CN115100439A - 一种用于水产养殖的水体异常检测方法 - Google Patents

一种用于水产养殖的水体异常检测方法 Download PDF

Info

Publication number
CN115100439A
CN115100439A CN202210829001.1A CN202210829001A CN115100439A CN 115100439 A CN115100439 A CN 115100439A CN 202210829001 A CN202210829001 A CN 202210829001A CN 115100439 A CN115100439 A CN 115100439A
Authority
CN
China
Prior art keywords
target block
green tide
block
texture
green
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.)
Granted
Application number
CN202210829001.1A
Other languages
English (en)
Other versions
CN115100439B (zh
Inventor
吴成福
徐伟
吴成锐
李银凤
陈涌发
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.)
Guangdong Ryan Technology Co ltd
Original Assignee
Guangdong Ryan 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 Guangdong Ryan Technology Co ltd filed Critical Guangdong Ryan Technology Co ltd
Priority to CN202210829001.1A priority Critical patent/CN115100439B/zh
Publication of CN115100439A publication Critical patent/CN115100439A/zh
Application granted granted Critical
Publication of CN115100439B publication Critical patent/CN115100439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis 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
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T2207/10024—Color image
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于水产养殖的水体异常检测方法，该方法采集水体图像，筛选出备选绿潮块并获取每个备选绿潮块的绿潮置信度；提取每个备选绿潮块的纹理特征组成纹理向量；对于每两个相邻的备选绿潮块，获取纹理相似度和颜色相似度，以纹理相似度和颜色相似度的和作为第一特征距离；获取第二特征距离；获取大目标块与所有相邻块之间的全局纹理相似性；依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数；获取综合特征距离，根据综合特征距离获取分界线的隶属度，筛选出绿潮轮廓线，绿潮轮廓线形成的区域为水体异常区域。本发明能够准确提取绿潮区域的边缘轮廓，提高水体异常区域的检测精度。

Description

一种用于水产养殖的水体异常检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于水产养殖的水体异常检测方法。
背景技术
在水产养殖中，由于养殖水体的有机质丰富和氮磷比失衡，蓝藻比较容易生长。在一些营养丰富的水体中，蓝藻会在水面形成一层蓝绿色而有腥臭味的浮沫，称为“水华”，大规模的蓝藻爆发，被称为“绿潮”。绿潮会引起水质恶化，严重时会耗尽水中氧气而造成鱼类的死亡。由此对水产养殖水体中的蓝藻的及时检测，对提高水产养殖产量具有重大意义。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于水产养殖的水体异常检测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种用于水产养殖的水体异常检测方法，该方法包括以下步骤：
采集水产养殖的水体图像，对水体图像进行超像素分割，得到多个超像素块；通过阈值分割在超像素块中筛选出备选绿潮块，并获取每个备选绿潮块的绿潮置信度；提取每个备选绿潮块的纹理特征，组成纹理向量；
