CN115358497A - 基于gis技术的智慧全景巡河方法及系统 - Google Patents

基于gis技术的智慧全景巡河方法及系统 Download PDF

Info

Publication number
CN115358497A
CN115358497A CN202211301868.6A CN202211301868A CN115358497A CN 115358497 A CN115358497 A CN 115358497A CN 202211301868 A CN202211301868 A CN 202211301868A CN 115358497 A CN115358497 A CN 115358497A
Authority
CN
China
Prior art keywords
river
target
cruise
aerial vehicle
unmanned aerial
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
CN202211301868.6A
Other languages
English (en)
Other versions
CN115358497B (zh
Inventor
王陈浩
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.)
Hunan Changli Shangyang Technology Co ltd
Original Assignee
Hunan Changli Shangyang 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 Hunan Changli Shangyang Technology Co ltd filed Critical Hunan Changli Shangyang Technology Co ltd
Priority to CN202211301868.6A priority Critical patent/CN115358497B/zh
Publication of CN115358497A publication Critical patent/CN115358497A/zh
Application granted granted Critical
Publication of CN115358497B publication Critical patent/CN115358497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T7/13—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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computational Mathematics (AREA)
  • Pathology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明涉及河流智能巡视的技术领域，揭露了一种基于GIS技术的智慧全景巡河方法及系统，方法包括：采集目标河流区域卫星图片，并对采集得到的目标河流区域卫星图片进行主题差异化预处理，并计算得到目标河流的关键点和距离信息；构建最优河流巡航目标函数，对构建的最优河流巡航目标函数进行优化求解得到巡航路径；实时对巡航过程中的无人机进行动态高度调整，控制无人机录制河流生态环境视频进行环境检验。本发明实现卫星图片中河流区域的提取，利用改进的启发式算法对最优河流巡航目标函数进行求解，快速得到能够涵盖目标河流全段的巡航路径，无人机可按照巡航路径进行巡航，在保证巡航全段目标河流的前提下，实现巡航路径最短。

