CN117291945A - 基于图像数据的土壤腐蚀污染检测预警方法 - Google Patents
基于图像数据的土壤腐蚀污染检测预警方法 Download PDFInfo
- Publication number
- CN117291945A CN117291945A CN202311575279.1A CN202311575279A CN117291945A CN 117291945 A CN117291945 A CN 117291945A CN 202311575279 A CN202311575279 A CN 202311575279A CN 117291945 A CN117291945 A CN 117291945A
- Authority
- CN
- China
- Prior art keywords
- image
- soil
- segmentation
- pixel point
- target
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000005260 corrosion Methods 0.000 title claims abstract description 14
- 230000007797 corrosion Effects 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 199
- 230000000694 effects Effects 0.000 claims abstract description 101
- 230000000903 blocking effect Effects 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000003900 soil pollution Methods 0.000 claims description 14
- 238000004162 soil erosion Methods 0.000 claims description 11
- 238000011109 contamination Methods 0.000 claims description 6
- 238000005336 cracking Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000010981 turquoise Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及基于图像数据的土壤腐蚀污染检测预警方法，包括：采集土壤表面图像和土壤表面灰度图像，将灰度图像进行分块，根据目标分块图像中裂缝区域的像素点占比得到目标分块图像的裂缝程度，根据目标分块图像的前景区域中任意一个像素点所在的连通域与目标分块图像中像素点的数量得到目标分块图像中任意一个像素点的连续性，根据分布关系、像素点的连续性，得到目标分块图像在G通道的分割效果，根据裂缝程度和分割效果得到修正分割阈值，进而进行污染预警。本发明根据分块图像以及其邻域分块图像的分割效果的优劣，对分割效果较差的分块的分割阈值进行修正，实现对图像的准确分割。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及基于图像数据的土壤腐蚀污染检测预警方法。
背景技术
由于土壤中溶解盐类物质，若其浓度超过植物生长的耐受范围，会对植物生长和土壤质量产生负面影响，盐渍化的程度越高其土壤表面会出现大量绿色区域，因此需要对其检测从而进行预警。现有方法在利用自适应阈值分割对缺陷区域进行检测时，土壤表面存在的裂缝区域会对盐渍化区域的检测造成影响，从而导致检测结果产生误差，造成预警错误。
发明内容
为解决上述问题，本发明提供基于图像数据的土壤腐蚀污染检测预警方法。
本发明的基于图像数据的土壤腐蚀污染检测预警方法采用如下技术方案：
本发明一个实施例提供了基于图像数据的土壤腐蚀污染检测预警方法，该方法包括以下步骤：
采集土壤表面图像并灰度化处理得到土壤表面灰度图像，并获取土壤表面图像的G通道；
将土壤表面灰度图像进行分块得到若干土壤分块图像，将任意一个土壤分块图像记为目标分块图像，根据目标分块图像中属于裂缝区域的像素点数量得到目标分块图像的裂缝程度；
将目标分块图像进行分割得到目标分块图像的前景区域和背景区域及分割阈值，所述前景区域包含盐渍化土壤污染区域和裂缝区域的若干连通域，背景区域包含正常土壤区域的若干连通域，根据目标分块图像的前景区域中任意一个像素点所在的连通域与目标分块图像中像素点的数量得到目标分块图像的前景区域中任意一个像素点的第一连续性，获取目标分块图像的背景区域中任意一个像素点的第二连续性；
根据目标分块图像的前景区域中任意一个像素点与目标分块图像中像素点在G通道的灰度值差异及背景区域中任意一个像素点与目标分块图像中像素点在G通道的灰度值差异，得到目标分块图像的前景区域中任意一个像素点和背景区域中任意一个像素点在G通道的分布关系，根据所述分布关系、所述第一连续性和第二连续性，得到目标分块图像在G通道的分割效果；
