CN117690008B - 一种水生生态悬浮物识别方法及系统 - Google Patents
一种水生生态悬浮物识别方法及系统 Download PDFInfo
- Publication number
- CN117690008B CN117690008B CN202311492243.7A CN202311492243A CN117690008B CN 117690008 B CN117690008 B CN 117690008B CN 202311492243 A CN202311492243 A CN 202311492243A CN 117690008 B CN117690008 B CN 117690008B
- Authority
- CN
- China
- Prior art keywords
- data
- illumination
- image
- pixel
- suspension
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005286 illumination Methods 0.000 claims abstract description 416
- 239000000725 suspension Substances 0.000 claims abstract description 226
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 118
- 230000003287 optical effect Effects 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 76
- 230000011218 segmentation Effects 0.000 claims description 63
- 230000009467 reduction Effects 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 32
- 230000001186 cumulative effect Effects 0.000 claims description 30
- 230000001795 light effect Effects 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 19
- 238000010183 spectrum analysis Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 4
- 241000894007 species Species 0.000 claims 8
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000009471 action Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 238000012800 visualization Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005183 environmental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及水生生态保护技术领域,尤其涉及一种水生生态悬浮物识别方法及系统。所述方法包括以下步骤:通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;对悬浮物原始图像数据进行复杂光照检测,从而生成水体复杂光照图像数据;对水体复杂光照图像数据进行自适对比度增强,从而生成悬浮物图像增强数据;对悬浮物增强图像数据进行悬浮物光学特征提取以及悬浮物环境特征提取,从而生成悬浮物光学特征数据以及悬浮物环境特征数据;对悬浮物光学特征数据进行悬浮物光学特性识别,从而生成初级悬浮物识别数据。本发明通过对图像的处理以及对悬浮物特征的识别处理,以实现水生生态悬浮物识别方法及系统。
Description
技术领域
本发明涉及水生生态保护技术领域,尤其涉及一种水生生态悬浮物识别方法及系统。
背景技术
在水生生态环境中,悬浮物的种类和数量对水体质量、生态平衡以及环境健康产生重要影响。然而,传统的水生生态悬浮物识别方法在复杂水体场景下存在一些弊端,例如对复杂的光照和水色条件敏感,识别准确度不高,无法应对不同类型的悬浮物。
发明内容
基于此,有必要提供一种水生生态悬浮物识别方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种水生生态悬浮物识别方法及系统,所述方法包括以下步骤:
步骤S1:通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;对悬浮物原始图像数据进行复杂光照检测,从而生成水体复杂光照图像数据;
步骤S2:对水体复杂光照图像数据进行自适对比度增强,从而生成悬浮物图像增强数据;
步骤S3:对悬浮物增强图像数据进行悬浮物光学特征提取以及悬浮物环境特征提取,从而生成悬浮物光学特征数据以及悬浮物环境特征数据;
步骤S4:对悬浮物光学特征数据进行悬浮物光学特性识别,从而生成初级悬浮物识别数据;对悬浮物环境特征数据进行悬浮物环境浑浊度识别,从而生成悬浮物环境浑浊度数据;
步骤S5:获取不同光照条件数据;对悬浮物环境浑浊度数据以及不同光照条件数据进行悬浮物环境光作用预测,从而生成悬浮物环境光作用预测数据;
步骤S6:利用悬浮物环境光作用预测数据对初级悬浮物识别数据进行悬浮物环境光学特性识别优化,从而生成悬浮物识别数据,以实现水生生态悬浮物识别工作。
本申请的有益效果在于,通过摄像设备对水中悬浮物进行图像采集,可以捕捉到水中悬浮物的实际情况,为后续处理提供原始数据,对悬浮物原始图像数据进行复杂光照检测,可以分析水体中存在的光照变化情况,帮助后续处理方法更好地适应不同的光照条件;对水体复杂光照图像数据进行自适对比度增强,可以使得悬浮物在图像中更加清晰可见,有利于后续的特征提取和识别;悬浮物光学特征提取能够提取出悬浮物的颜色、纹理、形状等特征,用于后续的悬浮物识别分类任务,悬浮物环境特征提取可以捕捉到水体中的环境信息,如水质、浑浊度等,这些特征对于悬浮物的识别和分类具有重要的参考价值;悬浮物光学特性识别可以根据悬浮物的光学特征将其分类为不同的类别,实现初步的悬浮物识别,悬浮物环境浑浊度识别可以评估水体中的浑浊程度,进而了解悬浮物的分布和浓度情况,为后续的悬浮物作用预测提供依据;获取不同光照条件数据能够模拟实际情况下不同光照条件下的悬浮物分布和特征,悬浮物环境光作用预测可以根据水体的浑浊度和不同光照条件预测光在水中的传播情况,从而更准确地估计悬浮物的光学特性;悬浮物环境光学特性识别优化可以根据预测的光作用情况,对初级悬浮物识别结果进行校正和优化,提高悬浮物识别的准确性和稳定性,最终生成的悬浮物识别数据能够指示水中不同类型悬浮物的分布和特征,为水生生态监测和管理提供重要信息;因此,本发明提供了一种水生生态悬浮物识别方法及系统,通过对图像的处理以及对悬浮物特征的识别处理,旨在解决传统技术的复杂水体场景条件弊端,能更好的对悬浮物进行准确的识别。
优选地,步骤S1包括以下步骤:
步骤S11:通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;
步骤S12:对悬浮物原始图像数据进行悬浮物原始图像预处理,从而生成悬浮物图像标准数据;
步骤S13:对悬浮物图像标准数据光照像素分布统计,从而生成光照像素分布图数据;
步骤S14:对光照像素分布图数据进行峰值点查找,从而生成光照像素分布图峰值数据;
步骤S15:根据预设的峰值阈值数据对光照像素分布图峰值数据进行峰值显著性判断,从而生成光照不均匀区域数据;
步骤S16:利用光照不均匀区域数据对悬浮物原始图像数据进行光照复杂区域标注,从而生成水体复杂光照图像数据。
本发明通过图像采集能够实时获取到水中悬浮物的视觉信息,为后续分析和处理提供基础数据;图像预处理包括去噪、图像增强等操作,能够提高悬浮物图像的质量、清晰度和可视性,使得后续分析更加准确和可靠;光照像素分布统计可以统计分析图像中不同像素值对应的光照强度分布情况,从而获取水体中悬浮物光照的整体特征;峰值点查找能够定位光照像素分布图中的主要峰值,即明亮或暗处的区域,用于进一步分析和处理;通过对峰值的显著性判断,可以确定光照强度分布图中光照不均匀的区域,即存在光照变化或阴影的区域;光照复杂区域标注可以将光照不均匀的区域标记出来,以提供给后续的图像处理和分析算法,帮助算法更好地应对复杂的光照条件。
优选地,步骤S13包括以下步骤:
步骤S131:对悬浮物图像标准数据进行光照数据提取,从而生成光照图像数据;
步骤S132:对光照图像数据进行图像灰度化,从而生成光照灰度化图像数据;
步骤S133:对光照灰度化图像数据进行光照像素亮度值统计分析,从而生成光照像素亮度值数据;
步骤S134:对光照图像数据进行最大最小亮度值计算,从而生成最大最小亮度值数据;