Description

基于GIS技术的智慧全景巡河方法及系统
技术领域
本发明涉及河流智能巡视的技术领域，尤其涉及基于GIS技术的智慧全景巡河方法及系统。
背景技术
随着河流生态环境安全引起广泛关注，巡河任务作为保护河流生态环境的重要手段也越来越得到重视。现有的巡河手段主要为人工巡河，即工作人员乘坐船艇等载体进行河流生态巡视，该种手段不仅效率低下而且无法保证河流巡视的全面性，存在诸多缺陷。针对该问题，本发明提出一种基于GIS技术的智慧全景巡河方法及系统，实现无人全场景智能巡河。
发明内容
有鉴于此，本发明提供一种基于GIS技术的智慧全景巡河方法，目的在于1）对卫星图片进行主题差异化处理，其中主题差异化预处理包括河流前景分割处理、河流边缘增强处理以及河流路径提取处理，实现卫星图片中河流区域的提取；2）根据所提取的河流区域路径，构建最优河流巡航目标函数，利用改进的启发式算法对最优河流巡航目标函数进行求解，快速得到能够涵盖目标河流全段的巡航路径，无人机可按照巡航路径进行巡航，在保证巡航全段目标河流的前提下，实现巡航路径最短；3）使用基于量子比特的概率幅矩阵完成传统蚁群算法中信息素的更新，保证随着算法迭代次数的增加，算法求解结果能够逐渐接近最优解，并基于选择概率控制蚂蚁移动，有效的降低传统蚁群搜索的盲目性和从众性，这样既能够保证大多数蚂蚁根据信息素寻径，也能保证使少量蚂蚁选择其他路径，从而可以避免陷入局部最优，加快全局收敛速度，快速得到最优河流巡航路径。
实现上述目的，本发明提供的一种基于GIS技术的智慧全景巡河方法，包括以下步骤：
S1：采集目标河流区域卫星图片，并对采集得到的目标河流区域卫星图片进行主题差异化预处理，得到预处理后的目标河流区域图片；
S2：对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息，其中目标河流关键点包括河流分支点、折转点，距离信息为目标河流关键点之间的距离；
S3：根据得到的目标河流关键点和距离信息构建最优河流巡航目标函数，其中最优河流巡航目标函数的变量为不同关键点的访问先后次序，目标值为河流巡航距离；
S4：对构建的最优河流巡航目标函数进行优化求解，得到不同关键点的访问顺序，以关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航；
S5：实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器，后台工作人员对传输回来的视频进行人工核验，判断目标河流的生态环境安全状况。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集目标河流区域卫星图片，包括：
利用遥感平台承载的遥感器采集目标河流区域的卫星图片，其中遥感平台为人造卫星，遥感器为多光谱扫描仪，目标河流区域卫星图片的采集流程为：
分别选取红波段、蓝波段以及绿波段对应的滤波片进行投影合成，其中红波段的对应波长为0.67um，蓝波段的波长为0.46um，绿波段的波长为0.53um；
从目标河流区域发出的红外光辐射以及可见光辐射进入多光谱扫描仪，并透过投影合成后的滤波片得到目标河流区域卫星图片。
可选地，所述S1步骤中对采集得到的目标河流区域卫星图片进行主题差异化预处理，包括：
对采集得到的目标河流区域卫星图片进行主题差异化预处理，所述主题差异化预处理包括河流前景分割处理、河流边缘增强处理以及河流路径提取处理，所述主题差异化预处理流程为：
S11：对目标河流区域卫星图片进行灰度化处理，将灰度化处理后像素的灰度值作为对应像素的像素值，所述灰度化处理的公式为：
Figure 140837DEST_PATH_IMAGE001
其中：
Figure 215104DEST_PATH_IMAGE002
表示目标河流区域卫星图片中第i行第j列像素的像素值；
Figure 523463DEST_PATH_IMAGE003
分别表示目标河流区域卫星图片中第i行第j列像素在R、G、B颜色通道的颜色值；
S12：将灰度化处理后的目标河流区域卫星图片转换为像素矩阵M，像素的像素值即为对应元素的元素值，其中目标河流区域卫星图片的规格为N×N像素，像素矩阵为N行N列的矩阵，N表示目标河流区域卫星图片分别在水平方向以及竖直方向的像素数目；
S13：计算像素矩阵M的平均元素值
Figure 392193DEST_PATH_IMAGE004
：
Figure 195457DEST_PATH_IMAGE005
其中：
Figure 338994DEST_PATH_IMAGE006
表示元素值k在像素矩阵M中出现的次数；
以m为分割阈值，将像素矩阵M中小于阈值m的元素划分为背景元素，大于等于阈值m的元素划分为河流前景元素，则背景元素的平均元素值
Figure 970701DEST_PATH_IMAGE007
为：
Figure 931704DEST_PATH_IMAGE008
背景元素的比例
Figure 579854DEST_PATH_IMAGE009
为：
Figure 892194DEST_PATH_IMAGE010
河流前景元素的平均元素值
Figure 145452DEST_PATH_IMAGE011
为：
Figure 120099DEST_PATH_IMAGE012
河流前景元素的比例
Figure 458807DEST_PATH_IMAGE013
为：
Figure 711190DEST_PATH_IMAGE014
计算河流前景元素和背景元素的方差
Figure 740326DEST_PATH_IMAGE015
：
Figure 856181DEST_PATH_IMAGE016
对分割阈值m进行修改，使得河流前景元素和背景元素的方差
Figure 977459DEST_PATH_IMAGE015
达到最大，将修改得到的分割阈值作为最佳分割阈值m*，将像素矩阵M中小于阈值m*的元素划分为背景元素，大于等于阈值m*的元素划分为河流前景元素；
S14：对像素矩阵M进行形态学处理，得到形态学处理后的像素矩阵
Figure 407434DEST_PATH_IMAGE017
：
Figure 871170DEST_PATH_IMAGE018
Figure 485822DEST_PATH_IMAGE019
其中：
Figure 32079DEST_PATH_IMAGE020
表示膨胀处理，C1表示膨胀矩阵，在本发明实施例中，所述膨胀处理的流程为用膨胀矩阵的中心点依次扫描待膨胀矩阵的元素，待膨胀矩阵的被扫描元素的取值为膨胀矩阵所有效覆盖的待膨胀矩阵元素的最大值，其中膨胀矩阵中元素值为1的元素可以有效覆盖待膨胀矩阵元素；
Figure 780592DEST_PATH_IMAGE021
表示腐蚀处理，C2表示腐蚀矩阵，在本发明实施例中，所述腐蚀处理的流程为用腐蚀矩阵的中心点依次扫描待腐蚀矩阵的元素，待腐蚀矩阵的被扫描元素的取值为腐蚀矩阵所有效覆盖的待腐蚀矩阵元素的最小值，其中腐蚀矩阵中元素值为1的元素可以有效覆盖待腐蚀矩阵元素；
S15：构建梯度矩阵A1和A2：
Figure 128528DEST_PATH_IMAGE022
基于梯度矩阵计算像素矩阵
Figure 759754DEST_PATH_IMAGE017
中任意元素的梯度值：
Figure 294771DEST_PATH_IMAGE023
Figure 689718DEST_PATH_IMAGE024
Figure 626581DEST_PATH_IMAGE025
其中：
Figure 707670DEST_PATH_IMAGE026
表示像素矩阵
Figure 39905DEST_PATH_IMAGE017
中以任意第i行第j列元素为中心的邻域元素矩阵，所述邻域元素矩阵为3×3矩阵；
Figure 412112DEST_PATH_IMAGE027
表示像素矩阵M中任意第i行第j列元素的梯度值，
Figure 639699DEST_PATH_IMAGE028
表示水平方向梯度，
Figure 704738DEST_PATH_IMAGE029
表示竖直方向梯度；
Figure 512551DEST_PATH_IMAGE030
表示卷积操作；
将像素矩阵
Figure 875399DEST_PATH_IMAGE017
中梯度值大于等于阈值
Figure 521275DEST_PATH_IMAGE031
且元素值大于等于m*的元素标记为河流边缘元素，并将河流边缘元素的元素值设置为255，河流前景元素的元素值设置为160，非河流边缘元素的元素值设置为0，得到标记河流边缘后的像素矩阵
Figure 52488DEST_PATH_IMAGE032
；
S16：若像素矩阵
Figure 987078DEST_PATH_IMAGE032
中相邻河流边缘元素的欧式距离小于等于
Figure 999289DEST_PATH_IMAGE033
，则连接相邻河流边缘元素，重复该步骤，得到目标河流在像素矩阵中的边缘线；
S17：将像素矩阵
Figure 765251DEST_PATH_IMAGE032
转换为图片，并将所转换图片为预处理后的目标河流区域图片，预处理后目标河流区域图片中的边缘线即为目标河流路径的边缘，所述预处理后的目标河流区域图片中黑色区域即为背景，白色部分即为目标河流的边缘，相邻两条边缘线之间的蓝色区域即为目标河流。
可选地，所述S2步骤中对预处理后的目标河流区域图片进行形态识别与数据标定，包括：
对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息，其中目标河流关键点包括河流分支点、折转点，距离信息为目标河流关键点之间的距离，所述形态识别与数据标定的流程为：
S21：将相邻两条边缘线中间蓝色区域的中心作为目标河流的中心点，依次连接目标河流的相邻中心点，得到目标河流的中心线；
S22：计算中心线中相邻两段直线的夹角，若夹角小于160度，则表示两端直线的连接点为目标河流关键点，重复该步骤，得到目标河流关键点集合；
S23：计算任意两个目标河流关键点的距离，所述任意两个目标河流关键点的距离为任意两个目标河流关键点在中心线上的等比例扩大后的实际地理距离。
可选地，所述S3步骤中构建最优河流巡航目标函数，包括：
按照河流巡航路径对目标河流的关键点进行编号，得到目标河流的关键点集合key：
Figure 93464DEST_PATH_IMAGE034
其中：
Figure 872939DEST_PATH_IMAGE035
表示对目标河流进行巡航的第q个关键点位置，Q表示目标河流中关键点的总数，令
Figure 328322DEST_PATH_IMAGE036
表示无人机基地位置，所述无人机基地在目标河流的中心关键点位置；
构建基于目标河流关键点的距离矩阵
Figure 450256DEST_PATH_IMAGE037
，
Figure 90315DEST_PATH_IMAGE038
表示关键点
Figure 294770DEST_PATH_IMAGE039
和关键点
Figure 537532DEST_PATH_IMAGE040
之间的距离；
构建最优河流巡航目标函数：
Figure 74824DEST_PATH_IMAGE041
Figure 578793DEST_PATH_IMAGE042
其中：
