CN116152186A - 一种沉水植物覆盖面积智能监测方法 - Google Patents
一种沉水植物覆盖面积智能监测方法 Download PDFInfo
- Publication number
- CN116152186A CN116152186A CN202310066041.XA CN202310066041A CN116152186A CN 116152186 A CN116152186 A CN 116152186A CN 202310066041 A CN202310066041 A CN 202310066041A CN 116152186 A CN116152186 A CN 116152186A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- stretching
- component
- projection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000003708 edge detection Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000012806 monitoring device Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 45
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 241000522248 Chamaecrista fasciculata Species 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000005791 algae growth Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种沉水植物覆盖面积智能监测方法，本发明在获取沉水植物的投影图像的同时，获取投影图像对应的浊度数据；并基于浊度数据，采用不同的图像拉伸方式对投影图像进行图像拉伸，增强投影图像的对比度，得到增强图像。之后，对增强图像进行边缘检测和优化，得到边缘优化图像，最后根据边缘优化图像得到沉水植物的覆盖面积。由于本发明在沉水植物覆盖面积监测过程中，基于浊度，通过图像拉伸方式增强了边缘检测前的对比度，提高了沉水植物的拍摄图像清晰度，进而提高沉水植物覆盖面积检测的准确性。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及一种沉水植物覆盖面积智能监测方法。
背景技术
沉水植物具有细胞间隙发达，通气组织强大，净化水质、为水生动物提供栖息地、改良基底土壤、抑制藻类生长等作用，对水体中污染物的去除及清洁水质效果的保持有着重要的作用。因此，沉水植物是水生态、水生植物监测的重要内容。
在生态学中，盖度是衡量植被生长状况的重要概念，通过水下摄像技术利用沉水植物投影面积占水底面积的比率，可以监测沉水植物生长状况。但由于水中悬浮物存在，导致图像退化现象严重，如颜色衰退、对比度低以及细节模糊等。因此，目前存在沉水植物的拍摄图像清晰度较低，沉水植物覆盖面积的检测不准确的问题。
发明内容
本发明提供了一种沉水植物覆盖面积智能监测方法，能够提高沉水植物的拍摄图像清晰度，进而提高沉水植物覆盖面积检测的准确性。
第一方面，本发明提供了一种沉水植物覆盖面积智能监测方法，包括：获取沉水植物的投影图像以及投影图像对应的浊度数据；基于投影图像对应的浊度数据，确定投影图像对应的浊度等级；基于投影图像对应的浊度等级，对投影图像进行图像拉伸，得到增强图像；其中，不同浊度等级对应的图像拉伸方式不同；对增强图像进行边缘检测和优化，得到边缘优化图像；基于边缘优化图像，确定沉水植物的覆盖面积。
在一种可能的实现方式中，基于投影图像对应的浊度等级，对投影图像进行图像拉伸，得到增强图像之前，还包括：提取投影图像的图像模糊特征和图像结构特征；基于图像模糊特征和图像结构特征，将投影图像划分为多个区域；其中，投影图像的各区域的清晰度不同；对投影图像的清晰度进行注意力分析，得到注意力矩阵；注意力矩阵中清晰像素的权重高于模糊像素的权重；基于投影图像的多个区域，以及注意力矩阵，重建投影图像，实现对投影图像的预处理。
在一种可能的实现方式中，基于投影图像对应的浊度等级，对投影图像进行图像拉伸，得到增强图像，包括：基于投影图像对应的浊度等级，确定投影图像的拉伸方案；拉伸方案包括以下其中一项：直方图拉伸，Retinex拉伸，对数变化拉伸，指数变化拉伸，最大最小拉伸和分段线性拉伸；基于投影图像的拉伸方案，对投影图像进行图像拉伸，得到增强图像。
在一种可能的实现方式中，基于投影图像对应的浊度等级，确定投影图像的拉伸方案，包括：若投影图像对应的浊度等级为低浑浊度，则投影图像的拉伸方案为直方图拉伸或Retinex拉伸；相应的，基于投影图像的拉伸方案，对投影图像进行图像拉伸，得到增强图像，包括：对投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量；对于HSV空间的任一分量，计算该分量的像素总数以及该分量中各像素的灰度值；基于该分量的像素总数以及该分量中各像素的灰度值，进行等级划分，得到多个灰度等级；计算各灰度等级对应的累计分布值；基于各灰度等级对应的累计分布值，对该分量进行直方图均衡化，得到该分量对应的拉伸分量；基于HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到增强图像。
