CN116071520B - 一种数字孪生水务仿真模拟测试方法 - Google Patents

一种数字孪生水务仿真模拟测试方法 Download PDF

Info

Publication number
CN116071520B
CN116071520B CN202310332171.3A CN202310332171A CN116071520B CN 116071520 B CN116071520 B CN 116071520B CN 202310332171 A CN202310332171 A CN 202310332171A CN 116071520 B CN116071520 B CN 116071520B
Authority
CN
China
Prior art keywords
target water
water area
point cloud
cloud data
underwater
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
CN202310332171.3A
Other languages
English (en)
Other versions
CN116071520A (zh
Inventor
王崇宇
赵艳
任华强
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 Water Planning And Design Institute Co ltd
Original Assignee
Hunan Water Planning And Design Institute 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 Water Planning And Design Institute Co ltd filed Critical Hunan Water Planning And Design Institute Co ltd
Priority to CN202310332171.3A priority Critical patent/CN116071520B/zh
Publication of CN116071520A publication Critical patent/CN116071520A/zh
Application granted granted Critical
Publication of CN116071520B publication Critical patent/CN116071520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Evolutionary Computation (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及水务仿真的技术领域，揭露了一种数字孪生水务仿真模拟测试方法，所述方法包括：对采集的图像序列进行多聚焦处理；对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，得到目标水域点云数据；构建目标水域三维生成模型，得到目标水域三维结构；对目标水域三维结构进行颜色渲染，得到基于二维图像映射的数字孪生水务环境仿真结果。本发明综合图像块的集合结构清晰程度以及梯度相位方向的差异性实现水下模糊图像块的识别，并对模糊图像块进行聚焦增强处理，并根据点云数据法向量夹角选取最为合适的点云数据作为种子点，基于种子点生成目标水域三维结构并进行颜色渲染，实现基于二维图像映射的数字孪生水务环境仿真。

Description

一种数字孪生水务仿真模拟测试方法
技术领域
本发明涉及水务仿真的技术领域，尤其涉及一种数字孪生水务仿真模拟测试方法。
背景技术
随着水环境保护措施的不断提升，水环境模拟系统越来越得到重视。水环境模拟系统能够从数字层面对水域环境进行数字建模，管理人员能够基于二维水域图像在模拟系统进行仿真建模并进行相关管理测试，为水务管理提供极大便利性。针对该问题，本发明提出一种数字孪生水务仿真模拟测试方法，实现水务环境建模。
发明内容
有鉴于此，本发明提供一种数字孪生水务仿真模拟测试方法，目的在于：1）将所采集水下图像划分为若干图像块，并计算得到每个图像块的梯度矩阵，其中梯度矩阵的特征值反应图像块的几何结构，几何结构越不明显，则表示图像块的模糊程度越严重，需要进行聚焦增强处理，同时未避免单一评价准则导致的评价误差，并计算当前待清晰度评估图像块的梯度相位方向与邻近图像块梯度相位方向的差异，通过综合图像块的集合结构清晰程度以及梯度相位方向的差异性实现模糊图像块的识别，并对模糊图像块进行聚焦增强处理；2）基于像素梯度矩阵设计特征响应值函数，选取局部极大特征响应值像素作为候选特征点，基于灰度熵删去所包含特征信息较少的候选特征点，并对相邻的图像进行增量式特征点匹配映射，将二维特征点映射到三维，得到水域环境的点云数据，进而基于点云数据法向量夹角选取最为合适的点云数据作为种子点，基于种子点生成目标水域三维结构，通过对目标水域三维结构进行颜色渲染，实现基于二维图像映射的数字孪生水务环境仿真。
实现上述目的，本发明提供的一种数字孪生水务仿真模拟测试方法，包括以下步骤：
S1：采集目标水域水下图像序列，并对采集的图像序列进行多聚焦处理，得到聚焦处理后的目标水域水下图像序列；
S2：对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，得到目标水域点云数据；
S3：构建目标水域三维生成模型，所构建模型以目标水域点云数据为输入，以目标水域三维结构为输出；
S4：对目标水域三维结构进行渲染，得到基于二维图像映射的数字孪生水务环境仿真结果。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集目标水域水下图像序列，包括：
在目标水域下方设置摄像装置，平移调整摄像装置的拍摄方向，得到目标水域水下图像序列
Figure SMS_1
，/>
Figure SMS_2
