CN112734729A - 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 - Google Patents
适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112734729A CN112734729A CN202110032427.XA CN202110032427A CN112734729A CN 112734729 A CN112734729 A CN 112734729A CN 202110032427 A CN202110032427 A CN 202110032427A CN 112734729 A CN112734729 A CN 112734729A
- Authority
- CN
- China
- Prior art keywords
- water gauge
- image
- variance
- water
- order differential
- 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 290
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 239000013589 supplement Substances 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000010354 integration Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 230000004069 differentiation Effects 0.000 claims abstract description 10
- 230000001502 supplementing effect Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000825 pharmaceutical preparation Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明公开一种适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质,方法包括:获取夜间补光条件下包含目标水尺的待检测图像;利用预先训练的faster‑RCNN目标检测网络检测水尺大致区域;对水尺大致区域图像进行高斯模糊处理;对模糊图像采用递归OTSU算法进行处理,分割水尺与背景;对分割得到的水尺图像进行二值化处理;统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分;对所述二阶微分分别计算均值和方差,根据二阶微分的均值和方差的突变位置确定水位线的位置。利用本发明能有效克服夜间补光造成的异物灰度相近影响,提高检测精度和检测效率。
Description
技术领域
本发明涉及水文监测中的水位线检测技术领域,特别是一种适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质。
背景技术
水位是河流湖库的基本水文要素之一。传统水尺测量需要人工定时观测,存在设备及安装成本高,测量精度易受复杂环境的影响等缺点。夜间补光条件下的图像相较于正常光照图像缺失颜色信息,由于补光的特点,背景不能直接通过设置阈值达到完全过滤的效果。水面反光在夜间补光条件下对水位线的检测存在较大影响。
目前国内许多重要的水位观测点均建设有视频监控系统并配有标准水尺,为基于视频图像的水尺水位检测提供了有利条件。图像法在原理上具有非接触、无温漂、无转换误差等优点,因此,近年来图像法水位检测在机器图像和水利量测领域已成为新的研究热点。然而受复杂现场条件的影响,现有的图像法水位检测方法在测量精度和可靠性上仍然存在较大的局限,体现在:1)通过识别水尺刻度线与水尺字符实现水位值检测的方法,专利如:一种基于二进制编码字符水尺和图像处理的水位识别方法(公开号:CN107367310A),建立二进制编码字符定位和分割模型及二进制编码字符水尺刻度线提取模型,通过模板匹配方法识别字符,进而换算水位值,在图像分辨率较低,水尺刻度线和字符不清晰的情况下就难以保证检测的精度。2)通过图像处理和神经网络实现水位值检测方法。专利如:一种基于全卷积神经网络的水尺水位线检测及有效性识别方法(公开号:CN111598098A),基于VGG-16构建了一种用于语义分割的全卷积神经网络。标注数据集时仅分为水尺,水草和水体三部分,对图像中的其他背景未能有很好的检测效果,使用时若有水草遮挡则需要人工读数。3)通过对水尺分块进行处理逐渐缩小检测区域最终获得水位线的位置。专利如:一种适用于复杂光照条件的水尺水位线视觉检测方法(公开号:CN109764930A),通过计算灰度图像和边缘图像的灰度均值差,取两个特征中的最大值作为衡量图像差异性的指标,再采用粗定位和精定位结合的水位线检测方法得到水位线的位置,计算量较大,实际应用较为困难。
