CN111462256B - 一种基于计算机视觉的水质监测方法及*** - Google Patents

Abstract

本发明公开了一种基于计算机视觉的水质监测方法及***，每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列,将采样图像序列中相邻的图像两两叠加得到合并图像，将所述合并图像输入ENVI软件进行处理得到光谱特征数据，从而根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度，由于对两张多光谱图像的高频分量图进行了合并处理，使光谱图像的***函数的带宽变大，增加了高频分量而且没有丢失或增加信息，保证了光谱图像的光谱特征数据反演后获得的要素的物理量数值的准确性和真实性，提升了光谱图像的清晰度，并提高了水质数据反演的准确性。

Description

一种基于计算机视觉的水质监测方法及***

技术领域

本公开涉及水质监测、计算机视觉、图像处理技术领域，具体涉及一种基于计算机视觉的水质监测方法及***。

背景技术

在污染高发水域的待测水域中，实行实时监测可以最大程度的第一时间获得水质异常。而通过计算机视觉的方法对水质进行监测，是一种经济而高效的手段，可以通过非接触的方法，直接获取到水体的光学图像信息从而进一步的分析水体中水质的好坏，水质监测所需要的是水面反射出的光谱反射率的图像，该图像至少包括光谱波段信息。

多光谱相机对某一水域中进行光学成像时，由于多光谱相机的镜头的聚焦范围有限，将导致下列现象：除了正对着的聚焦良好的水域，由于获取到的光线直射为清晰的水面反射出的光谱反射率的图像，其余的水面表现为不同程度的模糊。根据光学知识可知，其光学成像***的图像的***函数为低通滤波函数，模糊光谱反射率的图像的***函数的带宽比清晰图像对应的***函数的带宽更窄，故光谱反射率的图像清晰与否由光谱反射率图像中的高频成分决定，聚焦良好时为清晰光谱反射率图像，其高频分量最多。

发明内容

为解决上述问题，本公开提供一种基于计算机视觉的水质监测方法及***的技术方案，每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列,将采样图像序列中相邻的图像两两叠加得到合并图像，将所述合并图像输入ENVI软件进行处理得到光谱特征数据，从而根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。

为了实现上述目的，根据本公开的一方面，提供一种基于计算机视觉的水质监测方法，所述方法包括以下步骤：

S100,每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；

S200,将采样图像序列中相邻的图像两两叠加得到合并图像；

S300，将所述合并图像输入ENVI软件进行处理得到光谱特征数据；

S400，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。

进一步地，在S100中，所述多光谱相机的光谱波段包括：蓝(0.450μm-0.515μm)、绿(0.525μm-0.605μm)、红(0.630μm-0.690μm)、红边(0.670μm-0.760μm)、近红外光谱(0.770μm-0.890μm)，括号内为各个波段的范围；所述多光谱相机包括Rededge-M；所述时间间隔N为人工设置的时间，默认设置时间间隔N＝2小时。

所述待测水域包括江河、湖泊、运河、渠道、水库、水塘及其管理范围和水工设施。

所述采样图像序列为多光谱相机按照时间先后顺序拍摄的待测水域的多光谱图像构成的图像序列。

进一步地，在S200中，将采样图像序列中相邻的图像两两叠加得到合并图像的方法为：在采样图像序列中，随机抽取1个图像作为第一图像，并取第一图像在采样图像序列中的位置后方的相邻图像作为第二图像，Merge为合并图像，对第一图像Im1和第二图像Im2进行冗余小波变换，分解层数为J，得到分解后的子图像序列

