CN115861133B - 一种钻凿劈裂一体机的远程遥控无人驾驶系统 - Google Patents

一种钻凿劈裂一体机的远程遥控无人驾驶系统 Download PDF

Info

Publication number
CN115861133B
CN115861133B CN202310145947.0A CN202310145947A CN115861133B CN 115861133 B CN115861133 B CN 115861133B CN 202310145947 A CN202310145947 A CN 202310145947A CN 115861133 B CN115861133 B CN 115861133B
Authority
CN
China
Prior art keywords
target
pixel point
determining
pixel
neighborhood
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.)
Active
Application number
CN202310145947.0A
Other languages
English (en)
Other versions
CN115861133A (zh
Inventor
张伟
白振
曾建平
胡劲昌
刘钦明
王宝
伊怀强
张文涛
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.)
Shandong Jingong Technology Co ltd
Original Assignee
Shandong Jingong 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 Shandong Jingong Technology Co ltd filed Critical Shandong Jingong Technology Co ltd
Priority to CN202310145947.0A priority Critical patent/CN115861133B/zh
Publication of CN115861133A publication Critical patent/CN115861133A/zh
Application granted granted Critical
Publication of CN115861133B publication Critical patent/CN115861133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域,具体涉及一种钻凿劈裂一体机的远程遥控无人驾驶系统,该系统包括:通过多个模块之间的相互配合可以实现以下步骤:获取钻凿劈裂一体机的目标监控图像;筛选出目标像素点集合;对初始种子像素点的每个邻域像素点进行距离灰度差异特征相似程度分析处理;对初始暗通道图像进行区域生长聚类处理;对每个目标聚类簇进行生长轨迹分析处理;对筛选出的目标边界点集合进行自适应均值滤波,对非目标边界点进行最小值滤波;对筛选出的雾化图块集合进行自适应去雾处理;对钻凿劈裂一体机进行远程遥控处理。本发明通过对目标监控图像进行数据处理,提高了目标监控图像的去雾效果。