L表示无人机对目标河流进行巡航的巡航路径节点序列，无人机从基地出发，沿着目标河流中心线进行巡航，依次经过巡航路径节点，直到返回初始河流巡航位置，f(L)表示巡航路径L的总距离。在本发明实施例中，通过对最优河流巡航目标函数进行求解，得到能够涵盖目标河流全段的巡航路径，无人机可按照巡航路径进行巡航，在保证巡航全段目标河流的前提下，实现巡航路径最短。
可选地，所述S4步骤中对构建的最优河流巡航目标函数进行优化求解，得到不同关键点的访问顺序，包括：
对所构建的最优河流巡航目标函数进行优化求解，得到目标河流中不同关键点的访问顺序，即无人机对目标河流进行巡航的巡航路径，所述最优河流巡航目标函数的优化求解流程为：
S41：初始化最优河流巡航目标函数的最大迭代次数为Max，蚂蚁数量为U，当前迭代次数为t，t的初始值为0；
初始化Q个目标河流关键点以及无人机基地位置的概率幅矩阵
Figure 83593DEST_PATH_IMAGE043
，
Figure 208675DEST_PATH_IMAGE044
表示在第t次迭代时蚂蚁从第x个点到第y个点的概率幅，其中第0个点表示无人机基地位置，其余点则表示目标河流关键点；当x=y，
Figure 725107DEST_PATH_IMAGE045
，当t=0且
Figure 942855DEST_PATH_IMAGE046
，初始化
Figure 888945DEST_PATH_IMAGE047
；
初始化第t次迭代时第x个点到第y个点的信息素浓度为
Figure 722778DEST_PATH_IMAGE048
，当t等于0时，
Figure 969083DEST_PATH_IMAGE049
；
S42：将所初始化生成的U只蚂蚁放置在无人机基地位置，令每只蚂蚁遍历不同的节点进行下一巡航路径节点的选取，其中任意第u只蚂蚁从第x个点到第y个点的概率
Figure 980901DEST_PATH_IMAGE050
为：
Figure 446911DEST_PATH_IMAGE051
其中：
Figure 585899DEST_PATH_IMAGE052
表示第x个点到第y个点沿目标河流中心线巡航的距离；
重复该步骤，直到所有蚂蚁遍历完成Q个目标河流关键点并返回无人机基地，得到第t次迭代的P组巡航路径节点序列，并将P组巡航路径节点序列代入到最优河流巡航目标函数中，将总距离最小的巡航路径节点序列作为第t次迭代的最优巡航路径节点序列
Figure 388508DEST_PATH_IMAGE053
；
S43：更新两个点之间的信息素浓度：
Figure 712173DEST_PATH_IMAGE054
Figure 288648DEST_PATH_IMAGE055
其中：
Figure 591847DEST_PATH_IMAGE056
第t+1次迭代时第x个点到第y个点的信息素浓度；
S44：更新概率幅矩阵：
Figure 422531DEST_PATH_IMAGE057
其中：
Figure 618894DEST_PATH_IMAGE058
表示第t次迭代的最优巡航路径节点序列
Figure 292452DEST_PATH_IMAGE053
的巡航路径总距离；
S45：若t=Max，则输出第t次迭代的最优巡航路径节点序列作为求解结果，否则令t=t+1，返回步骤S42。
可选地，所述S4步骤中以关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航，包括：
根据求解得到的目标河流关键点访问顺序，确定无人机的目标河流巡航路径节点序列，控制无人机从基地出发，沿着目标河流中心线进行巡航，依次经过求解得到的目标河流巡航路径节点，直到返回无人机基地。
可选地，所述S5步骤中实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器，包括：
控制处于巡航过程中的无人机实时录制河流生态环境视频，并基于所录制的河流生态环境视频的分辨率实时确定无人机高度，并对无人机高度进行动态调整，保证无人机以恒定的初始巡航高度进行巡航，其中无人机高度W的计算公式为：
Figure 22511DEST_PATH_IMAGE059
其中：
Figure 423598DEST_PATH_IMAGE060
表示所录制每帧河流生态环境视频在水平方向的像素数；
Figure 964432DEST_PATH_IMAGE061
表示河流采样间隔，即每帧河流生态环境视频中一个像素表示的河流区域大小；
Figure 561504DEST_PATH_IMAGE062
表示无人机相机的焦距；
Figure 970620DEST_PATH_IMAGE063
表示无人机相机的传感器宽度；
无人机将所录制视频传输至后台服务器，后台工作人员对传输回来的视频进行人工核验，判断目标河流的生态环境安全状况，若存在生态环境污染问题则进行告警。
为了解决上述问题，本发明提供一种基于GIS技术的智慧全景巡河系统，所述系统包括：
目标河流识别装置，用于采集目标河流区域卫星图片，并对采集得到的目标河流区域卫星图片进行主题差异化预处理，对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息；
河流巡航路径求解模块，用于根据得到的目标河流关键点和距离信息构建最优河流巡航目标函数，对构建的最优河流巡航目标函数进行优化求解，得到不同关键点的访问顺序；
巡航控制装置，用于以关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航，实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于GIS技术的智慧全景巡河方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于GIS技术的智慧全景巡河方法。
相对于现有技术，本发明提出一种基于GIS技术的智慧全景巡河方法，该技术具有以下优势：
首先，本方案提出一种基于主题差异化处理的河流区域路径识别方法，通过对目标河流区域卫星图片进行灰度化处理，将灰度化处理后像素的灰度值作为对应像素的像素值，所述灰度化处理的公式为：
Figure 290743DEST_PATH_IMAGE001
其中：
Figure 362997DEST_PATH_IMAGE064
表示目标河流区域卫星图片中第i行第j列像素的像素值；
Figure 214410DEST_PATH_IMAGE065
分别表示目标河流区域卫星图片中第i行第j列像素在R、G、B颜色通道的颜色值；将灰度化处理后的目标河流区域卫星图片转换为像素矩阵M，像素的像素值即为对应元素的元素值，其中目标河流区域卫星图片的规格为
Figure 535539DEST_PATH_IMAGE066
像素，像素矩阵为N行N列的矩阵，N表示目标河流区域卫星图片分别在水平方向以及竖直方向的像素数目；以m为分割阈值，将像素矩阵M中小于阈值m的元素划分为背景元素，大于等于阈值m的元素划分为河流前景元素，对分割阈值m进行修改，使得河流前景元素和背景元素的方差
Figure 585534DEST_PATH_IMAGE067
达到最大，将修改得到的分割阈值作为最佳分割阈值
Figure 717438DEST_PATH_IMAGE068
，将像素矩阵M中小于阈值
Figure 292033DEST_PATH_IMAGE068
的元素划分为背景元素，大于等于阈值
Figure 42951DEST_PATH_IMAGE068
的元素划分为河流前景元素；对像素矩阵M进行形态学处理，得到形态学处理后的像素矩阵
Figure 321354DEST_PATH_IMAGE069
；构建梯度矩阵
Figure 233947DEST_PATH_IMAGE070
和
Figure 246902DEST_PATH_IMAGE071
：
Figure 240659DEST_PATH_IMAGE022
基于梯度矩阵计算像素矩阵
Figure 999668DEST_PATH_IMAGE069
中任意元素的梯度值：
Figure 722642DEST_PATH_IMAGE023
Figure 770364DEST_PATH_IMAGE024
Figure 352831DEST_PATH_IMAGE025
其中：
Figure 90980DEST_PATH_IMAGE072
表示像素矩阵
Figure 876533DEST_PATH_IMAGE069
中以任意第i行第j列元素为中心的邻域元素矩阵，所述邻域元素矩阵为
Figure 582190DEST_PATH_IMAGE073
矩阵；
Figure 416285DEST_PATH_IMAGE074
表示像素矩阵M中任意第i行第j列元素的梯度值，
Figure 651350DEST_PATH_IMAGE075
表示水平方向梯度，
Figure 466859DEST_PATH_IMAGE076
表示竖直方向梯度；
Figure 20332DEST_PATH_IMAGE077
表示卷积操作；将像素矩阵
Figure 422232DEST_PATH_IMAGE069
中梯度值大于等于阈值
Figure 151285DEST_PATH_IMAGE078
且元素值大于等于
Figure 514526DEST_PATH_IMAGE068
的元素标记为河流边缘元素，并将河流边缘元素的元素值设置为255，河流前景元素的元素值设置为160，非河流边缘元素的元素值设置为0，得到标记河流边缘后的像素矩阵
Figure 24136DEST_PATH_IMAGE079
；若像素矩阵
Figure 121405DEST_PATH_IMAGE079
中相邻河流边缘元素的欧式距离小于等于
Figure 62554DEST_PATH_IMAGE080
，则连接相邻河流边缘元素，重复该步骤，得到目标河流在像素矩阵中的边缘线；将像素矩阵
Figure 970598DEST_PATH_IMAGE079
转换为图片，并将所转换图片为预处理后的目标河流区域图片，预处理后目标河流区域图片中的边缘线即为目标河流的边缘，所述预处理后的目标河流区域图片中黑色区域即为背景，白色部分即为目标河流的边缘，相邻两条边缘线之间的蓝色区域即为目标河流。本方案采用主要基于蓝色通道的灰度处理方法将卫星图片转换为灰度矩阵，从而对卫星图片进行有效的主题差异化处理，提取得到更为准确的河流区域路径，其中主题差异化预处理包括河流前景分割处理、河流边缘增强处理以及河流路径提取处理。
同时，本方案提出一种巡航路径确定方法，按照河流巡航路径对目标河流的关键点进行编号，得到目标河流的关键点集合key：
Figure 468969DEST_PATH_IMAGE034
其中：
Figure 245295DEST_PATH_IMAGE081
表示对目标河流进行巡航的第q个关键点位置，Q表示目标河流中关键点的总数，令
Figure 932629DEST_PATH_IMAGE082
表示无人机基地位置，所述无人机基地在目标河流的中心关键点位置；构建基于目标河流关键点的距离矩阵
Figure 634743DEST_PATH_IMAGE083
，
Figure 384524DEST_PATH_IMAGE084
，
Figure 415408DEST_PATH_IMAGE085
表示关键点
Figure 707980DEST_PATH_IMAGE086
和关键点
Figure 49838DEST_PATH_IMAGE087
之间的距离；构建最优河流巡航目标函数：
Figure 552494DEST_PATH_IMAGE041
