CN113344879A - 基于污染源排口的图像目标分割与颜色异常检测方法 - Google Patents
基于污染源排口的图像目标分割与颜色异常检测方法 Download PDFInfo
- Publication number
- CN113344879A CN113344879A CN202110642415.9A CN202110642415A CN113344879A CN 113344879 A CN113344879 A CN 113344879A CN 202110642415 A CN202110642415 A CN 202110642415A CN 113344879 A CN113344879 A CN 113344879A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- foam
- pixel
- pollution source
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 title claims abstract description 30
- 239000006260 foam Substances 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 230000003287 optical effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims description 2
- 239000012530 fluid Substances 0.000 abstract description 8
- 239000003086 colorant Substances 0.000 abstract description 2
- 239000010865 sewage Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于污染源排口的图像目标分割与颜色异常检测方法,包括图像目标检测分割步骤和颜色异常检测步骤;图像目标检测分割步骤包括:对采集的污染源排口的实时视频流进行一系列处理后得到视频图像中完成排口的像素坐标,分割出排口区域;颜色异常检测步骤包括:设置颜色检测的时间周期并创建特征向量组,抽取实时视频流图像,根据图像目标检测分割步骤的像素坐标分割出的排口区域图像,判断泡沫是否超标和/或进行颜色检测步骤判断颜色是否异常。本发明利用基于像素级的图像直方图特征,通过关联时间维度,连续周期式地判定流体颜色异常;利用K‑means算法,实现流体目标的像素聚类,并根据HSV像素阈值,判定流体泡沫异常。
Description
技术领域
本发明涉及环保技术领域,尤其涉及一种基于污染源排口的图像目标分割与颜色异常检测方法。
背景技术
随着社会工业化的不断发展,越来越多的水环境开始出现恶化的问题,并且已进入水环境污染事故高发期;目前,很多企业将工厂处理的废水通过排污口将污染源排放到河流中,从而导致河流污染,一般而言排入的河流中水的颜色与其污染程度是相关的,因此,如何对采集的污染源排口视频流图像进行处理,以及对废水颜色的异常进行检测,以实现对污染源排放进行监测,是现阶段急需解决的。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种基于污染源排口的图像目标分割与颜色异常检测方法,能够对采集的污染源排口视频流图像进行实时异常检测,达到对污染源排放监测的目的。
本发明的目的通过以下技术方案来实现:基于污染源排口的图像目标分割与颜色异常检测方法,所述检测方法包括图像目标检测分割步骤和颜色异常检测步骤;
所述图像目标检测分割步骤包括:对采集的污染源排口的实时视频流进行一系列处理后得到视频图像中完成排口的像素坐标,最终分割出排口区域;
所述颜色异常检测步骤包括:设置颜色检测的时间周期并创建特征向量组,以一定采样间隔抽取实时视频流图像,根据所述图像目标检测分割步骤的像素坐标分割出的排口区域图像,然后进行泡沫检测步骤判断泡沫是否超标和/或进行颜色检测步骤判断颜色是否异常。
所述图像目标检测分割步骤具体包括:
S11、利用机器视觉库opencv创建基于VideoCapture的实时视频对象,并以一定的间隔抽取前后帧图像;
S12、将各图像由RGB通道转换为gray通道,并计算相邻周期图像间的稠密光流;
S13、设定阈值,采用opencv的adaptiveThreshold方法对光流图像进行自适应二值化处理,取得初始mask;
S14、对初始mask执行形态学闭运算和膨胀收缩消除图像的RGB特性并填充初始mask中缺失的部分;
S15、采用opencv的findContours方法,搜索经过步骤S14更新得到的mask中所有连通区域的轮廓;
S16、采用opencv的contourArea方法计算mask中所有连通区域的轮廓面积,以排出轮廓中的造点区域留下排口区域;
S17、将各轮廓与mask间的面积比值作为筛选条件,筛选出满足条件的包含排口区域的轮廓,否则返回步骤S11持续处理;
