CN110533626B - 一种全天候水质识别方法 - Google Patents
一种全天候水质识别方法 Download PDFInfo
- Publication number
- CN110533626B CN110533626B CN201910531661.XA CN201910531661A CN110533626B CN 110533626 B CN110533626 B CN 110533626B CN 201910531661 A CN201910531661 A CN 201910531661A CN 110533626 B CN110533626 B CN 110533626B
- Authority
- CN
- China
- Prior art keywords
- image
- component
- water quality
- night
- daytime
- 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.)
- Expired - Fee Related
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000004075 alteration Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000010865 sewage Substances 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 239000000523 sample Substances 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/667—Camera operation mode switching, e.g. between still and video, sport and normal or high- and low-resolution modes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/71—Circuitry for evaluating the brightness variation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种全天候水质识别方法,属于水质识别领域,包括以下步骤:1)利用录像设备获取视频数据,判断白天还是夜间,如果是白天,则转入昼间模式;如果是夜间,则转入夜间模式;2)将视频数据处理成单帧图像;3)对夜间模式下拍摄的单帧图像进行处理;4)将经步骤3)处理后的夜间模式下拍摄的单帧图像与昼间模式下拍摄的单帧图像进行识别处理,并输出识别结果。对获取的视频信息进行单帧图像处理,根据昼间及夜间模式对视频图像进行处理,并以此进行水质识别。该技术可以全天候工作,不仅可以在白天进行预警,而且在夜间也能及时提供水质信息,具有很强的实用价值。
Description
技术领域
本发明涉及水质识别领域,具体地说,涉及一种全天候水质识别方法。
背景技术
水环境的保护对经济社会的发展十分重要。传统的水质检测方式主要是在定点定剖面水域内设置采样点,采取水样分析成分,或设置水下镜头采集水体颜色和浑浊度进行分析,也有一些采用智能视觉的水质识别方法,但在夜间拍摄的图像往往比较黑,不能进行有效判断。
现在已经有很多检测水质的方法,如:公布号为CN104568797A的中国专利文献公开了一种污水色度的在线监测***,该***包括清水吸收池、试样水吸收池,光纤探头a、光纤探头b、CCD阵列检测器、数据采集与处理设备,清水吸收池通过光纤探头a连接CCD阵列检测器,试样水吸收池通过光纤探头b连接CCD阵列检测器,CCD阵列检测器连接数据采集与处理设备。公布号为CN108051442A的中国专利文献公开了一种基于智能终端的水质识别方法及水质识别***。水质识别方法包括如下步骤:采集包含图形标记的待测水资源的当前图像;根据当前图像的颜色,检测待测水资源的当前色度;根据图形标记的清晰度,提取待测水资源的当前浑浊度;计算当前图像中包含的当前悬浮物质含量;根据当前色度、当前浑浊度和当前悬浮物质含量,判断待测水资源的当前质量。水质识别***包含采集模块、检测模块、提取模块、计算模块和处理模块。采用该水质识别方法及水质识别***,能够帮助用户便于用户对当地的水资源的质量进行实时检测。公布号为CN109118548A的中国专利文献公开了一种综合智能水质识别方法,该方法采用智能图像识别技术对水质图像进行分析,进而达到识别水质的目的。
以上技术往往需要特定的装置,使使用范围受到限制。如:当一些偏僻地域水质出现异常的时候,往往不能及时发现及阻止;化学检测方法中也存在化学试剂浓度不稳定,容易造成二次污染等弊端;而智能图像技术的监测摄录技术往往需要在白天光线比较亮的时候进行摄录,这些都限制了技术的应用。