Figure 60836DEST_PATH_IMAGE042
其中：L表示无人机对目标河流进行巡航的巡航路径节点序列，
Figure 99593DEST_PATH_IMAGE088
表示巡航路径L的总距离。本方案通过根据所提取的河流区域路径，构建最优河流巡航目标函数，利用改进的启发式算法对最优河流巡航目标函数进行求解，快速得到能够涵盖目标河流全段的巡航路径，无人机可按照巡航路径进行巡航，在保证巡航全段目标河流的前提下，实现巡航路径最短；同时在目标函数求解过程中，使用基于量子比特的概率幅矩阵完成传统蚁群算法中信息素的更新，保证随着算法迭代次数的增加，算法求解结果能够逐渐接近最优解，并基于选择概率控制蚂蚁移动，有效的降低传统蚁群搜索的盲目性和从众性，这样既能够保证大多数蚂蚁根据信息素寻径，也能保证使少量蚂蚁选择其他路径，从而可以避免陷入局部最优，加快全局收敛速度，快速得到最优河流巡航路径。
附图说明
图1为本发明一实施例提供的一种基于GIS技术的智慧全景巡河方法的流程示意图；
图2为本发明一实施例提供的基于GIS技术的智慧全景巡河系统的功能模块图；
图3为本发明一实施例提供的实现基于GIS技术的智慧全景巡河方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于GIS技术的智慧全景巡河方法。所述基于GIS技术的智慧全景巡河方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于GIS技术的智慧全景巡河方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集目标河流区域卫星图片，并对采集得到的目标河流区域卫星图片进行主题差异化预处理，得到预处理后的目标河流区域图片。
所述S1步骤中采集目标河流区域卫星图片，包括：
利用遥感平台承载的遥感器采集目标河流区域的卫星图片，其中遥感平台为人造卫星，遥感器为多光谱扫描仪，目标河流区域卫星图片的采集流程为：
分别选取红波段、蓝波段以及绿波段对应的滤波片进行投影合成，其中红波段的对应波长为0.67um，蓝波段的波长为0.46um，绿波段的波长为0.53um；
从目标河流区域发出的红外光辐射以及可见光辐射进入多光谱扫描仪，并透过投影合成后的滤波片得到目标河流区域卫星图片。
可选地，所述S1步骤中对采集得到的目标河流区域卫星图片进行主题差异化预处理，包括：
对采集得到的目标河流区域卫星图片进行主题差异化预处理，所述主题差异化预处理包括河流前景分割处理、河流边缘增强处理以及河流路径提取处理，所述主题差异化预处理流程为：
S11：对目标河流区域卫星图片进行灰度化处理，将灰度化处理后像素的灰度值作为对应像素的像素值，所述灰度化处理的公式为：
Figure 848237DEST_PATH_IMAGE001
其中：
Figure 946512DEST_PATH_IMAGE002
表示目标河流区域卫星图片中第i行第j列像素的像素值；
Figure 868331DEST_PATH_IMAGE003
分别表示目标河流区域卫星图片中第i行第j列像素在R、G、B颜色通道的颜色值；
S12：将灰度化处理后的目标河流区域卫星图片转换为像素矩阵M，目标河流区域卫星图片中第i行第j列像素即为像素矩阵M中第i行第j列元素，像素的像素值即为对应元素的元素值，其中目标河流区域卫星图片的规格为N×N像素，像素矩阵为N行N列的矩阵，N表示目标河流区域卫星图片分别在水平方向以及竖直方向的像素数目；
S13：计算像素矩阵M的平均元素值
Figure 650343DEST_PATH_IMAGE004
：
Figure 868091DEST_PATH_IMAGE005
其中：
Figure 955127DEST_PATH_IMAGE006
表示元素值k在像素矩阵M中出现的次数；
以m为分割阈值，将像素矩阵M中小于阈值m的元素划分为背景元素，大于等于阈值m的元素划分为河流前景元素，则背景元素的平均元素值
Figure 116855DEST_PATH_IMAGE007
为：
Figure 628739DEST_PATH_IMAGE008
背景元素的比例
Figure 220651DEST_PATH_IMAGE009
为：
Figure 575409DEST_PATH_IMAGE010
河流前景元素的平均元素值
Figure 776714DEST_PATH_IMAGE011
为：
Figure 313744DEST_PATH_IMAGE012
河流前景元素的比例
Figure 840671DEST_PATH_IMAGE013
为：
Figure 516679DEST_PATH_IMAGE014
计算河流前景元素和背景元素的方差
Figure 521675DEST_PATH_IMAGE015
：
Figure 867206DEST_PATH_IMAGE016
对分割阈值m进行修改，使得河流前景元素和背景元素的方差
Figure 63570DEST_PATH_IMAGE015
达到最大，将修改得到的分割阈值作为最佳分割阈值m*，将像素矩阵M中小于阈值m*的元素划分为背景元素，大于等于阈值m*的元素划分为河流前景元素；
S14：对像素矩阵M进行形态学处理，得到形态学处理后的像素矩阵
Figure 409232DEST_PATH_IMAGE017
：
Figure 984963DEST_PATH_IMAGE018
Figure 794787DEST_PATH_IMAGE019
其中：
Figure 162052DEST_PATH_IMAGE020
表示膨胀处理，C1表示膨胀矩阵，在本发明实施例中，所述膨胀处理的流程为用膨胀矩阵的中心点依次扫描待膨胀矩阵的元素，待膨胀矩阵的被扫描元素的取值为膨胀矩阵所有效覆盖的待膨胀矩阵元素的最大值，其中膨胀矩阵中元素值为1的元素可以有效覆盖待膨胀矩阵元素；
Figure 447540DEST_PATH_IMAGE021
表示腐蚀处理，C2表示腐蚀矩阵，在本发明实施例中，所述腐蚀处理的流程为用腐蚀矩阵的中心点依次扫描待腐蚀矩阵的元素，待腐蚀矩阵的被扫描元素的取值为腐蚀矩阵所有效覆盖的待腐蚀矩阵元素的最小值，其中腐蚀矩阵中元素值为1的元素可以有效覆盖待腐蚀矩阵元素；
S15：构建梯度矩阵A1和A2：
Figure 856656DEST_PATH_IMAGE022
基于梯度矩阵计算像素矩阵
Figure 756872DEST_PATH_IMAGE017
中任意元素的梯度值：
Figure 203028DEST_PATH_IMAGE023
Figure 349713DEST_PATH_IMAGE024
Figure 421575DEST_PATH_IMAGE025
其中：
Figure 471570DEST_PATH_IMAGE026
表示像素矩阵
Figure 855672DEST_PATH_IMAGE017
中以任意第i行第j列元素为中心的邻域元素矩阵，所述邻域元素矩阵为3×3矩阵；
Figure 928801DEST_PATH_IMAGE027
表示像素矩阵M中任意第i行第j列元素的梯度值，
Figure 178254DEST_PATH_IMAGE028
表示水平方向梯度，
Figure 207390DEST_PATH_IMAGE029
表示竖直方向梯度；
Figure 588824DEST_PATH_IMAGE030
表示卷积操作；
将像素矩阵
Figure 459171DEST_PATH_IMAGE017
中梯度值大于等于阈值
Figure 623567DEST_PATH_IMAGE031
且元素值大于等于m*的元素标记为河流边缘元素，并将河流边缘元素的元素值设置为255，河流前景元素的元素值设置为160，非河流边缘元素的元素值设置为0，得到标记河流边缘后的像素矩阵
Figure 146690DEST_PATH_IMAGE032
；
S16：若像素矩阵
Figure 620397DEST_PATH_IMAGE032
中相邻河流边缘元素的欧式距离小于等于
Figure 464856DEST_PATH_IMAGE033
，则连接相邻河流边缘元素，重复该步骤，得到目标河流在像素矩阵中的边缘线；
S17：将像素矩阵
Figure 527883DEST_PATH_IMAGE032
转换为图片，并将所转换图片为预处理后的目标河流区域图片，预处理后目标河流区域图片中的边缘线即为目标河流路径的边缘，所述预处理后的目标河流区域图片中黑色区域即为背景，白色部分即为目标河流的边缘，相邻两条边缘线之间的蓝色区域即为目标河流。
S2：对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息，其中目标河流关键点包括河流分支点、折转点，距离信息为目标河流关键点之间的距离。
所述S2步骤中对预处理后的目标河流区域图片进行形态识别与数据标定，包括：
对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息，其中目标河流关键点包括河流分支点、折转点，距离信息为目标河流关键点之间的距离，所述形态识别与数据标定的流程为：
S21：将相邻两条边缘线中间蓝色区域的中心作为目标河流的中心点，依次连接目标河流的相邻中心点，得到目标河流的中心线；
S22：计算中心线中相邻两段直线的夹角，若夹角小于160度，则表示两端直线的连接点为目标河流关键点，重复该步骤，得到目标河流关键点集合；
S23：计算任意两个目标河流关键点的距离，所述任意两个目标河流关键点的距离为任意两个目标河流关键点在中心线上的等比例扩大后的实际地理距离。
S3：根据得到的目标河流关键点和距离信息构建最优河流巡航目标函数，其中最优河流巡航目标函数的变量为不同关键点的访问先后次序，目标值为河流巡航距离。
所述S3步骤中构建最优河流巡航目标函数，包括：
按照河流巡航路径对目标河流的关键点进行编号，得到目标河流的关键点集合key：
Figure 16765DEST_PATH_IMAGE034
其中：
Figure 238536DEST_PATH_IMAGE035
表示对目标河流进行巡航的第q个关键点位置，Q表示目标河流中关键点的总数，令
Figure 570292DEST_PATH_IMAGE036
表示无人机基地位置，所述无人机基地在目标河流的中心关键点位置；
构建基于目标河流关键点的距离矩阵
Figure 591337DEST_PATH_IMAGE037
，
Figure 826403DEST_PATH_IMAGE038
表示关键点
Figure 127065DEST_PATH_IMAGE039
和关键点
Figure 647914DEST_PATH_IMAGE040
之间的距离；
构建最优河流巡航目标函数：
Figure 348017DEST_PATH_IMAGE041
Figure 640851DEST_PATH_IMAGE042
其中：
L表示无人机对目标河流进行巡航的巡航路径节点序列，无人机从基地出发，沿着目标河流中心线进行巡航，依次经过巡航路径节点，直到返回初始河流巡航位置，f(L)表示巡航路径L的总距离。在本发明实施例中，通过对最优河流巡航目标函数进行求解，得到能够涵盖目标河流全段的巡航路径，无人机可按照巡航路径进行巡航，在保证巡航全段目标河流的前提下，实现巡航路径最短。
S4：对构建的最优河流巡航目标函数进行优化求解，得到不同关键点的访问顺序，以关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航。
