CN112734745B - 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 - Google Patents
一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 Download PDFInfo
- Publication number
- CN112734745B CN112734745B CN202110076035.3A CN202110076035A CN112734745B CN 112734745 B CN112734745 B CN 112734745B CN 202110076035 A CN202110076035 A CN 202110076035A CN 112734745 B CN112734745 B CN 112734745B
- Authority
- CN
- China
- Prior art keywords
- thermal infrared
- infrared image
- feature map
- gis data
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000010438 heat treatment Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000003331 infrared imaging Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001629 suppression 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
针对无人机影像检测供热管道泄露应用中的尺度大小差距大,边界不够清晰,虚检高的问题,本发明提出了一种融合GIS数据的无人机热红外影像供暖管道泄漏探测方法。本发明融合了多尺度的局部与全局特征图,并且进一步融合了GIS数据加以辅助,这种算法通过融合全局和局部特征,解决了传统热红外影像的滤波探测算法中边界信息模糊的问题。通过多尺度的方法,可以实现无监督的寻找不同尺度大小的无人机影像上的供热管道泄漏点;并且对于供热管道检测中容易出现虚检现象,使用GIS数据加以辅助,从而大大减少了虚检的现象,并且本发明还可以适用于不同的热红外检测系统中,具有很强的泛用性。
Description
技术领域
本发明基于遥感影像图像技术处理领域,涉及一种融合GIS数据的无人机热红外影像供暖管道泄漏探测方法。
背景技术
热红外成像技术是指通过接收物体的热辐射信息,之后将其转化为电信号,从而人眼可以识别的图像的一种成像技术。热红外成像技术通过接收物体热红外波段的辐射信息,可以得到物体的温度信息,所以具备探测热异常目标的能力。值得一提的是在夜间和恶劣天气的条件下,热红外成像依然拥有良好的性能,因而在侦测火灾、检查电气设备故障等方面得到了广泛地应用。供热管网泄漏事故多发生在冬季,热介质与环境温差较大,集中供热管网泄漏管网段在局部地区造成高温区域,在热红外影像上表现为局部高灰度值区域,因此可以利用热红外影像实现管网泄漏的检测。
热红外影像具有信噪比较低,纹理信息匮乏的特点,因此,一般采用背景抑制的方法来进行热异常目标的探测,传统的方法有形态学滤波,中值滤波、二维最小二乘等。滤波的方法非常容易使得目标的细节信息丢失,导致对于目标的检测不够准确;并且,滤波窗口的选择很大程度上依赖于目标的先验知识,缺乏通用性。进一步的,在管道泄漏的探测中,热红外图像往往不仅包括管网泄露的目标区域,也包括很多我们不感兴趣的热目标,使用传统方法,这些热目标会一起被检测出来产生虚检甚至会影响到管网泄露区域的检测。
发明内容
本发明的目的是提供了一种融合GIS数据的针对无人机热红外遥感影像的供暖管道泄漏探测方法。
为了达到上述效果,发明了一种融合GIS数据的无人机热红外影像供暖管道泄漏探测方法,包括以下几个步骤:
步骤1,读取热红外影像,进行影像预处理;
步骤2,读GIS数据,进行预处理;
步骤3,对热红外影像,构建全局特征图;
步骤4,对热红外影像,构建局部特征图;
步骤5,融合全局特征图、局部特征图、GIS数据,得到最终的特征图;
步骤6,对步骤5中的融合特征图进行阈值分割得到二值化结果图,从而检测出供热管道的泄露点的位置和形状。
进一步的,所述步骤1的实现方式如下,
步骤1.2,对归一化之后的热红外影像进行指数变换,扩大目标与背景之间的灰度差异,指数变换的公式为S=c×Rγ,其中S是变换的结果,R是输入的归一化之后的某个像素的灰度值,c用于限制变换后的灰度范围,γ是指数变化的参数;
步骤1.3,将指数变换增强的结果进行重新量化为8bit的图像,变换方法为S3=int(S2×255),其中,S3是归一化之后的结果,S2是步骤1.2中指数变换增强后的结果,int代表向下取整,将上述增强后的热红外影像进行高斯滤波,去除噪声对目标检测的影响;
进一步的,所述步骤2的实现方式如下,
步骤2.1,对GIS数据,获取的道路网为道路中心线构成的线状图,为了后续的处理,需要将其拓展为道路的面状图,这里选择道路网数据建立缓冲区的方法进行道路的拓展,然后利用形态学滤波的方法进行处理,滤波的模板根据影像的比例尺,道路的平均宽度选择;
