CN102592140A - 一种蓝藻水华状态监测方法 - Google Patents
一种蓝藻水华状态监测方法 Download PDFInfo
- Publication number
- CN102592140A CN102592140A CN2012100006174A CN201210000617A CN102592140A CN 102592140 A CN102592140 A CN 102592140A CN 2012100006174 A CN2012100006174 A CN 2012100006174A CN 201210000617 A CN201210000617 A CN 201210000617A CN 102592140 A CN102592140 A CN 102592140A
- Authority
- CN
- China
- Prior art keywords
- img
- gif
- image
- format
- portrait
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种蓝藻水华状态监测方法计算机通过外接监控设备,定时从监测水体获得图像样本;计算机对图像预处理,消除噪声信息的影响;提取特征向量,利用K-means算法对图像进行分类;得出蓝藻水华状态信息;图像的判别结果存储在与计算机相连的存储器中,作为历史数据。将聚类分析应用到水面状态监测中,从而得出蓝藻水华的信息。针对光照对于图像的影响,采用HSV彩色空间,排除了V分量,有效的提高了判别的精确度。本发明具有成本低,实时性好,可信度高的优点。
Description
技术领域
本发明涉及一种检测技术,特别涉及一种蓝藻水华状态监测方法。
背景技术
随着经济的发展,水污染的加重,湖面富营养化现象日趋加剧。我国几乎每年夏天均有蓝藻水华爆发,蓝藻水华的频繁发生,严重影响了周边居民的日常生活。2007年无锡太湖梅梁湾水域爆发大面积蓝藻水华,直接导致了无锡自来水臭水事件,居民停止供水十余天。因此及时识别水面蓝藻水华状态信息,为蓝藻水华爆发建立应急措施尤为迫切。
目前,国内外对于蓝藻水华的监测主要是利用显微图像和遥感图像。
显微图像一般是利用显微镜获得水体的微观图像,可以对水体中的藻类进行分类和识别。但实验条件复杂,系统设备成本高,实时性有限。
采用遥感图像对蓝藻进行监测,主要是通过分析监测水体反射和吸收太阳辐射能形成的光谱特征,对湖泊富营养空间分布以及动态信息进行定位和评价。由于卫星分辨率以及轨道限制,所获得的地理和时间信息精确度都有限。
发明内容
本发明是针对现在蓝藻水华的监测实时性有限的问题,提出了一种蓝藻水华状态监测方法,通过对水体图像的实时处理和分析,能有效的获得蓝藻水华的爆发信息,对于制定水华应急预案具有重要的参考价值。
本发明的技术方案为:一种蓝藻水华状态监测方法,具体方法包括如下步骤:
1)计算机通过外接监控设备,定时从监测水体获得图像样本;
2)计算机对图像预处理,消除噪声信息的影响;
3)提取特征向量,利用K-means算法对图像进行分类;
4)得出蓝藻水华状态信息;
5)图像的判别结果存储在与计算机相连的存储器中,作为历史数据。
所述图像预处理步骤主要包括高斯平滑滤波和彩色空间转换,彩色空间转换为将计算机默认的RGB彩色图像格式转换为HSV色度、饱和度、数值彩色空间图像格式。
所述提取特征向量具体步骤包括:对HSV图像进行通道分离,然后对H和S通道分别计算特征向量值,V通道代表光照不作为特征分量处理, H和S的计算公式如下:
假设图像大小为M*N ,将图像分成子图像,子图像大小为a*a,子图像个数为n (n= ), 是子图像的H通道平均像素值,n是子图像的个数,是色度阈值, 是最终要求得的色度特征向量值,是子图像S通道平均像素值,是饱和度阈值, 是最终求得的饱和度特征向量值。
所述利用K-means算法对图像进行分类,具体包括:样本采集,采集多幅蓝藻水华样本图像和正常水体图像,利用样本图像建立样本库;利用K-means对样本进行聚类分析,对正常水体样本以及蓝藻样本类别进行编号;将实时采集到的样本图像加入到已有的样本库中,进行聚类分析,由此得到实时样本的分类类别,根据类别数可以得出判别结果。
所述K-means算法具体步骤包括:分配聚类类别个数K;对K个聚类中心进行初始化;按照平均值,重复计算每个聚类的聚类中心,直到聚类中心不变,得出判别结果。
本发明的有益效果在于:本发明蓝藻水华状态监测方法,将聚类分析应用到水面状态监测中,从而得出蓝藻水华的信息。针对光照对于图像的影响,采用HSV彩色空间,排除了V分量,有效的提高了判别的精确度。本发明具有成本低,实时性好,可信度高的优点。
附图说明
图1为本发明蓝藻水华状态监测系统结构示意图;
图2为本发明蓝藻水华状态监测流程图。
具体实施方式
蓝藻水华状态监测方法如下:
(1)如图1所示计算机2通过外接监控设备1(监控设备可以是监控摄像头或者CCD数码相机等),定时从监测水体获得图像样本;
(2)如图2所示流程图计算机2对图像预处理,消除噪声信息的影响;
(3)提取特征向量,利用K-means算法对图像进行分类;
(4)得出蓝藻水华状态信息;
(5)图像的判别结果存储在与计算机2相连的存储器3中,作为历史数据。
图像预处理步骤主要包括高斯平滑滤波和彩色空间转换。高斯平滑滤波用于消除图像的噪声和细节信息,可以提高特征提取的有效率。
计算机2中默认的彩色图像格式是RGB,但HSV(色度,饱和度,数值)彩色空间比RGB系统更接近于人们的经验和对彩色的感知,而且适合此处特征分量的提取,因此,需要进行彩色空间转换。
利用K-means算法对样本图像进行分类,具体包括:样本采集,采集多幅蓝藻水华样本图像和正常水体图像,利用样本图像建立样本库;利用K-means对样本进行聚类分析,对正常水体样本以及蓝藻样本类别进行编号;将实时采集到的样本图像加入到已有的样本库中,进行聚类分析,由此得到实时样本的分类类别,根据类别数可以得出判别结果。
随着样本的实时采集,样本库中的样本会逐渐增多,需要对样本进行定时删除。设定样本数阈值,超过样本阈值时,对样本中的正常水体和蓝藻样本进行删除。
K-means算法具体步骤包括:分配聚类类别个数K;对K个聚类中心进行初始化;按照平均值,重复计算每个聚类的聚类中心,直到聚类中心不变,得出判别结果。
提取特征向量具体步骤包括:对HSV图像进行通道分离,然后对H和S通道分别计算特征向量值。V通道代表光照,受天气影响比较大,在这不作为特征向量处理,这样可以排除光照对于判别结果的影响。H和S的计算公式如下:
Claims (5)
1.一种蓝藻水华状态监测方法,其特征在于,具体方法包括如下步骤:
1)计算机通过外接监控设备,定时从监测水体获得图像样本;
2)计算机对图像预处理,消除噪声信息的影响;
3)提取特征向量,利用K-means算法对图像进行分类;
4)得出蓝藻水华状态信息;
5)图像的判别结果存储在磁盘存储器中。
2.根据权利要求1所述蓝藻水华状态监测方法,其特征在于,所述图像预处理步骤主要包括高斯平滑滤波和彩色空间转换,彩色空间转换为将计算机默认的RGB彩色图像格式转换为HSV色度、饱和度、数值彩色空间图像格式。
4.根据权利要求1所述述蓝藻水华状态监测方法,其特征在于,所述利用K-means算法对图像进行分类,具体包括:样本采集,采集多幅蓝藻水华样本图像和正常水体图像,利用样本图像建立样本库;利用K-means对样本进行聚类分析,对正常水体样本以及蓝藻样本类别进行编号;将实时采集到的样本图像加入到已有的样本库中,进行聚类分析,由此得到实时样本的分类类别,根据类别数可以得出判别结果。
5.根据权利要求1所述述蓝藻水华状态监测方法,其特征在于,所述K-means算法具体步骤包括:分配聚类类别个数K;对K个聚类中心进行初始化;按照平均值,重复计算每个聚类的聚类中心,直到聚类中心不变,得出判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100006174A CN102592140A (zh) | 2012-01-04 | 2012-01-04 | 一种蓝藻水华状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100006174A CN102592140A (zh) | 2012-01-04 | 2012-01-04 | 一种蓝藻水华状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102592140A true CN102592140A (zh) | 2012-07-18 |
Family
ID=46480750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100006174A Pending CN102592140A (zh) | 2012-01-04 | 2012-01-04 | 一种蓝藻水华状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102592140A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150576A (zh) * | 2013-03-19 | 2013-06-12 | 上海理工大学 | 蓝藻水华状态监测方法 |
CN103198325A (zh) * | 2013-03-19 | 2013-07-10 | 上海理工大学 | 蓝藻水华监测系统 |
CN105738364A (zh) * | 2015-12-28 | 2016-07-06 | 清华大学深圳研究生院 | 基于图像处理的硅橡胶表面藻类生长程度测量方法及装置 |
CN108982794A (zh) * | 2018-07-13 | 2018-12-11 | 中国科学院南京地理与湖泊研究所 | 一种基于数码高清图像的蓝藻水华监测方法和系统 |
CN110146675A (zh) * | 2019-05-31 | 2019-08-20 | 甘肃省祁连山水源涵养林研究院 | 一种水文信息监测系统 |
CN111122816A (zh) * | 2019-12-30 | 2020-05-08 | 重庆商勤科技有限公司 | 基于在线监测与图像识别相结合的水华预警系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770644A (zh) * | 2010-01-19 | 2010-07-07 | 浙江林学院 | 森林火灾远程视频监控烟火识别方法 |
CN102184420A (zh) * | 2011-04-18 | 2011-09-14 | 四川大学 | 一种免疫组化数字图像处理方法 |
-
2012
- 2012-01-04 CN CN2012100006174A patent/CN102592140A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770644A (zh) * | 2010-01-19 | 2010-07-07 | 浙江林学院 | 森林火灾远程视频监控烟火识别方法 |
