CN102221551B - 一种蓝藻监测装置及方法 - Google Patents

Abstract

本发明公开了一种蓝藻监测装置及方法，该方法包括采集多幅标本图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合；基于该标本蓝藻图像集合和该待测图像训练集合，计算得到蓝藻像素特征阈值；采集待测图像；根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域；当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息。本发明基于水面图像自动实时地对蓝藻进行监测，根据蓝藻的暴发强度进行预警。在监测装置上实现待测图像采集、处理和暴发强度评估计算，仅向远程监测中心传输蓝藻暴发强度结果，降低数据传输量。将预警信息和蓝藻定位信息一同发送至远程监测中心，便于定位蓝藻暴发位置。

Description

一种蓝藻监测装置及方法

技术领域

本发明涉及水环境监测与水环境保护技术领域，尤其涉及一种针对水面蓝藻进行监测的装置和方法。

背景技术

随着我国工农业的迅猛发展以及城市化进程的加快，工业废水、生活污水、农业灌溉废水中氮、磷等营养性物质排放量日益增加，湖泊富营养化问题日益突出。据统计，我国66％以上的湖泊和水库已处于富营养状态，其中22％处于重富营养和超富营养状态，与其相伴的一个普遍现象是蓝藻的频繁发生。作为一个世界性难题，蓝藻暴发不仅影响水体景观，毒害水生生物，而且破坏饮用水水源和水体生态系统平衡，严重影响国家的经济发展和人民的日常生活。

现有的蓝藻监测方法主要分为四类：

(1)人工观测。传统方法是由观测人员定期进行现场的视觉和嗅觉观测，目前可以通过无线视频监控系统进行远程人工观测，但是仍然缺乏自主监测和准确的预警能力。

(2)实验室分析。对人工采集水体样本进行分析，测量其中的藻类数量，耗时长，对分析人员的技术要求高。虽然近期已经实现远程水样显微图片获取，并将其传送到数据处理中心进行藻类数量的自动识别，但是图像传输数据量较大，网络通信成本较高，而且缺少藻类数量与实际蓝藻暴发强度之间的定量对应关系。

(3)遥感图像处理。利用星载或机载高光谱传感器采集监测水域蓝藻水体的光谱信息，通过分析蓝藻和水体的光谱特征差异实现蓝藻的识别。主要不足在于系统建设成本高，而且卫星观测和解译的结果受云量等诸多因素的影响。此外，受到卫星轨道的限制，其采样周期较长(一般以天为单位)。

(4)水质参数测量。利用远程在线水质传感器采集监测点的多种水质参数(如pH值，溶解氧、氧化还原电位、电导率等)，不足在于多参数水质传感器价格昂贵，而且尚缺少水质参数与蓝藻暴发强度之间的定量对应关系，目前仅可以通过经验阈值方法定性地描述蓝藻的暴发强度(例如给出蓝藻暴发的低、中、高等级)。

综上所述，现有方法均无法同时提供自主、低成本、实时、准确的蓝藻监测与预警功能。本发明正是针对现有方法的不足，提供一套蓝藻监测装置和方法，以较低的成本实现对蓝藻的自主、实时监测，并对蓝藻暴发强度进行准确评估，显著提高蓝藻监测、预警与治理的水平。

发明内容

本发明解决的技术问题在于，基于水面待测图像，自动实时地对蓝藻进行监测，并根据蓝藻的暴发强度进行预警。

更进一步的，本发明采用非接触式的图像采集方式，无需实地采集水样，采集设备的维护成本低。

更进一步的，在监测装置上实现待测图像采集、处理和蓝藻暴发强度计算，仅向远程监测中心传输蓝藻暴发强度结果，降低数据传输量，节省网络通信成本。

更进一步的，将预警信息和对应的蓝藻定位信息一同发送至远程监测中心，便于定位蓝藻暴发位置，为蓝藻打捞的资源调度提供基础资料。

为解决上述问题，本发明公开了一种蓝藻监测方法，包括：标本采集步骤，采集多幅标本图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合；阈值识别步骤，基于该标本蓝藻图像集合和该待测图像训练集合，计算得到蓝藻像素特征阈值；待测图像采集步骤，采集待测图像；图像分割步骤，根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域；预警步骤，当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息。

