CN103324951B - 一种多元异构水环境监测数据评价与预警方法 - Google Patents

Abstract

一种多元异构水环境监测数据评价与预警方法，属于水质信息处理领域。移动目标提取中使用背景减除的方法，在每个像素点设置帧数计数器，当像素点判定为前景点时帧数计数器加1，当大于某一设定阈值时，将该像素点灰度值作为背景点灰度值，提取的前景点像素点数占全部像素点数百分比为移动目标特征参数；水面主体特征参数提取将图像分成16×16宏块，将像素点个数最多的灰度级占全部像素百分比超过40%的宏块选出，统计备选宏块最多的区间，将区间内所有宏块灰度平均值作为水面主题区域特征参数。其次将两种特征参数和传感器采集的水质属性数据作为特征向量，建立特征向量和水环境安全等级的关系。本发明在背景剧烈变化时能检测出运动目标。

Description

一种多元异构水环境监测数据评价与预警方法

技术领域

本发明涉及一种利用支持向量机对多元异构水环境监测数据评价与预警的方法。

背景技术

水环境监测体系的建设，是保护水源地和干渠水质的重要手段，对缓解水资源危机，改善受水区生态环境，促进水源地生态文明建设具有重要战略意义。

我国水环境质量评价起步较晚，20世纪90年代后各种数学方法的广泛应用使得水质评价得到进一步发展。目前现有的水环境自动监测系统，水质评价主要以单纯的针对水质多属性值进行建模分类，BP模型是水质评价最常用的人工神经网络，利用最陡坡降法，把误差函数最小化，并调整人工神经元网格相应连接权，直到网络误差最小化。视频监控只是相对独立的监测现场环境的安全，主要是通过监测移动目标来检测当前水环境安全状况，在目标检测中关于背景的获取与更新方面，自适应背景模型估计算法适用于摄像机静止的情形，此方法是对背景图像中的每一个像素点建立分布模型，并且随着时间推移对模型参数进行更新，根据运动目标像素的分布不符合背景像素分布模型的特点，可以检测出运动目标。单高斯背景模型法是背景消减法中的一种，它是利用当前图像与背景图像的差分来检测出运动区域的一种运动目标检测方法，在背景更新的过程中，只是对被判断为背景的像素点进行了更新，而被判为前景的像素点则不参与背景模型的更新，导致对由静止变为运动或运动变为静止的物体检测有误，安全性能不高。于此同时，水质分析评价与现场环境安全彼此独立，各种数据资源没有充分整合和深度开发，不能满足当前水环境安全监测的要求。

本发明设计了一种多元异构水环境监测数据评价与预警方法，将多属性值的水质数据和视频监控数据有效融合，能够在背景剧烈变化时能很好的检测出运动目标，具有自动化和智能化的特点。

发明内容

本发明的目的在于，将以水环境视频影像数据和多属性水质数据为主的异构数据进行有效的结合，设计了适应复杂环境的运动目标提取算法，将基于支持向量机的分类算法引入异构数据的分析评价中，完成对水环境安全评估，达到智能数据处理和全面监测预警的目的。

多元异构水环境监测数据评价与预警的方法，本发明采取的技术方案为：

网络摄像机采集现场环境视频图像数据，传感器采集多属性水质监测数据，形成异构数据，从视频图像中提取移动目标特征参数，与水质各属性值组成特征向量，利用支持向量机，即SupportingVectorMachine,SVM进行分类器模型搭建，建立异构数据与水环境安全等级对应关系，对当前水环境安全等级进行预判。

在本发明所述的移动目标特征参数提取，其特征在于，包括下述步骤：

步骤一：读取前M帧图像F_T(x,y)(T=1,2,……，M)，(x,y)表示图像中像素点的坐标，F_T(x,y)表示像素点的灰度值。

步骤二：为滤除高频噪声，对前M帧图像F_T(x,y)(T=1,2,……，M)进行中值滤波处理，采用二维方形窗口，运算如下所示：

$F_T^{\′}(x,y)=M{\mathrm{edianF}}_T(x,y)---\left(1\right)$

Median()函数将窗口中的每一个像素点的灰度值进行排序，位于中间的数值作为输出

步骤三：计算该M帧图像中每一像素点的平均亮度μ₀(x,y)和亮度方差，计算如下所示：

${\mathrm{\μ}}_0(x,y)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}{F}_i(x,y)---\left(2\right)$

${\mathrm{\σ}}_0^2(x,y)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}{[F_i(x,y)-{\mathrm{\μ}}_1(x,y)]}^2---\left(3\right)$

μ₀(x,y)表示像素点(x,y)处的灰度均值，表示像素点(x,y)处的灰度方差。由μ₀(x,y)和组成具有高斯分布的图像B₀(x,y)作为初始背景图像，同时为背景图像B₀(x,y)每一个像素点(x,y)设置一个图像帧数累计计数器C(x,y)，初始值都为0。

步骤四：当背景图像初始化完成之后，读取第T帧图像F_T(x,y)(T>M)，设此时的背景图像为B_T(x,y)，其平均亮度为μ_T(x,y)亮度方差为，按照公式（1）对图像F_T(x,y)进行中值滤波处理得到F＇_T(x,y)，对F＇_T(x,y)和B_T(x,y)中的亮度均值μ_T(x,y)进行差分运算，得到差分图像D_T(x,y)，运算如下所示：

$D_T(x,y)=|F_T^{\′}(x,y)-{\mathrm{\μ}}_T(x,y)|---\left(4\right)$

D_T(x,y)为图像F＇_T(x,y)和μ_T(x,y)差值的绝对值

步骤五对差分图像D_T(x,y)进行前景点与背景点分离，计算过程如下所示：

式中 ${\mathrm{\σ}}_T(x,y)=\sqrt{{\mathrm{\σ}}_T^2(x,y)}$

新得到的差分图像D＇_T(x,y)中，灰度值为0的像素点对应当前帧图像F＇_T(x,y)与背景图像B_T(x,y)间没有发生变化的地方，灰度值为254的像素点是当前帧图像F＇_T(x,y)与背景图像B_T(x,y)间发生变化的地方，这是由于目标运动产生的。计算出灰度值为254的像素点数占整幅图像总像素点数的百分比V_T作为该第T帧图像F_T(x,y)移动目标特征向量。

于此同时，所有灰度值为254的像素点(x,y)对应的累计计数器C(x,y)加1，所有灰度值为0的像素点(x,y)对应的累计计数器C(x,y)置为0

步骤六：背景更新：在背景图像B_T(x,y)中，累计计数器C(x,y)为0的像素点(x,y)相对应的B_T(x,y)采取如下计算：

${\mathrm{\μ}}_{T+1}(x,y)=(1-\mathrm{\α})\·{\mathrm{\μ}}_T(x,y)+\mathrm{\α}\·F_T^{\′}(x,y)---\left(6\right)$

${\mathrm{\σ}}_{T+1}^2(x,y)=(1-\mathrm{\α})\·{\mathrm{\σ}}_T^2(x,y)+\mathrm{\α}\·{[F_T^{\′}(x,y)-{\mathrm{\μ}}_T(x,y)]}^2---\left(7\right)$

其中α为常数，表示更新率，α∈[0,1]

累计计数器C(x,y)不为0的像素点(x,y)，相对应的B_T(x,y)采取如下计算：

${\mathrm{\σ}}_{T+1}^2(x,y)={\mathrm{\σ}}_T^2(x,y)---\left(9\right)$

其中NUM为常数，NUM∈[50,300].

由μ_T+1(x,y)、构成新的背景图像B_T+1(x,y)

步骤七：重复步骤四、五、六，直到所有的图像处理完毕。将每幅图像F_T(x,y)处理完成后输出的该图像的移动目标特征向量V_T组成一个向量组作为水环境安全评价的一组特征向量。

本发明还可以包括从视频图像中提取水面主体特征参数，所述的水面主体特征参数提取，其特征在于，包括下述步骤：

步骤一：读取第K幅副图像F_K(x,y)(K=1,2,……)，(x,y)表示图像中像素点的坐标，F_K(x,y)表示像素点的灰度值，按照像素点分割为16×16大小的宏块。

步骤二：对于每一个宏块，利用灰度直方图计算出各个灰度级的像素点个数。

步骤三：计算像素点个数最多的灰度级占全部像素点的百分比，如果超过40%则认定该宏块纹理平坦，作为备选宏块，并记录下该宏块中像素点个数最多的灰度级。

步骤四：将该幅图像中所有的备选宏块找出，按照灰度级0-255分为N个区间，N∈[3,6]，按照备选宏块中记录的像素点个数最多的灰度级，统计N个区间内备选宏块的个数，选出个数最多的区间，那么该区间内所有宏块组成的区域为水面主体区域，并计算出该区间内所有宏块的灰度平均值Y_K，作为第K幅图像的水面主体特征向量。

步骤五：重复步骤一、二、三、四，直到所有的图像处理完毕。将每幅图像处理完成后输出的该图像的水面主体特征向量Y_K组成一个向量组作为水环境安全评价的另一组特征向量。

作为监测移动目标的补充，利用统计出现次数最多的灰度级的个数可以快速找到水面主体的位置，通过计算备选宏块的灰度均值不仅可以监测水体颜色的变化，更可以在水面有静止的漂浮物体的情况下保持较好的准确性。

本发明所述的SVM分类器模型的搭建，其特征在于所述的支持向量机核函数的选择，采用高斯径向基核函数解决数据非线性问题。

采用SVM分类器在理论上可以得到全局最优的解析解，对于水质安全分类评价中各个特征向量值的非线性问题，高斯径向基核函数形式简单，鲁棒性强，能够把非线性的样本映射到更高维的特征空间中，参数数目少，在较少的时间下可以获得比较高的准确性。

附图说明

图1移动目标特征参数提取流程图

图2背景图像结构图

图3初始化完成后的背景图像结构图

图4差分图像结构图

图5输出的差分图像结构图

图6更新后的背景图像结构图

图7宏块分割后的原始图像

图8标出备选宏块后的图像

图9标出水面主体区域后的图像

图10原始采集的第100帧图像

图11原始采集的第160帧图像

图12原始采集的第220帧图像

图13单高斯背景算法提取的第100帧图像

图14单高斯背景算法提取的第160帧图像

图15单高斯背景算法提取的第220帧图像

图16本发明算法提取的第100帧图像

图17本发明算法提取的第160帧图像

图18本发明算法提取的第220帧图像

具体实施方式

本发明中通过网络摄像机采集到的视频格式为mpeg视频图像，分辨率为640×480，帧率为30帧每秒，以下结合附图对本发明进一步详细阐述。

本发明的具体实施步骤如下：

第一步：将网络摄像机采集的视频数据和传感器采集的各个属性值存储在数据库中。视频为mpeg格式的视频图像，分辨率为640×480，帧率为30帧每秒。

第二步：提取移动目标特征参数，具体流程如图1所示，首先初始化背景图像，格式如图2所示，背景图像与采集的视频图像分辨率一致，每个像素点有三个值，分别是灰度均值μ，灰度方差σ2和图像帧数计数器C，初始值都为0.

第三步：从数据库中提取前10帧图像F_T(x,y)(T=1,2,……，10)，(x,y)表示图像中像素点的坐标，F_T(x,y)表示像素点的灰度值。对每幅图像分别进行中值滤波处理，采用二维方形窗口（本例中采用的是3×3），运算如下所示：

$F_T^{\′}(x,y)=M{\mathrm{edianF}}_T(x,y)---\left(1\right)$

Median()函数将窗口中的每一个像素点的灰度值进行排序，位于中间的数值作为输出，例如Median(2,1,5,7,12)=Median(1,2,5,7,12)=5

第四步：计算该10帧图像中每一像素点的平均亮度μ₀(x,y)和亮度方差，计算如下所示：

${\mathrm{\μ}}_0(x,y)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}{F}_i(x,y)---\left(2\right)$

${\mathrm{\σ}}_0^2(x,y)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}{[F_i(x,y)-{\mathrm{\μ}}_1(x,y)]}^2---\left(3\right)$

μ₀(x,y)表示像素点(x,y)处的灰度均值，表示像素点(x,y)处的灰度方差。由μ₀(x,y)和组成具有高斯分布的图像B₀(x,y)作为初始背景图像，同时为背景图像B₀(x,y)每一个像素点(x,y)设置一个图像帧数累计计数器C(x,y)，初始值为0。计算完成后的得到B₀(x,y)如图3所示。

第五步：当背景图像初始化完成之后，读取第T帧图像F_T(x,y)(T>10)，设此时的背景图像为B_T(x,y)，其平均亮度为μ_T(x,y)亮度方差为，按照公式（1）对图像F_T(x,y)进行中值滤波处理得到F＇_T(x,y)，对两帧图像F＇_T(x,y)和背景图像B_T(x,y)中的亮度均值μ_T(x,y)进行差分运算，得到差分图像D_T(x,y)（如图4所示），运算如下所示：

$D_T(x,y)=|F_T^{\′}(x,y)-{\mathrm{\μ}}_T(x,y)|---\left(4\right)$

D_T(x,y)为图像F＇_T(x,y)和μ_T(x,y)差值的绝对值

第六步：对差分图像D_T(x,y)进行前景点与背景点分离，计算过程如下所示：

式中 ${\mathrm{\σ}}_T(x,y)=\sqrt{{\mathrm{\σ}}_T^2(x,y)}$

新得到的差分图像D＇_T(x,y)中，灰度值为0的像素点对应当前帧图像B_T(x,y)与背景图像B_T(x,y)间没有发生变化的地方，灰度值为254的像素点是当前帧图像B_T(x,y)与背景图像B_T(x,y)间发生变化的地方，这是由于目标运动产生的。计算出灰度值为254的像素点数占整幅图像总像素点数的百分比V_T作为该第T帧图像F_T(x,y)移动目标特征向量。由图4进行前景点与背景点分离之后得到的结果如图5所示，灰度值为254的像素点数为3，占整幅图像总像素点数的25%，那么该幅图像的移动目标特征向量为0.25.

于此同时，所有灰度值为254的像素点(x,y)对应的累计计数器C(x,y)加1，所有灰度值为0的像素点(x,y)对应的累计计数器C(x,y)置为0

第七步：背景更新，在背景图像B_T(x,y)中，累计计数器C(x,y)为0的像素点(x,y)相对应的B_T(x,y)采取如下计算：

${\mathrm{\μ}}_{T+1}(x,y)=(1-\mathrm{\α})\·{\mathrm{\μ}}_T(x,y)+\mathrm{\α}\·F_T^{\′}(x,y)---\left(6\right)$

${\mathrm{\σ}}_{T+1}^2(x,y)=(1-\mathrm{\α})\·{\mathrm{\σ}}_T^2(x,y)+\mathrm{\α}\·{[F_T^{\′}(x,y)-{\mathrm{\μ}}_T(x,y)]}^2---\left(7\right)$

其中α为常数，表示更新率，α∈[0,1]，本例中α=0.5

累计计数器C(x,y)不为0的像素点(x,y)，相对应的B_T(x,y)采取如下计算：

${\mathrm{\σ}}_{T+1}^2(x,y)={\mathrm{\σ}}_T^2(x,y)---\left(9\right)$

其中NUM为常数，本例中NUM=100.

由μ_T+1(x,y)、构成新的背景图像B_T+1(x,y)

设图3为原背景图像B_T(x,y)，那么经过背景更新之后生成的新的背景图像如图6所示，所有判定为背景点的μ_T(x,y)和都按照公式（6）（7）进行更新，图像帧数累计计数器清0，所有判定为前景点像素点，图像帧数累计计数器加1之后都没有超过100，所以μ_T(x,y)和不进行更新。

第八步：重复第五、第六、第七步，直到所有的图像处理完毕。将每幅图像F_T(x,y)处理完成后输出的该图像的移动目标特征向量V_T组成一个向量组作为水环境安全评价的一组特征向量。本例中以300帧图片作为一组进行移动目标特征参数提取。至此移动目标特征向量提取完毕。

第九步：提取水面主体特征参数，从数据库中读取第K幅副图像F_K(x,y)(K=1,2,……)，(x,y)表示图像中像素点的坐标，F_K(x,y)表示像素点的灰度值，按照像素点分割为16×16大小的宏块，如图7所示。

第十步：对于每一个宏块，利用灰度直方图计算出各个灰度级的像素点个数。

第十一步：计算像素点个数最多的灰度级占全部像素点的百分比，如果超过40%则认定该宏块纹理平坦，作为备选宏块，并记录下该宏块中像素点个数最多的灰度级。以表1为例，六个宏块中每个宏块个数最多的灰度级所占全部像素百分比已经全部列出，有4个宏块超过40%，该4个宏块作为备选宏块，如图8所示。

表1宏块灰度级统计表

第十二步：将该幅图像中所有的备选宏块找出，按照灰度级0-255分为4个区间，即0-63、64-127、128-191、192-255，按照备选宏块中记录的像素点个数最多的灰度级，统计4个区间内备选宏块的个数，选出个数最多的区间，那么该区间内所有宏块组成的区域为水面主体区域，并计算出该区间内所有宏块的灰度平均值Y_K，作为第K幅图像的水面主体特征向量。

表2备选宏块统计表

表2所示的是图8中4个备选宏块按灰度区间个数统计的结果，可以看出区间128-191内宏块个数最多，那么这三个宏块表示的就是水面主体区域，如图9所示。同时计算这三个宏块的灰度平均值为144，则该幅图像的水面主体特征向量为144.

第十三步：重复第九步到第十二步，直到所有的图像处理完毕。将每幅图像处理完成后输出的该图像的水面主体特征向量Y_T组成一个向量组作为水环境安全评价的另一组特征向量。本例中以300帧图片作为一组进行水面主体特征参数。至此水面主体特征向量提取完毕。

第十四步：必须选择同一时间段内视频图像和水质监测数据，提取移动目标特征向量和水面主体特征向量，与水质监测数据中的各个属性值作为SVM分类的输入部分。分别选取等级为安全、低危险和高危险三种情况下的视频图像数据和水质监测数据训练集各500组，每组有30个移动目标特征向量，30个水面主体特征向量和20种水质属性值构成，对SVM分类器进行训练，核函数采用的是高斯径向基核函数，形式为K(||x-x_c||)=exp(-||x-x_c||²/2σ²)，x_c为核函数中心，σ为函数的宽度参数，通过不断调整x_c和σ使得分类的正确率达到最大值，本例中x_c=350，σ=0.4。

第十五步：SVM分类器训练完成之后就可以进行分类选择，将同一时间内的移动目标特征向量，水面主体特征向量和20种水质属性值输入分类器，根据输出的等级结果对当前环境安全进行判别，完成分析与预警的功能。

实验结果：

在实验中对本发明中提出的移动目标特征向量提取进行了检验，所有实验在配置为Intel(R)Pentium(R)4CPU3.00GHz2.99GHz,1.00GB内存的PC机上独立执行。在静止物体突然开始运动的情况，能够比较准确的找到移动目标。图10、图11、图12分别为采集的一组视频图像中第100、160和220帧图像，按照传统的单高斯背景法提取的运动图像如图13、图14和图15所示，可以看到原来静止的船突然开始运动，由背景变为前景，单高斯背景法没有及时更新背景导致检测不出移动目标，采用本发明提取的运动图像如图16、图17和图18所示，黑色部分为检测出的运动目标，可以看到比较完整的船体轮廓。

表3水质分析评价表

本实验支持向量机训练和预测使用的是libSVM软件包，在20种水质属性值中选取了具有代表性的总磷、氨氮、六价铬和溶解氧四种属性作为测试用例，如表3所示，相比于正常情况，等级为低危险的船只移动在移动目标特征参数上有极大变化，而高危险的水面漂浮物在水面主体特征参数上有很大变化，重金属超标时六价铬会异常偏高，而富营养化时不仅水质属性值中总磷、氨氮和溶解氧有变化外，水面主体特征参数也会变化。与传统单独依靠水质属性值来判断水环境安全相比，该发明将多属性水质监测数据与视频图像数据有机结合，利用移动目标特征提取，在水面主体特征参数的辅助下，完成对水环境安全的评估。

Claims (3)

1.一种多元异构水环境监测数据评价与预警方法，其特征在于，包括下述步骤：

网络摄像机采集现场环境视频图像数据，传感器采集多属性水质监测数据，形成异构数据，从视频图像中提取移动目标特征参数，与水质各属性值组成特征向量，利用支持向量机，即SupportingVectorMachine,SVM进行分类器模型搭建，建立异构数据与水环境安全等级对应关系，对当前水环境安全等级进行预判；

所述的提取移动目标特征参数，其特征在于，包括下述步骤：

步骤一：读取前M帧图像F_T(x,y)(T＝1,2,……，M)，(x,y)表示图像中像素点的坐标，F_T(x,y)表示像素点的灰度值；

步骤二：为滤除高频噪声，对前M帧图像F_T(x,y)(T＝1,2,……，M)进行中值滤波处理，采用二维方形窗口，运算如下所示：

F′_T(x,y)＝MedianF_T(x,y)(1)

Median()函数将窗口中的每一个像素点的灰度值进行排序，位于中间的数值作为输出；

步骤三：计算该M帧图像中每一像素点的平均亮度μ₀(x,y)和亮度方差计算如下所示：

${\mathrm{\μ}}_0(x,y)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\Σ}}{F}_i(x,y)---\left(2\right)$

${\mathrm{\σ}}_0^2(x,y)=\frac{1}{M}\underset{i=0}{\overset{M-1}{\Σ}}{\[F_i(x,y)-{\mathrm{\μ}}_1(x,y)\]}^2---\left(3\right)$

μ₀(x,y)表示像素点(x,y)处的灰度均值，表示像素点(x,y)处的灰度方差；由μ₀(x,y)和组成具有高斯分布的图像B₀(x,y)作为初始背景图像，同时为背景图像B₀(x,y)每一个像素点(x,y)设置一个图像帧数累计计数器C(x,y)，初始值都为0；

步骤四：当背景图像初始化完成之后，读取第T帧图像F_T(x,y)(T>M)，设此时的背景图像为B_T(x,y)，其平均亮度为μ_T(x,y)亮度方差为按照公式(1)对图像F_T(x,y)进行中值滤波处理得到F′_T(x,y)，对F′_T(x,y)和B_T(x,y)中的亮度均值μ_T(x,y)进行差分运算，得到差分图像D_T(x,y)，运算如下所示：

D_T(x,y)＝|F′_T(x,y)-μ_T(x,y)|(4)

D_T(x,y)为图像F′_T(x,y)和μ_T(x,y)差值的绝对值

步骤五对差分图像D_T(x,y)进行前景点与背景点分离，计算过程如下所示：

式中

新得到的差分图像D′_T(x,y)中，灰度值为0的像素点对应当前帧图像F′_T(x,y)与背景图像B_T(x,y)间没有发生变化的地方，灰度值为254的像素点是当前帧图像F′_T(x,y)与背景图像B_T(x,y)间发生变化的地方，这是由于目标运动产生的；计算出灰度值为254的像素点数占整幅图像总像素点数的百分比V_T作为该第T帧图像F_T(x,y)移动目标特征向量；

与此同时，所有灰度值为0的像素点(x,y)对应的累计计数器C(x,y)加1，所有灰度值为254的像素点(x,y)对应的累计计数器C(x,y)置为0；

步骤六：背景更新：在背景图像B_T(x,y)中，累计计数器C(x,y)为0的像素点(x,y)相对应的B_T(x,y)采取如下计算：

μ_T+1(x,y)＝(1-α)·μ_T(x,y)+α·F′_T(x,y)

${\mathrm{\σ}}_{T+1}^2(x,y)=(1-\mathrm{\α})\·{\mathrm{\σ}}_T^2(x,y)+\mathrm{\α}\·{\[F_T^{\′}(x,y)-{\mathrm{\μ}}_T(x,y)\]}^2$

其中α为常数，表示更新率，α∈[0,1]

累计计数器C(x,y)不为0的像素点(x,y)，相对应的B_T(x,y)采取如下计算：

${\mathrm{\σ}}_{T+1}^2(x,y)={\mathrm{\σ}}_T^2(x,y)$

其中NUM为常数，NUM∈[50,300].

由μ_T+1(x,y)、构成新的背景图像B_T+1(x,y)

步骤七：重复步骤四、五、六，直到所有的图像处理完毕；将每幅图像F_T(x,y)处理完成后输出的该图像的移动目标特征向量V_T组成一个向量组作为水环境安全评价的一组特征向量。

2.根据权利要求1所述的一种多元异构水环境监测数据评价与预警方法，其特征在于，水面主体特征参数提取包括下述步骤：

步骤一：读取一幅图像，按照像素点分割为16×16大小的宏块；

步骤二：对于每一个宏块，利用灰度直方图计算出各个灰度级的像素点个数；

步骤三：计算像素点个数最多的灰度级占全部像素点的百分比，如果超过40％则认定该宏块纹理平坦，作为备选宏块，并记录下该宏块中像素点个数最多的灰度级；

步骤四：将该幅图像中所有的备选宏块找出，按照灰度级0-255分为N个区间，N∈[3,6]，按照备选宏块中记录的像素点个数最多的灰度级，统计N个区间内备选宏块的个数，选出个数最多的区间，那么该区间内所有宏块组成的区域为水面主体区域，并计算出该区间内所有宏块的灰度平均值Y_T(T＝1,2,…)，作为第T幅图像的水面主体特征向量；

步骤五：重复步骤一、二、三、四，直到所有的图像处理完毕；将每幅图像处理完成后输出的该图像的水面主体特征向量Y_T组成一个向量组作为水环境安全评价的另一组特征向量。

3.根据权利要求1所述的一种多元异构水环境监测数据评价与预警方法，其特征在于所述的支持向量机核函数的选择，采用高斯径向基核函数解决数据非线性问题。