根据目标分块图像的裂缝程度和目标分块图像在G通道的分割效果得到每一个土壤分块图像的最终分割效果，将每一个土壤分块图像的最终分割效果进行阈值判断得到所有分割效果差的土壤分块图像和所有正常分割的土壤分块图像，根据任意一个分割效果差的土壤分块图像与邻域范围内正常分割的土壤分块图像的分割阈值差异，得到每一个分割效果差的土壤分块图像修正后的分割阈值，将每一个分割效果差的土壤分块图像根据修正后的分割阈值进行阈值分割得到若干修正后的土壤分块图像，根据若干修正后的土壤分块图像和所有正常分割的土壤分块图像中像素点的数量进行污染检测预警。
进一步地，所述目标分块图像中属于裂缝区域的像素点的具体获取方法如下：
预设第一阈值，记为th1，对于任意一个土壤分块图像中任意一个像素点，当该像素点的灰度值小于时，将该像素点作为裂缝区域的一个像素点，获取该土壤分块图像中属于裂缝区域的所有像素点。
进一步地，所述根据目标分块图像中属于裂缝区域的像素点数量得到目标分块图像的裂缝程度，包括的具体步骤如下：
式中，为目标分块图像中属于裂缝区域的所有像素点个数，/>为目标分块图像中像素点的数量，/>为目标分块图像中属于裂缝区域的第i个像素点的灰度值，/>为目标分块图像的裂缝程度。
进一步地，所述根据目标分块图像的前景区域中任意一个像素点所在的连通域与目标分块图像中像素点的数量得到目标分块图像的前景区域中任意一个像素点的第一连续性，包括的具体步骤如下：
对于目标分块图像的前景区域中任意一个像素点，将该像素点所在的连通域记为第一连通域；
式中，为第一连通域中像素点的数量，/>为目标分块图像中像素点的数量，/>为目标分块图像的前景区域中连通域的个数，/>为目标分块图像的前景区域中该像素点的第一连续性。
进一步地，所述根据目标分块图像的前景区域中任意一个像素点与目标分块图像中像素点在G通道的灰度值差异及背景区域中任意一个像素点与目标分块图像中像素点在G通道的灰度值差异，得到目标分块图像的前景区域中任意一个像素点和背景区域中任意一个像素点在G通道的分布关系，包括的具体步骤如下：
式中，为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的最小灰度值，/>为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的最大灰度值，/>为目标分块图像中像素点在G通道的最小灰度值，/>为目标分块图像中像素点在G通道的最大灰度值，/>为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的分布关系。
进一步地，所述根据所述分布关系、所述第一连续性和第二连续性，得到目标分块图像在G通道的分割效果，包括的具体步骤如下：
式中，为目标分块图像的前景区域中第p个像素点的第一连续性，/>为目标分块图像的背景区域中第q个像素点的第二连续性，/>为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的分布关系，/>为前景区域中第p个像素点在G通道的灰度值占比，其中第p个像素点在G通道的灰度值占比为第p个像素点在G通道的灰度值与255的比值，/>为背景区域中第q个像素点在G通道的灰度值占比，/>为背景区域中像素点的个数，/>为前景区域中像素点的个数，/>为目标分块图像在G通道的分割效果，/>为取绝对值。
进一步地，所述根据目标分块图像的裂缝程度和目标分块图像在G通道的分割效果得到每一个土壤分块图像的最终分割效果，包括的具体步骤如下：
式中，为目标分块图像的裂缝程度，/>为目标分块图像在G通道的分割效果，/>为目标分块图像的最终分割效果，norm为线性归一化函数。
进一步地，所述将每一个土壤分块图像的最终分割效果进行阈值判断得到所有分割效果差的土壤分块图像和所有正常分割的土壤分块图像，包括的具体步骤如下：
预设分割效果阈值，记为U，当时，将目标分块图像作为一个分割效果差的土壤分块图像，获取所有分割效果差的土壤分块图像，当/>时，将目标分块图像作为一个正常分割的土壤分块图像，获取所有正常分割的土壤分块图像，/>为目标分块图像的最终分割效果。
进一步地，所述根据任意一个分割效果差的土壤分块图像与邻域范围内正常分割的土壤分块图像的分割阈值差异，得到每一个分割效果差的土壤分块图像修正后的分割阈值，包括的具体步骤如下：
将任意一个分割效果差的土壤分块图像记为第t个土壤分块图像；
式中，为第t个土壤分块图像的八邻域范围内第k个正常分割的土壤分块图像的最终分割效果，/>为第t个土壤分块图像的八邻域范围内第k个正常分割的土壤分块图像的分割阈值，/>为第t个土壤分块图像的分割阈值，/>为第t个土壤分块图像的八邻域范围内正常分割的土壤分块图像的个数，/>为第t个土壤分块图像修正后的分割阈值。
进一步地，所述根据若干修正后的土壤分块图像和所有正常分割的土壤分块图像中像素点的数量进行污染检测预警，包括的具体步骤如下：
将若干修正后的土壤分块图像和所有正常分割的土壤分块图像中所有前景区域的像素点数量记为T1，将若干修正后的土壤分块图像和所有正常分割的土壤分块图像中所有像素点数量记为T2，，/>为土壤的盐渍化污染程度，预设第二阈值，记为th2，若进行预警。
