CN117152638B - 一种基于影像识别的生物气溶胶监测及预警系统 - Google Patents
一种基于影像识别的生物气溶胶监测及预警系统 Download PDFInfo
- Publication number
- CN117152638B CN117152638B CN202311441015.7A CN202311441015A CN117152638B CN 117152638 B CN117152638 B CN 117152638B CN 202311441015 A CN202311441015 A CN 202311441015A CN 117152638 B CN117152638 B CN 117152638B
- Authority
- CN
- China
- Prior art keywords
- aod
- area
- pixel point
- preferred
- difference
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 239000000443 aerosol Substances 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于影像识别的生物气溶胶监测及预警系统,包括:分布图像采集模块,用于获取AOD分布图像;分段曲线获取模块,用于根据分布图像对应的分布曲线得到分布曲线在分布图像上对应的多个区域,优选区域获取模块,用于根据区域的边缘特征得到优选区域,聚类中心获取模块,用于获取优选区域的聚类中心,聚类及预警模块,用于根据聚类中心进行聚类,并根据聚类结果进行预警。本发明通过分析AOD分布图像的空间分布特征自适应计算所有的聚类中心,经过聚类得到更加精确的AOD区域统计结果,以实现更加准确的预警。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于影像识别的生物气溶胶监测及预警系统。
背景技术
生物气溶胶是指大气中悬浮的来自生物源的微小颗粒物质组成的气态分散系统,包括微生物、花粉、孢子等,生物气溶胶在大气中广泛存在,气溶胶光学厚度(AOD)是描述大气中气溶胶对太阳光吸收和散射的能力的一个重要指标,通过对气溶胶光学厚度遥感图像的监测与分析可以及时获取与生物气溶胶相关的信息,以便采取适当的措施来保护公共健康和环境。
现有方法对AOD遥感图像进行监测分析一般使用K-means进行聚类得到多个聚类结果,而后根据聚类结果进行监测及预警,其中每一个聚类结果都对应一个实际的地区区域,但由于光谱混叠、地表和气象因素的复杂干扰导致聚类结果不够精确,从而导致进行聚类后得到的聚类结果不准确,不能对准确的实际地区区域进行监测及预警。
发明内容
为解决上述问题,本发明提供一种基于影像识别的生物气溶胶监测及预警系统。
本发明的一种基于影像识别的生物气溶胶监测及预警系统采用如下技术方案:
本发明一个实施例提供了一种基于影像识别的生物气溶胶监测及预警系统,该系统包括以下模块:
分布图像采集模块:用于获取AOD分布图像;
分布曲线获取模块:用于根据AOD分布图像得到AOD分布曲线;
分段曲线获取模块:用于根据AOD分布曲线上所有的极值点,得到差值序列,根据差值序列得到筛选极值点的阈值和若干分段曲线;所述分段曲线在AOD分布图像上对应多个区域;
优选区域获取模块:对于任意一个分段曲线对应的任意一个区域,根据区域范围内像素点的AOD值和区域外边缘像素点的八邻域范围内像素点的AOD值,得到区域外边缘任意一个像素点的归属程度,根据区域外边缘任意一个像素点的归属程度得到优选区域,获取AOD分布图像上所有的优选区域;
聚类中心获取模块:用于根据优选区域内像素点的AOD值得到优选区域内任意一个像素点与其余像素点的AOD差异,根据优选区域最相邻的优选区域内像素点的AOD值得到优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异;
根据优选区域内任意一个像素点与其余像素点的AOD差异、优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异,得到优选区域内任意一个像素点作为聚类中心的优选程度,根据聚类中心的优选程度得到每一个优选区域的聚类中心;
聚类及预警模块:用于根据每一个优选区域的聚类中心得到若干聚类结果,根据聚类结果进行生物气溶胶监测和预警。
进一步地,所述根据AOD分布图像得到AOD分布曲线,包括的具体步骤如下:
获取AOD分布图像中所有像素点的AOD值,以不同AOD值为横坐标,以AOD值对应的像素点数量为纵坐标构建AOD分布直方图,将AOD分布直方图进行拟合得到AOD分布曲线。
进一步地,所述根据AOD分布曲线上所有的极值点,得到差值序列,根据差值序列得到筛选极值点的阈值和若干分段曲线,包括的具体步骤如下:
获取AOD分布曲线上所有的极值点,计算第一个极值点和第二个极值点纵坐标的差值,记为S1,2,计算第二极值点和第三个极值点纵坐标的差值,记为S2,3,获取第i个极值点和第i+1个极值点纵坐标的差值,记为Si,i+1;最终得到AOD分布曲线上所有极值点的差值序列,记为{S1,2,S2,3,S3,4,…,Si,i+1,SN-1,N},N为AOD分布曲线上所有的极值点总个数;