Description

一种钻凿劈裂一体机的远程遥控无人驾驶系统
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种钻凿劈裂一体机的远程遥控无人驾驶系统。
背景技术
随着科技的发展,无人驾驶技术越来越成熟,无人驾驶技术是依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全的操作机动车辆的技术。其中,机动车辆可以是钻凿劈裂一体机。因此,对钻凿劈裂一体机进行远程遥控时,往往需要通过监控装置拍摄包含路面和作业信息的监控图像,并与人工智能、视觉计算、雷达、全球定位系统协同合作,实现对钻凿劈裂一体机的无人驾驶。由于钻凿劈裂一体机的工作场所往往是工地,因此在钻凿劈裂一体机的工作过程中往往会出现灰尘纷飞的情况,往往会干扰后续对路面和作业信息的提取,对钻凿劈裂一体机的无人驾驶造成干扰,可能导致发生安全事故,其中,这些灰尘在监控图像中呈现雾状。因此对监控图像进行去雾处理至关重要。
目前,对图像进行去雾时,通常采用的方式为:采用暗通道先验去雾算法,对获取的图像进行去雾,具体为:首先在获取的图像的RGB三个通道中取最小值,组成该图像的暗通道图像,接着对该暗通道图像进行最小值滤波,得到滤波后的暗通道图像,最后基于滤波后的暗通道图像,对获取的图像进行去雾处理。然而,当采用暗通道先验去雾算法,对通过安装在钻凿劈裂一体机上的监控装置采集的监控图像进行去雾时,由于需要对暗通道图像进行最小值滤波,因此往往导致含雾区域和晴朗区域交界处容易产生块状效应,且可能存在暗点扩张,可能使去雾后的图像产生光晕现象,从而往往导致对监控图像进行去雾的效果低下,进而可能导致对钻凿劈裂一体机进行无人驾驶的安全性较低。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对监控图像进行去雾的效果低下的技术问题,本发明提出了一种钻凿劈裂一体机的远程遥控无人驾驶系统。
本发明提供了一种钻凿劈裂一体机的远程遥控无人驾驶系统,该系统包括:
获取确定模块,用于获取钻凿劈裂一体机的目标监控图像,并确定所述目标监控图像的暗通道图像,作为初始暗通道图像;
筛选确定模块,用于从所述初始暗通道图像中筛选出目标像素点集合,并将所述目标像素点集合中的任意一个目标像素点,确定为初始种子像素点;
特征分析处理模块,用于对初始种子像素点对应的预先设置的目标邻域内的每个邻域像素点进行距离灰度差异特征相似程度分析处理,得到所述邻域像素点对应的同类概率指标;
生长聚类处理模块,用于根据初始种子像素点对应的目标邻域内的各个邻域像素点对应的同类概率指标,对所述初始暗通道图像进行区域生长聚类处理,得到目标聚类簇集合;
轨迹分析处理模块,用于对所述目标聚类簇集合中的每个目标聚类簇进行生长轨迹分析处理,得到所述目标聚类簇对应的边界概率指标;
筛选滤波模块,用于根据所述目标聚类簇集合中的各个目标聚类簇对应的边界概率指标,从所述目标聚类簇集合中筛选出目标边界点集合,并对所述目标边界点集合进行自适应均值滤波,对所述目标聚类簇集合中除了所述目标边界点集合之外的像素点进行最小值滤波,得到目标暗通道图像;
自适应去雾模块,用于从所述目标暗通道图像中筛选出雾化图块集合,根据所述目标监控图像,对所述雾化图块集合中的各个雾化图块进行自适应去雾处理,得到目标去雾图像;
远程遥控处理模块,用于根据所述目标去雾图像,对所述钻凿劈裂一体机进行远程遥控处理。
进一步地,所述从所述初始暗通道图像中筛选出目标像素点集合,包括:
对所述初始暗通道图像中的每个像素点进行最小值滤波,得到所述像素点对应的最小滤波值;
当所述初始暗通道图像中的像素点对应的灰度值不等于对应的最小滤波值时,将像素点确定为目标像素点,得到目标像素点集合。
进一步地,所述对初始种子像素点对应的预先设置的目标邻域内的每个邻域像素点进行距离灰度差异特征相似程度分析处理,得到所述邻域像素点对应的同类概率指标,包括:
确定初始种子像素点与所述邻域像素点之间的欧式距离,作为所述邻域像素点对应的参考距离;
对所述邻域像素点对应的参考距离进行负相关映射并归一化,得到所述邻域像素点对应的距离指标;
从初始种子像素点对应的目标邻域内筛选出灰度值最小的邻域像素点,作为初始种子像素点对应的滤波替换点;
将第一灰度值与第二灰度值的差值,确定为初始种子像素点对应的滤波灰度差异,其中,第一灰度值是初始种子像素点对应的灰度值,第二灰度值是初始种子像素点对应的滤波替换点对应的灰度值;
将初始种子像素点对应的灰度值和滤波灰度差异,组合为初始种子像素点对应的特征向量;
确定所述邻域像素点对应的滤波灰度差异,并将所述邻域像素点对应的灰度值和滤波灰度差异,组合为所述邻域像素点对应的特征向量;
确定初始种子像素点对应的特征向量与所述邻域像素点对应的特征向量之间的余弦相似度,作为所述邻域像素点对应的相似指标;
将所述邻域像素点对应的相似指标与距离指标的乘积,确定为所述邻域像素点对应的同类概率指标。
进一步地,所述根据初始种子像素点对应的目标邻域内的各个邻域像素点对应的同类概率指标,对所述初始暗通道图像进行区域生长聚类处理,得到目标聚类簇集合,包括:
当初始种子像素点对应的目标邻域内的邻域像素点对应的同类概率指标大于或等于预先设置的同类相似阈值时,将邻域像素点,确定为与初始种子像素点相同类别的种子像素点;
当初始种子像素点对应的目标邻域内的邻域像素点对应的同类概率指标小于同类相似阈值时,将邻域像素点,确定为与初始种子像素点不同类别的种子像素点;
当种子像素点对应的目标邻域内存在待归类像素点时,确定待归类像素点对应的同类概率指标,当待归类像素点对应的同类概率指标大于或等于同类相似阈值时,将待归类像素点确定为与该种子像素点相同类别的种子像素点,当待归类像素点对应的同类概率指标小于同类相似阈值时,将待归类像素点确定为与该种子像素点不同类别的种子像素点,重复种子像素点确定过程,直至种子像素点对应的目标邻域内不存在待归类像素点时,将得到的相同类别的各个种子像素点,组合为目标聚类簇,其中,待归类像素点是未被确定为种子像素点的像素点。
进一步地,所述对所述目标聚类簇集合中的每个目标聚类簇进行生长轨迹分析处理,得到所述目标聚类簇对应的边界概率指标,包括:
根据所述目标聚类簇中的各个种子像素点的生长轨迹,确定所述目标聚类簇对应的类簇分支数量;
根据所述目标聚类簇对应的类簇分支数量和所述目标聚类簇中种子像素点的数量,确定所述目标聚类簇对应的边界概率指标。
进一步地,所述根据所述目标聚类簇对应的类簇分支数量和所述目标聚类簇中种子像素点的数量,确定所述目标聚类簇对应的边界概率指标,包括:
将所述目标聚类簇对应的类簇分支数量与常数1的和,确定为所述目标聚类簇对应的参考数量;
将所述目标聚类簇中种子像素点的数量与所述目标聚类簇对应的参考数量的比值,确定为所述目标聚类簇对应的第一边界因子;
将所述目标聚类簇对应的第一边界因子的预设数目次幂,确定为所述目标聚类簇对应的第二边界因子;
对所述目标聚类簇对应的第二边界因子进行归一化,得到所述目标聚类簇对应的边界概率指标。
进一步地,所述根据所述目标聚类簇集合中的各个目标聚类簇对应的边界概率指标,从所述目标聚类簇集合中筛选出目标边界点集合,包括:
当目标聚类簇对应的边界概率指标大于或等于预先设置的边界阈值时,将目标聚类簇中的像素点确定为目标边界点。
进一步地,所述从所述目标暗通道图像中筛选出雾化图块集合,根据所述目标监控图像,对所述雾化图块集合中的各个雾化图块进行自适应去雾处理,得到目标去雾图像,包括:
根据所述目标边界点集合,从所述目标暗通道图像中筛选出雾化图块集合;
按照灰度值从大到小的顺序,对所述雾化图块集合中的像素点进行排序,得到像素点序列;
将像素点序列中的前预设百分比的像素点,确定为亮像素点,得到亮像素点集合;
将亮像素点集合中的每个亮像素点对应在所述目标监控图像中的像素点,确定为目标亮像素点,得到目标亮像素点集合;
将目标亮像素点集合中最亮的目标亮像素点对应的像素值,确定为目标大气光估计值;
根据所述雾化图块集合中的每个雾化图块中的各个像素点对应的灰度值,确定所述雾化图块对应的自适应去雾系数;
