CN115661669A - 一种基于视频监控的耕地违法占用监测方法及系统 - Google Patents
一种基于视频监控的耕地违法占用监测方法及系统 Download PDFInfo
- Publication number
- CN115661669A CN115661669A CN202211592264.1A CN202211592264A CN115661669A CN 115661669 A CN115661669 A CN 115661669A CN 202211592264 A CN202211592264 A CN 202211592264A CN 115661669 A CN115661669 A CN 115661669A
- Authority
- CN
- China
- Prior art keywords
- cluster
- clusters
- value
- monitoring
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于视频监控的耕地违法占用监测方法及系统。该方法获取监控视频图像和增强后的初始增强图像；获取初始增强图像中的异常帧；筛选出异常帧中的疑似耕地边缘点；对疑似耕地边缘点聚类得到聚簇；合并聚簇得到合并簇，计算合并簇为疑似耕地边缘的可能程度；计算合并簇和其他聚簇的聚簇差异程度；根据可能程度和聚簇差异程度计算增强系数；根据增强系数对异常帧增强得到增强图像；基于增强图像获取目标耕地区域，根据目标耕地区域的面积变化判断耕地违法占用的情况。本发明通过获得增强图像中的耕地区域的耕地边缘，实时反馈目标耕地区域的变化，进而判断是否发生了耕地违法占用的情况。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于视频监控的耕地违法占用监测方法及系统。
背景技术
非法占用耕地，是指违反土地管理法规，非法占用耕地改作他用，占用耕地的数量较大，造成耕地大量毁坏的行为。通过监控对耕地区域进行监测，能够不受时间与空间的制约，减少不必要的人力资源消耗，实现更好的监控效果。但是因为监控视频会受到天气与环境的影响和制约，会存在监控质量不佳，恶劣天气影响监控效果的情况。故可以进一步的对监控得到的监控视频图像进行增强，以消除恶劣天气影响监控效果的情况。
目前，常见的提高监控得到的监控视频图像质量的方法是对图像进行增强，但是往往都是对单帧图像增强，忽视了连续帧图像之间的变化关系，或是对监控视频整体进行增强，使得光照充足情况下获得的监控视频出现过增强的情况，增强的效果不佳。
发明内容
为了解决对监控视频整体进行增强，增强的效果不佳的技术问题，本发明的目的在于提供一种基于视频监控的耕地违法占用监测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于视频监控的耕地违法占用监测方法，该方法包括以下步骤：
获取监控视频图像；
对监控视频图像进行图像增强得到初始增强图像；获取初始增强图像中的异常帧；筛选出异常帧中的疑似耕地边缘点；对疑似耕地边缘点进行聚类，得到至少两个聚簇；根据聚簇的聚簇中心点的梯度值和距离，得到聚簇之间的相似程度；获取聚簇的聚簇中心点对应的主成分方向所在的直线；根据所述相似程度合并聚簇得到合并簇，根据相邻两帧异常帧中同一合并簇内聚簇之间的相似程度的变化情况、合并簇的聚簇中心点到所述主成分方向所在的直线的距离的变化情况，得到疑似耕地边缘的可能程度；
根据合并簇内像素点和其他聚簇内像素点的灰度值差异，得到聚簇差异程度；根据所述可能程度和所述聚簇差异程度计算合并簇的增强系数；根据所述增强系数对所述异常帧进行增强，得到增强图像；基于增强图像获取目标耕地区域，根据所述目标耕地区域的面积变化判断耕地违法占用的情况。
优选的，所述根据聚簇的聚簇中心点的梯度值和距离，得到聚簇之间的相似程度，包括：
对于任意两个聚簇，连接两个聚簇的中心点，得到中心连线；获取中心连线上的突变点；
对于任意两个聚簇，计算两个聚簇的聚簇中心点之间的欧式距离；分别计算两个聚簇的聚簇中心点和所述突变点的梯度值的差值，作为第一差值和第二差值；
计算所述第一差值和第二差值的比值减去预设第一阈值的结果值的绝对值；
以自然常数为底数，以负的所述结果值的绝对值为指数的指数函数值，作为第一函数值；所述第一函数值和所述欧式距离的比值作为两个聚簇之间的相似程度。
优选的，所述获取中心连线上的突变点，包括：
在所述中心连线上滑动滑窗，以中心连线上的像素点作为滑动窗口的中心点，获取每个滑窗内像素点的梯度均值；当相邻的中心连线上的像素点对应的滑窗内像素点的梯度均值的差值大于预设第二阈值时，相邻的中心连线上的两个像素点中，靠近滑窗滑动起始点的像素点作为中心连线上的突变点。
优选的，所述根据相邻两帧异常帧中同一合并簇内聚簇之间的相似程度的变化情况、合并簇的聚簇中心点到所述主成分方向所在的直线的距离的变化情况，得到疑似耕地边缘的可能程度，包括：
对于任意合并簇，计算相邻两帧异常帧中同一合并簇内聚簇的相似程度均值的比值，作为初始可能程度；计算相邻两帧异常帧中合并簇的聚簇中心点到所述主成分方向所在的直线的距离的差值；以自然常数为底数，以负的所述距离的差值为指数的指数函数值，作为第二函数值；所述初始可能程度和所述第二函数值的乘积为疑似耕地边缘的可能程度。
优选的，所述根据合并簇内像素点和其他聚簇内像素点的灰度值差异，得到聚簇差异程度，包括：
以合并簇内像素点的灰度均值和其他聚簇的灰度均值的比值，作为合并簇对应的聚簇差异程度。
优选的，所述根据所述可能程度和所述聚簇差异程度计算合并簇的增强系数，包括：
以自然常数为底数，以负的所述聚簇差异程度为指数的指数函数值，作为第三函数值；所述第三函数值和所述可能程度的乘积，作为合并簇的增强系数。
