CN115078281B - 一种基于图片光谱相似度的水体物质组分检测计算方法 - Google Patents

一种基于图片光谱相似度的水体物质组分检测计算方法 Download PDF

Info

Publication number
CN115078281B
CN115078281B CN202211011883.7A CN202211011883A CN115078281B CN 115078281 B CN115078281 B CN 115078281B CN 202211011883 A CN202211011883 A CN 202211011883A CN 115078281 B CN115078281 B CN 115078281B
Authority
CN
China
Prior art keywords
water body
frequency domain
detected
spectral
data
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
CN202211011883.7A
Other languages
English (en)
Other versions
CN115078281A (zh
Inventor
田启明
孙悦丽
张萌
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.)
Beijing Yingshi Ruida Technology Co ltd
Original Assignee
Beijing Yingshi Ruida Technology Co ltd
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 Beijing Yingshi Ruida Technology Co ltd filed Critical Beijing Yingshi Ruida Technology Co ltd
Priority to CN202211011883.7A priority Critical patent/CN115078281B/zh
Publication of CN115078281A publication Critical patent/CN115078281A/zh
Application granted granted Critical
Publication of CN115078281B publication Critical patent/CN115078281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Multimedia (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开一种基于图片光谱相似度的水体物质组分检测计算方法，包括：1）分别提取对照水体和待检测水体的光谱特征；2）根据所述光谱特征分别获取对照水体频域信息和待检测水体频域信息；3）根据所述对照水体频域信息和所述待检测水体频域信息分别生成频域数据图片；4）比较所述待检测水体的频域数据图片与所述对照水体的频域数据图片，计算频域数据图片间的相似性，判断待检测水体的物质组分。本发明通过比较光谱的特征图片，计算特征图片间的相似性，相比于直接使用光谱数据比较，计算结果精度更高。

