Nothing Special   »   [go: up one dir, main page]

CN118115047A - 一种城市公共建筑海绵设施运行效果评价方法 - Google Patents

一种城市公共建筑海绵设施运行效果评价方法 Download PDF

Info

Publication number
CN118115047A
CN118115047A CN202410516577.1A CN202410516577A CN118115047A CN 118115047 A CN118115047 A CN 118115047A CN 202410516577 A CN202410516577 A CN 202410516577A CN 118115047 A CN118115047 A CN 118115047A
Authority
CN
China
Prior art keywords
reflection
image
area
candidate
green land
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.)
Granted
Application number
CN202410516577.1A
Other languages
English (en)
Other versions
CN118115047B (zh
Inventor
刘小丽
王贵满
任帅兴
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.)
Guangdong Institute of Science and Technology
Original Assignee
Guangdong Institute of Science and Technology
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 Guangdong Institute of Science and Technology filed Critical Guangdong Institute of Science and Technology
Priority to CN202410516577.1A priority Critical patent/CN118115047B/zh
Publication of CN118115047A publication Critical patent/CN118115047A/zh
Application granted granted Critical
Publication of CN118115047B publication Critical patent/CN118115047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393Score-carding, benchmarking or key performance indicator [KPI] analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/22Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/42Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/435Computation of moments
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local 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
    • G06V10/457Local 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/54Extraction of image or video features relating to texture
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761Proximity, similarity or dissimilarity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域,提出了一种城市公共建筑海绵设施运行效果评价方法,包括:获取下沉式绿地全景灰度图像;根据下沉式绿地全景灰度图像获取下沉式绿地全景二值图像;根据下沉式绿地全景二值图像获取候选倒影区域;根据候选倒影区域计算倒影纹理熵;根据倒影纹理熵计算倒影相似指数;根据倒影相似指数获取倒影相似指数序列;根据倒影指数相似序列获取疑似倒影指数;根据疑似倒影指数计算倒影标记系数;根据倒影标记系数计算积水区域面积;根据积水区域面积对下沉式绿地的运行效果进行评价。本发明根据倒影标记系数计算积水区域面积对下沉式绿地的蓄水能力进行评价,提高城市公共建筑海绵设施运行效果评价的准确性。

