CN116229276B - 基于计算机视觉的入河排污检测方法 - Google Patents

基于计算机视觉的入河排污检测方法 Download PDF

Info

Publication number
CN116229276B
CN116229276B CN202310492914.3A CN202310492914A CN116229276B CN 116229276 B CN116229276 B CN 116229276B CN 202310492914 A CN202310492914 A CN 202310492914A CN 116229276 B CN116229276 B CN 116229276B
Authority
CN
China
Prior art keywords
connected domain
river
pollution
suspected
skeleton
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
CN202310492914.3A
Other languages
English (en)
Other versions
CN116229276A (zh
Inventor
许榕发
杜东伟
汤送雄
马艳
林颖
郑晶
于云江
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.)
South China Institute of Environmental Science of Ministry of Ecology and Environment
Original Assignee
South China Institute of Environmental Science of Ministry of Ecology and Environment
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 South China Institute of Environmental Science of Ministry of Ecology and Environment filed Critical South China Institute of Environmental Science of Ministry of Ecology and Environment
Priority to CN202310492914.3A priority Critical patent/CN116229276B/zh
Publication of CN116229276A publication Critical patent/CN116229276A/zh
Application granted granted Critical
Publication of CN116229276B publication Critical patent/CN116229276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • 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
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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

Landscapes

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

Abstract

本发明涉及图像数据处理技术领域，提出了基于计算机视觉的入河排污检测方法，包括：采集河流航拍图像，分割河流区域并获取流动方向以及河流骨架线；通过超像素分割对河流区域进行划分，获取若干疑似污染连通域，根据每个疑似污染连通域内像素点的灰度梯度以及河流骨架线，获取每个疑似污染连通域的污染可能性，并得到不同区域的滤波窗口尺寸；根据每个疑似污染连通域内灰度值的分布、河流流动方向以及污染可能性获取细节保留程度，进而得到不同区域的高斯函数标准差；高斯滤波获取高质量河流航拍图像，通过入河排污检测系统完成入河排污检测。本发明旨在对河流图像去噪同时保留细节信息来提高入河排污检测的准确性。

