CN116665057A - 一种基于图像处理的河道水质监测方法及系统 - Google Patents
一种基于图像处理的河道水质监测方法及系统 Download PDFInfo
- Publication number
- CN116665057A CN116665057A CN202310656785.7A CN202310656785A CN116665057A CN 116665057 A CN116665057 A CN 116665057A CN 202310656785 A CN202310656785 A CN 202310656785A CN 116665057 A CN116665057 A CN 116665057A
- Authority
- CN
- China
- Prior art keywords
- area
- quality monitoring
- water quality
- water
- image
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 221
- 238000012544 monitoring process Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000003709 image segmentation Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000003911 water pollution Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims description 17
- 230000005855 radiation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000003960 organic solvent Substances 0.000 claims description 7
- 241000894006 Bacteria Species 0.000 claims description 6
- 210000000746 body region Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003809 water extraction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000002310 reflectometry Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于图像处理的河道水质监测方法及系统,先结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域,能够提高水体区域的提取精度。然后对每一水体区域对应的图像进行反演,确定污染区域,再对每一污染区域进行水质监测,确定污染区域的水体污染等级,进而先确定污染区域,水质监测设备只在水体区域被判断为污染区域时才会执行水质测量工作,所得到的水质监测数据会大大减少,能够快速确定污染区域的污染等级,监测过程更加具有针对性,能够大大提高分析速度,提高分析效率,为生态评估、污染治理做出更加科学的决策打下基础。
Description
技术领域
本发明涉及水质监测技术领域,特别是涉及一种基于图像处理的河道水质监测方法及系统。
背景技术
河道作为生态环境的重要组成部分之一,其水体水质的好坏直接关系到人们的生产和生活,进行河道水质的监测和治理是水污染防治的重要组成部分。河道水质监测是指,监视和测定水体中污染物的种类、各类污染物的浓度及变化趋势,评价水质状况的过程,但是现有的水质监测方法均为对河道的全部水域实时进行监测,造成所得到的待分析水质监测数据的数据量大,根据待分析水质监测数据确定污染等级时分析速度慢的问题。
发明内容
本发明的目的是提供一种基于图像处理的河道水质监测方法及系统,基于图像处理先确定河道内的污染区域,在确定污染等级只采集污染区域的水质监测数据即可,显著提高水质监测效率。
为实现上述目的,本发明提供了如下方案:
一种基于图像处理的河道水质监测方法,所述水质监测方法包括:
结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域;
对每一所述水体区域对应的图像进行反演,确定污染区域;
对每一所述污染区域进行水质监测,确定所述污染区域的水体污染等级。
一种基于图像处理的河道水质监测系统,所述水质监测系统包括:
水体提取模块,用于结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域;
污染区域确定模块,用于对每一所述水体区域对应的图像进行反演,确定污染区域;
污染等级确定模块,用于对每一所述污染区域进行水质监测,确定所述污染区域的水体污染等级。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明用于提供一种基于图像处理的河道水质监测方法及系统,先结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域,能够提高水体区域的提取精度。然后对每一水体区域对应的图像进行反演,确定污染区域,再对每一污染区域进行水质监测,确定污染区域的水体污染等级,进而先确定污染区域,水质监测设备只在水体区域被判断为污染区域时才会执行水质测量工作,所得到的水质监测数据会大大减少,能够快速确定污染区域的污染等级,监测过程更加具有针对性,能够大大提高分析速度,提高分析效率,为生态评估、污染治理做出更加科学的决策打下基础。另外,水质监测设备大部分时间都将处于待机状态,能够延长水质监测设备的使用寿命。