步骤S135:根据最大最小亮度值数据进行像素区间宽度和边界设定,从而生成像素区间宽度和边界数据;
步骤S136:根据像素区间宽度和边界数据对光照像素亮度值数据进行像素分配,从而生成光照像素分配数据;
步骤S137:对光照像素分配数据进行区间统计,从而生成光照像素分布数据;
步骤S138:对光照像素分布数据进行可视化,从而生成光照像素分布图数据。
本发明通过光照数据提取能够分离悬浮物图像中的光照信息,将其从原始图像中分离出来,为后续处理和分析提供独立的光照图像数据;图像灰度化可以将彩色光照图像转换为灰度图像,简化计算和分析过程,提取出单一维度的光照信息,方便后续的亮度值统计和分析;光照像素亮度值统计分析能够计算光照图像中每个像素点的亮度值,获得光照分布的详细信息,为后续的亮度值范围设定提供依据;最大最小亮度值计算可以确定光照图像中亮度值的上下限,提供亮度值范围的参考,用于后续的像素区间宽度和边界设定;像素区间宽度和边界设定可以根据最大最小亮度值确定像素值的区间范围和边界点的位置,以便后续对光照像素亮度值数据进行像素分配;像素分配根据像素值的范围和边界点进行划分,将光照像素亮度值数据分配到相应的像素区间中,得到光照像素分配数据,为后续的光照像素分布分析提供依据;区间统计可以统计分析各个像素区间中的像素数量或密度,得到光照的分布情况,为后续的分析和可视化提供基础;光照像素分布图数据的可视化可以将光照分布以图形的方式呈现出来,使得光照的分布特征更加直观可见,方便分析和观察。
优选地,步骤S2包括以下步骤:
步骤S21:对水体复杂光照图像数据进行亮度增益,从而生成水体复杂光照增亮图像数据;
步骤S22:对水体复杂光照增亮图像数据进行非线性对比度增强,从而生成光照均衡化图像数据;
步骤S23:对光照均衡化图像数据进行自适应区域分割处理,从而生成区域二值图像数据;
步骤S24:对二值图像数据中的悬浮物图像数据进行局部增强,从而生成悬浮物局部增强图像数据;
步骤S25:对悬浮物局部增强图像数据进行像素邻域窗口设定,从而生成像素邻域窗口数据;
步骤S26:对像素邻域窗口数据进行像素值提取,从而生成邻域窗口像素值数据;
步骤S27:对邻域窗口像素值数据进行像素值排序,从而生成邻域窗口像素值排序队列数据;
步骤S28:根据邻域窗口像素值排序队列数据进行像素新值确定,从而生成悬浮物图像增强数据。
本发明通过亮度增益可以提高图像的整体亮度水平,使得水体复杂光照图像中的暗部细节更加清晰可见,增强图像的视觉效果和观察能力;非线性对比度增强技术能够增强图像的局部对比度,使得图像中的细节更加鲜明,突出水体中的悬浮物和其他特征,提高图像的视觉质量和观察能力;自适应区域分割能够将图像分割为不同的区域,提取出水体中的悬浮物和背景等元素,生成区域二值图像,为后续的悬浮物提取和增强提供基础;悬浮物的局部增强技术可以突出悬浮物的细节,使其在图像中更加突出和清晰可见,有助于更准确地分析和观察悬浮物的特征和形态;像素邻域窗口的设定可以定义对每个像素点周围的邻域进行处理时所考虑的范围,为后续的像素值提取和排序提供参考;像素值提取可以获取每个像素点周围邻域窗口内的像素值,用于后续的像素值排序和增强处理;像素值排序可以对邻域窗口内的像素值进行排序,确定像素值的顺序,为后续的像素新值确定提供基础;按照像素值排序队列数据确定悬浮物图像中每个像素点的新值,实现悬浮物的增强处理,使其在图像中更加清晰、突出和可见,提高悬浮物的识别和分析精度。
优选地,步骤S22包括以下步骤:
步骤S221:对水体复杂光照增亮图像数据进行多尺度图像分解并进行尺度图像分块,从而生成第一尺度光照图像块数据、第二尺度光照图像块数据以及第三尺度光照图像块数据;
步骤S222:根据第一尺度光照图像块数据进行最小像素累积分布函数计算,从而生成第一尺度累积光照图块数据;根据第二尺度光照图像块数据进行中间像素累积分布函数计算,从而生成第二尺度累积光照图块数据;根据第三尺度光照图像块数据进行最大像素累积分布函数计算,从而生成第三尺度累积光照图块数据;
步骤S223:分别对第一尺度累积光照图块数据、第二尺度累积光照图块数据以及第三尺度累积光照图块数据进行相应的预设的权重计算,从而生成第一置信度数据、第二置信度数据以及第三置信度数据;
步骤S224:根据第一置信度数据、第二置信度数据以及第三置信度数据进行结果投票,从而生成计算结果置信度数据;
步骤S225:对计算结果置信度数据对应的尺度光照图像块数据进行非极大值抑制,从而获取优化计算结果置信度数据;
步骤S226:根据优化计算结果置信度数据生成最佳尺度光照图像块数据以及最佳尺度累计光照图块数据;
步骤S227:利用最佳尺度累计光照图块数据对最佳尺度光照图像块数据进行像素值映射,从而生成光照均衡化图像块数据;
步骤S228:对光照均衡化图像块数据进行图像块组合,从而生成光照均衡化图像数据。
本发明通过多尺度图像分解可以将原始图像分解为不同尺度的图像,从而捕捉不同尺度上的细节信息,在处理水体复杂光照的图像时,不同尺度的图像块能够更好地捕捉光照变化的细节特征,为后续处理提供更准确、更全面的数据;像素累积分布函数计算能够对每个图像块内的像素值进行统计和分析,从而获取每个尺度下的光照分布情况,这些累积光照图块数据反映了光照的统计特征,为后续的置信度计算和光照均衡化提供基础;根据预设的权重计算,计算每个尺度下的光照图块的置信度,通过对不同尺度的光照图块进行权重计算,可以评估每个尺度上的光照变化对于悬浮物检测的贡献程度,为最终的检测结果提供可靠的置信度信息;结果投票可以根据不同尺度的置信度数据共同决定最终的检测结果置信度,通过综合考虑多个尺度的置信度数据,可以提高悬浮物检测的准确性和鲁棒性,减少可能的误检测或漏检;非极大值抑制可以剔除掉具有重叠区域的检测结果中的冗余边界框,从而提取出目标悬浮物的最优边界框,这样可以去除冗余信息,使得检测结果更加准确和精确;通过选择具有最优置信度的尺度,可以确保选取的光照图像块对于悬浮物的检测和增强具有最佳效果,可以提高后续光照均衡化的精确性和效果;像素值映射根据最佳尺度下的累计光照图块数据,调整最佳尺度光照图像块数据的像素值分布,实现光照均衡化的效果。
优选地,步骤S23包括以下步骤:
步骤S231:对光照均衡化图像数据进行分割阈值遍历,从而生成分割阈值集数据;
步骤S232:对分割阈值集数据进行加权类间方差计算,从而生成加权类间方差集数据;
步骤S233:根据加权类间方差集数据对分割阈值集数据进行最大类方差对应阈值选择,从而生成最佳分割阈值数据;
步骤S234:根据最佳分割阈值数据对光照均衡化图像数据中的每个像素进行阈值比较,确定像素的灰度值大于最佳分割阈值数据时,则将该像素标记为悬浮物像素,从而生成悬浮物像素数据;确定像素的灰度值小于等于最佳分割阈值数据时,则将该像素标记为背景像素,从而生成背景像素数据;
步骤S235:根据悬浮物像素数据以及背景像素数据进行区域二值图像生成,从而生成区域二值图像数据。
本发明通过分割阈值遍历可以找到适合的阈值范围,用于将图像分割成悬浮物和背景两个部分,通过遍历来获取一组分割阈值,将有助于更好地适应不同图像的特点,提高算法的鲁棒性;通过计算不同分割阈值下的加权类间方差,可以获取一组加权类间方差集数据,用于评估不同阈值情况下的图像分割性能;通过选择使类间方差最大的分割阈值作为最佳分割阈值,可以获得一个最优的分割结果;每个像素的灰度值与最佳分割阈值进行比较,可以快速确定像素属于悬浮物还是背景,从而得到一个二值化的图像,方便后续的图像处理和分析。
优选地,加权类间方差计算处理通过加权类间方差计算公式进行处理,其中加权类间方差计算公式具体为:
式中,J表示加权类间方差计算结果值,n表示分割阈值集的样本数,i表示求和中的迭代变量,wi表示第i个样本的权重,e表示自然常数,xi表示第i个样本的分割阈值,yi表示第i个样本的特征因子,θi表示第i个样本的权重参数,zi表示第i个样本的值,表示加权类间方差计算误差修复值。
本发明构造了一种加权类间方差计算公式,用于对分割阈值集数据进行加权类间方差计算;公式中的J是加权类间方差的度量,它反映了图像分割结果的质量;wi用于调整不同样本对加权类间方差的贡献程度,通过设定不同样本的权重,可以对不同区域或特征进行加权处理,从而更好地反映图像的特点和要求;公式中log2(e·xi)将分割阈值取对数的目的是为了将其映射到一个更合适的范围,以便在计算中更好地考虑像素值的差异;公式中的特征因子代表了图像中的某种特征,通过取立方根可以对特征因子进行非线性处理,从而增加对不同特征的敏感性;公式中sin(θi)的权重参数用于调整不同样本的权重大小,通过对权重参数取正弦值可以对权重进行非线性调节;公式中/>对样本的值进行平方根处理可以调整其尺度,使得较大的值和较小的值差异更加明显,进一步影响加权类间方差的计算结果;/>表示加权类间方差计算误差修复值,误差修复值用于对加权类间方差的计算结果进行微调,以减小计算误差的影响,提高加权类间方差的准确性。
优选地,步骤S3包括以下步骤:
步骤S31:对悬浮物增强图像数据进行光照条件数据提取并进行悬浮物颜色数据提取,从而生成悬浮物光照条件数据以及悬浮物颜色数据;
步骤S32:利用悬浮物光照条件数据对悬浮物增强图像数据进行自适应图像降噪调节,从而生成悬浮物图像降噪数据;
步骤S33:利用悬浮物颜色数据对悬浮物图像降噪数据进行悬浮物轮廓图像提取,从而生成悬浮物轮廓图像数据;
