CN116386060A - 一种水尺数据自动标注方法、装置、设备及介质 - Google Patents
一种水尺数据自动标注方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116386060A CN116386060A CN202310310622.3A CN202310310622A CN116386060A CN 116386060 A CN116386060 A CN 116386060A CN 202310310622 A CN202310310622 A CN 202310310622A CN 116386060 A CN116386060 A CN 116386060A
- Authority
- CN
- China
- Prior art keywords
- lbp
- water gauge
- descriptors
- image
- map
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 123
- 238000002372 labelling Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/186—Extraction of features or characteristics of the image by deriving mathematical or geometrical properties from the whole image
- G06V30/189—Scale-space domain transformation, e.g. with wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- 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 Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种水尺数据自动标注方法、装置、设备及介质,其中方法包括:用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;对LBP图谱集分类,将LBP图谱集分为若干类;在每一类数据中随机选出一张LBP图谱,对LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;采用SIFT算法对局部图像和LBP图谱集进行特征提取,得到局部图像和LBP图谱集的描述子;通过匹配局部图像的描述子以及LBP图谱集的描述子,在水尺图像集中实现自动标注。该水尺数据自动标注方法可以有效提升数据标注效率,减少人工标注工作量,为水尺识别模型提供标注好的训练数据集,提高AI模型训练效率。
Description
技术领域
本申请涉及水利监测领域,具体涉及一种水尺数据自动标注方法、装置、设备及介质。
背景技术
近年来,随着气候加剧变化,部分地区降雨量较常年同期明显减少,面临水资源短缺的情况,部分区域中小型水库接近或低于死水位。部分地区降水量较常年明显增多,甚至引发洪涝等自然灾害。
城市区域面对降雨量变化剧烈、水资源供给不足的情况,可通过精准分析当前河道、湖泊、水库的水位情势,来支撑城市联网供水调配及跨区域引水调度,以保障供水安全。
目前,通过AI模型识别水尺获得实时水位的方式已经被应用一些水库中,但是不同的地区,不同的测站,水尺不尽相同。面对不同的水尺需要训练不同的AI模型,需要大量的数据标注工作。
发明内容
为了解决上述问题,本申请提出了一种水尺数据自动标注方法、装置、设备及介质,其中方法包括:
用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;对所述LBP图谱集分类,将所述LBP图谱集分为若干类;在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
在一个示例中,所述用LBP算法对水尺图像集进行特征提取之前,所述方法还包括:获取不同时间、不同环境以及不同角度下的水尺摄像视频;对所述水尺摄像视频进行抽帧,以得到所述水尺图像集。
在一个示例中,所述用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集,具体包括:遍历水尺图像中的任一像素,确定所述任一像素分别对应的LBP值;遍历所述水尺图像集中的任一水尺图像,将所述任一水尺图像中的任一像素的LBP值进行组合,即可得到LBP图谱集。
在一个示例中,所述确定所述任一像素分别对应的LBP值,具体包括:将所述水尺图像中的任一像素分别与所述任一像素的八个周围像素进行灰度值比较;若所述周围像素值大于所述任一像素值,则所述任一像素点的位置被标记为1,否则为0;所述八个周围像素经比较可产生八位二进制数,即得到该窗口中心像素点的LBP值。
在一个示例中,所述采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子,具体包括:分别将所述局部数字图像和所述LBP图谱集卷积上一个高斯核,得到不同平滑程度和尺寸的中间图像;模拟所述中间图像数据的多尺度特征,并检测尺度空间极值点;在所述空间极值点中进行特征点过滤;为所述特征点分配方向,并根据所述特征点对应的方向,确定所述局部图像以及所述LBP图谱集分别对应的描述子。
在一个示例中,所述为所述特征点分配方向,并根据所述特征点对应的方向,确定所述局部图像以及所述LBP图谱集分别对应的描述子,具体包括:利用所述特征点邻域像素的梯度方向分布特性,为所述特征点指定方向参数;以所述特征点为中心,取8×8的窗口,在每4×4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点,每个种子点有8个方向向量信息;由2×2共4个种子点组成一个关键点描述子。
在一个示例中,所述通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注,具体包括:将每个所述局部图像的描述子分别与所述LBP图谱集的描述子进行匹配,若匹配成功,确定图谱匹配位置及匹配标签;将所述图谱匹配位置和所述匹配标签映射到所述水尺图像集中,以在所述水尺图像集中实现自动标注。
本申请还提供了一种水尺数据自动标注装置,包括:特征提取模块,用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;图谱分类模块,对所述LBP图谱集分类,将所述LBP图谱集分为若干类;标注模块,在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;SIFT模块,采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;匹配模块,通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