本发明的技术方案的有益效果是：在对土壤分块图像进行自适应阈值分割后，根据目标分块图像中裂缝区域的像素点占比得到目标分块图像的裂缝程度，裂缝程度反映分块图像中的裂缝影响，通过分析目标分块图像中像素点的连续性以及目标分块图像的前景区域中任意一个像素点和背景区域中任意一个像素点在G通道的分布关系获取目标分块图像在G通道的分割效果，根据任意一个分割效果差的土壤分块图像与邻域范围内正常分割的土壤分块图像的分割阈值差异，得到每一个分割效果差的土壤分块图像修正后的分割阈值，修正后的分割阈值减少了裂缝对分割阈值的影响，且通过分析邻域范围内的正常分割阈值来进行修正分块图像之间更加平滑，使得修正后的分割阈值可以更好的分割污染区域，进而根据区域中像素点的数量进行污染预警。
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基于图像数据的土壤腐蚀污染检测预警方法的步骤流程图；
图2为本发明一个实施例所提供的基于图像数据的土壤腐蚀污染检测预警方法的土壤表面灰度图像。
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图像数据的土壤腐蚀污染检测预警方法，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基于图像数据的土壤腐蚀污染检测预警方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于图像数据的土壤腐蚀污染检测预警方法的步骤流程图，该方法包括以下步骤：
步骤S001、采集土壤表面图像并灰度化处理得到土壤表面灰度图像。
需要说明的是，本实施例的目的是，在进行自适应阈值分割对盐渍化土壤污染区域的图像进行分割时，由于地面上存在大量裂缝，且其灰度值与部分盐渍化土壤污染区域近似，增加了分割结果出现误差的可能性，但裂缝具有较为明显的形态特征，因此通过计算不同区域的裂缝程度对分割效果进行分析，避免因裂缝引起的分割结果误差，在开始分析之前首先需要采集图像。
具体的，利用无人机搭载的相机对受盐渍化影响的土壤表面进行拍摄，拍摄时相机在土壤表面的正上方，得到土壤表面图像，将土壤表面图像进行灰度化处理得到土壤表面灰度图像，其中土壤表面灰度图像中包含盐渍化土壤污染区域、裂缝区域及正常土壤区域，请参阅图2，图2为本实施例的土壤表面灰度图像。
至此，得到土壤表面灰度图像。
步骤S002、将土壤表面灰度图像进行等比例分块得到若干土壤分块图像，根据土壤分块图像中裂缝区域的像素点占比得到土壤分块图像的裂缝程度。
需要说明的是，由于土壤盐渍化在不同土壤区域的污染腐蚀程度存在差异，通过对图像分块进行分析，根据不同区域的污染程度对其分割阈值进行确定，并且由于盐渍化导致土壤出现裂缝现象，裂缝区域的灰度值与污染较深区域的灰度值近似，因此需要确定分块图像中裂缝对于其分割阈值的确定存在影响的大小，其中影响较大的分块其分割的效果也就越差，需要根据其邻域分割较好的分块对其分割阈值进行确定，从而实现对盐渍化土壤污染区域的分割。
需要说明的是，由于在不同区域的土壤受到盐渍化的程度不同，因此在地面上的特征表现存在差异，表现为随盐渍化土壤污染程度的加重该区域颜色加深。通过将图像进行分块处理，降低因不同区域污染程度差异较大而导致的分割阈值的误差，并且由于在地面上存在不同程度的裂缝，裂缝程度越大其裂缝区域的灰度值越低，其程度不同对图像的分割会造成不同影响。
具体的，将土壤表面灰度图像进行等比例分块得到若干土壤分块图像，具体如下：
将土壤表面灰度图像记为V(M,N)，M为土壤表面灰度图像的长度，N为土壤表面灰度图像的宽度，本实施例中以图像大小为2048×1024进行说明，即图像长度M=2048，图像宽度N=1024，单位为像素，土壤表面灰度图像通过等比例分块得到个大小为a×a的土壤分块图像，a为预设的分块比例，本实施例中以分块比例a=32进行叙述，具体实施时可以设置为其他值，当分块比例不能使得土壤分块图像等比例分块时，即对土壤分块图像中的元素进行分块操作时，可能会超出土壤分块图像的边界，此时，本实施例利用二次线性插值的方法将土壤分块图像超出边界的部分进行插值填充数据。
需要说明的是，上述将土壤表面灰度图像进行等比例分块得到若干土壤分块图像，统计分块图像内像素点的灰度值，针对像素点的灰度值进行分析，通过观察土壤表面灰度图像可知，属于裂缝区域的像素点其灰度值较低，因此设置合适的阈值对分块图像中的像素点进行筛选，对筛选出的像素点及其邻域像素点进行分析，计算任意一个分块图像中的裂缝程度。
具体的，将任意一个土壤分块图像内像素点的灰度值进行阈值判断得到任意一个土壤分块图像中属于裂缝区域的所有像素点，具体如下：
预设第一阈值，记为th1，本实施例以th1=50为例进行叙述，对于任意一个土壤分块图像中任意一个像素点，当该像素点的灰度值小于时，将该像素点作为裂缝区域的一个像素点，获取该土壤分块图像中属于裂缝区域的所有像素点。
需要说明的是，分块图像中的裂缝程度可以通过分块中属于裂缝区域像素点的数量和灰度进行表示，分块图像中属于裂缝区域的像素点越多证明该分块中的裂缝区域的面积越大，即裂缝程度就越大，并且像素点的灰度值越低，说明该裂缝的裂缝程度越大，因此通过上述分块图像中属于裂缝区域的像素点，计算分块图像的裂缝程度。
具体的，根据任意一个土壤分块图像中裂缝区域的像素点占比得到任意一个土壤分块图像的裂缝程度，具体如下：
将任意一个土壤分块图像记为目标分块图像。
式中，为目标分块图像中属于裂缝区域的所有像素点个数，/>为目标分块图像中像素点的数量，/>为目标分块图像中属于裂缝区域的第i个像素点的灰度值，/>为目标分块图像的裂缝程度。
