CN115797813B - 基于航拍图像的水环境污染检测方法 - Google Patents
基于航拍图像的水环境污染检测方法 Download PDFInfo
- Publication number
- CN115797813B CN115797813B CN202310092012.0A CN202310092012A CN115797813B CN 115797813 B CN115797813 B CN 115797813B CN 202310092012 A CN202310092012 A CN 202310092012A CN 115797813 B CN115797813 B CN 115797813B
- Authority
- CN
- China
- Prior art keywords
- garbage
- area
- water surface
- real
- detected
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于航拍图像的水环境污染检测方法。该方法获取水域的实时水面图像和基准图像,根据灰度值获取分别获取两张图像中的垃圾待测区,基于边缘像素点的位置获取垃圾待测区的形状矩阵,基于像素点的灰度值获取垃圾待测区的纹理矩阵,结合形状矩阵和纹理矩阵得到垃圾待测区的特征矩阵,根据特征矩阵差异将水面漂浮物体在两个图像中对应的垃圾待测区组成匹配区域对,依据匹配区域对内的位置信息获取波纹影响值,进而获取特征差异阈值,基于特征差异阈值判断垃圾待测区是否为水面漂浮垃圾,依据水面漂浮垃圾的分布信息确定水域的水环境污染情况,提高了对水域的水环境污染情况检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于航拍图像的水环境污染检测方法。
背景技术
伴随着城市化和工业化的进程,以及旅游业的发展,在日常生产和生活中产生了大量的废弃物,这些废弃物引发了各种各样的环境问题,水面垃圾污染就是其中的一种。这些垃圾一般漂浮在水体表面,影响水体的质量,不但遮挡阳光入射海中,影响水下植被的生长,而且容易被鱼类、水鸟等生物吞食,所以需要对水面进行检测。当水面出现漂浮垃圾时及时进行打捞,降低垃圾聚集造成的二次污染,减少对环境的影响。
现有技术利用线性迭代聚类算法将水域的图像分割为多个互不重叠的超像素图像块,选取不包含污染物的超像素图像块作为优化背景模板,依据优化背景模板的矩阵得到初级显著图,筛选满足初级显著图阈值的超像素图像块构成前景模板,结合优化背景模板和前景模板造特征矩阵,基于特征矩阵拟合得到参数向量,将参数向量进行多维颜色特征线性融合得到次级显著图,将初级显著图和次级显著图进行融合生成最终显著图;仅基于超像素图像块的颜色特征构建特征矩阵,没有根据垃圾的突出特征构建特征矩阵,能以有效保证特征矩阵表征对应垃圾区域的准确性,且现实生活中水域内垃圾的位置会随着时间的推移出现变化,若仅根据一张图像判断水域的水环境污染情况,会存在水环境污染判断出现偏差的情况。
发明内容
为了解决垃圾区域的特征矩阵获取不准确而导致水环境污染判断出现偏差的技术问题,本发明的目的在于提供一种基于航拍图像的水环境污染检测方法,所采用的技术方案具体如下:
本发明提出了基于航拍图像的水环境污染检测方法,该方法包括:
获取水域的实时水面图像,以所述实时水面图像对应时刻之前预设时间间隔的实时水面图像作为基准图像;
根据灰度值获取实时水面图像中的垃圾待测区和基准图像中的垃圾待测区;
基于边缘像素点的位置获取每个垃圾待测区的形状矩阵;基于像素点的灰度值获取每个垃圾待测区的纹理矩阵;结合像素点的数量、所述形状矩阵和所述纹理矩阵获取每个垃圾待测区的特征矩阵;
根据特征矩阵差异对实时水面图像和基准图像之间的垃圾待测区进行匹配,获得匹配区域对;依据每个所述匹配区域对内的位置信息获取波纹影响值,基于所述波纹影响值获取特征差异阈值;
根据匹配区域对内的所述特征矩阵差异和所述特征差异阈值判断实时水面图像中对应的垃圾待测区是否为水面漂浮垃圾,根据水面漂浮垃圾分布判断是否存在水环境污染。
进一步地,根据灰度值获取实时水面图像中的垃圾待测区和基准图像中的垃圾待测区的获取方法,包括:
分别获取实时水面图像的显著图和基准图像的显著图,将两个显著图中灰度值不为0的像素点组成的区域作为对应显著图的待测区,依次对实时水面图像的每个待测区和基准图像的每个待测区中的像素点进行聚类,分别获取实时水面图像的垃圾待测区和基准图像的垃圾待测区。
