CN112800833A - 用于水环境监测基于机理模型的实现对象整体辨识的方法 - Google Patents

Abstract

本发明公开了一种用于水环境监测基于机理模型的实现对象整体辨识的方法，依据水环境监测信息采集机理进行建模，并结合先验对象属性，针对水环境监测应用中的目标对象进行辨识的方法，实现对水气界面、水体等复杂环境中对象的准确辨识。本发明方法根据距离强度关系规则及信道差关系规则构建信息采集过程中的机理模型，确定对象存在的候选区域；并通过机理模型衍生用于对象辨识的判决证据，结合先验的对象属性，在候选区域中提取对象典型性特征；在此基础上，通过图模型对对象典型性特征进行传播，遍历对象区域，实现对象的整体辨识。与现有技术相比，本发明能够在水环境监测复杂环境中准确的辨识对象属性，辨识准确性较高。

Description

用于水环境监测基于机理模型的实现对象整体辨识的方法

技术领域

本发明涉及一种用于水环境监测基于机理模型的实现对象整体辨识的方法，属于水环境监测技术领域。

背景技术

水环境监测场景迥异于常规监测场景，场景环境具有强衰减、高散射等特点，如，水-气界面、水体环境等。在此条件下，采用被动方式进行信息采集难以获取准确可靠的对象属性信息，难以实现场景对象的准确辨识，进而无法为监测提供可靠的对象属性关键因子。鉴于此，目前水环境监测所主要采用的信息采集手段以主动式信息采集为主，即通过外加人工信源补偿用于传输介质中散射和衰减效应所导致的信息损失，以尽量获取准确的对象辐照信息，有助于后端高质量的信息处理。

在外加人工信源采集对象信息的过程中所要服从的机理为：人工信源必然主动照准对象区域。这一机理形成了自然的判决证据：当确定照准区域时必然对应于较为粗略的对象区域，形成对象存在的候选区域。候选区域的形成，能够明显降低辨识所需要搜索的区域范围并衍生出对象辨识的证据，将该证据与先验的对象属性相结合，能够提取出对象典型性特征，依据这些特征有助于提高对象辨识的精度。

相比较，现有技术多采用基于背景建模或较为底层的特征进行对象辨识，这些技术手段，在传输介质较为稳定、穿透性较好且场景对象较为稳定的情况下能够较为准确地辨识对象。然而，在水环境监测常面临的强衰减、高散射且背景抖动、对象多变的困难条件下，现有方法难以实现有效的对象辨识结果。本质上，有别于本发明所公开技术，现有技术并没有以水环境监测过程中信息采集的机理为出发点，没有探究人工信源补偿所衍生出的新颖的辨识证据，因此，无法获取多证据综合的对象典型性特征。这种对象典型性特征的提取机制是本发明公开技术有别于现有技术的最显著性特点。

发明内容

发明目的：针对水环境监测场景中现有技术方法无法准确的提取对象特征，难以准确有效地实现对象辨识的问题，本发明对水环境监测信息采集过程中的机理进行建模，确定对象存在的候选区域；并通过机理模型衍生用于对象辨识的判决证据，结合先验的对象属性，在候选区域中提取对象典型性特征；在此基础上，通过图模型对对象典型性特征进行传播，遍历对象区域，实现对象的整体辨识。

技术方案：一种用于水环境监测基于机理模型的对象辨识方法，包括如下步骤：

(1)根据距离-强度关系规则及信道差关系规则建立水环境监测信息采集机理模型；其中，所述距离-强度关系规则为：在信源照准区域中任意点上的辐照强度与该点位置距离照准中心的距离成反比例关系；所述其中，信道差关系规则为：在信源照准区域中信道间强度相对平衡，信道强度差异明显小于外围非照准区域；

(2)根据上述建立的机理模型检测信源照准，以确定对象存在的候选区域，并衍生出用于对象辨识的判决证据；

(3)在候选区域中，综合机理模型所衍生出的判决证据以及先验的对象属性在候选区域中提取对象典型性特征；

(4)通过图模型对对象典型性特征进行传播，遍历对象区域，实现对对象的整体辨识。

进一步地，步骤(1)中，机理模型建模所根据的两种规则解析表达为：

距离-强度关系规则：量测局部区域中的点同该区域中辐照强度最大点间的欧式距离：

其中，D(x,m)为从点x到以点x为中心局部区域Ω_X中辐照强度最大点m间的欧式距离，(ξ₁,γ₁)和(ξ₂,γ₂)为坐标点x和m的坐标，d为欧式距离的上标；

信道差关系规则：量测不同信道间的辐照强度差异：

其中，

为点x处单一信道强度

同综合强度

间平方差，

分别为点x在r、g、b三个单一信道上的强度；

根据上述两种关系规则，机理模型建模为：

进一步地，步骤(2)中，根据机理模型检测信源照准，以确定对象存在的候选区域，并衍生出用于对象辨识的判决证据，具体为：

当f_x小于阈值Τ时，认为点x为信源照准区域进而确定对象存在的候选区域，f_x大于等于阈值Τ时，认为点x为背景区域：

其中，Τ为阈值，true表示对象存在的候选区域，false表示背景区域；

基于机理模型对象辨识的判决证据表达为：当点x为照准区域，f_X越小说明该点距离对象中心位置越近，该点处的特征对对象的表征能力越强；f_X与判决证据的表征能力K_X间关系表达为：

进一步地，步骤(3)中，先验的对象属性包括纹理特征和同背景较为明显的光谱对比度，综合机理模型所衍生的判决证据及先验对象属性，对象表征能力量化φ_x＝κ_x×ψ_x×λ_x，

其中，ψ_x为点x处的纹理特征，λ_x为点x同背景光谱对比度，φ_x越大，点x对对象特征的表征能力越大；对监测区域内所有点的φ_x值进行从大到小排序，选择前K个点作为对象特征点。

进一步地，点x处的纹理特征表述为以该点为中心的超像素区块中的纹理密度：

其中，l_x为以点x为中心的超像素区块中的纹理的总长度，N_x为以点x为中心的超像素区块中的像素数量。

进一步地，点x同背景光谱对比度表述为该点光谱特性同背景光谱特性间的差值：

其中，λ_x为点x处光谱特性

同背景光谱特性

的差值，

为背景在r、g、b三信道上的强度；

其中，

中x点求和区域范围为满足f_x≥Τ的点，ζ为背景点的像素的数量。

进一步地，步骤(4)中，以选择的K个点为中心建立超像素区块，以无向图模型度量不同区块间的相关性，采用随机游走方法对对象典型性特征进行游走，遍历对象区域，实现对象的整体辨识。

有益效果：本发明方法依据水环境监测信息采集机理进行建模，并结合先验对象属性，针对水环境监测应用中的目标对象进行辨识的方法，能够实现对水-气界面、水体等复杂环境中对象的准确辨识。本发明构建信息采集过程中的机理模型，确定对象存在的候选区域；并通过机理模型衍生用于对象辨识的判决证据，结合先验的对象属性，在候选区域中提取对象典型性特征；在此基础上，通过图模型对对象典型性特征进行传播，遍历对象区域，实现对象的整体辨识。与现有技术相比，本发明能够在水环境监测复杂环境中准确的辨识对象属性，辨识准确性较高。

附图说明

图1为本发明方法总体的流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明实施例公开的一种用于水环境监测基于机理模型的对象辨识方法，首先根据水环境监测信息采集机理及物理模型归纳出两种规则，并依据规则对水环境监测信息采集过程中的机理进行建模；然后根据建立的机理模型检测信源照准，以确定对象存在的候选区域，并通过机理模型衍生用于对象辨识的判决证据；再结合先验的对象属性，在候选区域中提取对象典型性特征；最后通过图模型对对象典型性特征进行传播，遍历对象区域，实现对象的整体辨识。具体的实施过程如下：