CN102184420A (zh) * | 2011-04-18 | 2011-09-14 | 四川大学 | 一种免疫组化数字图像处理方法 |
Non-Patent Citations (2)
Title |
---|
李海芳,王莉: "《基于空间直方图的免疫图像聚类算法研究》", 《计算机工程与设计》 * |
汪建,杜世平: "《基于颜色和形状的茶叶计算机识别研究》", 《茶叶科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150576A (zh) * | 2013-03-19 | 2013-06-12 | 上海理工大学 | 蓝藻水华状态监测方法 |
CN103198325A (zh) * | 2013-03-19 | 2013-07-10 | 上海理工大学 | 蓝藻水华监测系统 |
CN105738364A (zh) * | 2015-12-28 | 2016-07-06 | 清华大学深圳研究生院 | 基于图像处理的硅橡胶表面藻类生长程度测量方法及装置 |
CN105738364B (zh) * | 2015-12-28 | 2018-08-17 | 清华大学深圳研究生院 | 基于图像处理的硅橡胶表面藻类生长程度测量方法及装置 |
CN108982794A (zh) * | 2018-07-13 | 2018-12-11 | 中国科学院南京地理与湖泊研究所 | 一种基于数码高清图像的蓝藻水华监测方法和系统 |
CN108982794B (zh) * | 2018-07-13 | 2020-09-04 | 中国科学院南京地理与湖泊研究所 | 一种基于数码高清图像的蓝藻水华监测方法和系统 |
CN110146675A (zh) * | 2019-05-31 | 2019-08-20 | 甘肃省祁连山水源涵养林研究院 | 一种水文信息监测系统 |
CN111122816A (zh) * | 2019-12-30 | 2020-05-08 | 重庆商勤科技有限公司 | 基于在线监测与图像识别相结合的水华预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chakma et al. | Image-based air quality analysis using deep convolutional neural network | |
CN107316007B (zh) | 一种基于深度学习的监控图像多类物体检测与识别方法 | |
CN102592140A (zh) | 一种蓝藻水华状态监测方法 | |
CN104112370B (zh) | 基于监控图像的停车场智能车位识别方法及系统 | |
CN102855622B (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN102496157A (zh) | 基于高斯多尺度变换及颜色复杂度的图像检测方法 | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及系统 | |
CN108986158A (zh) | 一种基于目标再识别的跨场景追踪方法和装置及计算机视觉平台 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN102147920A (zh) | 高分辨率遥感影像中的阴影检测方法 | |
CN102750683B (zh) | Modis遥感影像中海面条带噪声和条状云的过滤方法 | |
CN108764154A (zh) | 一种基于多特征机器学习的水面垃圾识别方法 | |
CN104036250A (zh) | 视频行人检测与跟踪方法 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN105404859A (zh) | 一种基于池化车辆图片原始特征的车型识别方法 | |
CN110288623A (zh) | 无人机海上网箱养殖巡检图像的数据压缩方法 | |
CN103150575A (zh) | 一种实时三维无标记人体姿态识别方法及系统 | |
CN113486712B (zh) | 一种基于深度学习的多人脸识别方法、系统和介质 | |
CN103150576A (zh) | 蓝藻水华状态监测方法 | |
CN106960193A (zh) | 一种车道线检测装置和方法 | |
CN114359578A (zh) | 病虫害识别智能终端应用方法及系统 | |
CN103824058A (zh) | 基于局部分布式线性嵌套算法的人脸识别系统及方法 | |
CN112258552A (zh) | 一种社区监控场景下行人多目标跟踪方法 | |
Guanghui et al. | An artificial landmark design based on mobile robot localization and navigation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120718 |
|
WD01 | Invention patent application deemed withdrawn after publication |