CN114219903A - 一种基于视频图像的河道网拓扑结构生成方法及其装置 - Google Patents
一种基于视频图像的河道网拓扑结构生成方法及其装置 Download PDFInfo
- Publication number
- CN114219903A CN114219903A CN202111321368.4A CN202111321368A CN114219903A CN 114219903 A CN114219903 A CN 114219903A CN 202111321368 A CN202111321368 A CN 202111321368A CN 114219903 A CN114219903 A CN 114219903A
- Authority
- CN
- China
- Prior art keywords
- river channel
- river
- image
- pixel
- channel
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000002910 structure generation Methods 0.000 title claims description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频图像的河道网拓扑结构生成方法及其装置,该方法包括:利用无人机巡航拍摄获取河道图像;提取所述河道图像中的河道,生成河道灰度图;对所述河道灰度图进行像素阈值分割计算,得到河道二值图;对所述河道二值图进行逐层细化处理;根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道拓扑结构。本发明能利用无人机巡航拍摄获取的河道图像,来提高河道拓扑结构的清晰度和准确度,使得河道边缘平滑,丰富了河道拓扑结构信息。
Description
技术领域
本发明属于河道测绘领域,特别涉及一种基于视频图像的河道网拓扑结构生成方法及其装置。
背景技术
现阶段,现有河道网拓扑结构生成的方法是依据分割卫星遥感图像中河道的区域范围,采用细化线算法得到河道路线,检测河道交汇点后生成简单河道网拓扑结构,而提取河道路线的方法则采用颜色分割的方法,生成河道网的细化线算法大多采用中轴转移法。
但现有技术中,生成的河道拓扑结构仅包括交汇点位置、河道端点位置以及河道细化线,且卫星遥感图像清晰度低,且卫星遥感图像中河道的形态学特征不明显;现有河道提取的细化算法大多使用中轴转换法,但该方法所得结果断线情况严重,无法满足河道对象的要求;采用河道交汇点的检测生成简单河道网拓扑结构,无法得知具体的河道等级、河道支流长度和河道节点数。
发明内容
本发明所要解决的技术问题在于,提供了一种基于视频图像的河道网拓扑结构生成方法及其装置,提高河道拓扑结构的清晰度和准确度,使得河道边缘平滑,丰富了河道拓扑结构信息。
为了解决上述技术问题,本发明提供了一种基于视频图像的河道网拓扑结构生成方法,包括:
利用无人机巡航拍摄获取河道图像;
提取所述河道图像中的河道,生成河道灰度图;
对所述河道灰度图进行像素阈值分割计算,得到河道二值图;
对所述河道二值图进行逐层细化处理;
根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道拓扑结构。
进一步地,所述获取河道图像,具体为:
根据无人机巡航拍摄的河道视频图像以及无人机飞线参数和相机参数,得出空间变化关系并对所述河道视频图像进行拼接操作,从而获取河道图像。
进一步地,所述提取所述河道图像中的河道,生成河道灰度图,具体为:
对所述河道图像进行高斯归一化水体指数处理,提取出河道图像中的河道,从而生成河道灰度图。
进一步地,所述对所述河道灰度图进行像素阈值分割计算,得到河道二值图,具体为:
计算所述河道灰度图中类间方差最大的像素值,并将类间方差最大的像素值设为阈值,将所述河道灰度图的所有像素值与所述阈值的大小进行一一对比;
若有河道灰度图的像素值大于所述阈值,则将该像素值设为1;
若有河道灰度图的像素值小于所述阈值,则将该像素值设为0;
从而得到河道二值图。
进一步地,所述对所述河道二值图进行细化处理,具体为:
对所述河道二值图进行河道像素宽度d检测;其中,所述河道像素宽度d为正整数;
当所述河道二值图中河道像素宽度d≥5时,采用48-领域扫描操作;
当所述河道二值图中河道像素宽度3≤d<5时,采用24-领域扫描操作;
当所述河道二值图中河道像素宽度2≤d<3时,采用8-领域扫描操作;
通过逐层细化,从而得到细化处理后的河道二值图。
进一步地,所述根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道网拓扑结构,具体为:
扫描细化处理后的河道二值图,标记疑似交汇点,根据河道分叉的角度、长度和预设的阈值,剔除无效的所述疑似交汇点,标记有效交汇点,并将所述有效交汇点进行连通性测试,从而得到所有有效交汇点的连通性,结合河道信息,输出河道网拓扑结构。
同时,本发明实施例还提供一种基于视频图像的河道网拓扑结构生成装置,包括:河道图像获取模块、河道图像处理模块和河道网拓扑结构生成模块;
所述河道图像获取模块,用于利用无人机巡航拍摄获取河道图像;
所述河道图像处理模块,用于提取所述河道图像中的河道,生成河道灰度图,对所述河道灰度图进行像素阈值分割计算,得到河道二值图,对所述河道二值图进行逐层细化处理;
所述河道网拓扑结构生成模块,用于根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道拓扑结构。
进一步地,所述河道图像获取模块,用于利用无人机巡航拍摄获取河道图像,具体为:
根据无人机巡航拍摄的河道视频图像以及无人机飞线参数和相机参数,得出空间变化关系并对所述河道视频图像进行拼接操作,从而获取河道图像。
进一步地,所述河道图像处理模块,用于提取所述河道图像中的河道,生成河道灰度图,对所述河道灰度图进行像素阈值分割计算,得到河道二值图,对所述河道二值图进行逐层细化处理,具体为:
对所述河道图像进行高斯归一化水体指数处理,提取出河道图像中的河道,从而生成河道灰度图;计算所述河道灰度图中类间方差最大的像素值,并将类间方差最大的像素值设为阈值,将所述河道灰度图的所有像素值与所述阈值的大小进行一一对比;若有河道灰度图的像素值大于所述阈值,则将该像素值设为1;若有河道灰度图的像素值小于所述阈值,则将该像素值设为0;从而得到河道二值图;
对所述河道二值图进行河道像素宽度d检测;当所述河道二值图中河道像素宽度d≥5时,采用48-领域扫描操作;当所述河道二值图中河道像素宽度3≤d<5时,采用24-领域扫描操作;当所述河道二值图中河道像素宽度2≤d<3时,采用8-领域扫描操作;
通过逐层细化,从而得到细化处理后的河道二值图。
进一步地,所述河道网拓扑结构生成模块,用于根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道拓扑结构,具体为:
扫描细化处理后的河道二值图,标记疑似交汇点,根据河道分叉的角度、长度和预设的阈值,剔除无效的所述疑似交汇点,标记有效交汇点,并将所述有效交汇点进行连通性测试,从而得到所有有效交汇点的连通性,结合河道信息,输出河道网拓扑结构。
实施本申请实施例,具有如下的有益效果:
本发明提供的一种基于视频图像的河道网拓扑结构生成方法及其装置,与现有技术相比,通过利用无人机巡航拍摄,提高了获得的河道图像的清晰度,使河道的形态学特征更加明显,同时采用了像素阈值分割计算与逐层细化处理,提高了河道拓扑结构的准确度,使得河道边缘平滑,其次结合河道信息、交汇点及连通性,丰富了河道拓扑结构的信息。
附图说明
图1是本发明实施例所提供的一种基于视频图像的河道网拓扑结构生成方法的步骤流程图;
图2是本发明实施例所提供的一种基于视频图像的河道网拓扑结构生成方法中逐层细化处理的流程图;
图3是本发明实施例所提供的一种基于视频图像的河道网拓扑结构生成方法中48-领域像素矩阵区域的示意图;
图4是本发明实施例所提供的一种基于视频图像的河道网拓扑结构生成方法中24-领域像素矩阵区域的示意图;
图5是本发明实施例所提供的一种基于视频图像的河道网拓扑结构生成方法中8-领域像素矩阵区域的示意图;
图6是本发明实施例所提供的一种基于视频图像的河道网拓扑结构生成装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下将结合本发明中的附图,对本发明实施例中的技术方案进行进一步详细说明。显然,此所描述的实施例仅是本发明一部分实施例,而不是全部实施例,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所用其他实施例,都属于本发明保护的范围。
请参阅图1,其是本发明实施例提供的一种基于视频图像的河道网拓扑结构生成方法,包括以下步骤:
S101:利用无人机巡航拍摄获取河道图像。
具体地,根据无人机巡航拍摄的河道视频图像以及无人机飞线参数和相机参数,得出空间变化关系并对所述河道视频图像进行拼接操作,从而获取河道图像。
在本实施例中,利用无人机巡航拍摄时的飞行参数与相机参数,对河道视频图像进行帧选择,对选择后的河道视频图像的帧进行降噪处理,提取特征点并根据特征点的空间变换关系进行河道视频图像的空间变换,匹配相重合的河道视频图像区域来拼接与融合,得到河道图像。
在进行河道视频图像的帧选择时,需要计算河道视频图像中每一个视频图像帧的锐度和色彩平滑度,并根据锐度和色彩平滑度提取满足河道视频图像的拼接条件的两个相邻的视频图像帧。
S102:提取所述河道图像中的河道,生成河道灰度图。
具体地,对所述河道图像进行高斯归一化水体指数处理,提取出河道图像中的河道,从而生成河道灰度图。
在本实施例中,由于水体从可见光到中红外波段的反射逐渐减弱,尤其在近红外和中红外波长范围内其吸收最强,采用水体指数NDWI的计算能够很好的区分河道图像中的水体信息,其计算公式为:
其中,bgreen为可见光绿色波段中第i行第j列的像素值,bNIR为近红外波段中第i行第j列的像素值。NDWI的计算抑制了陆地植被等信息而冲突的水体信息,同时在NDWI计算过程中,统一对NDWI数值进行了拉伸,可使不同传感器、不同成像条件的影像也可获得可比较、相近统计特性的NDWI影像波段,便于区分影像中的水体信息。
进一步地,在本实施例中,为了得到较好的河流提取效果,可通过高斯变换将原来的NDWI中的值为0的两侧数值中的弱信息进行拉伸,同时抑制值靠近1与-1的强信息,从而提高水体同陆地部分的可区分度,并保证提取河流水体的连续性,即采用GNDWI水体指数模型算法,具体公式为:
S103:对所述河道灰度图进行像素阈值分割计算,得到河道二值图。
具体地,计算所述河道灰度图中类间方差最大的像素值,并将类间方差最大的像素值设为阈值,将所述河道灰度图的所有像素值与所述阈值的大小进行一一对比;若有河道灰度图的像素值大于所述阈值,则将该像素值设为1;若有河道灰度图的像素值小于所述阈值,则将该像素值设为0;从而得到河道二值图。
优选地,在本实施例中,像素阈值分割计算采用了OTSU算法,即最大类间方差阈值分割算法。
在本实施例中,将图像上的点的灰度值置为0或255,所有灰度大于或等于阈值的像素被判定为属于特定物体,其灰度值用255表示,否则这些像素点被排除在物体区域以外,灰度值为0,表示背景或者例外的物体区域。
S104:对所述河道二值图进行逐层细化处理。
具体地,对所述河道二值图进行河道像素宽度d检测;其中,所述河道像素宽度d为正整数;当所述河道二值图中河道像素宽度d≥5时,采用48-领域扫描操作;当所述河道二值图中河道像素宽度3≤d<5时,采用24-领域扫描操作;当所述河道二值图中河道像素宽度2≤d<3时,采用8-领域扫描操作;通过逐层细化,从而得到细化处理后的河道二值图。
请参阅图2和图3,在本实施例中,当所述河道二值图中河道像素宽度d≥5时,采用48-领域扫描操作,找出所有可以设置48-领域像素矩阵的像素点,并对所有48-领域像素矩阵区域进行边缘检测,若检测出边缘,则将检测出的边缘像素点删除并将边缘像素点的像素值设置为0;若检测不出边缘,则跳过该48-领域像素矩阵区域;继续对所有48-领域像素矩阵区域进行边缘检测,若检测出边缘,则保持更改并结束该像素区域的操作;若检测不出边缘,则将更改的像素值设置为1并结束该像素区域的操作。其中,48-领域像素矩阵区域以视频图像中任一像素点为中心,向周围48个像素点设置为矩阵区域内的像素。
请参阅图2和图4,当所述河道二值图中河道像素宽度3≤d<5时,采用24-领域扫描操作,找出所有可以设置24-领域像素矩阵的像素点,并对所有24-领域像素矩阵区域进行边缘检测,若检测出边缘,则将检测出的边缘像素点删除并将边缘像素点的像素值设置为0;若检测不出边缘,则跳过该24-领域像素矩阵区域;继续对所有24-领域像素矩阵区域进行边缘检测,若检测出边缘,则保持更改并结束该像素区域的操作;若检测不出边缘,则将更改的像素值设置为1并结束该像素区域的操作。其中,24-领域像素矩阵区域以视频图像中任一像素点为中心,向周围24个像素点设置为矩阵区域内的像素。
请参阅图2和图5,当所述河道二值图中河道像素宽度2≤d<3时,采用8-领域扫描操作,找出所有可以设置8-领域像素矩阵的像素点,并对所有8-领域像素矩阵区域进行边缘检测,若检测出边缘,则将检测出的边缘像素点删除并将边缘像素点的像素值设置为0;若检测不出边缘,则跳过该8-领域像素矩阵区域;继续对所有8-领域像素矩阵区域进行边缘检测,若检测出边缘,则保持更改并结束该像素区域的操作;若检测不出边缘,则将更改的像素值设置为1并结束该像素区域的操作。其中,8-领域像素矩阵区域以视频图像中任一像素点为中心,向周围8个像素点设置为矩阵区域内的像素。
通过对河道二值图进行48-领域扫描操作、24-领域扫描操作和8-领域扫描操作的逐层细化处理,得到细化处理后的河道二值图,即图2中的河道细化二值图。
S105:根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道拓扑结构。
具体地,扫描细化处理后的河道二值图,标记疑似交汇点,根据河道分叉的角度、长度和预设的阈值,剔除无效的所述疑似交汇点,标记有效交汇点,并将所述有效交汇点进行连通性测试,从而得到所有有效交汇点的连通性,结合河道信息,输出河道网拓扑结构。
在本实施例中,通过交汇点检测技术和交汇点连通性检测技术,结合GPS信息、河道长度信息和河段等级信息,得到河道网拓扑结构。
在本实施例中,交汇点检测技术通过跟踪扫描细化处理后的河道二值图,将具有3个或以上河道分叉的点标记为疑似交汇点,检测所有疑似交汇点中河道分叉的角度以及长度,根据规定的阈值筛选不合理的交汇点,最终得到所有符合要求的交汇点。其中,规定的阈值根据具体河道的实际情况来确定阈值。
在本实施例中,交汇点连通性检测技术通过标记所有符合要求的交汇点,跟踪扫描河道细化二值图,将所有标记的交汇点依次设为起点开始扫描,若遇到其他标记的交汇点,则把起点交汇点和遇到的交汇点标记为可连通,否则标记为不可连通。
同时,本发明实施例还提供一种基于视频图像的河道网拓扑结构生成装置,包括:河道图像获取模块601、河道图像处理模块602和河道网拓扑结构生成模块603。
河道图像获取模块601,用于利用无人机巡航拍摄获取河道图像。
进一步地,根据无人机巡航拍摄的河道视频图像以及无人机飞线参数和相机参数,得出空间变化关系并对所述河道视频图像进行拼接操作,从而获取河道图像。
在本实施例中,利用无人机巡航拍摄时的飞行参数与相机参数,对河道视频图像进行帧选择,对选择后的河道视频图像的帧进行降噪处理,提取特征点并根据特征点的空间变换关系进行河道视频图像的空间变换,匹配相重合的河道视频图像区域来拼接与融合,得到河道图像。
在进行河道视频图像的帧选择时,需要计算河道视频图像中每一个视频图像帧的锐度和色彩平滑度,并根据锐度和色彩平滑度提取满足河道视频图像的拼接条件的两个相邻的视频图像帧。
河道图像处理模块602,用于提取所述河道图像中的河道,生成河道灰度图,对所述河道灰度图进行像素阈值分割计算,得到河道二值图,对所述河道二值图进行逐层细化处理。
进一步地,对所述河道图像进行高斯归一化水体指数处理,提取出河道图像中的河道,从而生成河道灰度图;计算所述河道灰度图中类间方差最大的像素值,并将类间方差最大的像素值设为阈值,将所述河道灰度图的所有像素值与所述阈值的大小进行一一对比;若有河道灰度图的像素值大于所述阈值,则将该像素值设为1;若有河道灰度图的像素值小于所述阈值,则将该像素值设为0;从而得到河道二值图;对所述河道二值图进行河道像素宽度d检测;当所述河道二值图中河道像素宽度d≥5时,采用48-领域扫描操作;当所述河道二值图中河道像素宽度3≤d<5时,采用24-领域扫描操作;当所述河道二值图中河道像素宽度2≤d<3时,采用8-领域扫描操作;通过逐层细化,从而得到细化处理后的河道二值图。
河道网拓扑结构生成模块603,用于根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道拓扑结构。
进一步地,扫描细化处理后的河道二值图,标记疑似交汇点,根据河道分叉的角度、长度和预设的阈值,剔除无效的所述疑似交汇点,标记有效交汇点,并将所述有效交汇点进行连通性测试,从而得到所有有效交汇点的连通性,结合河道信息,输出河道网拓扑结构。
在本实施例中,通过交汇点检测技术和交汇点连通性检测技术,结合GPS信息、河道长度信息和河段等级信息,得到河道网拓扑结构。
在本实施例中,交汇点检测技术通过跟踪扫描细化处理后的河道二值图,将具有3个或以上河道分叉的点标记为疑似交汇点,检测所有疑似交汇点中河道分叉的角度以及长度,根据规定的阈值筛选不合理的交汇点,最终得到所有符合要求的交汇点。其中,规定的阈值根据具体河道的实际情况来确定阈值。
在本实施例中,交汇点连通性检测技术通过标记所有符合要求的交汇点,跟踪扫描河道细化二值图,将所有标记的交汇点依次设为起点开始扫描,若遇到其他标记的交汇点,则把起点交汇点和遇到的交汇点标记为可连通,否则标记为不可连通。
实施本发明实施例,具有如下效果:
本发明实施例提供了一种基于视频图像的河道网拓扑结构生成方法,通过无人机巡航拍摄的视频图像进行拼接来提取河道图像,保障图像清晰的情况下,使得提取的河道边缘平滑、降低噪点数量以及检测出窄小的河道,使用特定的48-领域扫描操作、24-领域扫描操作以及8-领域扫描操作细化算法,可以更好的保留拼接全景图中河道端点的位置,也可以保障细化处理后的河道二值图中河道的连续性以及河道走向的准确性,生成的河道网拓扑结构,包括了交汇点GPS信息、连通性河段长度以及河段等级信息,可以更好的描述河道的基本信息,以保证其完整性。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于视频图像的河道网拓扑结构生成方法,其特征在于,包括:
利用无人机巡航拍摄获取河道图像;
提取所述河道图像中的河道,生成河道灰度图;
对所述河道灰度图进行像素阈值分割计算,得到河道二值图;
对所述河道二值图进行逐层细化处理;
根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道拓扑结构。
2.如权利要求1所述的一种基于视频图像的河道网拓扑结构生成方法,其特征在于,所述获取河道图像,具体为:
根据无人机巡航拍摄的河道视频图像以及无人机飞线参数和相机参数,得出空间变化关系并对所述河道视频图像进行拼接操作,从而获取河道图像。
3.如权利要求1所述的一种基于视频图像的河道网拓扑结构生成方法,其特征在于,所述提取所述河道图像中的河道,生成河道灰度图,具体为:
对所述河道图像进行高斯归一化水体指数处理,提取出河道图像中的河道,从而生成河道灰度图。
4.如权利要求1所述的一种基于视频图像的河道网拓扑结构生成方法,其特征在于,所述对所述河道灰度图进行像素阈值分割计算,得到河道二值图,具体为:
计算所述河道灰度图中类间方差最大的像素值,并将类间方差最大的像素值设为阈值,将所述河道灰度图的所有像素值与所述阈值的大小进行一一对比;
若有河道灰度图的像素值大于所述阈值,则将该像素值设为1;
若有河道灰度图的像素值小于所述阈值,则将该像素值设为0;
从而得到河道二值图。
5.如权利要求1所述的一种基于视频图像的河道网拓扑结构生成方法,其特征在于,所述对所述河道二值图进行细化处理,具体为:
对所述河道二值图进行河道像素宽度d检测;其中,所述河道像素宽度d为正整数;
当所述河道二值图中河道像素宽度d≥5时,采用48-领域扫描操作;
当所述河道二值图中河道像素宽度3≤d<5时,采用24-领域扫描操作;
当所述河道二值图中河道像素宽度2≤d<3时,采用8-领域扫描操作;
通过逐层细化,从而得到细化处理后的河道二值图。
6.如权利要求5所述的一种基于视频图像的河道网拓扑结构生成方法,其特征在于,所述根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道网拓扑结构,具体为:
扫描细化处理后的河道二值图,标记疑似交汇点,根据河道分叉的角度、长度和预设的阈值,剔除无效的所述疑似交汇点,标记有效交汇点,并将所述有效交汇点进行连通性测试,从而得到所有有效交汇点的连通性,结合河道信息,输出河道网拓扑结构。
7.一种基于视频图像的河道网拓扑结构生成装置,其特征在于,包括:河道图像获取模块、河道图像处理模块和河道网拓扑结构生成模块;
所述河道图像获取模块,用于利用无人机巡航拍摄获取河道图像;
所述河道图像处理模块,用于提取所述河道图像中的河道,生成河道灰度图,对所述河道灰度图进行像素阈值分割计算,得到河道二值图,对所述河道二值图进行逐层细化处理;
所述河道网拓扑结构生成模块,用于根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道拓扑结构。
8.如权利要求7所述的一种基于视频图像的河道网拓扑结构生成装置,其特征在于,所述河道图像获取模块,用于利用无人机巡航拍摄获取河道图像,具体为:
根据无人机巡航拍摄的河道视频图像以及无人机飞线参数和相机参数,得出空间变化关系并对所述河道视频图像进行拼接操作,从而获取河道图像。
9.如权利要求7所述的一种基于视频图像的河道网拓扑结构生成装置,其特征在于,所述河道图像处理模块,用于提取所述河道图像中的河道,生成河道灰度图,对所述河道灰度图进行像素阈值分割计算,得到河道二值图,对所述河道二值图进行逐层细化处理,具体为:
对所述河道图像进行高斯归一化水体指数处理,提取出河道图像中的河道,从而生成河道灰度图;计算所述河道灰度图中类间方差最大的像素值,并将类间方差最大的像素值设为阈值,将所述河道灰度图的所有像素值与所述阈值的大小进行一一对比;若有河道灰度图的像素值大于所述阈值,则将该像素值设为1;若有河道灰度图的像素值小于所述阈值,则将该像素值设为0;从而得到河道二值图;
对所述河道二值图进行河道像素宽度d检测;当所述河道二值图中河道像素宽度d≥5时,采用48-领域扫描操作;当所述河道二值图中河道像素宽度3≤d<5时,采用24-领域扫描操作;当所述河道二值图中河道像素宽度2≤d<3时,采用8-领域扫描操作;
通过逐层细化,从而得到细化处理后的河道二值图。
10.如权利要求9所述的一种基于视频图像的河道网拓扑结构生成装置,其特征在于,所述河道网拓扑结构生成模块,用于根据细化处理后的河道二值图,结合河道信息、交汇点及连通性,输出河道拓扑结构,具体为:
扫描细化处理后的河道二值图,标记疑似交汇点,根据河道分叉的角度、长度和预设的阈值,剔除无效的所述疑似交汇点,标记有效交汇点,并将所述有效交汇点进行连通性测试,从而得到所有有效交汇点的连通性,结合河道信息,输出河道网拓扑结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111321368.4A CN114219903A (zh) | 2021-11-09 | 2021-11-09 | 一种基于视频图像的河道网拓扑结构生成方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111321368.4A CN114219903A (zh) | 2021-11-09 | 2021-11-09 | 一种基于视频图像的河道网拓扑结构生成方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219903A true CN114219903A (zh) | 2022-03-22 |
Family
ID=80696838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111321368.4A Pending CN114219903A (zh) | 2021-11-09 | 2021-11-09 | 一种基于视频图像的河道网拓扑结构生成方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219903A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876904A (zh) * | 2024-01-19 | 2024-04-12 | 北京正固智信科技有限公司 | 一种基于无人机的内河河道船只自动检测方法 |
-
2021
- 2021-11-09 CN CN202111321368.4A patent/CN114219903A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876904A (zh) * | 2024-01-19 | 2024-04-12 | 北京正固智信科技有限公司 | 一种基于无人机的内河河道船只自动检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711295B (zh) | 一种光学遥感图像近岸舰船检测方法 | |
Lieb et al. | Adaptive Road Following using Self-Supervised Learning and Reverse Optical Flow. | |
CN111439259B (zh) | 基于端到端卷积神经网络的农业园场景车道偏移预警控制方法及系统 | |
Mu et al. | Lane detection based on object segmentation and piecewise fitting | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN110097093A (zh) | 一种异源图像精确匹配方法 | |
CN107273903B (zh) | 基于lsd改进的uuv近海面可见光图像海天线提取方法 | |
CN111861968B (zh) | 一种红外弱小目标检测方法及检测系统 | |
CN109146832A (zh) | 一种视频图像的拼接方法、装置、终端设备及存储介质 | |
Chen et al. | Automatic building extraction via adaptive iterative segmentation with LiDAR data and high spatial resolution imagery fusion | |
CN104851089A (zh) | 一种基于三维光场的静态场景前景分割方法和装置 | |
CN104282005A (zh) | 一种视频图像拼接方法及装置 | |
CN112712500A (zh) | 一种基于深度神经网络的遥感图像目标提取方法 | |
EP4287137A1 (en) | Method, device, equipment, storage media and system for detecting drivable space of road | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
Zou et al. | Path voting based pavement crack detection from laser range images | |
CN115240089A (zh) | 一种航空遥感图像的车辆检测方法 | |
Koutaki et al. | Automatic road extraction based on cross detection in suburb | |
CN107169412B (zh) | 基于混合模型决策的遥感图像靠港船只检测方法 | |
CN114219903A (zh) | 一种基于视频图像的河道网拓扑结构生成方法及其装置 | |
CN111563457A (zh) | 一种无人驾驶汽车的道路场景分割方法 | |
Getahun et al. | A robust lane marking extraction algorithm for self-driving vehicles | |
Hernández et al. | Lane marking detection using image features and line fitting model | |
WO2017161544A1 (zh) | 一种基于单摄像头视频序列匹配的车辆测速方法及其系统 | |
CN113379738A (zh) | 一种基于图像的疫木检测与定位方法及系统 |
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 |