CN116486061B - 基于机器视觉的污水处理效果检测方法 - Google Patents
基于机器视觉的污水处理效果检测方法 Download PDFInfo
- Publication number
- CN116486061B CN116486061B CN202310734736.0A CN202310734736A CN116486061B CN 116486061 B CN116486061 B CN 116486061B CN 202310734736 A CN202310734736 A CN 202310734736A CN 116486061 B CN116486061 B CN 116486061B
- Authority
- CN
- China
- Prior art keywords
- edge
- local area
- weak
- point
- connected domain
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 69
- 230000000694 effects Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012217 deletion Methods 0.000 claims description 19
- 230000037430 deletion Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 6
- 238000000149 argon plasma sintering Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000002244 precipitate Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- -1 dirt Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06V10/20—Image preprocessing
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的污水处理效果检测方法,包括:获取污水水下图像,划分为若干个局部区域,获取每一局部区域内若干个边缘连通域,获取每一边缘连通域的背景边缘置信度,获取每一局部区域内若干个弱边缘连通域,获取每一弱边缘连通域的差异程度,获取每一边缘连通域的受干扰程度,获取每一局部区域的背景边缘缺失评价,进而获取每一局部区域的拉伸程度,根据每一局部区域的拉伸系数对每一局部区域进行直方图均衡化,得到增强后的污水水下图像并进行污水处理效果检测。本发明旨在解决由于水中絮状物的光散射效应导致使用传统的直方图均衡化算法对污水图像进行增强处理时增强效果不佳的问题。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的污水处理效果检测方法。
背景技术
随着社会发展,社会越来越重视对于污水的处理。而在处理污水的流程中,会通过图像采集设备采集污水内部图像,从而对其内部出现的例如沉淀,污垢以及水质等信息进行观察,但是水下图像中往往光线较差,加上水体浑浊,因此其中存在的例如沉淀物,污垢等细节并不明显因此较难检测处理效果。因此通常需要对所采集的图像进行增强,从而更利于观测。
常规的直方图均衡化在消除絮状物在水体中产生的光散射效应的影响时,仅仅根据灰度级对应频次进行拉伸,并未考虑絮状物在不同照度的区域内,对应的光散射效应不同,因此需要的拉伸程度也不同,而常规直方图均衡化会导致增强效果不佳的同时,还会使区域亮度较暗处的絮状物变模糊。
发明内容
本发明提供基于机器视觉的污水处理效果检测方法,以解决现有的问题。
本发明的基于机器视觉的污水处理效果检测方法采用如下技术方案:
本发明一个实施例提供了基于机器视觉的污水处理效果检测方法,该方法包括以下步骤:
获取污水水下图像;
根据污水灰度图中像素点的灰度值差异及位置差异将污水灰度图划分为若干个局部区域,利用边缘检测算法获取每一局部区域内若干个边缘点及若干个边缘连通域;
