CN114882040B - 一种基于模板匹配的污水处理检测方法 - Google Patents
一种基于模板匹配的污水处理检测方法 Download PDFInfo
- Publication number
- CN114882040B CN114882040B CN202210811683.3A CN202210811683A CN114882040B CN 114882040 B CN114882040 B CN 114882040B CN 202210811683 A CN202210811683 A CN 202210811683A CN 114882040 B CN114882040 B CN 114882040B
- Authority
- CN
- China
- Prior art keywords
- matched
- area
- region
- standard matching
- sewage
- 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
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及污水处理检测技术领域,具体涉及一种基于模板匹配的污水处理检测方法,包括:获取原始标准匹配区域、预处理后的待检测污水图像及其HSV图像;得到各个超像素块对应的最大内接矩形,进而得到HSV图像的各个超像素块对应的待匹配区域和标准匹配区域;根据各个超像素块对应的待匹配区域和标准匹配区域,确定待匹配区域和标准匹配区域的纹理特征参数和色泽度特征参数;确定各个超像素块的区域因子,进而确定待检测污水图像对应的污水处理因子;获取污水处理因子阈值,根据污水处理因子和污水处理因子阈值,判定待检测污水的污水处理效果。本发明通过污水处理检测技术,判定污水的污水处理效果,提高了污水处理效果检测的准确性。
Description
技术领域
本发明涉及污水处理检测技术领域,具体涉及一种基于模板匹配的污水处理检测方法。
背景技术
污水指工艺生产过程中排出的废水和废液,污水中所包含主要污染物可分为含无机污染物为主的无机废水、含有机污染物为主的有机废水、含有机物和无机物的混合废水、重金属废水、含放射性物质的废水,污水中还可能包含随水流失的工业生产用料、中间产物、副产品。因此,污水是造成环境污染的重要原因,污水处理检测是污水处理流程中必不可少的工序,污水处理检测是将污水处理过程中的各种物质进行分析和检测的一道工序。
传统主要利用光谱仪进行污水处理检测,该检测方法需要检验员收集污水样本,再将污水样本运往实验室进行检测分析,光谱仪在检测过程中容易受外部因素影响,从而导致污水处理效果检测的结果并不准确。因此,目前现有的污水处理效果检测方法不能判定污水处理效果检测的指标是否达标,也就是不能准确地对污水处理效果进行检测与分析。
发明内容
为了解决上述现有污水处理检测准确性较差的技术问题,本发明的目的在于提供一种基于模板匹配的污水处理检测方法。
本发明提供了一种基于模板匹配的污水处理检测方法,包括以下步骤:
获取待检测污水图像和原始标准匹配区域,进而得到预处理后的待检测污水图像及其HSV图像;
根据预处理后的待检测污水图像,得到待检测污水图像的各个超像素块,进而得到各个超像素块对应的最大内接矩形;
根据原始标准匹配区域和各个超像素块对应的最大内接矩形,确定各个超像素块对应的待匹配区域和标准匹配区域;
根据各个超像素块对应的待匹配区域和标准匹配区域内各个像素点的灰度值,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数;
根据HSV图像的各个超像素块对应的待匹配区域和标准匹配区域内每个像素点的色泽度,确定各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数;
根据各个超像素块对应的待匹配区域的纹理特征参数和色泽度特征参数、标准匹配区域的纹理特征参数和色泽度特征参数,确定各个超像素块的区域因子,进而确定待检测污水图像对应的污水处理因子;
获取污水处理因子阈值,根据待检测污水图像对应的污水处理因子和污水处理因子阈值,判定待检测污水的污水处理效果。
进一步的,所述各个超像素块对应的待匹配区域和标准匹配区域的尺寸保持一致,确定各个超像素块对应的待匹配区域和标准匹配区域的步骤包括:
若某个超像素块对应的最大内接矩形的尺寸小于原始标准匹配区域的尺寸,则将最大内接矩形作为该超像素块对应的待匹配区域,并将最大内接矩形对应的原始标准匹配区域作为该超像素块对应的标准匹配区域;
若某个超像素块对应的最大内接矩形的尺寸小于或等于预设倍数的原始标准匹配区域的尺寸,则使原始标准匹配区域的中心与该最大内接矩形的中心保持一致,将最大内接矩形与原始标准匹配区域的交集区域对应的最大内接矩形作为该超像素块对应的待匹配区域,并将该交集区域对应的原始标准匹配区域作为该超像素块对应的标准匹配区域;
若某个超像素块对应的最大内接矩形的尺寸大于预设倍数的原始标准匹配区域的尺寸,则将最大内接矩形内的多个原始标准匹配区域对应的最大内接矩形作为该超像素块对应的待匹配区域,并将该多个原始标准匹配区域作为该超像素块对应的标准匹配区域。
进一步的,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数的步骤包括:
根据各个超像素块对应的待匹配区域和标准匹配区域内各个像素点的灰度,计算待匹配区域和标准匹配区域内各个像素点的梯度幅值和梯度方向;
根据待匹配区域和标准匹配区域内各个像素点的梯度幅值,确定待匹配区域和标准匹配区域内各个梯度幅值对应的像素点在所有像素点中出现的次数;
根据待匹配区域和标准匹配区域内各个像素点的梯度方向,确定待匹配区域和标准匹配区域内所有像素点的梯度方向均值;
根据待匹配区域和标准匹配区域内各个像素点的梯度方向、所有像素点的梯度方向均值、所有像素点的数目以及各个梯度幅值对应的像素点在所有像素点中出现的次数,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数。
进一步的,各个超像素块对应的确定待匹配区域和标准匹配区域的纹理特征参数的计算公式为:
其中,为第c个超像素块对应的待匹配区域或标准匹配区域的纹理特征参数,为第c个超像素块对应的待匹配区域或标准匹配区域内所有像素点的数目,为第c
个超像素块对应的待匹配区域或标准匹配区域内第j个梯度幅值对应的像素点在所有像素
点中出现的次数,J为第c个超像素块对应的待匹配区域或标准匹配区域内不同梯度幅值的
个数,为第c个超像素块对应的待匹配区域或标准匹配区域内第i个像素点的梯度方向,为第c个超像素块对应的待匹配区域或标准匹配区域内所有像素点的梯度方向均值。
进一步的,确定各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数的步骤包括:
根据HSV图像的各个超像素块对应的待匹配区域和标准匹配区域内每个像素点的色泽度,确定待匹配区域和标准匹配区域的各个色泽等级,进而确定待匹配区域和标准匹配区域的各个色泽等级对应的像素点在对应区域内出现的频次;
根据待匹配区域和标准匹配区域的各个色泽等级对应的像素点在对应区域内出现的频次,确定各个超像素块对应的待匹配区域和标准匹配区域的各个色泽等级的分布状况指标;
根据各个超像素块对应的待匹配区域和标准匹配区域的各个色泽等级的分布状况指标,得到待匹配区域和标准匹配区域的各个目标色泽等级的分布状况指标,进而得到各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数。
进一步的,确定各个超像素块对应的待匹配区域和标准匹配区域的各个色泽等级的分布状况指标的计算公式为:
其中,为第c个超像素块对应的待匹配区域或标准匹配区域的第k个色泽等级
的分布状况指标,为第c个超像素块对应的待匹配区域或标准匹配区域的第k个色泽
等级对应的像素点在对应区域内出现的频次,M为第c个超像素块对应的待匹配区域或标准
匹配区域内不同色泽等级的个数。
进一步的,确定各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数的计算公式为:
其中,为第c个超像素块对应的待匹配区域或标准匹配区域的色泽度特征参数,为第c个超像素块对应的待匹配区域或标准匹配区域的第k个目标色泽等级的分布状况
指标,为第c个超像素块对应的待匹配区域或标准匹配区域内目标色泽等级的个数。
进一步的,确定各个超像素块的区域因子的计算公式为:
其中,为第n个超像素块的区域因子,为第n个超像素块对应的待匹配区域或
标准匹配区的个数,为第n个超像素块对应的第c个待匹配区域的纹理特征参数,为
第n个超像素块对应的第c个标准匹配区域的纹理特征参数,为第n个超像素块对应的第c
个待匹配区域的色泽度特征参数,为第n个超像素块对应的第c个标准匹配区域的色泽
度特征参数。
进一步的,进而确定待检测污水图像对应的污水处理因子的计算公式为:
进一步的,判定待检测污水的污水处理效果的步骤包括:
若待检测污水图像对应的污水处理因子小于污水处理因子阈值,则判定待检测污水的污水处理效果较差,否则,判定待检测污水的污水处理效果较好。
本发明具有如下有益效果:
本发明所获取的图像数据便于后续对污水处理效果进行分析,图像数据包括:待检测污水图像、原始标准匹配区域以及预处理后的待检测污水图像及其HSV图像;根据预处理后的待检测污水图像,得到各个超像素块以及各个超像素块对应的最大内接矩形。由于同一超像素块内的像素点的特征相同或相似,基于待检测污水图像的各个超像素块进行自适应匹配,可提高污水处理效果检测的检测精度,降低检测量,提高检测速度。为了便于后续确定各个超像素块的区域因子,提高各个超像素块与标准匹配区域的匹配速度,将使用规则区域来表征对应超像素块,本发明将确定各个超像素块对应的最大内接矩形;根据原始标准匹配区域和各个超像素块对应的最大内接矩形,确定各个超像素块对应的待匹配区域和标准匹配区域。各个超像素块均有其对应的待匹配区域和标准匹配区域,也就是每个待匹配区域均有其对应的标准匹配区域,由于传统模板匹配方式是利用固定尺寸和数量的标准匹配模板进行匹配,存在标准匹配模板尺寸单一、数量单一以及匹配效率差的问题,而自适应确定各个待匹配区域对应的标准匹配区域的尺寸和数量能够避免这些问题,有效提高污水处理效果检测的速度和准确度;根据HSV图像的各个超像素块对应的待匹配区域和标准匹配区域,确定待匹配区域和标准匹配区域的纹理特征参数和色泽度特征参数,根据纹理特征参数和色泽度特征参数,确定各个超像素块的区域因子,进而确定待检测污水图像对应的污水处理因子,获取污水处理因子阈值,根据待检测污水图像对应的污水处理因子和污水处理因子阈值,判定待检测污水的污水处理效果。