所述S4步骤中对构建的最优河流巡航目标函数进行优化求解，得到不同关键点的访问顺序，包括：
对所构建的最优河流巡航目标函数进行优化求解，得到目标河流中不同关键点的访问顺序，即无人机对目标河流进行巡航的巡航路径，所述最优河流巡航目标函数的优化求解流程为：
S41：初始化最优河流巡航目标函数的最大迭代次数为Max，蚂蚁数量为U，当前迭代次数为t，t的初始值为0；
初始化Q个目标河流关键点以及无人机基地位置的概率幅矩阵
Figure 627262DEST_PATH_IMAGE043
，
Figure 933610DEST_PATH_IMAGE044
表示在第t次迭代时蚂蚁从第x个点到第y个点的概率幅，其中第0个点表示无人机基地位置，其余点则表示目标河流关键点；当x=y，
Figure 280146DEST_PATH_IMAGE045
，当t=0且
Figure 457181DEST_PATH_IMAGE046
，初始化
Figure 714026DEST_PATH_IMAGE047
；
初始化第t次迭代时第x个点到第y个点的信息素浓度为
Figure 710932DEST_PATH_IMAGE048
，当t等于0时，
Figure 454634DEST_PATH_IMAGE049
；
S42：将所初始化生成的U只蚂蚁放置在无人机基地位置，令每只蚂蚁遍历不同的节点进行下一巡航路径节点的选取，其中任意第u只蚂蚁从第x个点到第y个点的概率
Figure 141968DEST_PATH_IMAGE050
为：
Figure 814389DEST_PATH_IMAGE051
其中：
Figure 331214DEST_PATH_IMAGE052
表示第x个点到第y个点沿目标河流中心线巡航的距离；
重复该步骤，直到所有蚂蚁遍历完成Q个目标河流关键点并返回无人机基地，得到第t次迭代的P组巡航路径节点序列，并将P组巡航路径节点序列代入到最优河流巡航目标函数中，将总距离最小的巡航路径节点序列作为第t次迭代的最优巡航路径节点序列
Figure 521018DEST_PATH_IMAGE053
；
S43：更新两个点之间的信息素浓度：
Figure 702338DEST_PATH_IMAGE054
Figure 280081DEST_PATH_IMAGE055
其中：
Figure 753044DEST_PATH_IMAGE056
第t+1次迭代时第x个点到第y个点的信息素浓度；
S44：更新概率幅矩阵：
Figure 261386DEST_PATH_IMAGE057
其中：
Figure 1940DEST_PATH_IMAGE058
表示第t次迭代的最优巡航路径节点序列
Figure 249120DEST_PATH_IMAGE053
的巡航路径总距离；
S45：若t=Max，则输出第t次迭代的最优巡航路径节点序列作为求解结果，否则令t=t+1，返回步骤S42。
所述S4步骤中以关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航，包括：
根据求解得到的目标河流关键点访问顺序，确定无人机的目标河流巡航路径节点序列，控制无人机从基地出发，沿着目标河流中心线进行巡航，依次经过求解得到的目标河流巡航路径节点，直到返回无人机基地。
S5：实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器，后台工作人员对传输回来的视频进行人工核验，判断目标河流的生态环境安全状况。
所述S5步骤中实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器，包括：
控制处于巡航过程中的无人机实时录制河流生态环境视频，并基于所录制的河流生态环境视频的分辨率实时确定无人机高度，并对无人机高度进行动态调整，保证无人机以恒定的初始巡航高度进行巡航，其中无人机高度W的计算公式为：
Figure 239072DEST_PATH_IMAGE059
其中：
Figure 803302DEST_PATH_IMAGE060
表示所录制每帧河流生态环境视频在水平方向的像素数；
Figure 929521DEST_PATH_IMAGE061
表示河流采样间隔，即每帧河流生态环境视频中一个像素表示的河流区域大小；
Figure 347602DEST_PATH_IMAGE062
表示无人机相机的焦距；
Figure 949485DEST_PATH_IMAGE063
表示无人机相机的传感器宽度；
无人机将所录制视频传输至后台服务器，后台工作人员对传输回来的视频进行人工核验，判断目标河流的生态环境安全状况，若存在生态环境污染问题则进行告警。
实施例2：
如图2所示，是本发明一实施例提供的基于GIS技术的智慧全景巡河系统的功能模块图，其可以实现实施例1中的基于GIS技术的智慧全景巡河方法。
本发明所述基于GIS技术的智慧全景巡河系统100可以安装于电子设备中。根据实现的功能，所述基于GIS技术的智慧全景巡河系统可以包括目标河流识别装置101、河流巡航路径求解模块102及巡航控制装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
目标河流识别装置101，用于采集目标河流区域卫星图片，并对采集得到的目标河流区域卫星图片进行主题差异化预处理，对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息；
河流巡航路径求解模块102，用于根据得到的目标河流关键点和距离信息构建最优河流巡航目标函数，对构建的最优河流巡航目标函数进行优化求解，得到不同关键点的访问顺序；
巡航控制装置103，用于以关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航，实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器。
详细地，本发明实施例中所述基于GIS技术的智慧全景巡河系统100中的所述各模块在使用时采用与上述的图1中所述的基于GIS技术的智慧全景巡河方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现基于GIS技术的智慧全景巡河方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现智慧全景巡河的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集目标河流区域卫星图片，并对采集得到的目标河流区域卫星图片进行主题差异化预处理；
对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息；
根据得到的目标河流关键点和距离信息构建最优河流巡航目标函数；
对构建的最优河流巡航目标函数进行优化求解，得到不同关键点的访问顺序，以关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航；
实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于GIS技术的智慧全景巡河方法，其特征在于，所述方法包括：
S1：采集目标河流区域卫星图片，并对采集得到的目标河流区域卫星图片进行主题差异化预处理，得到预处理后的目标河流区域图片；
S2：对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息；
S3：根据得到的目标河流关键点和距离信息构建最优河流巡航目标函数；
S4：对构建的最优河流巡航目标函数进行优化求解，得到不同关键点的访问顺序，以关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航；
S5：实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器，后台工作人员对传输回来的视频进行人工核验，判断目标河流的生态环境安全状况。
2.如权利要求1所述的一种基于GIS技术的智慧全景巡河方法，其特征在于，所述S1步骤中采集目标河流区域卫星图片，包括：
利用遥感平台承载的遥感器采集目标河流区域的卫星图片，其中遥感平台为人造卫星，遥感器为多光谱扫描仪，目标河流区域卫星图片的采集流程为：
分别选取红波段、蓝波段以及绿波段对应的滤波片进行投影合成，其中红波段的波长为0.67um，蓝波段的波长为0.46um，绿波段的波长为0.53um；
从目标河流区域发出的红外光辐射以及可见光辐射进入多光谱扫描仪，并透过投影合成后的滤波片得到目标河流区域卫星图片。
3.如权利要求2所述的一种基于GIS技术的智慧全景巡河方法，其特征在于，所述S1步骤中对采集得到的目标河流区域卫星图片进行主题差异化预处理，包括：
对采集得到的目标河流区域卫星图片进行主题差异化预处理，所述主题差异化预处理包括河流前景分割处理、河流边缘增强处理以及河流路径提取处理，所述主题差异化预处理流程为：
S11：对目标河流区域卫星图片进行灰度化处理，将灰度化处理后像素的灰度值作为对应像素的像素值，所述灰度化处理的公式为：
Figure 363583DEST_PATH_IMAGE001
其中：
Figure 890510DEST_PATH_IMAGE002
表示目标河流区域卫星图片中第i行第j列像素的像素值；
Figure 578237DEST_PATH_IMAGE003
分别表示目标河流区域卫星图片中第i行第j列像素在R、G、B颜色通道的颜色值；
S12：将灰度化处理后的目标河流区域卫星图片转换为像素矩阵M，像素的像素值即为对应元素的元素值，其中目标河流区域卫星图片的规格为N×N像素，像素矩阵为N行N列的矩阵，N表示目标河流区域卫星图片分别在水平方向以及竖直方向的像素数目；
S13：计算像素矩阵M的平均元素值
Figure 770184DEST_PATH_IMAGE004
：
Figure 194343DEST_PATH_IMAGE005
其中：
Figure 921865DEST_PATH_IMAGE006
表示元素值k在像素矩阵M中出现的次数；
以m为分割阈值，将像素矩阵M中小于阈值m的元素划分为背景元素，大于等于阈值m的元素划分为河流前景元素，则背景元素的平均元素值
Figure 470789DEST_PATH_IMAGE007
为：
Figure 843258DEST_PATH_IMAGE008
背景元素的比例
Figure 43296DEST_PATH_IMAGE009
为：
Figure 443184DEST_PATH_IMAGE010
河流前景元素的平均元素值
Figure 305836DEST_PATH_IMAGE011
为：
Figure 324738DEST_PATH_IMAGE012
河流前景元素的比例
Figure 845911DEST_PATH_IMAGE013
为：
Figure 885542DEST_PATH_IMAGE014
计算河流前景元素和背景元素的方差
Figure 923905DEST_PATH_IMAGE015
：
Figure 104089DEST_PATH_IMAGE016
对分割阈值m进行修改，使得河流前景元素和背景元素的方差
Figure 29451DEST_PATH_IMAGE015