在一种可能的实现方式中，对增强图像进行边缘检测和优化，得到边缘优化图像，包括：对增强图像进行分块操作，得到多个分块图像；对于任一分块图像，采用Canny算子对该分块图像中的沉水植物进行边缘检测，确定带有边缘轮廓的分块图像；对各带有边缘轮廓的分块图像进行前背景区分，确定各分块图像中的前景区域和背景区域；基于各分块图像的边缘轮廓、前景区域和背景区域，将各分块图像转化为各二值图像；基于各二值图像进行块间合并，得到边缘优化图像。
在一种可能的实现方式中，对于任一分块图像，采用Canny算子对该分块图像中的沉水植物进行边缘检测，确定带有边缘轮廓的分块图像，包括：对该块内图像进行高斯平滑处理，去除该块内图像中的高频率噪声，得到高斯平滑图像；利用soble水平算子和soble垂直算子，对高斯平滑图像进行卷积处理，得到高斯平滑图像中各像素点的边缘强度和方向；基于高斯平滑图像中各像素点的边缘强度和方向，采用双阈值算法，确定高斯平滑图像中的第一边缘和第二边缘，第一边缘为采用双阈值中低阈值确定的边缘，第二边缘为采用双阈值中高阈值确定的边缘；在高斯平滑图像中，以第二边缘为基础，在第一边缘和第二边缘之间选择新边缘点，补全第二边缘中的断点，构成闭合的边缘轮廓，得到带有边缘轮廓的分块图像。
在一种可能的实现方式中，对各带有边缘轮廓的分块图像进行前背景区分，确定各分块图像中的前景区域和背景区域，包括：对于任一带有边缘轮廓的分块图像，基于边缘轮廓，分别计算轮廓内部区域和轮廓外部区域的灰度均值；基于轮廓内部区域和轮廓外部区域的灰度均值，对该分块图像中各像素点进行灰度泛化，得到泛化后的分块图像；基于泛化后的分块图像中各像素点的灰度，确定该分块图像的前景区域和背景区域。
第二方面，本发明实施例提供了一种沉水植物覆盖面积的智能监测装置，包括通信模块和处理模块；通信模块，用于获取沉水植物的投影图像以及投影图像对应的浊度数据；处理模块，用于基于投影图像对应的浊度数据，确定投影图像对应的浊度等级；基于投影图像对应的浊度等级，对投影图像进行图像拉伸，得到增强图像；其中，不同浊度等级对应的图像拉伸方式不同；对增强图像进行边缘检测和优化，得到边缘优化图像；基于边缘优化图像，确定沉水植物的覆盖面积。
在一种可能的实现方式中，处理模块，还用于提取投影图像的图像模糊特征和图像结构特征；基于图像模糊特征和图像结构特征，将投影图像划分为多个区域；其中，投影图像的各区域的清晰度不同；对投影图像的清晰度进行注意力分析，得到注意力矩阵；注意力矩阵中清晰像素的权重高于模糊像素的权重；基于投影图像的多个区域，以及注意力矩阵，重建投影图像，实现对投影图像的预处理。
在一种可能的实现方式中，处理模块，具体用于基于投影图像对应的浊度等级，确定投影图像的拉伸方案；拉伸方案包括以下其中一项：直方图拉伸，Retinex拉伸，对数变化拉伸，指数变化拉伸，最大最小拉伸和分段线性拉伸；基于投影图像的拉伸方案，对投影图像进行图像拉伸，得到增强图像。
在一种可能的实现方式中，处理模块，具体用于若投影图像对应的浊度等级为低浑浊度，则投影图像的拉伸方案为直方图拉伸或Retinex拉伸；相应的，处理模块，具体用于对投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量；对于HSV空间的任一分量，计算该分量的像素总数以及该分量中各像素的灰度值；基于该分量的像素总数以及该分量中各像素的灰度值，进行等级划分，得到多个灰度等级；计算各灰度等级对应的累计分布值；基于各灰度等级对应的累计分布值，对该分量进行直方图均衡化，得到该分量对应的拉伸分量；基于HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到增强图像。
在一种可能的实现方式中，处理模块，具体用于对增强图像进行分块操作，得到多个分块图像；对于任一分块图像，采用Canny算子对该分块图像中的沉水植物进行边缘检测，确定带有边缘轮廓的分块图像；对各带有边缘轮廓的分块图像进行前背景区分，确定各分块图像中的前景区域和背景区域；基于各分块图像的边缘轮廓、前景区域和背景区域，将各分块图像转化为各二值图像；基于各二值图像进行块间合并，得到边缘优化图像。
在一种可能的实现方式中，处理模块，具体用于对该块内图像进行高斯平滑处理，去除该块内图像中的高频率噪声，得到高斯平滑图像；利用soble水平算子和soble垂直算子，对高斯平滑图像进行卷积处理，得到高斯平滑图像中各像素点的边缘强度和方向；基于高斯平滑图像中各像素点的边缘强度和方向，采用双阈值算法，确定高斯平滑图像中的第一边缘和第二边缘，第一边缘为采用双阈值中低阈值确定的边缘，第二边缘为采用双阈值中高阈值确定的边缘；在高斯平滑图像中，以第二边缘为基础，在第一边缘和第二边缘之间选择新边缘点，补全第二边缘中的断点，构成闭合的边缘轮廓，得到带有边缘轮廓的分块图像。
在一种可能的实现方式中，处理模块，具体用于对于任一带有边缘轮廓的分块图像，基于边缘轮廓，分别计算轮廓内部区域和轮廓外部区域的灰度均值；基于轮廓内部区域和轮廓外部区域的灰度均值，对该分块图像中各像素点进行灰度泛化，得到泛化后的分块图像；基于泛化后的分块图像中各像素点的灰度，确定该分块图像的前景区域和背景区域。
第三方面，本发明实施例提供了一种电子设备，所述电子设备包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
