，计算机设备通过步骤S310可以检测目标区域的当前环境是否符合能够形成上坡雾的气象因素的特征。
步骤S320，若相对湿度大于预设湿度阈值，且风向为预设风向，则确定目标区域的环境数据满足预设条件。
计算机设备若检测到目标区域的环境数据包括的相对湿度大于预设湿度阈值，且该环境数据包括的风向为预设风向，则确定目标区域的环境数据满足预设条件；在待检测区域包括的一个或者多个目标区域的环境数据均满足预设条件的情况下，计算机设备则确定待检测区域存在上坡雾，由此，结合上坡雾形成的气象因素对上坡雾进行检测，可以提升上坡雾检测的准确性。
在一个实施例中，在上述图1所示实施例的基础上，参见图5，本实施例涉及的是计算机设备如何自动调整高感光成像组件的工作参数的过程。如图5所示，本实施例上坡雾检测方法还包括：
步骤S510，通过光仪亮度计测量目标区域对应的目标亮度值。
本申请实施例中，计算机设备在通过目标区域中部署的高感光成像组件获取至少一个目标区域对应的目标图像之前，计算机设备调整高感光成像组件的工作参数，以使高感光成像组件在夜间或者光线较差的环境下也可以采集到与白天成像效果类似的目标图像，从而可以实现上坡雾的全天候检测，扩大了上坡雾的检测范围，进而提升了上坡雾的检测可靠性。
计算机设备通过光仪亮度计测量目标区域对应的目标亮度值，不同的目标亮度值表征的目标区域的光线强度不同，目标亮度值越大则表征目标区域的光线强度越高。
步骤S520，根据目标亮度值查找预设的参数调整表，得到目标亮度值对应的目标成像参数。
参数调整表包括各亮度值和各成像参数之间的映射关系。本申请实施例中，各亮度值和各成像参数之间的映射关系可以是计算机设备将多个历史时刻下，光仪亮度计的亮度值以及对应的高感光成像组件的成像参数进行拟合得到的，成像参数包括曝光度，增益，降噪，等等。
计算机设备根据目标亮度值查找预设的参数调整表，得到目标亮度值对应的目标成像参数。
步骤S530，将目标成像参数设置为目标区域中部署的高感光成像组件的工作参数。
在一种可能的实施方式中，参数调整表如表1所示：
| Luminance | agc | mshutter | denoise |
| 0 | 0x00 | 0x4f | 0x07 |
| (0，750] | 0x0c | 0x49 | 0x05 |
| (750，2700] | 0x00 | 0x40 | 0x00 |
| (2700，∞) | 0x00 | 0x4a | 0x05 |
表1
其中，Luminance为光仪亮度计的流明值(亮度值)，agc为增益，mshutter为曝光度，denoise为降噪。
如表1所示，当目标亮度值为0时，计算机设备则将高感光成像组件的agc调整成0x00、mshutter调整成0x4f、denoise调整成0x07；当目标亮度值为0～750时，计算机设备则将高感光成像组件的agc调整成0x0c、mshutter调整成0x49、denoise调整成0x05；当目标亮度值为750～2700时，计算机设备则将高感光成像组件的agc调整成0x00、mshutter调整成0x40、denoise调整成0x00；当目标亮度值大于2700时，计算机设备则将高感光成像组件的agc调整成0x00、mshutter调整成0x0f、denoise调整成0x07。
由此，计算机设备基于光仪亮度计测量的目标区域对应的目标亮度值，即可自适应调整高感光成像组件的工作参数，无需人工调整，提升了高感光成像组件的工作参数的调整及时性，从而确保高感光成像组件采集的目标图像的成像效果，进而提升了上坡雾检测的准确性。
应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种上坡雾检测装置，包括：
图像获取模块10，用于获取至少一个目标区域对应的目标图像，所述目标区域是待检测区域中的预设区域；
第一检测模块20，用于针对每个所述目标区域，根据所述目标区域的目标图像获取所述目标区域的能见度值，并检测所述能见度值是否小于或者等于能见度阈值；
第二检测模块30，用于若所述能见度值小于或者等于所述能见度阈值，则检测所述目标区域的环境数据是否满足预设条件，所述预设条件与上坡雾形成的气象因素有关；
确定模块40，用于若各所述目标区域的环境数据均满足所述预设条件，则确定所述待检测区域存在上坡雾。
在一个实施例中，基于上述图6所示的实施例，所述目标区域中部署有高感光成像组件，所述目标区域对应的目标图像是通过所述高感光成像组件获取的；所述预设区域为山腰区域或山谷区域。
在一个实施例中，基于上述图6所示的实施例，所述目标区域包括至少一个目标物，所述第一检测模块20，包括：
第一提取单元，用于针对每个所述目标物，从所述目标图像中提取所述目标物对应的目标物图像；
第二提取单元，用于根据所述目标物图像，提取所述目标物对应的HSV颜色直方图；
获取单元，用于根据各所述目标物对应的HSV颜色直方图，获取所述目标区域的所述能见度值。
可选地，所述获取单元具体用于：
针对每个所述目标物对应的HSV颜色直方图，将所述HSV颜色直方图输入至清晰度分类模型中，得到所述目标物对应的清晰度等级，其中，所述清晰度等级用于表征所述目标物在所述目标物图像中成像的清晰程度，所述清晰度分类模型基于多个样本HSV颜色直方图以及各样本HSV颜色直方图对应的清晰度等级标签训练得到；
