CN117437309B - 基于人工智能的水利水务数字化管理系统 - Google Patents

基于人工智能的水利水务数字化管理系统 Download PDF

Info

Publication number
CN117437309B
CN117437309B CN202311763329.9A CN202311763329A CN117437309B CN 117437309 B CN117437309 B CN 117437309B CN 202311763329 A CN202311763329 A CN 202311763329A CN 117437309 B CN117437309 B CN 117437309B
Authority
CN
China
Prior art keywords
trend
river channel
image
channel connected
sequence
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
CN202311763329.9A
Other languages
English (en)
Other versions
CN117437309A (zh
Inventor
王永芹
刘晓华
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.)
Liangshan Public Water Service Co ltd
Original Assignee
Liangshan Public Water Service 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 Liangshan Public Water Service Co ltd filed Critical Liangshan Public Water Service Co ltd
Priority to CN202311763329.9A priority Critical patent/CN117437309B/zh
Publication of CN117437309A publication Critical patent/CN117437309A/zh
Application granted granted Critical
Publication of CN117437309B publication Critical patent/CN117437309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Nonlinear Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及基于人工智能的水利水务数字化管理系统，包括：将采集图像分块，提取分块图像水体指数结果和河道连通域，提取分块图像河道连通域骨架线、河道连通域宽度，进而得到骨架序列，获取骨架序列的趋势序列，根据趋势序列的趋势起点、终点得到河道连通域的趋势方向，根据趋势序列和骨架序列欧氏距离得到河道连通域的走向波动，根据河道连通域的趋势方向、走向波动得到分块图像河道信息含量，根据分块图像河道信息含量进行自适应滤波。本发明通过对遥感分块图像自适应滤波消除无效高频信息，达到增加图像像素点之间的关联性，提高神经网络分析效率，并在存储压缩到数字化管理系统时提高图像的压缩效率。

Description

基于人工智能的水利水务数字化管理系统
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于人工智能的水利水务数字化管理系统。
背景技术
水利中心以水务数据为基础，利用水资源通过统一调配和控制，作用于居民生活用水和工农业用水，保障水务产业链的运行。水利水务对水资源的调配基于水资源现状数据完成，其中水资源现状数据包括河道、水资源、水环境、水利工程现状等，并存在地形数据和卫星影响数据等，根据基础数据绘制河道网络图、河道蓝线编制图等。
水务数据中地形数据、河道蓝线编制图、地块权籍线图等数据图像基于河道卫星遥感图像得到，河道历史流量、河道走向的分析对水域风险评估等具有较高的参考和预防价值。但河道的形状并不标准，且遥感图像素质较高，在使用神经网络分析水务数据时无关数据造成处理时间的浪费。
水利水务分析系统只要针对的是河道水路等区域的管理，而河道卫星遥感图像包含大量陆地区域，这些区域在对河道分析和风险评估属于无效信息，且卫星遥感图像的采集和传输成本高，无效信息若存在较多高频的数据会增加传输和分析的成本，现有压缩方法，例如基于神经网络的压缩方法，主要通过数据的相似、重复等图像特征对图像压缩，而高频信息会降低图像的重复性，降低压缩效率，所以要消除无效的高频信息；而现有的滤波降噪方法虽然能消除无效的高频信息，但是也会消除一些重要的信息，因此需要一种能够保留重要信息同时消除无效的高频信息，以提高压缩率的方法。
发明内容
本发明提供基于人工智能的水利水务数字化管理系统，以解决现有的问题。
本发明的基于人工智能的水利水务数字化管理系统采用如下技术方案：
本发明一个实施例提供了基于人工智能的水利水务数字化管理系统，该系统包括以下模块：
遥感图像采集模块，用于采集遥感图像；
遥感图像分析模块，用于将采集的遥感图像分块得到分块图像，并提取分块图像中的河道连通域，提取分块图像中的河道连通域骨架线与河道连通域的平均宽度，根据河道连通域骨架线上的骨架点得到骨架序列，获取骨架序列的趋势序列，根据趋势序列的趋势起点和趋势终点得到河道连通域的趋势方向，根据趋势序列和骨架序列之间的差异得到河道连通域的走向波动，根据河道连通域的趋势方向和河道连通域的走向波动得到分块图像中的河道信息含量；
遥感分块图像滤波模块，根据分块图像中的河道信息含量得到分块图像的高斯滤波核方差，根据高斯滤波核方差确定高斯滤波核并对分块图像进行自适应滤波，得到滤波后的遥感图像；
遥感图像压缩存储模块，用于将滤波后的遥感图像进行压缩和存储管理。
进一步地，所述将采集的遥感图像分块得到分块图像，具体获取方法如下：
对遥感图像等区域分块，并记录分块顺序，遥感图像通过等比例分块得到个遥感分块图像，M为遥感图像的长度，N为遥感图像的宽度，/>为预设的分块比例。
进一步地，所述提取分块图像中的河道连通域骨架线与河道连通域的平均宽度，包括的具体步骤如下：
利用形态学最大的内切圆盘骨架提取方法，提取分块图像中河道连通域的骨架线，根据骨架线上的骨架点位置得到骨架序列，以及河道连通域在骨架线各个骨架点位置的宽度，所述各个骨架点位置的宽度为形态学骨架提取时腐蚀次数的两倍，将河道连通域在所有位置的宽度均值记为河道连通域的平均宽度。
进一步地，所述根据趋势序列的趋势起点和趋势终点得到河道连通域的趋势方向，包括的具体步骤如下：
获取趋势序列中第一个像素点的横纵坐标和获取趋势序列中最后一个像素点的横纵坐标，将趋势序列中第一个像素点记为趋势序列的趋势起点，将趋势序列中最后一个像素点记为趋势序列的趋势终点，获取趋势起点与趋势终点之间的斜率，将趋势起点与趋势终点之间的斜率作为反正切函数的输入值，将反正切函数的输出值作为河道连通域的趋势方向。
进一步地，所述根据趋势序列和骨架序列之间的差异得到河道连通域的走向波动，包括的具体步骤如下：
式中为任意一个分块图像中第/>个河道连通域的走向波动，/>表示第/>个河道连通域的趋势序列中第/>个位置的像素点横坐标，/>表示第/>个河道连通域的趋势序列中第/>个位置的像素点纵坐标，/>表示第/>个河道连通域的骨架序列中第/>个位置的像素点横坐标，/>表示第/>个河道连通域的骨架序列中第/>个位置的像素点纵坐标，/>为序列中像素点总个数。
进一步地，所述根据河道连通域的趋势方向和河道连通域的走向波动得到分块图像中的河道信息含量，包括的具体步骤如下：
式中为第/>个遥感分块图像的河道信息含量，/>为第/>个分块图像的水体标记值，/>为第/>个分块图像中河道连通域数量，/>表示第/>个分块图像中第/>个河道的走向波动，/>为第/>个分块图像中第/>个河道连通域的趋势方向，/>为第/>个分块图像中第/>个河道连通域的趋势方向，/>为双曲正切函数，/>为自然常数为底的指数函数，/>为预设的超参数，防止分母为0，/>表示第/>个分块图像中第/>个河道连通域的平均宽度，/>表示/>个分块图像中第/>个河道连通域的平均宽度。
进一步地，所述分块图像的水体标记值的具体获取方法如下：
获取分块图像的水体指数结果，预设水体指数阈值，当分块图像的水体指数结果大于等于水体指数阈值时，分块图像的水体标记值为1，当分块图像的水体指数结果小于水体指数阈值时，分块图像的水体标记值为0。
进一步地，所述根据分块图像中的河道信息含量得到分块图像的高斯滤波核方差，根据高斯滤波核方差确定高斯滤波核并对分块图像进行自适应滤波，得到滤波后的遥感图像，包括的具体步骤如下：
式中为第/>个分块图像的高斯滤波核方差，/>为第/>个分块图像的河道信息含量；
获取所有分块图像的高斯滤波核方差，预设高斯滤波核大小，根据分块图像的高斯滤波核方差和预设高斯滤波核大小对分块图像进行自适应滤波，将自适应滤波后的分块图像根据分块顺序拼接，得到滤波后的遥感图像。
本发明的技术方案的有益效果是：相较于现有技术对水域遥感图像的直接保存，本发明针对卫星遥感图像中各个分块图像内河流信息含量对遥感分块图像进行自适应滤波消除非河道区域的无效高频信息，并且不会丢失有效的水域信息，同时增加数据重复性和相似性，提高存储压缩过程中压缩效率，减少存储设备的对无效信息的存储，进而减少数字信息管理的成本投入。
通过等比例分块得到分块图像，提取分块图像的水域，用于得到遥感图像中的水体连通域；根据分块图像中河道连通域使用形态学获得骨架与骨架的迭代次数，骨架迭代次数为河道宽度，骨架始末方向得到的序列为河道的趋势序列，趋势序列为标准河道走向，骨架序列与趋势序列的差异为河道连通域的走向波动，表示河道遥感图像受到干扰的程度，根据走向波动获得河道信息量，河道信息量越大表明遥感数据的中河道连通域走向波动越大，与标准河道差异越大越有利于分析获得水利水务数据，将后续对河道信息量低无效区域和有利效果低的连通域使用较高方差的高斯滤波核降低高频数据，对河道信息量高的区域使用较小方差的高斯滤波核保留高频信息，用于增加存储效率。
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，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地介绍，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他的附图。
图1为本发明基于人工智能的水利水务数字化管理系统的系统框架图；
图2为本发明实施例提供的卫星遥感图像；
图3为本发明实施例提供的遥感分块图像；
图4为本发明实施例提供的包含河道连通域的遥感图像；
图5为本发明实施例提供的滤波后的遥感图像。
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基于人工智能的水利水务数字化管理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的水利水务数字化管理系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的水利水务数字化管理系统的系统框架图，该系统包括以下模块：
遥感图像采集模块：
需要说明的是，本实施例基于对卫星遥感图像的自适应消除无效信息，首先需要采集卫星遥感图像。卫星图像具有固定分辨率以及与分辨率相对应的比例，本实施例以谷歌卫星遥感图像为例，默认分辨率为13级：15米分辨率，比例尺为1：50000。
具体的，通过对指定区域采集遥感图像，得到待处理河流流域的卫星遥感图像，如图2所示为本实施例中的卫星遥感图像。
遥感图像分析模块：
需要说明的是，高频信息在数据传输存储和处理时作为关键参考，在有效信息中需要保留，而无效信息中需要抹去，优化系统处理的负载。遥感图像中水域连通域的形状和河流宽度与多水域之间的关系为图像包含的水域信息含量，通过对信息含量得到计算并根据信息含量对图像自适应滤波处理，消除高频信息达到提高像素点之间的关联性，降低处理负载的目的。
进一步需要说明的是，水利水务数字化管理系统仅针对河流流域的分析，而卫星图像并不能仅采集河流区域，使得采集的卫星图像中含有较多的无效信息，在对神经网络数据分析处理和数据存储时，高频信息会增加处理负载并降低压缩效率。无河流的区域在水利水务处理中属于无效区域，且针对不同河段的数据重要性不同，相较于没有断流、河道通畅和河堤光滑的水域，存在断流、遮挡、阻塞、河道边缘不规整、河道宽度不等的水域对水利水务分析具有更高的参考性。因此需要重点保留有效信息含量高的遥感图像，降低对无效数据采集质量。
需要说明的是，遥感图像为了能更清晰的显示采集细节，存在图像过大高频信息过多的问题，降低神经网络的分析效率，且河流仅分布在流域范围内，遥感图像的其他区域对水务分析为无效数据，因此通过分块尽可能的将无河流的区域提出降低计算量。
进一步需要说明的是，通过遥感图像采集模块采集得到比例尺为1:50000的遥感图像，/>为图像的大小，本实施例中以图像大小为/>进行说明，即图像长度/>，图像宽度/>，单位为像素，遥感图像中占比较大的为陆地，而河流区域仅占比较少的区域。
具体的，首先对遥感图像等区域分块，并记录分块顺序，遥感图像通过等比例分块得到/>个遥感分块图像，/>为分块的比例，如图3所示，为经过分块处理后的一张遥感分块图像，本实施例中以分块比例a=32进行叙述，具体实施时可以设置为其他值，当分块比例不能使得遥感图像等比例分块时，对遥感图像中的元素进行分块操作时，可能会超出遥感图像的边界，本实施例利用二次线性插值的方法将遥感图像超出边界的部分进行插值填充数据，对分块图像使用水体指数法NDWI提取水体，可实现从遥感图像中提取水域，使用水体指数法得到各个遥感分块图像的水体指数结果，当遥感分块图像区域水体指数结果大于预设水体指数阈值/>时，认为遥感分块图像区域为水体区域，需要说明的是，本实施以预设水体指数阈值/>进行叙述，实施时可以设置为其他值，根据预设水体指数阈值将遥感分块图像区域标记：
式中为第i个分块图像的水体标记值，/>为第i个遥感分块图像的水体指数结果，/>为预设水体指数阈值，同理获得所有分块图像水体标记值。
需要说明的是，NDWI算法为现有技术，在此不进行赘述，当存在时认为分块图像/>为存在有效数据。
进一步的，通过NDWI提取分块图像中的水体的连通域，/>表示第/>个分块图像中第/>个河道连通域。
需要说明的是，通过上述模块采集遥感图像并分块提取区域中的水体区域。而由于人为因素和自然因素造成河道连通域在遥感图像中的形状不同，且水域可能被堤坝桥梁等截断，并且水位的降低带来的河床裸露对水利水务的分析具有较高参考价值，因此非规整的河道图像具有更高的信息价值，如图4所示为包含河道连通域的遥感图像。
进一步需要说明的是，采集的遥感图像主要包括四个区域:1、河道正常区域，河堤边缘平滑；2、河道存在树木的阴影遮挡区域，且相较于河道正常区域变窄；3、河道存在浅滩变化区域，河堤与水域边缘存在一定距离且受浅滩的不规则影响，水域边缘也不规则；4、陆地区域。
需要说明的是，上述模块得到各个河道区域的连通域，表示第/>个分块图像中第个河道连通域。由于河道可能被桥梁、堤坝阻断，且浅滩、阻塞会改变河道遥感图像，使得同一河流存在多个连通域，因此可通过对河道连通域分析河面宽度和方向变化，并结合水域形状得到分块图像的水域信息含量。水域逇宽度为不规则区域无法直接测量得到，因此本实施例利用形态学骨架的提取河流宽度和河道方向。
具体的，利用现有的形态学最大的内切圆盘骨架提取方法，提取分块图像中河道连通域的骨架线，进而根据骨架线上的骨架点位置得到骨架序列，以及河道连通域在骨架线各个骨架点位置的宽度，所述各个骨架点位置的宽度为形态学骨架提取时腐蚀次数的两倍，将河道连通域在所有位置的宽度均值记为河道连通域的平均宽度。
需要说明的是，本实施例使用的形态学最大的内切圆盘提取骨架为现有技术。河道连通域的骨架即为河流的走向。通过记录骨架中每个像素点的腐蚀次数，即可得到河道在各个位置的宽度，河道在各个位置的宽度为腐蚀次数的两倍。
进一步需要说明的是，分块图像中的河道连通域数量越多，且各个连通域的趋势方向一致，即一条河被某种因素分为多个段，则该区域内包含的河道信息更多，则需要保留更清晰的遥感图像，河流骨架的各个位置的宽度变化越大，则说明当前河道的河堤越不规整，在对水利水务数据分析系统中，相较于平整的河段不规整的数据更具有参考价值。因此，根据河道形状构建河道信息计算模型。上述方法可以得到分块图像中每个河道连通域的骨架序列，本实施例接下来对其中的第个河道连通域进行如下分析；
对于第个河道连通域的骨架序列使用STL算法得到骨架序列的趋势序列。其中骨架序列的长度记为K，那么趋势序列长度也为K。
具体的，趋势序列的趋势起点坐标为，也即趋势序列中第一个像素点的横纵坐标；趋势序列的趋势终点坐标为/>，也即趋势序列中第K个像素点的横纵坐标，根据趋势序列的趋势起点和趋势终点得到河道连通域的趋势方向：
式中为分块图像中第/>个河道连通域的趋势方向，/>表示第/>个河道连通域的趋势序列的趋势终点纵坐标，/>表示第/>个河道连通域的趋势序列的趋势终点横坐标，表示第/>个河道连通域的趋势序列的趋势起点纵坐标，/>表示第/>个河道连通域的趋势序列的趋势起点横坐标，/>为反正切函数。
需要说明的是，河道连通域的骨架线必位于河道中心，河道连通域宽度可能存在方差为0的情况，即河道处处等宽，但河道流动方向发生改变，此时河道属于不规整的，因此需要计算河流走向波动。
进一步地，获取所有分块图像中所有河道连通域的趋势方向，将第个分块图像中第/>个河道连通域的趋势方向记为/>。
进一步的，根据趋势序列对骨架序列做欧氏距离残差得到河道连通域的走向波动：
式中为任意一个分块图像中第/>个河道连通域的走向波动，/>表示第/>个河道连通域的趋势序列中第/>个位置的像素点横坐标，/>表示第/>个河道连通域的趋势序列中第/>个位置的像素点纵坐标，/>表示第/>个河道连通域的骨架序列中第/>个位置的像素点横坐标，/>表示第/>个河道连通域的骨架序列中第/>个位置的像素点纵坐标，/>为序列中像素点总个数。
需要说明的是，河道连通域的走向波动越大表示河道存在弯曲，即说明河堤并不光滑，存在的有效信息较高。
进一步地，获取所有分块图像中所有河道连通域的走向波动，将第个分块图像中第/>个河道连通域的走向波动记为/>。
具体的，根据河道连通域的趋势方向和河道连通域的走向波动计算分块图像中的河道信息含量：
式中为第/>个遥感分块图像的河道信息含量，/>为第/>个分块图像的水体标记值，/>为第/>个分块图像中河道连通域数量，/>表示第/>个分块图像中第/>个河道的走向波动，/>为第/>个分块图像中第/>个河道连通域的趋势方向，/>为第/>个分块图像中第/>个河道连通域的趋势方向，/>为双曲正切函数，用于归一化，/>为自然常数为底的指数函数，/>为超参数，默认值取/>，目的是防止分母为0，/>表示第/>个分块图像中第/>个河道连通域的平均宽度，/>表示/>个分块图像中第/>个河道连通域的平均宽度。
需要说明的是，河道中信息含量越多，说明该区域的卫星遥感图像对该区域的水利分析更重要，根据水体标记值对河道计算信息含量，表示图像中无水体，不需要计算。河段的数量越多，表明该卫星图像中的河流存在多段或被分为多段，所含水域更多，信息含量/>越大；走向波动/>的取值越大，表明当前河道的河堤变化越强，则信息含量/>越大；/>表示两个河段的趋势方向的差值与平均宽度之比，两河段的趋势方向差值/>越小，两段河为一条河流被意外阻断得到可能性越高，即有效信息越多，两段河得到宽度均值差值/>越小，两条河属于一条河的河段可能性更高，即有效信息越多，信息含量/>越大。
进一步需要说明的是，由于存在取值时使得/>，即相较于实际值多/>，因此减去修正。
至此，分块图像通过对水域连通域的信息含量分析处理，得到分块图像所包含的河道信息含量，本实施例利用线性归一化方法将所有遥感分块图像的河道信息含量进行归一化处理。
遥感分块图像滤波模块：
需要说明的是，上述方法计算得到各个分块图像的信息含量，在数据的压缩或传输时，信息含量多的数据压缩效率更低，而河流信息含量越低的图像块对水利水务信息分析越无效，因此根据分块遥感图像的信息含量自适应滤波消除图像中的高频信息保留低频信息，达到消除细节增加压缩效率的目的，高斯滤波可以有效的消除图像中的高频信息。
具体的，根据分块图像的河道信息含量设置高斯滤波波核的方差：
式中为第/>个分块图像的高斯滤波核方差，/>为第/>个分块图像的河道信息含量。
需要说明的是，确定分块图像的高斯滤波核方差后，对于高斯滤波核的大小本实施以为例进行叙述，当信息含量越小，高斯滤波核方差越大，保留高频信息越少。
进一步的，对分块图像进行自适应滤波，通过对自适应滤波后的分块图像根据分块顺序拼接，得到滤波后的卫星遥感图像，如图5所示为本实施例中滤波后的遥感图像。
遥感图像压缩存储模块：
通过上述步骤得到消除无效区的高频信息的卫星遥感图像，在使用水利的数字化管理系统生成目标图像时，高频信息为重要的参考点，通过消除高频信息，并且不会丢失有效的水域信息，同时增加数据重复性和相似性，在进行压缩时，可以避免由于噪声的干扰而导致压缩率不高的情况，进而本实施例减小压缩后空间占有量，然后对采集的大量卫星遥感图像进行数字化管理时，例如存储时，可以减少存储设备的使用数量，进而减少数字信息管理的成本投入。
本实施例使用的压缩方法为基于自编码网络的压缩方法，自编码网络是一种卷积神经网络，也是一种现有的压缩方法，本实施例不在对该技术进行具体说明。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于人工智能的水利水务数字化管理系统，其特征在于，该系统包括以下模块：
遥感图像采集模块，用于采集遥感图像；
遥感图像分析模块，用于将采集的遥感图像分块得到分块图像，并提取分块图像中的河道连通域，提取分块图像中的河道连通域骨架线与河道连通域的平均宽度，根据河道连通域骨架线上的骨架点得到骨架序列，获取骨架序列的趋势序列，根据趋势序列的趋势起点和趋势终点得到河道连通域的趋势方向，根据趋势序列和骨架序列之间的差异得到河道连通域的走向波动，根据河道连通域的趋势方向和河道连通域的走向波动得到分块图像中的河道信息含量；所述获取骨架序列的趋势序列包括：对河道连通域的骨架序列使用STL算法得到骨架序列的趋势序列；
所述根据趋势序列的趋势起点和趋势终点得到河道连通域的趋势方向，包括的具体步骤如下：
获取趋势序列中第一个像素点的横纵坐标和获取趋势序列中最后一个像素点的横纵坐标，将趋势序列中第一个像素点记为趋势序列的趋势起点，将趋势序列中最后一个像素点记为趋势序列的趋势终点，获取趋势起点与趋势终点之间的斜率，将趋势起点与趋势终点之间的斜率作为反正切函数的输入值，将反正切函数的输出值作为河道连通域的趋势方向；
所述根据趋势序列和骨架序列之间的差异得到河道连通域的走向波动，包括的具体步骤如下：
式中为任意一个分块图像中第/>个河道连通域的走向波动，/>表示第/>个河道连通域的趋势序列中第/>个位置的像素点横坐标，/>表示第/>个河道连通域的趋势序列中第/>个位置的像素点纵坐标，/>表示第/>个河道连通域的骨架序列中第/>个位置的像素点横坐标，/>表示第/>个河道连通域的骨架序列中第/>个位置的像素点纵坐标，/>为序列中像素点总个数；
所述根据河道连通域的趋势方向和河道连通域的走向波动得到分块图像中的河道信息含量，包括的具体步骤如下：
式中为第/>个遥感分块图像的河道信息含量，/>为第/>个分块图像的水体标记值，为第/>个分块图像中河道连通域数量，/>表示第/>个分块图像中第/>个河道的走向波动，为第/>个分块图像中第/>个河道连通域的趋势方向，/>为第/>个分块图像中第/>个河道连通域的趋势方向，/>为双曲正切函数，/>为自然常数为底的指数函数，/>为预设的超参数，防止分母为0，/>表示第/>个分块图像中第/>个河道连通域的平均宽度，/>表示/>个分块图像中第/>个河道连通域的平均宽度；
所述分块图像的水体标记值的具体获取方法如下：
获取分块图像的水体指数结果，预设水体指数阈值，当分块图像的水体指数结果大于等于水体指数阈值时，分块图像的水体标记值为1，当分块图像的水体指数结果小于水体指数阈值时，分块图像的水体标记值为0；
遥感分块图像滤波模块，根据分块图像中的河道信息含量得到分块图像的高斯滤波核方差，根据高斯滤波核方差确定高斯滤波核并对分块图像进行自适应滤波，得到滤波后的遥感图像；
遥感图像压缩存储模块，用于将滤波后的遥感图像进行压缩和存储管理；
所述根据分块图像中的河道信息含量得到分块图像的高斯滤波核方差，包括：
式中为第/>个分块图像的高斯滤波核方差，/>为第/>个分块图像的河道信息含量。
2.根据权利要求1所述基于人工智能的水利水务数字化管理系统，其特征在于，所述将采集的遥感图像分块得到分块图像，具体获取方法如下：
对遥感图像等区域分块，并记录分块顺序，遥感图像通过等比例分块得到个遥感分块图像，M为遥感图像的长度，N为遥感图像的宽度，/>为预设的分块比例。
3.根据权利要求1所述基于人工智能的水利水务数字化管理系统，其特征在于，所述提取分块图像中的河道连通域骨架线与河道连通域的平均宽度，包括的具体步骤如下：
利用形态学最大的内切圆盘骨架提取方法，提取分块图像中河道连通域的骨架线，根据骨架线上的骨架点位置得到骨架序列，以及河道连通域在骨架线各个骨架点位置的宽度，所述各个骨架点位置的宽度为形态学骨架提取时腐蚀次数的两倍，将河道连通域在所有位置的宽度均值记为河道连通域的平均宽度。
4.根据权利要求1所述基于人工智能的水利水务数字化管理系统，其特征在于，所述根据高斯滤波核方差确定高斯滤波核并对分块图像进行自适应滤波，得到滤波后的遥感图像，包括的具体步骤如下：
获取所有分块图像的高斯滤波核方差，预设高斯滤波核大小，根据分块图像的高斯滤波核方差和预设高斯滤波核大小对分块图像进行自适应滤波，将自适应滤波后的分块图像根据分块顺序拼接，得到滤波后的遥感图像。
CN202311763329.9A 2023-12-21 2023-12-21 基于人工智能的水利水务数字化管理系统 Active CN117437309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311763329.9A CN117437309B (zh) 2023-12-21 2023-12-21 基于人工智能的水利水务数字化管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311763329.9A CN117437309B (zh) 2023-12-21 2023-12-21 基于人工智能的水利水务数字化管理系统

Publications (2)

Publication Number Publication Date
CN117437309A CN117437309A (zh) 2024-01-23
CN117437309B true CN117437309B (zh) 2024-03-22

Family

ID=89558595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311763329.9A Active CN117437309B (zh) 2023-12-21 2023-12-21 基于人工智能的水利水务数字化管理系统

Country Status (1)

Country Link
CN (1) CN117437309B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349207A (zh) * 2019-07-10 2019-10-18 国网四川省电力公司电力科学研究院 一种复杂环境下的视觉定位方法
CN110688961A (zh) * 2019-09-30 2020-01-14 北京大学 一种河网拓扑信息提取方法及系统
CN111310558A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于深度学习和图像处理法的路面病害智能提取方法
CN113989653A (zh) * 2021-09-16 2022-01-28 黄河水利委员会黄河水利科学研究院 一种河流平面几何指标与拓扑结构的提取方法
CN114463644A (zh) * 2021-12-31 2022-05-10 中国科学院空天信息创新研究院 河流流量遥感监测方法及装置
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
WO2023186133A1 (zh) * 2022-04-02 2023-10-05 武汉联影智融医疗科技有限公司 一种用于穿刺路径规划的系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349207A (zh) * 2019-07-10 2019-10-18 国网四川省电力公司电力科学研究院 一种复杂环境下的视觉定位方法
CN110688961A (zh) * 2019-09-30 2020-01-14 北京大学 一种河网拓扑信息提取方法及系统
CN111310558A (zh) * 2019-12-28 2020-06-19 北京工业大学 一种基于深度学习和图像处理法的路面病害智能提取方法
CN113989653A (zh) * 2021-09-16 2022-01-28 黄河水利委员会黄河水利科学研究院 一种河流平面几何指标与拓扑结构的提取方法
CN114463644A (zh) * 2021-12-31 2022-05-10 中国科学院空天信息创新研究院 河流流量遥感监测方法及装置
WO2023186133A1 (zh) * 2022-04-02 2023-10-05 武汉联影智融医疗科技有限公司 一种用于穿刺路径规划的系统及方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Extraction of connected river networks from multi-temporal remote sensing imagery using a path tracking technique;Huili Chen et al;《Remote Sensing of Environment》;20200930;全文 *
利用数学形态学的遥感影像水系提取方法;李辉 等;《武汉大学学报(信息科学版)》;20110805;全文 *
基于同态系统滤波的高分辨率遥感图像河流信息提取;杨宜菩 等;《计算机应用》;20160110;全文 *
基于高分辨率SAR图像的道路和河流提取方法研究;文俊;《中国优秀硕士学位论文全文数据库电子期刊 信息科技辑》;20170415;第2017卷(第4期);全文 *

Also Published As

Publication number Publication date
CN117437309A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN116229276B (zh) 基于计算机视觉的入河排污检测方法
Lopes et al. Adaptive speckle filters and scene heterogeneity
US7092573B2 (en) Method and system for selectively applying enhancement to an image
De Smet et al. Implementation and analysis of an optimized rainfalling watershed algorithm
CN111008941A (zh) 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法
CN109584240B (zh) 滑坡后缘裂缝位移图像识别方法
CN109671035B (zh) 一种基于直方图的红外图像增强方法
CN110211058A (zh) 一种医学影像的数据增强方法
CN114418904B (zh) 一种基于改进直方图均衡化和增强高通滤波的红外图像增强方法
CN106442526A (zh) 一种基于matlab的活性污泥絮体分析方法
CN101847257A (zh) 基于非局部均值与多级定向图像的图像降噪方法
CN109242799A (zh) 一种变阈值的小波去噪方法
Chen et al. A new process for the segmentation of high resolution remote sensing imagery
Ma et al. Difference based median filter for removal of random value impulse noise in images
Premkumar et al. An efficient approach for colour image enhancement using Discrete Shearlet Transform
CN115802056A (zh) 用于移动终端的用户数据压缩存储方法
CN117437309B (zh) 基于人工智能的水利水务数字化管理系统
CN114663319A (zh) 一种实现彩色图像增强的fpga方法及系统
Lal et al. Removal of high density salt & pepper noise through super mean filter for natural images
CN117292137A (zh) 一种航拍遥感影像优化分割处理方法
CN103455986B (zh) 基于分数阶微分梯度的随机噪声点检测方法
CN117274820A (zh) 一种测绘地理信息地图数据采集方法及系统
CN116932492A (zh) 用于版式文件识别数据存储优化方法
Santhi et al. Contrast enhancement by modified octagon histogram equalization
CN110060217A (zh) 一种有效降低噪点的图像处理方法

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