本申请还提供了一种水尺数据自动标注设备,其特征在于,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;对所述LBP图谱集分类,将所述LBP图谱集分为若干类;在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
本申请还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;对所述LBP图谱集分类,将所述LBP图谱集分为若干类;在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
通过本申请提出的方法能够带来如下有益效果:该水尺数据自动标注方法可以有效提升数据标注效率,减少人工标注工作量,为水尺识别模型提供标注好的训练数据集,提高AI模型训练效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种水尺数据自动标注方法的流程示意图;
图2为本申请实施例中一种水尺数据自动标注装置的结构示意图;
图3为本申请实施例中一种水尺数据自动标注设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书一个或多个实施例提供的一种水尺数据自动标注方法的流程示意图。该流程可以由相应领域的计算设备执行,流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是有多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
如图1所示,本申请实施例提供一种水尺数据自动标注方法,包括:
S101:用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集。
在一个实施例中,在进行特征提取之前,还需要获取水尺图像集,上述水尺图像集可以预先存储在计算机设备的存储装置中,当需要对进行特征提取时,计算机设备可以从存储装置中选取水尺图像集。当然,计算机设备还可以从其它外部设备中获取该水尺图像集。比如,将水尺图像集存储在云端,当需要进行特征提取时,计算机设备可以从云端获取水尺图像集,本实施例对水尺图像集的获取方式不做限定。
在获取水尺图像集时,可以通过监控摄像头、手机拍摄、无人机拍摄等途径获取不同时间段、不同环境、不同角度的水尺摄像视频,然后在预设的时间间隔下对视频数据进行抽帧,形成未标注的水尺图像集。
在一个实施例中,在进行特征提取时,需要遍历水尺图像中的任一像素,确定任一像素分别对应的LBP值,然后遍历水尺图像集中的任一水尺图像,将任一水尺图像中的任一像素的LBP值进行组合,即可得到LBP图谱集。
进一步地,在确定像素值的LBP值时,首先要将水尺图像中的任一像素分别与任一像素的八个周围像素进行灰度值比较,若周围像素值大于任一像素值,则该周围像素点对于该任一像素点的标记为1,否则为0。这里的八个周围像素经比较可产生八位二进制数,即得到该窗口中心像素点的LBP值。
S102:对所述LBP图谱集分类,将所述LBP图谱集分为若干类。
用支持向量机对所述LBP图谱数据集分类,根据分类结果将LBP图谱数据集分为若干类,每一类组成一个LBP图谱子集。
S103:在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签。
在每一LBP图谱数据子集中选出一张LBP图谱,对其中的水尺尺度数字进行人工标注,然后将人工标注的局部数字图像和注的标签提取出来。
S104:采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子。
在一个实施例中,在获取描述子时,需要分别将局部数字图像和LBP图谱集卷积上一个高斯核,得到不同平滑程度和尺寸的中间图像,然后模拟中间图像数据的多尺度特征,并检测尺度空间极值点。然后在空间极值点中进行特征点过滤,为特征点分配方向,并根据特征点对应的方向,确定局部图像以及LBP图谱集分别对应的描述子。
进一步地,根据特征点对应的方向,确定局部图像以及LBP图谱集分别对应的描述子时,首先可以利用特征点邻域像素的梯度方向分布特性,为特征点指定方向参数,然后以特征点为中心,取8×8的窗口,在每4×4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点,每个种子点有8个方向向量信息;这里由2×2共4个种子点组成一个关键点描述子。
S105:通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
在一个实施例中,匹配局部图像的描述子以及LBP图谱集的描述子时,若匹配成功,确定图谱匹配位置及匹配标签;将图谱匹配位置和匹配标签映射到水尺图像集中,以在水尺图像集中实现自动标注。匹配完成后,输出标注好的数据,为水尺识别模型的训练提供数据。
其中,LBP图谱集分类模型为基于机器学习算法构建的数学模型,包括但不限于神经网络模型、支持向量机模型等,通过训练数据集预先对构建的LBP图谱集分类模型进行训练,当达到设定的训练精度、准确度时,确定当前次训练的LBP图谱集分类模型完成训练,以便用于预测处理。
如图2所示,本申请实施例还提供了一种水尺数据自动标注装置,包括:
特征提取模块201,用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集。
图谱分类模块202,对所述LBP图谱集分类,将所述LBP图谱集分为若干类。
标注模块203,在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签。
SIFT模块204,采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子。
匹配模块205,通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
如图3所示,本申请实施例还提供了一种水尺数据自动标注设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;对所述LBP图谱集分类,将所述LBP图谱集分为若干类;在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;对所述LBP图谱集分类,将所述LBP图谱集分为若干类;在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