发明内容
本发明的目的为提供一种全天候水质识别方法,采用常规的摄像头,并且带普通的闪光灯,只需与水域周围已有的摄像头进行数据连接,并判断选择昼间或是夜间模式,然后获取摄像头中的视频图像即可对该水域进行全天候实时水质识别,且可用于偏僻地区水质监测。
为了实现上述目的,本发明提供的全天候水质识别方法包括以下步骤:
1)利用录像设备获取视频数据,判断白天还是夜间,如果是白天,则转入昼间模式;如果是夜间,则转入夜间模式;
2)将视频数据处理成单帧图像;
3)对夜间模式下拍摄的单帧图像进行处理,得到增强后的夜间图像;
4)将经步骤3)处理后的夜间模式下拍摄的单帧图像与昼间模式下拍摄的单帧图像进行识别处理,并输出识别结果。
上述技术方案中,利用高清摄像机从一定的角度、一定的距离对监测区域的水面进行录制,需要说明的是,该摄像机需带闪光灯,且角度、距离等参数需要固定,不能随意改变。然后对获取的视频信息进行单帧图像处理,根据昼间及夜间模式对视频图像进行处理,并以此进行水质识别。该技术可以全天候工作,不仅可以在白天进行预警,而且在夜间也能及时提供水质信息,具有很强的实用价值。
作为优选,步骤1)中,判断白天还是夜间的步骤为:
1-1)颜色空间转化,将视频图像转化为HSV颜色空间,并单独提取出亮度V分量进行图像增强处理;
1-2)将经图像增强处理后的V分量的亮度均值作为判断标准。
选择HSV颜色空间下的V亮度均值作为判断标准;作为优选,设置阈值为0.1,即HSV颜色空间下的V亮度均值低于0.1时,判断当前图像为夜间图像,进行夜间模式处理;否则判断为白天图像,转入昼间模式进行图像处理。
作为优选,步骤3)包括:
3-1)图像预处理,采用百分比分割,将光斑、脉冲噪声和椒盐噪声区域去除;
3-2)颜色空间转化,将图像的颜色空间转化为HSV颜色空间,并单独提取出亮度V分量进行图像增强处理;
3-3)对经图像增强处理后的V分量进行小波变换,将低频和高频分割开来,在低频段进行非线性变换,在高频段利用高斯滤波对高频系数滤波去除图像噪声;
3-4)将重构后的V分量与H分量和S分量重新合成,得到增强后的夜间图像。
作为优选,步骤3-3)中,在低频段进行非线性变换的方法如下:
绘制V分量的亮度直方图,采用带自调整参数的对数映射方程对直方图的参数进行自适应调节,对数映射方程如下:
Vo=a+b×ln(Vi+1)
其中,Vi表示输入的亮度分量,Vo表示输出的亮度分量,a和b表示两个可调节参数,a表示截距,可平移调节灰度级,b表示对比度增长速度,可调节增长的快慢。
作为优选,直方图参数自适应调节过程如下:
(1)设定初始参数,初始参数为a0=0.1,b0=2;
(2)V分量根据初始参数进行非线性变换;
(3)获取百分比分割函数处理变换后的亮度直方图,得到直方图上下限灰度值;
对于灰度直方图呈现出正态分布的图像来说,有时需要得到直方图中主体部分的图像,而将两侧占比较少的区域去除,按照百分比的方式进行切割,称之为百分比分割处理。该分割方法主要用于灰度图处理过程,当对灰度图进行平移拉伸等处理时,可以用百分比分割方法得到直方图主体部分,而忽视小占比区域的影响。百分比分割可以将G1和G2区域删除,只保留下主体区域G区域。该操作的主要目的是找到合适的灰度级上下限。(4)将直方图上下限灰度值经过自适应调整转换到标准区间;由于现场图像情况各异,为了能够将不同光照条件下的图像进行统一的对比,需要设定一个统一的标准亮度区间,处理时将所有夜间图像变换到此标准亮度区间,让图像在同一亮度下进行后续的色差计算和颜色特征提取,可以大幅降低误差。
比例反馈调节参数的公式为:a=a-da*d1;b=b-db*d2;
计算与标准区间差值的公式为:da=gvl-0.5;db=gvh-0.9;
a和b是两个待调整参数,gvl是百分比分割后得到的主体亮度区间下限,gch是相应的上限,da是下限与标准下限的差值,db是上限与标准上限的差值。d1是a参数的反馈调节中的比例系数,d2是b参数的反馈调节中的比例系数。
作为优选,步骤4)包括:
4-1)图像滤波,采用中值滤波方法;
4-2)图像分割,采用全局阈值分割。
4-3)色差计算,将图像的颜色空间转换为Lab颜色空间后进行色差计算;
4-4)颜色特征提取,采用色差均值作为颜色特征;
4-5)水质识别,当监测值超过预设的预警值时,***判断水质为污水,公式如下:
式中,Y为监测值,eave为水面区域的色差均值,imave为标准图像与原点图像的色差均值,将原点图像定义为Lab颜色空间内,a分量和b分量均为-110的图像。
与现有技术相比,本发明的有益效果为:
(1)本发明利用智能视觉的特点,对黑夜里肉眼难以识别的水质图像进行智能处理分析,并进行识别,有很强的实用性。
(2)本发明能够长时间在线、动态监测,减少了大量人工工作量,对解决当今水质监测的事后性问题及监理更有效更低成本的水质安全预警***具有重要意义。
附图说明