Description

一种基于图片光谱相似度的水体物质组分检测计算方法
技术领域
本发明涉及水质监测技术领域。具体而言，涉及一种基于图片光谱相似度的水体物质组分检测计算方法。
背景技术
水是人类赖以生存的资源，人类的生产和发展与水密不可分。近年来，社会飞速发展，工业化和城市化进程不断加快，水环境合理开发利用的压力越来越大，水污染事件时有发生，影响了工业生产，甚至危及饮用水水源的水质安全保障。为了保证水安全，建立水质预警系统是一种有效的水质监测方式，而水质预警技术的基础在于水质检测，即通过检测技术快速、在线判断水中是否有污染物，然后根据异常检测结果对数据做进一步的分析，确定污染物类别。在水质监测中光谱法具有设备简单，检测速度快，无需试剂，灵敏度高等特点，已广泛应用于水质检测与水污染检测。
目前，光谱的比较主要将两条光谱曲线进行比较，传统的光谱相似性度量方法主要用欧氏距离、相关系数、光谱角等计算两个光谱之间的大小或形状。
然而，光谱法容易受到干扰，存在谱峰重叠的现象等，因此直接用光谱数据比较误差较大。针对此问题，本发明提供一种基于图片光谱相似度的水体物质组分检测计算方法。
发明内容
本发明正是基于现有技术的上述需求而提出的，本发明针对光谱法容易受到干扰，存在谱峰重叠的现象，导致光谱数据比较误差较大的问题，提供一种基于图片光谱相似度的水体物质组分检测计算方法。
为了解决上述问题，本发明是采用如下技术方案实现的：
一种基于图片光谱相似度的水体物质组分检测计算方法，该方法包括：
1）分别提取对照水体和待检测水体的光谱特征；
2）根据所述光谱特征分别获取对照水体频域信息和待检测水体频域信息；
3）根据所述对照水体频域信息和所述待检测水体频域信息分别生成频域数据图片；
4）比较所述待检测水体的频域数据图片与所述对照水体的频域数据图片，计算频域数据图片间的相似性，判断待检测水体的物质组分。
通过将光谱的特征用图片的形式进行展现，比较光谱的特征图片，计算特征图片间的相似性，作为光谱的相似性。相比于直接使用光谱数据比较，图片更加稳定，不存在谱峰重叠的现象，计算结果的精度更高。
可选地，步骤1）中，获取待检测水体和对照水体的原始光谱；
对所述原始光谱中吸光度进行波长微分计算，提取出光谱导数特征频域信息。
通过微分，原始光谱中每段相邻波长都对应一个光谱导数特征频域信息，将全部相邻波长的微分特征转化为频域数据图片，以提高识别的精度。
可选地，步骤2）中，根据所述光谱导数特征频域信息，对原始光谱利用小波函数进行连续小波变换，获得对照水体频域信息和待检测水体频域信息。
通过小波变换，能够建立与光谱导数特征频域信息之间的联系，使提取得到的水基因特征信息更加全面，提高物质组分检测的准确率。
可选地，步骤4）中，将所述频域数据图片压缩变换为32*32的矩阵，对所述32*32的 矩阵进行DCT计算，得到系数矩阵；提取所述系数矩阵中的最低频率，得到缩小后8*8的系数 矩阵，计算所述缩小后8*8的系数矩阵的平均值
Figure 611101DEST_PATH_IMAGE001
；
根据平均值
Figure 299703DEST_PATH_IMAGE001
，利用哈希算法对所述缩小后8*8的系数矩阵进行编码，生成哈希 序列；
根据所述哈希序列，计算所述待检测水体与所述对照水体的频域数据图片相似度值；
根据所述待检测水体与所述对照水体的相似度值，确定所述待检测水体的物质组分。
通过压缩图片的大小，可以简化DCT计算，加快运算效率；舍弃高频分量，保留低频分量，大大缩减了存储空间，提高传输效率。
可选地，所述获取待检测水体和对照水体的原始光谱，包括：利用光谱仪采集光源发出的光通过空气、待检测水体和对照水体的光照强度，根据朗伯比尔定律对所述光照强度处理，得到所述待检测水体和对照水体中污染物对应的吸收光谱数据集；所述吸收光谱数据集至少包括一条光谱数据，所述光谱数据由从200纳米至710纳米，间隔为2nm的波长对应的吸光度组成。
本发明考虑为紫外线-可见光的波长，设置间隔为2nm可以减少数据量，提高运算速度。
可选地，所述光谱仪使用前，进行多级零点校准，得到零点校准模型；
根据所述零点校准模型和朗伯比尔定律计算得到吸光度，其公式为
Figure 532101DEST_PATH_IMAGE002
其中，Abs表示吸光度，I参为参比光强，I测为测量光强，h（I参，I参0）为参比光强的零点校准参数，h（I测，I测0）为测量光强的零点校准参数。
通过多级零点校准操作，尽可能消除仪器带来的误差，提高最终计算结果的准确性。
可选地，通过对光谱数据进行预处理提取所述光谱特征，所述预处理包括：
对所述光谱数据进行SG平滑处理，得到平滑后的光谱值；
将所述平滑后的光谱值减去所述光谱数据中最小的吸光度值，得到常数偏移量消除后的光谱数据；
对所述常数偏移量消除后的光谱数据进行归一化处理。
预处理后的光谱数据集使得最终的结果更加精确。
可选地，对光谱数据中波长进行一阶导数，其公式为：