优选的，所述根据所述增强系数对所述异常帧进行增强，得到增强图像，包括：
对于异常帧中的任意一个像素点，将像素点对应的合并簇的增强系数作为伽马校正中的伽马变量，利用伽马校正对异常帧进行增强，得到增强图像。
优选的，所述筛选出异常帧中的疑似耕地边缘点，包括：
获取异常帧中各像素点的梯度值，将梯度值大于预设梯度阈值的像素点筛选出疑似耕地边缘点。
优选的，所述获取初始增强图像中的异常帧，包括：
对初始增强图像进行差分处理，得到异常帧。
第二方面，本发明一个实施例提供了一种基于视频监控的耕地违法占用监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于视频监控的耕地违法占用监测方法。
本发明实施例至少具有如下有益效果：
该方法首先对监控视频图像进行图像增强得到初始增强图像，实现对监控视频图像进行初步的整体增强，改善监控视频的整体质量。筛选出异常帧中的疑似耕地边缘点；对疑似耕地边缘点进行聚类得到至少两个聚簇；根据聚簇的聚簇中心点的梯度值和距离，得到聚簇之间的相似程度；根据相似程度合并聚簇得到合并簇，首先对单帧异常帧中聚簇进行分析，通过异常帧中聚簇之间的相似程度，对聚簇进行合并，以便于后续获得完整的目标耕地区域。根据相邻两帧异常帧中同一合并簇内聚簇之间的相似程度的变化情况、合并簇的聚簇中心点到主成分方向所在的直线的距离的变化情况，得到疑似耕地边缘的可能程度，考虑连续帧图像中聚簇的变化情况，来实现对疑似耕地边缘的概率获取，合并簇对应的疑似耕地边缘的可能程度越大，则对应的后续对该区域的增强越大，以便于能够顺利提取出增强后图像的目标耕地区域；根据合并簇内像素点和其他聚簇内像素点的灰度值差异得到聚簇差异程度，考虑了耕地边缘区域与其他区域的灰度值差异较大的因素，故这里利用合并簇内像素点的灰度值和其他聚簇内像素点的灰度值的差异来进一步更新增强系数，以提高增强系数对图像增强的精确度；根据可能程度和聚簇差异程度计算合并簇的增强系数，根据增强系数对异常帧进行增强，得到增强图像，对图像进行增强，使得目标耕地区域更加突出，便于通过增强后的增强图像进行观察；通过考虑了整体的增强程度与连续帧之间变化情况获得的增强因子对监控视频图像进行增强，既能够提高监控视频的整体质量，又能够突出图像中的目标区域，使得监控视频图像的整体质量得到提高，能够更加清楚的观察耕地区域的变化。本发明通过对监控视频图像进行增强，获得增强图像中的目标耕地区域，同时对目标耕地区域进行更新，实时反馈目标耕地区域的变化，进而判断是否发生了耕地违法占用的情况。
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为本发明一个实施例所提供的一种基于视频监控的耕地违法占用监测方法的方法流程图。
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视频监控的耕地违法占用监测方法及系统，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。
本发明实施例提供了一种基于视频监控的耕地违法占用监测方法及系统的具体实施方法，该方法适用于耕地违法占用检测的场景。该场景下利用监控设备对耕地进行监控。为了解决对监控视频整体进行增强，增强的效果不佳的技术问题。本发明通过考虑了整体的增强程度与连续帧之间变化情况获得的增强因子对监控视频图像进行增强，既能够提高监控视频的整体质量，又能够突出图像中的目标区域，使得监控视频图像的整体质量得到提高，能够更加清楚的观察耕地区域的变化。通过对监控视频图像进行增强，获得监控视频图像中的耕地区域的耕地边缘，同时对目标耕地区域进行更新，实时反馈监控区域的变化，进而判断是否发生了耕地违法占用的情况。
下面结合附图具体的说明本发明所提供的一种基于视频监控的耕地违法占用监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视频监控的耕地违法占用监测方法的步骤流程图，该方法包括以下步骤：
步骤S100，获取监控视频图像。
利用摄像头对耕地区域进行监测，得到监控视频；提取监控视频的每一帧作为初始视频图像，对初始视频图像进行去噪处理，得到去噪后的图像，作为监控视频图像。对初始视频图像进行去噪处理，具体的：使用中值滤波的方法对每一帧初始视频图像进行去噪处理，获得去噪后的监控视频图像。
步骤S200，对监控视频图像进行图像增强得到初始增强图像；获取初始增强图像中的异常帧；筛选出异常帧中的疑似耕地边缘点；对疑似耕地边缘点进行聚类，得到至少两个聚簇；根据聚簇的聚簇中心点的梯度值和距离，得到聚簇之间的相似程度；获取聚簇的聚簇中心点对应的主成分方向所在的直线；根据所述相似程度合并聚簇得到合并簇，根据相邻两帧异常帧中同一合并簇内聚簇之间的相似程度的变化情况、合并簇的聚簇中心点到所述主成分方向所在的直线的距离的变化情况，得到疑似耕地边缘的可能程度。
因为对监控视频图像进行增强的时候，需要根据环境的明暗程度进程调节，然后再增强监控视频图像中的细节部分，从而获得不同明暗程度下的增强程度，使得在不同的明暗程度下都能达到最大的增强程度，但是又不丢失监控视频图像的细节，不发生多度增强的现象。在对不同监控视频图像进行增强时，需要根据帧间的变化获得不同的增强系数，并且分析监控视频图像内变化，获得不同区域的增强程度。
在对监控视频图像进行增强获得监控区域的细节特征时，首先需要考虑到环境光的变化，因为光照充足时，采集得到的监控视频图像中的目标区域的细节比较清晰，不需要对监控视频图像进行增强；而光照不充足时，因为环境的变化会整体模糊掉目标区域，因此需要先对整体进行增强，然后再根据监控视频图像的细节的变化，增强每一帧监控视频图像中耕地边缘。