图1为本发明实施例中全天候水质识别方法的流程图;
图2为本发明实施例中昼间模式图像处理与识别流程图;
图3为本发明实施例中夜间模式图像处理与识别流程图;
图4为本发明实施例的夜间原始图像;
图5为本发明实施例的夜间图像V分量直方图;
图6为本发明实施例的直方图参数自适应调节示意图;
图7为本发明实施例的进行百分比分割的直方图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合实施例及其附图对本发明作进一步说明。
实施例
参见图1至图7,本实施例的全天候水质识别方法包括以下步骤:
S1获取视频图像。
S2判断白天还是夜间。具体步骤为:
(1)进行颜色空间转化;本例转化为HSV颜色空间,并单独提取出亮度V分量进行图像增强处理。
(2)选择HSV颜色空间下的V亮度均值作为判断标准;本例设置阈值为0.1,即HSV颜色空间下的V亮度均值低于0.1时,判断当前图像为夜间图像,进行夜间模式处理;否则判断为白天图像,转入昼间模式进行图像处理。
S3昼间模式拍摄及图像处理识别如图2所示,具体步骤为:
S301图像滤波;本例采用中值滤波方法。
S302图像分割;本例采用全局阈值分割。
S303色差计算;转换为Lab颜色空间后进行色差计算。
S304颜色特征提取;本例采用色差均值作为颜色特征。
S305水质识别;当监测值超过预警值时,***判断水质为污水,具体公式如下:
式中,Y为监测值,eave为水面区域的色差均值,imave为标准图像与原点图像的色差均值。本例将原点图像定义为Lab颜色空间内,a分量和b分量均为-110的图像。
S4夜间模式拍摄及图像处理识别如图3所示,具体步骤为:
S401图像预处理;本例采用百分比分割,将光斑、部分的脉冲噪声和椒盐噪声等区域去除。
S402颜色空间转化;本例转化为HSV颜色空间,并单独提取出亮度V分量进行图像增强处理。
S403对V分量进行小波变换;本例利用小波变换将低频和高频分割开来,在低频段进行非线性变换防止放大噪声,在高频段利用高斯滤波对高频系数滤波去除图像噪声。其中低频段非线性变换说明如下:
夜间图像V分量直方图如图5所示,图形过分集中在低灰度段区域,不利于后续的分析处理,本例使用非线性变换将灰度图像通过映射曲线变换为高亮度、高对比度图像。本例采用带自调整参数的对数映射方程,如下式所示:
Vo=a+b×ln(Vi+1)
其中,Vi表示输入的亮度分量,Vo表示输出的亮度分量,a和b表示两个可调节参数。其中,a表示截距,可平移调节灰度级;b则表示对比度增长速度,可以调节增长的快慢;式中的1是为了防止括号内出现0的情况。直方图参数自适应调节过程如图6所示,其实现步骤说明如下:
(1)设定初始参数;本本例初始参数为a0=0.1,b0=2。
(2)根据参数进行非线性变换;
(3)获取百分比分割函数处理变换后的亮度直方图,得到直方图上下限灰度值;
(4)将直方图上下限灰度值经过自适应调整转换到标准区间;由于现场图像情况各异,为了能够将不同光照条件下的图像进行统一的对比,需要设定一个统一的标准亮度区间,处理时将所有夜间图像变换到此标准亮度区间,让图像在同一亮度下进行后续的色差计算和颜色特征提取,可以大幅降低误差。直方图参数自适应调节过程如图6所示,具体步骤如下:
对于灰度直方图呈现出正态分布的图像来说,有时需要得到直方图中主体部分的图像,而将两侧占比较少的区域去除,按照百分比的方式进行切割,称之为百分比分割处理。该分割方法主要用于灰度图处理过程,当对灰度图进行平移拉伸等处理时,可以用百分比分割方法得到直方图主体部分,而忽视小占比区域的影响。餐间土7,百分比分割可以将G1和G2区域删除,只保留下主体区域G区域。该操作的主要目的是找到合适的灰度级上下限。
S404设定a和b两个参数的初始值。
S405进行非线性变换,公式为:Vo=a+b×ln(Vi+1)。
S406进行百分比分割,获得直方图的上下限值。
S407判断上下限值是否在标准区间。
S408计算与标准区间差值,公式为:da=gvl-0.5;db=gvh-0.9。
S409计算比例反馈调节参数,公式为:a=a-da*d1;b=b-db*d2
a和b是两个待调整参数,gvl是百分比分割后得到的主体亮度区间下限,gvh是相应的上限,da是下限与标准下限(本例是0.5)的差值,db是上限与标准上限(本例是0.9)的差值。d1是a参数的反馈调节中的比例系数,本例是0.5,d2是b参数的反馈调节中的比例系数,本例是5。
自调节的过程是:先进行a的比例反馈调节,直到变换后的下限满足条件,然后进行b的比例反馈调节直到变换后的上限满足条件。
S410得到调整后的a和b参数值。
S411将重构后的V分量与H分量和S分量重新合成,得到增强后的夜间图像;夜间图像经过小波变换和自适应非线性变换后,成为在同一亮度标准下的高对比度、高亮度图像。
S412按照昼间模式对图像进行进一步的处理,执行从S301到S305的过程。
S5将识别结果输出并显示。
Claims (4)
