本发明涉及图像处理,具体涉及一种基于图像识别的海洋污染预警方法。
背景技术:
1、海洋污染是指各种有害物质通过不同的途径进入海洋环境,导致海洋生态系统平衡被打破,生物多样性受损的现象。随着工业化和城市化的加速发展,海洋污染问题日益严重,对生态环境和人类健康造成了巨大的威胁。
2、在海洋污染过程中,海草和絮状物是两个典型的污染指标。海草是海洋生态系统中重要的初级生产者,它们通过光合作用为海洋生物提供能量和氧气。然而,当海洋受到污染时,海草的生长和繁殖受到影响,导致海草种群减少甚至消失。
3、絮状物是指海水中的悬浮颗粒物聚集形成的絮状结构,通常由微生物、有机物和无机盐等组成。在海洋污染过程中,絮状物会受到严重影响。
4、现有基于图像识别的海洋污染预警方法主要利用遥感技术获取海洋表面的图像信息,然后通过计算机视觉和深度学习算法对图像进行处理和分析,实现对海洋表面的污染情况进行分析,但无法分析海洋中的污染情况,且无法对海洋未来的污染情况进行预测。
技术实现思路
1、针对现有技术中的上述不足,本发明提供的一种基于图像识别的海洋污染预警方法解决了现有技术无法分析海洋中的污染情况,且无法对海洋未来的污染情况进行预测的问题。
2、为了达到上述发明目的,本发明采用的技术方案为:一种基于图像识别的海洋污染预警方法,包括以下步骤:
3、s1、采集海洋中水底图像,基于像素点的颜色平滑值,对水底图像进行分割,得到海草区、海水区和絮状区;
4、s2、根据海草区的颜色值、海水区的颜色值和絮状区的浓度值,计算海洋污染值;
5、s3、对各个时刻的海洋污染值、海草区变化速率和絮状区变化速率进行归一化处理,得到样本;
6、s4、采用并行lstm增强特征融合神经网络对样本进行处理,得到海洋未来污染值;
7、s5、在海洋未来污染值大于污染阈值时进行预警。
8、本发明的有益效果为:本发明采集了海洋中水底图像,根据像素点的颜色平滑值,对水底图像进行分割,得到海草区、海水区和絮状区,根据海草区的颜色值、海水区的颜色值和絮状区的浓度值,计算出海洋污染值,从而实现对当前海洋污染情况的分析,采用并行lstm增强特征融合神经网络对样本进行处理,实现综合历史各个时刻的海洋污染值、海草区变化速率和絮状区变化速率预测海洋未来污染值,本发明通过各个时刻的海洋污染值,体现海洋污染变化情况,通过海草区变化速率体现海草变化情况,絮状区变化速率体现絮状物变化情况,并采用并行lstm增强特征融合神经网络提取出各个时刻变化的特征,提高预测海洋未来污染值的精度,对海洋污染进行提前预警。
9、进一步地,所述s1包括以下分步骤:
10、s11、采集海洋中水底图像;
11、s12、对水底图像进行去噪处理,得到水底去噪图像;
12、s13、根据像素点的颜色平滑值,从水底去噪图像中识别出海水区;
13、s14、从水底去噪图像中剔除海水区,得到多个独立封闭子图;
14、s15、识别各个独立封闭子图,得到海草区和絮状区。
15、上述进一步地方案的有益效果为:本发明在采集海洋中水底图像后,对水底图像进行去噪处理,去除噪点影响,根据每个像素点的颜色平滑情况,先从水底去噪图像中识别出海水区,再从水底去噪图像中剔除海水区,剩余的区域再进行分割,得到海草区和絮状区。
16、进一步地,所述s13包括以下分步骤:
17、s131、计算水底去噪图像中每个像素点的颜色平滑值;
18、s132、筛选出颜色平滑值低于平滑阈值的像素点作为备选像素点;
19、s133、根据各个备选像素点的颜色距离,对备选像素点进行聚类处理,得到多个分类;
20、s134、将包含备选像素点最多的分类作为海水区。
21、进一步地,所述s131中计算颜色平滑值的公式为:
22、,
23、其中,s为颜色平滑值,ro为像素点的r通道值,go为像素点的g通道值,bo为像素点的b通道值,ro,i为像素点邻域范围的第i个r通道值,go,i为像素点邻域范围的第i个g通道值,bo,i为像素点邻域范围的第i个b通道值,| |为绝对值,n为邻域范围r通道值、g通道值或b通道值的数量,i为正整数。
24、上述进一步地方案的有益效果为:本发明先根据每个像素点邻域范围内多个r通道值、g通道值和b通道值的情况,计算出每个像素点的颜色平滑值,颜色平滑值越小,颜色过度均匀,而海草区和絮状区内颜色变化较大,同时,在选出备选像素点后,根据各个备选像素点的颜色距离,对备选像素点进行聚类处理,选出最大的分类作为海水区,避免部分海草区和絮状区中平滑区域对海水区的干扰。
25、进一步地,所述s15包括以下分步骤:
26、s151、将面积最大的独立封闭子图作为海草区;
27、s152、从剩余的多个独立封闭子图中挑选出面积小于面积阈值的独立封闭子图,作为絮状区。
28、上述进一步地方案的有益效果为:在s14中从水底去噪图像中剔除海水区,因此,剩余待分割区由多个独立封闭子图构成,在海洋中,海草与海底连接在一起,在图像中占比大,将面积最大的独立封闭子图作为海草区,再从剩余多个独立封闭子图中挑选出面积小于面积阈值的独立封闭子图,从而实现筛选出分布在海水中的絮状物,大于面积阈值的独立封闭子图丢弃,避免鱼类的干扰。
29、进一步地,所述s2中絮状区的浓度值的计算公式为:
30、,
31、其中,μ为絮状区的浓度值,ef为絮状区的面积,es为海水区的面积;
32、所述s2中计算海洋污染值的公式为:
33、,
34、其中,γ为海洋污染值,cg为海草区的颜色值,为海草区的颜色标准值,cs为海水区的颜色值,为海水区的颜色标准值,为絮状区浓度标准值,α1为第一加权系数,α2为第二加权系数,α3为第三加权系数。
35、上述进一步地方案的有益效果为:本发明综合海草区的颜色值与海草区的颜色标准值的差距、海水区的颜色值与海水区的颜色标准值的差距、絮状区的浓度值与絮状区浓度标准值的差距,并加权处理,得到海洋污染值,从三方面体现海洋是否存在异常。
36、进一步地,所述s3中海草区变化速率的计算公式为:
37、,
38、其中,vg,t为第t时刻的海草区变化速率,eg,t为第t时刻的海草区面积,eg,t-1为第t-1时刻的海草区面积,t为间隔时间长度;
39、所述s3中絮状区变化速率的计算公式为:
40、,
41、其中,vf,t为第t时刻的絮状区变化速率,ef,t为第t时刻的絮状区面积,ef,t-1为第t-1时刻的絮状区面积,t为时刻的编号。
42、上述进一步地方案的有益效果为:本发明计算出海草区变化速率和絮状区变化速率,通过海草区变化速率反映出海草区是否在短时间内存在快速变化,通过絮状区变化速率反映出絮状区是否在短时间内存在快速变化,在海草区和絮状区快速变化时,均能表明海洋中环境在急剧变化。
43、进一步地,所述s4中并行lstm增强特征融合神经网络包括:第一lstm提取单元、第二lstm提取单元、第三lstm提取单元、concat层和全连接层;
44、所述第一lstm提取单元的输入端用于输入各个时刻的海洋污染值;
45、所述第二lstm提取单元的输入端用于输入各个时刻的海草区变化速率;
46、所述第三lstm提取单元的输入端用于输入各个时刻的絮状区变化速率;
47、所述concat层的输入端分别与第一lstm提取单元的输出端、第二lstm提取单元的输出端和第三lstm提取单元的输出端连接;所述全连接层的输入端与concat层的输出端连接,其输出端作为并行lstm增强特征融合神经网络的输出端。
48、上述进一步地方案的有益效果为:在lstm层包括多个细胞单元,本发明在第一lstm提取单元输入各个时刻的海洋污染值,捕捉各个时刻的海洋污染值的关联情况,在第二lstm提取单元输入各个时刻的海草区变化速率,捕捉各个时刻的海草区变化速率的关联情况,在第三lstm提取单元输入各个时刻的絮状区变化速率,捕捉各个时刻的絮状区变化速率的关联情况,再通过concat层拼接三个lstm提取单元的输出特征,采用全连接层输出海洋未来污染值。
49、进一步地,所述第一lstm提取单元、第二lstm提取单元和第三lstm提取单元均包括:lstm层、显著特征增强层和平均池化层;
50、所述lstm层的输入端作为第一lstm提取单元、第二lstm提取单元或第三lstm提取单元的输入端,其输出端与显著特征增强层的输入端连接;所述平均池化层的输入端与显著特征增强层的输出端连接,其输出端作为第一lstm提取单元、第二lstm提取单元或第三lstm提取单元的输出端;
51、在第一lstm提取单元的lstm层中每个细胞单元用于输入一个时刻的海洋污染值;
52、在第二lstm提取单元的lstm层中每个细胞单元用于输入一个时刻的海草区变化速率;
53、在第三lstm提取单元的lstm层中每个细胞单元用于输入一个时刻的絮状区变化速率。
54、进一步地,所述显著特征增强层的表达式为:
55、,
56、其中,y为显著特征增强层的输出特征,maxpool为最大池化操作,σ为sigmoid激活函数,h为显著特征增强层的输入特征,为按元素相乘。
57、上述进一步地方案的有益效果为:本发明采用最大池化操作提取出lstm层输出的显著特征值,再采用sigmoid激活函数计算出显著特征值的权重比例对对应的显著特征值相乘,实现自适应的增强显著特征值,再采用平均池化层提取出各个增强后的显著特征值的全局特征。