f(t) = diff(xi)
其中，xi为第i条预处理后的光谱数据，diff()为一阶差分，t为波长。
通过对波长求导以提取光谱导数特征频域信息，使用一阶导数，在一定程度上能够简化计算过程，降低计算量并提高结果的准确度。
可选地，所述小波变换的公式为：
Figure 38169DEST_PATH_IMAGE003
其中，f(t)表示第i条光谱数据一阶差分的结果；a为尺度因子，τ为反映位移，ψa,t(t)为基小波函数；WTf(a,t)为水基因特征，表示为一个m*n的矩阵，n为光谱。
以此设置，得到含有微分特征频域信息的图片，便于比较光谱相似度。
可选地，所述根据平均值
Figure 582283DEST_PATH_IMAGE001
，利用哈希算法对所述缩小后8*8的系数矩阵进行编 码，生成哈希序列，包括：根据缩小后8*8的系数矩阵，设置0或1的64位的哈希值，依此对所 述哈希值与
Figure 199209DEST_PATH_IMAGE001
进行比较，若大于等于
Figure 286113DEST_PATH_IMAGE001
，则将所述哈希值设为1，否则设为0；组合后形成 哈希序列；
所述根据所述哈希序列，计算所述待检测水体与所述对照水体的频域数据图片相似度值，包括：统计待检测水体对应的哈希序列，分别与所述对照水体对应的哈希序列的不同位的个数；若个数为0，则相似度值为0，表示所述待检测水体与对照水体的相似度高；若个数小于5，则相似度值小于5，表示相似度较高；若个数大于10，则相似度值大于10，表示完全不同。
采用哈希算法对每个光谱数据对应的图片生成哈希序列，有利于图片间相似度计算。通过比较哈希序列的不同位的个数计算相似度，此方法简单易算，能够提高检测的效率。
与现有技术相比，本发明通过将光谱的特征用图片的形式进行展现，比较光谱的特征图片，计算特征图片间的相似性，作为光谱的相似性。相比于直接使用光谱数据比较，图片更加稳定，不存在谱峰重叠的现象，计算结果的精度更高。再使用一阶导数、小波变换和哈希算法，提高物质组分检测的准确率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明具体实施方式提供的一种基于图片光谱相似度的水体物质组分检测计算方法的流程图；
图2是本发明具体实施方式提供的一种基于图片光谱相似度的水体物质组分检测计算方法的某河流的待检测水体的频率数据图片；
图3是本发明具体实施方式提供的一种基于图片光谱相似度的水体物质组分检测计算方法的某河流的对照水体1的频率数据图片；
图4是本发明具体实施方式提供的一种基于图片光谱相似度的水体物质组分检测计算方法的某河流的对照水体2的频率数据图片；
图5是本发明具体实施方式提供的一种基于图片光谱相似度的水体物质组分检测计算方法的某河流的对照水体3的频率数据图片。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
实施例1
本实施例提供了一种基于图片光谱相似度的水体物质组分检测计算方法，其流程如图1所示，具体包括：
S1：分别提取对照水体和待检测水体的光谱特征。
在本步骤中，具体包括：
步骤一：获取待检测水体和对照水体的原始光谱；
步骤二：对所述原始光谱中吸光度进行波长微分计算，提取出光谱导数特征频域信息。
在步骤一中，包括：
利用光谱仪采集光源发出的光通过空气、待检测水体和对照水体的光照强度，根据朗伯比尔定律对所述光照强度处理，得到所述待检测水体和对照水体中污染物对应的吸收光谱数据集；所述吸收光谱数据集至少包括一条光谱数据，所述光谱数据由从200纳米至710纳米，间隔为2nm的波长对应的吸光度组成。
将光源发出的一束平行光通过均匀的待检测水体和对照水体，利用光谱仪检测入射光的强度和透射光的强度；将所述光源发出另一束平行光通过空气，检测入射光的强度和透射光的强度；根据朗伯比尔定律，得到所述待检测水体和所述对照水体中污染物对应的光谱数据，连续采集N帧数据，得到吸收光谱数据集。
吸收光谱数据集可表示为X=[x1,x2,…,xi,…,xn]T，其中，n表示光谱数据的总数，xi表示第i条光谱数据。
每条光谱数据可表示为x=[x200,x202,…,xj,…,x710]，其中，j表示200+2i，i为整数，取值范围为[0，255]；xj表示波长为j对应的吸光度值。
本发明考虑为紫外线-可见光的波长，设置间隔为2nm可以减少数据量，提高运算速度。
可选地，所述光谱仪使用前，进行多级零点校准，得到零点校准模型。
所述多级零点校准是通过自动调整仪器至不同量程状态，采集多次零点数据，计算获取该仪器的零点校准模型h（x，y)，考虑到每台仪器元器件存在仪器差，即不同仪器的零点校准模型参数会有所不同，所以将每个仪器的零点校准模型参数录入数据库中，当执行S1时，从数据库中调用需要使用的仪器对应的零点校准模型参数，基于此，可以避免重复校准操作，节约人力物力的消耗。