1.一种全天候水质识别方法,其特征在于,包括以下步骤:
1)利用录像设备获取视频数据,判断白天还是夜间,如果是白天,则转入昼间模式;如果是夜间,则转入夜间模式;
2)将视频数据处理成单帧图像;
3)对夜间模式下拍摄的单帧图像进行处理,得到增强后的夜间图像;
4)将经步骤3)处理后的夜间模式下拍摄的单帧图像与昼间模式下拍摄的单帧图像进行识别处理,并输出识别结果;
步骤3)包括:
3-1)图像预处理,采用百分比分割,将光斑、脉冲噪声和椒盐噪声区域去除;
3-2)颜色空间转化,将图像的颜色空间转化为HSV颜色空间,并单独提取出亮度V分量进行图像增强处理;
3-3)对经图像增强处理后的V分量进行小波变换,将低频和高频分割开来,在低频段进行非线性变换,在高频段利用高斯滤波对高频系数滤波去除图像噪声;
3-4)将重构后的V分量与H分量和S分量重新合成,得到增强后的夜间图像;
步骤3-3)中,在低频段进行非线性变换的方法如下:
绘制V分量的亮度直方图,采用带自调整参数的对数映射方程对直方图的参数进行自适应调节,对数映射方程如下:
Vo=a+b×ln(Vi+1)
其中,Vi表示输入的亮度分量,Vo表示输出的亮度分量,a和b表示两个可调节参数,a表示截距,可平移调节灰度级,b表示对比度增长速度,可调节增长的快慢;
直方图参数自适应调节过程如下:
(1)设定初始参数,初始参数为a0=0.1,b0=2;
(2)V分量根据初始参数进行非线性变换;
(3)获取百分比分割函数处理变换后的亮度直方图,得到直方图上下限灰度值;
(4)将直方图上下限灰度值经过自适应调整转换到标准区间;
比例反馈调节参数的公式为:a=a-da*d1;b=b-db*d2;
计算与标准区间差值的公式为:da=gv1-0.5;db=gvh-0.9;
a和b是两个待调整参数,gvl是百分比分割后得到的主体亮度区间下限,gv h是相应的上限,da是下限与标准下限的差值,db是上限与标准上限的差值;d1是a参数的反馈调节中的比例系数,d2是b参数的反馈调节中的比例系数。
2.根据权利要求1所述的全天候水质识别方法,其特征在于,步骤1)中,判断白天还是夜间的步骤为:
1-1)颜色空间转化,将视频图像转化为HSV颜色空间,并单独提取出亮度V分量进行图像增强处理;
1-2)将经图像增强处理后的V分量的亮度均值作为判断标准。
3.根据权利要求2所述的全天候水质识别方法,其特征在于,步骤1-2)中,设置V分量的亮度均值的判断阈值为0.1,HSV颜色空间下的V亮度均值低于0.1时,判断为夜间;否则判断为白天。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531661.XA CN110533626B (zh) | 2019-06-19 | 2019-06-19 | 一种全天候水质识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531661.XA CN110533626B (zh) | 2019-06-19 | 2019-06-19 | 一种全天候水质识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533626A CN110533626A (zh) | 2019-12-03 |
CN110533626B true CN110533626B (zh) | 2021-11-09 |
Family
ID=68659429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910531661.XA Expired - Fee Related CN110533626B (zh) | 2019-06-19 | 2019-06-19 | 一种全天候水质识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533626B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639656A (zh) * | 2020-05-28 | 2020-09-08 | 东软睿驰汽车技术(沈阳)有限公司 | 交通信号灯识别方法及装置 |
CN112067517A (zh) * | 2020-09-11 | 2020-12-11 | 杭州市地下管道开发有限公司 | 一种河湖水体智慧监测方法、设备、***及可读存储介质 |
CN112461762B (zh) * | 2020-11-26 | 2023-05-12 | 中国科学院苏州生物医学工程技术研究所 | 基于hsv模型的溶液浊度检测方法、介质、图像处理*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202565375U (zh) * | 2012-04-19 | 2012-11-28 | 合肥博微安全电子科技有限公司 | 全天候智能视频监控摄像机 |