本发明提供一种沉水植物覆盖面积智能监测方法，本发明在获取沉水植物的投影图像的同时，获取投影图像对应的浊度数据；并基于浊度数据，采用不同的图像拉伸方式对投影图像进行图像拉伸，增强投影图像的对比度，得到增强图像。之后，对增强图像进行边缘检测和优化，得到边缘优化图像，最后根据边缘优化图像得到沉睡植物的覆盖面积。由于本发明在沉水植物覆盖面积监测过程中，基于浊度，通过图像拉伸方式增强了边缘检测前的对比度，提高了沉水植物的拍摄图像清晰度，进而提高沉水植物覆盖面积检测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种沉水植物覆盖面积智能监测方法的流程示意图；
图2是本发明实施例提供的一种沉水植物覆盖面积的智能监测装置的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
在本发明的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选的还包括其他没有列出的步骤或模块，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图通过具体实施例来进行说明。
图1为本发明实施例提供的一种沉水植物覆盖面积智能监测方法的流程示意图。该方法的执行主体为沉水植物覆盖面积的智能监测装置。该方法包括步骤S101-S105。
S101、获取沉水植物的投影图像以及投影图像对应的浊度数据。
作为一种可能的实现方式，本发明可以实时采集沉水植物的视频数据；并利用浊度传感器实时采集各时刻的浊度数据。
其中，投影图像为视频数据中的任一时刻的图像。投影图像对应的浊度数据为投影图像对应的时刻的浊度数据。
可选的，本发明实施例提供的沉水植物覆盖面积智能监测方法在对投影图像处理之前，智能监测装置还可以对投影图像进行预处理。示例性的，智能监测装置可以通过步骤A1-A5，实现对投影图像的预处理。
A1、提取投影图像的图像模糊特征和图像结构特征。
A2、基于图像模糊特征和图像结构特征，将投影图像划分为多个区域。
其中，投影图像的各区域的清晰度不同。
A3、对投影图像的清晰度进行注意力分析，得到注意力矩阵。
在一些实施例中，注意力矩阵中清晰像素的权重高于模糊像素的权重。
A4、基于投影图像的多个区域，以及注意力矩阵，重建投影图像，实现对投影图像的预处理。
需要说明的是，本发明在数据采集过程中，由于水环境流动等变化因素沉水植物发生叶片空间位置信息混叠现象，曝光时间越长，图像植被边缘模糊更剧烈。因此，在数据增强预处理阶段，首先可采用STDANet基于可变形注意力的视频去模糊网络，采用轻量化的运动估计分支用于估计粗糙的光流，同时时空可变形注意力模块能够赋予图片中清晰区域更高的权重，从而有效地提取视频段中清晰的像素信息重建恢复模糊像素，有效解决了水下沉水植被拍照期间运动带来的模糊问题。
示例性的，本发明采用运动去模糊预处理算法，增强沉水植被由于水体流动产生的边缘模糊。比如筛选出连续三帧图像作为输入，采用STDANet网络方法，利用连续图像帧像素级的模糊程度来提取连续帧中清晰像素的信息，恢复模糊中间帧图像，完成对中间帧沉水植被图像去模糊重建。给定三帧连续视频帧Bi＝{Bk}k＝i-1,i,i+1作为输入，首先连续视频帧输入到特征提取器，得到连续视频帧的特征。然后运动估计分支根据所提取特征，估计连续帧之间的粗糙光流。STDA模块通过估计得到的粗糙光流的引导，提取多帧特征的清晰像素信息，得到重建特征Fif，最后重建网络将Fif恢复到RGB图像空间，完成重建。
S102、基于投影图像对应的浊度数据，确定投影图像对应的浊度等级。
作为一种可能的实现方式，本发明可以基于投影图像对应的浊度数据，查询预选设置的浊度等级映射表，得到投影图像对应的浊度等级。
S103、基于投影图像对应的浊度等级，对投影图像进行图像拉伸，得到增强图像。
其中，不同浊度等级对应的图像拉伸方式不同。
作为一种可能的实现方式，智能监测装置可以通过步骤S1031-S1032，得到增强图像。
S1031、基于投影图像对应的浊度等级，确定投影图像的拉伸方案。
在一些实施例中，拉伸方案包括以下其中一项：直方图拉伸，Retinex拉伸，对数变化拉伸，指数变化拉伸，最大最小拉伸和分段线性拉伸。
示例性的，若投影图像对应的浊度等级为低浑浊度，则确定投影图像的拉伸方案为直方图拉伸或Retinex拉伸；
又一示例性的，若投影图像对应的浊度等级为中浑浊度，则确定投影图像的拉伸方案为对数变化拉伸或指数变化拉伸。
又一示例性的，若投影图像对应的浊度等级为高浑浊度，则确定投影图像的拉伸方案为最大最小拉伸或分段线性拉伸。
S1032、基于投影图像的拉伸方案，对投影图像进行图像拉伸，得到增强图像。
示例性的，当拉伸方案为直方图拉伸时，智能监测装置可以通过步骤B11-B16，实现对投影图像的直方图拉伸，得到增强图像。
B11、对投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量。
B12、对于HSV空间的任一分量，计算该分量的像素总数以及该分量中各像素的灰度值。
示例性的，以V分量为例，本发明可以计算V分量中像素总数和V分量中各像素的灰度值。
B13、基于该分量的像素总数以及该分量中各像素的灰度值，进行等级划分，得到多个灰度等级。
示例性的，以V分量为例，本发明可以统计不同灰度等级内像素量占V分量中总像素量的比例，以确定各灰度等级出现的概率。
示例性的，本发明可以基于如下公式，确定各灰度等级。
px(i)＝p(x＝i)＝ni/n；
其中，px(i)为灰度值为i的灰度等级对应的概率，ni为灰度值为i的像素数量；n为V分量中总像素数量。
