CN113592863A - 基于图像处理的城市道路积水检测方法及系统 - Google Patents

基于图像处理的城市道路积水检测方法及系统 Download PDF

Info

Publication number
CN113592863A
CN113592863A CN202111139709.6A CN202111139709A CN113592863A CN 113592863 A CN113592863 A CN 113592863A CN 202111139709 A CN202111139709 A CN 202111139709A CN 113592863 A CN113592863 A CN 113592863A
Authority
CN
China
Prior art keywords
road
image
temperature
area
pixel
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
Application number
CN202111139709.6A
Other languages
English (en)
Other versions
CN113592863B (zh
Inventor
袁晓慧
张庆
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.)
Nantong Dexin Zhiyuan Environmental Technology Co ltd
Original Assignee
Nantong Dexin Zhiyuan Environmental Technology Co ltd
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 Nantong Dexin Zhiyuan Environmental Technology Co ltd filed Critical Nantong Dexin Zhiyuan Environmental Technology Co ltd
Priority to CN202111139709.6A priority Critical patent/CN113592863B/zh
Priority to CN202111309408.3A priority patent/CN113935987A/zh
Publication of CN113592863A publication Critical patent/CN113592863A/zh
Application granted granted Critical
Publication of CN113592863B publication Critical patent/CN113592863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/12—Edge-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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像处理的城市道路积水检测方法及系统，包括：获取道路路面的红外图像，将红外图像去噪处理得到重构信号，确定红外图像中各像素点的温度等级，确定划分道路积水区域的温度等级阈值，获取道路积水区域的边缘图像，得到道路积水区域的面积指标和深度指标。本发明系统整体成本低，准确度高，能够精确地提取道路路面分割图像，准确地获取道路路面的积水程度，有效地为相关部门提供道路积水的实时信息。

Description

基于图像处理的城市道路积水检测方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的城市道路积水检测方法及系统。
背景技术
近20年来，随着我国城市化迅猛发展，城市人口密度不断增大，高强度的暴雨对城市道路造成大规模积水，由于城市道路为沥青混凝土路面，会导致排水不畅。随着水会不断渗透进路面缝隙，长时间会导致城市道路大面积塌方，对人们生活造成了极大的威胁。道路发生积水现象会导致交通中断，并使车辆浸泡在水中，长时间会导致车辆受损，无法正常启动，严重时会导致交通瘫痪，发生严重的交通事故。
目前道路积水区域检测方法主要有：人为观察检测的方式，由于道路积水区域产生之后，检测人员可能无法及时到达积水现场，因此，只能在道路积水产生一段时间后才能检测得到，无法及时通报险情，具有一定的滞后性。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于图像处理的城市道路积水检测方法及系统，所采用的技术方案具体如下：
本发明提供了一种基于图像处理的城市道路积水检测方法，包括以下步骤：
获取道路路面的红外图像；
基于预设个数的不同温度等级，确定所述红外图像中的各像素点所对应的温度等级；
基于各像素点所对应的温度等级，确定用于进行道路积水区域划分的温度等级阈值；
基于所述温度等级阈值，获取所述红外图像中的道路积水区域的边缘图像。
进一步地，所述获取道路路面的红外图像之后，所述方法还包括：
对所述红外图像进行小波变换；
采用如下计算公式对小波变换系数进行非线性阈值处理：
Figure DEST_PATH_IMAGE001
其中，
Figure 793026DEST_PATH_IMAGE002
为处理后的小波变换系数，
Figure 241325DEST_PATH_IMAGE003
为阶跃函数，
Figure 440969DEST_PATH_IMAGE004
为原始小波变换系数；
Figure 242703DEST_PATH_IMAGE005
其中，
Figure 588233DEST_PATH_IMAGE006
为处理阈值，
Figure 332067DEST_PATH_IMAGE007
为首层各小波分解系数绝对值的中间值，
Figure 130259DEST_PATH_IMAGE008
为调整系数，
Figure 735684DEST_PATH_IMAGE009
为自然对数以常数e为底数的对数，
Figure 827399DEST_PATH_IMAGE010
为图像的尺寸；
根据小波逆变换算法，对小波变换后得到的信号进行处理，得到重构信号。
进一步地，所述基于预设个数的不同温度等级，确定所述红外图像中的各像素点所对应的温度等级，包括：
每一个预设的温度等级对应有一个温度范围；
根据红外图像中的各像素点所处的温度范围，确定所述红外图像中的各像素点所对应的温度等级。
进一步地，所述基于各像素点所对应的温度等级，确定用于进行道路积水区域划分的温度等级阈值，包括：
将预设的各温度等级作为温度等级阈值；
对于任意一个温度等级阈值，计算对应的分类效果评估指标；
从得到的多个分类效果评估指标中选取最大的分类效果评估指标，该最大的分类效果评估指标对应的温度等级阈值为所述用于进行道路积水区域划分的温度等级阈值。
进一步地，所述预设的各温度等级分别为（1,2…，L），温度等级越高，对应的温度值越高；所述对于任意一个温度等级阈值，计算对应的分类效果评估指标，包括：
根据任意一个温度等级阈值
Figure 351921DEST_PATH_IMAGE011
，确定图像温度等级处于
Figure 512775DEST_PATH_IMAGE012
的像素为道路积水区域
Figure 46525DEST_PATH_IMAGE013
，图像温度等级处于
Figure 225702DEST_PATH_IMAGE014
的像素为道路背景区域
Figure 186705DEST_PATH_IMAGE015
；
获取每个温度等级在图像中出现的概率，计算公式如下：
Figure 100434DEST_PATH_IMAGE016
其中，
Figure 795465DEST_PATH_IMAGE017
为温度等级为k的像素个数，k为温度等级属于（1,2…，L）；
道路积水区域
Figure 970094DEST_PATH_IMAGE013
在图像中出现的概率
Figure 977364DEST_PATH_IMAGE018
，道路背景区域
Figure 362078DEST_PATH_IMAGE015
在图像中出现的概率为
Figure 972051DEST_PATH_IMAGE019
，计算公式如下：
Figure 142132DEST_PATH_IMAGE020
Figure 444938DEST_PATH_IMAGE021
根据道路积水区域
Figure 552833DEST_PATH_IMAGE013
和道路背景区域
Figure 107442DEST_PATH_IMAGE015
在图像中出现的概率，计算道路积水区域
Figure 991085DEST_PATH_IMAGE013
、道路背景区域
Figure 589425DEST_PATH_IMAGE015
和整体图像的温度均值，道路积水区域
Figure 824097DEST_PATH_IMAGE013
的温度均值为
Figure 651239DEST_PATH_IMAGE022
，道路背景区域
Figure 100002_DEST_PATH_IMAGE023
为
Figure 340453DEST_PATH_IMAGE024
，整体图像的温度均值为
Figure DEST_PATH_IMAGE025
，计算公式如下：
Figure 781799DEST_PATH_IMAGE026
Figure 238188DEST_PATH_IMAGE027
Figure 134600DEST_PATH_IMAGE028
基于道路积水区域
Figure 727255DEST_PATH_IMAGE013
、道路背景区域
Figure 168863DEST_PATH_IMAGE015
和整体图像的温度均值，获取与温度等级阈值
Figure 253494DEST_PATH_IMAGE011
对应的分类效果评估指标
Figure 812651DEST_PATH_IMAGE029
，分类效果评估指标的计算公式如下：
Figure 650026DEST_PATH_IMAGE030
。
进一步地，所述基于所述温度等级阈值，获取所述红外图像中的道路积水区域的边缘图像之后，所述方法还包括：
对所述边缘图像进行膨胀处理，使得所述边缘图像的边界像素连接起来；
将所述边缘图像的边界进行分段处理，得到至少两个子边界段；
计算各子边界段的质心坐标；
以所述质心坐标为原始发散核心点，向周围八个邻域方向进行发散，得到发散区域，所述发散区域包括所述原始发散核心点，以及以所述原始发散核心点为中心的周围八个相邻像素点；
构建像素判定模型
Figure DEST_PATH_IMAGE031
：
Figure 42961DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为发散区域中的像素点，
Figure 917286DEST_PATH_IMAGE034
为发散区域中的像素点
Figure 155501DEST_PATH_IMAGE033
处的像素值；
Figure DEST_PATH_IMAGE035
其中，
Figure 644120DEST_PATH_IMAGE036
为发散区域中像素点总数，
Figure 676798DEST_PATH_IMAGE037
为温度均值；
基于预设的像素阈值以及所述像素判定模型，初步得到预选点；
计算原始发散核心点和各预选点的梯度幅值大小；
构建梯度幅值判定模型
Figure 595075DEST_PATH_IMAGE038
：
Figure 122134DEST_PATH_IMAGE039
其中，
Figure 809467DEST_PATH_IMAGE040
为原始发散核心点的梯度幅值，
Figure 13047DEST_PATH_IMAGE041
为预选点的梯度幅值；
基于预设的梯度幅值阈值以及所述梯度幅值判定模型，从各预选点中确定得到新发散核心点；
基于新发散核心点，对边缘图像对应的道路积水区域的边界进行修正。
进一步地，所述基于预设的像素阈值以及所述像素判定模型，初步得到预选点，包括：
若
Figure 543254DEST_PATH_IMAGE042
，则将发散区域中的对应像素点判定为所述预选点；若所有的判定点均不满足
Figure 247905DEST_PATH_IMAGE042
，则判定没有新发散核心点，发散结束；
其中，
Figure 665111DEST_PATH_IMAGE043
为预设的像素阈值。
进一步地，所述基于预设的梯度幅值阈值以及所述梯度幅值判定模型，从各预选点中确定得到新发散核心点，包括：
若
Figure 429804DEST_PATH_IMAGE044
，则对应的预选点为所述新发散核心点，若所有的预选点均不满足
Figure 680264DEST_PATH_IMAGE044
，则判定没有新发散核心点，发散结束；
其中，
Figure 923026DEST_PATH_IMAGE045
为预设的梯度幅值阈值。
进一步地，所述基于新发散核心点，对边缘图像对应的道路积水区域的边界进行修正，包括：
以所述新发散核心点作为道路积水区域的像素，并以新发散核心点作为发散核心点，再次向该发散核心点的周围八个邻域方向进行发散，以进行新的发散核心点的确定，不断迭代运算直至发散结束。
进一步地，所述方法还包括：
基于各道路积水区域的边缘图像，获取各道路积水区域的面积指标；
基于所述面积指标，获取积水深度指标；
以所述积水深度指标作为道路积水区域的特征向量，将所述特征向量输入至预设的积水评估模型中，得到各道路积水区域的积水评估结果。
进一步地，所述基于各道路积水区域的边缘图像，获取各道路积水区域的面积指标，包括：
采用连通域算法获取图像中道路积水区域的面积
Figure 460318DEST_PATH_IMAGE046
；
进一步地，所述基于所述面积指标，获取积水深度指标，包括：
积水深度指标的计算公式如下：
Figure 254968DEST_PATH_IMAGE047
其中，
Figure 369554DEST_PATH_IMAGE048
为指标调整因子。
本发明还提供了一种基于图像处理的城市道路积水检测系统，包括处理器和存储器，上述的处理器用于处理存储在所述存储器中的指令以实现所述的基于图像处理的城市道理积水检测方法。
本发明实施例至少具有如下有益效果：
根据道路路面的红外图像进行积水检测，可以提升检测准确性，基于预设个数的不同温度等级，确定红外图像中的各像素点所对应的温度等级，并基于各像素点所对应的温度等级，确定用于进行道路积水区域划分的温度等级阈值，温度等级阈值的准确性比较高，那么，根据温度等级阈值就可以准确获取红外图像中的道路积水区域的边缘图像，实现道路积水区域的检测。本发明提供的城市道路积水检测方法是一种基于图像处理的自动检测方法，相较于人为观察检测的方式，在积水产生的同时就可以进行积水检测，不存在滞后性，能够及时通报险情。而且，本发明提供的基于图像处理的城市道路积水检测方法根据积水特征向量对路面积水状况进行评估判定，能够准确获取道路路面的积水区域，以便于相关政府机构及市政排水管理部门提供道路积水的实时信息，有力地支撑了暴雨天气的城市交通应急管理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它附图。
图1为本发明基于图像处理的城市道路积水检测方法的步骤流程图；
图2为本发明基于图像处理的城市道路积水检测方法中八邻域发散形式示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像处理的城市道路积水检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
基于图像处理的城市道路积水检测方法及系统实施例：
下面结合附图具体的说明本发明所提供的一种基于图像处理的城市道路积水检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的城市道路积水检测方法的步骤流程图，该方法包括以下步骤：
步骤1：获取道路路面的红外图像。
根据待检测道路路面的位置以及道路路面区域大小确定红外摄像头的数量，本实施例通过在需要检测的道路一侧安装多个红外摄像头，实现对道路路面图像的采集，正常情况下，就高度而言，红外摄像头布置在道路上方，拍摄得到道路路面的红外图像的俯视图；需要说明的是，为了实现采集的道路图像全面无遗漏检测，需要相邻两个摄像头的覆盖范围保证存在重合区域。此外，也可以根据道路积水历史大数据来确定经常积水的区域，仅对该道路积水区域安装红外摄像头进行路面图像采集，实现对待检测区域的实时图像采集。将多个相机采集到的红外图像通过图像拼接算法进行拼接操作，之后对拼接完成的道路路面红外图像进行融合，获取完整的道路路面红外图像，用于后续道路路面的红外图像处理。另外，实施者可根据实施过程中的实际情况，对红外摄像头的数量、位置、角度等自行设定。
在得到道路路面的红外图像之后，可以直接利用红外图像进行后续的处理，也可以先对红外图像进行预处理，然后进行后续的处理。对于红外摄像头采集的红外图像，红外热成像易受外界的环境因素的影响，因此采集的图像都会带来大量的噪声，包括背景噪声、热噪声等多种噪声，因此，本发明首先进行图像的预处理操作，预处理过程包括：对所述红外图像进行小波变换。
将红外图像的原图像记为
Figure DEST_PATH_IMAGE049
，对红外图像进行小波变换，变换之后的图像将被拆分为多级不同频率的信号。具体的小波变换过程为现有技术，不在本发明的保护范围内，不做相关阐述。
需要采用如下计算公式对小波变换系数进行非线性阈值处理：
Figure 822532DEST_PATH_IMAGE001
其中，
Figure 965063DEST_PATH_IMAGE002
为处理后的小波变换系数，
Figure 946925DEST_PATH_IMAGE003
为阶跃函数，
Figure 548808DEST_PATH_IMAGE004
为原始小波变换系数；
Figure 258007DEST_PATH_IMAGE005
其中，
Figure 628945DEST_PATH_IMAGE006
为处理阈值，
Figure 781709DEST_PATH_IMAGE007
为首层各小波分解系数绝对值的中间值，
Figure 605309DEST_PATH_IMAGE008
为调整系数，本发明设置的
Figure 616734DEST_PATH_IMAGE008
为0.6，
Figure 983124DEST_PATH_IMAGE009
为自然对数以常数e为底数的对数，
Figure 165844DEST_PATH_IMAGE010
为图像的尺寸。
对于以上处理后的信号，根据小波逆变换算法得到重构信号，该重构信号为去噪之后的路面红外图像。
步骤2：基于预设个数的不同温度等级，确定所述红外图像中的各像素点所对应的温度等级。
其中，对于去噪之后的路面红外图像，为了确定红外图像中各个像素点的温度等级，将其进行红外图像温度等级分类处理，使其分为不同的温度等级，需要说明的是，设置预设个数的不同温度等级，具体个数由实际需要进行设置，而且，各个温度等级对应的具体温度值也由实际需要进行设置。本实施例中，设置有L个温度等级，分别是1,2...，L，即所有的温度等级可以构成一个温度等级范围，为（1,2...，L）。在本实施例中，温度等级越高，对应的温度越高，比如：温度等级1对应的温度小于温度等级2对应的温度。每一个预设的温度等级对应有一个温度范围，当某一个像素点温度值处于某一个温度范围内时，确定该像素点的温度等级为该温度范围所对应的温度等级。
因此，对于红外图像中的任意一个像素点，找到该像素点所处的温度范围，确定此温度范围所对应的温度等级，该温度等级即为该像素点所对应的温度等级，该温度等级为该像素点的温度值。对于红外图像中的所有像素点，使每一个像素点都确定所对应的温度等级。因此，红外图像就变成了由各个温度等级构成的温度图像。
对路面图像进行分类时，不同类别之间的温度方差越大，则分割效果越好，否则，不同类别之间会存在交叉重合部分，因此，为提高路面分类精度，本发明将设置温度等级范围对其进行准确划分，提高后续检测精度。
步骤3：基于各像素点所对应的温度等级，确定用于进行道路积水区域划分的温度等级阈值。
将预设的各温度等级分别作为温度等级阈值，对于任意一个温度等级阈值，计算对应的分类效果评估指标。
根据步骤（3）中的温度等级（1,2...，L）范围内设置任意一个温度等级阈值，温度等级越高，对应的温度值越高；为了准确地对道路积水区域和道路背景区域的划分，需进一步对设置的温度等级阈值分析，计算出每个温度等级在图像中出现的概率，计算公式如下：
Figure 866952DEST_PATH_IMAGE016
其中，
Figure 793320DEST_PATH_IMAGE017
为温度等级为k的像素个数，k为温度等级属于（1,2…，L）；
设置的温度等级阈值将图像中的像素按照温度等级分为两类，道路积水区域
Figure 14217DEST_PATH_IMAGE013
和道路背景区域
Figure 633417DEST_PATH_IMAGE015
。由于道路积水区域中水的比热大于道路背景区域的比热，因此，正常情况下，道路积水区域的温度小于道路背景区域的温度，则将温度等级处于
Figure 57707DEST_PATH_IMAGE012
的像素作为道路积水区域
Figure 928711DEST_PATH_IMAGE013
，温度等级处于
Figure 863169DEST_PATH_IMAGE014
的像素作为道路背景区域
Figure 777905DEST_PATH_IMAGE015
，获取道路积水区域
Figure 328972DEST_PATH_IMAGE013
和道路背景区域
Figure 472508DEST_PATH_IMAGE015
在图像中出现的概率，计算公式如下：
Figure 527052DEST_PATH_IMAGE020
Figure 376803DEST_PATH_IMAGE021
其中，
Figure 759374DEST_PATH_IMAGE018
为道路积水区域在图像中出现的概率；
Figure 831235DEST_PATH_IMAGE019
为道路背景区域在图像中出现的概率。
根据道路积水区域
Figure 396077DEST_PATH_IMAGE013
和道路背景区域
Figure 262402DEST_PATH_IMAGE015
在图像中出现的概率来计算道路积水区域
Figure 397848DEST_PATH_IMAGE013
和道路背景区域
Figure 899499DEST_PATH_IMAGE015
及整体图像的温度均值，道路积水区域
Figure 928635DEST_PATH_IMAGE013
的温度均值为
Figure 841227DEST_PATH_IMAGE022
，道路背景区域
Figure 854183DEST_PATH_IMAGE023
为
Figure 392480DEST_PATH_IMAGE024
，整体图像的温度均值为
Figure 276123DEST_PATH_IMAGE025
，计算公式如下：
Figure 625196DEST_PATH_IMAGE026
Figure 483037DEST_PATH_IMAGE027
Figure 434812DEST_PATH_IMAGE028
基于道路积水区域
Figure 313907DEST_PATH_IMAGE013
、道路背景区域
Figure 958515DEST_PATH_IMAGE015
和整体图像的温度均值，为保证图像分类效果的准确性，获取与设置的温度等级阈值
Figure 539537DEST_PATH_IMAGE011
对应的分类效果评估指标
Figure 435949DEST_PATH_IMAGE029
，需计算如下公式：
Figure 294184DEST_PATH_IMAGE030
。
对路面图像进行分类时，不同类别之间的温度方差越大，分割效果越好。
为此，通过在温度等级（1,2...，L）范围内依次取值，将得到与其对应的分类效果评估序列{
Figure 735792DEST_PATH_IMAGE050
}，从{
Figure 945056DEST_PATH_IMAGE050
}序列中选取最大值作为最佳温度等级阈值
Figure 114001DEST_PATH_IMAGE011
，最佳温度等级阈值
Figure 826742DEST_PATH_IMAGE011
将使红外图像分为道路积水区域和道路背景区域，提取道路积水区域。
该分类效果评估指标可根据不同图像动态来调整图像分类的温度等级阈值，避免人为设置阈值在进行分类过程中出现伪边缘问题。
步骤4：基于所述温度等级阈值，获取所述红外图像中的道路积水区域的边缘图像。
在获取道路积水区域后，为了进一步地提高对红外图像中的道路积水区域的检测精度，需要对红外图像中的道路积水区域的边缘图像进一步处理。具体地，在获取红外图像中的道路积水区域的边缘图像之后，对道路积水区域的边缘图像定位，为了防止提取的边缘信息存在断裂、不连续现象，需对得到的道路积水区域的边缘图像进行膨胀处理，使各边界像素连接，进一步提高边界的连续性。在对边缘图像膨胀处理后，将边缘图像的边界进行分段处理，对边界分为多个子段，并计算出每段边界中的质心坐标
Figure 203365DEST_PATH_IMAGE051
，计算公式如下：
Figure 509713DEST_PATH_IMAGE052
Figure 606982DEST_PATH_IMAGE053
其中，M为该条边界像素点总数，
Figure 62977DEST_PATH_IMAGE054
为该段边界中第
Figure 220289DEST_PATH_IMAGE055
个像素点的坐标，
Figure 13933DEST_PATH_IMAGE055
=1,2...J，J为该段边界中的像素个数。
对于边缘图像经过分段处理之后，可得到多个质心点以及对应的质心坐标，将各个质心点以发散核心点为中心向其周围的八邻域方向进行发散，八邻域中发散区域为
Figure 39527DEST_PATH_IMAGE056
，该发散区域如图2所示，发散区域内像素个数为9，图中A为所述发散核心点，
Figure 772865DEST_PATH_IMAGE057
为发散区域内的待判定点。
在进行发散过程中，由于道路路面图像的分割对积水检测及积水特征准确提取有直接影响，并且对发散核心点进行的是动态发散，为了防止发散过程中出现过分割的情况，提高判定准确度，将设置下述中的双重判定模型对发散区域进行限定。
建立像素判定模型，基于像素构建区域发散限定条件对发散过程进行约束。在以发散核心点进行发散的过程中，需要对发散区域中的邻域内的
Figure 288029DEST_PATH_IMAGE057
进行判定，可参考图2；设置基于像素的判定指标
Figure 568969DEST_PATH_IMAGE031
：
Figure 899718DEST_PATH_IMAGE032
其中，图像中的发散区域为
Figure 707137DEST_PATH_IMAGE058
，
Figure 81618DEST_PATH_IMAGE059
为发散区域内的待判定点
Figure 708908DEST_PATH_IMAGE033
处的像素，即温度。
Figure 76305DEST_PATH_IMAGE037
为温度均值，计算公式如下：
Figure 613596DEST_PATH_IMAGE035
其中，区域中的像素点总数为
Figure 283612DEST_PATH_IMAGE036
，本实施例中，
Figure 286947DEST_PATH_IMAGE036
等于9。
像素阈值在本发明中设为
Figure 67821DEST_PATH_IMAGE060
，实施者可自行选取。若
Figure 459619DEST_PATH_IMAGE042
时，则将该待判定点作为新核心点的预选点，用于后续梯度幅值的待判定点，对其做进一步准确判定，若
Figure 690749DEST_PATH_IMAGE061
，则将该待判定点作为该发散区域的约束条件，停止发散过程。举例地，在进行发散的过程中，通过道路积水区域的像素判定模型对发散过程进行判定，若发散区域的待判定点像素与道路积水区域的像素均值之差小于本发明设置的像素阈值8时，该发散区域的待判定点作为新核心点的预选点，并进行后续的判断。
为防止像素判定极易导致的道路积水区域出现过分割、欠分割现象，提高分割精度，为此构建梯度幅值判定模型，根据梯度函数建立空间直角坐标系，计算发散区域内各像素点在x、y方向上的梯度值，分别记为
Figure 292632DEST_PATH_IMAGE062
、
Figure 752563DEST_PATH_IMAGE063
，基于此计算像素点的梯度幅值大小，计算公式如下：
Figure 389081DEST_PATH_IMAGE064
基于图像像素点的梯度幅值构建判定模型
Figure 26998DEST_PATH_IMAGE038
：
Figure 850597DEST_PATH_IMAGE039
其中，
Figure 379799DEST_PATH_IMAGE040
为发散核心点的梯度幅值，
Figure 729878DEST_PATH_IMAGE041
待判定像素点的梯度幅值。
对于满足像素判定模型的待判定点，即预选点，设置梯度幅值判定模型预设阈值
Figure 912597DEST_PATH_IMAGE065
。判断新核心点的预选点，若
Figure 630018DEST_PATH_IMAGE044
，则认为该预选点为新的发散核心点，可将其作为中心点向其八邻域进行发散；若
Figure 556385DEST_PATH_IMAGE066
，则该预选点不能够作为新的发散核心点，为防止过分割现象，停止发散过程。举例地：在经过像素判定模型之后，需要对新核心点的预选点进行梯度幅值判定，根据所构建的空间直角坐标系来计算新核心点的预选点的像素点在x、y方向上的梯度值，若新核心点的预选点的梯度幅值与道路积水区域的像素梯度值之差小于本发明设置的梯度幅值阈值15时，则该预选点为新的发散核心点。
根据新的发散点对边缘图像对应的道路积水区域的边界进行修正，以所述新发散核心点作为道路积水区域的像素，并以新发散核心点作为发散核心点，再次向该新发散核心点的周围八个邻域方向进行发散，以进行新的发散核心点的确定，不断迭代运算直至发散结束，具体地：
发散区域内的发散核心点第一次向该发散核心点的周围八个邻域方向进行发散，通过像素判定模型和梯度幅值判定模型对周围八个邻域进行判定，若周围八个邻域都不满足双重判定模型，则发散结束。若周围有部分邻域满足双重判定模型后，满足双重判定模型的邻域对应的像素点成为新的发散核心点，新的发散核心点作为道路积水区域的像素，并进行第二次发散；第二次发散以新的发散核心点为中心向周围八个邻域方向继续发散，若新的发散核心点周围八个邻域有满足双重判定模型时，满足双重判定模型的邻域对应的像素点将又成为一个新的发散核心点，新的发散核心点作为道路积水区域的像素，并进行第三次发散。通过以上方法不断发散，直至发散结束，即直至发散核心点周围的所有邻域均不满足双重判定模型。
在发散过程结束时，边缘图像通过双重判定模型得到进一步地修正，使得提取的道路积水区域更为精确。
基于图像处理的城市道路积水程度检测方法实施例：
现有的道路积水程度检测方式是人为检测，通过经验得到积水程度高低，误差较大，为了解决现有的道路积水程度检测方法的检测误差较大的问题，本实施例提供一种基于图像处理的城市道路积水程度检测方法，包括：
步骤1：获取道路路面的红外图像；
步骤2：基于预设个数的不同温度等级，确定所述红外图像中的各像素点所对应的温度等级；
步骤3：基于各像素点所对应的温度等级，确定用于进行道路积水区域划分的温度等级阈值；
步骤4：基于所述温度等级阈值，获取所述红外图像中的道路积水区域的边缘图像；
步骤5：基于各道路积水区域的边缘图像，获取各道路积水区域的面积指标；
步骤6：基于所述面积指标，获取积水深度指标；
步骤7：以所述积水深度指标作为道路积水区域的特征向量，将所述特征向量输入至预设的积水评估模型中，得到各道路积水区域的积水评估结果。
其中，步骤1~4在上述基于图像处理的城市道路积水检测方法实施例中已给出了详细说明，不再赘述。以下对步骤5-7进行具体描述。
步骤5：基于各道路积水区域的边缘图像，获取各道路积水区域的面积指标。
根据道路积水区域的边缘图像的修正后，获取准确的道路积水区域，采用连通域算法计算出道路积水区域的面积，道路积水区域的面积记为
Figure 95443DEST_PATH_IMAGE046
，连通域算法为现有技术，在此不再赘述。
步骤6：基于所述面积指标，获取积水深度指标。
根据道路积水区域的面积
Figure 714643DEST_PATH_IMAGE046
和分割后道路积水区域的像素，构建积水深度指标，计算公式如下：
Figure 653781DEST_PATH_IMAGE047
其中，
Figure 242894DEST_PATH_IMAGE067
，
Figure 442931DEST_PATH_IMAGE068
，
Figure 373978DEST_PATH_IMAGE048
为指标调整因子。
步骤7：以所述积水深度指标作为道路积水区域的特征向量，将所述特征向量输入至预设的积水评估模型中，得到各道路积水区域的积水评估结果。
积水深度指标与积水程度之间的对应关系为正相关，当积水深度指标值越大时，道路积水程度越深。
积水评估模型可以包括五个积水程度，以及与五个积水程度相对应的积水深度指标，并根据道路积水程度将其分为5个等级，等级越高，对应积水程度越高，以及与积水程度相对应的积水深度指标越高。使积水特征向量输入至预测网络，输出时通过Argmax函数进行处理，获取对应道路积水各等级的概率值，网络采用交叉熵损失函数进行迭代训练，不断更新网络参数。网络具体训练过程为现有技术，不作赘述。
将积水深度指标输入至预设的积水评估模型中，得到道路积水区域的积水程度。
另外，为防止道路积水等级过高引起交通中断状况，可以对道路积水等级设置等级阈值2，当网络预测的道路积水等级高于预设等级阈值时，将认为该区域积水等级较高，将对城市道路管理人员作出提示，针对道路积水现象及时采取相应的措施。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图像处理的城市道路积水检测方法，其特征在于，包括以下步骤：
获取道路路面的红外图像；
基于预设个数的不同温度等级，确定所述红外图像中的各像素点所对应的温度等级；
基于各像素点所对应的温度等级，确定用于进行道路积水区域划分的温度等级阈值；
基于所述温度等级阈值，获取所述红外图像中的道路积水区域的边缘图像；
所述基于各像素点所对应的温度等级，确定用于进行道路积水区域划分的温度等级阈值，包括：
将预设的各温度等级作为温度等级阈值；
对于任意一个温度等级阈值，计算对应的分类效果评估指标；
从得到的多个分类效果评估指标中选取最大的分类效果评估指标，该最大的分类效果评估指标对应的温度等级阈值为所述用于进行道路积水区域划分的温度等级阈值；
所述预设的各温度等级分别为（1,2…，L），温度等级越高，对应的温度值越高；所述对于任意一个温度等级阈值，计算对应的分类效果评估指标，包括：
根据任意一个温度等级阈值
Figure 834942DEST_PATH_IMAGE001
，确定图像温度等级处于
Figure 368691DEST_PATH_IMAGE002
的像素为道路积水区域
Figure 49334DEST_PATH_IMAGE003
，图像温度等级处于
Figure 10336DEST_PATH_IMAGE004
的像素为道路背景区域
Figure 924066DEST_PATH_IMAGE005
；
获取每个温度等级在图像中出现的概率，计算公式如下：
Figure 120561DEST_PATH_IMAGE006
其中，
Figure 29611DEST_PATH_IMAGE007
为温度等级为k的像素个数，k为温度等级属于（1,2…，L）；
道路积水区域
Figure 302460DEST_PATH_IMAGE003
在图像中出现的概率
Figure 296961DEST_PATH_IMAGE008
，道路背景区域
Figure 326841DEST_PATH_IMAGE005
在图像中出现的概率为
Figure 496922DEST_PATH_IMAGE009
，计算公式如下：
Figure 924361DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
根据道路积水区域
Figure 78262DEST_PATH_IMAGE003
和道路背景区域
Figure 383604DEST_PATH_IMAGE005
在图像中出现的概率，计算道路积水区域
Figure 267246DEST_PATH_IMAGE003
、道路背景区域
Figure 350740DEST_PATH_IMAGE005
和整体图像的温度均值，道路积水区域
Figure 585412DEST_PATH_IMAGE003
的温度均值为
Figure 927400DEST_PATH_IMAGE012
，道路背景区域
Figure DEST_PATH_IMAGE013
为
Figure 337653DEST_PATH_IMAGE014
，整体图像的温度均值为
Figure 605430DEST_PATH_IMAGE015
，计算公式如下：
Figure 327398DEST_PATH_IMAGE016
Figure 958231DEST_PATH_IMAGE017
Figure 816466DEST_PATH_IMAGE018
基于道路积水区域
Figure 22188DEST_PATH_IMAGE003
、道路背景区域
Figure 575660DEST_PATH_IMAGE005
和整体图像的温度均值，获取与温度等级阈值
Figure 400397DEST_PATH_IMAGE001
对应的分类效果评估指标
Figure DEST_PATH_IMAGE019
，分类效果评估指标的计算公式如下：
Figure 270395DEST_PATH_IMAGE020
。
2.根据权利要求1所述的基于人工智能及图像处理的城市道路积水检测方法，其特征在于，所述获取道路路面的红外图像之后，所述方法还包括：
对所述红外图像进行小波变换；
采用如下计算公式对小波变换系数进行非线性阈值处理：
Figure DEST_PATH_IMAGE021
其中，
Figure 53543DEST_PATH_IMAGE022
为处理后的小波变换系数，
Figure DEST_PATH_IMAGE023
为阶跃函数，
Figure 156628DEST_PATH_IMAGE024
为原始小波变换系数；
Figure 142645DEST_PATH_IMAGE025
其中，
Figure 975472DEST_PATH_IMAGE026
为处理阈值，
Figure DEST_PATH_IMAGE027
为首层各小波分解系数绝对值的中间值，
Figure 929522DEST_PATH_IMAGE028
为调整系数，
Figure 582220DEST_PATH_IMAGE029
为自然对数以常数e为底数的对数，
Figure 624125DEST_PATH_IMAGE030
为图像的尺寸；
根据小波逆变换算法，对小波变换后得到的信号进行处理，得到重构信号。
3.根据权利要求1所述的基于人工智能及图像处理的城市道路积水检测方法，其特征在于，所述基于预设个数的不同温度等级，确定所述红外图像中的各像素点所对应的温度等级，包括：
每一个预设的温度等级对应有一个温度范围；
根据红外图像中的各像素点所处的温度范围，确定所述红外图像中的各像素点所对应的温度等级。
4.根据权利要求1所述的基于图像处理的城市道路积水检测方法，其特征在于，所述基于所述温度等级阈值，获取所述红外图像中的道路积水区域的边缘图像之后，所述方法还包括：
对所述边缘图像进行膨胀处理，使得所述边缘图像的边界像素连接起来；
将所述边缘图像的边界进行分段处理，得到至少两个子边界段；
计算各子边界段的质心坐标；
以所述质心坐标为原始发散核心点，向周围八个邻域方向进行发散，得到发散区域，所述发散区域包括所述原始发散核心点，以及以所述原始发散核心点为中心的周围八个相邻像素点；
构建像素判定模型
Figure 311459DEST_PATH_IMAGE031
：
Figure 265770DEST_PATH_IMAGE032
其中，
Figure 546710DEST_PATH_IMAGE033
为发散区域中的像素点，
Figure 985782DEST_PATH_IMAGE034
为发散区域中的像素点
Figure 917834DEST_PATH_IMAGE033
处的像素值；
Figure 416949DEST_PATH_IMAGE035
其中，
Figure 919606DEST_PATH_IMAGE036
为发散区域中像素点总数，
Figure 51116DEST_PATH_IMAGE037
为温度均值；
基于预设的像素阈值以及所述像素判定模型，初步得到预选点；
计算原始发散核心点和各预选点的梯度幅值大小；
构建梯度幅值判定模型
Figure 713042DEST_PATH_IMAGE038
：
Figure 258424DEST_PATH_IMAGE039
其中，
Figure 373010DEST_PATH_IMAGE040
为原始发散核心点的梯度幅值，
Figure 544097DEST_PATH_IMAGE041
为预选点的梯度幅值；
基于预设的梯度幅值阈值以及所述梯度幅值判定模型，从各预选点中确定得到新发散核心点；
基于新发散核心点，对边缘图像对应的道路积水区域的边界进行修正。
5.根据权利要求4所述的基于图像处理的城市道路积水检测方法，其特征在于，所述基于预设的像素阈值以及所述像素判定模型，初步得到预选点，包括：
若
Figure 201475DEST_PATH_IMAGE042
，则将发散区域中的对应像素点判定为所述预选点；若所有的判定点均不满足
Figure 42392DEST_PATH_IMAGE042
，则判定没有新发散核心点，发散结束；
其中，
Figure 4794DEST_PATH_IMAGE043
为预设的像素阈值。
6.根据权利要求4所述的基于图像处理的城市道路积水检测方法，其特征在于，所述基于预设的梯度幅值阈值以及所述梯度幅值判定模型，从各预选点中确定得到新发散核心点，包括：
若
Figure 589359DEST_PATH_IMAGE044
，则对应的预选点为所述新发散核心点，若所有的预选点均不满足
Figure 101243DEST_PATH_IMAGE044
，则判定没有新发散核心点，发散结束；
其中，
Figure 113061DEST_PATH_IMAGE045
为预设的梯度幅值阈值。
7.根据权利要求4所述的基于图像处理的城市道路积水检测方法，其特征在于，所述基于新发散核心点，对边缘图像对应的道路积水区域的边界进行修正，包括：
以所述新发散核心点作为道路积水区域的像素，并以新发散核心点作为发散核心点，再次向该发散核心点的周围八个邻域方向进行发散，以进行新的发散核心点的确定，不断迭代运算直至发散结束。
8.一种基于图像处理的城市道路积水检测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-7中任一项所述的基于图像处理的城市道路积水检测方法。
CN202111139709.6A 2021-09-28 2021-09-28 基于图像处理的城市道路积水检测方法及系统 Active CN113592863B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111139709.6A CN113592863B (zh) 2021-09-28 2021-09-28 基于图像处理的城市道路积水检测方法及系统
CN202111309408.3A CN113935987A (zh) 2021-09-28 2021-09-28 基于图像处理的城市道路积水程度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111139709.6A CN113592863B (zh) 2021-09-28 2021-09-28 基于图像处理的城市道路积水检测方法及系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202111309408.3A Division CN113935987A (zh) 2021-09-28 2021-09-28 基于图像处理的城市道路积水程度检测方法

Publications (2)

Publication Number Publication Date
CN113592863A true CN113592863A (zh) 2021-11-02
CN113592863B CN113592863B (zh) 2021-11-30

Family

ID=78242164

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111309408.3A Pending CN113935987A (zh) 2021-09-28 2021-09-28 基于图像处理的城市道路积水程度检测方法
CN202111139709.6A Active CN113592863B (zh) 2021-09-28 2021-09-28 基于图像处理的城市道路积水检测方法及系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202111309408.3A Pending CN113935987A (zh) 2021-09-28 2021-09-28 基于图像处理的城市道路积水程度检测方法

Country Status (1)

Country Link
CN (2) CN113935987A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576099B (zh) * 2024-01-16 2024-05-10 季华实验室 液体隔瓶检测方法、装置及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005069699A (ja) * 2003-08-25 2005-03-17 Yamada Giken Kk 路面センサー及び路面の監視制御方法
CN102636313A (zh) * 2012-04-11 2012-08-15 浙江工业大学 基于红外热成像图像处理的渗漏源检测装置
CN103512913A (zh) * 2012-06-25 2014-01-15 中国科学院微电子研究所 一种路面状态测定方法及装置
CN111609898A (zh) * 2020-06-19 2020-09-01 中铁第四勘察设计院集团有限公司 一种基于红外图像探测的全天候隧道内水位监测系统和方法
CN112417935A (zh) * 2019-08-23 2021-02-26 经纬航太科技股份有限公司 环境巡检系统及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005069699A (ja) * 2003-08-25 2005-03-17 Yamada Giken Kk 路面センサー及び路面の監視制御方法
CN102636313A (zh) * 2012-04-11 2012-08-15 浙江工业大学 基于红外热成像图像处理的渗漏源检测装置
CN103512913A (zh) * 2012-06-25 2014-01-15 中国科学院微电子研究所 一种路面状态测定方法及装置
CN112417935A (zh) * 2019-08-23 2021-02-26 经纬航太科技股份有限公司 环境巡检系统及其方法
CN111609898A (zh) * 2020-06-19 2020-09-01 中铁第四勘察设计院集团有限公司 一种基于红外图像探测的全天候隧道内水位监测系统和方法

Also Published As

Publication number Publication date
CN113592863B (zh) 2021-11-30
CN113935987A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
Tran et al. One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objects
Chen et al. A self organizing map optimization based image recognition and processing model for bridge crack inspection
Huang et al. A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
WO2016172827A1 (zh) 一种逐步求精的路面裂缝检测方法
CN112232138B (zh) 基于超像素特征的渠道边坡破坏智能识别方法
CN104751478A (zh) 一种基于多特征融合的面向对象的建筑物变化检测方法
Moussa et al. A new technique for automatic detection and parameters estimation of pavement crack
CN106529593B (zh) 路面病害检测方法和系统
CN114140462A (zh) 一种基于图像处理的轴承磨损程度评估方法
CN104361582B (zh) 一种对象级高分辨率sar影像洪水灾害变化检测方法
CN110675415B (zh) 一种基于深度学习增强实例分割的道路积水区域检测方法
CN108898101B (zh) 基于素描图和先验约束的高分辨sar图像路网检测方法
CN101976504B (zh) 一种基于颜色空间信息的多车辆视频跟踪方法
CN101403676A (zh) 基于d-s证据理论的绝缘子憎水性等级融合判决方法
CN112132159B (zh) 一种连续剖面点云特征分析的路面坑槽提取方法
CN103048329A (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN104992429A (zh) 一种基于图像局部增强的山体裂缝检测方法
CN103778627A (zh) 一种基于sar图像的海域溢油检测方法
WO2021083394A1 (zh) 一种基于图谱灰度自适应选取的沥青路面水损害检测方法
CN113592863B (zh) 基于图像处理的城市道路积水检测方法及系统
CN105787912A (zh) 一种基于分类的阶跃型边缘亚像素定位方法
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
CN109697418B (zh) 用于场景复原的针对遥感影像路网提取图像的后处理方法

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