S18、将步骤S17获取的排口区域轮廓结合opencv中的boundingRect方法,计算图像中包含完整排口的像素坐标,最终分割出排口区域。
所述计算相邻周期图像间的稠密光流包括:
以滑动窗口的方式逐一拟合各像素的邻域信息,得到两帧图像所有像素的光流特征;
若坐标匹配的两个光流特征值不变,则判定该坐标对应的像素静止,反之,则判定其余像素均在时间间隔dt内沿x、y轴移动了dx、dy;
结合图像的多尺度感受野,实现各运动像素的匹配,并绘制运动轨迹。
所述搜索经过步骤S14更新得到的mask中所有连通区域的轮廓包括:
将二值化图像规范为二进制类型[0,1],遍历各像素,直到满足f(i,j)=1且f(i,j-1)=0,定义(i,j)为边界起始点;
依次以(i,j+k)(k=0,..,n)为中心起点按闭环方式查找其邻域中像素值为1的点,并做保留直到搜索回归至点(i,j+k)。
所述筛选条件包括:已知各轮廓面积与图像面积,当轮廓面积/图像面积>thresh时,表示满足条件。
所述泡沫检测步骤包括:对图像执行K-means聚类,聚拢图像中所有特征达到泡沫条件的像素并做描黑处理,通过统计黑色像素点数目判定当前排放是否存在泡沫超标现象。
所述泡沫检测步骤具体内容如下:
A1、将聚类对象分为泡沫和水两类;
A2、将形状为shape=(n,m,3)的图像重构为shape=(n×m,3)的二维矩阵;
A3、随机选取二维矩阵中的两条数据作为泡沫与水的聚类中心点,分别保留与这两点距离最近的数据,形成分别隶属于泡沫与水类别的数据集合;
A4、根据集合更新泡沫与水的聚类中心点,保留与中心点距离最近的数据,更新隶属于泡沫与水类别的数据集合;
A5、当聚类中心点不再更新变化或者迭代次数达到上限时,输出泡沫与水两类数据的集合,否则,返回步骤A3;
A6、根据判断隶属于泡沫集合的像素数目是否超过预设排口区域像素数目,判断泡沫超标现象。
所述颜色检测步骤具体内容如下:
B1将分割出的排口区域的目标图像的通道转换为HSV通道,以凸显出图像间的颜色差异;
B2、循环遍历目标图像的各通道,执行基于像素级分布的图像直方图特征提取,并级联各通道特征向量,得到HSV直方图特征向量;
B3、循环存放特征向量到向量组,达到周期限制时,利用皮尔森相关系数计算特征向量组中首尾向量间的相关度,当相关度低于阈值时,执行步骤B4;
B4、循环遍历特征向量组,计算以采样间隔为单位的特征向量组的相关度,如果相关度出现突变,不判定为颜色异常,反之,判定为颜色异常。
本发明具有以下优点:基于污染源排口的图像目标分割与颜色异常检测方法,1.利用稠密光流算法分割流体,解决流体轮廓、形态难以捕捉的问题,实现目标的针对性异常检测;2.利用基于像素级的图像直方图特征,通过关联时间维度,连续周期式地判定流体颜色异常;3.利用K-means算法,实现流体目标的像素聚类,并根据HSV像素阈值,判定流体泡沫异常。
附图说明
图1为本发明的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示,本发明涉及一种基于污染源排口的图像目标分割与颜色异常检测方法,具体包括图像目标检测分割步骤和颜色异常检测步骤,获得污染源排口的实时视频流后,图像目标检测分割步骤具体包括以下内容:
(1)利用机器视觉库opencv创建基于VideoCapture的实时视频对象,并以一定的间隔抽取前后帧图像;
(2)将各图像由RGB通道转换为gray通道,并计算相邻周期图像间的稠密光流(OpticalFlowFarneback);
进一步地,稠密光流计算的步骤包括:
视频中除运动体外的环境均处于静止状态,且物体在运动前后的光强度不变,因此,以滑动窗口的方式逐一拟合各像素的邻域信息,得到两帧图像所有像素的光流特征;
若坐标匹配的两个光流特征值不变,则判定改坐标对应的像素静止,反之,其余像素均在间隔dt内沿x、y轴移动了dx、dy;
结合图像的多尺度感受野(金字塔),实现各运动像素的匹配,并绘制运动轨迹。
(3)设定阈值,利用opencv的adaptiveThreshold方法对光流图像进行自适应二值化处理(>thresh的像素值置为255(白色),其余像素值均置为0(黑色)),取得初始mask;
自适应阈值二值化:由于各图像的明暗程度不同,设置统一阈值可能无法准确获取目标区域,因此,有必要根据图像的像素直方图,对图像亮度进行正规化处理,自适应选取阈值;如,若一张图较暗,像素大多集中分布在0~127之间,如果此时取thresh为128,可能目标区域完全无法被锁定;若一张图较亮,像素多集中分布在128~255之间,如果此时取thresh为128,则可能整张图均会被标定为目标区域。
(4)对初始mask执行形态学闭运算(dilate and erod),膨胀收缩,消除图像的rgb特性并填充初始mask中的缺失部分;
(5)使用opencv的findContours方法,得到经步骤4)更新的mask中所有连通区域的轮廓;
进一步地,搜索轮廓的步骤包括:
将二值化图像规范为二进制类型[0,1],遍历各像素,直到满足f(i,j)=1且f(i,j-1)=0,定义(i,j)为边界起始点;