根据所述目标大气光估计值和所述雾化图块集合中的各个雾化图块对应的自适应去雾系数,对各个雾化图块进行去雾处理,得到目标去雾图像。
进一步地,所述根据所述雾化图块集合中的每个雾化图块中的各个像素点对应的灰度值,确定所述雾化图块对应的自适应去雾系数,包括:
将所述雾化图块中的各个像素点对应的灰度值的均值,确定为所述雾化图块对应的雾化均值;
将所述雾化图块集合中的像素点对应的灰度值中最大的灰度值,确定为目标大灰度值;
将所述雾化图块对应的雾化均值与所述目标大灰度值的比值,确定为所述雾化图块对应的自适应去雾系数。
进一步地,所述根据所述目标边界点集合,从所述目标暗通道图像中筛选出雾化图块集合,包括:
将所述目标边界点集合中的每个目标边界点对应在所述目标暗通道图像中的像素点,确定为所述目标暗通道图像中的边界点;
根据所述目标暗通道图像中的各个边界点,确定所述目标暗通道图像中的目标边界集合;
将所述目标边界集合中的各个目标边界划分的区域,确定为目标区域,得到目标区域集合;
确定所述目标区域集合中的每个目标区域内的各个像素点对应的灰度值的均值,作为所述目标区域对应的目标灰度均值;
当所述目标区域集合中的目标区域对应的目标灰度均值大于或等于预先设置的雾化灰度阈值时,将目标区域确定为雾化图块。
本发明具有如下有益效果:
本发明的一种钻凿劈裂一体机的远程遥控无人驾驶系统,通过对目标监控图像进行数据处理,解决了对目标监控图像进行去雾的效果低下的技术问题,提高了对目标监控图像进行去雾的效果。首先,通过获取确定模块实现获取钻凿劈裂一体机的目标监控图像,并确定上述目标监控图像的暗通道图像,作为初始暗通道图像。一般来说,钻凿劈裂一体机的目标监控图像往往包含路面和作业信息,因此获取目标监控图像,可以便于对钻凿劈裂一体机进行远程遥控。由于钻凿劈裂一体机所在的工作场所往往是工地,所以在钻凿劈裂一体机的工作过程中往往会出现灰尘纷飞的情况,因此确定初始暗通道图像,可以便于后续对目标监控图像进行去雾处理。接着,通过筛选确定模块实现从上述初始暗通道图像中筛选出目标像素点集合,并将上述目标像素点集合中的任意一个目标像素点,确定为初始种子像素点。可以便于后续进行区域生长聚类处理。然后,通过特征分析处理模块实现对初始种子像素点对应的预先设置的目标邻域内的每个邻域像素点进行距离灰度差异特征相似程度分析处理,得到上述邻域像素点对应的同类概率指标。因此,综合考虑距离特征、灰度差异特征以及相似程度,可以提高邻域像素点对应的同类概率指标确定的准确度。之后,通过生长聚类处理模块实现根据初始种子像素点对应的目标邻域内的各个邻域像素点对应的同类概率指标,对上述初始暗通道图像进行区域生长聚类处理,得到目标聚类簇集合。因此可以提高聚类的准确度,可以提高后续对各个雾化图块进行自适应去雾处理的准确度。而后,通过轨迹分析处理模块实现对上述目标聚类簇集合中的每个目标聚类簇进行生长轨迹分析处理,得到上述目标聚类簇对应的边界概率指标。由于边界对应的目标聚类簇的生长轨迹与非边界对应的目标聚类簇的生长轨迹往往不同,因此对目标聚类簇进行生长轨迹分析处理,可以提高目标聚类簇对应的边界概率指标确定的准确度。继续,通过筛选滤波模块实现根据上述目标聚类簇集合中的各个目标聚类簇对应的边界概率指标,从上述目标聚类簇集合中筛选出目标边界点集合,可以提高目标边界点集合确定的准确度,并对上述目标边界点集合进行自适应均值滤波,对上述目标聚类簇集合中除了上述目标边界点集合之外的像素点进行最小值滤波,得到目标暗通道图像。由于目标边界点和非目标边界点的特征不同,因此对目标边界点和非目标边界点采用适合各自的滤波方式,可以提高对目标监控图像的去雾效果。再者,通过自适应去雾模块实现从上述目标暗通道图像中筛选出雾化图块集合,根据上述目标监控图像,对上述雾化图块集合中的各个雾化图块进行自适应去雾处理,得到目标去雾图像。最后,通过远程遥控处理模块实现根据上述目标去雾图像,对上述钻凿劈裂一体机进行远程遥控处理。因此,本发明通过对目标监控图像进行数据处理,提高了目标边界点集合确定的准确度,并且对目标边界点集合进行自适应均值滤波,相较于对目标边界点集合也进行最小值滤波,可以避免含雾区域和晴朗区域的交界处产生块状效应、暗点扩张和去雾后的图像产生光晕现象的问题,从而可以提高对目标监控图像的去雾效果。
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为根据本发明的一种钻凿劈裂一体机的远程遥控无人驾驶系统的结构示意图;
图2为根据本发明的第一生长轨迹的示意图;
图3为根据本发明的第一生长轨迹的树状图的示意图;
图4为根据本发明的边界像素点的节点连接情况的示意图;
图5为根据本发明的含雾区域或晴朗区域内像素点的节点连接情况的示意图。
其中,附图标记包括:初始像素点201、第一种子像素点202、第二种子像素点203、第三种子像素点204、第四种子像素点205、第五种子像素点206、第六种子像素点207、第七种子像素点208、第一像素点301和第二像素点401。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种钻凿劈裂一体机的远程遥控无人驾驶系统,该系统包括:
获取确定模块,用于获取钻凿劈裂一体机的目标监控图像,并确定目标监控图像的暗通道图像,作为初始暗通道图像;
筛选确定模块,用于从初始暗通道图像中筛选出目标像素点集合,并将目标像素点集合中的任意一个目标像素点,确定为初始种子像素点;
特征分析处理模块,用于对初始种子像素点对应的预先设置的目标邻域内的每个邻域像素点进行距离灰度差异特征相似程度分析处理,得到邻域像素点对应的同类概率指标;
生长聚类处理模块,用于根据初始种子像素点对应的目标邻域内的各个邻域像素点对应的同类概率指标,对初始暗通道图像进行区域生长聚类处理,得到目标聚类簇集合;
轨迹分析处理模块,用于对目标聚类簇集合中的每个目标聚类簇进行生长轨迹分析处理,得到目标聚类簇对应的边界概率指标;
筛选滤波模块,用于根据目标聚类簇集合中的各个目标聚类簇对应的边界概率指标,从目标聚类簇集合中筛选出目标边界点集合,并对目标边界点集合进行自适应均值滤波,对目标聚类簇集合中除了目标边界点集合之外的像素点进行最小值滤波,得到目标暗通道图像;
自适应去雾模块,用于从目标暗通道图像中筛选出雾化图块集合,根据目标监控图像,对雾化图块集合中的各个雾化图块进行自适应去雾处理,得到目标去雾图像;
远程遥控处理模块,用于根据目标去雾图像,对钻凿劈裂一体机进行远程遥控处理。
参考图1,示出了根据本发明的一种钻凿劈裂一体机的远程遥控无人驾驶系统的结构示意图。该钻凿劈裂一体机的远程遥控无人驾驶系统,包括:
获取确定模块101,用于获取钻凿劈裂一体机的目标监控图像,并确定目标监控图像的暗通道图像,作为初始暗通道图像。
在一些实施例中,可以获取钻凿劈裂一体机的目标监控图像,并确定上述目标监控图像的暗通道图像,作为初始暗通道图像。
其中,钻凿劈裂一体机可以是安装有凿岩机与劈裂机的挖掘机,既可利用安装的凿岩机钻孔,也可利用安装的劈裂机分裂岩石。目标监控图像可以是钻凿劈裂一体机周围环境的监控图像。目标监控图像可以是通过安装在钻凿劈裂一体机上的监控装置采集的图像。监控装置可以是摄像头。目标监控图像可以是RGB图像。初始暗通道图像可以是在目标监控图像的RGB三个通道中取最小值组成的灰度图。
需要说明的是,钻凿劈裂一体机的目标监控图像往往包含路面和作业信息,因此获取目标监控图像,可以便于对钻凿劈裂一体机进行远程遥控。由于钻凿劈裂一体机所在的工作场所往往是工地,所以在钻凿劈裂一体机的工作过程中往往会出现灰尘纷飞的情况,并且灰尘在图像中呈现雾状,因此确定初始暗通道图像,可以便于后续对目标监控图像进行去雾处理,减少目标监控图像中的灰尘干扰。
作为示例,本步骤可以包括以下步骤:
第一步,获取钻凿劈裂一体机的目标监控图像。
例如,可以通过安装在钻凿劈裂一体机上的摄像头,实时采集目标监控图像。
第二步,确定上述目标监控图像的暗通道图像,作为初始暗通道图像。
例如,可以取目标监控图像中的每个像素点对应的RGB三个通道中的最小值,组成初始暗通道图像。
筛选确定模块102,用于从初始暗通道图像中筛选出目标像素点集合,并将目标像素点集合中的任意一个目标像素点,确定为初始种子像素点。