首先对监控视频图像进行图像增强得到初始增强图像。需要说明的是，图像增强技术为本领域技术人员的公知技术，在此不再赘述。在这里对所有的监控视频图像进行图像增强是为了对监控视频图像进行一个整体的增强，改善监控视频图像的整体质量。然后进一步的后面再对每一帧增强后的初始增强图像中可能出现的耕地边缘进行增强，因为初始增强图像中耕地边缘的细节模糊，耕地边缘不清晰，在获得耕地边缘时会出现断续的情况，因此还需要对初始增强图像中的耕地边缘做进一步的增强。
在对耕地违法占用进行监控时，需要对耕地的范围进行监控，防止私自改变改变耕地区域的范围，建设工厂或其他与耕地不相关的活动。因此在对图像增强后需要划分出准确的耕地边界，防止私自改变耕地区域。
在对监控视频图像进行整体增强得到初始增强图像后，需要根据初始增强图像间的变化获得初始增强图像中不同区域的关注程度，因为耕地的边界为重要区域，需要获得较大的增强程度；而非重点关注区域只需要较小的增强程度即可。而在监控视频图像中，监控目标区域出现了变化，则对应的每一帧初始增强图像也会出现变化，因此根据初始增强图像的变化，获得初始增强图像中的关注区域，然后对关注区域进行增强。因为监控区域中的目标不清晰，利用帧差法获得可疑区域时，会出现目标像素错误的情况，因此根据不同帧初始增强图像之间的区域变化，获得图像中的清晰的耕地边缘。
首先利用帧差法，对初始增强图像进行差分，获得初始增强图像中出现变化的异
常帧图像
，
表示
时刻的初始增强图像，帧差法为现有公知技术，在此不在进行赘述。在
本发明实施例中帧差法中设定好的阈值为2，在其他实施例中实施者可根据实际情况调整
该取值。然后对异常帧中的异常区域进行标记，获得含有异常区域的帧图像。异常区域可能
就是改变的耕地范围，因此需要获得清晰的耕地边缘。具体的：
首先对异常帧进行边缘检测，得到异常帧中的边缘区域，因为在异常帧中保留的
像素点中可能包含新出现的耕地区域的边缘，并且耕地边缘区域的梯度较大。故首先筛选
出异常帧中的疑似耕地边缘点，具体的：通过sobel算子计算异常帧各像素点的梯度值，将
梯度值大于预设梯度阈值的像素点筛选出疑似耕地边缘点。在本发明实施例中预设梯度阈
值的取值为6，在其他实施例中实施者可根据实际情况调整该取值。也即通过
算子计算
异常帧中像素点的梯度
，当像素点的梯度值
时，将该像素点保留，保留下的
像素点包含耕地边缘区域，将保留下来的像素点作为疑似耕地边缘点。
进一步的，对疑似耕地边缘点进行聚类，得到至少两个聚簇，具体的：对梯度阈值筛选后的像素点进行DBSCAB密度聚类，获得不同区域的聚簇，也即对疑似耕地边缘点进行DBSCAB密度聚类，获得不同区域的聚簇。因为图像中的耕地边缘区域是一条线，设置的聚类半径太大会将不属于该区域的点划归进来，因此在发明实施例中预设的聚类半径为3，最小点数为4，该阈值为经验阈值，在其他实施例中实施者可根据具体情况自行设定。但是因为监控视频图像不清晰，部分耕地边缘模糊不清，在监控视频图像出现断续的情况，在进行聚类的时候会将原本属于一个聚簇的像素点分开，得到了多个聚簇，导致将原本属于同一耕地边缘区域或是耕地区域的像素点分开，分为了不同的区域。因此对获得的多个聚簇进行识别，将原本属于同一区域的聚簇进行合并，获得完整的耕地区域边界。
对同一区域的聚簇进行合并，获得完整的耕地区域边缘的步骤，具体的：
步骤一，根据聚簇的聚簇中心点的梯度值和距离，得到聚簇之间的相似程度。
对于任意两个聚簇，连接两个聚簇的中心点，得到中心连线；获取中心连线上的突
变点。具体的：以中心连线上的像素点作为滑动窗口的中心点，在所述中心连线上滑动滑
窗，获取每个滑窗内像素点的梯度均值；当相邻的中心连线上的像素点对应的滑窗内像素
点的梯度均值的差值大于预设第二阈值时，相邻的中心连线上的两个像素点中，靠近滑窗
滑动起始点的像素点作为中心连线上的突变点。在本发明实施例中预设第二阈值的取值为
4，在其他实施例中实施者可根据实际情况调整该取值。也即对属于同一区域聚类簇进行合
并，首先设置一个大小为3*3的滑窗，在两个聚簇的中心点之间的连线上进行滑动，其中以
聚簇的中心点之间的连线上的像素点作为滑窗窗口的中心像素点，获得滑窗内像素点的平
均梯度值，也即梯度均值，然后根据滑窗内的梯度均值进行判断，若出现了梯度的突变，则
该滑窗就位于聚类簇的边缘，其表达式为：
，式中，
表示第
个滑窗和第
个
滑窗这两个连续滑窗的梯度均值的差值，
表示第
个滑窗的梯度均值，
表示第
个滑
窗的梯度均值，若
，则将该第i个滑窗内的中心像素点进行标记，作为突变点。
因为监控视频造成的部分耕地边缘模糊，因此模糊掉的像素点的梯度值较小，则根据两个聚簇之间像素点的梯度变化，计算聚簇之间的相似程度，判断这两个聚簇是否为同一边缘上的聚簇，相似程度越大，说明两个聚簇有可能是同一个耕地边缘。进一步的，根据聚簇的聚簇中心点的梯度值和距离，得到聚簇之间的相似程度，具体的：在得到中心连线上的突变点之后；对于任意两个聚簇，计算两个聚簇的聚簇中心点之间的欧式距离；分别计算两个聚簇的聚簇中心点和所述突变点的梯度值的差值，作为第一差值和第二差值；计算所述第一差值和第二差值的比值减去预设第一阈值的结果值的绝对值；以自然常数为底数，以负的所述结果值的绝对值为指数的指数函数值，作为第一函数值；所述第一函数值和所述欧式距离的比值为两个聚簇之间的相似程度。在本发明实施例中预设第一阈值的取值为1，在其他实施例中实施者可根据实际情况调整该取值。
该相似程度的计算公式如下：
其中，
为聚簇a和聚簇b的相似程度；
为聚簇a的聚簇中心点的梯度值；
为
聚簇b的聚簇中心点的梯度值；
为突变点的梯度值；
为聚簇a的聚簇中心点的横坐标；
为聚簇a的聚簇中心点的纵坐标；
为聚簇b的聚簇中心点的横坐标；
为聚簇b的聚簇中心
点的纵坐标；e为自然常数。
其中，
与
表示聚簇中心点与突变的边缘像素点的差异，
表
示两个聚簇与边缘区域像素差值的比值；