需要说明的是，表示目标分块图像中裂缝区域的像素点占比，/>的值越大，说明目标分块图像中裂缝区域的面积越大，裂缝程度越大，/>表示目标分块图像中属于裂缝区域的所有像素点的灰度值和，由于裂缝区域的像素点灰度值较低，因此/>的值越小即的值越大，说明目标分块图像中裂缝程度越大，通过结合二者综合判断目标分块图像的裂缝程度。
至此，得到任意一个土壤分块图像的裂缝程度。
步骤S003、获取土壤分块图像的前景区域和背景区域，根据前景区域中像素点所在的连通域与土壤分块图像中像素点的数量得到任意一个像素点的连续性。
需要说明的是，通过对分块图像进行自适应阈值分割后，完成对分块图像中像素点的分类，但由于裂缝区域像素点灰度值更低，因此这些像素点的存在会导致一部分腐蚀程度低的盐渍化土壤污染区域被视为正常区域，同时正常土壤上同样可能存在裂缝区域，由于两者像素点灰度差异过大，又会导致该分块图像的分割阈值与其他分块图像的差异过大，综上所述不同分块图像对应的分割阈值其分割效果不一定好，因此需要根据裂缝区域与盐渍化土壤污染区域像素点特征的不同对分割效果进行分析，判断当前分块图像进行自适应阈值分割的分割效果。
具体的，将任意一个土壤分块图像进行分割得到任意一个土壤分块图像的前景区域和背景区域及分割阈值，根据任意一个土壤分块图像的前景区域中任意一个像素点所在的连通域与土壤分块图像中像素点的数量比值得到任意一个土壤分块图像的前景区域中任意一个像素点的连续性，具体如下：
将目标分块图像利用自适应阈值分割算法进行分割得到目标分块图像的分割阈值以及目标分块图像的前景区域和背景区域，其中前景区域包含盐渍化土壤污染区域和裂缝区域的若干连通域，背景区域包含正常土壤区域的若干连通域，前景区域是小于分割阈值的区域，背景区域是大于等于分割阈值的区域。需要说明的是，将目标分块图像利用自适应阈值分割算法进行分割得到目标分块图像的分割阈值以及目标分块图像的前景区域和背景区域为自适应阈值分割算法的现有方法，本实施例不再赘述。
对于目标分块图像的前景区域中任意一个像素点，将该像素点所在的连通域记为第一连通域。
式中，为第一连通域中像素点的数量，/>为目标分块图像中像素点的数量，/>为目标分块图像的前景区域中连通域的个数，/>为目标分块图像的前景区域中该像素点的连续性，记为第一连续性。
上述是以目标分块图像的前景区域进行分析的，同理可以获取目标分块图像的背景区域中任意一个像素点的连续性，记为第二连续性，具体获取方法和获取前景区域中任意一个像素点的连续性方法相同，本实施例不再赘述。
需要说明的是，根据分块图像自适应阈值分割后前景背景中像素点所在连通域像素点数量的关系，对不同分割结果的连续性进行分析，在分割结果中任取前景或背景里的一个像素点，上述以前景为例说明，若第一连通域中像素点的数量与目标分块图像中像素点的数量比值越大，说明第一连通域的分割面积越大即像素点的连续性越好，同时若连通域的个数越少，说明分块图像的分割效果越好，可以很好的将前景区域分割出来，同样反映像素点的连续性越好，即存在连续的像素点越多。
至此，得到前景区域和背景区域中任意一个像素点的连续性。
步骤S004、根据土壤分块图像中像素点在G通道的灰度值差异，得到像素点在G通道的分布关系，根据分布关系及像素点的连续性，得到土壤分块图像在G通道的分割效果。
需要说明的是，通过观察土壤表面图像可以发现，盐渍化土壤污染区域中，污染程度越高的区域则该区域像素点灰度值在绿色通道的占比更高即绿色加深，而正常土壤区域的呈现土黄色，其在绿色通道的所占比例较小。因此对土壤表面图像中像素点的灰度值在G通道占比进行分析，若图像中存在部分像素点的灰度值在G通道的所占比例越大，则这些像素点属于污染区域的可能性越大。
具体的，根据任意一个土壤分块图像的前景区域中任意一个像素点与任意一个土壤分块图像中像素点在G通道的灰度值差异及背景区域中任意一个像素点与任意一个土壤分块图像中像素点在G通道的灰度值差异，得到任意一个土壤分块图像的前景区域中任意一个像素点和背景区域中任意一个像素点在G通道的分布关系，具体如下：
式中，为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的最小灰度值，/>为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的最大灰度值，/>为目标分块图像中像素点在G通道的最小灰度值，/>为目标分块图像中像素点在G通道的最大灰度值，/>为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的分布关系。
需要说明的是，分布关系表示目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的灰度值与目标分块图像中像素点在G通道的灰度值的差异。
具体的，根据任意一个土壤分块图像的前景区域中任意一个像素点和背景区域中任意一个像素点在G通道的分布关系、任意一个土壤分块图像的前景区域中每一个像素点和背景区域中每一个像素点在G通道的灰度值占比及像素点的连续性，得到任意一个土壤分块图像在G通道的分割效果，具体如下：
式中，为目标分块图像的前景区域中第p个像素点的第一连续性，/>为目标分块图像的背景区域中第q个像素点的第二连续性，/>为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的分布关系，/>为前景区域中第p个像素点在G通道的灰度值占比，其中第p个像素点在G通道的灰度值占比为第p个像素点在G通道的灰度值与255的比值，/>为背景区域中第q个像素点在G通道的灰度值占比，/>为背景区域中像素点的个数，/>为前景区域中像素点的个数，/>为目标分块图像在G通道的分割效果，/>为取绝对值。