纹理特征参数和色泽度特征参数均能反映出污水图像中污水的处理状况,通过各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数和色泽度特征参数,确定待匹配区域和标准匹配区域之间的匹配相似度,也就是确定各个超像素块的区域因子。当待匹配区域的纹理特征参数和色泽度特征参数和标准匹配区域的纹理特征参数和色泽度特征参数之间的差异越小时,超像素块的区域因子越大,那么待检测污水图像对应的污水处理因子也会越大,此时说明待检测污水的污水处理效果较好,通过比较待检测污水图像对应的污水处理因子和污水处理因子阈值,来判定待检测污水的污水处理效果。通过污水图像中各个超像素块对应的区域因子所确定的污水处理因子更能表征待检测污水的污水处理效果,其有效提高了污水处理效果检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一种基于模板匹配的污水处理检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例将基于自适应的模板匹配过程,自动检测经过污水处理操作的污水的处理效果,具体提供了一种基于模板匹配的污水处理检测方法,如图1所示,该方法包括以下步骤:
(1)获取待检测污水图像和原始标准匹配区域,进而得到预处理后的待检测污水图像及其HSV图像。
(1-1)本实施例将设置图像采集设备,图像采集设备包括摄像机和光源等装置,通过图像采集设备来采集污水处理容器中的待检测污水的图像,待检测污水是经过最终污水处理步骤的污水,并非新生成没有经过处理的污水,摄像机可以处于待检测污水容器的侧面,摄像机的具体位置和相机视角等可由实施者根据实际情况自行设定。
需要说明的是,本实施例的主要目的是判定待检测污水的污水处理效果,待检测污水中可能会存在极少量的絮状等漂浮物,存在少量的絮状类漂浮物属于污水处理过程中的正常现象,该现象不能表征污水的处理效果。
(1-2)通过图像采集设备可采集大量的历史先验的经过污水处理的污水图像数据,这里的污水与待检测污水为同一种类型的污水,大量的污水图像数据可用于选取原始标准匹配区域。首先,对大量的历史先验的经过污水处理的污水图像数据进行分析,考虑到污水处理效果好的污水图像中的纹理分布是较为均匀的,人为选取一张最佳的污水图像,并对该最佳的污水图像进行超像素分割处理,得到最佳的污水图像对应的各个超像素块,这里的最佳的污水图像是指大量的污水图像数据中纹理分布最均匀的污水图像,从最佳的污水图像对应的各个超像素块中选取一个最优的超像素块,这里的最优的超像素块是指各个超像素块中纹理分布最均匀的超像素块,若存在多个纹理分布最均匀的超像素块,则随机选取其中一个。对最优的超像素块进行最大内接矩形处理,并将最优的超像素块对应的最大内接矩形作为原始标准匹配区域。
需要说明的是,本实施例所确定的原始标准匹配区域有利于准确地提取待检测污水图像的局部特征信息,以实现准确地确定待检测污水的处理效果的目的。
(1-3)为了避免图像采集过程中噪声点的影响,提高污水检测的检测精度,对待检测污水图像进行图像预处理操作,图像预处理操作包括图像去噪处理和图像增强处理。图像去噪处理和图像增强处理的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。为了便于后续确定每个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数,将预处理后的待检测污水图像转换成HSV图像。
至此,本实施例得到了待检测污水图像、原始标准匹配区域、预处理后的待检测污水图像以及预处理后的待检测污水图像对应的HSV图像,基于这些图像数据对待检测污水的污水处理效果进行检测分析。
(2)根据预处理后的待检测污水图像,得到待检测污水图像的各个超像素块,进而得到各个超像素块对应的最大内接矩形。
在得到原始标准匹配区域之后,为了提高污水处理效果的检测速度,降低污水处理效果的检测量和计算量,本实施例利用超像素块分割算法对预处理后的待检测图像进行超像素分割,得到待检测污水图像的各个超像素块,通过最大内接矩形算法对待检测污水图像的各个超像素块进行处理,得到各个超像素块对应的最大内接矩形。由于同一个超像素块内像素点的特征相同或相似,基于每个超像素块进行自适应匹配就可以提高后续确定的每个超像素块的区域因子的准确性,进而提高污水处理效果的检测精度。超像素块分割算法和最大内接矩形算法的实现过程均为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(3)根据原始标准匹配区域和各个超像素块对应的最大内接矩形,确定各个超像素块对应的待匹配区域和标准匹配区域。
首先,需要说明的是,基于原始标准匹配区域对各个超像素块对应的最大内接矩形进行自适应的匹配,在超像素块自适应匹配的过程中调节原始标准匹配区域的尺寸和数量,以确定每个待匹配区域对应的标准匹配区域,确定各个超像素块对应的待匹配区域和标准匹配区域的步骤包括:
(3-1)在本实施例中,根据步骤(2)得到的各个超像素块对应的最大内接矩形,确
定各个最大内接矩形的尺寸集合,,N为最大内接矩
形的个数,也就是待检测污水图像中超像素块的个数,为第N个超像素块对应的最
大内接矩形的长和宽,另外,将原始标准匹配区域的尺寸设置为。