发明内容
本发明的目的是提供一种适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质,能有效克服夜间补光造成的异物灰度相近影响,提高检测精度和检测效率。本发明采用的技术方案如下。
一方面,本发明提供一种适用于夜间补光条件的水尺水位线图像检测方法,包括:
获取夜间补光条件下包含目标水尺的待检测图像;
利用预先训练的faster-RCNN目标检测网络检测水尺大致区域,根据检测结果得到水尺大致区域图像;
对水尺大致区域图像进行高斯模糊处理,得到模糊图像;
对所述模糊图像采用递归OTSU算法进行处理,以将水尺与背景分割,得到水尺部分的图像;
对所述水尺部分的图像进行二值化处理,得到二值化的水尺图像;
统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分;
对所述二阶微分分别计算均值和方差,根据二阶微分的均值和方差的突变位置确定水位线的位置。
本发明利用预先训练的faster-RCNN目标检测网络对水尺区域进行自动检测,能够快速定位水尺所在的大致区域。faster-RCNN的具体训练可采用现有技术。
可选的,所述预先训练的faster-RCNN目标检测网络,其训练样本集包括夜间不同天气、光照和水流条件下的,多个已标注区分出水尺区域与背景区域的图像样本。
可选的,所述faster-RCNN目标检测网络的输出为,检测得到的水尺大致区域的左上角坐标;
所述根据检测结果得到水尺大致区域图像包括:基于faster-RCNN目标检测网络输出的左上角坐标,从待检测图像中截取长为L像素,宽为W像素的图像区域,得到水尺所在区域图像。
可选的,方法还包括:对所述水尺大致区域图像进行灰度化处理;
所述对水尺大致区域图像进行高斯模糊处理为,对灰度化处理后的水尺大致区域图像进行高斯模糊处理。
灰度化处理可将三通道图像转换成像素值为0~255的灰度图像,对灰度图像采用高斯模糊算法进行处理具有下述有点:(1)二维高斯模板是旋转对称的,在各个方向上平滑程度相同,不会改变原水尺图像的边缘方向;(2)二维高斯函数是单值函数,高斯卷积核的锚点为极值,在所有方向上单调递减,锚点的像素不会受到距离锚点较远的像素影响过大,保证了水尺图像特征点和边缘的特性;(3)在频域上,滤波过程中不会被高频信号污染。
本发明采用递归OTSU算法对模糊处理后的图像进行分割处理,可得到分割效果更理想的背景区域和(含有部分背景的)水尺区域两个部分。由于水位检测只对目标区域感兴趣,递归OTSU算法可以对结果图像的(含有部分背景的)水尺区域再次进行0TSU分割得到新的结果图像,同样,把新的结果图像中背景区域去掉,如果目标区域还包含有部分背景,那么,再对(含有部分背景的)目标区域进行OTSU分割,就这样依次不断递归下去,直到分割图像达到理想的效果为止。
在对分割得到的水尺部分的图像进行二值化处理时,设置分割后图像中水尺的像素灰度值为255,背景的像素灰度值为0,即得到二值化的水尺图像。此时的二值化水尺图像包含了水尺的二值化图像和部分递归OTSU无法消除的背景信息,因此通过直接寻找二值化消失的位置来确定水位线位置是不可行的。
可选的,所述统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分,包括:
S61,将二值化水尺图像逆时针旋转90度,以列坐标为自变量对每列像素中像素灰度值为255的像素点进行统计,得到每列的像素统计个数pi,其中i=0,1,2,…,L,表示像素统计个数pi对应的列坐标;
S62,对统计结果进行梯形积分,得到对应各列坐标的梯形积分S1,S2,...,SL,其中,对应第k列的梯形积分Sk为:
式中,k=0,1,2,…,L;
S63,根据梯形积分计算一阶微分,得到对应各列坐标的一阶微分diff11,diff12,...,diff1L,其中,对应第k列的一阶微分idff1k为:
diff1k=Sk-Sk-1;
S64,根据一阶微分计算二阶微分,得到对应各列坐标的二阶微分diff21,diff22,...,diff2L,其中对应第k列的二阶微分diff2k为:
diff2k=diff1k-diff1k-1。
可选的,对所述二阶微分分别计算均值和方差包括:
计算对应各列的二阶微分均值mean1,mean2,...,meanL和方差var1,var2,...,varL,其中对应第k列的二阶微分均值meank和方差vark按照下式计算:
上式中,a为对应各二阶微分计算均值和方差时所选择的相邻列二阶微分的数据个数。a的取值可选取为30。
可选的,所述根据二阶微分的均值和方差的突变位置确定水位线的位置,包括:
分别计算二阶微分的均值曲线和方差曲线;
分别获取均值曲线和方差曲线的突变位置;
根据均值曲线和方差曲线的突变位置,确定对应水尺区域起始位置的第一均值阈值和第一方差阈值,以及对应水位线的第二均值阈值和第二方差阈值;
从k=1开始,以步长1递增,将首先满足二阶微分均值和方差皆大于第一均值阈值和第一方差阈值的列位置作为水尺区域的起始位置;
从水尺区域的起始位置所在的列开始,将首先满足二阶微分均值和方差皆小于第二均值阈值和第二方差阈值的列位置作为水位线的位置。
以上方案中,基于逆时针转动90度后的图像,二阶微分均值和方差的第一次突变由水尺区域开始而引发,第二次突变由水位线引发,且两次突变的方向是不同的。由于水尺区域的起始位置的曲线特征和水位线的曲线特征是近似的,因此本发明优选为首先对水尺区域的起始位置进行定位,然后再定位水位线位置,可更准确的实现水位线的定位。
可选的,所述根据二阶微分的均值和方差的突变位置确定水位线的位置,包括:
确定水尺区域的起始位置:从k=1开始,以步长1递增,依次将各对应列的二阶微分的均值和方差,分别与预设的对应水尺区域起始位置的第一均值阈值和第一方差阈值进行比较,若满足二阶微分的均值和方差皆大于第一均值阈值和第一方差阈值,则对应列的像素坐标即为水尺区域的起始位置;
确定水位线的位置:从水尺区域起始位置对应的列开始,令k以步长1递增,依次将各对应列的二阶微分的均值和方差,分别与预设的对应水位线的第二均值阈值和第二方差阈值进行比较,若满足二阶微分的均值和方差皆小于第一均值阈值和第一方差阈值,则将对应列的像素坐标确定为水位线的位置。
上述二阶微分均值和方差的第一、第二均值阈值和第一、第二方差阈值,可选取经验值,经验值可通过试验得到,以在后续应用中直接采用。可选的,对应水尺区域起始位置的第一均值阈值和第一方差阈值的取值为2,对应水位线的第二均值阈值和第二方差阈值的取值为1。
第二方面,本发明提供一种水尺水位线图像检测装置,包括:
图像获取模块,被配置用于获取夜间补光条件下包含目标水尺的待检测图像;
水尺区域初步检测模块,被配置用于利用预先训练的faster-RCNN目标检测网络检测水尺大致区域,根据检测结果得到水尺大致区域图像;
模糊处理模块,被配置用于对水尺大致区域图像进行高斯模糊处理,得到模糊图像;
图像分割模块,被配置用于对所述模糊图像采用递归OTSU算法进行处理,以将水尺与背景分割,得到水尺部分的图像;
二值化处理模块,被配置用于对所述水尺部分的图像进行二值化处理,得到二值化的水尺图像;
像素统计模块,被配置用于统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分;
以及,水位线定位模块,被配置用于对所述二阶微分分别计算均值和方差,根据二阶微分的均值和方差的突变位置确定水位线的位置。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如第一方面所述的水尺水位线图像检测方法。
有益效果
本发明使用深度学习中的faster-RCNN目标检测算法对夜间条件下水尺所在区域进行初步提取,然后对初步提取的区域进行图像处理和阈值分割,能够准确分割出水尺在水面以上的部分,最后对准确分割的部分进行微积分处理,利用图像中水位线像素对二阶微分均值和方差曲线的影响,定位出水位线所在位置。本发明适用于夜间条件,对夜间补光条件下的水尺水位线检测具有较好的鲁棒性,能有效克服夜间补光造成的异物灰度相近影响,实践证明检测精度能达到单个像素,可大大降低水位线误检的概率,且计算量较小。
附图说明
图1为本发明适用于夜间补光条件的水尺水位线图像检测方法的一种具体实施方式流程示意图;
图2为利用faster-RCNN目标检测网络检测并截取得到的水尺所在的大致区域示意图;
图3为本发明具体实施例中的水尺灰度图像示意图;
图4为本发明具体实施例中的水尺模糊图像示意图;
图5为本发明具体实施例中的二值化水尺图像示意图;
图6为本发明具体实施例中的像素统计曲线示意图;
图7为本发明具体实施例中的像素统计梯形积分曲线示意图;
图8为本发明具体实施例中的像素统计二阶微分曲线示意图;