在一些实施例中,可以从上述初始暗通道图像中筛选出目标像素点集合,并将上述目标像素点集合中的任意一个目标像素点,确定为初始种子像素点。
其中,初始种子像素点可以是某个类别的第一个种子像素点。
作为示例,本步骤可以包括以下步骤:
第一步,对上述初始暗通道图像中的每个像素点进行最小值滤波,得到上述像素点对应的最小滤波值。
例如,可以采用5×5的滤波窗口,对初始暗通道图像中的像素点进行最小值滤波,得到像素点对应的最小滤波值。
第二步,当上述初始暗通道图像中的像素点对应的灰度值不等于对应的最小滤波值时,将像素点确定为目标像素点,得到目标像素点集合。
其中,初始暗通道图像中的像素点对应的灰度值可以是该像素点在初始暗通道图像中的灰度值。
例如,当像素点对应的灰度值不等于该像素点对应的最小滤波值时,将该像素点确定为目标像素点。
第三步,将上述目标像素点集合中的任意一个目标像素点,确定为初始种子像素点。
需要说明的是,从初始暗通道图像中筛选出目标像素点集合,可以使后续进行距离灰度差异特征相似程度分析处理、区域生长聚类处理和生长轨迹分析处理等多个处理时,不需对初始暗通道图像中除了目标像素点集合之外的像素点进行处理,可以减少计算量,可以减少计算资源的占用,进而可以提高后续处理效率。由于初始暗通道图像中除了目标像素点集合之外的像素点是对应的灰度值等于对应的最小滤波值的像素点,这些像素点进行最小值滤波后,灰度值没有发生变化,因此这些像素点不需要平滑,并且这些像素点往往不位于边界上。其次确定初始种子像素点可以便于后续进行区域生长聚类处理。
特征分析处理模块103,用于对初始种子像素点对应的预先设置的目标邻域内的每个邻域像素点进行距离灰度差异特征相似程度分析处理,得到邻域像素点对应的同类概率指标。
在一些实施例中,可以对初始种子像素点对应的预先设置的目标邻域内的每个邻域像素点进行距离灰度差异特征相似程度分析处理,得到上述邻域像素点对应的同类概率指标。
其中,目标邻域可以是预先设置的邻域。例如,目标邻域可以是5×5的邻域。邻域像素点可以是目标邻域内除了中心像素点之外的像素点。初始种子像素点对应的目标邻域内的邻域像素点对应的同类概率指标可以表征初始种子像素点与该邻域像素点属于同一类别的概率。
作为示例,本步骤可以包括以下步骤:
第一步,确定初始种子像素点与上述邻域像素点之间的欧式距离,作为上述邻域像素点对应的参考距离。
第二步,对上述邻域像素点对应的参考距离进行负相关映射并归一化,得到上述邻域像素点对应的距离指标。
第三步,从初始种子像素点对应的目标邻域内筛选出灰度值最小的邻域像素点,作为初始种子像素点对应的滤波替换点。
其中,始种子像素点对应的滤波替换点可以是采用目标滤波窗口,对始种子像素点进行最小值滤波时,替换始种子像素点对应的灰度值的邻域像素点。目标滤波窗口的尺寸可以等于目标邻域的尺寸。例如,当目标邻域是5×5的邻域时,目标滤波窗口可以是5×5的滤波窗口。
第四步,将第一灰度值与第二灰度值的差值,确定为初始种子像素点对应的滤波灰度差异。
其中,第一灰度值可以是初始种子像素点对应的灰度值。第二灰度值可以是初始种子像素点对应的滤波替换点对应的灰度值。
其中,初始种子像素点对应的滤波灰度差异可以表征采用目标滤波窗口,对初始种子像素点进行最小值滤波之后的灰度变化。
第五步,将初始种子像素点对应的灰度值和滤波灰度差异,组合为初始种子像素点对应的特征向量。
其中,特征向量可以包括两个元素。
例如,首先,可以将初始种子像素点对应的灰度值,确定为初始种子像素点对应的特征向量的第一个元素,接着,可以将初始种子像素点对应的滤波灰度差异,确定为初始种子像素点对应的特征向量的第二个元素。
第六步,确定上述邻域像素点对应的滤波灰度差异,并将上述邻域像素点对应的灰度值和滤波灰度差异,组合为上述邻域像素点对应的特征向量。
例如,首先,可以参考确定初始种子像素点对应的滤波灰度差异的方式,确定邻域像素点对应的滤波灰度差异,具体为:将邻域像素点作为初始种子像素点,执行特征分析处理模块103包括的作为示例包括的第三步和第四步,得到的滤波灰度差异,即为该邻域像素点对应的滤波灰度差异。接着,可以将邻域像素点对应的灰度值,确定为该邻域像素点对应的特征向量的第一个元素,最后,可以将邻域像素点对应的滤波灰度差异,确定为该邻域像素点对应的特征向量的第二个元素。
第七步,确定初始种子像素点对应的特征向量与上述邻域像素点对应的特征向量之间的余弦相似度,作为上述邻域像素点对应的相似指标。
第八步,将上述邻域像素点对应的相似指标与距离指标的乘积,确定为上述邻域像素点对应的同类概率指标。
例如,确定初始种子像素点对应的目标邻域内的邻域像素点对应的同类概率指标对应的公式可以为:
其中,是初始种子像素点对应的目标邻域内的第i个邻域像素点对应的同类概率指标。i是初始种子像素点对应的目标邻域内邻域像素点的序号。是初始种子像素点对应的目标邻域内的第i个邻域像素点对应的参考距离。是初始种子像素点对应的目标邻域内的第i个邻域像素点对应的距离指标。是初始种子像素点对应的灰度值,也就是初始种子像素点对应的特征向量的第一个元素。C是初始种子像素点对应的滤波灰度差异,也就是初始种子像素点对应的特征向量的第二个元素。是初始种子像素点对应的目标邻域内的第i个邻域像素点对应的灰度值,也就是第i个邻域像素点对应的特征向量的第一个元素。是初始种子像素点对应的目标邻域内的第i个邻域像素点对应的滤波灰度差异,也就是第i个邻域像素点对应的特征向量的第二个元素。是自然常数的的次方,可以实现对的负相关映射和归一化。是初始种子像素点对应的目标邻域内的第i个邻域像素点对应的相似指标。
需要说明的是,当初始种子像素点与邻域像素点之间的距离越近时,越大,往往说明初始种子像素点与邻域像素点越可能是同一类像素点。晴朗区域或相同雾化程度的含雾区域内的像素点往往具有一致性,即相同区域内的各个像素点对应的灰度值往往相似,并且相同区域内的各个像素点对应的滤波灰度差异往往相似。当越大时,往往说明初始种子像素点对应的特征向量与第i个邻域像素点对应的特征向量越相似,往往说明初始种子像素点与第i个邻域像素点越一致,往往说明初始种子像素点对应的灰度值与第i个邻域像素点对应的灰度值越相似,往往说明初始种子像素点对应的滤波灰度差异与第i个邻域像素点对应的滤波灰度差异越相似,往往说明初始种子像素点与第i个邻域像素点越可能是同一类像素点。因此初始种子像素点对应的目标邻域内的第i个邻域像素点对应的同类概率指标越大,往往说明初始种子像素点与第i个邻域像素点越可能是同一类像素点。
生长聚类处理模块104,用于根据初始种子像素点对应的目标邻域内的各个邻域像素点对应的同类概率指标,对初始暗通道图像进行区域生长聚类处理,得到目标聚类簇集合。
在一些实施例中,可以根据初始种子像素点对应的目标邻域内的各个邻域像素点对应的同类概率指标,对上述初始暗通道图像进行区域生长聚类处理,得到目标聚类簇集合。
作为示例,本步骤可以包括以下步骤:
第一步,当初始种子像素点对应的目标邻域内的邻域像素点对应的同类概率指标大于或等于预先设置的同类相似阈值时,将邻域像素点,确定为与初始种子像素点相同类别的种子像素点。
其中,初始种子像素点可以是某个类别的第一个种子像素点。同类相似阈值可以是预先设置的认为邻域像素点与种子像素点属于同一个类别时,最小的同类概率指标。例如,同类相似阈值可以是0.8。
第二步,当初始种子像素点对应的目标邻域内的邻域像素点对应的同类概率指标小于同类相似阈值时,将邻域像素点,确定为与初始种子像素点不同类别的种子像素点。
第三步,当种子像素点对应的目标邻域内存在待归类像素点时,确定待归类像素点对应的同类概率指标,当待归类像素点对应的同类概率指标大于或等于同类相似阈值时,将待归类像素点确定为与该种子像素点相同类别的种子像素点,当待归类像素点对应的同类概率指标小于同类相似阈值时,将待归类像素点确定为与该种子像素点不同类别的种子像素点,重复种子像素点确定过程,直至种子像素点对应的目标邻域内不存在待归类像素点时,将得到的相同类别的各个种子像素点,组合为目标聚类簇。
其中,待归类像素点可以是待进行归类的像素点。
