CN116935139A - 一种基于图像重建的河水污染监测方法和系统 - Google Patents
一种基于图像重建的河水污染监测方法和系统 Download PDFInfo
- Publication number
- CN116935139A CN116935139A CN202310981434.3A CN202310981434A CN116935139A CN 116935139 A CN116935139 A CN 116935139A CN 202310981434 A CN202310981434 A CN 202310981434A CN 116935139 A CN116935139 A CN 116935139A
- Authority
- CN
- China
- Prior art keywords
- dimensional image
- image reconstruction
- river water
- pollutants
- steps
- 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 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 44
- 231100000719 pollutant Toxicity 0.000 claims abstract description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 239000012530 fluid Substances 0.000 claims abstract description 8
- 239000000356 contaminant Substances 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 239000012286 potassium permanganate Substances 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 2
- 238000003903 river water pollution Methods 0.000 claims 8
- 238000001514 detection method Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000003403 water pollutant Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect 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
- G06V10/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于图像重建的河水污染监测方法和系统，方法包括：步骤S1：对河水的水体的若干污染物进行实时数据采集；步骤S2：对采集到的数据进行二维图像重建，得到二维图像，其中，在二维图像重建中，通过添加约束项对来求解二维图像；步骤S3：将河水水体中的污染物动态分布建模成流体动力学中的朗之万方程，并根据所述朗之万方程的解确定二维图像中河水各类污染物的浓度和具体分布。本发明能够对河流污染进行全面、高效的检测。
Description
技术领域
本发明涉及计算成像技术领域，尤其是指一种基于图像重建的河水污染监测方法和系统。
背景技术
河流作为城市的重要水资源和生态系统的一部分，其健康状态直接影响着城市的环境质量和居民的生活质量。然而，随着城市化进程的加快，河流污染问题日益严重。为了有效管理和治理河流污染，对河流污染状况的准确、实时的监测和诊断至关重要。
目前，常见的河流污染检测技术包括手动采样检测、固定站点监测以及遥感技术等。手动采样检测是基于实验室分析的，虽然能够获取精确的污染物数据，但是操作繁琐，耗时长，且只能提供单点的污染数据，无法实现大范围、河道全流域的污染监测。此外，样品在采集、存储、分析过程中可能发生变质，影响数据准确性。固定站点监测技术则通过在特定区域布设监测站点，以连续收集数据的方式进行监测。这种方法虽然能够提供连续的污染数据，但由于布设站点的地点受限，以及站点布设和维护的高成本，使其在空间分布上有所不足，可能遗漏某些重要的污染源。遥感技术是利用卫星或无人机从空中获取河流污染信息的技术。它能够覆盖大范围的区域，且能实现相对快速的数据获取。然而，这种技术受到气候、光照等自然条件的影响，可能存在一定的误差，且在识别和定量具体污染物方面，如重金属、有机污染物等，还有待提高。
因此，急需一种新型的河流污染检测技术，既能实现大范围、全面的污染监测，又能提供准确、实时的污染数据，以便于快速、有效地治理河流污染。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中河流污染检测方法存在检测不全面、检测不高效的问题。
为解决上述技术问题，本发明提供了一种基于图像重建的河水污染监测方法，包括：
步骤S1：对河水的水体的若干污染物进行实时数据采集；
步骤S2：对采集到的数据进行二维图像重建，得到二维图像，其中，在二维图像重建中，通过添加约束项来求解二维图像；
步骤S3：将河水水体中的污染物动态分布建模成流体动力学中的朗之万方程，并根据所述朗之万方程的解确定二维图像中河水各类污染物的浓度和具体分布。