根据所述零点校准模型和朗伯比尔定律计算得到吸光度，其公式为
Figure 963082DEST_PATH_IMAGE002
公式中，I参为参比光强，I测为测量光强，h（I参，I参0）为参比光强的零点校准参数，h（I测，I测0）为测量光强的零点校准参数。
其中，光源发出的光通过空气的光照强度为参比光强，通过待检测水体或对照水体的光照强度为测量光强；参比光强相对于通过纯水的光照强度吸收的光强为参比光强的零点校准参数；测量光强相对于通过纯水的光照强度吸收的光强为测量光强的零点校准参数。
通过多级零点校准操作，尽可能消除仪器带来的误差，提高最终计算结果的准确性。
在步骤二中，包括：
通过对光谱数据进行预处理提取所述光谱特征，所述预处理包括：
首先，对所述光谱数据进行SG平滑处理，得到平滑后的光谱值。
其公式为：
Figure 10804DEST_PATH_IMAGE004
其中，
Figure 165842DEST_PATH_IMAGE005
为平滑后第i条光谱数据的j波长下的吸光度，n表示波长的维度，xi,j表 示第i条光谱数据的j维下的吸光度，xi,j-t表示第i条光谱数据的j-t维下的吸光度，xi,j+t表 示第i条光谱数据的j+t维下的吸光度，wi,j表示第i条数据j维的权重，
Figure 372832DEST_PATH_IMAGE006
为权重的平均值， wi,j+t表示第i条光谱数据的j+t波长处的权重，wi,j-t表示第i条光谱数据的j-t波长处的权 重。
然后，将所述平滑后的光谱值减去所述光谱数据中最小的吸光度值，得到常数偏移量消除后的光谱数据。
其公式为：
xi’= xi – min(x)
其中，xi表示第i条光谱数据，min（xi）表示第i条光谱数据中的最小值。
最后，对所述常数偏移量消除后的光谱数据进行归一化处理。
其公式为：
xi’= (xi-min(x))/(max(x)-min(x))
其中，xi表示第i条光谱数据，min(xi)表示第i条光谱数据中的最小值，max(x)表示第i条光谱数据中的最大值。
预处理后的光谱数据集使得最终的结果更加精确。
在本发明实施例中，光谱数据经过预处理后利用导数光谱法提取光谱特征。导数光谱法的基本原理等同于微分函数，即紫外吸收光谱中吸光度关于波长的微分。
本发明实施例主要用一阶导数，其公式为：
f(t)=diff(xi)
其中，xi为第i条预处理后的光谱数据，diff()为一阶差分，t为波长。
通过对波长求微分以提取光谱导数特征频域信息，使用一阶导数，在一定程度上能够简化计算过程，降低计算量并提高结果的准确度。
S2：根据所述光谱特征分别获取对照水体频域信息和待检测水体频域信息。
在本步骤中，包括：
根据所述光谱导数特征频域信息，对原始光谱利用小波函数进行连续小波变换，获得对照水体频域信息和待检测水体频域信息。
为了计算简单，可选取至少部分光谱导数特征频域信息进行小波变换。
将原始光谱利用小波函数进行连续小波变换，生成具有不同频率的小波系数。
主要利用小波变换提取光谱特征的频域信息。小波变换是一种线性运算，它把一个信号分解成不同尺度上的成分，主要就是选一个中心频率，然后通过尺度变换得到一大堆中心频率，又通过时移得到一系列不同区间的基函数，分别和原始信号的某一段（对应基函数的区间）乘积再积分，产生的极值对应的频率就是原始信号这一区间含有的频率。
根据下列公式，将光谱导数特征频域信息进行小波变换提取频域信息：
Figure 220703DEST_PATH_IMAGE003
其中，f(t)表示第i条光谱数据一阶差分的结果；a为尺度因子，τ为反映位移，ψa,t(t)为基小波函数；WTf(a,t)为水基因特征，表示为一个m*n的矩阵，n为光谱。
以此设置，得到含有导数特征频域信息的图片，便于比较光谱相似度。
S3：根据所述对照水体频域信息和所述待检测水体频域信息分别生成频域数据图片。
在本发明实施例中，将S2计算的WTf(a,t)生成频域数据图片。
S4：比较所述待检测水体的频域数据图片与所述对照水体的频域数据图片，计算频域数据图片间的相似性，判断待检测水体的物质组分。
在本步骤中，具体包括：
将所述频域数据图片压缩变换为32*32的矩阵，对所述32*32的矩阵进行DCT计算， 得到系数矩阵；提取所述系数矩阵中的最低频率，得到缩小后8*8的系数矩阵，计算所述缩 小后8*8的系数矩阵的平均值
Figure 739409DEST_PATH_IMAGE007
；
根据平均值
Figure 698137DEST_PATH_IMAGE007
，利用哈希算法对所述缩小后8*8的系数矩阵进行编码，生成哈希 序列；
根据所述哈希序列，计算所述待检测水体与所述对照水体的频域数据图片相似度值。
通过压缩图片的大小，可以简化DCT计算，加快运算效率；舍弃高频分量，保留低频分量，大大缩减了存储空间，提高传输效率；
根据所述待检测水体与所述对照水体的相似度值，确定所述待检测水体的物质组分。
可选地，根据平均值