对于每两个相邻的备选绿潮块，以绿潮置信度较小的备选绿潮块作为小目标块，绿潮置信度较大的备选绿潮块作为大目标块，根据大目标块和小目标块的纹理向量获取纹理相似度，根据大目标块和小目标块的绿潮置信度获取颜色相似度，以所述纹理相似度和所述颜色相似度的和作为大目标块和小目标块之间的第一特征距离；
以除了所述小目标块以外的所有与大目标块相邻的备选绿潮块作为相邻块，获取所述小目标块与每个所述相邻块之间的第一特征距离，求均值得到第二特征距离；获取所述大目标块与所有相邻块之间的全局纹理相似性；依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数；
计算第二特征距离和空间调节参数的乘积，以该乘积和所述大目标块和小目标块之间的第一特征距离的和作为大目标块和小目标块之间的综合特征距离，根据综合特征距离获取大目标块和小目标块之间的分界线属于绿潮分界线的隶属度，基于隶属度筛选出绿潮轮廓线，绿潮轮廓线形成的区域为水体异常区域。
优选的，所述对水体图像进行超像素分割之前，还包括以下步骤：
对采集的所述水体图像进行预处理，所述预处理包括噪声过滤和图像增强。
优选的，所述备选绿潮块的获取方法为：
根据每个像素点的三通道值计算出该像素点的黄绿指数，通过大津法得到最优黄绿指数作为分割阈值；计算每个超像素块中所有像素点的平均黄绿指数，当平均黄绿指数不小于所述分割阈值时，对应的超像素块为备选绿潮块。
优选的，所述绿潮置信度的获取方法为：
计算平均黄绿指数与分割阈值的第一差值，所述备选绿潮块中的最大黄绿指数与分割阈值的第二差值，以第一差值和第二差值的比值作为备选绿潮块的所述绿潮置信度。
优选的，所述纹理向量的组成方法为：
获取每个超像素块的灰度共生矩阵，保存灰度共生矩阵的能量、熵值、对比度以及逆差矩作为纹理特征，所有纹理特征组成超像素块的纹理向量。
优选的，所述纹理相似度的获取方法为：
将大目标块和小目标块的纹理向量对应元素相乘再求和作为分子；将大目标块的纹理向量与自身对应元素相乘再求和，将小目标块的纹理向量与自身对应元素相乘再求和，两个求和结果相加作为分母，分子和分母的比值即为大目标块和小目标块的所述纹理相似度。
优选的，所述颜色相似度的获取方法为：
获取小目标块的绿潮置信度与大目标块的绿潮置信度的置信度比值，以该置信度比值的预设倍数作为所述颜色相似度。
优选的，所述全局纹理相似性的获取方法为：
获取所述大目标块的轮廓线，以及每个相邻块与大目标块之间的分界线，以所述分界线与所述大目标块的轮廓线的长度比值作为长度比例；获取所述大目标块与每个相邻块之间的第一特征距离，乘上对应的长度比例，得到相邻纹理相似度，所有相邻纹理相似度的和即为所述全局纹理相似性。
优选的，所述空间调节参数的获取方法为：
以大目标块的绿潮置信度和全局纹理相似性的和作为预设值的负指数，根据指数函数结果获取所述空间调节参数；所述指数函数结果与所述空间调节参数呈负相关关系。
优选的，所述水体异常区域的获取方法为：
通过大津法获取隶属阈值，将大于隶属阈值的隶属度对应的分界线提取出来，并进行合并以及补齐，得到所述绿潮轮廓线，以绿潮轮廓线包围的区域作为所述水体异常区域。
本发明实施例至少具有如下有益效果：
1、通过获取空间调节参数，进而计算综合特征距离来筛选绿潮轮廓线，能够在计算颜色和纹理的特征距离时，减弱绿潮区域中包含的不同深浅颜色区域的边界对绿潮轮廓线提取的干扰，提升绿潮轮廓线检测和提取的精度。
2、以空间调节参数作为第二特征距离的系数，进行综合特征距离的计算，能够对第二特征距离的权重进行自适应调节，使得越近似绿潮区域的超像素块具有更大的空间调节参数，进一步减弱绿潮区域中的颜色分界线对提取绿潮轮廓线的影响。
3、基于绿潮的颜色特点构建黄绿指数，将图像中颜色易于区分的背景进行消除，简化了计算量。
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为本发明一个实施例提供的一种用于水产养殖的水体异常检测方法的步骤流程图。
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一种用于水产养殖的水体异常检测方法，其具体实施方式、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”指的不一定是同一实施例。此外，一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。
下面结合附图具体的说明本发明所提供的一种用于水产养殖的水体异常检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于水产养殖的水体异常检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集水产养殖的水体图像，对水体图像进行超像素分割，得到多个超像素块；通过阈值分割在超像素块中筛选出备选绿潮块，并获取每个备选绿潮块的绿潮置信度；提取每个备选绿潮块的纹理特征，组成纹理向量。