获取所述清晰度等级对应的能见度系数，并获取所述目标物与所述目标图像对应的拍摄距离，所述清晰度等级和所述能见度系数正相关；
根据各所述目标物对应的能见度系数和拍摄距离，获取所述能见度值。
可选地，所述获取单元具体用于：
计算各所述目标物对应的能见度系数和拍摄距离的乘积；
计算各所述目标物对应的乘积的平均值，并将所述平均值确定为所述能见度值。
在一个实施例中，基于上述图6所示的实施例，所述目标区域的环境数据包括相对湿度和风向，所述第二检测模块30，包括：
检测单元，用于检测所述相对湿度是否大于预设湿度阈值，并检测所述风向是否为预设风向；
确定单元，用于若所述相对湿度大于所述预设湿度阈值，且所述风向为所述预设风向，则确定所述目标区域的环境数据满足所述预设条件。
在一个实施例中，基于上述图6所示的实施例，所述装置还包括：
测量模块，用于通过光仪亮度计测量所述目标区域对应的目标亮度值；
查找模块，用于根据所述目标亮度值查找预设的参数调整表，得到所述目标亮度值对应的目标成像参数，所述参数调整表包括各亮度值和各成像参数之间的映射关系；
参数设置模块，用于将所述目标成像参数设置为所述目标区域中部署的所述高感光成像组件的工作参数。
关于上坡雾检测装置的具体限定可以参见上文中对于上坡雾检测方法的限定，在此不再赘述。上述上坡雾检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储上坡雾检测方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种上坡雾检测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取至少一个目标区域对应的目标图像，所述目标区域是待检测区域中的预设区域；
针对每个所述目标区域，根据所述目标区域的目标图像获取所述目标区域的能见度值，并检测所述能见度值是否小于或者等于能见度阈值；
若所述能见度值小于或者等于所述能见度阈值，则检测所述目标区域的环境数据是否满足预设条件，所述预设条件与上坡雾形成的气象因素有关；
若各所述目标区域的环境数据均满足所述预设条件，则确定所述待检测区域存在上坡雾。
在一个实施例中，所述目标区域中部署有高感光成像组件，所述目标区域对应的目标图像是通过所述高感光成像组件获取的；所述预设区域为山腰区域或山谷区域。
在一个实施例中，所述目标区域包括至少一个目标物，该处理器执行计算机程序时实现以下步骤：
针对每个所述目标物，从所述目标图像中提取所述目标物对应的目标物图像；
根据所述目标物图像，提取所述目标物对应的HSV颜色直方图；
根据各所述目标物对应的HSV颜色直方图，获取所述目标区域的所述能见度值。
在一个实施例中，该处理器执行计算机程序时实现以下步骤：
针对每个所述目标物对应的HSV颜色直方图，将所述HSV颜色直方图输入至清晰度分类模型中，得到所述目标物对应的清晰度等级，其中，所述清晰度等级用于表征所述目标物在所述目标物图像中成像的清晰程度，所述清晰度分类模型基于多个样本HSV颜色直方图以及各样本HSV颜色直方图对应的清晰度等级标签训练得到；
获取所述清晰度等级对应的能见度系数，并获取所述目标物与所述目标图像对应的拍摄距离，所述清晰度等级和所述能见度系数正相关；
根据各所述目标物对应的能见度系数和拍摄距离，获取所述能见度值。
在一个实施例中，该处理器执行计算机程序时实现以下步骤：
计算各所述目标物对应的能见度系数和拍摄距离的乘积；
计算各所述目标物对应的乘积的平均值，并将所述平均值确定为所述能见度值。
在一个实施例中，所述目标区域的环境数据包括相对湿度和风向，该处理器执行计算机程序时实现以下步骤：
检测所述相对湿度是否大于预设湿度阈值，并检测所述风向是否为预设风向；
若所述相对湿度大于所述预设湿度阈值，且所述风向为所述预设风向，则确定所述目标区域的环境数据满足所述预设条件。
在一个实施例中，该处理器执行计算机程序时实现以下步骤：
通过光仪亮度计测量所述目标区域对应的目标亮度值；
根据所述目标亮度值查找预设的参数调整表，得到所述目标亮度值对应的目标成像参数，所述参数调整表包括各亮度值和各成像参数之间的映射关系；
将所述目标成像参数设置为所述目标区域中部署的所述高感光成像组件的工作参数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取至少一个目标区域对应的目标图像，所述目标区域是待检测区域中的预设区域；
针对每个所述目标区域，根据所述目标区域的目标图像获取所述目标区域的能见度值，并检测所述能见度值是否小于或者等于能见度阈值；
若所述能见度值小于或者等于所述能见度阈值，则检测所述目标区域的环境数据是否满足预设条件，所述预设条件与上坡雾形成的气象因素有关；
若各所述目标区域的环境数据均满足所述预设条件，则确定所述待检测区域存在上坡雾。
在一个实施例中，所述目标区域中部署有高感光成像组件，所述目标区域对应的目标图像是通过所述高感光成像组件获取的；所述预设区域为山腰区域或山谷区域。