获取污水灰度图中每一像素点的梯度幅值和梯度方向,根据每一边缘连通域上边缘点的梯度方向与预设梯度方向的差异获取每一边缘连通域的背景边缘置信度,根据每一局部区域内像素点的梯度幅值差异获取每一局部区域内若干个弱边缘点及若干个弱边缘连通域,获取每一弱边缘连通域边缘上每一弱边缘点的差异值,根据每一弱边缘连通域边缘上所有弱边缘点的差异值的均值得到每一弱边缘连通域的差异程度,根据每一边缘连通域上弱边缘连通域的个数及每一边缘连通域上每一弱边缘连通域的差异程度获取每一边缘连通域的受干扰程度;
将每一局部区域中所有边缘连通域的背景边缘置信度与受干扰程度乘积的均值作为每一局部区域的背景边缘缺失评价,根据每一局部区域的背景边缘缺失评价获取每一局部区域的拉伸程度;
根据每一局部区域的拉伸系数对每一局部区域进行直方图均衡化,得到增强后的污水水下图像,利用增强后的污水水下图像进行污水处理效果检测。
可选的,所述根据每一边缘连通域上边缘点的梯度方向与预设梯度方向的差异获取每一边缘连通域的背景边缘置信度,计算公式如下:
其中,表示第个局部区域中第个边缘连通域的背景边缘置信度,表示第
个局部区域中第个边缘连通域上第个边缘点的梯度方向,表示第个局部区域中第个
边缘连通域上边缘点的个数,表示预设梯度方向,表示第一预设梯度方向,表示第二预
设梯度方向,为取最大值函数。
可选的,所述根据每一局部区域内像素点的梯度幅值差异获取每一局部区域内若干个弱边缘点及若干个弱边缘连通域,包括的具体步骤如下:
根据每一局部区域内像素点的梯度幅值获取每一局部区域的梯度直方图,利用最小二乘法对梯度直方图进行拟合,得到梯度分布曲线,获取梯度分布曲线中每点的斜率值,获取梯度分布曲线的若干个波峰点及若干个波谷点,将横坐标值最大的波峰点记为最大梯度幅值点,将最大梯度幅值点至最大梯度幅值点左侧且距最大梯度幅值点欧式距离最小的波谷点的范围中,斜率值最大的点对应的横坐标值即梯度幅值记为最大划分阈值,将最大划分阈值乘以百分之五十记为最小划分阈值,将每一局部区域中梯度幅值大于最小划分阈值且小于最大划分阈值的像素点记为弱边缘点,对弱边缘点进行连通域处理,得到若干个弱边缘连通域。
可选的,所述获取每一弱边缘连通域边缘上每一弱边缘点的差异值,包括的具体步骤如下:
记任意一弱边缘连通域为目标弱连通域,获取目标弱连通域边缘上两两弱边缘点的欧式距离,构成欧式距离集合,将欧式距离集合中的最大值对应的两个弱边缘点依次记为目标弱连通域的第一端点与第二端点,将目标弱连通域边缘上所有弱边缘点中梯度幅值的最小值对应的弱边缘点记为中心点;将第一端点与中心点连线,记为第一估计线段,将第二端点与中心点连线,记为第二估计线段;将自第一端点起始至中心点,沿目标弱连通域边缘顺序依次得到的每一弱边缘点记为第一弱边缘点,将第一弱边缘点与第一估计线段的欧式距离记为第一弱边缘点的差异值;将自中心点起始至第二端点,沿目标弱连通域边缘顺序依次得到的每一弱边缘点记为第二弱边缘点,将第二弱边缘点与第二估计线段的欧式距离记为第二弱边缘点的差异值。
可选的,所述根据每一边缘连通域上弱边缘连通域的个数及每一边缘连通域上每一弱边缘连通域的差异程度获取每一边缘连通域的受干扰程度,计算公式如下:
其中,表示第个局部区域中第个边缘连通域的受干扰程度,表示第个局
部区域中第个边缘连通域中弱连通域的个数,表示第个局部区域中第个边缘连通域
中第个弱连通域的差异程度,表示第个局部区域中第个边缘连通域中第个弱连
通域的像素点个数,表示第个局部区域中第个边缘连通域上像素点的个数。
可选的,所述根据每一局部区域的背景边缘缺失评价获取每一局部区域的拉伸程度,计算公式如下:
其中,表示第个局部区域的拉伸程度,表示第个局部区域的背景边缘缺失
评价,表示除第个局部区域外第个局部区域的背景边缘缺失评价,表示第个局部
区域的区域中心到除第个局部区域外第个局部区域的区域中心的欧式距离,表示局部
区域个数,表示权重系数。
本发明的技术方案的有益效果是:常规的直方图均衡化算法仅考虑灰度级所对应的在图像中出现的频率进行动态拉伸,但是当图像中的重要信息部分出现的频率较小时,其对应的拉伸效果便不佳,同时对于污水处理这一场景下,絮状物的特征与脏污斑点较为相近,因此改进效果不佳。本发明首先获得多个灰度值相近的局部区域,进而获得每一个局部区域内部的边缘连通域与弱边缘连通域,根据边缘连通域与弱边缘连通域之间的差异,获得每一个局部区域的背景缺失评价,同时为了防止直方图均衡化后局部区域之间的块效应导致增强结果不佳,因此通过每一个局部区域以其余局部区域根据之间的聚类中心距离作为权重后,得到每一个局部区域调整后的拉伸程度,从而对每一个局部区域内的高灰度区域进行不同程度的直方图均衡化拉伸,不仅极大程度上增大了絮状物的增强效果,增大了絮状物的细节表现,同时还防止了块效应的产生。