其中,分辨率m*n的图像,可被表示为具有n行m列的矩阵,i,j分别对应于矩阵的行索引与列索引,f(i,j)、f(i,j-1)分别表示图像在坐标(i,j)、(i,j-1)处的像素值。
依次以(i,j+k)(k=0,..,n)为中心起点按闭环方式查找其4(8)邻域中像素值为1的点,并做保留,直到搜索回归至点(i,j+k);
其中,设坐标(i,j+n+1)的像素值为0,则(i,j+k)(k=0,..,n)表示于坐标(i,j)起,邻域像素值为1的所有坐标。通过遍历坐标(i,j+k)(k=0,..,n),并以坐标(i,j+k)为起点,查找并存储邻域像素值为1的所有坐标,当搜索回到坐标(i,j+k)时,形成闭环,存储的所有像素点即为连通区轮廓。
由于实时视频流难免会存在图像噪点,因此步骤(5)中得到的连通区轮廓不仅包含有排口区域,而且还携带有图像噪点区域;
(6)为排除噪点区域,利用opencv的contourArea方法计算mask中所有连通区域的轮廓面积(各轮廓像素总和);其中,轮廓面积是根据查找轮廓时所保留的轮廓像素点数目,求和所得。
(7)将各轮廓与mask间的面积比值作为筛选条件,满足要求即输出包含排口区域的轮廓,反之,返回步骤(1)持续处理;
进一步地,筛选条件为:已知各轮廓面积与图像面积,当轮廓面积/图像面积>thresh时,满足条件。
(8)结合opencv中的boundingRect方法与步骤(7)获取的排口区域轮廓,计算原图中包含完整排口的像素坐标,最终分割出排口区域。
其中,由于保留了各轮廓内的像素坐标,当筛选出目标轮廓后,只需找到坐标中x、y轴上最大、小的坐标,构成矩形边界的左上,右下坐标即可。
颜色异常检测步骤具体包括以下内容:
1、设置颜色检测的时间周期并创建(空)特征向量组,以秒为采样间隔抽取实时视频流图像,根据图像目标检测检测分割步骤(8)中的像素坐标,分割出排口区域图像;
2、由于HSV空间能直观的表达图像的明暗、色调,以及鲜艳程度,便于凸显图像间的颜色差异,因此将目标图像转换为HSV通道的图像;
3、对图像执行K-means聚类,聚拢图像中所有特征近似泡沫的像素并做描黑处理,通过统计黑色像素点数目判定当前排放是否存在泡沫超标现象;
其中,将图像由RGB通道→HSV通道(色调-饱和度-亮度),执行K-means像素聚类,当聚类中心点满足:180>=H>=0&&30>=S>=0&&255>=V>=221时,则与该中心临近的像素均为泡沫。
进一步地,K-means聚类与泡沫超标检测包括:
(a)将聚类对象分为两类,分别为泡沫与水;
(b)将形状为shape=(n,m,3)(n行m列3通道)的图像重构为shape=(n×m,3)的二维矩阵;
其中,shape=(n,m,3)表示三维矩阵,即分辨率为m*n的RGB图像,将其重构为一个shape=(n×m,3)的二维矩阵,方便聚类。
(c)随机选取二维矩阵中的两条数据作为泡沫与水的聚类中心点,分别保留与这两点距离最近的数据,形成分别隶属于泡沫与水类别的数据集合;
(d)根据集合更新泡沫与水的聚类中心点(取数据集合的均值),保留与中心点距离最近的数据,更新隶属于泡沫与水类别的数据集合;
(e)当聚类中心点不再更新变化,或迭代次数达到上限,输出泡沫与水两类数据的集合,反之,返回步骤(c);
(f)根据隶属于泡沫集合的数据(像素)数目是否超过排口区域像素数目的三分之一,判断泡沫超标现象。如果超过则表示泡沫超标。
4、根据步骤2中的结果,循环遍历目标图像的各通道,执行基于像素级分布的图像直方图特征(Histogram)提取,并级联各通道特征向量(H直方图特征 concatenate S直方图特征 concatenateV直方图特征),得到HSV直方图特征向量;
5、循环存放特征向量至向量组,达到周期限制时,利用皮尔森相关系数(PearsonCorrelation Coefficient),计算特征向量组中首尾向量间的相关度,当相关度低于阈值时,执行步骤6;反之,返回步骤1持续处理;
进一步地,设置相关度阈值thresh=0.6,综合考虑报警灵敏度,实现不漏报、不误报的目的,根据大量水体颜色、泡沫由正常到异常的图像、视频确定。
6、为排除短时光照变化所引起的图像特征相关度骤降情况导致颜色异常误报的情况,循环遍历特征向量组,计算以采样间隔为单位的特征向量间的相关度,若相关度出现突变,不判定异常并返回步骤1,反之,判定颜色异常并返回步骤1持续处理。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.基于污染源排口的图像目标分割与颜色异常检测方法,其特征在于:所述检测方法包括图像目标检测分割步骤和颜色异常检测步骤;
所述图像目标检测分割步骤包括:对采集的污染源排口的实时视频流进行一系列处理后得到视频图像中完成排口的像素坐标,最终分割出排口区域;
所述颜色异常检测步骤包括:设置颜色检测的时间周期并创建特征向量组,以一定采样间隔抽取实时视频流图像,根据所述图像目标检测分割步骤的像素坐标分割出的排口区域图像,然后进行泡沫检测步骤判断泡沫是否超标和/或进行颜色检测步骤判断颜色是否异常。
2.根据权利要求1所述的基于污染源排口的图像目标分割与颜色异常检测方法,其特征在于:所述图像目标检测分割步骤具体包括:
S11、利用机器视觉库opencv创建基于VideoCapture的实时视频对象,并以一定的间隔抽取前后帧图像;
S12、将各图像由RGB通道转换为gray通道,并计算相邻周期图像间的稠密光流;
S13、设定阈值,采用opencv的adaptiveThreshold方法对光流图像进行自适应二值化处理,取得初始mask;
S14、对初始mask执行形态学闭运算和膨胀收缩消除图像的RGB特性并填充初始mask中缺失的部分;
S15、采用opencv的findContours方法,搜索经过步骤S14更新得到的mask中所有连通区域的轮廓;
S16、采用opencv的contourArea方法计算mask中所有连通区域的轮廓面积,以排出轮廓中的造点区域留下排口区域;
S17、将各轮廓与mask间的面积比值作为筛选条件,筛选出满足条件的包含排口区域的轮廓,否则返回步骤S11持续处理;
S18、将步骤S17获取的排口区域轮廓结合opencv中的boundingRect方法,计算图像中包含完整排口的像素坐标,最终分割出排口区域。
3.根据权利要求2所述的基于污染源排口的图像目标分割与颜色异常检测方法,其特征在于:所述计算相邻周期图像间的稠密光流包括:
以滑动窗口的方式逐一拟合各像素的邻域信息,得到两帧图像所有像素的光流特征;
若坐标匹配的两个光流特征值不变,则判定该坐标对应的像素静止,反之,则判定其余像素均在时间间隔dt内沿x、y轴移动了dx、dy;
结合图像的多尺度感受野,实现各运动像素的匹配,并绘制运动轨迹。
4.根据权利要求2所述的基于污染源排口的图像目标分割与颜色异常检测方法,其特征在于:所述搜索经过步骤S14更新得到的mask中所有连通区域的轮廓包括:
将二值化图像规范为二进制类型[0,1],遍历各像素,直到满足f(i,j)=1且f(i,j-1)=0,定义(i,j)为边界起始点;
依次以(i,j+k)(k=0,..,n)为中心起点按闭环方式查找其邻域中像素值为1的点,并做保留直到搜索回归至点(i,j+k)。
5.根据权利要求2所述的基于污染源排口的图像目标分割与颜色异常检测方法,其特征在于:所述筛选条件包括:已知各轮廓面积与图像面积,当轮廓面积/图像面积>thresh时,表示满足条件。
6.根据权利要求1-5中任意一项所述的基于污染源排口的图像目标分割与颜色异常检测方法,其特征在于:所述泡沫检测步骤包括:对图像执行K-means聚类,聚拢图像中所有特征达到泡沫调节的像素并做描黑处理,通过统计黑色像素点数目判定当前排放是否存在泡沫超标现象。
7.根据权利要求6所述的基于污染源排口的图像目标分割与颜色异常检测方法,其特征在于:所述泡沫检测步骤具体内容如下:
A1、将聚类对象分为泡沫和水两类;
A2、将形状为shape=(n,m,3)的图像重构为shape=(n×m,3)的二维矩阵;
A3、随机选取二维矩阵中的两条数据作为泡沫与水的聚类中心点,分别保留与这两点距离最近的数据,形成分别隶属于泡沫与水类别的数据集合;
A4、根据集合更新泡沫与水的聚类中心点,保留与中心点距离最近的数据,更新隶属于泡沫与水类别的数据集合;
A5、当聚类中心点不再更新变化或者迭代次数达到上限时,输出泡沫与水两类数据的集合,否则,返回步骤A3;
A6、根据判断隶属于泡沫集合的像素数目是否超过预设排口区域像素数目,判断泡沫超标现象。
8.根据权利要求1-5中任意一项所述的基于污染源排口的图像目标分割与颜色异常检测方法,其特征在于:所述颜色检测步骤具体内容如下:
B1将分割出的排口区域的目标图像的通道转换为HSV通道,以凸显出图像间的颜色差异;
B2、循环遍历目标图像的各通道,执行基于像素级分布的图像直方图特征提取,并级联各通道特征向量,得到HSV直方图特征向量;
B3、循环存放特征向量到向量组,达到周期限制时,利用皮尔森相关系数计算特征向量组中首尾向量间的相关度,当相关度低于阈值时,执行步骤B4;
B4、循环遍历特征向量组,计算以采样间隔为单位的特征向量组的相关度,如果相关度出现突变,不判定为颜色异常,反之,判定为颜色异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110642415.9A CN113344879A (zh) | 2021-06-09 | 2021-06-09 | 基于污染源排口的图像目标分割与颜色异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110642415.9A CN113344879A (zh) | 2021-06-09 | 2021-06-09 | 基于污染源排口的图像目标分割与颜色异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344879A true CN113344879A (zh) | 2021-09-03 |
Family