是为了改变函数的单调性，使得
的比值趋近于1时，整体值最大。计算
是因为两个聚簇若原本是一个耕地边缘
区域上的像素点，则两个聚类簇之间的梯度变化较小，则两个聚簇与边缘区域像素的梯度
差异就会较小；而因为出现了模糊导致部分像素点梯度减小，因为聚簇与边缘区域像素的
梯度差异就会增大，因此整体值就会增大。
表示聚簇
与聚
簇
的聚簇中心点之间的欧氏距离，距离越近，说明两个区域越可能属于同一个区域，也即
两个聚簇为一个耕地边缘的概率越大。
在对聚簇进行合并的时候，因为图像模糊造成的部分边缘梯度值较小，因此在进行梯度阈值分割的时候导致部分边缘像素点缺失，因此在聚簇的时候像素点断开，形成两个聚簇，因此根据两个聚簇的边缘像素点的变化获得两个聚簇的相似程度。
根据聚簇之间的相似程度对其进行合并，将单帧图像中的耕地边缘区域上的聚簇进行合并，这样就使得在进行DBSCAN聚类时，将属于同一耕地边缘的聚簇聚到一起，使耕地边缘变得连续。根据聚簇之间的相似程度对聚簇进行合并，具体的：将相似程度大于等于预设相似阈值的聚簇进行合并，对异常帧中的聚簇进行合并迭代，直至最终的合并簇与其他聚簇的相似程度小于预设相似阈值为止，则获得最终的合并簇，每个合并簇对应一个分割区域。例如聚簇a和聚簇b的相似程度为0.9，聚簇a和聚簇b合并后得到合并簇c，合并簇c与另一聚簇d的相似程度为0.95，则继续合并聚簇d和合并簇c，得到合并簇f，再计算合并簇f与其他聚簇的相似程度，直至最后合并的合并簇与其他聚簇的相似程度小于预设相似阈值为止。在本发明实施例中预设相似阈值的取值为0.823，在其他实施例中实施者可根据实际情况调整该取值。当两个聚簇之间的相似程度小于预设相似阈值，则反映这两个聚簇的相似程度不大，则不再将其合并，则获得最终的合并簇，然后对该合并簇进行计算，计算其为耕地边缘的可能程度。
然后再根据连续监控视频图像之间的变化，获得新出现的耕地边缘区域，进而来判断这里分割得到的边缘是否是真的耕地边缘。
故进一步的，结合连续帧分析，确定真实的耕地边缘的可能程度。
通过上述方法获得单帧异常帧中的聚簇之间的相似程度，然后对不同异常帧之间的聚类簇进行分析，判断单帧异常帧中相似程度大的聚类簇是否真的为同一耕地边缘区域的像素点。因为在连续帧图像中，出现变化的区域也就是新出现的耕地边缘的可能程度较大，因此在连续帧异常帧中新出现的耕地边缘都会存在，其他的固定物体或区域已经通过图像差分去除，则根据多帧图像来判断上述的聚类簇是否真的是耕地边缘，若不是，则上述帧异常帧中的聚类簇中的像素点可能是其他物体，比如：人，动物、农作物等等。
因为对耕地的边缘进行聚类获得聚类簇的排列是相对整齐的，因此对图像中的聚簇进行主成分分析，每一个聚簇的聚簇中心点表示一个聚簇，得到聚簇中心点对应的主成分方向和对应的主成分方向所在的直线。处于耕地边缘上的聚类簇应更靠近主成分方向所在的直线。然后对多帧异常帧中的主成分方向进行分析，判断每一个合并簇的聚簇中心点与主成分方向关系，获得该合并簇为耕地边缘聚类簇的可能程度，根据相邻两帧异常帧中同一合并簇内聚簇之间的相似程度的变化情况、合并簇的中心点到所述主成分方向所在的直线的距离的变化情况，得到疑似耕地边缘的可能程度，具体的：对于任意合并簇，计算相邻两帧异常帧中同一合并簇内聚簇的相似程度均值的比值，作为初始可能程度；计算相邻两帧异常帧中合并簇的中心点到所述主成分方向所在的直线的距离的差值；以自然常数为底数，以负的所述距离的差值为指数的指数函数值，作为第二函数值；所述初始可能程度和所述第二函数值的乘积为疑似耕地边缘的可能程度。
疑似耕地边缘的可能程度的计算公式为：
其中，
表示第
个合并簇为疑似耕地边缘的可能程度；
表示在第t帧异常帧
中第
个合并簇内聚簇的相似程度的均值；
表示在第t+1帧异常帧中第
个合并簇
内聚簇的相似程度的均值；
为在第t帧异常帧像中第r个合并簇到主成分方向所在的直线
的距离；
为在第t+1帧异常帧中第r个合并簇到主成分方向所在的直线的距离；e为
自然常数。
根据不同帧异常帧中聚类簇的变化获得这合并簇内的聚簇为耕地边缘聚类簇的可能程度，因为在两帧异常帧中，聚簇之间的相似程度越大，则说明该聚簇就是同一个区域的像素点。因此在进行密度聚类的时候，这两个聚簇在不同帧中都应表示耕地区域的边缘，因此根据聚簇的相似程度对其进行合并，能够获得因为图像模糊损失掉的耕地边缘。并且在图像差分时，因为图像模糊获得的边缘像素会发生改变，获得像素点就是新出现的耕地的边缘，则两帧图像中相同聚簇的相似程度越大，则该聚簇为耕地边缘的可能程度越大。
根据不同帧之间的相同聚类簇的相似程度得到这两个聚类簇为新出现的耕地边缘的可能程度，若两个聚类簇之间相似程度大，则说明这两聚类簇为同一聚类簇，然后将其合并，获得疑似新的耕地边缘。
步骤S300，根据合并簇内像素点和其他聚簇内像素点的灰度值差异，得到聚簇差异程度；根据所述可能程度和所述聚簇差异程度计算合并簇的增强系数；根据所述增强系数对所述异常帧进行增强，得到增强图像；基于增强图像获取目标耕地区域，根据所述目标耕地区域的面积变化判断耕地违法占用的情况。
因为监控视频的模糊，导致耕地边缘细节的不清晰，则根据得到的耕地边缘的可能程度，对不清晰的耕地边缘进行增强，获得清晰的边缘。因为在增强时需要根据目标区域与其他区域灰度差异进行增强，灰度差异越小则增强程度越大，灰度差异越大，则增强程度越小。
首先根据合并簇内像素点的灰度均值和其他聚簇的灰度均值的差异，得到合并簇对应的聚簇差异程度；进一步的，根据所述可能程度和所述聚簇差异程度计算合并簇的增强系数。聚簇差异程度的获取方法，具体的：以合并簇内像素点的灰度均值和其他聚簇的灰度均值的比值，作为合并簇对应的聚簇差异程度。
该聚簇差异程度的计算公式为：
其中，
表示第t帧异常帧中第r个合并簇与其他聚簇的聚簇差异程度；
表示第t
帧异常帧中第r个合并簇的灰度均值，