步骤S34:对悬浮物轮廓图像数据进行悬浮物形态分析,从而生成悬浮物形态数据;
步骤S35:根据悬浮物形态数据以及悬浮物光照条件数据进行光谱分析,从而生成悬浮物光谱分析数据;
步骤S36:通过预设的光谱关键点数据对悬浮物光谱分析数据进行关键点标注,从而生成悬浮物光谱关键点特性数据;
步骤S37:根据悬浮物光谱关键点特性数据进行悬浮物光学特征向量生成,从而生成悬浮物光学特征数据。
本发明通过提取悬浮物增强图像数据中的光照条件数据,可以获得有关悬浮物所处光照环境的信息,这对于后续图像处理和分析是非常重要的,因为光照条件对图像中悬浮物的外观和特征有着直接的影响;利用悬浮物光照条件数据对悬浮物增强图像数据进行自适应的图像降噪调节,可以去除图像中的噪声和干扰,使得悬浮物的图像更加清晰和可视化;利用悬浮物颜色数据对降噪后的图像进行悬浮物轮廓图像提取,可以将悬浮物与背景进行分离,生成悬浮物的轮廓图像数据;悬浮物形态分析结果可以用于描述悬浮物的形状、大小、几何特征等信息,从而对悬浮物进行进一步的特征提取和分类;结合悬浮物形态数据和光照条件数据,进行光谱分析可以探索悬浮物在不同波段上的光学特性,通过分析悬浮物在不同波长的反射和吸收情况,可以获得其光谱响应信息;通过预设的光谱关键点数据对悬浮物光谱分析结果进行关键点标注,可以确定悬浮物光谱中关键特征点的位置和数值;基于悬浮物光谱关键点特性数据,生成悬浮物的光学特征向量,光学特征向量将悬浮物的光谱特征以多维向量的形式表示,从而可以对悬浮物进行更全面的特征描述和比较。
优选地,自适应图像降噪调节处理通过自适应图像降噪调节公式进行处理,其中自适应图像降噪调节公式具体为:
式中,X表示悬浮物图像的降噪结果值,N表示图像像素样本数,j表示样本序号,α表示自适应调节的系数,xj表示第j个像素值,β表示对增强图像数据取对数函数的参数,μ表示样本特征变量,γ表示三角函数中的缩放参数,ω表示自适应图像降噪偏差纠正值。
本发明构造了一种自适应图像降噪调节公式,用于利用悬浮物光照条件数据对悬浮物增强图像数据进行自适应图像降噪调节;公式中(1―α)·xj部分用于保留原始图像数据的信息,通过乘以(1―α)系数,可以在降噪过程中保持原始图像的一部分,以避免过度平滑和损失细节;公式中部分是自适应调节项,其中包括对增强图像数据取对数函数,并乘以自适应调节系数α,当增强图像数据存在较强的噪声时,取对数函数可以将信号和噪声的差异拉大,从而更容易利用调节项进行降噪;公式中/>部分是一个三角函数项,其中包括一个以x为变量的极限项,此项通过引入三角函数变换和极限值来增强图像的局部对比度和细节表现能力,特别是对于低频噪声成分的抑制有益;公式中的求和并进行平均部分通过对整个图像的像素进行平均,可以获得整体的图像降噪结果,而不仅仅是在局部区域进行处理;公式中ω是一个偏差纠正项,用于补偿可能存在的降噪算法误差或漏掉的细节,通过调整该偏差值,可以进一步微调降噪结果,以提高降噪效果和图像质量。
优选地,本发明还提供了一种水生生态悬浮物识别方法及系统,包括:
复杂光照检测模块,用于通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;对悬浮物原始图像数据进行复杂光照检测,从而生成水体复杂光照图像数据;
悬浮物图像增强模块,用于对水体复杂光照图像数据进行自适对比度增强,从而生成悬浮物图像增强数据;
悬浮物特征提取模块,用于对悬浮物增强图像数据进行悬浮物光学特征提取以及悬浮物环境特征提取,从而生成悬浮物光学特征数据以及悬浮物环境特征数据;
悬浮物特征识别模块,用于对悬浮物光学特征数据进行悬浮物光学特性识别,从而生成初级悬浮物识别数据;对悬浮物环境特征数据进行悬浮物环境浑浊度识别,从而生成悬浮物环境浑浊度数据;
悬浮物识别模块,用于获取不同光照条件数据;对悬浮物环境浑浊度数据以及不同光照条件数据进行悬浮物环境光作用预测,从而生成悬浮物环境光作用预测数据;
悬浮物识别优化模块,用于利用悬浮物环境光作用预测数据对初级悬浮物识别数据进行悬浮物环境光学特性识别优化,从而生成悬浮物识别数据,以实现水生生态悬浮物识别工作。
本申请的有益效果在于,通过摄像设备对水中悬浮物进行图像采集,可以捕捉到水中悬浮物的实际情况,为后续处理提供原始数据,对悬浮物原始图像数据进行复杂光照检测,可以分析水体中存在的光照变化情况,帮助后续处理方法更好地适应不同的光照条件;对水体复杂光照图像数据进行自适对比度增强,可以使得悬浮物在图像中更加清晰可见,有利于后续的特征提取和识别;悬浮物光学特征提取能够提取出悬浮物的颜色、纹理、形状等特征,用于后续的悬浮物识别分类任务,悬浮物环境特征提取可以捕捉到水体中的环境信息,如水质、浑浊度等,这些特征对于悬浮物的识别和分类具有重要的参考价值;悬浮物光学特性识别可以根据悬浮物的光学特征将其分类为不同的类别,实现初步的悬浮物识别,悬浮物环境浑浊度识别可以评估水体中的浑浊程度,进而了解悬浮物的分布和浓度情况,为后续的悬浮物作用预测提供依据;获取不同光照条件数据能够模拟实际情况下不同光照条件下的悬浮物分布和特征,悬浮物环境光作用预测可以根据水体的浑浊度和不同光照条件预测光在水中的传播情况,从而更准确地估计悬浮物的光学特性;悬浮物环境光学特性识别优化可以根据预测的光作用情况,对初级悬浮物识别结果进行校正和优化,提高悬浮物识别的准确性和稳定性,最终生成的悬浮物识别数据能够指示水中不同类型悬浮物的分布和特征,为水生生态监测和管理提供重要信息;因此,本发明提供了一种水生生态悬浮物识别方法及系统,通过对图像的处理以及对悬浮物特征的识别处理,旨在解决传统技术的复杂水体场景条件弊端,能更好的对悬浮物进行准确的识别。
附图说明
图1为一种水生生态悬浮物识别方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图1中步骤S3的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种水生生态悬浮物识别方法及系统,所述方法包括以下步骤:
步骤S1:通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;对悬浮物原始图像数据进行复杂光照检测,从而生成水体复杂光照图像数据;
步骤S2:对水体复杂光照图像数据进行自适对比度增强,从而生成悬浮物图像增强数据;
步骤S3:对悬浮物增强图像数据进行悬浮物光学特征提取以及悬浮物环境特征提取,从而生成悬浮物光学特征数据以及悬浮物环境特征数据;
步骤S4:对悬浮物光学特征数据进行悬浮物光学特性识别,从而生成初级悬浮物识别数据;对悬浮物环境特征数据进行悬浮物环境浑浊度识别,从而生成悬浮物环境浑浊度数据;
步骤S5:获取不同光照条件数据;对悬浮物环境浑浊度数据以及不同光照条件数据进行悬浮物环境光作用预测,从而生成悬浮物环境光作用预测数据;
步骤S6:利用悬浮物环境光作用预测数据对初级悬浮物识别数据进行悬浮物环境光学特性识别优化,从而生成悬浮物识别数据,以实现水生生态悬浮物识别工作。
本申请的有益效果在于,通过摄像设备对水中悬浮物进行图像采集,可以捕捉到水中悬浮物的实际情况,为后续处理提供原始数据,对悬浮物原始图像数据进行复杂光照检测,可以分析水体中存在的光照变化情况,帮助后续处理方法更好地适应不同的光照条件;对水体复杂光照图像数据进行自适对比度增强,可以使得悬浮物在图像中更加清晰可见,有利于后续的特征提取和识别;悬浮物光学特征提取能够提取出悬浮物的颜色、纹理、形状等特征,用于后续的悬浮物识别分类任务,悬浮物环境特征提取可以捕捉到水体中的环境信息,如水质、浑浊度等,这些特征对于悬浮物的识别和分类具有重要的参考价值;悬浮物光学特性识别可以根据悬浮物的光学特征将其分类为不同的类别,实现初步的悬浮物识别,悬浮物环境浑浊度识别可以评估水体中的浑浊程度,进而了解悬浮物的分布和浓度情况,为后续的悬浮物作用预测提供依据;获取不同光照条件数据能够模拟实际情况下不同光照条件下的悬浮物分布和特征,悬浮物环境光作用预测可以根据水体的浑浊度和不同光照条件预测光在水中的传播情况,从而更准确地估计悬浮物的光学特性;悬浮物环境光学特性识别优化可以根据预测的光作用情况,对初级悬浮物识别结果进行校正和优化,提高悬浮物识别的准确性和稳定性,最终生成的悬浮物识别数据能够指示水中不同类型悬浮物的分布和特征,为水生生态监测和管理提供重要信息;因此,本发明提供了一种水生生态悬浮物识别方法及系统,通过对图像的处理以及对悬浮物特征的识别处理,旨在解决传统技术的复杂水体场景条件弊端,能更好的对悬浮物进行准确的识别。
本发明实施例中,参考图1所述,为本发明一种水生生态悬浮物识别方法的步骤流程示意图,在本实例中,所述一种水生生态悬浮物识别方法包括以下步骤:
步骤S1:通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;对悬浮物原始图像数据进行复杂光照检测,从而生成水体复杂光照图像数据;
本发明实施例中,使用摄像设备对水中的悬浮物进行图像采集,获取悬浮物的原始图像数据;对悬浮物原始图像数据进行复杂光照检测,通过分析图像中的光照分布和变化,生成水体的复杂光照图像数据。
步骤S2:对水体复杂光照图像数据进行自适对比度增强,从而生成悬浮物图像增强数据;
