CN112149648A - 一种基于灰度可变阈值的水位线识别与估计方法及装置 - Google Patents
一种基于灰度可变阈值的水位线识别与估计方法及装置 Download PDFInfo
- Publication number
- CN112149648A CN112149648A CN202011326527.5A CN202011326527A CN112149648A CN 112149648 A CN112149648 A CN 112149648A CN 202011326527 A CN202011326527 A CN 202011326527A CN 112149648 A CN112149648 A CN 112149648A
- Authority
- CN
- China
- Prior art keywords
- image
- water level
- determining
- value
- variable threshold
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 241001113556 Elodea Species 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于灰度可变阈值的水位线识别与估计方法及装置,其方法包括如下步骤:实时获取当前水位监测图像,将其作为第一图像;将所述第一图像进行预处理,将预处理后的第一图像按照预设模板进行可变阈值的极值化处理,得到第二图像;根据所述第一图像的上一帧图像及其水位预测值作为第一基准,确定所述第二图像的极值化区域;根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。本发明通过基于实时像方空间预测的可变阈值的极值化方法和深度学习目标检测方法融合进行水位线的定位,提高水位预测的准确度、稳定性,以及能适应夜晚反光、水草环绕、水位线不明显等复杂场景。
Description
技术领域
本发明属于深度学习与水位测量领域,尤其涉及一种基于灰度可变阈值的水位线识别与估计方法及装置。
背景技术
在水利行业中,对于水位的检测是关键的要素。目前传统水位检测的方式主要分为传感器自动测量和人工水尺目测两种。前者有较高的建设成本,且对环境要求极为苛刻,稍微不利的环境便会对识别结果造成很大的影响,而后者则会耗费巨大的人力,且效率低、时效性差。
目前行业背景下已存在以目标检测或图像二值化为主要技术进行水位识别的方法,但是每个方法都有一定的局限性。对于目标检测(检测水尺中的“E”字符进行水位预测),对于水尺的清晰度以及光照条件有极其苛刻的要求,可能会因为水尺材质、环境污染、背光、水位倒影等导致极大误差,另外也无法实现全天候识别。而对于简单的二值化处理(基于形态学分析裁剪)的方法,对于环境水质、水尺颜色材质等有一定的要求,如果水尺颜色和水质颜色相近,或者倒影清晰,那么二值化的结果将无法判断水位线的位置,形态学分析结果就会不准确。
发明内容
本发明针对现有水位测量成本高、效率低、时效性差、稳定性差的技术问题,在本发明的第一方面提供一种基于灰度可变阈值的水位线识别与估计方法,包括如下步骤:实时获取当前水位监测图像,将其作为第一图像;将所述第一图像进行预处理,将预处理后的第一图像按照预设模板进行可变阈值的极值化处理,得到第二图像;根据所述第一图像的上一帧图像及其水位预测值作为第一基准,确定所述第二图像的极值化区域;根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。
在本发明的一些实施例中,所述将所述第一图像进行预处理包括如下步骤:对所述第一图像进行无损旋转;对所述第一图像的色度、对比度、亮度、锐度进行自适应增强;对所述第一图像中的噪点进行非线性滤波。
进一步的,所述将所述第一图像进行预处理,将预处理后的第一图像按照预设模板进行可变阈值的极值化处理,得到第二图像包括如下步骤:根据所述第一图像根据其宽度将其像素点划分为若干行;确定起始点、起始行和遍历方向;每遍历完一行反转首尾位置和遍历顺序;按上述遍历顺序将所述第一图像中的每个像素点的灰度值与动态阈值比较:若像素点的灰度值小于动态阈值,将其灰度值置为1;否则,将其灰度值置为0。
更进一步的,所述动态阈值的计算方法为:计算所述第一图像的任一点n的前S个
像素的总和:,其
中P n 为图像中位于点n处的像素灰度值,f s (n)表示所述第一图像的任一点n的前S个像素灰
度值的总和;
其中h(n)表示动态阈值关于n的函数,g(n)为初始阈值函数,width表示所述第一图像的每一行所包含像素数,n为任意一点在第一图像的序数。
在本发明的一些实施例中,还包括:利用目标检测神经网络对所述第一图像中的水尺进行检测,并得到第二水位预测值;将所述第一水位预测值与第二水位预测值进行融合,得到最终水位预测值。
在本发明的一些实施例中,所述根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值包括如下步骤:根据所述第一基准和第二图像的极值化区域确定所述第一基准在第二图像中的对应区域并将其作为第二基准;根据所述第二基准、卡尔曼滤波方程、当前测量值确定当前水位线和第一水位预测值。
