CN113362274A - 一种雨量监测计算方法 - Google Patents
一种雨量监测计算方法 Download PDFInfo
- Publication number
- CN113362274A CN113362274A CN202110189226.0A CN202110189226A CN113362274A CN 113362274 A CN113362274 A CN 113362274A CN 202110189226 A CN202110189226 A CN 202110189226A CN 113362274 A CN113362274 A CN 113362274A
- Authority
- CN
- China
- Prior art keywords
- image
- raindrop
- hsv
- rainfall monitoring
- component
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 29
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种雨量监测计算方法,属于雨量监测领域,包括:步骤1、获取雨量监测图像;步骤2、提取雨量监测图HSV色彩饱和度、亮度分量,分割分量过大区域并利用数学形态学算法调整分割区域形状及大小,最终将各分量分割区域融合至原图;步骤3、利用基于改进HED边缘检测算法对雨滴区域进行处理,获得雨滴的轮廓形状;步骤4、使用数学形态学优化轮廓特征;步骤5、提取轮廓外接矩形;步骤6、计算雨滴参数;步骤7、根据雨滴参数,利用直方图统计计算结果。本发明具有实时监测的优势,为降雨监测领域的发展提供了新的发展思路与技术支撑。
Description
技术领域
本发明属于雨量监测领域,具体涉及一种雨量监测计算方法。
背景技术
目前国内外已有的降雨观测装置,主要可分为机械式以及光学探测式两种。 机械式雨量计原理主要为计算在一定时间内容器盛装的雨量来评估降雨等级及 降水量;光学探测式雨量计则是利用雨滴在光场中对光线的散射或折射作用来 测算雨场中的雨滴大小;机械式雨量计较为精确地检测降雨量,但不能满足检 测时的实时性;光学探测式可以满足实时性要求。但大多数只用来通过雨滴大 小来估测降雨等级,不能获得精确降雨量。
针对上述两种现有方法的局限性,基于图像处理的雨滴图像分析方法则具 有很大发展潜力。一方面,设计合适的图像处理算法对单幅图像进行精确测量, 一方面在长时间降雨观测中,提高算法运行速度,就可以同时兼顾精确度与实 时性。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种雨量监测计算方法。
为了实现上述目的,本发明提供如下技术方案:
一种雨量监测计算方法,包括以下步骤:
步骤1、获取雨量监测图像;
步骤2、提取雨量监测图HSV色彩饱和度、亮度分量,分割分量过大区 域并利用数学形态学算法调整分割区域形状及大小,降低外界灯光等干扰对 后续雨滴测量的影响,最终将各分量分割区域融合至原图;
步骤3、利用基于改进HED边缘检测算法对雨滴区域进行处理,获得雨 滴的轮廓形状;
步骤4、使用数学形态学优化轮廓特征;
步骤5、提取轮廓外接矩形;
步骤6、计算雨滴参数,包括雨滴大小、密度、位置分布、中心距离等 信息;
步骤7、根据雨滴参数,利用直方图统计计算结果。
优选地,步骤2具体包括:
步骤2.1、将RGB格式的监测图像转换为HSV颜色空间图像;
步骤2.2、判断HSV图像颜色空间图像的色彩饱和度S分量以及HSV图 像颜色空间图像的亮度V分量,是否存在S过大区域和V过大区域;若是, 进行步骤2.3;否则进行步骤2.4;
步骤2.3、分别基于S分量进行区域分割和基于V分量进行区域分割, 并使用数学形态学算法优化分割结果,然后进行步骤2.5;
步骤2.4、图像HSV颜色空间还原至RGB颜色空间;
步骤2.5、图像HSV颜色空间还原至RGB颜色空间,并将HSV各分量分 割区域融合至原图。
优选地,步骤2.1基于RGB转HSV转换公式将RGB格式的监测图像转换为 HSV颜色空间图像,具体为:
已知RGB图像中的RGB三个通道分量的取值均为0-255,共256种取值方 式;
设R',G',B'分别为:
在此基础上定义Cmax,Cmin,Δ:
式中,C为光照强度,Δ为最大光照强度和最小光照强度的差值;
则色彩H的转换公式为:
S转换公式为:
V则等于Cmax。
优选地,步骤2.2的判断过程为:
判断HSV色彩空间的S分量与V分量图像像素值是否存在高于设定的经 验阈值αS与αV的区域,经验阈值一般取200。
优选地,步骤2.3具体包括:
步骤2.3.1、将RGB图像转为HSV色彩空间:
IHSV=HSV(IRGB)
步骤2.3.2、设定阈值,利用色彩饱和度分量S将饱和度过高的区域去除:
IC=IS<α
式中α为阈值,接着利用数学形态学开闭运算消除噪声影响:
IC′=IC·E
上式中E为形态学结构元素,实验中选取正方形结构元素,边长取20-25。
优选地,步骤2.4的图像融合过程包括;
记录步骤2.3中最终得到的S分量图像与V分量图像分割区域,并将这些 区域覆盖至原始的RGB分量图像中。
优选地,步骤3包括以下步骤:
步骤3.1、对原有HED算法进行损失函数改进;
由于雨量监测图像的获取使用照相法,所以HED输入数据集用如下集合表 示:
S={(Xn,Yn),n=1,2,....,=N}
其中,原始图像:
图像Xn对应的实际二值化边缘图:
目标函数为
其中,标准网络层参数集合为W;
M个sideoutput响应权重为:
w=(w(1),.....,w(M))
Side output层损失函数为Lside:
在HED网络训练中,使用原图和二值化边缘图中的所有像素;对于图像, 边缘像素和非边缘像素严重失衡;为了平衡这种失衡,采用了以类平衡权重作 为抵消这种失衡的措施,故定义以下交叉熵损失函数:
步骤3.2、基于改进的HED算法对图像进行边缘检测。
优选地,所述步骤4-7包括:
(1)提取轮廓外接矩形:由于边缘检测算法自身的局限性,所提取的雨滴 边缘不可能全部连续,导致无法进行轮廓填充,利用OpenCV视觉库的 cvFindContours函数进行边缘轮廓提取,之后基于cvBoundingRect函数求取外接 矩形,对雨滴轮廓进行描述;
(2)计算雨滴参数:(a)基于上个步骤提取到的边缘轮廓进行轮廓填充, 统计落入各个面积区间内的填充后轮廓面积及其个数;(b)统计落入各个面积 区间内的轮廓外接矩形面积及其个数;(c)将各轮廓外接矩形中心点作为雨滴 在图像中的中心点并将其反映在与图像相同大小的坐标中;(d)依次求解每一 个雨滴中心点与最邻近雨滴中心点的距离,得到反映雨滴中心距离的集合D:
(3)利用直方图统计计算结果:基于上个步骤计算得到的统计信息,利用 直方图绘制结果。
本发明提供的雨量监测计算方法具有以下有益效果:
本发明采用数字图像处理与深度学习技术,提出了一种新型的基于图像的 雨量监测方法,依据图像干扰区域剔除及轮廓有效提取后统计出的雨滴大小、 密度、分布等信息,可以有效地估计出降雨强度及大小。相比于传统的机械式 雨量监测,本发明具有实时监测的优势,为降雨监测领域的发展提供了新的发 展思路与技术支撑。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的 附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领 域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获 得其他的附图。
图1为本发明实施例1的雨量监测计算方法的流程图;
图2为基于S分量区域分割过程图;
图3为基于V分量区域分割过程图;
图4为HED网络架构;
图5为基于改进HED的区域检测过程;
图6为轮廓提取结果图;
图7为外接矩形提取结果图;
图8为雨滴区域分析图;
图9为雨滴区域分析示例1的过程图;
图10为雨滴区域分析示例2的过程图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面 结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地 说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
雨量监测算法依托雨量监测设备,该设备上设置有可调节喷量的喷嘴,模 拟下雨情景,调节设备上端喷嘴控制雨量大小,通过喷嘴下方的可见光传感器 或相机拍摄降雨现象,得到降雨图像或视频。之后使用基于数字图像处理以及 卷积神经网络的图像处理算法对图像及视频进行处理,具体如图1所示,包括 以下步骤:
步骤1、获取雨量监测图像;
步骤2、提取雨量监测图HSV色彩饱和度、亮度分量,分割分量过大区 域并利用数学形态学算法调整分割区域形状及大小,降低外界灯光等干扰对 后续雨滴测量的影响,最终将各分量分割区域融合至原图;
具体的,本实施例中,步骤2具体包括:
步骤2.1、将RGB格式的监测图像转换为HSV颜色空间图像;
具体的,本实施例中,步骤2.1基于RGB转HSV转换公式将RGB格式的监 测图像转换为HSV颜色空间图像,具体为:
已知RGB图像中的RGB三个通道分量的取值均为0-255,共256种取值方 式;
设R',G',B'分别为:
在此基础上定义Cmax,Cmin,Δ:
式中,C为光照强度,Δ为最大光照强度和最小光照强度的差值;
则色彩H的转换公式为:
S转换公式为:
V则等于Cmax。
步骤2.2、判断HSV图像颜色空间图像的色彩饱和度S分量以及HSV图 像颜色空间图像的亮度V分量,是否存在S过大区域和V过大区域;若是, 进行步骤2.3;否则进行步骤2.4;
具体的,本实施例中,步骤2.2的判断过程为:
判断HSV色彩空间的S分量与V分量图像像素值是否存在高于设定的经 验阈值αS与αV的区域,经验阈值一般取200。
步骤2.3、分别基于S分量进行区域分割和基于V分量进行区域分割, 并使用数学形态学算法优化分割结果,然后进行步骤2.5;
图2为基于S分量进行区域分割过程,其中图2(a)为原图像,图2(b) 为色彩饱和度S分量,图2(c)为阈值分割结果,图2(d)为形态学闭操作结 果,图2(e)为形态学腐蚀效果图,图2(f)为区域分割结果;参考图2,骤 2.3中基于S分量进行区域分割具体包括:
步骤2.3.1、将RGB图像转为HSV色彩空间:
IHSV=HSV(IRGB)
步骤2.3.2、设定阈值,利用色彩饱和度分量S将饱和度过高的区域去除:
IC=IS<α
式中α为阈值,接着利用数学形态学开闭运算消除噪声影响:
IC′=IC·E
上式中E为形态学结构元素,实验中选取正方形结构元素,边长取20-25。
基于亮度分量V的背景区域分割与基于S分量的分割原理相同,如图3 所示为基于V分量区域分割过程图,图3(a)为原图像,图3(b)为亮度 V分量,图3(c)为阈值分割结果,图3(d)为形态学处理结果,图3(e) 为区域分割结果。分割过程包括:将步骤2.2中得出的S分量图像与V分量 图像像素高于经验阈值的部分像素值置为0;选取形态学结构元素E作为滤波核,按经验选取为正方形,边长20-25,并对(1)中像素值置为0的区域 进行形态学开运算与闭运算。
步骤2.4、图像HSV颜色空间还原至RGB颜色空间;
具体的,本实施例中,步骤2.4的图像融合过程包括;
记录步骤2.3中最终得到的S分量图像与V分量图像分割区域,并将这些 区域覆盖至原始的RGB分量图像中。
步骤2.5、图像HSV颜色空间还原至RGB颜色空间,并将HSV各分量分 割区域融合至原图;
步骤3、利用基于改进HED边缘检测算法对雨滴区域进行处理,获得雨 滴的轮廓形状;
具体的,本实施例中,图4为HED网络架构图,步骤3包括以下步骤:
步骤3.1、对原有HED算法进行损失函数改进;
由于雨量监测图像的获取使用照相法,所以HED输入数据集可用如下集合 表示:
S={(Xn,Yn),n=1,2,....,=N}
其中,原始图像:
图像Xn对应的实际二值化边缘图:
本发明目标函数为
其中,标准网络层参数集合为W;
M个sideoutput响应权重为:
w=(w(1),.....,w(M))
Side output层损失函数为Lside:
在本发明的HED网络训练中,使用原图和二值化边缘图中的所有像素;对 于图像,边缘像素和非边缘像素严重失衡。为了平衡这种失衡,本发明采用了 以类平衡权重作为抵消这种失衡的措施。故定义以下交叉熵损失函数:
步骤3.2、基于改进的HED算法对图像进行边缘检测,如图5所示,图 5(a)为原图像Canny边缘检测结果图;图5(b)为分割区域HED边缘检 测结果图;图5(c)为数学形态学闭运算结果图;图5(d)为数学形态学 开运算结果图。
步骤4、使用数学形态学优化轮廓特征;
步骤5、提取轮廓外接矩形;
步骤6、计算雨滴参数;(雨滴大小、密度、位置分布、中心距离等信 息);
步骤7、根据雨滴参数,利用直方图统计计算结果。
具体的,本实施例中,步骤4-7包括:
(1)提取轮廓外接矩形:由于边缘检测算法自身的局限性,所提取的雨滴 边缘不可能全部连续,导致无法进行轮廓填充,利用OpenCV视觉库的cvFindContours函数进行边缘轮廓提取,之后基于cvBoundingRect函数求取外接 矩形,对雨滴轮廓进行描述;
具体的,本实施例中,轮廓提取方案为:
在得到了边缘检测结果后,将各独立的边缘区域以曲线形式表示,则可得 到雨滴轮廓曲线以及相应的雨滴区域,如图6所示,图6(a)为边缘轮廓提取 结果,图6(b)为雨滴区域提取结果。由于边缘检测算法自身的局限性,所 提取的雨滴边缘不可能全部连续,导致有些轮廓区域形状错误,因此,图7中 采用包围框(轮廓曲线的外接矩形)对雨滴轮廓进行描述,可以看到效果好于 直接采用轮廓曲线描述,图7(c)为边缘轮廓包围框,图7(d)为雨滴区域 包围框。
(2)计算雨滴参数:
(a)基于上个步骤提取到的边缘轮廓进行轮廓填充,
统计落入各个面积区间内的填充后轮廓面积及其个数;(b)统计落入各个面积 区间内的轮廓外接矩形面积及其个数;(c)将各轮廓外接矩形中心点作为雨滴 在图像中的中心点并将其反映在与图像相同大小的坐标中;(d)依次求解每一 个雨滴中心点与最邻近雨滴中心点的距离,得到反映雨滴中心距离的集合D:
(3)利用直方图统计计算结果:基于上个步骤计算得到的统计信息,利用 直方图绘制结果。
本实施例中,得到雨滴轮廓区域后,就可以对雨滴的形状,大小等特征进 行更详细的分析,具体的分析结果如图8所示。其中图8(a)为雨滴轮廓面积 的统计直方图,图8(b)为雨滴包围框面积的统计直方图,图8(c)为雨滴中 心散点图,即每个雨滴中心点在雨滴图像中所在的位置。可以看出,所提取的 雨滴位置能够反映原始图像上的雨滴位置,图8(d)为雨滴中心距离统计直方 图。通过以上分析可以看出,利用本发明的算法加以对车窗雨滴进行测量与分 析,得到其大小、分布情况等信息,能够用于辅助分析降水量等天气情况。
算法应用示例1
图9为较简单窗外场景下拍摄的雨滴图像,其中图9(a)为原始图像,图 9(b)为检测到的雨滴,由于是原始图像中没有明显的灯光干扰,因此雨滴区 域检测效果较好。图9(c)与图9(d)分别是雨滴面积统计直方图与雨滴中心 距离直方图。根据直方图可以看出面积较大的雨滴非常少,大多数雨滴图像面 积较小,说明实际雨滴较小,而较大的水滴是多个雨滴聚积而成的。
算法应用示例2
图10为较复杂场景下拍摄的车窗图像,图10(a)为雨滴图像,从(a) 可以看出窗外有较多的灯光干扰,通过采用颜色分割算法,能够将灯光区域去 除。所提取的雨滴区域能够较好地克服灯光的影响,如图10(b)雨滴区域检 测结构所示。从雨滴面积统计直方图如图10(c)与十滴中心距离直方图如图 10(d)可以看出,雨滴面积分布较为集中,主要原因是由于摄像机聚焦在窗户 上,因此部分雨滴的边缘较为清晰,有助于利用边缘检测算法准确地检测雨滴 区域。
本发明以降雨时车窗中拍摄的颜色干扰背景图像为例设计算法实现了以下 图像处理功能:
(1)提取图像颜色及亮度特征,并分析其潜在影响,研究了色彩饱和度及 亮度信息丰富的干扰背景区域去除方法。
(2)对区域分割后的图像进行基于改进HED算法的边缘检测,其效果优于 传统数字图像处理中包括Canny的各种算子,并通过数学形态学优化检测结果, 获得雨滴的轮廓形状。
提取雨滴轮廓特征,并进一步提取轮廓外接矩形,获得雨滴面积、密度, 在图像中的位置分布,中心距离等信息。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限 于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地 得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (8)
1.一种雨量监测计算方法,其特征在于,包括以下步骤:
步骤1、获取雨量监测图像;
步骤2、提取雨量监测图HSV色彩饱和度、亮度分量,分割分量过大区域并利用数学形态学算法调整分割区域形状及大小,最终将各分量分割区域融合至原图;
步骤3、利用基于改进HED边缘检测算法对雨滴区域进行处理,获得雨滴的轮廓形状;
步骤4、使用数学形态学优化轮廓特征;
步骤5、提取轮廓外接矩形;
步骤6、计算雨滴参数;
步骤7、根据雨滴参数,利用直方图统计计算结果。