(3-2)根据原始标准匹配区域的尺寸和各个超像素块对应的最大内接矩形的尺寸,确定各个超像素块对应的待匹配区域和标准匹配区域。
若某个超像素块对应的最大内接矩形的尺寸小于原始标准匹配区域的尺寸,则将最大内接矩形作为该超像素块对应的待匹配区域,并将最大内接矩形对应的原始标准匹配区域作为该超像素块对应的标准匹配区域;若某个超像素块对应的最大内接矩形的尺寸小于或等于预设倍数的原始标准匹配区域的尺寸,则使原始标准匹配区域的中心与该最大内接矩形的中心保持一致,将最大内接矩形与原始标准匹配区域的交集区域对应的最大内接矩形作为该超像素块对应的待匹配区域,并将该交集区域对应的原始标准匹配区域作为该超像素块对应的标准匹配区域;若某个超像素块对应的最大内接矩形的尺寸大于预设倍数的原始标准匹配区域的尺寸,则将最大内接矩形内的多个原始标准匹配区域对应的最大内接矩形作为该超像素块对应的待匹配区域,并将该多个原始标准匹配区域作为该超像素块对应的标准匹配区域。
在本实施例中,根据原始标准匹配区域的尺寸和各个超像素块对应的最
大内接矩形尺寸集合,将最大内接矩形尺寸集合分
为三个子集,分别为:第一子集、第二子集以及第三子集,第一子集为尺寸小于原始标准匹
配区域尺寸的最大内接矩形尺寸集合,记为;第二子集为尺寸小于或等于预设倍数的原
始标准匹配区域尺寸的最大内接矩形尺寸集合,将预设倍数设置为2,记为;第三子集为
尺寸大于2倍的原始标准匹配区域尺寸的最大内接矩形尺寸集合,记为,根据最大内接矩
形尺寸集合对应的三个子集,对各个超像素块对应的待匹配区域和标准匹配区域的尺寸和
数量进行自适应调控,需要说明的是,各个超像素块对应的待匹配区域的尺寸和数量与标
准匹配区域的尺寸和数量是保持一致的。在确定最大内接矩形尺寸集合中的某个超像素块
对应的待匹配区域和标准匹配区域时,可分三种情况,具体为:
(3-2-1)当最大内接矩形尺寸集合中的某个超像素块对应的最大内接矩形的尺寸
属于第一子集时,本实施例通过放射变换缩放改变原始标准匹配区域的尺寸,更新原始
标准匹配区域的尺寸,以保证更新后的标准匹配区域的尺寸与该最大内接矩形的尺寸保持
一致,并将该最大内接矩形作为待匹配区域,将更新后的标准匹配区域作为标准匹配区域,
从而得到该超像素块对应的待匹配区域和标准匹配区域。此时,该超像素块对应待匹配区
域和标准匹配区域的数量均为1个。放射变换缩放的过程为现有技术,不在本发明保护范围
内,此处不再进行详细阐述。
(3-2-2)当最大内接矩形尺寸集合中的某个超像素块对应的最大内接矩形的尺寸
属于第二子集时,本实施例选取原始标准匹配区域对该最大内接矩形进行匹配分析,将
原始标准匹配区域的中心与该最大内接矩形的中心保持一致,将原始标准匹配区域与该最
大内接矩形的交集区域对应的最大内接矩形区域作为该超像素块对应的待匹配区域,基于
该超像素块对应的待匹配区域的尺寸,更新原始标准匹配区域的尺寸,使更新后的标准匹
配区域的尺寸与待匹配区域的尺寸保持一致,将更新后的标准匹配区域作为该超像素块对
应的标准匹配区域,从而得到该超像素块对应的待匹配区域和标准匹配区域。此时,该超像
素块对应待匹配区域和标准匹配区域的数量均为1个
(3-2-3)当最大内接矩形尺寸集合中的某个超像素块对应的最大内接矩形的尺寸
属于第三子集时,为实现对待检测污水的处理效果进行精确检测,保证匹配过程中尽可
能覆盖超像素块更多的区域,提高匹配精度,降低匹配量,本实施例将对该最大内接矩形内
原始标准匹配区域的数量进行调控,通过遗传算法对该最大内接矩形进行排样分析,得到
该最大内接矩形能够存放原始标准匹配区域的个数,记为K,将K个原始标准匹配区域尺寸
对应的最大内接矩形区域作为该超像素块对应的待匹配区域,并将K个原始标准匹配区域
作为该超像素块对应的标准匹配区域。遗传算法的实现过程为现有技术,不在本发明保护
范围内,此处不再进行详细阐述。此时,该超像素块对应待匹配区域和标准匹配区域的数量
均为多个,且待匹配区域和标准匹配区域的数量是保持一致的。
至此,本实施例实现了自适应确定待检测污水图像的各个超像素块对应的待匹配区域和标准匹配区域,以便于后续对各个超像素块对应的待匹配区域和标准匹配区域进行匹配操作。需要说明的是,传统的模板匹配都是固定的标准匹配模板尺寸和标准匹配模板数量,存在标准匹配模板尺寸单一和标准匹配模板数量单一的问题,该匹配方法的匹配效率较低。基于上述分析,本实施例对于各个超像素块对应的最大内接矩形而言,基于各个超像素块对应的最大内接矩形的尺寸对原始标准匹配区域的尺寸和数量进行自适应的调控,在保证匹配精度的前提下有效提高了匹配效率。
(4)根据各个超像素块对应的待匹配区域和标准匹配区域内各个像素点的灰度值,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数。
需要说明的是,在确定各个超像素块对应的待匹配区域和标准匹配区域之后,本实施例将设置匹配度分析模型,该匹配度分析模型用于获取待匹配超像素块与对应标准匹配区域之间的匹配相似度。在获取区域匹配相似度时,首先需要确定各个超像素块对应的待匹配区域和标准匹配区域的污水处理特征参数,以便于后续基于污水处理特征参数对区域匹配度进行分析,实现后续对区域因子的提取,污水处理特征参数包括纹理特征参数和色泽度特征参数。首先,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数,其步骤包括:
(4-1)根据各个超像素块对应的待匹配区域和标准匹配区域内各个像素点的灰度,计算待匹配区域和标准匹配区域内各个像素点的梯度幅值和梯度方向。
(4-2)根据待匹配区域和标准匹配区域内各个像素点的梯度幅值,确定待匹配区域和标准匹配区域内各个梯度幅值对应的像素点在所有像素点中出现的次数。
为了便于后续确定待匹配区域和标准匹配区域的纹理特征参数,本实施例通过待
匹配区域和标准匹配区域内各个像素点的梯度幅值,统计待匹配区域和标准匹配区域内
各个梯度幅值对应的像素点在所有像素点中出现的次数。统计区域内梯度幅值对应的像素
点出现的次数的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(4-3)根据待匹配区域和标准匹配区域内各个像素点的梯度方向,确定待匹配区域和标准匹配区域内所有像素点的梯度方向均值。
本实施例根据步骤(4-1)得到的待匹配区域和标准匹配区域内各个像素点的梯度
方向,计算待匹配区域和标准匹配区域内所有像素点的梯度方向的均值,所有像素点的
梯度方向可以表征待匹配区域和标准匹配区域内的纹理特征。计算所有像素点的梯度方向
均值的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(4-4)根据待匹配区域和标准匹配区域内各个像素点的梯度方向、所有像素点的梯度方向均值、所有像素点的数目以及各个梯度幅值对应的像素点在所有像素点中出现的次数,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数。
在本实施例中,计算各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数的计算公式为:
其中,为第c个超像素块对应的待匹配区域或标准匹配区域的纹理特征参数,为第c个超像素块对应的待匹配区域或标准匹配区域内所有像素点的数目,为第c
个超像素块对应的待匹配区域或标准匹配区域内第j个梯度幅值对应的像素点在所有像素
点中出现的次数,J为第c个超像素块对应的待匹配区域或标准匹配区域内不同梯度幅值的
个数,为第c个超像素块对应的待匹配区域或标准匹配区域内第i个像素点的梯度方向,为第c个超像素块对应的待匹配区域或标准匹配区域内所有像素点的梯度方向均值。
(5)根据HSV图像的各个超像素块对应的待匹配区域和标准匹配区域内每个像素点的色泽度,确定各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数。
需要说明的是,考虑到污水处理之后污水色泽将会发生相应的变化,为实现对污水处理的准确检测,本实施例将基于色泽度特征参数对待匹配区域和标准匹配区域的匹配相似度进行分析。污水进行污水处理之后,污水的色泽将会发生变化,因此,本实施例对预处理后的待检测污水图像进行HSV转换,得到色泽通道,从而确定各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数,其步骤包括:
(5-1)根据HSV图像的各个超像素块对应的待匹配区域和标准匹配区域内每个像素点的色泽度,确定待匹配区域和标准匹配区域的各个色泽等级,进而确定待匹配区域和标准匹配区域的各个色泽等级对应的像素点在对应区域内出现的频次。
在本实施例中,根据HSV图像的各个超像素块对应的待匹配区域和标准匹配区域内每个像素点的色泽度,构建色泽直方图,统计各个超像素块对应的待匹配区域和标准匹配区域内的各个色泽等级,以及各个色泽等级的像素点在对应区域内出现的频次,色泽等级是区域内不同的色泽度。统计区域内各个色泽等级和出现频次的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
假设某个超像素块对应的待匹配区域内共有5个像素点,5个像素点的色泽度分别为2、3、4、3、5,那么该超像素块对应的待匹配区域内共有4个色泽等级,4个色泽等级分别为2、3、4和5,由此可知,该超像素块对应的待匹配区域的第1个色泽等级2对应的像素点出现的频次为1次、第2个色泽等级3对应的像素点出现的频次为2次,第3个色泽等级4对应的像素点出现的频次为1次,第4个色泽等级5对应的像素点出现的频次为1次。
(5-2)根据待匹配区域和标准匹配区域的各个色泽等级对应的像素点在对应区域内出现的频次,确定各个超像素块对应的待匹配区域和标准匹配区域的各个色泽等级的分布状况指标。
在本实施例中,以计算第c个超像素块对应的待匹配区域和标准匹配区域的第k个色泽等级的分布状况指标为例,根据第c个超像素块对应的待匹配区域和标准匹配区域的第k个色泽等级对应的像素点在对应区域内出现的频次以及不同色泽等级的个数,计算第c个超像素块对应的待匹配区域和标准匹配区域的第k个色泽等级的分布状况指标,其计算公式为:
其中,为第c个超像素块对应的待匹配区域或标准匹配区域的第k个色泽等级
的分布状况指标,为第c个超像素块对应的待匹配区域或标准匹配区域的第k个色泽
等级对应的像素点在对应区域内出现的频次,M为第c个超像素块对应的待匹配区域或标准
匹配区域内不同色泽等级的个数。
参考第c个超像素块对应的待匹配区域和标准匹配区域的第k个色泽等级的分布状况指标的计算过程,得到各个超像素块对应的待匹配区域和标准匹配区域的各个色泽等级的分布状况指标。
(5-3)根据各个超像素块对应的待匹配区域和标准匹配区域的各个色泽等级的分布状况指标,得到待匹配区域和标准匹配区域的各个目标色泽等级的分布状况指标,进而得到各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数。