;
式中,Smin为差值序列中的最小差值,Smax为差值序列中的最大差值,Smed为差值序列的中位数;Sav为差值序列的平均值,||为取绝对值,ymax为所有极值点对应的数据量中最大数据量,ymin为所有极值点对应的数据量中最小数据量;所述数据量为极值点对应的纵坐标值;sigmoid( )为sigmoid函数,用于归一化,Sth为筛选极值点的阈值;
根据筛选极值点的阈值、差值序列以及AOD分布曲线,得到若干分段曲线。
进一步地,所述根据筛选极值点的阈值、差值序列以及AOD分布曲线,得到若干分段曲线,包括的具体步骤如下:
将差值序列中的任意一项记为Sj,j+1,若Sj,j+1≤Sth,则将第j个极值点保留,反之则将第j个极值点舍去,获取差值序列中所有保留的极值点作为AOD分布曲线的分段点,将AOD分布曲线进行分段,得到若干分段曲线。
进一步地,所述根据区域范围内像素点的AOD值和区域外边缘像素点的八邻域范围内像素点的AOD值,得到区域外边缘任意一个像素点的归属程度,包括的具体步骤如下:
对于任意一个分段曲线,获取分段曲线在AOD分布图像上对应的多个区域,将多个区域中的任意一个区域,记为第一区域;
;
式中,Ai为第一区域外边缘第i个像素点的AOD值,所述第一区域外边缘是指第一区域边缘向外延伸一个像素点的距离所形成的边缘,Ai,k为第一区域外边缘第i个像素点的八邻域范围内第k个像素点的AOD值,Amax为第一区域范围内像素点的最大AOD值,Amin为第一区域范围内像素点的最小AOD值,SD为第一区域范围内所有像素点的AOD值标准差,SDi为第一区域外边缘第i个像素点的八邻域内所有像素点的AOD值标准差,||为取绝对值,α为超参数,norm[ ]表示线性归一化函数,Pi为第一区域外边缘第i个像素点的归属程度。
进一步地,所述根据区域外边缘任意一个像素点的归属程度得到优选区域,包括的具体步骤如下:
预设归属程度阈值,若Pi大于等于预设归属程度阈值,则将第一区域外边缘第i个像素点归属到第一区域内;将第一区域外边缘向外延伸一个像素点的距离所形成的边缘,记为第一外边缘,获取第一区域的第一外边缘中任意一个像素点的归属程度,并和预设归属程度阈值进行判断,是否需要将第一外边缘中任意一个像素点归属到第一区域内,依次向外延伸得到第二外边缘,将第一区域的第二外边缘中任意一个像素点的归属程度和预设归属程度阈值进行判断,直至其他外边缘中任意一个像素点的归属程度小于预设归属程度阈值,最终得到一个优选区域。
进一步地,所述根据优选区域内像素点的AOD值得到优选区域内任意一个像素点与其余像素点的AOD差异,包括的具体步骤如下:
将AOD分布图像上任意一个优选区域,记为第一优选区域,将第一优选区域内任意一个像素点记为第一像素点;
;
式中,AP为第一优选区域内第一像素点的AOD值,Aq为第一优选区域内除第一像素点以外剩余像素点中的第q个像素点的AOD值,L为第一优选区域内所有像素点的总个数,Sod为第一优选区域内第一像素点与其余像素点的AOD差异。
进一步地,所述根据优选区域最相邻的优选区域内像素点的AOD值得到优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异,包括的具体步骤如下:
在AOD分布图像上获取第一优选区域最相邻的所有优选区域,将第一优选区域最相邻的任意一个优选区域记为第二优选区域;
;
式中,AP为第一优选区域内第一像素点的AOD值,An为第二优选区域内第n个像素点的AOD值,M为第二优选区域内所有像素点的总个数,Soe(1)为第一优选区域内第一像素点与第二优选区域内像素点的AOD差异;
获取优选区域内任意一个像素点与每一个最相邻的优选区域内像素点的AOD差异。
进一步地,所述根据优选区域内任意一个像素点与其余像素点的AOD差异、优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异,得到优选区域内任意一个像素点作为聚类中心的优选程度,根据聚类中心的优选程度得到每一个优选区域的聚类中心,包括的具体步骤如下:
获取优选区域内每一个像素点的归属程度;
;
式中,Pt为第一优选区域内第一像素点的归属程度,Pn为第一优选区域内除第一像素点以外第n个像素点的归属程度,||为取绝对值,NT为第一优选区域内所有像素点的总个数,Pmax为第一优选区域内所有像素点的归属程度中的最大归属程度,Pmin为第一优选区域内所有像素点的归属程度中的最小归属程度,Soe(j)为第一优选区域内第一像素点与第j个第二优选区域内像素点的AOD差异,H为第一优选区域最相邻的所有第二优选区域的总个数,Sod为第一优选区域内第一像素点与其余像素点的AOD差异,α为超参数,U为第一优选区域内第一像素点作为聚类中心的优选程度;
获取第一优选区域内每一像素点作为聚类中心的优选程度,将优选程度最大值对应的像素点作为第一优选区域的聚类中心,获取每一个优选区域的聚类中心。