一、建立机理模型：

对于场景中所获得的信息，首先量化计算两种关系规则：

距离-强度关系规则：量测局部区域中的点同该区域中强度最大点间的欧式距离。

其中，D(x,m)为从点x到以点x为中心局部区域Ω_x中强度最大点m间的欧式距离，(ξ₁,γ₁)和(ξ₂,γ₂)为坐标点x和m的坐标，d为欧式距离的上标。

信道差关系规则：量测不同信源信道间的辐照强度差异。

其中，

为点x处单一信道强度

同综合强度

间平方差，

分别为点x在r、g、b三个单一信道上的强度；

根据上述两种关系规则，机理模型建模为：

二、根据机理模型检测光源照准，确定对象存在的候选区域，并衍生出用于对象辨识的判决证据：

当f_x小于阈值Τ时，认为点x为信源照准区域进而确定对象存在的候选区域，f_x大于等于阈值Τ时，认为点x为背景区域：

其中Τ为阈值，典型值为

true表示对象存在的候选区域，false表示背景区域。

基于机理模型对象辨识的判决证据表达为：当点x为照准区域，f_x越小说明该点距离对象中心位置越近，该点处的特征对对象的表征能力越强；f_x与判决证据的表征能力κ_x间关系表达为：

三、根据机理模型所衍生的判决证据，并结合先验的对象属性，在候选区域中提取对象典型性特征并辨识对象：

先验对象属性：在水环境监测中对象具有较多的纹理特征和同背景较为明显的光谱对比度。

点x处的纹理特征表述为该点超像素区域中的纹理密度：

其中，l_x为以点x为中心的超像素区块中的纹理的总长度N_x为以点x为中心的超像素区域中的像素数量。其中l_x＝|C{OE，TG}|，

OE为方向能量，用于检测和定位纹理，TG为纹理梯度，C为综合多种线索的分类器。

为在方向θ和尺度s上的奇偶正交对，g和h为半盘直方图。有关纹理特征的相关计算可参见文献【MartinDR,FowlkesCC,MalikJ,“Learningtodetectnaturalimageboundariesusinglocalbrightness,color,andtexturecues,”IEEETransactionsonPatternAnalysisandMachineIntelligence.26(5),0-549(2004)】。

点x同背景光谱对比度表述为该点光谱特性同背景光谱特性间的差值：

其中，λ_x为点x处光谱特性

同背景光谱特性

的差值，

为背景在r、g、b三信道上的强度；

其中，

中x点求和区域范围为满足f_x≥Τ的点，即背景点，ζ为背景点的像素的数量。

综合机理模型所衍生的判决证据及先验的对象属性，得到对象特征的判决证据为：

φ_x＝κ_x×ψ_x×λ_x (9)

φ_x越大，点x对对象特征的表征能力越大。对监测区域内所有点的φ_x值进行排序，选择前K个点(K根据图像大小选择，一般可选择128-512个)作为对象特征点。

四、采用图模型对对象典型性特征进行传播，遍历对象区域，实现对象的整体辨识。

以K个对象特征点为中心建立超像素区块，以无向图模型G＝(V,E)度量不同区块间的相关性。其中，V为由超像素区块所组成的节点集合：V＝{sp₁,sp₂,…,sp_K}，E为节点点的链接。节点间的相似性通过权重矩阵量测：W＝H^K×K，其中W中的元素计算为：

其中，k(sp_i)为超像素区块sp_i中所提取的特征，以此作为对象典型性特征，这里的对象典型性特征可以是色彩特征、纹理特征等特征，具体应用时可根据对象属性进行选择提取，例如对于船舶对象，可以提取纹理形状特征作为对象典型性特征；σ为控制参数。相应的一个节点的权值定义为链接该节点所有的边缘和：

权值矩阵表征为：

M＝diag{d₁,d₂,…,d_K} (12)

相应的拉普拉斯矩阵表征为：

L＝M-W (13)

图模型建立后，得到场景中不同区块间的相关性，采用随机游走方法对对象典型性特征进行游走。游走的过程等价于以下能量函数的最小化：

其中，第一项为拉普拉斯项，能够将对象典型特征传播到更远距离，f_i为超像素区块sp_i的标签，即若sp_i区块包含对象典型特征，f_i＝1，反之f_i＝0,C_i为以sp_i超像素区块为中心的节点集合。第二项为标准随机游走项，第三项保证对象典型特征的准确性，y_i为对象显著性分类器的输出，参数ω和λ为调节参数。基于随机游走方法的对象识别可参考文献【KongY,WangL,LiuX,etal.,“Patternminingsaliency,”inEuropeanConferenceonComputerVision,pp.583-598,Springer,Amsterdam,Netherlands(2016)”】，此处不再赘述。

Claims (1)

1.一种用于水环境监测基于机理模型的对象辨识方法，其特征在于：包括如下步骤：

(1)根据距离-强度关系规则及信道差关系规则建立水环境监测信息采集机理模型；其中，所述距离-强度关系规则为：在信源照准区域中任意点上的辐照强度与该点位置距离照准中心的距离成反比例关系；所述其中，信道差关系规则为：在信源照准区域中信道间强度相对平衡，信道强度差异明显小于外围非照准区域；

(2)根据上述建立的机理模型检测信源照准，以确定对象存在的候选区域，并衍生出用于对象辨识的判决证据；

(3)在候选区域中，综合机理模型所衍生出的判决证据以及先验的对象属性在候选区域中提取对象典型性特征；

(4)通过图模型对对象典型性特征进行传播，遍历对象区域，实现对对象的整体辨识；

步骤(1)中，机理模型建模所根据的两种规则解析表达为：

距离-强度关系规则：量测局部区域中的点同该区域中辐照强度最大点间的欧式距离：

其中，D(x,m)为从点x到以点x为中心局部区域Ω_x中辐照强度最大点m间的欧式距离，(ξ₁,γ₁)和(ξ₂,γ₂)为坐标点x和m的坐标，d为欧式距离的上标；

信道差关系规则：量测不同信道间的辐照强度差异：

其中，

为点x处单一信道强度

同综合强度

间平方差，

分别为点x在r、g、b三个单一信道上的强度；

根据上述两种关系规则，机理模型建模为：；

步骤(2)中，根据机理模型检测信源照准，以确定对象存在的候选区域，并衍生出用于对象辨识的判决证据，具体为：

当f_x小于阈值Τ时，认为点x为信源照准区域进而确定对象存在的候选区域，f_x大于等于阈值Τ时，认为点x为背景区域：

其中，Τ为阈值，true表示对象存在的候选区域，false表示背景区域；

基于机理模型对象辨识的判决证据表达为：当点x为照准区域，f_x越小说明该点距离对象中心位置越近，该点处的特征对对象的表征能力越强；f_x与判决证据的表征能力κ_x间关系表达为：

步骤(3)中，先验的对象属性包括纹理特征和同背景较为明显的光谱对比度，综合机理模型所衍生的判决证据及先验对象属性，对象表征能力量化计算为：

φ_x＝κ_x×ψ_x×λ_x，

其中，ψ_x为点x处的纹理特征，λ_x为点x同背景光谱对比度，φ_x越大，点x对对象特征的表征能力越大；对监测区域内所有点的φ_x值进行从大到小排序，选择前K个点作为对象特征点；

步骤(4)中，以选择的K个点为中心建立超像素区块，以无向图模型度量不同区块间的相关性，采用随机游走方法对对象典型性特征进行游走，遍历对象区域，实现对象的整体辨识；

以K个对象特征点为中心建立超像素区块，以无向图模型G＝(V,E)度量不同区块间的相关性。其中，V为由超像素区块所组成的节点集合：V＝{sp₁,sp₂,…,sp_K}，E为节点点的链接。节点间的相似性通过权重矩阵量测：W＝H^K×K，其中W中的元素计算为：

其中，k(sp_i)为超像素区块sp_i中所提取的特征，以此作为对象典型性特征，这里的对象典型性特征可以是色彩特征、纹理特征等特征，具体应用时可根据对象属性进行选择提取，例如对于船舶对象，可以提取纹理形状特征作为对象典型性特征；σ为控制参数。相应的一个节点的权值定义为链接该节点所有的边缘和：

权值矩阵表征为：

M＝diag{d₁,d₂,…,d_K} (12)

相应的拉普拉斯矩阵表征为：

L＝M-W (13)

图模型建立后，得到场景中不同区块间的相关性，采用随机游走方法对对象典型性特征进行游走。游走的过程等价于以下能量函数的最小化：

其中，第一项为拉普拉斯项，能够将对象典型特征传播到更远距离，f_i为超像素区块sp_i的标签，即若sp_i区块包含对象典型特征，f_i＝1，反之f_i＝0,C_i为以sp_i超像素区块为中心的节点集合。

Images