一种基于图像分析的水文尺水位识别估算方法技术

本发明专利技术公开了一种基于图像分析的水文尺水位识别估算方法，包括以下步骤：首先通过HSV颜色空间实现水文尺初步定位，而后自适应构建分量图实现水文尺精确定位；通过数据增强技术扩充样本，并对定位的水文尺图像采用模糊C聚类的方法实现字符分割，而后构建卷积神经网络训练数据集并对完整的字符进行识别；按顺序计算多个完整字符“E”的像素高度，并以此为基础建立二次方程动态拟合图像中像素高度与实际高度之间映射关系，进而计算残缺字符“E”的实际高度。本发明专利技术可以实现通过含有水文尺的图像中识别估算出水深，适合集成在终端，例如摄像机、照相机等前端，自动估算水尺水位。

【技术实现步骤摘要】
一种基于图像分析的水文尺水位识别估算方法
本专利技术涉及水深的自动测量，属于基于图像的测量方法，属于水深自动测量领域，具体地说是一种基于图像分析的水文尺水位识别估算方法。
技术介绍
水文监测作为一门影响民生、经济建设的学科，在较为关键的水域附近建立水文站实现水位、流量以及流速等要素测量，一方面提供水文常规数据，另一方面为水资源利用、交通保证以及预防洪涝灾害等方面提供决策支持数据。传统的监测方式是测量人员通过对水文尺进行读数以及记录水位。随着信息技术的高速发展，越来越多的自动测量仪器用于水文监测，在节约劳动力成本的同时提高了测量精度与准确度。但是自动测量传感器易受环境影响或仪器受损而影响测量精度，以红外测量、超声波测量为代表的非接触测量方法则需要定期进行校准及维护，因此在水文站中除了采用传感器测量水位，也会使用传统的水文尺测量水位用于比对和校验电子水文尺等水位传感器。同时，近年来图像处理技术在测量领域得到广泛的应用，例如仪器自动读数，河流、明渠的水位测量以及城市道路积水监测等。基于图像识别的水位自动监测技术，是结合图像采集设备、普通水文尺，采用非接触式测量方法实现水位测量，造价较低，不易损坏，同时定期维护、校准的需求相对较低，尤其在测量精度要求不高的场景下具有较高的实用价值，能够为农业灌溉、城市防汛以及交通出行等方面提供数据支持，为站点数据质量控制带来新途径，提高自动处理水平。
技术实现思路
专利技术目的：针对上述现有技术，提出一种基于图像分析的水文尺水位识别估算方法，用于自动估算水文尺水位。技术方案：一种基于图像分析的水文尺水位识别估算方法，包括以下步骤：步骤1：拍摄含有水文尺图像的图片，首先通过HSV颜色空间实现水文尺初步定位，而后自适应构建分量图实现水文尺精确定位；步骤2：人工分割水文尺上的字符和数字，并通过数据增强技术扩充数据集，然后随机分为训练集和测试集；构建卷积神经网络并进行训练及测试；采用模糊C聚类的方法对水文尺图像进行聚类并分割，将分割出的字符采用训练好的卷积神经网络进行识别，识别结果作为水深的整数部分；步骤3：按顺序计算步骤2识别出来的完整字符“E”的像素高度，并以此为基础建立二次方程拟合图像中像素高度与实际高度之间对应关系，计算残缺数字或残缺字符“E”的像素高度，并通过拟合关系计算残缺数字或残缺字符“E”的实际高度作为水深的小数部；步骤4：根据步骤2字符识别和步骤3映射关系计算图像中的水深结果。有益效果：本专利技术的一种基于图像分析的水尺水位识别估算方法，实现水文尺图像中水位的自动识别及刻度估算，可以实现通过含有水文尺的图像中识别估算出水深，适合集成在终端，例如摄像机、照相机等前端，自动估算水尺水位。附图说明图1为本专利技术的总体流程示意图；图2为数据增强的部分数据图像；图3为设计的卷积神经网络结构；图4为步骤4情况划分的两种实例。具体实施方式下面结合附图对本专利技术做更进一步的解释。如图1所示，一种基于图像分析的水文尺水位识别估算方法，包括以下步骤：步骤1：拍摄含有水文尺图像的图片，并建立两步水文尺定位算法流程，首先通过HSV颜色空间实现水文尺初步定位，而后自适应构建分量图实现水文尺精确定位。步骤2，字符识别：人工分割水文尺上的字符和数字，并以此为基础通过数据增强技术扩充数据集，并采用模糊C聚类的方法对步骤1定位的水文尺图像进行字符分割，分割出完整的数字、完整的字符“E”以及残缺的数字或残缺的字符“E”，而后构建卷积神经网络训练数据集并对完整的字符进行识别，并以此作为水深的整数部。步骤3，像素高度与实际高度动态映射：按顺序计算多个完整字符“E”的像素高度，并以此为基础建立二次方程拟合图像中像素高度与实际高度之间对应关系，计算残缺数字或残缺字符“E”的像素高度，并通过拟合关系计算实际高度作为水深的小数部。步骤4，根据步骤2字符识别和步骤3映射关系计算图像中的水深结果。本专利技术步骤1包括以下具体步骤：步骤1-1，水文尺初步定位：拍摄含有水文尺图像的图片，并将其颜色空间由RGB转换为HSV，并采用阈值分割、形态学处理方法初步确定水文尺的位置；步骤1-2，水文尺精确定位：构建自适应分量图(Componentmap)精确定位水文尺；步骤1-3，水文尺倾斜矫正：采用Hough变换对水文尺进行倾斜矫正，从图像中提取出水文尺图像。本专利技术步骤1-1水文尺初步定位包括以下具体步骤：步骤1-1-1，颜色空间转换：将原始图像颜色空间由RGB转换为HSV空间，并进行二值化处理及滤波；步骤1-1-2，形态学处理：对步骤1-1-1的二值图像进行形态学处理以初步确定水文尺区域；步骤1-1-3，初步水文尺分割：根据步骤1-1-2的水文尺区域对原始图像进行分割，初步分割出水文尺图像。本专利技术步骤1-1-1颜色空间转换包括以下具体步骤：步骤1-1-1-1，HSV颜色空间转换：将原始图像的颜色空间由RGB空间转换至HSV空间，可提取出颜色(Hue)、饱和度(Saturation)、亮度(Value)三种分量；步骤1-1-1-2，阈值分割：针对Hue分量采用大津算法(OTSU)确定全局阈值；步骤1-1-1-3，图像二值化：根据步骤1-1-1-2中确定的全局阈值，对Hue分量进行二值化处理，可初步显示水文尺，同时存在较多噪点；步骤1-1-1-4，中值滤波：采用中值滤波的方法处理步骤1-1-1-3中的二值图像，可有效去除孤立噪点，针对不同分辨率可采用不同的中值滤波参数：图像分辨率为6000×4000，采用50×50作为中值滤波的参数；图像分辨率为2560×1920，采用20×20作为中值滤波的参数；图像分辨率为1600×1200，采用20×20作为中值滤波的参数；图像分辨率为1024×768，采用20×20作为中值滤波的参数；图像分辨率为800×600，采用10×10作为中值滤波的参数；图像分辨率为640×480，采用5×5作为中值滤波的参数。本专利技术步骤1-1-2形态学处理包括以下具体步骤：步骤1-1-2-1，闭运算：采用形态学方法中的闭运算对步骤1-1-1-4得到的图像进行处理，可恢复水文尺的联通区域，闭运算可采用正方形结构，大小根据像素不同进行调整；步骤1-1-2-2，开运算：对步骤1-1-2-1中的图像进行开运算以滤除图像中细小部分，开运算可采用正方形结构，大小根据像素不同进行调整；步骤1-1-2-3，去除小连通域：对步骤1-1-2-2中所得图像进行连通域标注，根据联通区域大小去除小连通域，留下水文尺连通域。本专利技术步骤1-1-3初步水文尺分割包括以下具体步骤：步骤1-1-3-1，确定水文尺区域：将步骤1-1-2-3的水文尺区域做外接矩形，可适当将矩形范围扩大；步骤1-1-3-2，水文尺初步定位：将步骤1-1-3-1的二值图像与原图进行与运算，即可实现水文尺的初步定位；步骤1-1-3-3，水文尺分割；将步骤1-1-3-2的水文尺图像进行切割，去除复杂背景。本专利技术步骤1-2水文尺精确定位包括以下具体步骤：步骤1-2-1，构建分量图：根据水文尺的不同颜色定义分量图(Componentmap)，如果水文尺为红色，则定义分量图为：水文尺为蓝色，则定义分量图为：其中C为分量图，R,G,B为水文尺颜色分量，ω为调整颜色权重的参数，直接影响水文尺的可本文档来自技高网...

【技术保护点】
1.一种基于图像分析的水文尺水位识别估算方法，其特征在于，包括以下步骤：步骤1：拍摄含有水文尺图像的图片，首先通过HSV颜色空间实现水文尺初步定位，而后自适应构建分量图实现水文尺精确定位；步骤2：人工分割水文尺上的字符和数字，并通过数据增强技术扩充数据集，然后随机分为训练集和测试集；构建卷积神经网络并进行训练及测试；采用模糊C聚类的方法对水文尺图像进行聚类并分割，将分割出的字符采用训练好的卷积神经网络进行识别，识别结果作为水深的整数部分；步骤3：按顺序计算步骤2识别出来的完整字符“E”的像素高度，并以此为基础建立二次方程拟合图像中像素高度与实际高度之间对应关系，计算残缺数字或残缺字符“E”的像素高度，并通过拟合关系计算残缺数字或残缺字符“E”的实际高度作为水深的小数部；步骤4：根据步骤2字符识别和步骤3映射关系计算图像中的水深结果。

【技术特征摘要】
1.一种基于图像分析的水文尺水位识别估算方法，其特征在于，包括以下步骤：步骤1：拍摄含有水文尺图像的图片，首先通过HSV颜色空间实现水文尺初步定位，而后自适应构建分量图实现水文尺精确定位；步骤2：人工分割水文尺上的字符和数字，并通过数据增强技术扩充数据集，然后随机分为训练集和测试集；构建卷积神经网络并进行训练及测试；采用模糊C聚类的方法对水文尺图像进行聚类并分割，将分割出的字符采用训练好的卷积神经网络进行识别，识别结果作为水深的整数部分；步骤3：按顺序计算步骤2识别出来的完整字符“E”的像素高度，并以此为基础建立二次方程拟合图像中像素高度与实际高度之间对应关系，计算残缺数字或残缺字符“E”的像素高度，并通过拟合关系计算残缺数字或残缺字符“E”的实际高度作为水深的小数部；步骤4：根据步骤2字符识别和步骤3映射关系计算图像中的水深结果。2.根据权利要求1所述的一种基于图像分析的水文尺水位识别估算方法，其特征在于，所述步骤1中，通过HSV颜色空间实现水文尺初步定位包括如下具体步骤：步骤1-1-1：将原始图像颜色空间由RGB转换为HSV空间，并进行二值化处理及滤波；步骤1-1-2：对步骤1-1-1得到的二值图像进行形态学处理以初步确定水文尺区域；步骤1-1-3：根据步骤1-1-2得到的水文尺区域对原始图像进行分割，初步分割出水文尺图像。3.根据权利要求2所述的一种基于图像分析的水文尺水位识别估算方法，其特征在于，所述步骤1-1-1包括以下具体步骤：步骤1-1-1-1：将原始图像的颜色空间由RGB空间转换至HSV空间，提取出颜色、饱和度、亮度三种分量；步骤1-1-1-2：针对颜色分量采用大津算法确定全局阈值；步骤1-1-1-3：根据步骤1-1-1-2中确定的全局阈值，对颜色分量进行二值化处理，初步显示水文尺；步骤1-1-1-4：采用中值滤波的方法处理步骤1-1-1-3得到的二值图像，去除孤立噪点；所述步骤1-1-2包括以下具体步骤：步骤1-1-2-1：采用形态学方法中的闭运算对步骤1-1-1-4得到的图像进行处理，恢复水文尺的联通区域；步骤1-1-2-2：对步骤1-1-2-1得到的图像进行开运算以滤除图像中细小部分；步骤1-1-2-3：对步骤1-1-2-2得到的图像进行连通域标注，根据联通区域大小去除小连通域，留下水文尺连通域；所述步骤1-1-3初步水文尺分割包括以下步骤：步骤1-1-3-1：将步骤1-1-2-3得到的水文尺连通域做外接矩形；步骤1-1-3-2：将步骤1-1-3-1得到的二值图像与原始图像进行与运算；步骤1-1-3-3；将步骤1-1-3-2得到的水文尺图像进行切割，去除背景。4.根据权利要求1所述的一种基于图像分析的水文尺水位识别估算方法，其特征在于，所述步骤1中，自适应构建分量图实现水文尺精确定位包括如下具体步骤：步骤1-2-1：根据水文尺的不同颜色定义分量图，如果水文尺为红色，则定义分量图为：C＝1-e-p如果水文尺为蓝色，则定义分量图为：C＝1-e-p其中，C为分量图，R,G,B为水文尺颜色分量，ω为调整颜色权重的参数，p为分量因子，e为自然对数的底数；步骤1-2-2：采用大津算法对水文尺图像计算可分离度，以可分离度为标准来自适应确定调整颜色权重参数ω，可分离度最大时的ω作为颜色权重；步骤1-2-3：采用中值滤波的方法消除水文尺倒影，实现水文尺的精确定位。5.根据权利要求1所述的一种基于图像分析的水文尺水位识别估算方法，其特征在于，所述步骤1中，还包括水文尺倾斜矫正步骤，包括如下具体步骤：步骤1-3-1：采用垂直结构的sobel算子对步骤1-2-3所得图像进行边缘检测；步骤1-3-2：采用Hough变换检测图像中的直线，检测出水文尺垂直边缘；步骤1-3-3：以水文尺垂直边缘为处理对象，计算倾斜角度，然后根据倾斜角度对水文尺图像进行倾斜矫正。6.根据权利要求1所述的一种基于图像分析的水文尺水位识别估算方法，其特征在于，所述步骤2中，人工分割水文尺上的字符和数字，并通过数据增强技术扩充数据集，然后随机分为训练集和测试集，包括如下具体步骤：步骤2-1-1：人工分割水文尺图像上的字符，包括数字、字符“E”，同时进行标注，制作样本库；步骤2-1-2：将分割的图片采用尺度变换、随机裁剪、水平垂直翻转、平移变换、噪声扰动、仿射变换进行处理，最后尺寸归一化至40×40，作为数据集；步骤2-1-3：将获得的数据集随机挑选1/5作为测试集，其余作为训练集。7.根据权利要求1所述的一种基于图像分析的水文尺水位识别估算方法，其特征在于，所述步骤2中，构建卷积神经网络并进行训练及测试包括如下具体步骤：步骤2-2-1：构建卷积神经网络7层，从前之后依次为输入层，C1卷积层，S2下采样层，C3卷积层，S4下采样层，全连接层以及输出层；步骤2-2-2：输入训练数据集，并初始化网络开始训练；步骤2-2-3：输入测试数据集，测试训练的网络，并记录准确度；其中，所述步骤2-2-1包括如下具体步骤：步骤2-2-1-1：确定各卷积层的输出特征图OutFeatureMaps，卷积核kernel以及偏置bias，输出特征图OutFeatureMaps包括特征图数量OutFeatureMaps_Num以及特征图大小OutFeatureMaps_Size；卷积核kernel包括卷积核大小Kernel_Size以及卷积核数量Kernel_Num；偏置参数的数量Bias_Num与对应层的输出特征图数量OutFeatureMaps_Num相同；对于卷积层Cx，x∈{1,3}，对应层的输出特征图宽度为OutFeatureMaps_Size_Cx，其值由其输入特征图分辨率InFeatureMaps_Size和对应层的卷积核大小Kernel_Size_Cx共同决定，即OutFeatureMaps_Size_Cx＝InFeatureMaps_Size–Kernel_Size_Cx+1；对于卷积层C1，令其输出特征图数量为Ou...

【专利技术属性】
技术研发人员：冯径，徐志康，张之正，段超凡，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：江苏,32