例如,确定待归类像素点对应的同类概率指标的方法可以为:将种子像素点确定为初始种子像素点,并且将待归类像素点确定为邻域像素点,执行特征分析处理模块103包括的作为示例,得到的同类概率指标,即为待归类像素点对应的同类概率指标。
又如,种子像素点确定过程可以包括:当种子像素点对应的目标邻域内存在待归类像素点时,确定待归类像素点对应的同类概率指标,当待归类像素点对应的同类概率指标大于或等于同类相似阈值时,将待归类像素点确定为与该种子像素点相同类别的种子像素点,当待归类像素点对应的同类概率指标小于同类相似阈值时,将待归类像素点确定为与该种子像素点不同类别的种子像素点。
可选地,当待归类像素点被多个不同类别的种子像素点计算同类概率指标时,从计算的多个同类概率指标中筛选出最大的同类概率指标,判断最大的同类概率指标是否大于或等于同类相似阈值,当该最大的同类概率指标大于或等于同类相似阈值时,将待归类像素点确定为与目标大种子像素点相同类别的种子像素点。其中,目标大种子像素点可以是与待归类像素点一起参与确定该最大的同类概率指标的种子像素点。两个像素点之间的同类概率指标越大,往往说明这两个像素点之间的相似度越高。
需要说明的是,本方案在区域生长过程中,基于目标像素点距离、滤波替换点灰度差以及灰度相似度,确定同类概率指标,并基于同类概率指标,验证像素点与像素点之间的相似度关系,自由度较高,相较于传统区域生长而言最终生长结果受阈值或种子像素点影响较小,从任意点出发均可,往往不会存在空洞效应,并在各个聚类簇形成过程中根据最大相似度限定了生长轨迹,使其聚类簇特征得以保留,体现一致性的同时为后续边界点的判定提供可靠的特征信息,进而可以提高后续对各个雾化图块进行自适应去雾处理的准确度。
轨迹分析处理模块105,用于对目标聚类簇集合中的每个目标聚类簇进行生长轨迹分析处理,得到目标聚类簇对应的边界概率指标。
在一些实施例中,可以对上述目标聚类簇集合中的每个目标聚类簇进行生长轨迹分析处理,得到上述目标聚类簇对应的边界概率指标。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述目标聚类簇中的各个种子像素点的生长轨迹,确定上述目标聚类簇对应的类簇分支数量。
例如,根据上述目标聚类簇中的各个种子像素点的生长轨迹,确定上述目标聚类簇对应的类簇分支数量可以包括以下子步骤:
第一子步骤,根据目标聚类簇中的各个种子像素点的生长轨迹,将目标聚类簇中的初始种子像素点确定为根节点,并将该生长轨迹调整为目标聚类簇对应的树状图,目标聚类簇中除了初始种子像素点之外的种子像素点,按照在树状图中的位置,分别作为子节点和叶子节点。
比如,目标聚类簇可以包括:初始像素点201、第一种子像素点202、第二种子像素点203、第三种子像素点204、第四种子像素点205、第五种子像素点206、第六种子像素点207、第七种子像素点208。其中,第一种子像素点202、第二种子像素点203、第三种子像素点204、第四种子像素点205、第五种子像素点206和第六种子像素点207可以是通过初始像素点201计算同类概率指标确定的种子像素点。第七种子像素点208可以是通过第三种子像素点204计算同类概率指标确定的种子像素点。可以将这8个种子像素点的生长轨迹,确定为第一生长轨迹,第一生长轨迹可以如图2所示。第一生长轨迹的树状图可以如图3所示。
第二子步骤,将根节点连接的节点数量确定为根节点的分支数量,将子节点连接的节点数量减1的值确定为子节点的分支数量,将0确定为叶子节点的分支数量。
第三子步骤,将目标聚类簇对应的树状图中各个节点的分支数量的和,确定为该目标聚类簇对应的类簇分支数量。
比如,当目标邻域是3×3的邻域时,若目标聚类簇中的种子像素点是边界上的像素点,则该目标聚类簇中部分种子像素点对应的树状图可以如图4所示,该树状图中的每个节点上往往连接1个或2个的节点,并且该目标聚类簇中的大多数种子像素点在树状图中的节点连接情况可能和第一像素点301的节点连接情况相同,即连接的节点数量往往较少。若目标聚类簇中的种子像素点是边界内区域中的像素点,则该目标聚类簇中部分种子像素点对应的树状图可以如图5所示,并且该目标聚类簇中的大多数种子像素点在树状图中的节点连接情况往往和第二像素点401的节点连接情况相同,即连接的节点数量往往较多。其中,边界内区域可以是含雾区域或晴朗区域。本方案的含雾区域可以是含有扬尘的不清晰区域,晴朗区域可以是不含扬尘的清晰区域。
第二步,根据上述目标聚类簇对应的类簇分支数量和上述目标聚类簇中种子像素点的数量,确定上述目标聚类簇对应的边界概率指标。
例如,根据上述目标聚类簇对应的类簇分支数量和上述目标聚类簇中种子像素点的数量,确定上述目标聚类簇对应的边界概率指标可以包括以下子步骤:
第一子步骤,将上述目标聚类簇对应的类簇分支数量与常数1的和,确定为上述目标聚类簇对应的参考数量。
第二子步骤,将上述目标聚类簇中种子像素点的数量与上述目标聚类簇对应的参考数量的比值,确定为上述目标聚类簇对应的第一边界因子。
第三子步骤,将上述目标聚类簇对应的第一边界因子的预设数目次幂,确定为上述目标聚类簇对应的第二边界因子。
其中,预设数目可以是预先设置的数目。比如,预设数目可以是2。
第四子步骤,对上述目标聚类簇对应的第二边界因子进行归一化,得到上述目标聚类簇对应的边界概率指标。
比如,确定目标聚类簇对应的边界概率指标对应的公式可以为:
其中,是目标聚类簇集合中的第j个目标聚类簇对应的边界概率指标。j是目标聚类簇集合中目标聚类簇的序号。是目标聚类簇集合中的第j个目标聚类簇中种子像素点的数量。是目标聚类簇集合中的第j个目标聚类簇对应的类簇分支数量。k是预设数目,如k可以等于2。是目标聚类簇集合中的第j个目标聚类簇对应的参考数量。是目标聚类簇集合中的第j个目标聚类簇对应的第一边界因子。是目标聚类簇集合中的第j个目标聚类簇对应的第二边界因子。的双曲正切函数值,可以实现对的归一化。
需要说明的是,由于边界往往是闭合的线,边界内的区域往往是具有一定面积的图像块,所以若目标聚类簇中的种子像素点是边界上的像素点,则与在边界内区域的像素点相比,边界上的像素点对应在树状图时的分支数量往往较少。由于当越大时,往往说明第j个目标聚类簇的平均分支数量越少,往往说明第j个目标聚类簇中的种子像素点越可能是边界点,其中分母中的常数1主要用于防止分母为0。主要是为了实现对的放大,可以拉开各个目标聚类簇之间的差异。可以实现对的归一化,可以便于后续处理。
筛选滤波模块106,用于根据目标聚类簇集合中的各个目标聚类簇对应的边界概率指标,从目标聚类簇集合中筛选出目标边界点集合,并对目标边界点集合进行自适应均值滤波,对目标聚类簇集合中除了目标边界点集合之外的像素点进行最小值滤波,得到目标暗通道图像。
在一些实施例中,可以根据上述目标聚类簇集合中的各个目标聚类簇对应的边界概率指标,从上述目标聚类簇集合中筛选出目标边界点集合,并对上述目标边界点集合进行自适应均值滤波,对上述目标聚类簇集合中除了上述目标边界点集合之外的像素点进行最小值滤波,得到目标暗通道图像。
需要说明的是,对目标边界点集合进行自适应均值滤波,相较于对目标边界点集合也进行最小值滤波,可以避免含雾区域和晴朗区域的交界处产生块状效应、暗点扩张和去雾后的图像产生光晕现象的问题,从而可以提高对目标监控图像的去雾效果。
作为示例,本步骤可以包括以下步骤:
第一步,当目标聚类簇对应的边界概率指标大于或等于预先设置的边界阈值时,将目标聚类簇中的像素点确定为目标边界点。
其中,边界阈值可以是预先设置的认为目标聚类簇中的像素点为边界点时,最小的边界概率指标。例如,边界阈值可以是0.75。
第二步,对上述目标边界点集合进行自适应均值滤波,对上述目标聚类簇集合中除了上述目标边界点集合之外的像素点进行最小值滤波,得到目标暗通道图像。
其中,进行滤波时采用的滤波窗口可以是目标滤波窗口。
例如,对上述目标边界点集合进行自适应均值滤波可以包括:首先,确定上述目标边界点集合中的目标边界点对应的灰度值的均值,作为边界均值。接着,将上述目标边界点集合中的目标边界点对应的灰度值更新为边界均值。
自适应去雾模块107,用于从目标暗通道图像中筛选出雾化图块集合,根据目标监控图像,对雾化图块集合中的各个雾化图块进行自适应去雾处理,得到目标去雾图像。