具体的步骤包括：
1、采集水产养殖的水体图像，对水体图像进行超像素分割，得到多个超像素块。
采集水产养殖的水体图像，水体图像为彩色RGB图像，对采集的水体图像进行预处理，预处理包括噪声过滤和图像增强。
在本发明实施例中通过中值滤波器进行噪声过滤，通过直方图均衡化进行图像增强。在其他实施例中还可以采用其他能够达到相同效果的去噪方法和图像增强方法。
采用超像素分割方法，得到多个超像素块，作为一个示例，在本发明实施例中设置超像素个数
Figure 121116DEST_PATH_IMAGE001
，得到
Figure 47614DEST_PATH_IMAGE002
个超像素块
Figure 35162DEST_PATH_IMAGE003
。
2、筛选备选绿潮块。
根据每个像素点的三通道值计算出该像素点的黄绿指数，通过大津法得到最优黄绿指数作为分割阈值；计算每个超像素块中所有像素点的平均黄绿指数，当平均黄绿指数不小于分割阈值时，对应的超像素块为备选绿潮块。
由于绿潮呈现黄绿色，而黄绿色的RGB值为
Figure 275782DEST_PATH_IMAGE004
，由此设计黄绿指数
Figure 665175DEST_PATH_IMAGE005
，根据每个像素点在R、G、B三个通道的值，求出每个像素点对应的黄绿指数
Figure 28154DEST_PATH_IMAGE006
。采用Otsu大津法，对黄绿指数
Figure 440681DEST_PATH_IMAGE006
求出最优黄绿指数
Figure 796576DEST_PATH_IMAGE007
作为分割阈值。
对每个超像素块中所有像素的黄绿指数
Figure 994470DEST_PATH_IMAGE006
求均值作为超像素块的平均黄绿指数
Figure 777618DEST_PATH_IMAGE008
，将小于分割阈值
Figure 943020DEST_PATH_IMAGE007
的平均黄绿指数
Figure 322180DEST_PATH_IMAGE008
对应的超像素块作为背景区域，将不小于分割阈值
Figure 889428DEST_PATH_IMAGE007
的平均黄绿指数
Figure 588350DEST_PATH_IMAGE008
对应的超像素块作为备选绿潮块。
超像素块的分割依据是位置相邻且颜色相似，若超像素块的平均黄绿指数小于分割阈值，说明超像素块对应的颜色偏离黄绿色过多，该超像素块作为图像的背景区域；而大于等于分割阈值的平均黄绿指数对应的超像素块，颜色接近黄绿色，更可能是绿潮区域，因此将其作为备选绿潮块。
3、获取备选绿潮块的绿潮置信度。
计算平均黄绿指数与分割阈值的第一差值，备选绿潮块中的最大黄绿指数与分割阈值的第二差值，以第一差值和第二差值的比值作为备选绿潮块的绿潮置信度。
具体的计算公式为：
Figure 975469DEST_PATH_IMAGE009
其中，
Figure 673167DEST_PATH_IMAGE010
表示备选绿潮块的绿潮置信度，
Figure 642391DEST_PATH_IMAGE011
表示备选绿潮块的最大黄绿指数。
Figure 705025DEST_PATH_IMAGE012
表示第一差值，
Figure 392489DEST_PATH_IMAGE013
表示第二差值。
备选绿潮块的绿潮置信度
Figure 362720DEST_PATH_IMAGE010
的取值范围是
Figure 638980DEST_PATH_IMAGE014
，如果备选绿潮块的绿潮置信度
Figure 685565DEST_PATH_IMAGE010
越接近于
Figure 47276DEST_PATH_IMAGE015
，说明该备选绿潮块属于绿潮区域的可能性越高，反之如果备选绿潮块的绿潮置信度
Figure 837508DEST_PATH_IMAGE010
越接近于
Figure 499434DEST_PATH_IMAGE016
，说明该备选绿潮块属于绿潮区域的可能性越低。
4、获取超像素块的纹理向量。
获取每个超像素块的灰度共生矩阵，保存灰度共生矩阵的能量、熵值、对比度以及逆差矩作为纹理特征，所有纹理特征组成超像素块的纹理向量。
采用灰度共生矩阵提取超像素块的纹理特征，保存灰度共生矩阵的能量
Figure 903870DEST_PATH_IMAGE017
、熵值
Figure 300348DEST_PATH_IMAGE018
、对比度
Figure 877960DEST_PATH_IMAGE019
和逆差矩
Figure 128812DEST_PATH_IMAGE020
特征作为超像素块的纹理特征，所有纹理特征组成超像素块的纹理向量
Figure 720462DEST_PATH_IMAGE021
。
在水产养殖水体图像中，包含的水草、树叶以及水的颜色与绿潮相近会混淆对绿潮的识别，因此需要根据绿潮的结构形态来对备选绿潮块进行进一步筛选。