本发明实施例中,针对水体复杂光照图像数据,应用自适应对比度增强算法,对图像进行增强处理;自适应对比度增强算法通过调整图像的亮度和对比度,提高图像的视觉质量和细节可见性;这一步骤生成悬浮物图像增强数据,改善图像的清晰度和可视化效果。
步骤S3:对悬浮物增强图像数据进行悬浮物光学特征提取以及悬浮物环境特征提取,从而生成悬浮物光学特征数据以及悬浮物环境特征数据;
本发明实施例中,在悬浮物增强图像数据上,进行悬浮物光学特征提取,这包括提取和分析悬浮物的形状、颜色、纹理等特征;同时,进行悬浮物环境特征提取,如水体的温度、浑浊度等环境参数。
步骤S4:对悬浮物光学特征数据进行悬浮物光学特性识别,从而生成初级悬浮物识别数据;对悬浮物环境特征数据进行悬浮物环境浑浊度识别,从而生成悬浮物环境浑浊度数据;
本发明实施例中,对悬浮物光学特征数据进行悬浮物光学特性识别,利用图像处理和模式识别算法来判断悬浮物的类型、形状或其他特性;对悬浮物环境特征数据进行悬浮物环境浑浊度识别,根据环境特征数据来评估和判断水体的浑浊程度。
步骤S5:获取不同光照条件数据;对悬浮物环境浑浊度数据以及不同光照条件数据进行悬浮物环境光作用预测,从而生成悬浮物环境光作用预测数据;
本发明实施例中,获取不同光照条件下的数据,包括不同光照强度、角度或光源位置的变化;利用悬浮物环境浑浊度数据和不同光照条件数据,进行悬浮物环境光作用预测;生成悬浮物环境光作用预测数据,用于后续的优化和调整。
步骤S6:利用悬浮物环境光作用预测数据对初级悬浮物识别数据进行悬浮物环境光学特性识别优化,从而生成悬浮物识别数据,以实现水生生态悬浮物识别工作。
本发明实施例中,利用悬浮物环境光作用预测数据对初级悬浮物识别数据进行优化;根据预测的光作用信息,对初级识别结果进行调整和修正,提高悬浮物识别的准确性和可靠性;生成最终的悬浮物识别数据,实现水生生态悬浮物识别工作的目标。
优选地,步骤S1包括以下步骤:
步骤S11:通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;
步骤S12:对悬浮物原始图像数据进行悬浮物原始图像预处理,从而生成悬浮物图像标准数据;
步骤S13:对悬浮物图像标准数据光照像素分布统计,从而生成光照像素分布图数据;
步骤S14:对光照像素分布图数据进行峰值点查找,从而生成光照像素分布图峰值数据;
步骤S15:根据预设的峰值阈值数据对光照像素分布图峰值数据进行峰值显著性判断,从而生成光照不均匀区域数据;
步骤S16:利用光照不均匀区域数据对悬浮物原始图像数据进行光照复杂区域标注,从而生成水体复杂光照图像数据。
本发明通过图像采集能够实时获取到水中悬浮物的视觉信息,为后续分析和处理提供基础数据;图像预处理包括去噪、图像增强等操作,能够提高悬浮物图像的质量、清晰度和可视性,使得后续分析更加准确和可靠;光照像素分布统计可以统计分析图像中不同像素值对应的光照强度分布情况,从而获取水体中悬浮物光照的整体特征;峰值点查找能够定位光照像素分布图中的主要峰值,即明亮或暗处的区域,用于进一步分析和处理;通过对峰值的显著性判断,可以确定光照强度分布图中光照不均匀的区域,即存在光照变化或阴影的区域;光照复杂区域标注可以将光照不均匀的区域标记出来,以提供给后续的图像处理和分析算法,帮助算法更好地应对复杂的光照条件。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S1包括:
步骤S11:通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;
本发发明实施例中,使用摄像设备对水中的悬浮物进行图像采集,将获取的图像作为悬浮物原始图像数据。
步骤S12:对悬浮物原始图像数据进行悬浮物原始图像预处理,从而生成悬浮物图像标准数据;
本发明实施例中,对悬浮物原始图像数据进行预处理,包括去噪、锐化、颜色校正等操作。
步骤S13:对悬浮物图像标准数据光照像素分布统计,从而生成光照像素分布图数据;
本发明实施例中,对悬浮物图像标准数据进行光照像素分布统计;统计过程中,将图像像素按照光照亮度进行分组统计,得到不同光照亮度值的像素数量信息;生成光照像素分布图数据,表示图像中不同亮度级别的像素分布情况。
步骤S14:对光照像素分布图数据进行峰值点查找,从而生成光照像素分布图峰值数据;
本发明实施例中,对光照像素分布图数据进行峰值点查找操作,找出图像中具有明显亮度峰值的区域;峰值点表示图像中明亮的区域,对应于光照强度较高的区域,即光照不均匀的区域;生成光照像素分布图峰值数据,记录图像中的亮度峰值点。
步骤S15:根据预设的峰值阈值数据对光照像素分布图峰值数据进行峰值显著性判断,从而生成光照不均匀区域数据;
本发明实施例中,预设的峰值阈值数据为阈值90,如果某个峰值点的亮度高于90,可以认为该区域具有显著的光照不均匀性;生成光照不均匀区域数据,标识图像中光照不均匀的区域。
步骤S16:利用光照不均匀区域数据对悬浮物原始图像数据进行光照复杂区域标注,从而生成水体复杂光照图像数据。
本发明实施例中,利用光照不均匀区域数据,对悬浮物原始图像数据进行复杂光照区域的标注;在悬浮物原始图像中,标注出光照不均匀的区域;生成水体复杂光照图像数据,表示图像中存在不均匀光照的区域。
优选地,步骤S13包括以下步骤:
步骤S131:对悬浮物图像标准数据进行光照数据提取,从而生成光照图像数据;
步骤S132:对光照图像数据进行图像灰度化,从而生成光照灰度化图像数据;
步骤S133:对光照灰度化图像数据进行光照像素亮度值统计分析,从而生成光照像素亮度值数据;
步骤S134:对光照图像数据进行最大最小亮度值计算,从而生成最大最小亮度值数据;
步骤S135:根据最大最小亮度值数据进行像素区间宽度和边界设定,从而生成像素区间宽度和边界数据;
步骤S136:根据像素区间宽度和边界数据对光照像素亮度值数据进行像素分配,从而生成光照像素分配数据;
步骤S137:对光照像素分配数据进行区间统计,从而生成光照像素分布数据;
步骤S138:对光照像素分布数据进行可视化,从而生成光照像素分布图数据。
本发明通过光照数据提取能够分离悬浮物图像中的光照信息,将其从原始图像中分离出来,为后续处理和分析提供独立的光照图像数据;图像灰度化可以将彩色光照图像转换为灰度图像,简化计算和分析过程,提取出单一维度的光照信息,方便后续的亮度值统计和分析;光照像素亮度值统计分析能够计算光照图像中每个像素点的亮度值,获得光照分布的详细信息,为后续的亮度值范围设定提供依据;最大最小亮度值计算可以确定光照图像中亮度值的上下限,提供亮度值范围的参考,用于后续的像素区间宽度和边界设定;像素区间宽度和边界设定可以根据最大最小亮度值确定像素值的区间范围和边界点的位置,以便后续对光照像素亮度值数据进行像素分配;像素分配根据像素值的范围和边界点进行划分,将光照像素亮度值数据分配到相应的像素区间中,得到光照像素分配数据,为后续的光照像素分布分析提供依据;区间统计可以统计分析各个像素区间中的像素数量或密度,得到光照的分布情况,为后续的分析和可视化提供基础;光照像素分布图数据的可视化可以将光照分布以图形的方式呈现出来,使得光照的分布特征更加直观可见,方便分析和观察。
本发明实施例中,对悬浮物图像标准数据进行光照数据提取操作,提取出与光照相关的信息;将光照图像数据进行图像灰度化处理,将彩色图像转换为灰度图像;对光照灰度化图像数据进行光照像素亮度值的统计分析;统计分析包括计算亮度值的平均数、方差、分布情况;对光照图像数据进行最大最小亮度值的计算,得到图像中的最亮和最暗像素的亮度值;根据最大最小亮度值数据,设定像素区间的宽度和边界,像素区间宽度决定了亮度值的划分粒度,边界确定了各个区间的亮度范围;根据像素区间宽度和边界数据,对光照像素亮度值数据进行像素分配,将光照像素根据其亮度值分配到相应的像素区间中;对光照像素分配数据进行区间统计,计算各个亮度区间中的像素数量;用直方图对光照像素分布数据进行可视化处理,生成光照像素分布图数据。
优选地,步骤S2包括以下步骤:
步骤S21:对水体复杂光照图像数据进行亮度增益,从而生成水体复杂光照增亮图像数据;
步骤S22:对水体复杂光照增亮图像数据进行非线性对比度增强,从而生成光照均衡化图像数据;
步骤S23:对光照均衡化图像数据进行自适应区域分割处理,从而生成区域二值图像数据;
步骤S24:对二值图像数据中的悬浮物图像数据进行局部增强,从而生成悬浮物局部增强图像数据;
步骤S25:对悬浮物局部增强图像数据进行像素邻域窗口设定,从而生成像素邻域窗口数据;
步骤S26:对像素邻域窗口数据进行像素值提取,从而生成邻域窗口像素值数据;
步骤S27:对邻域窗口像素值数据进行像素值排序,从而生成邻域窗口像素值排序队列数据;
步骤S28:根据邻域窗口像素值排序队列数据进行像素新值确定,从而生成悬浮物图像增强数据。