图9为本发明具体实施例中的像素统计二阶微分方差曲线示意图;
图10为本发明具体实施例中的像素统计二阶微分均值曲线示意图;
图11为本发明具体实施例中的水位线检测结果。
具体实施方式
以下结合附图和具体实施例进一步描述。
实施例1
本实施例介绍一种适用于夜间补光条件的水尺水位线图像检测方法,包括:
获取夜间补光条件下包含目标水尺的待检测图像;
利用预先训练的faster-RCNN目标检测网络检测水尺大致区域,根据检测结果得到水尺大致区域图像;
对水尺大致区域图像进行高斯模糊处理,得到模糊图像;
对所述模糊图像采用递归OTSU算法进行处理,以将水尺与背景分割,得到水尺部分的图像;
对所述水尺部分的图像进行二值化处理,得到二值化的水尺图像;
统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分;
对所述二阶微分分别计算均值和方差,根据二阶微分的均值和方差的突变位置确定水位线的位置。
参考图1,本实施例适用于夜间补光条件的水尺水位线图像检测方法,具体涉及以下内容。
一、初步确定水尺大致区域
本发明利用预先训练的faster-RCNN目标检测网络对水尺区域进行初步检测,能够快速定位水尺所在的大致区域。faster-RCNN的具体训练可采用现有技术,训练样本集可以是:包括夜间不同天气、光照和水流条件下的,多个已标注区分出水尺区域与背景区域的图像样本。
具体的,faster-RCNN目标检测网络在训练阶段所需的训练样本集获取方法为:首先选取水文站夜间条件下不同天气、光照和水流条件下的水尺监控图像建立样本集,在选取的图像中用矩形框标注出水尺所在的大致区域并设置标签。按照训练样本:验证样本=7:3的方式进行划分;然后在标注时将水尺和背景用不同的类别标签区分,使得水尺图像中的每个像素点都有明确的类别。
faster-RCNN目标检测网络的输出可为,检测得到的水尺大致区域的左上角坐标。然后,可将faster-RCNN目标检测网络输出的左上角坐标作为水尺大致区域的左上角坐标,从待检测图像中截取长为L像素,宽为W像素的图像区域,得到水尺大致区域图像,如图2所示。
二、水尺区域与背景区域的分割
在得到水尺大致区域图像后,本实施例对水尺大致区域图像进行灰度化处理,结果如图3所示,然后对灰度化处理后的水尺大致区域图像进行高斯模糊处理,处理结果如图4所示。
灰度化处理可将三通道图像转换成像素值为0~255的灰度图像,对灰度图像采用高斯模糊算法进行处理具有下述有点:(1)二维高斯模板是旋转对称的,在各个方向上平滑程度相同,不会改变原水尺图像的边缘方向;(2)二维高斯函数是单值函数,高斯卷积核的锚点为极值,在所有方向上单调递减,锚点的像素不会受到距离锚点较远的像素影响过大,保证了水尺图像特征点和边缘的特性;(3)在频域上,滤波过程中不会被高频信号污染。
在夜间条件的水尺图像中,水尺的像素灰度值比较高,而且水尺目标区域的面积往往要比背景区域的面积要小,当两者面积相差悬殊的时候,OTSU算法得出的门限值不可避免地向水尺图像的背景区域的波峰方向“漂移”,错误地将部分背景划分到水尺区域。简单的一次OTSU分割不能达到理想的效果,因此,本发明采用递归OTSU算法对模糊处理后的图像进行分割处理,可得到分割效果更理想的背景区域和(含有部分背景的)水尺区域两个部分。由于水位检测只对目标区域感兴趣,递归OTSU算法可以对结果图像的(含有部分背景的)水尺区域再次进行0TSU分割得到新的结果图像,同样,把新的结果图像中背景区域去掉,如果目标区域还包含有部分背景,那么,再对(含有部分背景的)目标区域进行OTSU分割,就这样依次不断递归下去,直到分割图像达到理想的效果为止。
在对分割得到的水尺部分的图像进行二值化处理时,设置分割后图像中水尺的像素灰度值为255,背景的像素灰度值为0,即得到二值化的水尺图像,如图5所示。此时的二值化水尺图像包含了水尺的二值化图像和部分递归OTSU无法消除的背景信息,因此通过直接寻找二值化消失的位置来确定水位线位置是不可行的。
三、水位线的确定
如前所述,通过直接寻找二值化消失的位置来确定水位线位置是不可行的,因此,本实施例基于像素点个数微积分均值和方差的曲线特性,实现水位线的确定。这部分内容,首先需要统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分,具体包括:
S61,将二值化水尺图像逆时针旋转90度,以列坐标为自变量对每列像素中像素灰度值为255的像素点进行统计,得到每列的像素统计个数pi,其中i=0,1,2,…,L,表示像素统计个数pi对应的列坐标,对应各列的像素个数统计结果参考图6所示;