在本发明的一个实施例中，所述步骤S2中对采集到的投影数据进行二维图像重建，得到二维图像，方法包括：
建立二维图像重建模型，公式为：
Am×nun×1＝bm×1
其中，A表示投影矩阵，u表示为向量形式的待重建的二维图像，b表示检测得到的投影数据，m＜＜n；
由于所述投影矩阵A的m＜＜n，故所述二维图像重建模型的解不唯一，通过添加约束项来求解所述二维图像重建模型的二维图像u。
在本发明的一个实施例中，所述约束项采用增强的全变分正则项，公式为：
其中，α表示第一超参数且α＞0，||▽u||1表示l1形式的全变分范数，||▽u||2表示l2形式的全变分范数。
在本发明的一个实施例中，所述通过添加约束项来求解所述二维图像重建模型的二维图像u，方法包括：
通过添加所述增强的全变分正则项之后，将二维图像重建模型表示为约束优化问题来求解二维图像u，公式为：
min∑i||▽u||ETV,s.t.Au＝b，i＝4
其中，所述增强的全变分正则项为基于四方向的增强的全变分正则项。
在本发明的一个实施例中，将所述基于四方向的增强的全变分正则项转换为基于八方向的增强的全变分正则项，得到新的约束优化问题来求解二维图像u，公式为：
min∑i||▽u||EDATV,s.t.Au＝b，i＝8。
在本发明的一个实施例中，利用拉格朗日乘子法将所述公式minΣi||▽u||EDATV,s.t.Au＝b，i＝8转化为无约束优化问题，公式为：
其中，μ表示第二超参数；
再通过DCA算法和split-Bregman方法求解二维图像u。
在本发明的一个实施例中，所述四方向为当前像素的上下左右四邻域像素，所述八方向为当前像素周围的八邻域像素。
在本发明的一个实施例中，还包括：获取若干所述二维图像，并利用插值技术将所述若干二维图像合并成三维模型，用于显示河水各类污染物浓度和具体分布。
为解决上述技术问题，本发明提供了一种基于层析成像的河水污染实时监测系统，包括：
数据采集模块：用于对河水的水体的若干污染物进行实时数据采集；
二维图像重建模块：用于对采集到的数据进行二维图像重建，得到二维图像，其中，在二维图像重建中，通过添加约束项对来求解二维图像；
污染物分布确定模块：将河水水体中的污染物动态分布建模成流体动力学中的朗之万方程，并根据所述朗之万方程的解确定二维图像中河水各类污染物的浓度和具体分布。
本发明的上述技术方案相比现有技术具有以下优点：
本发明使用拖船部署水下传感器，借鉴医学上对人体的计算成像技术，动态地对水体进行类CT切片成像，达到对河道水体污染物分布的高质量可视化；
本发明在对水体进行二维图像重建时使用改进的算法EDATV，这一算法能够保留图像更多的细节，有效提升了图像重建的质量，因此本发明既能够突破空间上的限制，又能在保证检测质量的同时大大降低成本，以便于快速、有效地治理河流污染。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1是本发明的方法流程图；
图2是本发明实施例中河水污染物分布模型示意图；
图3是本发明实施例中“拖船”及污染检测设备示意图；
图4是本发明实施例中用于TV模型的像素邻域空间示意图；
图5是本发明实施例中河道河水截面重建过程示意图；
图6是本发明实施例中河道河水污染物分布重建效果示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一
参照图1所示，本发明涉及一种基于图像重建的河水污染监测方法，包括：
步骤S1：对河水的水体中的若干污染物进行实时数据采集；
步骤S2：对采集到的数据进行二维图像重建，得到二维图像，其中，在二维图像重建中，通过添加约束项对来求解二维图像；
步骤S3：将河水水体中的污染物动态分布建模成流体动力学中的朗之万方程，并根据所述朗之万方程的解确定二维图像中河水各类污染物的浓度和具体分布。
以下对本发明进行详细介绍：
建立模型：本实施例将河水中的各种污染物模拟为液体中的悬浮粒子，这些粒子在不停地随机运动，并且各种污染物的密度已知。将污染物在水体中的分布和运动表示成流体动力学中的朗之万方程组。朗之万方程组可以用来描述气体、液体和固体中分子的运动状态，从而揭示物质的宏观性质。河水水体中的污染物动态分布包括水面悬浮物、总氮、总磷、高锰酸钾、氨氮和泥沙。本实施例分别构建水面悬浮物、总氮、总磷、高锰酸钾、氨氮和泥沙的朗之万方程，进而能够得到不同污染物在河水中的具体分布(具体分布能够在二维图像中体现出来)，由于不同污染物的密度已知，也可以求出浓度，由于朗之万方程及方程的求解过程是现有技术，本实施例不再赘述。
数据获取：X射线是一种频率极高，波长极短、能量很大的电磁波，具有穿透性。根据朗伯比尔定律(Lambert-Beer law)，射线穿过不同物质后会有不同程度的衰减。在医疗领域，利用X射线这一特点，获取X射线穿透人体后的投影数据，再通过对投影数据的反演计算，可以实现对人体内部骨骼以及组织的CT成像，为医生的临床诊断提供了重要依据。
本实施例采用水下传感器对河水污染物进行类似医学CT成像的数据采集，对建立的水体污染物分布模型进行切片以及分割处理(例如图5中河水截面为一个切片，分割成6个部分，实际中根据需要设计传感器排列的方式)，分割处理的原因在于一个传感器不可能同时获取大面积的投影数据，每个传感器负责获取截面内一个区域的污染物数据。
现有的污染监测设备通常固定于水下，通过物联网传输检测到的数据，这种方式不仅设备维护不便，而且只能检测一块定点水域的水质情况，大范围的污染检测则需要极高的成本。本实施例使用如图3所示的“拖船”部署污染检测设备，通过“拖船”所连接的水下传感器获取投影数据，传回到计算处理中心。