本发明通过亮度增益可以提高图像的整体亮度水平,使得水体复杂光照图像中的暗部细节更加清晰可见,增强图像的视觉效果和观察能力;非线性对比度增强技术能够增强图像的局部对比度,使得图像中的细节更加鲜明,突出水体中的悬浮物和其他特征,提高图像的视觉质量和观察能力;自适应区域分割能够将图像分割为不同的区域,提取出水体中的悬浮物和背景等元素,生成区域二值图像,为后续的悬浮物提取和增强提供基础;悬浮物的局部增强技术可以突出悬浮物的细节,使其在图像中更加突出和清晰可见,有助于更准确地分析和观察悬浮物的特征和形态;像素邻域窗口的设定可以定义对每个像素点周围的邻域进行处理时所考虑的范围,为后续的像素值提取和排序提供参考;像素值提取可以获取每个像素点周围邻域窗口内的像素值,用于后续的像素值排序和增强处理;像素值排序可以对邻域窗口内的像素值进行排序,确定像素值的顺序,为后续的像素新值确定提供基础;按照像素值排序队列数据确定悬浮物图像中每个像素点的新值,实现悬浮物的增强处理,使其在图像中更加清晰、突出和可见,提高悬浮物的识别和分析精度。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S2包括:
步骤S21:对水体复杂光照图像数据进行亮度增益,从而生成水体复杂光照增亮图像数据;
本发明实施例中,对水体复杂光照图像数据进行亮度增益操作,调整图像的亮度级别。
步骤S22:对水体复杂光照增亮图像数据进行非线性对比度增强,从而生成光照均衡化图像数据;
本发明实施例中,对水体复杂光照增亮图像数据进行多尺度图像分解并进行尺度图像分块;再进行最小像素累积分布函数计算;根据计算结果进行相应的预设的权重计算,得到置信度数据;对置信度数据进行投票,得到计算结果置信度数据;最后根据计算结果置信度数据得到光照均衡化图像数据。
步骤S23:对光照均衡化图像数据进行自适应区域分割处理,从而生成区域二值图像数据;
本发明实施例中,对光照均衡化图像数据进行分割阈值遍历,从而生成分割阈值集数据;对分割阈值集数据进行加权类间方差计算,从而生成加权类间方差集数据;根据生成的加权类间方差集数据得到区域二值图像数据。
步骤S24:对二值图像数据中的悬浮物图像数据进行局部增强,从而生成悬浮物局部增强图像数据;
本发明实施例中,对二值图像数据中的悬浮物图像数据进行局部增强的目标区域确定;根据确定的目标区域,提取出二值图像数据中的悬浮物图像数据,得到一个包含悬浮物的局部图像;对悬浮物的局部图像进行算法增强处理;将增强后的悬浮物局部图像与原始二值图像数据中的非悬浮物部分进行合并,得到包含悬浮物局部增强的图像数据。
步骤S25:对悬浮物局部增强图像数据进行像素邻域窗口设定,从而生成像素邻域窗口数据;
本发明实施例中,确定像素邻域窗口的大小;在悬浮物局部增强图像数据中,选择一个像素位置作为中心点;根据选择的中心点和确定的窗口大小,计算窗口的位置;根据计算得到的窗口位置,从悬浮物局部增强图像数据中提取出对应的像素邻域窗口数据;重复上述步骤,选择下一个像素位置作为中心点,并计算相应的窗口位置,提取出对应的像素邻域窗口数据;这样,可以得到悬浮物局部增强图像数据中所有像素位置的像素邻域窗口数据。
步骤S26:对像素邻域窗口数据进行像素值提取,从而生成邻域窗口像素值数据;
本发明实施例中,选择一个像素邻域窗口数据作为当前待处理的窗口;根据确定的像素值求平均值方法,从当前待处理的窗口中提取像素值,计算窗口中所有像素值的平均值作为提取的像素值;将提取的像素值存储到邻域窗口像素值数据中;重复以上步骤,处理下一个待处理的窗口,将其对应的像素值提取并存储到邻域窗口像素值数据中;这样,可以对所有像素邻域窗口进行像素值提取操作。
步骤S27:对邻域窗口像素值数据进行像素值排序,从而生成邻域窗口像素值排序队列数据;
本发明实施例中,利用选择排序算法对邻域窗口像素值数据进行遍历;将遍历到的像素值添加到排序队列中;对排序队列中的像素值进行升序排序;生成的邻域窗口像素值排序队列数据。
步骤S28:根据邻域窗口像素值排序队列数据进行像素新值确定,从而生成悬浮物图像增强数据;
本发明实施例中,在悬浮物图像增强数据中,选择一个待处理的像素位置;在悬浮物图像增强数据中,选择一个待处理的像素位置;选择排序队列中的中值,取排序队列中位于中间位置的值作为像素的新值;将计算得到的像素新值存储到悬浮物图像增强数据中对应的像素位置;重复以上步骤,处理下一个待处理的像素位置,获取对应的邻域窗口像素值排序队列,并计算像素的新值;这样,可以对悬浮物图像增强数据中所有像素位置进行像素新值确定操作,生成的悬浮物图像增强数据。
优选地,步骤S22包括以下步骤:
步骤S221:对水体复杂光照增亮图像数据进行多尺度图像分解并进行尺度图像分块,从而生成第一尺度光照图像块数据、第二尺度光照图像块数据以及第三尺度光照图像块数据;
步骤S222:根据第一尺度光照图像块数据进行最小像素累积分布函数计算,从而生成第一尺度累积光照图块数据;根据第二尺度光照图像块数据进行中间像素累积分布函数计算,从而生成第二尺度累积光照图块数据;根据第三尺度光照图像块数据进行最大像素累积分布函数计算,从而生成第三尺度累积光照图块数据;
步骤S223:分别对第一尺度累积光照图块数据、第二尺度累积光照图块数据以及第三尺度累积光照图块数据进行相应的预设的权重计算,从而生成第一置信度数据、第二置信度数据以及第三置信度数据;
步骤S224:根据第一置信度数据、第二置信度数据以及第三置信度数据进行结果投票,从而生成计算结果置信度数据;
步骤S225:对计算结果置信度数据对应的尺度光照图像块数据进行非极大值抑制,从而获取优化计算结果置信度数据;
步骤S226:根据优化计算结果置信度数据生成最佳尺度光照图像块数据以及最佳尺度累计光照图块数据;
步骤S227:利用最佳尺度累计光照图块数据对最佳尺度光照图像块数据进行像素值映射,从而生成光照均衡化图像块数据;
步骤S228:对光照均衡化图像块数据进行图像块组合,从而生成光照均衡化图像数据。
本发明通过多尺度图像分解可以将原始图像分解为不同尺度的图像,从而捕捉不同尺度上的细节信息,在处理水体复杂光照的图像时,不同尺度的图像块能够更好地捕捉光照变化的细节特征,为后续处理提供更准确、更全面的数据;像素累积分布函数计算能够对每个图像块内的像素值进行统计和分析,从而获取每个尺度下的光照分布情况,这些累积光照图块数据反映了光照的统计特征,为后续的置信度计算和光照均衡化提供基础;根据预设的权重计算,计算每个尺度下的光照图块的置信度,通过对不同尺度的光照图块进行权重计算,可以评估每个尺度上的光照变化对于悬浮物检测的贡献程度,为最终的检测结果提供可靠的置信度信息;结果投票可以根据不同尺度的置信度数据共同决定最终的检测结果置信度,通过综合考虑多个尺度的置信度数据,可以提高悬浮物检测的准确性和鲁棒性,减少可能的误检测或漏检;非极大值抑制可以剔除掉具有重叠区域的检测结果中的冗余边界框,从而提取出目标悬浮物的最优边界框,这样可以去除冗余信息,使得检测结果更加准确和精确;通过选择具有最优置信度的尺度,可以确保选取的光照图像块对于悬浮物的检测和增强具有最佳效果,可以提高后续光照均衡化的精确性和效果;像素值映射根据最佳尺度下的累计光照图块数据,调整最佳尺度光照图像块数据的像素值分布,实现光照均衡化的效果。
本发明实施例中,使用小波变换对输入图像进行多尺度分解,使用自适应尺寸的滑动窗口对每个尺度的图像进行分块操作,将图像划分为多个图像块,根据分块操作得到的图像块,将它们按照所属尺度进行归类,得到第一尺度光照图像块数据、第二尺度光照图像块数据和第三尺度光照图像块数据;分别对第一尺度光照图像块数据、第二尺度光照图像块数据和第三尺度光照图像块数据进行最小累积分布函数、中间累积分布函数以及最大累积分布函数计算处理,将计算得到的累积分布函数应用于各自的光照图像块数据,得到第一尺度累积光照图块数据、第二尺度累积光照图块数据和第三尺度累积光照图块数据;对每个尺度的累积光照图块数据,根据基于图像块的能量权重计算方法,计算相应的置信度数据;根据置信度数据,进行投票操作,选择得票最多的结果作为计算结果置信度数据;根据计算结果置信度数据,对每个尺度光照图像块数据进行非极大值抑制,只保留具有最大置信度的图像块数据,从而优化计算结果置信度数据;根据优化计算结果置信度数据,选择具有最高置信度的尺度,作为最佳尺度,从对应最佳尺度的光照图像块数据中选择图像块作为最佳尺度光照图像块数据;对最佳尺度光照图像块数据中的每个图像块,根据对应的最佳尺度累计光照图块数据,进行像素值映射操作,将图像块中的像素值按照光照分布进行调整,生成光照均衡化图像块数据。
优选地,步骤S23包括以下步骤:
步骤S231:对光照均衡化图像数据进行分割阈值遍历,从而生成分割阈值集数据;
步骤S232:对分割阈值集数据进行加权类间方差计算,从而生成加权类间方差集数据;
步骤S233:根据加权类间方差集数据对分割阈值集数据进行最大类方差对应阈值选择,从而生成最佳分割阈值数据;
步骤S234:根据最佳分割阈值数据对光照均衡化图像数据中的每个像素进行阈值比较,确定像素的灰度值大于最佳分割阈值数据时,则将该像素标记为悬浮物像素,从而生成悬浮物像素数据;确定像素的灰度值小于等于最佳分割阈值数据时,则将该像素标记为背景像素,从而生成背景像素数据;
步骤S235:根据悬浮物像素数据以及背景像素数据进行区域二值图像生成,从而生成区域二值图像数据。
本发明实施例中,针对光照均衡化图像数据选择将灰度级的范围均分成两部分的初始阈值T,遍历所有像素,并将像素灰度值与阈值T进行比较,将比阈值T大的像素归为一类(前景),比阈值T小的像素归为另一类(背景),将不同的阈值T对应的像素分类结果保存到分割阈值集数据中;对于分割阈值集数据中的每个阈值T,计算该阈值对应的前景和背景的灰度值的平均值,再计算前景和背景的加权类间方差,将不同阈值T对应的加权类间方差保存到加权类间方差集数据中;从加权类间方差集数据中找到具有最大加权类间方差的阈值,将最大加权类间方差的阈值作为最佳分割阈值数据;遍历光照均衡化图像数据的每个像素,将像素的灰度值与最佳分割阈值数据进行比较,如果像素的灰度值大于最佳分割阈值,则将该像素标记为悬浮物像素,如果像素的灰度值小于等于最佳分割阈值,则将该像素标记为背景像素;基于悬浮物像素数据和背景像素数据,生成一个相同大小的二值图像,初始所有像素都为背景像素,对于属于悬浮物像素的像素,将对应位置的二值图像像素标记为悬浮物像素,最终生成的二值图像数据即为区域二值图像数据。
本发明通过分割阈值遍历可以找到适合的阈值范围,用于将图像分割成悬浮物和背景两个部分,通过遍历来获取一组分割阈值,将有助于更好地适应不同图像的特点,提高算法的鲁棒性;通过计算不同分割阈值下的加权类间方差,可以获取一组加权类间方差集数据,用于评估不同阈值情况下的图像分割性能;通过选择使类间方差最大的分割阈值作为最佳分割阈值,可以获得一个最优的分割结果;每个像素的灰度值与最佳分割阈值进行比较,可以快速确定像素属于悬浮物还是背景,从而得到一个二值化的图像,方便后续的图像处理和分析。
优选地,加权类间方差计算处理通过加权类间方差计算公式进行处理,其中加权类间方差计算公式具体为:
式中,J表示加权类间方差计算结果值,n表示分割阈值集的样本数,i表示求和中的迭代变量,wi表示第i个样本的权重,e表示自然常数,xi表示第i个样本的分割阈值,yi表示第i个样本的特征因子,θi表示第i个样本的权重参数,zi表示第i个样本的值,表示加权类间方差计算误差修复值。
本发明构造了一种加权类间方差计算公式,用于对分割阈值集数据进行加权类间方差计算;公式中的J是加权类间方差的度量,它反映了图像分割结果的质量;wi用于调整不同样本对加权类间方差的贡献程度,通过设定不同样本的权重,可以对不同区域或特征进行加权处理,从而更好地反映图像的特点和要求;公式中log2(e·xi)将分割阈值取对数的目的是为了将其映射到一个更合适的范围,以便在计算中更好地考虑像素值的差异;公式中的特征因子代表了图像中的某种特征,通过取立方根可以对特征因子进行非线性处理,从而增加对不同特征的敏感性;公式中sin(θi)的权重参数用于调整不同样本的权重大小,通过对权重参数取正弦值可以对权重进行非线性调节;公式中/>对样本的值进行平方根处理可以调整其尺度,使得较大的值和较小的值差异更加明显,进一步影响加权类间方差的计算结果;/>表示加权类间方差计算误差修复值,误差修复值用于对加权类间方差的计算结果进行微调,以减小计算误差的影响,提高加权类间方差的准确性。
优选地,步骤S3包括以下步骤:
步骤S31:对悬浮物增强图像数据进行光照条件数据提取并进行悬浮物颜色数据提取,从而生成悬浮物光照条件数据以及悬浮物颜色数据;
步骤S32:利用悬浮物光照条件数据对悬浮物增强图像数据进行自适应图像降噪调节,从而生成悬浮物图像降噪数据;
步骤S33:利用悬浮物颜色数据对悬浮物图像降噪数据进行悬浮物轮廓图像提取,从而生成悬浮物轮廓图像数据;
步骤S34:对悬浮物轮廓图像数据进行悬浮物形态分析,从而生成悬浮物形态数据;
步骤S35:根据悬浮物形态数据以及悬浮物光照条件数据进行光谱分析,从而生成悬浮物光谱分析数据;
步骤S36:通过预设的光谱关键点数据对悬浮物光谱分析数据进行关键点标注,从而生成悬浮物光谱关键点特性数据;
步骤S37:根据悬浮物光谱关键点特性数据进行悬浮物光学特征向量生成,从而生成悬浮物光学特征数据。
本发明通过提取悬浮物增强图像数据中的光照条件数据,可以获得有关悬浮物所处光照环境的信息,这对于后续图像处理和分析是非常重要的,因为光照条件对图像中悬浮物的外观和特征有着直接的影响;利用悬浮物光照条件数据对悬浮物增强图像数据进行自适应的图像降噪调节,可以去除图像中的噪声和干扰,使得悬浮物的图像更加清晰和可视化;利用悬浮物颜色数据对降噪后的图像进行悬浮物轮廓图像提取,可以将悬浮物与背景进行分离,生成悬浮物的轮廓图像数据;悬浮物形态分析结果可以用于描述悬浮物的形状、大小、几何特征等信息,从而对悬浮物进行进一步的特征提取和分类;结合悬浮物形态数据和光照条件数据,进行光谱分析可以探索悬浮物在不同波段上的光学特性,通过分析悬浮物在不同波长的反射和吸收情况,可以获得其光谱响应信息;通过预设的光谱关键点数据对悬浮物光谱分析结果进行关键点标注,可以确定悬浮物光谱中关键特征点的位置和数值;基于悬浮物光谱关键点特性数据,生成悬浮物的光学特征向量,光学特征向量将悬浮物的光谱特征以多维向量的形式表示,从而可以对悬浮物进行更全面的特征描述和比较。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S3包括:
步骤S31:对悬浮物增强图像数据进行光照条件数据提取并进行悬浮物颜色数据提取,从而生成悬浮物光照条件数据以及悬浮物颜色数据;
本发明实施例中,从悬浮物增强图像数据中提取光照条件数据通过分析图像的亮度、对比度和色彩分布特征来获得相应的光照条件数据;从悬浮物增强图像数据中提取悬浮物的颜色数据,通过色彩空间转换并选择颜色特性来提取悬浮物的颜色数据。
步骤S32:利用悬浮物光照条件数据对悬浮物增强图像数据进行自适应图像降噪调节,从而生成悬浮物图像降噪数据;
本发明实施例中,利用悬浮物光照条件数据分析图像的光照分布情况,并根据光照条件进行自适应的图像降噪调节,使用自适应图像降噪调节公式来减少图像中的噪点和干扰。
步骤S33:利用悬浮物颜色数据对悬浮物图像降噪数据进行悬浮物轮廓图像提取,从而生成悬浮物轮廓图像数据;
本发明实施例中,利用悬浮物颜色数据通过颜色阈值或者颜色分割算法来提取悬浮物的颜色特征,并将悬浮物区域提取为悬浮物轮廓图像数据,其中悬浮物区域用白色表示,背景区域用黑色表示。
步骤S34:对悬浮物轮廓图像数据进行悬浮物形态分析,从而生成悬浮物形态数据;
本发明实施例中,对悬浮物轮廓图像数据应用形态学图像处理算法,如膨胀、腐蚀、开运算、闭运算,以提取、改善悬浮物的形态特征,如面积、周长、长宽比。
步骤S35:根据悬浮物形态数据以及悬浮物光照条件数据进行光谱分析,从而生成悬浮物光谱分析数据;
本发明实施例中,利用悬浮物形态数据和悬浮物光照条件数据,结合光学理论和光谱分析方法,对悬浮物的光谱特征进行分析和计算,得到悬浮物的光谱分析数据,包括反射率、吸收率、透射率数据。
步骤S36:通过预设的光谱关键点数据对悬浮物光谱分析数据进行关键点标注,从而生成悬浮物光谱关键点特性数据;
本发明实施例中,其中预设的光谱关键点数据为峰值位置:400nm,550nm,650nm,吸收谷点位置:450nm,600nm,700nm;根据预设的光谱关键点数据,对悬浮物光谱分析数据进行关键点检测和标注,以提取悬浮物光谱特性的重要信息,特定波长的峰值、吸收谷点。
步骤S37:根据悬浮物光谱关键点特性数据进行悬浮物光学特征向量生成,从而生成悬浮物光学特征数据。
本发明实施例中,基于悬浮物光谱关键点特性数据,构建悬浮物的光学特征向量。
优选地,自适应图像降噪调节处理通过自适应图像降噪调节公式进行处理,其中自适应图像降噪调节公式具体为:
式中,X表示悬浮物图像的降噪结果值,N表示图像像素样本数,j表示样本序号,α表示自适应调节的系数,xj表示第j个像素值,β表示对增强图像数据取对数函数的参数,μ表示样本特征变量,γ表示三角函数中的缩放参数,ω表示自适应图像降噪偏差纠正值。
本发明构造了一种自适应图像降噪调节公式,用于利用悬浮物光照条件数据对悬浮物增强图像数据进行自适应图像降噪调节;公式中(1―α)·xj部分用于保留原始图像数据的信息,通过乘以(1―α)系数,可以在降噪过程中保持原始图像的一部分,以避免过度平滑和损失细节;公式中部分是自适应调节项,其中包括对增强图像数据取对数函数,并乘以自适应调节系数α,当增强图像数据存在较强的噪声时,取对数函数可以将信号和噪声的差异拉大,从而更容易利用调节项进行降噪;公式中/>部分是一个三角函数项,其中包括一个以x为变量的极限项,此项通过引入三角函数变换和极限值来增强图像的局部对比度和细节表现能力,特别是对于低频噪声成分的抑制有益;公式中的求和并进行平均部分通过对整个图像的像素进行平均,可以获得整体的图像降噪结果,而不仅仅是在局部区域进行处理;公式中ω是一个偏差纠正项,用于补偿可能存在的降噪算法误差或漏掉的细节,通过调整该偏差值,可以进一步微调降噪结果,以提高降噪效果和图像质量。
优选地,本发明还提供了一种水生生态悬浮物识别方法及系统,包括:
复杂光照检测模块,用于通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;对悬浮物原始图像数据进行复杂光照检测,从而生成水体复杂光照图像数据;
悬浮物图像增强模块,用于对水体复杂光照图像数据进行自适对比度增强,从而生成悬浮物图像增强数据;
悬浮物特征提取模块,用于对悬浮物增强图像数据进行悬浮物光学特征提取以及悬浮物环境特征提取,从而生成悬浮物光学特征数据以及悬浮物环境特征数据;