第二方面,提供了一种基于灰度可变阈值的水位线识别与估计装置,包括获取模块、预处理模块、极值化模块、确定模块,所述获取模块,用于实时获取当前水位监测图像,将其作为第一图像;所述预处理模块,用于将所述第一图像进行预处理,将预处理后的第一图像按照预设模板进行可变阈值的极值化处理,得到第二图像;所述极值化模块,用于根据所述第一图像的上一帧图像及其水位预测值作为第一基准,确定所述第二图像的极值化区域;所述确定模块,用于根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。
进一步的,所述确定模块包括目标检测神经网络,所述目标检测神经网络为YOLO网络。
第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面所述的方法。
第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时本发明第一方面所述的方法。
本发明的有益效果是:
1、本发明通过实时采集水位检测区域的图像,提出了针对图像像方空间预测的可变阈值的极值化方法,能准确提取水位线,通过与深度学习目标检测方法的融合提高了准确度、稳定性等;
2、针对夜晚反光、水草环绕、水位线不明显等复杂场景,本发明首先通过图像增强和滤波等预处理方法减弱了这类噪声的影响;然后通过多源数据融合,在识别失效的极端情况仍然能通过预测基准值以及目标检测网络对测量值进行预测,使得最终结果与目测值误差在阈值范围内;
3、常规方法有很多是基于水尺识别的,只能适应白天以及夜晚完善补光的情况,而本发明由于采用了可变阈值的极值化,可在无水尺的情形进行全天候识别。
附图说明
图1为本发明的一些实施例中的基于灰度可变阈值的水位线识别与估计方法的基本流程图;
图2为本发明的一些实施例中的中值滤波示意图;
图3为现有技术中一般二值化阈值示意图;
图4为现有技术中整体阈值均值示意图;
图5为本发明的一些实施例中的可变阈值极值化的遍历顺序示意图;
图6为本发明的一些实施例中的基于像方空间基准值的动态极值化方法示意图;
图7为本发明的一些实施例中的卡尔曼滤波中的协方差融合示意图;
图8a、8b为本发明的一些实施例中的预设模板,图8c为匹配模板后的示意图;
图9为本发明的一些实施例中的可变阈值极值化的前后以及常规阈值极值化的对比图;
图10a-10d为在不同环境下水尺竖直目标检测的效果示意图;
图11为本发明的一些实施例中的基于灰度可变阈值的水位线识别与估计装置基本结构示意图;
图12为本发明的一些实施例中的基于灰度可变阈值的水位线识别与估计装置基本结构及工作流程示意图;
图13为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参考图1、图8a-8c、图9,在本发明的第一方面提供了一种基于灰度可变阈值的水位线识别与估计方法,包括如下步骤:S101.实时获取当前水位监测图像,将其作为第一图像;S102.将所述第一图像进行预处理,将预处理后的第一图像按照预设模板进行可变阈值的极值化处理,得到第二图像;S103.根据所述第一图像的上一帧图像及其水位预测值作为第一基准,确定所述第二图像的极值化区域;S104.根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。
可以理解,模板获取使用了相关系数匹配的方法,获取对应水位点的模板区域,并根据两个基准值(图像的同名点)获得绝对高程,从而得到水位计算的模板。
相关系数模板匹配,相关系数(r)是一种数学距离,可以用来衡量两个向量的相似程度。其公式为:
基于上述对于模板搜索策略的优化下,在一些场景下运用了以上一帧的目标中心为起点,以梯度下降的方法来搜索目标。该方法对于摄像头稳定的水位监测图像,是非常实用的。若遇到运动幅度大的情况,还需加入图像金字塔的方法进行搜索。
在本发明的一些实施例中,对于特定场景,由于背光、模板旋转、白天黑夜交替等各种问题,需要对水位获取的源图像进行相应的旋转、图像增强和滤波。因此,所述将所述第一图像进行预处理包括如下步骤:对所述第一图像进行无损旋转;对所述第一图像的色度、对比度、亮度、锐度进行自适应增强;对所述第一图像中的噪点进行非线性滤波。
具体地,角度旋转过程实现了一种基于原图旋转且不损失像素点的旋转模型。通过仿射变化矩阵获得对应角度的旋转矩阵,得到该旋转矩阵对应结果图的像素点信息,并通过黑色点补偿旋转导致的图像形变。
图像增强是利用图像处理库PIL自带的ImageEnhance模块,其中包含了色度增强、对比度增强、亮度增强以及锐度增强等。本发明将这些模块进行了封装并设定了阈值,实现了自适应。通过对处理结果置信度的监测来自动化调节每个模块对应的设定值。
参考图2,滤波过程实现并集成了一种21*21采样窗口的中值滤波,来消除水面波光、水草等导致的噪点影响。中值滤波属于非线性滤波,不仅对孤立杂点的消除效果显著,对稍密集的杂点也有很好的去除效果。
进一步的,对于水位线的提取,在模板区域水位线上下区域是有明显的像素差的。这个像素差的对比度等,通过图像预处理,已经得到了明显的凸显,并弱化了多数的噪点。在此基础上,本发明实现了一种可变阈值的极值化方法,能够直接将水位线以上的部分和水位线以下的部分,用明显不同的两种颜色展示出来,从而在图像空间获取水位线的位置。