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为本发明实施例1所提供的水质监测方法的方法流程图;
图2为本发明实施例2所提供的水质监测系统的系统框图。
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。
本发明的目的是提供一种基于图像处理的河道水质监测方法及系统,基于图像处理先确定河道内的污染区域,在确定污染等级只采集污染区域的水质监测数据即可,显著提高水质监测效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例用于提供一种基于图像处理的河道水质监测方法,如图1所示,所述水质监测方法包括:
S1:结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域;
本实施例通过卫星拍摄技术获取水质监测区域的遥感图像,该遥感图像为卫星拍摄得到的原始灰度值卫星图像。
在S1之前,本实施例的水质监测方法还包括对水质监测区域的遥感图像进行预处理的步骤,具体包括:
1)对水质监测区域的遥感图像进行正射校正,得到正射校正后图像;
通过对原始灰度值卫星图像进行正射校正,能够有效避免拍摄时因地形起伏而造成的图像几何失真,进一步提升后续水体区域提取的准确性。
2)对正射校正后图像进行辐射定标,得到辐射定标后图像;
辐射定标是依据光谱辐射亮度值与成像光谱仪输出的数字量化值之间的定量关系,将遥感图像的数字量化值转化为真实辐射值。
3)对辐射定标后图像进行几何校正,得到几何校正后图像;
几何校正是依据系统几何校正模型及几何精校正模型,使辐射定标后图像中地物目标的几何畸变得到校正。
4)对几何校正后图像进行大气校正,得到大气校正后图像,并将大气校正后图像作为新的水质监测区域的遥感图像,执行S1。
传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映,其中包含了由大气吸收,尤其是散射作用造成的辐射量误差,大气校正就是消除这些由大气影响所造成的辐射误差,将几何校正后图像的地表反射率转化为精确的地表真实反射率。
具体的,S1可以包括:
1)利用阈值分割法对水质监测区域的遥感图像进行处理,得到第一分类结果;所述第一分类结果为遥感图像中每一像素点的第一类别;所述第一类别包括水体和非水体;
具体的,提取水质监测区域的遥感图像中所包含的波段信息,根据波段信息计算遥感图像中每一像素点的水体指数。然后根据水体指数和预设分割阈值确定每一像素点的第一类别,得到第一分类结果,当像素点的水体指数大于预设分割阈值时,则该像素点的第一类别为水体,否则,该像素点的第一类别为非水体。
其中,预设分割阈值可根据OSTU大津方法计算得到。水体指数可以利用现有方法计算得到,即获取绿色波段、蓝色波段以及近红外波段的反射率,然后让蓝色波段的反射率乘以人为设定系数,再加上绿色波段的反射率,二者的和再除以近红外波段的反射率即可得到每一像素点的水体指数。
2)利用图像分割模型对水质监测区域的遥感图像进行处理,得到第二分类结果;所述第二分类结果为遥感图像中每一像素点的第二类别;所述第二类别包括水体和非水体;
具体的,本实施例所用的图像分割模型包括依次连接的编码器和解码器。编码器用于对水质监测区域的遥感图像进行特征提取,得到遥感图像的特征图。解码器用于对特征图进行上采样,确定遥感图像中每一像素点的第二类别,得到第二分类结果。其中,编码器对遥感图像进行多次下采样,多次下采样即为特征提取的过程,提取遥感图像的深度特征,得到特征图。解码器的上采样可以恢复图像分辨率并进行每一像素点的类别预测,解码器输出的遥感图像的分辨率与输入编码器的遥感图像的分辨率相同。解码器结构能够起到细节补偿的作用,通过引入解码器,能够使得分类结果更加准确。
在利用图像分割模型对水质监测区域的遥感图像进行处理之前,本实施例的水质监测方法还包括:对初始图像分割模型进行训练,得到图像分割模型的步骤,初始图像分割模型与图像分割模型的结构相同,均包括编码器和解码器。训练过程具体包括:获取多个样本图像和每一样本图像对应的标签图像,标签图像即是为每一样本图像中的每个像素点标注真实类别之后得到的图像,真实类别包括水体和非水体。将样本图像输入至初始图像分割模型,得到样本图像中每一像素点的预测类别,根据预测类别和真实类别计算分类损失,并基于分类损失对初始图像分割模型中的网络参数进行调整,不断进行迭代训练,直至初始图像分割模型收敛,得到图像分割模型。
3)对第一分类结果和第二分类结果进行综合分析,确定水体区域。
具体的,对于遥感图像中的每一像素点,判断该像素点的第一类别和第二类别是否相同,得到第一判断结果。若第一判断结果为是,即该像素点的第一类别和第二类别相同,则像素点的终类别为第一类别。若第一判断结果为否,则判断与像素点相邻的第一像素点中是否有一个第一像素点的终类别为水体,若是,则像素点的终类别为水体;若否,则像素点的终类别为非水体,进而得到遥感图像中的每一像素点的终类别,确定水体区域。所有终类别为水体的像素点组成的区域即为水体区域。