达到最大，将修改得到的分割阈值作为最佳分割阈值m*，将像素矩阵M中小于阈值m*的元素划分为背景元素，大于等于阈值m*的元素划分为河流前景元素；
S14：对像素矩阵M进行形态学处理，得到形态学处理后的像素矩阵
Figure 272606DEST_PATH_IMAGE017
：
Figure 532687DEST_PATH_IMAGE018
Figure 221288DEST_PATH_IMAGE019
其中：
Figure 624325DEST_PATH_IMAGE020
表示膨胀处理，C1表示膨胀矩阵；
Figure 943442DEST_PATH_IMAGE021
表示腐蚀处理，C2表示腐蚀矩阵；
S15：构建梯度矩阵A1和A2：
Figure 802070DEST_PATH_IMAGE022
基于梯度矩阵计算像素矩阵
Figure 294363DEST_PATH_IMAGE017
中任意元素的梯度值：
Figure 443584DEST_PATH_IMAGE023
Figure 494455DEST_PATH_IMAGE024
Figure 604493DEST_PATH_IMAGE025
其中：
Figure 808466DEST_PATH_IMAGE026
表示像素矩阵
Figure 890822DEST_PATH_IMAGE017
中以任意第i行第j列元素为中心的邻域元素矩阵，所述邻域元素矩阵为3×3矩阵；
Figure 909332DEST_PATH_IMAGE027
表示像素矩阵M中任意第i行第j列元素的梯度值，
Figure 631300DEST_PATH_IMAGE028
表示水平方向梯度，
Figure 262133DEST_PATH_IMAGE029
表示竖直方向梯度；
Figure 423163DEST_PATH_IMAGE030
表示卷积操作；
将像素矩阵
Figure 582880DEST_PATH_IMAGE017
中梯度值大于等于阈值
Figure 103729DEST_PATH_IMAGE031
且元素值大于等于m*的元素标记为河流边缘元素，并将河流边缘元素的元素值设置为255，河流前景元素的元素值设置为160，非河流边缘元素的元素值设置为0，得到标记河流边缘后的像素矩阵
Figure 741514DEST_PATH_IMAGE032
；
S16：若像素矩阵
Figure 565507DEST_PATH_IMAGE032
中相邻河流边缘元素的欧式距离小于等于
Figure 161705DEST_PATH_IMAGE033
，则连接相邻河流边缘元素，重复该步骤，得到目标河流在像素矩阵中的边缘线；
S17：将像素矩阵
Figure 169850DEST_PATH_IMAGE032
转换为图片，并将所转换图片为预处理后的目标河流区域图片，预处理后目标河流区域图片中的边缘线即为目标河流路径的边缘。
4.如权利要求3所述的一种基于GIS技术的智慧全景巡河方法，其特征在于，所述S2步骤中对预处理后的目标河流区域图片进行形态识别与数据标定，包括：
对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息，其中目标河流关键点包括河流分支点、折转点，距离信息为目标河流关键点之间的距离，所述形态识别与数据标定的流程为：
S21：将相邻两条边缘线中间河流区域的中心作为目标河流的中心点，依次连接目标河流的相邻中心点，得到目标河流的中心线；
S22：计算中心线中相邻两段直线的夹角，若夹角小于160度，则表示两端直线的连接点为目标河流关键点，重复该步骤，得到目标河流关键点集合；
S23：计算任意两个目标河流关键点的距离，所述任意两个目标河流关键点的距离为任意两个目标河流关键点在中心线上的等比例扩大后的实际地理距离。
5.如权利要求1所述的一种基于GIS技术的智慧全景巡河方法，其特征在于，所述S3步骤中构建最优河流巡航目标函数，包括：
按照河流巡航路径对目标河流的关键点进行编号，得到目标河流的关键点集合key：
Figure 17851DEST_PATH_IMAGE034
其中：
Figure 493088DEST_PATH_IMAGE035
表示对目标河流进行巡航的第q个关键点位置，Q表示目标河流中关键点的总数，令
Figure 384821DEST_PATH_IMAGE036
表示无人机基地位置，所述无人机基地在目标河流的中心关键点位置；
构建基于目标河流关键点的距离矩阵
Figure 381727DEST_PATH_IMAGE037
，
Figure 656588DEST_PATH_IMAGE038
表示关键点
Figure 829075DEST_PATH_IMAGE039
和关键点
Figure 799698DEST_PATH_IMAGE040
之间的距离；
构建最优河流巡航目标函数：
Figure 18321DEST_PATH_IMAGE041
Figure 565715DEST_PATH_IMAGE042
其中：
L表示无人机对目标河流进行巡航的巡航路径节点序列，无人机从基地出发，沿着目标河流中心线进行巡航，依次经过巡航路径节点，直到返回初始河流巡航位置，f(L)表示巡航路径L的总距离。
6.如权利要求5所述的一种基于GIS技术的智慧全景巡河方法，其特征在于，所述S4步骤中对构建的最优河流巡航目标函数进行优化求解，包括：
对所构建的最优河流巡航目标函数进行优化求解，得到目标河流中不同关键点的访问顺序，即无人机对目标河流进行巡航的巡航路径，所述最优河流巡航目标函数的优化求解流程为：
S41：初始化最优河流巡航目标函数的最大迭代次数为Max，蚂蚁数量为U，当前迭代次数为t，t的初始值为0；
初始化Q个目标河流关键点以及无人机基地位置的概率幅矩阵
Figure 373134DEST_PATH_IMAGE043
，
Figure 950877DEST_PATH_IMAGE044
表示在第t次迭代时蚂蚁从第x个点到第y个点的概率幅，其中第0个点表示无人机基地位置，其余点则表示目标河流关键点；当x=y，
Figure 966717DEST_PATH_IMAGE045
，当t=0且
Figure 225791DEST_PATH_IMAGE046
，初始化
Figure 996039DEST_PATH_IMAGE047
；
初始化第t次迭代时第x个点到第y个点的信息素浓度为
Figure 744683DEST_PATH_IMAGE048
，当t等于0时，
Figure 124849DEST_PATH_IMAGE049
；
S42：将所初始化生成的U只蚂蚁放置在无人机基地位置，令每只蚂蚁遍历不同的节点进行下一巡航路径节点的选取，其中任意第u只蚂蚁从第x个点到第y个点的概率
Figure 282554DEST_PATH_IMAGE050
为：
Figure 877615DEST_PATH_IMAGE051
其中：
Figure 967799DEST_PATH_IMAGE052
表示第x个点到第y个点沿目标河流中心线巡航的距离；
重复该步骤，直到所有蚂蚁遍历完成Q个目标河流关键点并返回无人机基地，得到第t次迭代的P组巡航路径节点序列，并将P组巡航路径节点序列代入到最优河流巡航目标函数中，将总距离最小的巡航路径节点序列作为第t次迭代的最优巡航路径节点序列
Figure 710627DEST_PATH_IMAGE053
；
S43：更新两个点之间的信息素浓度：
Figure 295192DEST_PATH_IMAGE054
Figure 511804DEST_PATH_IMAGE055
其中：
Figure 398988DEST_PATH_IMAGE056
第t+1次迭代时第x个点到第y个点的信息素浓度；
S44：更新概率幅矩阵：
Figure 471855DEST_PATH_IMAGE057
其中：
Figure 735477DEST_PATH_IMAGE058
表示第t次迭代的最优巡航路径节点序列
Figure 541016DEST_PATH_IMAGE053
的巡航路径总距离；
S45：若t=Max，则输出第t次迭代的最优巡航路径节点序列作为求解结果，否则令t=t+1，返回步骤S42。
7.如权利要求6所述的一种基于GIS技术的智慧全景巡河方法，其特征在于，所述S4步骤中以求解得到的关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航，包括：
根据求解得到的目标河流关键点访问顺序，确定无人机的目标河流巡航路径节点序列，控制无人机从基地出发，沿着目标河流中心线进行巡航，依次经过求解得到的目标河流巡航路径节点，直到返回无人机基地。
8.如权利要求1所述的一种基于GIS技术的智慧全景巡河方法，其特征在于，所述S5步骤中实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器，包括：
控制处于巡航过程中的无人机实时录制河流生态环境视频，并基于所录制的河流生态环境视频的分辨率实时确定无人机高度，并对无人机高度进行动态调整，保证无人机以恒定的初始巡航高度进行巡航，其中无人机高度W的计算公式为：
Figure 989315DEST_PATH_IMAGE059
其中：
Figure 175577DEST_PATH_IMAGE060
表示所录制每帧河流生态环境视频在水平方向的像素数；
Figure 616791DEST_PATH_IMAGE061
表示河流采样间隔，即每帧河流生态环境视频中一个像素表示的河流区域大小；
Figure 572109DEST_PATH_IMAGE062
表示无人机相机的焦距；
Figure 759683DEST_PATH_IMAGE063
表示无人机相机的传感器宽度；
无人机将所录制视频传输至后台服务器，后台工作人员对传输回来的视频进行人工核验，判断目标河流的生态环境安全状况，若存在生态环境污染问题则进行告警。
9.一种基于GIS技术的智慧全景巡河系统，其特征在于，所述系统包括：
目标河流识别装置，用于采集目标河流区域卫星图片，并对采集得到的目标河流区域卫星图片进行主题差异化预处理，对预处理后的目标河流区域图片进行形态识别与数据标定，得到目标河流的关键点和距离信息；
河流巡航路径求解模块，用于根据得到的目标河流关键点和距离信息构建最优河流巡航目标函数，对构建的最优河流巡航目标函数进行优化求解，得到不同关键点的访问顺序；
巡航控制装置，用于以关键点访问顺序为河流巡航顺序控制无人机对目标河流进行巡航，实时对巡航过程中的无人机进行动态高度调整保证无人机以恒定高度进行巡航，并控制无人机录制河流生态环境视频传输至后台服务器，以实现一种如权利要求1-8任一项所述的基于GIS技术的智慧全景巡河方法。
CN202211301868.6A 2022-10-24 2022-10-24 基于gis技术的智慧全景巡河方法及系统 Active CN115358497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211301868.6A CN115358497B (zh) 2022-10-24 2022-10-24 基于gis技术的智慧全景巡河方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211301868.6A CN115358497B (zh) 2022-10-24 2022-10-24 基于gis技术的智慧全景巡河方法及系统