进一步地,所述根据每一个优选区域的聚类中心得到若干聚类结果,根据聚类结果进行生物气溶胶监测和预警,包括的具体步骤如下:
将AOD分布图像作为生物气溶胶监测结果;
根据AOD分布图像上每一个优选区域的聚类中心对AOD分布图像上的像素点进行k-means聚类,得到AOD分布图像的若干聚类结果,获取每一个聚类结果在AOD分布图像上对应像素点的AOD均值,将所有聚类结果的AOD均值的最大值,记为TAP,预设预警阈值,记为thp,若TAP>thp,则对TAP对应的聚类结果中包含的像素点进行标记,获取所有标记像素点对应的实际地区区域,对实际地区区域的人员进行预警。
本发明的技术方案的有益效果是:本发明根据AOD分布曲线得到分段曲线在AOD分布图像上对应多个区域,基于曲线分段所得区域并没有考虑实际存在光谱混叠、地表和气象因素的复杂干扰,通过分析AOD分布图像的空间分布特征得到优选区域,优选区域更加准确反映AOD区域统计结果,其次,根据优选区域内任意一个像素点与其余像素点的AOD差异、优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异,得到优选区域内任意一个像素点作为聚类中心的优选程度,根据聚类中心的优选程度得到每一个优选区域的聚类中心,根据聚类中心得到若干聚类结果,每一个聚类结果对应一个实际的地区区域,且聚类结果是根据优选区域的聚类中心进行聚类,聚类结果对应的实际地区更加准确,最后根据聚类结果进行预警,以便于采取相关的防护措施。
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为本发明一个实施例所提供的一种基于影像识别的生物气溶胶监测及预警系统的系统框架图。
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一种基于影像识别的生物气溶胶监测及预警系统,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,一个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一种基于影像识别的生物气溶胶监测及预警系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于影像识别的生物气溶胶监测及预警系统的系统框架图,该系统包括以下模块:
分布图像采集模块:
需要说明的是,为了对地区生物气溶胶进行分析以及预警,最直接的方法就是获取地区的高光谱图像,根据高光谱图像得到气溶胶光学厚度遥感图像,并对其进行分析。
具体的,利用遥感卫星获取某一个地区的最近连续一个月的高光谱图像,根据最近连续一个月的高光谱图像得到某地区的月平均AOD分布图像,记为AOD分布图像,即气溶胶光学厚度遥感图像。需要说明的是,CN104279967B公开了一种根据高光谱图像得到AOD分布图像的处理方法,本实施例不再具体赘述,也不进行具体限定,AOD分布图像中包含多个像素点,每一个像素点都对应一个AOD值,AOD分布图像中白色区域无AOD数据信息,本实施例后续不对无AOD数据信息的区域进行分析。
至此,得到AOD分布图像。
分布曲线获取模块:
需要说明的是,根据某一地区的AOD分布图像可以得到分布图像对应的AOD值-数据量二维曲线,此曲线即为对某一地区的AOD分布图像的AOD分布范围以及数值的统计,因此在曲线的基础上根据波动情况进行分段,每个曲线段都代表了一个AOD数值范围,且每个AOD数值范围对应AOD分布图像中的部分区域,通过对每个区域边缘分析数据相似性得到优选区域,最后在优选区域内根据数据的分布特征确定最终的聚类中心进行聚类,根据聚类结果进行预警提示。
需要说明的是,对所得每个月平均AOD分布图像中的AOD数值范围及其对应数据量进行统计,建立以AOD值为横坐标,以数据量为纵坐标的二维数据曲线图。此曲线图展现了对应月份AOD对应数量的分布趋势,后续可通过在曲线图上的分段结果可以快速定位至图像中的相应区域,达到划分区域的目的。
具体的,根据AOD分布图像得到AOD分布曲线,具体如下:
获取AOD分布图像中所有像素点的AOD值,以不同AOD值为横坐标,以AOD值对应的像素点数量为纵坐标构建AOD分布直方图,其中AOD分布直方图中横坐标为按照从小到大顺序排列的不同AOD值,纵坐标为AOD值对应的像素点数量,记为数据量;将AOD分布直方图进行拟合得到AOD分布曲线。需要说明的是,本实施例中使用最小二乘法将AOD分布直方图拟合成五次多项式曲线,即AOD分布曲线。
至此,得到AOD分布图像对应的AOD分布曲线。
分段曲线获取模块:
需要说明的是,获得AOD分布图像的AOD分布曲线后首先要对曲线进行分段,分析曲线各个位置的趋势,由于曲线局部存在单调性差异,因此根据单调性的差异进行分段,从而使每个曲线段范围对应在AOD分布图像中的区域更加直观且集中。然后对所得区域的边缘进行分析,根据区域内及边缘数据的相似性对边缘进行扩充得到所有的优选区域,最后在优选区域内结合数据分布特征确定最终的聚类中心点进行聚类。