Description

一种城市公共建筑海绵设施运行效果评价方法
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种城市公共建筑海绵设施运行效果评价方法。
背景技术
智能绿色建筑理念是一种注重资源效率、环境可持续和居住舒适性的建筑设计和运营理念,通过建筑设计与现代技术、智能系统相结合降低建筑的环境影响,进一步提高了生活质量,促进了资源的可持续利用。其中海绵城市是智能绿色建筑中重要的组成部分,城市公共建筑海绵设施是指利用海绵城市的概念和技术进行创新,在城市公共建筑中应用可持续性雨水管理系统的主要目的是改善水资源的利用效率,降低洪涝风险,提升城市环境质量。
常用的城市公共建筑海绵设施包括绿色屋顶、雨水花园、下沉式绿地、植草沟、透水铺装、雨水湿地、蓄水池、雨水罐等,主要作用是实现对雨水的循环利用。目前城市公共建筑海绵设施的种类纷繁复杂且效果差异较大,对城市公共建筑海绵设施缺乏一个行之有效的评价方法,由于城市公共建筑海绵设施所处环境复杂,传统的评价方法对城市公共建筑海绵设施运行效果的分析误差较大。
发明内容
本发明提供一种城市公共建筑海绵设施运行效果评价方法,以解决城市公共建筑海绵设施中下沉式绿地运行效果分析误差较大的问题,所采用的技术方案具体如下:
本发明一个实施例一种城市公共建筑海绵设施运行效果评价方法,该方法包括以下步骤:
获取下沉式绿地全景灰度图像;
根据图像分割算法获取下沉式绿地全景灰度图像的下沉式绿地二值图像,基于所述下沉式绿地二值图像获取下沉式绿地全景灰度图像的候选倒影区域;根据下沉式绿地全景灰度图像的候选倒影区域获取所述候选倒影区域的倒影判定邻域,基于所述倒影判定邻域获取所述倒影判定邻域的滑动搜索区域;根据下沉式绿地全景灰度图像计算下沉式绿地全景灰度图像中每个像素点的倒影纹理熵;根据候选倒影区域的倒影判定邻域中滑动搜索区域、候选倒影区域中每个像素点的倒影纹理熵计算候选倒影区域的倒影相似指数;
根据候选倒影区域与候选倒影区域的倒影判定邻域内滑动搜索区域之间的倒影相似指数获取候选倒影区域的倒影相似指数序列;根据候选倒影区域的倒影相似指数序列计算候选倒影区域的疑似倒影指数;根据每个候选倒影区域的疑似倒影指数计算每个候选倒影区域的倒影标记系数;根据每个候选倒影区域的倒影标记系数计算下沉式绿地全景灰度图像的积水区域总面积;
根据下沉式绿地全景灰度图像的积水区域面积获取下沉式绿地的积水面积-时间曲线,基于所述积水面积-时间曲线对下沉式绿地的蓄水能力进行评价。
优选的,所述根据图像分割算法获取下沉式绿地全景灰度图像的下沉式绿地二值图像,基于所述下沉式绿地二值图像获取下沉式绿地全景灰度图像的候选倒影区域的方法为:
采用大津阈值分割算法获取下沉式绿地全景灰度图像的二值图像,采用形态学处理对所述二值图像进行腐蚀、膨胀操作,将所述二值图像的腐蚀、膨胀操作处理的结果图像作为所述下沉式绿地全景灰度图像的下沉式绿地二值图像;
采用边缘检测算法和连通域分析算法获取所述下沉式绿地二值图像中的初始积水区域,将所述下沉式绿地二值图像中初始积水区域包含的任意一个其它连通域作为下沉式绿地全景灰度图像的一个候选倒影区域。
优选的,所述根据下沉式绿地全景灰度图像的候选倒影区域获取所述候选倒影区域的倒影判定邻域,基于所述倒影判定邻域获取所述倒影判定邻域的滑动搜索区域的方法为:
获取下沉式绿地全景灰度图像中任意一个候选倒影区域的中心,计算所述任意一个候选倒影区域的中心到所述任意一个候选倒影区域的边界像素点的欧氏距离,将所有所述欧氏距离的计算结果按照由小到大的顺序排序组成的序列作为所述任意一个候选倒影区域的邻域判定序列,将所述邻域判定序列中最大值的8倍作为所述任意一个候选倒影区域的倒影判定邻域的长,将所述邻域序列中最小值的8倍作为所述任意一个候选倒影区域的倒影判定邻域的宽,将所述任意一个候选倒影区域的中心作为所述倒影判定邻域的中心,根据所述长、宽、中心确定所述任意一个候选倒影区域的倒影判定领域;
在所述任意一个候选倒影区域的倒影判定邻域中构建与所述任意一个候选倒影区域相同形状和大小的滑动搜索窗口,将所述滑动搜索窗口作为所述任意一个候选倒影区域的倒影判定邻域的滑动搜索区域。
优选的,所述根据下沉式绿地全景灰度图像计算下沉式绿地全景灰度图像中每个像素点的倒影纹理熵的方法为:
以下沉式绿地全景灰度图像中任意一个像素点为中心构建预设大小的窗口,将所述预设大小的窗口作为所述任意一个像素点的形状特征分析区域,获取所述任意一个像素点的形状特征分析区域的0°、45°、90°、135°方向上的灰度共生矩阵,将所述任意一个像素点的形状特征分析区域的0°、45°、90°、135°方向上的灰度共生矩阵的熵分别作为所述每个像素点的第一特征值、第二特征值、第三特征值、第四特征值,计算所述每个像素点的第一特征值、第二特征值、第三特征值、第四特征值的均值作为所述任意一个像素点的倒影纹理熵。