Publications (2)

Publication Number Publication Date
CN115358497A true CN115358497A (zh) 2022-11-18
CN115358497B CN115358497B (zh) 2023-03-10

Family

ID=84008992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211301868.6A Active CN115358497B (zh) 2022-10-24 2022-10-24 基于gis技术的智慧全景巡河方法及系统

Country Status (1)

Country Link
CN (1) CN115358497B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088584A (zh) * 2023-04-07 2023-05-09 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） 一种测绘协同作业方法、系统及一种电子设备
CN116844065A (zh) * 2023-06-29 2023-10-03 中交天航南方交通建设有限公司 一种基于gis的航道清淤智能识别管理方法

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002368982A (ja) * 2001-06-11 2002-12-20 Ricoh Co Ltd 画像処理装置および画像処理方法および記録媒体
US6753902B1 (en) * 1999-07-26 2004-06-22 Pioneer Corporation Image processing apparatus, image processing method, navigation apparatus, program storage device and computer data signal embodied in carrier wave
JP2005051353A (ja) * 2003-07-30 2005-02-24 Ricoh Co Ltd 画像処理装置、画像読み取り装置、画像形成装置、コンピュータプログラム及び記録媒体
US20060221181A1 (en) * 2005-03-30 2006-10-05 Cernium, Inc. Video ghost detection by outline
CN101299861A (zh) * 2008-04-23 2008-11-05 南京大学 一种基于最短回路的基站系统巡检路径自动化确定方法
JP2012066350A (ja) * 2010-09-24 2012-04-05 Ihi Marine United Inc マーカの移動経路最適化方法
CN103903014A (zh) * 2014-04-17 2014-07-02 西安煤航卫星数据应用有限公司 一种基于卫星遥感技术的荒漠化判释方法
US20160364988A1 (en) * 2014-03-18 2016-12-15 Bae Systems Plc Path planning
US20170098310A1 (en) * 2014-06-30 2017-04-06 Ventana Medical Systems, Inc. Edge-based local adaptive thresholding system and methods for foreground detection
US20170162060A1 (en) * 2015-12-07 2017-06-08 International Business Machines Corporation METHOD OF OPTIMIZED PATH PLANNING FOR UAVs FOR THE PURPOSE OF GROUND COVERAGE
CN108286965A (zh) * 2018-01-09 2018-07-17 深圳飞马机器人科技有限公司 基于精细三维地形的无人机变高航线方法、终端及系统
US20190145778A1 (en) * 2017-11-13 2019-05-16 Shenzhen University UAV Flight Path Generating Method and Device
CN109765933A (zh) * 2019-01-04 2019-05-17 哈瓦国际航空技术（深圳）有限公司 一种无人机带状区域航线规划方法、装置和设备
CN110297498A (zh) * 2019-06-13 2019-10-01 暨南大学 一种基于无线充电无人机的轨道巡检方法及系统
WO2020062338A1 (zh) * 2018-09-30 2020-04-02 深圳眸瞳科技有限公司 无人机迁移轨迹生成方法、装置、电子设备和存储介质
CN111046772A (zh) * 2019-12-05 2020-04-21 国家海洋环境监测中心 多时相卫星遥感岛礁岸线及开发利用信息提取方法
CN111862117A (zh) * 2020-07-16 2020-10-30 大连理工大学 基于像素优化的海冰冰块分水岭分割方法
CN111985435A (zh) * 2020-08-29 2020-11-24 浙江工业大学 一种基于机器视觉的无人机水域监测巡航方法
CN112001362A (zh) * 2020-09-11 2020-11-27 汪秀英 一种图像分析方法、图像分析装置及图像分析系统
CN112114584A (zh) * 2020-08-14 2020-12-22 天津理工大学 一种球形两栖机器人的全局路径规划方法
US20210003412A1 (en) * 2019-01-16 2021-01-07 Beijing University Of Posts And Telecommunications Method and Device of Path Optimization for UAV, and Storage Medium thereof
CN112837343A (zh) * 2021-04-01 2021-05-25 中国船舶重工集团公司第七0九研究所 基于相机阵列的低空无人机防控光电预警识别方法及系统
WO2021212773A1 (zh) * 2020-04-24 2021-10-28 滨州学院 一种多旋翼无人机智能巡检系统
CN114442660A (zh) * 2021-12-31 2022-05-06 北京理工大学重庆创新中心 一种基于gps和图像的无人机搜索方法
US20220207747A1 (en) * 2019-09-18 2022-06-30 Huawei Technologies Co., Ltd. Image Distortion Correction Method and Apparatus
WO2022205605A1 (zh) * 2021-04-01 2022-10-06 广东拓斯达科技股份有限公司 图像边缘特征库构建方法、装置、计算机设备及存储介质