进一步需要说明的是,对于得到的AOD分布曲线,根据单调性增减情况进行分段,即曲线的某一点两侧局部单调性发生变化则将此点作为分段点,这样分段可以使每个段数据在AOD分布图像上对应的区域更加集中,有助于后续特征分析;又因为极值点代表了AOD分布曲线局部单调性改变的点,因此可以先寻找AOD分布曲线的极值点,然后再进一步筛选;因为可能存在相邻极值点,虽然单调性改变但极值点值差异较小,如果依然将此点作为分段点可能使后续聚类结果重复,因此需要定义指标筛选出合适的分段点。
具体的,根据AOD分布曲线上所有的极值点,得到AOD分布曲线上所有极值点的差值序列,具体如下:
获取AOD分布曲线上所有的极值点,计算第一个极值点和第二个极值点纵坐标的差值,记为S1,2,计算第二极值点和第三个极值点纵坐标的差值,记为S2,3,获取第i个极值点和第i+1个极值点纵坐标的差值,记为Si,i+1;需要说明的是,对于AOD分布曲线的最后一个极值点,其没有后一个相邻的极值点,不参与上述的纵坐标的差值计算;最终得到AOD分布曲线上所有极值点的差值序列,记为{S1,2,S2,3,S3,4,…,Si,i+1,SN-1,N},N为AOD分布曲线上所有的极值点总个数。
进一步地,根据差值序列得到筛选极值点的阈值,具体如下:
;
式中,Smin为差值序列中的最小差值,Smax为差值序列中的最大差值,Smed为差值序列的中位数;Sav为差值序列的平均值,||为取绝对值,ymax为所有极值点对应的数据量中最大数据量,ymin为所有极值点对应的数据量中最小数据量;所述数据量为极值点对应的纵坐标值;sigmoid( )为sigmoid函数,用于归一化,Sth为筛选极值点的阈值。
需要说明的是,ymax-ymin代表了极值点的最大上下跨度,即纵坐标的跨度,基于此跨度获得加权阈值Sth,Smax-Sav代表了差值序列的总体分布形态,Smin-Smed代表了差值序列的偏移程度,反映了差值序列的整体分布情况,通过sigmoid函数映射至[0,1]之间作为极值点跨度的权值,进行加权计算后得到筛选极值点的阈值。
进一步地,根据筛选极值点的阈值、差值序列以及AOD分布曲线,得到若干分段曲线,具体如下:
将差值序列中的任意一项记为Sj,j+1,若Sj,j+1≤Sth,则将第j个极值点保留,反之则将第j个极值点舍去,获取差值序列中所有保留的极值点作为AOD分布曲线的分段点,将AOD分布曲线进行分段,得到若干分段曲线。
至此,得到若干分段曲线。
优选区域获取模块:
需要说明的是,得到的若干分段曲线,每一个分段曲线都包含一个AOD值范围,每个AOD值范围可能对应AOD分布图像中的多个区域,此时针对多个区域进行分析确定可聚类区域以及聚类中心。
需要说明的是,每个分段曲线可能对应AOD分布图像的多个区域,因此需要对每个区域数据的空间分布特征进行分析。因为在AOD分布图像中可以认为一个AOD数据通过一个像素点来承载,所以在计算时可基于像素点进行计算,最终目的是根据分段曲线对应区域得到优选的可聚类区域,上述基于曲线分段所得区域并没有考虑实际存在光谱混叠、地表和气象因素的复杂干扰,因此需要根据区域的空间局部AOD相似性进行判断,在像素空间分布的维度上对区域边缘进行分析,根据边缘数据相似性对区域进行修正。
具体的,对于任意一个分段曲线对应的任意一个区域,根据区域范围内像素点的AOD值和区域外边缘像素点的八邻域范围内像素点的AOD值,得到区域外边缘任意一个像素点的归属程度,具体如下:
对于任意一个分段曲线,获取分段曲线在AOD分布图像上对应的多个区域,对于多个区域中的任意一个区域,记为第一区域;
;
式中,Ai为第一区域外边缘第i个像素点的AOD值,所述第一区域外边缘是指第一区域边缘向外延伸一个像素点的距离所形成的边缘,Ai,k为第一区域外边缘第i个像素点的八邻域范围内第k个像素点的AOD值,Amax为第一区域范围内像素点的最大AOD值,Amin为第一区域范围内像素点的最小AOD值,SD为第一区域范围内所有像素点的AOD值标准差,SDi为第一区域外边缘第i个像素点的八邻域内所有像素点的AOD值标准差,||为取绝对值,α为超参数,norm[ ]表示线性归一化函数,Pi为第一区域外边缘第i个像素点的归属程度。
需要说明的是,表示第一区域外边缘第i个像素点的八邻域范围内像素点AOD值与中心点的差值,代表了此邻域内AOD值的离散特征,Amax-Amin反映了第一区域范围内AOD值的最大分布情况,/>表示将两者进行比较,若外边缘像素邻域AOD值分布越接近于第一区域的AOD值分布情况,则此边缘点属于第一区域的可能性越大,同时将两者的标准差进行加权,若两者的标准差的差距越大则归属程度越小,反之越大。
进一步地,根据区域外边缘任意一个像素点的归属程度得到优选区域,具体如下:
预设归属程度阈值,本实施例以预设归属程度阈值为0.8进行叙述,若Pi大于等于预设归属程度阈值,则将第一区域外边缘第i个像素点归属到第一区域内;将第一区域外边缘向外延伸一个像素点的距离所形成的边缘,记为第一外边缘,获取第一区域的第一外边缘中任意一个像素点的归属程度,并和预设归属程度阈值进行判断,是否需要将第一外边缘中任意一个像素点归属到第一区域内,依次向外延伸得到第二外边缘,将第一区域的第二外边缘中任意一个像素点的归属程度和预设归属程度阈值进行判断,直至其他外边缘中任意一个像素点的归属程度小于预设归属程度阈值,最终得到一个优选区域,其中,优选区域为任意一个分段曲线对应的任意一个区域的优选区域。