Figure 494055DEST_PATH_IMAGE007
，利用哈希算法对所述缩小后8*8的系数矩阵进行编码，生 成哈希序列，包括：根据缩小后8*8的系数矩阵，设置0或1的64位的哈希值，依此对所述哈希 值与
Figure 388193DEST_PATH_IMAGE007
进行比较，若大于等于
Figure 535140DEST_PATH_IMAGE007
，则将所述哈希值设为1，否则设为0；组合后形成哈希序 列；
所述根据所述哈希序列，计算所述待检测水体与所述对照水体的频域数据图片相似度值，包括：统计待检测水体对应的哈希序列，分别与所述对照水体对应的哈希序列的不同位的个数；若个数为0，则相似度值为0，表示所述待检测水体与对照水体的相似度高；若个数小于5，则相似度值小于5，表示相似度较高；若个数大于10，则相似度值大于10，表示完全不同。
采用哈希算法对每个光谱数据对应的图片生成哈希序列，有利于图片间相似度计算。通过比较哈希序列的不同位的个数计算相似度，此方法简单易算，能够提高检测的效率。
利用提供的所述物质组分检测计算方法，本发明实施例提出一种具体实施例，具体步骤如下：
首先，获取待检测水体和多组对照水体，利用平行光透过待检测水体、多组对照水体和空气，用经过多级零点校正的光谱仪采集透过光强度，从数据库中获取所述光谱仪的零点校准模型，结合所述零点校准模型和朗伯比尔定律对所述透过光强度处理，得到吸收光谱数据集。
例如，待检测水体和三组对照水体分别对应一条光谱数据，每条光谱数据由256个波长对应的吸光度值组成。
其次，利用导数光谱法对预处理后的光谱数据处理，提取得到光谱导数特征频域信息。
例如，对光谱数据进行波长求微分，得到对应的光谱特征值；其中，所述光谱数据对应255个光谱导数特征频域信息。
再次，根据所述光谱导数特征频域信息，对原始光谱利用小波函数进行连续小波变换，生成含有水基因特征信息的频域数据图片。
例如，对原始光谱使用哈尔小波函数进行连续小波变化，将对应的基小波函数和光谱导数特征频域信息输入至小波变换公式中，提取得到水基因特征信息，将其生成频域数据图片；其中，为了计算简单，仅选取所述光谱数据的前60维光谱导数特征频域信息，设置小波变换系数为100，以此设置将所述光谱数据生成60*100的矩阵，并转为图片，具体如图2-图5所示。
然后，将图片进行压缩，得到32*32的矩阵，再对压缩后的矩阵进行DCT计算，得到 系数矩阵；进一步地，提取DCT系数矩阵中的最低频率，即保留左上角的8*8的矩阵；计算缩 小DCT系数矩阵的平均值
Figure 297560DEST_PATH_IMAGE007
。
最后，利用哈希算法对所述系数矩阵进行编码，生成哈希序列；根据所述哈希序列，计算所述原始光谱与多组对照水体的相似度值。
例如，待检测水体对应的哈希序列为[1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1,1, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0]，对照水体1的哈希序列为[1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1,1, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]，对照水体2的哈希序列为[1, 1, 1, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0,1, 1, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1,0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0]，对照水体3的哈希序列为[1, 1, 0,0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0,0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0,0, 0, 1, 0, 0, 0, 0, 0, 0]，通过比较哈希序列的不同位的个数计算得到与对照水体1的相似度值为1，与对照水体2的相似度值为18，与对照水体3的相似度值为8，以此确定所述待检测水体的物质组分与对照水体1的相似度较高。
与现有技术相比，本发明实施例通过将光谱的特征用图片的形式进行展现，比较光谱的特征图片，计算特征图片间的相似性，作为光谱的相似性。相比于直接使用光谱数据比较，图片更加稳定，不存在谱峰重叠的现象，计算结果的精度更高。再使用一阶导数、小波变换和哈希算法，提高物质组分检测的准确率。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图片光谱相似度的水体污染物检测计算方法，其特征在于，包括：