需要说明的是，前景区域和背景区域是将土壤分块图像进行自适应阈值分割得到的，而土壤分块图像是将土壤表面灰度图像进行等比例分块得到的，土壤分块图像是灰度图像，前景区域和背景区域上像素点在G通道的灰度值需要对应到土壤表面图像来获取。
需要说明的是，上述是以分块图像中前景区域和背景区域中像素点在G通道的灰度值占比进行分析，若前景与背景像素点在G通过的占比差异越大则认为当前分块图像的分割效果越好。并且前背景像素点对应连续性越好，像素点所在区域越完整，其G通道占比差异对分割效果的表现程度越高。
步骤S005、根据土壤分块图像在G通道的分割效果得到土壤分块图像的最终分割效果，获取修正后的分割阈值，根据修正后的分割阈值进行阈值分割得到修正后的土壤分块图像，根据若干修正后的土壤分块图像中像素点的数量进行污染检测预警。
需要说明的是，通过上述步骤的分析计算，得到分块图像中的裂缝程度、分块图像在G通道的分割效果，根据这两个特征确定当前分块图像的最终分割效果。其中颜色通道的占比差异所表现分块分割效果越大，分块最终分割效果越好，并且分块中裂缝程度越大，裂缝对分块分割的影响越大，最终的分割效果越差。
具体的，根据任意一个土壤分块图像的裂缝程度和任意一个土壤分块图像在G通道的分割效果得到每一个土壤分块图像的最终分割效果，具体如下：
式中，为目标分块图像的裂缝程度，/>为目标分块图像在G通道的分割效果，/>为目标分块图像的最终分割效果，norm为线性归一化函数，归一化的对象为所有土壤分块图像的/>。
获取每一个土壤分块图像的最终分割效果。
需要说明的是，不同分块图像对应的分割阈值不同导致分割效果之间存在差异，分割效果较差其结果就不具备参考性，由于分块图像之间的像素点仍存在联系，因此根据其邻域分块图像的分割阈值结合最终分割效果对分块图像的分割阈值加以修正，得到当前分块图像对应的最佳分割阈值。
具体的，将每一个土壤分块图像的最终分割效果进行阈值判断得到所有分割效果差的土壤分块图像和所有正常分割的土壤分块图像，具体如下：
预设分割效果阈值，记为U，本实施例以U=0.6为例进行叙述，当时，将目标分块图像作为一个分割效果差的土壤分块图像，获取所有分割效果差的土壤分块图像，当时，将目标分块图像作为一个正常分割的土壤分块图像，获取所有正常分割的土壤分块图像。
进一步地，根据任意一个分割效果差的土壤分块图像与邻域范围内正常分割的土壤分块图像的分割阈值差异，得到每一个分割效果差的土壤分块图像修正后的分割阈值，具体如下：
将任意一个分割效果差的土壤分块图像记为第t个土壤分块图像。
式中，为第t个土壤分块图像的八邻域范围内第k个正常分割的土壤分块图像的最终分割效果，/>为第t个土壤分块图像的八邻域范围内第k个正常分割的土壤分块图像的分割阈值，/>为第t个土壤分块图像的分割阈值，/>为第t个土壤分块图像的八邻域范围内正常分割的土壤分块图像的个数，/>为第t个土壤分块图像修正后的分割阈值。
获取每一个分割效果差的土壤分块图像修正后的分割阈值。需要特别说明的是，若第t个土壤分块图像的八邻域范围内不存在正常分割的土壤分块图像，则需要分析其他分割效果差的土壤分块图像，为便于指代将其他分割效果差的土壤分块图像记为第TX个土壤分块图像，第TX个土壤分块图像的八邻域范围内存在正常分割的土壤分块图像，先将第TX个土壤分块图像进行分割阈值修正，并重新分割，将重新分割后的第TX个土壤分块图像作为一个正常分割的土壤分块图像。
进一步地，将每一个分割效果差的土壤分块图像根据修正后的分割阈值进行阈值分割得到若干修正后的土壤分块图像，根据若干修正后的土壤分块图像和所有正常分割的土壤分块图像中像素点的数量进行污染检测预警，具体如下：
将每一个分割效果差的土壤分块图像根据对应修正后的分割阈值进行阈值分割得到若干修正后的土壤分块图像，将若干修正后的土壤分块图像和所有正常分割的土壤分块图像中所有前景区域的像素点数量记为T1，将若干修正后的土壤分块图像和所有正常分割的土壤分块图像中所有像素点数量记为T2，，/>为土壤的盐渍化污染程度，预设第二阈值，记为th2，本实施例以th2=0.3为例进行说明，若/>，说明土壤污染程度达到预警值，进行预警，后续需要及时对污染程度大的土壤区域进行治理。
通过以上步骤，完成基于图像数据的土壤腐蚀污染检测预警方法。
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 (10)
1.基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，该方法包括以下步骤：
采集土壤表面图像并灰度化处理得到土壤表面灰度图像，并获取土壤表面图像的G通道；
将土壤表面灰度图像进行分块得到若干土壤分块图像，将任意一个土壤分块图像记为目标分块图像，根据目标分块图像中属于裂缝区域的像素点数量得到目标分块图像的裂缝程度；
将目标分块图像进行分割得到目标分块图像的前景区域和背景区域及分割阈值，所述前景区域包含盐渍化土壤污染区域和裂缝区域的若干连通域，背景区域包含正常土壤区域的若干连通域，根据目标分块图像的前景区域中任意一个像素点所在的连通域与目标分块图像中像素点的数量得到目标分块图像的前景区域中任意一个像素点的第一连续性，获取目标分块图像的背景区域中任意一个像素点的第二连续性；
