CN117173580B - 水质参数的获取方法及装置、图像处理方法、介质 - Google Patents
水质参数的获取方法及装置、图像处理方法、介质 Download PDFInfo
- Publication number
- CN117173580B CN117173580B CN202311451968.1A CN202311451968A CN117173580B CN 117173580 B CN117173580 B CN 117173580B CN 202311451968 A CN202311451968 A CN 202311451968A CN 117173580 B CN117173580 B CN 117173580B
- Authority
- CN
- China
- Prior art keywords
- image
- strip
- quantum dot
- processed
- water quality
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 413
- 238000000034 method Methods 0.000 title claims abstract description 146
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 239000002096 quantum dot Substances 0.000 claims abstract description 308
- 238000001228 spectrum Methods 0.000 claims abstract description 207
- 230000003595 spectral effect Effects 0.000 claims abstract description 166
- 238000005070 sampling Methods 0.000 claims abstract description 106
- 238000003384 imaging method Methods 0.000 claims abstract description 96
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims description 90
- 238000007621 cluster analysis Methods 0.000 claims description 77
- 238000009826 distribution Methods 0.000 claims description 53
- 230000011218 segmentation Effects 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 43
- 238000001514 detection method Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 28
- 230000003287 optical effect Effects 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000036961 partial effect Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000002829 reductive effect Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 19
- 238000000701 chemical imaging Methods 0.000 description 35
- 238000010586 diagram Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 244000007853 Sarothamnus scoparius Species 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- 239000011358 absorbing material Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000007888 film coating Substances 0.000 description 2
- 238000009501 film coating Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000007800 oxidant agent Substances 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000002178 crystalline material Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000005446 dissolved organic matter Substances 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及水质监测技术领域，具体涉及一种水质参数的获取方法及装置、图像处理方法、介质，获取方法包括基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，得到多张第一图像；基于多张第一图像和各量子点条带的实际位置信息确定出第一光谱图像，第一光谱图像包括目标水域中所有区域的光谱信息；将第一光谱图像和第一采样时间输入至反演模型中进行计算，得到第一水质参数。根据本公开实施例的获取方法及装置、图像处理方法、介质能够快速准确地反演出目标水域的水质参数，有助于全面准确地监测目标水域的水质情况。
Description
技术领域
本公开涉及水质监测技术领域，尤其涉及一种水质参数的获取方法及装置、图像处理方法、介质。
背景技术
随着社会经济的高速发展，一些地表水体（湖泊、水库和河流）受到了严重的污染，全面准确的水质监测是水污染治理和水环境保护的前提。
传统水质监测的方法主要是现场采集水样，后在实验室测量各种水质参数，这难以反映污染物的空间分布特征及水质参数浓度的大面积范围的动态变化。近年来，越来越多的相关技术开始利用光谱成像技术来实现水质监测，但传统的光谱成像技术仍无法很好地满足实际应用需求。比如，传统的光谱成像技术中的分光方式主要有棱镜、光栅和滤光片分光等，其中，棱镜和光栅型都带有复杂的分光元件，体积庞大、造价昂贵。另外，滤光片阵列型或线性渐变滤光片型光谱成像仪，由于镀膜工艺或滤光片本身特性，使得光谱范围和光谱分辨率受限，无法满足高光谱成像的应用需求。
发明内容
有鉴于此，本公开提出了一种水质参数的获取方法、图像处理方法及装置、介质，能够快速准确地反演出目标水域的水质参数，有助于全面准确地监测目标水域的水质情况。
根据本公开的一方面，提供了一种水质参数的获取方法，包括：
基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，得到多张第一图像，其中，所述遥感成像***包含多个遥感通道，各所述遥感通道对应设有不同的量子点条带，各所述量子点条带具有不同的光学特性，全部所述第一图像覆盖所述目标水域中所有区域的光谱信息；
基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，所述第一光谱图像包括所述目标水域中所有区域的光谱信息，其中，所述各所述量子点条带的实际位置信息通过对待处理图像进行条带分割确定，所述待处理图像与所述第一图像基于同一所述遥感成像***获得；
将所述第一光谱图像和第一采样时间输入至反演模型中进行计算，得到第一水质参数，其中，所述第一采样时间为所述第一光谱图像包括的采样时间，所述第一水质参数表征所述目标水域的水质情况。
这样，基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，可以得到多张第一图像，每张第一图像可以反映出目标水域不同区域的光谱信息，全部第一图像可覆盖目标水域中所有区域的光谱信息，遥感成像***包括多个遥感通道，各遥感通道对应设有不同的量子点条带，各量子点条带具有不同的光学特性，这样利用量子点进行光谱成像可以在保证光谱分辨率高和光谱范围宽的同时具有能量利用率高、体校小、易调制及成本低的特点，接着基于这些第一图像和通过对基于同一遥感成像***获取的待处理图像进行条带分割确定出的各量子点条带的实际位置信息可以确定相应的第一光谱图像，第一光谱图像可以反映出目标水域所有区域的光谱信息，通过将第一光谱图像和对应的采样时间输入至反演模型中，可以得到对应的水质参数，从而可以快速准确地反演出目标水域的水质参数，有助于全面准确地监测目标水域的水质情况。
在一种可能的实现方式中，所述基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，包括：根据各所述量子点条带的实际位置信息，将每张所述第一图像中对应于同一所述量子点条带的光谱信息提取出来；按照各光谱信息所对应的区域在所述目标水域中的位置，将对应于同一所述量子点条带的多个光谱信息进行拼接，得到对应于各所述量子点条带的第一全景图，各所述第一全景图包括对应于同一所述量子点条带的所述目标水域中所有区域的光谱信息；对各所述第一全景图进行特征提取，得到各所述第一全景图的多个第一特征点；以所述多张第一全景图的其中一张作为第一中心全景图，根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，所述第一单应变换集包括所述第一中心全景图与其余各个所述第一全景图之间的第一单应变换矩阵；利用所述第一单应变换集对所述多张第一全景图进行处理，得到所述第一光谱图像。
这样，通过对多张第一图像进行拼接得到多张第一全景图，并在多张第一全景图的基础上进行配准，能够得到具有全部所需光谱信息的第一光谱图像，有助于后续基于该第一光谱图像进行水质参数的准确反演。
在一种可能的实现方式中，所述根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，包括：分别通过直接法、结合有轨迹追踪的模拟法、结合有模板匹配的直接法、结合有轨迹追踪和模板匹配的模拟法、结合有插值法的直接法的方式确定出多个待定单应变换集；根据预设的指标评价从所述多个待定单应变换集中确定出所述第一单应变换集。
这样，通过直接法、模拟法、轨迹追踪、模板匹配、插值法之间的组合确定出不同方式下的单应变换集，并根据多种指标进行评价，从而确定出最优的第一单应变换集，能够避免实际使用过程中奇偶数帧图像之间存在的整体颜色差异、特征不明显等因素导致的匹配出错问题及其他影响单应变换集精度的问题，从而确定出最优的第一单应变换集，进而确定出相应的第一光谱图像，有助于后续基于该第一光谱图像进行水质参数的准确反演。
在一种可能的实现方式中，对待处理图像进行条带分割，包括：对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，并根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，其中，所述第一位置指示条带的初始粗糙位置，所述第二位置指示条带的初始精确位置。
这样，通过对待处理图像进行聚类分析、初始粗糙位置的确定、初始精确位置的确定，从而得到各量子点条带的实际位置信息，有助于后续准确快速地确定出第一光谱图像。
在一种可能的实现方式中，所述对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，包括：获取所述待处理图像，并对所述待处理图像进行预处理，所述预处理方式包括转换图像格式、调整图像尺寸、调整图像像素值中的至少一种；对经所述预处理后的待处理图像进行聚类分析，得到分割结果；根据所述分割结果统计所述经所述预处理后的待处理图像中连续出现预设像素的区间范围，根据所述区间范围确定各所述量子点条带的第一位置，所述第一位置指示条带的初始粗糙位置；并且/或者，所述根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，包括：根据所述第一位置判断所述待处理图像是否缺失条带，若所述待处理图像存在缺失的条带，则利用条带的分布信息进行条带填补，所述条带的分布信息包括条带数量、条带宽度、相邻条带之间的间隔中的至少一种；根据各所述量子点条带的先验信息和所述第一位置，从所述待处理图像中提取出待处理子图像，所述待处理子图像位于所述待处理图像中的中心区域；对所述待处理子图像进行聚类分析，并对聚类分析后的待处理子图像进行直线检测，得到直线检测结果；利用所述直线检测结果对所述待处理图像进行边界约束，并去除所述待处理图像中的噪声，去除噪声的方式包括去除像素值大于预设阈值的像素；根据经边界约束和去除噪声后的待处理图像确定各所述量子点条带的第二位置，所述第二位置指示条带的初始精确位置；根据所述第二位置判断是否需要扩充条带宽度；根据所述第二位置调整条带的分布情况，所述调整方式包括增加条带和/或删除条带；以经调整条带的分布情况后的条带位置作为所述各所述量子点条带的实际位置信息。
这样，通过对待处理图像进行预处理、聚类分析、条带填补、直线检测、边界约束、去除噪声、调整条带分布情况这一系列操作，能够准确实现条带分割，确定出各量子点条带的实际位置信息，从而有助于后续准确快速地确定出第一光谱图像。
在一种可能的实现方式中，所述方法还包括所述反演模型的训练步骤，所述训练步骤包括：构建样本集，所述样本集包括多个样本对，每个所述样本对包括光谱图像数据和对应的水质参数数据，所述光谱图像数据具有多个波段的光谱信息；根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，所述特征波段集与所述水质参数数据的相关性处于预设阈值范围内；基于所述特征波段集和所述样本集训练初始的反演模型，得到训练后的反演模型。
这样，通过选取合适的特征波段集，即从全波段中筛选出敏感波段，有利于训练得到能够反演出更加精度的水质参数的反演模型。
在一种可能的实现方式中，所述根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，包括：计算各所述波段与所述水质参数数据的相关性，并按照所述相关性从大到小排序得到波段顺序；构建初始状态为空集的目标波段集，根据所述波段顺序向所述目标波段集中逐个增加所述波段，直至增加新波段后的目标波段集与所述水质参数数据的相关性降低或增加幅度小于预设阈值，将增加所述新波段前的目标波段集作为所述特征波段集。
这样，基于各个波段与水质参数的相关性确定合适的特征波段集，有助于全波段中筛选出敏感波段，使得后续基于该敏感波段训练得到的反演模型能够反演出更加精度的水质参数。
在一种可能的实现方式中，所述光谱图像数据包括第二采样时间和第二光谱图像，所述水质参数数据包括第三采样时间和第二水质参数，其中，所述第二采样时间为所述第二光谱图像的采样时间，所述第三采样时间为所述第二水质参数的采样时间，所述第二采样时间和所述第三采样时间为同一采样时间或满足预设间隔时间条件；所述第二光谱图像包括所述预设水域中所有区域的光谱信息，所述第二水质参数表征所述预设水域的水质情况，其中，所述预设水域为所述目标水域和/或非所述目标水域。
这样，训练得到的反演模型具有较强的泛化能力，反演出的目标水域的水质参数将会更加精准。
根据本公开的另一方面，提供了一种图像处理方法，包括：
基于同一遥感成像***进行高光谱遥感成像，得到待处理图像和多张第一图像，其中，所述遥感成像***包含多个遥感通道，各所述遥感通道对应设有不同的量子点条带，各所述量子点条带具有不同的光学特性，全部所述第一图像覆盖目标水域中所有区域的光谱信息；
对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，并根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，其中，所述第一位置指示条带的初始粗糙位置，所述第二位置指示条带的初始精确位置；
基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，所述第一光谱图像包括所述目标水域中所有区域的光谱信息。
这样，通过基于同一遥感成像***进行高光谱遥感成像，可以得到待处理图像和多张第一图像，全部第一图像可覆盖目标水域中所有区域的光谱信息，遥感成像***包括多个遥感通道，各遥感通道对应设有不同的量子点条带，各量子点条带具有不同的光学特性，这样利用量子点进行光谱成像可以在保证光谱分辨率高和光谱范围宽的同时具有能量利用率高、体校小、易调制及成本低的特点，接着通过对待处理图像进行聚类分析，根据聚类分析的结果确定各量子点条带的第一位置、第二位置，根据第二位置确定各量子点条带的实际位置信息，进而通过基于多张第一图像和各量子点条带的实际位置信息能够快速准确地确定出第一光谱图像，第一光谱图像可以反映出目标水域所有区域的光谱信息，从而有助于后续基于第一光谱图像快速准确地反演出目标水域的水质参数，实现全面准确地监测目标水域的水质情况。
在一种可能的实现方式中，所述对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，包括：对所述待处理图像进行预处理，所述预处理方式包括转换图像格式、调整图像尺寸、调整图像像素值中的至少一种；对经所述预处理后的待处理图像进行聚类分析，得到分割结果；根据所述分割结果统计所述经所述预处理后的待处理图像中连续出现预设像素的区间范围，根据所述区间范围确定各所述量子点条带的第一位置；并且/或者，所述根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，包括：根据所述第一位置判断所述待处理图像是否缺失条带，若所述待处理图像存在缺失的条带，则利用条带的分布信息进行条带填补，所述条带的分布信息包括条带数量、条带宽度、相邻条带之间的间隔中的至少一种；根据各所述量子点条带的先验信息和所述第一位置，从所述待处理图像中提取出待处理子图像，所述待处理子图像位于所述待处理图像中的中心区域；对所述待处理子图像进行聚类分析，并对聚类分析后的待处理子图像进行直线检测，得到直线检测结果；利用所述直线检测结果对所述待处理图像进行边界约束，并去除所述待处理图像中的噪声，去除噪声的方式包括去除像素值大于预设阈值的像素；根据经边界约束和去除噪声后的待处理图像确定各所述量子点条带的第二位置；根据所述第二位置判断是否需要扩充条带宽度；根据所述第二位置调整条带的分布情况，所述调整方式包括增加条带和/或删除条带；以经调整条带的分布情况后的条带位置作为所述各所述量子点条带的实际位置信息。
这样，通过对待处理图像进行预处理、聚类分析、条带填补、直线检测、边界约束、去除噪声、调整条带分布情况这一系列操作，能够准确实现条带分割，确定出各量子点条带的实际位置信息，从而有助于后续准确快速地确定出第一光谱图像。
在一种可能的实现方式中，所述基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，包括：根据各所述量子点条带的实际位置信息，将每张所述第一图像中对应于同一所述量子点条带的光谱信息提取出来；按照各光谱信息所对应的区域在所述目标水域中的位置，将对应于同一所述量子点条带的多个光谱信息进行拼接，得到对应于各所述量子点条带的第一全景图，各所述第一全景图包括对应于同一所述量子点条带的所述目标水域中所有区域的光谱信息；对各所述第一全景图进行特征提取，得到各所述第一全景图的多个第一特征点；以所述多张第一全景图的其中一张作为第一中心全景图，根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，所述第一单应变换集包括所述第一中心全景图与其余各个所述第一全景图之间的第一单应变换矩阵；利用所述第一单应变换集对所述多张第一全景图进行处理，得到所述第一光谱图像。
这样，通过对多张第一图像进行拼接得到多张第一全景图，并在多张第一全景图的基础上进行配准，能够得到具有全部所需光谱信息的第一光谱图像，有助于后续基于该第一光谱图像进行水质参数的准确反演。
根据本公开的另一方面，提供了一种水质参数的获取装置，包括：
高光谱遥感成像模块，所述高光谱遥感成像模块用于基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，得到多张第一图像，其中，所述遥感成像***包含多个遥感通道，各所述遥感通道对应设有不同的量子点条带，各所述量子点条带具有不同的光学特性，全部所述第一图像覆盖所述目标水域中所有区域的光谱信息；
图像处理模块，所述图像处理模块用于基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，所述第一光谱图像包括所述目标水域中所有区域的光谱信息，其中，所述各所述量子点条带的实际位置信息通过对待处理图像进行条带分割确定，所述待处理图像与所述第一图像基于同一所述遥感成像***获得；
参数反演模块，所述参数反演模块用于将所述第一光谱图像和第一采样时间输入至反演模型中进行计算，得到第一水质参数，其中，所述第一采样时间为所述第一光谱图像包括的采样时间，所述第一水质参数表征所述目标水域的水质情况。
这样，通过高光谱遥感成像模块基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，可以得到多张第一图像，每张第一图像可以反映出目标水域不同区域的光谱信息，全部第一图像可覆盖目标水域中所有区域的光谱信息，遥感成像***包括多个遥感通道，各遥感通道对应设有不同的量子点条带，各量子点条带具有不同的光学特性，这样利用量子点进行光谱成像可以在保证光谱分辨率高和光谱范围宽的同时具有能量利用率高、体校小、易调制及成本低的特点，接着通过图像处理模块基于这些第一图像和通过对基于同一遥感成像***获取的待处理图像进行条带分割确定出的各量子点条带的实际位置信息可以确定相应的第一光谱图像，第一光谱图像可以反映出目标水域所有区域的光谱信息，通过参数反演模块将第一光谱图像和对应的采样时间输入至反演模型中，可以得到对应的水质参数，从而可以快速准确地反演出目标水域的水质参数，有助于全面准确地监测目标水域的水质情况。
在一种可能的实现方式中，所述基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，包括：根据各所述量子点条带的实际位置信息，将每张所述第一图像中对应于同一所述量子点条带的光谱信息提取出来；按照各光谱信息所对应的区域在所述目标水域中的位置，将对应于同一所述量子点条带的多个光谱信息进行拼接，得到对应于各所述量子点条带的第一全景图，各所述第一全景图包括对应于同一所述量子点条带的所述目标水域中所有区域的光谱信息；对各所述第一全景图进行特征提取，得到各所述第一全景图的多个第一特征点；以所述多张第一全景图的其中一张作为第一中心全景图，根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，所述第一单应变换集包括所述第一中心全景图与其余各个所述第一全景图之间的第一单应变换矩阵；利用所述第一单应变换集对所述多张第一全景图进行处理，得到所述第一光谱图像。
在一种可能的实现方式中，所述根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，包括：分别通过直接法、结合有轨迹追踪的模拟法、结合有模板匹配的直接法、结合有轨迹追踪和模板匹配的模拟法、结合有插值法的直接法的方式确定出多个待定单应变换集；根据预设的指标评价从所述多个待定单应变换集中确定出所述第一单应变换集。
在一种可能的实现方式中，对待处理图像进行条带分割，包括：对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，并根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，其中，所述第一位置指示条带的初始粗糙位置，所述第二位置指示条带的初始精确位置。
在一种可能的实现方式中，所述对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，包括：获取所述待处理图像，并对所述待处理图像进行预处理，所述预处理方式包括转换图像格式、调整图像尺寸、调整图像像素值中的至少一种；对经所述预处理后的待处理图像进行聚类分析，得到分割结果；根据所述分割结果统计所述经所述预处理后的待处理图像中连续出现预设像素的区间范围，根据所述区间范围确定各所述量子点条带的第一位置，所述第一位置指示条带的初始粗糙位置；并且/或者，所述根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，包括：根据所述第一位置判断所述待处理图像是否缺失条带，若所述待处理图像存在缺失的条带，则利用条带的分布信息进行条带填补，所述条带的分布信息包括条带数量、条带宽度、相邻条带之间的间隔中的至少一种；根据各所述量子点条带的先验信息和所述第一位置，从所述待处理图像中提取出待处理子图像，所述待处理子图像位于所述待处理图像中的中心区域；对所述待处理子图像进行聚类分析，并对聚类分析后的待处理子图像进行直线检测，得到直线检测结果；利用所述直线检测结果对所述待处理图像进行边界约束，并去除所述待处理图像中的噪声，去除噪声的方式包括去除像素值大于预设阈值的像素；根据经边界约束和去除噪声后的待处理图像确定各所述量子点条带的第二位置，所述第二位置指示条带的初始精确位置；根据所述第二位置判断是否需要扩充条带宽度；根据所述第二位置调整条带的分布情况，所述调整方式包括增加条带和/或删除条带；以经调整条带的分布情况后的条带位置作为所述各所述量子点条带的实际位置信息。
在一种可能的实现方式中，所述装置还包括用于所述反演模型的训练模块，所述训练模块用于：构建样本集，所述样本集包括多个样本对，每个所述样本对包括光谱图像数据和对应的水质参数数据，所述光谱图像数据具有多个波段的光谱信息；根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，所述特征波段集与所述水质参数数据的相关性处于预设阈值范围内；基于所述特征波段集和所述样本集训练初始的反演模型，得到训练后的反演模型。
在一种可能的实现方式中，所述根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，包括：计算各所述波段与所述水质参数数据的相关性，并按照所述相关性从大到小排序得到波段顺序；构建初始状态为空集的目标波段集，根据所述波段顺序向所述目标波段集中逐个增加所述波段，直至增加新波段后的目标波段集与所述水质参数数据的相关性降低或增加幅度小于预设阈值，将增加所述新波段前的目标波段集作为所述特征波段集。
在一种可能的实现方式中，所述光谱图像数据包括第二采样时间和第二光谱图像，所述水质参数数据包括第三采样时间和第二水质参数，其中，所述第二采样时间为所述第二光谱图像的采样时间，所述第三采样时间为所述第二水质参数的采样时间，所述第二采样时间和所述第三采样时间为同一采样时间或满足预设间隔时间条件；所述第二光谱图像包括所述预设水域中所有区域的光谱信息，所述第二水质参数表征所述预设水域的水质情况，其中，所述预设水域为所述目标水域和/或非所述目标水域。
根据本公开的另一方面，提供了一种水质参数的获取装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开实施例提供的水质参数的获取方法的流程图。
图2示出根据本公开实施例提供的量子点阵列片的示意图。
图3示出根据本公开实施例提供的目标水域的示意图
图4示出根据本公开实施例提供的第一图像的示意图。
图5示出根据本公开实施例提供的条带分割结果的示意图。
图6示出根据本公开实施例提供的使用单点线性模型进行预测的结果示意图。
图7示出根据本公开实施例提供的使用单点随机森林模型进行预测的结果示意图。
图8示出根据本公开实施例提供的使用单点引导聚集算法进行预测的结果示意图。
图9示出根据本公开实施例提供的使用K最邻近分类算法进行预测的结果示意图。
图10示出根据本公开实施例提供的图像处理方法的流程图。
图11示出根据本公开实施例提供的水质参数的获取装置的框图。
图12示出根据本公开实施例提供的用于执行水质参数的获取方法的装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
为了方便本领域技术人员理解本公开实施例提供的技术方案，下面先对技术方案实现的技术环境进行说明。
随着社会经济的高速发展，一些地表水体（湖泊、水库和河流）受到了严重的污染，为了更好地进行水污染治理和水环境保护，需要全面准确地监测水体的水质情况。具体地，水质情况可以通过化学需氧量（Chemical Oxygen Demand，COD）、酸碱度（PondusHydrogenii，pH）、电导率、溶解氧、浊度等水质参数反映。以COD为例，COD是指在一定的条件下采用一定的强氧化剂处理水样时所消耗的氧化剂量，COD是评价水体受有机物污染程度的一个重要指标，COD值越高，表示水体有机污染越严重，可见，准确评估和掌握水体水质参数的浓度分布对污染治理和环境保护有重要作用。
传统水质监测的方法主要是现场采集水样，后在实验室内测量水样的各种水质参数，由于采集水样的水量较小，难以反映污染物的空间分布特征及大面积范围下水质参数的动态变化情况。
随着遥感技术的不断发展，遥感技术依靠其实时、大面积、低成本、可重复的优势，在水质监测方面得到越来越广泛的应用。尤其是高光谱遥感，其凭借窄波段成像技术，可在高分辨率的光谱维度上反映涉水地物的生物物理属性，具有光谱分辨率高、探测地物信息能力强、所获光谱信息丰富等优势，可以捕获内陆水体中不同浓度的水质参数引起的光谱变化，在水质监测领域中显示出巨大的潜力。高光谱遥感成像能分辨的最小波长间隔小于10nm（光谱分辨率高于10nm），光谱波段数多达数十个甚至上百个。其中，使用较多的光谱成像技术是一种将成像和光谱相结合的多维信息获取技术，其能够获得被探测目标的二维空间信息和地物光谱信息，形成三维数据立方体，以实现对目标特性的综合探测感知与识别。近年来，无论是星载还是机载遥感平台，都要求其有效载荷尽可能的轻量化。因此，研制紧凑型轻量化光谱成像仪器已成为光谱遥感技术发展的重点。但传统的光谱成像技术仍无法很好地满足实际应用需求。比如，传统的光谱成像技术的分光方式主要有棱镜、光栅和滤光片分光等，但是棱镜和光栅型都带有复杂的分光元件，同时体积庞大、造价昂贵，导致无法广泛应用；再比如，滤光片阵列型或线性渐变滤光片型光谱成像仪，由于镀膜工艺或滤光片本身特性，使得光谱范围和光谱分辨率受限，无法满足高光谱成像的应用需求。
另外，目前利用遥感数据反演的水质参数多集中于叶绿素a、悬浮物以及有色可溶性有机物（Colored Dissolved Organic Matter，CDOM）等。随着对水质光谱特征研究的深入、机器学习算法的引用以及遥感技术的不断革新，利用遥感手段反演的水质参数种类不断增加。在水质参数的反演方法中应用最多也最广泛的是经验分析方法，即以遥感影像“面”值与实际水样采集的“点位”值建立函数关系，但这种经验分析方法也存在一些缺陷，比如，因为这种经验方法是以皮尔逊相关系数大小为衡量指标选取建模波段，对于多光谱遥感数据而言，其光谱波段范围较宽，波段的组合数量有限，难以找到相关系数高的变量作为自变量；再比如，由于遥感影像的“面”和实测数据“点”之间存在空间尺度上的差异以及遥感图像处理中几何校正、大气校正等因素的影响，对反演模型的建立以及模型的迁移应用均产生了较大的影响。
本公开实施例提供的水质参数的获取方法，基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，可以得到多张第一图像，每张第一图像可以反映出目标水域不同区域的光谱信息，全部第一图像可覆盖目标水域中所有区域的光谱信息，遥感成像***包括多个遥感通道，各遥感通道对应设有不同的量子点条带，各量子点条带具有不同的光学特性，这样利用量子点进行光谱成像可以在保证光谱分辨率高和光谱范围宽的同时具有能量利用率高、体积小、易调制及成本低的特点，接着基于这些第一图像和通过对基于同一遥感成像***获取的待处理图像进行条带分割确定出的各量子点条带的实际位置信息可以确定相应的第一光谱图像，第一光谱图像可以反映出目标水域所有区域的光谱信息，通过将第一光谱图像和对应的采样时间输入至反演模型中，可以得到对应的水质参数，从而可以快速准确地反演出目标水域的水质参数，有助于全面准确地监测目标水域的水质情况。
本公开实施例提出一种水质参数的获取方法。图1示出根据本公开实施例提供的水质参数的获取方法的流程图。如图1所示，该获取方法可以包括：
S101、基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，得到多张第一图像。
S102、基于多张第一图像和各量子点条带的实际位置信息确定出第一光谱图像。
S103、将第一光谱图像和第一采样时间输入至反演模型中进行计算，得到第一水质参数。
在一种可能的实现方式中，步骤S101中的光谱成像可以通过锥摆式推扫的方式实现。这样，通过锥摆式推扫的方式能够获取上百个波段的光谱数据，成像结果较为丰富，有利于全面准确地监测目标水域的水质情况。
在步骤S101中，可以基于同一遥感成像***进行高光谱成像，其中，遥感成像***可包括多个遥感通道，各遥感通道对应可设有不同的量子点条带，每个量子点条带可具有不同的光学特性。量子点（quantum dots，QDs）是一种纳米级的半导体晶体材料，半径接近或小于激子波尔半径。量子点可以用作图像传感器中的光线吸收材料，根据量子点材料的不同，量子点条带可具有不同的光谱响应特性。将呈条带状的带有多个量子点条带的量子点阵列片放置于前置镜焦面前，利用量子点材料对光谱的吸收特性对探测目标的入射光谱进行调制，从而可获取到相应的光谱信息和空间信息。这样，通过利用量子点条带进行高光谱成像，不仅具有光谱分辨率高、能量利用率高、体积小、光谱范围宽及成本低的优势，还降低了水质监测***的研发成本，使得在特别是要求载荷小型化的星载和机载等应用平台上易于集成并实现智能化，从而具有更加广阔的应用前景。
在步骤S101中，基于遥感成像***（或称多个量子点条带）进行高光谱成像可以得到多张第一图像。每张第一图像可包括目标水域中不同区域的光谱信息，也就是说，每张第一图像所包括的光谱信息是由各个量子点条带针对目标水域中的某一区域进行高光谱成像所确定的，所有第一图像各自对应的区域总和可以涵盖目标水域的全部区域，即所需监测的水体区域，也即全部第一图像覆盖目标水域中所有区域的光谱信息。
图2示出根据本公开实施例提供的量子点阵列片的示意图。可以根据需要对量子点阵列片中量子点条带的数量进行设置，如图2所示，以量子点阵列片包括五个量子点条带（即图2中的条带一、条带二、条带三、条带四、条带五）为例，这五个量子点条带分别具有不同的光学特性，相邻的量子点条带之间互相接触并且依次排列，以利用该量子点阵列片对某一区域进行高光谱成像可以得到该区域的光谱信息。
图3示出根据本公开实施例提供的目标水域的示意图。在一个示例中，使用遥感监测终端获取所需的光谱图像，该遥感监测终端至少包括集成有量子点阵列片的图像传感器。可利用该图像传感器对图3所示的目标水域进行高光谱成像（即步骤S101），可以得到N张第一图像P1、P2……PN，其中，N为正整数；目标水域可为待监测水域中的部分水域，一般可选择靠近用于监测水质参数的水质监测设备且受倒影、杂散光影响较小的固定区域。N张第一图像P1、P2……PN与N个区域分别一一对应，即第1张第一图像P1可包括图3示出的目标水域中区域一的光谱信息，第2张第一图像P2可包括图3示出的目标水域中区域二的光谱信息，以此类推，第N张第一图像PN可包括图3示出的目标水域中区域N的光谱信息。由于后续需要根据这N张第一图像确定出包括所有量子点条带所确定的目标水域中所有区域的光谱信息的第一光谱图像（详见后文），则针对目标水域的每个区域，都需要基于各个量子点条带进行高光谱成像，这也是图3所示的区域一和区域二具有重叠区域的原因。事实上，区域一不仅仅和区域二有重叠，区域一还可与区域三、区域四等有重叠，重叠区域的尺寸可以根据实际情况设置，只要能够保证N张第一图像涵盖了各个量子点条带针对目标水域的全部区域进行高光谱成像所确定的所有光谱信息即可，本公开实施例对此不做限制。这样不仅能够保证基于每个量子点条带对同一区域进行高光谱成像，还能够获取更加丰富的光谱信息，有助于得到更加准确的反演结果。
图4示出根据本公开实施例提供的第一图像的示意图。以第1张第一图像P1为例进行说明：如图4所示，第1张第一图像P1是对应于目标水域中的区域一的成像结果，第一图像P1可包括五部分的光谱信息。这五部分的光谱信息分别为对应于条带一的区域一中子区域1的光谱信息、对应于条带二的区域一中子区域2的光谱信息、对应于条带三的区域一中子区域3的光谱信息、对应于条带四的区域一中子区域4的光谱信息、对应于条带五的区域一中子区域5的光谱信息。其余的第一图像同理于第1张第一图像P1。需要说明的是，在拍摄第1张第一图像P1时图像传感器朝着一个方向，在拍摄第2张第一图像P2时该图像传感器需要转动预设角度后再进行拍摄，以此类推，图像传感器通过多次转动拍摄获取到多张第一图像，以实现对目标水域的所有区域进行高光谱成像。这样，得到的N张第一图像各自包括的光谱信息涵盖了遥感成像***（或称各个量子点条带）针对目标水域的所有区域进行高光谱成像所确定的全部光谱信息，使得在后续步骤S102中可以基于这些第一图像确定一张第一光谱图像。
通过步骤S101可以获取多个采样时间下的N张第一图像。由于在图像的获取过程中可能会发生目标水域被遮挡、图像传感器位置改变等异常情况，这可能会影响到所获取的第一图像的质量。从而在一种可能的实现方式中，在执行步骤S102之前，该获取方法还可以包括：对获取到的多张第一图像进行预处理。预处理的方式可以是针对每个采样时间下获取到的第一图像，判断该第一图像中的光谱波段是否存在缺失或者光谱图像存在缺失。在第一图像出现上述或者其他异常情况的时候，可选择过滤这些出现问题的第一图像，避免后续使用这些异常图像而不利于水质参数的精确反演。
由于基于量子点条带进行高光谱成像的其中一种可能的实现方式是将呈条带状的量子点阵列片放置于前置镜焦面前，因此由图像传感器获取的每张第一图像可由多个在水平方向上相连的矩形条带组成。但由于制作工艺的差异及成像过程中存在的不确定性因素，导致无法在获取的第一图像中准确知晓各个量子点条带的位置，因此在基于多张第一图像进行拼接（详见后文）之前还可以进行条带分割得到条带分割结果，即确定各个量子点条带的实际位置信息，从而得到各个量子点条带在第一图像中的位置信息，这样，通过在基于多张第一图像进行拼接之前进行条带分割，能够确定好各个量子点条带在第一图像中的位置，为有效利用量子点高光谱成像数据（即第一图像）提供了基础，有助于后续图像拼接工作准确快速地执行。从而在步骤S102中，可以基于步骤S101确定的多张第一图像和各量子点条带的实际位置信息进一步确定出第一光谱图像。第一光谱图像的数量为一张，第一光谱图像可包括目标水域中所有区域的光谱信息，也就是说，第一光谱图像涵盖了各个量子点条带针对目标水域的所有区域进行高光谱成像所确定的全部光谱信息。
各量子点条带的实际位置信息可通过对待处理图像进行条带分割确定。其中，待处理图像也是基于上述遥感成像***（或称多个量子点条带）进行高光谱成像确定的，待处理图像与第一图像是基于同一个遥感成像***获得的，也即，用于待处理图像成像过程中的量子点条带与用于第一图像成像过程中的量子点条带一致。条带分割可以仅执行一次，也就是说，只需在经集成有多个量子点条带的图像传感器获取的任意一张图像（该图像可以是某一第一图像，也可以是该图像传感器获取的其他任意一张图像即待处理图像）中确定好各个量子点条带的位置，那么便可确定该图像传感器获取的其他图像中各个量子点条带的位置。
在一种可能的实现方式中，对待处理图像进行条带分割确定可以包括：对待处理图像进行聚类分析，根据聚类分析的结果确定各量子点条带的第一位置，并根据第一位置确定各量子点条带的第二位置，从而根据第二位置确定各量子点条带的实际位置信息，其中，第一位置指示条带的初始粗糙位置，第二位置指示条带的初始精确位置。这样，通过对待处理图像进行聚类分析、初始粗糙位置的确定、初始精确位置的确定，从而得到各量子点条带的实际位置信息，有助于后续准确快速地确定出第一光谱图像。
在一种可能的实现方式中，对待处理图像进行聚类分析，根据聚类分析的结果确定各量子点条带的第一位置，可以包括：获取待处理图像，并对待处理图像进行预处理，预处理方式包括转换图像格式、调整图像尺寸、调整图像像素值中的至少一种；对经预处理后的待处理图像进行聚类分析，得到分割结果；根据分割结果统计经预处理后的待处理图像中连续出现预设像素的区间范围，根据区间范围确定各量子点条带的第一位置，第一位置指示条带的初始粗糙位置；并且/或者，根据第一位置确定各量子点条带的第二位置，从而根据第二位置确定各量子点条带的实际位置信息，可以包括：根据第一位置判断待处理图像是否缺失条带，若待处理图像存在缺失的条带，则利用条带的分布信息进行条带填补，条带的分布信息包括条带数量、条带宽度、相邻条带之间的间隔中的至少一种；根据各量子点条带的先验信息和第一位置，从待处理图像中提取出待处理子图像，待处理子图像位于待处理图像中的中心区域；对待处理子图像进行聚类分析，并对聚类分析后的待处理子图像进行直线检测，得到直线检测结果；利用直线检测结果对待处理图像进行边界约束，并去除待处理图像中的噪声，去除噪声的方式包括去除像素值大于预设阈值的像素；根据经边界约束和去除噪声后的待处理图像确定各量子点条带的第二位置，第二位置指示条带的初始精确位置；根据第二位置判断是否需要扩充条带宽度；根据第二位置调整条带的分布情况，调整方式包括增加条带和/或删除条带；以经调整条带的分布情况后的条带位置作为各量子点条带的实际位置信息。这样，通过对待处理图像进行预处理、聚类分析、条带填补、直线检测、边界约束、去除噪声、调整条带分布情况这一系列操作，能够准确实现条带分割，确定出各量子点条带的实际位置信息，从而有助于后续准确快速地确定出第一光谱图像。
在一个示例中，可利用集成有多个量子点条带的图像传感器拍摄白板，得到一张图像Pic（即待处理图像），可通过对图像Pic执行以下步骤实现条带分割：
第一步，读取图像Pic，并对图像Pic进行预处理，即，可将图像Pic的格式转换为适用于OpenCV视觉处理库的图片格式，调整图像Pic的长、宽尺寸，并将图像Pic的像素最大值设置为251。
第二步，对预处理后的图像Pic进行聚类分析，得到分割结果。其中，可利用贪心算法进行聚类分析，也可利用其他算法实现聚类分析，本公开实施例对此不作限定。
第三步，根据分割结果统计图像Pic中连续出现黑色像素的最大区间范围，根据最大区间范围找到条带的初始粗糙位置，即各量子点条带的第一位置。
第四步，后处理，可根据第一位置判断图像Pic是否存在缺失条带的情况，若图像Pic存在缺失的条带，则可利用条带的分布信息填补缺失的条带，其中，条带的分布信息可以包括但不限于条带数量、条带宽度及相邻条带的间隔。本示例中，可通过计算图像Pic中条带的像素平均值，并可利用该像素平均值结合条带的分布信息进行条带填补。
第五步，根据条带的先验信息（例如条带宽度）和第一位置，从图像Pic中裁剪出图像Img（即待处理子图像），图像Img的宽度可预设设置为某一固定数值，图像Img位于图像Pic的中心区域且包含的条带位于图像Img的中心区域。
第六步，对图像Img进行聚类分析，并对聚类分析后的图像Img做直线检测，得到直线检测结果。其中，可利用k均值聚类算法进行聚类分析，也可利用其他算法实现聚类分析，本公开实施例对此不作限定。
第七步，利用直线检测结果约束图像Pic中条带的左右边界，以避免条带越界，并去除图像Pic上边缘以上无关像素，以去除噪声。其中，可通过去除条带上边缘与图像边缘之间像素值大于预设阈值的像素以实现去除噪声。
第八步，根据第七步处理后的图像Pic找到条带的初始精确位置，即各量子点条带的第二位置。
第九步，根据第二位置判断是否需要扩充条带宽度，可在相对大的范围里，扩充条带的宽度，使条带的位置趋于理想化。
第十步，后处理，可根据第二位置调整条带的分布情况，或者也可再进一步结合条带的分布信息进一步调整条带的分布情况。其中，调整方式可以是在某一位置处增加条带、在另一位置处删减条带以调整条带的分布情况，本公开实施例对此不作限定。
第十一步，保存修改后的条带分割结果图，以经调整条带的分布情况后的条带位置作为各量子点条带的实际位置信息。图5示出根据本公开实施例提供的条带分割结果的示意图。对图像Pic进行条带分割，可以得到图5所示的条带分割结果。
在步骤S102中，在确定各量子点条带的实际位置信息的情况下（即实现条带分割后）可以通过对步骤S101确定的多张第一图像进行拼接和配准处理以确定出第一光谱图像。
在进行条带分割后，即在确定各个量子点条带在第一图像中的位置信息后，可以继续执行步骤S102中的图像拼接和图像配准步骤：根据多张第一图像确定出多张第一全景图，各第一全景图包括对应于同一量子点条带的目标水域中所有区域的光谱信息（也即图像拼接），即将同一量子点条带拍摄的区域进行拼接即得到一第一全景图；根据多张全景图进行图像配准，得到第一光谱图像。
在一种可能的实现方式中，步骤S102（即其包括的图像拼接步骤）可以包括：根据各量子点条带的实际位置信息，将每张第一图像中对应于同一量子点条带的光谱信息提取出来；按照各光谱信息所对应的区域在目标水域中的位置，将对应于同一量子点条带的多个光谱信息进行拼接，得到对应于各量子点条带的第一全景图，各第一全景图包括对应于同一量子点条带的目标水域中所有区域的光谱信息。
在一个示例中，可以使用锥摆式推扫的方式通过集成有图2所示的量子点阵列片的图像传感器获取多张第一图像，即可令推扫平台可匀速旋转一周，以多次曝光并保存N张相同大小的第一图像P1、P2……PN。基于条带分割结果，可以读取各个量子点条带的左右边界，也就是说，可以确定各个量子点条带在这些第一图像P1、P2……PN中的位置，同一量子点条带在不同第一图像中的位置是相同的。在确定各个量子点条带在第一图像中的位置后，可以将每张第一图像中对应于同一量子点条带的图像部分（即光谱信息）提取出来，以进行拼接。
拼接的目的是将每张第一图像中对应于同一量子点条带的图像部分融合为单张第一全景图，每张第一全景图反映了目标水域的全部区域经同一量子点条带调制后的光谱信息，拼接得到的第一全景图的数量由量子点条带的数量确定。另外，受推扫平台设置的旋转速度、单次高光谱成像所能涵盖的区域大小等因素的限制，对于同一量子点条带，从不同第一图像中截取的图像部分中可能存在相同区域的光谱信息。
在本示例中，如图2所示，量子点条带的数量为5个（即条带一、条带二、条带三、条带四、条带五），相应地，根据N张第一图像P1、P2……PN可以确定出5张第一全景图Q1、Q2……Q5，其中，第一全景图Q1可包括对应于条带一的目标水域中所有区域的光谱信息，第一全景图Q2可包括对应于条带二的目标水域中所有区域的光谱信息，以此类推。
以对应于条带二的第一全景图Q2的拼接过程为例进行说明：获取条带二在第一图像中的位置信息，该位置信息可包括但不限于条带宽度、条带左边界、条带右边界、条带上边界、条带下边界中的一个或多个。基于条带二的位置信息，可以在所有第一图像中截取对应于条带二的图像范围，得到对应于第一图像获取（即拍摄）顺序的截图1（即在第一图像P1中截取的对应于条带二的图像部分）、截图2（即在第一图像P2中截取的对应于条带二的图像部分）……截图N（即在第一图像PN中截取的对应于条带二的图像部分），并根据条带的宽度、推扫平台的旋转（也称推扫）速度、第一图像的数量计算拼接后的图像尺寸，再创建具有该尺寸的空白图像。由于截取的截图1、截图2……截图N中的相邻截图之间具有一定的重叠度（即具有重叠部分），可将截图1、截图2……截图N按获取顺序依次镶嵌进该空白图像并对重叠部分进行图像融合，最终拼接得到对应于条带二的第一全景图Q2。
在本示例中，可选择将截图1、截图2……截图N中的重叠部分的30%进行图像融合，需要说明的是，30%仅为举例说明，可根据实际情况选择合适的百分比，本公开实施例对此不做限定。
同理于第一全景图Q2的拼接过程，可拼接得到其他量子点条带对应的第一全景图，各个第一全景图可包括对应于同一量子点条带的目标水域中所有区域的光谱信息。接着，可基于这些第一全景图进行图像配准，以得到涵盖经所有量子点条带确定的目标水域中所有区域的光谱信息的第一光谱图像。
通过步骤S102可以确定多个采样时间下的对应于同一量子点条带的第一全景图。由于在全景图的拼接过程中可能会发生拼接错误、截取错误的截图或缺少相应的截图等异常情况，这可能会影响到后续合成的第一光谱图像的质量。从而在一种可能的实现方式中，在基于多张第一全景图进行图像配准之前，该获取方法还可以包括：对拼接得到的多张第一全景图进行预处理。预处理的方式可以是针对每个采样时间下获取到的第一全景图，判断该第一全景图中目标水域的所有区域的位置关系是否准确，比如是否存在缺失或左右颠倒。在第一全景图出现上述或者其他异常情况的情况下，可选择过滤这些出现问题的第一全景图，避免后续使用这些异常图像而不利于水质参数的精确反演。其中，预处理所包括的判断步骤可通过一些检查算法结合全景图的尺寸、各全景图配准后的相似度、互信息等精度指标、单帧图像数量、模板匹配相似度等来判断。
在一种可能的实现方式中，在执行完图像拼接步骤后，步骤S102（即其包括的图像配准步骤）还可以包括：对各第一全景图进行特征提取，得到各第一全景图的多个第一特征点；以多张第一全景图的其中一张作为第一中心全景图，根据第一中心全景图的第一特征点和其余第一全景图的第一特征点确定出第一单应变换集，第一单应变换集包括第一中心全景图与其余各个第一全景图之间的第一单应变换矩阵；利用第一单应变换集对多张第一全景图进行处理，得到第一光谱图像。这样，通过对多张第一图像进行拼接得到多张第一全景图，并在多张第一全景图的基础上进行配准，能够得到具有全部所需光谱信息的第一光谱图像，有助于后续基于该第一光谱图像进行水质参数的准确反演。
在一种可能的实现方式中，图像配准步骤中的根据第一中心全景图的第一特征点和其余第一全景图的第一特征点确定出第一单应变换集可以进一步包括：分别通过直接法、结合有轨迹追踪的模拟法、结合有模板匹配的直接法、结合有轨迹追踪和模板匹配的模拟法、结合有插值法的直接法的方式确定出多个待定单应变换集；根据预设的指标评价从所述多个待定单应变换集中确定出所述第一单应变换集。这样，通过直接法、模拟法、轨迹追踪、模板匹配、插值法之间的组合确定出不同方式下的单应变换集，并根据多种指标进行评价，从而确定出最优的第一单应变换集，能够避免实际使用过程中奇偶数帧图像之间存在的整体颜色差异、特征不明显等因素导致的匹配出错问题及其他影响单应变换集精度的问题，从而确定出最优的第一单应变换集，进而确定出相应的第一光谱图像，有助于后续基于该第一光谱图像进行水质参数的准确反演。
在一个示例中，在拼接得到多帧下的上述示例中的第一全景图Q1、Q2……Q5后，可通过执行以下步骤实现图像配准：
第一步，可对各张第一全景图Q1、Q2……Q5进行特征提取，得到各第一全景图的2000个尺度不变特征转换（Scale-invariant feature transform，SIFT）特征点即第一特征点，当然上述第一特征点的数目不限于为2000，也可以少于2000，也可以大于2000。
第二步，可将第一全景图Q3作为第一中心全景图，并将第一中心全景图Q3与其余各第一全景图Q1、Q2、Q4、Q5进行特征点匹配，估计单应变换，可只保留内点并输出点号及坐标，存入预定义文件中。在匹配过程中，可尽量选择较多的特征点，在执行函数findHomography时重投影误差可以设置稍大一些，以保证更多的匹配点对。
第三步，可根据以下五种方式确定出相应的第一单应变换集，第一单应变换集包括第一中心全景图Q3与其余各第一全景图Q1、Q2、Q4、Q5之间的第一单应变换矩阵：
第一种，可通过直接法求解相应的第一单应变换集。读取预定义文件中存储的匹配点对，分别用直接法求解计算其余第一全景图Q1、Q2、Q4、Q5与第一中心全景图Q3之间的单应变换矩阵，即H13、H23、H43、H53，从而得到第一单应变换集H1{H13、H23、H43、H53}，并将H1输出到.yaml文件中。其中，计算单应变换矩阵时可使用至少4对匹配点对。
第二种，可通过将轨迹追踪结合至模拟法求解相应的第一单应变换集。读取预定义文件中存储的第一特征点，计算对应于同一量子点条带的多帧第一全景图中的较大公共帧差s及单应矩阵H’的s次方，进而解出H，H可表示相邻图像帧间的平均单应变换。接着，可根据条带的宽度、推扫平台的旋转速度、第一图像的数量计算出各第一全景图的尺寸，在第一中心全景图Q3上随机生成50个点，基于求解出的H’计算其余第一全景图Q1、Q2、Q4、Q5上对应的点，并根据计算出来的其余第一全景图Q1、Q2、Q4、Q5上对应的点与第一中心全景图Q3上随机生成的50个点估计单应变换，从而得到第一单应变换集H2。
第三种，可通过将模板匹配结合至直接法求解相应的第一单应变换集。可使用OpenCV模板匹配算法校正第二步得到的初步确定的匹配点对，并将校对后的更精确的匹配点对重新保存至预定义文件中，而后基于新保存的预定义文件中的校对后的匹配点对使用直接法的方式求解相应的第一单应变换集H3，其中，直接法可参见上述第一种方式，此处不再赘述。
第四种，可通过将模板匹配和轨迹追踪结合至模拟法求解相应的第一单应变换集。可使用OpenCV模板匹配算法校正第二步得到的初步确定的匹配点对，并将校对后的更精确的匹配点对重新保存至预定义文件中，而后基于新保存的预定义文件中的校对后的匹配点对使用将轨迹追踪结合至模拟法的方式求解相应的第一单应变换集H4，其中，将轨迹追踪结合至模拟法的方式可参见上述第二种方式，此处不再赘述。
第五种，可通过直接法结合插值法求解相应的第一单应变换集。对于奇数帧第一全景图，可使用直接法求解奇数帧第一全景图Q1、Q2、Q4、Q5与奇数帧第一中心全景图Q3之间的第一单应变换集h1，其中，直接法可参见上述第一种方式，此处不再赘述。对于偶数帧第一全景图，可基于与该偶数帧第一全景图相邻的奇数帧第一全景图进行插值，并求解偶数帧第一全景图Q1、Q2、Q4、Q5与偶数帧第一中心全景图Q3之间的第一单应变换集h2。求取h1和h2的平均值作为第一单应变换集H5。这样能够避免实际使用过程中奇偶数帧图像之间存在的整体颜色差异、特征不明显等因素导致的匹配出错问题。
第四步，可从上述五种方式求解出的第一单应变换集H1、H2、H3、H4、H5中选择最优的第一单应变换集H。其中，可从均方差、互信息、峰值信噪比、交叉相关系数等评价指标中的一种或多种选择合适的指标评价，来评价上述五种方式的配准效果，并可将最优的第一单应变换集H保存下来。
第五步，可利用确定的最优的第一单应变换集H对其中一帧下的第一全景图Q1、Q2……Q5进行图像配准，得到第一光谱图像，第一光谱图像涵盖了各个量子点条带针对目标水域的所有区域进行高光谱成像所确定的全部光谱信息。
在通过步骤S102确定好第一光谱图像后，可以利用反演模型进行水质参数的反演，即在步骤S103中，可将由步骤S102确定的第一光谱图像及第一采样时间输入至反演模型中进行计算，得到相应的第一水质参数。其中，第一采样时间为第一光谱图像包括的采样时间，第一水质参数表征目标水域的水质情况。
这样，基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，可以得到多张第一图像，每张第一图像可以反映出目标水域不同区域的光谱信息，全部第一图像可覆盖目标水域中所有区域的光谱信息，遥感成像***包括多个遥感通道，各遥感通道对应设有不同的量子点条带，各量子点条带具有不同的光学特性，这样利用量子点进行光谱成像可以在保证光谱分辨率高和光谱范围宽的同时具有能量利用率高、体校小、易调制及成本低的特点，接着基于这些第一图像和通过对基于同一遥感成像***获取的待处理图像进行条带分割确定出的各量子点条带的实际位置信息可以确定相应的第一光谱图像，第一光谱图像可以反映出目标水域所有区域的光谱信息，通过将第一光谱图像和对应的采样时间输入至反演模型中，可以得到对应的水质参数，从而可以快速准确地反演出目标水域的水质参数，有助于全面准确地监测目标水域的水质情况。
需要说明的是，由于第一光谱图像需要经过上述获取第一图像、对第一图像进行拼接、配准等处理过程才能确定，并且，由于推扫成像的过程需要一定的时间（例如3分钟），因此，第一光谱图像的采样时间实际上应为一时间段，但为了更好地利用反演模型计算出第一水质参数，现用推扫完成的时间点作为第一采样时间。但事实上，第一光谱图像的采样时间可由用户根据实际场景自行设定确定方式，比如，可将获取到最后一张第一图像的时间作为第一光谱图像的采样时间，或可将执行完图像配准步骤时的时间作为第一光谱图像的采样时间，或可将获取到第一张第一图像的时间作为第一光谱图像的采样时间，本公开实施例对此不做限定。
本公开实施例提供的水质参数的获取方法还包括反演模型的训练步骤。从而在一种可能的实现方式中，该训练步骤可以包括：构建样本集，样本集包括多个样本对，每个样本对包括光谱图像数据和对应的水质参数数据，光谱图像数据具有多个波段的光谱信息；根据各波段与水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，特征波段集与水质参数数据的相关性处于预设阈值范围内；基于特征波段集和样本集训练初始的反演模型，得到训练后的反演模型。这样，通过选取合适的特征波段集，即从全波段中筛选出敏感波段，有利于训练得到能够反演出更加精度的水质参数的反演模型。
在一种可能的实现方式中，上述训练步骤中的根据各波段与水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集可以包括：计算各波段与水质参数数据的相关性，并按照相关性从大到小排序得到波段顺序；构建初始状态为空集的目标波段集，根据波段顺序向目标波段集中逐个增加波段，直至增加新波段后的目标波段集与水质参数数据的相关性降低或增加幅度小于预设阈值，将增加新波段前的目标波段集作为特征波段集。这样，基于各个波段与水质参数的相关性确定合适的特征波段集，有助于全波段中筛选出敏感波段，使得后续基于该敏感波段训练得到的反演模型能够反演出更加精度的水质参数。
在一种可能的实现方式中，用于训练反演模型的样本集可包括至少一组光谱图像数据和对应的水质参数数据。其中，光谱图像数据可包括第二采样时间和第二光谱图像，第二采样时间为第二光谱图像的采样时间；水质参数数据可包括第三采样时间和第二水质参数，第三采样时间为第二水质参数的采样时间，一般可通过水质参数监测设备直接读取。
在一种可能的实现方式中，第二采样时间和第三采样时间可为同一采样时间。
在一种可能的实现方式中，第二采样时间和第三采样时间可满足预设间隔时间条件。例如，可选择非常接近的第二采样时间和第三采样时间，两者间隔时间不超过2分钟。
第二光谱图像包括预设水域中所有区域的光谱信息。第二水质参数表征预设水域的水质情况。其中，预设水域为目标水域和/或非目标水域。
在一种可能的实现方式中，预设水域为目标水域。在这种情况下，训练反演模型所用的样本集中包括了目标水域的相关数据，这样训练得到的反演模型反演出的目标水域的水质参数将会更加精准。
在一种可能的实现方式中，预设水域为非目标水域。在这种情况下，虽然训练反演模型所用的样本集中未包括目标水域的相关数据，但通过本公开实施例提供的训练方法训练得到的反演模型具有较强的泛化能力，仍然能够反演出的目标水域的水质参数。
在一种可能的实现方式中，预设水域包括目标水域和非目标水域。在这种情况下，训练反演模型所用的样本集中包括目标水域和非目标水域的相关数据，这样训练得到的反演模型不仅能够反演出精准的目标水域的水质参数，还能够反演出精准的非目标水域的水质参数。
本公开实施例提供的获取方法不仅包括反演模型预测过程中第一光谱图像的获取过程，还可包括样本集中第二光谱图像的获取过程，即在一种可能的实现方式中，该获取方法还可以包括：基于同一遥感成像***（也即多个量子点条带）针对预设水域的不同区域进行高光谱遥感成像，得到多张第二图像，其中，用于获取第二图像的遥感成像***可与上文用于获取第一图像的遥感成像***一致，遥感成像***可包括多个遥感通道，各遥感通道可对应设有不同的量子点条带，各量子点条带具有不同的光学特性，每张第二图像包括预设水域中不同区域的光谱信息；基于多张第二图像确定出第二光谱图像，第二光谱图像包括预设水域中所有区域的光谱信息。这样，基于同一遥感成像***（也即多个量子点条带）进行针对预设水域的高光谱遥感成像，可以得到多张第二图像，每张第二图像可以反映出预设水域不同区域的光谱信息，且利用量子点进行光谱成像可以在保证光谱分辨率高和光谱范围宽的同时具有能量利用率高、体积小、易调制及成本低的特点，接着基于这些第二图像和各量子点条带的实际位置信息（确定方式详见上文条带分割）可以确定相应的第二光谱图像，第二光谱图像可以反映出预设水域所有区域的光谱信息，在训练反演模型所用的样本集中添加这样的第二光谱图像，有利于训练出能够快速准确地反演出目标水域的水质参数的反演模型。
在一种可能的实现方式中，上述基于多张第二图像确定出第二光谱图像可以进一步包括：根据各量子点条带的实际位置信息，将每张第二图像中对应于同一量子点条带的光谱信息提取出来；按照各光谱信息所对应的区域在预设水域中的位置，将对应于同一量子点条带的多个光谱信息进行拼接，得到对应于各量子点条带的第二全景图，各第二全景图包括对应于同一量子点条带的预设水域中所有区域的光谱信息；对各第二全景图进行特征提取，得到各第二全景图的多个第二特征点；以多张第二全景图的其中一张作为第二中心全景图，根据第二中心全景图的第二特征点和其余第二全景图的第二特征点确定出第二单应变换集，第二单应变换集包括第二中心全景图与其余各个第二全景图之间的第二单应变换矩阵；利用第二单应变换集对多张第二全景图进行处理，得到第二光谱图像。这样，通过对多张第二图像进行拼接得到多张第二全景图，并在多张第二全景图的基础上进行配准，能够得到具有全部所需光谱信息的第二光谱图像，在训练反演模型所用的样本集中添加这样的第二光谱图像，有利于训练出能够快速准确地反演出目标水域的水质参数的反演模型。
在一种可能的实现方式中，在得到多张第二全景图之前，还可以确定第二图像中各量子点条带的位置信息，确定方式可参见上文条带分割，此处不再赘述。这样，通过在基于多张第二图像进行拼接之前进行条带分割，能够确定好各个量子点条带在第二图像中的位置，为有效利用量子点高光谱成像数据（即第二图像）提供了基础，有助于后续图像拼接工作准确快速地执行。
第二光谱图像的获取过程同理于第一光谱图像的获取过程（详见上文），为了简洁，此处不再赘述。需要说明的是，步骤S103中所使用的反演模型可以是预先基于样本集训练后的，在这种情况下，构建样本集则需要获取第二光谱图像，同理于第一光谱图像的获取过程，第二光谱图像的获取过程也需经过条带分割和图像配准，相应地，在反演模型的训练过程中，条带分割结果已经确定，并且，其余第二全景图和第二中心全景图之间的第二单应变换集也已经确定，那么在反演模型的应用过程中，可以直接使用训练过程中所确定的条带分割结果确定各张第一图像中各个量子点条带的位置，并且，可以直接将训练过程中所确定的第二单应变换集作为第一单应变换集以进行图像配准。但也可以选择在反演模型的应用过程中重新确定条带分割结果和第一单应变换集，具体方式可根据实际情况选择，本公开实施例对此不做限定。
在一个示例中，可通过执行以下步骤进行反演模型的训练：
第一步，构建样本集。样本集可包括多个样本对，每个样本对包括第二光谱图像及第二采样时间、第二水质参数及第三采样时间，其中，第二光谱图像具有多个波段的光谱信息。
对于第二光谱图像的获取，可利用多台具有集成有量子点阵列片的图像传感器的遥感监测终端对光谱特征提取候选区域（即待监测水域中靠近水质监测设备且受倒影、杂散光影响较小的固定区域）进行高光谱成像，得到多张第二图像。接着对这些第二图像进行数据清洗，对于每个采样时间，确定是否存在光谱波段缺失或光谱图像不全，自动识别并过滤掉此类图像。然后进行光谱特征提取，对于保留的采样时间，在选定的目标水域内进行各个波段的图像配准得到相应的第二光谱图像，以保证同一空间位置的光谱信息对应有各个波段的数据，再逐个波段求取按1.5倍标准差过滤后的反射光谱均值，并对计算结果进行存储。其中，1.5倍是实际处理时根据经验选取的超参数，一般假设选定目标水域内各波段光谱值服从标准高斯分布，光谱值中又存在一定的噪声点，计算均值时应该去除噪声数据，此时可用标准差进行过滤，可根据估计的噪声水平（大小）选择合适的标准差倍数，比如当数据存在大约5%噪声时可选择2倍标准差，当存在大约15%噪声时选择1.5倍标准差。
对于第二水质参数的获取，可根据第二光谱图像的采样时间和选定的目标水域，从水质监测设备中获取相同采样时间或相近采样时间下的测量数据作为第二水质参数。
在获取到第二光谱图像和第二水质参数这些数据之后，对这些数据进行异常值清洗及时间窗口平滑处理。在经过处理后的数据中，将采样时间相同或相近的第二光谱图像和第二水质参数挑选出来，并结合它们各自的采样时间构建一个样本对，这样可以得到多个样本对，即样本集。
第二步，确定特征波段集。可以计算各波段与样本对尤其是水质参数数据（即第二水质参数及第三采样时间）的相关性，并按照相关性从大到小排序得到波段顺序，例如λ1、λ2……λn。接着，构建一个初始状态为空集的目标波段集A，根据波段顺序向目标波段集中逐个增加波段，直至增加新波段后的目标波段集与水质参数数据的相关性降低或增加幅度小于预设阈值，将增加新波段前的目标波段集作为特征波段集。在本示例中，当将λ6加入至目标波段集A{λ1、λ2、λ3、λ4、λ5}中后，新的目标波段集A{λ1、λ2、λ3、λ4、λ5、λ6}与水质参数数据的相关性为R6，当将λ7加入至目标波段集A{λ1、λ2、λ3、λ4、λ5、λ6}中后，新的目标波段集A{λ1、λ2、λ3、λ4、λ5、λ6、λ7}与水质参数数据的相关性为R7，并且R7小于R6，那么便可将目标波段集A{λ1、λ2、λ3、λ4、λ5、λ6}作为特征波段集，特征波段集用于训练反演模型。
第三步，训练并测试反演模型。可将第一步构建的样本集按照70%和30%的比例随机划分出训练集和测试集。接着，基于训练集利用至少一种统计学习方法进行建模，并根据第二步确定的特征波段集训练反演模型，其中建模时还可增加更多先验信息例如物理特征性信息和参数特性。待反演模型完成预设训练次数或损失函数满足阈值条件后，将测试集中的光谱图像数据（第二光谱图像及第二采样时间）输入至训练后的反演模型进行预测，输出预测的水质参数结果，将预测出来的水质参数结果与测试集中的相应的水质参数数据（即第二光谱图像对应的第二水质参数及第三采样时间，相当于第二光谱图像对应的水质参数真值）进行比较，基于比较结果判断是否需要继续调参以训练反演模型，直至预测出的水质参数结果与水质参数真值的差值小于预设阈值或该差值趋于稳定。
统计学习方法可以包括但不限于线性模型、支持向量机、随机森林、引导聚集算法、K最邻近分类算法中的一种或多种。图6示出根据本公开实施例提供的使用单点线性模型进行预测的结果示意图。图7示出根据本公开实施例提供的使用单点随机森林模型进行预测的结果示意图。图8示出根据本公开实施例提供的使用单点引导聚集算法进行预测的结果示意图。图9示出根据本公开实施例提供的使用K最邻近分类算法进行预测的结果示意图。可使用不同的统计学习方法进行建模训练，根据图6至图9所示的预测结果，结合实际需求选择合适的统计学习方法，上述引导聚集算法、K最邻近分类算法等仅为示例，本公开实施例对此不做限定。
本公开实施例提供的水质参数的获取方法将量子点高光谱成像***应用于水质污染监测领域。本公开实施例利用量子点作为图像传感器中的光线吸收材料，利用量子点材料对光谱的吸收特性对探测目标即目标水域的入射光谱进行调制，从而获取目标水域的光谱信息和空间信息，再对同一量子点条带的光谱信息进行全景图拼接、对所有量子点条带的光谱信息进行配准，进而恢复目标水域的三维数据立方体即高光谱遥感信息（第一光谱图像或第二光谱图像），并将恢复的三维数据立方体结合实际水样采集点的水质参数真值进行数据预处理和匹配后建立的样本数据集即（光谱数据，水质参数），使用统计学习方法实现反演模型的构建，再对反演模型进行调参及测试后，将最终确定的反演模型用于水体水质参数的大范围快速动态监测，实现水污染治理的降本增效。
本公开实施例还提出一种图像处理方法，图10示出根据本公开实施例提供的图像处理方法的流程图。如图10所示，该图像处理方法可以包括：
步骤S1001、基于同一遥感成像***进行高光谱遥感成像，得到待处理图像和多张第一图像。
步骤S1002、对待处理图像进行聚类分析，根据聚类分析的结果确定各量子点条带的第一位置，并根据第一位置确定各量子点条带的第二位置，从而根据第二位置确定各量子点条带的实际位置信息。
步骤S1003、基于多张第一图像和各量子点条带的实际位置信息确定出第一光谱图像，第一光谱图像包括目标水域中所有区域的光谱信息。
其中，遥感成像***包含多个遥感通道，各遥感通道对应设有不同的量子点条带，各量子点条带具有不同的光学特性，全部第一图像覆盖目标水域中所有区域的光谱信息。第一位置指示条带的初始粗糙位置，第二位置指示条带的初始精确位置。
这样，通过步骤S1001基于同一遥感成像***进行高光谱遥感成像，可以得到待处理图像和多张第一图像，全部第一图像可覆盖目标水域中所有区域的光谱信息，遥感成像***包括多个遥感通道，各遥感通道对应设有不同的量子点条带，各量子点条带具有不同的光学特性，这样利用量子点进行光谱成像可以在保证光谱分辨率高和光谱范围宽的同时具有能量利用率高、体校小、易调制及成本低的特点，接着通过步骤S1002对待处理图像进行聚类分析，根据聚类分析的结果确定各量子点条带的第一位置、第二位置，根据第二位置确定各量子点条带的实际位置信息，进而通过步骤S1003基于多张第一图像和各量子点条带的实际位置信息能够快速准确地确定出第一光谱图像，第一光谱图像可以反映出目标水域所有区域的光谱信息，从而有助于后续基于第一光谱图像快速准确地反演出目标水域的水质参数，实现全面准确地监测目标水域的水质情况。
在一种可能的实现方式中，步骤S1002中的对待处理图像进行聚类分析，根据聚类分析的结果确定各量子点条带的第一位置，可以包括：对待处理图像进行预处理，预处理方式包括转换图像格式、调整图像尺寸、调整图像像素值中的至少一种；对经预处理后的待处理图像进行聚类分析，得到分割结果；根据分割结果统计经预处理后的待处理图像中连续出现预设像素的区间范围，根据区间范围确定各量子点条带的第一位置；并且/或者，步骤S1002中的根据第一位置确定各量子点条带的第二位置，从而根据第二位置确定各量子点条带的实际位置信息，可以包括：根据第一位置判断待处理图像是否缺失条带，若待处理图像存在缺失的条带，则利用条带的分布信息进行条带填补，条带的分布信息包括条带数量、条带宽度、相邻条带之间的间隔中的至少一种；根据各量子点条带的先验信息和第一位置，从待处理图像中提取出待处理子图像，待处理子图像位于待处理图像中的中心区域；对待处理子图像进行聚类分析，并对聚类分析后的待处理子图像进行直线检测，得到直线检测结果；利用直线检测结果对待处理图像进行边界约束，并去除待处理图像中的噪声，去除噪声的方式包括去除像素值大于预设阈值的像素；根据经边界约束和去除噪声后的待处理图像确定各量子点条带的第二位置；根据第二位置判断是否需要扩充条带宽度；根据第二位置调整条带的分布情况，调整方式包括增加条带和/或删除条带；以经调整条带的分布情况后的条带位置作为各量子点条带的实际位置信息。
这样，通过对待处理图像进行预处理、聚类分析、条带填补、直线检测、边界约束、去除噪声、调整条带分布情况这一系列操作，能够准确实现条带分割，确定出各量子点条带的实际位置信息，从而有助于后续准确快速地确定出第一光谱图像。
在一种可能的实现方式中，步骤S1003即基于多张第一图像和各量子点条带的实际位置信息确定出第一光谱图像可以包括：根据各量子点条带的实际位置信息，将每张第一图像中对应于同一量子点条带的光谱信息提取出来；按照各光谱信息所对应的区域在目标水域中的位置，将对应于同一量子点条带的多个光谱信息进行拼接，得到对应于各量子点条带的第一全景图，各第一全景图包括对应于同一量子点条带的目标水域中所有区域的光谱信息；对各第一全景图进行特征提取，得到各第一全景图的多个第一特征点；以多张第一全景图的其中一张作为第一中心全景图，根据第一中心全景图的第一特征点和其余第一全景图的第一特征点确定出第一单应变换集，第一单应变换集包括第一中心全景图与其余各个第一全景图之间的第一单应变换矩阵；利用第一单应变换集对多张第一全景图进行处理，得到第一光谱图像。
这样，通过对多张第一图像进行拼接得到多张第一全景图，并在多张第一全景图的基础上进行配准，能够得到具有全部所需光谱信息的第一光谱图像，有助于后续基于该第一光谱图像进行水质参数的准确反演。
上述图像处理方法与上述水质参数的获取方法中的条带分割、图像拼接步骤、图像配准步骤具有相同的构思，关于图像处理方法的具体实现可以参照上文水质参数的获取方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种水质参数的获取装置。图11示出根据本公开实施例提供的水质参数的获取装置的框图。如图11所示，该获取装置110可以包括：
高光谱遥感成像模块111，所述高光谱遥感成像模块111用于基于多个量子点条带进行针对目标水域的光谱成像，得到多张第一图像，其中，每个所述量子点条带具有不同的光学特性，每张所述第一图像包括所述目标水域中不同区域的光谱信息；
图像处理模块112，所述图像处理模块112用于基于所述多张第一图像确定出第一光谱图像，所述第一光谱图像包括所述目标水域中所有区域的光谱信息；
参数反演模块113，所述参数反演模块113用于将所述第一光谱图像和第一采样时间输入至反演模型中进行计算，得到第一水质参数，其中，所述第一采样时间为所述第一光谱图像的采样时间，所述第一水质参数表征所述目标水域的水质情况。
这样，通过高光谱遥感成像模块基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，可以得到多张第一图像，每张第一图像可以反映出目标水域不同区域的光谱信息，全部第一图像可覆盖目标水域中所有区域的光谱信息，遥感成像***包括多个遥感通道，各遥感通道对应设有不同的量子点条带，各量子点条带具有不同的光学特性，这样利用量子点进行光谱成像可以在保证光谱分辨率高和光谱范围宽的同时具有能量利用率高、体校小、易调制及成本低的特点，接着通过图像处理模块基于这些第一图像和通过对基于同一遥感成像***获取的待处理图像进行条带分割确定出的各量子点条带的实际位置信息可以确定相应的第一光谱图像，第一光谱图像可以反映出目标水域所有区域的光谱信息，通过参数反演模块将第一光谱图像和对应的采样时间输入至反演模型中，可以得到对应的水质参数，从而可以快速准确地反演出目标水域的水质参数，有助于全面准确地监测目标水域的水质情况。
在一种可能的实现方式中，所述基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，包括：根据各所述量子点条带的实际位置信息，将每张所述第一图像中对应于同一所述量子点条带的光谱信息提取出来；按照各光谱信息所对应的区域在所述目标水域中的位置，将对应于同一所述量子点条带的多个光谱信息进行拼接，得到对应于各所述量子点条带的第一全景图，各所述第一全景图包括对应于同一所述量子点条带的所述目标水域中所有区域的光谱信息；对各所述第一全景图进行特征提取，得到各所述第一全景图的多个第一特征点；以所述多张第一全景图的其中一张作为第一中心全景图，根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，所述第一单应变换集包括所述第一中心全景图与其余各个所述第一全景图之间的第一单应变换矩阵；利用所述第一单应变换集对所述多张第一全景图进行处理，得到所述第一光谱图像。
在一种可能的实现方式中，所述根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，包括：分别通过直接法、结合有轨迹追踪的模拟法、结合有模板匹配的直接法、结合有轨迹追踪和模板匹配的模拟法、结合有插值法的直接法的方式确定出多个待定单应变换集；根据预设的指标评价从所述多个待定单应变换集中确定出所述第一单应变换集。
在一种可能的实现方式中，对待处理图像进行条带分割，包括：对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，并根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，其中，所述第一位置指示条带的初始粗糙位置，所述第二位置指示条带的初始精确位置。
在一种可能的实现方式中，所述对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，包括：获取所述待处理图像，并对所述待处理图像进行预处理，所述预处理方式包括转换图像格式、调整图像尺寸、调整图像像素值中的至少一种；对经所述预处理后的待处理图像进行聚类分析，得到分割结果；根据所述分割结果统计所述经所述预处理后的待处理图像中连续出现预设像素的区间范围，根据所述区间范围确定各所述量子点条带的第一位置，所述第一位置指示条带的初始粗糙位置；并且/或者，所述根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，包括：根据所述第一位置判断所述待处理图像是否缺失条带，若所述待处理图像存在缺失的条带，则利用条带的分布信息进行条带填补，所述条带的分布信息包括条带数量、条带宽度、相邻条带之间的间隔中的至少一种；根据各所述量子点条带的先验信息和所述第一位置，从所述待处理图像中提取出待处理子图像，所述待处理子图像位于所述待处理图像中的中心区域；对所述待处理子图像进行聚类分析，并对聚类分析后的待处理子图像进行直线检测，得到直线检测结果；利用所述直线检测结果对所述待处理图像进行边界约束，并去除所述待处理图像中的噪声，去除噪声的方式包括去除像素值大于预设阈值的像素；根据经边界约束和去除噪声后的待处理图像确定各所述量子点条带的第二位置，所述第二位置指示条带的初始精确位置；根据所述第二位置判断是否需要扩充条带宽度；根据所述第二位置调整条带的分布情况，所述调整方式包括增加条带和/或删除条带；以经调整条带的分布情况后的条带位置作为所述各所述量子点条带的实际位置信息。
在一种可能的实现方式中，所述装置还包括用于所述反演模型的训练模块，所述训练模块用于：构建样本集，所述样本集包括多个样本对，每个所述样本对包括光谱图像数据和对应的水质参数数据，所述光谱图像数据具有多个波段的光谱信息；根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，所述特征波段集与所述水质参数数据的相关性处于预设阈值范围内；基于所述特征波段集和所述样本集训练初始的反演模型，得到训练后的反演模型。
在一种可能的实现方式中，所述根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，包括：计算各所述波段与所述水质参数数据的相关性，并按照所述相关性从大到小排序得到波段顺序；构建初始状态为空集的目标波段集，根据所述波段顺序向所述目标波段集中逐个增加所述波段，直至增加新波段后的目标波段集与所述水质参数数据的相关性降低或增加幅度小于预设阈值，将增加所述新波段前的目标波段集作为所述特征波段集。
在一种可能的实现方式中，所述光谱图像数据包括第二采样时间和第二光谱图像，所述水质参数数据包括第三采样时间和第二水质参数，其中，所述第二采样时间为所述第二光谱图像的采样时间，所述第三采样时间为所述第二水质参数的采样时间，所述第二采样时间和所述第三采样时间为同一采样时间或满足预设间隔时间条件；所述第二光谱图像包括所述预设水域中所有区域的光谱信息，所述第二水质参数表征所述预设水域的水质情况，其中，所述预设水域为所述目标水域和/或非所述目标水域。
在一些实施例中，本公开实施例提供的水质参数的获取装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文水质参数的获取方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种图像处理装置，装置可包括：成像模块，所述成像模块用于基于同一遥感成像***进行高光谱遥感成像，得到待处理图像和多张第一图像，其中，所述遥感成像***包含多个遥感通道，各所述遥感通道对应设有不同的量子点条带，各所述量子点条带具有不同的光学特性，全部所述第一图像覆盖目标水域中所有区域的光谱信息；条带分割模块，所述条带分割模块用于对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，并根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，其中，所述第一位置指示条带的初始粗糙位置，所述第二位置指示条带的初始精确位置；确定模块，所述确定模块用于基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，所述第一光谱图像包括所述目标水域中所有区域的光谱信息。
这样，通过成像模块基于同一遥感成像***进行高光谱遥感成像，可以得到待处理图像和多张第一图像，全部第一图像可覆盖目标水域中所有区域的光谱信息，遥感成像***包括多个遥感通道，各遥感通道对应设有不同的量子点条带，各量子点条带具有不同的光学特性，这样利用量子点进行光谱成像可以在保证光谱分辨率高和光谱范围宽的同时具有能量利用率高、体校小、易调制及成本低的特点，接着通过条带分割模块对待处理图像进行聚类分析，根据聚类分析的结果确定各量子点条带的第一位置、第二位置，根据第二位置确定各量子点条带的实际位置信息，进而通过确定模块基于多张第一图像和各量子点条带的实际位置信息能够快速准确地确定出第一光谱图像，第一光谱图像可以反映出目标水域所有区域的光谱信息，从而有助于后续基于第一光谱图像快速准确地反演出目标水域的水质参数，实现全面准确地监测目标水域的水质情况。
在一种可能的实现方式中，所述对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，包括：对所述待处理图像进行预处理，所述预处理方式包括转换图像格式、调整图像尺寸、调整图像像素值中的至少一种；对经所述预处理后的待处理图像进行聚类分析，得到分割结果；根据所述分割结果统计所述经所述预处理后的待处理图像中连续出现预设像素的区间范围，根据所述区间范围确定各所述量子点条带的第一位置；并且/或者，所述根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，包括：根据所述第一位置判断所述待处理图像是否缺失条带，若所述待处理图像存在缺失的条带，则利用条带的分布信息进行条带填补，所述条带的分布信息包括条带数量、条带宽度、相邻条带之间的间隔中的至少一种；根据各所述量子点条带的先验信息和所述第一位置，从所述待处理图像中提取出待处理子图像，所述待处理子图像位于所述待处理图像中的中心区域；对所述待处理子图像进行聚类分析，并对聚类分析后的待处理子图像进行直线检测，得到直线检测结果；利用所述直线检测结果对所述待处理图像进行边界约束，并去除所述待处理图像中的噪声，去除噪声的方式包括去除像素值大于预设阈值的像素；根据经边界约束和去除噪声后的待处理图像确定各所述量子点条带的第二位置；根据所述第二位置判断是否需要扩充条带宽度；根据所述第二位置调整条带的分布情况，所述调整方式包括增加条带和/或删除条带；以经调整条带的分布情况后的条带位置作为所述各所述量子点条带的实际位置信息。
这样，通过对待处理图像进行预处理、聚类分析、条带填补、直线检测、边界约束、去除噪声、调整条带分布情况这一系列操作，能够准确实现条带分割，确定出各量子点条带的实际位置信息，从而有助于后续准确快速地确定出第一光谱图像。
在一种可能的实现方式中，所述基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，包括：根据各所述量子点条带的实际位置信息，将每张所述第一图像中对应于同一所述量子点条带的光谱信息提取出来；按照各光谱信息所对应的区域在所述目标水域中的位置，将对应于同一所述量子点条带的多个光谱信息进行拼接，得到对应于各所述量子点条带的第一全景图，各所述第一全景图包括对应于同一所述量子点条带的所述目标水域中所有区域的光谱信息；对各所述第一全景图进行特征提取，得到各所述第一全景图的多个第一特征点；以所述多张第一全景图的其中一张作为第一中心全景图，根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，所述第一单应变换集包括所述第一中心全景图与其余各个所述第一全景图之间的第一单应变换矩阵；利用所述第一单应变换集对所述多张第一全景图进行处理，得到所述第一光谱图像。
这样，通过对多张第一图像进行拼接得到多张第一全景图，并在多张第一全景图的基础上进行配准，能够得到具有全部所需光谱信息的第一光谱图像，有助于后续基于该第一光谱图像进行水质参数的准确反演。
本公开实施例还提出一种水质参数的获取装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述水质参数的获取方法。
在一些实施例中，本公开实施例提供的水质参数的获取装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文水质参数的获取方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述水质参数的获取方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
在一些实施例中，本公开实施例提供的计算机可读存储介质具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文水质参数的获取方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述水质参数的获取方法。
在一些实施例中，本公开实施例提供的计算机程序产品具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文水质参数的获取方法实施例的描述，为了简洁，这里不再赘述。
图12示出根据本公开实施例提供的用于执行水质参数的获取方法的装置的框图。例如，装置1900可以被提供为一服务器或终端设备。参照图12，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出接口1958（I/O接口）。装置1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，MacOS XTM，UnixTM, LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（***）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种水质参数的获取方法，其特征在于，包括：
基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，得到多张第一图像，其中，所述遥感成像***包括多个遥感通道，各所述遥感通道对应设有不同的量子点条带，各所述量子点条带具有不同的光学特性，全部所述第一图像覆盖所述目标水域中所有区域的光谱信息；
基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，其中，所述第一光谱图像包括所述目标水域中所有区域的光谱信息，所述各所述量子点条带的实际位置信息通过对待处理图像进行条带分割确定，所述待处理图像与所述第一图像基于同一所述遥感成像***获得；
将所述第一光谱图像和第一采样时间输入至反演模型中进行计算，得到第一水质参数，其中，所述第一采样时间为所述第一光谱图像包括的采样时间，所述第一水质参数表征所述目标水域于所述采样时间内的水质情况；
所述方法还包括所述反演模型的训练步骤，所述训练步骤包括：构建样本集，所述样本集包括多个样本对，每个所述样本对包括光谱图像数据和对应的水质参数数据，所述光谱图像数据具有多个波段的光谱信息；根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，所述特征波段集与所述水质参数数据的相关性处于预设阈值范围内；基于所述特征波段集和所述样本集训练初始的反演模型，得到训练后的反演模型；
所述根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，包括：计算各所述波段与所述水质参数数据的相关性，并按照所述相关性从大到小排序得到波段顺序；构建初始状态为空集的目标波段集，根据所述波段顺序向所述目标波段集中逐个增加所述波段，直至增加新波段后的目标波段集与所述水质参数数据的相关性降低或增加幅度小于预设阈值，将增加所述新波段前的目标波段集作为所述特征波段集；
所述光谱图像数据包括第二采样时间和第二光谱图像，所述水质参数数据包括第三采样时间和第二水质参数，其中，所述第二采样时间为所述第二光谱图像的采样时间，所述第三采样时间为所述第二水质参数的采样时间，所述第二采样时间和所述第三采样时间为同一采样时间或满足预设间隔时间条件；所述第二光谱图像包括预设水域中所有区域的光谱信息，所述第二水质参数表征所述预设水域的水质情况，其中，所述预设水域为所述目标水域和/或非所述目标水域。
2.根据权利要求1所述的方法，其特征在于，所述基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，包括：
根据各所述量子点条带的实际位置信息，将每张所述第一图像中对应于同一所述量子点条带的光谱信息提取出来；
按照各光谱信息所对应的区域在所述目标水域中的位置，将对应于同一所述量子点条带的多个光谱信息进行拼接，得到对应于各所述量子点条带的第一全景图，各所述第一全景图包括对应于同一所述量子点条带的所述目标水域中所有区域的光谱信息；
对各所述第一全景图进行特征提取，得到各所述第一全景图的多个第一特征点；
以所述多张第一全景图的其中一张作为第一中心全景图，根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，所述第一单应变换集包括所述第一中心全景图与其余各个所述第一全景图之间的第一单应变换矩阵；
利用所述第一单应变换集对所述多张第一全景图进行处理，得到所述第一光谱图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，包括：
分别通过直接法、结合有轨迹追踪的模拟法、结合有模板匹配的直接法、结合有轨迹追踪和模板匹配的模拟法、结合有插值法的直接法的方式确定出多个待定单应变换集；
根据预设的指标评价从所述多个待定单应变换集中确定出所述第一单应变换集。
4.根据权利要求1所述的方法，其特征在于，对待处理图像进行条带分割，包括：
对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，并根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，其中，所述第一位置指示条带的初始粗糙位置，所述第二位置指示条带的初始精确位置。
5.根据权利要求4所述的方法，其特征在于，所述对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，包括：
获取所述待处理图像，并对所述待处理图像进行预处理，所述预处理方式包括转换图像格式、调整图像尺寸、调整图像像素值中的至少一种；
对经所述预处理后的待处理图像进行聚类分析，得到分割结果；
根据所述分割结果统计所述经所述预处理后的待处理图像中连续出现预设像素的区间范围，根据所述区间范围确定各所述量子点条带的第一位置，所述第一位置指示条带的初始粗糙位置；
并且/或者，
所述根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，包括：
根据所述第一位置判断所述待处理图像是否缺失条带，若所述待处理图像存在缺失的条带，则利用条带的分布信息进行条带填补，所述条带的分布信息包括条带数量、条带宽度、相邻条带之间的间隔中的至少一种；
根据各所述量子点条带的先验信息和所述第一位置，从所述待处理图像中提取出待处理子图像，所述待处理子图像位于所述待处理图像中的中心区域；
对所述待处理子图像进行聚类分析，并对聚类分析后的待处理子图像进行直线检测，得到直线检测结果；
利用所述直线检测结果对所述待处理图像进行边界约束，并去除所述待处理图像中的噪声，去除噪声的方式包括去除像素值大于预设阈值的像素；
根据经边界约束和去除噪声后的待处理图像确定各所述量子点条带的第二位置，所述第二位置指示条带的初始精确位置；
根据所述第二位置判断是否需要扩充条带宽度；
根据所述第二位置调整条带的分布情况，所述调整方式包括增加条带和/或删除条带；
以经调整条带的分布情况后的条带位置作为所述各所述量子点条带的实际位置信息。
6.一种图像处理方法，其特征在于，包括：
基于同一遥感成像***进行高光谱遥感成像，得到待处理图像和多张第一图像，其中，所述遥感成像***包含多个遥感通道，各所述遥感通道对应设有不同的量子点条带，各所述量子点条带具有不同的光学特性，全部所述第一图像覆盖目标水域中所有区域的光谱信息；
对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，并根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，其中，所述第一位置指示条带的初始粗糙位置，所述第二位置指示条带的初始精确位置；
基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，所述第一光谱图像包括所述目标水域中所有区域的光谱信息；
所述对所述待处理图像进行聚类分析，根据所述聚类分析的结果确定各所述量子点条带的第一位置，包括：对所述待处理图像进行预处理，所述预处理方式包括转换图像格式、调整图像尺寸、调整图像像素值中的至少一种；对经所述预处理后的待处理图像进行聚类分析，得到分割结果；根据所述分割结果统计所述经所述预处理后的待处理图像中连续出现预设像素的区间范围，根据所述区间范围确定各所述量子点条带的第一位置；并且/或者，所述根据所述第一位置确定各所述量子点条带的第二位置，从而根据所述第二位置确定各所述量子点条带的实际位置信息，包括：根据所述第一位置判断所述待处理图像是否缺失条带，若所述待处理图像存在缺失的条带，则利用条带的分布信息进行条带填补，所述条带的分布信息包括条带数量、条带宽度、相邻条带之间的间隔中的至少一种；根据各所述量子点条带的先验信息和所述第一位置，从所述待处理图像中提取出待处理子图像，所述待处理子图像位于所述待处理图像中的中心区域；对所述待处理子图像进行聚类分析，并对聚类分析后的待处理子图像进行直线检测，得到直线检测结果；利用所述直线检测结果对所述待处理图像进行边界约束，并去除所述待处理图像中的噪声，去除噪声的方式包括去除像素值大于预设阈值的像素；根据经边界约束和去除噪声后的待处理图像确定各所述量子点条带的第二位置；根据所述第二位置判断是否需要扩充条带宽度；根据所述第二位置调整条带的分布情况，所述调整方式包括增加条带和/或删除条带；以经调整条带的分布情况后的条带位置作为所述各所述量子点条带的实际位置信息。
7.根据权利要求6所述的方法，其特征在于，所述基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，包括：
根据各所述量子点条带的实际位置信息，将每张所述第一图像中对应于同一所述量子点条带的光谱信息提取出来；
按照各光谱信息所对应的区域在所述目标水域中的位置，将对应于同一所述量子点条带的多个光谱信息进行拼接，得到对应于各所述量子点条带的第一全景图，各所述第一全景图包括对应于同一所述量子点条带的所述目标水域中所有区域的光谱信息；
对各所述第一全景图进行特征提取，得到各所述第一全景图的多个第一特征点；
以所述多张第一全景图的其中一张作为第一中心全景图，根据所述第一中心全景图的第一特征点和其余所述第一全景图的第一特征点确定出第一单应变换集，所述第一单应变换集包括所述第一中心全景图与其余各个所述第一全景图之间的第一单应变换矩阵；
利用所述第一单应变换集对所述多张第一全景图进行处理，得到所述第一光谱图像。
8.一种水质参数的获取装置，其特征在于，包括：
高光谱遥感成像模块，所述高光谱遥感成像模块用于基于同一遥感成像***针对目标水域的不同区域进行高光谱遥感成像，得到多张第一图像，其中，所述遥感成像***包含多个遥感通道，各所述遥感通道对应设有不同的量子点条带，各所述量子点条带具有不同的光学特性，全部所述第一图像覆盖所述目标水域中所有区域的光谱信息；
图像处理模块，所述图像处理模块用于基于所述多张第一图像和各所述量子点条带的实际位置信息确定出第一光谱图像，所述第一光谱图像包括所述目标水域中所有区域的光谱信息，其中，所述各所述量子点条带的实际位置信息通过对待处理图像进行条带分割确定，所述待处理图像与所述第一图像基于同一所述遥感成像***获得；
参数反演模块，所述参数反演模块用于将所述第一光谱图像和第一采样时间输入至反演模型中进行计算，得到第一水质参数，其中，所述第一采样时间为所述第一光谱图像包括的采样时间，所述第一水质参数表征所述目标水域的水质情况；
所述装置还包括用于所述反演模型的训练模块，所述训练模块用于：构建样本集，所述样本集包括多个样本对，每个所述样本对包括光谱图像数据和对应的水质参数数据，所述光谱图像数据具有多个波段的光谱信息；根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，所述特征波段集与所述水质参数数据的相关性处于预设阈值范围内；基于所述特征波段集和所述样本集训练初始的反演模型，得到训练后的反演模型；
所述根据各所述波段与所述水质参数数据的相关性，从所有波段中筛选出部分波段形成特征波段集，包括：计算各所述波段与所述水质参数数据的相关性，并按照所述相关性从大到小排序得到波段顺序；构建初始状态为空集的目标波段集，根据所述波段顺序向所述目标波段集中逐个增加所述波段，直至增加新波段后的目标波段集与所述水质参数数据的相关性降低或增加幅度小于预设阈值，将增加所述新波段前的目标波段集作为所述特征波段集；
所述光谱图像数据包括第二采样时间和第二光谱图像，所述水质参数数据包括第三采样时间和第二水质参数，其中，所述第二采样时间为所述第二光谱图像的采样时间，所述第三采样时间为所述第二水质参数的采样时间，所述第二采样时间和所述第三采样时间为同一采样时间或满足预设间隔时间条件；所述第二光谱图像包括预设水域中所有区域的光谱信息，所述第二水质参数表征所述预设水域的水质情况，其中，所述预设水域为所述目标水域和/或非所述目标水域。
9.一种水质参数的获取装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为在执行所述存储器存储的指令时，实现权利要求1至5中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451968.1A CN117173580B (zh) | 2023-11-03 | 2023-11-03 | 水质参数的获取方法及装置、图像处理方法、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451968.1A CN117173580B (zh) | 2023-11-03 | 2023-11-03 | 水质参数的获取方法及装置、图像处理方法、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173580A CN117173580A (zh) | 2023-12-05 |
| CN117173580B true CN117173580B (zh) | 2024-01-30 |
Family
ID=88939901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311451968.1A Active CN117173580B (zh) | 2023-11-03 | 2023-11-03 | 水质参数的获取方法及装置、图像处理方法、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173580B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117437553B (zh) * | 2023-12-21 | 2024-02-23 | 贵州省环境工程评估中心 | 一种用于入河排污口监测的遥感影像数据处理方法及装置 |
| CN117893177B (zh) * | 2024-03-15 | 2024-06-07 | 山东得和明兴生物科技有限公司 | 一种利用弹性填料进行池塘水质调控的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106872035A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院光电研究院 | 量子点光谱成像*** |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
| CN113063496A (zh) * | 2021-03-11 | 2021-07-02 | 芯视界（北京）科技有限公司 | 成像光谱装置 |
| CN113125355A (zh) * | 2019-12-31 | 2021-07-16 | 芯视界（北京）科技有限公司 | 水质监管*** |
| CN114936971A (zh) * | 2022-06-08 | 2022-08-23 | 浙江理工大学 | 一种面向水域的无人机遥感多光谱图像拼接方法及*** |
| CN114998750A (zh) * | 2022-08-01 | 2022-09-02 | 四川工程职业技术学院 | 一种遥感图像随机长度条带去除方法、装置、设备及介质 |
| CN115266632A (zh) * | 2022-07-29 | 2022-11-01 | 阿尔爱思科技(苏州)有限公司 | 一种水体污染源无人机高光谱遥感排查方法 |
| CN116630148A (zh) * | 2023-07-25 | 2023-08-22 | 芯视界（北京）科技有限公司 | 光谱图像处理方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11231502B2 (en) * | 2011-06-30 | 2022-01-25 | The Regents Of The University Of Colorado | Remote measurement of shallow depths in semi-transparent media |
-
2023
- 2023-11-03 CN CN202311451968.1A patent/CN117173580B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106872035A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院光电研究院 | 量子点光谱成像*** |
| CN113125355A (zh) * | 2019-12-31 | 2021-07-16 | 芯视界（北京）科技有限公司 | 水质监管*** |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
| CN113063496A (zh) * | 2021-03-11 | 2021-07-02 | 芯视界（北京）科技有限公司 | 成像光谱装置 |
| CN114936971A (zh) * | 2022-06-08 | 2022-08-23 | 浙江理工大学 | 一种面向水域的无人机遥感多光谱图像拼接方法及*** |
| CN115266632A (zh) * | 2022-07-29 | 2022-11-01 | 阿尔爱思科技(苏州)有限公司 | 一种水体污染源无人机高光谱遥感排查方法 |
| CN114998750A (zh) * | 2022-08-01 | 2022-09-02 | 四川工程职业技术学院 | 一种遥感图像随机长度条带去除方法、装置、设备及介质 |
| CN116630148A (zh) * | 2023-07-25 | 2023-08-22 | 芯视界（北京）科技有限公司 | 光谱图像处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173580A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Deep blind hyperspectral image fusion | |
| CN117173580B (zh) | 水质参数的获取方法及装置、图像处理方法、介质 | |
| Liebel et al. | Single-image super resolution for multispectral remote sensing data using convolutional neural networks | |
| Baek et al. | Compact single-shot hyperspectral imaging using a prism | |
| US20220207648A1 (en) | Creating super-resolution images | |
| CN104285175A (zh) | 使用小波分析进行单颗粒定位的方法和装置 | |
| De Lutio et al. | Learning graph regularisation for guided super-resolution | |
| Leduc et al. | Challenges and applications of structure-from-motion photogrammetry in a physical model of a braided river | |
| CN113469074A (zh) | 基于孪生注意力融合网络的遥感图像变化检测方法及*** | |
| Duan et al. | Guided event filtering: Synergy between intensity images and neuromorphic events for high performance imaging | |
| CN116630148B (zh) | 光谱图像处理方法、装置、电子设备及存储介质 | |
| EP2909671B1 (fr) | Procede de conception d'un imageur monovoie passif capable d'estimer la profondeur de champ | |
| James et al. | An innovative photogrammetry color segmentation based technique as an alternative approach to 3D scanning for reverse engineering design | |
| CN116403121A (zh) | 水体指数与极化信息多路径融合的遥感图像水域分割方法、***及设备 | |
| CN113421216A (zh) | 一种高光谱融合计算成像方法及*** | |
| Qian et al. | FAOD‐Net: a fast AOD‐Net for dehazing single image | |
| Won et al. | Learning depth from focus in the wild | |
| Oga et al. | River state classification combining patch-based processing and CNN | |
| O'Connor | Impact of image quality on SfM Photogrammetry: colour, compression and noise | |
| CN116206221A (zh) | 一种水体耀斑检测方法和*** | |
| CN115578256A (zh) | 一种无人机航拍绝缘子红外视频全景拼接方法及*** | |
| Mishra et al. | Exploring single-frame super-resolution on real-world Hyperion and PRISMA datasets of an urban area in a developing nation | |
| Pooyoi et al. | Snow scene segmentation using cnn-based approach with transfer learning | |
| CN112528982A (zh) | 一种用于检测船舶水尺线的方法、装置及*** | |
| Motayyeb et al. | Effect of Keyframes Extraction from Thermal Infrared Video Stream to Generate Dense Point Cloud of the BUILDING'S Facade |
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 |