在一些实施例中,可以从上述目标暗通道图像中筛选出雾化图块集合,根据上述目标监控图像,对上述雾化图块集合中的各个雾化图块进行自适应去雾处理,得到目标去雾图像。
其中,雾化图块集合中的雾化图块对应的雾化程度可以不同,也就是说雾化图块集合中的雾化图块对应的扬尘程度不同。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述目标边界点集合,从上述目标暗通道图像中筛选出雾化图块集合。
例如,根据上述目标边界点集合,从上述目标暗通道图像中筛选出雾化图块集合可以包括以下子步骤:
第一子步骤,将上述目标边界点集合中的每个目标边界点对应在上述目标暗通道图像中的像素点,确定为上述目标暗通道图像中的边界点。
第二子步骤,根据上述目标暗通道图像中的各个边界点,确定上述目标暗通道图像中的目标边界集合。
其中,目标边界集合中的目标边界可以是由目标暗通道图像中的边界点组成的边界。
第三子步骤,将上述目标边界集合中的各个目标边界划分的区域,确定为目标区域,得到目标区域集合。
第四子步骤,确定上述目标区域集合中的每个目标区域内的各个像素点对应的灰度值的均值,作为上述目标区域对应的目标灰度均值。
第五子步骤,当上述目标区域集合中的目标区域对应的目标灰度均值大于或等于预先设置的雾化灰度阈值时,将目标区域确定为雾化图块。
其中,雾化灰度阈值可以是预先设置的认为目标区域为存在雾化现象的区域时,最小的目标灰度均值。例如,雾化灰度阈值可以是0.05。雾化现象可以是拍摄的图像中存在像雾一样使图像不清晰的现象。例如,雾化现象可以是拍摄的图像中含有扬尘使图像不清晰的现象。
第二步,按照灰度值从大到小的顺序,对上述雾化图块集合中的像素点进行排序,得到像素点序列。
第三步,将像素点序列中的前预设百分比的像素点,确定为亮像素点,得到亮像素点集合。
其中,预设百分比可以是预先设置的百分比。例如,预设百分比可以是0.1%。
第四步,将亮像素点集合中的每个亮像素点对应在上述目标监控图像中的像素点,确定为目标亮像素点,得到目标亮像素点集合。
第五步,将目标亮像素点集合中最亮的目标亮像素点对应的像素值,确定为目标大气光估计值。
其中,目标亮像素点集合中最亮的目标亮像素点可以是目标亮像素点集合中像素值最大的目标亮像素点。上述目标监控图像可以是RGB图像。目标大气光估计值可以是RGB值。
需要说明的是,现有确定大气光估计值的方法为:取进行最小值滤波后的暗通道图像中亮度前0.1%的像素点,确定这些像素点在该暗通道图像中的位置,然后在原始RGB图像中与这些像素点相同位置的像素点中,寻找具有最高亮度的像素点的RGB值,作为大气光估计值。大气光估计值为全局值,但扬尘和大雾天气不同。扬尘随机飘散、飘散高度有限、并且会随重力沉降,因此目标监控图像中的扬尘往往并非全局分布,大多数情况下分为晴朗区域和含雾区域,所以从含雾区域中获取目标大气光估计值,考虑了扬尘的特性,可以提高目标大气光估计值确定的准确度。其中,最高亮度的像素点可以是像素值最大的像素点。
第六步,根据上述雾化图块集合中的每个雾化图块中的各个像素点对应的灰度值,确定上述雾化图块对应的自适应去雾系数。
例如,根据上述雾化图块集合中的每个雾化图块中的各个像素点对应的灰度值,确定上述雾化图块对应的自适应去雾系数可以包括以下子步骤:
第一子步骤,将上述雾化图块中的各个像素点对应的灰度值的均值,确定为上述雾化图块对应的雾化均值。
第二子步骤,将上述雾化图块集合中的像素点对应的灰度值中最大的灰度值,确定为目标大灰度值。
第三子步骤,将上述雾化图块对应的雾化均值与上述目标大灰度值的比值,确定为上述雾化图块对应的自适应去雾系数。
比如,确定雾化图块对应的自适应去雾系数对应的公式可以为:
其中,是雾化图块集合中的第z个雾化图块对应的自适应去雾系数。z是雾化图块集合中雾化图块的序号。是雾化图块集合中的第z个雾化图块中像素点的数量。是雾化图块集合中的第z个雾化图块中的第r个像素点对应的灰度值。r是第z个雾化图块中像素点的序号。是雾化图块集合中的像素点对应的灰度值中最大的灰度值,也就是目标大灰度值。是雾化图块集合中的第z个雾化图块对应的雾化均值。
需要说明的是,暗通道先验算法中为了避免误差需引入去雾系数来控制去雾程度,一般去雾系数均主观设置为0.95,这是由于常规的雾天图像中的各个位置的雾化程度差异不大,但目标监控图像属于扬尘图像,扬尘图像中不同的雾化区域之间扬尘程度往往不同,即扬尘图像中不同的雾化区域之间的雾化程度差异往往较大,因此主观设置的去雾系数往往并不适用于雾化图块集合中的各个雾化图块。因此,确定雾化图块集合中的各个雾化图块对应的自适应去雾系数,可以提高去雾效果。越大,往往说明第z个雾化图块相对越亮,往往说明第z个雾化图块的雾化程度越大,因此将设置为第z个雾化图块对应的自适应去雾系数,可以提高对第z个雾化图块进行去雾的效果。
第七步,根据上述目标大气光估计值和上述雾化图块集合中的各个雾化图块对应的自适应去雾系数,对各个雾化图块进行去雾处理,得到目标去雾图像。
例如,对雾化图块集合中的每个雾化图块中的每个像素点进行去雾处理对应的公式可以为:
其中,是雾化图块集合中的第z个雾化图块中的第r个像素点去雾后的像素值。z是雾化图块集合中雾化图块的序号。r是第z个雾化图块中像素点的序号。是雾化图块集合中的第z个雾化图块中的第r个像素点对应在目标监控图像中的像素点对应的像素值。A是目标大气光估计值。是雾化图块集合中的第z个雾化图块中的第r个像素点对应的估计传输率。是雾化图块集合中的第z个雾化图块对应的自适应去雾系数。是雾化图块集合中的第z个雾化图块中的第1个像素点对应的估计传输率。是雾化图块集合中的第z个雾化图块中的第2个像素点对应的估计传输率。是雾化图块集合中的第z个雾化图块中的第个像素点对应的估计传输率。是雾化图块集合中的第z个雾化图块中像素点的数量。是为了避免估计传输率过小导致去雾后图像过曝所预先设置的常量值。比如,是取和第z个雾化图块中的各个像素点对应的估计传输率中的最大值。
需要说明的是,对雾化图块进行去雾处理时,首先基于扬尘的特性,确定目标大气光估计值A,可以提高目标大气光估计值A确定的准确度。接着,为每个雾化图块设置对应的自适应去雾系数,并基于目标大气光估计值A和每个雾化图块设置对应的自适应去雾系数,对每个雾化图块进行去雾处理,提高了去雾效果。
远程遥控处理模块108,用于根据目标去雾图像,对钻凿劈裂一体机进行远程遥控处理。
在一些实施例中,可以根据上述目标去雾图像,对上述钻凿劈裂一体机进行远程遥控处理。
其中,钻凿劈裂一体机上可以安装有U盘录像机、摄像机、显示屏和GPS等。
作为示例,可以通过目标去雾图像拍摄的路面和作业信息,实时传输至后台终端,对钻凿劈裂一体机所在位置的路况以及作业情况进行分析,判断当前作业位置是否作业完成,若当前作业位置作业完成,则根据分析的路况,配合安装在钻凿劈裂一体机上的GPS,将钻凿劈裂一体机移动至下一个作业位置,可以通过对钻凿劈裂一体机的远程遥控,以实现钻凿劈裂一体机的无人驾驶。
综上,本发明主要用于解决目标监控图像的画面扬尘问题,可以减少扬尘干扰,使图像更加清晰。现有利用暗通道先验去雾算法进行预处理时,由于暗通道算法采用最小值滤波平滑图像存在暗像素扩张、块效应和复原图像光晕问题,为了解决该问题,本发明对初始种子像素点的每个邻域像素点进行距离灰度差异特征相似程度分析处理,并且对初始暗通道图像进行区域生长聚类处理,得到目标聚类簇集合,对每个目标聚类簇进行生长轨迹分析处理,并筛选出目标边界点集合,对目标边界点和非目标边界点进行各自相适应的滤波方式,可以消除含雾区域和晴朗区域之间的块效应,平滑初始暗通道图像的同时保留含雾区域和晴朗区域边界,并且根据分支数量确定边界概率指标,由于分支数量在归类过程中的获取方式简单直观,因此可以避免预处理过程运算冗余的问题。还可以有效分割不同雾化程度的雾化图块,并且基于扬尘特性,确定目标大气光估计值,后续在此基础上可以对不同雾化程度的雾化图块,采用自适应去雾系数和目标大气光估计值进行去雾程度的调节,使复原后图像更加清晰,去雾效果更好,可信度更高。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。