步骤2.2,对滤波之后的道路网数据进行二值化处理,得到道路网掩膜。
进一步的,所述步骤3的实现方式如下,
步骤3.1,统计热红外影像的灰度直方图;
进一步的,所述步骤4的实现方式如下,
步骤4.1,将影像进行降采样,建立起多尺度的灰度影像金字塔;
步骤4.2,利用Center-Surround方法计算出多尺度的灰度特征图,计算公式为其中,c表示中心尺度,s表示周围尺度,表示Center-Surround操作,具体来说,是将两个尺度的图像的尺寸经过采样调整一致后做矩阵减法运算,最终归一化得到局部特征图。
进一步的,所述步骤4的实现方式如下,
步骤5.1,将全局特征图和局部特征图进行融合,融合的方法是线性的,或者是取最大值;
步骤5.2,对步骤2中得到的二值化GIS数据掩模先进行数据类型转化为浮点型,根据经验,管道网一般位于道路面下或者靠近道路,所以,距离道路越近的区域出现管道的概率越大,因此,使用如下的加权插值方法对二值GIS数据掩膜进行插值,作为出现管道的可信性图,其公式如下:
其中,n表示已知点总数,di表示未知点和第i个已知点直接的欧式距离,dj表示未知点与第j个已知点之间的欧氏距离,wj表示对第j个已知点对未知点的贡献大小,z表示未知点的插值结果,最终得到可信性图;
步骤5.3,将步骤5.1的融合特征图和步骤5.2的可信性图进行逐像素的相乘,得到最终的特征图。
进一步的,所述步骤6的实现方式如下,对步骤5中的融合特征图进行阈值分割得到二值化结果图,从而检测出供热管道的泄露点的位置和形状,阈值通过公式T=m+k×σ得到,其中m为融合特征图的均值,σ为融合特征图的标准差,k为经验阈值;之后建立与原始热红外影像同样大小的二值化结果图,比较融合特征图中每个像素与阈值T的大小,若大于阈值T,则将二值化图中对于位置处的像素赋值为1,若小于阈值T,则二值化图中对于该位置处的像素赋值为0。
本发明具有以下优点:
(1)融合了GIS数据辅助检验泄漏点,检测位置精度高,误判少。
(2)融合全局与局部特征,检测点的边缘形状细节更加清晰,检测更加准确。
(3)使用了多尺度的特征,适用于无人机各种高度下的飞行得到的不同尺度的热红外影像。
(4)无监督,计算速度快,适用于集成在各种自动化检测的系统中。
附图说明
图1(a)是本发明实施例包含供热管道泄漏点的热红外影像,(b)是使用本发明方法得到的对应的融合特征图。
图2是本发明实施例供暖管道泄露检测结果图,(a)是检测结果,(b)是真实结果。
图3为本发明实施例流程图。
具体实施方式
为了更好的理解本发明的技术方案,下面结合附图和一个实施实例对本发明进一步详细说明。
本实例具体实施在Matlab 2016a环境下,使用Matlab编程语言实现。本发明具体的实施方式如下:
步骤1,读取热红外影像,进行影像预处理;
步骤1.2,对归一化之后的热红外影像进行指数变换,扩大目标与背景之间的灰度差异,指数变换的公式为S2=c×S1 γ,其中S2是变换的结果,S1是1.1中归一化之后的某个像素的灰度值,c可以限制变换后的灰度范围,这里取1,γ是指数变化的参数,当γ大于1时,图像像素间的灰度差异被放大,根据经验,这里γ可以取2-4;
步骤1.3,将指数变换增强的结果进行重新量化为8bit的图像,变换方法为S3=int(S2×255),其中,S3是归一化之后的结果,S2是1.2中指数变换增强后的结果,int代表向下取整,将上述增强后的热红外影像进行高斯滤波,去除噪声对目标检测的影响;
步骤2,读GIS数据,进行预处理;
步骤2.1,对GIS数据,获取的道路网为道路中心线构成的线状图,为了后续的处理,需要将其拓展为道路的面状图,这里选择道路网数据建立缓冲区的方法进行道路的拓展,然后采用形态学滤波的方法进行处理,滤波的模板可根据影像的比例尺,道路的平均宽度等选择;
步骤2.2,对滤波之后的道路网数据进行二值化处理,得到面状道路网掩膜;
步骤3,对热红外影像,构建全局特征图;
步骤3.1,统计热红外影像的灰度直方图;
步骤4,对热红外影像,构建局部特征图,本步骤进一步包括以下步骤;
步骤4.1,将影像进行降采样,建立起多尺度的灰度影像金字塔;
步骤4.2,利用Center-Surround方法计算出多尺度的灰度特征图,计算公式为其中,c表示中心尺度,s表示周围尺度,表示Center-Surround操作,具体来说,是将两个尺度的图像的尺寸经过采样调整一致后做矩阵减法运算,最终归一化得到局部特征图。
步骤5,融合全局特征图、局部特征图、GIS数据,得到最终的特征图;
步骤5.1,将全局特征图和局部特征图进行融合,融合的方法可以是线性的,也可以是取最大值;
步骤5.2,对步骤2中得到的二值化GIS数据掩模先进行数据类型转化为浮点型,根据经验,管道网一般位于道路面下或者靠近道路,所以,距离道路越近的区域出现管道的概率越大,因此,使用如下的加权插值方法对二值GIS数据掩膜进行插值,作为出现管道的可信性图,其公式如下:
其中,n表示已知点总数,di表示未知点和第i个已知点直接的欧式距离,dj表示未知点与第j个已知点之间的欧氏距离,wj表示对第j个已知点对未知点的贡献大小,z表示未知点的插值结果,最终得到可信性图;
步骤5.3,将步骤5.1的融合特征图和步骤5.2的可信性图进行逐像素的相乘,得到最终的特征图,图1展示了融合的结果和原始的图像;