在一个实施例中，所述目标区域包括至少一个目标物，计算机程序被处理器执行时实现以下步骤：
针对每个所述目标物，从所述目标图像中提取所述目标物对应的目标物图像；
根据所述目标物图像，提取所述目标物对应的HSV颜色直方图；
根据各所述目标物对应的HSV颜色直方图，获取所述目标区域的所述能见度值。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
针对每个所述目标物对应的HSV颜色直方图，将所述HSV颜色直方图输入至清晰度分类模型中，得到所述目标物对应的清晰度等级，其中，所述清晰度等级用于表征所述目标物在所述目标物图像中成像的清晰程度，所述清晰度分类模型基于多个样本HSV颜色直方图以及各样本HSV颜色直方图对应的清晰度等级标签训练得到；
获取所述清晰度等级对应的能见度系数，并获取所述目标物与所述目标图像对应的拍摄距离，所述清晰度等级和所述能见度系数正相关；
根据各所述目标物对应的能见度系数和拍摄距离，获取所述能见度值。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
计算各所述目标物对应的能见度系数和拍摄距离的乘积；
计算各所述目标物对应的乘积的平均值，并将所述平均值确定为所述能见度值。
在一个实施例中，所述目标区域的环境数据包括相对湿度和风向，计算机程序被处理器执行时实现以下步骤：
检测所述相对湿度是否大于预设湿度阈值，并检测所述风向是否为预设风向；
若所述相对湿度大于所述预设湿度阈值，且所述风向为所述预设风向，则确定所述目标区域的环境数据满足所述预设条件。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
通过光仪亮度计测量所述目标区域对应的目标亮度值；
根据所述目标亮度值查找预设的参数调整表，得到所述目标亮度值对应的目标成像参数，所述参数调整表包括各亮度值和各成像参数之间的映射关系；
将所述目标成像参数设置为所述目标区域中部署的所述高感光成像组件的工作参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种上坡雾检测方法，其特征在于，所述方法包括：
获取至少一个目标区域对应的目标图像，所述目标区域是待检测区域中的预设区域；
针对每个所述目标区域，根据所述目标区域的目标图像获取所述目标区域的能见度值，并检测所述能见度值是否小于或者等于能见度阈值；
若所述能见度值小于或者等于所述能见度阈值，则检测所述目标区域的环境数据是否满足预设条件，所述预设条件与上坡雾形成的气象因素有关；
若各所述目标区域的环境数据均满足所述预设条件，则确定所述待检测区域存在上坡雾。
2.根据权利要求1所述的方法，其特征在于，所述目标区域中部署有高感光成像组件，所述目标区域对应的目标图像是通过所述高感光成像组件获取的；所述预设区域为山腰区域或山谷区域。
3.根据权利要求1或2所述的方法，其特征在于，所述目标区域包括至少一个目标物，所述根据所述目标区域的目标图像获取所述目标区域的能见度值，包括：
针对每个所述目标物，从所述目标图像中提取所述目标物对应的目标物图像；
根据所述目标物图像，提取所述目标物对应的HSV颜色直方图；
根据各所述目标物对应的HSV颜色直方图，获取所述目标区域的所述能见度值。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述目标物对应的HSV颜色直方图，获取所述目标区域的所述能见度值，包括：
针对每个所述目标物对应的HSV颜色直方图，将所述HSV颜色直方图输入至清晰度分类模型中，得到所述目标物对应的清晰度等级，其中，所述清晰度等级用于表征所述目标物在所述目标物图像中成像的清晰程度，所述清晰度分类模型基于多个样本HSV颜色直方图以及各样本HSV颜色直方图对应的清晰度等级标签训练得到；
获取所述清晰度等级对应的能见度系数，并获取所述目标物与所述目标图像对应的拍摄距离，所述清晰度等级和所述能见度系数正相关；
根据各所述目标物对应的能见度系数和拍摄距离，获取所述能见度值。
5.根据权利要求4所述的方法，其特征在于，所述根据各所述目标物对应的能见度系数和拍摄距离，获取所述能见度值，包括：
计算各所述目标物对应的能见度系数和拍摄距离的乘积；
计算各所述目标物对应的乘积的平均值，并将所述平均值确定为所述能见度值。
6.根据权利要求1所述的方法，其特征在于，所述目标区域的环境数据包括相对湿度和风向，所述检测所述目标区域的环境数据是否满足预设条件，包括：
检测所述相对湿度是否大于预设湿度阈值，并检测所述风向是否为预设风向；
若所述相对湿度大于所述预设湿度阈值，且所述风向为所述预设风向，则确定所述目标区域的环境数据满足所述预设条件。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
通过光仪亮度计测量所述目标区域对应的目标亮度值；
根据所述目标亮度值查找预设的参数调整表，得到所述目标亮度值对应的目标成像参数，所述参数调整表包括各亮度值和各成像参数之间的映射关系；
将所述目标成像参数设置为所述目标区域中部署的所述高感光成像组件的工作参数。