需要说明的是，0≤i<L，L为最高灰度等级对应的灰度值。例如，V分量通道图像可以选用间距0.005，建立等间距量化等级，则灰度级别为1/0.005＝200级数。
如此，本发明可以对V分量中所有灰度值进行量化分级，确定多个灰度等级，以及各灰度等级对应的概率。
B14、计算各灰度等级对应的累计分布值。
示例性的，本发明可以基于如下公式确定各灰度等级对应的累计分布值。
其中，cdf(i)为灰度值为i的灰度等级对应的累计分布值，px(j)为灰度值为j的灰度等级对应的概率。
B15、基于各灰度等级对应的累计分布值，对该分量进行直方图均衡化，得到该分量对应的拉伸分量。
示例性的，本发明可以基于如下公式，实现对该分量直方图均衡化。
其中，h(i)为灰度值为i的像素点拉伸后的灰度值，cdf(i)为灰度值为i的灰度等级对应的累计分布值，cdfmin为各灰度等级对应的累计分布值中的最小值，M为该分量图像中行方向的像素数量，N为该分量图像中列方向的像素数量，L为最高灰度等级对应的灰度值。
B16、基于HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到增强图像。
示例性的，当拉伸方案为Retinex拉伸时，智能监测装置可以通过步骤B21-B26，实现对投影图像的Retinex拉伸，得到增强图像。
B21、对投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量。
B22、对于HSV空间的任一分量，基于高斯环绕函数，构建不同的尺度参数。
示例性的，高斯环绕函数可以表示为如下公式。
其中，K为归一化常数，G(x,y)为高斯环绕函数，x为该分量图像中行方向的像素数量，y为该分量图像中列方向的像素数量，σ为尺度参数。
其中，各尺度参数满足∫∫G(x,y)dxdy＝1。
B23、利用高斯环绕函数对该分量进行卷积滤波，得到照度分量；
L(x,y)＝I(x,y)*G(x,y)；
其中，L(x,y)为照度分量，I(x,y)为是原始输入图像，G(x,y)为高斯环绕函数。
B24、基于光照分量对该分量进行图像拉伸，得到该分量对应的对数分量。
示例性的，本发明可以基于如下公式，确定该分量对应的拉伸分量。
其中，r(x,y)为对数域反射分量、R(x,y)为表示实数域反射分量，I(x,y)为原始输入图像，L(x,y)为照度分量。
B25、计算对数分量的最大值和最小值，并基于对数分量的最大值和最小值，进行线性化，得到该分量对应的拉伸分量。
示例性的，本发明可以基于如下公式，得到该分量对应的拉伸分量。
其中，Rd(x,y)为经过线性拉伸之后的反射分量，也即该分量对应的拉伸分量，Value为像素(x,y)的对数域反射分量值，Max为该分量图像中对数域反射分量的最大值；Min为该分量图像中对数域反射分量的最小值；
B26、基于HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到增强图像。
示例性的，当拉伸方案为对数变化拉伸时，智能监测装置可以通过步骤B31-B36，实现对投影图像的对数变化拉伸，得到增强图像。
B31、对投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量。
B32、对于HSV空间的任一分量，采用对数变化公式，实现该分量的图像拉伸处理，得到该分量对应的拉伸分量。
示例性的，对数变化公式如下所示。
y＝λlog(1+x)
其中，x为该分量通道图像中的各像素点灰度，λ为调节常数，用于调整图像变换后的灰度值，y为线性变换后的输出值，也即该分量对应的拉伸分量中各像素点的灰度。
B33、基于HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到增强图像。
示例性的，当拉伸方案为指数变化拉伸时，智能监测装置可以通过步骤B41-B46，实现对投影图像的指数变化拉伸，得到增强图像。
B41、对投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量。
B42、对于HSV空间的任一分量，采用指数变化公式，实现该分量的图像拉伸处理，得到该分量对应的拉伸分量。
示例性的，指数变化公式如下所示。
y＝C*Rr；
其中，y为指数变换后的输出，也即该分量对应的拉伸分量中各像素点的灰度，R为该分量通道图像中的各像素点灰度，C为指数变化系数，γ为指数。
B43、基于HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到增强图像。
示例性的，当拉伸方案为最大最小拉伸时，智能监测装置可以通过步骤B51-B56，实现对投影图像的最大最小拉伸，得到增强图像。
B51、对投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量。
B52、对于HSV空间的任一分量，采用如下公式，实现该分量的图像拉伸处理，得到该分量对应的拉伸分量。
其中，I(x,y)为该分量通道图像中的每个像素点的灰度，Imax为该分量的各像素点的最大灰度值，Imin为该分量的各像素点的最小灰度值，M(x,y)为拉伸分量中各像素点的灰度值。
B53、基于HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到增强图像。
示例性的，当拉伸方案为分段线性拉伸时，智能监测装置可以通过步骤B61-B66，实现对投影图像的分段线性拉伸，得到增强图像。