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为本发明基于机器视觉的污水处理效果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基于机器视觉的污水处理效果检测方法,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基于机器视觉的污水处理效果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基于机器视觉的污水处理效果检测方法的步骤流程图,该方法包括以下步骤:
步骤S001、获取污水水下图像。
需要说明的是,由于本实施例是根据污水水下图像进行污水处理效果检测,因此首先需要采集污水水下图像。
在储存污水的蓄水池底部安置防水相机,采集污水水下图像,对污水水下图像进行灰度化处理,记为污水灰度图,对污水灰度图使用中值滤波算法进行去噪处理,为了方便描述,将去噪后的污水灰度图记为污水灰度图。
至此,得到污水灰度图。
步骤S002、根据污水灰度图中像素点的灰度值差异及位置差异将污水灰度图划分为若干个局部区域,获取每一局部区域的若干个边缘连通域。
需要说明的是,传统的直方图均衡化仅根据不同灰度级在直方图中出现的频率大小进行直方图拉伸,并未考虑不同灰度级在图像中所表现的具体含义,因此往往会导致非重要区域或背景区域拉伸较大,增强效果较好,而图像中的重要区域拉伸较小,增强效果较差。
进一步需要说明的是,在污水灰度图中,污水中存在的絮状沉淀物与墙壁上附着的脏污斑点灰度值相近,在污水灰度图中均为高灰度值区域,若进行相同程度的拉伸,会导致脏污斑点增强程度与絮状物相近,而絮状物本身在污水中所表现出来的丁达尔效应即光的散射这一特征则会被减小,增强后的图像中,絮状沉淀物的判定可能出现误差,因此需要基于污水中不同污染物的特征对图像中的高灰度区域进行区分,并进行不同程度的均衡化拉伸。
利用超像素分割算法对污水灰度图进行分割,得到若干个超像素块,其中设定超
像素块个数为,本实施例设定,具体实施过程实施者可视具体情况对超像素块
个数进行调整;需要说明的是,超像素分割算法为现有技术,本实施例以SLIC超像素算
法进行叙述。
获取每一超像素块中像素点的灰度值均值,记为每一超像素块的颜色指标,对得
到的若干个超像素块中,以左上角的超像素块为起点,记为初始超像素块,将与初始超像素
块具有相同边界的其他超像素块记为初始超像素块的相邻超像素块,计算初始超像素块中
心点与相邻超像素块中每一超像素块中心点的欧式距离,记为位置差异,获取初始超像素
块与相邻超像素块中每一超像素块的颜色指标的差值的绝对值,记为颜色差异,将位置差
异的平方与颜色差异的平方之和记为初始超像素块与相邻超像素块中每一超像素块的相
似程度,对所有相似程度线性归一化处理,设定相似程度阈值,本实施例设定,具
体实施过程实施者可视具体场景对进行调整,当相似程度大于时,不进行后续处理,
当相似程度小于等于时,将初始超像素块与相邻超像素块中的该超像素块进行连接,判
定初始超像素块与相邻超像素块中的该超像素块属于同一局部区域,依次类推,对被连接
的超像素块进行上述判断,直到每一超像素块均有属于的局部区域后,连接停止。
至此,获取若干个局部区域。
获取每一局部区域的灰度直方图,对每一局部区域使用Canny边缘检测算法处理,记为每一局部区域的边缘图像,对每一边缘图像进行连通域处理,得到若干个边缘连通域,将边缘连通域边缘上的像素点记为边缘点。
至此,获取每一局部区域的边缘图像,每一边缘图像包含若干个边缘连通域。
步骤S003、获取每一边缘连通域的背景边缘置信度,获取弱边缘点及弱边缘连通域,获取每一弱边缘连通域的差异程度,根据每一边缘连通域上弱边缘连通域的个数及每一连通域上每一弱边缘连通域的差异程度获取每一边缘连通域的受干扰程度。