优选的,所述根据候选倒影区域的倒影判定邻域的滑动搜索窗口、候选倒影区域中每个像素点的倒影纹理熵计算候选倒影区域的倒影相似指数的方法为:
式中,表示下沉式绿地全景灰度图像中第/>个候选倒影区域与第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域的倒影相似指数;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域中第/>个像素点的倒影纹理熵;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域中第/>个像素点的倒影纹理熵;/>分别表示下沉式绿地全景灰度图像中第/>个候选倒影区域、第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域中像素点的数量;/>表示调节参数。
优选的,所述根据候选倒影区域与候选倒影区域的倒影判定邻域内滑动搜索区域之间的倒影相似指数获取候选倒影区域的倒影相似指数序列的方法为:
将下沉式绿地全景灰度图像中任意一个候选倒影区域与所述任意一个候选倒影区域的倒影判定邻域内所有滑动搜索区域之间的倒影相似指数按照由小到大的顺序排序组成的序列作为所述任意一个候选倒影区域的倒影相似指数序列。
优选的,所述根据候选倒影区域的倒影相似指数序列计算候选倒影区域的疑似倒影指数的方法为:
采用归一化算法获取下沉式绿地全景灰度图像中任意一个候选倒影区域的倒影相似指数序列的归一化结果,将所述任意一个候选倒影区域的倒影相似指数序列的归一化结果作为所述任意一个候选倒影区域的倒影相似指数归一化序列,将所述任意一个候选倒影区域的倒影相似指数归一化序列中的最大值作为所述任意一个候选倒影区域的疑似倒影指数。
优选的,所述根据每个候选倒影区域的疑似倒影指数计算每个候选倒影区域的倒影标记系数的方法为:
将下沉式绿地全景灰度图像中每个候选倒影区域的疑似倒影指数与预设阈值进行比较,将所述疑似倒影指数大于预设阈值的候选倒影区域的倒影标记系数记为1,将所述疑似倒影指数小于预设阈值的候选倒影区域的倒影标记系数记为0。
优选的,所述根据每个候选倒影区域的倒影标记系数计算下沉式绿地全景灰度图像的积水区域总面积的方法为:
式中,表示下沉式绿地全景灰度图像的积水区域总面积;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域的面积;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域的倒影标记系数;/>表示下沉式绿地全景灰度图像的初始积水面积;/>表示下沉式绿地全景灰度图像中候选倒影区域的数量。
优选的,所述根据下沉式绿地全景灰度图像的积水区域面积获取下沉式绿地的积水面积-时间曲线,基于所述积水面积-时间曲线对下沉式绿地的蓄水能力进行评价的方法为:
在雨后对下沉式绿地公园每隔一段时间采集一幅下沉式绿地全景图像,将每幅下沉式绿地全景图像对应的积水区域总面积作为纵坐标,将每幅下沉式绿地全景图像对应的采集时间作为横坐标,将所述横坐标和纵坐标构成的曲线作为所述下沉式绿地的积水面积-时间曲线,计算积水面积-时间曲线下面积作为下沉式绿地的蓄水能力特征值;
获取与下沉式绿地相同环境条件的非下沉式绿地的全景图像,根据下沉式绿地、非下沉式绿地的全景图像对应的蓄水能力特征值得到下沉式绿地的蓄水能力评价结果。
本发明的有益效果是:通过拍摄下沉式绿地全景图像获取下沉式绿地全景灰度图像,根据下沉式绿地全景灰度图像获取下沉式绿地的积水区域、候选倒影区域,根据下沉式绿地全景灰度图像获取倒影纹理熵,根据候选倒影区域获取倒影判定邻域、滑动搜索区域,根据候选倒影区域、滑动搜索区域、倒影纹理熵计算倒影相似指数,根据倒影相似指数获取疑似倒影指数,根据疑似倒影指数计算倒影标记系数,基于倒影标记系数计算下沉式绿地的积水区域总面积,其有益效果在于避免水中倒影对下沉式绿地积水面积计算的影响,通过积水区域总面积与时间的关系曲线计算下沉式绿地的蓄水指数,根据蓄水指数对下沉式绿地的蓄水能力进行评价,可以进一步提高对城市公共建筑海绵设施中下沉式绿地运行效果评价的准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种城市公共建筑海绵设施运行效果评价方法的流程示意图;
图2为本发明一个实施例所提供的倒影判定邻域、滑动搜索区域示意图;
图3为本发明一个实施例所提供的积水面积-时间曲线下面积示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的一种城市公共建筑海绵设施运行效果评价方法的流程图,该方法包括以下步骤:
步骤S001,获取下沉式绿地全景灰度图像。
采用无人机搭载CCD工业相机对下沉式绿地进行图像采集,拍摄过程中无人机和相机的具体型号实施者可以根据实际情况进行选择,将采集的下沉式绿地的图像作为APAP(As-Projective-As-Possible Image Stitching with Moving DLT)算法的输入,根据APAP算法获取下沉式绿地全景RGB图像,将下沉式绿地全景RGB图像转化为灰度图像,输入为所述灰度图像,采用自适应直方图均衡化算法对所述灰度图像进行预处理,将所述预处理的结果图像作为下沉式绿地全景灰度图像,APAP算法、自适应直方图均衡化算法的具体实现过程为公知技术,不再进行赘述。
至此,获取了下沉式绿地全景灰度图像。
步骤S002,根据下沉式绿地全景灰度图像获取候选倒影区域,根据候选倒影区域获取倒影判定邻域、滑动搜索区域,获取下沉式全景图像中每个像素点的倒影纹理熵,根据倒影判定邻域、滑动搜索区域、倒影纹理熵计算倒影相似指数。
输入为下沉式绿地全景灰度图像,采用大津阈值分割算法获取下沉式绿地全景灰度图像的二值图像,将所述二值图像作为下沉式绿地二值图像,所述下沉式绿地二值图像中只包含1、0两种灰度值;输入为下沉式绿地二值图像,采用形态学处理中的膨胀操作、腐蚀操作对下沉式绿地二值图像进行处理,使下沉式绿地二值图像更加完整、连续,形态学处理中的膨胀操作、腐蚀操作的具体实现过程为公知技术,不再进行赘述。
进一步的,由于下沉式绿地中水面反射强度相较于其它物体较大,因此下沉式绿地全景图像中较亮的区域为水面区域,表现在下沉式绿地二值图像中则为像素点灰度值为1的区域,但是积水区域中存在倒影、凸起地面等会影响积水区域大小的判断,因此可通过对积水区域中倒影的特征对连通域进行筛选判断,得到完整的积水区域面积。
具体的,将经过形态学处理后的下沉式绿地二值图像作为输入,采用Canny边缘检测算法和连通域分析算法获取下沉式绿地二值图像中的连通域,将下沉式绿地二值图像中连通域内像素点的灰度值为1的连通域作为下沉式绿地全景灰度图像的初始积水区域,将所述初始积水区域内的其它的连通域作为下沉式绿地全景灰度图像的候选倒影区域,统计所述初始积水区域中像素点的数量,将统计结果作为下沉式绿地全景灰度图像的初始积水面积,Canny边缘检测算法和连通域分析算法的具体实现过程为公知技术,不再进行赘述。
进一步的,根据候选倒影区域所在位置构建候选倒影区域的倒影判定邻域。具体的,如图2所示获取下沉式绿地全景灰度图像中任意一个候选倒影区域的中心,计算所述任意一个候选倒影区域的中心到所述任意一个候选倒影区域的边界像素点的欧氏距离,将所有所述欧氏距离的计算结果按照由小到大的顺序排序组成的序列作为所述任意一个候选倒影区域的邻域判定序列,将所述邻域判定序列中最大值的8倍作为所述任意一个候选倒影区域的倒影判定邻域的长,将所述邻域序列中最小值的8倍作为所述任意一个候选倒影区域的倒影判定邻域的宽,将所述任意一个候选倒影区域的中心作为所述倒影判定邻域的中心,根据所述长、宽、中心确定所述任意一个候选倒影区域的倒影判定领域。
进一步的,在沉式绿地全景灰度图像的任意一个候选倒影区域的倒影判定邻域中构建与所述任意一个候选倒影区域相同形状和大小的滑动搜索窗口,将所述滑动搜索窗口作为所述任意一个候选倒影区域的倒影判定邻域的滑动搜索区域,其中滑动搜索区域的滑动步长为5。
进一步的,根据下沉式绿地全景灰度图像计算每个像素点的倒影纹理熵,通过倒影纹理熵反应下沉式绿地全景灰度图像中每个像素点所在区域的纹理特征,具体的,以下沉式绿地全景灰度图像中任意一个像素点为中心构建预设大小的窗口,将所述预设大小的窗口作为所述任意一个像素点的形状特征分析区域,获取所述任意一个像素点的形状特征分析区域的0°、45°、90°、135°方向上的灰度共生矩阵,将所述任意一个像素点的形状特征分析区域的0°、45°、90°、135°方向上的灰度共生矩阵的熵分别作为所述每个像素点的第一特征值、第二特征值、第三特征值、第四特征值,计算所述每个像素点的第一特征值、第二特征值、第三特征值、第四特征值的均值作为所述任意一个像素点的倒影纹理熵,灰度共生矩阵的具体获取过程为公知技术,不再进行赘述。
进一步的,根据候选倒影区域中每个像素点的倒影纹理熵和候选倒影区域的倒影判定邻域中滑动搜索区域内的每个像素点的倒影纹理熵计算倒影相似指数,通过倒影相似指数反应候选倒影区域的倒影判定邻域中是否存在与候选倒影区域相似的滑动搜索区域,即倒影相似指数可以反应候选倒影区域是否为真是倒影区域。具体的倒影相似指数的计算公式如下:
式中,表示下沉式绿地全景灰度图像中第/>个候选倒影区域与第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域的倒影相似指数;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域中第/>个像素点的倒影纹理熵;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域中第/>个像素点的倒影纹理熵;/>分别表示下沉式绿地全景灰度图像中第/>个候选倒影区域、第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域中像素点的数量;/>表示调节参数,大小取经验值0.1。
若下沉式绿地全景灰度图像中第个候选倒影区域可能为真实的倒影,且第/>个候选倒影区域与第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域越相似,则计算得到的/>的值越小,/>的值越大;计算得到的下沉式绿地全景灰度图像中第/>个候选倒影区域与第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域的倒影相似指数/>的值越大,表示下沉式绿地全景灰度图像中第/>个候选倒影区域与第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域相似程度越高,第/>个候选倒影区域真实倒影的可能性越大。
至此,获取了倒影相似指数。
步骤S003,根据倒影相似指数获取倒影相似指数序列,根据倒影相似指数序列计算疑似倒影指数,根据疑似倒影指数计算倒影标记系数,根据倒影标记系数获取下沉式绿地积水区域总面积。
根据下沉式绿地全景灰度图像中每个候选倒影区域与所述每个候选倒影区域的倒影判定领域内滑动搜索区域之间的倒影相似指数获取所述每个候选倒影区域的倒影相似指数序列,根据所述每个候选倒影区域的倒影相似指数计算疑似倒影指数,通过疑似倒影指数反应候选区域为倒影区域的可能性。
具体的,将下沉式绿地全景灰度图像中任意一个候选倒影区域与所述任意一个候选倒影区域的倒影判定邻域内所有滑动搜索区域之间的倒影相似指数按照由小到大的顺序排序组成的序列作为所述任意一个候选倒影区域的倒影相似指数序列。
进一步的,采用最大最小值归一化算法获取下沉式绿地全景灰度图像中任意一个候选倒影区域的倒影相似指数的归一化结果,将所述任意一个候选倒影区域的倒影相似指数的归一化结果作为所述任意一个候选倒影区域的倒影相似指数归一化序列,将所述任意一个候选倒影区域的倒影相似指数归一化序列中的最大值作为所述任意一个候选倒影区域的疑似倒影指数。
进一步的,根据候选倒影区域的疑似倒影指数计算倒影标记系数,根据倒影标记系数计算下沉式绿地全景灰度图像的积水区域总面积。具体的,将下沉式绿地全景灰度图像中每个候选倒影区域的疑似倒影指数与预设阈值进行比较,将疑似倒影指数大于预设阈值的候选倒影区域的倒影标记系数记为1,将疑似倒影指数小于预设阈值的候选倒影区域的倒影标记系数记为0。
进一步的,根据候选倒影区域的倒影标记系数计算下沉式绿地全景灰度图像的积水区总面积,所述积水区域总面积的具体计算公式如下:
式中,表示下沉式绿地全景灰度图像的积水区域总面积;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域的面积;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域的倒影标记系数;/>表示下沉式绿地全景灰度图像的初始积水面积;/>表示下沉式绿地全景灰度图像中候选倒影区域的数量。
若下沉式绿地全景灰度图像的积水区域中倒影较多,则计算得到的的值越大,得到的下沉式绿地全景灰度图像的积水区域总面积/>的值越大。
至此,获取了下沉式绿地全景灰度图像的积水区域总面积。
步骤S004,根据下沉式绿地的积水区域总面积获取积水面积-时间曲线,根据积水面积-时间曲线对下沉式绿地的蓄水能力进行评价。
根据下沉式绿地全景灰度图像中积水区域的总面积可以反应在一定时间内下沉式绿地的积水区域面积,因此可在雨后对下沉式绿地公园每隔10分钟采集一幅下沉式绿地全景图像,整体采集时长为24小时。将每幅下沉式绿地全景图像对应的积水区域总面积作为纵坐标,将每幅下沉式绿地全景图像对应的采集时间作为横坐标,将所述横坐标和纵坐标构成的曲线作为所述下沉式绿地的积水面积-时间曲线,如图3所示,计算积水面积-时间曲线下面积作为下沉式绿地的蓄水能力特征值,积水面积-时间曲线下面积的具体计算过程为公知技术,不再进行赘述。
进一步的,获取与下沉式绿地相同环境条件的非下沉式绿地的全景图像,与下沉式绿地的积水面积-时间曲线的获取方式相同,得到非下沉式绿地的蓄水能力特征值,将所述下沉式绿地的蓄水能力特征值与非下沉式绿地的蓄水能力特征值的比值作为所述下沉式绿地的蓄水指数,将所述蓄水指数分别与蓄水能力判断阈值0.8、0.5、0.3进行比较,具体为:当所述蓄水指数小于0.3时,则下沉式绿地的运行效果为优;当所述蓄水指数在区间内时,则下沉式绿地的运行效果为良;当所述蓄水指数大于0.8时,则下沉式绿地的运行效果为差。
至此,完成了对城市公共建筑海绵设施中下沉式绿地的运行效果的评价。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。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 (10)

1.一种城市公共建筑海绵设施运行效果评价方法,其特征在于,该方法包括以下步骤:
获取下沉式绿地全景灰度图像;
根据图像分割算法获取下沉式绿地全景灰度图像的下沉式绿地二值图像,基于所述下沉式绿地二值图像获取下沉式绿地全景灰度图像的候选倒影区域;根据下沉式绿地全景灰度图像的候选倒影区域获取所述候选倒影区域的倒影判定邻域,基于所述倒影判定邻域获取所述倒影判定邻域的滑动搜索区域;根据下沉式绿地全景灰度图像计算下沉式绿地全景灰度图像中每个像素点的倒影纹理熵;根据候选倒影区域的倒影判定邻域中滑动搜索区域、候选倒影区域中每个像素点的倒影纹理熵计算候选倒影区域的倒影相似指数;
根据候选倒影区域与候选倒影区域的倒影判定邻域内滑动搜索区域之间的倒影相似指数获取候选倒影区域的倒影相似指数序列;根据候选倒影区域的倒影相似指数序列计算候选倒影区域的疑似倒影指数;根据每个候选倒影区域的疑似倒影指数计算每个候选倒影区域的倒影标记系数;根据每个候选倒影区域的倒影标记系数计算下沉式绿地全景灰度图像的积水区域总面积;
根据下沉式绿地全景灰度图像的积水区域面积获取下沉式绿地的积水面积-时间曲线,基于所述积水面积-时间曲线对下沉式绿地的蓄水能力进行评价。
2.根据权利要求1所述的一种城市公共建筑海绵设施运行效果评价方法,其特征在于,所述根据图像分割算法获取下沉式绿地全景灰度图像的下沉式绿地二值图像,基于所述下沉式绿地二值图像获取下沉式绿地全景灰度图像的候选倒影区域的方法为:
采用大津阈值分割算法获取下沉式绿地全景灰度图像的二值图像,采用形态学处理对所述二值图像进行腐蚀、膨胀操作,将所述二值图像的腐蚀、膨胀操作处理的结果图像作为所述下沉式绿地全景灰度图像的下沉式绿地二值图像;
采用边缘检测算法和连通域分析算法获取所述下沉式绿地二值图像中的初始积水区域,将所述下沉式绿地二值图像中初始积水区域包含的任意一个其它连通域作为下沉式绿地全景灰度图像的一个候选倒影区域。
3.根据权利要求1所述的一种城市公共建筑海绵设施运行效果评价方法,其特征在于,所述根据下沉式绿地全景灰度图像的候选倒影区域获取所述候选倒影区域的倒影判定邻域,基于所述倒影判定邻域获取所述倒影判定邻域的滑动搜索区域的方法为:
获取下沉式绿地全景灰度图像中任意一个候选倒影区域的中心,计算所述任意一个候选倒影区域的中心到所述任意一个候选倒影区域的边界像素点的欧氏距离,将所有所述欧氏距离的计算结果按照由小到大的顺序排序组成的序列作为所述任意一个候选倒影区域的邻域判定序列,将所述邻域判定序列中最大值的8倍作为所述任意一个候选倒影区域的倒影判定邻域的长,将所述邻域序列中最小值的8倍作为所述任意一个候选倒影区域的倒影判定邻域的宽,将所述任意一个候选倒影区域的中心作为所述倒影判定邻域的中心,根据所述长、宽、中心确定所述任意一个候选倒影区域的倒影判定领域;
在所述任意一个候选倒影区域的倒影判定邻域中构建与所述任意一个候选倒影区域相同形状和大小的滑动搜索窗口,将所述滑动搜索窗口作为所述任意一个候选倒影区域的倒影判定邻域的滑动搜索区域。
4.根据权利要求1所述的一种城市公共建筑海绵设施运行效果评价方法,其特征在于,所述根据下沉式绿地全景灰度图像计算下沉式绿地全景灰度图像中每个像素点的倒影纹理熵的方法为:
以下沉式绿地全景灰度图像中任意一个像素点为中心构建预设大小的窗口,将所述预设大小的窗口作为所述任意一个像素点的形状特征分析区域,获取所述任意一个像素点的形状特征分析区域的0°、45°、90°、135°方向上的灰度共生矩阵,将所述任意一个像素点的形状特征分析区域的0°、45°、90°、135°方向上的灰度共生矩阵的熵分别作为所述每个像素点的第一特征值、第二特征值、第三特征值、第四特征值,计算所述每个像素点的第一特征值、第二特征值、第三特征值、第四特征值的均值作为所述任意一个像素点的倒影纹理熵。
5.根据权利要求1所述的一种城市公共建筑海绵设施运行效果评价方法,其特征在于,所述根据候选倒影区域的倒影判定邻域的滑动搜索窗口、候选倒影区域中每个像素点的倒影纹理熵计算候选倒影区域的倒影相似指数的方法为:
式中,表示下沉式绿地全景灰度图像中第/>个候选倒影区域与第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域的倒影相似指数;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域中第/>个像素点的倒影纹理熵;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域中第/>个像素点的倒影纹理熵;/>分别表示下沉式绿地全景灰度图像中第/>个候选倒影区域、第/>个候选倒影区域的倒影判定邻域内第/>个滑动搜索区域中像素点的数量;/>表示调节参数。
6.根据权利要求1所述的一种城市公共建筑海绵设施运行效果评价方法,其特征在于,所述根据候选倒影区域与候选倒影区域的倒影判定邻域内滑动搜索区域之间的倒影相似指数获取候选倒影区域的倒影相似指数序列的方法为:
将下沉式绿地全景灰度图像中任意一个候选倒影区域与所述任意一个候选倒影区域的倒影判定邻域内所有滑动搜索区域之间的倒影相似指数按照由小到大的顺序排序组成的序列作为所述任意一个候选倒影区域的倒影相似指数序列。
7.根据权利要求1所述的一种城市公共建筑海绵设施运行效果评价方法,其特征在于,所述根据候选倒影区域的倒影相似指数序列计算候选倒影区域的疑似倒影指数的方法为:
采用归一化算法获取下沉式绿地全景灰度图像中任意一个候选倒影区域的倒影相似指数序列的归一化结果,将所述任意一个候选倒影区域的倒影相似指数序列的归一化结果作为所述任意一个候选倒影区域的倒影相似指数归一化序列,将所述任意一个候选倒影区域的倒影相似指数归一化序列中的最大值作为所述任意一个候选倒影区域的疑似倒影指数。
8.根据权利要求1所述的一种城市公共建筑海绵设施运行效果评价方法,其特征在于,所述根据每个候选倒影区域的疑似倒影指数计算每个候选倒影区域的倒影标记系数的方法为:
将下沉式绿地全景灰度图像中每个候选倒影区域的疑似倒影指数与预设阈值进行比较,将所述疑似倒影指数大于预设阈值的候选倒影区域的倒影标记系数记为1,将所述疑似倒影指数小于预设阈值的候选倒影区域的倒影标记系数记为0。
9.根据权利要求1所述的一种城市公共建筑海绵设施运行效果评价方法,其特征在于,所述根据每个候选倒影区域的倒影标记系数计算下沉式绿地全景灰度图像的积水区域总面积的方法为:
式中,表示下沉式绿地全景灰度图像的积水区域总面积;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域的面积;/>表示下沉式绿地全景灰度图像中第/>个候选倒影区域的倒影标记系数;/>表示下沉式绿地全景灰度图像的初始积水面积;/>表示下沉式绿地全景灰度图像中候选倒影区域的数量。
10.根据权利要求1所述的一种城市公共建筑海绵设施运行效果评价方法,其特征在于,所述根据下沉式绿地全景灰度图像的积水区域面积获取下沉式绿地的积水面积-时间曲线,基于所述积水面积-时间曲线对下沉式绿地的蓄水能力进行评价的方法为:
在雨后对下沉式绿地公园每隔一段时间采集一幅下沉式绿地全景图像,将每幅下沉式绿地全景图像对应的积水区域总面积作为纵坐标,将每幅下沉式绿地全景图像对应的采集时间作为横坐标,将所述横坐标和纵坐标构成的曲线作为所述下沉式绿地的积水面积-时间曲线,计算积水面积-时间曲线下面积作为下沉式绿地的蓄水能力特征值;
获取与下沉式绿地相同环境条件的非下沉式绿地的全景图像,根据下沉式绿地、非下沉式绿地的全景图像对应的蓄水能力特征值得到下沉式绿地的蓄水能力评价结果。
CN202410516577.1A 2024-04-28 2024-04-28 一种城市公共建筑海绵设施运行效果评价方法 Active CN118115047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410516577.1A CN118115047B (zh) 2024-04-28 2024-04-28 一种城市公共建筑海绵设施运行效果评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410516577.1A CN118115047B (zh) 2024-04-28 2024-04-28 一种城市公共建筑海绵设施运行效果评价方法

Publications (2)

Publication Number Publication Date
CN118115047A true CN118115047A (zh) 2024-05-31
CN118115047B CN118115047B (zh) 2024-07-05

Family

ID=91219528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410516577.1A Active CN118115047B (zh) 2024-04-28 2024-04-28 一种城市公共建筑海绵设施运行效果评价方法

Country Status (1)

Country Link
CN (1) CN118115047B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131912A (zh) * 2019-06-25 2020-12-25 北京尚水信息技术股份有限公司 遥感影像下垫面提取方法
CN112927150A (zh) * 2021-02-20 2021-06-08 河北先河环保科技股份有限公司 高光谱图像的水体倒影区域光谱恢复方法及终端设备
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131912A (zh) * 2019-06-25 2020-12-25 北京尚水信息技术股份有限公司 遥感影像下垫面提取方法
CN112927150A (zh) * 2021-02-20 2021-06-08 河北先河环保科技股份有限公司 高光谱图像的水体倒影区域光谱恢复方法及终端设备
CN115861135A (zh) * 2023-03-01 2023-03-28 铜牛能源科技(山东)有限公司 一种应用于箱体全景探测的图像增强及识别方法

Also Published As

Publication number Publication date
CN118115047B (zh) 2024-07-05

Similar Documents

Publication Publication Date Title
CN105046677B (zh) 一种用于交通视频图像的增强处理方法和装置
CN111797712B (zh) 基于多尺度特征融合网络的遥感影像云与云阴影检测方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN107092871B (zh) 基于多尺度多特征融合的遥感影像建筑物检测方法
CN114549543A (zh) 建筑物的三维模型构建方法、装置、终端及存储介质
CN116758059A (zh) 一种用于路基路面的视觉无损检测方法
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
CN108537116B (zh) 一种基于多尺度特征的海岸线二级类型提取方法及系统
CN103679173A (zh) 图像显著区域检测方法
CN114387521B (zh) 基于注意力机制和边界损失的遥感影像建筑物提取方法
CN116342635B (zh) 一种地质测绘中裂缝轮廓提取方法
CN109740485A (zh) 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法
CN115497015A (zh) 一种基于卷积神经网络的河流漂浮污染物识别方法
CN111047603A (zh) 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法
CN115147401A (zh) 一种基于数字图像处理的土石坝坝料合格性智能检测方法
CN117218029A (zh) 基于神经网络的夜间暗光图像智能处理方法
CN111753693B (zh) 一种静态场景下目标检测方法
CN107330863B (zh) 一种基于噪声估计的图像去噪方法
CN118115047B (zh) 一种城市公共建筑海绵设施运行效果评价方法
CN113705501B (zh) 一种基于图像识别技术的海上目标检测方法和系统
CN116993745B (zh) 基于图像处理给水管表面漏损检测方法
CN114926826A (zh) 场景文本检测系统
CN105608683A (zh) 一种单幅图像去雾方法
CN117372857A (zh) 一种基于机器视觉的洄游鱼群计数识别方法

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