表示编号为n的目标水域水下图像，N表示所拍摄目标水域水下图像的总数，其中编号相邻的目标水域水下图像所对应的水下区域位置相近；在本发明实施例中，受水下环境影响，每张目标水域水下图像存在部分模糊的图像区域；
对每张目标水域水下图像进行灰度化处理，得到目标水域水下图像中像素灰度值，其中灰度化处理的公式为：
Figure SMS_3
;
其中：
Figure SMS_5
表示目标水域水下图像/>
Figure SMS_8
中像素/>
Figure SMS_10
在R,G,B颜色通道的颜色值，像素/>
Figure SMS_6
表示目标水域水下图像/>
Figure SMS_7
中第/>
Figure SMS_9
行第/>
Figure SMS_11
列的像素，其中每张目标水域水下图像的格式均为/>
Figure SMS_4
H像素，M表示目标水域水下图像的行像素数目，H表示目标水域水下图像的列像素数目；
Figure SMS_12
表示像素/>
Figure SMS_13
的灰度值。
可选地，所述S1步骤中对采集的目标水域水下图像序列进行多聚焦处理，包括：
按照编号顺序对灰度化处理后的目标水域水下图像序列进行排列，并对目标水域水下图像序列进行多聚焦处理，其中多聚焦处理的流程为：
S11：计算目标水域水下图像中像素的梯度值，其中像素
Figure SMS_14
的梯度值计算公式为：
Figure SMS_15
表示像素/>
Figure SMS_16
的灰度值。
可选地，所述S1步骤中对采集的目标水域水下图像序列进行多聚焦处理，包括：
按照编号顺序对灰度化处理后的目标水域水下图像序列进行排列，并对目标水域水下图像序列进行多聚焦处理，其中多聚焦处理的流程为：
S11：计算目标水域水下图像中像素的梯度值，其中像素
Figure SMS_17
的梯度值计算公式为：
Figure SMS_18
;
Figure SMS_19
;
其中：
Figure SMS_20
表示像素/>
Figure SMS_21
在水平方向的梯度值；
Figure SMS_22
表示像素/>
Figure SMS_23
在竖直方向的梯度值；
S12：设置图像块格式，并将每张目标水域水下图像划分为多个等大的图像块，构建每个图像块的梯度矩阵，其中目标水域水下图像
Figure SMS_24
中第k个图像块的梯度矩阵/>
Figure SMS_25
为：
Figure SMS_26
Figure SMS_27
;
其中：
Figure SMS_28
表示目标水域水下图像/>
Figure SMS_29
中第k个图像块的像素坐标集合；
S13：基于梯度矩阵评估每个图像块的清晰度，其中目标水域水下图像
Figure SMS_30
中第k个图像块的清晰度评估结果/>
Figure SMS_31
为：
Figure SMS_32
;
其中：
Figure SMS_33
为/>
Figure SMS_34
中的最大特征值，/>
Figure SMS_35
为/>
Figure SMS_36
中的次大特征值；
Figure SMS_37
表示/>
Figure SMS_38
所对应特征向量与水平方向的夹角，并将/>
Figure SMS_39
作为/>
Figure SMS_40
的梯度特征方向角度；
Figure SMS_41
表示/>
Figure SMS_42
的邻近8个梯度矩阵的平均梯度方向角度；
S14：选取清晰度评估结果低于预设阈值的图像块进行聚焦处理，得到聚焦处理后的目标水域水下图像序列。
可选地，所述S2步骤中对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，包括：
对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，得到目标水域点云数据，其中增量式交叉矩阵处理流程为：
S21：计算聚焦处理后任意目标水域水下图像
Figure SMS_43
中任意像素/>
Figure SMS_44
的梯度矩阵
Figure SMS_45
：
Figure SMS_46
;
其中
Figure SMS_47
为聚焦处理后的编号为n的目标水域水下图像；
S22：计算像素
Figure SMS_48
的特征响应值/>
Figure SMS_49
：
Figure SMS_50
;
其中：
Figure SMS_51
表示行列式，/>
Figure SMS_52
表示计算矩阵的迹；
若
Figure SMS_53
为以像素/>
Figure SMS_54
为中心的/>
Figure SMS_55
邻域像素的极大特征响应值，则将像素/>
Figure SMS_56
作为候选特征点；
S23：计算目标水域水下图像
Figure SMS_57
的灰度熵/>
Figure SMS_58
，其中
Figure SMS_59
表示目标水域水下图像/>
Figure SMS_60
中灰度值为L的像素出现的概率，并计算以候选特征点为中心的/>
Figure SMS_61
邻域像素区域的灰度熵，取H张聚焦处理后目标水域水下图像的灰度熵均值的60%作为阈值，将灰度熵大于阈值的候选特征点作为特征点；
S24：提取特征点的SIFT特征，并进行相邻编号目标水域水下图像的SIFT特征匹配，其中匹配方法为利用余弦相似度计算公式计算待匹配SIFT特征的相似度，选取相似度高于预设置相似度阈值的两组SIFT特征作为匹配成功结果；
S25：获取匹配成功的特征点在相邻编号目标水域水下图像的坐标点
Figure SMS_62
，基于交叉矩阵将坐标点/>
Figure SMS_63
映射到世界坐标系中，并对映射结果进行求解/>
Figure SMS_64
，其中求解方程为：
Figure SMS_65
;
其中：
Figure SMS_66
表示摄像装置的内置相机参数矩阵；
Figure SMS_67
表示摄像装置的旋转矩阵，
Figure SMS_68
表示摄像装置的平移矩阵；所述相机参数矩阵即为多参数的交叉矩阵；
Figure SMS_69
表示坐标点/>
Figure SMS_70
在世界坐标系下的三维坐标映射结果；
S26：将映射到世界坐标系的三维坐标转换为点云数据，构成目标水域点云数据，其中目标水域点云数据格式为：
Figure SMS_71
;
其中：
Figure SMS_72
表示第u个点云数据，/>