本实施例采用了一组紫外-可见-近红外(UV-Vis-NIR)光谱传感器，能够在不同波长下对水体中的污染物进行灵敏检测。每一个传感器的工作原理都是通过传递和接收特定波长的光线，来检测水体中的特定污染物。
本实施例还对采集到的数据进行预处理，主要使用高通滤波进行预处理，去除低频噪声，提高数据质量。
获取到投影数据后，就要基于投影数据进行二维图像重建。
二维图像重建：二维的图像重建技术根据算法主要可以分为两类，一种是以Radon变换为理论基础的解析类重建，另一种是以解方程为主要思想的迭代类重建。然而解析类重建对投影数据的完备性要求较高，在实际应用中有技术和成本上的限制，因此无论是在医疗领域还是工业领域，第二种迭代类重建成为了更好的选择。
本实施例使用基于压缩感知理论的稀疏采样图像重建算法，它可以通过使用较少的采样数据来重建高质量的图像。根据压缩感知理论，二维图像重建的模型如式Am×nun×1＝bm×1，其中，A表示投影矩阵，u表示为向量形式的待重建的二维图像，b表示检测得到的投影数据。由于矩阵A的m＜＜n，故该式的解不唯一，因此为了得到真实的图像，本实施例需要添加约束项来求解u。本实施例引入全变分(Total Variation,TV)正则项对该方程进行约束，由于使用标准的TV正则项重建图像在一些情况下易产生阶梯状伪影，本实施例对TV正则项做出改进。
本实施例图5进行二维图像重建，使用9个方向的采样，投影角度theta＝20°，射线数量n(默认为待重建图像大小n＝256)，第一条射线到最后一条射线之间的间距d(默认为)，根据这些参数生成稀疏投影矩阵A，由于投影矩阵A太庞大，本实施例不再给出。
本实施例选择增强的TV(Enhanced Total Variation,ETV)正则项作为约束，ETV的形式为用来求解二维图像u，其中，α＞0表示第一超参数，||▽u||1是l1形式(各项异性形式)的TV范数，||▽u||2是l2形式(各向同性形式)的TV范数。添加正则项之后的二维图像重建模型可以表示为求解约束优化问题：
min∑i||▽u||ETV,s.t.Au＝b，其中i＝4
由于TV模型只考虑了图像像素在正交方向上的差分，而在对角线方向的变化被忽略，这导致重建的图像易产生阶梯效应，图像的部分信息不能得到有效保留。为此，在四方向TV模型的基础上，提出了考虑八方向的TV模型EDATV(Eight-Directional AdvancedTotal Variation)，考虑像素八方向的差分如图4所示，并采用该模型进行图像重建。八方向的增强TV模型可以表示为求解约束优化问题：
min∑i||▽u||EDATV,s.t.Au＝b，其中i＝8
本实施例利用拉格朗日乘子法将上述公式转化为无约束优化问题，公式为：
其中α表示第一超参数，μ表示第二超参数，两个超参数可以根据实际需求进行调整，由于这个问题是一个弱凸优化问题，本实施例采用DCA(difference of convexfunctions algorithm)和split-Bregman方法对该式求解。
基于EDATV算法的无约束优化问题求解过程如下：
首先，初始化图像u、梯度图像ux、uy、ugrad、以及对偶变量x、y、z、λ，设定相关参数。其次，进行最大迭代次数内的循环：(1)先更新u，根据保真度项和梯度项计算出的右手边项rhs以及更新系数uker更新u；(2)更新x和y，首先计算图像u的梯度dx和dy，然后基于原始以及更新x和y；(3)更新z，z的更新与数据保真度有关，z这里被直接设置为0；(4)更新对偶变量bx、by、λ。然后，保存每一轮迭代的u，并用它来计算u的变化，直到达到预设的精度要求，或者达到最大迭代次数为止。最后返回最后一轮迭代的图像u作为重建的图像。
使用EDATV算法对采集到的投影数据进行二维重建，可以得到如图5所示的重建图像，经过拼接处理得到河道河水截面的污染物分布图。
虽然重建二维图像已经能够直观反应出污染物浓度和分布情况，本实施例还提供了三维模型，其用途更广泛、可视化程度更高。
三维重建：确定拖船行进路线和行进速度，可以按照定时或者定距的方法进行数据采样，每次采样通过二维重建可以获得一张河道中特定时刻、特定位置的水体污染物分布截面，借助模式识别理论中的图像分割技术把不同污染物所对应的不同图像分割开来，并为不同污染物设置不同的颜色显示，可以使用一种阈值划分方法，将不同污染物浓度等级对应为不同深浅，例如，高浓度区域用深色表示，低浓度用浅色。这样可以清晰、直观地识别和定位污染物存在的区域。本实施例对拖船行进过程中不断生成的二维重建图像三维化，最终可以获得河道河水污染物分布的三维立体、实时显示，如图6所示。
数据解析与报告：在完成三维重建后，将所获得的模型送入数据解析模块。该模块会对模型进行进一步解析，使用阈值划分方法将不同污染物浓度等级对应为不同颜色，以清晰、直观地识别和定位污染物存在的区域。该模块也会生成简洁的报告，报告中包含各类污染物的最大、最小和平均浓度，以及污染物分布的总体趋势。这些信息可以帮助决策者理解河流的整体污染情况，以便决策者制定相应的治理策略。本实施例还可以进行数据可视化，具体地，根据用户需求生成交互式的3D地图，使得人工观察和理解变得更为直观和便捷。
实施例二
本实施例提供一种基于层析成像的河水污染实时监测系统，包括：
数据采集模块：用于对河水的水体的若干污染物进行实时数据采集；
二维图像重建模块：用于对采集到的数据进行二维图像重建，得到二维图像，其中，在二维图像重建中，通过添加约束项对来求解二维图像；