1）分别提取对照水体和待检测水体的光谱特征，具体过程包括：获取待检测水体和对照水体的原始光谱；对所述原始光谱中吸光度进行波长微分计算，提取出光谱导数特征频域信息；
2）根据所述光谱特征分别获取对照水体频域信息和待检测水体频域信息，具体过程包括：根据所述光谱导数特征频域信息，对原始光谱利用小波函数进行连续小波变换，获得对照水体频域信息和待检测水体频域信息；
3）根据所述对照水体频域信息和所述待检测水体频域信息分别生成频域数据图片；
4）比较所述待检测水体的频域数据图片与所述对照水体的频域数据图片，计算频域数据图片间的相似性，判断待检测水体的污染物，具体过程包括：
将所述频域数据图片压缩变换为32*32的矩阵，对所述32*32的矩阵进行DCT计算，得到 系数矩阵；提取所述系数矩阵中的最低频率，得到缩小后8*8的系数矩阵，计算所述缩小后 8*8的系数矩阵的平均值
Figure DEST_PATH_IMAGE001
；
根据平均值
Figure 752834DEST_PATH_IMAGE001
，利用哈希算法对所述缩小后8*8的系数矩阵进行编码，生成哈希序列；
根据所述哈希序列，计算所述待检测水体与所述对照水体的频域数据图片相似度值；
根据所述待检测水体与所述对照水体的相似度值，确定所述待检测水体的污染物。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测水体和对照水体的原始光谱，包括：利用光谱仪采集光源发出的光通过空气、待检测水体和对照水体的光照强度，根据朗伯比尔定律对所述光照强度处理，得到所述待检测水体和对照水体中污染物对应的吸收光谱数据集；所述吸收光谱数据集至少包括一条光谱数据，所述光谱数据由从200纳米至710纳米，间隔为2nm的波长对应的吸光度组成。
3.根据权利要求2所述的方法，其特征在于，所述光谱仪使用前，进行多级零点校准，得到零点校准模型；
根据所述零点校准模型和朗伯比尔定律计算得到吸光度，其公式为
Figure 873237DEST_PATH_IMAGE002
其中，Abs表示吸光度，I参为参比光强，I测为测量光强，h（I参，I参0）为参比光强的零点校准参数，h（I测，I测0）为测量光强的零点校准参数。
4.根据权利要求2所述的方法，其特征在于，通过对光谱数据进行预处理提取所述光谱特征，所述预处理包括：
对所述光谱数据进行SG平滑处理，得到平滑后的光谱值；
将所述平滑后的光谱值减去所述光谱数据中最小的吸光度值，得到常数偏移量消除后的光谱数据；
对所述常数偏移量消除后的光谱数据进行归一化处理。
5.根据权利要求4所述的方法，其特征在于，对光谱数据中波长进行一阶导数，其公式为：
f(t) = diff(xi)
其中，xi为第i条预处理后的光谱数据，diff()为一阶差分，t为波长。
6.根据权利要求1所述的方法，其特征在于，所述小波变换的公式为：
Figure DEST_PATH_IMAGE003
其中，f(t)表示第i条光谱数据一阶差分的结果；a为尺度因子，τ为反映位移，ψa,t(t)为基小波函数；WTf(a,t)为水基因特征，表示为一个m*n的矩阵，n为光谱。
7.根据权利要求1所述的方法，其特征在于，
所述根据平均值
Figure 997182DEST_PATH_IMAGE004
，利用哈希算法对所述缩小后8*8的系数矩阵进行编码，生成哈希 序列，包括：根据缩小后8*8的系数矩阵，设置0或1的64位的哈希值，依此对所述哈希值与
Figure 657971DEST_PATH_IMAGE004
进行比较，若大于等于
Figure 675605DEST_PATH_IMAGE004
，则将所述哈希值设为1，否则设为0；组合后形成哈希序列；
所述根据所述哈希序列，计算所述待检测水体与所述对照水体的频域数据图片相似度值，包括：统计待检测水体对应的哈希序列，分别与所述对照水体对应的哈希序列的不同位的个数；若个数为0，则相似度值为0，表示所述待检测水体与对照水体的相似度高；若个数小于5，则相似度值小于5，表示相似度较高；若个数大于10，则相似度值大于10，表示完全不同。
CN202211011883.7A 2022-08-23 2022-08-23 一种基于图片光谱相似度的水体物质组分检测计算方法 Active CN115078281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211011883.7A CN115078281B (zh) 2022-08-23 2022-08-23 一种基于图片光谱相似度的水体物质组分检测计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211011883.7A CN115078281B (zh) 2022-08-23 2022-08-23 一种基于图片光谱相似度的水体物质组分检测计算方法