步骤S002，对于每两个相邻的备选绿潮块，以绿潮置信度较小的备选绿潮块作为小目标块，绿潮置信度较大的备选绿潮块作为大目标块，根据大目标块和小目标块的纹理向量获取纹理相似度，根据大目标块和小目标块的绿潮置信度获取颜色相似度，以纹理相似度和颜色相似度的和作为大目标块和小目标块之间的第一特征距离。
具体的步骤包括：
1、获取每两个相邻的备选绿潮块之间的纹理相似度。
将大目标块和小目标块的纹理向量对应元素相乘再求和作为分子；将大目标块的纹理向量与自身对应元素相乘再求和，将小目标块的纹理向量与自身对应元素相乘再求和，两个求和结果相加作为分母，分子和分母的比值即为大目标块和小目标块的纹理相似度。
以相邻的第i个备选绿潮块和第j个备选绿潮块为例，其中
Figure 587924DEST_PATH_IMAGE022
。将纹理向量看作是行矩阵，具体的计算公式为：
Figure 251117DEST_PATH_IMAGE023
其中，
Figure 622056DEST_PATH_IMAGE024
表示纹理相似度，
Figure 368295DEST_PATH_IMAGE025
表示第i个备选绿潮块的纹理向量对应的行矩阵，
Figure 22522DEST_PATH_IMAGE026
表示第j个备选绿潮块的纹理向量对应的行矩阵，
Figure 676357DEST_PATH_IMAGE027
表示第j个备选绿潮块的纹理向量对应的行矩阵的转置，
Figure 652535DEST_PATH_IMAGE028
表示第i个备选绿潮块的纹理向量对应的行矩阵的转置。
本发明实施例通过行矩阵与矩阵的转置相乘达到对应元素相乘再求和的目的，两个相邻的备选绿潮块之间的纹理越相似，即纹理向量越相似，得到的纹理相似度越大。
2、获取两个相邻的备选绿潮块之间的纹理相似度。
获取小目标块的绿潮置信度与大目标块的绿潮置信度的置信度比值，以该置信度比值的预设倍数作为颜色相似度。
具体的计算公式为：
Figure 631992DEST_PATH_IMAGE029
其中，
Figure 224778DEST_PATH_IMAGE030
表示颜色相似度，
Figure 151146DEST_PATH_IMAGE031
表示第i个备选绿潮块的绿潮置信度，
Figure 27835DEST_PATH_IMAGE032
表示第j个备选绿潮块的绿潮置信度。
假设第i个备选绿潮块的绿潮置信度更大，即第i个备选绿潮块为大目标块，第j个备选绿潮块为小目标块，则颜色相似度
Figure 132189DEST_PATH_IMAGE030
的计算公式为：
Figure 664801DEST_PATH_IMAGE033
，在本发明实施例中预设倍数为
Figure 191597DEST_PATH_IMAGE034
倍。
3、获取两个相邻的备选绿潮块之间的第一特征距离。
以纹理相似度和颜色相似度的和作为大目标块和小目标块之间的第一特征距离
Figure 876788DEST_PATH_IMAGE035
。
在根据绿潮的结构形态来对备选绿潮块进行进一步筛选时，水草、树叶以及水其颜色和纹理都比较均匀，而绿潮中会出现不同深浅颜色区域交替出现的情况，同时绿潮区域与其他区域之间有较明显的分界线，即分界线两侧呈现不同的颜色和纹理特点，采用纹理相似度和颜色相似度共同判断两个相邻的备选绿潮块之间的第一特征距离，纹理相似度越大、颜色相似度越大，第一特征距离越大，两个相邻的备选绿潮块越可能是同样的区域，而不是绿潮区域与其他区域的分界线。
步骤S003，以除了小目标块以外的所有与大目标块相邻的备选绿潮块作为相邻块，获取小目标块与每个相邻块之间的第一特征距离，求均值得到第二特征距离；获取大目标块与所有相邻块之间的全局纹理相似性；依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数。
具体的步骤包括：
1、获取第二特征距离。
对于第i个备选绿潮块和第j个备选绿潮块，获取所有与第i个备选绿潮块相邻的备选绿潮块，除第j个备选绿潮块以外，都记为第i个备选绿潮块的相邻块，对于第i个备选绿潮块的第q个相邻块，计算第j个备选绿潮块与第q个相邻块之间的第一特征距离
Figure 932469DEST_PATH_IMAGE036
，所有相邻块对应的
Figure 217956DEST_PATH_IMAGE036
的平均值即为第i个备选绿潮块和第j个备选绿潮块之间的第二特征距离
Figure 299176DEST_PATH_IMAGE037
。
2、获取全局纹理相似性。
当超像素块越接近于黄绿色，即超像素块的绿潮置信度
Figure 88140DEST_PATH_IMAGE010
越大时，超像素块越可能属于绿潮区域，而绿潮区域中会出现不同深浅的颜色区域交替出现的情况，也就是说浅色区域周围可能会出现深色区域，浅色区域和深色区域的交界线可能会干扰到整个绿潮区域的轮廓分割，因此需要对绿潮置信度更大的大目标块进行全局纹理相似性的计算，进而计算空间调节参数，以弱化深浅交界线的影响。
获取大目标块的轮廓线