本申请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。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、方法、商品或者设备不仅包括那些要素,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、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种水尺数据自动标注方法,其特征在于,包括:
用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;
对所述LBP图谱集分类,将所述LBP图谱集分为若干类;
在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;
采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;
通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
2.根据权利要求1所述的一种水尺数据自动标注方法,其特征在于,所述用LBP算法对水尺图像集进行特征提取之前,所述方法还包括:
获取不同时间、不同环境以及不同角度下的水尺摄像视频;
对所述水尺摄像视频进行抽帧,以得到所述水尺图像集。
3.根据权利要求1所述的一种水尺数据自动标注方法,其特征在于,所述用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集,具体包括:
遍历水尺图像中的任一像素,确定所述任一像素分别对应的LBP值;
遍历所述水尺图像集中的任一水尺图像,将所述任一水尺图像中的任一像素的LBP值进行组合,即可得到LBP图谱集。
4.根据权利要求3所述的一种水尺数据自动标注方法,其特征在于,所述确定所述任一像素分别对应的LBP值,具体包括:
将所述水尺图像中的任一像素分别与所述任一像素的八个周围像素进行灰度值比较;
若所述周围像素值大于所述任一像素值,则所述任一像素点的位置被标记为1,否则为0;
所述八个周围像素经比较可产生八位二进制数,即得到该窗口中心像素点的LBP值。
5.根据权利要求1所述的一种水尺数据自动标注方法,其特征在于,所述采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子,具体包括:
分别将所述局部数字图像和所述LBP图谱集卷积上一个高斯核,得到不同平滑程度和尺寸的中间图像;
模拟所述中间图像数据的多尺度特征,并检测尺度空间极值点;
在所述空间极值点中进行特征点过滤;
为所述特征点分配方向,并根据所述特征点对应的方向,确定所述局部图像以及所述LBP图谱集分别对应的描述子。
6.根据权利要求5所述的一种水尺数据自动标注方法,其特征在于,所述为所述特征点分配方向,并根据所述特征点对应的方向,确定所述局部图像以及所述LBP图谱集分别对应的描述子,具体包括:
利用所述特征点邻域像素的梯度方向分布特性,为所述特征点指定方向参数;
以所述特征点为中心,取8×8的窗口,在每4×4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点,每个种子点有8个方向向量信息;
由2×2共4个种子点组成一个关键点描述子。
7.根据权利要求1所述的一种水尺数据自动标注方法,其特征在于,所述通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注,具体包括:
将每个所述局部图像的描述子分别与所述LBP图谱集的描述子进行匹配,若匹配成功,确定图谱匹配位置及匹配标签;
将所述图谱匹配位置和所述匹配标签映射到所述水尺图像集中,以在所述水尺图像集中实现自动标注。
8.一种水尺数据自动标注装置,其特征在于,包括:
特征提取模块,用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;
图谱分类模块,对所述LBP图谱集分类,将所述LBP图谱集分为若干类;
标注模块,在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;
SIFT模块,采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;
匹配模块,通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
9.一种水尺数据自动标注设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:
用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;
对所述LBP图谱集分类,将所述LBP图谱集分为若干类;
在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;
采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;
通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
用LBP算法对水尺图像集进行特征提取,以得到LBP图谱集;
对所述LBP图谱集分类,将所述LBP图谱集分为若干类;
在每一类数据中随机选出一张LBP图谱,对所述LBP图谱中的水尺尺度数字进行人工标注,以得到人工标注的局部图像和所标注的标签;
采用SIFT算法对所述局部图像和所述LBP图谱集进行特征提取,得到所述局部图像和所述LBP图谱集的描述子;
通过匹配所述局部图像的描述子以及所述LBP图谱集的描述子,在所述水尺图像集中实现自动标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310310622.3A CN116386060B (zh) | 2023-03-23 | 2023-03-23 | 一种水尺数据自动标注方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310310622.3A CN116386060B (zh) | 2023-03-23 | 2023-03-23 | 一种水尺数据自动标注方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116386060A true CN116386060A (zh) | 2023-07-04 |
CN116386060B CN116386060B (zh) | 2023-11-14 |
Family