B61、对投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量。
B62、对于HSV空间的任一分量，确定第一分段点和第二分段点，以及第一增强灰度和第二增强灰度，并采用如下公式，计算三个拉伸系数。
k1＝y1/x1
k2＝(y2-y1)/(x2-x1)；
k3＝(1-y2)/(1-x2)
其中，k1为第一拉伸系数，k2为第二拉伸系数，k3为第三拉伸系数，x1为第一分段点，x2为第二分段点，y1为第一增强灰度，y2为第二增强灰度。
B63、根据三个拉伸系数，计算三段拉伸偏移值。
B64、根据如下公式，实现该分量的图像拉伸处理，得到该分量对应的拉伸分量。
其中，x1为第一分段点，x2为第二分段点，k1为第一拉伸系数，k2为第二拉伸系数，k3为第三拉伸系数，b1为第一拉伸偏移值，b2为第二拉伸偏移值，b3为第三拉伸偏移值，y为拉伸分量中各像素点的灰度值，x为该分量中各像素点的灰度值。
B65、基于HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到增强图像。
S104、对增强图像进行边缘检测和优化，得到边缘优化图像。
作为一种可能的实现方式，智能监测装置可以通过步骤S1041-S1045，得到增强图像。
S1041、对增强图像进行分块操作，得到多个分块图像。
示例性的，本发明可以基于如下公式，确定增强图像的分割块数，进而基于分割块数，完成对增强图像的分块操作。
n＝INT[1/FTU]；
其中，FTU为投影图像对应的浊度，取值范围为(0，1)，INT为取整操作，n为增强图像的分割块数。
S1042、对于任一分块图像，采用Canny算子对该分块图像中的沉水植物进行边缘检测，确定带有边缘轮廓的分块图像。
示例性的，智能监测装置可以通过步骤C11-C14，确定带有边缘轮廓的分块图像。
C11、对该块内图像进行高斯平滑处理，去除该块内图像中的高频率噪声，得到高斯平滑图像。
C12、利用soble水平算子和soble垂直算子，对高斯平滑图像进行卷积处理，得到高斯平滑图像中各像素点的边缘强度和方向。
C13、基于高斯平滑图像中各像素点的边缘强度和方向，采用双阈值算法，确定高斯平滑图像中的第一边缘和第二边缘。
其中，第一边缘为采用双阈值中低阈值确定的边缘，第二边缘为采用双阈值中高阈值确定的边缘。
C14、在高斯平滑图像中，以第二边缘为基础，在第一边缘和第二边缘之间选择新边缘点，补全第二边缘中的断点，构成闭合的边缘轮廓，得到带有边缘轮廓的分块图像。
需要说明的是，本发明对块内图像邻域范围内，利用高斯公式生成的高斯滤波算子进行卷积运算来实现加权平均运算，有效的去除掉图像中的那些高频率的噪声，完成高斯平滑。选用soble水平和垂直算子与块内图像邻域范围内卷积运算得到梯度幅度和方向，估计每一像素点处的边缘强度与方向。根据梯度方向，对梯度幅值进行非极大值抑制。用双阈值算法检测和连接边缘。分别选取两个阈值，通常这两个阈值的大小为1:2或1:3。去掉小于低阈值的像素点，确定为假边缘；保留并标记大于高阈值的像素点，确定为强边缘；而介于两个阈值中间的像素点需根据特定的规则进一步的进行判定。以高阈值判定后形成的像素点为基础将那些像素点连接成边缘。当连接到边缘的端点时，在它们的邻域像素点中重新确定那些满足低阈值的像素点作为新的边缘点，再以此为基础继续检测和连接新的边缘点直到轮廓闭合。
S1043、对各带有边缘轮廓的分块图像进行前背景区分，确定各分块图像中的前景区域和背景区域。
示例性的，智能监测装置可以通过步骤C21-C23，确定带有边缘轮廓的分块图像。
C21、对于任一带有边缘轮廓的分块图像，基于边缘轮廓，分别计算轮廓内部区域和轮廓外部区域的灰度均值。
C22、基于轮廓内部区域和轮廓外部区域的灰度均值，对该分块图像中各像素点进行灰度泛化，得到泛化后的分块图像。
C23、基于泛化后的分块图像中各像素点的灰度，确定该分块图像的前景区域和背景区域。
需要说明的是，本发明在块内依据Canny算子提取的轮廓边缘BC，为局部初始值Bc0，计算轮廓长度惩罚项，长度约束，用于规整演化曲线C，保证获得的是足够短的曲线。闭合的边缘轮廓线Bc0将局部图片分为两部分，轮廓内部inside(BC)和轮廓外部outside(BC)，完成标记，内部为1，外部为0，计算轮廓内部面积惩罚项。分别计算出Bc1和Bc2分别是演化曲线Bc0内部和外部的图像灰度均值。利用前面估算的前景和背景均值Bc1和Bc2，对水平集每一个点进行调整(演化)，判断当前点灰度值引入能量泛函之后是增加还是减小，从而判断是前景还是背景像素。
示例性的，本发明可以基于如下公式，确定各像素点的灰度值。
其中，F1(Bc1,Bc2,BC)表示泛化后像素点(x,y)的灰度值，BC表示轮廓边缘，Bc0表示轮廓边缘的初始值，也即轮廓边缘的演化曲线，Bc1表示轮廓内部的灰度值均值，Bc2表示轮廓外部的灰度值均值，μ、ν、λ1和λ2为取值为正的常数，例如，λ1＝λ2＝1，Length(BC)表示轮廓边缘的长度，Area(inside(BC))表示轮廓边缘的内部的面积inside(BC)表示轮廓边缘的内部，outside(BC)表示轮廓边缘的外部，u0(x,y)表示泛化前像素点(x,y)的灰度值。
S1044、基于各分块图像的边缘轮廓、前景区域和背景区域，将各分块图像转化为各二值图像。
示例性的，本发明可以基于边缘轮廓，对前景区域和背景区域进行分割标记，填充图像为二值图像。
S1045、基于各二值图像进行块间合并，得到边缘优化图像。