根据目标分块图像的前景区域中任意一个像素点与目标分块图像中像素点在G通道的灰度值差异及背景区域中任意一个像素点与目标分块图像中像素点在G通道的灰度值差异，得到目标分块图像的前景区域中任意一个像素点和背景区域中任意一个像素点在G通道的分布关系，根据所述分布关系、所述第一连续性和第二连续性，得到目标分块图像在G通道的分割效果；
根据目标分块图像的裂缝程度和目标分块图像在G通道的分割效果得到每一个土壤分块图像的最终分割效果，将每一个土壤分块图像的最终分割效果进行阈值判断得到所有分割效果差的土壤分块图像和所有正常分割的土壤分块图像，根据任意一个分割效果差的土壤分块图像与邻域范围内正常分割的土壤分块图像的分割阈值差异，得到每一个分割效果差的土壤分块图像修正后的分割阈值，将每一个分割效果差的土壤分块图像根据修正后的分割阈值进行阈值分割得到若干修正后的土壤分块图像，根据若干修正后的土壤分块图像和所有正常分割的土壤分块图像中像素点的数量进行污染检测预警。
2.根据权利要求1所述基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，所述目标分块图像中属于裂缝区域的像素点的具体获取方法如下：
预设第一阈值，记为th1，对于任意一个土壤分块图像中任意一个像素点，当该像素点的灰度值小于时，将该像素点作为裂缝区域的一个像素点，获取该土壤分块图像中属于裂缝区域的所有像素点。
3.根据权利要求1所述基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，所述根据目标分块图像中属于裂缝区域的像素点数量得到目标分块图像的裂缝程度，包括的具体步骤如下：
式中，为目标分块图像中属于裂缝区域的所有像素点个数，/>为目标分块图像中像素点的数量，/>为目标分块图像中属于裂缝区域的第i个像素点的灰度值，/>为目标分块图像的裂缝程度。
4.根据权利要求1所述基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，所述根据目标分块图像的前景区域中任意一个像素点所在的连通域与目标分块图像中像素点的数量得到目标分块图像的前景区域中任意一个像素点的第一连续性，包括的具体步骤如下：
对于目标分块图像的前景区域中任意一个像素点，将该像素点所在的连通域记为第一连通域；
式中，为第一连通域中像素点的数量，/>为目标分块图像中像素点的数量，/>为目标分块图像的前景区域中连通域的个数，/>为目标分块图像的前景区域中该像素点的第一连续性。
5.根据权利要求1所述基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，所述根据目标分块图像的前景区域中任意一个像素点与目标分块图像中像素点在G通道的灰度值差异及背景区域中任意一个像素点与目标分块图像中像素点在G通道的灰度值差异，得到目标分块图像的前景区域中任意一个像素点和背景区域中任意一个像素点在G通道的分布关系，包括的具体步骤如下：
式中，为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的最小灰度值，/>为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的最大灰度值，/>为目标分块图像中像素点在G通道的最小灰度值，/>为目标分块图像中像素点在G通道的最大灰度值，/>为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的分布关系。
6.根据权利要求1所述基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，所述根据所述分布关系、所述第一连续性和第二连续性，得到目标分块图像在G通道的分割效果，包括的具体步骤如下：
式中，为目标分块图像的前景区域中第p个像素点的第一连续性，/>为目标分块图像的背景区域中第q个像素点的第二连续性，/>为目标分块图像的前景区域中第p个像素点和背景区域中第q个像素点在G通道的分布关系，/>为前景区域中第p个像素点在G通道的灰度值占比，其中第p个像素点在G通道的灰度值占比为第p个像素点在G通道的灰度值与255的比值，/>为背景区域中第q个像素点在G通道的灰度值占比，/>为背景区域中像素点的个数，/>为前景区域中像素点的个数，/>为目标分块图像在G通道的分割效果，/>为取绝对值。
7.根据权利要求1所述基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，所述根据目标分块图像的裂缝程度和目标分块图像在G通道的分割效果得到每一个土壤分块图像的最终分割效果，包括的具体步骤如下：
式中，为目标分块图像的裂缝程度，/>为目标分块图像在G通道的分割效果，/>为目标分块图像的最终分割效果，norm为线性归一化函数。
8.根据权利要求1所述基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，所述将每一个土壤分块图像的最终分割效果进行阈值判断得到所有分割效果差的土壤分块图像和所有正常分割的土壤分块图像，包括的具体步骤如下：