Figure SMS_73
表示第u个点云数据的三维坐标，U表示目标水域点云数据总数；
Figure SMS_74
表示第u个点云数据的RGB颜色值，对应所映射特征点在原始目标水域水下图像的RGB颜色值均值。
可选地，所述S3步骤中构建目标水域三维生成模型，包括：
构建目标水域三维生成模型，所构建模型以目标水域点云数据为输入，以目标水域三维结构为输出，其中基于目标水域点云数据的目标水域三维结构生成流程为：
S31：遍历U个目标水域点云数据，选取X轴方向坐标极小值的目标水域点云数据，若存在相同的X轴方向坐标极小值，则从相同的目标水域点云数据依次选取Y轴、Z轴最小的目标水域点云数据；
S32：计算所选取目标水域点云数据到邻域内每个目标水域点云数据的法向量夹角，若每个法向量夹角均小于90度，则将所选取目标水域点云数据作为种子点，否则返回步骤S31重新选取其他目标水域点云数据；
S33：利用 k 近邻搜索算法查找距离种子点
Figure SMS_75
最近的目标水域点云数据/>
Figure SMS_76
作为第二个点，连接两点构成种子三角形第一条边，接着在 />
Figure SMS_77
和/>
Figure SMS_78
的 k 近邻点中，选择距离两点长度最小的目标水域点云数据/>
Figure SMS_79
作为第三个点，构成种子三角网格；
S34：基于种子三角网格，利用delaunay三角剖分算法生成若干三角网格，其中所生成每个三角网格的顶点均为目标水域点云数据，且保证所生成每个三角网格的最大边长小于预设置的边长阈值，最大内角小于预设置的内角阈值，得到目标水域三维结构，其中所述目标水域三维结构中包含若干三角网格。
可选地，所述S4步骤中对目标水域三维结构进行渲染，包括：
利用平滑的曲面将目标水域三维结构中的三角网格的高度场进行连接，其中所述高度场为三角网格顶点在Z轴的坐标，并对曲面中每个像素点的颜色值进行基于高度的颜色衰减，得到颜色渲染后的基于二维图像映射的数字孪生水务环境仿真结果，其中颜色渲染公式为：
Figure SMS_80
;
其中：
Figure SMS_81
表示曲面内网格顶点在w颜色通道的颜色均值，/>
Figure SMS_82
表示曲面内Z轴为/>
Figure SMS_83
的像素在w颜色通道的衰减结果，/>
Figure SMS_84
；
Figure SMS_85
表示曲面内像素在Z轴的坐标值，/>
Figure SMS_86
表示曲面内网格顶点在Z轴的平均坐标值。
可选地，所述步骤S14采用以下步骤进行聚焦处理：
S141：按照从上到下，从左到右的顺序遍历待聚焦处理的图像块的任意像素s，计算待聚焦处理的图像块中任意像素s的梯度方向
Figure SMS_87
：
Figure SMS_88
;
其中：
Figure SMS_89
表示像素s在水平方向的梯度值，/>
Figure SMS_90
表示像素s在竖直方向的梯度值；
S142：沿着梯度方向
Figure SMS_91
所在直线，遍历直线上最接近像素s的5个像素；
S143：取所遍历像素的灰度值均值作为像素s的灰度值。为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；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数字孪生水务仿真模拟测试方法。
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数字孪生水务仿真模拟测试方法。
相对于现有技术，本发明提出一种数字孪生水务仿真模拟测试方法，该技术具有以下优势：
首先，本方案提出一种模糊图像块识别方法，通过计算目标水域水下图像中像素的梯度值，其中像素
Figure SMS_92
的梯度值计算公式为：
Figure SMS_93
;
Figure SMS_94
;
其中：
Figure SMS_95
表示像素/>
Figure SMS_96
在水平方向的梯度值；/>
Figure SMS_97
表示像素
Figure SMS_98
在竖直方向的梯度值；设置图像块格式，并将每张目标水域水下图像划分为多个等大的图像块，构建每个图像块的梯度矩阵，其中目标水域水下图像/>
Figure SMS_99
中第k个图像块的梯度矩阵/>
Figure SMS_100
为：
Figure SMS_101
其中：
Figure SMS_102
表示目标水域水下图像/>
Figure SMS_103
中第k个图像块的像素坐标集合；基于梯度矩阵评估每个图像块的清晰度，其中目标水域水下图像/>
Figure SMS_104
中第k个图像块的清晰度评估结果/>
Figure SMS_105
为：
Figure SMS_106
;
其中：
Figure SMS_109
为/>
Figure SMS_112
中的最大特征值，/>
Figure SMS_115
为/>
Figure SMS_108
中的次大特征值；/>
Figure SMS_111
表示/>
Figure SMS_114
所对应特征向量与水平方向的夹角，并将/>
Figure SMS_116
作为/>
Figure SMS_107
的梯度特征方向角度；/>
Figure SMS_110
表示/>
Figure SMS_113
的邻近8个梯度矩阵的平均梯度方向角度；选取清晰度评估结果低于预设阈值的图像块进行聚焦处理，得到聚焦处理后的目标水域水下图像序列。本方案通过将所采集水下图像划分为若干图像块，并计算得到每个图像块的梯度矩阵，其中梯度矩阵的特征值反应图像块的几何结构，几何结构越不明显，则表示图像块的模糊程度越严重，需要进行聚焦增强处理，同时未避免单一评价准则导致的评价误差，并计算当前待清晰度评估图像块的梯度相位方向与邻近图像块梯度相位方向的差异，通过综合图像块的集合结构清晰程度以及梯度相位方向的差异性实现模糊图像块的识别，并对模糊图像块进行聚焦增强处理。
同时，本方案提出一种目标水域三维仿真方法，通过构建目标水域三维生成模型，所构建模型以目标水域点云数据为输入，以目标水域三维结构为输出，其中基于目标水域点云数据的目标水域三维结构生成流程为：遍历U个目标水域点云数据，选取X轴方向坐标极小值的目标水域点云数据，若存在相同的X轴方向坐标极小值，则从相同的目标水域点云数据依次选取Y轴、Z轴最小的目标水域点云数据；计算所选取目标水域点云数据到邻域内每个目标水域点云数据的法向量夹角，若每个法向量夹角均小于90度，则将所选取目标水域点云数据作为种子点，否则返回步骤S31重新选取其他目标水域点云数据；利用 k 近邻搜索算法查找距离种子点
Figure SMS_117
最近的目标水域点云数据/>
Figure SMS_118
作为第二个点，连接两点构成种子三角形第一条边，接着在 />
Figure SMS_119
和/>
Figure SMS_120
的 k 近邻点中，选择距离两点长度最小的目标水域点云数据/>
Figure SMS_121
作为第三个点，构成种子三角网格；基于种子三角网格，利用delaunay三角剖分算法生成若干三角网格，其中所生成每个三角网格的顶点均为目标水域点云数据，且保证所生成每个三角网格的最大边长小于预设置的边长阈值，最大内角小于预设置的内角阈值，得到目标水域三维结构，其中所述目标水域三维结构中包含若干三角网格。利用平滑的曲面将目标水域三维结构中的三角网格的高度场进行连接，其中所述高度场为三角网格顶点在Z轴的坐标，并对曲面中每个像素点的颜色值进行基于高度的颜色衰减，得到颜色渲染后的基于二维图像映射的数字孪生水务环境仿真结果。本方案基于像素梯度矩阵设计特征响应值函数，选取局部极大特征响应值像素作为候选特征点，基于灰度熵删去所包含特征信息较少的候选特征点，并对相邻的图像进行增量式特征点匹配映射，将二维特征点映射到三维，得到水域环境的点云数据，进而基于点云数据法向量夹角选取最为合适的点云数据作为种子点，基于种子点生成目标水域三维结构，通过对目标水域三维结构进行颜色渲染，实现基于二维图像映射的数字孪生水务环境仿真。
附图说明
图1为本发明一实施例提供的一种数字孪生水务仿真模拟测试方法的流程示意图；
图2为本发明一实施例提供的实现数字孪生水务仿真模拟测试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数字孪生水务仿真模拟测试方法。所述数字孪生水务仿真模拟测试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，所述数字孪生水务仿真模拟测试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：采集目标水域水下图像序列，并对采集的图像序列进行多聚焦处理，得到聚焦处理后的目标水域水下图像序列。
所述S1步骤中采集目标水域水下图像序列，包括：
在目标水域下方设置摄像装置，平移调整摄像装置的拍摄方向，得到目标水域水下图像序列
Figure SMS_122
，/>
Figure SMS_123
表示编号为n的目标水域水下图像，N表示所拍摄目标水域水下图像的总数，其中编号相邻的目标水域水下图像所对应的水下区域位置相近；在本发明实施例中，受水下环境影响，每张目标水域水下图像存在部分模糊的图像区域；对每张目标水域水下图像进行灰度化处理，得到目标水域水下图像中像素灰度值，其中灰度化处理的公式为：
Figure SMS_124
;
其中：
Figure SMS_126
表示目标水域水下图像/>
Figure SMS_128
中像素/>
Figure SMS_130
在R,G,B颜色通道的颜色值，像素/>
Figure SMS_127
表示目标水域水下图像/>
Figure SMS_129
中第/>
Figure SMS_131
行第/>
Figure SMS_132
列的像素，其中每张目标水域水下图像的格式均为/>
Figure SMS_125
H像素，M表示目标水域水下图像的行像素数目，H表示目标水域水下图像的列像素数目；
Figure SMS_133
表示像素/>
Figure SMS_134
的灰度值。
所述S1步骤中对采集的目标水域水下图像序列进行多聚焦处理，包括：
按照编号顺序对灰度化处理后的目标水域水下图像序列进行排列，并对目标水域水下图像序列进行多聚焦处理，其中多聚焦处理的流程为：
S11：计算目标水域水下图像中像素的梯度值，其中像素
Figure SMS_135
的梯度值计算公式为：
Figure SMS_136
;
Figure SMS_137
;
其中：
Figure SMS_138
表示像素/>
Figure SMS_139
在水平方向的梯度值；
Figure SMS_140
表示像素/>
Figure SMS_141
在竖直方向的梯度值；
S12：设置图像块格式，并将每张目标水域水下图像划分为多个等大的图像块，构建每个图像块的梯度矩阵，其中目标水域水下图像
Figure SMS_142
中第k个图像块的梯度矩阵/>
Figure SMS_143
为：
Figure SMS_144
;
其中：
Figure SMS_145
表示目标水域水下图像/>
Figure SMS_146
中第k个图像块的像素坐标集合；
S13：基于梯度矩阵评估每个图像块的清晰度，其中目标水域水下图像
Figure SMS_147
中第k个图像块的清晰度评估结果/>
Figure SMS_148
为：
Figure SMS_149
;
其中：
Figure SMS_150
为/>
Figure SMS_151
中的最大特征值，/>
Figure SMS_152
为/>
Figure SMS_153
中的次大特征值；
Figure SMS_154
表示/>
Figure SMS_155
所对应特征向量与水平方向的夹角，并将/>
Figure SMS_156
作为/>
Figure SMS_157
的梯度特征方向角度；
Figure SMS_158
表示/>
Figure SMS_159
的邻近8个梯度矩阵的平均梯度方向角度；
S14：选取清晰度评估结果低于预设阈值的图像块进行聚焦处理，得到聚焦处理后的目标水域水下图像序列。
S2：对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，得到目标水域点云数据。
所述S2步骤中对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，包括：