ID=86962756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310310622.3A Active CN116386060B (zh) | 2023-03-23 | 2023-03-23 | 一种水尺数据自动标注方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116386060B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701502A (zh) * | 2016-01-06 | 2016-06-22 | 福州大学 | 一种基于蒙特卡罗数据均衡的图像自动标注方法 |
CN109002851A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于图像多特征融合的水果分类方法及应用 |
WO2020143156A1 (zh) * | 2019-01-11 | 2020-07-16 | 平安科技(深圳)有限公司 | 热点视频标注处理方法、装置、计算机设备及存储介质 |
CN111639704A (zh) * | 2020-05-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 目标识别方法、装置及计算机可读存储介质 |
CN113298146A (zh) * | 2021-05-25 | 2021-08-24 | 上海海洋大学 | 一种基于特征检测的图像匹配方法、装置、设备及介质 |
-
2023
- 2023-03-23 CN CN202310310622.3A patent/CN116386060B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701502A (zh) * | 2016-01-06 | 2016-06-22 | 福州大学 | 一种基于蒙特卡罗数据均衡的图像自动标注方法 |
CN109002851A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于图像多特征融合的水果分类方法及应用 |
WO2020143156A1 (zh) * | 2019-01-11 | 2020-07-16 | 平安科技(深圳)有限公司 | 热点视频标注处理方法、装置、计算机设备及存储介质 |
CN111639704A (zh) * | 2020-05-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 目标识别方法、装置及计算机可读存储介质 |
CN113298146A (zh) * | 2021-05-25 | 2021-08-24 | 上海海洋大学 | 一种基于特征检测的图像匹配方法、装置、设备及介质 |
Non-Patent Citations (4)
Title |
---|
朱英宏;李俊山;郭莉莎;余宁;: "基于LBP的尺度不变特征的描述和匹配算法", 计算机辅助设计与图形学学报, no. 10 * |
柯逍;邹嘉伟;杜明智;周铭柯;: "基于蒙特卡罗数据集均衡与鲁棒性增量极限学习机的图像自动标注", 电子学报, no. 12 * |
王少娜: "基于稀疏特征学习的SAR图像目标识别和变化检测", 中国博士学位论文全文数据库信息科技辑 * |
赵小强;岳宗达;: "基于局部二进制模式和图变换的快速匹配算法", 电子学报, no. 09 * |
Also Published As
Publication number | Publication date |
---|---|
CN116386060B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740670B (zh) | 视频分类的方法及装置 | |
CN108288027B (zh) | 一种图像质量的检测方法、装置及设备 | |
CN113468967B (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
CN109583393B (zh) | 一种车道线端点识别方法及装置、设备、介质 | |
CN113313716B (zh) | 一种自动驾驶语义分割模型的训练方法及装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN114782412A (zh) | 图像检测方法、目标检测模型的训练方法及装置 | |
CN114429590A (zh) | 一种耕地图像提取方法及设备 | |
CN115880499A (zh) | 一种被遮挡目标检测模型训练方法、装置、介质及设备 | |
CN114565803A (zh) | 用于提取难样本的方法、装置及机械设备 | |
CN116386060B (zh) | 一种水尺数据自动标注方法、装置、设备及介质 | |
CN114998570B (zh) | 一种对象检测框的确定方法、装置、存储介质及电子装置 | |
CN116740712A (zh) | 红外图像的目标标注方法、装置及电子设备、存储介质 | |
CN114550129B (zh) | 一种基于数据集的机器学习模型处理方法和系统 | |
CN115170679A (zh) | 路侧相机的标定方法、装置及电子设备、存储介质 | |
CN112556703A (zh) | 更新高精地图的方法、装置及系统 | |
US20200184216A1 (en) | Machine continuous learning method of neural network object classifier and related monitoring camera apparatus | |
CN112380313A (zh) | 更新高精地图置信度的方法及装置 | |
CN116596923B (zh) | 基于边缘检测的园林植物识别方法及系统 | |
CN117408967B (zh) | 基于3d视觉识别的板材缺陷检测方法及系统 | |
CN116071375B (zh) | 图像分割方法和装置、存储介质及电子设备 | |
CN116503687A (zh) | 病理图的细胞核检测方法、装置、存储介质和计算机设备 | |
CN115880672A (zh) | 目标检测方法、装置、存储介质及设备 | |
CN118132805A (zh) | 一种数据管理方法、装置、设备以及存储介质 | |
CN116030532A (zh) | 一种双分支行人异常行为识别方法、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 |