考虑到第一分类结果与预设分割阈值的选取密切相关,会造成水体区域提取结果不准确的问题。本实施例分别利用阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,得到第一分类结果和第二分类结果,通过对第一分类结果和第二分类结果进行综合分析,确定水体区域,此种水体区域提取方式能够大幅提高水体区域提取的精度,为后续的水质监测奠定了良好基础。此外,利用高光谱遥感技术可以快速、准确的获取整体水域分布信息,提高了水质监测工作的效率,降低监测成本。
S2:对每一所述水体区域对应的图像进行反演,确定污染区域;
具体的,S2可以包括:
1)利用现有反演方法对每一水体区域对应的图像进行反演,得到每一水体区域的浑浊度、浮游植物浓度和有机溶解物浓度;
2)根据浑浊度、浮游植物浓度和有机溶解物浓度计算每一水体区域对应的评估系数;
具体的,计算浮游植物浓度和有机溶解物浓度的比值,并将该比值乘以第一预设比例系数,得到乘积。将该乘积作为以e为底的指数函数的指数,确定一具体的指数函数。该指数函数再乘以第二预设比例系数和浑浊度即可得到水体区域对应的评估系数。
3)判断评估系数是否小于第一阈值;若是,则该水体区域为无污染区域;若否,则水体区域为污染区域。
S3:对每一所述污染区域进行水质监测,确定所述污染区域的水体污染等级。
具体的,S3可以包括:
1)对于每一污染区域,控制污染区域内设置的水质监测设备实时采集得到水质监测数据;所述水质监测数据包括浑浊度、细菌总数、大肠杆菌总数和色度;
2)根据预设划分标准和水质监测数据确定污染区域的水体污染等级。
本实施例所提供的水质监测方法,先结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域,能够提高水体区域的提取精度。然后对每一水体区域对应的图像进行反演,确定污染区域,再对每一污染区域进行水质监测,确定污染区域的水体污染等级,进而先确定污染区域,水质监测设备只在水体区域被判断为污染区域时才会执行水质测量工作,所得到的水质监测数据会大大减少,能够快速确定污染区域的污染等级,监测过程更加具有针对性,能够大大提高分析速度,提高分析效率,为生态评估、污染治理做出更加科学的决策打下基础。另外,水质监测设备大部分时间都将处于待机状态,能够延长水质监测设备的使用寿命。
实施例2:
本实施例用于提供一种基于图像处理的河道水质监测系统,如图2所示,所述水质监测系统包括:
水体提取模块M1,用于结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域;
污染区域确定模块M2,用于对每一所述水体区域对应的图像进行反演,确定污染区域;
污染等级确定模块M3,用于对每一所述污染区域进行水质监测,确定所述污染区域的水体污染等级。
具体的,本实施例的水体提取模块包括:
第一提取单元,用于利用阈值分割法对水质监测区域的遥感图像进行处理,得到第一分类结果;所述第一分类结果为所述遥感图像中每一像素点的第一类别;所述第一类别包括水体和非水体;
第二提取单元,用于利用图像分割模型对水质监测区域的遥感图像进行处理,得到第二分类结果;所述第二分类结果为所述遥感图像中每一像素点的第二类别;所述第二类别包括水体和非水体;
确定单元,用于对所述第一分类结果和所述第二分类结果进行综合分析,确定水体区域。
本实施例的污染区域确定模块包括:
反演单元,用于对每一所述水体区域对应的图像进行反演,得到所述水体区域的浑浊度、浮游植物浓度和有机溶解物浓度;
评估系数计算单元,用于根据所述浑浊度、所述浮游植物浓度和所述有机溶解物浓度计算评估系数;
判断单元,用于判断所述评估系数是否小于第一阈值;若是,则所述水体区域为无污染区域;若否,则所述水体区域为污染区域。
本实施例的污染等级确定模块包括:
水质监测单元,用于对于每一所述污染区域,控制所述污染区域内设置的水质监测设备实时采集得到水质监测数据;所述水质监测数据包括浑浊度、细菌总数、大肠杆菌总数和色度;
划分单元,用于根据预设划分标准和所述水质监测数据确定所述污染区域的水体污染等级。
本实施例的水质监测系统还包括预处理模块,预处理模块用于对水质监测区域的遥感图像进行预处理,具体包括:
正射校正单元,用于对水质监测区域的遥感图像进行正射校正,得到正射校正后图像;
辐射定标单元,用于对所述正射校正后图像进行辐射定标,得到辐射定标后图像;
几何校正单元,用于对所述辐射定标后图像进行几何校正,得到几何校正后图像;
大气校正单元,用于对所述几何校正后图像进行大气校正,得到大气校正后图像,并将所述大气校正后图像作为新的水质监测区域的遥感图像。
本实施例所提供的水质监测系统,先利用水体提取模块,结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域,能够提高水体区域的提取精度。然后利用污染区域确定模块对每一水体区域对应的图像进行反演,确定污染区域,再利用污染等级确定模块对每一污染区域进行水质监测,确定污染区域的水体污染等级,进而先确定污染区域,水质监测设备只在水体区域被判断为污染区域时才会执行水质测量工作,所得到的水质监测数据会大大减少,能够快速确定污染区域的污染等级,监测过程更加具有针对性,能够大大提高分析速度,提高分析效率,为生态评估、污染治理做出更加科学的决策打下基础。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于图像处理的河道水质监测方法,其特征在于,所述水质监测方法包括:
结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域;
对每一所述水体区域对应的图像进行反演,确定污染区域;
对每一所述污染区域进行水质监测,确定所述污染区域的水体污染等级。
2.根据权利要求1所述的水质监测方法,其特征在于,所述结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域具体包括:
利用阈值分割法对水质监测区域的遥感图像进行处理,得到第一分类结果;所述第一分类结果为所述遥感图像中每一像素点的第一类别;所述第一类别包括水体和非水体;
利用图像分割模型对水质监测区域的遥感图像进行处理,得到第二分类结果;所述第二分类结果为所述遥感图像中每一像素点的第二类别;所述第二类别包括水体和非水体;
对所述第一分类结果和所述第二分类结果进行综合分析,确定水体区域。
3.根据权利要求2所述的水质监测方法,其特征在于,所述利用阈值分割法对水质监测区域的遥感图像进行处理,得到第一分类结果具体包括:
提取水质监测区域的遥感图像中所包含的波段信息,根据所述波段信息计算所述遥感图像中每一像素点的水体指数;
根据所述水体指数和预设分割阈值确定每一所述像素点的第一类别,得到第一分类结果。
4.根据权利要求2所述的水质监测方法,其特征在于,所述图像分割模型包括依次连接的编码器和解码器;
所述编码器用于对水质监测区域的遥感图像进行特征提取,得到所述遥感图像的特征图;
所述解码器用于对所述特征图进行上采样,确定所述遥感图像中每一像素点的第二类别,得到第二分类结果。
5.根据权利要求2所述的水质监测方法,其特征在于,所述对所述第一分类结果和所述第二分类结果进行综合分析,确定水体区域具体包括:
对于所述遥感图像中的每一像素点,判断所述像素点的第一类别和第二类别是否相同,得到第一判断结果;
若所述第一判断结果为是,则所述像素点的终类别为第一类别;
若所述第一判断结果为否,则判断与所述像素点相邻的第一像素点中是否有一个所述第一像素点的终类别为水体;
若是,则所述像素点的终类别为水体;若否,则所述像素点的终类别为非水体,得到所述遥感图像中的每一像素点的终类别,确定水体区域。
6.根据权利要求1所述的水质监测方法,其特征在于,所述对每一所述水体区域对应的图像进行反演,确定污染区域具体包括:
对每一所述水体区域对应的图像进行反演,得到所述水体区域的浑浊度、浮游植物浓度和有机溶解物浓度;
根据所述浑浊度、所述浮游植物浓度和所述有机溶解物浓度计算评估系数;
判断所述评估系数是否小于第一阈值;
若是,则所述水体区域为无污染区域;
若否,则所述水体区域为污染区域。
7.根据权利要求1所述的水质监测方法,其特征在于,所述对每一所述污染区域进行水质监测,确定所述污染区域的水体污染等级具体包括:
对于每一所述污染区域,控制所述污染区域内设置的水质监测设备实时采集得到水质监测数据;所述水质监测数据包括浑浊度、细菌总数、大肠杆菌总数和色度;
根据预设划分标准和所述水质监测数据确定所述污染区域的水体污染等级。
8.根据权利要求1所述的水质监测方法,其特征在于,在结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理之前,所述水质监测方法还包括对水质监测区域的遥感图像进行预处理的步骤,具体包括:
对水质监测区域的遥感图像进行正射校正,得到正射校正后图像;
对所述正射校正后图像进行辐射定标,得到辐射定标后图像;
对所述辐射定标后图像进行几何校正,得到几何校正后图像;
对所述几何校正后图像进行大气校正,得到大气校正后图像,并将所述大气校正后图像作为新的水质监测区域的遥感图像。
9.一种基于图像处理的河道水质监测系统,其特征在于,所述水质监测系统包括:
水体提取模块,用于结合阈值分割法和图像分割模型对水质监测区域的遥感图像进行处理,提取水体区域;
污染区域确定模块,用于对每一所述水体区域对应的图像进行反演,确定污染区域;
污染等级确定模块,用于对每一所述污染区域进行水质监测,确定所述污染区域的水体污染等级。
10.根据权利要求9所述的水质监测系统,其特征在于,所述水体提取模块具体包括:
第一提取单元,用于利用阈值分割法对水质监测区域的遥感图像进行处理,得到第一分类结果;所述第一分类结果为所述遥感图像中每一像素点的第一类别;所述第一类别包括水体和非水体;
第二提取单元,用于利用图像分割模型对水质监测区域的遥感图像进行处理,得到第二分类结果;所述第二分类结果为所述遥感图像中每一像素点的第二类别;所述第二类别包括水体和非水体;
确定单元,用于对所述第一分类结果和所述第二分类结果进行综合分析,确定水体区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310656785.7A CN116665057A (zh) | 2023-06-05 | 2023-06-05 | 一种基于图像处理的河道水质监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310656785.7A CN116665057A (zh) | 2023-06-05 | 2023-06-05 | 一种基于图像处理的河道水质监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116665057A true CN116665057A (zh) | 2023-08-29 |