步骤6,对步骤5中的融合特征图进行阈值分割得到二值化结果图,从而检测出供热管道的泄露点的位置和形状,阈值通过公式T=m+k×σ得到,其中m为融合特征图的均值,σ为融合特征图的标准差,k为经验阈值,经验阈值k的取值为5-10。之后建立与原始热红外影像同样大小的二值化结果图,比较融合特征图中每个像素与阈值T的大小,若大于阈值T,则将二值化图中对于位置处的像素赋值为1,若小于阈值T。则二值化图中对于该位置处的像素赋值为0,如图2所示。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种融合GIS数据的无人机热红外影像供暖管道泄漏探测方法,其特征在于,包括以下步骤:
步骤1,读取热红外影像,进行影像预处理;
步骤2,读取GIS数据,进行预处理;
所述步骤2的实现方式如下,
步骤2.1,对GIS数据,获取的道路网为道路中心线构成的线状图,为了后续的处理,需要将其拓展为道路的面状图,这里选择道路网数据建立缓冲区的方法进行道路的拓展,然后利用形态学滤波的方法进行处理,滤波的模板根据影像的比例尺,道路的平均宽度选择;
步骤2.2,对滤波之后的道路网数据进行二值化处理,得到面状道路网掩膜;
步骤3,对热红外影像,构建全局特征图;
步骤4,对热红外影像,构建局部特征图;
步骤5,融合全局特征图、局部特征图、GIS数据,得到最终的特征图;
所述步骤5的实现方式如下,
步骤5.1,将全局特征图和局部特征图进行融合,融合的方法是线性的,或者是取最大值;
步骤5.2,对步骤2中得到的二值化GIS数据掩模先进行数据类型转化为浮点型,根据经验,管道网位于道路面下或者靠近道路,所以,距离道路越近的区域出现管道的概率越大,因此,使用如下的加权插值方法对二值GIS数据掩膜进行插值,作为出现管道的可信性图,其公式如下:
其中,n表示已知点总数,di表示未知点和第i个已知点直接的欧式距离,dj表示未知点与第j个已知点之间的欧氏距离,wj表示对第j个已知点对未知点的贡献大小,z表示未知点的插值结果,最终得到可信性图;
步骤5.3,将步骤5.1的融合特征图和步骤5.2的可信性图进行逐像素的相乘,得到最终的特征图;步骤6,对步骤5中的融合特征图进行阈值分割得到二值化结果图,从而检测出供热管道的泄露点的位置和形状。
2.如权利要求1所述的一种融合GIS数据的无人机热红外影像供暖管道泄漏探测方法,其特征在于:所述步骤1的实现方式如下,
步骤1.2,对归一化之后的热红外影像进行指数变换,扩大目标与背景之间的灰度差异,指数变换的公式为S=c×Rγ,其中S是变换的结果,R是输入的归一化之后的某个像素的灰度值,c用于限制变换后的灰度范围,γ是指数变化的参数;
步骤1.3,将指数变换增强的结果进行重新量化为8bit的图像,变换方法为S3=int(S2×255),其中,S3是归一化之后的结果,S2是步骤1.2中指数变换增强后的结果,int代表向下取整,将上述增强后的热红外影像进行高斯滤波,去除噪声对目标检测的影响。
5.如权利要求1所述的一种融合GIS数据的无人机热红外影像供暖管道泄漏探测方法,其特征在于:所述步骤6的实现方式如下,对步骤5中的融合特征图进行阈值分割得到二值化结果图,从而检测出供热管道的泄露点的位置和形状,阈值通过公式T=m+k×σ得到,其中m为融合特征图的均值,σ为融合特征图的标准差,k为经验阈值;之后建立与原始热红外影像同样大小的二值化结果图,比较融合特征图中每个像素与阈值T的大小,若大于阈值T,则将二值化图中对于位置处的像素赋值为1,若小于阈值T,则二值化图中对于该位置处的像素赋值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076035.3A CN112734745B (zh) | 2021-01-20 | 2021-01-20 | 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076035.3A CN112734745B (zh) | 2021-01-20 | 2021-01-20 | 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734745A CN112734745A (zh) | 2021-04-30 |
CN112734745B true CN112734745B (zh) | 2022-08-05 |
Family
ID=75592707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110076035.3A Active CN112734745B (zh) | 2021-01-20 | 2021-01-20 | 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734745B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823839B (zh) * | 2023-08-31 | 2023-12-01 | 梁山中维热力有限公司 | 基于热红外图像的管道泄漏检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344708A (zh) * | 2018-08-29 | 2019-02-15 | 昆明理工大学 | 一种供水管网爆管信号异常分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404119A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 利用遥感影像探测和计数城市道路车辆的方法 |
CN106778605B (zh) * | 2016-12-14 | 2020-05-05 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
CN107301420A (zh) * | 2017-06-30 | 2017-10-27 | 武汉大学 | 一种基于显著性分析的热红外影像目标探测方法 |
CN108194836A (zh) * | 2018-01-07 | 2018-06-22 | 昊天节能装备有限责任公司 | 一种城镇用供热管网系统散热损失现场检测方法 |
CN109214439B (zh) * | 2018-08-22 | 2021-12-03 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
CN110108328B (zh) * | 2019-04-03 | 2021-03-26 | 同济大学 | 一种供水管网漏损区域漏水量的获取方法 |
-
2021
- 2021-01-20 CN CN202110076035.3A patent/CN112734745B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344708A (zh) * | 2018-08-29 | 2019-02-15 | 昆明理工大学 | 一种供水管网爆管信号异常分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112734745A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544211B (zh) | 一种镜头付着物的检测方法、系统、终端和存储介质 | |
CN103020605B (zh) | 基于决策层融合的桥梁识别方法 | |
WO2018122809A1 (zh) | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 | |
KR101609303B1 (ko) | 카메라 캘리브레이션 방법 및 그 장치 | |
EP1462994B1 (en) | Method and system for identifying objects in an image | |
Li et al. | Road lane detection with gabor filters | |
CN112329623A (zh) | 雾天能见度检测与能见度安全等级划分预警方法 | |
Xia et al. | A novel sea-land segmentation algorithm based on local binary patterns for ship detection | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN108805050B (zh) | 基于局部二值模式的电线检测方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN111598098A (zh) | 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 | |
CN113030244B (zh) | 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及系统 | |
CN115063430A (zh) | 基于图像处理的电气管道裂纹检测方法 | |
Zhang et al. | Multiple Saliency Features Based Automatic Road Extraction from High‐Resolution Multispectral Satellite Images | |
CN112666553A (zh) | 一种基于毫米波雷达的道路积水识别方法及设备 | |
CN106886988B (zh) | 一种基于无人机遥感的线性目标检测方法及系统 | |
CN111950498A (zh) | 一种基于端到端实例分割的车道线检测方法及装置 | |
CN115841669A (zh) | 一种基于深度学习技术的指针式仪表检测与示数识别方法 | |
CN112734745B (zh) | 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN114581440B (zh) | 一种基于图像识别快速定位泄漏点的方法 | |
CN110544232A (zh) | 一种镜头付着物的检测系统、终端和存储介质 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |