一种基于灰度可变阈值的水位线识别与估计方法及装置制造方法及图纸

本发明专利技术涉及一种基于灰度可变阈值的水位线识别与估计方法及装置，其方法包括如下步骤：实时获取当前水位监测图像，将其作为第一图像；将所述第一图像进行预处理，将预处理后的第一图像按照预设模板进行可变阈值的极值化处理，得到第二图像；根据所述第一图像的上一帧图像及其水位预测值作为第一基准，确定所述第二图像的极值化区域；根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。本发明专利技术通过基于实时像方空间预测的可变阈值的极值化方法和深度学习目标检测方法融合进行水位线的定位，提高水位预测的准确度、稳定性，以及能适应夜晚反光、水草环绕、水位线不明显等复杂场景。

【技术实现步骤摘要】
一种基于灰度可变阈值的水位线识别与估计方法及装置
本专利技术属于深度学习与水位测量领域，尤其涉及一种基于灰度可变阈值的水位线识别与估计方法及装置。
技术介绍
在水利行业中，对于水位的检测是关键的要素。目前传统水位检测的方式主要分为传感器自动测量和人工水尺目测两种。前者有较高的建设成本，且对环境要求极为苛刻，稍微不利的环境便会对识别结果造成很大的影响，而后者则会耗费巨大的人力，且效率低、时效性差。目前行业背景下已存在以目标检测或图像二值化为主要技术进行水位识别的方法，但是每个方法都有一定的局限性。对于目标检测（检测水尺中的“E”字符进行水位预测），对于水尺的清晰度以及光照条件有极其苛刻的要求，可能会因为水尺材质、环境污染、背光、水位倒影等导致极大误差，另外也无法实现全天候识别。而对于简单的二值化处理（基于形态学分析裁剪）的方法，对于环境水质、水尺颜色材质等有一定的要求，如果水尺颜色和水质颜色相近，或者倒影清晰，那么二值化的结果将无法判断水位线的位置，形态学分析结果就会不准确。
技术实现思路
本专利技术针对现有水位测量成本高、效率低、时效性差、稳定性差的技术问题，在本专利技术的第一方面提供一种基于灰度可变阈值的水位线识别与估计方法，包括如下步骤：实时获取当前水位监测图像，将其作为第一图像；将所述第一图像进行预处理，将预处理后的第一图像按照预设模板进行可变阈值的极值化处理，得到第二图像；根据所述第一图像的上一帧图像及其水位预测值作为第一基准，确定所述第二图像的极值化区域；根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。在本专利技术的一些实施例中，所述将所述第一图像进行预处理包括如下步骤：对所述第一图像进行无损旋转；对所述第一图像的色度、对比度、亮度、锐度进行自适应增强；对所述第一图像中的噪点进行非线性滤波。进一步的，所述将所述第一图像进行预处理，将预处理后的第一图像按照预设模板进行可变阈值的极值化处理，得到第二图像包括如下步骤：根据所述第一图像根据其宽度将其像素点划分为若干行；确定起始点、起始行和遍历方向；每遍历完一行反转首尾位置和遍历顺序；按上述遍历顺序将所述第一图像中的每个像素点的灰度值与动态阈值比较：若像素点的灰度值小于动态阈值，将其灰度值置为1；否则，将其灰度值置为0。更进一步的，所述动态阈值的计算方法为：计算所述第一图像的任一点n的前S个像素的总和：,其中Pn为图像中位于点n处的像素灰度值，fs(n)表示所述第一图像的任一点n的前S个像素灰度值的总和;根据fs(n)和权重系数t确定动态阈值，则所述动态阈值的计算方法为：，,,其中h(n)表示动态阈值关于n的函数，g(n)为初始阈值函数，width表示所述第一图像的每一行所包含像素数，n为任意一点在第一图像的序数。在本专利技术的一些实施例中，还包括：利用目标检测神经网络对所述第一图像中的水尺进行检测，并得到第二水位预测值；将所述第一水位预测值与第二水位预测值进行融合，得到最终水位预测值。在本专利技术的一些实施例中，所述根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值包括如下步骤：根据所述第一基准和第二图像的极值化区域确定所述第一基准在第二图像中的对应区域并将其作为第二基准；根据所述第二基准、卡尔曼滤波方程、当前测量值确定当前水位线和第一水位预测值。第二方面，提供了一种基于灰度可变阈值的水位线识别与估计装置，包括获取模块、预处理模块、极值化模块、确定模块，所述获取模块，用于实时获取当前水位监测图像，将其作为第一图像；所述预处理模块，用于将所述第一图像进行预处理，将预处理后的第一图像按照预设模板进行可变阈值的极值化处理，得到第二图像；所述极值化模块，用于根据所述第一图像的上一帧图像及其水位预测值作为第一基准，确定所述第二图像的极值化区域；所述确定模块，用于根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。进一步的，所述确定模块包括目标检测神经网络，所述目标检测神经网络为YOLO网络。第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术第一方面所述的方法。第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时本专利技术第一方面所述的方法。本专利技术的有益效果是：1、本专利技术通过实时采集水位检测区域的图像，提出了针对图像像方空间预测的可变阈值的极值化方法，能准确提取水位线，通过与深度学习目标检测方法的融合提高了准确度、稳定性等；2、针对夜晚反光、水草环绕、水位线不明显等复杂场景，本专利技术首先通过图像增强和滤波等预处理方法减弱了这类噪声的影响；然后通过多源数据融合，在识别失效的极端情况仍然能通过预测基准值以及目标检测网络对测量值进行预测，使得最终结果与目测值误差在阈值范围内；3、常规方法有很多是基于水尺识别的，只能适应白天以及夜晚完善补光的情况，而本专利技术由于采用了可变阈值的极值化，可在无水尺的情形进行全天候识别。附图说明图1为本专利技术的一些实施例中的基于灰度可变阈值的水位线识别与估计方法的基本流程图；图2为本专利技术的一些实施例中的中值滤波示意图；图3为现有技术中一般二值化阈值示意图；图4为现有技术中整体阈值均值示意图；图5为本专利技术的一些实施例中的可变阈值极值化的遍历顺序示意图；图6为本专利技术的一些实施例中的基于像方空间基准值的动态极值化方法示意图；图7为本专利技术的一些实施例中的卡尔曼滤波中的协方差融合示意图；图8a、8b为本专利技术的一些实施例中的预设模板,图8c为匹配模板后的示意图；图9为本专利技术的一些实施例中的可变阈值极值化的前后以及常规阈值极值化的对比图；图10a-10d为在不同环境下水尺竖直目标检测的效果示意图；图11为本专利技术的一些实施例中的基于灰度可变阈值的水位线识别与估计装置基本结构示意图；图12为本专利技术的一些实施例中的基于灰度可变阈值的水位线识别与估计装置基本结构及工作流程示意图；图13为本专利技术的一些实施例中的电子设备的结构示意图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。参考图1、图8a-8c、图9，在本专利技术的第一方面提供了一种基于灰度可变阈值的水位线识别与估计方法，包括如下步骤：S101.实时获取当前水位监测图像，将其作为第一图像；S102.将所述第一图像进行预处理，将预处理后的第一图像按照预设模板进行可变阈值的极值化处理，得到第二图像；S103.根据所述第一图像的上一帧图像及其水位预测值作为第一基准，确定所述第二图像的极值化区域；S104.根据所述第一基准、所述第二图本文档来自技高网...

【技术保护点】
1.一种基于灰度可变阈值的水位线识别与估计方法，其特征在于，包括如下步骤：/n实时获取当前水位监测图像，将其作为第一图像；/n将所述第一图像进行预处理，将预处理后的第一图像按照预设模板进行可变阈值的极值化处理，得到第二图像；/n根据所述第一图像的上一帧图像及其水位预测值作为第一基准，确定所述第二图像的极值化区域；/n根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。/n

【技术特征摘要】
1.一种基于灰度可变阈值的水位线识别与估计方法，其特征在于，包括如下步骤：
实时获取当前水位监测图像，将其作为第一图像；
将所述第一图像进行预处理，将预处理后的第一图像按照预设模板进行可变阈值的极值化处理，得到第二图像；
根据所述第一图像的上一帧图像及其水位预测值作为第一基准，确定所述第二图像的极值化区域；
根据所述第一基准、所述第二图像及其极值化区域以及数据库的历史测量值确定当前水位线和第一水位预测值。


2.根据权利要求1所述的基于灰度可变阈值的水位线识别与估计方法，其特征在于，所述将所述第一图像进行预处理包括如下步骤：
对所述第一图像进行无损旋转；
对所述第一图像的色度、对比度、亮度、锐度进行自适应增强；
对所述第一图像中的噪点进行非线性滤波。


3.根据权利要求2所述的基于灰度可变阈值的水位线识别与估计方法，其特征在于，所述将所述第一图像进行预处理，将预处理后的第一图像按照预设模板进行可变阈值的极值化处理，得到第二图像包括如下步骤：
根据所述第一图像根据其宽度将其像素点划分为若干行；
确定起始点、起始行和遍历方向；
每遍历完一行反转首尾位置和遍历顺序；
按上述遍历顺序将所述第一图像中的每个像素点的灰度值与动态阈值比较：若像素点的灰度值小于动态阈值，将其灰度值置为1；否则，将其灰度值置为0。


4.根据权利要求3所述的基于灰度可变阈值的水位线识别与估计方法，其特征在于，所
述动态阈值的计算方法为：计算所述第一图像的任一点n的前S个像素的总和：,其中Pn为图像中位于点n处的像素灰度值，fs(n)表示所述第一图像的任
一点n的前S个像素灰度值的总和;
根据fs(n)和权重系数t确定动态阈值，则所述动态阈值的计算方法为：，,,
其中h(n)表示动态阈值关于n的函数，g(n)为初始阈值函数，width表示所述第一图像的每一行所包含像素数，n为任意一点在第一图像的序数。

【专利技术属性】
技术研发人员：董朝阳，罗书培，洪勇，晏世武，
申请(专利权)人：武汉光谷信息技术股份有限公司，
类型：发明
国别省市：湖北;42