Figure 331034DEST_PATH_IMAGE038
，以及每个相邻块与大目标块之间的分界线
Figure 838239DEST_PATH_IMAGE039
，以分界线与大目标块的轮廓线的长度比值作为长度比例
Figure 441258DEST_PATH_IMAGE040
，其中，
Figure 101041DEST_PATH_IMAGE041
表示分界线
Figure 29683DEST_PATH_IMAGE039
的长度，即该分界线包含的像素数量，
Figure 628111DEST_PATH_IMAGE042
表示轮廓线
Figure 51133DEST_PATH_IMAGE038
的长度；获取大目标块与每个相邻块之间的第一特征距离
Figure 549111DEST_PATH_IMAGE043
，乘上对应的长度比例
Figure 399386DEST_PATH_IMAGE044
，得到相邻纹理相似度，所有相邻纹理相似度的和即为全局纹理相似性。
具体的计算公式为：
Figure 615604DEST_PATH_IMAGE045
其中，
Figure 107896DEST_PATH_IMAGE046
表示全局纹理相似性，
Figure 991539DEST_PATH_IMAGE047
表示相邻块的数量。
以长度比例
Figure 199666DEST_PATH_IMAGE044
作为对应的相邻块与大目标块之间的第一特征距离
Figure 716229DEST_PATH_IMAGE043
权重，对所有相邻块对应的第一特征距离加权求和，得到全局纹理相似性，如果全局纹理相似性
Figure 668005DEST_PATH_IMAGE046
的值越大，说明大目标块及周围这些相邻块属于绿潮区域的概率也越大。
3、依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数。
以大目标块的绿潮置信度和全局纹理相似性的和作为预设值的负指数，根据指数函数结果获取空间调节参数；指数函数结果与空间调节参数呈负相关关系。
空间调节参数
Figure 202891DEST_PATH_IMAGE048
的计算公式为：
Figure 332652DEST_PATH_IMAGE049
其中，
Figure 585779DEST_PATH_IMAGE031
表示大目标块的绿潮置信度，即第i个备选绿潮块的绿潮置信度；e为自然常数。
本发明实施例中的预设值为自然常数e，在其他实施例中还可以采用其他大于1的自然数作为预设值。
大目标块的绿潮置信度
Figure 75666DEST_PATH_IMAGE031
越大，大目标块越困难属于绿潮区域，全局纹理相似性
Figure 481371DEST_PATH_IMAGE046
的值越大，说明大目标块及周围这些相邻块属于绿潮区域的概率也越大，对于越可能属于绿潮区域的超像素块，越要弱化深浅交界线的影响，对应的空间调节参数
Figure 765722DEST_PATH_IMAGE048
越大。
步骤S004，计算第二特征距离和空间调节参数的乘积，以大目标块和小目标块之间的第一特征距离与该乘积的和作为大目标块和小目标块之间的综合特征距离，根据综合特征距离获取大目标块和小目标块之间的分界线属于绿潮分界线的隶属度，基于隶属度筛选出绿潮轮廓线，绿潮轮廓线形成的区域为水体异常区域。
具体的步骤包括：
1、计算综合特征距离：
Figure 256877DEST_PATH_IMAGE050
通过空间调节参数
Figure 550455DEST_PATH_IMAGE051
作为系数，使第二特征距离随着属于绿潮区域的概率的增大而增大，减弱了深浅交界线的影响，降低了深浅区域交界线对整个绿潮轮廓的干扰。
2、计算分界线属于绿潮分界线的隶属度。
绿潮区域与其他区域之间有较明显的分界线，即分界线两侧呈现不同的颜色和纹理特点，绿潮分界线即为绿潮区域和其他区域的分界线。
隶属度的计算公式为：
Figure 59934DEST_PATH_IMAGE052
，第i个备选绿潮块和第j个备选绿潮块的纹理和颜色特征越接近，第i个备选绿潮块周围的全局纹理相似性越大，综合特征距离越大，第i个备选绿潮块和第j个备选绿潮块之间的分界线
Figure 728901DEST_PATH_IMAGE053
越可能是绿潮区域内深浅区域交界线，越不可能属于绿潮分界线，对应的隶属度就越低。
3、检测水体异常区域。
通过大津法获取隶属阈值，将大于隶属阈值的隶属度对应的分界线提取出来，并进行合并以及补齐，得到绿潮轮廓线，以绿潮轮廓线包围的区域作为水体异常区域。
采用Otsu大津法得到最优分界线隶属度
Figure 628724DEST_PATH_IMAGE054
作为隶属阈值，将分界线隶属度大于隶属阈值
Figure 273463DEST_PATH_IMAGE054
的分界线提取出来，将这些分界线进行合并，对有间隔的分界线进行插值处理，补齐分割线，得到最终的绿潮轮廓线