8.一种上坡雾检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取至少一个目标区域对应的目标图像，所述目标区域是待检测区域中的预设区域；
第一检测模块，用于针对每个所述目标区域，根据所述目标区域的目标图像获取所述目标区域的能见度值，并检测所述能见度值是否小于或者等于能见度阈值；
第二检测模块，用于若所述能见度值小于或者等于所述能见度阈值，则检测所述目标区域的环境数据是否满足预设条件，所述预设条件与上坡雾形成的气象因素有关；
确定模块，用于若各所述目标区域的环境数据均满足所述预设条件，则确定所述待检测区域存在上坡雾。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010762477.9A CN111899309A (zh) | 2020-07-31 | 2020-07-31 | 上坡雾检测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010762477.9A CN111899309A (zh) | 2020-07-31 | 2020-07-31 | 上坡雾检测方法、装置、计算机设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111899309A true CN111899309A (zh) | 2020-11-06 |
Family
ID=73183635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010762477.9A Pending CN111899309A (zh) | 2020-07-31 | 2020-07-31 | 上坡雾检测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111899309A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101281642A (zh) * | 2008-05-12 | 2008-10-08 | 西安理工大学 | 基于自适应聚类颜色传递的雾天图像清晰化方法 |
| CN104463196A (zh) * | 2014-11-11 | 2015-03-25 | 中国人民解放军理工大学 | 一种基于视频的天气现象识别方法 |
| CN107277299A (zh) * | 2017-07-27 | 2017-10-20 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
| CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
| CN109782372A (zh) * | 2019-01-28 | 2019-05-21 | 中国气象局气象探测中心 | 一种结霜现象自动识别方法及系统 |
| CN111259957A (zh) * | 2020-01-15 | 2020-06-09 | 上海眼控科技股份有限公司 | 基于深度学习的能见度监测和模型训练方法、装置、终端及介质 |
| CN111413297A (zh) * | 2020-04-13 | 2020-07-14 | 上海眼控科技股份有限公司 | 能见度测量方法、装置、计算机设备及存储介质 |
-
2020
- 2020-07-31 CN CN202010762477.9A patent/CN111899309A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101281642A (zh) * | 2008-05-12 | 2008-10-08 | 西安理工大学 | 基于自适应聚类颜色传递的雾天图像清晰化方法 |
| CN104463196A (zh) * | 2014-11-11 | 2015-03-25 | 中国人民解放军理工大学 | 一种基于视频的天气现象识别方法 |
| CN107277299A (zh) * | 2017-07-27 | 2017-10-20 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
| CN107424133A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像去雾方法、装置、计算机可存储介质和移动终端 |
| CN109782372A (zh) * | 2019-01-28 | 2019-05-21 | 中国气象局气象探测中心 | 一种结霜现象自动识别方法及系统 |
| CN111259957A (zh) * | 2020-01-15 | 2020-06-09 | 上海眼控科技股份有限公司 | 基于深度学习的能见度监测和模型训练方法、装置、终端及介质 |