Publications (2)

Publication Number Publication Date
CN115078281A CN115078281A (zh) 2022-09-20
CN115078281B true CN115078281B (zh) 2022-11-25

Family

ID=83245377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211011883.7A Active CN115078281B (zh) 2022-08-23 2022-08-23 一种基于图片光谱相似度的水体物质组分检测计算方法

Country Status (1)

Country Link
CN (1) CN115078281B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292331B (zh) * 2023-11-27 2024-02-02 四川发展环境科学技术研究院有限公司 基于深度学习的复杂异物检测系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021033033A1 (en) * 2019-08-22 2021-02-25 Foss Analytical A/S Determining physicochemical properties of a sample

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7805005B2 (en) * 2005-08-02 2010-09-28 The United States Of America As Represented By The Secretary Of The Army Efficient imagery exploitation employing wavelet-based feature indices
US10663445B2 (en) * 2018-05-06 2020-05-26 Beijing Normal University Method and system for identifying plant species based on hyperspectral data
WO2020014842A1 (zh) * 2018-07-16 2020-01-23 深圳达闼科技控股有限公司 一种物质检测的方法、装置、终端和可读存储介质
CN114279982B (zh) * 2021-12-14 2023-09-29 北斗导航位置服务（北京）有限公司 水体污染信息获取方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021033033A1 (en) * 2019-08-22 2021-02-25 Foss Analytical A/S Determining physicochemical properties of a sample

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于离散小波变换和感知哈希的加密医学图像检索算法;张春艳等;《计算机应用》;20180210;第38卷(第02期);第540页左栏最后1段、右栏第2段，第541页左栏倒数第2-3段、右栏第3-4段 *
模板匹配跟踪的哈希增强算法;徐珩等;《计算机应用与软件》;20160715;第33卷(第07期);第169页左栏倒数第2段 *

Also Published As

Publication number Publication date
CN115078281A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115078281B (zh) 一种基于图片光谱相似度的水体物质组分检测计算方法
US5291426A (en) Method of correcting spectral data for background
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN112557332B (zh) 一种基于光谱分峰拟合的光谱分段和光谱比对方法
CN113758890A (zh) 一种气体浓度计算方法、装置、设备及存储介质
CN117349683A (zh) 基于光谱数据的汽车配件涂装色差异常检测系统
CN115420707A (zh) 一种污水近红外光谱的化学需氧量评估方法及系统
CN117589741B (zh) 基于光学特征的吲哚菁绿智能检测方法
CN111366573B (zh) 基于libs光谱成分分析结果的评价方法
CN117368141B (zh) 基于人工智能的高氯酸盐废水浓度智能检测方法
CN106018316B (zh) 一种基于高光谱红外图像处理的气体检测方法
CN113252641B (zh) 一种拉曼光谱下基于残差分析的物质鉴别方法
CA2201410A1 (en) System for matching absorbance spectra employing a library stabilization algorithm
CN113984708B (zh) 一种化学指标检测模型的维护方法和装置
CN112697746A (zh) 一种基于光谱信息的红薯粉明矾含量检测方法
CN111415715B (zh) 一种基于多元光谱数据的智能校正方法、系统及装置
CN115100400A (zh) 镜片膜色测量方法、系统、计算机设备及存储介质
TW202238719A (zh) 電漿處理裝置及電漿處理方法
CN114913415A (zh) 一种基于遥感监测的病虫害检测系统
CN109145887B (zh) 一种基于光谱潜变量混淆判别的阈值分析方法
CN110632024B (zh) 一种基于红外光谱的定量分析方法、装置、设备以及存储介质
CN111145148A (zh) 基于压缩感知的图像受干扰程度评价方法
Lin et al. A feature domain space transfer method for improving identification of maize haploid seed based on near-infrared spectroscopy
CN109060681B (zh) 痕量金属离子浓度区间预测方法、装置及存储介质
CN112986180B (zh) 一种光谱式气体传感数据处理方法及系统

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