CN107917919A (zh) * | 2017-12-18 | 2018-04-17 | 广东技术师范学院 | 城市河涌水质监测预警***及方法 |
CN109087363A (zh) * | 2018-06-28 | 2018-12-25 | 江南大学 | 一种基于hsv颜色空间的污水排放检测方法 |
CN109118548A (zh) * | 2018-07-17 | 2019-01-01 | 浙江大学 | 一种综合智能水质识别方法 |
-
2019
- 2019-06-19 CN CN201910531661.XA patent/CN110533626B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202565375U (zh) * | 2012-04-19 | 2012-11-28 | 合肥博微安全电子科技有限公司 | 全天候智能视频监控摄像机 |
CN107917919A (zh) * | 2017-12-18 | 2018-04-17 | 广东技术师范学院 | 城市河涌水质监测预警***及方法 |
CN109087363A (zh) * | 2018-06-28 | 2018-12-25 | 江南大学 | 一种基于hsv颜色空间的污水排放检测方法 |
CN109118548A (zh) * | 2018-07-17 | 2019-01-01 | 浙江大学 | 一种综合智能水质识别方法 |
Non-Patent Citations (3)
Title |
---|
Low-light imgage enhancement based on Retinex theory and dual-tree complex wavelet transform;Yang Maoxiang 等;《OPTOELECTRONICS lETTERS》;20181130;第14卷(第6期);正文第471-473页,图1 * |
城市污水排放在线智能监测关键技术的研究;王霞俊 等;《科技信息》;20120405;正文第2-3节 * |
基于色差模型的水质检测技术研究;梁秀丽;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20180615;正文第8-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110533626A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN110533626B (zh) | 一种全天候水质识别方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN110895806A (zh) | 屏幕显示缺陷的检测方法及*** | |
CN111294589B (zh) | 摄像模组镜头表面检测方法 | |
CN111161170B (zh) | 一种用于目标识别的水下图像综合增强方法 | |
KR101448164B1 (ko) | 파라미터 최적화를 이용한 영상의 안개 제거 방법 | |
US9811746B2 (en) | Method and system for detecting traffic lights | |
CN110400267A (zh) | 一种基于巡检图像的预处理方法 | |
CN111598791B (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN113313677A (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
Karnawat et al. | Turbidity detection using image processing | |
CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
CN110223253B (zh) | 一种基于图像增强的去雾方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN103177244B (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN107992799B (zh) | 面向烟雾检测应用的预处理方法 | |
CN112750089A (zh) | 基于局部块最大和最小像素先验的光学遥感影像去雾方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211109 |
|
CF01 | Termination of patent right due to non-payment of annual fee |