需要说明的是,对于污水中的主要观测对象为其中存在的漂浮在水中的絮状物,而由于水中的丁达尔效应,导致每一个絮状物其可以近似看作一个局部的散射光源,同时污水中的背景区域内的像素点的灰度值通常低于絮状物区域像素点的灰度值,因此,随着絮状物的不规则、离散分布,导致本来灰度差异较小的背景区域例如墙壁地面等,变得斑驳杂乱,因此需要根据每一个局部区域中,絮状物所表现出来的干扰程度对例如边缘等特征的干扰,边缘缺失程度来对絮状物对应的高亮区域对应的灰度级进行拉伸程度的调整。
使用Sobel算子获取污水灰度图中每一像素点的梯度幅值和梯度方向。
具体的,以第个局部区域中第个边缘连通域为例,获取该边缘连通域的背景边
缘置信度的计算方法为:
其中,表示第个局部区域中第个边缘连通域上第个边缘点的梯度方向,
表示第个局部区域中第个边缘连通域上边缘点的个数,表示预设梯度方向,表示第一
预设梯度方向,表示第二预设梯度方向,本实施例设定为90°、为180°,为取最大值
函数。
由于水池底部通常边缘特征为方方正正的特征,若越小,表示第个局部区域中
第个边缘连通域整体梯度方向较为接近垂直或水平特征,即越符合实际背景边缘特征。
至此,获取每一局部区域中每一边缘连通域的背景边缘置信度。
根据每一局部区域内像素点的梯度幅值获取每一局部区域的梯度直方图,利用最小二乘法对梯度直方图进行拟合,得到梯度分布曲线,获取梯度分布曲线中每点的斜率值,获取梯度分布曲线的若干个波峰点及若干个波谷点,获取横坐标即梯度幅值最大的波峰点,记为最大梯度幅值点;将最大梯度幅值点至最大梯度幅值点左侧且距最大梯度幅值点欧式距离最小的波谷点的范围中,斜率值最大的点对应的横坐标值即梯度幅值记为最大划分阈值,最大划分阈值乘以百分之五十记为最小划分阈值;将每一局部区域中梯度幅值大于最小划分阈值且小于最大划分阈值的像素点记为弱边缘点,对弱边缘点进行连通域处理,得到若干个弱边缘连通域。
至此,得到每一局部区域中若干个弱边缘连通域。
进一步需要说明的是,弱边缘连通域表征由絮状物的光散射特征得到的区域,当絮状物处在实际背景边缘附近时,絮状物自身所表现的丁达尔效应会导致实际背景的边缘特征的梯度幅值较弱进而出现弱边缘。
记任意一弱边缘连通域为目标弱连通域,获取目标弱连通域边缘上两两弱边缘点的欧式距离,构成欧式距离集合,将欧式距离集合中的最大值对应的弱边缘点对依次记为目标弱连通域的第一端点与第二端点,将目标弱连通域边缘上所有弱边缘点中梯度幅值的最小值对应的弱边缘点记为中心点;将第一端点与中心点连线,记为第一估计线段,将第二端点与中心点连线,记为第二估计线段;将自第一端点起始至中心点,沿目标弱连通域边缘顺序依次得到的每一弱边缘点记为第一弱边缘点,将第一弱边缘点与第一估计线段的欧式距离,记为第一弱边缘点的差异值;将自中心点起始至第二端点,沿目标弱连通域边缘顺序依次得到的每一弱边缘点记为第二弱边缘点,需要说明的是,此时第二弱边缘点不包含中心点,将第二弱边缘点与第二估计线段的欧式距离,记为第二弱边缘点的差异值。
至此,得到每一弱边缘连通域边缘上每一弱边缘点的差异值。
获取每一弱边缘连通域边缘上所有弱边缘点的差异值的均值,记为每一弱边缘连通域的差异程度,对每一局部区域中所有弱边缘连通域的差异程度进行线性归一化处理。
至此,得到每一弱边缘连通域的差异程度,差异程度表征每一弱边缘连通域受到絮状物光散射的影响程度。
进一步需要说明的是,絮状物散射区域可以看作是以絮状物为中心的一个近似圆形区域,越接近区域中心,其散射效应越严重,同时由于受光散射效应越严重,对应的实际边缘所表现的梯度特征越弱,根据每一边缘连通域的背景边缘置信度及每一边缘连通域上每一弱边缘连通域的差异程度及弱边缘连通域的个数获取每一边缘连通域的受干扰程度。
具体的,以第个局部区域中第个边缘连通域为例,获取第个局部区域中第个
边缘连通域的受干扰程度的计算方法为:
其中,表示第个局部区域中第个边缘连通域中弱连通域的个数,表示第
个局部区域中第个边缘连通域中第个弱连通域的差异程度,表示第个局部区域中
第个边缘连通域中第个弱连通域的像素点个数,表示第个局部区域中第个边缘连
通域上像素点的个数。
由于第个局部区域中第个边缘连通域中存在的弱边缘连通域的个数越多,同时
每一弱边缘连通域的差异程度越小,第个局部区域中第个边缘连通域受絮状物影响的程
度越高,第个局部区域中第个边缘连通域的受干扰程度越高。
至此,获取每一边缘连通域的受干扰程度。
步骤S004、根据每一边缘连通域的背景边缘置信度和受干扰程度获取每一局部区域的背景边缘缺失评价,根据每一局部区域的背景边缘缺失评价获取每一局部区域的拉伸程度。
需要说明的是,每一局部区域受到絮状物影响的程度受该区域中所有边缘连通域的受干扰程度及背景边缘置信度同时影响,需要结合每一局部区域中所有边缘连通域的受干扰程度及背景边缘置信度获取每一局部区域的背景边缘缺失评价。
具体的,以第个局部区域为例,获取第个局部区域的背景边缘缺失评价的计
算方法为:
其中,表示第个局部区域中边缘连通域的个数,表示第个局部区域中第个
边缘连通域的受干扰程度,表示第个局部区域中第个边缘连通域的背景边缘置信度。
由于在污水池中的某一局部区域内,絮状物分布的密度是相近的,进而若越大,
在第个局部区域内,絮状物的丁达尔效应对第个局部区域的影响较大,进而对该局部区
域进行直方图均衡化时,需要拉伸的程度越高。
至此,得到每一局部区域的背景边缘缺失评价。
进一步需要说明的是,仅根据每一局部区域的背景边缘缺失评价获取每一局部区域的直方图拉伸程度,容易导致区域之间的差异过大,进而需要根据局部区域之间的距离及每一局部区域的背景边缘缺失评价获取每一局部区域的拉伸程度。
记任意一局部区域为目标局部区域,获取目标局部区域的中心点,记为目标局部区域的区域中心,获取目标局部区域的区域中心与其他目标区域的区域中心的欧式距离,得到欧式距离集合,对欧式距离集合中的欧式距离进行线性归一化处理。
具体的,以第个局部区域为例,获取第个局部区域的拉伸程度的计算方法
为:
其中,表示第个局部区域的背景边缘缺失评价,表示除第个局部区域外第个局部区域的背景边缘缺失评价,表示第个局部区域的区域中心到除第个局部区域
外第个局部区域的区域中心的欧式距离,表示局部区域个数,表示权重系数,本实施例
设定,具体实施过程实施者可视具体场景对权重系数进行调整。
其中,第个局部区域的背景边缘缺失评价的计算过程与第个局部区域的背
景边缘缺失评价的计算过程保持一致,故此处不再重复描述的计算过程,可以直接通
过计算获得除第个局部区域外第个局部区域的背景边缘缺失评价。
至此,得到每一局部区域的拉伸程度。
步骤S005、根据每一局部区域的拉伸程度对每一局部区域进行直方图均衡化,得到增强后的污水水下图像,利用增强后的污水水下图像进行污水处理效果检测。
获取每一局部区域的灰度直方图,利用最小二乘法对灰度直方图进行拟合,得到灰度分布曲线,获取灰度分布曲线上每点的斜率值,获取灰度分布曲线的若干个波峰点及若干个波谷点,获取横坐标即灰度值最大的波峰点,记为最大灰度值点;将灰度直方图中最大灰度值右侧斜率最大的点的横坐标值即灰度值记为调整阈值。
具体的,以第个局部区域为例,设定以第个局部区域为例中超过调整阈值的灰
度值的直方图拉升系数为,其中表示大于调整阈值至第个局部区域中像素
点最大灰度值的范围,对属于范围内的其他灰度值使用传统直方图均衡化拉升系数进行
调整。
根据拉升系数使用直方图均衡化算法对局部区域进行增强。
至此,得到增强后的污水水下图像。
采集同一时刻,同一位置下的水下污水图像作为标本,并通过人为的对图像中的絮状物严重程度进行人工标注标签,将标本与人工标注标记构成数据集,使用PSPNet神经网络,将数据集作为神经网络的输入,输出为絮状物严重程度的类型,获取预先训练好的神经网络。
将增强后的污水水下图像输入预先训练好的神经网络,输出絮状物严重程度的类型。
至此,完成对污水处理效果的检测。
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 (5)
1.基于机器视觉的污水处理效果检测方法,其特征在于,该方法包括以下步骤:
获取污水水下图像;
根据污水灰度图中像素点的灰度值差异及位置差异将污水灰度图划分为若干个局部区域,利用边缘检测算法获取每一局部区域内若干个边缘点及若干个边缘连通域;
获取污水灰度图中每一像素点的梯度幅值和梯度方向,根据每一边缘连通域上边缘点的梯度方向与预设梯度方向的差异获取每一边缘连通域的背景边缘置信度,根据每一局部区域内像素点的梯度幅值差异获取每一局部区域内若干个弱边缘点及若干个弱边缘连通域,获取每一弱边缘连通域边缘上每一弱边缘点的差异值,根据每一弱边缘连通域边缘上所有弱边缘点的差异值的均值得到每一弱边缘连通域的差异程度,根据每一边缘连通域上弱边缘连通域的个数及每一边缘连通域上每一弱边缘连通域的差异程度获取每一边缘连通域的受干扰程度;