Claims (5)

1.一种钻凿劈裂一体机的远程遥控无人驾驶系统,其特征在于,所述系统包括:
获取确定模块,用于获取钻凿劈裂一体机的目标监控图像,并确定所述目标监控图像的暗通道图像,作为初始暗通道图像;
筛选确定模块,用于从所述初始暗通道图像中筛选出目标像素点集合,并将所述目标像素点集合中的任意一个目标像素点,确定为初始种子像素点;
特征分析处理模块,用于对初始种子像素点对应的预先设置的目标邻域内的每个邻域像素点进行距离灰度差异特征相似程度分析处理,得到所述邻域像素点对应的同类概率指标;
生长聚类处理模块,用于根据初始种子像素点对应的目标邻域内的各个邻域像素点对应的同类概率指标,对所述初始暗通道图像进行区域生长聚类处理,得到目标聚类簇集合;
轨迹分析处理模块,用于对所述目标聚类簇集合中的每个目标聚类簇进行生长轨迹分析处理,得到所述目标聚类簇对应的边界概率指标;
筛选滤波模块,用于根据所述目标聚类簇集合中的各个目标聚类簇对应的边界概率指标,从所述目标聚类簇集合中筛选出目标边界点集合,并对所述目标边界点集合进行自适应均值滤波,对所述目标聚类簇集合中除了所述目标边界点集合之外的像素点进行最小值滤波,得到目标暗通道图像;
自适应去雾模块,用于从所述目标暗通道图像中筛选出雾化图块集合,根据所述目标监控图像,对所述雾化图块集合中的各个雾化图块进行自适应去雾处理,得到目标去雾图像;
远程遥控处理模块,用于根据所述目标去雾图像,对所述钻凿劈裂一体机进行远程遥控处理;
所述对初始种子像素点对应的预先设置的目标邻域内的每个邻域像素点进行距离灰度差异特征相似程度分析处理,得到所述邻域像素点对应的同类概率指标,包括:
确定初始种子像素点与所述邻域像素点之间的欧式距离,作为所述邻域像素点对应的参考距离;
对所述邻域像素点对应的参考距离进行负相关映射并归一化,得到所述邻域像素点对应的距离指标;
从初始种子像素点对应的目标邻域内筛选出灰度值最小的邻域像素点,作为初始种子像素点对应的滤波替换点;
将第一灰度值与第二灰度值的差值,确定为初始种子像素点对应的滤波灰度差异,其中,第一灰度值是初始种子像素点对应的灰度值,第二灰度值是初始种子像素点对应的滤波替换点对应的灰度值;
将初始种子像素点对应的灰度值和滤波灰度差异,组合为初始种子像素点对应的特征向量;
确定所述邻域像素点对应的滤波灰度差异,并将所述邻域像素点对应的灰度值和滤波灰度差异,组合为所述邻域像素点对应的特征向量;
确定初始种子像素点对应的特征向量与所述邻域像素点对应的特征向量之间的余弦相似度,作为所述邻域像素点对应的相似指标;
将所述邻域像素点对应的相似指标与距离指标的乘积,确定为所述邻域像素点对应的同类概率指标;
所述根据初始种子像素点对应的目标邻域内的各个邻域像素点对应的同类概率指标,对所述初始暗通道图像进行区域生长聚类处理,得到目标聚类簇集合,包括:
当初始种子像素点对应的目标邻域内的邻域像素点对应的同类概率指标大于或等于预先设置的同类相似阈值时,将邻域像素点,确定为与初始种子像素点相同类别的种子像素点;
当初始种子像素点对应的目标邻域内的邻域像素点对应的同类概率指标小于同类相似阈值时,将邻域像素点,确定为与初始种子像素点不同类别的种子像素点;
当种子像素点对应的目标邻域内存在待归类像素点时,确定待归类像素点对应的同类概率指标,当待归类像素点对应的同类概率指标大于或等于同类相似阈值时,将待归类像素点确定为与该种子像素点相同类别的种子像素点,当待归类像素点对应的同类概率指标小于同类相似阈值时,将待归类像素点确定为与该种子像素点不同类别的种子像素点,重复种子像素点确定过程,直至种子像素点对应的目标邻域内不存在待归类像素点时,将得到的相同类别的各个种子像素点,组合为目标聚类簇,其中,待归类像素点是未被确定为种子像素点的像素点;
所述对所述目标聚类簇集合中的每个目标聚类簇进行生长轨迹分析处理,得到所述目标聚类簇对应的边界概率指标,包括:
根据所述目标聚类簇中的各个种子像素点的生长轨迹,确定所述目标聚类簇对应的类簇分支数量;
根据所述目标聚类簇对应的类簇分支数量和所述目标聚类簇中种子像素点的数量,确定所述目标聚类簇对应的边界概率指标;
所述根据所述目标聚类簇对应的类簇分支数量和所述目标聚类簇中种子像素点的数量,确定所述目标聚类簇对应的边界概率指标,包括:
将所述目标聚类簇对应的类簇分支数量与常数1的和,确定为所述目标聚类簇对应的参考数量;
将所述目标聚类簇中种子像素点的数量与所述目标聚类簇对应的参考数量的比值,确定为所述目标聚类簇对应的第一边界因子;
将所述目标聚类簇对应的第一边界因子的预设数目次幂,确定为所述目标聚类簇对应的第二边界因子;
对所述目标聚类簇对应的第二边界因子进行归一化,得到所述目标聚类簇对应的边界概率指标;
所述从所述目标暗通道图像中筛选出雾化图块集合,根据所述目标监控图像,对所述雾化图块集合中的各个雾化图块进行自适应去雾处理,得到目标去雾图像,包括:
根据所述目标边界点集合,从所述目标暗通道图像中筛选出雾化图块集合;
按照灰度值从大到小的顺序,对所述雾化图块集合中的像素点进行排序,得到像素点序列;
将像素点序列中的前预设百分比的像素点,确定为亮像素点,得到亮像素点集合;
将亮像素点集合中的每个亮像素点对应在所述目标监控图像中的像素点,确定为目标亮像素点,得到目标亮像素点集合;
将目标亮像素点集合中最亮的目标亮像素点对应的像素值,确定为目标大气光估计值;
根据所述雾化图块集合中的每个雾化图块中的各个像素点对应的灰度值,确定所述雾化图块对应的自适应去雾系数;
根据所述目标大气光估计值和所述雾化图块集合中的各个雾化图块对应的自适应去雾系数,对各个雾化图块进行去雾处理,得到目标去雾图像。
2.根据权利要求1所述的一种钻凿劈裂一体机的远程遥控无人驾驶系统,其特征在于,所述从所述初始暗通道图像中筛选出目标像素点集合,包括:
对所述初始暗通道图像中的每个像素点进行最小值滤波,得到所述像素点对应的最小滤波值;
当所述初始暗通道图像中的像素点对应的灰度值不等于对应的最小滤波值时,将像素点确定为目标像素点,得到目标像素点集合。
3.根据权利要求1所述的一种钻凿劈裂一体机的远程遥控无人驾驶系统,其特征在于,所述根据所述目标聚类簇集合中的各个目标聚类簇对应的边界概率指标,从所述目标聚类簇集合中筛选出目标边界点集合,包括:
当目标聚类簇对应的边界概率指标大于或等于预先设置的边界阈值时,将目标聚类簇中的像素点确定为目标边界点。
4.根据权利要求1所述的一种钻凿劈裂一体机的远程遥控无人驾驶系统,其特征在于,所述根据所述雾化图块集合中的每个雾化图块中的各个像素点对应的灰度值,确定所述雾化图块对应的自适应去雾系数,包括:
将所述雾化图块中的各个像素点对应的灰度值的均值,确定为所述雾化图块对应的雾化均值;
将所述雾化图块集合中的像素点对应的灰度值中最大的灰度值,确定为目标大灰度值;
将所述雾化图块对应的雾化均值与所述目标大灰度值的比值,确定为所述雾化图块对应的自适应去雾系数。
5.根据权利要求1所述的一种钻凿劈裂一体机的远程遥控无人驾驶系统,其特征在于,所述根据所述目标边界点集合,从所述目标暗通道图像中筛选出雾化图块集合,包括:
将所述目标边界点集合中的每个目标边界点对应在所述目标暗通道图像中的像素点,确定为所述目标暗通道图像中的边界点;
根据所述目标暗通道图像中的各个边界点,确定所述目标暗通道图像中的目标边界集合;
将所述目标边界集合中的各个目标边界划分的区域,确定为目标区域,得到目标区域集合;
确定所述目标区域集合中的每个目标区域内的各个像素点对应的灰度值的均值,作为所述目标区域对应的目标灰度均值;
当所述目标区域集合中的目标区域对应的目标灰度均值大于或等于预先设置的雾化灰度阈值时,将目标区域确定为雾化图块。
CN202310145947.0A 2023-02-22 2023-02-22 一种钻凿劈裂一体机的远程遥控无人驾驶系统 Active CN115861133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310145947.0A CN115861133B (zh) 2023-02-22 2023-02-22 一种钻凿劈裂一体机的远程遥控无人驾驶系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310145947.0A CN115861133B (zh) 2023-02-22 2023-02-22 一种钻凿劈裂一体机的远程遥控无人驾驶系统