需要说明的是,上述是对任意一个分段曲线在AOD分布图像上对应的任意一个区域进行分析的,任意一个分段曲线在AOD分布图像上可能对应多个区域,若对应的一个区域是一个单独的像素点且与同分段曲线的其他区域不相邻,此时,需要对单独的一个像素点的区域进行归属判断。
具体的,将单独一个像素点所形成的区域记为第二区域,获取第二区域的AOD值,记为AE,获取第二区域周围最相邻的所有区域,将第二区域周围最相邻的所有区域中任意一个区域的AOD均值,记为AZ,将AE与AZ差值的绝对值最小时,AZ对应的第二区域周围最相邻的区域记为第三区域,将第二区域归属到第三区域中。需要说明的是,第二区域周围最相邻的所有区域对应的分段曲线和第二区域对应的分段曲线不是同一个分段曲线。
需要说明的是,上述对任意一个分段曲线在AOD分布图像上对应的区域进行了归属分析,其他分段曲线对应的区域可以经过上述相同处理判断,此时可以获取AOD分布图像上所有的优选区域。
获取AOD分布图像上所有的优选区域。需要说明的是,当区域向外延伸与其他优选区域边缘相交时停止延伸,即不同的优选区域之间没有公共的像素点。
至此,得到AOD分布图像上所有的优选区域。
聚类中心获取模块:
需要说明的是,上述得到了AOD分布图像上所有的优选区域,通过对每个优选区域内分析AOD值特征确定一个中心点进行聚类;每个聚类中心点代表了所属的优选区域样本的集中趋势和概括信息,不同优选区域的中心点存在较大差异,所以在选取聚类中心时需要考虑优选区域内部AOD值的紧密度以及优选区域之间AOD值的分离度。因此对于任意优选区域,首先计算优选区域内像素点的AOD值的差平方和,它是度量优选区域内样本的紧密程度指标,其最小值代表了聚类中心可能的趋向,然后结合相邻优选区域内AOD的差平方和最小值综合评判像素点作为聚类中心点的可能性。
具体的,对于AOD分布图像上任意一个优选区域,根据优选区域内像素点的AOD值得到优选区域内任意一个像素点与其余像素点的AOD差异,具体如下:
将AOD分布图像上任意一个优选区域,记为第一优选区域,将第一优选区域内任意一个像素点记为第一像素点;
;
式中,AP为第一优选区域内第一像素点的AOD值,Aq为第一优选区域内除第一像素点以外剩余像素点中的第q个像素点的AOD值,L为第一优选区域内所有像素点的总个数,Sod为第一优选区域内第一像素点与其余像素点的AOD差异。
进一步地,根据优选区域最相邻的优选区域内像素点的AOD值得到优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异,具体如下:
在AOD分布图像上获取第一优选区域最相邻的所有优选区域,将第一优选区域最相邻的任意一个优选区域记为第二优选区域;
;
式中,AP为第一优选区域内第一像素点的AOD值,An为第二优选区域内第n个像素点的AOD值,M为第二优选区域内所有像素点的总个数,Soe(1)为第一优选区域内第一像素点与第二优选区域内像素点的AOD差异。
进一步地,获取优选区域内任意一个像素点与每一个最相邻的优选区域内像素点的AOD差异,具体如下:
获取第一优选区域内第一像素点与每一个第二优选区域内像素点的AOD差异,分别记为Soe(1)、Soe(2)…Soe(H),Soe(1)为第一优选区域内第一像素点与第一个第二优选区域内像素点的AOD差异,也记为第一优选区域内第一像素点与第二优选区域内像素点的AOD差异,Soe(2)为第一优选区域内第一像素点与第二个第二优选区域内像素点的AOD差异,Soe(H)为第一优选区域内第一像素点与第H个第二优选区域内像素点的AOD差异,其中第H个第二优选区域也即第一优选区域最相邻的所有优选区域的最后一个优选区域。
进一步地,获取优选区域内每一个像素点的归属程度;需要说明的是,获取优选区域内每一个像素点的归属程度与得到区域外边缘任意一个像素点的归属程度方法相同,即将边缘向内延伸即可,本实施例不再赘述;
进一步地,根据优选区域内任意一个像素点与其余像素点的AOD差异、优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异、优选区域内每一个像素点的归属程度,得到优选区域内任意一个像素点作为聚类中心的优选程度,具体如下:
;
式中,Pt为第一优选区域内第一像素点的归属程度,Pn为第一优选区域内除第一像素点以外第n个像素点的归属程度,||为取绝对值,NT为第一优选区域内所有像素点的总个数,Pmax为第一优选区域内所有像素点的归属程度中的最大归属程度,Pmin为第一优选区域内所有像素点的归属程度中的最小归属程度,Soe(j)为第一优选区域内第一像素点与第j个第二优选区域内像素点的AOD差异,H为第一优选区域最相邻的所有第二优选区域的总个数,Sod为第一优选区域内第一像素点与其余像素点的AOD差异,α为超参数,目的是防止分母为0,U为第一优选区域内第一像素点作为聚类中心的优选程度。