Family
ID=87723908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310656785.7A Pending CN116665057A (zh) | 2023-06-05 | 2023-06-05 | 一种基于图像处理的河道水质监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665057A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110217A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
CN117577213A (zh) * | 2024-01-19 | 2024-02-20 | 上海科泽智慧环境科技有限公司 | 一种基于流速模拟的水质监测用在线测试系统及方法 |
CN117723513A (zh) * | 2024-02-08 | 2024-03-19 | 清华大学 | 水质检测方法、装置、设备、存储介质和程序产品 |
-
2023
- 2023-06-05 CN CN202310656785.7A patent/CN116665057A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110217A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
CN117110217B (zh) * | 2023-10-23 | 2024-01-12 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
CN117577213A (zh) * | 2024-01-19 | 2024-02-20 | 上海科泽智慧环境科技有限公司 | 一种基于流速模拟的水质监测用在线测试系统及方法 |
CN117577213B (zh) * | 2024-01-19 | 2024-03-22 | 上海科泽智慧环境科技有限公司 | 一种基于流速模拟的水质监测用在线测试系统及方法 |
CN117723513A (zh) * | 2024-02-08 | 2024-03-19 | 清华大学 | 水质检测方法、装置、设备、存储介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116665057A (zh) | 一种基于图像处理的河道水质监测方法及系统 | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
CN111855595B (zh) | 一种基于黑白校准板的光谱数据校准方法 | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
CN111879725B (zh) | 一种基于权重系数的光谱数据修正方法 | |
CN114279982B (zh) | 水体污染信息获取方法及装置 | |
CN111965140B (zh) | 基于特征峰的波长点重组方法 | |
CN111415309A (zh) | 一种基于最小反射率法的高分辨率遥感影像大气校正方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN112215525A (zh) | 一种湖库水质反演及可视化评价方法 | |
CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
CN112557307B (zh) | 天空地一体化湖库水质监测融合数据方法 | |
CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN111241991B (zh) | 一种基于遥感影像的水质分类方法 | |
CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
CN112258495A (zh) | 一种基于卷积神经网络的建筑木材裂缝识别方法 | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
CN117030634B (zh) | 一种地下水污染快速检测修复方法 | |
CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN110836878B (zh) | 一种卷积插值耦合高斯混合模型快速三维荧光寻峰方法 | |
CN111340098B (zh) | 基于鞋印图像的STA-Net年龄预测方法 | |
CN114694128A (zh) | 一种基于抽象度量学习的指针式仪表检测方法及系统 | |
CN113536606A (zh) | 一种水体水质变化检测方法及系统、存储介质和装置 | |
CN105651735A (zh) | 基于空间分辨漫反射光谱反演生物组织光学特性的方法 | |
CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 |
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 |