对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，得到目标水域点云数据，其中增量式交叉矩阵处理流程为：
S21：计算聚焦处理后任意目标水域水下图像
Figure SMS_160
中任意像素/>
Figure SMS_161
的梯度矩阵
Figure SMS_162
：
Figure SMS_163
;
其中
Figure SMS_164
为聚焦处理后的编号为n的目标水域水下图像；
S22：计算像素
Figure SMS_165
的特征响应值/>
Figure SMS_166
：
Figure SMS_167
;
其中：
Figure SMS_168
表示行列式，/>
Figure SMS_169
表示计算矩阵的迹；
若
Figure SMS_170
为以像素/>
Figure SMS_171
为中心的/>
Figure SMS_172
邻域像素的极大特征响应值，则将像素/>
Figure SMS_173
作为候选特征点；
S23：计算目标水域水下图像
Figure SMS_174
的灰度熵/>
Figure SMS_175
，其中
Figure SMS_176
表示目标水域水下图像/>
Figure SMS_177
中灰度值为L的像素出现的概率，并计算以候选特征点为中心的/>
Figure SMS_178
邻域像素区域的灰度熵，取H张聚焦处理后目标水域水下图像的灰度熵均值的60%作为阈值，将灰度熵大于阈值的候选特征点作为特征点；
S24：提取特征点的SIFT特征，并进行相邻编号目标水域水下图像的SIFT特征匹配，其中匹配方法为利用余弦相似度计算公式计算待匹配SIFT特征的相似度，选取相似度高于预设置相似度阈值的两组SIFT特征作为匹配成功结果；通过逐渐对相邻图像进行特征匹配，实现增量式处理；
S25：获取匹配成功的特征点在相邻编号目标水域水下图像的坐标点
Figure SMS_179
，基于交叉矩阵将坐标点/>
Figure SMS_180
映射到世界坐标系中，并对映射结果进行求解/>
Figure SMS_181
，其中求解方程为：/>
Figure SMS_182
;
其中：
Figure SMS_183
表示摄像装置的内置相机参数矩阵；
Figure SMS_184
表示摄像装置的旋转矩阵，/>
Figure SMS_185
表示摄像装置的平移矩阵；所述相机参数矩阵即为多参数的交叉矩阵；
Figure SMS_186
表示坐标点/>
Figure SMS_187
在世界坐标系下的三维坐标映射结果；
S26：将映射到世界坐标系的三维坐标转换为点云数据，构成目标水域点云数据，其中目标水域点云数据格式为：
Figure SMS_188
;
其中：
Figure SMS_189
表示第u个点云数据，/>
Figure SMS_190
表示第u个点云数据的三维坐标，U表示目标水域点云数据总数；
Figure SMS_191
表示第u个点云数据的RGB颜色值，对应所映射特征点在原始目标水域水下图像的RGB颜色值均值。
S3：构建目标水域三维生成模型，所构建模型以目标水域点云数据为输入，以目标水域三维结构为输出。
所述S3步骤中构建目标水域三维生成模型，包括：
构建目标水域三维生成模型，所构建模型以目标水域点云数据为输入，以目标水域三维结构为输出，其中基于目标水域点云数据的目标水域三维结构生成流程为：
S31：遍历U个目标水域点云数据，选取X轴方向坐标极小值的目标水域点云数据，若存在相同的X轴方向坐标极小值，则从相同的目标水域点云数据依次选取Y轴、Z轴最小的目标水域点云数据；
S32：计算所选取目标水域点云数据到邻域内每个目标水域点云数据的法向量夹角，若每个法向量夹角均小于90度，则将所选取目标水域点云数据作为种子点，否则返回步骤S31重新选取其他目标水域点云数据；
S33：利用 k 近邻搜索算法查找距离种子点
Figure SMS_192
最近的目标水域点云数据/>
Figure SMS_193
作为第二个点，连接两点构成种子三角形第一条边，接着在 />
Figure SMS_194
和/>
Figure SMS_195
的 k 近邻点中，选择距离两点长度最小的目标水域点云数据/>
Figure SMS_196
作为第三个点，构成种子三角网格；
S34：基于种子三角网格，利用delaunay三角剖分算法生成若干三角网格，其中所生成每个三角网格的顶点均为目标水域点云数据，且保证所生成每个三角网格的最大边长小于预设置的边长阈值，最大内角小于预设置的内角阈值，得到目标水域三维结构，其中所述目标水域三维结构中包含若干三角网格。
S4：对目标水域三维结构进行渲染，得到基于二维图像映射的数字孪生水务环境仿真结果。
所述S4步骤中对目标水域三维结构进行渲染，包括：
利用平滑的曲面将目标水域三维结构中的三角网格的高度场进行连接，其中所述高度场为三角网格顶点在Z轴的坐标，并对曲面中每个像素点的颜色值进行基于高度的颜色衰减，得到颜色渲染后的基于二维图像映射的数字孪生水务环境仿真结果，其中颜色渲染公式为：
Figure SMS_197
;
其中：
Figure SMS_198
表示曲面内网格顶点在w颜色通道的颜色均值，/>
Figure SMS_199
表示曲面内Z轴为/>
Figure SMS_200
的像素在w颜色通道的衰减结果，/>
Figure SMS_201
；
Figure SMS_202
表示曲面内像素在Z轴的坐标值，/>
Figure SMS_203
表示曲面内网格顶点在Z轴的平均坐标值。
作为本发明的另一个优选实施例，所述步骤S14采用以下步骤进行聚焦处理：
S141：按照从上到下，从左到右的顺序遍历待聚焦处理的图像块的任意像素s，计算待聚焦处理的图像块中任意像素s的梯度方向
Figure SMS_204
：
Figure SMS_205
;
其中：
Figure SMS_206
表示像素s在水平方向的梯度值，/>
Figure SMS_207
表示像素s在竖直方向的梯度值；
S142：沿着梯度方向
Figure SMS_208
所在直线，遍历直线上最接近像素s的5个像素；
S143：取所遍历像素的灰度值均值作为像素s的灰度值。
实施例2
如图2所示，是本发明一实施例提供的实现数字孪生水务仿真模拟测试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（用于实现数字孪生水务仿真模拟测试的程序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2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2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：
采集目标水域水下图像序列，并对采集的图像序列进行多聚焦处理，得到聚焦处理后的目标水域水下图像序列；
对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，得到目标水域点云数据；
构建目标水域三维生成模型，所构建模型以目标水域点云数据为输入，以目标水域三维结构为输出；
对目标水域三维结构进行渲染，得到基于二维图像映射的数字孪生水务环境仿真结果。
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2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 (6)

1.一种数字孪生水务仿真模拟测试方法，其特征在于，所述方法包括：
S1：采集目标水域水下图像序列，并对采集的图像序列进行多聚焦处理，得到聚焦处理后的目标水域水下图像序列；
对采集的目标水域水下图像序列进行多聚焦处理，包括：
按照编号顺序对灰度化处理后的目标水域水下图像序列进行排列，并对目标水域水下图像序列进行多聚焦处理，其中多聚焦处理的流程为：
S11：计算目标水域水下图像中像素的梯度值，其中像素
Figure QLYQS_1
的梯度值计算公式为：
Figure QLYQS_2
Figure QLYQS_3
其中：
Figure QLYQS_4
表示像素/>
Figure QLYQS_5
在水平方向的梯度值；
Figure QLYQS_6
表示像素/>
Figure QLYQS_7
在竖直方向的梯度值；
S12：设置图像块格式，并将每张目标水域水下图像划分为多个等大的图像块，构建每个图像块的梯度矩阵，其中目标水域水下图像
Figure QLYQS_8
中第k个图像块的梯度矩阵/>
Figure QLYQS_9
为：
Figure QLYQS_10
其中：
Figure QLYQS_11
表示目标水域水下图像/>
Figure QLYQS_12
中第k个图像块的像素坐标集合；
S13：基于梯度矩阵评估每个图像块的清晰度，其中目标水域水下图像
Figure QLYQS_13
中第k个图像块的清晰度评估结果/>
Figure QLYQS_14
为：
Figure QLYQS_15
其中：
Figure QLYQS_16
为/>
Figure QLYQS_17
中的最大特征值，/>
Figure QLYQS_18
为/>
Figure QLYQS_19
中的次大特征值；
Figure QLYQS_20
表示/>
Figure QLYQS_21
所对应特征向量与水平方向的夹角，并将/>
Figure QLYQS_22
作为/>
Figure QLYQS_23
的梯度特征方向角度；
Figure QLYQS_24
表示/>
Figure QLYQS_25
的邻近8个梯度矩阵的平均梯度方向角度；
S14：选取清晰度评估结果低于预设阈值的图像块进行聚焦处理，得到聚焦处理后的目标水域水下图像序列；
S2：对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，得到目标水域点云数据；
S3：构建目标水域三维生成模型，所构建模型以目标水域点云数据为输入，以目标水域三维结构为输出；
S4：对目标水域三维结构进行渲染，得到基于二维图像映射的数字孪生水务环境仿真结果。
2.如权利要求1所述的一种数字孪生水务仿真模拟测试方法，其特征在于，所述S1步骤中采集目标水域水下图像序列，包括：
在目标水域下方设置摄像装置，平移调整摄像装置的拍摄方向，得到目标水域水下图像序列
Figure QLYQS_26
，/>
Figure QLYQS_27
表示编号为n的目标水域水下图像，N表示所拍摄目标水域水下图像的总数，其中编号相邻的目标水域水下图像所对应的水下区域位置相近；
对每张目标水域水下图像进行灰度化处理，得到目标水域水下图像中像素灰度值，其中灰度化处理的公式为：
Figure QLYQS_28
其中：
Figure QLYQS_31
表示目标水域水下图像/>
Figure QLYQS_32
中像素/>
Figure QLYQS_34
在R,G,B颜色通道的颜色值，像素/>
Figure QLYQS_30
表示目标水域水下图像/>
Figure QLYQS_33
中第/>
Figure QLYQS_35
行第/>
Figure QLYQS_36
列的像素，其中每张目标水域水下图像的格式均为/>
Figure QLYQS_29
H像素，M表示目标水域水下图像的行像素数目，H表示目标水域水下图像的列像素数目；
Figure QLYQS_37
表示像素/>
Figure QLYQS_38
的灰度值。
3.如权利要求1所述的一种数字孪生水务仿真模拟测试方法，其特征在于，所述S2步骤中对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，包括：
对聚焦处理后的目标水域水下图像序列进行增量式交叉矩阵处理，得到目标水域点云数据，其中增量式交叉矩阵处理流程为：
S21：计算聚焦处理后任意目标水域水下图像
Figure QLYQS_39
中任意像素/>
Figure QLYQS_40
的梯度矩阵/>
Figure QLYQS_41
：
Figure QLYQS_42
其中
Figure QLYQS_43
为聚焦处理后的编号为n的目标水域水下图像；
S22：计算像素
Figure QLYQS_44
的特征响应值/>
Figure QLYQS_45
：
Figure QLYQS_46
其中：
Figure QLYQS_47
表示行列式，/>
Figure QLYQS_48
表示计算矩阵的迹；
若
Figure QLYQS_49
为以像素/>
Figure QLYQS_50
为中心的/>
Figure QLYQS_51
邻域像素的极大特征响应值，则将像素
Figure QLYQS_52
作为候选特征点；
S23：计算目标水域水下图像
Figure QLYQS_53
的灰度熵/>
Figure QLYQS_54
，其中/>
Figure QLYQS_55
表示目标水域水下图像/>
Figure QLYQS_56
中灰度值为L的像素出现的概率，并计算以候选特征点为中心的
Figure QLYQS_57
邻域像素区域的灰度熵，取H张聚焦处理后目标水域水下图像的灰度熵均值的60%作为阈值，将灰度熵大于阈值的候选特征点作为特征点；
S24：提取特征点的SIFT特征，并进行相邻编号目标水域水下图像的SIFT特征匹配，其中匹配方法为利用余弦相似度计算公式计算待匹配SIFT特征的相似度，选取相似度高于预设置相似度阈值的两组SIFT特征作为匹配成功结果；
S25：获取匹配成功的特征点在相邻编号目标水域水下图像的坐标点
Figure QLYQS_58
，基于交叉矩阵将坐标点/>
Figure QLYQS_59
映射到世界坐标系中，并对映射结果进行求解/>
Figure QLYQS_60
，其中求解方程为：
Figure QLYQS_61
其中：
表示摄像装置的内置相机参数矩阵；
Figure QLYQS_63
表示摄像装置的旋转矩阵，/>
Figure QLYQS_64
表示摄像装置的平移矩阵；
Figure QLYQS_65
表示坐标点/>
Figure QLYQS_66
在世界坐标系下的三维坐标映射结果；
S26：将映射到世界坐标系的三维坐标转换为点云数据，构成目标水域点云数据，其中目标水域点云数据格式为：
Figure QLYQS_67
其中：
Figure QLYQS_68
表示第u个点云数据，/>
Figure QLYQS_69
表示第u个点云数据的三维坐标，U表示目标水域点云数据总数；
Figure QLYQS_70
表示第u个点云数据的RGB颜色值，对应所映射特征点在原始目标水域水下图像的RGB颜色值均值。
4.如权利要求1所述的一种数字孪生水务仿真模拟测试方法，其特征在于，所述S3步骤中构建目标水域三维生成模型，包括：
构建目标水域三维生成模型，所构建模型以目标水域点云数据为输入，以目标水域三维结构为输出，其中基于目标水域点云数据的目标水域三维结构生成流程为：
S31：遍历U个目标水域点云数据，选取X轴方向坐标极小值的目标水域点云数据，若存在相同的X轴方向坐标极小值，则从相同的目标水域点云数据依次选取Y轴、Z轴最小的目标水域点云数据；
S32：计算所选取目标水域点云数据到邻域内每个目标水域点云数据的法向量夹角，若每个法向量夹角均小于90度，则将所选取目标水域点云数据作为种子点，否则返回步骤S31重新选取其他目标水域点云数据；
S33：利用 k 近邻搜索算法查找距离种子点
Figure QLYQS_71
最近的目标水域点云数据/>
Figure QLYQS_72
作为第二个点，连接两点构成种子三角形第一条边，接着在 />
Figure QLYQS_73
和/>
Figure QLYQS_74
的 k 近邻点中，选择距离两点长度最小的目标水域点云数据/>
Figure QLYQS_75
作为第三个点，构成种子三角网格；
S34：基于种子三角网格，利用delaunay三角剖分算法生成若干三角网格，其中所生成每个三角网格的顶点均为目标水域点云数据，且保证所生成每个三角网格的最大边长小于预设置的边长阈值，最大内角小于预设置的内角阈值，得到目标水域三维结构，其中所述目标水域三维结构中包含若干三角网格。
5.如权利要求4所述的一种数字孪生水务仿真模拟测试方法，其特征在于，所述S4步骤中对目标水域三维结构进行渲染，包括：
利用平滑的曲面将目标水域三维结构中的三角网格的高度场进行连接，其中所述高度场为三角网格顶点在Z轴的坐标，并对曲面中每个像素点的颜色值进行基于高度的颜色衰减，得到颜色渲染后的基于二维图像映射的数字孪生水务环境仿真结果，其中颜色渲染公式为：
Figure QLYQS_76
；
其中：
Figure QLYQS_77
表示曲面内网格顶点在w颜色通道的颜色均值，/>
Figure QLYQS_78
表示曲面内Z轴为/>
Figure QLYQS_79
的像素在w颜色通道的衰减结果，/>；
Figure QLYQS_81
表示曲面内像素在Z轴的坐标值，/>表示曲面内网格顶点在Z轴的平均坐标值。
6.如权利要求1所述的一种数字孪生水务仿真模拟测试方法，其特征在于，所述步骤S14采用以下步骤进行聚焦处理：
S141：按照从上到下，从左到右的顺序遍历待聚焦处理的图像块的任意像素s，计算待聚焦处理的图像块中任意像素s的梯度方向
Figure QLYQS_83
：
Figure QLYQS_84
其中：
Figure QLYQS_85
表示像素s在水平方向的梯度值，/>
Figure QLYQS_86
表示像素s在竖直方向的梯度值；
S142：沿着梯度方向
Figure QLYQS_87
所在直线，遍历直线上最接近像素s的5个像素；
S143：取所遍历像素的灰度值均值作为像素s的灰度值。
CN202310332171.3A 2023-03-31 2023-03-31 一种数字孪生水务仿真模拟测试方法 Active CN116071520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310332171.3A CN116071520B (zh) 2023-03-31 2023-03-31 一种数字孪生水务仿真模拟测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310332171.3A CN116071520B (zh) 2023-03-31 2023-03-31 一种数字孪生水务仿真模拟测试方法

Publications (2)

Publication Number Publication Date
CN116071520A CN116071520A (zh) 2023-05-05