需要说明的是,Sod代表了第一像素点与第一优选区域内部的AOD差异,Soe(j)代表了第一像素点与相邻优选区域的AOD差异,结合了第一像素点与优选区域内外的AOD特征,Sod越小则代表第一像素点与优选区域内其余像素点的AOD联系越紧密,同理Soe(j)越大代表第一像素点与相邻优选区域内像素点的AOD联系越分离,而聚类中心点则具有这两种趋向特征,因此/>的值越大则对应的第一像素点作为中心点的可能性越大。
进一步需要说明的是,为第一像素点与第一优选区域内其他像素点在归属程度方面的差异平均值,/>代表了第一像素点相对于第一优选区域内其他像素点在归属程度的差异,由于像素点的归属程度依赖于其邻域像素点的AOD分布,因此可以通过像素点的区域归属度进行加权,若/>的值越大即第一像素点属于第一优选区域的归属程度越大,权值也越大,其作为聚类中心的可能性更大。
进一步地,根据聚类中心的优选程度得到每一个优选区域的聚类中心,具体如下:
获取第一优选区域内每一像素点作为聚类中心的优选程度,将优选程度最大值对应的像素点作为第一优选区域的聚类中心,获取每一个优选区域的聚类中心。
至此,得到每一个优选区域的聚类中心。
聚类及预警模块:
需要说明的是,上述得到了每一个优选区域的聚类中心后,使用k-means根据所得聚类中心进行聚类,然后对聚类结果进行判断,根据聚类结果进行预警。
具体的,根据每一个优选区域的聚类中心得到若干聚类结果,根据聚类结果进行预警,具体如下:
将AOD分布图像作为生物气溶胶监测结果;
根据AOD分布图像上每一个优选区域的聚类中心对AOD分布图像上的像素点进行k-means聚类,得到AOD分布图像的若干聚类结果,获取每一个聚类结果在AOD分布图像上对应像素点的AOD均值,将所有聚类结果的AOD均值的最大值,记为TAP,预设预警阈值,记为thp,本实施例以thp=2进行叙述,若TAP>thp,则对TAP对应的聚类结果中包含的像素点进行标记,获取所有标记像素点对应的实际地区区域,对实际地区区域的人员进行预警,以便于采取相关的防护措施。
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 (6)
1.一种基于影像识别的生物气溶胶监测及预警系统,其特征在于,该系统包括以下模块:
分布图像采集模块:用于获取AOD分布图像;
分布曲线获取模块:用于根据AOD分布图像得到AOD分布曲线;
分段曲线获取模块:用于根据AOD分布曲线上所有的极值点,得到差值序列,根据差值序列得到筛选极值点的阈值和若干分段曲线;所述分段曲线在AOD分布图像上对应多个区域;
优选区域获取模块:对于任意一个分段曲线对应的任意一个区域,根据区域范围内像素点的AOD值和区域外边缘像素点的八邻域范围内像素点的AOD值,得到区域外边缘任意一个像素点的归属程度,根据区域外边缘任意一个像素点的归属程度得到优选区域,获取AOD分布图像上所有的优选区域;
聚类中心获取模块:用于根据优选区域内像素点的AOD值得到优选区域内任意一个像素点与其余像素点的AOD差异,根据优选区域最相邻的优选区域内像素点的AOD值得到优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异;
根据优选区域内任意一个像素点与其余像素点的AOD差异、优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异,得到优选区域内任意一个像素点作为聚类中心的优选程度,根据聚类中心的优选程度得到每一个优选区域的聚类中心;
聚类及预警模块:用于根据每一个优选区域的聚类中心得到若干聚类结果,根据聚类结果进行生物气溶胶监测和预警;
所述根据AOD分布图像得到AOD分布曲线,包括的具体步骤如下:
获取AOD分布图像中所有像素点的AOD值,以不同AOD值为横坐标,以AOD值对应的像素点数量为纵坐标构建AOD分布直方图,将AOD分布直方图进行拟合得到AOD分布曲线;
所述根据区域范围内像素点的AOD值和区域外边缘像素点的八邻域范围内像素点的AOD值,得到区域外边缘任意一个像素点的归属程度,包括的具体步骤如下:
对于任意一个分段曲线,获取分段曲线在AOD分布图像上对应的多个区域,将多个区域中的任意一个区域,记为第一区域;
;
式中,Ai为第一区域外边缘第i个像素点的AOD值,所述第一区域外边缘是指第一区域边缘向外延伸一个像素点的距离所形成的边缘,Ai,k为第一区域外边缘第i个像素点的八邻域范围内第k个像素点的AOD值,Amax为第一区域范围内像素点的最大AOD值,Amin为第一区域范围内像素点的最小AOD值,SD为第一区域范围内所有像素点的AOD值标准差,SDi为第一区域外边缘第i个像素点的八邻域内所有像素点的AOD值标准差,||为取绝对值,α为超参数,norm[ ]表示线性归一化函数,Pi为第一区域外边缘第i个像素点的归属程度;
所述根据区域外边缘任意一个像素点的归属程度得到优选区域,包括的具体步骤如下:
预设归属程度阈值,若Pi大于等于预设归属程度阈值,则将第一区域外边缘第i个像素点归属到第一区域内;将第一区域外边缘向外延伸一个像素点的距离所形成的边缘,记为第一外边缘,获取第一区域的第一外边缘中任意一个像素点的归属程度,并和预设归属程度阈值进行判断,是否需要将第一外边缘中任意一个像素点归属到第一区域内,依次向外延伸得到第二外边缘,将第一区域的第二外边缘中任意一个像素点的归属程度和预设归属程度阈值进行判断,直至其他外边缘中任意一个像素点的归属程度小于预设归属程度阈值,最终得到一个优选区域;
所述根据优选区域内任意一个像素点与其余像素点的AOD差异、优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异,得到优选区域内任意一个像素点作为聚类中心的优选程度,根据聚类中心的优选程度得到每一个优选区域的聚类中心,包括的具体步骤如下:
获取优选区域内每一个像素点的归属程度;
;
式中,Pt为第一优选区域内第一像素点的归属程度,Pn为第一优选区域内除第一像素点以外第n个像素点的归属程度,||为取绝对值,NT为第一优选区域内所有像素点的总个数,Pmax为第一优选区域内所有像素点的归属程度中的最大归属程度,Pmin为第一优选区域内所有像素点的归属程度中的最小归属程度,Soe(j)为第一优选区域内第一像素点与第j个第二优选区域内像素点的AOD差异,H为第一优选区域最相邻的所有第二优选区域的总个数,Sod为第一优选区域内第一像素点与其余像素点的AOD差异,α为超参数,U为第一优选区域内第一像素点作为聚类中心的优选程度;
获取第一优选区域内每一像素点作为聚类中心的优选程度,将优选程度最大值对应的像素点作为第一优选区域的聚类中心,获取每一个优选区域的聚类中心。
2.根据权利要求1所述一种基于影像识别的生物气溶胶监测及预警系统,其特征在于,所述根据AOD分布曲线上所有的极值点,得到差值序列,根据差值序列得到筛选极值点的阈值和若干分段曲线,包括的具体步骤如下:
获取AOD分布曲线上所有的极值点,计算第一个极值点和第二个极值点纵坐标的差值,记为S1,2,计算第二极值点和第三个极值点纵坐标的差值,记为S2,3,获取第i个极值点和第i+1个极值点纵坐标的差值,记为Si,i+1;最终得到AOD分布曲线上所有极值点的差值序列,记为{S1,2,S2,3,S3,4,…,Si,i+1,SN-1,N},N为AOD分布曲线上所有的极值点总个数;
;
式中,Smin为差值序列中的最小差值,Smax为差值序列中的最大差值,Smed为差值序列的中位数;Sav为差值序列的平均值,||为取绝对值,ymax为所有极值点对应的数据量中最大数据量,ymin为所有极值点对应的数据量中最小数据量;所述数据量为极值点对应的纵坐标值;sigmoid( )为sigmoid函数,用于归一化,Sth为筛选极值点的阈值;
根据筛选极值点的阈值、差值序列以及AOD分布曲线,得到若干分段曲线。
3.根据权利要求2所述一种基于影像识别的生物气溶胶监测及预警系统,其特征在于,所述根据筛选极值点的阈值、差值序列以及AOD分布曲线,得到若干分段曲线,包括的具体步骤如下:
将差值序列中的任意一项记为Sj,j+1,若Sj,j+1≤Sth,则将第j个极值点保留,反之则将第j个极值点舍去,获取差值序列中所有保留的极值点作为AOD分布曲线的分段点,将AOD分布曲线进行分段,得到若干分段曲线。
4.根据权利要求1所述一种基于影像识别的生物气溶胶监测及预警系统,其特征在于,所述根据优选区域内像素点的AOD值得到优选区域内任意一个像素点与其余像素点的AOD差异,包括的具体步骤如下:
将AOD分布图像上任意一个优选区域,记为第一优选区域,将第一优选区域内任意一个像素点记为第一像素点;
;
式中,AP为第一优选区域内第一像素点的AOD值,Aq为第一优选区域内除第一像素点以外剩余像素点中的第q个像素点的AOD值,L为第一优选区域内所有像素点的总个数,Sod为第一优选区域内第一像素点与其余像素点的AOD差异。
5.根据权利要求4所述一种基于影像识别的生物气溶胶监测及预警系统,其特征在于,所述根据优选区域最相邻的优选区域内像素点的AOD值得到优选区域内任意一个像素点与最相邻的优选区域内像素点的AOD差异,包括的具体步骤如下:
在AOD分布图像上获取第一优选区域最相邻的所有优选区域,将第一优选区域最相邻的任意一个优选区域记为第二优选区域;
;
式中,AP为第一优选区域内第一像素点的AOD值,An为第二优选区域内第n个像素点的AOD值,M为第二优选区域内所有像素点的总个数,Soe(1)为第一优选区域内第一像素点与第二优选区域内像素点的AOD差异;
获取优选区域内任意一个像素点与每一个最相邻的优选区域内像素点的AOD差异。
6.根据权利要求1所述一种基于影像识别的生物气溶胶监测及预警系统,其特征在于,所述根据每一个优选区域的聚类中心得到若干聚类结果,根据聚类结果进行生物气溶胶监测和预警,包括的具体步骤如下:
将AOD分布图像作为生物气溶胶监测结果;