2.根据权利要求1所述的雨量监测计算方法,其特征在于,所述步骤2具体包括:
步骤2.1、将RGB格式的监测图像转换为HSV颜色空间图像;
步骤2.2、判断HSV图像颜色空间图像的色彩饱和度S分量以及HSV图像颜色空间图像的亮度V分量,是否存在S过大区域和V过大区域;若是,进行步骤2.3;否则进行步骤2.4;
步骤2.3、分别基于S分量进行区域分割和基于V分量进行区域分割,并使用数学形态学算法优化分割结果,然后进行步骤2.5;
步骤2.4、图像HSV颜色空间还原至RGB颜色空间;
步骤2.5、图像HSV颜色空间还原至RGB颜色空间,并将HSV各分量分割区域融合至原图。
4.根据权利要求1所述的雨量监测计算方法,其特征在于,所述步骤2.2的判断过程为:
判断HSV色彩空间的S分量与V分量图像像素值是否存在高于设定的经验阈值αS与αV的区域,经验阈值取200。
5.根据权利要求1所述的雨量监测计算方法,其特征在于,所述步骤2.3具体包括:
步骤2.3.1、将RGB图像转为HSV色彩空间:
IHSV=HSV(IRGB)
步骤2.3.2、设定阈值,利用色彩饱和度分量S将饱和度过高的区域去除:
IC=IS<α
式中α为阈值,接着利用数学形态学开闭运算消除噪声影响:
IC′=IC·E
上式中E为形态学结构元素,实验中选取正方形结构元素,边长取20-25。
6.根据权利要求1所述的雨量监测计算方法,其特征在于,所述步骤2.4的图像融合过程包括;
记录步骤2.3中最终得到的S分量图像与V分量图像分割区域,并将这些区域覆盖至原始的RGB分量图像中。
7.根据权利要求1所述的雨量监测计算方法,其特征在于,所述步骤3包括以下步骤:
步骤3.1、对原有HED算法进行损失函数改进;
由于雨量监测图像的获取使用照相法,所以HED输入数据集用如下集合表示:
S={(Xn,Yn),n=1,2,....,=N}
其中,原始图像:
图像Xn对应的实际二值化边缘图:
目标函数为
其中,标准网络层参数集合为W;
M个side output响应权重为:
w=(w(1),.....,w(M))
Side output层损失函数为Lside:
在HED网络训练中,使用原图和二值化边缘图中的所有像素;采用以类平衡权重抵消失衡,交叉熵损失函数:
步骤3.2、基于改进的HED算法对图像进行边缘检测。
8.根据权利要求1所述的雨量监测计算方法,其特征在于,所述步骤4-7包括:
(1)提取轮廓外接矩形:利用OpenCV视觉库的cvFindContours函数进行边缘轮廓提取,之后基于cvBoundingRect函数求取外接矩形,对雨滴轮廓进行描述;
(2)计算雨滴参数:(a)基于上个步骤提取到的边缘轮廓进行轮廓填充,统计落入各个面积区间内的填充后轮廓面积及其个数;(b)统计落入各个面积区间内的轮廓外接矩形面积及其个数;(c)将各轮廓外接矩形中心点作为雨滴在图像中的中心点并将其反映在与图像相同大小的坐标中;(d)依次求解每一个雨滴中心点与最邻近雨滴中心点的距离,得到反映雨滴中心距离的集合D:
(3)利用直方图统计计算结果:基于上个步骤计算得到的统计信息,利用直方图绘制结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189226.0A CN113362274B (zh) | 2021-02-19 | 2021-02-19 | 一种雨量监测计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189226.0A CN113362274B (zh) | 2021-02-19 | 2021-02-19 | 一种雨量监测计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362274A true CN113362274A (zh) | 2021-09-07 |
CN113362274B CN113362274B (zh) | 2023-09-22 |
Family
ID=77524660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189226.0A Active CN113362274B (zh) | 2021-02-19 | 2021-02-19 | 一种雨量监测计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362274B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096511A (zh) * | 2022-06-13 | 2022-09-23 | 东莞市众志时代试验设备有限公司 | 一种基于自然降雨机理的淋雨试验箱完善方法 |
CN115329932A (zh) * | 2022-08-05 | 2022-11-11 | 中国民用航空飞行学院 | 基于数字孪生的飞机着陆姿态监视方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013037402A1 (en) * | 2011-09-13 | 2013-03-21 | Valeo Schalter Und Sensoren Gmbh | Method for detection of a rain drop on the windscreen of a vehicle and driver assistance system |
CN104299200A (zh) * | 2014-10-22 | 2015-01-21 | 中国科学院深圳先进技术研究院 | 一种彩色增强的单幅图像去雨处理方法 |
CN104463812A (zh) * | 2014-12-31 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 修复在拍摄时受到雨滴干扰的视频图像的方法 |
TWI554979B (zh) * | 2015-05-15 | 2016-10-21 | 財團法人國家實驗研究院 | 雨滴偵測系統及其方法 |
CN106485715A (zh) * | 2016-09-09 | 2017-03-08 | 电子科技大学成都研究院 | 一种非结构化道路识别方法 |
CN109143413A (zh) * | 2018-09-11 | 2019-01-04 | 深圳市银河系科技有限公司 | 一种基于图像识别的雨量测量方法及装置 |
CN110648301A (zh) * | 2019-09-30 | 2020-01-03 | 四川大学 | 一种消除成像反光的装置及方法 |
CN110852274A (zh) * | 2019-11-12 | 2020-02-28 | 上海智驾汽车科技有限公司 | 一种基于图像识别的智能雨量感知方法及装置 |
-
2021
- 2021-02-19 CN CN202110189226.0A patent/CN113362274B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013037402A1 (en) * | 2011-09-13 | 2013-03-21 | Valeo Schalter Und Sensoren Gmbh | Method for detection of a rain drop on the windscreen of a vehicle and driver assistance system |
CN104299200A (zh) * | 2014-10-22 | 2015-01-21 | 中国科学院深圳先进技术研究院 | 一种彩色增强的单幅图像去雨处理方法 |
CN104463812A (zh) * | 2014-12-31 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 修复在拍摄时受到雨滴干扰的视频图像的方法 |
TWI554979B (zh) * | 2015-05-15 | 2016-10-21 | 財團法人國家實驗研究院 | 雨滴偵測系統及其方法 |
CN106485715A (zh) * | 2016-09-09 | 2017-03-08 | 电子科技大学成都研究院 | 一种非结构化道路识别方法 |
CN109143413A (zh) * | 2018-09-11 | 2019-01-04 | 深圳市银河系科技有限公司 | 一种基于图像识别的雨量测量方法及装置 |
CN110648301A (zh) * | 2019-09-30 | 2020-01-03 | 四川大学 | 一种消除成像反光的装置及方法 |
CN110852274A (zh) * | 2019-11-12 | 2020-02-28 | 上海智驾汽车科技有限公司 | 一种基于图像识别的智能雨量感知方法及装置 |
Non-Patent Citations (4)
Title |
---|
SAINING XIE 等: "Holistically-Nested Edge Detection", 《ARXIV》 * |
SAINING XIE 等: "Holistically-Nested Edge Detection", 《ARXIV》, 4 October 2015 (2015-10-04), pages 2 * |
张禹: "基于雨滴粗精分割方法的车载雨量传感器", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
张禹: "基于雨滴粗精分割方法的车载雨量传感器", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 February 2019 (2019-02-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096511A (zh) * | 2022-06-13 | 2022-09-23 | 东莞市众志时代试验设备有限公司 | 一种基于自然降雨机理的淋雨试验箱完善方法 |
CN115096511B (zh) * | 2022-06-13 | 2023-04-18 | 东莞市众志时代试验设备有限公司 | 一种基于自然降雨机理的淋雨试验箱完善方法 |
CN115329932A (zh) * | 2022-08-05 | 2022-11-11 | 中国民用航空飞行学院 | 基于数字孪生的飞机着陆姿态监视方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113362274B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN103442209B (zh) | 一种输电线路的视频监控方法 | |
CN109035195B (zh) | 一种织物疵点检测方法 | |
CN101794406B (zh) | 烟粉虱成虫密度自动计数系统 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
CN113362274B (zh) | 一种雨量监测计算方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN103957771A (zh) | 图像处理装置、图像处理方法和图像处理程序 | |
CN107230207A (zh) | 轮胎的检测方法及系统 | |
CN113409362B (zh) | 高空抛物检测方法和装置、设备及计算机存储介质 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN110197494B (zh) | 一种基于单目红外图像的受电弓接触点实时检测算法 | |
CN109410205B (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN107346547B (zh) | 基于单目平台的实时前景提取方法及装置 | |
CN106023199B (zh) | 一种基于图像分析技术的烟气黑度智能检测方法 | |
CN114596329A (zh) | 一种气体图像增强及气体泄露检测方法和系统 | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
CN105787912A (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN113743421B (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
CN112580634A (zh) | 基于计算机视觉的气密性检测光源调节方法及系统 | |
CN115311288B (zh) | 一种汽车贴膜破损检测方法 |
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 |