污染物分布确定模块：将河水水体中的污染物动态分布建模成流体动力学中的朗之万方程，并根据所述朗之万方程的解确定二维图像中河水各类污染物的浓度和具体分布。
实施例三
本实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一所述基于图像重建的河水污染监测方法的步骤。
实施例四
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例一所述基于图像重建的河水污染监测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于图像重建的河水污染监测方法，其特征在于：包括：
步骤S1：对河水的水体的若干污染物进行实时数据采集；
步骤S2：对采集到的数据进行二维图像重建，得到二维图像，其中，在二维图像重建中，通过添加约束项对来求解二维图像；
步骤S3：将河水水体中的污染物动态分布建模成流体动力学中的朗之万方程，并根据所述朗之万方程的解确定二维图像中河水各类污染物的浓度和具体分布。
2.根据权利要求1所述的基于图像重建的河水污染监测方法，其特征在于：所述步骤S2中对采集到的数据进行二维图像重建，得到二维图像，方法包括：
建立二维图像重建模型，公式为：
Am×nun×1＝bm×1
其中，A表示投影矩阵，u表示为向量形式的待重建的二维图像，b表示通过采集获得的投影数据，m＜＜n；
由于所述投影矩阵A的m＜＜n，故所述二维图像重建模型的解不唯一，通过添加约束项来求解所述二维图像重建模型的二维图像u。
3.根据权利要求2所述的基于图像重建的河水污染监测方法，其特征在于：所述约束项采用增强的全变分正则项，公式为：
其中，α表示第一超参数且α＞0，表示l1形式的全变分范数，/>表示l2形式的全变分范数。
4.根据权利要求3所述的基于图像重建的河水污染监测方法，其特征在于：所述通过添加约束项来求解所述二维图像重建模型的二维图像u，方法包括：
通过添加所述增强的全变分正则项之后，将二维图像重建模型表示为约束优化问题来求解二维图像u，公式为：
其中，所述增强的全变分正则项为基于四方向的增强的全变分正则项。
5.根据权利要求4所述的基于图像重建的河水污染监测方法，其特征在于：将所述基于四方向的增强的全变分正则项转换为基于八方向的增强的全变分正则项，得到新的约束优化问题来求解二维图像u，公式为：
6.根据权利要求5所述的基于图像重建的河水污染监测方法，其特征在于：利用拉格朗日乘子法将所述公式s.t.Au＝b，i＝8转化为无约束优化问题，公式为：
其中，μ表示第二超参数；
再通过DCA算法和spl it-Bregman方法求解二维图像u。
7.根据权利要求1所述的基于图像重建的河水污染监测方法，其特征在于：所述四方向为当前像素的上下左右四邻域像素，所述八方向为当前像素周围的八邻域像素。
8.根据权利要求1所述的基于图像重建的河水污染监测方法，其特征在于：还包括：获取若干所述二维图像，并利用插值技术将所述若干二维图像合并成三维模型，用于显示河水各类污染物浓度和具体分布。
9.根据权利要求1所述的基于图像重建的河水污染监测方法，其特征在于：所述河水水体中的污染物动态分布中的污染物包括水面悬浮物、总氮、总磷、高锰酸钾、氨氮和泥沙。
10.一种基于层析成像的河水污染实时监测系统，其特征在于：包括：
数据采集模块：用于对河水的水体的若干污染物进行实时数据采集；
二维图像重建模块：用于对采集到的数据进行二维图像重建，得到二维图像，其中，在二维图像重建中，通过添加约束项来求解二维图像；
污染物分布确定模块：将河水水体中的污染物动态分布建模成流体动力学中的朗之万方程，并根据所述朗之万方程的解确定二维图像中河水各类污染物的浓度和具体分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310981434.3A CN116935139A (zh) | 2023-08-07 | 2023-08-07 | 一种基于图像重建的河水污染监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310981434.3A CN116935139A (zh) | 2023-08-07 | 2023-08-07 | 一种基于图像重建的河水污染监测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116935139A true CN116935139A (zh) | 2023-10-24 |
Family
ID=88384278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310981434.3A Pending CN116935139A (zh) | 2023-08-07 | 2023-08-07 | 一种基于图像重建的河水污染监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116935139A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2415420C1 (ru) * | 2009-09-09 | 2011-03-27 | Государственное образовательное учреждение высшего профессионального образования Марийский государственный технический университет | Способ измерения загрязнения реки сточными водами |