预设分割效果阈值，记为U，当时，将目标分块图像作为一个分割效果差的土壤分块图像，获取所有分割效果差的土壤分块图像，当/>时，将目标分块图像作为一个正常分割的土壤分块图像，获取所有正常分割的土壤分块图像，/>为目标分块图像的最终分割效果。
9.根据权利要求1所述基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，所述根据任意一个分割效果差的土壤分块图像与邻域范围内正常分割的土壤分块图像的分割阈值差异，得到每一个分割效果差的土壤分块图像修正后的分割阈值，包括的具体步骤如下：
将任意一个分割效果差的土壤分块图像记为第t个土壤分块图像；
式中，为第t个土壤分块图像的八邻域范围内第k个正常分割的土壤分块图像的最终分割效果，/>为第t个土壤分块图像的八邻域范围内第k个正常分割的土壤分块图像的分割阈值，/>为第t个土壤分块图像的分割阈值，/>为第t个土壤分块图像的八邻域范围内正常分割的土壤分块图像的个数，/>为第t个土壤分块图像修正后的分割阈值。
10.根据权利要求1所述基于图像数据的土壤腐蚀污染检测预警方法，其特征在于，所述根据若干修正后的土壤分块图像和所有正常分割的土壤分块图像中像素点的数量进行污染检测预警，包括的具体步骤如下：
将若干修正后的土壤分块图像和所有正常分割的土壤分块图像中所有前景区域的像素点数量记为T1，将若干修正后的土壤分块图像和所有正常分割的土壤分块图像中所有像素点数量记为T2，，/>为土壤的盐渍化污染程度，预设第二阈值，记为th2，若/>进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311575279.1A CN117291945B (zh) | 2023-11-24 | 2023-11-24 | 基于图像数据的土壤腐蚀污染检测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311575279.1A CN117291945B (zh) | 2023-11-24 | 2023-11-24 | 基于图像数据的土壤腐蚀污染检测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291945A true CN117291945A (zh) | 2023-12-26 |
| CN117291945B CN117291945B (zh) | 2024-02-13 |
Family
ID=89257467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311575279.1A Active CN117291945B (zh) | 2023-11-24 | 2023-11-24 | 基于图像数据的土壤腐蚀污染检测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291945B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106855875A (zh) * | 2016-06-27 | 2017-06-16 | 石梦 | 基于分布式处理的数据合并系统 |
| CN110264459A (zh) * | 2019-06-24 | 2019-09-20 | 江苏开放大学（江苏城市职业学院） | 一种土壤裂缝特征信息提取方法 |
| US20200211199A1 (en) * | 2018-12-28 | 2020-07-02 | Chroma Ate Inc. | Image inspection method |
| US20210201497A1 (en) * | 2019-03-05 | 2021-07-01 | China University Of Mining And Technology | Method for determining segmentation threshold of digital image of rock-soil material |
| WO2022000220A1 (zh) * | 2020-06-30 | 2022-01-06 | 杭州筹图科技有限公司 | 一种区域划分方法及相关设备 |
| CN115033721A (zh) * | 2022-06-30 | 2022-09-09 | 南京丰豪奇玉网络科技有限公司 | 基于大数据的图像检索方法 |
| CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
-
2023
- 2023-11-24 CN CN202311575279.1A patent/CN117291945B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106855875A (zh) * | 2016-06-27 | 2017-06-16 | 石梦 | 基于分布式处理的数据合并系统 |
| US20200211199A1 (en) * | 2018-12-28 | 2020-07-02 | Chroma Ate Inc. | Image inspection method |
