一、引言

我國(guó)是一個(gè)水災(zāi)頻發(fā)的國(guó)家，水安全問題已成為影響經(jīng)濟(jì)和社會(huì)發(fā)展中的重要因素之一。洪水等突發(fā)事故所引發(fā)的損失和危害巨大，因此水情監(jiān)控問題成為國(guó)家水利部門關(guān)注的重點(diǎn)。為了準(zhǔn)確而實(shí)時(shí)地監(jiān)測(cè)水位，目前國(guó)內(nèi)多數(shù)水文監(jiān)測(cè)站使用的是傳統(tǒng)水位測(cè)量方式。

傳統(tǒng)水位測(cè)量方式主要有安裝水尺目測(cè)讀數(shù)和使用傳感器自動(dòng)采集水位相關(guān)的模擬量再轉(zhuǎn)換為水位量?jī)煞N。其中，目測(cè)讀數(shù)的方式需要耗費(fèi)人力，且實(shí)時(shí)性不高，惡劣環(huán)境下讀取水位人員的安全也不能保證。使用傳感器自動(dòng)采集則主要有超聲波式、壓力式、浮子機(jī)械編碼式、雷達(dá)式等測(cè)量手段。這些測(cè)量方式優(yōu)點(diǎn)與缺點(diǎn)并存，缺點(diǎn)也非常顯著，如難于維護(hù)，受環(huán)境影響較大等。

本文通過設(shè)計(jì)一系列圖像識(shí)別算法，對(duì)從視頻流中截取的水尺圖像進(jìn)行處理，經(jīng)過灰度化、中值濾波、邊緣檢測(cè)、二值化、形態(tài)學(xué)處理以及圖像細(xì)化，最終由算法得出水位數(shù)據(jù)。整個(gè)測(cè)量過程主要由攝像機(jī)和識(shí)別軟件完成，精度較高且應(yīng)用要求低，因此具有廣闊的應(yīng)用前景。

二、目標(biāo)圖像的提取和預(yù)處理

⒈目標(biāo)圖像的截取和平均

從攝像機(jī)采集到的視頻圖像數(shù)據(jù)，首先要選取出數(shù)幀含有水尺圖像的圖片進(jìn)行平均。利用微軟的MSDN提供的視頻處理函數(shù)與OpenCV提供的截取視頻幀函數(shù)可以從攝像機(jī)采集的視頻中提取出若干幀的圖像并保存。截取連續(xù)的數(shù)幀圖像取平均可避免非常態(tài)干擾，提升測(cè)量精度。

⒉彩色圖像的灰度化

由于很多攝像機(jī)支持彩色圖像拍攝，在處理圖像之前，應(yīng)對(duì)采集到的彩色圖像按照式⑴進(jìn)行灰度轉(zhuǎn)換以便后續(xù)處理。

T＝0.299×R＋0.587×G＋0.114×B??⑴

其中T得到轉(zhuǎn)換后目標(biāo)圖像的灰度值，R、D、B分別為紅、綠、藍(lán)的彩色圖像分量，圖1為灰度化后的圖像。

圖1?灰度化后含有水尺的圖像

三、興趣區(qū)域的提取和形態(tài)學(xué)處理

⒈中值濾波

灰度化后的圖像可能存在有由于環(huán)境或干擾產(chǎn)生的噪聲，如熱噪聲、量化噪聲等，首先需要對(duì)其進(jìn)行濾波去噪。這里采用能夠較好保留圖像細(xì)節(jié)的中值濾波方法。

中值濾波作為一種非線性技術(shù)，可以有效的消除孤立噪聲點(diǎn)同時(shí)保持圖像中的關(guān)鍵細(xì)節(jié)，它將每一像素的灰度值按照該像素周圍一定區(qū)域內(nèi)所有像素點(diǎn)灰度的中值重新設(shè)定，從而消除與區(qū)域內(nèi)像素灰度中值差異過大的點(diǎn)。

中值濾波的主要算法流程如下：

⑴設(shè)置一個(gè)合適大小，含有奇數(shù)個(gè)點(diǎn)的采樣窗口。

⑵通過采樣窗口在被處理的圖像中取出奇數(shù)個(gè)像素，并對(duì)這些像素的灰度值進(jìn)行排序。

⑶選取奇數(shù)個(gè)灰度值的中值，即從小到大排在中間的一個(gè)，作為替換值。

⑷將在采樣窗口中心位置的像素的灰度值，設(shè)為替換值。

⑸重復(fù)步驟⑵－⑷，對(duì)圖像中所有像素點(diǎn)進(jìn)行處理。

一般情況下中值濾波后，小于采樣窗口面積的一般噪聲點(diǎn)可以濾除，而較大的物體如水尺刻度，水面輪廓等幾乎完全不受濾波的影響。

⒉邊緣檢測(cè)

對(duì)經(jīng)過濾波后的圖像采用邊緣檢測(cè)，可以很好的提取到水尺刻度的特征，大幅度減少數(shù)據(jù)量并剔除不需要的圖像信息，同時(shí)還能保留重要的圖像結(jié)構(gòu)屬性，便于后續(xù)處理識(shí)別。邊緣檢測(cè)中常用的算子有Canny算子，或各種改進(jìn)的Canny算子以及Sobel算子。這里由于是對(duì)水尺刻度的識(shí)別，對(duì)細(xì)節(jié)紋理不太注重，所以選擇了雖然不如Canny算子準(zhǔn)確但效率更高的Sobel算子。

Sobel算子算法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單、速度快，通常檢測(cè)時(shí)帶有方向性?？梢赃x擇進(jìn)行水平方向檢測(cè)或者垂直方向檢測(cè)，或兩個(gè)方向都檢測(cè)。因?yàn)樗呖潭仍趫D像中處于水平方向，這里進(jìn)行垂直方向的邊緣檢測(cè)。圖2所示為中值濾波和邊緣檢測(cè)后的圖像。

圖2 濾波和邊緣檢測(cè)后的圖像

⒊二值化

對(duì)圖像進(jìn)行邊緣檢測(cè)后再通過二值化,去除水面、背景等非目標(biāo)圖像。一般從多值的圖像中提取目標(biāo)物體，最常用的方法就是設(shè)定出全局的閾值T，然后根據(jù)全局閾值，將圖像的數(shù)據(jù)分為兩部分：灰度值大于T的部分和灰度值小于T的部分。將灰度值大于T的部分的像素設(shè)為白色（或黑色），而灰度值小于T的部分設(shè)為黑色（或白色）。本文使用迭代閾值法合理選取全局閾值進(jìn)行二值化，迭代閾值法的算法流程如下。

⑴設(shè)置一個(gè)初始閾值T0，可以自己設(shè)置或隨機(jī)生成。

⑵根據(jù)初始閾值將圖像分割成兩部分，目標(biāo)圖像區(qū)域S1和背景圖像區(qū)域S2。

⑶分別求出S1和S2部分的像素灰度平均值G2和G2。

⑷設(shè)定新的閾值Tn為（G2＋G2）/2。

⑸重復(fù)步驟⑵－⑷，不斷用新設(shè)定的閾值分割圖像，計(jì)算平均灰度值，直到得出的新閾值等于上一次的閾值。

經(jīng)過二值化后的圖像如圖3所示。

圖3 二值化后的圖像

⒋形態(tài)學(xué)處理

二值化后的圖像，還可能存在一些干擾判斷的噪點(diǎn)，有必要通過形態(tài)學(xué)的腐蝕處理來進(jìn)一步濾除。膨脹和腐蝕是形態(tài)學(xué)的基礎(chǔ)運(yùn)算，許多形態(tài)學(xué)算法都以它們?yōu)榛A(chǔ)。其中腐蝕的作用是去除小于結(jié)構(gòu)元素的物體，對(duì)圖像的腐蝕過程如下。

⑴用結(jié)構(gòu)元素Y掃描待腐蝕二值圖像X的每個(gè)像素。

⑵結(jié)構(gòu)元素Y的像素與其覆蓋的二值圖像區(qū)域做“與”操作，即如果全為1，則結(jié)果圖像的該像素為1，否則為0。

腐蝕后的刻度圖像如圖4所示。

圖4 腐蝕后的刻度圖像

⒌圖像細(xì)化

去除背景和水面經(jīng)過腐蝕后得出的水平刻度線，不宜直接用于后面的處理分析，需要對(duì)上一步的結(jié)果圖像進(jìn)行圖像細(xì)化處理。圖像細(xì)化可以從目標(biāo)圖像中提取出圖像骨架，即將將原圖像中像素寬度大于1的線條細(xì)化成只有1像素寬的線條，之后可以比較容易的分析圖像或提取圖像的特征。此處使用Zhang快速并行細(xì)化算法對(duì)刻度進(jìn)行細(xì)化，細(xì)化后的圖像如圖5所示。

圖5 細(xì)化刻度后的圖像

四、基于K-means聚類分析的

水位識(shí)別

⒈K-means聚類分析獲取刻度數(shù)

數(shù)據(jù)聚類是對(duì)于靜態(tài)數(shù)據(jù)分析的一門技術(shù)，在許多領(lǐng)域內(nèi)都被廣泛地應(yīng)用，包括機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、模式識(shí)別、圖像分析、信息檢索以及生物信息等。K-means算法是最常用的聚類分析方法之一，是由Macoueen提出，它具有算法簡(jiǎn)單且收斂速度快的特點(diǎn)。通常采用的準(zhǔn)則函數(shù)是平方誤差準(zhǔn)則函數(shù)，即：

?⑵

式中，E為所有數(shù)據(jù)的誤差平方和，P為單個(gè)的對(duì)象，mi為均值。K-means算法是基于距離的聚類算法，它將相聚越近的對(duì)象判定為相似度越大，認(rèn)為簇是由緊湊的距離靠近的對(duì)象形成的，因此最終可以得到緊湊且獨(dú)立的簇。

K-means算法的流程如下：

⑴從N個(gè)對(duì)象中隨機(jī)選取K個(gè)對(duì)象作為聚類質(zhì)心。

⑵對(duì)剩余的每個(gè)對(duì)象，算出它們到每個(gè)質(zhì)心的距離并歸類到相聚最近的質(zhì)心的類。

⑶重新計(jì)算已經(jīng)得到的各個(gè)聚類的質(zhì)心。

⑷重復(fù)步驟⑵－⑶，不斷劃分新的聚類并得出新的質(zhì)心，直到新的質(zhì)心與上一次計(jì)算得到的質(zhì)心相等或者小于指定的閾值，此時(shí)得到的聚類即為最終結(jié)果。

對(duì)于上一步圖像細(xì)化后的刻度圖像，每一條刻度將被劃分為一個(gè)聚類，從而最終聚類數(shù)量等于可以識(shí)別出的刻度數(shù)量，進(jìn)而在后續(xù)處理中算出水位。

⒉水位測(cè)量算法

⑴算法思想

對(duì)從視頻流中截取平均，經(jīng)過灰度化、中值濾波、邊緣檢測(cè)、二值化、腐蝕、刻度細(xì)化后的圖像，通過聚類分析的方法，先隨機(jī)選取若干對(duì)象作為聚類質(zhì)心，設(shè)定閾值位水尺相鄰刻度間的最小距離，聚類分析后算出滿足條件的聚類數(shù)量N，再根據(jù)水尺和公式計(jì)算水位。

⑵總體算法

從視頻流中截取數(shù)幀圖像取平均，并灰度化。

①對(duì)⑴獲得的圖像進(jìn)行中值濾波，使用Sobel算子邊緣檢測(cè)。

②將上一步得到的圖像二值化后進(jìn)行腐蝕處理。

③對(duì)腐蝕后的結(jié)果圖像進(jìn)行圖像細(xì)化處理。

④隨機(jī)選取圖像中的像素作為初始聚類中心，設(shè)置合理的閾值后進(jìn)行聚類分析，得出水尺刻度線間隔數(shù)N。

⑤根據(jù)公式代入間隔數(shù)N計(jì)算水位。

⑶實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)數(shù)據(jù)庫采用240張?jiān)诂F(xiàn)場(chǎng)用攝像機(jī)拍攝得到的圖片，包括一天中不同時(shí)間的不同水位信息，在此基礎(chǔ)上進(jìn)行水位識(shí)別，算法處理每張圖像所需時(shí)間在65～80ms之間，設(shè)定誤差允許范圍在1cm以內(nèi)的情況下，所有圖像都得出正確檢測(cè)結(jié)果。

下面給出實(shí)驗(yàn)圖像由算法得出的數(shù)據(jù)結(jié)果和由人眼目視讀取的水位結(jié)果以及兩種水位間的誤差進(jìn)行比較，圖6所示為人工測(cè)量得到的水位，圖7所示為識(shí)別算法得出的水位，圖8所示為算法程序得到水位與人工得到水位之差。

圖6 人工測(cè)量得到的水位

圖7 識(shí)別算法得出的水位

圖8 算法得到水位與人工得到水位之差

從圖8可以看出誤差不超過0.6m，造成誤差的主要原因有實(shí)際拍攝水位時(shí)，水位線不是完全靜止，會(huì)有小范圍的浮動(dòng)；以及部分水尺的刻度線模糊缺損，導(dǎo)致邊緣檢測(cè)算法難以刻度線。總體來說，提出的算法的識(shí)別正確率和實(shí)時(shí)性能夠滿足應(yīng)用需求。

五、結(jié)論

本文提出的水尺測(cè)量算法基于圖像識(shí)別，可廣泛應(yīng)用于測(cè)量各種可使用水尺的水位測(cè)量場(chǎng)合，費(fèi)用低廉、設(shè)施簡(jiǎn)單、并且精度較高。水位識(shí)別方法通過灰度變換，邊緣檢測(cè)，圖像細(xì)化，K-means分析等得到刻度線然后計(jì)算水位，由于視頻攝像的實(shí)時(shí)性，可方便的對(duì)水位進(jìn)行遠(yuǎn)程在線監(jiān)控，具有較強(qiáng)的實(shí)用性。對(duì)于原本已經(jīng)架設(shè)攝像頭的系統(tǒng)，無需添加太多設(shè)施即可完成改造。

【作者簡(jiǎn)介】文/仲志遠(yuǎn)，南京理工大學(xué)機(jī)械工程學(xué)院。文章來自《國(guó)外電子測(cè)量技術(shù)》（2017年第6期），參考文獻(xiàn)略，用于學(xué)習(xí)與交流，版權(quán)歸作者及出版社共同擁有，轉(zhuǎn)載也請(qǐng)備注由“溪流之海洋人生”微信公眾平臺(tái)編輯與整理。

編輯：黃飛

?