Figure 637448DEST_PATH_IMAGE055
。
将绿潮轮廓线
Figure 279913DEST_PATH_IMAGE055
包围的区域作为水体异常区域，方便后续专业人员进行定点定量施有机肥、换水调水和培养有益藻等相关消除绿潮的操作。
综上所述，本发明实施例采集水产养殖的水体图像，对水体图像进行超像素分割，得到多个超像素块；通过阈值分割在超像素块中筛选出备选绿潮块，并获取每个备选绿潮块的绿潮置信度；提取每个备选绿潮块的纹理特征，组成纹理向量；对于每两个相邻的备选绿潮块，以绿潮置信度较小的备选绿潮块作为小目标块，绿潮置信度较大的备选绿潮块作为大目标块，根据大目标块和小目标块的纹理向量获取纹理相似度，根据大目标块和小目标块的绿潮置信度获取颜色相似度，以纹理相似度和颜色相似度的和作为大目标块和小目标块之间的第一特征距离；以除了小目标块以外的所有与大目标块相邻的备选绿潮块作为相邻块，获取小目标块与每个相邻块之间的第一特征距离，求均值得到第二特征距离；获取大目标块与所有相邻块之间的全局纹理相似性；依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数；计算第二特征距离和空间调节参数的乘积，以大目标块和小目标块的第一特征距离与该乘积的和作为大目标块和小目标块之间的综合特征距离，根据综合特征距离获取大目标块和小目标块之间的分界线属于绿潮分界线的隶属度，基于隶属度筛选出绿潮轮廓线，绿潮轮廓线形成的区域为水体异常区域。本发明实施例能够准确提取绿潮区域的边缘轮廓，检测出水体异常区域。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于水产养殖的水体异常检测方法，其特征在于，该方法包括以下步骤：
采集水产养殖的水体图像，对水体图像进行超像素分割，得到多个超像素块；通过阈值分割在超像素块中筛选出备选绿潮块，并获取每个备选绿潮块的绿潮置信度；提取每个备选绿潮块的纹理特征，组成纹理向量；
对于每两个相邻的备选绿潮块，以绿潮置信度较小的备选绿潮块作为小目标块，绿潮置信度较大的备选绿潮块作为大目标块，根据大目标块和小目标块的纹理向量获取纹理相似度，根据大目标块和小目标块的绿潮置信度获取颜色相似度，以所述纹理相似度和所述颜色相似度的和作为大目标块和小目标块之间的第一特征距离；
以除了所述小目标块以外的所有与大目标块相邻的备选绿潮块作为相邻块，获取所述小目标块与每个所述相邻块之间的第一特征距离，求均值得到第二特征距离；获取所述大目标块与所有相邻块之间的全局纹理相似性；依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数；
计算第二特征距离和空间调节参数的乘积，以该乘积和所述大目标块和小目标块之间的第一特征距离的和作为大目标块和小目标块之间的综合特征距离，根据综合特征距离获取大目标块和小目标块之间的分界线属于绿潮分界线的隶属度，基于隶属度筛选出绿潮轮廓线，绿潮轮廓线形成的区域为水体异常区域。
2.根据权利要求1所述的一种用于水产养殖的水体异常检测方法，其特征在于，所述对水体图像进行超像素分割之前，还包括以下步骤：
对采集的所述水体图像进行预处理，所述预处理包括噪声过滤和图像增强。
3.根据权利要求1所述的一种用于水产养殖的水体异常检测方法，其特征在于，所述备选绿潮块的获取方法为：
根据每个像素点的三通道值计算出该像素点的黄绿指数，通过大津法得到最优黄绿指数作为分割阈值；计算每个超像素块中所有像素点的平均黄绿指数，当平均黄绿指数不小于所述分割阈值时，对应的超像素块为备选绿潮块。
4.根据权利要求3所述的一种用于水产养殖的水体异常检测方法，其特征在于，所述绿潮置信度的获取方法为：
计算平均黄绿指数与分割阈值的第一差值，所述备选绿潮块中的最大黄绿指数与分割阈值的第二差值，以第一差值和第二差值的比值作为备选绿潮块的所述绿潮置信度。
5.根据权利要求1所述的一种用于水产养殖的水体异常检测方法，其特征在于，所述纹理向量的组成方法为：
获取每个超像素块的灰度共生矩阵，保存灰度共生矩阵的能量、熵值、对比度以及逆差矩作为纹理特征，所有纹理特征组成超像素块的纹理向量。
6.根据权利要求1所述的一种用于水产养殖的水体异常检测方法，其特征在于，所述纹理相似度的获取方法为：
将大目标块和小目标块的纹理向量对应元素相乘再求和作为分子；将大目标块的纹理向量与自身对应元素相乘再求和，将小目标块的纹理向量与自身对应元素相乘再求和，两个求和结果相加作为分母，分子和分母的比值即为大目标块和小目标块的所述纹理相似度。
7.根据权利要求1所述的一种用于水产养殖的水体异常检测方法，其特征在于，所述颜色相似度的获取方法为：
获取小目标块的绿潮置信度与大目标块的绿潮置信度的置信度比值，以该置信度比值的预设倍数作为所述颜色相似度。
8.根据权利要求1所述的一种用于水产养殖的水体异常检测方法，其特征在于，所述全局纹理相似性的获取方法为：