表示第t帧异常帧中其他聚簇的灰度均值。
合并簇内像素点的灰度均值和其他聚簇的灰度均值的比值越接近于1，则反映合
并簇内像素点的灰度值与其他聚簇的灰度值越接近。同样的，在该聚簇差异程度的计算公
式中，规定
大于
，以实现
小于等于1的目的；当
小于等于
时，调换
和
的位置，
以始终保持聚簇差异程度为一个小于等于一的数值。
进一步的，根据整体增强程度与单帧图像的增强程度获得增强系数。具体的：根据所述可能程度和所述聚簇差异程度计算合并簇的增强系数。所述增强系数的获取方法为：以自然常数为底数，以负的所述聚簇差异程度为指数的指数函数值，作为第三函数值；所述第三函数值和所述可能程度的乘积，作为合并簇的增强系数。
该增强系数的计算公式为：
其中，
表示第
帧异常帧中第r个合并簇的增强系数；
表示第
个合并簇为疑
似耕地边缘的可能程度；
表示第t帧异常帧中第r个合并簇与其他聚簇的聚簇差异程度；
e为自然常数。
最后，对异常帧进行自适应增强得到增强图像，获得增强图像中清晰的耕地边缘和对应的目标耕地区域。
具体的：在获得异常帧的增强系数之后，然后使用伽马变换实现单帧图像的增强，也即根据所述增强系数对所述异常帧进行增强，得到增强图像，具体的：对于异常帧中的任意一个像素点，将像素点对应的合并簇的增强系数作为伽马校正中的伽马变量，利用伽马校正对异常帧进行增强，得到增强图像。也即对于异常帧中的任意一个像素点，获取所述像素点对应的合并簇的增强系数；以像素点的灰度值为底数，以像素点对应的增强系数为指数的指数函数值作为初始增强像素值；所述初始增强像素值乘上矫正系数，得到增强后的增强像素值；由各像素点对应的增强像素值构成增强图像。
该增强像素值的计算公式为：
其中，
表示第
帧异常帧中第r个合并簇中第i个像素点增强后的增强像素值，
表示矫正系数；
表示第
帧异常帧中第r个合并簇的增强系数，
为待增强的第t帧异常
帧中第r个合并簇中第i个像素点的原始像素值。因为通过伽马变换对异常帧实现增强，其
特点为将灰度过高或者灰度过低的图片进行修正，能够增强图像的对比度。在本发明实施
例中矫正系数为常数，在不同的实施例中由实施者根据不同的实际情况设定。需要说明的
是，该增强像素值的计算公式即为将增强系数作为伽马变量的伽马校正公式，为本领域技
术人员的公知技术，在此不再赘述。
然后基于增强后的增强图像，对增强图像进行DBSCAN密度聚类，获得连续的耕地区域的边缘。对增强后的增强图像中的新的耕地边缘进行标记，便于观察者通过监控视频观察到新的新出现的耕地边缘，将耕地边缘围成的区域作为对应的目标耕地区域。基于所述目标耕地区域的面积变化判断耕地违法占用的情况，具体的：比较每一帧增强图像中目标耕地区域的面积的大小变化，若目标耕地区域的面积发生变化，则认为发生了耕地违法占用的情况，由实时人员进一步的确认耕地违法占用行为是否发生。
综上所述，本发明涉及图像处理技术领域。该方法获取监控视频图像；对监控视频图像进行图像增强得到初始增强图像；获取初始增强图像中的异常帧；筛选出异常帧中的疑似耕地边缘点；对疑似耕地边缘点进行聚类得到至少两个聚簇；根据聚簇的聚簇中心点的梯度值和距离，得到聚簇之间的相似程度；获取聚簇的聚簇中心点对应的主成分方向所在的直线；根据相似程度合并聚簇得到合并簇，根据相邻两帧异常帧中同一合并簇内聚簇之间的相似程度的变化情况、合并簇的聚簇中心点到主成分方向所在的直线的距离的变化情况，得到疑似耕地边缘的可能程度；根据合并簇内像素点和其他聚簇内像素点的灰度值差异，得到聚簇差异程度；根据可能程度和聚簇差异程度计算合并簇的增强系数；根据增强系数对异常帧进行增强，得到增强图像；基于增强图像获取耕地边缘和对应的目标耕地区域，根据目标耕地区域的面积变化判断耕地违法占用的情况。本发明通过对监控视频图像进行增强，获得监控视频图像中的耕地区域的耕地边缘，同时对目标耕地区域进行更新，实时反馈监控区域的变化，进而判断是否发生了耕地违法占用的情况。
本发明实施例还提出了一种基于视频监控的耕地违法占用监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种基于视频监控的耕地违法占用监测方法在上述给出了详细描述，不再赘述。
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。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。
Claims (10)
1.一种基于视频监控的耕地违法占用监测方法，其特征在于，该方法包括以下步骤：
获取监控视频图像；
对监控视频图像进行图像增强得到初始增强图像；获取初始增强图像中的异常帧；筛选出异常帧中的疑似耕地边缘点；对疑似耕地边缘点进行聚类，得到至少两个聚簇；根据聚簇的聚簇中心点的梯度值和距离，得到聚簇之间的相似程度；获取聚簇的聚簇中心点对应的主成分方向所在的直线；根据所述相似程度合并聚簇得到合并簇，根据相邻两帧异常帧中同一合并簇内聚簇之间的相似程度的变化情况、合并簇的聚簇中心点到所述主成分方向所在的直线的距离的变化情况，得到疑似耕地边缘的可能程度；
根据合并簇内像素点和其他聚簇内像素点的灰度值差异，得到聚簇差异程度；根据所述可能程度和所述聚簇差异程度计算合并簇的增强系数；根据所述增强系数对所述异常帧进行增强，得到增强图像；基于增强图像获取目标耕地区域，根据所述目标耕地区域的面积变化判断耕地违法占用的情况。
2.根据权利要求1所述的一种基于视频监控的耕地违法占用监测方法，其特征在于，所述根据聚簇的聚簇中心点的梯度值和距离，得到聚簇之间的相似程度，包括：
对于任意两个聚簇，连接两个聚簇的中心点，得到中心连线；获取中心连线上的突变点；
对于任意两个聚簇，计算两个聚簇的聚簇中心点之间的欧式距离；分别计算两个聚簇的聚簇中心点和所述突变点的梯度值的差值，作为第一差值和第二差值；