Description

基于计算机视觉的入河排污检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于计算机视觉的入河排污检测方法。
背景技术
由于河流排污口数量多、分布广、形态多且隐蔽性强，为检测入河排污造成了较大困难；传统的地面排查通常需要投入大量人力、财力且耗时数月，成本极高还容易遗漏，因此现阶段通常采用无人机航拍进行入河排污检测；然而航空拍摄会受到大气流动、户外光照和云雾等随机因素影响，同时无人机机身震动以及图像的传输都会不可避免地对图像产生噪声干扰；而航拍图像内的入河排污口区域较小，含有噪声的航拍图像会极大程度影响入河排污口在图像中的表现，进而影响入河排污检测结果的准确性。
现有技术中通常采用高斯滤波算法对航拍图像进行去噪处理，然而高斯滤波算法中滤波窗口尺寸根据人工经验设定，同时标准差也预先设定，无法做到对于航拍图像中不同区域自适应窗口尺寸及标准差，进而导致对于噪声去除的同时，会使得部分细节信息丢失，而细节信息往往即是较小的如何排污口区域，则会导致入河排污检测结果的不准确；因此需要根据航拍图像中不同区域的灰度变化表现，进而采取不同尺寸的滤波窗口进行滤波，从而尽可能地保留入河排污区域的细节信息，进而提高入河排污的检测准确性。
发明内容
本发明提供基于计算机视觉的入河排污检测方法，以解决现有的高斯滤波去噪同时丢失图像细节信息进而导致入河排污检测不准确的问题，所采用的技术方案具体如下：
本发明一个实施例提供了基于计算机视觉的入河排污检测方法，该方法包括以下步骤：
采集河流航拍图像，分割河流区域，根据河流航拍图像及河流区域获取流动方向以及河流骨架线；
通过超像素分割对河流区域进行划分，根据不同超像素块中的灰度值获取若干疑似污染连通域以及正常连通域，根据每个疑似污染连通域中每个像素点的灰度值与位置、以及河流骨架线，获取每个疑似污染连通域中每个像素点的骨架向量与梯度向量，根据骨架向量与梯度向量获取每个疑似污染连通域的污染可能性，根据污染可能性获取河流航拍图像中不同区域的滤波窗口尺寸；
根据骨架向量与梯度向量获取每个疑似污染连通域的匹配灰度序列，根据匹配灰度序列中每个元素与相邻后一个元素的差值，获取每个疑似污染连通域的扩散匹配数量，根据匹配灰度序列、扩散匹配数量以及污染可能性获取每个疑似污染连通域的细节保留程度，根据细节保留程度获取每个疑似污染连通域的高斯函数标准差，设置非河流区域及正常连通域的高斯函数标准差；
根据滤波窗口尺寸及高斯函数标准差对河流航拍图像进行高斯滤波，获取高质量河流航拍图像，通过入河排污检测系统完成入河排污检测。
可选的，所述根据不同超像素块中的灰度值获取若干疑似污染连通域，包括的具体方法为：
对每个超像素块对应的连通域，获取每个连通域的灰度均值以及每个连通域的灰度值众数，对河流区域中所有连通域的灰度值众数求均值，得到的结果记为河流区域的标准灰度值；
计算每个连通域的灰度均值与标准灰度值的差值绝对值，记为每个连通域的灰度差异程度，将河流区域中所有超像素块对应的连通域的灰度差异程度从小到大进行排列，得到河流差异序列，通过对河流差异序列进行阈值分割，得到分割阈值；将灰度差异程度大于等于分割阈值的超像素块对应的连通域记为疑似污染连通域，将灰度差异程度小于分割阈值的超像素块对应的连通域记为正常连通域。
可选的，所述获取每个疑似污染连通域中每个像素点的骨架向量与梯度向量，包括的具体方法为：
以任意一个疑似污染连通域作为目标连通域，获取目标连通域中任意一个像素点作为目标像素点，获取目标像素点与河流骨架线上欧式距离最短的像素点，记为目标像素点的骨架像素点；
获取目标像素点的骨架像素点沿流动方向在骨架线上的下一个像素点，将骨架像素点与下一个像素点的差值绝对值作为向量的模，骨架像素点指向下一个像素点的方向作为向量的方向，得到的向量记为目标连通域内目标像素点的骨架向量；获取目标像素点的梯度，获取梯度的值以及梯度方向，将梯度的值作为向量的模，梯度方向作为向量的方向，得到的向量记为目标连通域内目标像素点的梯度向量；
获取目标连通域中每个像素点的骨架向量与梯度向量；获取每个疑似污染连通域中每个像素点的骨架向量与梯度向量。
可选的，所述根据骨架向量与梯度向量获取每个疑似污染连通域的污染可能性，包括的具体方法为：
其中，表示第t个疑似污染连通域的污染可能性，表示第t个疑似污染连通域 中第个像素点的梯度向量，表示第t个疑似污染连通域中第x个像素点的骨架向量， 表示第t个疑似污染连通域中第x个像素点梯度的值，表示第t个疑似污染连通域中第x 个像素点骨架向量的模，表示第t个疑似污染连通域中第x个像素点的梯度 向量与骨架向量的夹角的余弦值，表示第t个疑似污染连通域中像素点的数量，表示求 绝对值。
可选的，所述根据骨架向量与梯度向量获取每个疑似污染连通域的匹配灰度序列，包括的具体方法为：
以任意一个疑似污染连通域作为目标连通域，提取目标连通域中每个像素点的骨架像素点，以及每个像素点的骨架向量与梯度向量的夹角余弦值，将每个骨架像素点对应的多个像素点中夹角余弦值最大的像素点的灰度值，作为每个骨架像素点的匹配灰度值；
获取目标连通域对应的所有骨架像素点的匹配灰度值，将所有匹配灰度值按照骨架像素点在骨架线上从上游端点到下游端点上的顺序进行排列，得到的序列记为目标连通域的匹配灰度序列。
可选的，所述获取每个疑似污染连通域的扩散匹配数量，包括的具体方法为：
以任意一个疑似污染连通域作为目标连通域，将目标连通域的匹配灰度序列作为目标序列，计算目标序列中每个元素减去相邻后一个元素得到的差值，将差值为正数的对应元素用1进行代替，差值为负数的对应元素用-1进行代替，差值为0的对应元素用0进行代替，去除目标序列中最后一个元素，替换后的序列记为目标连通域的灰度变化序列；
获取灰度变化序列中元素1的数量以及元素-1的数量，将其中的最大值与元素0的数量的和值作为目标连通域的扩散匹配数量。
可选的，所述根据匹配灰度序列、扩散匹配数量以及污染可能性获取每个疑似污染连通域的细节保留程度，包括的具体方法为：
其中，表示第t个疑似污染连通域的细节保留程度，/>表示第t个疑似污染连通域的污染可能性，/>表示第t个疑似污染连通域的扩散匹配数量，/>表示第t个疑似污染连通域的匹配灰度序列中的元素数量，/>表示第t个疑似污染连通域的匹配灰度序列中所有元素的方差。
可选的，所述根据细节保留程度获取每个疑似污染连通域的高斯函数标准差，包括的具体方法为：
其中，表示第t个疑似污染连通域的高斯函数标准差，/>表示第t个疑似污染连通域的细节保留程度，exp( )表示以自然常数为底的指数函数，/>为调整系数，/>表示高斯函数方差的基准值。
本发明的有益效果是：本发明首先获取河流航拍图像并分割出河流区域，再分析得到河流的流动方向及河流骨架线，通过超像素分割将河流区域划分为若干连通域，根据河流区域整体灰度以及各连通域的灰度来分析得到正常连通域及疑似污染连通域；通过获取疑似污染连通域中各像素点与骨架线上匹配的骨架像素点，并根据连通域内像素点和骨架像素点在灰度变化及方向的关系来量化每个疑似污染连通域的污染可能性，排除岸边倒影等呈现的灰度变化对于污染区域的判断的影响；再根据疑似污染连通域中灰度变化方向与流动方向的相近性的量化判断，自适应获取不同区域的高斯函数标准差以及相应的滤波窗口尺寸，并完成高斯滤波，从而使得得到的高质量河流航拍图像去噪效果显著的同时，保留了入河排污口对应区域的重要细节信息，从而提高入河排污检测结果的准确性。
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，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为本发明一个实施例所提供的基于计算机视觉的入河排污检测方法流程示意图。
具体实施方式
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，所描述的实施例仅仅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。
请参阅图1，其示出了本发明一个实施例所提供的基于计算机视觉的入河排污检测方法流程图，该方法包括以下步骤：
步骤S001、采集河流航拍图像，分割河流区域并获取流动方向以及河流骨架线。
本实施例的目的是通过无人机航拍河流来实现入河排污的检测，因此首先需要通过无人机采集图像，得到的图像记为河流航拍图像，其中无人机采集图像为现有技术，本实施例不再赘述；获取到河流航拍图像后，采用现有的DNN语义分割网络，以互联网中大量的河流航拍图像作为训练数据集，对每张图像人工进行标注，属于河流区域的像素点标注为1，非河流区域的像素点标注为0，将训练数据集中每张图像输入到语义分割网络中，损失函数采用交叉熵损失函数，输出结果为河流航拍图像的河流区域分割结果，得到训练好的语义分割网络；将采集到的河流航拍图像输入到训练好的语义分割网络中，输出得到分割出的河流区域。
进一步的，通过无人机采集多个河流航拍帧图像，本实施例采集一分钟的河流航拍视频，视频中每一帧图像即为一张河流航拍图像，通过输入到训练好的语义分割网络中得到每一河流航拍帧图像中的河流区域，采用光流法对多个河流航拍帧图像中的河流区域进行分析，得到河流的流动方向，其中光流法为现有技术，本实施例不再赘述；获取到河流的流动方向后，对采集到的河流航拍图像中的河流区域进行形态学细化，得到河流骨架线，同时根据河流流动方向标记出河流航拍图像中河流骨架线上的上游端点和下游端点，其中流动方向从上游端点指向下游端点；需要说明的是，采集多帧的河流航拍图像仅用于分析获取河流流动方向，河流区域及河流骨架线均以最初采集的河流航拍图像获取并处理，即后续分析的图像仅为最初采集的一张河流航拍图像。
至此，采集到河流航拍图像，并分割获取了河流区域，同时分析得到了河流的流动方向以及河流骨架线。
步骤S002、通过超像素分割对河流区域进行划分，根据不同超像素块中的灰度值获取若干疑似污染连通域，根据每个疑似污染连通域内像素点的灰度梯度以及河流骨架线，获取每个疑似污染连通域的污染可能性，根据污染可能性获取河流航拍图像中不同区域的滤波窗口尺寸。
需要说明的是，在河流区域中，正常部分的灰度值差异较小，而污染物进入河流并扩散后，会导致存在污染物的区域与正常部分的灰度值差异较大，因此通过超像素分割对河流区域进行分割，得到若干超像素块，进而根据每个超像素块对应连通域的灰度值来进行疑似污染连通域的分析；而对于疑似污染连通域，河流在非汛期的水流速度基本不变，则污染物从排污口会沿水流方向扩散，进而污染物的扩散方向应与流动方向夹角较小，而岸边树木、建筑在河中的倒影形成的梯度变化的方向是随机的，则根据疑似污染连通域中像素点的灰度梯度，结合河流骨架线来分析疑似污染连通域是否由污染物形成，进而根据污染可能性确定滤波窗口尺寸。
具体的，首先对河流区域进行超像素分割，本实施例设定将河流区域分割为200个超像素块，实施者可根据实际情况设定超像素块数量，其中超像素分割为现有技术，本实施例不再赘述；对每个超像素块对应的连通域，获取每个连通域的灰度均值以及每个连通域的灰度值众数，需要说明的是，若某一个连通域中存在多个灰度值众数，则将多个灰度值众数的均值作为该连通域的灰度值众数；对河流区域中所有连通域的灰度值众数求均值，得到的结果记为河流区域的标准灰度值。
进一步的，计算每个连通域的灰度均值与标准灰度值的差值绝对值，记为每个连通域的灰度差异程度，将河流区域中所有超像素块对应的连通域的灰度差异程度从小到大进行排列，得到河流差异序列，通过OTSU算法对河流差异序列进行阈值分割，得到分割阈值，其中OTSU算法为现有技术，本实施例不再赘述；将灰度差异程度大于等于分割阈值的超像素块对应的连通域记为疑似污染连通域，将灰度差异程度小于分割阈值的超像素块对应的连通域记为正常连通域；则通过超像素块对应的连通域中灰度值的初步分析获取了疑似污染连通域。
进一步的，在步骤S001中已经获取到了河流区域的河流骨架线以及上游端点与下游端点，其中河流骨架线为单像素宽度，以河流航拍图像左下角为坐标原点，水平向右为横轴正方向，竖直向上为纵轴正方向，获取每个河流航拍图像中每个像素点的坐标；以任意一个疑似污染连通域为例，选择该连通域中任意一个像素点，获取该像素点与河流骨架线上欧式距离最短的像素点，记为该像素点的骨架像素点，其中欧式距离即为根据坐标获取的空间距离；此时由于两像素点之间的欧式距离最短，则两像素点的梯度变化方向应相同或相近；获取骨架像素点沿流动方向在骨架线上的下一个像素点，将骨架像素点与下一个像素点的差值绝对值作为向量的模，骨架像素点指向下一个像素点的方向作为向量的方向，得到的向量记为该连通域内该像素点的骨架向量；计算该像素点的梯度，获取梯度的值以及梯度方向，将梯度的值作为向量的模，梯度方向作为向量的方向，得到该像素点的梯度向量；按照上述方法获取该连通域中每个像素点的骨架向量与梯度向量；按照上述方法获取每个疑似污染连通域中每个像素点的骨架向量与梯度向量。
进一步的，以第个疑似污染连通域为例，根据连通域内像素点的骨架向量与梯度 向量，获取该疑似污染连通域的污染可能性的计算方法为：
其中，表示第个疑似污染连通域中第个像素点的梯度向量，表示第个疑 似污染连通域中第个像素点的骨架向量，表示第个疑似污染连通域中第个像素点梯 度的值，表示第个疑似污染连通域中第个像素点骨架向量的模，表示 第个疑似污染连通域中第个像素点的梯度向量与骨架向量的夹角的余弦值，表示第 个疑似污染连通域中像素点的数量，表示求绝对值。
对于污染物造成的连通域内灰度变化，其灰度变化方向应与河流流动方向相同，而污染物的扩散存在两种情况，一种即是随着扩散会使得污水越来越浅，即相应的灰度变大，则梯度方向即是扩散方向，此时梯度向量与骨架向量的夹角越小，余弦值越接近1，连通域内所有像素点对应的余弦值均值的绝对值越接近1，则扩散方向与流动方向的相近性越大，污染可能性越大；另一种情况则是随着扩散会使得污水越来越深，即相应的灰度变小，则梯度方向的反方向是扩散方向，此时梯度向量与骨架向量的夹角越接近180°，则梯度方向的反方向与骨架向量的方向夹角越接近0°，即余弦值越接近-1，而连通域内所有像素点对应的余弦值均值越接近-1，相应的余弦值均值的绝对值越接近1，则扩散方向与流动方向的相近性越大，污染可能性越大；而对于连通域内的灰度变化不是由污染物引起的情况，灰度分布不会呈现明显扩散现象，则灰度梯度会较为杂乱，进而余弦值的均值绝对值就会越小，相应的污染可能性就会越小；按照上述方法获取每个疑似污染连通域的污染可能性。