| CN102305944A (zh) * | 2011-07-28 | 2012-01-04 | 李典基 | 一种水下淤积量探测分析处理系统 |
| CN106952341A (zh) * | 2017-03-27 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 一种基于视觉的水下场景三维点云重建方法及其系统 |
| CN107021196A (zh) * | 2017-06-21 | 2017-08-08 | 无锡同春新能源科技有限公司 | 河长使用的监测河水的水质的无人潜航器 |
| CN206470263U (zh) * | 2017-02-27 | 2017-09-05 | 韩春栋 | 河道治理船体机器人的随机检测装置 |
| CN110533599A (zh) * | 2019-06-13 | 2019-12-03 | 中国科学院合肥物质科学研究院 | 提高污染气体浓度空间分布二维断层图像重建质量的方法 |
| CN110720913A (zh) * | 2019-10-25 | 2020-01-24 | 辽宁工程技术大学 | 一种磁声耦合的磁性纳米粒子浓度图像重建方法 |
| CN212159773U (zh) * | 2020-04-15 | 2020-12-15 | 广州远动信息技术有限公司 | 一种可实时传输信息的河水水质监测装置 |
| CN114052699A (zh) * | 2021-11-24 | 2022-02-18 | 中国科学院电工研究所 | 一种基于单脉冲磁场激励的磁性纳米粒子热声成像方法及装置 |
| CN115541693A (zh) * | 2022-08-19 | 2022-12-30 | 西安电子科技大学 | 前向模型约束的神经网络磁粒子成像重建方法和系统 |
| CN115546336A (zh) * | 2022-10-10 | 2022-12-30 | 中国科学院自动化研究所 | 基于极大极小凹与全变分约束的磁粒子成像图像重建方法 |
-
2023
- 2023-08-07 CN CN202310981434.3A patent/CN116935139A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2415420C1 (ru) * | 2009-09-09 | 2011-03-27 | Государственное образовательное учреждение высшего профессионального образования Марийский государственный технический университет | Способ измерения загрязнения реки сточными водами |
| CN102305944A (zh) * | 2011-07-28 | 2012-01-04 | 李典基 | 一种水下淤积量探测分析处理系统 |
| CN206470263U (zh) * | 2017-02-27 | 2017-09-05 | 韩春栋 | 河道治理船体机器人的随机检测装置 |
| CN106952341A (zh) * | 2017-03-27 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 一种基于视觉的水下场景三维点云重建方法及其系统 |
| CN107021196A (zh) * | 2017-06-21 | 2017-08-08 | 无锡同春新能源科技有限公司 | 河长使用的监测河水的水质的无人潜航器 |
| CN110533599A (zh) * | 2019-06-13 | 2019-12-03 | 中国科学院合肥物质科学研究院 | 提高污染气体浓度空间分布二维断层图像重建质量的方法 |
| CN110720913A (zh) * | 2019-10-25 | 2020-01-24 | 辽宁工程技术大学 | 一种磁声耦合的磁性纳米粒子浓度图像重建方法 |
| CN212159773U (zh) * | 2020-04-15 | 2020-12-15 | 广州远动信息技术有限公司 | 一种可实时传输信息的河水水质监测装置 |
| CN114052699A (zh) * | 2021-11-24 | 2022-02-18 | 中国科学院电工研究所 | 一种基于单脉冲磁场激励的磁性纳米粒子热声成像方法及装置 |
| CN115541693A (zh) * | 2022-08-19 | 2022-12-30 | 西安电子科技大学 | 前向模型约束的神经网络磁粒子成像重建方法和系统 |
| CN115546336A (zh) * | 2022-10-10 | 2022-12-30 | 中国科学院自动化研究所 | 基于极大极小凹与全变分约束的磁粒子成像图像重建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐敏达;李志华;: "基于L1与TV正则化的改进图像重建算法", 计算机科学, no. 12, 15 December 2018 (2018-12-15), pages 210 - 213 * |