参考图3至图5,在一些实施例的步骤S102中,将第一图像进行预处理,将预处理后的第一图像按照预设模板对进行可变阈值的极值化处理,得到第二图像包括如下步骤:根据所述第一图像根据其宽度将其像素点划分为若干行;确定起始点、起始行和遍历方向;每遍历完一行反转首尾位置和遍历顺序;按上述遍历顺序将所述第一图像中的每个像素点的灰度值与动态阈值比较:若像素点的灰度值小于动态阈值,将其灰度值置为1;否则,将其灰度值置为0。
参考图6,更进一步的,所述动态阈值的计算方法为:计算所述第一图像的任一点n
的前S个像素的总和: ,其中P n 为图像中位于点n处的像素灰度值,f s (n)表
示所述第一图像的任一点n的前S个像素灰度值的总和;
其中h(n)表示动态阈值关于n的函数,g(n)为初始阈值函数,width表示所述第一图像的每一行所包含像素数,n为任意一点在第一图像的序数。
参考图9,示例性地,左图为获取的水位检测的原始图像,中图为常规二值化处理后的图像,右图为经过本发明的可变阈值的极值化处理后的图像;可以看出,经过本发明的可变阈值的极值化处理后,水位线较于常规二值化处理方法的水位线更加清晰容易辨认。
参考图10a-10d,在本发明的一些实施例中,还包括:利用目标检测神经网络对所述第一图像中的水尺进行检测,并得到第二水位预测值;将所述第一水位预测值与第二水位预测值进行融合,得到最终水位预测值。
具体地,利用Yolo目标检测网络,全自动检测视频帧的目标,并将其以目标框的形式给标注出来,随后将输出的数字目标框及像素点位置信息和前面的水位线计算结果融合,评估水位线的实际值。优选的,上述目标检测神经网络至少为Yolo V3、Yolo V4、YoloV5其中的一种。
在本发明的一些实施例中,所述根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值包括如下步骤:根据所述第一基准和第二图像的极值化区域确定所述第一基准在第二图像中的对应区域并将其作为第二基准;根据所述第二基准、卡尔曼滤波方程、当前测量值确定当前水位线和第一水位预测值。
具体参考图7,首先,引入一个离散控制过程,该过程可以用以下线性随机微分方程来描述:X(k)=AX(k-1)+BU(k)+W(k),再加上测量值,最终结果可表示为:Z(k)=HX(k)+V(k)+H'R(k),以上两个公式中,X(k)是K时刻的基准值,有水尺的情况下还包括了目标检测水位预测值,U(k)是k时刻对系统的控制量,A和B是系统参数,对于有水尺的情况(添加目标检测预测值的情况),它们为矩阵。而R(k)是k时刻的测量值,H'是测量系统的参数,如果是多测量系统,则为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声,他们的协方差分别是Q,R(假设Q,R不随水位系统状态变化而变化)。
对于满足上面的计算模型,卡尔曼滤波是最优信息处理方法。假设现在的系统状态为k,根据系统模型可以基于上一个状态预测出现在的基准:
X(k∣k-1)=AX(k-1∣k-1)+BU(k);
上式中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果,U(k)为现在状态的控制量。
而X(k∣k-1)的协方差,用P表现如下:P(k∣k-1)=AP(k-1∣k-1)A'+Q,
P(k|k-1)是X(k|k-1)对应的协方差,P(k-1|k-1)是X(k-1|k-1)对应的协方差,A'表示A的转置矩阵,Q是系统过程的协方差。上述两个公式即为位于系统的预测。
结合预测值和测量值可以得到现在状态(k)的最优化估算值X(k|k):X(k∣k)=X(k∣k-1)+Kg(k)(Z(k)-H×(k∣k-1)),其中Kg为卡尔曼增益:Kg(k)=P(k∣k-1)H'/(HP(k∣k-1)H'+R);
由此可以得到k状态下最优的估算值X(k∣k),但是要让该过程一直进行下去,需要更新k状态下的X(k|k)的协方差:
P(k∣k)=(I-Kg(k)H)P(k∣k-1)。
对于本系统单模型单测量值,I=1。当系统进入k+1状态时,P(k|k)就是k状态下的的P(k-1|k-1)。这样,该迭代计算就可以自回归的执行下去。
参考图11与图12,本发明还公开了一种基于灰度可变阈值的水位线识别与估计装置1,包括获取模块11、预处理模块12、极值化模块13、确定模块14,所述获取模块11,用于实时获取当前水位监测图像,将其作为第一图像;所述预处理模块12,用于将所述第一图像进行预处理,将预处理后的第一图像按照预设模板进行可变阈值的极值化处理,得到第二图像;所述极值化模块13,用于根据所述第一图像的上一帧图像及其水位预测值作为第一基准,确定所述第二图像的极值化区域;所述确定模块14,用于根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。
进一步的,确定模块14包括目标检测神经网络,目标检测神经网络为YOLO网络。此外,预处理模块,包括角度旋转模块、图像增强模块、滤波模块;确定模块,包括数据融合滤波模块。
参考图13,本发明公开了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面提供的基于深度学习的水位线识别与估计方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图13示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图13中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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 (10)
1.一种基于灰度可变阈值的水位线识别与估计方法,其特征在于,包括如下步骤:
实时获取当前水位监测图像,将其作为第一图像;
将所述第一图像进行预处理,将预处理后的第一图像按照预设模板进行可变阈值的极值化处理,得到第二图像;
根据所述第一图像的上一帧图像及其水位预测值作为第一基准,确定所述第二图像的极值化区域;
根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。
2.根据权利要求1所述的基于灰度可变阈值的水位线识别与估计方法,其特征在于,所述将所述第一图像进行预处理包括如下步骤:
对所述第一图像进行无损旋转;
对所述第一图像的色度、对比度、亮度、锐度进行自适应增强;
对所述第一图像中的噪点进行非线性滤波。
3.根据权利要求2所述的基于灰度可变阈值的水位线识别与估计方法,其特征在于,所述将所述第一图像进行预处理,将预处理后的第一图像按照预设模板进行可变阈值的极值化处理,得到第二图像包括如下步骤:
根据所述第一图像根据其宽度将其像素点划分为若干行;
确定起始点、起始行和遍历方向;
每遍历完一行反转首尾位置和遍历顺序;
按上述遍历顺序将所述第一图像中的每个像素点的灰度值与动态阈值比较:若像素点的灰度值小于动态阈值,将其灰度值置为1;否则,将其灰度值置为0。
5.根据权利要求1所述的基于灰度可变阈值的水位线识别与估计方法,其特征在于,还包括:
利用目标检测神经网络对所述第一图像中的水尺进行检测,并得到第二水位预测值;
将所述第一水位预测值与第二水位预测值进行融合,得到最终水位预测值。
6.根据权利要求1所述的基于灰度可变阈值的水位线识别与估计方法,其特征在于,所述根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值包括如下步骤:
根据所述第一基准和第二图像的极值化区域确定所述第一基准在第二图像中的对应区域并将其作为第二基准;
根据所述第二基准、卡尔曼滤波方程、当前测量值确定当前水位线和第一水位预测值。
7.一种基于灰度可变阈值的水位线识别与估计装置,其特征在于,包括获取模块、预处理模块、极值化模块、确定模块,
所述获取模块,用于实时获取当前水位监测图像,将其作为第一图像;
所述预处理模块,用于将所述第一图像进行预处理,将预处理后的第一图像按照预设模板进行可变阈值的极值化处理,得到第二图像;
所述极值化模块,用于根据所述第一图像的上一帧图像及其水位预测值作为第一基准,确定所述第二图像的极值化区域;
所述确定模块,用于根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。
8.根据权利要求7所述的基于灰度可变阈值的水位线识别与估计装置,其特征在于,所述确定模块包括目标检测神经网络,所述目标检测神经网络为YOLO网络。
9.一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326527.5A CN112149648B (zh) | 2020-11-24 | 2020-11-24 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326527.5A CN112149648B (zh) | 2020-11-24 | 2020-11-24 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149648A true CN112149648A (zh) | 2020-12-29 |
CN112149648B CN112149648B (zh) | 2021-02-12 |
Family
ID=73887295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011326527.5A Active CN112149648B (zh) | 2020-11-24 | 2020-11-24 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149648B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113074797A (zh) * | 2021-02-20 | 2021-07-06 | 武汉依迅北斗时空技术股份有限公司 | 一种无水尺测量水位装置及水位标定方法 |
CN113639822A (zh) * | 2021-08-13 | 2021-11-12 | 湖北工业大学 | 测量机器人用于大坝变形监测时的辅助水位测量方法 |
CN113762618A (zh) * | 2021-09-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
CN114812736A (zh) * | 2022-04-14 | 2022-07-29 | 山西长河科技股份有限公司 | 一种水位监测的方法、装置、终端及存储介质 |
CN115240394A (zh) * | 2022-09-22 | 2022-10-25 | 国网湖北省电力有限公司经济技术研究院 | 一种变电站事故油池水位监测预警方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663730A (zh) * | 2012-03-12 | 2012-09-12 | 西安电子科技大学 | 基于Treelet和方向自适应滤波的遥感图像变化检测方法 |
US9240054B1 (en) * | 2014-08-08 | 2016-01-19 | National Applied Research Laboratories | Method for monitoring water level of a water body and system for implementing the method |
CN107506798A (zh) * | 2017-08-31 | 2017-12-22 | 福建四创软件有限公司 | 一种基于图像识别的水位监测方法 |
CN110334680A (zh) * | 2019-07-12 | 2019-10-15 | 南京海豚梦智能科技有限公司 | 基于爬壁机器人的船舶水尺识别方法、系统、装置 |
CN110440868A (zh) * | 2019-07-17 | 2019-11-12 | 福州台英网络信息技术有限公司 | 一种水位监测系统及方法 |
CN110909640A (zh) * | 2019-11-11 | 2020-03-24 | 浙江大华技术股份有限公司 | 水位线的确定方法及装置、存储介质、电子装置 |
CN111473777A (zh) * | 2020-03-06 | 2020-07-31 | 李�杰 | 一种水文用监测系统及方法 |
CN111626190A (zh) * | 2020-05-26 | 2020-09-04 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
-
2020
- 2020-11-24 CN CN202011326527.5A patent/CN112149648B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663730A (zh) * | 2012-03-12 | 2012-09-12 | 西安电子科技大学 | 基于Treelet和方向自适应滤波的遥感图像变化检测方法 |
US9240054B1 (en) * | 2014-08-08 | 2016-01-19 | National Applied Research Laboratories | Method for monitoring water level of a water body and system for implementing the method |
CN107506798A (zh) * | 2017-08-31 | 2017-12-22 | 福建四创软件有限公司 | 一种基于图像识别的水位监测方法 |
CN110334680A (zh) * | 2019-07-12 | 2019-10-15 | 南京海豚梦智能科技有限公司 | 基于爬壁机器人的船舶水尺识别方法、系统、装置 |
CN110440868A (zh) * | 2019-07-17 | 2019-11-12 | 福州台英网络信息技术有限公司 | 一种水位监测系统及方法 |
CN110909640A (zh) * | 2019-11-11 | 2020-03-24 | 浙江大华技术股份有限公司 | 水位线的确定方法及装置、存储介质、电子装置 |
CN111473777A (zh) * | 2020-03-06 | 2020-07-31 | 李�杰 | 一种水文用监测系统及方法 |
CN111626190A (zh) * | 2020-05-26 | 2020-09-04 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113074797A (zh) * | 2021-02-20 | 2021-07-06 | 武汉依迅北斗时空技术股份有限公司 | 一种无水尺测量水位装置及水位标定方法 |
CN113639822A (zh) * | 2021-08-13 | 2021-11-12 | 湖北工业大学 | 测量机器人用于大坝变形监测时的辅助水位测量方法 |
CN113639822B (zh) * | 2021-08-13 | 2024-01-16 | 湖北工业大学 | 测量机器人用于大坝变形监测时的辅助水位测量方法 |
CN113762618A (zh) * | 2021-09-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
CN113762618B (zh) * | 2021-09-07 | 2022-03-01 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
CN114812736A (zh) * | 2022-04-14 | 2022-07-29 | 山西长河科技股份有限公司 | 一种水位监测的方法、装置、终端及存储介质 |
CN115240394A (zh) * | 2022-09-22 | 2022-10-25 | 国网湖北省电力有限公司经济技术研究院 | 一种变电站事故油池水位监测预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112149648B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149648B (zh) | 一种基于灰度可变阈值的水位线识别与估计方法及装置 | |
EP3815043A1 (en) | Systems and methods for depth estimation via affinity learned with convolutional spatial propagation networks | |
US10032088B2 (en) | Method and system for classifying painted road markings in an automotive driver-vehicle-assistance device | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN106570485B (zh) | 一种基于深度学习的筏式养殖遥感图像场景标注方法 | |
CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
CN116453104B (zh) | 液位识别方法、装置、电子设备及计算机可读存储介质 | |
US11074707B2 (en) | Method and system of antenna measurement for mobile communication base station | |
CN109916415B (zh) | 道路类型确定方法、装置、设备及存储介质 | |
US20230146924A1 (en) | Neural network analysis of lfa test strips | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN112149707B (zh) | 图像采集控制方法、装置、介质及设备 | |
US20220215576A1 (en) | Information processing device, information processing method, and computer program product | |
CN113705380A (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN116682286B (zh) | 一种基于海上目标检测的船舶预警方法及系统 | |
CN113570554A (zh) | 一种基于场景深度的单幅图像能见度检测方法 | |
CN112818789A (zh) | 一种船只进出港的检测方法及装置 | |
CN116310263A (zh) | 一种指针式航空地平仪示数自动读取实现方法 | |
CN112991388B (zh) | 基于光流跟踪预测和凸几何距离的线段特征跟踪方法 | |
CN115527128A (zh) | 基于语义分割的航拍图像快速定位方法 | |
Qiu et al. | Perception-oriented UAV Image Dehazing Based on Super-Pixel Scene Prior | |
CN118334383B (zh) | 一种变化检测样本更新方法及装置 | |
WO2021189353A1 (en) | Method and system of antenna measurement for mobile communication base station | |
CN112434674B (zh) | 基于标注框虚拟扩增的微小人脸检测方法、系统及设备 | |
CN109726724B (zh) | 一种遮挡情况下水尺图像特征加权学习识别方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and Device for Identifying and Estimating Water Level Lines Based on Gray Variable Thresholds Effective date of registration: 20231022 Granted publication date: 20210212 Pledgee: China Construction Bank Corporation Wuhan Guanggu Free Trade Zone Branch Pledgor: WUHAN OPTICS VALLEY INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2023980061788 |