【技术实现步骤摘要】
：本专利技术涉及库岸滑坡水位监测领域，具体是利用水中倒影对称性水位识别检测使用的一种基于排列熵的水位识别方法方法。
技术介绍
0、
技术介绍
：
1、机器视觉指用计算机模拟或再现与人类视觉相关的智能行为，通过捕捉拍摄数据，提取并理解图像信息，进而指导系统的决策。基于深度学习的图像分割技术可以在像素级层次理解图像信息，最常见的就是语义分割，即将特定对象所属区域的像素标记为同一类别。基于机器视觉的检测技术常用于目标检测和缺陷检测，相对于传统的检测方法，对使用环境的要求较低、应用范围更广，是目前得到广泛使用和研究的检测技术之一。
2、河流岸边的山体滑坡是常见的自然灾害，而影响岸边滑坡的主要因素之一是河流的水位涨幅。针对河流的水位，使用deeplabv3深度学习网络进行识别可保持较高的分割精准度。但是，一些情况下，水面会反射出山体的倒影，使神经网络误将水面山体的部分倒影泛化地理解为山体本身，从而降低了水位线的分割精度。
3、熵是一种描述复杂度的评价指标，用在时间序列中表示序列的复杂度。本专利技术将排列熵运用在图像处理领域，通过图像中区块向量排列熵分布曲线的对称性寻找图像的对称性，进而检测出水位面的位置。
技术实现思路
0、
技术实现思路
：
1、本专利技术所要解决的技术问题是提供了将图像进行数值处理后计算每个区块的排列熵值并将排列熵值相似的区块进行匹配，利用水中倒影与实际山体的对称关系寻找真实的河流水位，解决deeplabv3语义分割网络对水中存在山
2、本专利技术为实现上述目的所采用的技术方案是：一种基于排列熵的水位识别方法的利用河流岸边山体与水面倒影的对称性，通过寻找对称轴的方法识别水位面，其具体方法的步骤为：
3、①将出现倒影前一天预测出的水位位置作为中心截取特定数值像素的图像区域，用大津法处理图像获得阈值分割矩阵；
4、②使用尺寸为w×h(w＜h)的滑块遍历整个阈值分割矩阵；
5、③通过对矩阵中每组1×h的数组求均值，将w×h矩阵转换为w×1的数列向量，再求出每个向量的排列熵；
6、④以滑块沿同一竖直方向滑过的矩阵区域为整体，将矩阵分割成n个竖向向量；
7、⑤剔除每个向量的极值点噪声，若剩下的极值区间个数为偶数，则计算中间两个区间计算平均值获得对称轴位置；若剩下的极值区间个数为奇数，则计算中间一个或三个区间的平均值获得对称轴位置；
8、⑥求出n条向量的各自的对称轴位置，剔除对称轴位置偏差较大的向量；
9、vmean-α·vval≤v≤vmean+α·vval
10、⑦求剩余向量的对称轴位置均值，即为水位线位置。
11、本专利技术的有益效果是：由于采用deeplabv3语义分割网络预测水位面在特殊情况下的补充方法，通过山体与水面倒影的对称性寻找水位面的位置，实现方法流程简便，适用于deeplabv3神经网络预测水位失效的场景，经过与人工标注的比对，在山体上的太阳阴影垂直下射时，该方法预测的结果与标注值偏差最小，误差在2％以内，从而提高了水位识别检测的效率。
本文档来自技高网...【技术保护点】
1.一种基于排列熵的水位识别方法，其特征是：利用河流岸边山体与水面倒影的对称性，通过寻找对称轴的方法识别水位面，其具体识别方法步骤为：
【技术特征摘要】
1.一种基于排列熵的水位识别方法，其特征是：利用河流岸边山体与水面倒...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。