进一步地,所述形状矩阵的获取方法,包括:
根据每个垃圾待测区内边缘像素点的位置坐标获得对应垃圾待测区的傅里叶描述子,将傅里叶描述子中的元素进行顺序排列,获得形状矩阵。
进一步地,所述纹理矩阵的获取方法,包括:
获取每个垃圾待测区内各像素点的LBP值,依据像素点的位置将各像素点的LBP值填入到对应位置得到矩阵,使用0将矩阵补全为方阵,对方阵进行降维得到对应垃圾待测区的纹理矩阵;所述纹理矩阵的行数与所述形状矩阵的列数相等,所述纹理矩阵的列数与所述形状矩阵的行数相等。
进一步地,所述特征矩阵的获取方法,包括:
将形状矩阵和纹理矩阵相乘,获得初始形态特征矩阵;
以每个垃圾待测区内像素点数量的归一化值作为对应初始形态特征矩阵的加权系数,将加权系数和初始形态矩阵的乘积作为对应垃圾待测区的特征矩阵。
进一步地,所述特征矩阵差异的获取方法,包括:
将每个特征矩阵内的所有元素顺序排列,组成对应垃圾待测区的特征序列,以实时水面图像中每个垃圾待测区的特征序列与基准图像中各垃圾待测区的序列之间的距离作为特征矩阵差异。
进一步地,所述匹配区域对的获取方法,包括:
将实时水面图像中每个垃圾待测区的最小特征矩阵差异对应基准图像中的垃圾待测区作为实时水面图像中对应垃圾待测区的匹配区,获得匹配区域对。
进一步地,所述波纹影响值的获取方法,包括:
根据匹配区域对内两个区域之间质心的位置坐标获得波纹影响向量;
将所有匹配区域对的波纹影响向量的模长从小到大排列得到第一模长序列,将第一模长序列中突变值对应的实时水面图像中垃圾待测区判定为第一水纹区域,去除第一模长序列中模长的突变值得到第二模长序列;
将第二模长序列中所有模长的均值作为波纹影响值。
进一步地,所述特征差异阈值的获取方法,包括:
对波纹影响值进行归一化处理得到归一化波纹影响值,设置第一常数,将第一常数与归一化波纹影响值的差值作为特征差异阈值。
进一步地,所述水环境污染的判断方法,包括:
去除实时水面图像中的第一水纹区域,将实时水面图像中剩余的各垃圾待测区对应匹配区域对内的特征矩阵差异进行归一化处理,得到归一化最小特征值;
当归一化最小特征值小于等于特征差异阈值,则认为实时水面图像中对应垃圾待测区为水面漂浮垃圾;当归一化最小特征值大于特征差异阈值,则认为实时水面图像中对应垃圾待测区为第二水纹区域;
设置数量阈值和面积阈值,当水域中被识别为水面漂浮垃圾的垃圾待测区的数量大于等于数量阈值时,或者水域中被识别为水面漂浮垃圾的垃圾待测区的面积总和与整个水域面积的比值大于等于面积阈值时,则认为该水域存在水环境污染。
本发明具有如下有益效果:
本发明实施例中,获取水域的实时水面图像,以及该实时水面图像的基准图像,通过对比同一水面漂浮物体在两个图像中的差距,进而能够准确的判断水域中水面漂浮物体是否为水面漂浮垃圾;当水面中存在多个水面漂浮垃圾时,这些水面漂浮垃圾之间可能彼此相邻,或者当水面存在水纹时,这些水纹也可能与水面漂浮垃圾相邻,这两种情况都可能导致不同水面漂浮物体在图像中被识别为一个区域,为了对两张图片中的水面漂浮物体进行详细分析,根据灰度值获取实时水面图像中的垃圾待测区和基准图像中的垃圾待测区;垃圾待测区可能对应水纹或水面漂浮垃圾,由于水纹无法长时间保持,导致水纹的形态不固定,而水面漂浮垃圾的形状和纹理固定,所以获取每个垃圾待测区的形状矩阵和纹理矩阵;因为特征矩阵综合反映了垃圾待测区的形状、纹理和大小特征,所以结合像素点的数量、形状矩阵和纹理矩阵获取每个垃圾待测区的特征矩阵;由于受到风或其他外界因素的影响,导致同一个垃圾待测区在实时水面图像和基准图像中所处的位置发生改变,为了对同一垃圾待测区的相关特征进行深入分析,根据特征矩阵差异对实时水面图像和基准图像之间的垃圾待测区进行匹配,以获得匹配区域对;当匹配区域对内两个垃圾待测区的位置改变程度越大时,该区域对应的水面漂浮垃圾周围的水流越快、波纹越多,则可以基于匹配区域对内两个垃圾待测区的位置变化大小判断影响区域对应的水面波纹影响的程度,所以依据每个所述匹配区域对内的位置信息获取波纹影响值,并基于波纹影响值获取特征差异阈值;根据匹配区域对内的特征矩阵差异和特征差异阈值判断实时水面图像中对应的垃圾待测区是否为水面漂浮垃圾,并基于水面漂浮垃圾分布确认水环境污染的情况,提高了对垃圾待测区所对应水面漂浮物体进行判断的正确率,进而实现对水环境污染进行检测的准确性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于航拍图像的水环境污染检测方法的步骤流程图。
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航拍图像的水环境污染检测方法,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。
本发明所针对的具体场景:对需要检测水面漂浮垃圾污染的水域获取航拍图像,根据图像分析水面漂浮垃圾的污染情况,适用于需要在分析过程中考虑水面波纹影响的情境,如水面有风。
下面结合附图具体的说明本发明所提供的一种基于航拍图像的水环境污染检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于航拍图像的水环境污染检测方法的步骤流程图,该方法包括:
步骤S1:获取水域的实时水面图像,以所述实时水面图像对应时刻之前预设时间间隔的实时水面图像作为基准图像。
使用无人机搭载相机至水域上方,在同一位置相隔30s获取两张水域的遥感图像,将当前时刻获取的遥感图像作为实时水面图像,并将当前时刻之前的第30s所对应时刻的遥感图像作为基准图像,实时水面图像和基准图像均为RGB图像。由于环境和相机内部零件震动等因素的影响,获取的实时水面图像和基准图像上不可避免地会出现噪声,为避免这些噪声影响后续分析结果,使用高斯滤波分别对实时水面图像和基准图像的每个通道进行卷积,达到降低实时水面图像和基准图像中噪声的目的,以提高实时水面图像和基准图像的精度和质量。其中,高斯滤波去噪为公知技术,具体方法在此不做介绍。
步骤S2:根据灰度值获取实时水面图像中的垃圾待测区和基准图像中的垃圾待测区。
当水域的水面中存在多个水面漂浮垃圾时,这些水面漂浮垃圾之间可能彼此相邻,或者当水面存在水纹时,这些水纹也可能与水面漂浮垃圾相邻,这些情况都可能导致不同水面漂浮物体在实时水面图像和基准图像中被识别为一个区域,导致后续的分析结果出现误差,为了对实时水面图像和基准图像中的水面漂浮物体进行详细分析,分别获取实时水面图像的垃圾待测区和基准图像的垃圾待测区。
实时水面图像的垃圾待测区和基准图像的垃圾待测区的获取方法为:分别获取实时水面图像的显著图和基准图像的显著图,将两个显著图中灰度值不为0的像素点组成的区域作为对应显著图的待测区,依次对实时水面图像的每个待测区和基准图像的每个待测区中的像素点进行聚类,分别获取实时水面图像的垃圾待测区和基准图像的垃圾待测区。
对实时水面图像和基准图像均使用FT显著性检测算法,分别获取实时水面图像的显著图和基准图像的显著图,两张显著图均为灰度图像,两张显著图中灰度值为0的像素点分别对应实时水面图像和基准图像中不显著的像素点,而灰度值不为0的像素点分别对应实时水面图像和基准图像中较为显著的像素点,且灰度值越大,对应像素点在实时水面图像和基准图像中呈现出的显著性越大。将实时水面图像的显著图中灰度值不为0的像素点组成的区域作为实时水面图像的显著图的待测区,该待测区对应实时水面图像中可能为水面漂浮垃圾的各区域;将基准图像的显著图中灰度值不为0的像素点组成的区域作为基准图像的显著图的待测区,该待测区对应基准图像中可能为水面漂浮垃圾的各区域。其中,FT显著性检测算法为公知技术,具体方法在此不做介绍。
在实时水面图像和基准图像中相邻水面漂浮物体对应的区域易被识别为一个待测区,为了使识别结果更为准确,需要将不同水面漂浮物体对应的区域单独划分开,避免多个水面漂浮物体在同一待测区内影响分析结果。依次对实时水面图像的每个待测区和基准图像的每个待测区中的像素点使用层次聚类算法进行聚类,将相邻且像素值信息相近的像素点聚成一簇,则实时水面图像和基准图像均可以得到多个簇,每个簇均对应一个水面漂浮物体,将实时水面图像和基准图像中的一个簇作为一个垃圾待测区,分别得到实时水面图像的垃圾待测区和基准图像的垃圾待测区,且实时水面图像和基准图像中均有多个垃圾待测区。
步骤S3:基于边缘像素点的位置获取每个垃圾待测区的形状矩阵;基于像素点的灰度值获取每个垃圾待测区的纹理矩阵;结合像素点的数量、所述形状矩阵和所述纹理矩阵获取每个垃圾待测区的特征矩阵。
垃圾待测区可能对应水面漂浮垃圾,也可能对应水纹。水纹是由风的吹拂、水下暗流的冲击等形成,形态并不固定,在不同时刻同一位置会出现差异,无法长时间保持;而水面漂浮垃圾的形状、纹理固定,在相差较短的不同时刻差异不大。以此为依据,依次从形状特征和纹理特征两个方面对垃圾待测区进行分析,依次获取每个垃圾待测区的形状矩阵和纹理矩阵,获取形状矩阵和纹理矩阵的具体方法为:
(1)从垃圾待测区的形状特征进行分析,获取垃圾待测区的形状矩阵:根据每个垃圾待测区内边缘像素点的位置坐标获得对应垃圾待测区的傅里叶描述子,将傅里叶描述子中的元素进行顺序排列,获得形状矩阵。
将实时水面图像和基准图像均进行灰度化,分别得到实时水面灰度图像和基准灰度图像,对实时水面灰度图像和基准灰度图像都使用canny边缘检测,分别获取实时水面边缘图像和基准边缘图像,且实时水面边缘图像和基准边缘图像均为二值图像。其中,canny边缘检测为公知技术,具体方法在此不做介绍。
傅里叶描述子以物体边界信息的傅里叶变换作为形状特征,将轮廓特征从空间域变换到频域,提取频域信息作为对应物体的特征向量,即该特征向量描述了物体对应区域的边缘特征,当两个区域的边缘特征较为相似时,则这两个区域对应的特征矩阵间的每个数值的差值越小。
作为一个示例,分别获取实时水面边缘图像和基准边缘图像中像素值为1的各像素点,找出这些像素点位于实时水面灰度图像和基准灰度图像中对应每个垃圾待测区的位置,这些位置即为每个垃圾待测区的边缘像素点的位置坐标。对每个垃圾待测区的边缘使用傅里叶描述子进行评价,得到傅里叶描述子,选取傅里叶描述子中的前5项元素组成形状矩阵,且形状矩阵为5*1的矩阵。
(2)从垃圾待测区的纹理特征进行分析,获取垃圾待测区的纹理矩阵:获取每个垃圾待测区内各像素点的LBP值,依据像素点的位置将各像素点的LBP值填入到对应位置得到矩阵,使用0将矩阵补全为方阵,对方阵进行降维得到对应垃圾待测区的纹理矩阵;所述纹理矩阵的行数与所述形状矩阵的列数相等,所述纹理矩阵的列数与所述形状矩阵的行数相等。
LBP指局部二值模式,是一种用来描述图像局部纹理特征的算子,LBP算子具有旋转不变性和灰度不变行性等显著优点。LBP算子将窗口中心点与邻域点的关系进行比较,重新编码已形成新的特征,这样在一定程度上消除了外界场景对图像的影响,因此,在一定程度上解决了复杂场景下的特征描述的问题。
作为一个示例,获取垃圾待测区内每个像素点的LBP值,将每个像素点的LBP值填入到对应像素点的位置得到矩阵,对于矩阵中的空缺位置,用0将矩阵补全为方阵,为了降低计算量,对方阵使用PCA主成分分析法进行降维,方阵经过降维后得到纹理矩阵,且纹理矩阵为1*5的矩阵,即纹理矩阵的行数与形状矩阵的列数相等且纹理矩阵的列数与形状矩阵的行数相等。其中,PCA主成分分析法为公知技术,具体方法在此不做介绍。
(3)结合垃圾待测区的形状特征和纹理特征,获取垃圾待测区的特征矩阵:将形状矩阵和纹理矩阵相乘,获得初始形态特征矩阵;以每个垃圾待测区内像素点数量的归一化值作为对应初始形态特征矩阵的加权系数,将加权系数和初始形态矩阵的乘积作为对应垃圾待测区的特征矩阵。
作为一个示例,以实时水面图像的垃圾待测区为例,将垃圾待测区内像素点的数量记为,获取实时水面图像中每个垃圾待测区内像素点的数量,将垃圾待测区内像素点数量的最大值记为,依次获取实时水面图像的垃圾待测区的形状矩阵和纹理矩阵,结合实时水面图像中各垃圾待测区内像素点的数量、以及实时水面图像的垃圾待测区的形状矩阵和纹理矩阵,得到实时水面图像的垃圾待测区的特征矩阵。实时水面图像的垃圾待测区的特征矩阵的计算公式如下:
式中,为实时水面图像的垃圾待测区的特征矩阵,为实时水面图像的垃圾待测区内像素点的数量,为实时水面图像中各垃圾待测区内像素点数量的最大值,为实时水面图像的垃圾待测区的形状矩阵,为实时水面图像的垃圾待测区的纹理矩阵。
需要说明的是,由于实时水面图像的垃圾待测区的特征矩阵由对应加权系数和初始形态特征矩阵得到,而初始形态特征矩阵需要通过形状矩阵和纹理矩阵相乘;实时水面图像中各垃圾待测区内像素点数量的最大值不变,当垃圾待测区内像素点的数量越多,则加权系数越大。因此通过加权系数的调整后,特征矩阵能够反映对应垃圾待测区的大小特征,特征矩阵中的元素数量越大,垃圾待测区的大小特征越明显;初始形态特征矩阵可以综合反映对应垃圾待测区的形状特征和纹理特征,当初始形态特征矩阵的形状特征和纹理特征越明显,则垃圾待测区的形状特征和纹理特征均越明显。
依据上述方法分别获取实时水面图像和基准图像内每个垃圾待测区的特征矩阵。
步骤S4:根据特征矩阵差异对实时水面图像和基准图像之间的垃圾待测区进行匹配,获得匹配区域对;依据每个所述匹配区域对内的位置信息获取波纹影响值,基于所述波纹影响值获取特征差异阈值。
实时水面图像和基准图像是在同一位置相隔固定较短时间段获取的图像,在较短时间内,水面漂浮垃圾的形态特征应基本保持不变,而水纹时时刻刻都在发生变化,以此为依据对实时水面图像和基准图像中的各匹配区域对内的垃圾待测区进行比较,根据每个匹配区域对内两个垃圾待测区的特征矩阵之间的差异获得不同时刻各垃圾待测区之间的特征差异阈值。
首先,获取实时水面图像中每个垃圾待测区与基准图像中各垃圾待测区之间的特征矩阵差异:将每个特征矩阵内的所有元素顺序排列,组成对应垃圾待测区的特征序列,以实时水面图像中每个垃圾待测区的特征序列与基准图像中各垃圾待测区的序列之间的距离作为特征矩阵差异。
作为一个示例,以实时水面图像的垃圾待测区为例,获取实时水面图像的垃圾待测区的特征矩阵,将特征矩阵内的各元素从左至右,由上至下顺序排列,组成实时水面图像的垃圾待测区的特征序列。从基准图像中任意选取一个垃圾待测区,以基准图像的垃圾待测区为例,同样将基准图像的垃圾待测区的特征矩阵内的各元素从左至右,由上至下顺序排列,组成基准图像的垃圾待测区的特征序列。基于特征序列和特征序列获取实时水面图像的垃圾待测区与基准图像的垃圾待测区的特征矩阵差异。
实时水面图像的垃圾待测区与基准图像的垃圾待测区的特征矩阵差异的计算公式如下:
式中,为实时水面图像的垃圾待测区的特征序列,为基准图像的垃圾待测区的特征序列,为取括号内的两个序列之间的dtw距离。
需要说明的是,特征矩阵差异反映了实时水面图像的垃圾待测区的特征矩阵与基准图像的垃圾待测区的特征矩阵之间的差异程度,当垃圾待测区的特征矩阵与垃圾待测区的特征矩阵之间的差异越小,则特征矩阵与特征矩阵之间的特征矩阵差异越小。
通过上述方法,分别计算实时水面图像的垃圾待测区与基准图像中每个垃圾待测区之间的特征矩阵差异,即实时水面图像的垃圾待测区与基准图像中每个垃圾待测区之间均有一个对应的特征矩阵差异;同时,计算实时水面图像的每个垃圾待测区与基准图像中各垃圾待测区之间的特征矩阵差异。
其次,获取同一水面漂浮物体对应在实时水面图像的垃圾待测区和基准图像的垃圾待测区,这两个垃圾待测区组成该水面漂浮物体对应的匹配区域对,即将实时水面图像中每个垃圾待测区的最小特征矩阵差异对应基准图像中的垃圾待测区作为实时水面图像中对应垃圾待测区的匹配区,获得匹配区域对。
实时水面图像的任意一个垃圾待测区与基准图像中每个垃圾待测区之间均有一个对应的特征矩阵差异,由于在实时水面图像和基准图像中同一水面漂浮垃圾所对应的两个垃圾待测区之间的特征矩阵差异应最小,所以分别选取实时水面图像中每个垃圾待测区的最小特征矩阵差异对应基准图像中的垃圾待测区,将该垃圾待测区作为实时水面图像中对应垃圾待测区的匹配区,由实时水面图像中的垃圾待测区与该垃圾待测区在基准图像中的匹配区组成匹配区域对。
之后,基于匹配区域对内两个垃圾待测区之间的位置变化判断影响水域对应的波纹影响值:根据匹配区域对内两个区域之间质心的位置坐标获得波纹影响向量;将所有匹配区域对的波纹影响向量的模长从小到大排列得到第一模长序列,将第一模长序列中突变值对应的实时水面图像中垃圾待测区判定为第一水纹区域,去除第一模长序列中模长的突变值得到第二模长序列;将第二模长序列中所有模长的均值作为波纹影响值。
获取实时水面图像和基准图像时存在一定时间间隔,在这段时间间隔内,水面漂浮垃圾可能会随水流移动,当水面漂浮垃圾处于水流较快、水面波纹较大的环境中时,水面漂浮垃圾随着水流漂流导致位移越大,则每个水面漂浮垃圾的匹配区域对内两个垃圾待测区之间的位置改变也越大,所以根据水面漂浮垃圾的匹配区域对内两个垃圾待测区之间的位置变化大小判断影响水域对应的波纹影响值。
将实时水面图像和基准图像放入同一个直角坐标系中,获取每个匹配区域对内的两个垃圾待测区对应在实时水面图像和基准图像中的位置,取匹配区域对内的两个垃圾待测区的质心,将匹配区域对内位于实时水面图像的垃圾待测区的质心作为起点,将匹配区域对内位于基准图像的垃圾待测区的质心作为终点,能够得到一个波纹影响向量,获取该波纹影响向量的模长,此波纹影响向量的模长表示匹配区域对内两个垃圾待测区在同一个直角坐标系中的距离。按照同样的方法,分别获取每个匹配区域对内两个垃圾待测区之间波纹影响向量的模长,并将所有波纹影响向量的模长从小到大排列,得到第一模长序列。
在同一片水域中,水流在相同时间间隔内对水面漂浮物体的影响一致,所以第一模长序列中的数值较为相似,若第一模长序列中出现了异常值,则认为该数值对应的匹配区域对的水面漂浮物体为特征相似的水纹,而不是水面漂浮垃圾。对第一模长序列使用BG分割算法识别第一模长序列中的突变值,将识别出的突变值对应的实时水面图像中垃圾待测区判定为第一水纹区域。去除第一模长序列中的突变值,得到第二模长序列,将第二模长序列中各模长分别记为,其中,为第二模长序列中第1个模长,为第二模长序列中第2个模长,为第二模长序列中第个模长。其中,BG分割算法为公知技术,具体方法在此不做介绍。
基于第二模长序列中的模长计算波纹影响值,则波纹影响值的计算公式如下:
式中,为第二模长序列中第个模长,为第二模长序列中模长的数量。
需要说明的是,波纹影响值反映了水面漂浮物体在一定时间间隔内移动距离的大小,当水域的水流越湍急,则每个水面漂浮物体在一定时间间隔内移动的距离越远,即第二模长序列中的各模长越大,导致水域的波纹影响值越大。
最后,根据波纹影响值获取匹配区域对内两个垃圾待测区的特征差异阈值。对波纹影响值进行归一化处理得到归一化波纹影响值,设置第一常数,将第一常数与归一化波纹影响值的差值作为特征差异阈值。
当水面漂浮物体在一定时间间隔内移动的距离越大时,表明该水域的水流越为湍急,此时水域中的水纹越多,对实时水面图像和基准图像中各垃圾待测区进行匹配时的影响也越大,导致后续确定匹配区域对内两个垃圾待测区的特征差异阈值时应更加苛刻。
对波纹影响值进行归一化处理得到归一化波纹影响值,基于归一化波纹影响值确定匹配区域对内两个垃圾待测区的特征差异阈值,则特征差异阈值的计算公式如下:
式中,为归一化波纹影响值;为第一常数,经验值为1,实施者可自行设定,但设定值应不小于1,以保证。
需要说明的是,当波纹影响值越大,则水域中水面漂浮物体在一定时间间隔内移动的距离越大,进而反映出该水域的水流越为湍急,导致水域中的水纹较多,为了使垃圾待测区的判断更加准确,特征差异阈值的取值应更加严格,所以特征差异阈值应越小。
至此,完成对特征差异阈值的获取。
步骤S5:根据匹配区域对内的所述特征矩阵差异和所述特征差异阈值判断实时水面图像中对应的垃圾待测区是否为水面漂浮垃圾,根据水面漂浮垃圾分布判断是否存在水环境污染。
依据特征差异阈值判断实时水面图像中对应的垃圾待测区是否对应水面漂浮垃圾,进而判断水域的水面垃圾污染情况。
确定实时水面图像中各垃圾待测区对应的水面漂浮物体为水面漂浮垃圾或者水纹:去除实时水面图像中的第一水纹区域,将实时水面图像中剩余的各垃圾待测区对应匹配区域对内的特征矩阵差异进行归一化处理,得到归一化最小特征值;当归一化最小特征值小于等于特征差异阈值,则认为实时水面图像中对应垃圾待测区为水面漂浮垃圾;当归一化最小特征值大于特征差异阈值,则认为实时水面图像中对应垃圾待测区为第二水纹区域。
根据实时水面图像中的垃圾待测区对应水面漂浮物体的判断结果对水域存在水环境污染的判断方法为:设置数量阈值和面积阈值,当水域中被识别为水面漂浮垃圾的垃圾待测区的数量大于等于数量阈值时,或者水域中被识别为水面漂浮垃圾的垃圾待测区的面积总和与整个水域面积的比值大于等于面积阈值时,则认为该水域存在水环境污染。
本发明实施例中数量阈值取经验值10,面积阈值取经验值0.1%。
至此,完成对实时水面图像中各垃圾待测区的判断,筛选出水面漂浮垃圾对应的垃圾待测区,准确判断水域的水面垃圾污染情况。
综上所述,本发明实施例中,获取水域的实时水面图像,以及该实时水面图像的基准图像,根据灰度值获取分别获取两张图像中的垃圾待测区,从垃圾待测区的形状特征和纹理特征进行分析,基于边缘像素点的位置获取每个垃圾待测区的形状矩阵,基于像素点的灰度值获取每个垃圾待测区的纹理矩阵,结合垃圾待测区内像素点的数量、形状矩阵和纹理矩阵得到对应垃圾待测区的特征矩阵,根据特征矩阵差异将水面漂浮物体在两个图像中对应的垃圾待测区组成匹配区域对,依据匹配区域对内的位置信息获取波纹影响值,进而获取特征差异阈值,基于特征差异阈值判断垃圾待测区是否为水面漂浮垃圾,依据水面漂浮垃圾的分布信息确定水域的水环境污染情况,提高了对水域的水环境污染情况检测的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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 (4)
1.基于航拍图像的水环境污染检测方法,其特征在于,该方法包括:
获取水域的实时水面图像,以所述实时水面图像对应时刻之前预设时间间隔的实时水面图像作为基准图像;
根据灰度值获取实时水面图像中的垃圾待测区和基准图像中的垃圾待测区;
基于边缘像素点的位置获取每个垃圾待测区的形状矩阵;基于像素点的灰度值获取每个垃圾待测区的纹理矩阵;结合像素点的数量、所述形状矩阵和所述纹理矩阵获取每个垃圾待测区的特征矩阵;
根据特征矩阵差异对实时水面图像和基准图像之间的垃圾待测区进行匹配,获得匹配区域对;依据每个所述匹配区域对内的位置信息获取波纹影响值,基于所述波纹影响值获取特征差异阈值;
根据匹配区域对内的所述特征矩阵差异和所述特征差异阈值判断实时水面图像中对应的垃圾待测区是否为水面漂浮垃圾,根据水面漂浮垃圾分布判断是否存在水环境污染;
所述根据灰度值获取实时水面图像中的垃圾待测区和基准图像中的垃圾待测区的获取方法,包括:
分别获取实时水面图像的显著图和基准图像的显著图,将两个显著图中灰度值不为0的像素点组成的区域作为对应显著图的待测区,依次对实时水面图像的每个待测区和基准图像的每个待测区中的像素点进行聚类,分别获取实时水面图像的垃圾待测区和基准图像的垃圾待测区;
所述特征矩阵差异的获取方法,包括:
将每个特征矩阵内的所有元素顺序排列,组成对应垃圾待测区的特征序列,以实时水面图像中每个垃圾待测区的特征序列与基准图像中各垃圾待测区的序列之间的距离作为特征矩阵差异;
所述匹配区域对的获取方法,包括:
将实时水面图像中每个垃圾待测区的最小特征矩阵差异对应基准图像中的垃圾待测区作为实时水面图像中对应垃圾待测区的匹配区,获得匹配区域对;
所述波纹影响值的获取方法,包括:
根据匹配区域对内两个区域之间质心的位置坐标获得波纹影响向量;
将所有匹配区域对的波纹影响向量的模长从小到大排列得到第一模长序列,将第一模长序列中突变值对应的实时水面图像中垃圾待测区判定为第一水纹区域,去除第一模长序列中模长的突变值得到第二模长序列;
将第二模长序列中所有模长的均值作为波纹影响值;
所述特征差异阈值的获取方法,包括:
对波纹影响值进行归一化处理得到归一化波纹影响值,设置第一常数,将第一常数与归一化波纹影响值的差值作为特征差异阈值;
所述水环境污染的判断方法,包括:
去除实时水面图像中的第一水纹区域,将实时水面图像中剩余的各垃圾待测区对应匹配区域对内的特征矩阵差异进行归一化处理,得到归一化最小特征值;
当归一化最小特征值小于等于特征差异阈值,则认为实时水面图像中对应垃圾待测区为水面漂浮垃圾;当归一化最小特征值大于特征差异阈值,则认为实时水面图像中对应垃圾待测区为第二水纹区域;
设置数量阈值和面积阈值,当水域中被识别为水面漂浮垃圾的垃圾待测区的数量大于等于数量阈值时,或者水域中被识别为水面漂浮垃圾的垃圾待测区的面积总和与整个水域面积的比值大于等于面积阈值时,则认为该水域存在水环境污染。
2.根据权利要求1所述的基于航拍图像的水环境污染检测方法,其特征在于,所述形状矩阵的获取方法,包括:
根据每个垃圾待测区内边缘像素点的位置坐标获得对应垃圾待测区的傅里叶描述子,将傅里叶描述子中的元素进行顺序排列,获得形状矩阵。
3.根据权利要求2所述的基于航拍图像的水环境污染检测方法,其特征在于,所述纹理矩阵的获取方法,包括:
获取每个垃圾待测区内各像素点的LBP值,依据像素点的位置将各像素点的LBP值填入到对应位置得到矩阵,使用0将矩阵补全为方阵,对方阵进行降维得到对应垃圾待测区的纹理矩阵;所述纹理矩阵的行数与所述形状矩阵的列数相等,所述纹理矩阵的列数与所述形状矩阵的行数相等。
4.根据权利要求3所述的基于航拍图像的水环境污染检测方法,其特征在于,所述特征矩阵的获取方法,包括:
将形状矩阵和纹理矩阵相乘,获得初始形态特征矩阵;
以每个垃圾待测区内像素点数量的归一化值作为对应初始形态特征矩阵的加权系数,将加权系数和初始形态矩阵的乘积作为对应垃圾待测区的特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092012.0A CN115797813B (zh) | 2023-02-10 | 2023-02-10 | 基于航拍图像的水环境污染检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092012.0A CN115797813B (zh) | 2023-02-10 | 2023-02-10 | 基于航拍图像的水环境污染检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797813A CN115797813A (zh) | 2023-03-14 |
CN115797813B true CN115797813B (zh) | 2023-04-25 |
Family
ID=85430726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310092012.0A Active CN115797813B (zh) | 2023-02-10 | 2023-02-10 | 基于航拍图像的水环境污染检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797813B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152115B (zh) * | 2023-04-04 | 2023-07-07 | 湖南融城环保科技有限公司 | 基于计算机视觉的垃圾图像去噪处理方法 |
CN117392465B (zh) * | 2023-12-08 | 2024-03-22 | 聚真宝(山东)技术有限公司 | 一种基于视觉的垃圾分类数字化管理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147733A (zh) * | 2022-09-05 | 2022-10-04 | 山东东盛澜渔业有限公司 | 一种基于人工智能的海洋垃圾识别回收方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2632176C1 (ru) * | 2016-06-17 | 2017-10-02 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга АЭРОКОСМОС" | Способ идентификации загрязнений морской поверхности |
CN112241692B (zh) * | 2020-09-25 | 2022-09-13 | 天津大学 | 基于航拍图超像素纹理的渠道异物智能检测与分类方法 |
-
2023
- 2023-02-10 CN CN202310092012.0A patent/CN115797813B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147733A (zh) * | 2022-09-05 | 2022-10-04 | 山东东盛澜渔业有限公司 | 一种基于人工智能的海洋垃圾识别回收方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115797813A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN108710862B (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN112784757B (zh) | 海上sar舰船目标显著性检测与识别方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN114492619A (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
CN110516666B (zh) | 基于mser和isodata相结合的车牌定位方法 | |
CN111695373A (zh) | 斑马线的定位方法、***、介质及设备 | |
CN116311201A (zh) | 一种基于图像识别技术的变电站设备状态识别方法及*** | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测***及方法 | |
CN111950357A (zh) | 一种基于多特征yolov3的船用水面垃圾快速识别方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 |
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 |