S62,对统计结果进行梯形积分,得到对应各列坐标的梯形积分S1,S2,...,SL,如图7所示,其中,对应第k列的梯形积分Sk为:
式中,k=1,2,…,L;
S63,根据梯形积分计算一阶微分,得到对应各列坐标的一阶微分diff11,diff12,...,diff1L,其中,对应第k列的一阶微分diff1k为:
diff1k=Sk-Sk-1;
S64,根据一阶微分计算二阶微分,得到对应各列坐标的二阶微分diff21,diff22,...,diff2L,其中对应第k列的二阶微分diff2k为:
diff2k=diff1k-diff1k-1。
在得到对应各列坐标的二阶微分后,对二阶微分分别计算均值和方差,包括:
计算对应各列的二阶微分均值mean1,mean2,...,meanL和方差var1,var2,...,varL,其中对应第k列的二阶微分均值meank和方差vark按照下式计算:
上式中,a为对应各二阶微分计算均值和方差时所选择的相邻列对应二阶微分的数据个数。a的取值可选取为30。
此时,节课根据二阶微分的均值和方差的突变位置确定水位线的位置,具体包括:
分别计算二阶微分的均值曲线和方差曲线,均值曲线如图10所示,方差曲线如图9所示;
分别获取均值曲线和方差曲线的突变位置;
根据均值曲线和方差曲线的突变位置,确定对应水尺区域起始位置的第一均值阈值和第一方差阈值,以及对应水位线的第二均值阈值和第二方差阈值;
从k=1开始,以步长1递增,将首先满足二阶微分均值和方差皆大于第一均值阈值和第一方差阈值的列位置作为水尺区域的起始位置;
从水尺区域的起始位置所在的列开始,将首先满足二阶微分均值和方差皆小于第二均值阈值和第二方差阈值的列位置作为水位线的位置。
以上方案中,基于逆时针转动90度后的图像,二阶微分均值和方差的第一次突变由水尺区域开始而引发,第二次突变由水位线引发,且两次突变的方向是不同的。由于水尺区域的起始位置的曲线特征和水位线的曲线特征是近似的,因此本发明优选为首先对水尺区域的起始位置进行定位,然后再定位水位线位置,可更准确的实现水位线的定位。
作为另一种计算量更小的水位线位置确定的实施方式,根据二阶微分的均值和方差的突变位置确定水位线的位置,还可以采用下述方法:
确定水尺区域的起始位置:从k=1开始,以步长1递增,依次将各对应列的二阶微分的均值和方差,分别与预设的对应水尺区域起始位置的第一均值阈值和第一方差阈值进行比较,若满足二阶微分的均值和方差皆大于第一均值阈值和第一方差阈值,则对应列的像素坐标即为水尺区域的起始位置;
确定水位线的位置:从水尺区域起始位置对应的列开始,令k以步长1递增,依次将各对应列的二阶微分的均值和方差,分别与预设的对应水位线的第二均值阈值和第二方差阈值进行比较,若满足二阶微分的均值和方差皆小于第一均值阈值和第一方差阈值,则将对应列的像素坐标确定为水位线的位置。
上述二阶微分均值和方差的第一、第二均值阈值和第一、第二方差阈值,可选取经验值,经验值可通过试验得到,以在后续应用中直接采用。本实施方式中,对应水尺区域起始位置的第一均值阈值和第一方差阈值的取值为2,对应水位线的第二均值阈值和第二方差阈值的取值为1,则有:
令k从1开始以步长1递增,假设k=1时,满足meank>1且vark>2,此时的第k=1列像素坐标即为水尺区域的起始位置;然后令k从1开始以步长1递增,假设k=320时,满足meank<1且vark<1时,则第320像素坐标即为水位线的位置坐标,如图11所示,至此,水位线被检出。
实施例2
与实施例1基于相同的发明构思,本实施例介绍一种水尺水位线图像检测装置,包括:
图像获取模块,被配置用于获取夜间补光条件下包含目标水尺的待检测图像;
水尺区域初步检测模块,被配置用于利用预先训练的faster-RCNN目标检测网络检测水尺大致区域,根据检测结果得到水尺大致区域图像;
模糊处理模块,被配置用于对水尺大致区域图像进行高斯模糊处理,得到模糊图像;
图像分割模块,被配置用于对所述模糊图像采用递归OTSU算法进行处理,以将水尺与背景分割,得到水尺部分的图像;
二值化处理模块,被配置用于对所述水尺部分的图像进行二值化处理,得到二值化的水尺图像;
像素统计模块,被配置用于统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分;
以及,水位线定位模块,被配置用于对所述二阶微分分别计算均值和方差,根据二阶微分的均值和方差的突变位置确定水位线的位置。
以上各功能模块的具体功能实现,参考实施例1中的相关方法内容。
实施例3
与实施例1和2基于相同的发明构思,本实施例介绍一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如实施例所述的水尺水位线图像检测方法的内容。