示例性的，本发明可以在二值图像内，采用开运算，先腐蚀后膨胀，去平滑毛刺尖角，消除外部孤点。
又一示例性的，本发明可以在二值图像内，采用闭运算，先膨胀后腐蚀去除前景中小空洞。
S105、基于边缘优化图像，确定沉水植物的覆盖面积。
作为一种可能的实现方式，本发明可以计算边缘优化图像中前景部分的面积，将前景部分的面积确定为沉水植物的覆盖面积。
本发明提供一种沉水植物覆盖面积智能监测方法，本发明在获取沉水植物的投影图像的同时，获取投影图像对应的浊度数据；并基于浊度数据，采用不同的图像拉伸方式对投影图像进行图像拉伸，增强投影图像的对比度，得到增强图像。之后，对增强图像进行边缘检测和优化，得到边缘优化图像，最后根据边缘优化图像得到沉睡植物的覆盖面积。由于本发明在沉水植物覆盖面积监测过程中，基于浊度，通过图像拉伸方式增强了边缘检测前的对比度，提高了沉水植物的拍摄图像清晰度，进而提高沉水植物覆盖面积检测的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的一种沉水植物覆盖面积的智能监测装置的结构示意图。该智能监测装置200包括通信模块201和处理模块202。
通信模块201，用于获取沉水植物的投影图像以及投影图像对应的浊度数据。
处理模块202，用于基于投影图像对应的浊度数据，确定投影图像对应的浊度等级；基于投影图像对应的浊度等级，对投影图像进行图像拉伸，得到增强图像；其中，不同浊度等级对应的图像拉伸方式不同；对增强图像进行边缘检测和优化，得到边缘优化图像；基于边缘优化图像，确定沉水植物的覆盖面积。
在一种可能的实现方式中，处理模块202，还用于提取投影图像的图像模糊特征和图像结构特征；基于图像模糊特征和图像结构特征，将投影图像划分为多个区域；其中，投影图像的各区域的清晰度不同；对投影图像的清晰度进行注意力分析，得到注意力矩阵；注意力矩阵中清晰像素的权重高于模糊像素的权重；基于投影图像的多个区域，以及注意力矩阵，重建投影图像，实现对投影图像的预处理。
在一种可能的实现方式中，处理模块202，具体用于基于投影图像对应的浊度等级，确定投影图像的拉伸方案；拉伸方案包括以下其中一项：直方图拉伸，Retinex拉伸，对数变化拉伸，指数变化拉伸，最大最小拉伸和分段线性拉伸；基于投影图像的拉伸方案，对投影图像进行图像拉伸，得到增强图像。
在一种可能的实现方式中，处理模块202，具体用于若投影图像对应的浊度等级为低浑浊度，则投影图像的拉伸方案为直方图拉伸或Retinex拉伸；相应的，处理模块，具体用于对投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量；对于HSV空间的任一分量，计算该分量的像素总数以及该分量中各像素的灰度值；基于该分量的像素总数以及该分量中各像素的灰度值，进行等级划分，得到多个灰度等级；计算各灰度等级对应的累计分布值；基于各灰度等级对应的累计分布值，对该分量进行直方图均衡化，得到该分量对应的拉伸分量；基于HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到增强图像。
在一种可能的实现方式中，处理模块202，具体用于对增强图像进行分块操作，得到多个分块图像；对于任一分块图像，采用Canny算子对该分块图像中的沉水植物进行边缘检测，确定带有边缘轮廓的分块图像；对各带有边缘轮廓的分块图像进行前背景区分，确定各分块图像中的前景区域和背景区域；基于各分块图像的边缘轮廓、前景区域和背景区域，将各分块图像转化为各二值图像；基于各二值图像进行块间合并，得到边缘优化图像。
在一种可能的实现方式中，处理模块202，具体用于对该块内图像进行高斯平滑处理，去除该块内图像中的高频率噪声，得到高斯平滑图像；利用soble水平算子和soble垂直算子，对高斯平滑图像进行卷积处理，得到高斯平滑图像中各像素点的边缘强度和方向；基于高斯平滑图像中各像素点的边缘强度和方向，采用双阈值算法，确定高斯平滑图像中的第一边缘和第二边缘，第一边缘为采用双阈值中低阈值确定的边缘，第二边缘为采用双阈值中高阈值确定的边缘；在高斯平滑图像中，以第二边缘为基础，在第一边缘和第二边缘之间选择新边缘点，补全第二边缘中的断点，构成闭合的边缘轮廓，得到带有边缘轮廓的分块图像。
在一种可能的实现方式中，处理模块202，具体用于对于任一带有边缘轮廓的分块图像，基于边缘轮廓，分别计算轮廓内部区域和轮廓外部区域的灰度均值；基于轮廓内部区域和轮廓外部区域的灰度均值，对该分块图像中各像素点进行灰度泛化，得到泛化后的分块图像；基于泛化后的分块图像中各像素点的灰度，确定该分块图像的前景区域和背景区域。
图3是本发明实施例提供的一种电子设备的结构示意图。如图3所示，该实施例的电子设备300包括：处理器301、存储器302以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序303。所述处理器301执行所述计算机程序303时实现上述各方法实施例中的步骤，例如图1所示的步骤101至步骤105。或者，所述处理器301执行所述计算机程序303时实现上述各装置实施例中各模块/单元的功能，例如，图2所示通信模块201和处理模块202的功能。
示例性的，所述计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述电子设备300中的执行过程。例如，所述计算机程序303可以被分割成图2所示通信模块201和处理模块202。