将每一局部区域中所有边缘连通域的背景边缘置信度与受干扰程度乘积的均值作为每一局部区域的背景边缘缺失评价,根据每一局部区域的背景边缘缺失评价获取每一局部区域的拉伸程度;
根据每一局部区域的拉伸系数对每一局部区域进行直方图均衡化,得到增强后的污水水下图像,利用增强后的污水水下图像进行污水处理效果检测;
所述根据每一边缘连通域上边缘点的梯度方向与预设梯度方向的差异获取每一边缘连通域的背景边缘置信度,计算公式如下:
其中,/>表示第/>个局部区域中第/>个边缘连通域的背景边缘置信度,/>表示第/>个局部区域中第/>个边缘连通域上第/>个边缘点的梯度方向,/>表示第/>个局部区域中第/>个边缘连通域上边缘点的个数,/>表示预设梯度方向,/>表示第一预设梯度方向,/>表示第二预设梯度方向,/>为取最大值函数。
2.根据权利要求1所述基于机器视觉的污水处理效果检测方法,其特征在于,所述根据每一局部区域内像素点的梯度幅值差异获取每一局部区域内若干个弱边缘点及若干个弱边缘连通域,包括的具体步骤如下:
根据每一局部区域内像素点的梯度幅值获取每一局部区域的梯度直方图,利用最小二乘法对梯度直方图进行拟合,得到梯度分布曲线,获取梯度分布曲线中每点的斜率值,获取梯度分布曲线的若干个波峰点及若干个波谷点,将横坐标值最大的波峰点记为最大梯度幅值点,将最大梯度幅值点至最大梯度幅值点左侧且距最大梯度幅值点欧式距离最小的波谷点的范围中,斜率值最大的点对应的横坐标值即梯度幅值记为最大划分阈值,将最大划分阈值乘以百分之五十记为最小划分阈值,将每一局部区域中梯度幅值大于最小划分阈值且小于最大划分阈值的像素点记为弱边缘点,对弱边缘点进行连通域处理,得到若干个弱边缘连通域。
3.根据权利要求1所述基于机器视觉的污水处理效果检测方法,其特征在于,所述获取每一弱边缘连通域边缘上每一弱边缘点的差异值,包括的具体步骤如下:
记任意一弱边缘连通域为目标弱连通域,获取目标弱连通域边缘上两两弱边缘点的欧式距离,构成欧式距离集合,将欧式距离集合中的最大值对应的两个弱边缘点依次记为目标弱连通域的第一端点与第二端点,将目标弱连通域边缘上所有弱边缘点中梯度幅值的最小值对应的弱边缘点记为中心点;将第一端点与中心点连线,记为第一估计线段,将第二端点与中心点连线,记为第二估计线段;将自第一端点起始至中心点,沿目标弱连通域边缘顺序依次得到的每一弱边缘点记为第一弱边缘点,将第一弱边缘点与第一估计线段的欧式距离记为第一弱边缘点的差异值;将自中心点起始至第二端点,沿目标弱连通域边缘顺序依次得到的每一弱边缘点记为第二弱边缘点,将第二弱边缘点与第二估计线段的欧式距离记为第二弱边缘点的差异值。
4.根据权利要求1所述基于机器视觉的污水处理效果检测方法,其特征在于,所述根据每一边缘连通域上弱边缘连通域的个数及每一边缘连通域上每一弱边缘连通域的差异程度获取每一边缘连通域的受干扰程度,计算公式如下:
其中,/>表示第/>个局部区域中第/>个边缘连通域的受干扰程度,表示第/>个局部区域中第/>个边缘连通域中弱连通域的个数,/>表示第/>个局部区域中第个边缘连通域中第/>个弱连通域的差异程度,/>表示第/>个局部区域中第/>个边缘连通域中第/>个弱连通域的像素点个数,/>表示第/>个局部区域中第/>个边缘连通域上像素点的个数。
5.根据权利要求1所述基于机器视觉的污水处理效果检测方法,其特征在于,所述根据每一局部区域的背景边缘缺失评价获取每一局部区域的拉伸程度,计算公式如下:
其中,/>表示第/>个局部区域的拉伸程度,/>表示第/>个局部区域的背景边缘缺失评价,/>表示除第/>个局部区域外第/>个局部区域的背景边缘缺失评价,/>表示第/>个局部区域的区域中心到除第/>个局部区域外第/>个局部区域的区域中心的欧式距离,/>表示局部区域个数,/>表示权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734736.0A CN116486061B (zh) | 2023-06-20 | 2023-06-20 | 基于机器视觉的污水处理效果检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734736.0A CN116486061B (zh) | 2023-06-20 | 2023-06-20 | 基于机器视觉的污水处理效果检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116486061A CN116486061A (zh) | 2023-07-25 |