其中，S∈(Im1,Im2)，即S表示第一图像Im1或第二图像Im2，p为图像中的点，

为冗余小波变换分解后的高频子图像，

为冗余小波变换的高频分量的同一个层分解得到的低频分量，

包括了光线的亮度变化、轮廓特征信息，

则包括了图像的背景信息；

计算高频子图像中各点对应的对比度，定义为：

式中，

为高频分量，

为冗余小波变换的高频分量的同一层分解的低频分量，p′表示邻域Q中的点；

其中，邻域Q为高频子图像在其图像中边缘的相邻80×80像素点；

将第一图像Im1的高频子图像序列

和第二图像Im2的高频子图像序列

进行聚类分别得到类集

聚类的方法包括层次聚类，K-means聚类；

各个高频子图像序列中的高频子图像的高频系数的均值为：

|Q|为邻域Q中像素点的数量，

计算子图像区域方差为：

式中，

为聚类

的方差，

子图像区域方差是图像中的边缘轮廓等主要细节特征；

第一图像Im1或第二图像Im2的合并模型为：

设

表示合并后的图像，则第一图像Im1或第二图像Im2合并得到合并图像为：

进一步地，在S300中，将所述合并图像输入ENVI软件进行处理得到光谱特征数据的方法为：以所述合并图像中总磷、悬浮物浓度、浊度三个要素的平均反射率光谱值作为光谱特征数据，所述光谱特征数据为各个光谱波段的光谱反射率，所述各个光谱波段的光谱反射率分别为R1、R2、R3、R4、R5(所述R1、R2、R3、R4、R5五组数据与蓝、绿、红、红边、近红外五种光谱分别对应)，选择ENVI软件中band math工具，首先在工具中计算对应的光谱参数，而后分别将三个参数的模型输入band math工具栏，依次得到对应三种参数浓度的值的三个计算结果，再通过ENVI软件中的raster color slices工具，得到三个参数分别对应的浓度分布图。

进一步地，在S400中，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度的方法为：利用该光谱特征数据计算得到合并图像中的光谱参数Vi(i＝1，2，3...n)，n为正整数；计算得到合并图像中的光谱参数方法为，所述光谱特征数据为各个波段的光谱反射率分别为：R1、R2、R3、R4、R5；

光谱特征数据的处理方法(见申请号201811144155.7)：合并图像中有5种光谱波段的数据，光谱反射率，分别为：R1、R2、R3、R4、R5，通过波段计算的方式在5个单波段反射率的基础上衍生出更多的光谱参数，通过光谱反射率，分别为：R1、R2、R3、R4、R5，得到9个光谱参数V1～V9；V1～V9均是通过R1、R2、R3、R4、R5计算得到。

在合并图像的水质中总磷、悬浮物浓度、浊度的反演模型为：

总磷反演模型：

悬浮物浓度反演模型：

浊度反演模型：

其中，

中y_tp为水质中总磷浓度含量，v_tp为与水质中总磷相关性最高的光谱参数，a，b为常数；

中y_ssd为水质中悬浮物浓度含量，v_ssd为与水质中悬浮物相关性最高的光谱参数，p₁、p₂、p₃为常数；

中y_tbd为水质中浊度浓度含量，v_tbd为与水质中浊度相关性最高的光谱参数，p₄、p₅、p₆、p₇为常数。其中，a＝0.07485，b＝-0.4188；p₁＝-91.57，p₂＝173.5，p₃＝-28.96，p₄＝0.0143，p₅＝1.099，p₆＝5.346，p₇＝9.681；

将9个不同的光谱参数分别与总磷、悬浮物浓度、浊度的实测浓度值按样点一一对应进行Pearson相关系数分析，最终选择与总磷、悬浮物浓度、浊度的相关性最高的光谱参数进行拟合，通过Pearson相关系数分析得出与水质中总磷、悬浮物浓度、浊度相关性最高的光谱参数；最终得到：与总磷(tp)值相关性最高的光谱参数是V8；与悬浮物浓度(ssd)相关性最高的光谱参数是V5；与浊度(tbd)相关性最高的光谱参数是V9；

将所述总磷、悬浮物浓度、浊度相关性最高的光谱参数输入对应的总磷、悬浮物浓度、浊度的反演模型中输出值即为该总磷、悬浮物浓度、浊度要素的浓度含量；从而得到待测水域中的总磷、悬浮物浓度、浊度要素的变化情况，水质管理人员可以根据这些变化情况得到水质的变化。

本发明还提供了一种基于计算机视觉的水质监测***，所述***包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下***的单元中：

光谱图像采集单元，用于每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；

光谱图像合并单元，用于将采样图像序列中相邻的图像两两叠加得到合并图像；

光谱特征处理单元，用于将所述合并图像输入ENVI软件进行处理得到光谱特征数据；

光谱特征反演单元，用于根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。

本公开的有益效果为：本发明提供一种基于计算机视觉的水质监测方法及***，由于对两张多光谱图像的高频分量图进行了合并处理，使光谱图像的***函数的带宽变大，增加了高频分量而且没有丢失或增加信息，保证了光谱图像的光谱特征数据反演后获得的要素的物理量数值的准确性和真实性，提升了光谱图像的清晰度，并提高了水质数据反演的准确性，从而完善的实现了非接触式水质监测。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：

图1所示为一种基于计算机视觉的水质监测方法的流程图；

图2所示为一种基于计算机视觉的水质监测***图。

具体实施方式

以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示为根据本公开的一种基于计算机视觉的水质监测方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种基于计算机视觉的水质监测方法。

本公开提出一种基于计算机视觉的水质监测方法，具体包括以下步骤：

S100,每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；

S200,将采样图像序列中相邻的图像两两叠加得到合并图像；

S300，将所述合并图像输入ENVI软件进行处理得到光谱特征数据；

S400，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。

进一步地，在S100中，所述多光谱相机的光谱波段包括：蓝(0.450μm-0.515μm)、绿(0.525μm-0.605μm)、红(0.630μm-0.690μm)、红边(0.670μm-0.760μm)、近红外光谱(0.770μm-0.890μm)；所述多光谱相机包括Rededge-M；所述时间间隔N为人工设置的时间，默认设置N＝2小时。

所述待测水域包括江河、湖泊、运河、渠道、水库、水塘及其管理范围和水工设施。

所述采样图像序列为多光谱相机按照时间先后拍摄的待测水域的多光谱图像构成的图像序列。

进一步地，在S200中，将采样图像序列中相邻的图像两两叠加得到合并图像的方法为：在采样图像序列中，随机抽取1个图像作为第一图像，并取第一图像在采样图像序列中的位置后方的相邻图像作为第二图像，Merge为合并图像，对第一图像Im1和第二图像Im2进行冗余小波变换，分解层数为J，得到分解后的子图像序列

其中，S∈(Im1,Im2)，即S表示第一图像Im1或第二图像Im2，p为图像中的点，

为冗余小波变换分解后的高频子图像，

为冗余小波变换的高频分量的同一个层分解得到的低频分量，

包括了光线的亮度变化、轮廓特征信息，

则包括了图像的背景信息；

计算高频子图像中各点对应的对比度，定义为：

式中，

为高频分量，

为冗余小波变换的高频分量的同一层分解的低频分量，p′表示邻域Q中的点；

其中，邻域Q为高频子图像在其图像中边缘的相邻80×80像素点；

将第一图像Im1的高频子图像序列

和第二图像Im2的高频子图像序列

进行聚类分别得到类集

聚类的方法包括层次聚类，K-means聚类；

各个高频子图像序列中的高频子图像的高频系数的均值为：

|Q|为邻域Q中像素点的数量，

计算子图像区域方差为：

式中，

为聚类

的方差，

子图像区域方差是图像中的边缘轮廓等主要细节特征；

第一图像Im1或第二图像Im2的合并模型为：

设

表示合并后的图像，则第一图像Im1或第二图像Im2合并得到合并图像为：

进一步地，在S300中，将所述合并图像输入ENVI软件进行处理得到光谱特征数据的方法为：以所述合并图像中总磷、悬浮物浓度、浊度三个要素的平均反射率光谱值作为光谱特征数据，所述光谱特征数据为各个光谱波段的光谱反射率，所述各个光谱波段的光谱反射率分别为R1、R2、R3、R4、R5(所述R1、R2、R3、R4、R5五组数据与蓝、绿、红、红边、近红外五种光谱分别对应)，选择ENVI软件中band math工具，首先在工具中计算对应的光谱参数，而后分别将三个参数的模型输入band math工具栏，依次得到对应三种参数浓度的值的三个计算结果，再通过ENVI软件中的raster color slices工具，得到三个参数分别对应的浓度分布图。

