本发明涉及富营养化的湖面生物图像识别，具体涉及富营养化的湖面生物识别方法。
背景技术：
富营养化是一种氮、磷等植物营养物质含量过多所引起的水质污染现象。在自然条件下，随着河流夹带冲积物和水生生物残骸在湖底的不断沉降淤积，湖泊会从平营养湖过渡为富营养湖，进而演变为沼泽和陆地，这是一种极为缓慢的过程。但由于人类的活动，将大量工业废水和生活污水以及农田径流中的植物营养物质排入湖泊、水库、河口、海湾等缓流水体后，水生生物特别是藻类将大量繁殖，使生物量的种群种类数量发生改变，破坏了水体的生态平衡。目前富营养化的湖面生物类别存在识别出错、存在干扰时难以识别的问题。
技术实现要素：
本发明所要解决的技术问题是目前富营养化的湖面生物类别存在识别出错、存在干扰时难以识别的问题，目的在于提供富营养化的湖面生物识别方法，解决上述问题。
本发明通过下述技术方案实现：
富营养化的湖面生物识别方法，包括富营养化的湖面生物类别样本、待识别图像，还包括以下步骤：
s1，获取来自富营养化的湖面生物检测采集点的待识别图像，在空间域中进行分解域变换，使图像信息分解到的多个尺度空间中；
s2，利用空间域梯度算子进行待识别图像的边缘检测；
s3，在图像变换域中，利用小波进行待识别图像的边缘检测；
s4，提取空间域和变换域中边缘检测获取的待识别图像的特征向量；
s5，利用人工神经网络进行模式识别，将富营养化的湖面生物类别样本进行离线训练，确定权值，与s4获得的特征向量进行运算，实现待识别图像的识别。
进一步地，所述s1中的分解域变换采用小波多尺度分解域变换。
进一步地，所述s2中的梯度算子采用高斯拉普拉斯算子。
进一步地，所述s3中的边缘检测结果采用链表进行记录。
进一步地，所述s4中的特征向量采用统计特征。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明富营养化的湖面生物识别方法，能够有效提取富营养化的湖面生物的边缘，作为理想的特征；
2、本发明富营养化的湖面生物识别方法，能够依据空间域和变换域双重检测，提高检测精度。
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明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
本发明富营养化的湖面生物识别方法，包括富营养化的湖面生物类别样本、待识别图像，还包括以下步骤：
s1，获取来自富营养化的湖面生物检测采集点的待识别图像，在空间域中进行分解域变换，使图像信息分解到的多个尺度空间中；
s2，利用空间域梯度算子进行待识别图像的边缘检测；
s3，在图像变换域中，利用小波进行待识别图像的边缘检测；
s4，提取空间域和变换域中边缘检测获取的待识别图像的特征向量；
s5，利用人工神经网络进行模式识别，将富营养化的湖面生物类别样本进行离线训练，确定权值，与s4获得的特征向量进行运算，实现待识别图像的识别。
所述s1中的分解域变换采用小波多尺度分解域变换。
所述s2中的梯度算子采用高斯拉普拉斯算子。
所述s3中的边缘检测结果采用链表进行记录。
所述s4中的特征向量采用统计特征。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.富营养化的湖面生物识别方法，包括富营养化的湖面生物类别样本、待识别图像，其特征在于，还包括以下步骤：
s1，获取来自富营养化的湖面生物检测采集点的待识别图像，在空间域中进行分解域变换，使图像信息分解到的多个尺度空间中；
s2，利用空间域梯度算子进行待识别图像的边缘检测；
s3，在图像变换域中，利用小波进行待识别图像的边缘检测；
s4，提取空间域和变换域中边缘检测获取的待识别图像的特征向量；
s5，利用人工神经网络进行模式识别，将富营养化的湖面生物类别样本进行离线训练，确定权值，与s4获得的特征向量进行运算，实现待识别图像的识别。
2.根据权利要求1所述的富营养化的湖面生物识别方法，其特征在于，所述s1中的分解域变换采用小波多尺度分解域变换。
3.根据权利要求1所述的富营养化的湖面生物识别方法，其特征在于，所述s2中的梯度算子采用高斯拉普拉斯算子。
4.根据权利要求1所述的富营养化的湖面生物识别方法，其特征在于，所述s3中的边缘检测结果采用链表进行记录。
5.根据权利要求1所述的富营养化的湖面生物识别方法，其特征在于，所述s4中的特征向量采用统计特征。