悬浮物特征识别模块,用于对悬浮物光学特征数据进行悬浮物光学特性识别,从而生成初级悬浮物识别数据;对悬浮物环境特征数据进行悬浮物环境浑浊度识别,从而生成悬浮物环境浑浊度数据;
悬浮物识别模块,用于获取不同光照条件数据;对悬浮物环境浑浊度数据以及不同光照条件数据进行悬浮物环境光作用预测,从而生成悬浮物环境光作用预测数据;
悬浮物识别优化模块,用于利用悬浮物环境光作用预测数据对初级悬浮物识别数据进行悬浮物环境光学特性识别优化,从而生成悬浮物识别数据,以实现水生生态悬浮物识别工作。
本申请的有益效果在于,通过摄像设备对水中悬浮物进行图像采集,可以捕捉到水中悬浮物的实际情况,为后续处理提供原始数据,对悬浮物原始图像数据进行复杂光照检测,可以分析水体中存在的光照变化情况,帮助后续处理方法更好地适应不同的光照条件;对水体复杂光照图像数据进行自适对比度增强,可以使得悬浮物在图像中更加清晰可见,有利于后续的特征提取和识别;悬浮物光学特征提取能够提取出悬浮物的颜色、纹理、形状等特征,用于后续的悬浮物识别分类任务,悬浮物环境特征提取可以捕捉到水体中的环境信息,如水质、浑浊度等,这些特征对于悬浮物的识别和分类具有重要的参考价值;悬浮物光学特性识别可以根据悬浮物的光学特征将其分类为不同的类别,实现初步的悬浮物识别,悬浮物环境浑浊度识别可以评估水体中的浑浊程度,进而了解悬浮物的分布和浓度情况,为后续的悬浮物作用预测提供依据;获取不同光照条件数据能够模拟实际情况下不同光照条件下的悬浮物分布和特征,悬浮物环境光作用预测可以根据水体的浑浊度和不同光照条件预测光在水中的传播情况,从而更准确地估计悬浮物的光学特性;悬浮物环境光学特性识别优化可以根据预测的光作用情况,对初级悬浮物识别结果进行校正和优化,提高悬浮物识别的准确性和稳定性,最终生成的悬浮物识别数据能够指示水中不同类型悬浮物的分布和特征,为水生生态监测和管理提供重要信息;因此,本发明提供了一种水生生态悬浮物识别方法及系统,通过对图像的处理以及对悬浮物特征的识别处理,旨在解决传统技术的复杂水体场景条件弊端,能更好的对悬浮物进行准确的识别。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种水生生态悬浮物识别方法,其特征在于,包括以下步骤:
步骤S1:通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;对悬浮物原始图像数据进行复杂光照检测,从而生成水体复杂光照图像数据;
步骤S2:对水体复杂光照图像数据进行自适应对比度增强,从而生成悬浮物图像增强数据,其中步骤S2具体为:
步骤S21:对水体复杂光照图像数据进行亮度增益,从而生成水体复杂光照增亮图像数据;
步骤S22:对水体复杂光照增亮图像数据进行非线性对比度增强,从而生成光照均衡化图像数据;
步骤S23:对光照均衡化图像数据进行自适应区域分割处理,从而生成区域二值图像数据;
步骤S24:对二值图像数据中的悬浮物图像数据进行局部增强,从而生成悬浮物局部增强图像数据;
步骤S25:对悬浮物局部增强图像数据进行像素邻域窗口设定,从而生成像素邻域窗口数据;
步骤S26:对像素邻域窗口数据进行像素值提取,从而生成邻域窗口像素值数据;
步骤S27:对邻域窗口像素值数据进行像素值排序,从而生成邻域窗口像素值排序队列数据;
步骤S28:根据邻域窗口像素值排序队列数据进行像素新值确定,从而生成悬浮物图像增强数据;
步骤S3:对悬浮物增强图像数据进行悬浮物光学特征提取以及悬浮物环境特征提取,从而生成悬浮物光学特征数据以及悬浮物环境特征数据;
步骤S4:对悬浮物光学特征数据进行悬浮物光学特性识别,从而生成初级悬浮物识别数据;对悬浮物环境特征数据进行悬浮物环境浑浊度识别,从而生成悬浮物环境浑浊度数据;
步骤S5:获取不同光照条件数据;对悬浮物环境浑浊度数据以及不同光照条件数据进行悬浮物环境光作用预测,从而生成悬浮物环境光作用预测数据;
步骤S6:利用悬浮物环境光作用预测数据对初级悬浮物识别数据进行悬浮物环境光学特性识别优化,从而生成悬浮物识别数据,以实现水生生态悬浮物识别工作。
2.根据权利要求1所述的水生生态悬浮物识别方法,其特征在于,步骤S1包括以下步骤:
步骤S11:通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;
步骤S12:对悬浮物原始图像数据进行悬浮物原始图像预处理,从而生成悬浮物图像标准数据;
步骤S13:对悬浮物图像标准数据光照像素分布统计,从而生成光照像素分布图数据;
步骤S14:对光照像素分布图数据进行峰值点查找,从而生成光照像素分布图峰值数据;
步骤S15:根据预设的峰值阈值数据对光照像素分布图峰值数据进行峰值显著性判断,从而生成光照不均匀区域数据;
步骤S16:利用光照不均匀区域数据对悬浮物原始图像数据进行光照复杂区域标注,从而生成水体复杂光照图像数据。
3.根据权利要求2所述的水生生态悬浮物识别方法,其特征在于,步骤S13包括以下步骤:
步骤S131:对悬浮物图像标准数据进行光照数据提取,从而生成光照图像数据;
步骤S132:对光照图像数据进行图像灰度化,从而生成光照灰度化图像数据;
步骤S133:对光照灰度化图像数据进行光照像素亮度值统计分析,从而生成光照像素亮度值数据;
步骤S134:对光照图像数据进行最大最小亮度值计算,从而生成最大最小亮度值数据;
步骤S135:根据最大最小亮度值数据进行像素区间宽度和边界设定,从而生成像素区间宽度和边界数据;
步骤S136:根据像素区间宽度和边界数据对光照像素亮度值数据进行像素分配,从而生成光照像素分配数据;
步骤S137:对光照像素分配数据进行区间统计,从而生成光照像素分布数据;
步骤S138:对光照像素分布数据进行可视化,从而生成光照像素分布图数据。
4.根据权利要求1所述的水生生态悬浮物识别方法,其特征在于,步骤S22包括以下步骤:
步骤S221:对水体复杂光照增亮图像数据进行多尺度图像分解并进行尺度图像分块,从而生成第一尺度光照图像块数据、第二尺度光照图像块数据以及第三尺度光照图像块数据;
步骤S222:根据第一尺度光照图像块数据进行最小像素累积分布函数计算,从而生成第一尺度累积光照图块数据;根据第二尺度光照图像块数据进行中间像素累积分布函数计算,从而生成第二尺度累积光照图块数据;根据第三尺度光照图像块数据进行最大像素累积分布函数计算,从而生成第三尺度累积光照图块数据;
步骤S223:分别对第一尺度累积光照图块数据、第二尺度累积光照图块数据以及第三尺度累积光照图块数据进行相应的预设的权重计算,从而生成第一置信度数据、第二置信度数据以及第三置信度数据;
步骤S224:根据第一置信度数据、第二置信度数据以及第三置信度数据进行结果投票,从而生成计算结果置信度数据;
步骤S225:对计算结果置信度数据对应的尺度光照图像块数据进行非极大值抑制,从而获取优化计算结果置信度数据;
步骤S226:根据优化计算结果置信度数据生成最佳尺度光照图像块数据以及最佳尺度累计光照图块数据;
步骤S227:利用最佳尺度累计光照图块数据对最佳尺度光照图像块数据进行像素值映射,从而生成光照均衡化图像块数据;
步骤S228:对光照均衡化图像块数据进行图像块组合,从而生成光照均衡化图像数据。
5.根据权利要求1所述的水生生态悬浮物识别方法,其特征在于,步骤S23包括以下步骤:
步骤S231:对光照均衡化图像数据进行分割阈值遍历,从而生成分割阈值集数据;
步骤S232:对分割阈值集数据进行加权类间方差计算,从而生成加权类间方差集数据;
步骤S233:根据加权类间方差集数据对分割阈值集数据进行最大类方差对应阈值选择,从而生成最佳分割阈值数据;
步骤S234:根据最佳分割阈值数据对光照均衡化图像数据中的每个像素进行阈值比较,确定像素的灰度值大于最佳分割阈值数据时,则将该像素标记为悬浮物像素,从而生成悬浮物像素数据;确定像素的灰度值小于等于最佳分割阈值数据时,则将该像素标记为背景像素,从而生成背景像素数据;
步骤S235:根据悬浮物像素数据以及背景像素数据进行区域二值图像生成,从而生成区域二值图像数据。
6.根据权利要求5所述的水生生态悬浮物识别方法,其特征在于,加权类间方差计算处理通过加权类间方差计算公式进行处理,其中加权类间方差计算公式具体为:
;
式中,表示加权类间方差计算结果值,/>表示分割阈值集的样本数,/>表示求和中的迭代变量,/>表示第/>个样本的权重,/>表示自然常数,/>表示第/>个样本的分割阈值,/>表示第/>个样本的特征因子,/>表示第/>个样本的权重参数,/>表示第/>个样本的值,/>表示加权类间方差计算误差修复值。
7.根据权利要求4所述的水生生态悬浮物识别方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对悬浮物增强图像数据进行光照条件数据提取并进行悬浮物颜色数据提取,从而生成悬浮物光照条件数据以及悬浮物颜色数据;
步骤S32:利用悬浮物光照条件数据对悬浮物增强图像数据进行自适应图像降噪调节,从而生成悬浮物图像降噪数据;
步骤S33:利用悬浮物颜色数据对悬浮物图像降噪数据进行悬浮物轮廓图像提取,从而生成悬浮物轮廓图像数据;
步骤S34:对悬浮物轮廓图像数据进行悬浮物形态分析,从而生成悬浮物形态数据;
步骤S35:根据悬浮物形态数据以及悬浮物光照条件数据进行光谱分析,从而生成悬浮物光谱分析数据;
步骤S36:通过预设的光谱关键点数据对悬浮物光谱分析数据进行关键点标注,从而生成悬浮物光谱关键点特性数据;
步骤S37:根据悬浮物光谱关键点特性数据进行悬浮物光学特征向量生成,从而生成悬浮物光学特征数据。
8.根据权利要求7所述的水生生态悬浮物识别方法,其特征在于,自适应图像降噪调节处理通过自适应图像降噪调节公式进行处理,其中自适应图像降噪调节公式具体为:
;
式中,表示悬浮物图像的降噪结果值,/>表示图像像素样本数,/>表示样本序号,/>表示自适应调节的系数,/>表示第/>个像素值,/>表示对增强图像数据取对数函数的参数,/>表示样本特征变量,/>表示三角函数中的缩放参数,/>表示自适应图像降噪偏差纠正值。
9.一种水生生态悬浮物识别系统,其特征在于,用于执行如权利要求1所述的水生生态悬浮物识别方法,该水生生态悬浮物识别系统包括:
复杂光照检测模块,用于通过摄像设备对水中悬浮物进行图像采集,从而生成悬浮物原始图像数据;对悬浮物原始图像数据进行复杂光照检测,从而生成水体复杂光照图像数据;
悬浮物图像增强模块,用于对水体复杂光照图像数据进行自适应对比度增强,从而生成悬浮物图像增强数据,所述悬浮物图像增强模块还用于:
对水体复杂光照图像数据进行亮度增益,从而生成水体复杂光照增亮图像数据;
对水体复杂光照增亮图像数据进行非线性对比度增强,从而生成光照均衡化图像数据;
对光照均衡化图像数据进行自适应区域分割处理,从而生成区域二值图像数据;
对二值图像数据中的悬浮物图像数据进行局部增强,从而生成悬浮物局部增强图像数据;
对悬浮物局部增强图像数据进行像素邻域窗口设定,从而生成像素邻域窗口数据;
对像素邻域窗口数据进行像素值提取,从而生成邻域窗口像素值数据;
对邻域窗口像素值数据进行像素值排序,从而生成邻域窗口像素值排序队列数据;
根据邻域窗口像素值排序队列数据进行像素新值确定,从而生成悬浮物图像增强数据;
悬浮物特征提取模块,用于对悬浮物增强图像数据进行悬浮物光学特征提取以及悬浮物环境特征提取,从而生成悬浮物光学特征数据以及悬浮物环境特征数据;
悬浮物特征识别模块,用于对悬浮物光学特征数据进行悬浮物光学特性识别,从而生成初级悬浮物识别数据;对悬浮物环境特征数据进行悬浮物环境浑浊度识别,从而生成悬浮物环境浑浊度数据;
悬浮物识别模块,用于获取不同光照条件数据;对悬浮物环境浑浊度数据以及不同光照条件数据进行悬浮物环境光作用预测,从而生成悬浮物环境光作用预测数据;
悬浮物识别优化模块,用于利用悬浮物环境光作用预测数据对初级悬浮物识别数据进行悬浮物环境光学特性识别优化,从而生成悬浮物识别数据,以实现水生生态悬浮物识别工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311492243.7A CN117690008B (zh) | 2023-11-06 | 2023-11-06 | 一种水生生态悬浮物识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311492243.7A CN117690008B (zh) | 2023-11-06 | 2023-11-06 | 一种水生生态悬浮物识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117690008A CN117690008A (zh) | 2024-03-12 |
CN117690008B true CN117690008B (zh) | 2024-06-07 |
Family
ID=90138016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311492243.7A Active CN117690008B (zh) | 2023-11-06 | 2023-11-06 | 一种水生生态悬浮物识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117690008B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023123927A1 (zh) * | 2021-12-30 | 2023-07-06 | 上海闻泰信息技术有限公司 | 图像增强方法、装置、设备和存储介质 |
CN116665092A (zh) * | 2023-05-17 | 2023-08-29 | 暨南大学 | 基于ia-yolov7的污水悬浮物识别方法及系统 |
CN116740375A (zh) * | 2023-05-12 | 2023-09-12 | 中航华东光电(上海)有限公司 | 一种图像特征提取方法、系统及介质 |
-
2023
- 2023-11-06 CN CN202311492243.7A patent/CN117690008B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023123927A1 (zh) * | 2021-12-30 | 2023-07-06 | 上海闻泰信息技术有限公司 | 图像增强方法、装置、设备和存储介质 |
CN116740375A (zh) * | 2023-05-12 | 2023-09-12 | 中航华东光电(上海)有限公司 | 一种图像特征提取方法、系统及介质 |
CN116665092A (zh) * | 2023-05-17 | 2023-08-29 | 暨南大学 | 基于ia-yolov7的污水悬浮物识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117690008A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wählby et al. | Algorithms for cytoplasm segmentation of fluorescence labelled cells | |
Mizushima et al. | An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method | |
Garg et al. | Binarization techniques used for grey scale images | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN115830585A (zh) | 一种基于图像增强的港口集装箱号识别方法 | |
Gui et al. | Adaptive single image dehazing method based on support vector machine | |
CN116523352B (zh) | 一种森林资源信息的管理方法及系统 | |
CN117576564B (zh) | 用于茶叶种植的病虫害识别预警方法与系统 | |
CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
CN113743421A (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
CN110188693B (zh) | 改进的复杂环境车辆特征提取和停车判别方法 | |
CN117690008B (zh) | 一种水生生态悬浮物识别方法及系统 | |
CN116665051B (zh) | 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法 | |
CN117314826A (zh) | 一种显示屏的性能检测方法 | |
Kim | Adaptive thresholding technique for binarization of license plate images | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
Zakiyyah et al. | Characterization and Classification of Citrus reticulata var. Keprok Batu 55 Using Image Processing and Artificial Intelligence | |
Bruzzese et al. | Automatic multilevel thresholding based on a fuzzy entropy measure | |
Sakharov et al. | Research and Development of Information Technology for Determining Shoe Size by Image | |
CN117934453B (zh) | 一种手机屏背光异物缺陷诊断方法及系统 |
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 | ||
GR01 | Patent grant |