CN116486061B true CN116486061B (zh) | 2023-09-15 |
Family
ID=87221749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310734736.0A Active CN116486061B (zh) | 2023-06-20 | 2023-06-20 | 基于机器视觉的污水处理效果检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486061B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665137B (zh) * | 2023-08-01 | 2023-10-10 | 聊城市彩烁农业科技有限公司 | 一种基于机器视觉的畜牧养殖废水处理方法 |
CN116758085B (zh) * | 2023-08-21 | 2023-11-03 | 山东昆仲信息科技有限公司 | 一种气体污染红外图像视觉辅助检测方法 |
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 |
CN116958144B (zh) * | 2023-09-20 | 2024-01-12 | 东莞市南谷第电子有限公司 | 一种新能源连接线表面瑕疵区域快速定位方法及系统 |
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 |
CN117138588B (zh) * | 2023-10-27 | 2024-02-13 | 克拉玛依曜诚石油科技有限公司 | 反渗透系统的智能在线清洗方法及其系统 |
CN117173641B (zh) * | 2023-11-02 | 2024-03-05 | 南通苏禾车灯配件有限公司 | 基于机器视觉的自主洗车监测方法 |
CN117237356B (zh) * | 2023-11-15 | 2024-02-23 | 山东泗水丰田农药有限公司 | 用于农药生产的废水处理控制方法 |
CN117893540B (zh) * | 2024-03-18 | 2024-05-31 | 乳山市创新新能源科技有限公司 | 用于压力容器的圆度智能检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034452A (zh) * | 2021-03-15 | 2021-06-25 | 南京理工大学 | 一种焊件轮廓检测方法 |
CN115049680A (zh) * | 2022-05-30 | 2022-09-13 | 盛视科技股份有限公司 | 污水排放检测方法、检测装置及计算机可读存储介质 |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115619998A (zh) * | 2022-11-30 | 2023-01-17 | 浙江绿维环境股份有限公司 | 一种基于图像的污水等级识别方法和装置 |
CN116229276A (zh) * | 2023-05-05 | 2023-06-06 | 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) | 基于计算机视觉的入河排污检测方法 |
-
2023
- 2023-06-20 CN CN202310734736.0A patent/CN116486061B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034452A (zh) * | 2021-03-15 | 2021-06-25 | 南京理工大学 | 一种焊件轮廓检测方法 |
CN115049680A (zh) * | 2022-05-30 | 2022-09-13 | 盛视科技股份有限公司 | 污水排放检测方法、检测装置及计算机可读存储介质 |
CN115311176A (zh) * | 2022-10-12 | 2022-11-08 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115619998A (zh) * | 2022-11-30 | 2023-01-17 | 浙江绿维环境股份有限公司 | 一种基于图像的污水等级识别方法和装置 |
CN116229276A (zh) * | 2023-05-05 | 2023-06-06 | 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) | 基于计算机视觉的入河排污检测方法 |
Non-Patent Citations (1)
Title |
---|
基于改进Canny算子的图像弱边缘检测算法;李庆忠;刘洋;;计算机应用研究(第S1期) * |
Also Published As
Publication number | Publication date |
---|---|
CN116486061A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116486061B (zh) | 基于机器视觉的污水处理效果检测方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN105913396B (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN110246089B (zh) | 基于非局域均值滤波的Bayer域图像降噪系统及其方法 | |
CN111986120A (zh) | 一种基于帧累加和多尺度Retinex的低光照图像增强优化方法 | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
CN107784651B (zh) | 一种基于模糊检测加权的模糊图像质量评价方法 | |
CN111080661A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN109584198B (zh) | 一种人脸图像质量评价方法、装置及计算机可读存储介质 | |
CN108470343A (zh) | 一种改进的图像边缘检测方法 | |
CN110163825B (zh) | 一种人类胚胎心脏超声图像去噪和增强方法 | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
CN111553878A (zh) | 基于双目视觉的沥青路面混合料摊铺均匀性的检测方法 | |
CN110599422A (zh) | 一种基于边缘保护的加权平均椒盐噪声降噪算法 | |
CN110728692A (zh) | 一种基于Scharr算子改进的图像边缘检测方法 | |
CN113705501A (zh) | 一种基于图像识别技术的海上目标检测方法和系统 | |
CN110930330B (zh) | 一种基于图像分割和区域增长的椒盐噪声降噪算法 | |
CN112001920B (zh) | 眼底图像识别方法及装置和设备 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN115908155A (zh) | Nsst域结合gan及尺度相关系数的低照度图像增强及去噪方法 | |
CN112070765B (zh) | 一种基于双边滤波结合改进的otsu的布匹检测方法 | |
CN110533605B (zh) | 一种精确噪点标定方法 | |
CN113940704A (zh) | 一种基于甲状腺的肌肉和筋膜检测装置 | |
Sun et al. | Adaptive bilateral filter considering local characteristics |
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 |