夏 翔，嵇海祥，黃 敏，張 晶

(1.水利部南京水利水文自動化研究所，江蘇 南京 210044；2.贛江下游水文水資源監(jiān)測中心，江西 宜春 336000)

我國水系資源分布廣，各地湖泊河流眾多，治理與開發(fā)工作也成為一項(xiàng)重要任務(wù)。隨著全球極端氣候頻繁出現(xiàn)，由水引起的災(zāi)害越來越多，水文工作受到國家重視，與民生息息相關(guān)。水文工作可以平衡一個地區(qū)水資源利用情況，在地區(qū)用水、預(yù)測洪災(zāi)、預(yù)防旱災(zāi)等方面發(fā)揮著重要作用[1]。水位檢測是水文工作的重要組成部分，實(shí)時地獲取水域的水位信息，一方面可為水利、治澇、水運(yùn)等提供資料，另一方面通過對水位數(shù)據(jù)處理，得到其他水文數(shù)據(jù)，能夠及時掌握河流信息，減少河流災(zāi)害帶來的經(jīng)濟(jì)損失。

水位檢測方式經(jīng)過逐年發(fā)展，已由傳統(tǒng)的人工檢測變?yōu)榱烁鞣N無人值守監(jiān)測站，人工檢測具有效率低、實(shí)時性差、危險性高等缺點(diǎn)，因此目前普遍使用傳感器與自動化遙測技術(shù)完成水位測量工作[2]。常見的水位傳感器有浮子式、壓力式、超聲式、雷達(dá)式等，它們在特定應(yīng)用場景存在一些自身的優(yōu)勢與劣勢。

隨著近幾十年來數(shù)字圖像處理技術(shù)的不斷發(fā)展，圖像處理技術(shù)已經(jīng)廣泛應(yīng)用于醫(yī)療、交通運(yùn)輸、軍事安防等領(lǐng)域[3]，在水位檢測方面，數(shù)字圖像處理技術(shù)也得到應(yīng)用發(fā)展。國外研究中，Shinsuke Kobayshi采用Hough變化檢測主線，將所得線段信息與壓縮算法結(jié)合得到水位線信息[4]。Joo Lee等提出一種在兩幅連續(xù)水位圖像中根據(jù)工作臺與水面相同矩形位置計算相關(guān)系數(shù)從而測量水位信息[5]。國內(nèi)研究中，張海鵬等基于圖像處理算法研制了一款標(biāo)準(zhǔn)金屬量器液位圖像識別設(shè)備[6]。郝瑩等利用NI視覺開發(fā)模塊，設(shè)計了一款液位測量系統(tǒng)[7]。

本文將恒虛警理論與數(shù)字圖像處理技術(shù)相結(jié)合，提出一種水尺圖像的分割方法。先進(jìn)行圖像預(yù)處理，把彩色的水尺圖像轉(zhuǎn)換為灰度圖像[8]，利用霍夫變換對灰度圖像進(jìn)行傾斜校正，根據(jù)圖像橫列或縱列灰度像素值建立一維信號模型，在固定虛警概率條件下，保證目標(biāo)信號檢測正確率最高[9]。水尺圖像目標(biāo)的判定由滑動窗實(shí)現(xiàn)，滑動窗計算檢測單元閾值，再對灰度圖像進(jìn)行閾值判別，實(shí)現(xiàn)水尺圖像分割。本方法分割效果好，計算量小，能夠較好滿足水尺識別的分割要求。

1 圖像預(yù)處理

在雷達(dá)信號檢測中，恒虛警算法是用于處理一維信號，原始水尺圖像無法直接使用恒虛警算法。因此首先需要圖像預(yù)處理，首先將相機(jī)拍攝的原圖轉(zhuǎn)換為灰度圖像，利用霍夫變換校正傾斜的水池圖像，把圖像中橫向像素灰度值與位置關(guān)系建立一維信號模型，以該模型為基礎(chǔ)進(jìn)行恒虛警檢測。

1.1 圖像灰度化

相機(jī)拍攝的原始彩色水尺圖像具有較大信息量，為降低數(shù)據(jù)的冗余度，減少計算復(fù)雜度，在水尺圖像分割中一般會先對原始圖像進(jìn)行灰度化。原始彩色水尺圖像的每個像素點(diǎn)由紅色(R)、綠色(G)和藍(lán)色(B)3種基礎(chǔ)色組成，每種基礎(chǔ)色的灰度等級在0～255之間，本文采用加權(quán)平均法對原始水尺圖像灰度化處理，即對RGB三分量分別進(jìn)行一定數(shù)值的加權(quán)，得到一個新的灰度值。

Gray(i，j)=0.299R(i，j)+0.578G(i，j)+

0.114B(i，j)

(1)

式中,i、j—圖像像素的橫坐標(biāo)與縱坐標(biāo)；Gray—形成的新灰度值。圖像灰度化結(jié)果如圖1所示。

圖1 水尺原圖與灰度圖

1.2 圖像傾斜校正

在拍攝照片時，許多原因會導(dǎo)致采集后的圖像存在一定傾斜角，此時會造成水尺圖像信息識別難度增加，產(chǎn)生較大誤差。水尺的傾斜基本都為水平方向傾斜，解決這一問題的關(guān)鍵是找到水平傾斜角度?；舴蜃儞Q是計算直線傾斜角度常用方法，在極坐標(biāo)系中，各個角度上統(tǒng)計得到的最大值即為傾斜角。直角坐標(biāo)轉(zhuǎn)換為極坐標(biāo)的公式為：

ρ=i·cosθ+j·sinθ

(2)

式中，i、j—圖像像素的橫坐標(biāo)與縱坐標(biāo)；θ—取值范圍為-90°～90°。

通過霍夫變換計算傾斜角度后，由該角度與圖像位置確定旋轉(zhuǎn)矩陣，再根據(jù)仿射變換保持圖像線性不變完成傾斜角度校正，校正后圖像與原圖像大小保持一致，效果如圖2所示。

圖2 傾斜校正效果圖

1.3 建立一維信號模型

圖像從數(shù)學(xué)角度可看作一個二維數(shù)組，其中圖像的每個像素點(diǎn)值即為數(shù)組的元素?；叶然幚砗蟮乃邎D像可看作為元素值都處于0～255的矩陣，通過對橫向矩陣元素值依次抽取，形成一個像素灰度值與位置關(guān)系的一維信號模型，模型的橫軸代表了位置信息，縱軸代表了水尺圖像像素值信息。如圖3所示，圖3分別表示了對2張水尺圖像第300行像素值進(jìn)行抽取，形成的像素值-位置關(guān)系圖。水尺圖像中數(shù)字以及圖形為研究目標(biāo)，因此需要對信號模型中數(shù)據(jù)進(jìn)行處理，去除背景中噪聲與干擾信號，留下目標(biāo)信號。

圖3 水尺圖像第300行像素值與位置關(guān)系圖

2 恒虛警分割

基于恒虛警檢測的水尺圖像分割方法中目標(biāo)判定是通過滑動窗實(shí)現(xiàn)，首先確立一個檢測單元，用于檢測圖像中像素點(diǎn)。將檢測單元左右兩端相鄰像素點(diǎn)設(shè)置為保護(hù)單元，保護(hù)單元不參與后續(xù)閾值計算工作，保護(hù)單元前后的n個像素點(diǎn)為參考單元。抽取水尺圖像橫向像素灰度值建立一維灰度值-位置關(guān)系模型，計算參考單元中像素值數(shù)據(jù)的均值與標(biāo)準(zhǔn)差，由得到的均值與標(biāo)準(zhǔn)差求解閾值，再根據(jù)所求閾值與像素點(diǎn)灰度值比較，完成水尺目標(biāo)判別。按照上述判別方法依次遍歷整張圖像，達(dá)到對水尺圖像的分割效果，基于恒虛警檢測的水尺圖像分割流程如圖4所示。

圖4 本文方法流程圖

2.1 確定自適應(yīng)閾值

首先確定前、后參考單元內(nèi)像素灰度值的均值與標(biāo)準(zhǔn)差：

(3)

(4)

(5)

根據(jù)恒虛警檢測方法，檢測單元的閾值可表示為：

(6)

式中，Tc—品質(zhì)加權(quán)因子，可由預(yù)設(shè)虛警概率Pfa和參考單元長度計算得到，公式如下：

Pfa=(1+Tc)-2n

(7)

2.2 設(shè)立保護(hù)單元

一般情況下設(shè)立保護(hù)單元的目的是防止檢測單元兩邊數(shù)據(jù)泄露對檢測結(jié)果帶來干擾，而在水尺圖像分割領(lǐng)域中，保護(hù)單元的設(shè)立不僅可以減少數(shù)據(jù)冗余，降低計算復(fù)雜度，還能一定程度上提升水尺目標(biāo)檢測概率[10]。由于水尺圖像分割的自適應(yīng)閾值是根據(jù)數(shù)據(jù)統(tǒng)計學(xué)特征計算得到的，跟數(shù)據(jù)均值和標(biāo)準(zhǔn)差有關(guān)，若沒有保護(hù)單元，一旦檢測單元內(nèi)為水尺目標(biāo)信號，其周邊邊緣信號數(shù)據(jù)的標(biāo)準(zhǔn)差和均值將會偏大，此時自適應(yīng)閾值將也會隨之變大，造成后續(xù)水尺目標(biāo)信號被過度分割，形成恒虛警檢測中“漏警”現(xiàn)象。若檢測單元內(nèi)不存在水尺目標(biāo)信號，其周邊邊緣信號數(shù)據(jù)的標(biāo)準(zhǔn)差和均值將會偏小，此時自適應(yīng)閾值也將會隨之變小，造成圖像內(nèi)一部分干擾與噪聲被判別為目標(biāo)，形成恒虛警檢測中“虛警”現(xiàn)象。因此在水尺圖像分割中設(shè)立保護(hù)單元十分必要，檢測中各單元位置關(guān)系圖如圖5所示。

圖5 個單元位置關(guān)系示意圖

2.3 水尺目標(biāo)分割

對建立的一維像素灰度值—位置關(guān)系模型恒虛警檢測時，第一個像素灰度值與最后一個像素灰度值檢測需補(bǔ)充數(shù)據(jù)，使得首尾數(shù)據(jù)形成閉環(huán)。補(bǔ)充的數(shù)據(jù)長度與參考單元長度一致，為首尾前后長度為d的像素灰度值。將檢測單元遍歷檢測整張水尺圖像后，根據(jù)檢測結(jié)果判別每一個像素點(diǎn)是否為目標(biāo)信號，進(jìn)而重構(gòu)出水尺目標(biāo)圖像，實(shí)現(xiàn)分割效果。

將確立的自適應(yīng)閾值與滑動檢測窗內(nèi)的像素灰度值進(jìn)行比較，若被檢測單元像素灰度值大于等于自適應(yīng)閾值，則判斷為水尺目標(biāo)信號，保留原像素灰度值，若被檢查單元像素灰度值小于自適應(yīng)閾值，則將原像素灰度值置為255。待檢測單元遍歷整張圖像后，則水尺圖像中目標(biāo)信號與背景信號被分割開，形成水尺分割圖像，目標(biāo)判別標(biāo)準(zhǔn)公式為：

(8)

式中，K1—有水尺目標(biāo)；K0—無水尺目標(biāo);D—檢測單元的像素灰度值;V—自適應(yīng)閾值。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本算法的效果，將本算法實(shí)現(xiàn)的結(jié)果與Sobel算法以及Canny算法結(jié)果相比較，本算法使用的滑動窗長度n=10，固定虛警概率Pfa=10-6，實(shí)驗(yàn)效果圖如圖6所示。

從圖像結(jié)果顯示，Canny算法與Sobel算法分割后的圖像背景明顯存在較多噪聲，其中Canny算法的邊界也較為模糊，本文方法分割后的水尺圖像邊界清晰，背景噪聲基本被濾除，信息保存較為完整。

為更好比較各方法性能效果，引入圖像分割質(zhì)量評價指標(biāo)[11]，準(zhǔn)確率P的表達(dá)式為：

(9)

召回率R的表達(dá)式為：

(10)

式中，G—水尺圖像原圖；B—經(jīng)過算法分割后的水尺圖像，將2個質(zhì)量評價指標(biāo)相結(jié)合，可得1個綜合性圖像分割質(zhì)量評價指標(biāo)F，其表達(dá)式為：

(11)

此處α2=0.2，用于保證準(zhǔn)備率所占比重更高，各方法綜合評價值結(jié)果見表1。

表1 各方法綜合質(zhì)量評價指標(biāo)結(jié)果表

從表1中數(shù)據(jù)可知，本文方法的綜合圖像分割質(zhì)量能保持在0.85以上，較其他2種方法相比有明顯優(yōu)勢。

4 結(jié)語

視頻水尺是水文中常見的水位監(jiān)測技術(shù)，這一技術(shù)水位識別的準(zhǔn)確率關(guān)鍵在于水尺圖像的邊緣分割效果。與傳統(tǒng)的圖像分割方法相比，本文基于恒虛警檢測模型的水尺圖像分割方法無需進(jìn)行去噪、濾波、圖像增強(qiáng)等復(fù)雜處理環(huán)節(jié)，只用計算參考單元內(nèi)像素灰度值的均值與標(biāo)準(zhǔn)差，大大降低了計算量，便于工程實(shí)現(xiàn)。從實(shí)驗(yàn)仿真結(jié)果可知，本文方法無論是對圖像邊緣的分割效果還是對背景噪聲的濾除效果，較傳統(tǒng)方法相比都有一定優(yōu)勢，唯一的不足之處在于本文方法需預(yù)先設(shè)定滑動窗長度與虛警概率，自適應(yīng)性程度偏低。為解決水尺水位識別中水尺圖像信息量復(fù)雜的問題，本文提出了一種基于恒虛警檢測模型的水尺圖像分割方法。實(shí)驗(yàn)結(jié)果表明，基于恒虛警檢測模型的水尺圖像分割方法切實(shí)可行，不僅能有效分割出目標(biāo)信號邊界，還能較好抑制圖像背景噪聲，具有較高的工程實(shí)現(xiàn)價值。

圖6 3種算法實(shí)驗(yàn)效果對比圖