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6753902B1 (en) * 1999-07-26 2004-06-22 Pioneer Corporation Image processing apparatus, image processing method, navigation apparatus, program storage device and computer data signal embodied in carrier wave
JP2002368982A (ja) * 2001-06-11 2002-12-20 Ricoh Co Ltd 画像処理装置および画像処理方法および記録媒体
JP2005051353A (ja) * 2003-07-30 2005-02-24 Ricoh Co Ltd 画像処理装置、画像読み取り装置、画像形成装置、コンピュータプログラム及び記録媒体
US20060221181A1 (en) * 2005-03-30 2006-10-05 Cernium, Inc. Video ghost detection by outline
CN101299861A (zh) * 2008-04-23 2008-11-05 南京大学 一种基于最短回路的基站系统巡检路径自动化确定方法
JP2012066350A (ja) * 2010-09-24 2012-04-05 Ihi Marine United Inc マーカの移動経路最適化方法
US20160364988A1 (en) * 2014-03-18 2016-12-15 Bae Systems Plc Path planning
CN103903014A (zh) * 2014-04-17 2014-07-02 西安煤航卫星数据应用有限公司 一种基于卫星遥感技术的荒漠化判释方法
US20170098310A1 (en) * 2014-06-30 2017-04-06 Ventana Medical Systems, Inc. Edge-based local adaptive thresholding system and methods for foreground detection
US20170162060A1 (en) * 2015-12-07 2017-06-08 International Business Machines Corporation METHOD OF OPTIMIZED PATH PLANNING FOR UAVs FOR THE PURPOSE OF GROUND COVERAGE
US20190145778A1 (en) * 2017-11-13 2019-05-16 Shenzhen University UAV Flight Path Generating Method and Device
CN108286965A (zh) * 2018-01-09 2018-07-17 深圳飞马机器人科技有限公司 基于精细三维地形的无人机变高航线方法、终端及系统
WO2020062338A1 (zh) * 2018-09-30 2020-04-02 深圳眸瞳科技有限公司 无人机迁移轨迹生成方法、装置、电子设备和存储介质
CN109765933A (zh) * 2019-01-04 2019-05-17 哈瓦国际航空技术（深圳）有限公司 一种无人机带状区域航线规划方法、装置和设备
US20210003412A1 (en) * 2019-01-16 2021-01-07 Beijing University Of Posts And Telecommunications Method and Device of Path Optimization for UAV, and Storage Medium thereof
CN110297498A (zh) * 2019-06-13 2019-10-01 暨南大学 一种基于无线充电无人机的轨道巡检方法及系统
US20220207747A1 (en) * 2019-09-18 2022-06-30 Huawei Technologies Co., Ltd. Image Distortion Correction Method and Apparatus
CN111046772A (zh) * 2019-12-05 2020-04-21 国家海洋环境监测中心 多时相卫星遥感岛礁岸线及开发利用信息提取方法
WO2021212773A1 (zh) * 2020-04-24 2021-10-28 滨州学院 一种多旋翼无人机智能巡检系统
CN111862117A (zh) * 2020-07-16 2020-10-30 大连理工大学 基于像素优化的海冰冰块分水岭分割方法
CN112114584A (zh) * 2020-08-14 2020-12-22 天津理工大学 一种球形两栖机器人的全局路径规划方法
CN111985435A (zh) * 2020-08-29 2020-11-24 浙江工业大学 一种基于机器视觉的无人机水域监测巡航方法
CN112001362A (zh) * 2020-09-11 2020-11-27 汪秀英 一种图像分析方法、图像分析装置及图像分析系统
CN112837343A (zh) * 2021-04-01 2021-05-25 中国船舶重工集团公司第七0九研究所 基于相机阵列的低空无人机防控光电预警识别方法及系统
WO2022205605A1 (zh) * 2021-04-01 2022-10-06 广东拓斯达科技股份有限公司 图像边缘特征库构建方法、装置、计算机设备及存储介质
CN114442660A (zh) * 2021-12-31 2022-05-06 北京理工大学重庆创新中心 一种基于gps和图像的无人机搜索方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘昂: "基于改进蚁群和鸽群算法的移动机器人混合路径规划研究", 《信息科技》 *
刘燕、张力、王庆栋、王春青、韩晓霞: "《国产高分辨率卫星影像云检测》", 《遥感信息》 *
钱世豪: "基于图像处理的输电线路异物检测技术研究与电力巡线管理系统设计", 《工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088584A (zh) * 2023-04-07 2023-05-09 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） 一种测绘协同作业方法、系统及一种电子设备
CN116844065A (zh) * 2023-06-29 2023-10-03 中交天航南方交通建设有限公司 一种基于gis的航道清淤智能识别管理方法

Also Published As

Publication number Publication date
CN115358497B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN115358497B (zh) 基于gis技术的智慧全景巡河方法及系统
US10719743B2 (en) License plate reader using optical character recognition on plural detected regions
CN110020651B (zh) 基于深度学习网络的车牌检测定位方法
CN111797697B (zh) 基于改进CenterNet的有角度高分遥感图像目标检测方法
Gonçalves et al. Real-time automatic license plate recognition through deep multi-task networks
JP3987264B2 (ja) ナンバープレート読取装置及び方法
Chen et al. Surrounding vehicle detection using an FPGA panoramic camera and deep CNNs
CN106971185B (zh) 一种基于全卷积网络的车牌定位方法及装置
CN108961162A (zh) 一种无人机林区航拍图像拼接方法和系统
KR101261409B1 (ko) 영상 내 노면표시 인식시스템
CN111476210A (zh) 基于图像的文本识别方法、系统、设备及存储介质
CN111339976A (zh) 室内定位方法、装置、终端及存储介质
CN113486819A (zh) 一种基于YOLOv4算法的船舶目标检测方法
Yang et al. Detecting small objects in urban settings using SlimNet model
CN116721398A (zh) 一种基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法
CN115578590A (zh) 基于卷积神经网络模型的图像识别方法、装置及终端设备
CN116030194A (zh) 一种基于目标检测规避的空地协同实景三维建模优化方法
CN112633114B (zh) 面向建筑物变化事件的无人机巡查智能预警方法和装置
CN115265545A (zh) 基于决策分析的地图匹配导航方法、装置、设备及存储介质
JPH05181411A (ja) 地図情報照合更新方式
Xu et al. 2d license plate recognition based on automatic perspective rectification
CN112818837B (zh) 一种基于姿态校正和困难样本感知的航拍车辆重识别方法
CN111860050B (zh) 一种基于图像帧的回环检测方法及装置、车载终端
CN113298702A (zh) 基于大尺寸图像像素点的重新排序和分割方法
Vemulapalli et al. Multi-object detection in night time

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