Publications (2)

Publication Number Publication Date
CN115861133A CN115861133A (zh) 2023-03-28
CN115861133B true CN115861133B (zh) 2023-05-09

Family

ID=85658620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310145947.0A Active CN115861133B (zh) 2023-02-22 2023-02-22 一种钻凿劈裂一体机的远程遥控无人驾驶系统

Country Status (1)

Country Link
CN (1) CN115861133B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419162A (zh) * 2019-08-20 2021-02-26 浙江宇视科技有限公司 图像去雾方法、装置、电子设备及可读存储介质
CN115018853A (zh) * 2022-08-10 2022-09-06 南通市立新机械制造有限公司 基于图像处理的机械组件缺陷检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765309B (zh) * 2018-04-26 2022-05-17 西安汇智信息科技有限公司 基于暗通道的线状自适应改进全局大气光的图像去雾方法
CN110232666B (zh) * 2019-06-17 2020-04-28 中国矿业大学(北京) 基于暗原色先验的地下管道图像快速去雾方法
CN111325688B (zh) * 2020-02-18 2023-05-05 西安汇智信息科技有限公司 融合形态学聚类优化大气光的无人机图像去雾方法
CN111667433B (zh) * 2020-06-09 2022-12-09 中国电子科技集团公司第五十四研究所 一种基于简单线性迭代聚类优化的无人机图像去雾方法
CN115456905A (zh) * 2022-09-26 2022-12-09 南京邮电大学 一种基于明暗区域分割的单幅图像去雾方法
CN115496693B (zh) * 2022-11-17 2023-04-07 南通鼎勇机械有限公司 基于暗通道算法的烧结火焰图像去烟雾方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419162A (zh) * 2019-08-20 2021-02-26 浙江宇视科技有限公司 图像去雾方法、装置、电子设备及可读存储介质
CN115018853A (zh) * 2022-08-10 2022-09-06 南通市立新机械制造有限公司 基于图像处理的机械组件缺陷检测方法

Also Published As

Publication number Publication date
CN115861133A (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN109272455B (zh) 基于弱监督生成对抗网络的图像去雾方法
CN110399856B (zh) 特征提取网络训练方法、图像处理方法、装置及其设备
CN111798467B (zh) 一种图像分割方法、装置、设备及存储介质
US7424175B2 (en) Video segmentation using statistical pixel modeling
CN111784746B (zh) 一种鱼眼镜头下行人多目标跟踪方法、装置及计算机系统
US9633263B2 (en) Appearance modeling for object re-identification using weighted brightness transfer functions
US20040239762A1 (en) Adaptive background image updating
US10311578B1 (en) Learning method and learning device for segmenting an image having one or more lanes by using embedding loss to support collaboration with HD maps required to satisfy level 4 of autonomous vehicles and softmax loss, and testing method and testing device using the same
CN109685045A (zh) 一种运动目标视频跟踪方法及系统
CN114500865B (zh) 补光灯的调控方法、装置、电子设备和存储介质
CN111460964A (zh) 一种广电传输机房低照度条件下运动目标检测方法
CN105631825B (zh) 基于滚动导向的图像去雾方法
CN117314793B (zh) 基于bim模型的建筑施工数据采集方法
US20160217556A1 (en) Systems and methods for automatic image enhancement utilizing feedback control
CN114463363A (zh) 一种图像分割方法、装置、电子设备及存储介质
CN115861133B (zh) 一种钻凿劈裂一体机的远程遥控无人驾驶系统
KR102171384B1 (ko) 영상 보정 필터를 이용한 객체 인식 시스템 및 방법
JP2020021368A (ja) 画像解析システム、画像解析方法及び画像解析プログラム
CN112686247A (zh) 一种身份证号码检测方法、装置、可读存储介质和终端
CN114431124B (zh) 一种用于农业种植的喷淋智能控制方法
CN113450385B (zh) 一种夜间工作工程机械视觉跟踪方法、装置及存储介质
CN116229404A (zh) 一种基于距离传感器的图像去雾优化方法
CN115909094A (zh) 基于2d图像和视频融合的地下桩基施工进度识别方法
CN112598777B (zh) 一种基于暗通道先验的雾霾融合方法
CN114419018A (zh) 图像采样方法、系统、设备及介质

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