所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器302可以是所述电子设备300的内部存储单元，例如电子设备300的硬盘或内存。所述存储器302也可以是所述电子设备300的外部存储设备，例如所述电子设备300上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器302还可以既包括所述电子设备300的内部存储单元也包括外部存储设备。所述存储器302用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种沉水植物覆盖面积智能监测方法，其特征在于，包括：
获取沉水植物的投影图像以及所述投影图像对应的浊度数据；
基于所述投影图像对应的浊度数据，确定所述投影图像对应的浊度等级；
基于所述投影图像对应的浊度等级，对所述投影图像进行图像拉伸，得到增强图像；其中，不同浊度等级对应的图像拉伸方式不同；
对所述增强图像进行边缘检测和优化，得到边缘优化图像；
基于所述边缘优化图像，确定所述沉水植物的覆盖面积。
2.根据权利要求1所述的沉水植物覆盖面积智能监测方法，其特征在于，所述基于所述投影图像对应的浊度等级，对所述投影图像进行图像拉伸，得到增强图像之前，还包括：
提取所述投影图像的图像模糊特征和图像结构特征；
基于所述图像模糊特征和图像结构特征，将所述投影图像划分为多个区域；其中，所述投影图像的各区域的清晰度不同；
对所述投影图像的清晰度进行注意力分析，得到注意力矩阵；所述注意力矩阵中清晰像素的权重高于模糊像素的权重；
基于所述投影图像的多个区域，以及所述注意力矩阵，重建所述投影图像，实现对投影图像的预处理。
3.根据权利要求1所述的沉水植物覆盖面积智能监测方法，其特征在于，所述基于所述投影图像对应的浊度等级，对所述投影图像进行图像拉伸，得到增强图像，包括：
基于所述投影图像对应的浊度等级，确定所述投影图像的拉伸方案；所述拉伸方案包括以下其中一项：直方图拉伸，Retinex拉伸，对数变化拉伸，指数变化拉伸，最大最小拉伸和分段线性拉伸；
基于所述投影图像的拉伸方案，对所述投影图像进行图像拉伸，得到增强图像。
4.根据权利要求1所述的沉水植物覆盖面积智能监测方法，其特征在于，所述基于所述投影图像对应的浊度等级，确定所述投影图像的拉伸方案，包括：
若所述投影图像对应的浊度等级为低浑浊度，则确定所述投影图像的拉伸方案为直方图拉伸或Retinex拉伸；
相应的，基于所述投影图像的拉伸方案，对所述投影图像进行图像拉伸，得到增强图像，包括：
对所述投影图像进行空间转换，将RGB空间转换为HSV空间，得到HSV空间的H分量、S分量和V分量；
对于HSV空间的任一分量，计算该分量的像素总数以及该分量中各像素的灰度值；
基于该分量的像素总数以及该分量中各像素的灰度值，进行等级划分，得到多个灰度等级；
计算各灰度等级对应的累计分布值；
基于各灰度等级对应的累计分布值，对该分量进行直方图均衡化，得到该分量对应的拉伸分量；
基于所述HSV空间中各分量对应的拉伸分量，进行空间转换，将HSV空间转换为RGB空间，得到所述增强图像。
5.根据权利要求1所述的沉水植物覆盖面积智能监测方法，其特征在于，所述对所述增强图像进行边缘检测和优化，得到边缘优化图像，包括：
对所述增强图像进行分块操作，得到多个分块图像；
对于任一分块图像，采用Canny算子对该分块图像中的沉水植物进行边缘检测，确定带有边缘轮廓的分块图像；
对各带有边缘轮廓的分块图像进行前背景区分，确定各分块图像中的前景区域和背景区域；
基于各分块图像的边缘轮廓、前景区域和背景区域，将各分块图像转化为各二值图像；
基于所述各二值图像进行块间合并，得到边缘优化图像。
6.根据权利要求5所述的沉水植物覆盖面积智能监测方法，其特征在于，所述对于任一分块图像，采用Canny算子对该分块图像中的沉水植物进行边缘检测，确定带有边缘轮廓的分块图像，包括：
对该块内图像进行高斯平滑处理，去除该块内图像中的高频率噪声，得到高斯平滑图像；
利用soble水平算子和soble垂直算子，对所述高斯平滑图像进行卷积处理，得到所述高斯平滑图像中各像素点的边缘强度和方向；
基于所述高斯平滑图像中各像素点的边缘强度和方向，采用双阈值算法，确定所述高斯平滑图像中的第一边缘和第二边缘，所述第一边缘为采用双阈值中低阈值确定的边缘，所述第二边缘为采用双阈值中高阈值确定的边缘；
在所述高斯平滑图像中，以第二边缘为基础，在第一边缘和第二边缘之间选择新边缘点，补全所述第二边缘中的断点，构成闭合的边缘轮廓，得到所述带有边缘轮廓的分块图像。
7.根据权利要求5所述的沉水植物覆盖面积智能监测方法，其特征在于，所述对各带有边缘轮廓的分块图像进行前背景区分，确定各分块图像中的前景区域和背景区域，包括：
对于任一带有边缘轮廓的分块图像，基于边缘轮廓，分别计算轮廓内部区域和轮廓外部区域的灰度均值；
基于所述轮廓内部区域和轮廓外部区域的灰度均值，对该分块图像中各像素点进行灰度泛化，得到泛化后的分块图像；
基于泛化后的分块图像中各像素点的灰度，确定该分块图像的前景区域和背景区域。
8.一种沉水植物覆盖面积的智能监测装置，其特征在于，包括：
通信模块，用于获取沉水植物的投影图像以及所述投影图像对应的浊度数据；