CN116071520B true CN116071520B (zh) 2023-07-14

Family

ID=86175312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310332171.3A Active CN116071520B (zh) 2023-03-31 2023-03-31 一种数字孪生水务仿真模拟测试方法

Country Status (1)

Country Link
CN (1) CN116071520B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078682B (zh) * 2023-10-17 2024-01-19 山东省科霖检测有限公司 一种大规模网格化空气质量等级精准评估方法
CN117456074B (zh) * 2023-12-22 2024-04-19 浙江远算科技有限公司 基于数字孪生仿真的海上风电冲刷坑三维渲染方法和设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132108A (zh) * 2020-10-09 2020-12-25 安徽江淮汽车集团股份有限公司 地面点云数据的提取方法、装置、设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2814844A1 (en) * 2010-10-25 2012-05-10 Christian H. Debrunner Building a three dimensional model of an underwater structure
CN106803242A (zh) * 2016-12-26 2017-06-06 江南大学 基于四元数小波变换的多聚焦图像融合方法
CN110148095B (zh) * 2019-05-14 2021-05-07 北京科技大学 一种水下图像增强方法及增强装置
CN112132958B (zh) * 2020-09-23 2023-01-03 哈尔滨工程大学 一种基于双目视觉的水下环境三维重建方法
CN112950787B (zh) * 2021-03-01 2022-08-02 哈尔滨工程大学 一种基于图像序列的目标物体三维点云生成方法
CN113256697B (zh) * 2021-04-27 2023-07-18 武汉理工大学 水下场景的三维重建方法、系统、装置和存储介质
CN114820990B (zh) * 2022-06-29 2022-09-20 浙江远算科技有限公司 一种基于数字孪生的流域防洪可视化方法及系统
CN115690324A (zh) * 2022-11-15 2023-02-03 广州中思人工智能科技有限公司 一种基于点云的神经辐射场重建优化方法及装置
CN115526924B (zh) * 2022-11-29 2023-06-23 湖南长理尚洋科技有限公司 一种蒙特卡洛模拟的水文环境建模方法及系统
CN115688491B (zh) * 2022-12-30 2023-03-10 长江水利委员会长江科学院 一种基于区块链的水利数字孪生仿真模拟方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132108A (zh) * 2020-10-09 2020-12-25 安徽江淮汽车集团股份有限公司 地面点云数据的提取方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116071520A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN116071520B (zh) 一种数字孪生水务仿真模拟测试方法
CN109118542B (zh) 激光雷达与相机之间的标定方法、装置、设备及存储介质
CN110363817B (zh) 目标位姿估计方法、电子设备和介质
CN111583381B (zh) 游戏资源图的渲染方法、装置及电子设备
CN111274999B (zh) 数据处理、图像处理方法、装置及电子设备
CN116168351B (zh) 电力设备巡检方法及装置
CN114511661A (zh) 图像渲染方法、装置、电子设备及存储介质
CN114049568A (zh) 基于图像比对的标的物形变检测方法、装置、设备及介质
CN111209908A (zh) 更新标注框的方法、装置、存储介质和计算机设备
CN112197708B (zh) 测量方法及装置、电子设备及存储介质
CN112541902A (zh) 相似区域搜索方法、装置、电子设备及介质
CN116883611A (zh) 一种结合gis航道信息的航道淤泥分布主动探测识别方法
CN115880448B (zh) 基于双目成像的三维测量方法及装置
CN116091998A (zh) 图像处理方法、装置、计算机设备和存储介质
CN113255456B (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN115619678A (zh) 一种图像变形的矫正方法、装置、计算机设备及存储介质
CN115272575A (zh) 图像生成方法及装置、存储介质和电子设备
CN113160144B (zh) 目标物检测方法、装置、电子设备及存储介质
CN116822205B (zh) 一种多维环网柜故障快速预警方法
CN114708230B (zh) 基于图像分析的车架质量检测方法、装置、设备及介质
CN117218162B (zh) 一种基于ai的全景追踪控视系统
CN116452655B (zh) 一种应用于mpis工控主板的贴合定位方法、装置、设备及介质
CN113312979B (zh) 图像处理方法、装置、电子设备、路侧设备及云控平台
CN112991179B (zh) 用于输出信息的方法、装置、设备以及存储介质
JP2011113527A (ja) 画像処理装置、画像処理方法及びプログラム

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