综上实施例,本发明具有以下优点和进步:
1)环境适应强。本发明利用夜间补光条件下水尺和背景的差异性,通过递归OTSU算法分割出二值化水尺图像,对分割的二值化水尺图像进行微积分处理,计算分段数据的方差与均值结合设置的阈值可以过滤二值化水尺图像中存在的背景噪声,得到水位线所在位置。对于夜间补光条件下的水尺水位线检测情况具有较强的适应性;
2)检测精度高。本发明可在夜间补光条件下提供水尺的细节信息,通过使用微梯形积分结合方差和均值可使检测精度达到单个像素;
3)适用于夜间补光条件。本发明能有效克服夜间补光造成的异物灰度相近影响,大大降低水位线误检风险。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种适用于夜间补光条件的水尺水位线图像检测方法,其特征是,包括:
获取夜间补光条件下包含目标水尺的待检测图像;
利用预先训练的faster-RCNN目标检测网络检测水尺大致区域,根据检测结果得到水尺大致区域图像;
对水尺大致区域图像进行高斯模糊处理,得到模糊图像;
对所述模糊图像采用递归OTSU算法进行处理,以将水尺与背景分割,得到水尺部分的图像;
对所述水尺部分的图像进行二值化处理,得到二值化的水尺图像;
统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分;
对所述二阶微分分别计算均值和方差,根据二阶微分的均值和方差的突变位置确定水位线的位置。
2.根据权利要求1所述的方法,其特征是,所述预先训练的faster-RCNN目标检测网络,其训练样本集包括夜间不同天气、光照和水流条件下的,多个已标注区分出水尺大致区域与背景区域的图像样本。
3.根据权利要求1所述的方法,其特征是,所述faster-RCNN目标检测网络的输出为,检测得到的水尺大致区域的左上角坐标;
所述根据检测结果得到水尺大致区域图像包括:基于faster-RCNN目标检测网络输出的左上角坐标,从待检测图像中截取长为L像素,宽为W像素的图像区域,得到水尺所在区域图像。
4.根据权利要求1所述的方法,其特征是,还包括:对所述水尺大致区域图像进行灰度化处理;
所述对水尺大致区域图像进行高斯模糊处理为,对灰度化处理后的水尺大致区域图像进行高斯模糊处理。
5.根据权利要求1所述的方法,其特征是,所述统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分,包括:
S61,将二值化水尺图像逆时针旋转90度,以列坐标为自变量对每列像素中像素灰度值为255的像素点进行统计,得到每列的像素统计个数pi,其中i=0,1,2,...,L,表示像素统计个数pi对应的列坐标;
S62,对统计结果进行梯形积分,得到对应各列坐标的梯形积分S1,S2,...,SL,其中,对应第k列的梯形积分Sk为:
式中,k=0,1,2,...,L;
S63,根据梯形积分计算一阶微分,得到对应各列坐标的一阶微分diff11,diff12,...,diff1L,其中,对应第k列的一阶微分diff1k为:
diff1k=Sk-Sk-1;
S64,根据一阶微分计算二阶微分,得到对应各列坐标的二阶微分diff21,diff22,...,diff2L,其中对应第k列的二阶微分diff2k为:
diff2k=diff1k-diff1k-1。
7.根据权利要求1至6任一项所述的方法,其特征是,所述根据二阶微分的均值和方差的突变位置确定水位线的位置,包括:
分别计算二阶微分的均值曲线和方差曲线;
分别获取均值曲线和方差曲线的突变位置;
根据均值曲线和方差曲线的突变位置,确定对应水尺区域起始位置的第一均值阈值和第一方差阈值,以及对应水位线的第二均值阈值和第二方差阈值;
从k=1开始,以步长1递增,将首先满足二阶微分均值和方差皆大于第一均值阈值和第一方差阈值的列位置作为水尺区域的起始位置;
从水尺区域的起始位置所在的列开始,将首先满足二阶微分均值和方差皆小于第二均值阈值和第二方差阈值的列位置作为水位线的位置。
8.根据权利要求1至6任一项所述的方法,其特征是,所述根据二阶微分的均值和方差的突变位置确定水位线的位置,包括:
确定水尺区域的起始位置:从k=1开始,以步长1递增,依次将各对应列的二阶微分的均值和方差,分别与预设的对应水尺区域起始位置的第一均值阈值和第一方差阈值进行比较,若满足二阶微分的均值和方差皆大于第一均值阈值和第一方差阈值,则对应列的像素坐标即为水尺区域的起始位置;
确定水位线的位置:从水尺区域起始位置对应的列开始,令k以步长1递增,依次将各对应列的二阶微分的均值和方差,分别与预设的对应水位线的第二均值阈值和第二方差阈值进行比较,若满足二阶微分的均值和方差皆小于第一均值阈值和第一方差阈值,则将对应列的像素坐标确定为水位线的位置。
9.一种水尺水位线图像检测装置,其特征是,包括:
图像获取模块,被配置用于获取夜间补光条件下包含目标水尺的待检测图像;
水尺区域初步检测模块,被配置用于利用预先训练的faster-RCNN目标检测网络检测水尺大致区域,根据检测结果得到水尺大致区域图像;
模糊处理模块,被配置用于对水尺大致区域图像进行高斯模糊处理,得到模糊图像;
图像分割模块,被配置用于对所述模糊图像采用递归OTSU算法进行处理,以将水尺与背景分割,得到水尺部分的图像;
二值化处理模块,被配置用于对所述水尺部分的图像进行二值化处理,得到二值化的水尺图像;
像素统计模块,被配置用于统计二值化水尺图像中像素灰度值为255的所有像素,对统计结果进行梯形积分,再对梯形积分进行二阶微分;
以及,水位线定位模块,被配置用于对所述二阶微分分别计算均值和方差,根据二阶微分的均值和方差的突变位置确定水位线的位置。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该计算机程序被处理器执行时,实现如第一方面所述的水尺水位线图像检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032427.XA CN112734729B (zh) | 2021-01-11 | 2021-01-11 | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032427.XA CN112734729B (zh) | 2021-01-11 | 2021-01-11 | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734729A true CN112734729A (zh) | 2021-04-30 |
CN112734729B CN112734729B (zh) | 2022-09-23 |
Family
ID=75590284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032427.XA Active CN112734729B (zh) | 2021-01-11 | 2021-01-11 | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734729B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578695A (zh) * | 2022-11-21 | 2023-01-06 | 昆明理工大学 | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 |
CN116136428A (zh) * | 2023-04-20 | 2023-05-19 | 中国铁塔股份有限公司湖北省分公司 | 一种江河水位测量系统、方法及可读存储介质 |
CN116416268B (zh) * | 2023-06-09 | 2023-08-18 | 浙江双元科技股份有限公司 | 基于递归二分法的锂电池极片边缘位置检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147281A (zh) * | 2011-01-12 | 2011-08-10 | 湖南大学 | 一种基于机器视觉的液位检测装置及其方法 |
CN105334228A (zh) * | 2015-10-15 | 2016-02-17 | 哈尔滨工程大学 | 基于图像处理的瓶装液体杂质及液位检测方法 |
CN106557764A (zh) * | 2016-11-02 | 2017-04-05 | 江西理工大学 | 一种基于二进制编码字符水尺和图像处理的水位识别方法 |
CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
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 |
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 |
CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
-
2021