该阈值识别步骤进一步包括：利用该标本蓝藻图像集合中的图像的蓝藻像素特征数据和非蓝藻像素特征数据构建标本训练数据集合；基于该标本训练数据集合对分类算法模型训练，得到蓝藻像素特征分类模型；利用该蓝藻像素特征分类模型，对由该待测图像训练集合中的图像的像素的特征数据进行分类，得到蓝藻像素特征数据集合和非蓝藻像素特征数据集合；基于该蓝藻像素特征数据集合和非蓝藻像素特征数据集合，利用最优化算法，计算各像素分量的阈值，作为该蓝藻像素特征阈值。

该分类算法包括支持向量机方法、决策树方法或神经网络分类方法。

该最优化算法包括：

$\max \{\underset{i=1}{\overset{N_z}{\mathrm{\Σ}}}{(T_X-X_{\mathrm{zi}})}^2+\underset{j=1}{\overset{N_{\mathrm{nz}}}{\mathrm{\Σ}}}{(T_X-X_{\mathrm{nzj}})}^2\}$

min(X)≤T_X≤max(X)

其中，X为像素分量，T_X为像素分量X的阈值，X_z为蓝藻像素特征数据的像素分量，X_nz为非蓝藻像素特征数据的像素分量，i为该蓝藻像素特征数据集合中的蓝藻像素特征数据的序号，j为该非蓝藻像素特征数据集合中的非蓝藻像素特征数据的序号，N_z为该蓝藻像素特征数据集合中的蓝藻像素特征数据的个数，N_nz为该非蓝藻像素特征数据集合中的非蓝藻像素特征数据的个数，min()和max()分别表示像素分量X的最小值和最大值。

该标本采集步骤与该阈值识别步骤之间还包括预处理步骤，该预处理步骤包括：检测该标本图像的亮度，对未达到预设亮度阈值的标本图像予以排除；确定该标本图像中的选定区域；在该预警步骤中，当该蓝藻区域的面积与该待测图像的该选定区域的面积之比超过预警阈值时，生成该预警信息。

检测该待测图像所对应的位置的定位信息，将该定位信息以及该预警信息发送至远程监测中心，或者，将该蓝藻区域的面积与该待测图像的面积之比、该定位信息以及该预警信息发送至远程监测中心。

本发明还公开了一种蓝藻监测装置，包括：视频传感单元，用于采集标本图像以及待测图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合；处理单元，包括阈值识别模块、图像分割模块和预警模块；该阈值识别模块用于基于该标本蓝藻图像集合和该待测图像训练集合计算蓝藻像素特征阈值，该图像分割模块用于根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域，该预警模块用于当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息。

该阈值识别模块进一步包括：模型构建模块，利用该标本蓝藻图像集合中的图像的蓝藻像素特征数据和非蓝藻像素特征数据构建标本训练数据集合，基于该标本训练数据集合对分类算法模型进行训练，得到蓝藻像素特征分类模型；分类模块，利用该蓝藻像素特征分类模型，对由该待测图像训练集合中的图像的像素的特征数据进行分类，得到蓝藻像素特征数据集合和非蓝藻像素特征数据集合；阈值获取模块，基于该蓝藻像素特征数据集合和非蓝藻像素特征数据集合，利用最优化算法，计算各像素分量的阈值，作为该蓝藻像素特征阈值。

该模型构建模块包括支持向量机方法模块、决策树方法模块或神经网络分类方法模块。

该装置还包括一预处理单元，用于检测该标本图像的亮度，对未达到预设亮度阈值的标本图像予以排除；确定该标本图像中的选定区域；

该预警模块用于当该蓝藻区域的面积与该待测图像的该选定区域的面积之比超过预警阈值时，生成该预警信息。

该装置还包括一定位单元以及一通信单元，该定位单元用于检测该装置的定位信息，该通信单元用于将该定位信息以及该预警信息发送至一远程监测中心，或者，将该蓝藻区域的面积与该待测图像的面积之比、该定位信息以及该预警信息发送至一远程监测中心。