在本实施例中,从各个超像素块对应的待匹配区域和标准匹配区域的各个色泽等级的分布状况指标中,选取最大的前K个分布状况指标对应的色泽等级,将选取出来色泽等级称为目标色泽等级,目标色泽等级更能够代表区域的色泽分布状况,并且避免了无关色彩信息对区域色泽分布状况的影响,这里的区域色泽分布状况可以是待匹配区域的色泽分布状况,也可以是标准匹配区域的色泽分布状况。
以确定第c个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数为例,通过第c个超像素块对应的待匹配区域和标准匹配区域的各个目标色泽等级的分布状况指标以及目标色泽等级的个数,计算第c个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数,其计算公式为:
其中,为第c个超像素块对应的待匹配区域或标准匹配区域的色泽度特征参数,为第c个超像素块对应的待匹配区域或标准匹配区域的第k个目标色泽等级的分布状况
指标,为第c个超像素块对应的待匹配区域或标准匹配区域内目标色泽等级的个数。
(6)根据各个超像素块对应的待匹配区域的纹理特征参数和色泽度特征参数、标准匹配区域的纹理特征参数和色泽度特征参数,确定各个超像素块的区域因子,进而确定待检测污水图像对应的污水处理因子。
(6-1)根据各个超像素块对应的待匹配区域的纹理特征参数和色泽度特征参数、标准匹配区域的纹理特征参数和色泽度特征参数,确定各个超像素块的区域因子。
本实施例以确定第n个超像素块的区域因子为例,根据第n个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数和色泽度特征参数,计算第n个超像素块的区域因子,区域因子用于表征各个超像素块对应的待匹配区域与标准匹配区域之间的匹配度,以实现后续对待检测污水处理状况的准确检测,确定第n个超像素块的区域因子的计算公式为:
其中,为第n个超像素块的区域因子,为第n个超像素块对应的待匹配区域或
标准匹配区的个数,为第n个超像素块对应的第c个待匹配区域的纹理特征参数,为
第n个超像素块对应的第c个标准匹配区域的纹理特征参数,为第n个超像素块对应的第c
个待匹配区域的色泽度特征参数,为第n个超像素块对应的第c个标准匹配区域的色泽
度特征参数。
参考第n个超像素块的区域因子的计算过程,可以得到各个超像素块的区域因子。需要说明的是,当某个超像素块对应的待匹配区域与标准匹配区域的纹理特征参数和色泽度特征参数的相差越大,该超像素块对应的待匹配区域与标准匹配区域越不匹配,该超像素块对应的区域因子越小。
(6-2)根据各个超像素块的区域因子,确定待检测污水图像对应的污水处理因子。
本实施例基于步骤(6-1)得到的各个超像素块的区域因子,计算待检测污水图像对应的污水处理因子,污水处理因子用于对待检测污水进行检测分析,确定污水处理因子的计算公式为:
其中,为待检测污水图像对应的污水处理因子,N为待检测污水图像内超像素块
的个数,为第n个超像素块的区域因子,为待检测污水图像的面积指标,为第n个超像
素块的面积指标,这里的面积指标为待检测污水图像或超像素块内像素点的个数。
需要说明的是,当各个超像素块的区域因子较大,各个超像素块的面积指标与待检测污水图像的面积指标的比值较大时,待检测污水图像对应的污水处理因子就会比较大,表明待检测污水的污水处理效果较好。
(7)获取污水处理因子阈值,根据待检测污水图像对应的污水处理因子和污水处理因子阈值,判定待检测污水的污水处理效果。
首先,获取污水处理因子阈值,为了避免人为设置阈值主观性较强以及不够精确
的问题,本实施例基于大量的与待检测污水同类型的污水处理效果较佳的图像,构建标准
数据库,参考步骤(1)至步骤(6)确定待检测污水图像对应的污水处理因子的过程,得到标
准数据库中每张污水处理效果较佳图像对应的污水处理因子,进而构建标准污水处理因子
序列,计算标准污水处理因子序列对应的污水处理因子均值,本实施例将标准污水处理因
子序列对应的污水处理因子均值作为污水处理因子阈值,记为。
在本实施例中,基于待检测污水图像对应的污水处理因子和污水处理因子阈值,对待检测污水的处理效果进行分析,待检测污水的污水处理因子的数值越大,待检测污水的污水处理效果越佳。将待检测污水图像对应的污水处理因子与污水处理因子阈值作比较,若待检测污水图像对应的污水处理因子小于污水处理因子阈值,则判定待检测污水的污水处理效果较差,提示相关操作人员对待检测污水的污水处理过程进行相应的调控,否则,判定待检测污水的污水处理效果较好。
至此,本实施例通过自适应获取待检测污水图像的各个超像素块对应的待匹配区域和标准匹配区域,保证了待检测污水的污水处理效果检测的准确性,提高了污水处理效果检测的速度,通过各个超像素块对应的待匹配区域和标准匹配区域的相关数据的计算,实现对待检测污水的污水处理效果的准确检测,本实施例具有检测精度高和计算量小的特点。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于模板匹配的污水处理检测方法,其特征在于,包括以下步骤:
获取待检测污水图像和原始标准匹配区域,进而得到预处理后的待检测污水图像及其HSV图像;
根据预处理后的待检测污水图像,得到待检测污水图像的各个超像素块,进而得到各个超像素块对应的最大内接矩形;
根据原始标准匹配区域和各个超像素块对应的最大内接矩形,确定各个超像素块对应的待匹配区域和标准匹配区域;
根据各个超像素块对应的待匹配区域和标准匹配区域内各个像素点的灰度值,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数;
根据HSV图像的各个超像素块对应的待匹配区域和标准匹配区域内每个像素点的色泽度,确定各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数;
根据各个超像素块对应的待匹配区域的纹理特征参数和色泽度特征参数、标准匹配区域的纹理特征参数和色泽度特征参数,确定各个超像素块的区域因子,进而确定待检测污水图像对应的污水处理因子;
获取污水处理因子阈值,根据待检测污水图像对应的污水处理因子和污水处理因子阈值,判定待检测污水的污水处理效果。
2.根据权利要求1所述的一种基于模板匹配的污水处理检测方法,其特征在于,所述各个超像素块对应的待匹配区域和标准匹配区域的尺寸保持一致,确定各个超像素块对应的待匹配区域和标准匹配区域的步骤包括:
若某个超像素块对应的最大内接矩形的尺寸小于原始标准匹配区域的尺寸,则将最大内接矩形作为该超像素块对应的待匹配区域,并将最大内接矩形对应的原始标准匹配区域作为该超像素块对应的标准匹配区域;
若某个超像素块对应的最大内接矩形的尺寸小于或等于预设倍数的原始标准匹配区域的尺寸,则使原始标准匹配区域的中心与该最大内接矩形的中心保持一致,将最大内接矩形与原始标准匹配区域的交集区域对应的最大内接矩形作为该超像素块对应的待匹配区域,并将该交集区域对应的原始标准匹配区域作为该超像素块对应的标准匹配区域;
若某个超像素块对应的最大内接矩形的尺寸大于预设倍数的原始标准匹配区域的尺寸,则将最大内接矩形内的多个原始标准匹配区域对应的最大内接矩形作为该超像素块对应的待匹配区域,并将该多个原始标准匹配区域作为该超像素块对应的标准匹配区域。
3.根据权利要求1所述的一种基于模板匹配的污水处理检测方法,其特征在于,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数的步骤包括:
根据各个超像素块对应的待匹配区域和标准匹配区域内各个像素点的灰度,计算待匹配区域和标准匹配区域内各个像素点的梯度幅值和梯度方向;
根据待匹配区域和标准匹配区域内各个像素点的梯度幅值,确定待匹配区域和标准匹配区域内各个梯度幅值对应的像素点在所有像素点中出现的次数;
根据待匹配区域和标准匹配区域内各个像素点的梯度方向,确定待匹配区域和标准匹配区域内所有像素点的梯度方向均值;
根据待匹配区域和标准匹配区域内各个像素点的梯度方向、所有像素点的梯度方向均值、所有像素点的数目以及各个梯度幅值对应的像素点在所有像素点中出现的次数,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数。
4.根据权利要求3所述的一种基于模板匹配的污水处理检测方法,其特征在于,确定各个超像素块对应的待匹配区域和标准匹配区域的纹理特征参数的计算公式为:
5.根据权利要求1所述的一种基于模板匹配的污水处理检测方法,其特征在于,确定各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数的步骤包括:
根据HSV图像的各个超像素块对应的待匹配区域和标准匹配区域内每个像素点的色泽度,确定待匹配区域和标准匹配区域的各个色泽等级,进而确定待匹配区域和标准匹配区域的各个色泽等级对应的像素点在对应区域内出现的频次;
根据待匹配区域和标准匹配区域的各个色泽等级对应的像素点在对应区域内出现的频次,确定各个超像素块对应的待匹配区域和标准匹配区域的各个色泽等级的分布状况指标;
根据各个超像素块对应的待匹配区域和标准匹配区域的各个色泽等级的分布状况指标,得到待匹配区域和标准匹配区域的各个目标色泽等级的分布状况指标,进而得到各个超像素块对应的待匹配区域和标准匹配区域的色泽度特征参数。
10.根据权利要求1所述的一种基于模板匹配的污水处理检测方法,其特征在于,判定待检测污水的污水处理效果的步骤包括:
若待检测污水图像对应的污水处理因子小于污水处理因子阈值,则判定待检测污水的污水处理效果较差,否则,判定待检测污水的污水处理效果较好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811683.3A CN114882040B (zh) | 2022-07-12 | 2022-07-12 | 一种基于模板匹配的污水处理检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811683.3A CN114882040B (zh) | 2022-07-12 | 2022-07-12 | 一种基于模板匹配的污水处理检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882040A CN114882040A (zh) | 2022-08-09 |
CN114882040B true CN114882040B (zh) | 2022-09-06 |
Family