- 2021-01-11 CN CN202110032427.XA patent/CN112734729B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147281A (zh) * | 2011-01-12 | 2011-08-10 | 湖南大学 | 一种基于机器视觉的液位检测装置及其方法 |
CN105334228A (zh) * | 2015-10-15 | 2016-02-17 | 哈尔滨工程大学 | 基于图像处理的瓶装液体杂质及液位检测方法 |
CN106557764A (zh) * | 2016-11-02 | 2017-04-05 | 江西理工大学 | 一种基于二进制编码字符水尺和图像处理的水位识别方法 |
CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习对视频或图片中水线的检测和识别方法 |
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 |
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 |
CN111914686A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
曾荣周等: "一种改进的分水岭分割的研究", 《光电子技术》 * |
楼偶俊等: "基于特征点模板的Contourlet域抗几何攻击水印算法研究", 《计算机学报》 * |
黄林等: "基于机器视觉的快速水尺刻度提取技术", 《现代计算机(专业版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578695A (zh) * | 2022-11-21 | 2023-01-06 | 昆明理工大学 | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 |
CN116136428A (zh) * | 2023-04-20 | 2023-05-19 | 中国铁塔股份有限公司湖北省分公司 | 一种江河水位测量系统、方法及可读存储介质 |
CN116136428B (zh) * | 2023-04-20 | 2023-08-08 | 中国铁塔股份有限公司湖北省分公司 | 一种江河水位测量系统、方法及可读存储介质 |
CN116416268B (zh) * | 2023-06-09 | 2023-08-18 | 浙江双元科技股份有限公司 | 基于递归二分法的锂电池极片边缘位置检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112734729B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN110276285B (zh) | 一种非受控场景视频中的船舶水尺智能识别方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN104751187A (zh) | 抄表图像自动识别方法 | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN111598856A (zh) | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统 | |
CN115497109B (zh) | 基于智能翻译的文字图像预处理方法 | |
CN111738256A (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN112101351A (zh) | 一种基于投影的文本行旋转校正方法及装置 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN109241975B (zh) | 一种基于字符中心点定位的车牌字符分割方法 | |
CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及系统 | |
Fan et al. | Skew detection in document images based on rectangular active contour | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN114066887B (zh) | 大米垩白区域检测方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |