CN112784880B - 基于自然特征统计方法标注高速公路雾天能见度等级 - Google Patents

基于自然特征统计方法标注高速公路雾天能见度等级 Download PDF

Info

Publication number
CN112784880B
CN112784880B CN202110002622.8A CN202110002622A CN112784880B CN 112784880 B CN112784880 B CN 112784880B CN 202110002622 A CN202110002622 A CN 202110002622A CN 112784880 B CN112784880 B CN 112784880B
Authority
CN
China
Prior art keywords
fog
visibility
statistical method
mahalanobis distance
image
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
Application number
CN202110002622.8A
Other languages
English (en)
Other versions
CN112784880A (zh
Inventor
章军
汪倩倩
陈鹏
王兵
夏懿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN202110002622.8A priority Critical patent/CN112784880B/zh
Publication of CN112784880A publication Critical patent/CN112784880A/zh
Application granted granted Critical
Publication of CN112784880B publication Critical patent/CN112784880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术领域，公开了基于自然特征统计方法标注高速公路雾天能见度等级，包括自然特征统计的方法和能见度等级的划分，所述自然特征统计的方法包括以下步骤：S1、提取雾感特征；S2、计算高斯模型参数、马氏距离和雾密度；S3、建立实验模型，标注能见度等级。本发明利用自然图像特征统计方法从图片中提取雾特征，将其拟合到多元高斯模型中，计算模型参数，得到模型之间的马氏距离，再计算出雾密度，表示不同等级能见度之间的阈值，以此来自动标注能见度等级，相对于目测法，结果更客观，大大提高了标注效率，相较于仪器检测更方便，可靠，同时为深度学习能见度检测提供大量的样本数据库。

Description

基于自然特征统计方法标注高速公路雾天能见度等级
技术领域
本发明涉及图像识别技术领域，具体是基于自然特征统计方法标注高速公路雾天能见度等级。
背景技术
雾天能见度降低，给人们出行带来不便，根据国家气象局提出的雾预报等级划分标准，根据能见度可以将雾划分为以下几个等级：能见度＞1000m时为Ⅰ级，能见度在500～1000m时为Ⅱ级，能见度200～500m时为Ⅲ级，能见度50～200m时为Ⅳ级，能见度＜50m时为Ⅴ级，随着科技的不断发展，如今利用图像固有的特征信息进行高速公路雾情况分析已经成为该领域的主要发展趋势。
随着深度学习的兴起，许多学者开始利用深度学习来进行高速公路雾况识别，深度学习训练网络则需要大量的样本图片库，但对高速公路上拍摄到的图片进行能见度等级标注十分困难，目前主要标注方法主要有目测法和仪器设备测量法。目测法主要根据人类的主观意识来进行能见度距离的估计。仪器设备测量法主要是使用能见度仪一般基于红外光或激光，测量消光系数，再根据消光系数和能见度关系得到能见度值。
但是目测法决定于人的意识，主观性较强，不同的人可能会得到不同的结果,仪器设备测量法需要昂贵的设备且设备在公路上部署间隔远，一般相距20km左右，且是以点之间的间距作为测量到能见度，而实际拍摄到的图片信息更侧重于整个雾平面，很难使得拍摄到的图片与能见度仪测到的能见度值匹配起来。
发明内容
本发明的目的在于提供基于自然特征统计方法标注高速公路雾天能见度等级，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于自然特征统计方法标注高速公路雾天能见度等级，包括自然特征统计的方法和能见度等级的划分，所述自然特征统计的方法包括以下步骤：
S1、利用自然图像特征统计方法从图片中提取雾感特征；
S2、将S1步骤中提取的雾感特征拟合到多元高斯模型中，计算高斯模型参数，得到模型之间的马氏距离，并基于马氏距离计算出雾密度；
高斯模型参数计算公式如下：
Figure GDA0004061816900000021
马氏距离计算公式如下：
Figure GDA0004061816900000022
雾密度计算公式如下：
Figure GDA0004061816900000023
S3、根据上述步骤得到的雾感特征、高斯模型参数、马氏距离和雾密度，建立实验模型，并根据不同的雾密度表示不同等级能见度之间的阈值，以此来标注能见度等级，能见度等级分为Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ五个等级，其中，实验模型包括模型训练和模型测试。
作为本发明进一步的方案：所述雾感特征由以下五个特征(f1，…，f5)组成：MSCN系数、图像熵、Michelson对比度、逐像素暗通道和色彩丰富度。
作为本发明再进一步的方案：所述MSCN系数用于解决图像识别过程中光照不均匀、不稳定的问题，避免因光照强度影响检测结果；
所述图像熵用于反映图像中灰度分布的聚集特征和空间特征的信息量；
所述Michelson对比度用于测量图像中明暗区域最亮的白和最暗的黑之间不同亮度层级，即指一幅图像中灰度反差的大小，差异范围越大代表对比越大，差异范围越小代表对比越小；
所述逐像素暗通道用于对图像进行天空区域分割，消除光晕效应，避免图像去雾后产生明显的颜色失真；
所述色彩丰富度用于反映图像中色彩的鲜艳生动程度。
作为本发明再进一步的方案：所述能见度等级的划分包括以下步骤：
S11、从已标注的高速公路图片挑选出能见度＞1000m的无雾图片作为基础样本01，再挑选出能见度＜10m的强浓雾图片作为基础样本02，挑选出能见度为50m、200m、500m、1000m分别作为训练样本1、训练样本2、训练样本3和训练样本4，剩下的作为测试样本；
S22、对基础样本01中的每张图片进行分块，块大小为P*P，对每块提取特征(f1，…，f5，)，得到该样本特征矩阵A；
S33、将S33步骤中得到的特征矩阵A拟合为高斯模型，利用最大似然估计算出高斯模型参数；
最大似然估计公式如下：
Figure GDA0004061816900000031
Figure GDA0004061816900000032
S44、依次对基础样本01、02、训练样本1、2、3和4进行与S22和S33步骤相同的操作，所有样本得到参数分别记为(μc,Σc)、(μh,∑h)、(μ1,∑1)、(μ2,∑2)、(μ3,∑3)、(μ4,∑4)；
S55、利用马氏距离公式分别计算训练样本1、2、3和4与基础样本01之间的距离，依次记为dc1、dc2、dc3、dc4，得到训练样本的无雾水平，再利用马氏距离公式分别计算训练样本1、2、3和4与基础样本02之间的距离，依次记为dh1、dh2、dh3、dh4，得到训练样本的有雾水平；
S66、基于S55步骤得到的马氏距离，利用雾密度公式分别计算出等级边界线处的雾密度，记为de1、de2、de3、de4，作为能见度等级划分阈值。
S77、对测试样本中每张图片均进行S44步骤、S55步骤和S66步骤中的雾密度计算，计算出来雾密度值与划分阈值比较归类到Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ五个能见度等级。
S88、计算测试样本归类准确率；
S99、改变P*P大小，重复上述S11～S88步骤，比较测试样本的准确率，选出准确率最高相应P值作为最终分块大小，该分块下的得到的阈值作为最终划分阈值，再对待标注图片进行雾密度的计算，并归类到对应的能见度等级，从而实现能见度等级的自动标注。
与现有技术相比，本发明的有益效果：
本发明利用自然图像特征统计方法从图片中提取雾特征，将其拟合到多元高斯模型中，计算模型参数，得到模型之间的马氏距离，再计算出雾密度，表示不同等级能见度之间的阈值，以此来自动标注能见度等级，相对于目测法，结果更客观，大大提高了标注效率，相较于仪器检测更方便，可靠，同时为深度学习能见度检测提供大量的样本数据库。
附图说明
图1为基于自然特征统计方法标注高速公路雾天能见度等级的流程示意图；
图2为基于自然特征统计方法标注高速公路雾天能见度等级中实验模型的示意图。
具体实施方式
请参阅图1和图2，本发明实施例中，基于自然特征统计方法标注高速公路雾天能见度等级，包括自然特征统计的方法和能见度等级的划分，自然特征统计的方法包括以下步骤：
S1、利用自然图像特征统计方法从图片中提取雾感特征；
S2、将S1步骤中提取的雾感特征拟合到多元高斯模型中，计算高斯模型参数，得到模型之间的马氏距离，并基于马氏距离计算出雾密度，高斯模型参数之间相似度可以用马氏距离进行计算，距离越小表示两组特征越接近；
高斯模型参数计算公式如下：
Figure GDA0004061816900000041
马氏距离计算公式如下：
Figure GDA0004061816900000042
雾密度计算公式如下：
Figure GDA0004061816900000051
S3、根据上述步骤得到的雾感特征、高斯模型参数、马氏距离和雾密度，建立实验模型，并根据不同的雾密度表示不同等级能见度之间的阈值，以此来标注能见度等级，能见度等级分为Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ五个等级，其中，实验模型包括模型训练和模型测试。
优先的，雾感特征由以下五个特征(f1，…，f5)组成：MSCN系数即亮度归一化系数、图像熵、Michelson对比度、逐像素暗通道和色彩丰富度。
优先的，MSCN系数用于解决图像识别过程中光照不均匀、不稳定的问题，避免因光照强度影响检测结果，图像熵用于反映图像中灰度分布的聚集特征和空间特征的信息量，Michelson对比度用于测量图像中明暗区域最亮的白和最暗的黑之间不同亮度层级，即指一幅图像中灰度反差的大小，差异范围越大代表对比越大，差异范围越小代表对比越小，逐像素暗通道用于对图像进行天空区域分割，消除光晕效应，避免图像去雾后产生明显的颜色失真，色彩丰富度用于反映图像中色彩的鲜艳生动程度。
优先的，能见度等级的划分包括以下步骤：
S11、从已标注的高速公路图片挑选出能见度＞1000m的无雾图片作为基础样本01，再挑选出能见度＜10m的强浓雾图片作为基础样本02，挑选出能见度为50m、200m、500m、1000m分别作为训练样本1、训练样本2、训练样本3和训练样本4，剩下的作为测试样本；
S22、对基础样本01中的每张图片进行分块，块大小为P*P(调整范围4～64)，对每块提取特征(f1，…，f5，)，得到该样本特征矩阵A；
举例说明：假如基础样本01图片为100张，图片大小640*480，分块大小P*P为8*8，图像分块80*60,每块提取5个特征，一个4800块，则特征矩阵A为[]4800*；
S33、将S33步骤中得到的特征矩阵A拟合为高斯模型，利用最大似然估计算出高斯模型参数；
最大似然估计公式如下：
Figure GDA0004061816900000061
Figure GDA0004061816900000062
S44、依次对基础样本01、02、训练样本1、2、3和4进行与S22和S33步骤相同的操作，所有样本得到参数分别记为(μc,∑c)、(μh,∑h)、(μ1,∑1)、(μ2,∑2)、(μ3,∑3)、(μ4,∑4)；
举例说明：基础样本01拟合高斯模型计算参数结果为(μc,∑c)
μc＝[0.2292 1.5166 1.1114 0.3274 2.5257]
Figure GDA0004061816900000063
S55、利用马氏距离公式分别计算训练样本1、2、3和4与基础样本01之间的距离，依次记为dc1、dc2、dc3、dc4，得到训练样本的无雾水平，再利用马氏距离公式分别计算训练样本1、2、3和4与基础样本02之间的距离，依次记为dh1、dh2、dh3、dh4，得到训练样本的有雾水平；
举例说明：利用马氏距离计算公式计算训练样本1(能见度50m)的无雾水平(其他训练样本同理)：
Figure GDA0004061816900000064
利用马氏距离计算公式，计算训练样本1(能见度50m)的有雾水平(其他训练样本同理)：
Figure GDA0004061816900000065
当马氏距离越小，则两组特征越接近，反之，马氏距离越大则两组特征越远；
S66、基于S55步骤得到的马氏距离，利用雾密度公式分别计算出等级边界线处的雾密度，记为de1、de2、de3、de4，作为能见度等级划分阈值；
举例说明：利用雾密度计算公式对分块大小为8*8的测试样本进行雾密度的计算，计算出能见度等级划分阈值，具体计算如下：
Figure GDA0004061816900000071
测试样本的能见度等级划分阈值结果见下表1：
de1(50m) de2(200m) de3(500m) de4(1000m)
6.5 4.0 2.7 1.7
S77、对测试样本中每张图片均进行S44步骤、S55步骤和S66步骤中的雾密度计算，计算出来雾密度值与划分阈值比较归类到Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ五个能见度等级；
举例说明：测试样本共1000张，每个等级各200张，能见度等级结果如下表2：
de 等级
de>6.5 Ⅴ
4.0<de<6.5 Ⅳ
2.7<de<4.0 Ⅲ
1.7<de<2.7 Ⅱ
de<1.7 Ⅰ
S88、计算测试样本归类准确率；
举例说明：对分块大小为8*8的测试样本进行准确率进行统计，测试样本分级准确率结果如下表3：
等级(P＝8) I II III IV V
准确率 78％ 82.5％ 84.5％ 83％ 87％
S99、改变P*P大小，重复上述S11～S88步骤，比较测试样本的准确率，选出准确率最高相应P值作为最终分块大小，该分块下的得到的阈值作为最终划分阈值，再对待标注图片进行雾密度的计算，并归类到对应的能见度等级，从而实现能见度等级的自动标注。
以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.基于自然特征统计方法标注高速公路雾天能见度等级，包括自然特征统计的方法和能见度等级的划分，其特征在于，所述自然特征统计的方法包括以下步骤：
S1、利用自然图像特征统计方法从图片中提取雾感特征；
S2、将S1步骤中提取的雾感特征拟合到多元高斯模型中，计算高斯模型参数，得到模型之间的马氏距离，并基于马氏距离计算出雾密度；
高斯模型参数计算公式如下：
Figure FDA0004061816890000011
马氏距离计算公式如下：
Figure FDA0004061816890000012
雾密度计算公式如下：
Figure FDA0004061816890000013
上式中，f表示雾感特征；d表示马氏距离；μ表示高斯模型参数；∑表示协方差；μ1和μ2分别表示两组图片在高斯模型参数中的位置参数；∑1和∑2分别表示μ1和μ2位置参数的协方差；dc表示模型训练中一组无雾图片和样本图片间的马氏距离；dh表示模型训练中一组强浓度雾图和样本图片间的马氏距离；
S3、根据上述步骤得到的雾感特征、高斯模型参数、马氏距离和雾密度，建立实验模型，并根据不同的雾密度表示不同等级能见度之间的阈值，以此来标注能见度等级，能见度等级分为Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ五个等级，其中，实验模型包括模型训练和模型测试；
所述能见度等级的划分包括以下步骤：
S11、从已标注的高速公路图片挑选出能见度＞1000m的无雾图片作为基础样本01，再挑选出能见度＜10m的强浓雾图片作为基础样本02，挑选出能见度为50m、200m、500m、1000m分别作为训练样本1、训练样本2、训练样本3和训练样本4，剩下的作为测试样本；
S22、对基础样本01中的每张图片进行分块，块大小为P*P，对每块提取特征，得到该样本特征矩阵A；
S33、将S22步骤中得到的特征矩阵A拟合为高斯模型，利用最大似然估计算出高斯模型参数；
最大似然估计公式如下：
Figure FDA0004061816890000021
Figure FDA0004061816890000022
S44、依次对基础样本01、02、训练样本1、2、3和4进行与S22和S33步骤相同的操作，所有样本得到参数分别记为(μc,∑c)、(μh,∑h)、(μ1,∑1)、(μ2,∑2)、(μ3,∑3)、(μ4,∑4)；
S55、利用马氏距离公式分别计算训练样本1、2、3和4与基础样本01之间的距离，依次记为dc1、dc2、dc3、dc4，得到训练样本的无雾水平，再利用马氏距离公式分别计算训练样本1、2、3和4与基础样本02之间的距离，依次记为dh1、dh2、dh3、dh4，得到训练样本的有雾水平；
S66、基于S55步骤得到的马氏距离，利用雾密度公式分别计算出等级边界线处的雾密度，记为de1、de2、de3、de4，作为能见度等级划分阈值；
S77、对测试样本中每张图片均进行S44步骤、S55步骤和S66步骤中的雾密度计算，计算出来雾密度值与划分阈值比较归类到Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ五个能见度等级；
S88、计算测试样本归类准确率；
S99、改变P*P大小，重复上述S11～S88步骤，比较测试样本的准确率，选出准确率最高相应P值作为最终分块大小，该分块下的得到的阈值作为最终划分阈值，再对待标注图片进行雾密度的计算，并归类到对应的能见度等级，从而实现能见度等级的自动标注。
2.根据权利要求1所述的基于自然特征统计方法标注高速公路雾天能见度等级，其特征在于，所述雾感特征由以下五个特征组成：MSCN系数、图像熵、Michelson对比度、逐像素暗通道和色彩丰富度。
3.根据权利要求2所述的基于自然特征统计方法标注高速公路雾天能见度等级，其特征在于，所述MSCN系数用于解决图像识别过程中光照不均匀、不稳定的问题，避免因光照强度影响检测结果，所述图像熵用于反映图像中灰度分布的聚集特征和空间特征的信息量，所述Michelson对比度用于测量图像中明暗区域最亮的白和最暗的黑之间不同亮度层级，即指一幅图像中灰度反差的大小，所述逐像素暗通道用于对图像进行天空区域分割，消除光晕效应，所述色彩丰富度用于反映图像中色彩的鲜艳生动程度。
CN202110002622.8A 2021-01-04 2021-01-04 基于自然特征统计方法标注高速公路雾天能见度等级 Active CN112784880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110002622.8A CN112784880B (zh) 2021-01-04 2021-01-04 基于自然特征统计方法标注高速公路雾天能见度等级

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110002622.8A CN112784880B (zh) 2021-01-04 2021-01-04 基于自然特征统计方法标注高速公路雾天能见度等级

Publications (2)

Publication Number Publication Date
CN112784880A CN112784880A (zh) 2021-05-11
CN112784880B true CN112784880B (zh) 2023-04-07

Family

ID=75753845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110002622.8A Active CN112784880B (zh) 2021-01-04 2021-01-04 基于自然特征统计方法标注高速公路雾天能见度等级

Country Status (1)

Country Link
CN (1) CN112784880B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557477B (zh) * 2024-01-09 2024-04-05 浙江华是科技股份有限公司 一种船舶去雾复原方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064392A (en) * 1998-03-16 2000-05-16 Oak Technology, Inc. Method and apparatus for generating non-homogenous fog
CN109389132A (zh) * 2018-09-28 2019-02-26 深圳大学 一种基于图像的雾浓度检测预警方法及系统
CN109881593A (zh) * 2019-03-22 2019-06-14 张永利 一种能见度检测及连锁控制系统
CN110097762A (zh) * 2019-03-25 2019-08-06 南京微达电子科技有限公司 一种道路视频图像低能见度刻度估算方法及系统
CN111598885A (zh) * 2020-05-21 2020-08-28 公安部交通管理科学研究所 高速公路团雾图片能见度等级自动标注方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064392A (en) * 1998-03-16 2000-05-16 Oak Technology, Inc. Method and apparatus for generating non-homogenous fog
CN109389132A (zh) * 2018-09-28 2019-02-26 深圳大学 一种基于图像的雾浓度检测预警方法及系统
CN109881593A (zh) * 2019-03-22 2019-06-14 张永利 一种能见度检测及连锁控制系统
CN110097762A (zh) * 2019-03-25 2019-08-06 南京微达电子科技有限公司 一种道路视频图像低能见度刻度估算方法及系统
CN111598885A (zh) * 2020-05-21 2020-08-28 公安部交通管理科学研究所 高速公路团雾图片能见度等级自动标注方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Referenceless Perceptual Fog Density Prediction Model;Lark Kwon Choi 等;《Human Vision and Electronic Imaging XIX》;20140225;论文第3-4节 *
Referenceless Prediction of Perceptual Fog Density and Perceptual Image Defogging;Lark Kwon Choi 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20151130;第3888-3901页 *
基于自然统计特征分布的交通图像雾浓度检测;温立民 等;《电子学报》;20170831;第45卷(第8期);第1888-1895页 *
高速公路雾区安全分级控制标准和分级控制策略研究;刘洪启 等;《公路》;20071031(第10期);论文第2节 *

Also Published As

Publication number Publication date
CN112784880A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
US10565479B1 (en) Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN108010024B (zh) 一种盲参考色调映射图像质量评价方法
CN111738064B (zh) 一种雾霾图像的雾浓度识别方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN113723573B (zh) 基于自适应比例学习的肿瘤组织病理分类系统及方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN108921120B (zh) 一种适应广泛零售场景下的香烟识别方法
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN104636755A (zh) 一种基于深度学习的人脸美丽评价方法
CN111260645B (zh) 基于分块分类深度学习的篡改图像检测方法及系统
CN109858570A (zh) 图像分类方法及系统、计算机设备及介质
CN112784880B (zh) 基于自然特征统计方法标注高速公路雾天能见度等级
CN112734729A (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
CN111210447B (zh) 一种苏木精-伊红染色病理图像层次分割的方法及终端
CN109146563A (zh) 一种基于迁移学习的城市住宅地价评估方法
CN113643312B (zh) 基于真彩色卫星云图与图像处理的云层分割方法
CN114299379A (zh) 一种基于高动态影像的阴影区植被覆盖度提取方法
CN112435237B (zh) 一种基于数据增强与深度网络的皮肤病变分割方法
CN105701816A (zh) 一种图像自动分割方法
CN113034454B (zh) 一种基于人类视觉感官的水下图像质量评价方法
CN106023208A (zh) 图像质量的客观评价方法
CN113822105B (zh) 基于svm水标尺在线二分类器的人工智能水位监测系统
CN114494205A (zh) 一种基于自适应的颜色分级的门窗锈蚀程度判定方法
CN103440487B (zh) 一种局部色调差异的自然场景文字定位方法

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