ID=77476471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110642415.9A Pending CN113344879A (zh) | 2021-06-09 | 2021-06-09 | 基于污染源排口的图像目标分割与颜色异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344879A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703916A (zh) * | 2023-08-07 | 2023-09-05 | 山东正基药业有限公司 | 一种基于图像处理的洗化水质量监测方法 |
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
-
2021
- 2021-06-09 CN CN202110642415.9A patent/CN113344879A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703916A (zh) * | 2023-08-07 | 2023-09-05 | 山东正基药业有限公司 | 一种基于图像处理的洗化水质量监测方法 |
CN116703916B (zh) * | 2023-08-07 | 2023-10-20 | 山东正基药业有限公司 | 一种基于图像处理的洗化水质量监测方法 |
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
CN116823834B (zh) * | 2023-08-30 | 2023-11-24 | 江苏锡澄环境科学研究院有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chai et al. | Locating facial region of a head-and-shoulders color image | |
D'Elia et al. | A tree-structured Markov random field model for Bayesian image segmentation | |
WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
US7742650B2 (en) | Object detection in images | |
CN113344879A (zh) | 基于污染源排口的图像目标分割与颜色异常检测方法 | |
CN113537099A (zh) | 一种公路隧道火灾烟雾动态检测方法 | |
CN109543686B (zh) | 基于自适应多阈值的字符识别预处理二值化方法 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
Biswas et al. | A global-to-local approach to binarization of degraded document images | |
CN112001299A (zh) | 一种隧道车指器和照明灯故障识别方法 | |
Fathy et al. | A window-based edge detection technique for measuring road traffic parameters in real-time | |
KR101892844B1 (ko) | 가우시안 혼합 모델을 이용한 컬러 영역의 검출 장치 및 그 방법 | |
CN109308709B (zh) | 基于图像分割的Vibe运动目标检测算法 | |
KR101690050B1 (ko) | 지능형 영상보안 시스템 및 객체 추적 방법 | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
KR20080079443A (ko) | 영상으로부터의 객체 검출 방법 및 장치 | |
CN112712054A (zh) | 脸部皱纹检测方法 | |
CN111242051A (zh) | 一种车辆识别优化方法、装置及存储介质 | |
CN115761580A (zh) | 一种水面漂浮物的检测方法、边缘计算终端及存储介质 | |
CN111985482B (zh) | 一种基于深度学习的多模式多场景的自动车牌识别方法 | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 | |
CN113936030A (zh) | 基于卷积编码的运动目标检测方法及系统 | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
CN110084233B (zh) | 一种生产线视频序列中快速捕获目标的方法及系统 | |
CN112419359A (zh) | 一种基于卷积神经网络的红外弱小目标检测方法及装置 |
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 |