计算所述第一差值和第二差值的比值减去预设第一阈值的结果值的绝对值；
以自然常数为底数，以负的所述结果值的绝对值为指数的指数函数值，作为第一函数值；所述第一函数值和所述欧式距离的比值作为两个聚簇之间的相似程度。
3.根据权利要求2所述的一种基于视频监控的耕地违法占用监测方法，其特征在于，所述获取中心连线上的突变点，包括：
在所述中心连线上滑动滑窗，以中心连线上的像素点作为滑动窗口的中心点，获取每个滑窗内像素点的梯度均值；当相邻的中心连线上的像素点对应的滑窗内像素点的梯度均值的差值大于预设第二阈值时，相邻的中心连线上的两个像素点中，靠近滑窗滑动起始点的像素点作为中心连线上的突变点。
4.根据权利要求1所述的一种基于视频监控的耕地违法占用监测方法，其特征在于，所述根据相邻两帧异常帧中同一合并簇内聚簇之间的相似程度的变化情况、合并簇的聚簇中心点到所述主成分方向所在的直线的距离的变化情况，得到疑似耕地边缘的可能程度，包括：
对于任意合并簇，计算相邻两帧异常帧中同一合并簇内聚簇的相似程度均值的比值，作为初始可能程度；计算相邻两帧异常帧中合并簇的聚簇中心点到所述主成分方向所在的直线的距离的差值；以自然常数为底数，以负的所述距离的差值为指数的指数函数值，作为第二函数值；所述初始可能程度和所述第二函数值的乘积为疑似耕地边缘的可能程度。
5.根据权利要求1所述的一种基于视频监控的耕地违法占用监测方法，其特征在于，所述根据合并簇内像素点和其他聚簇内像素点的灰度值差异，得到聚簇差异程度，包括：
以合并簇内像素点的灰度均值和其他聚簇的灰度均值的比值，作为合并簇对应的聚簇差异程度。
6.根据权利要求1所述的一种基于视频监控的耕地违法占用监测方法，其特征在于，所述根据所述可能程度和所述聚簇差异程度计算合并簇的增强系数，包括：
以自然常数为底数，以负的所述聚簇差异程度为指数的指数函数值，作为第三函数值；所述第三函数值和所述可能程度的乘积，作为合并簇的增强系数。
7.根据权利要求1所述的一种基于视频监控的耕地违法占用监测方法，其特征在于，所述根据所述增强系数对所述异常帧进行增强，得到增强图像，包括：
对于异常帧中的任意一个像素点，将像素点对应的合并簇的增强系数作为伽马校正中的伽马变量，利用伽马校正对异常帧进行增强，得到增强图像。
8.根据权利要求1所述的一种基于视频监控的耕地违法占用监测方法，其特征在于，所述筛选出异常帧中的疑似耕地边缘点，包括：
获取异常帧中各像素点的梯度值，将梯度值大于预设梯度阈值的像素点筛选出疑似耕地边缘点。
9.根据权利要求1所述的一种基于视频监控的耕地违法占用监测方法，其特征在于，所述获取初始增强图像中的异常帧，包括：
对初始增强图像进行差分处理，得到异常帧。
10.一种基于视频监控的耕地违法占用监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述一种基于视频监控的耕地违法占用监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592264.1A CN115661669B (zh) | 2022-12-13 | 2022-12-13 | 一种基于视频监控的耕地违法占用监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592264.1A CN115661669B (zh) | 2022-12-13 | 2022-12-13 | 一种基于视频监控的耕地违法占用监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115661669A true CN115661669A (zh) | 2023-01-31 |
| CN115661669B CN115661669B (zh) | 2023-03-21 |
Family
ID=85019685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211592264.1A Active CN115661669B (zh) | 2022-12-13 | 2022-12-13 | 一种基于视频监控的耕地违法占用监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115661669B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109933A (zh) * | 2023-04-13 | 2023-05-12 | 山东省土地发展集团有限公司 | 一种用于废弃矿山生态修复的动态识别方法 |
| CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
| CN116740809A (zh) * | 2023-06-05 | 2023-09-12 | 嘉兴米兰映像家具有限公司 | 一种基于用户姿态的智能沙发控制方法 |
| CN117456428A (zh) * | 2023-12-22 | 2024-01-26 | 杭州臻善信息技术有限公司 | 基于视频图像特征分析的垃圾投放行为检测方法 |
| CN117876971A (zh) * | 2024-03-12 | 2024-04-12 | 武汉同创万智数字科技有限公司 | 基于机器视觉的建筑施工安全监测及预警方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208027A (zh) * | 2011-05-31 | 2011-10-05 | 武汉理工大学 | 基于间隙度维数的土地利用空间格局评价方法 |