| US20210201497A1 (en) * | 2019-03-05 | 2021-07-01 | China University Of Mining And Technology | Method for determining segmentation threshold of digital image of rock-soil material |
| CN110264459A (zh) * | 2019-06-24 | 2019-09-20 | 江苏开放大学（江苏城市职业学院） | 一种土壤裂缝特征信息提取方法 |
| WO2022000220A1 (zh) * | 2020-06-30 | 2022-01-06 | 杭州筹图科技有限公司 | 一种区域划分方法及相关设备 |
| CN115033721A (zh) * | 2022-06-30 | 2022-09-09 | 南京丰豪奇玉网络科技有限公司 | 基于大数据的图像检索方法 |
| CN115294139A (zh) * | 2022-10-08 | 2022-11-04 | 中国电建集团江西省电力设计院有限公司 | 基于图像的边坡裂缝监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| SHUO WENG 等: "Stress corrosion crack propagation affected by microstructures for nuclear steam turbine rotor steels in the simulated environment", ELSEVIER, pages 725 - 742 * |
| 李翌昕;邹亚君;马尽文;: "基于特征提取和机器学习的文档区块图像分类算法", 信号处理, no. 05, pages 23 - 33 * |
| 谭晓晶;许国山;宋军;张九峰;周荣华;于天宇;: "基于数字图像处理技术的混凝土表面裂缝识别", 低温建筑技术, no. 08, pages 16 - 18 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291945B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN110084129B (zh) | 一种基于机器视觉的河流漂浮物实时检测方法 | |
| CN115170576A (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
| CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
| CN110533665B (zh) | 一种抑制扇贝效应和子带拼接效应的sar图像处理方法 | |
| Vorobel et al. | Segmentation of rust defects on painted steel surfaces by intelligent image analysis | |
| CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
| CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
| CN116402729A (zh) | 一种基于双直方图均衡化的图像增强方法及系统 | |
| CN116188496A (zh) | 基于土地利用类型的遥感影像自适应分割方法 | |
| CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
| CN116664567B (zh) | 一种固体绝缘开关柜质量评估方法及系统 | |
| CN112614109A (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
| CN117994154B (zh) | 一种基于传感器的图像智能去噪方法 | |
| CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
| CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
| CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
| CN116805316B (zh) | 基于图像增强的可降解塑料加工质量检测方法 | |
| CN108961307A (zh) | 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法 | |
| CN111598886B (zh) | 一种基于单幅图像的像素级透过率估计方法 | |
| CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
| CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
| CN117291945B (zh) | 基于图像数据的土壤腐蚀污染检测预警方法 | |
| CN112799062A (zh) | 一种基于先验信息的高分辨宽测绘带sar运动补偿方法 |
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 |