一种综合智能水质识别方法与流程

本发明涉及水质识别领域，具体地说，涉及一种综合智能水质识别方法。
背景技术：
：随着人类社会工业化的进步，环境污染越来越严重，而水资源的污染也在加重。特别是在非洲广袤的土地上，水资源成为其重要的资源，而因为水资源传播的疾病肆意传播，让生活在这一地区的人群积贫积弱。然而，传统的水质检测需要通过多种仪器对水资源的各个方面进行鉴定，最终根据鉴定所得的数据方可对水质进行综合判断。目前很多排口处都安装了视频监控设备，但监控的方式主要是工作人员通过紧盯屏幕的方式对监控画面进行监视，有时是环保事故后再去回看监控录像查找线索，无法预防环保事故的发生。同时由于监控点数量巨大，不可能让有限的监控人员及显示设备同时关注所有的监控点，大多采用轮询播放的方式，在大部分情况下，监控点的视频画面并没有被监控人员看到，很可能在这些时间内就有值得注意的异常现象出现。而由于监控人员并未当场发现，而错过了及时处理的机会。还有监控人员注意力不能长时间集中，面对如此多的监控图像，往往由于监控人员的一个疏忽就错过了将事故消除在萌芽阶段的时机。因此，很难实现对水资源的质量进行即时的检测和鉴定。现在也有很多在线检测水质的方法，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系统，该系统包括清水吸收池、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系统。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。水质识别系统包含采集模块、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系统，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。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；而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。技术实现要素：本发明的目的为提供一种综合智能水质识别方法，该方法无需特定的装置，只需与水域周围已有的摄像头进行数据连接，获取摄像头中的视频图像即可对该水域进行实时水质识别，且可用于偏僻地区水质监测。为了实现上述目的，本发明提供的综合智能水质识别方法包括以下步骤：1)获取待检测水域中不同状态和颜色时的图像得到样本图像；2)对样本图像进行颜色识别，并对识别后的图像进行水质颜色分类；3)将分类后的图像分别进行纹理特征提取，得到图像的纹理特征数据，并对每类图像中的所有图形的纹理特征数据取平均值，得到一组纹理特征数据模型；4)获取待检测水域中水质监测区域的原始视频数据，从原始视频数据中提取出图像数据，并对图像数据进行单帧处理得到单帧图像，并对单帧图像进行取样，提取出待检测水样图像；5)对待检测水样图像进行步骤2)和步骤3)处理，得到待检测水样图像的纹理特征数据；6)采用欧氏距离分类法并根据纹理特征数据模型对待检测水样图像的纹理特征数据进行分类识别。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，该摄像机的角度、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，根据处理得到的水域表面的颜色特征，来进行水质识别。这个过程完全类似于人用肉眼来识别各种颜色水的水质的原理，由于摄像机可以不间断工作，该方法能够及时提供预警信息，为人工及时处置提供决策的依据，具有很强的实用价值，这一点对于偏僻水域的监视尤其具有重要意义。具体的方案为步骤2)中对样本图像进行颜色识别的方法为：2-1)预定义每种颜色对应的hsv三个分量的范围，得到一预定义模型，并将预定义模型储存到处理器中；2-2)将样本图像由rgb模式转换为hsv模式，转换公式如下，v＝max其中max、min取自rgb三个分量，最大的为max，最小的为min；计算得到的h范围是[0，360]，s和v的范围是[0，1]；如果max＝min，h＝没有色彩，是纯灰色；如果h＜0，则h的值得再加上360；如果max＝0，s＝0就是没有色彩；如果v＝0则是纯黑色；2-3)将样本图像转换后的h、s、v三个分量输入处理器，与预定义模型进行比对，处理器输出比对结果。本发明采用hsv模型来进行水质颜色的识别，而不是采用rgb方法，rgb即代表红(r)、绿(g)、蓝(b)三个通道的颜色，rgb色彩模式是工业界的一种颜色标准，是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。而hsv是指颜色的色相(hue)、饱和度(saturation)和色调(value)，由于结合三个方面的内容，所以hsv模型相比rgb模型，更加贴近人们现实中对于颜色的感知。每个物体都有相应的颜色信息，如果用rgb通道的话，无法准确地提取出来颜色特征。相对而言，hsv能更容易也更准确地进行颜色的对比。因为hsv可以从颜色的色调，明暗，以及鲜艳程度去进行颜色的分类。例如，在hsv空间中，蓝色的范围是“100<h<124&43<s<255&46<v<255”，而在rgb中，就没有一个准确的范围表示，因此采用hsv模型更便于识别。为了便于分类，本发明把h的范围变为0～180，s和v的范围变为0～255；上述预定义模型如下：另一个具体的方案为步骤3)包括：3-1)对分类后的图像的rgb各分量进行灰度化处理；得到灰度图象；3-2)将灰度图象进行灰度级压缩，将灰度降到16级；3-3)计算压缩后的灰度图象中能量、熵、惯性矩和相关性这四个参数的均值和标准差，距离取为1，角度取0°、45°、90°和135°，生成灰度图像的共生矩阵；3-4)将共生矩阵进行归一化处理，得到八维纹理特征数据；3-5)对每类图像中的所有图形的八维纹理特征数据取平均值，得到一组八维纹理特征数据模型，储存到处理器中。更具体的方案为步骤3-1)中的rgb各分量灰度化处理比例分别为0.3，0.59，0.11。另一个具体的方案为步骤6)包括：计算待检测水样图像的纹理特征数据与纹理特征数据模型中某一类图像的纹理特征数据的欧氏距离d，设置一分界值d0，当d&lt;d0时，属于这一类图像，否则，不属于这一类图像。更具体的方案为欧式距离d1的计算公式为：d＝sqrt(∑(xi1-xi2)2)其中，d表示两个n维向量a(x11,x21,,…,xn1)与b(x12,x22,…,xn2)间的欧氏距离。进一步更具体的方案为上述分界值d0取0.5。与现有技术相比，本发明的有益效果为：(1)本发明将计算机视频图像处理技术引入到水质识别中，引入基于图像色度判定的水质识别方法，通过hsv空间中的颜色范围分类以及像素点叠加的方法实现基于水色颜色的水质识别。对于含有落叶、苔藓等杂质的水质识别，在颜色识别的基础上再进行纹理识别，通过基于统计法的灰度共生矩阵得到八维纹理特征，再采用欧氏距离分类法实现水质的综合识别。通过计算机综合识别后，对水质进行优劣分级，并根据水质的变化及时为决策者提供预警信息。本发明以提供预警为目标，当计算机发现水质异常之后发出警报信号，由人工到现场确认并进行后续处理，实现水质的实时监测。本发明旨在用智能视觉模仿人眼对水色进行判断，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系统具有重要意义。附图说明图1为本发明实施例的综合智能水质识别方法的流程图；图2为本发明实施例中不含树叶的清水图片；图3为本发明实施例中含少量树叶的清水图片；图4为本发明实施例中红色污水图片；图5为本发明实施例中蓝色污水图片；图6为本发明实施例中不含苔藓的黑色污水图片；图7为本发明实施例中含有苔藓的黑色污水图片；图8为本发明实施例的图像纹理特征提取的流程图；图9为本发明实施例的图片取样示意图。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9，本实施例的综合智能水质识别方法包括以下步骤：s1获取待检测水域中不同状态和颜色时的图像得到样本图像，样本图像为原始图像参见后的图片，如图9所示，目的为去除原始图像中过多冗余信息。s2对样本图像进行颜色识别，并对识别后的图像进行水质颜色分类。对样本图像进行颜色识别的方法包括：s201预定义每种颜色对应的hsv三个分量的范围，得到一预定义模型，并将预定义模型储存到处理器中；上述预定义模型为s202将样本图像由rgb模式转换为hsv模式，转换公式如下，v＝max其中max、min取自rgb三个分量，最大的为max，最小的为min；s203将样本图像转换后的h、s、v三个分量输入处理器，与所述预定义模型进行比对，处理器输出比对结果。本实施例中通过读取图片大小，从而得出像素点数量，对像素点进行逐个颜色识别，将像素点分为无色、红色、蓝色和黑色四类，计算各像素点的数量，再根据各像素点数量之间的比对，进行水质颜色分类。s3将分类后的图像分别进行纹理特征提取，得到图像的纹理特征数据。并对每类图像中的所有图形的纹理特征数据取平均值，得到一组纹理特征数据模型。参见图8，具体包括如下步骤：s301对分类后的图像的rgb各分量进行灰度化处理；得到灰度图象；rgb各分量灰度化处理比例分别为0.3，0.59，0.11，将颜色对纹理的影响降到最低；s302将灰度图象进行灰度级压缩，将灰度降到16级；s303计算压缩后的灰度图象中能量、熵、惯性矩和相关性这四个参数的均值和标准差，距离取为1，角度取0°、45°、90°和135°，生成灰度图像的共生矩阵；s304将共生矩阵进行归一化处理，得到八维纹理特征数据；下表所示为清水的部分八维纹理特征数据：s305对每类图像中的所有图形的八维纹理特征数据取平均值，得到一组八维纹理特征数据模型，储存到处理器中，作为分类的基础数据，以便之后的算法分析。s4获取待检测水域中水质监测区域的原始视频数据，从原始视频数据中提取出图像数据，并对所述图像数据进行单帧处理得到单帧图像，并对单帧图像进行取样，提取出待检测水样图像。本实施例采用videoreader函数读取单帧图像。s5对待检测水样图像进行步骤s2和步骤s3处理，得到待检测水样图像的纹理特征数据。s6采用欧氏距离分类法并根据纹理特征数据模型对待检测水样图像的纹理特征数据进行分类识别。具体为，计算待检测水样图像的纹理特征数据与纹理特征数据模型中某一类图像的纹理特征数据的欧氏距离d，设置一分界值d0，当d&lt;d0时，属于这一类图像，否则，不属于这一类图像。欧式距离d1的计算公式为：d＝sqrt(∑(xi1-xi2)2)其中，d表示两个n维向量a(x11,x21,,…,xn1)与b(x12,x22,…,xn2)间的欧氏距离。分界值d0取0.5。s7将分类结果输出并显示，对某些颜色类别设定警报提醒，若图像属于该类别时，警报系统发出警报，提醒人工到现场处理。图2至图7为待测试水样图像，经s03测试计算后六个图的各像素点的数量如下表所示：红色素数量蓝色素数量黑色素数量分类结果图256536清水(不含树叶)图3651730清水(含少量树叶)图4640029红色污水图57761428蓝色污水图636490377黑色污水(不含苔藓)图734193338黑色污水(含苔藓)其中，红色素、蓝色素、黑色素的按照s01中的预定义模型确定，根据本实施例的实验数据，定义如下：(1)如果红色素数量<100&蓝色素数量<100&黑色素数量<100，则该水分类是“清水”；(2)如果红色素数量>蓝色素数量&红色素数量>黑色素数量&红色素数量>100&黑色素数量&lt;100，则该水分类是“红色污水”；(3)如果蓝色素数量>红色素数量&蓝色素数量>黑色素数量&蓝色素数量>100，则该水分类是“蓝色污水”；(4)如果黑色素数量>蓝色素数量&黑色素数量>100，则该水分类是“黑色污水”。图2和图3各色素点的数量比较接近，按照颜色来分都作为“清水”类，图6和图7也一样，按照颜色来分都作为“黑色污水”类。为区分杂质的情况，进行s3至s7步骤的纹理识别，具体八维特征参数如下表所示：再根据欧氏距离分类，将图2分类为“清水(不含树叶)”，图3分类为“清水(含少量树叶)”；图6分类为“黑色污水(不含苔藓)”，图7分类为“黑色污水(含苔藓)”。当前第1页12