| CN104408458A (zh) * | 2014-12-09 | 2015-03-11 | 西安电子科技大学 | 基于射线补全区域图和特征学习的sar图像分割方法 |
| WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| WO2019153746A1 (zh) * | 2018-02-07 | 2019-08-15 | 长安大学 | 基于张量投票耦合霍夫变换的地质线性体提取方法 |
| US20210041588A1 (en) * | 2019-08-09 | 2021-02-11 | Petrochina Company Limited | Method for identifying boundary of sedimentary facies, computer device and computer readable storage medium |
| CN112949710A (zh) * | 2021-02-26 | 2021-06-11 | 北京百度网讯科技有限公司 | 一种图像的聚类方法和装置 |
| US20210201023A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Cultivated land recognition method in satellite image and computing device |
| CN114529818A (zh) * | 2022-02-22 | 2022-05-24 | 山东师范大学 | 耕地地块提取方法及系统 |
| CN115294378A (zh) * | 2022-08-01 | 2022-11-04 | 南京正计通科技有限公司 | 一种图像聚类方法及系统 |
| CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
-
2022
- 2022-12-13 CN CN202211592264.1A patent/CN115661669B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208027A (zh) * | 2011-05-31 | 2011-10-05 | 武汉理工大学 | 基于间隙度维数的土地利用空间格局评价方法 |
| CN104408458A (zh) * | 2014-12-09 | 2015-03-11 | 西安电子科技大学 | 基于射线补全区域图和特征学习的sar图像分割方法 |
| WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| WO2019153746A1 (zh) * | 2018-02-07 | 2019-08-15 | 长安大学 | 基于张量投票耦合霍夫变换的地质线性体提取方法 |
| US20210041588A1 (en) * | 2019-08-09 | 2021-02-11 | Petrochina Company Limited | Method for identifying boundary of sedimentary facies, computer device and computer readable storage medium |
| US20210201023A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Cultivated land recognition method in satellite image and computing device |
| CN112949710A (zh) * | 2021-02-26 | 2021-06-11 | 北京百度网讯科技有限公司 | 一种图像的聚类方法和装置 |
| CN114529818A (zh) * | 2022-02-22 | 2022-05-24 | 山东师范大学 | 耕地地块提取方法及系统 |
| CN115294378A (zh) * | 2022-08-01 | 2022-11-04 | 南京正计通科技有限公司 | 一种图像聚类方法及系统 |
| CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| BERIL SIRMAÇEK * |
| 王惠平;钟若武;: "基于模糊聚类算法的边缘图像增强技术" * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109933A (zh) * | 2023-04-13 | 2023-05-12 | 山东省土地发展集团有限公司 | 一种用于废弃矿山生态修复的动态识别方法 |
| CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
| CN116740809A (zh) * | 2023-06-05 | 2023-09-12 | 嘉兴米兰映像家具有限公司 | 一种基于用户姿态的智能沙发控制方法 |
| CN116740809B (zh) * | 2023-06-05 | 2024-03-29 | 嘉兴米兰映像家具有限公司 | 一种基于用户姿态的智能沙发控制方法 |
| CN117456428A (zh) * | 2023-12-22 | 2024-01-26 | 杭州臻善信息技术有限公司 | 基于视频图像特征分析的垃圾投放行为检测方法 |
| CN117456428B (zh) * | 2023-12-22 | 2024-03-29 | 杭州臻善信息技术有限公司 | 基于视频图像特征分析的垃圾投放行为检测方法 |
| CN117876971A (zh) * | 2024-03-12 | 2024-04-12 | 武汉同创万智数字科技有限公司 | 基于机器视觉的建筑施工安全监测及预警方法 |
| CN117876971B (zh) * | 2024-03-12 | 2024-05-28 | 武汉同创万智数字科技有限公司 | 基于机器视觉的建筑施工安全监测及预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115661669B (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115661669B (zh) | 一种基于视频监控的耕地违法占用监测方法及系统 | |
| Zhang et al. | A new haze removal approach for sky/river alike scenes based on external and internal clues | |
| CN117408890B (zh) | 一种视频图像传输质量增强方法及系统 | |
| CN111259783A (zh) | 视频行为检测方法与系统、精彩视频回播系统及存储介质 | |
| CN102306307B (zh) | 一种彩色显微图像序列中固点噪声的定位方法 | |
| CN114782298B (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
| CN117522719B (zh) | 基于机器学习的支气管镜图像辅助优化系统 | |
| CN115035295A (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
| CN111199245A (zh) | 油菜害虫识别方法 | |
| Raikwar et al. | Adaptive dehazing control factor based fast single image dehazing | |
| CN117292137B (zh) | 一种航拍遥感影像优化分割处理方法 | |
| CN109255799A (zh) | 一种基于空间自适应相关滤波器的目标跟踪方法及系统 | |
| CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
| CN117876971A (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
| CN111667498A (zh) | 一种面向光学卫星视频的运动舰船目标自动检测方法 | |
| CN111861918A (zh) | 一种基于sar图像的海上溢油检测方法 | |
| CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
| Sun et al. | Single-image dehazing based on dark channel prior and fast weighted guided filtering | |
| CN110599518B (zh) | 一种基于视觉显著度的超像素分割与条件数分块的目标跟踪方法 | |
| Chehdi et al. | A blind system to identify and filter degradations affecting an image | |
| Acharya et al. | Contrast enhancement of images through skewness and mode based bi-histogram equalization | |
| CN118014887B (zh) | 一种基于物联网的智能折叠房屋远程监控方法 | |
| Xiang et al. | Quality-distinguishing and patch-comparing no-reference image quality assessment | |
| Gong et al. | Image fusion | |
| CN110532989B (zh) | 一种海上目标自动探测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Block C, Tiejian Building, 2666 Aoti West Road, Lixia District, Jinan City, Shandong Province, 250000 Patentee after: Shandong Land Development Group Co.,Ltd. Patentee after: Shandong Institute of Land and Spatial Data and Remote Sensing Technology (Shandong Sea Area Dynamic Monitoring and Monitoring Center) Address before: Block C, Tiejian Building, 2666 Aoti West Road, Lixia District, Jinan City, Shandong Province, 250000 Patentee before: Shandong Land Development Group Co.,Ltd. Patentee before: Shandong Institute of land spatial data and remote sensing technology |