获取所述大目标块的轮廓线，以及每个相邻块与大目标块之间的分界线，以所述分界线与所述大目标块的轮廓线的长度比值作为长度比例；获取所述大目标块与每个相邻块之间的第一特征距离，乘上对应的长度比例，得到相邻纹理相似度，所有相邻纹理相似度的和即为所述全局纹理相似性。
9.根据权利要求1所述的一种用于水产养殖的水体异常检测方法，其特征在于，所述空间调节参数的获取方法为：
以大目标块的绿潮置信度和全局纹理相似性的和作为预设值的负指数，根据指数函数结果获取所述空间调节参数；所述指数函数结果与所述空间调节参数呈负相关关系。
10.根据权利要求1所述的一种用于水产养殖的水体异常检测方法，其特征在于，所述水体异常区域的获取方法为：
通过大津法获取隶属阈值，将大于隶属阈值的隶属度对应的分界线提取出来，并进行合并以及补齐，得到所述绿潮轮廓线，以绿潮轮廓线包围的区域作为所述水体异常区域。
CN202210829001.1A 2022-07-15 2022-07-15 一种用于水产养殖的水体异常检测方法 Active CN115100439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210829001.1A CN115100439B (zh) 2022-07-15 2022-07-15 一种用于水产养殖的水体异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210829001.1A CN115100439B (zh) 2022-07-15 2022-07-15 一种用于水产养殖的水体异常检测方法

Publications (2)

Publication Number Publication Date
CN115100439A true CN115100439A (zh) 2022-09-23
CN115100439B CN115100439B (zh) 2022-11-04

Family

ID=83295969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210829001.1A Active CN115100439B (zh) 2022-07-15 2022-07-15 一种用于水产养殖的水体异常检测方法

Country Status (1)

Country Link
CN (1) CN115100439B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758106A (zh) * 2023-07-13 2023-09-15 江苏中天吉奥信息技术股份有限公司 基于无人机的水流登记单元界线核实方法
CN117805109A (zh) * 2023-12-29 2024-04-02 江苏腾丰环保科技有限公司 一种基于纹理特征识别的水质检测方法、系统
CN118505696A (zh) * 2024-07-18 2024-08-16 大连坤塬科技发展有限公司 一种基于图像特征分析的猪粪便智能检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1107179A2 (en) * 1999-11-29 2001-06-13 Eastman Kodak Company Method for detecting sky in images
US6631212B1 (en) * 1999-09-13 2003-10-07 Eastman Kodak Company Twostage scheme for texture segmentation based on clustering using a first set of features and refinement using a second set of features
CN102998664A (zh) * 2012-10-29 2013-03-27 中国科学院对地观测与数字地球科学中心 一种基于合成孔径雷达的水华识别方法及装置
CN104794710A (zh) * 2015-04-13 2015-07-22 上海泽煜实验设备有限公司 一种图像处理方法及装置
CN114359727A (zh) * 2021-12-31 2022-04-15 华南农业大学 基于轻量级优化Yolo v4的茶叶病害识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6631212B1 (en) * 1999-09-13 2003-10-07 Eastman Kodak Company Twostage scheme for texture segmentation based on clustering using a first set of features and refinement using a second set of features