该视频传感单元包括视频传感控制器、CCD数码相机和云台；该CCD数码相机用于采集该标本图像以及待测图像；该云台接收来自视频传感控制器的控制命令，调整该CCD数码相机角度与方位；该视频传感控制器连接该CCD数码相机和该云台，用于发出控制命令控制该CCD数码相机的拍摄参数，以及控制该云台的角度与方位。

该视频传感单元位于被测水面上方3-5米。

本发明基于水面的待测图像，自动实时地对蓝藻进行监测，并根据蓝藻的暴发强度结果进行预警。采用非接触式的图像采集方式，无需实地采集水样，采集设备的维护成本低。在监测装置上实现待测图像采集、处理和暴发强度计算，仅向远程监测中心传输暴发强度结果，降低数据传输量，节省网络通信成本。将预警信息和对应的蓝藻定位信息一同发送至远程监测中心，便于定位蓝藻暴发位置，为蓝藻打捞的资源调度提供基础资料。

附图说明

图1所示为本发明的系统结构图；

图2A所示为本发明的蓝藻监测装置的结构示意图；

图2B所示为本发明的蓝藻监测装置的处理单元的结构示意图；

图2C所示为本发明的蓝藻监测装置的处理单元的结构示意图；

图2D所示为本发明的处理单元的阈值识别模块的结构示意图；

图3为本发明的蓝藻监测装置的视频传感单元的结构图；

图4为本发明的供电单元的结构图；

图5A、5B为本发明的蓝藻监测方法；

图6为本发明的最优化算法示意图。

具体实施方式

图1为本发明的系统结构图，包括通过网络连接的蓝藻监测装置101和远程监测中心102。

蓝藻监测装置101自动采集水面待测图像，以评估水面上的蓝藻暴发强度，基于该蓝藻暴发强度生成预警信息，通过网络将预警信息传送到远程监测中心102。蓝藻监测装置101可以被部署在水域岸边的固定平台A或水域中的固定平台B或者船只等移动平台C。

远程监测中心102是本发明之外的一个辅助设备，远程监测中心102在数据库和GIS地图的辅助下负责收集和显示蓝藻监测装置101发来的数据，为蓝藻打捞调度等提供信息，并可以向蓝藻监测装置101发送指令。蓝藻监测装置101和远程监测中心102之间通过有线或无线的方式进行通信。

图2A所示为本发明的蓝藻监测装置101的结构示意图。视频传感单元201、存储单元203、定位单元204、通信单元205和供电单元206分别连接至处理单元202。

视频传感单元201负责非接触式地采集水面的待测图像，视频传感单元201通过平台(包括水域岸边或水域中的固定平台或船只等移动平台)上直立的金属支架安装在监测水域水面上方3到5米的高度，可获得质量较好的用于蓝藻识别的被测图像。视频传感单元201与所述处理单元202通过电信号连接。视频传感单元201可每隔预订时间采集监测水域水面的待测图像。先期采集的待测图像作为标本图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合。利用标本图像计算用于识别图像中蓝藻区域的蓝藻像素特征阈值。后续采集的待测图像作为正式的监测对象。

处理单元202可以是台式机处理器或嵌入式处理器或FPGA或DSP等具有运算能力和外部接口的器件。处理单元202与视频传感单元201、存储单元203、定位单元204、通信单元205和供电单元206分别相互连接；接收来自视频传感单元201的水面待测图像信息，并将其保存在存储单元203，处理单元202对所采集的待测图像进行实时在线分析，实现蓝藻识别和暴发强度计算，生成预警信息。在最优实施例中，所生成的预警信息还可以连同定位单元204提供的位置信息送往通信单元205。

存储单元203可以是硬盘、闪存芯片、SD卡、USB设备等存储介质；与处理单元202通过电信号连接；负责存储待测图像、标本图像、蓝藻暴发强度、预警信息和定位单元204提供的定位信息，同时存储该蓝藻监测装置运行所需要的文件，包括操作系统、运行参数等。

定位单元204可以采用GPS技术或其他定位技术，可以是GPS设备或器件，也可以是固化了其他定位技术的设备或器件；与处理单元202通过电信号连接；负责提供所述蓝藻监测装置自身的位置信息。定位单元204为可选部件，也可以不设置该单元。

通信单元205可以采用有线(包括网线、电话线等)或无线(包括GPRS，3G，WIFI等)的方式，可以是货架通信设备或器件，也可以是固化了通信技术的设备或器件；与处理单元202通过电信号连接；负责向远程监测中心传输监测数据并接收来自监测中心的指令。

供电单元206负责能量采集并为其它各单元模块提供适当的电压。

图2B所示为本发明的蓝藻监测装置101的处理单元的结构示意图。

处理单元202包括阈值识别模块2021、图像分割模块2022和预警模块2023；

该阈值识别模块2021用于基于该标本蓝藻图像集合和该待测图像训练集合计算蓝藻像素特征阈值。该图像分割模块2022用于根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域。该预警模块2023用于当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息。

图2D所示为本发明的处理单元的阈值识别模块的结构示意图。

该阈值识别模块2021进一步包括：

模型构建模块20211，利用该标本蓝藻图像集合中的图像的蓝藻像素特征数据和非蓝藻像素特征数据构建标本训练数据集合，基于该标本训练数据集合对分类算法模型进行训练，得到蓝藻像素特征分类模型；

分类模块20212，利用该蓝藻像素特征分类模型，对由该待测图像训练集合中的图像中的像素的特征数据进行分类，得到蓝藻像素特征数据集合和非蓝藻像素特征数据集合；

阈值获取模块20213，基于该蓝藻像素特征数据集合和非蓝藻像素特征数据集合，利用最优化算法，计算各像素分量的阈值，作为该蓝藻像素特征阈值。

图3为本发明的蓝藻监测装置的视频传感单元的结构图，由以下几部分组成：视频传感控制器301、CCD数码相机302、云台303。CCD数码相机302安装在云台303上，负责采集水面图像；云台303接收来自视频传感控制器301的控制命令，调整CCD数码相机302的角度与方位，可实现180度立体角姿态调整；视频传感控制器301通过电信号同时连接CCD数码相机302和云台303，控制CCD数码相机302的焦距、焦点、光圈、感光度等物理参数，并且控制云台303的姿态角变化。可便于视频传感单元拍摄不同方向的水面待测图像。

图4为本发明的供电单元206的结构图，由以下几部分组成：太阳能电池板401、太阳能充电控制器402、蓄电池403。太阳能电池板401可以安装在所述固定或移动平台上，也可以安装在所述用于放置视频传感单元的金属支架上，负责太阳能的采集与太阳能到电能的转换，与太阳能充电控制器402连接；太阳能充电控制器402分别与太阳能电池板401和蓄电池403连接，负责控制充、放电进程，并监控蓄电池403充电状态；蓄电池403与太阳能充电控制器402连接，负责将电能转换为化学能进行存储，并在必要的时候讲化学能转换为电能。

以下结合图5A、5B公开本发明的蓝藻监测方法。

步骤1，蓝藻监测装置101通过视频传感单元201采集待测水域水面的标本图像，并发送至该处理单元202；

步骤2，处理单元202利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合，并基于该标本蓝藻图像集合和该待测图像训练集合计算得到蓝藻像素特征阈值；

步骤3，视频传感单元201采集待测图像；

步骤4，处理单元202根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域；

步骤5，处理单元202计算该蓝藻区域的面积与该待测图像的面积之比，当其超过一预警阈值时，生成预警信息。

以下详细说明上述步骤的具体实现过程。

步骤501：处理单元202控制视频传感单元201采集待测水域水面图像，作为标本图像，并将标本图像通过通信接口发送至处理单元202。

步骤502：处理单元202对收到的标本图像进行预处理。

如图2C所示，所示为本发明的蓝藻监测装置101的处理单元的结构示意图。处理单元202还包括一预处理模块2024，用于执行对标本图像的预处理。

该预处理包括检测图像亮度以及选择图像的选定区域。所述检测图像亮度是对标本图像进行图像亮度的检测，如果标本图像的亮度低于预设阈值，则不再进行后续处理。所述选定图像处理区域是在标本图像中选取适当的监测区域，即，排除水域岸边或者水域中礁石等干扰因素的影响。由于视频传感单元201的位置相对固定，故而采集到的标本图像基本对应同一区域。因而可通过人工方式，确定干扰因素并予以排除，剩余部分作为选定区域。由于待测图像和标本图像是针对同一位置的图像，故而该选定区域也可用于后续的待测图像。其他类似的预处理方式也在本发明的公开范围内。

处理单元202利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合。该标本蓝藻图像集合中的标本图像的数量比待测图像训练集合中的标本图像的数量少。

步骤503，处理单元202对标本图像的选定区域进行像素特征数据提取。

例如，处理单元202提取每幅标本图像的该选定区域的某些随机选择的像素在RGB颜色空间中的R、G、B分量，和/或，在HIS颜色空间中的H、S分量，作为这些像素的特征数据。

在一实施例中，如果未进行预处理步骤，则处理单元202对标本图像的全部区域进行上述操作。

步骤504，提取标本蓝藻图像集合中的图像的蓝藻像素特征数据和非蓝藻像素特征数据，构建标本训练数据集合。

借助模型构建模块20211人工区分标本蓝藻图像集合中的图像的每个提取像素属于蓝藻区域或是非蓝藻区域。从而得到了蓝藻区域的蓝藻像素特征数据，非蓝藻区域的非蓝藻像素特征数据，为其分配类别标签，以每一个提取像素的数据构成一条像素特征训练数据。该像素特征训练数据的内容包括：类别标签，像素特征数据。该类别标签为蓝藻像素或非蓝藻像素，该像素特征数据为RGB等像素特征值。对所选取的每一幅标本图像进行上述操作，从而得到一拥有多条像素特征训练数据的标本训练数据集合

由于此步骤为人工区分，故而不能支持较大的图像数量，因而标本蓝藻图像集合中的图像数量较少。

步骤505，基于该标本训练数据集合对分类算法模型进行训练，得到蓝藻像素特征分类模型。

该模型构建模块20211基于所述标本训练数据集合对分类算法模型进行训练，得到蓝藻像素特征分类模型。该分类算法包括支持向量机方法、决策树方法或神经网络分类方法，其他分类算法也在本发明的公开范围内。相应的，该模型构建模块20211进一步包括支持向量机方法模块、决策树方法模块或神经网络分类方法模块。

由于基于分类算法模型进行像素分类的运算速度并不高，并且步骤504中的人工操作也存在精度不稳定的风险，需要后续步骤进一步进行运算速度与精度的调整。

步骤506，利用该蓝藻像素特征分类模型，对该待测图像训练集合中的图像的像素的特征数据进行分类，从而得到蓝藻像素特征数据集合和非蓝藻像素特征数据集合。

该步骤中，分类模块20212对待测图像训练集合中的图像的像素进行基于该蓝藻像素特征分类模型的初步分类，将该待测图像训练集合中多幅图像的像素特征数据划分为蓝藻像素特征数据和非蓝藻像素特征数据，并构成集合。由于待测图像训练集合中的图像数量比标本蓝藻图像集合多，故而可得到大量的分类结果，基于该大量分类结果进行后续的阈值计算可大幅提高蓝藻识别的精确度。

步骤507，阈值获取模块20213基于该蓝藻像素特征数据集合和非蓝藻像素特征数据集合，利用最优化算法，计算各像素分量的阈值，作为该蓝藻像素特征阈值。

该最优化算法包括：

将该蓝藻像素特征数据集合和非蓝藻像素特征数据集合的每个像素分量的像素特征数据数值标注在图6所示图表中。图6以R分量为例，如图所示，其中横坐标为像素特征数据的序号(1-n)，纵坐标为像素特征数据的数值，在本例子中即为R分量的数值(0-255)。方形点为蓝藻像素特征数据，圆形点为非蓝藻像素特征数据。

求解y＝T_X

$\max \{\underset{i=1}{\overset{N_z}{\mathrm{\Σ}}}{(T_X-X_{\mathrm{zi}})}^2+\underset{j=1}{\overset{N_{\mathrm{nz}}}{\mathrm{\Σ}}}{(T_X-X_{\mathrm{nzj}})}^2\}$

min(X)≤T_X≤max(X)

其中，X为像素分量(R、G、B、H、S)，T_X为像素分量X的蓝藻像素特征阈值，X_z为蓝藻像素特征数据的像素分量，X_nz为非蓝藻像素特征数据的像素分量，i为该蓝藻像素特征数据集合中的蓝藻像素特征数据的序号，j为该非蓝藻像素特征数据集合中的非蓝藻像素特征数据的序号，N_z为该蓝藻像素特征数据集合中的蓝藻像素特征数据的个数，N_nz为该非蓝藻像素特征数据集合中的非蓝藻像素特征数据的个数，min()和max()分别表示像素分量X的最小值和最大值。

将直线Y＝T_X与纵坐标的交点，即T_X，作为该像素分量R的阈值T_R。重复这一操作，得到特征其他分量的阈值(如T_G，T_B等)。

这一阈值计算步骤在之前的初步分类的基础上进行，通过先分类，再对分类后的数据进行最优化阈值计算的方法可进一步提高阈值计算的准确性，进而提高蓝藻区域划分的准确性。

步骤508，采集待测水域水面图像作为待测图像，图像分割模块2022根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域。

图像分割模块2022依次判断每幅待测图像的每个像素的每个特征分量的数值是否都满足与对应的特征分量阈值之间的大小关系，如果都满足，则认定该像素属于蓝藻区域。其中，如果如图6所示，蓝藻类像素特征在非蓝藻类像素特征的上方，则在像素分量的数值大于该阈值时，认定该像素为蓝藻区域。如果蓝藻类像素特征在非蓝藻类像素特征的下方，则在像素分量的数值小于该阈值时，认定该像素为蓝藻区域。

利用该阈值区分待测图像的蓝藻区域和非蓝藻区域使得本发明的装置的运算速度更快，精度更高。

步骤509，预警模块2023计算该蓝藻区域的面积与该待测图像的选定区域的面积之比作为蓝藻暴发强度信息。

在一实施例中，如果未进行前述预处理步骤，则将计算该蓝藻区域的面积与该待测图像的面积之比作为蓝藻暴发强度信息。

步骤510，预警模块2023从存储单元203读取预警阈值，判断蓝藻暴发强度是否超过预警阈值，如果超过，生成预警信息，如果没超过，不发出预警信息，针对下一幅待测图像继续执行步骤508。步骤508可每隔预订时间采集一幅待测图像。

本发明基于蓝藻暴发强度进行预警信息的生成，将蓝藻暴发强度的具体数量与预警信息进行了关联。

步骤511，预警模块2023将蓝藻暴发强度信息、预警信息组包，传输到通信单元205，最终由通信单元205上报给远程监测中心101，继续执行步骤508，直到远程监测中心101发出结束信号。

预警模块2023可将预警信息以及定位单元204所采集的定位信息一起组包传输给远程监测中心101。预警模块2023还可将蓝藻暴发强度信息、预警信息以及定位单元204所采集的定位信息一起组包传输给远程监测中心101。该蓝藻暴发强度信息为蓝藻区域的面积与该待测图像(该待测图像的选定区域)的面积之比。

本发明基于待测图像，自动实时地对蓝藻进行监测，并根据蓝藻的暴发强度结果进行预警。本发明采用非接触式的图像采集方式，无需实地采集水样，采集设备的维护成本低。在监测装置上实现待测图像采集、处理和暴发强度计算，仅向远程监测中心传输计算结果，无需传递待测图像，降低数据传输量，节省网络通信成本。另外，本发明可将预警信息和对应的蓝藻定位信息一同发送至远程监测中心，便于定位蓝藻暴发位置，为蓝藻打捞的资源调度提供基础资料。

本发明采用人工区分标本图像的每一个提取像素是属于蓝藻区域或非蓝藻区域，从而确定该像素对应的特征数据是蓝藻像素特征数据或非蓝藻像素特征数据，工作量太大，因此所构建的标本训练数据集合不可能太大，基于该数据集合训练得到的蓝藻像素特征分类模型的精度不高，且直接利用该蓝藻像素特征分类模型进行被测图像的像素分类运算速度比较慢。因而，本发明进一步采用待测图像训练集合，增大图像数量，像素特征数据的数量随之增大，蓝藻像素特征分类模型对待测数据训练集合中的图像所提取的像素特征数据进行像素的程序自动分类，其分类结果本身的精度可能不高。故而，本发明又进一步基于大量分类后的结果进行蓝藻像素特征阈值计算，以提高像素分类精度。同时针对正式进行监测的待测图像，采用蓝藻像素特征阈值进行待测图像的像素分类，运算速度更快。

本领域技术人员可知，结合本文中所公开的实施例描述的各例的单元及方法步骤，能够以电子硬件、软件或者二者的结合来实现。对本发明的明显变型或等同替换，仍属于本发明公开的范围。

Claims (10)

1.一种蓝藻监测方法，其特征在于，包括：

标本采集步骤，采集多幅标本图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合；

阈值识别步骤，基于该标本蓝藻图像集合和该待测图像训练集合，计算得到蓝藻像素特征阈值；

待测图像采集步骤，采集待测图像；

图像分割步骤，根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域；

预警步骤，当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息；

其中，该阈值识别步骤进一步包括：

利用该标本蓝藻图像集合中的图像的蓝藻像素特征数据和非蓝藻像素特征数据构建标本训练数据集合；

基于该标本训练数据集合对分类算法模型训练，得到蓝藻像素特征分类模型；

利用该蓝藻像素特征分类模型，对由该待测图像训练集合中的图像的像素的特征数据进行分类，得到蓝藻像素特征数据集合和非蓝藻像素特征数据集合；

基于该蓝藻像素特征数据集合和非蓝藻像素特征数据集合，利用最优化算法，计算各像素分量的阈值，作为该蓝藻像素特征阈值；

该最优化算法包括：

$\max \{\underset{i=1}{\overset{N_z}{\mathrm{\Σ}}}{(T_X-X_{\mathrm{zi}})}^2+\underset{j=1}{\overset{N_{\mathrm{nz}}}{\mathrm{\Σ}}}{(T_x-X_{\mathrm{nzj}})}^2\}$

min(X)≤T_X≤max(X)

其中，X为像素分量,T_X为像素分量X的阈值，X_z为蓝藻像素特征数据的像素分量，X_nz为非蓝藻像素特征数据的像素分量，i为该蓝藻像素特征数据集合中的蓝藻像素特征数据的序号，j为该非蓝藻像素特征数据集合中的非蓝藻像素特征数据的序号，N_z为该蓝藻像素特征数据集合中的蓝藻像素特征数据的个数，N_nz为该非蓝藻像素特征数据集合中的非蓝藻像素特征数据的个数，min（X）和max（X）分别表示像素分量X的最小值和最大值。

2.如权利要求1所述的方法，其特征在于，该分类算法包括支持向量机方法、决策树方法或神经网络分类方法。

3.如权利要求1或2所述的方法，其特征在于，该标本采集步骤与该阈值识别步骤之间还包括预处理步骤，该预处理步骤包括：

检测该标本图像的亮度，对未达到预设亮度阈值的标本图像予以排除；

确定该标本图像中的选定区域；

在该预警步骤中，当该蓝藻区域的面积与该待测图像的该选定区域的面积之比超过预警阈值时，生成该预警信息。

4.如权利要求3所述的方法，其特征在于，预警步骤之后进一步包括检测该待测图像所对应的位置的定位信息，将该定位信息以及该预警信息发送至远程监测中心，或者，将该蓝藻区域的面积与该待测图像的面积之比、该定位信息以及该预警信息发送至远程监测中心。

5.一种蓝藻监测装置，其特征在于，包括：

视频传感单元，用于采集标本图像以及待测图像，利用该标本图像分别组成一标本蓝藻图像集合以及一待测图像训练集合；

处理单元，包括阈值识别模块、图像分割模块和预警模块；

该阈值识别模块用于基于该标本蓝藻图像集合和该待测图像训练集合计算蓝藻像素特征阈值，该图像分割模块用于根据该蓝藻像素特征阈值划分该待测图像的蓝藻区域和非蓝藻区域，该预警模块用于当该蓝藻区域的面积与该待测图像的面积之比超过一预警阈值时，生成预警信息；

其中，该阈值识别模块进一步包括：

模型构建模块，利用该标本蓝藻图像集合中的图像的蓝藻像素特征数据和非蓝藻像素特征数据构建标本训练数据集合，基于该标本训练数据集合对分类算法模型进行训练，得到蓝藻像素特征分类模型；

分类模块，利用该蓝藻像素特征分类模型，对由该待测图像训练集合中的图像的像素的特征数据进行分类，得到蓝藻像素特征数据集合和非蓝藻像素特征数据集合；

阈值获取模块，基于该蓝藻像素特征数据集合和非蓝藻像素特征数据集合，利用最优化算法，计算各像素分量的阈值，作为该蓝藻像素特征阈值；

该最优化算法包括：

$\max \{\underset{i=1}{\overset{N_z}{\mathrm{\Σ}}}{(T_X-X_{\mathrm{zi}})}^2+\underset{j=1}{\overset{N_{\mathrm{nz}}}{\mathrm{\Σ}}}{(T_x-X_{\mathrm{nzj}})}^2\}$

min(X)≤T_X≤max(X)

其中，X为像素分量,T_X为像素分量X的阈值，X_z为蓝藻像素特征数据的像素分量，X_nz为非蓝藻像素特征数据的像素分量，i为该蓝藻像素特征数据集合中的蓝藻像素特征数据的序号，j为该非蓝藻像素特征数据集合中的非蓝藻像素特征数据的序号，N_z为该蓝藻像素特征数据集合中的蓝藻像素特征数据的个数，N_nz为该非蓝藻像素特征数据集合中的非蓝藻像素特征数据的个数，min（X）和max（X）分别表示像素分量X的最小值和最大值。

6.如权利要求5所述的装置，其特征在于，该模型构建模块包括支持向量机方法模块、决策树方法模块或神经网络分类方法模块。

7.如权利要求5或6所述的装置，其特征在于，还包括一预处理单元，用于检测该标本图像的亮度，对未达到预设亮度阈值的标本图像予以排除；确定该标本图像中的选定区域；

该预警模块用于当该蓝藻区域的面积与该待测图像的该选定区域的面积之比超过预警阈值时，生成该预警信息。

8.如权利要求7所述的装置，其特征在于，还包括一定位单元以及一通信单元，该定位单元用于检测该装置的定位信息，该通信单元用于将该定位信息以及该预警信息发送至一远程监测中心，或者，将该蓝藻区域的面积与该待测图像的面积之比、该定位信息以及该预警信息发送至一远程监测中心。

9.如权利要求5所述的装置，其特征在于，该视频传感单元包括视频传感控制器、CCD数码相机和云台；

该CCD数码相机用于采集该标本图像以及待测图像；

该云台接收来自视频传感控制器的控制命令，调整该CCD数码相机角度与方位；

该视频传感控制器连接该CCD数码相机和该云台，用于发出控制命令控制该CCD数码相机的拍摄参数，以及控制该云台的角度与方位。

10.如权利要求5所述的装置，其特征在于，该视频传感单元位于被测水面上方3-5米。

Images