根据AOD分布图像上每一个优选区域的聚类中心对AOD分布图像上的像素点进行k-means聚类,得到AOD分布图像的若干聚类结果,获取每一个聚类结果在AOD分布图像上对应像素点的AOD均值,将所有聚类结果的AOD均值的最大值,记为TAP,预设预警阈值,记为thp,若TAP>thp,则对TAP对应的聚类结果中包含的像素点进行标记,获取所有标记像素点对应的实际地区区域,对实际地区区域的人员进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441015.7A CN117152638B (zh) | 2023-11-01 | 2023-11-01 | 一种基于影像识别的生物气溶胶监测及预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441015.7A CN117152638B (zh) | 2023-11-01 | 2023-11-01 | 一种基于影像识别的生物气溶胶监测及预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152638A CN117152638A (zh) | 2023-12-01 |
CN117152638B true CN117152638B (zh) | 2024-01-26 |
Family
ID=88912522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311441015.7A Active CN117152638B (zh) | 2023-11-01 | 2023-11-01 | 一种基于影像识别的生物气溶胶监测及预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152638B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650128A (zh) * | 2020-06-08 | 2020-09-11 | 电子科技大学 | 一种基于地表反射率库的高分辨率大气气溶胶反演方法 |
CN112183384A (zh) * | 2020-09-29 | 2021-01-05 | 南京信息工程大学 | 一种基于卫星资料的气溶胶遥感分类方法 |
-
2023
- 2023-11-01 CN CN202311441015.7A patent/CN117152638B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650128A (zh) * | 2020-06-08 | 2020-09-11 | 电子科技大学 | 一种基于地表反射率库的高分辨率大气气溶胶反演方法 |
CN112183384A (zh) * | 2020-09-29 | 2021-01-05 | 南京信息工程大学 | 一种基于卫星资料的气溶胶遥感分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117152638A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704807B (zh) | 一种基于多源遥感序列影像的动态监测方法 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
CN115661669B (zh) | 一种基于视频监控的耕地违法占用监测方法及系统 | |
CN110533100B (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
CN111985445A (zh) | 一种基于无人机多光谱遥感的草原虫害监测系统及方法 | |
CN111860150A (zh) | 基于遥感影像的倒伏水稻识别方法与装置 | |
CN112766036A (zh) | 一种倒伏玉米遥感提取方法与装置 | |
CN114279982A (zh) | 水体污染信息获取方法及装置 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN111259925A (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN116246174A (zh) | 基于图像处理的甘薯种类识别方法 | |
CN117437228B (zh) | 基于图像特征的光伏钢结构组件断裂检测方法 | |
CN117152638B (zh) | 一种基于影像识别的生物气溶胶监测及预警系统 | |
CN112924967A (zh) | 一种基于雷达和光学数据组合特征的农作物倒伏遥感监测方法与应用 | |
CN116740579B (zh) | 一种国土空间规划数据智能采集方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN114937038B (zh) | 面向可用性的遥感影像质量评价方法 | |
CN116912265A (zh) | 一种遥感图像分割方法和系统 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN111353495B (zh) | 一种红外成像盲元的统计分析及评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |