CN116934636B - 一种水质实时监测数据智能管理系统 - Google Patents
一种水质实时监测数据智能管理系统 Download PDFInfo
- Publication number
- CN116934636B CN116934636B CN202311189441.6A CN202311189441A CN116934636B CN 116934636 B CN116934636 B CN 116934636B CN 202311189441 A CN202311189441 A CN 202311189441A CN 116934636 B CN116934636 B CN 116934636B
- Authority
- CN
- China
- Prior art keywords
- super
- pixel block
- contrast
- image
- pixel
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 99
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000005286 illumination Methods 0.000 claims abstract description 99
- 238000006243 chemical reaction Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 21
- 238000007726 management method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000013523 data management Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 4
- 208000034699 Vitreous floaters Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及使用直方图技术的图像增强技术领域,具体涉及一种水质实时监测数据智能管理系统,该系统包括存储器和处理器,处理器执行存储器存储的计算机程序,以实现如下步骤:获取待监测水体内部的基准灰度图像和对比灰度图像;确定各个基准超像素块和各个对比超像素块对应的受光照影响程度,进而确定基准灰度图像和对比灰度图像之间的比例变换指标;通过由比例变换指标确定的目标超像素块和各个对比超像素块之间的匹配度,确定各个基准超像素块中每个像素点的拉伸程度,进而获得增强后的图像。本发明提高了水体图像中悬浮物区域的增强效果,提升了水质实时监测数据的管理能力,主要应用于水质检测领域。
Description
技术领域
本发明涉及使用直方图技术的图像增强技术领域,具体涉及一种水质实时监测数据智能管理系统。
背景技术
随着社会的发展,当前水资源发展状况面临着十分严峻的形势,即水污染日趋严重。无人船技术是一种新型的水质监测手段,无人驾驶的无人船完全可以独立自主地执行水质监测任务,采集实时水质监测参数。通过水下摄像机拍摄采集水体内部图像,对污水内部存在的漂浮物进行观察,采集监测数据,即水体内漂浮物的大小和多少,实现对待检测水质的实时监测的管理。但是,水体内部的拍摄光线较差、水体混浊,导致采集的水体图像中漂浮物图像细节并不明显,需要对水体图像进行图像增强,以便于观测水质实时监测数据,实现智能管理。
传统的直方图均衡化通过分析水体图像中每个像素级的出现频次,对灰度级进行拉伸,实现水体图像的增强。但是,传统的直方图均衡化没有考虑不同灰度级周围的灰度信息,只考虑了图像的频域信息没有分析水体图像的空域信息,同时在对悬浮物区域进行增强处理没有顾虑不同角度下的光照悬浮物的灰度表现不同,导致水体图像中悬浮物区域增强效果较差,进一步造成水质实时监测数据管理效果低下。
发明内容
为了解决上述水体图像中悬浮物区域增强效果较差,造成水质实时监测数据管理效果低下的技术问题,本发明的目的在于提供一种水质实时监测数据智能管理系统,所采用的技术方案具体如下:
本发明一个实施例提供了一种水质实时监测数据智能管理系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
获取待监测水体内部的基准灰度图像和对比灰度图像;确定基准灰度图像中的各个基准超像素块和对比灰度图像中的各个对比超像素块;
根据各个基准超像素块和各个对比超像素块内每个像素点的灰度值,确定各个基准超像素块和各个对比超像素块对应的受光照影响程度;将最小受光照影响程度的基准超像素块确定为目标超像素块;
对基准灰度图像和对比灰度图像进行图像对准配齐,根据图像对准配齐后的基准灰度图像和对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角,确定基准灰度图像和对比灰度图像之间的比例变换指标;
根据基准灰度图像和对比灰度图像之间的比例变换指标、目标超像素块和各个对比超像素块内每个像素点的灰度值,确定目标超像素块和各个对比超像素块之间的匹配度;
将最大匹配度的对比超像素块确定为目标超像素块的匹配对比超像素块,进而确定各个基准超像素块的匹配对比超像素块;
根据各个基准超像素块和各个基准超像素块对应的匹配对比超像素块中每个像素点的灰度值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度;
根据基准灰度图像中每个像素点的灰度值和拉伸程度,对基准灰度图像进行图像增强处理,获得待监测水体对应的增强后的图像。
进一步地,所述根据各个基准超像素块和各个对比超像素块内每个像素点的灰度值,确定各个基准超像素块和各个对比超像素块对应的受光照影响程度,包括:
将任意一个基准超像素块或对比超像素块确定为待选超像素块,根据待选超像素块内每个像素点的灰度值计算待选超像素块的灰度均值和灰度方差;根据待选超像素块所属图像中每个像素点的灰度值计算待选超像素块所属图像的灰度均值;
将待选超像素块的灰度均值与待选超像素块所属图像的灰度均值的比值确定为第一受光照影响因子;将待选超像素块的灰度方差确定为第二受光照影响因子;对第一受光照影响因子和第二受光照影响因子的乘积进行归一化处理,将归一化处理后的乘积确定为待选超像素块对应的受光照影响程度。
进一步地,所述根据图像对准配齐后的基准灰度图像和对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角,确定基准灰度图像和对比灰度图像之间的比例变换指标,包括:
将图像对准配齐后的基准灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角的乘积确定为第一乘积,将图像对准配齐后的对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角的乘积确定为第二乘积,将所述第二乘积和所述第一乘积的比值确定为基准灰度图像和对比灰度图像之间的比例变换指标。
进一步地,所述根据基准灰度图像和对比灰度图像之间的比例变换指标、目标超像素块和各个对比超像素块内每个像素点的灰度值,确定目标超像素块和各个对比超像素块之间的匹配度,包括:
对于目标超像素块,过目标超像素块中的任意一个像素点,做水平方向平行于基准灰度图像边缘的目标直线,使目标直线按照预设步长在目标超像素块内上下滑动,获得目标超像素块对应的各个目标滑动直线;
对于候选对比超像素块,过候选对比超像素块中的任意一个像素点,做与对比灰度图像的水平边缘呈目标角度的对比直线,使对比直线按照预设步长在候选对比超像素块内上下平行滑动,获得候选对比超像素块对应的各个对比滑动直线;其中,所述目标角度为90度与比例变换指标的比值;
对于任意一个目标滑动直线,根据目标滑动直线和各个对比滑动直线上每个像素点的灰度值,利用DTW相似函数,确定目标滑动直线和各个对比滑动直线之间的相似度;
根据目标滑动直线和各个对比滑动直线之间的相似度,确定目标超像素块与候选对比超像素块之间的匹配度。
进一步地,所述根据目标滑动直线和各个对比滑动直线之间的相似度,确定目标超像素块与候选对比超像素块之间的匹配度,包括:
若目标滑动直线与任意一个对比划滑动直线之间的相似度大于相似度阈值,则将目标滑动直线与对应的对比划滑动直线组成匹配滑动直线对;统计各个匹配滑动直线对中目标滑动直线在目标超像素块内的像素点个数以及对比划滑动直线在候选对比超像素块内的像素点个数;
将各个匹配滑动直线对中目标滑动直线在目标超像素块内的像素点个数与目标超像素块内所有像素点个数的占比,确定为第一占比;将各个匹配滑动直线对中对比划滑动直线在候选对比超像素块内的像素点个数与候选对比超像素块内所有像素点个数的占比,确定为第二占比;
对第一占比和第二占比的乘积进行归一化处理,将归一化处理后的乘积确定为目标超像素块与候选对比超像素块之间的匹配度。
进一步地,所述进而确定各个基准超像素块的匹配对比超像素块,包括:
根据目标超像素块在基准灰度图像中的位置和目标超像素块的匹配对比超像素块在对比灰度图像中的位置,对基准灰度图像中的各个基准超像素块和对比灰度图像中的各个对比超像素块进行超像素块匹配,确定各个基准超像素块的匹配对比超像素块。
进一步地,所述根据各个基准超像素块和各个基准超像素块对应的匹配对比超像素块中每个像素点的灰度值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度,包括:
根据各个基准超像素块和各个基准超像素块对应的匹配对比超像素块中每个像素点的灰度值和受光照影响程度,确定各个基准超像素块中每个像素点的分布相同特征值;
根据各个基准超像素块中每个像素点的分布相同特征值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度。
进一步地,所述各个基准超像素块中每个像素点的分布相同特征值的计算公式为:
式中,为第m个基准超像素块中第n个像素点的分布相同特征值,exp为以自然
常数e为底的指数函数,为第m个基准超像素块中第n个像素点的受光照影响程度,为第m个基准超像素块中第n个像素点的灰度值,,为第m
个基准超像素块中第n个像素点和第m个对比超像素块中第n个像素点的灰度均值,为
第m个对比超像素块中第n个像素点的受光照影响程度,为第m个对比超像素块中第n
个像素点的灰度值。
进一步地,所述根据各个基准超像素块中每个像素点的分布相同特征值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度,包括:
对于任意一个基准超像素块中的任意一个像素点,计算像素点的分布相同特征值和受光照影响程度的乘积;对像素点的分布相同特征值和受光照影响程度的乘积进行反比例的归一化处理,将反比例的归一化处理后的分布相同特征值和受光照影响程度的乘积确定为像素点的拉伸程度。
进一步地,所述获取待监测水体内部的基准灰度图像和对比灰度图像,包括:
获取待监测水体内部对应的正视角度拍摄的图像和其他角度拍摄的图像,将正视角度拍摄的图像确定为基准图像,将任意其他角度拍摄的图像确定为对比图像;
对基准图像和对比图像进行灰度化处理,获得待监测水体内部的基准灰度图像和对比灰度图像。
本发明具有如下有益效果:
本发明提供了一种水质实时监测数据智能管理系统,该管理系统通过分析不同拍摄角度的水体图像,分析光照造成的丁达尔效应,利用改进的直方图均衡化技术,对水体图像中的悬浮物细节信息进行增强处理,提高了水体图像中悬浮物区域增强效果,增强了水质实时监测数据管理效果,便于后续获得更准确的水质检测结果,主要应用于水质检测领域。获取基准灰度图像和对比灰度图像,是为了便于后续分析不同拍摄角度下的悬浮物区域和锈状物区域的图像特征;将基准灰度图像和对比灰度图像分割成灰度分布相似的超像素块区域,有助于对水体图像的局部区域进行针对性分析,便于对悬浮物区域的细节信息进行增强处理,有助于后续对不同灰度级周围的灰度信息进行分析;计算各个基准超像素块和各个对比超像素块对应的受光照影响程度,悬浮物区域和锈状物区域对光照的反映情况不同,悬浮物区域受光照影响造成的丁达尔效应一定程度上改变了悬浮物区域内像素点的灰度值,故通过受光照影响程度可以量化超像素块受到光照的影响程度,便于后续计算拉伸程度;基准灰度图像和对比灰度图像存在变换比例关系,计算两者之间的比例变换指标,有助于量化变换比例关系,克服因拍摄角度不同造成的水体图像存在形变缺陷;基于比例变换指标、目标超像素块和各个对比超像素块内每个像素点的灰度值计算的目标超像素块和各个对比超像素块之间的匹配度,一定程度上避免了光照和拍摄角度的影响,有助于提高确定的匹配度的准确性;确定各个基准超像素块中每个像素点的拉伸程度,进而获得悬浮物区域明显的增强后的图像,增强后的图像实现了对水体区域的局部直方图均衡化,考虑到了灰度级在图像中所包含的具体信息,避免部分区域的过度增强,降低了噪声干扰,其有助于区分悬浮物区域和锈状物区域,获得更准确的水质实时监测数据,提升水质实时监测数据管理效果。
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为本发明一种水质实时监测数据智能管理系统的执行流程图。
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。
本发明所针对的应用场景:对于无人船上摄像头采集的水体内部图像,分析悬浮物区域的分布情况,对悬浮物区域进行图像增强处理。
为了提高水体图像中悬浮物区域增强效果,提升水质实时监测数据的管理效果,具体,本实施例提供了一种水质实时监测数据智能管理系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
获取待监测水体内部的基准灰度图像和对比灰度图像;确定基准灰度图像中的各个基准超像素块和对比灰度图像中的各个对比超像素块;
根据各个基准超像素块和各个对比超像素块内每个像素点的灰度值,确定各个基准超像素块和各个对比超像素块对应的受光照影响程度;将最小受光照影响程度的基准超像素块确定为目标超像素块;
对基准灰度图像和对比灰度图像进行图像对准配齐,根据图像对准配齐后的基准灰度图像和对比灰度图像的水平长度和水平竖直方向的最小夹角,确定基准灰度图像和对比灰度图像之间的比例变换指标;
根据基准灰度图像和对比灰度图像之间的比例变换指标、目标超像素块和各个对比超像素块内每个像素点的灰度值,确定目标超像素块和各个对比超像素块之间的匹配度;
将最大匹配度的对比超像素块确定为目标超像素块的匹配对比超像素块,进而确定各个基准超像素块的匹配对比超像素块;
根据各个基准超像素块和各个基准超像素块对应的匹配对比超像素块中每个像素点的灰度值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度;
根据基准灰度图像中每个像素点的灰度值和拉伸程度,对基准灰度图像进行图像增强处理,获得待监测水体对应的增强后的图像。
下面对上述各个步骤进行详细展开:
参考图1,示出了本发明一种水质实时监测数据智能管理系统的执行流程图,包括以下步骤:
S1,获取待监测水体内部的基准灰度图像和对比灰度图像;确定基准灰度图像中的各个基准超像素块和对比灰度图像中的各个对比超像素块。
第一步,获取待监测水体内部的基准灰度图像和对比灰度图像。
第一子步骤,获取待监测水体内部对应的正视角度拍摄的图像和其他角度拍摄的图像,将正视角度拍摄的图像确定为基准图像,将任意其他角度拍摄的图像确定为对比图像。
需要说明的是,若仅对正视角度拍摄的图像进行图像分析,则无法很好地区分水体图像中的悬浮物区域和锈状物区域,其原因在于,悬浮物在光照环境下将会产生丁达尔效应,导致不同角度拍摄的水体图像中悬浮物和锈状物的图像特征表现不同,悬浮物的像素灰度会发生改变,而锈状物的像素灰度则不会发生改变,故需要采集除正视角度拍摄以外的其他角度拍摄的图像,便于后续结合每个像素点的真实灰度值获得更准确的像素点的拉伸程度。水质实时监测数据即为待监测水体内部的图像,待监测水体内部的图像可以用于反映水体水质的状态。
在本实施例中,通过无人船上携带的水下摄像头,采集待监测水体内部的图像信息,在采集水体内部图像信息时,对同一水体区域的不同角度进行图像拍摄,可以获得正视角度拍摄的图像和任意其他角度拍摄的图像,待监测水体通常为污水。这里的其他角度的个数不小于1,也就是可以选择不同的旋转角度拍摄同一水体区域,本实施例任选一个旋转角度拍摄的图像为对比图像,当然,也可以选择多个旋转角度拍摄的图像作为对比图像,多个对比图像与单个对比图像的图像分析过程相同,可以根据具体情况进行适应性执行步骤。
第二子步骤,对基准图像和对比图像进行灰度化处理,获得待监测水体内部的基准灰度图像和对比灰度图像。
在本实施例中,灰度化处理的实现方法包括但不限于:加权平均值法、平均值法、最大值法以及最小值法等,灰度化处理的实现过程为现有技术,此处不再进行详细阐述。
第二步,确定基准灰度图像中的各个基准超像素块和对比灰度图像中的各个对比超像素块。
在本实施例中,根据先验知识可知,超像素块分割可以去除图像中的冗余信息,将图像分割成纹理变化相似的区域,即灰度分布相同区域。因此,为了便于后续进行图像分析,对基准灰度图像和对比灰度图像进行超像素块分割处理,可以获得基准灰度图像中的各个基准超像素块和对比灰度图像中的各个对比超像素块,单个超像素块即为灰度变化相似的区域。超像素块分割处理的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
S2,根据各个基准超像素块和各个对比超像素块内每个像素点的灰度值,确定各个基准超像素块和各个对比超像素块对应的受光照影响程度;将最小受光照影响程度的基准超像素块确定为目标超像素块。
需要说明的是,在获得各个基准超像素块和各个对比超像素块后,应对各个基准超像素块和各个对比超像素块进行超像素块匹配,但是基准超像素块和对比超像素块不仅受基准灰度图像和对比灰度图像之间旋转角度的影响,还受水体内部悬浮物产生的丁达尔效应的影响。对于悬浮物产生的丁达尔效应,在光照环境下的悬浮物进行光的散射,不同角度拍摄的悬浮物产生的光的散射情况不同,导致基准灰度图像和对比灰度图像中相同位置的像素点的灰度值可能存在较大差别。
为了便于后续选取受光照影响最小基准超像素块,一定程度上克服光照对悬浮物产生的丁达尔效应影响,需要确定各个基准超像素块对应的受光照影响程度;同时为了便于后续计算各个基准超像素块中每个像素点的拉伸程度,也需要计算各个对比超像素块对应的受光照影响程度,具体实现步骤可以包括:
第一步,将任意一个基准超像素块或对比超像素块确定为待选超像素块,根据待选超像素块内每个像素点的灰度值计算待选超像素块的灰度均值和灰度方差;根据待选超像素块所属图像中每个像素点的灰度值计算待选超像素块所属图像的灰度均值。
第二步,将待选超像素块的灰度均值与待选超像素块所属图像的灰度均值的比值确定为第一受光照影响因子;将待选超像素块的灰度方差确定为第二受光照影响因子;对第一受光照影响因子和第二受光照影响因子的乘积进行归一化处理,将归一化处理后的乘积确定为待选超像素块对应的受光照影响程度。
作为示例,待选超像素块对应的受光照影响程度的计算公式可以为:
式中,D为待选超像素块对应的受光照影响程度,norm为归一化函数,为待选超像
素块的灰度均值,为待选超像素块所属图像的灰度均值,为待选超像素块的灰度方
差,为待选超像素块对应的第一受光照影响因子,也为待选超像素块对应的第二受
光照影响因子。
在受光照影响程度的计算公式中,第一受光照影响因子与受光照影响程度为正相关关系,第一受光照影响因子越大,说明待选超像素块与待选超像素块所属图像之间的灰度差异性越大,待选超像素块受光照的影响程度越大;第二受光照影响因子与受光照影响程度为正相关关系,第二受光照影响因子越大,说明待选超像素块内灰度变化的剧烈程度越大,待选超像素块受光照的影响程度就会越大;归一化函数是为了统一不同计算因素的量纲,使受光照影响程度的取值范围为0到1之间;参考待选超像素块对应的受光照影响程度的计算过程,可以获得各个基准超像素块和各个对比超像素块对应的受光照影响程度。
第三步,将最小受光照影响程度的基准超像素块确定为目标超像素块。
在本实施例中,基准超像素块对应的受光照影响程度最小,说明基准超像素块受到光照的影响最小,基准超像素块中每个像素点的灰度值最接近真实灰度值,故将需要最小受光照影响程度的基准超像素块确定为目标超像素块,以便于后续进行超像素块匹配步骤。
S3,对基准灰度图像和对比灰度图像进行图像对准配齐,根据图像对准配齐后的基准灰度图像和对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角,确定基准灰度图像和对比灰度图像之间的比例变换指标。
第一步,对对基准灰度图像和对比灰度图像进行图像对准配齐。
本实施例在拍摄水体内部的图像时,水下摄像头在水平方向上移动以确定不同的拍摄角度,而在竖直方向上并没有发生位移。其他角度拍摄的水体区域与正视角度拍摄的水体区域存在一定程度的差异,为了方便后续通过位置信息对超像素块进行匹配,利用现有算法,将基准灰度图像和对比灰度图像进行图像对准配齐,使基准灰度图像和对比灰度图像在同一水体区域上对准,以便于计算比例变换指标。图像对准配齐的现有算法,例如,3D Point-based Registration,图像对准配齐的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二步,根据图像对准配齐后的基准灰度图像和对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角,确定基准灰度图像和对比灰度图像之间的比例变换指标。
在本实施例中,对比灰度图像相对与正视灰度图像存在一定程度上的形变,为了克服形变给对比灰度图像造成的影响,基于图像对准配齐后的基准灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角,以及图像对准配齐后的对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角,计算基准灰度图像和对比灰度图像之间的比例变换指标。
将图像对准配齐后的基准灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角的乘积确定为第一乘积,将图像对准配齐后的对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角的乘积确定为第二乘积,将第二乘积和第一乘积的比值确定为基准灰度图像和对比灰度图像之间的比例变换指标。
值得说明的是,基准灰度图像上每个基准超像素块与对比灰度图像上每个对比超像素块之间的比例变换指标相同,也就是两个图像之间仅对应一个比例变换指标。
作为示例,基准灰度图像和对比灰度图像之间的比例变换指标的计算公式可以为:
式中,T为基准灰度图像和对比灰度图像之间的比例变换指标,为图像对准配齐
后的对比灰度图像的水平长度,为图像对准配齐后的对比灰度图像的水平竖直方向的图
像边缘构成的最小夹角,l为图像对准配齐后的基准灰度图像的水平长度,为图像对准配
齐后的基准灰度图像的水平竖直方向的图像边缘构成的最小夹角。
在比例变换指标的计算公式中,通过图像对准配齐后的对比灰度图像和基准灰度图像之间的长度比值和角度比值,确定比例变换指标;从两个方面分析比例变换指标,可以有效提高计算的比例变换指标的精确性;比例变换指标可以表征正视角度拍摄的基准灰度图像和其他角度拍摄的对比灰度图像之间的比例变换关系,其可以用于后续分析目标超像素块和候选对比超像素块之间的匹配度。
S4,根据基准灰度图像和对比灰度图像之间的比例变换指标、目标超像素块和各个对比超像素块内每个像素点的灰度值,确定目标超像素块和各个对比超像素块之间的匹配度。
需要说明的是,基准灰度图像和对比灰度图像的部分超像素块内存在悬浮物,悬浮物受光照的影响和拍摄图像之间的存在角度问题,导致超像素块之间的匹配程度较低,匹配结果不准确。为了提高匹配结果的准确性,首先,通过计算各个基准超像素块对应的受光照影响程度,选择光照影响最小的目标超像素块;其次,根据图像对准配齐后的基准灰度图像和对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角,量化目标超像素块和对比超像素块之间存在的比例变换关系。确定目标超像素块和候选对比超像素块之间的匹配度,具体实现步骤可以包括:
第一步,对于目标超像素块,过目标超像素块中的任意一个像素点,做水平方向平行于基准灰度图像边缘的目标直线,使目标直线按照预设步长在目标超像素块内上下滑动,获得目标超像素块对应的各个目标滑动直线。
在本实施例中,预设步长即为预设滑动步长,预设滑动步长可以设置为一个像素
点,预设滑动步长可以由实施者根据具体实际情况设置,这里不做具体限定。目标直线在滑
动时,将目标超像素块中的像素点以直线的形式分布,各个目标滑动直线集合为,x为目标超像素块内目标滑动直线的个数,为目标超像素块内第
x个目标滑动直线。
第二步,对于候选对比超像素块,过候选对比超像素块中的任意一个像素点,做与对比灰度图像的水平边缘呈目标角度的对比直线,使对比直线按照预设步长在候选对比超像素块内上下平行滑动,获得候选对比超像素块对应的各个对比滑动直线。
在本实施例中,候选对比超像素块内的对比滑动直线并非与目标超像素块内的目
标滑动直线平行,而是存在一定的角度变化,这里的角度变化的数值大小为目标角度,目标
角度可以根据基准灰度图像和对比灰度图像之间的比例变换指标,即目标超像素块与候选
对比超像素块之间的比例变换指标确定,目标角度为90度与比例变换指标的比值,即。根
据目标角度获取对比直线,做与水平方向呈的直线为对比直线,按照平移关系将候选对
比超像素块分割成直线合集,y为候选对比超像素块内对比滑动直线
的个数,为候选对比超像素块内第y个对比滑动直线。
需要说明的是,对比直线的预设步长与目标直线的预设步长相同,均可以为一个像素点;由于拍摄角度的影响,相对于正视角度拍摄的水体图像,其他角度拍摄的水体图像存在一定程度的倾斜,拍摄角度的不同对超像素块之间的匹配造成干扰。但是,角度的不同只会使水体图像发生形变,使原本一一对应位置进行匹配的像素点呈现等比例的变化。在不含外界干扰的影响下,拍摄角度的不同不会造成拍摄的水体图像的像素点灰度值发生改变。
第三步,对于任意一个目标滑动直线,根据目标滑动直线和各个对比滑动直线上每个像素点的灰度值,利用DTW相似函数,确定目标滑动直线和各个对比滑动直线之间的相似度。
在本实施例中,目标超像素块即为受光照影响程度最小的基准超像素块,那么目标超像素块内每个像素点的灰度值最接近真实值,也就是确定目标超像素块可以在一定程度上降低光照影响程度对超像素块匹配的干扰。因此,通过DTW(Dynamic Time Warping,动态时间归整)相似函数,对任意一个目标滑动直线与各个对比滑动直线进行相似度计算,可以获得对应的目标滑动直线与各个对比滑动直线之间的相似度,从而获得目标超像素块内每个目标滑动直线与各个对比滑动直线之间的相似度。
需要说明的是,由于尺度关系目标滑动直线上的像素点个数可能与对比滑动直线上的像素点个数存在差异,故为了衡量目标滑动直线与对比滑动直线之间的相似度,可以利用DTW相似函数进行相似性分析;DTW相似函数可以将获得的匹配对之间的数据绘制成曲线,横坐标为数据对的序列号,纵坐标为数据对之间的欧氏距离;根据数据对组成的曲线获得两个直线上灰度变化的相似程度,即对曲线的方差进行反比例的归一化处理,曲线的方差越大,说明两个直线的相似程度越差;DTW相似函数的实现过程为现有技术,此处不再进行详细阐述。
第四步,根据目标滑动直线和各个对比滑动直线之间的相似度,确定目标超像素块与候选对比超像素块之间的匹配度。
第一子步骤,若目标滑动直线与任意一个对比划滑动直线之间的相似度大于相似度阈值,则将目标滑动直线与对应的对比划滑动直线组成匹配滑动直线对;统计各个匹配滑动直线对中目标滑动直线在目标超像素块内的像素点个数以及对比划滑动直线在候选对比超像素块内的像素点个数。
在本实施例中,相似度阈值可以取经验值为0.68,若目标滑动直线与某个对比划滑动直线之间的相似度大于相似度阈值,说明目标滑动直线与该对比划滑动直线匹配成功,将匹配成功的目标滑动直线与该对比划滑动直线组成匹配滑动直线对,从而获得各个匹配滑动直线对。为了衡量匹配成功的滑动直线上的像素点在对应超像素块上的占比情况,需要统计各个匹配滑动直线对中目标滑动直线在目标超像素块内的像素点个数以及对比划滑动直线在候选对比超像素块内的像素点个数。其中,一个匹配滑动直线对由一个匹配成功的目标滑动直线及其对应的匹配成功的对比划滑动直线构成。
第二子步骤,将各个匹配滑动直线对中目标滑动直线在目标超像素块内的像素点个数与目标超像素块内所有像素点个数的占比,确定为第一占比;将各个匹配滑动直线对中对比划滑动直线在候选对比超像素块内的像素点个数与候选对比超像素块内所有像素点个数的占比,确定为第二占比。
第三子步骤,对第一占比和第二占比的乘积进行归一化处理,将归一化处理后的乘积确定为目标超像素块与候选对比超像素块之间的匹配度。
作为示例,目标超像素块与候选对比超像素块之间的匹配度的计算公式可以为:
式中,P为目标超像素块与候选对比超像素块之间的匹配度,norm为归一化函数,为各个匹配滑动直线对中目标滑动直线在目标超像素块内的像素点个数,为目标超
像素块内所有像素点个数,为各个匹配滑动直线对中对比划滑动直线在候选对比超像
素块内的像素点个数,为候选对比超像素块内所有像素点个数,为第一占比,为第
二占比。
在匹配度的计算公式中,通过各个匹配滑动直线对,衡量目标超像素块和候选对比超像素块中匹配成功的像素点个数的占比情况,占比越大,说明两个超像素块之间的匹配度越高。通过参考目标超像素块与候选对比超像素块之间的匹配度的计算过程,可以获得目标超像素块与各个对比超像素块之间的匹配度。
S5,将最大匹配度的对比超像素块确定为目标超像素块的匹配对比超像素块,进而确定各个基准超像素块的匹配对比超像素块。
第一步,将最大匹配度的对比超像素块确定为目标超像素块的匹配对比超像素块。
在本实施例中,匹配度越大,目标超像素块与对比超像素块越匹配,通过目标超像素块与各个对比超像素块之间的匹配度,选取最大匹配度,将最大匹配度的对比超像素块确定为目标超像素块的匹配对比超像素块。
第二步,进而确定各个基准超像素块的匹配对比超像素块。
根据目标超像素块在基准灰度图像中的位置和目标超像素块的匹配对比超像素块在对比灰度图像中的位置,对基准灰度图像中的各个基准超像素块和对比灰度图像中的各个对比超像素块进行超像素块匹配,确定各个基准超像素块的匹配对比超像素块。根据目标超像素块和目标超像素块的匹配对比超像素块的匹配位置关系,对基准灰度图像和对比灰度图像中各个超像素块进行一一匹配,其实现过程为现有技术,此处不再进行详细阐述。
S6,根据各个基准超像素块和各个基准超像素块对应的匹配对比超像素块中每个像素点的灰度值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度。
第一步,根据各个基准超像素块和各个基准超像素块对应的匹配对比超像素块中每个像素点的灰度值和受光照影响程度,确定各个基准超像素块中每个像素点的分布相同特征值。
需要说明的是,待监测水体内存在悬浮物,悬浮物受到光照影响将产生丁达尔效应,在不同角度下的悬浮物产生的光的散射情况不同;待监测水体内墙壁上的锈状斑块受拍摄角度的影响较小,锈状斑块区域对应的超像素块匹配对之间存在相同的灰度分布特征,也就是分布特征越相似,对应的超像素块匹配对为锈状斑块区域的可能性越大。
作为示例,各个基准超像素块中每个像素点的分布相同特征值的计算公式可以为:
式中,为第m个基准超像素块中第n个像素点的分布相同特征值,exp为以自然
常数e为底的指数函数,为第m个基准超像素块中第n个像素点的受光照影响程度,为第m个基准超像素块中第n个像素点的灰度值,,为第m
个基准超像素块中第n个像素点和第m个对比超像素块中第n个像素点的灰度均值,为
第m个对比超像素块中第n个像素点的受光照影响程度,为第m个对比超像素块中第n
个像素点的灰度值;第m个对比超像素块为第m个基准超像素块的匹配超像素块。
在分布相同特征值的计算公式中,和与分布相同特
征值V为负相关关系,其可以用于衡量超像素块匹配对两个存在变换比例关系的对应位置
的像素点的灰度差异性,灰度差异性越大,说明基准超像素块中像素点与对比超像素块中
对应位置的像素点之间的灰度存在较大变化,共同分布特征越不相似,分布相同特征值越
小;在计算分布相同特征值时,需要结合受光照影响程度进行分析,不同拍摄角度下的水体
内部图像的光照影响程度不同,对应的灰度值变化也不同,将每个像素点的受光照影响程
度作为灰度差异性的权值,有助于提高计算的灰度差异性的置信度;值得说明的是,同一个
超像素块内各个像素点的受光照影响程度相同。
第二步,根据各个基准超像素块中每个像素点的分布相同特征值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度。
需要说明的是,在对水质实时监测数据进行管理时,需要重点突出采集的待监测水体内部的图像中的悬浮物区域,因此,悬浮物区域的增强程度要大于锈状斑块区域的增强程度,增强程度即为拉伸程度,根据每个像素点的拉伸程度,便于后续明显区分悬浮物区域和锈状斑块区域。
对于任意一个基准超像素块中的任意一个像素点,计算像素点的分布相同特征值和受光照影响程度的乘积;对像素点的分布相同特征值和受光照影响程度的乘积进行反比例的归一化处理,将反比例的归一化处理后的分布相同特征值和受光照影响程度的乘积确定为像素点的拉伸程度。其中,归一化函数可以为以自然常数e为底的指数函数。
在本实施例中,若拍摄角度不同造成存在灰度变化区域,则对应的区域为悬浮物区域的概率较大,需要对其进行增强处理,且增强程度较大;墙壁上的锈状斑块区域的灰度变化较为稳定,基本不需要对锈状版本区域进行增强处理,且增强程度较小。对于受光照影响程度,若任意一个像素点的受光照影响程度较大,则对该像素点的拉伸程度进行调整,受光照影响程度较大的像素点所在区域与周围区域存在明显的区差异,受到的拉伸程度应较小。
S7,根据基准灰度图像中每个像素点的灰度值和拉伸程度,对基准灰度图像进行图像增强处理,获得待监测水体对应的增强后的图像。
在本实施例中,根据基准灰度图像中每个像素点的灰度值和拉伸程度,进行局部的直方图均衡化处理,可以获得基准灰度图像中每个像素点对应的增强后的灰度值,进而获得待监测水体对应的增强后的图像。此时,获得待监测水体对应的增强后的图像,可以有效避免传统直方图均衡化通过分析每个灰度级出现的频次对灰度信息进行拉伸,以防止增强时使得部分区域过度增强,噪声干扰严重。对基准灰度图像进行图像增强处理的实现过程为现有技术,此处不再进行详细阐述。
在获得待监测水体对应的增强后的图像后,可以利用神经网络技术,对增强后的图像进行数据分析,可以获得水质指标。监测数据管理系统将经过处理和分析的图像数据,以可视化的方式展示给用户,通常采用图表、地图等形式进行展示。同时,还可以生成水质监测报告,向相关部门或用户提供详细的分析结果和建议。
至此,本发明结束。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种水质实时监测数据智能管理系统,其特征在于,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
获取待监测水体内部的基准灰度图像和对比灰度图像;确定基准灰度图像中的各个基准超像素块和对比灰度图像中的各个对比超像素块;
根据各个基准超像素块和各个对比超像素块内每个像素点的灰度值,确定各个基准超像素块和各个对比超像素块对应的受光照影响程度;将最小受光照影响程度的基准超像素块确定为目标超像素块;
对基准灰度图像和对比灰度图像进行图像对准配齐,根据图像对准配齐后的基准灰度图像和对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角,确定基准灰度图像和对比灰度图像之间的比例变换指标;
根据基准灰度图像和对比灰度图像之间的比例变换指标、目标超像素块和各个对比超像素块内每个像素点的灰度值,确定目标超像素块和各个对比超像素块之间的匹配度;
将最大匹配度的对比超像素块确定为目标超像素块的匹配对比超像素块,进而确定各个基准超像素块的匹配对比超像素块;
根据各个基准超像素块和各个基准超像素块对应的匹配对比超像素块中每个像素点的灰度值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度;
根据基准灰度图像中每个像素点的灰度值和拉伸程度,对基准灰度图像进行图像增强处理,获得待监测水体对应的增强后的图像;
所述根据各个基准超像素块和各个对比超像素块内每个像素点的灰度值,确定各个基准超像素块和各个对比超像素块对应的受光照影响程度,包括:
将任意一个基准超像素块或对比超像素块确定为待选超像素块,根据待选超像素块内每个像素点的灰度值计算待选超像素块的灰度均值和灰度方差;根据待选超像素块所属图像中每个像素点的灰度值计算待选超像素块所属图像的灰度均值;
将待选超像素块的灰度均值与待选超像素块所属图像的灰度均值的比值确定为第一受光照影响因子;将待选超像素块的灰度方差确定为第二受光照影响因子;对第一受光照影响因子和第二受光照影响因子的乘积进行归一化处理,将归一化处理后的乘积确定为待选超像素块对应的受光照影响程度;
所述根据图像对准配齐后的基准灰度图像和对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角,确定基准灰度图像和对比灰度图像之间的比例变换指标,包括:
将图像对准配齐后的基准灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角的乘积确定为第一乘积,将图像对准配齐后的对比灰度图像的水平长度和水平竖直方向的图像边缘构成的最小夹角的乘积确定为第二乘积,将所述第二乘积和所述第一乘积的比值确定为基准灰度图像和对比灰度图像之间的比例变换指标;
所述根据基准灰度图像和对比灰度图像之间的比例变换指标、目标超像素块和各个对比超像素块内每个像素点的灰度值,确定目标超像素块和各个对比超像素块之间的匹配度,包括:
对于目标超像素块,过目标超像素块中的任意一个像素点,做水平方向平行于基准灰度图像边缘的目标直线,使目标直线按照预设步长在目标超像素块内上下滑动,获得目标超像素块对应的各个目标滑动直线;
对于候选对比超像素块,过候选对比超像素块中的任意一个像素点,做与对比灰度图像的水平边缘呈目标角度的对比直线,使对比直线按照预设步长在候选对比超像素块内上下平行滑动,获得候选对比超像素块对应的各个对比滑动直线;其中,所述目标角度为90度与比例变换指标的比值;
对于任意一个目标滑动直线,根据目标滑动直线和各个对比滑动直线上每个像素点的灰度值,利用DTW相似函数,确定目标滑动直线和各个对比滑动直线之间的相似度;
根据目标滑动直线和各个对比滑动直线之间的相似度,确定目标超像素块与候选对比超像素块之间的匹配度;
所述根据目标滑动直线和各个对比滑动直线之间的相似度,确定目标超像素块与候选对比超像素块之间的匹配度,包括:
若目标滑动直线与任意一个对比划滑动直线之间的相似度大于相似度阈值,则将目标滑动直线与对应的对比划滑动直线组成匹配滑动直线对;统计各个匹配滑动直线对中目标滑动直线在目标超像素块内的像素点个数以及对比划滑动直线在候选对比超像素块内的像素点个数;
将各个匹配滑动直线对中目标滑动直线在目标超像素块内的像素点个数与目标超像素块内所有像素点个数的占比,确定为第一占比;将各个匹配滑动直线对中对比划滑动直线在候选对比超像素块内的像素点个数与候选对比超像素块内所有像素点个数的占比,确定为第二占比;
对第一占比和第二占比的乘积进行归一化处理,将归一化处理后的乘积确定为目标超像素块与候选对比超像素块之间的匹配度。
2.根据权利要求1所述的一种水质实时监测数据智能管理系统,其特征在于,所述进而确定各个基准超像素块的匹配对比超像素块,包括:
根据目标超像素块在基准灰度图像中的位置和目标超像素块的匹配对比超像素块在对比灰度图像中的位置,对基准灰度图像中的各个基准超像素块和对比灰度图像中的各个对比超像素块进行超像素块匹配,确定各个基准超像素块的匹配对比超像素块。
3.根据权利要求1所述的一种水质实时监测数据智能管理系统,其特征在于,所述根据各个基准超像素块和各个基准超像素块对应的匹配对比超像素块中每个像素点的灰度值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度,包括:
根据各个基准超像素块和各个基准超像素块对应的匹配对比超像素块中每个像素点的灰度值和受光照影响程度,确定各个基准超像素块中每个像素点的分布相同特征值;
根据各个基准超像素块中每个像素点的分布相同特征值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度。
4.根据权利要求3所述的一种水质实时监测数据智能管理系统,其特征在于,所述各个基准超像素块中每个像素点的分布相同特征值的计算公式为:
式中,为第m个基准超像素块中第n个像素点的分布相同特征值,exp为以自然常数e为底的指数函数,/>为第m个基准超像素块中第n个像素点的受光照影响程度,/>为第m个基准超像素块中第n个像素点的灰度值,/>,/>为第m个基准超像素块中第n个像素点和第m个对比超像素块中第n个像素点的灰度均值,/>为第m个对比超像素块中第n个像素点的受光照影响程度,/>为第m个对比超像素块中第n个像素点的灰度值。
5.根据权利要求3所述的一种水质实时监测数据智能管理系统,其特征在于,所述根据各个基准超像素块中每个像素点的分布相同特征值和受光照影响程度,确定各个基准超像素块中每个像素点的拉伸程度,包括:
对于任意一个基准超像素块中的任意一个像素点,计算像素点的分布相同特征值和受光照影响程度的乘积;对像素点的分布相同特征值和受光照影响程度的乘积进行反比例的归一化处理,将反比例的归一化处理后的分布相同特征值和受光照影响程度的乘积确定为像素点的拉伸程度。
6.根据权利要求1所述的一种水质实时监测数据智能管理系统,其特征在于,所述获取待监测水体内部的基准灰度图像和对比灰度图像,包括:
获取待监测水体内部对应的正视角度拍摄的图像和其他角度拍摄的图像,将正视角度拍摄的图像确定为基准图像,将任意其他角度拍摄的图像确定为对比图像;
对基准图像和对比图像进行灰度化处理,获得待监测水体内部的基准灰度图像和对比灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311189441.6A CN116934636B (zh) | 2023-09-15 | 2023-09-15 | 一种水质实时监测数据智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311189441.6A CN116934636B (zh) | 2023-09-15 | 2023-09-15 | 一种水质实时监测数据智能管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934636A CN116934636A (zh) | 2023-10-24 |
CN116934636B true CN116934636B (zh) | 2023-12-08 |
Family
ID=88377500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311189441.6A Active CN116934636B (zh) | 2023-09-15 | 2023-09-15 | 一种水质实时监测数据智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934636B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10136423A1 (de) * | 2000-08-01 | 2002-03-07 | Nexpress Solutions Llc | Kantenverbesserung von Graustufenbildern |
WO2011127825A1 (zh) * | 2010-04-16 | 2011-10-20 | 杭州海康威视软件有限公司 | 图像对比度的处理方法及装置 |
WO2016005242A1 (en) * | 2014-07-10 | 2016-01-14 | Thomson Licensing | Method and apparatus for up-scaling an image |
CN106909925A (zh) * | 2017-03-03 | 2017-06-30 | 河海大学 | 一种水下图像目标检测方法 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN110443806A (zh) * | 2019-04-30 | 2019-11-12 | 浙江大学 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
KR102156936B1 (ko) * | 2019-09-09 | 2020-09-16 | 주식회사 에드오션 | 해양 환경 모니터링을 위한 이미지 분석 기반 수면 관측 시스템 및 방법 |
CN111696123A (zh) * | 2020-06-15 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 超像素分类识别的遥感图像水域分割提取方法 |
WO2021217642A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN115170572A (zh) * | 2022-09-08 | 2022-10-11 | 山东瑞峰新材料科技有限公司 | 一种bopp复合薄膜表面涂胶质量监测方法 |
CN115294113A (zh) * | 2022-09-30 | 2022-11-04 | 南通佳木汇木制品有限公司 | 一种木饰面板质量检测方法 |
CN115330792A (zh) * | 2022-10-13 | 2022-11-11 | 南通润厚设备工程有限公司 | 一种基于人工智能的污水检测方法及系统 |
CN115578374A (zh) * | 2022-11-01 | 2023-01-06 | 江苏南通元辰钢结构制造有限公司 | 一种机械零件铸造质量评估方法与系统 |
CN116205792A (zh) * | 2023-03-09 | 2023-06-02 | 中国科学院半导体研究所 | 水下大视场图像拼接方法 |
CN116229276A (zh) * | 2023-05-05 | 2023-06-06 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 基于计算机视觉的入河排污检测方法 |
CN116452474A (zh) * | 2023-05-17 | 2023-07-18 | 天津国兴海洋能源工程有限公司 | 一种基于数字孪生的污水处理设备可视化管理系统 |
CN116486061A (zh) * | 2023-06-20 | 2023-07-25 | 苏州德斯米尔智能科技有限公司 | 基于机器视觉的污水处理效果检测方法 |
-
2023
- 2023-09-15 CN CN202311189441.6A patent/CN116934636B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10136423A1 (de) * | 2000-08-01 | 2002-03-07 | Nexpress Solutions Llc | Kantenverbesserung von Graustufenbildern |
WO2011127825A1 (zh) * | 2010-04-16 | 2011-10-20 | 杭州海康威视软件有限公司 | 图像对比度的处理方法及装置 |
WO2016005242A1 (en) * | 2014-07-10 | 2016-01-14 | Thomson Licensing | Method and apparatus for up-scaling an image |
CN106909925A (zh) * | 2017-03-03 | 2017-06-30 | 河海大学 | 一种水下图像目标检测方法 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN110443806A (zh) * | 2019-04-30 | 2019-11-12 | 浙江大学 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
KR102156936B1 (ko) * | 2019-09-09 | 2020-09-16 | 주식회사 에드오션 | 해양 환경 모니터링을 위한 이미지 분석 기반 수면 관측 시스템 및 방법 |
WO2021217642A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN111696123A (zh) * | 2020-06-15 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 超像素分类识别的遥感图像水域分割提取方法 |
CN115170572A (zh) * | 2022-09-08 | 2022-10-11 | 山东瑞峰新材料科技有限公司 | 一种bopp复合薄膜表面涂胶质量监测方法 |
CN115294113A (zh) * | 2022-09-30 | 2022-11-04 | 南通佳木汇木制品有限公司 | 一种木饰面板质量检测方法 |
CN115330792A (zh) * | 2022-10-13 | 2022-11-11 | 南通润厚设备工程有限公司 | 一种基于人工智能的污水检测方法及系统 |
CN115578374A (zh) * | 2022-11-01 | 2023-01-06 | 江苏南通元辰钢结构制造有限公司 | 一种机械零件铸造质量评估方法与系统 |
CN116205792A (zh) * | 2023-03-09 | 2023-06-02 | 中国科学院半导体研究所 | 水下大视场图像拼接方法 |
CN116229276A (zh) * | 2023-05-05 | 2023-06-06 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 基于计算机视觉的入河排污检测方法 |
CN116452474A (zh) * | 2023-05-17 | 2023-07-18 | 天津国兴海洋能源工程有限公司 | 一种基于数字孪生的污水处理设备可视化管理系统 |
CN116486061A (zh) * | 2023-06-20 | 2023-07-25 | 苏州德斯米尔智能科技有限公司 | 基于机器视觉的污水处理效果检测方法 |
Non-Patent Citations (4)
Title |
---|
RGB-D图像中的分步超像素聚合和多模态融合目标检测;赵轩;郭蔚;刘京;;中国图象图形学报(08);全文 * |
Weakly Supervised Histopathology Image Segmentation With Sparse Point Annotations;Zhe Chen 等;《IEEE Journal of Biomedical and Health Informatics》;全文 * |
基于超像素和信息论的SAR图像目标检测研究;邓洋洋;冉元波;韩景红;;成都信息工程大学学报(05);全文 * |
改进的伽马校正与多尺度融合的水下图像增强;李华昆 等;《光电子·激光》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116934636A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
US8103055B2 (en) | Detection of blobs in images | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN114494210A (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN114758222B (zh) | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
AU2020272936B2 (en) | Methods and systems for crack detection using a fully convolutional network | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN103632369A (zh) | 块平均清晰度组合无参考水下图像通用性质量检测方法 | |
CN116612306B (zh) | 基于计算机视觉的法兰盘智能对位方法及系统 | |
CN114758219A (zh) | 基于光谱数据和红外温度数据融合的尾迹识别方法 | |
CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN105389820A (zh) | 一种基于倒谱的红外图像清晰度评价方法 | |
CN116152255B (zh) | 一种改性塑料生产瑕疵判断方法 | |
CN116934636B (zh) | 一种水质实时监测数据智能管理系统 | |
Bo et al. | Moving object detection based on improved ViBe algorithm | |
CN112396648B (zh) | 一种可定位目标物质心的目标识别方法和系统 | |
CN113496159A (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN117275130B (zh) | 基于人脸识别的智慧门禁验证系统 | |
CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN117710490A (zh) | 基于目标颜色特征的形变测量方法 | |
CN115641521A (zh) | 一种基于改进YOLOv3算法的河道漂浮物检测方法 |
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 |