进一步地，在S400中，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度的方法为：利用该光谱特征数据计算得到合并图像中的光谱参数Vi(i＝1，2，3...n)，n为正整数；计算得到合并图像中的光谱参数方法为，所述光谱特征数据为各个波段的光谱反射率分别为：R1、R2、R3、R4、R5；

在现有的光谱特征数据的处理方法(见申请号201811144155.7)中，难以准确的获取到图像的衍生光谱参数，准确率比较低，而通过合并图像，能够比现有技术的方案更加凸显出光谱特征，从而提高了反演的准确率。

在合并图像中，有5种光谱波段的数据，光谱反射率，分别为：R1、R2、R3、R4、R5，通过波段计算的方式在5个单波段反射率的基础上衍生出更多的光谱参数，如表l所示，表1为衍生光谱参数，通过光谱反射率，分别为：R1、R2、R3、R4、R5，得到9个光谱参数V1～V9；V1～V9均是通过R1、R2、R3、R4、R5计算得到。

表1衍生光谱参数

合并图像的水质中总磷、悬浮物浓度、浊度的反演模型为：

总磷反演模型：

悬浮物浓度反演模型：

浊度反演模型：

其中，

中y_tp为水质中总磷浓度含量，v_tp为与水质中总磷相关性最高的光谱参数，a，b为常数；

中y_ssd为水质中悬浮物浓度含量，v_ssd为与水质中悬浮物相关性最高的光谱参数，p₁、p₂、p₃为常数；

中y_tbd为水质中浊度浓度含量，v_tbd为与水质中浊度相关性最高的光谱参数，p₄、p₅、p₆、p₇为常数。其中，a＝0.07485，b＝-0.4188；p₁＝-91.57，p₂＝173.5，p₃＝-28.96，p₄＝0.0143，p₅＝1.099，p₆＝5.346，p₇＝9.681；

将9个不同的光谱参数分别与总磷、悬浮物浓度、浊度的实测浓度值按样点一一对应进行Pearson相关系数分析，最终选择与总磷、悬浮物浓度、浊度的相关性最高的光谱参数进行拟合，通过Pearson相关系数分析得出与水质中总磷、悬浮物浓度、浊度相关性最高的光谱参数；最终得到：与总磷(tp)值相关性最高的光谱参数是V8；与悬浮物浓度(ssd)相关性最高的光谱参数是V5；与浊度(tbd)相关性最高的光谱参数是V9；

将所述总磷、悬浮物浓度、浊度相关性最高的光谱参数输入对应的总磷、悬浮物浓度、浊度的反演模型中输出值即为总磷、悬浮物浓度、浊度要素浓度含量，水质管理人员可以根据这些变化情况得到水质的变化。

本公开的实施例提供的一种基于计算机视觉的水质监测***，如图2所示为本公开的一种基于计算机视觉的水质监测***图，该实施例的一种基于计算机视觉的水质监测***包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于计算机视觉的水质监测***实施例中的步骤。

所述***包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下***的单元中：

光谱图像采集单元，用于每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；

光谱图像合并单元，用于将采样图像序列中相邻的图像两两叠加得到合并图像；

光谱特征处理单元，用于将所述合并图像输入ENVI软件进行处理得到光谱特征数据；

光谱特征反演单元，用于根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度。

所述一种基于计算机视觉的水质监测***可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于计算机视觉的水质监测***，可运行的***可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于计算机视觉的水质监测***的示例，并不构成对一种基于计算机视觉的水质监测***的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于计算机视觉的水质监测***还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于计算机视觉的水质监测***运行***的控制中心，利用各种接口和线路连接整个一种基于计算机视觉的水质监测***可运行***的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于计算机视觉的水质监测***的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (3)

1.一种基于计算机视觉的水质监测方法，其特征在于，所述方法包括以下步骤：

S100,每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；

S200,将采样图像序列中相邻的图像两两叠加得到合并图像；

S300，将所述合并图像输入ENVI软件进行处理得到光谱特征数据；

S400，根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度；

在S100中，所述多光谱相机的光谱波段包括：0.450μm-0.515μm、0.525μm-0.605μm、0.630μm-0.690μm、0.670μm-0.760μm、0.770μm-0.890μm；

在S200中，将采样图像序列中相邻的图像两两叠加得到合并图像的方法为：在采样图像序列中，随机抽取1个图像作为第一图像Im1，并取第一图像在采样图像序列中的位置后方的相邻图像作为第二图像Im2，Merge为合并图像，对第一图像Im1和第二图像Im2进行冗余小波变换，分解层数为J，得到分解后的子图像序列

其中，S∈(Im1,Im2)，即S表示第一图像Im1或第二图像Im2，p为图像中的点，

为冗余小波变换分解后的高频子图像，

为冗余小波变换的高频分量的同一个层分解得到的低频分量，

包括了光线的亮度变化、轮廓特征信息，

则包括了图像的背景信息；

计算高频子图像中各点对应的对比度，定义为：

式中，

为高频分量，

为冗余小波变换的高频分量的同一层分解的低频分量，p′表示邻域Q中的点；

其中，邻域Q为高频子图像在其图像中边缘的相邻80×80像素点；

将第一图像Im1的高频子图像序列

和第二图像Im2的高频子图像序列

进行聚类分别得到类集

各个高频子图像序列中的高频子图像的高频系数的均值为：

Q为邻域Q中像素点的数量，

计算子图像区域方差为：

式中，

为聚类

的方差，

第一图像Im1或第二图像Im2的合并模型为：

设

表示合并后的图像，则第一图像Im1或第二图像Im2合并得到合并图像Merge为：

2.根据权利要求1所述的一种基于计算机视觉的水质监测方法，其特征在于，在S300中，将所述合并图像输入ENVI软件进行处理得到光谱特征数据的方法为：以所述合并图像中总磷、悬浮物浓度、浊度三个要素的平均反射率光谱值作为光谱特征数据，所述光谱特征数据为各个光谱波段的光谱反射率，所述各个光谱波段的光谱反射率分别记为R1、R2、R3、R4、R5。

3.一种基于计算机视觉的水质监测***，其特征在于，所述***包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下***的单元中：

光谱图像采集单元，用于每隔时间间隔N在待测水域通过多光谱相机进行拍摄得到采样图像序列；

光谱图像合并单元，用于将采样图像序列中相邻的图像两两叠加得到合并图像；

光谱特征处理单元，用于将所述合并图像输入ENVI软件进行处理得到光谱特征数据；

光谱特征反演单元，用于根据所述光谱特征数据反演出总磷、悬浮物浓度、浊度；

所述多光谱相机的光谱波段包括：0.450μm-0.515μm、0.525μm-0.605μm、0.630μm-0.690μm、0.670μm-0.760μm、0.770μm-0.890μm；

将采样图像序列中相邻的图像两两叠加得到合并图像的方法为：在采样图像序列中，随机抽取1个图像作为第一图像Im1，并取第一图像在采样图像序列中的位置后方的相邻图像作为第二图像Im2，Merge为合并图像，对第一图像Im1和第二图像Im2进行冗余小波变换，分解层数为J，得到分解后的子图像序列

其中，S∈(Im1,Im2)，即S表示第一图像Im1或第二图像Im2，p为图像中的点，

为冗余小波变换分解后的高频子图像，

为冗余小波变换的高频分量的同一个层分解得到的低频分量，

包括了光线的亮度变化、轮廓特征信息，

则包括了图像的背景信息；

计算高频子图像中各点对应的对比度，定义为：

式中，

为高频分量，

为冗余小波变换的高频分量的同一层分解的低频分量，p′表示邻域Q中的点；

其中，邻域Q为高频子图像在其图像中边缘的相邻80×80像素点；

将第一图像Im1的高频子图像序列

和第二图像Im2的高频子图像序列

进行聚类分别得到类集

各个高频子图像序列中的高频子图像的高频系数的均值为：

Q为邻域Q中像素点的数量，

计算子图像区域方差为：

式中，

为聚类

的方差，

第一图像Im1或第二图像Im2的合并模型为：

设

表示合并后的图像，则第一图像Im1或第二图像Im2合并得到合并图像Merge为：

Images