EP1107179A2 (en) * 1999-11-29 2001-06-13 Eastman Kodak Company Method for detecting sky in images
CN102998664A (zh) * 2012-10-29 2013-03-27 中国科学院对地观测与数字地球科学中心 一种基于合成孔径雷达的水华识别方法及装置
CN104794710A (zh) * 2015-04-13 2015-07-22 上海泽煜实验设备有限公司 一种图像处理方法及装置
CN114359727A (zh) * 2021-12-31 2022-04-15 华南农业大学 基于轻量级优化Yolo v4的茶叶病害识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HU, XIANGYUN 等: "Automatic Segmentation of High-resolution Satellite Imagery by Integrating Texture, Intensity, and Color Features", 《PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758106A (zh) * 2023-07-13 2023-09-15 江苏中天吉奥信息技术股份有限公司 基于无人机的水流登记单元界线核实方法
CN116758106B (zh) * 2023-07-13 2024-02-27 江苏中天吉奥信息技术股份有限公司 基于无人机的水流登记单元界线核实方法
CN117805109A (zh) * 2023-12-29 2024-04-02 江苏腾丰环保科技有限公司 一种基于纹理特征识别的水质检测方法、系统
CN118505696A (zh) * 2024-07-18 2024-08-16 大连坤塬科技发展有限公司 一种基于图像特征分析的猪粪便智能检测系统
CN118505696B (zh) * 2024-07-18 2024-09-24 大连坤塬科技发展有限公司 一种基于图像特征分析的猪粪便智能检测系统

Also Published As

Publication number Publication date
CN115100439B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN115100439B (zh) 一种用于水产养殖的水体异常检测方法
CN110675411B (zh) 基于深度学习的宫颈鳞状上皮内病变识别算法
CN111797712B (zh) 基于多尺度特征融合网络的遥感影像云与云阴影检测方法
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN111080696B (zh) 一种基于计算机视觉的水下海参识别及定位方法
CN109034026B (zh) 一种遥感影像中水陆区域的红树林提取方法及系统
CN110782477A (zh) 基于序列图像的运动目标快速检测方法、计算机视觉系统
CN110675410B (zh) 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法
CN111275652B (zh) 一种去除城市遥感图像中雾霾的方法
CN104217422A (zh) 一种自适应窄带水平集的声纳图像检测方法
CN114820401B (zh) 直方图变换与边缘信息融合的海上逆光红外图像增强方法
CN114549525B (zh) 一种基于改进canny算法的工业图像检测方法
CN107507175A (zh) 一种用于计算玉米叶部小斑病病斑所占面积比例的装置
CN113420658A (zh) 一种基于fcm聚类和otsu分割的sar图像海陆分割方法
CN114677525B (zh) 一种基于二值图像处理的边缘检测方法
CN118247170B (zh) 基于物联网的dna检测数据处理方法及系统
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
CN115578660A (zh) 基于遥感图像的土地地块分割方法
CN110084791B (zh) 一种基于图像处理的番茄早疫病与晚疫病自动检测方法
CN114708165A (zh) 一种联合超像素的边缘感知纹理滤波方法
CN104899553B (zh) 一种抗密集杂草干扰的田间作物行提取方法
CN113505712A (zh) 基于新型损失函数的卷积神经网络的海面溢油检测方法
CN113345003A (zh) 一种池塘水草面积估计方法
CN117392530A (zh) 一种基于遥感影像的牡蛎养殖浮筏识别及面积检测方法
CN111046726B (zh) 一种基于ai智能视觉的水下海参识别及定位方法

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