CN112419231A - 能见度确定方法、装置、计算机设备和存储介质 - Google Patents
能见度确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112419231A CN112419231A CN202011104027.7A CN202011104027A CN112419231A CN 112419231 A CN112419231 A CN 112419231A CN 202011104027 A CN202011104027 A CN 202011104027A CN 112419231 A CN112419231 A CN 112419231A
- Authority
- CN
- China
- Prior art keywords
- image
- visibility
- images
- preset
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000002834 transmittance Methods 0.000 claims description 59
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种能见度确定方法、装置、计算机设备和存储介质。该方法包括:按照第一预设尺寸,对目标图像进行区域划分,得到第一数量个第一图像;按照第二预设尺寸,对目标图像进行纵向划分,得到第二数量个第二图像;按照预设的聚类中心,对第一数量个第一图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别;对于每一第二图像,确定出第二图像中每一类别对应的第一图像的占比,得到第二图像对应的预设数量个比值;将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到图像对应的目标能见度。从而降低第一图像对应的局部图像的影响,避免出现图像局部区域干扰全局的情况,使得根据预设数量个比值确定的目标能见度更精确。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种能见度确定方法、装置、计算机设备和存储介质。
背景技术
随着图像处理技术的发展,出现了基于图像进行能见度检测的技术。基于图像进行能见度检测的技术,能够避免传统能见度检测中的设备架设难度大、成本高的问题,能在一定程度上节约能见度检测的成本,提升检测速度。目前基于图像进行能见度检测的方式,通常是通过确定图像的透射率,进而根据图像的透射率去确定获取该图像时的能见度。
然而,鉴于图像拍摄环境、拍摄设备和拍摄角度的影响,可能存在图像局部无法有效反应获取该图像时的能见度的情况。当前通过图像的透射率去确定该图像对应能见度的方式,容易存在图像局部区域干扰全局的情况,得到的能见度无法精确地反应图像获取时的能见度。
发明内容
基于此,有必要针对上述技术问题,提供一种能够精确地反应图像能见度的能见度确定方法、装置、计算机设备和存储介质。
一种能见度确定方法,所述方法包括:
按照第一预设尺寸,对目标图像进行区域划分,得到第一数量个第一图像;
按照第二预设尺寸,对所述目标图像进行纵向划分,得到第二数量个第二图像;
按照预设的聚类中心,对所述第一数量个第一图像的透射率进行聚类,得到与所述聚类中心对应的预设数量个类别;
对于每一所述第二图像,确定出所述第二图像中每一所述类别对应的第一图像的占比,得到所述第二图像对应的预设数量个比值;
将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到所述图像对应的目标能见度;其中,所述能见度识别模型为根据历史图像训练得到的。
在其中一个实施例中,所述将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到所述图像对应的目标能见度,包括:
对于每一第二图像,将所述第二图像对应的预设数量个比值输入预设的能见度识别模型,得到所述第二图像对应的能见度;其中,所述第二数量个第二图像对应第二数量个能见度;
对所述第二数量个能见度进行加权,得到所述目标能见度。
在其中一个实施例中,所述能见度识别模型的获取方式,包括:
获取历史图像,并确定出所述历史图像对应的预设数量个比值以及所述历史图像对应的历史能见度;
以所述历史图像对应的预设数量个比值为输入,所述历史能见度为监督信息,对预设的初始能见度识别模型进行训练,得到所述能见度识别模型。
在其中一个实施例中,所述对于每一所述第二图像,确定出所述第二图像中每一所述类别对应的第一图像的占比,得到所述第二图像对应的预设数量个比值,包括:
对于每一所述第二图像,确定出所述第二图像中每一所述类别的第一图像的像素点总量;
将所述每一所述类别对应的别第一图像的像素点总量,与所述第二图像对应的第二像素点总量之间的比值,确定为所述第二图像对应预设数量个比值中的一个比值;每一所述类别对应一个所述比值,所述第二图像对应预设数量个比值。
在其中一个实施例中,所述对于每一所述第二图像,确定出所述第二图像中每一所述类别的第一图像的像素点总量,包括:
对于每一所述第二图像,将所述第二图像中每一所述类别对应的第一图像,确定为第一目标图像;
获取每一所述第一目标图像对应的像素点数量,并将每一所述第一目标图像对应的像素点数量的总和,确定为所述像素点总量。
在其中一个实施例中,所述按照预设的聚类中心,对所述第一数量个第一图像的透射率进行聚类,得到与所述聚类中心对应的类别,包括:
获取每一所述第一图像对应的透射率,得到所述第一数量个透射率;
按照所述聚类中心,对所述第一数量个透射率进行聚类,得到与所述聚类中心对应的类别。
在其中一个实施例中,所述获取每一所述第一图像对应的透射率,得到所述第一数量个透射率,包括:
对于每一所述第一图像,通过暗通道先验算法,确定每一所述第一图像对应的透射率,得到所述第一数量个透射率。
一种能见度确定装置,所述装置包括:
第一图像分割模块,用于按照第一预设尺寸,对目标图像进行区域划分,得到第一数量个第一图像;
第二图像分割模块,用于按照第二预设尺寸,对所述目标图像进行纵向划分,得到第二数量个第二图像;
透射率聚类模块,用于按照预设的聚类中心,对所述第一数量个第一图像的透射率进行聚类,得到与所述聚类中心对应的预设数量个类别;
比值确定模块,用于对于每一所述第二图像,确定出所述第二图像中每一所述类别对应的第一图像的占比,得到所述第二图像对应的预设数量个比值;
能见度确定模块,用于将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到所述图像对应的目标能见度;其中,所述能见度识别模型为根据历史图像训练得到的。
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上述任一项所述的方法的步骤。
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上述任一项所述的方法的步骤。
上述能见度确定方法、装置、计算机设备和存储介质,通过按照预设的聚类中心,对第一数量个第一图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别,进一步确定出每一第一图像对应的局部图像上的透射率。并根据透射率的聚类结果,确定出第二图像中每一类别对应的第一图像的占比,得到第二图像对应的预设数量个比值。该比值可以消除单一第一图像对整幅图像的影响,降低第一图像对应的局部图像的影响,避免出现图像局部区域干扰全局的情况,使得根据预设数量个比值确定出的目标能见度更精确。
附图说明
图1为一个实施例中能见度确定方法的应用环境图;
图2为一个实施例中能见度确定方法的流程示意图;
图3为一个实施例中步骤S500的一种可实施方式的流程示意图;
图4为一个实施例中步骤S400的一种可实施方式的流程示意图;
图5为一个实施例中步骤S300的一种可实施方式的流程示意图;
图6为一个实施例中能见度确定装置的结构框图;
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。
本申请提供的能见度确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102通过按照预设的聚类中心,对第一数量个第一图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别,进一步确定出每一第一图像对应的局部图像上的透射率。并根据透射率的聚类结果,确定出第二图像中每一类别对应的第一图像的占比,得到第二图像对应的预设数量个比值。该比值可以消除单一第一图像对整幅图像的影响,降低第一图像对应的局部图像的影响,避免出现图像局部区域干扰全局的情况,使得根据预设数量个比值确定出的目标能见度更精确。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种能见度确定方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤S100,按照第一预设尺寸,对目标图像进行区域划分,得到第一数量个第一图像。
步骤S200,按照第二预设尺寸,对目标图像进行纵向划分,得到第二数量个第二图像。
步骤S300,按照预设的聚类中心,对第一数量个第一图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别。
步骤S400,对于每一第二图像,确定出第二图像中每一类别对应的第一图像的占比,得到第二图像对应的预设数量个比值。
步骤S500,将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到图像对应的目标能见度;其中,能见度识别模型为根据历史图像训练得到的。
其中,能见度是气象观测中的一个常规项目,它是指观测目标物时,能从背景上分辨出目标物轮廓的最大距离。大气能见度可以分为白天能见度和夜间能见度。白天能见度是指视力正常的人,在当时的天气条件下,能够从天空背景中看到和辨认目标物(黑色、大小适度)的最大距离。夜间能见度则包括以下两种定义:(1)假定总体照明增加到正常白天水平,适当大小的黑色目标物能被看到和辨认出的最大距离;(2)中等强度的放光体能被看到和识别的最大距离。目标图像为用于进行能见度检测的图像,对于目标图像的获取,需要保证摄像头基本水平,朝向观测站某个方向,而且图像视野不能被遮挡,如此可以保证得到大部分的图像中的信息。同时,使用的图像数据不局限于单一的摄像头所采集到的图像,可以使用类似的多个摄像头采集到的图像。若采用不同摄像头图像的,需要保证图像中的地形和内容不能相差太多,防止因为图像内容的影响导致计算不一致。每一目标图像、第一图像、第二图像分别对应一组图像数据,图像数据(Image Data)是指用数值表示的各像素(pixel)的灰度值的集合。第一预设尺寸为对目标图像进行区域划分的小区域的尺寸,可选地,第一预设尺寸可以为一个长10个像素点、宽10个像素点的10*10的小块。第二预设尺寸为对目标图像进行纵向划分的尺寸,可选地,第二预设尺寸可以为20个像素点的长度、100个像素点的长度或1000个像素点的长度不等。预设的聚类中心为对第一数量个第一图像的透射率进行聚类的中心,可选地,聚类中心可以为0.05、0.35、0.5、0.6、0.8不等。预设数量是指根据预设的聚类中心进行聚类得到的类别的数量,一般聚类中心的数量即为相应的预设数量。
具体地,在获取到目标图像后,将目标图像按照第一预设尺寸进行划分,得到第一数量个第一图像。例如,目标图像的尺寸为640*480的图像,若按照第一预设尺寸为10*10进行划分,可以得到(640*480)/(10*10)=3072个第一图像。
同样地,将目标图像按照第二预设尺寸进行纵向划分,可以得到第二数量个第二图像。例如,目标图像的尺寸为640*480的图像,其由左到右的长度为640,若按照第二预设尺寸为128进行划分,可以得到640/128=5个第二图像。可选地,也可以按照预设的第二数量对目标图像进行划分,得到第二数量个第二图像。上述对目标图像进行纵向划分的原因是,一般情况下,目标图像的组成部分在纵向上有一个明显的变化,例如,一般图像的上半部分为天空或者远距离的景象,而图像中部为较近的景象,图像底部为近处的景象。由此,上述目标图像进行纵向划分,可以使得每一第二图像能够在深度上有一个较为统一的变化。使得后续得到的比值分布更均匀,避免异常比值对能见度确定的影像。同时,由于目标图像在纵向区域存在较大的透射率变化,纵向划分使得后续步骤能够兼顾每一第二图像上透射率分布变化,使得最终得到目标能见度更精确。可选地,也可以对目标图像进行横向划分,具体划分形式可以根据不同的需求进行设定。
按照预设的聚类中心,对第一数量个第一图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别。例如,预设的聚类中心分别为0.05、0.35、0.5、0.6、0.8,某一第一图像对应的透射率为0.65,由于其距离0.6最近,故其属于第四类。对所有的第一图像按照预设的聚类中心0.05、0.35、0.5、0.6、0.8进行聚类,可以得到5个类别。对于每一第二图像,确定出第二图像中每一类别对应的第一图像的占比,得到第二图像对应的预设数量个比值。例如,第二图像的尺寸为100*300个像素点,那么该第二图像中有300个10*10的小区域,其中每类各有60块,则得该第二图像对应的预设数量个比值为[0.2,0.2,0.2,0.2,0.2]。将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到每一第二图像对应的能见度,对每一第二图像对应的能见度进行加权,得到图像对应的目标能见度。
上述能见度确定方法,将目标图像划分为第一数量个第一图像,可以在更小的区域上确定透射率,使得该透射率能更好的反应相应区域的透射率。将目标图像划分为第二数量个第二图像,是在对目标图像进行纵向划分的基础上获得的,由于目标图像在纵向区域存在透射率的较大变化,纵向划分使得后续步骤能够兼顾每一第二图像上透射率分布变化,得是最终得到目标能见度更精确。通过按照预设的聚类中心,对第一数量个第一图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别,进一步确定出每一第一图像对应的局部图像上的透射率。并根据透射率的聚类结果,确定出第二图像中每一类别对应的第一图像的占比,得到第二图像对应的预设数量个比值。该比值可以消除单一第一图像对整幅图像的影响,降低第一图像对应的局部图像的影响,避免出现图像局部区域干扰全局的情况,使得根据预设数量个比值确定出的目标能见度更精确。
在一个实施例中,如图3所示,为步骤S500的一种可实施方式的流程示意图,包括以下步骤:
步骤S510,对于每一第二图像,将第二图像对应的预设数量个比值输入预设的能见度识别模型,得到第二图像对应的能见度;其中,第二数量个第二图像对应第二数量个能见度。
步骤S520,对第二数量个能见度进行加权,得到目标能见度。
具体地,将一个第二图像对应的预设数量个比值输入预设的能见度识别模型,可以得到第二图像对应的能见度。将所有的第二图像对应的能见度进行加权求和,得到的是整幅目标图像对应的目标能见度。其中,可以对所有的第二图像对应的能见度进行加权平均,得到目标图像对应的目标能见度。也可以按照预设的加权值对第二图像对应的能见度进行加权,得到目标图像对应的目标能见度。
上述实施例中,对于每一第二图像,将第二图像对应的预设数量个比值输入预设的能见度识别模型,得到第二图像对应的能见度;其中,第二数量个第二图像对应第二数量个能见度;对第二数量个能见度进行加权,得到目标能见度。从而可以在小区域上确定出每一第二图像对应的能见度,使得能见度能更加细致地反应第二图像的能见度,避免出现图像局部区域干扰全局的情况,并进行加权得到目标图像的目标能见度,使得根据预设数量个比值确定出的目标能见度更精确。
在一个实施例中,为能见度识别模型的获取方式,包括:
获取历史图像,并确定出历史图像对应的预设数量个比值以及历史图像对应的历史能见度;以历史图像对应的预设数量个比值为输入,历史能见度为监督信息,对预设的初始能见度识别模型进行训练,得到能见度识别模型。
具体地,在获取到历史图像后,按照第一预设尺寸,对历史图像进行区域划分,得到第一数量个第一历史图像;按照第二预设尺寸,对历史图像进行纵向划分,得到第二数量个第二历史图像;按照预设的聚类中心,对第一数量个第一历史图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别;对于每一第二历史图像,确定出第二历史图像中每一类别对应的第一历史图像的占比,得到第二历史图像对应的预设数量个比值;并以历史图像对应的预设数量个比值为输入,历史能见度为监督信息,对预设的初始能见度识别模型进行训练,得到能见度识别模型。其中,历史能见度为历史图像对应的能见度,该历史能见度可以由观测站进行观测获得,为真实地反应历史图像的能见度的数值。
上述实施例中,获取历史图像,并确定出历史图像对应的预设数量个比值以及历史图像对应的历史能见度;以历史图像对应的预设数量个比值为输入,历史能见度为监督信息,对预设的初始能见度识别模型进行训练,得到能见度识别模型。从而为根据目标图像确定目标能见度提供基础。
在一个实施例中,如图4所示,为步骤S400的一种可实施方式的流程示意图,包括以下步骤:
步骤S410,对于每一第二图像,确定出第二图像中每一类别的第一图像的像素点总量。
步骤S420,将每一类别对应的别第一图像的像素点总量,与第二图像对应的第二像素点总量之间的比值,确定为第二图像对应预设数量个比值中的一个比值;每一类别对应一个比值,第二图像对应预设数量个比值。
具体地,在每一第二图像中,确定出该第二图像中包含的每一类别的第一图像的个数,以及每一类别的第一图像的像素点总量。例如,一个第二图像的大小为100*300,其中包括5个类别的第一图像,第一类别的第一图像60个,每一第一图像的大小为10*10,则该第一类别的第一图像的像素点总量为60*(10*10)。将每一类别对应的别第一图像的像素点总量60*(10*10),与第二图像对应的第二像素点总量100*300之间的比值[60*(10*10)]/[100*300]=0.2,确定为第二图像对应预设数量个比值中的一个比值,每一类别对应一个比值,第二图像对应预设数量个比值。当每一类别的第一图像60个,每一第一图像的大小为10*10,则该预设数量个比值为[0.2,0.2,0.2,0.2,0.2]。
可选地,对于每一第二图像,将第二图像中每一类别对应的第一图像,确定为第一目标图像;获取每一第一目标图像对应的像素点数量,并将每一第一目标图像对应的像素点数量的总和,确定为像素点总量。
具体地,例如,一个第二图像的大小为100*300,其中包括5个类别的第一图像,将第一类别的第一图像确定为第一目标图像,若第一目标图像的数量为60个,每一第一目标图像的大小为10*10,则该第一类别的第一目标图像的像素点总量为60*(10*10)。
上述实施例中,对于每一第二图像,确定出第二图像中每一类别的第一图像的像素点总量;将每一类别对应的别第一图像的像素点总量,与第二图像对应的第二像素点总量之间的比值,确定为第二图像对应预设数量个比值中的一个比值;每一类别对应一个比值,第二图像对应预设数量个比值。使得预设数量个比值能更加细致地反应第二图像的透射率分布情况,避免出现图像局部区域干扰全局的情况,使最终确定出的目标能见度更精确。
在一个实施例中,如图5所示,为步骤S300的一种可实施方式的流程示意图,包括以下步骤:
步骤S310,获取每一第一图像对应的透射率,得到第一数量个透射率。
步骤S320,按照聚类中心,对第一数量个透射率进行聚类,得到与聚类中心对应的类别。
可选地,对于每一第一图像,通过暗通道先验算法,确定每一第一图像对应的透射率,得到第一数量个透射率。
其中,暗通道先验理论认为,在绝大多数户外无雾图像的除了天空的局部区域里,存在一些像素满足至少有一个颜色通道的强度值很低,接近于0。
具体地,对于每一第一图像,通过暗通道先验算法,计算出每一第一图像对应的透射率,得到第一数量个透射率。并按照聚类中心0.05、0.35、0.5、0.6、0.8,对第一数量个透射率进行聚类,得到与聚类中心对应的类别。
具体通过暗通道先验算法确定透射率推导方式如下:
其中,雾霾数字图像模型如公式(1)所示:
I(x)=J(x)t(x)+A(1-t(x)) (1)
其中,I是观测到的图像强度,J表示目标物光线强度,A表示大气环境光线,t为传播媒介的透射率,描述了目标物经媒介传播后到达摄像头的光线所占比率。等式右边第一项J(x)t(x)称为直接衰减,是目标物发出或反射的光最终到达摄像头的强度,A(1-t(x))称为大气光成分,是环境光最终进入摄像头的强度。
由于暗通道先验理论认为,在绝大多数户外无雾图像的除了天空的局部区域里,存在一些像素满足至少有一个颜色通道的强度值很低,接近于0。图像J的确定方式如公式(2)所示:
其中,Jc表示J的一个颜色通道,Ω(x)是以x为中心的一个邻域。暗通道先验理论认为对于一幅无雾图像,除了天空区域外的Jdark值接近于0,并称Jdark为J的暗通道。
根据暗通道先验知识,无雾图像的暗通道趋近于0,而大气环境光线总为正,则有公式(4):
由于任何一个无雾的天气里,大气中还是会存在少量粒子。因此,观测到的图像要引入一个固有的参数ω(0<ω≤1)。此处,取经验值0.95。
其中,关于大气光强的估计,将Idark强度按照从高到低进行排列,取前0.1%最亮的像素值来作为当前图像的全局大气光强在得到透射率后,还可以采用引导滤波对透射率进行优化。
上述实施例中,获取每一第一图像对应的透射率,得到第一数量个透射率;按照聚类中心,对第一数量个透射率进行聚类,得到与聚类中心对应的类别。从而可以在更小的区域上确定透射率,使得该透射率能更好的反应相应区域的透射率。同时,后续获得目标能见度的过程中能够降低第一图像对应的局部图像的影响,避免出现图像局部区域干扰全局的情况,使得根据预设数量个比值确定出的目标能见度更精确
在一个具体的实施例中,首先,可以将目标图像划分为大小10*10个像素点的小块(第一图像),对每个小块取平均的透射率代替整块的透射率值。通过大量不同能见度情况下的数据积累,将所有小块的透射率聚类为若干个类别。可选地,选取5个类别,得到了5个聚类中心。对于整幅目标图像来说,划分成小块之后,根据每个块的平均透射率的值,看其与哪一类的聚类中心最近,则将该块划分为某一类。比如聚类中心分别为0.05,0.35,0.5,0.6,0.8,某个小块的平均透射率算得0.65,由于其距离0.6最近,故其属于第四类。
接着,将整图纵向划分为若干个长条(第二图像),对每个长条求得各个类别的分布数值。比如取5个长条,则会得到5*[f1,f2,f3,f4,f5]。其中f1、f2、f3、f4、f5分别代表了第一类到第五类的各个小块的占整个长条中小块数的比值。比如,一个100*300像素的长条中有300个小块,其中每类各有60块,则得该长条的特征值(比值)为[0.2,0.2,0.2,0.2,0.2]。
根据特征值,对回归模型(初始能见度识别模型)进行训练。具体地,通过数据收集和预处理之后,可以得到很多条历史图像特征值,根据历史图像对应的能见度数值生成训练标签L(能见度等级),即一条训练数据为[f1,f2,f3,f4,f5;L]。
可选地,可以采用多项式回归模型作为初始能见度识别模型。理论上来说,任何函数都可以采用多项式去无限逼近,这就是多项式回归的基本原理。训练的时候采用最小二乘法优化参数,80%作为训练数据,20%作为测试数据。最后选取表现较好的模型作为最终的回归模型(能见度识别模型)。
确定能见度时,目标图像先经过预处理过程,得到若干长条图像的特征值。对于每个长条的特征值输入到训练好的回归模型中,计算得到能见度数值。最后整张图像的能见度输出则取所有长条的能见度数值的平均值作为最终结果。
上述实施例中,避免了直接通过目标物的暗通道信息计算能见度数值可能会产生的误差,且避免了局部区域物体颜色不合适的干扰。
应该理解的是,虽然图2-5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2-5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,提供了一种能见度确定装置,包括:第一图像分割模块601、第二图像分割模块602、透射率聚类模块603、比值确定模块604和能见度确定模块605,其中:
第一图像分割模块601,用于按照第一预设尺寸,对目标图像进行区域划分,得到第一数量个第一图像;
第二图像分割模块602,用于按照第二预设尺寸,对目标图像进行纵向划分,得到第二数量个第二图像;
透射率聚类模块603,用于按照预设的聚类中心,对第一数量个第一图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别;
比值确定模块604,用于对于每一第二图像,确定出第二图像中每一类别对应的第一图像的占比,得到第二图像对应的预设数量个比值;
能见度确定模块605,用于将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到图像对应的目标能见度;其中,能见度识别模型为根据历史图像训练得到的。
在其中一个实施例中,能见度确定模块605还用于对于每一第二图像,将第二图像对应的预设数量个比值输入预设的能见度识别模型,得到第二图像对应的能见度;其中,第二数量个第二图像对应第二数量个能见度;对第二数量个能见度进行加权,得到目标能见度。
在其中一个实施例中,能见度确定模块605还用于获取历史图像,并确定出历史图像对应的预设数量个比值以及历史图像对应的历史能见度;以历史图像对应的预设数量个比值为输入,历史能见度为监督信息,对预设的初始能见度识别模型进行训练,得到能见度识别模型。
在其中一个实施例中,比值确定模块604还用于对于每一第二图像,确定出第二图像中每一类别的第一图像的像素点总量;将每一类别对应的别第一图像的像素点总量,与第二图像对应的第二像素点总量之间的比值,确定为第二图像对应预设数量个比值中的一个比值;每一类别对应一个比值,第二图像对应预设数量个比值。
在其中一个实施例中,比值确定模块604还用于对于每一第二图像,将第二图像中每一类别对应的第一图像,确定为第一目标图像;获取每一第一目标图像对应的像素点数量,并将每一第一目标图像对应的像素点数量的总和,确定为像素点总量。
在其中一个实施例中,透射率聚类模块603还用于获取每一第一图像对应的透射率,得到第一数量个透射率;按照聚类中心,对第一数量个透射率进行聚类,得到与聚类中心对应的类别。
在其中一个实施例中,透射率聚类模块603还用于对于每一第一图像,通过暗通道先验算法,确定每一第一图像对应的透射率,得到第一数量个透射率。
关于能见度确定装置的具体限定可以参见上文中对于能见度确定方法的限定,在此不再赘述。上述能见度确定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终端,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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种能见度确定方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
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:
按照第二预设尺寸,对目标图像进行纵向划分,得到第二数量个第二图像;
按照预设的聚类中心,对第一数量个第一图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别;
对于每一第二图像,确定出第二图像中每一类别对应的第一图像的占比,得到第二图像对应的预设数量个比值;
将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到图像对应的目标能见度;其中,能见度识别模型为根据历史图像训练得到的。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对于每一第二图像,将第二图像对应的预设数量个比值输入预设的能见度识别模型,得到第二图像对应的能见度;其中,第二数量个第二图像对应第二数量个能见度;对第二数量个能见度进行加权,得到目标能见度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取历史图像,并确定出历史图像对应的预设数量个比值以及历史图像对应的历史能见度;以历史图像对应的预设数量个比值为输入,历史能见度为监督信息,对预设的初始能见度识别模型进行训练,得到能见度识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对于每一第二图像,确定出第二图像中每一类别的第一图像的像素点总量;将每一类别对应的别第一图像的像素点总量,与第二图像对应的第二像素点总量之间的比值,确定为第二图像对应预设数量个比值中的一个比值;每一类别对应一个比值,第二图像对应预设数量个比值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对于每一第二图像,将第二图像中每一类别对应的第一图像,确定为第一目标图像;获取每一第一目标图像对应的像素点数量,并将每一第一目标图像对应的像素点数量的总和,确定为像素点总量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取每一第一图像对应的透射率,得到第一数量个透射率;按照聚类中心,对第一数量个透射率进行聚类,得到与聚类中心对应的类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对于每一第一图像,通过暗通道先验算法,确定每一第一图像对应的透射率,得到第一数量个透射率。
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:
按照第二预设尺寸,对目标图像进行纵向划分,得到第二数量个第二图像;
按照预设的聚类中心,对第一数量个第一图像的透射率进行聚类,得到与聚类中心对应的预设数量个类别;
对于每一第二图像,确定出第二图像中每一类别对应的第一图像的占比,得到第二图像对应的预设数量个比值;
将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到图像对应的目标能见度;其中,能见度识别模型为根据历史图像训练得到的。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对于每一第二图像,将第二图像对应的预设数量个比值输入预设的能见度识别模型,得到第二图像对应的能见度;其中,第二数量个第二图像对应第二数量个能见度;对第二数量个能见度进行加权,得到目标能见度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取历史图像,并确定出历史图像对应的预设数量个比值以及历史图像对应的历史能见度;以历史图像对应的预设数量个比值为输入,历史能见度为监督信息,对预设的初始能见度识别模型进行训练,得到能见度识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对于每一第二图像,确定出第二图像中每一类别的第一图像的像素点总量;将每一类别对应的别第一图像的像素点总量,与第二图像对应的第二像素点总量之间的比值,确定为第二图像对应预设数量个比值中的一个比值;每一类别对应一个比值,第二图像对应预设数量个比值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对于每一第二图像,将第二图像中每一类别对应的第一图像,确定为第一目标图像;获取每一第一目标图像对应的像素点数量,并将每一第一目标图像对应的像素点数量的总和,确定为像素点总量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取每一第一图像对应的透射率,得到第一数量个透射率;按照聚类中心,对第一数量个透射率进行聚类,得到与聚类中心对应的类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对于每一第一图像,通过暗通道先验算法,确定每一第一图像对应的透射率,得到第一数量个透射率。
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)
1.一种能见度确定方法,其特征在于,所述方法包括:
按照第一预设尺寸,对目标图像进行区域划分,得到第一数量个第一图像;
按照第二预设尺寸,对所述目标图像进行纵向划分,得到第二数量个第二图像;
按照预设的聚类中心,对所述第一数量个第一图像的透射率进行聚类,得到与所述聚类中心对应的预设数量个类别;
对于每一所述第二图像,确定出所述第二图像中每一所述类别对应的第一图像的占比,得到所述第二图像对应的预设数量个比值;
将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到所述图像对应的目标能见度;其中,所述能见度识别模型为根据历史图像训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到所述图像对应的目标能见度,包括:
对于每一第二图像,将所述第二图像对应的预设数量个比值输入预设的能见度识别模型,得到所述第二图像对应的能见度;其中,所述第二数量个第二图像对应第二数量个能见度;
对所述第二数量个能见度进行加权,得到所述目标能见度。
3.根据权利要求1或2所述的方法,其特征在于,所述能见度识别模型的获取方式,包括:
获取历史图像,并确定出所述历史图像对应的预设数量个比值以及所述历史图像对应的历史能见度;
以所述历史图像对应的预设数量个比值为输入,所述历史能见度为监督信息,对预设的初始能见度识别模型进行训练,得到所述能见度识别模型。
4.根据权利要求1所述的方法,其特征在于,所述对于每一所述第二图像,确定出所述第二图像中每一所述类别对应的第一图像的占比,得到所述第二图像对应的预设数量个比值,包括:
对于每一所述第二图像,确定出所述第二图像中每一所述类别的第一图像的像素点总量;
将所述每一所述类别对应的别第一图像的像素点总量,与所述第二图像对应的第二像素点总量之间的比值,确定为所述第二图像对应预设数量个比值中的一个比值;每一所述类别对应一个所述比值,所述第二图像对应预设数量个比值。
5.根据权利要求4所述的方法,其特征在于,所述对于每一所述第二图像,确定出所述第二图像中每一所述类别的第一图像的像素点总量,包括:
对于每一所述第二图像,将所述第二图像中每一所述类别对应的第一图像,确定为第一目标图像;
获取每一所述第一目标图像对应的像素点数量,并将每一所述第一目标图像对应的像素点数量的总和,确定为所述像素点总量。
6.根据权利要求1所述的方法,其特征在于,所述按照预设的聚类中心,对所述第一数量个第一图像的透射率进行聚类,得到与所述聚类中心对应的类别,包括:
获取每一所述第一图像对应的透射率,得到所述第一数量个透射率;
按照所述聚类中心,对所述第一数量个透射率进行聚类,得到与所述聚类中心对应的类别。
7.根据权利要求6所述的方法,其特征在于,所述获取每一所述第一图像对应的透射率,得到所述第一数量个透射率,包括:
对于每一所述第一图像,通过暗通道先验算法,确定每一所述第一图像对应的透射率,得到所述第一数量个透射率。
8.一种能见度确定装置,其特征在于,所述装置包括:
第一图像分割模块,用于按照第一预设尺寸,对目标图像进行区域划分,得到第一数量个第一图像;
第二图像分割模块,用于按照第二预设尺寸,对所述目标图像进行纵向划分,得到第二数量个第二图像;
透射率聚类模块,用于按照预设的聚类中心,对所述第一数量个第一图像的透射率进行聚类,得到与所述聚类中心对应的预设数量个类别;
比值确定模块,用于对于每一所述第二图像,确定出所述第二图像中每一所述类别对应的第一图像的占比,得到所述第二图像对应的预设数量个比值;
能见度确定模块,用于将每一第二图像对应的预设数量个比值输入预设的能见度识别模型,得到所述图像对应的目标能见度;其中,所述能见度识别模型为根据历史图像训练得到的。
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 |
---|---|---|---|
CN202011104027.7A CN112419231A (zh) | 2020-10-15 | 2020-10-15 | 能见度确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011104027.7A CN112419231A (zh) | 2020-10-15 | 2020-10-15 | 能见度确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112419231A true CN112419231A (zh) | 2021-02-26 |
Family
ID=74854791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011104027.7A Pending CN112419231A (zh) | 2020-10-15 | 2020-10-15 | 能见度确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419231A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950504A (zh) * | 2021-03-02 | 2021-06-11 | 山东鲁能软件技术有限公司智能电气分公司 | 一种输电线路巡检雾霾天气单目隐患物体测距方法及系统 |
CN113014773A (zh) * | 2021-03-02 | 2021-06-22 | 山东鲁能软件技术有限公司智能电气分公司 | 一种架空线路视频可视化监拍系统及方法 |
CN114202542A (zh) * | 2022-02-18 | 2022-03-18 | 象辑科技(武汉)股份有限公司 | 一种能见度反演方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182985A (zh) * | 2014-09-01 | 2014-12-03 | 西安电子科技大学 | 遥感图像变化检测方法 |
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
CN108765336A (zh) * | 2018-05-25 | 2018-11-06 | 长安大学 | 基于暗亮原色先验与自适应参数优化的图像去雾方法 |
GB201910639D0 (en) * | 2019-07-25 | 2019-09-11 | Bae Systems Plc | System and method for processing images |
CN110659547A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 物体识别方法、装置、车辆和计算机可读存储介质 |
CN111145120A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 能见度检测方法、装置、计算机设备和存储介质 |
CN111325688A (zh) * | 2020-02-18 | 2020-06-23 | 长安大学 | 融合形态学聚类优化大气光的无人机图像去雾方法 |
CN111369634A (zh) * | 2020-03-26 | 2020-07-03 | 苏州瑞立思科技有限公司 | 一种基于天气情况的图像压缩方法及装置 |
-
2020
- 2020-10-15 CN CN202011104027.7A patent/CN112419231A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182985A (zh) * | 2014-09-01 | 2014-12-03 | 西安电子科技大学 | 遥感图像变化检测方法 |
WO2017175231A1 (en) * | 2016-04-07 | 2017-10-12 | Carmel Haifa University Economic Corporation Ltd. | Image dehazing and restoration |
CN108765336A (zh) * | 2018-05-25 | 2018-11-06 | 长安大学 | 基于暗亮原色先验与自适应参数优化的图像去雾方法 |
CN110659547A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 物体识别方法、装置、车辆和计算机可读存储介质 |