处理模块，用于基于所述投影图像对应的浊度数据，确定所述投影图像对应的浊度等级；基于所述投影图像对应的浊度等级，对所述投影图像进行图像拉伸，得到增强图像；其中，不同浊度等级对应的图像拉伸方式不同；对所述增强图像进行边缘检测和优化，得到边缘优化图像；基于所述边缘优化图像，确定所述沉水植物的覆盖面积。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310066041.XA CN116152186A (zh) | 2023-01-17 | 2023-01-17 | 一种沉水植物覆盖面积智能监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310066041.XA CN116152186A (zh) | 2023-01-17 | 2023-01-17 | 一种沉水植物覆盖面积智能监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116152186A true CN116152186A (zh) | 2023-05-23 |
Family
ID=86353841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310066041.XA Pending CN116152186A (zh) | 2023-01-17 | 2023-01-17 | 一种沉水植物覆盖面积智能监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116152186A (zh) |
-
2023
- 2023-01-17 CN CN202310066041.XA patent/CN116152186A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116229276B (zh) | 基于计算机视觉的入河排污检测方法 | |
| CN110246089B (zh) | 基于非局域均值滤波的Bayer域图像降噪系统及其方法 | |
| CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
| EP1318475B1 (en) | A method and system for selectively applying enhancement to an image | |
| CN108537756B (zh) | 基于图像融合的单幅图像去雾方法 | |
| CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
| CN115908371B (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
| CN111079764A (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| KR20140017776A (ko) | 영상 처리 장치 및 영상 내의 안개 제거 방법 | |
| CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
| CN114331873A (zh) | 一种基于区域划分的非均匀光照彩色图像校正方法 | |
| CN112541869A (zh) | 一种基于matlab实现的Retinex图像去雾方法 | |
| Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
| CN116681606A (zh) | 一种水下不均匀光照图像增强方法、系统、设备及介质 | |
| Wang et al. | Single Underwater Image Enhancement Based on $ L_ {P} $-Norm Decomposition | |
| Saleem et al. | A non-reference evaluation of underwater image enhancement methods using a new underwater image dataset | |
| Colom et al. | Analysis and extension of the percentile method, estimating a noise curve from a single image | |
| CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
| CN109308709B (zh) | 基于图像分割的Vibe运动目标检测算法 | |
| CN114155173A (zh) | 一种图像去雾方法、设备及非易失性存储介质 | |
| Yadav et al. | Robust multi-scale weighting-based edge-smoothing filter for single image dehazing | |
| CN117649606A (zh) | 一种基于本征表示模型的高光谱图像阴影去除方法与系统 | |
| CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
| Malik et al. | Contrast enhancement and smoothing of CT images for diagnosis | |
| CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 |
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 |