ID=82683310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210811683.3A Active CN114882040B (zh) | 2022-07-12 | 2022-07-12 | 一种基于模板匹配的污水处理检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882040B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170574B (zh) * | 2022-09-09 | 2022-11-25 | 南通市赛孚环保科技有限公司 | 一种基于阈值分割的污水检测方法及系统 |
CN115294131A (zh) * | 2022-10-08 | 2022-11-04 | 南通海发水处理工程有限公司 | 一种污水处理质量检测方法及系统 |
CN115330792A (zh) * | 2022-10-13 | 2022-11-11 | 南通润厚设备工程有限公司 | 一种基于人工智能的污水检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456013A (zh) * | 2013-09-04 | 2013-12-18 | 天津大学 | 一种表示超像素以及度量超像素之间相似性的方法 |
CN107274351A (zh) * | 2016-04-07 | 2017-10-20 | 富士施乐株式会社 | 图像处理设备、图像处理系统和图像处理方法 |
JP2021089487A (ja) * | 2019-12-02 | 2021-06-10 | 大日本印刷株式会社 | 画像処理装置、プログラム及び画像処理システム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9311531B2 (en) * | 2013-03-13 | 2016-04-12 | Kofax, Inc. | Systems and methods for classifying objects in digital images captured using mobile devices |
-
2022
- 2022-07-12 CN CN202210811683.3A patent/CN114882040B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456013A (zh) * | 2013-09-04 | 2013-12-18 | 天津大学 | 一种表示超像素以及度量超像素之间相似性的方法 |
CN107274351A (zh) * | 2016-04-07 | 2017-10-20 | 富士施乐株式会社 | 图像处理设备、图像处理系统和图像处理方法 |
JP2021089487A (ja) * | 2019-12-02 | 2021-06-10 | 大日本印刷株式会社 | 画像処理装置、プログラム及び画像処理システム |
Also Published As
Publication number | Publication date |
---|---|
CN114882040A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114882040B (zh) | 一种基于模板匹配的污水处理检测方法 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN115115638B (zh) | 一种液压系统漏油检测及判定方法 | |
CN115331119B (zh) | 一种固体废弃物识别方法 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN115273078A (zh) | 基于图像数据的污水处理方法及系统 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN107679581B (zh) | 基于红外图像像素矩阵的特征值处理煤气流分布的方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN116485686A (zh) | 一种活性污泥法的污水处理图像增强方法 | |
CN115170507B (zh) | 基于图像数据的注浆管表面缺陷检测方法及系统 | |
CN115330792A (zh) | 一种基于人工智能的污水检测方法及系统 | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
CN113780136B (zh) | 基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备 | |
CN115294556A (zh) | 基于改进YOLOv5的密闭振动筛上异常流态流体检测方法 | |
CN112767362A (zh) | 一种基于活性污泥相差显微图像污泥膨胀预测方法 | |
CN111968136A (zh) | 一种煤岩显微图像分析方法及分析系统 |
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 |