CN113935987A - 基于图像处理的城市道路积水程度检测方法 - Google Patents

基于图像处理的城市道路积水程度检测方法 Download PDF

Info

Publication number
CN113935987A
CN113935987A CN202111309408.3A CN202111309408A CN113935987A CN 113935987 A CN113935987 A CN 113935987A CN 202111309408 A CN202111309408 A CN 202111309408A CN 113935987 A CN113935987 A CN 113935987A
Authority
CN
China
Prior art keywords
road
area
image
temperature
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.)
Pending
Application number
CN202111309408.3A
Other languages
English (en)
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 CN202111309408.3A priority Critical patent/CN113935987A/zh
Publication of CN113935987A publication Critical patent/CN113935987A/zh
Pending legal-status Critical Current

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程度检测方法，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程度检测方法
本申请为原申请日为2021年9月28日、申请号为“2021111397096”、发明名称为“基于图像处理的城市道路积水检测方法及系统”的分案申请。
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程度检测方法。
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。
同时，在进行人为检测时，通过经验得到积水程度高低，还存在误差较大的问题。
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程度检测方法，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程度检测方法，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；
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 706019DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
为处理后的小波变换系数，
Figure 254331DEST_PATH_IMAGE004
为阶跃函数，
Figure 100002_DEST_PATH_IMAGE005
为原始小波变换系数；
Figure 100002_DEST_PATH_IMAGE007
其中，
Figure 713125DEST_PATH_IMAGE008
为处理阈值，
Figure 100002_DEST_PATH_IMAGE009
为首层各小波分解系数绝对值的中间值，
Figure 103786DEST_PATH_IMAGE010
为调整系数，
Figure 100002_DEST_PATH_IMAGE011
为自然对数以常数e为底数的对数，
Figure 26743DEST_PATH_IMAGE012
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 100002_DEST_PATH_IMAGE013
，确定图像温度等级处于
Figure 743026DEST_PATH_IMAGE014
的像素为道路积水区域
Figure 100002_DEST_PATH_IMAGE015
，图像温度等级处于
Figure 17012DEST_PATH_IMAGE016
的像素为道路背景区域
Figure 100002_DEST_PATH_IMAGE017
；
获取每个温度等级在图像中出现的概率，计算公式如下：
Figure 100002_DEST_PATH_IMAGE019
其中，
Figure 942856DEST_PATH_IMAGE020
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 454740DEST_PATH_IMAGE015
在图像中出现的概率
Figure 100002_DEST_PATH_IMAGE021
，道路背景区域
Figure 138662DEST_PATH_IMAGE017
在图像中出现的概率为
Figure 899944DEST_PATH_IMAGE022
，计算公式如下：
Figure 429146DEST_PATH_IMAGE024
Figure 592274DEST_PATH_IMAGE026
根据道路积水区域
Figure 978256DEST_PATH_IMAGE015
和道路背景区域
Figure 492414DEST_PATH_IMAGE017
在图像中出现的概率，计算道路积水区域
Figure 559727DEST_PATH_IMAGE015
、道路背景区域
Figure 842941DEST_PATH_IMAGE017
和整体图像的温度均值，道路积水区域
Figure 617735DEST_PATH_IMAGE015
的温度均值为
Figure 100002_DEST_PATH_IMAGE027
，道路背景区域
Figure 88030DEST_PATH_IMAGE028
为
Figure 100002_DEST_PATH_IMAGE029
，整体图像的温度均值为
Figure 162297DEST_PATH_IMAGE030
，计算公式如下：
Figure 300017DEST_PATH_IMAGE032
Figure 293381DEST_PATH_IMAGE034
Figure 250973DEST_PATH_IMAGE036
基于道路积水区域
Figure 925668DEST_PATH_IMAGE015
、道路背景区域
Figure 917894DEST_PATH_IMAGE017
和整体图像的温度均值，获取与温度等级阈值
Figure 816580DEST_PATH_IMAGE013
对应的分类效果评估指标
Figure 100002_DEST_PATH_IMAGE037
，分类效果评估指标的计算公式如下：
Figure 995889DEST_PATH_IMAGE038
。
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 100002_DEST_PATH_IMAGE039
：
Figure 100002_DEST_PATH_IMAGE041
其中，
Figure 409028DEST_PATH_IMAGE042
为发散区域中的像素点，
Figure 100002_DEST_PATH_IMAGE043
为发散区域中的像素点
Figure 927865DEST_PATH_IMAGE042
处的像素值；
Figure 100002_DEST_PATH_IMAGE045
其中，
Figure 731873DEST_PATH_IMAGE046
为发散区域中像素点总数，
Figure 100002_DEST_PATH_IMAGE047
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 336161DEST_PATH_IMAGE048
：
Figure 414975DEST_PATH_IMAGE050
其中，
Figure 100002_DEST_PATH_IMAGE051
为原始发散核心点的梯度幅值，
Figure 850636DEST_PATH_IMAGE052
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 100002_DEST_PATH_IMAGE053
，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 500579DEST_PATH_IMAGE053
，则判定没有新发散核心点，发散结束；
其中，
Figure 451217DEST_PATH_IMAGE054
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 100002_DEST_PATH_IMAGE055
，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 474668DEST_PATH_IMAGE055
，则判定没有新发散核心点，发散结束；
其中，
Figure 295994DEST_PATH_IMAGE056
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 100002_DEST_PATH_IMAGE057
。
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 100002_DEST_PATH_IMAGE059
其中，
Figure 645066DEST_PATH_IMAGE060
为指标调整因子。
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程度检测方法，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。
本发明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_IMAGE061
，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 223946DEST_PATH_IMAGE002
其中，
Figure 644563DEST_PATH_IMAGE003
为处理后的小波变换系数，
Figure 320395DEST_PATH_IMAGE004
为阶跃函数，
Figure 103019DEST_PATH_IMAGE005
为原始小波变换系数；
Figure 762671DEST_PATH_IMAGE007
其中，
Figure 455820DEST_PATH_IMAGE008
为处理阈值，
Figure 455000DEST_PATH_IMAGE009
为首层各小波分解系数绝对值的中间值，
Figure 208192DEST_PATH_IMAGE010
为调整系数，本发明设置的
Figure 89561DEST_PATH_IMAGE010
为0.6，
Figure 586401DEST_PATH_IMAGE011
为自然对数以常数e为底数的对数，
Figure 440088DEST_PATH_IMAGE012
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 629761DEST_PATH_IMAGE019
其中，
Figure 998425DEST_PATH_IMAGE020
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 236639DEST_PATH_IMAGE015
和道路背景区域
Figure 741570DEST_PATH_IMAGE017
。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 102144DEST_PATH_IMAGE014
的像素作为道路积水区域
Figure 683737DEST_PATH_IMAGE015
，温度等级处于
Figure 725642DEST_PATH_IMAGE016
的像素作为道路背景区域
Figure 616238DEST_PATH_IMAGE017
，获取道路积水区域
Figure 882134DEST_PATH_IMAGE015
和道路背景区域
Figure 163074DEST_PATH_IMAGE017
在图像中出现的概率，计算公式如下：
Figure 539828DEST_PATH_IMAGE024
Figure 284930DEST_PATH_IMAGE026
其中，
Figure 924990DEST_PATH_IMAGE021
为道路积水区域在图像中出现的概率；
Figure 755543DEST_PATH_IMAGE022
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 935989DEST_PATH_IMAGE015
和道路背景区域
Figure 535597DEST_PATH_IMAGE017
在图像中出现的概率来计算道路积水区域
Figure 346558DEST_PATH_IMAGE015
和道路背景区域
Figure 130319DEST_PATH_IMAGE017
及整体图像的温度均值，道路积水区域
Figure 380035DEST_PATH_IMAGE015
的温度均值为
Figure 37412DEST_PATH_IMAGE027
，道路背景区域
Figure 81592DEST_PATH_IMAGE028
为
Figure 558841DEST_PATH_IMAGE029
，整体图像的温度均值为
Figure 346668DEST_PATH_IMAGE030
，计算公式如下：
Figure 655290DEST_PATH_IMAGE032
Figure 808053DEST_PATH_IMAGE034
Figure 834915DEST_PATH_IMAGE036
基于道路积水区域
Figure 160854DEST_PATH_IMAGE015
、道路背景区域
Figure 589562DEST_PATH_IMAGE017
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 913227DEST_PATH_IMAGE013
对应的分类效果评估指标
Figure 164735DEST_PATH_IMAGE037
，需计算如下公式：
Figure 294365DEST_PATH_IMAGE038
。
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 577579DEST_PATH_IMAGE062
}，从{
Figure 72145DEST_PATH_IMAGE062
}序列中选取最大值作为最佳温度等级阈值
Figure 808020DEST_PATH_IMAGE013
，最佳温度等级阈值
Figure 741341DEST_PATH_IMAGE013
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 DEST_PATH_IMAGE063
，计算公式如下：
Figure DEST_PATH_IMAGE065
Figure DEST_PATH_IMAGE067
其中，M为该条边界像素点总数，
Figure 754428DEST_PATH_IMAGE068
为该段边界中第
Figure DEST_PATH_IMAGE069
个像素点的坐标，
Figure 154316DEST_PATH_IMAGE069
=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 377487DEST_PATH_IMAGE070
，该发散区域如图1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 DEST_PATH_IMAGE071
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 518094DEST_PATH_IMAGE071
进行判定，可参考图1；设置基于像素的判定指标
Figure 775900DEST_PATH_IMAGE039
：
Figure 409006DEST_PATH_IMAGE041
其中，图像中的发散区域为
Figure 322736DEST_PATH_IMAGE072
，
Figure DEST_PATH_IMAGE073
为发散区域内的待判定点
Figure 66701DEST_PATH_IMAGE042
处的像素，即温度。
Figure 116697DEST_PATH_IMAGE047
为温度均值，计算公式如下：
Figure 186284DEST_PATH_IMAGE045
其中，区域中的像素点总数为
Figure 384047DEST_PATH_IMAGE046
，本实施例中，
Figure 197282DEST_PATH_IMAGE046
等于9。
像素阈值在本发明中设为
Figure 898522DEST_PATH_IMAGE074
，实施者可自行选取。若
Figure 356921DEST_PATH_IMAGE053
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 DEST_PATH_IMAGE075
，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 510822DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE077
，基于此计算像素点的梯度幅值大小，计算公式如下：
Figure DEST_PATH_IMAGE079
基于图像像素点的梯度幅值构建判定模型
Figure 3114DEST_PATH_IMAGE048
：
Figure 90019DEST_PATH_IMAGE050
其中，
Figure 501409DEST_PATH_IMAGE051
为发散核心点的梯度幅值，
Figure 408185DEST_PATH_IMAGE052
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 766485DEST_PATH_IMAGE080
。判断新核心点的预选点，若
Figure 442317DEST_PATH_IMAGE055
，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 DEST_PATH_IMAGE081
，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 759029DEST_PATH_IMAGE057
，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 353434DEST_PATH_IMAGE057
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 46583DEST_PATH_IMAGE059
其中，
Figure 108080DEST_PATH_IMAGE082
，
Figure DEST_PATH_IMAGE083
，
Figure 267797DEST_PATH_IMAGE060
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 (10)

1.一种基于图像处理的城市道路积水程度检测方法，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；
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。
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程度检测方法，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 400365DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为处理后的小波变换系数，
Figure 347592DEST_PATH_IMAGE004
为阶跃函数，
Figure DEST_PATH_IMAGE005
为原始小波变换系数；
Figure DEST_PATH_IMAGE007
其中，
Figure 869359DEST_PATH_IMAGE008
为处理阈值，
Figure DEST_PATH_IMAGE009
为首层各小波分解系数绝对值的中间值，
Figure 611050DEST_PATH_IMAGE010
为调整系数，
Figure DEST_PATH_IMAGE011
为自然对数以常数e为底数的对数，
Figure 746496DEST_PATH_IMAGE012
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程度检测方法，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所述的基于人工智能及图像处理的城市道路积水程度检测方法，其特征在于，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 DEST_PATH_IMAGE013
，确定图像温度等级处于
Figure 231836DEST_PATH_IMAGE014
的像素为道路积水区域
Figure DEST_PATH_IMAGE015
，图像温度等级处于
Figure 401917DEST_PATH_IMAGE016
的像素为道路背景区域
Figure DEST_PATH_IMAGE017
；
获取每个温度等级在图像中出现的概率，计算公式如下：
Figure DEST_PATH_IMAGE019
其中，
Figure 780421DEST_PATH_IMAGE020
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 465480DEST_PATH_IMAGE015
在图像中出现的概率
Figure DEST_PATH_IMAGE021
，道路背景区域
Figure 754510DEST_PATH_IMAGE017
在图像中出现的概率为
Figure 779098DEST_PATH_IMAGE022
，计算公式如下：
Figure 190488DEST_PATH_IMAGE024
Figure 566106DEST_PATH_IMAGE026
根据道路积水区域
Figure 721143DEST_PATH_IMAGE015
和道路背景区域
Figure 865817DEST_PATH_IMAGE017
在图像中出现的概率，计算道路积水区域
Figure 182529DEST_PATH_IMAGE015
、道路背景区域
Figure 833391DEST_PATH_IMAGE017
和整体图像的温度均值，道路积水区域
Figure 526541DEST_PATH_IMAGE015
的温度均值为
Figure DEST_PATH_IMAGE027
，道路背景区域
Figure 260142DEST_PATH_IMAGE028
为
Figure DEST_PATH_IMAGE029
，整体图像的温度均值为
Figure 685438DEST_PATH_IMAGE030
，计算公式如下：
Figure 832385DEST_PATH_IMAGE032
Figure 63647DEST_PATH_IMAGE034
Figure 917333DEST_PATH_IMAGE036
基于道路积水区域
Figure 841427DEST_PATH_IMAGE015
、道路背景区域
Figure 475670DEST_PATH_IMAGE017
和整体图像的温度均值，获取与温度等级阈值
Figure 510623DEST_PATH_IMAGE013
对应的分类效果评估指标
Figure DEST_PATH_IMAGE037
，分类效果评估指标的计算公式如下：
Figure 684727DEST_PATH_IMAGE038
。
5.根据权利要求1所述的基于图像处理的城市道路积水程度检测方法，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 DEST_PATH_IMAGE039
：
Figure DEST_PATH_IMAGE041
其中，
Figure 451826DEST_PATH_IMAGE042
为发散区域中的像素点，
Figure DEST_PATH_IMAGE043
为发散区域中的像素点
Figure 245470DEST_PATH_IMAGE042
处的像素值；
Figure DEST_PATH_IMAGE045
其中，
Figure 490638DEST_PATH_IMAGE046
为发散区域中像素点总数，
Figure DEST_PATH_IMAGE047
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 850075DEST_PATH_IMAGE048
：
Figure 319233DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE051
为原始发散核心点的梯度幅值，
Figure 134261DEST_PATH_IMAGE052
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。
6.根据权利要求5所述的基于图像处理的城市道路积水程度检测方法，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 DEST_PATH_IMAGE053
，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 448699DEST_PATH_IMAGE053
，则判定没有新发散核心点，发散结束；
其中，
Figure 193801DEST_PATH_IMAGE054
为预设的像素阈值。
7.根据权利要求5所述的基于图像处理的城市道路积水程度检测方法，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 DEST_PATH_IMAGE055
，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 568282DEST_PATH_IMAGE055
，则判定没有新发散核心点，发散结束；
其中，
Figure 133255DEST_PATH_IMAGE056
为预设的梯度幅值阈值。
8.根据权利要求5所述的基于图像处理的城市道路积水程度检测方法，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。
9.根据权利要求1所述的基于图像处理的城市道路积水程度检测方法，其特征在于，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 DEST_PATH_IMAGE057
。
10.根据权利要求1所述的基于图像处理的城市道路积水程度检测方法，其特征在于，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 DEST_PATH_IMAGE059
其中，
Figure 454646DEST_PATH_IMAGE060
为指标调整因子。
CN202111309408.3A 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 Pending CN113935987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
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 (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

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202111139709.6A Division 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

Publications (1)

Publication Number Publication Date
CN113935987A true CN113935987A (zh) 2022-01-14

Family

ID=78242164

Family Applications (2)

Application Number Title Priority Date Filing Date
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
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

Family Applications Before (1)

Application Number Title Priority Date Filing Date
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

Country Status (1)

Country Link
CN (2) CN113592863B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576099A (zh) * 2024-01-16 2024-02-20 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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4092494B2 (ja) * 2003-08-25 2008-05-28 山田技研株式会社 路面センサー及び路面の監視制御方法
CN102636313B (zh) * 2012-04-11 2014-12-03 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
CN103512913B (zh) * 2012-06-25 2016-03-30 中国科学院微电子研究所 一种路面状态测定方法及装置
TWI726396B (zh) * 2019-08-23 2021-05-01 經緯航太科技股份有限公司 環境巡檢系統及其方法
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576099A (zh) * 2024-01-16 2024-02-20 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
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

Also Published As

Publication number Publication date
CN113592863B (zh) 2021-11-30
CN113592863A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
Chen et al. A self organizing map optimization based image recognition and processing model for bridge crack inspection
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
US10489903B2 (en) Stepwise refinement detection method for pavement cracks
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
CN101403676B (zh) 基于d-s证据理论的绝缘子憎水性等级融合判决方法
CN106529593B (zh) 路面病害检测方法和系统
CN101976504B (zh) 一种基于颜色空间信息的多车辆视频跟踪方法
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
CN112232138A (zh) 基于超像素特征的渠道边坡破坏智能识别方法
CN104992429A (zh) 一种基于图像局部增强的山体裂缝检测方法
CN112396612B (zh) 一种矢量信息辅助的遥感影像道路信息自动提取方法
CN113569724B (zh) 基于注意力机制和扩张卷积的道路提取方法及系统
CN117057614A (zh) 一种基于遥感技术的公路安全运行动态变化预测方法及系统
CN113592863B (zh) 基于图像处理的城市道路积水检测方法及系统
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
CN105787912A (zh) 一种基于分类的阶跃型边缘亚像素定位方法
Cao Research on crack detection of bridge deck based on computer vision
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
CN111539356A (zh) 一种基于线阵图像的路面缝隙精准高效检测方法
Vanderhaegen et al. Developing urban metrics to describe the morphology of urban areas at block level
CN112215126B (zh) 一种基于非下采样Contourlet变换的直线目标检测方法及系统
CN114048953A (zh) 一种基于多维感知和企业数据量化的智慧风控评估方法
CN108932743B (zh) 一种基于激光点云的路面病害特征图像生成方法

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