进一步的，本实施例设置自适应窗口尺寸分别为3、5、7及9，对于河流航拍图像中 的非河流区域及河流区域中的正常连通域，设置滤波窗口尺寸为，利用较大尺寸的滤 波窗口来提高去噪效果；对于污染可能性小于等于预设第一阈值的疑似污染连通域，设置 滤波窗口尺寸为，其中预设第一阈值本实施例采用0.3进行计算，污染可能性小于等 于预设第一阈值的疑似污染连通域中出现灰度变化的部分较少，无明显扩散现象，为入河 排污口的可能性较小，但由于包括了灰度变化区域则不能设置过大的滤波窗口尺寸；对于 污染可能性大于预设第一阈值而小于等于预设第二阈值的疑似污染连通域，设置滤波窗口 尺寸为，其中预设第二阈值本实施例采用0.7进行计算，这一部分疑似污染连通域中 灰度变化的方向较为规律，且较大部分呈现扩散现象，但仍存在部分不满足扩散现象，则需 要较小的滤波窗口尺寸；对于污染可能性大于第二预设阈值的疑似污染连通域，设置滤波 窗口尺寸为，这一部分疑似污染连通域的污染可能性很接近1，几乎整个连通域都呈 现扩散现象，则需要采用最小的滤波窗口尺寸来进行滤波，尽可能地保留这些连通域中的 细节信息。
至此，获取到河流航拍图像内不同区域的滤波窗口尺寸；对于图像内不重要的非河流区域及灰度变化较小正常连通域设置较大的滤波窗口，提高去噪效果；而对于重要的河流污染区域，根据各疑似污染连通域的污染可能性，自适应选取滤波窗口尺寸，即污染可能性越大，需要越小的滤波窗口，用于保护图像重要区域的细节信息。
步骤S003、根据每个疑似污染连通域内灰度值的分布、河流流动方向以及污染可能性，获取每个疑似污染连通域的细节保留程度，根据细节保留程度获取不同区域的高斯函数标准差。
需要说明的是，已知高斯滤波算法通过调整高斯函数的标准差来控制图像的平滑程度，高斯函数的标准差越大，高斯分布曲线越矮宽，滤波平滑效果越明显；而高斯函数的标准差越小，高斯分布曲线越窄高，对图像细节的保护越好；而对于本实施例中河流航拍图像的不同区域要实现不同程度的去噪以及细节保留，因此需要根据各疑似污染连通域的灰度变化方向来量化每个疑似污染连通域的细节保留程度，进而获取不同区域的高斯函数标准差。
具体的，以任意一个疑似污染连通域为例，在步骤S002中已经获取了每个疑似污染连通域中每个像素点的骨架像素点，则提取该连通域中每个像素点的骨架像素点，而每个像素点都存在骨架向量与梯度向量的夹角余弦值，同时多个像素点可能对应同一个骨架像素点；将每个骨架像素点对应的多个像素点中夹角余弦值最大的像素点的灰度值，作为每个骨架像素点的匹配灰度值；需要说明的是，若存在多个夹角余弦值最大的像素点，则将这些像素点的灰度值均值作为匹配灰度值；获取该疑似污染连通域对应的所有骨架像素点的匹配灰度值，将所有匹配灰度值按照骨架像素点在骨架线上从上游端点到下游端点上的顺序进行排列，得到的序列记为该疑似污染连通域的匹配灰度序列；按照上述方法获取每个疑似污染连通域的匹配灰度序列。
进一步的，对于任意一个疑似污染连通域的匹配灰度序列，计算序列中每个元素减去相邻后一个元素得到的差值，将差值为正数的对应元素用1进行代替，差值为负数的对应元素用-1进行代替，差值为0的对应元素用0进行代替，匹配灰度序列中最后一个元素没有相应差值，去除该元素，替换后的序列记为该疑似污染连通域的灰度变化序列，其中灰度变化序列的元素数量比匹配灰度序列数量少一个；获取灰度变化序列中元素1的数量以及元素-1的数量，将其中的最大值与元素0的数量的和值作为该疑似污染连通域的扩散匹配数量；按照上述方法获取每个疑似污染连通域的扩散匹配数量；此时，匹配灰度序列可以整体反映疑似污染连通域中像素点沿流动方向的灰度值变化，而灰度变化序列中1的数量越多，表示连通域整体灰度沿流动方向越趋向整体递减，连通域呈现浅色向深色的扩散现象可能性越大；而灰度变化序列中-1的数量越多，表示连通域整体灰度沿流动方向趋向整体递增，连通域呈现深色向浅色的扩散现象可能性越大。
进一步的，以第个疑似污染连通域为例，根据扩散匹配数量、匹配灰度序列以及 污染可能性，获取该疑似污染连通域的细节保留程度的具体计算方法为：