| CN111413297A (zh) * | 2020-04-13 | 2020-07-14 | 上海眼控科技股份有限公司 | 能见度测量方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| KWANG YEON CHOI 等: "Fog Detection for De-fogging of Road Driving Images", 《IEEE》, 31 December 2017 (2017-12-31) * |
| 吴颖斌;: "基于HSV颜色模型的直方图均衡化图像去雾技术", 运城学院学报, no. 06, 25 December 2016 (2016-12-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Biomass and vegetation coverage survey in the Mu Us sandy land-based on unmanned aerial vehicle RGB images | |
| CN111666855B (zh) | 基于无人机的动物三维参数提取方法、系统及电子设备 | |
| US10861172B2 (en) | Sensors and methods for monitoring flying objects | |
| GB2498331A (en) | Method of classifying images of animals based on their taxonomic group | |
| David et al. | Vegetation indices and textures in object-based weed detection from UAV imagery | |
| CN108896021B (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
| CN113029971A (zh) | 一种作物冠层氮素监测方法及系统 | |
| Hou et al. | Extraction of remote sensing-based forest management units in tropical forests | |
| WO2020093624A1 (zh) | 一种基于多尺度检测算法的天线下倾角测量方法 | |
| CN111932519A (zh) | 天气预测方法、装置、计算机设备和存储介质 | |
| JP7450838B1 (ja) | 背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法および装置 | |
| Saboori et al. | Automatically selecting hot and cold pixels for satellite actual evapotranspiration estimation under different topographic and climatic conditions | |
| Cruz et al. | Precise real-time detection of nonforested areas with UAVs | |
| CN106407994A (zh) | 一种利用Hough变换与函数拟合的导线覆冰厚度图像识别方法 | |
| Bassiouni et al. | A method for quantifying cloud immersion in a tropical mountain forest using time-lapse photography | |
| Hu et al. | Individual tree crown width detection from unmanned aerial vehicle images using a revised local transect method | |
| CN111914933A (zh) | 降雪检测方法、装置、计算机设备和可读存储介质 | |
| CN113655003A (zh) | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 | |
| US20050114026A1 (en) | Sub-visible cloud cover assessment: VNIR-SWIR | |
| CN111899309A (zh) | 上坡雾检测方法、装置、计算机设备和可读存储介质 | |
| CN113378754A (zh) | 一种工地裸土监测方法 | |
| CN111785094B (zh) | 平流雾检测方法、装置、计算机设备和可读存储介质 | |
| KR101877173B1 (ko) | 위성영상을 이용한 해안선 검출 시스템 및 방법 | |
| CN112734794B (zh) | 一种基于深度学习的运动目标跟踪与定位方法 | |
| CN114519400A (zh) | 分割结果评估方法、装置、电子设备和可读存储介质 |
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 |