GB201910639D0 (en) * | 2019-07-25 | 2019-09-11 | Bae Systems Plc | System and method for processing images |
CN111145120A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 能见度检测方法、装置、计算机设备和存储介质 |
CN111325688A (zh) * | 2020-02-18 | 2020-06-23 | 长安大学 | 融合形态学聚类优化大气光的无人机图像去雾方法 |
CN111369634A (zh) * | 2020-03-26 | 2020-07-03 | 苏州瑞立思科技有限公司 | 一种基于天气情况的图像压缩方法及装置 |
Non-Patent Citations (2)
Title |
---|
于博 等: "远红外车载图像实时行人检测与自适应实例分割", 激光与光电子学进展, vol. 57, no. 02, 17 July 2019 (2019-07-17), pages 293 - 303 * |
姚明海 等: "基于模糊聚类规则的图像去雾方法研究", 计算机工程与应用, vol. 54, no. 06, 15 March 2018 (2018-03-15), pages 26 - 29 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950504A (zh) * | 2021-03-02 | 2021-06-11 | 山东鲁能软件技术有限公司智能电气分公司 | 一种输电线路巡检雾霾天气单目隐患物体测距方法及系统 |
CN113014773A (zh) * | 2021-03-02 | 2021-06-22 | 山东鲁能软件技术有限公司智能电气分公司 | 一种架空线路视频可视化监拍系统及方法 |
CN114202542A (zh) * | 2022-02-18 | 2022-03-18 | 象辑科技(武汉)股份有限公司 | 一种能见度反演方法、装置、计算机设备及存储介质 |
CN114202542B (zh) * | 2022-02-18 | 2022-04-19 | 象辑科技(武汉)股份有限公司 | 一种能见度反演方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
US20200334830A1 (en) | Method, apparatus, and storage medium for processing video image | |
US11209837B2 (en) | Method and device for generating a model of a to-be reconstructed area and an unmanned aerial vehicle flight trajectory | |
CN112419231A (zh) | 能见度确定方法、装置、计算机设备和存储介质 | |
CN111815577A (zh) | 安全帽佩戴检测模型处理方法、装置、设备和存储介质 | |
CN115861380B (zh) | 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置 | |
CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
CN110910445A (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN114463363A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN115082291A (zh) | 图像亮度调整的方法、计算机程序产品、电子设备及介质 | |
Gu et al. | Thermal image colorization using Markov decision processes | |
CN109886864B (zh) | 隐私遮蔽处理方法及装置 | |
CN113052923A (zh) | 色调映射方法、装置、电子设备和存储介质 | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
CN115731442A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN115984712A (zh) | 基于多尺度特征的遥感图像小目标检测方法及系统 | |
CN116310899A (zh) | 基于YOLOv5改进的目标检测方法及装置、训练方法 | |
CN116188587A (zh) | 定位方法、装置及车辆 | |
CN114332297A (zh) | 图像的绘制方法、装置、计算机设备和存储介质 | |
CN114359166A (zh) | 屏幕颜色检测方法、装置、设备及存储介质 | |
CN110544221B (zh) | 训练方法及装置、去雨方法、终端设备、存储介质 | |
CN112633158A (zh) | 一种输电线路走廊车辆识别方法、装置、设备和存储介质 | |
CN112132215A (zh) | 一种识别物体类型的方法、装置及计算机可读存储介质 | |
CN116629459B (zh) | 一种基于遥感和降水对水域淹没范围进行预测的方法 | |
CN117350485B (zh) | 基于数据挖掘模型的电力市场管控方法和系统 |
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 |