| 郭振仁等: "近岸海域环境与生态数字化实时管理技术", 30 June 2022, pages: 6 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Anirudh et al. | Lose the views: Limited angle CT reconstruction via implicit sinogram completion | |
| Chen et al. | A novel medical image fusion method based on rolling guidance filtering | |
| Ahmed et al. | Medical image denoising system based on stacked convolutional autoencoder for enhancing 2-dimensional gel electrophoresis noise reduction | |
| CN106228601B (zh) | 基于小波变换的多尺度锥束ct图像快速三维重建方法 | |
| CN112102428B (zh) | Ct锥形束扫描图像重建方法、扫描系统及存储介质 | |
| Ojeda-Magaña et al. | Identification of pore spaces in 3D CT soil images using PFCM partitional clustering | |
| Liu et al. | Deep learning accelerated light source experiments | |
| CN111489319A (zh) | 基于多尺度双边滤波和视觉显著性的红外图像增强方法 | |
| Alsamadony et al. | Deep learning driven noise reduction for reduced flux computed tomography | |
| CN106384337A (zh) | 一种激光散斑血流成像的增强方法 | |
| Nageswara Reddy et al. | BRAIN MR IMAGE SEGMENTATION BY MODIFIED ACTIVE CONTOURS AND CONTOURLET TRANSFORM. | |
| Southwick et al. | Volumetric motion magnification: subtle motion extraction from 4D data | |
| Tekawade et al. | 3d autoencoders for feature extraction in X-ray tomography | |
| CN116935139A (zh) | 一种基于图像重建的河水污染监测方法和系统 | |
| CN116091492A (zh) | 一种图像变化像素级检测方法与系统 | |
| RU2006118700A (ru) | Обнаружение скрытого объекта | |
| Quan | Quality evaluation method of agricultural product packaging image based on structural similarity and MTF | |
| Gupta et al. | A new workflow of X-ray CT image processing and data analysis of structural features in rock using open-source software | |
| Iuso et al. | Evaluation of deeply supervised neural networks for 3D pore segmentation in additive manufacturing | |
| Yang et al. | Psychophysical measurement of perceived motion flow of naturalistic scenes | |
| Matrecano | Porous media characterization by micro-tomographic image processing | |
| Tian et al. | Effective Electrical Impedance Tomography Based on Enhanced Encoder–Decoder Using Atrous Spatial Pyramid Pooling Module | |
| Sghaier et al. | A new approach for microcalcification enhancement in digital breast tomosynthesis reconstruction | |
| Ren et al. | High-resolution tomographic reconstruction of optical absorbance through scattering media using neural fields | |
| CN111462065A (zh) | 超声、红外序列图像融合的乳腺癌检测方法及其系统 |
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 |