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 PDF

Info

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
Application number
CN2012100006174A
Other languages
English (en)
Inventor
杨旭
徐姗姗
宋彦斌
卫耀辉
张颖
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for 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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN2012100006174A priority Critical patent/CN102592140A/zh
Publication of CN102592140A publication Critical patent/CN102592140A/zh
Pending legal-status Critical Current

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

一种蓝藻水华状态监测方法
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：
Figure 549557DEST_PATH_IMAGE002
=
Figure 258887DEST_PATH_IMAGE004
, 
Figure 209526DEST_PATH_IMAGE006
=
Figure 29714DEST_PATH_IMAGE008
(
Figure 382198DEST_PATH_IMAGE010
<)；
Figure 760965DEST_PATH_IMAGE012
=
Figure 198899DEST_PATH_IMAGE014
, 
Figure 2012100006174100002DEST_PATH_IMAGE016
=
Figure 2012100006174100002DEST_PATH_IMAGE018
 (
Figure 494882DEST_PATH_IMAGE016
>
Figure 2012100006174100002DEST_PATH_IMAGE020
)，
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= ), 
Figure 347213DEST_PATH_IMAGE006
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， 
Figure 398345DEST_PATH_IMAGE002
是最终要求得的色度特征向量值，
Figure 323576DEST_PATH_IMAGE016
是子图像S通道平均像素值，
Figure 485567DEST_PATH_IMAGE020
是饱和度阈值, 
Figure 547064DEST_PATH_IMAGE012
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
Figure 769098DEST_PATH_IMAGE024
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：
Figure 181625DEST_PATH_IMAGE002
=
Figure 645842DEST_PATH_IMAGE004
, 
Figure 827424DEST_PATH_IMAGE006
=
Figure 954780DEST_PATH_IMAGE008
(
Figure 854603DEST_PATH_IMAGE010
<)；
Figure 358397DEST_PATH_IMAGE012
=
Figure 660065DEST_PATH_IMAGE014
, 
Figure 958323DEST_PATH_IMAGE016
=
Figure 345442DEST_PATH_IMAGE018
 (
Figure 151461DEST_PATH_IMAGE016
>
Figure 42057DEST_PATH_IMAGE020
)，
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= ), 
Figure 323314DEST_PATH_IMAGE006
是子图像的H通道平均像素值，n是子图像的个数，
Figure 434489DEST_PATH_IMAGE024
是色度阈值， 
Figure 881389DEST_PATH_IMAGE002
是最终要求得的色度特征向量值。i，j代表图像像素坐标， 
Figure 849345DEST_PATH_IMAGE016
是子图像S通道平均像素值，
Figure 883160DEST_PATH_IMAGE020
是饱和度阈值, 
Figure 532447DEST_PATH_IMAGE012
是最终求得的饱和度特征向量值。通过阈值
Figure 397635DEST_PATH_IMAGE024
和的设定，可以排除一些水面杂物的干扰，如白色塑料袋。

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。
3.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：
Figure 237835DEST_PATH_IMAGE002
=
Figure 844397DEST_PATH_IMAGE004
, =
Figure 529774DEST_PATH_IMAGE008
(<
Figure 226389DEST_PATH_IMAGE012
)；
Figure 2012100006174100001DEST_PATH_IMAGE014
=
Figure 2012100006174100001DEST_PATH_IMAGE016
, 
Figure 2012100006174100001DEST_PATH_IMAGE018
=
Figure 2012100006174100001DEST_PATH_IMAGE020
 (
Figure 531599DEST_PATH_IMAGE018
>)，
假设原图像大小为M*N ,将原图像分成子图像，子图像大小为a*a，子图像个数为n (n=
Figure 2012100006174100001DEST_PATH_IMAGE024
), 
Figure 147126DEST_PATH_IMAGE006
是子图像的H通道平均像素值，n是子图像的个数，
Figure 359933DEST_PATH_IMAGE012
是色度阈值，
Figure 3404DEST_PATH_IMAGE002
是最终要求得的色度特征向量值，
Figure 276253DEST_PATH_IMAGE018
是子图像S通道平均像素值，
Figure 5175DEST_PATH_IMAGE022
是饱和度阈值, 
Figure 21672DEST_PATH_IMAGE014
是最终求得的饱和度特征向量值。
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。
CN2012100006174A 2012-01-04 2012-01-04 一种蓝藻水华状态监测方法 Pending CN102592140A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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