其中，表示第个疑似污染连通域的污染可能性，表示第个疑似污染连通域的 扩散匹配数量，表示第个疑似污染连通域的匹配灰度序列中的元素数量，表示第 个疑似污染连通域的灰度变化序列中的元素数量，表示第个疑似污染连通域的匹配灰 度序列中所有元素的方差；扩散匹配数量与灰度变化序列中的元素数量的占比越大，连通 域整体灰度沿流动方向越趋向递增（递减），同时结合污染可能性，相应的疑似污染连通域 越应该遵循原灰度变化从而保留更多的细节信息，即细节保留程度较大；而匹配灰度序列 中的方差越大，表明疑似污染连通域内的灰度变化越聚类，相应的为了保留细节信息则需 要更大的细节保留程度，避免过分破坏原图像的灰度表现。
进一步的，则对于细节保留程度越大的疑似污染连通域，其中高斯函数的标准差 应越小，从而保留细节信息；而细节保留程度越小的疑似污染连通域，相应的高斯函数标准 差越大，从而提高去噪平滑效果；以第个疑似污染连通域为例，其高斯函数标准差的计 算方法为：
其中，表示第个疑似污染连通域的细节保留程度，exp( )表示以自然常数为底 的指数函数，为调整系数，用于防止过小而影响计算结果，本实施例采用进行计算，表示高斯函数方差的基准值，本实施例采用进行计算，实施者 可根据实际情况设定最小的高斯函数标准差，最小的高斯函数标准差的平方值即为高斯函 数方差的基准值；细节保留程度越大，高斯函数标准差应越小，而越小的细节保留程度则会 得到越大的高斯函数标准差；按照上述方法获取每个疑似污染连通域的高斯函数标准差， 由于的值域范围为，则对于非河流区域及正常连通域其需要较大的 高斯函数标准差，则为保证去噪平滑效果不会与其他区域差异过大，本实施例采用 来作为这些区域的高斯函数标准差，且，则这些区域的高斯函数标准差为。
至此，获取到河流航拍图像中不同区域的高斯函数标准差；对于非河流区域与河流区域中的正常连通域设置较大的高斯函数标准差来提高去噪效果，而对于疑似污染连通域根据细节保留程度自适应获取高斯函数标准差，从而实现细节信息的保留。
步骤S004、根据滤波窗口尺寸及高斯函数标准差对河流航拍图像进行高斯滤波，获取高质量河流航拍图像，通过入河排污检测系统完成入河排污检测。
根据不同区域分别获取到的滤波窗口尺寸以及高斯函数标准差，采用高斯滤波对河流航拍图像进行去噪处理，得到的结果记为高质量河流航拍图像；将高质量图像数据传输至入河排污检测系统，输出图像内各排污口对河流的污染程度，其中入河排污检测系统为现有技术，本实施例不再赘述；通过入河排污系统得到不同排污口对河流的污染程度，在入河排污检测系统中通过数据服务器结合排污口所属企业的相关信息，判断非法乱排乱放行为，进行预警监控。
至此，通过自适应的滤波窗口以及高斯滤波标准差，对河流航拍图像进行滤波处理，去除了噪声的同时保留了入河排污区域较小的细节信息，并完成了入河排污检测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、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.基于计算机视觉的入河排污检测方法，其特征在于，该方法包括以下步骤：
采集河流航拍图像，分割河流区域，根据河流航拍图像及河流区域获取流动方向以及河流骨架线；
通过超像素分割对河流区域进行划分，根据不同超像素块中的灰度值获取若干疑似污染连通域以及正常连通域，根据每个疑似污染连通域中每个像素点的灰度值、位置以及河流骨架线，获取每个疑似污染连通域中每个像素点的骨架向量与梯度向量，根据骨架向量与梯度向量获取每个疑似污染连通域的污染可能性，根据污染可能性获取河流航拍图像中不同区域的滤波窗口尺寸；
根据骨架向量与梯度向量获取每个疑似污染连通域的匹配灰度序列，根据匹配灰度序列中每个元素与相邻后一个元素的差值，获取每个疑似污染连通域的扩散匹配数量，根据匹配灰度序列、扩散匹配数量以及污染可能性获取每个疑似污染连通域的细节保留程度，根据细节保留程度获取每个疑似污染连通域的高斯函数标准差，设置非河流区域及正常连通域的高斯函数标准差；
根据滤波窗口尺寸及高斯函数标准差对河流航拍图像进行高斯滤波，获取高质量河流航拍图像，通过入河排污检测系统完成入河排污检测；
对于河流航拍图像中的非河流区域及河流区域中的正常连通域，设置滤波窗口尺寸为9×9；
将作为河流航拍图像中的非河流区域及河流区域中的正常连通域的高斯函数标准差，其中，a为高斯函数方差的基准值；
所述根据匹配灰度序列、扩散匹配数量以及污染可能性获取每个疑似污染连通域的细节保留程度，包括的具体方法为：
其中，Ft表示第t个疑似污染连通域的细节保留程度，Dt表示第t个疑似污染连通域的污染可能性，rt表示第t个疑似污染连通域的扩散匹配数量，qt表示第t个疑似污染连通域的匹配灰度序列中的元素数量，Vt表示第t个疑似污染连通域的匹配灰度序列中所有元素的方差。
2.根据权利要求1所述的基于计算机视觉的入河排污检测方法，其特征在于，所述根据不同超像素块中的灰度值获取若干疑似污染连通域，包括的具体方法为：
对每个超像素块对应的连通域，获取每个连通域的灰度均值以及每个连通域的灰度值众数，对河流区域中所有连通域的灰度值众数求均值，得到的结果记为河流区域的标准灰度值；
计算每个连通域的灰度均值与标准灰度值的差值绝对值，记为每个连通域的灰度差异程度，将河流区域中所有超像素块对应的连通域的灰度差异程度从小到大进行排列，得到河流差异序列，通过对河流差异序列进行阈值分割，得到分割阈值；将灰度差异程度大于等于分割阈值的超像素块对应的连通域记为疑似污染连通域，将灰度差异程度小于分割阈值的超像素块对应的连通域记为正常连通域。
3.根据权利要求1所述的基于计算机视觉的入河排污检测方法，其特征在于，所述获取每个疑似污染连通域中每个像素点的骨架向量与梯度向量，包括的具体方法为：
以任意一个疑似污染连通域作为目标连通域，获取目标连通域中任意一个像素点作为目标像素点，获取目标像素点与河流骨架线上欧式距离最短的像素点，记为目标像素点的骨架像素点；
获取目标像素点的骨架像素点沿流动方向在骨架线上的下一个像素点，将骨架像素点与下一个像素点的差值绝对值作为向量的模，骨架像素点指向下一个像素点的方向作为向量的方向，得到的向量记为目标连通域内目标像素点的骨架向量；获取目标像素点的梯度，获取梯度的值以及梯度方向，将梯度的值作为向量的模，梯度方向作为向量的方向，得到的向量记为目标连通域内目标像素点的梯度向量；
获取目标连通域中每个像素点的骨架向量与梯度向量；获取每个疑似污染连通域中每个像素点的骨架向量与梯度向量。
4.根据权利要求1所述的基于计算机视觉的入河排污检测方法，其特征在于，所述根据骨架向量与梯度向量获取每个疑似污染连通域的污染可能性，包括的具体方法为：
其中，Dt表示第t个疑似污染连通域的污染可能性，表示第t个疑似污染连通域中第x个像素点的梯度向量，/>表示第t个疑似污染连通域中第x个像素点的骨架向量，Bt，x表示第t个疑似污染连通域中第x个像素点梯度的值，Ct，x表示第t个疑似污染连通域中第x个像素点骨架向量的模，/>表示第t个疑似污染连通域中第x个像素点的梯度向量与骨架向量的夹角的余弦值，Nt表示第t个疑似污染连通域中像素点的数量，||表示求绝对值。
5.根据权利要求3所述的基于计算机视觉的入河排污检测方法，其特征在于，所述根据骨架向量与梯度向量获取每个疑似污染连通域的匹配灰度序列，包括的具体方法为：
以任意一个疑似污染连通域作为目标连通域，提取目标连通域中每个像素点的骨架像素点，以及每个像素点的骨架向量与梯度向量的夹角余弦值，将每个骨架像素点对应的多个像素点中夹角余弦值最大的像素点的灰度值，作为每个骨架像素点的匹配灰度值；
获取目标连通域对应的所有骨架像素点的匹配灰度值，将所有匹配灰度值按照骨架像素点在骨架线上从上游端点到下游端点上的顺序进行排列，得到的序列记为目标连通域的匹配灰度序列。
6.根据权利要求1所述的基于计算机视觉的入河排污检测方法，其特征在于，所述获取每个疑似污染连通域的扩散匹配数量，包括的具体方法为：
以任意一个疑似污染连通域作为目标连通域，将目标连通域的匹配灰度序列作为目标序列，计算目标序列中每个元素减去相邻后一个元素得到的差值，将差值为正数的对应元素用1进行代替，差值为负数的对应元素用-1进行代替，差值为0的对应元素用0进行代替，去除目标序列中最后一个元素，替换后的序列记为目标连通域的灰度变化序列；
获取灰度变化序列中元素1的数量以及元素-1的数量，将其中的最大值与元素0的数量的和值作为目标连通域的扩散匹配数量。
7.根据权利要求1所述的基于计算机视觉的入河排污检测方法，其特征在于，所述根据细节保留程度获取每个疑似污染连通域的高斯函数标准差，包括的具体方法为：
其中，σt表示第t个疑似污染连通域的高斯函数标准差，Ft表示第t个疑似污染连通域的细节保留程度，exp()表示以自然常数为底的指数函数，为调整系数，a表示高斯函数方差的基准值。
CN202310492914.3A 2023-05-05 2023-05-05 基于计算机视觉的入河排污检测方法 Active CN116229276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310492914.3A CN116229276B (zh) 2023-05-05 2023-05-05 基于计算机视觉的入河排污检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310492914.3A CN116229276B (zh) 2023-05-05 2023-05-05 基于计算机视觉的入河排污检测方法

Publications (2)

Publication Number Publication Date
CN116229276A CN116229276A (zh) 2023-06-06
CN116229276B true CN116229276B (zh) 2023-07-28

Family

ID=86579053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310492914.3A Active CN116229276B (zh) 2023-05-05 2023-05-05 基于计算机视觉的入河排污检测方法

Country Status (1)

Country Link
CN (1) CN116229276B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433990B (zh) * 2023-06-12 2023-08-15 恒超源洗净科技(深圳)有限公司 基于视觉检测的超声波清洗机反馈调节系统
CN116486061B (zh) * 2023-06-20 2023-09-15 苏州德斯米尔智能科技有限公司 基于机器视觉的污水处理效果检测方法
CN116883328B (zh) * 2023-06-21 2024-01-05 查维斯机械制造(北京)有限公司 基于计算机视觉的牛胴体脊柱区域快速提取方法
CN116523802B (zh) * 2023-07-04 2023-08-29 天津大学 一种用于肝脏超声图像的增强优化方法
CN116563768B (zh) * 2023-07-06 2023-09-22 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种微塑料污染物智能检测方法及系统
CN116912820B (zh) * 2023-09-13 2023-12-12 青岛君盛食品股份有限公司 一种婴幼儿食品安全视觉检测方法
CN116934636B (zh) * 2023-09-15 2023-12-08 济宁港航梁山港有限公司 一种水质实时监测数据智能管理系统
CN117030634B (zh) * 2023-10-09 2023-12-12 深圳市盘古环保科技有限公司 一种地下水污染快速检测修复方法
CN117094993B (zh) * 2023-10-18 2024-03-26 山东聚亨源环保科技有限公司 一种污水处理过程中沉淀检测方法
CN117132594B (zh) * 2023-10-25 2024-02-20 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 基于高光谱图像的地下水微塑料智能检测方法
CN117437309B (zh) * 2023-12-21 2024-03-22 梁山公用水务有限公司 基于人工智能的水利水务数字化管理系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797333A (zh) * 2023-01-29 2023-03-14 成都中医药大学 一种个性化定制的智能视觉训练方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080205786A1 (en) * 2006-12-13 2008-08-28 Zhang Young Method and system for filtering images in video coding
US8433155B2 (en) * 2006-12-28 2013-04-30 Texas Instruments Incorporated Gaussian noise rejection with directional variance capabilities for use in image processing
CN115330784B (zh) * 2022-10-13 2022-12-23 南通金百福纺织品有限公司 一种布匹表面缺陷检测方法
CN115661136B (zh) * 2022-12-12 2023-03-07 深圳宝铭微电子有限公司 一种碳化硅材质的半导体缺陷检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797333A (zh) * 2023-01-29 2023-03-14 成都中医药大学 一种个性化定制的智能视觉训练方法

Also Published As

Publication number Publication date
CN116229276A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN116229276B (zh) 基于计算机视觉的入河排污检测方法
Gibson et al. Fast single image fog removal using the adaptive Wiener filter
Zhu et al. Single image dehazing using color attenuation prior.
KR101448164B1 (ko) 파라미터 최적화를 이용한 영상의 안개 제거 방법
CN111598791B (zh) 一种基于改进动态大气散射系数函数的图像去雾方法
CN110675340A (zh) 一种基于改进的非局部先验的单幅图像去雾方法及介质
CN116152231B (zh) 基于图像处理的润滑油内杂质检测方法
CN107609558A (zh) 文字图像处理方法及装置
EP2851867A2 (en) Method and apparatus for filtering an image
KR101788660B1 (ko) 단일 영상 내의 안개 제거 장치 및 방법
CN116030396B (zh) 一种用于视频结构化提取的精确分割方法
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
CN111192213B (zh) 图像去雾自适应参数的计算方法、图像去雾方法及系统
CN115497015A (zh) 一种基于卷积神经网络的河流漂浮污染物识别方法
Wang et al. An efficient method for image dehazing
CN115272303A (zh) 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统
CN102750675B (zh) 一种斑点噪声污染图像的非局部均值滤波方法
CN115393216A (zh) 基于偏振特性与大气传输模型的图像去雾方法和装置
CN112750089B (zh) 基于局部块最大和最小像素先验的光学遥感影像去雾方法
CN112825189B (zh) 一种图像去雾方法及相关设备
CN113537037A (zh) 路面病害识别方法、系统、电子设备及存储介质
Ding et al. Restoration of single sand-dust image based on style transformation and unsupervised adversarial learning
CN116229404A (zh) 一种基于距离传感器的图像去雾优化方法
Thepade et al. Improved haze removal method using proportionate fusion of color attenuation prior and edge preserving
CN116152191A (zh) 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备

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