CN111462256B - 一种基于计算机视觉的水质监测方法及系统 - Google Patents

一种基于计算机视觉的水质监测方法及系统 Download PDF

Info

Publication number
CN111462256B
CN111462256B CN202010223304.XA CN202010223304A CN111462256B CN 111462256 B CN111462256 B CN 111462256B CN 202010223304 A CN202010223304 A CN 202010223304A CN 111462256 B CN111462256 B CN 111462256B
Authority
CN
China
Prior art keywords
image
spectral
combined
sequence
high frequency
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.)
Active
Application number
CN202010223304.XA
Other languages
English (en)
Other versions
CN111462256A (zh
Inventor
叶永俊
屈莉莉
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN202010223304.XA priority Critical patent/CN111462256B/zh
Publication of CN111462256A publication Critical patent/CN111462256A/zh
Application granted granted Critical
Publication of CN111462256B publication Critical patent/CN111462256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于计算机视觉的水质监测方法及系统，每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列,将采样图像序列中相邻的图像两两叠加得到合并图像，将所述合并图像输入ENVI软件进行处理得到光谱特征数据，从而根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度，由于对两张多光谱图像的高频分量图进行了合并处理，使光谱图像的系统函数的带宽变大，增加了高频分量而且没有丢失或增加信息，保证了光谱图像的光谱特征数据反演后获得的要素的物理量数值的准确性和真实性，提升了光谱图像的清晰度，并提高了水质数据反演的准确性。

Description

一种基于计算机视觉的水质监测方法及系统
技术领域
本公开涉及水质监测、计算机视觉、图像处理技术领域，具体涉及一种基于计算机视觉的水质监测方法及系统。
背景技术
在污染高发水域的待测水域中，实行实时监测可以最大程度的第一时间获得水质异常。而通过计算机视觉的方法对水质进行监测，是一种经济而高效的手段，可以通过非接触的方法，直接获取到水体的光学图像信息从而进一步的分析水体中水质的好坏，水质监测所需要的是水面反射出的光谱反射率的图像，该图像至少包括光谱波段信息。
多光谱相机对某一水域中进行光学成像时，由于多光谱相机的镜头的聚焦范围有限，将导致下列现象：除了正对着的聚焦良好的水域，由于获取到的光线直射为清晰的水面反射出的光谱反射率的图像，其余的水面表现为不同程度的模糊。根据光学知识可知，其光学成像系统的图像的系统函数为低通滤波函数，模糊光谱反射率的图像的系统函数的带宽比清晰图像对应的系统函数的带宽更窄，故光谱反射率的图像清晰与否由光谱反射率图像中的高频成分决定，聚焦良好时为清晰光谱反射率图像，其高频分量最多。
发明内容
为解决上述问题，本公开提供一种基于计算机视觉的水质监测方法及系统的技术方案，每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列,将采样图像序列中相邻的图像两两叠加得到合并图像，将所述合并图像输入ENVI软件进行处理得到光谱特征数据，从而根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。
为了实现上述目的，根据本公开的一方面，提供一种基于计算机视觉的水质监测方法，所述方法包括以下步骤：
S100,每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；
S200,将采样图像序列中相邻的图像两两叠加得到合并图像；
S300，将所述合并图像输入ENVI软件进行处理得到光谱特征数据；
S400，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。
进一步地，在S100中，所述多光谱相机的光谱波段包括：蓝(0.450μm-0.515μm)、绿(0.525μm-0.605μm)、红(0.630μm-0.690μm)、红边(0.670μm-0.760μm)、近红外光谱(0.770μm-0.890μm)，括号内为各个波段的范围；所述多光谱相机包括Rededge-M；所述时间间隔N为人工设置的时间，默认设置时间间隔N＝2小时。
所述待测水域包括江河、湖泊、运河、渠道、水库、水塘及其管理范围和水工设施。
所述采样图像序列为多光谱相机按照时间先后顺序拍摄的待测水域的多光谱图像构成的图像序列。
进一步地，在S200中，将采样图像序列中相邻的图像两两叠加得到合并图像的方法为：在采样图像序列中，随机抽取1个图像作为第一图像，并取第一图像在采样图像序列中的位置后方的相邻图像作为第二图像，Merge为合并图像，对第一图像Im1和第二图像Im2进行冗余小波变换，分解层数为J，得到分解后的子图像序列
Figure BDA0002426835760000021
其中，S∈(Im1,Im2)，即S表示第一图像Im1或第二图像Im2，p为图像中的点，
Figure BDA0002426835760000022
为冗余小波变换分解后的高频子图像，
Figure BDA0002426835760000023
为冗余小波变换的高频分量的同一个层分解得到的低频分量，
Figure BDA0002426835760000024
包括了光线的亮度变化、轮廓特征信息，
Figure BDA0002426835760000025
则包括了图像的背景信息；
计算高频子图像中各点对应的对比度，定义为：
Figure BDA0002426835760000026
式中，
Figure BDA0002426835760000027
为高频分量，
Figure BDA0002426835760000028
为冗余小波变换的高频分量的同一层分解的低频分量，p′表示邻域Q中的点；
其中，邻域Q为高频子图像在其图像中边缘的相邻80×80像素点；
将第一图像Im1的高频子图像序列
Figure BDA0002426835760000029
和第二图像Im2的高频子图像序列
Figure BDA00024268357600000210
进行聚类分别得到类集
Figure BDA00024268357600000211
聚类的方法包括层次聚类，K-means聚类；
各个高频子图像序列中的高频子图像的高频系数的均值为：
Figure BDA00024268357600000212
|Q|为邻域Q中像素点的数量，
计算子图像区域方差为：
Figure BDA0002426835760000031
式中，
Figure BDA0002426835760000032
为聚类
Figure BDA0002426835760000033
的方差，
Figure BDA0002426835760000034
子图像区域方差是图像中的边缘轮廓等主要细节特征；
第一图像Im1或第二图像Im2的合并模型为：
设
Figure BDA0002426835760000035
表示合并后的图像，则第一图像Im1或第二图像Im2合并得到合并图像为：
Figure BDA0002426835760000036
进一步地，在S300中，将所述合并图像输入ENVI软件进行处理得到光谱特征数据的方法为：以所述合并图像中总磷、悬浮物浓度、浊度三个要素的平均反射率光谱值作为光谱特征数据，所述光谱特征数据为各个光谱波段的光谱反射率，所述各个光谱波段的光谱反射率分别为R1、R2、R3、R4、R5(所述R1、R2、R3、R4、R5五组数据与蓝、绿、红、红边、近红外五种光谱分别对应)，选择ENVI软件中band math工具，首先在工具中计算对应的光谱参数，而后分别将三个参数的模型输入band math工具栏，依次得到对应三种参数浓度的值的三个计算结果，再通过ENVI软件中的raster color slices工具，得到三个参数分别对应的浓度分布图。
进一步地，在S400中，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度的方法为：利用该光谱特征数据计算得到合并图像中的光谱参数Vi(i＝1，2，3...n)，n为正整数；计算得到合并图像中的光谱参数方法为，所述光谱特征数据为各个波段的光谱反射率分别为：R1、R2、R3、R4、R5；
光谱特征数据的处理方法(见申请号201811144155.7)：合并图像中有5种光谱波段的数据，光谱反射率，分别为：R1、R2、R3、R4、R5，通过波段计算的方式在5个单波段反射率的基础上衍生出更多的光谱参数，通过光谱反射率，分别为：R1、R2、R3、R4、R5，得到9个光谱参数V1～V9；V1～V9均是通过R1、R2、R3、R4、R5计算得到。
在合并图像的水质中总磷、悬浮物浓度、浊度的反演模型为：
总磷反演模型：
Figure BDA0002426835760000037
悬浮物浓度反演模型：
Figure BDA0002426835760000041
浊度反演模型：
Figure BDA0002426835760000042
其中，
Figure BDA0002426835760000043
中ytp为水质中总磷浓度含量，vtp为与水质中总磷相关性最高的光谱参数，a，b为常数；
Figure BDA0002426835760000044
中yssd为水质中悬浮物浓度含量，vssd为与水质中悬浮物相关性最高的光谱参数，p1、p2、p3为常数；
Figure BDA0002426835760000045
中ytbd为水质中浊度浓度含量，vtbd为与水质中浊度相关性最高的光谱参数，p4、p5、p6、p7为常数。其中，a＝0.07485，b＝-0.4188；p1＝-91.57，p2＝173.5，p3＝-28.96，p4＝0.0143，p5＝1.099，p6＝5.346，p7＝9.681；
将9个不同的光谱参数分别与总磷、悬浮物浓度、浊度的实测浓度值按样点一一对应进行Pearson相关系数分析，最终选择与总磷、悬浮物浓度、浊度的相关性最高的光谱参数进行拟合，通过Pearson相关系数分析得出与水质中总磷、悬浮物浓度、浊度相关性最高的光谱参数；最终得到：与总磷(tp)值相关性最高的光谱参数是V8；与悬浮物浓度(ssd)相关性最高的光谱参数是V5；与浊度(tbd)相关性最高的光谱参数是V9；
将所述总磷、悬浮物浓度、浊度相关性最高的光谱参数输入对应的总磷、悬浮物浓度、浊度的反演模型中输出值即为该总磷、悬浮物浓度、浊度要素的浓度含量；从而得到待测水域中的总磷、悬浮物浓度、浊度要素的变化情况，水质管理人员可以根据这些变化情况得到水质的变化。
本发明还提供了一种基于计算机视觉的水质监测系统，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
光谱图像采集单元，用于每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；
光谱图像合并单元，用于将采样图像序列中相邻的图像两两叠加得到合并图像；
光谱特征处理单元，用于将所述合并图像输入ENVI软件进行处理得到光谱特征数据；
光谱特征反演单元，用于根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。
本公开的有益效果为：本发明提供一种基于计算机视觉的水质监测方法及系统，由于对两张多光谱图像的高频分量图进行了合并处理，使光谱图像的系统函数的带宽变大，增加了高频分量而且没有丢失或增加信息，保证了光谱图像的光谱特征数据反演后获得的要素的物理量数值的准确性和真实性，提升了光谱图像的清晰度，并提高了水质数据反演的准确性，从而完善的实现了非接触式水质监测。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种基于计算机视觉的水质监测方法的流程图；
图2所示为一种基于计算机视觉的水质监测系统图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种基于计算机视觉的水质监测方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种基于计算机视觉的水质监测方法。
本公开提出一种基于计算机视觉的水质监测方法，具体包括以下步骤：
S100,每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；
S200,将采样图像序列中相邻的图像两两叠加得到合并图像；
S300，将所述合并图像输入ENVI软件进行处理得到光谱特征数据；
S400，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。
进一步地，在S100中，所述多光谱相机的光谱波段包括：蓝(0.450μm-0.515μm)、绿(0.525μm-0.605μm)、红(0.630μm-0.690μm)、红边(0.670μm-0.760μm)、近红外光谱(0.770μm-0.890μm)；所述多光谱相机包括Rededge-M；所述时间间隔N为人工设置的时间，默认设置N＝2小时。
所述待测水域包括江河、湖泊、运河、渠道、水库、水塘及其管理范围和水工设施。
所述采样图像序列为多光谱相机按照时间先后拍摄的待测水域的多光谱图像构成的图像序列。
进一步地，在S200中，将采样图像序列中相邻的图像两两叠加得到合并图像的方法为：在采样图像序列中，随机抽取1个图像作为第一图像，并取第一图像在采样图像序列中的位置后方的相邻图像作为第二图像，Merge为合并图像，对第一图像Im1和第二图像Im2进行冗余小波变换，分解层数为J，得到分解后的子图像序列
Figure BDA0002426835760000061
其中，S∈(Im1,Im2)，即S表示第一图像Im1或第二图像Im2，p为图像中的点，
Figure BDA0002426835760000062
为冗余小波变换分解后的高频子图像，
Figure BDA0002426835760000063
为冗余小波变换的高频分量的同一个层分解得到的低频分量，
Figure BDA0002426835760000064
包括了光线的亮度变化、轮廓特征信息，
Figure BDA0002426835760000065
则包括了图像的背景信息；
计算高频子图像中各点对应的对比度，定义为：
Figure BDA0002426835760000066
式中，
Figure BDA0002426835760000067
为高频分量，
Figure BDA0002426835760000068
为冗余小波变换的高频分量的同一层分解的低频分量，p′表示邻域Q中的点；
其中，邻域Q为高频子图像在其图像中边缘的相邻80×80像素点；
将第一图像Im1的高频子图像序列
Figure BDA0002426835760000069
和第二图像Im2的高频子图像序列
Figure BDA00024268357600000610
进行聚类分别得到类集
Figure BDA00024268357600000611
聚类的方法包括层次聚类，K-means聚类；
各个高频子图像序列中的高频子图像的高频系数的均值为：
Figure BDA00024268357600000612
|Q|为邻域Q中像素点的数量，
计算子图像区域方差为：
Figure BDA00024268357600000613
式中，
Figure BDA00024268357600000614
为聚类
Figure BDA00024268357600000615
的方差，
Figure BDA00024268357600000616
子图像区域方差是图像中的边缘轮廓等主要细节特征；
第一图像Im1或第二图像Im2的合并模型为：
设
Figure BDA00024268357600000617
表示合并后的图像，则第一图像Im1或第二图像Im2合并得到合并图像为：
Figure BDA0002426835760000071
进一步地，在S300中，将所述合并图像输入ENVI软件进行处理得到光谱特征数据的方法为：以所述合并图像中总磷、悬浮物浓度、浊度三个要素的平均反射率光谱值作为光谱特征数据，所述光谱特征数据为各个光谱波段的光谱反射率，所述各个光谱波段的光谱反射率分别为R1、R2、R3、R4、R5(所述R1、R2、R3、R4、R5五组数据与蓝、绿、红、红边、近红外五种光谱分别对应)，选择ENVI软件中band math工具，首先在工具中计算对应的光谱参数，而后分别将三个参数的模型输入band math工具栏，依次得到对应三种参数浓度的值的三个计算结果，再通过ENVI软件中的raster color slices工具，得到三个参数分别对应的浓度分布图。
进一步地，在S400中，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度的方法为：利用该光谱特征数据计算得到合并图像中的光谱参数Vi(i＝1，2，3...n)，n为正整数；计算得到合并图像中的光谱参数方法为，所述光谱特征数据为各个波段的光谱反射率分别为：R1、R2、R3、R4、R5；
在现有的光谱特征数据的处理方法(见申请号201811144155.7)中，难以准确的获取到图像的衍生光谱参数，准确率比较低，而通过合并图像，能够比现有技术的方案更加凸显出光谱特征，从而提高了反演的准确率。
在合并图像中，有5种光谱波段的数据，光谱反射率，分别为：R1、R2、R3、R4、R5，通过波段计算的方式在5个单波段反射率的基础上衍生出更多的光谱参数，如表l所示，表1为衍生光谱参数，通过光谱反射率，分别为：R1、R2、R3、R4、R5，得到9个光谱参数V1～V9；V1～V9均是通过R1、R2、R3、R4、R5计算得到。
表1衍生光谱参数
Figure BDA0002426835760000072
Figure BDA0002426835760000081
合并图像的水质中总磷、悬浮物浓度、浊度的反演模型为：
总磷反演模型：
Figure BDA0002426835760000082
悬浮物浓度反演模型：
Figure BDA0002426835760000083
浊度反演模型：
Figure BDA0002426835760000084
其中，
Figure BDA0002426835760000085
中ytp为水质中总磷浓度含量，vtp为与水质中总磷相关性最高的光谱参数，a，b为常数；
Figure BDA0002426835760000086
中yssd为水质中悬浮物浓度含量，vssd为与水质中悬浮物相关性最高的光谱参数，p1、p2、p3为常数；
Figure BDA0002426835760000087
中ytbd为水质中浊度浓度含量，vtbd为与水质中浊度相关性最高的光谱参数，p4、p5、p6、p7为常数。其中，a＝0.07485，b＝-0.4188；p1＝-91.57，p2＝173.5，p3＝-28.96，p4＝0.0143，p5＝1.099，p6＝5.346，p7＝9.681；
将9个不同的光谱参数分别与总磷、悬浮物浓度、浊度的实测浓度值按样点一一对应进行Pearson相关系数分析，最终选择与总磷、悬浮物浓度、浊度的相关性最高的光谱参数进行拟合，通过Pearson相关系数分析得出与水质中总磷、悬浮物浓度、浊度相关性最高的光谱参数；最终得到：与总磷(tp)值相关性最高的光谱参数是V8；与悬浮物浓度(ssd)相关性最高的光谱参数是V5；与浊度(tbd)相关性最高的光谱参数是V9；
将所述总磷、悬浮物浓度、浊度相关性最高的光谱参数输入对应的总磷、悬浮物浓度、浊度的反演模型中输出值即为总磷、悬浮物浓度、浊度要素浓度含量，水质管理人员可以根据这些变化情况得到水质的变化。
本公开的实施例提供的一种基于计算机视觉的水质监测系统，如图2所示为本公开的一种基于计算机视觉的水质监测系统图，该实施例的一种基于计算机视觉的水质监测系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于计算机视觉的水质监测系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
光谱图像采集单元，用于每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；
光谱图像合并单元，用于将采样图像序列中相邻的图像两两叠加得到合并图像；
光谱特征处理单元，用于将所述合并图像输入ENVI软件进行处理得到光谱特征数据；
光谱特征反演单元，用于根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。
所述一种基于计算机视觉的水质监测系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于计算机视觉的水质监测系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于计算机视觉的水质监测系统的示例，并不构成对一种基于计算机视觉的水质监测系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于计算机视觉的水质监测系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于计算机视觉的水质监测系统运行系统的控制中心，利用各种接口和线路连接整个一种基于计算机视觉的水质监测系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于计算机视觉的水质监测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (3)

1.一种基于计算机视觉的水质监测方法，其特征在于，所述方法包括以下步骤：
S100,每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；
S200,将采样图像序列中相邻的图像两两叠加得到合并图像；
S300，将所述合并图像输入ENVI软件进行处理得到光谱特征数据；
S400，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度；
在S100中，所述多光谱相机的光谱波段包括：0.450μm-0.515μm、0.525μm-0.605μm、0.630μm-0.690μm、0.670μm-0.760μm、0.770μm-0.890μm；
在S200中，将采样图像序列中相邻的图像两两叠加得到合并图像的方法为：在采样图像序列中，随机抽取1个图像作为第一图像Im1，并取第一图像在采样图像序列中的位置后方的相邻图像作为第二图像Im2，Merge为合并图像，对第一图像Im1和第二图像Im2进行冗余小波变换，分解层数为J，得到分解后的子图像序列
Figure FDA0004109595970000011
其中，S∈(Im1,Im2)，即S表示第一图像Im1或第二图像Im2，p为图像中的点，
Figure FDA0004109595970000012
为冗余小波变换分解后的高频子图像，
Figure FDA0004109595970000013
为冗余小波变换的高频分量的同一个层分解得到的低频分量，
Figure FDA0004109595970000014
包括了光线的亮度变化、轮廓特征信息，
Figure FDA0004109595970000015
则包括了图像的背景信息；
计算高频子图像中各点对应的对比度，定义为：
Figure FDA0004109595970000016
式中，
Figure FDA0004109595970000017
为高频分量，
Figure FDA0004109595970000018
为冗余小波变换的高频分量的同一层分解的低频分量，p′表示邻域Q中的点；
其中，邻域Q为高频子图像在其图像中边缘的相邻80×80像素点；
将第一图像Im1的高频子图像序列
Figure FDA0004109595970000019
和第二图像Im2的高频子图像序列
Figure FDA00041095959700000110
进行聚类分别得到类集
Figure FDA00041095959700000111
各个高频子图像序列中的高频子图像的高频系数的均值为：
Figure FDA0004109595970000021
Q为邻域Q中像素点的数量，
计算子图像区域方差为：
Figure FDA0004109595970000022
式中，
Figure FDA0004109595970000023
为聚类
Figure FDA0004109595970000024
的方差，
Figure FDA0004109595970000025
第一图像Im1或第二图像Im2的合并模型为：
设
Figure FDA0004109595970000026
表示合并后的图像，则第一图像Im1或第二图像Im2合并得到合并图像Merge为：
Figure FDA0004109595970000027
2.根据权利要求1所述的一种基于计算机视觉的水质监测方法，其特征在于，在S300中，将所述合并图像输入ENVI软件进行处理得到光谱特征数据的方法为：以所述合并图像中总磷、悬浮物浓度、浊度三个要素的平均反射率光谱值作为光谱特征数据，所述光谱特征数据为各个光谱波段的光谱反射率，所述各个光谱波段的光谱反射率分别记为R1、R2、R3、R4、R5。
3.一种基于计算机视觉的水质监测系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
光谱图像采集单元，用于每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；
光谱图像合并单元，用于将采样图像序列中相邻的图像两两叠加得到合并图像；
光谱特征处理单元，用于将所述合并图像输入ENVI软件进行处理得到光谱特征数据；
光谱特征反演单元，用于根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度；
所述多光谱相机的光谱波段包括：0.450μm-0.515μm、0.525μm-0.605μm、0.630μm-0.690μm、0.670μm-0.760μm、0.770μm-0.890μm；
将采样图像序列中相邻的图像两两叠加得到合并图像的方法为：在采样图像序列中，随机抽取1个图像作为第一图像Im1，并取第一图像在采样图像序列中的位置后方的相邻图像作为第二图像Im2，Merge为合并图像，对第一图像Im1和第二图像Im2进行冗余小波变换，分解层数为J，得到分解后的子图像序列
Figure FDA0004109595970000031
其中，S∈(Im1,Im2)，即S表示第一图像Im1或第二图像Im2，p为图像中的点，
Figure FDA0004109595970000032
为冗余小波变换分解后的高频子图像，
Figure FDA0004109595970000033
为冗余小波变换的高频分量的同一个层分解得到的低频分量，
Figure FDA0004109595970000034
包括了光线的亮度变化、轮廓特征信息，
Figure FDA0004109595970000035
则包括了图像的背景信息；
计算高频子图像中各点对应的对比度，定义为：
Figure FDA0004109595970000036
式中，
Figure FDA0004109595970000037
为高频分量，
Figure FDA0004109595970000038
为冗余小波变换的高频分量的同一层分解的低频分量，p′表示邻域Q中的点；
其中，邻域Q为高频子图像在其图像中边缘的相邻80×80像素点；
将第一图像Im1的高频子图像序列
Figure FDA0004109595970000039
和第二图像Im2的高频子图像序列
Figure FDA00041095959700000310
进行聚类分别得到类集
Figure FDA00041095959700000311
各个高频子图像序列中的高频子图像的高频系数的均值为：
Figure FDA00041095959700000312
Q为邻域Q中像素点的数量，
计算子图像区域方差为：
Figure FDA00041095959700000313
式中，
Figure FDA00041095959700000314
为聚类
Figure FDA00041095959700000315
的方差，
Figure FDA00041095959700000316
第一图像Im1或第二图像Im2的合并模型为：
设
Figure FDA00041095959700000317
表示合并后的图像，则第一图像Im1或第二图像Im2合并得到合并图像Merge为：
Figure FDA0004109595970000041
CN202010223304.XA 2020-03-26 2020-03-26 一种基于计算机视觉的水质监测方法及系统 Active CN111462256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010223304.XA CN111462256B (zh) 2020-03-26 2020-03-26 一种基于计算机视觉的水质监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010223304.XA CN111462256B (zh) 2020-03-26 2020-03-26 一种基于计算机视觉的水质监测方法及系统

Publications (2)

Publication Number Publication Date
CN111462256A CN111462256A (zh) 2020-07-28
CN111462256B true CN111462256B (zh) 2023-04-25

Family

ID=71680233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010223304.XA Active CN111462256B (zh) 2020-03-26 2020-03-26 一种基于计算机视觉的水质监测方法及系统

Country Status (1)

Country Link
CN (1) CN111462256B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117589704B (zh) * 2024-01-18 2024-03-29 上海科泽智慧环境科技有限公司 一种用于水质在线监测的量程自切换控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109507119A (zh) * 2018-09-28 2019-03-22 浙江农林大学 一种基于无人机光谱的水质要素浓度检测方法
CN109557030A (zh) * 2018-09-28 2019-04-02 浙江农林大学 一种基于无人机遥感的水质要素反演方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2567055C (en) * 2004-05-20 2013-11-19 Mcmaster University Method for controlling the appearance of products and process performance by image analysis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109507119A (zh) * 2018-09-28 2019-03-22 浙江农林大学 一种基于无人机光谱的水质要素浓度检测方法
CN109557030A (zh) * 2018-09-28 2019-04-02 浙江农林大学 一种基于无人机遥感的水质要素反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王平 ; 陈欣 ; 粘永健 ; 乔梁 ; .基于子带谱间变换的多光谱图像压缩.电光与控制.2018,(06),第43-47页. *

Also Published As

Publication number Publication date
CN111462256A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
Wang et al. AIPNet: Image-to-image single image dehazing with atmospheric illumination prior
CN108805023B (zh) 一种图像检测方法、装置、计算机设备及存储介质
Krig Computer vision metrics
Krig Computer vision metrics: Survey, taxonomy, and analysis
US10168526B2 (en) Cell contour formation apparatus and method of the same, and non-transitory computer readable storage medium storing a cell contour formation program
CN107358586B (zh) 一种图像增强方法、装置及设备
Ma et al. A wavelet-based dual-stream network for underwater image enhancement
Li et al. Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method
Kobylin et al. Comparison of standard image edge detection techniques and of method based on wavelet transform
CN111079764B (zh) 一种基于深度学习的低照度车牌图像识别方法及装置
CN109934781B (zh) 图像处理方法、装置、终端设备及计算机可读存储介质
Witwit et al. Satellite image resolution enhancement using discrete wavelet transform and new edge-directed interpolation
Shi et al. A joint deep neural networks-based method for single nighttime rainy image enhancement
CN111462256B (zh) 一种基于计算机视觉的水质监测方法及系统
CN113395415A (zh) 基于降噪技术的相机数据处理方法及系统
CN112330548A (zh) 基于多尺度融合的水下图像修复方法、装置、设备及介质
Muhammad et al. Frequency component vectorisation for image dehazing
CN118230166A (zh) 基于改进Mask2YOLO网络的玉米冠层器官识别方法及冠层表型检测方法
CN108876736A (zh) 一种基于fpga的图像阶梯效应消除方法
CN116109829A (zh) 一种基于融合网络的珊瑚礁水域图像分割方法
Li et al. Dynamic-clustering extreme intensity prior based blind image deblurring
CN109886904A (zh) 一种sar图像与低分辨率多光谱图像融合方法及系统
Tzeng et al. Contourlet domain multiband deblurring based on color correlation for fluid lens cameras
Chen et al. Infrared and visible image fusion with deep wavelet-dense network
Paunwala et al. An improved license plate extraction technique based on gradient and prolonged Haar wavelet analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No.33 Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province

Patentee after: Foshan University

Country or region after: China

Address before: No.33 Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province

Patentee before: FOSHAN University

Country or region before: China