专利名称：一种基于图像处理的小型水域水华监测预警方法
技术领域：
本发明属于水环境监测技术领域，具体涉及小型水域(即江、河上游水库、城镇饮 用水源的水库、城镇取水区河段、常发生水华的江、河、湖泊区及景观水域等)的水华监测
预警方法。
背景技术：
近年来，随着工业、科技的飞速发展，大量的含有大量氮、磷的工、农业及生活废弃 物排入水中，致使江、河、湖泊等水域的淡水出现富营养化而暴发水华(如绿藻水华、蓝藻 水华等)，我国的太湖、滇池、巢湖、洪泽湖都发生过水华，水华造成是最大�：κ洽僭謇� 毒素通过食物链间接影响人类的健康或藻类的产生的致癌物质直接威胁人类的健康和生 存，污染水源；②自来水厂的过滤装置被藻类“水华”填塞，影响取水；③漂浮在水面上的 “水华”影响景观，而且有难闻的臭味，污染环境等。可见水华现象频繁出现，不仅造成大面 积水环境的破坏，而且也带来了巨大的经济损失。因此，在江、河上游的源头水域、地方湖泊 以及特定功能水域(城镇取水区、饮用水源和景观水域等)等淡水源头进行监测，对该水域 水华的发生、变化及灾情趋势进行监测预警是非常有意义的。现有水华监测预警方法，如2008年8月6日公开的，公开号为CN101236519A的 “用于蓝藻监测及蓝藻水华预警的浮标”专利，公开的浮标由浮标载体、仪器舱、监测传感器 集合体(由五种不同的传感器集合而成)、通讯天线、太阳能电池板构成。应用时，将一定数 量的浮标布置在被测水域的特定位置，对水体的不同深度进行监测，并将监测的数据通过 天线传输到监测中心，进行数据分析后实时预警。该专利的主要缺点是1.监测的局限性大。该专利只将一定数量的浮标布置在被测水域的特定位置，对 水体中的不同深度进行监测(即水下监测)，不能对较大面积的水域进行监测，也不能对 水面污染物的扩散规律、分布范围、污染程度等进行监测；浮标在监测的时候需要与水体直 接接触，而且占据一定的水域空间，不适合在一些特定功能的水域(如饮用水源、景观水域 等)直接应用。因此，浮标监测的局限性较大。2.维护费用高，监测成本高。该专利在实际应用中，需要专门的技术人员定期到监 测现场对浮标进行维护，耗时耗人力，从而较大地增加了维护成本。为了获取准确的水质信 息，就必须用昂贵的高精度监测传感器，并且该专利的传感器量大，种类多，从而提高了监 测成本。3.普及性差。由于该专利的成本高，结构复杂，使用、操作和维护的专业性较强强， 不利于在管理部门、企业和科研单位普及使用。
发明内容
本发明的目的是针对现有水华监测预警方法的不足，提供一种基于图像处理的小 型水域水华监测预警方法，具有成本低，对环境适用能力强，能实时获取水面污染信息并能 自动识别水华进行报警，便于推广应用等特点。
5
本发明的机理本发明首先以被测水域的历史水华区域图像为样本图建立颜色先 验模型，即将样本图的每个象素从三原色(RGB)空间转换到色、亮分离(HSV)空间，为了在 各种光照情况下都能锁定水华区域，因此摒弃HSV色彩空间中的饱和度(S)和亮度(V)分 量，只采用色调(H)分量。HSV模型是最贴近人类对色彩的感知方式，而颜色信息对该空间 的H(色调)分量比较敏感，且H(色调)分量很大程度地去除了光照的影响，因此建立的颜 色先验模型不受环境光线变化的影响。先建立水华区域的颜色先验模型，设{x' jpu.i为历史样本图的水华区域的n 个像素，在颜色模型中，当H(色调)分量的离散化取值为i(i = 1,2..., 360)的色调概率 为 式(1)中p是颜色模型，Pi是色调值为i的概率，5为5 (Kronecker delta)函 数，函数b(x'」)为空间R2— {1，2…m}的索弓丨，即位于位置x'」的像素向直方图量化特 征空间的索引。再用连续自适应性均值漂移(Camshift)算法来检测水华色块，连续自适应性均 值漂移算法是由均值漂移(MeanShift)算法演变而来，均值漂移(MeanShift)算法的过程 就是通过核G上的采样均值平移矢量Mm(x)(即核K上的密度梯度的估计)更新核G中心的 一个递归过程。均值漂移算法应用在连续序列时，由核G的位置的初始中心开始不断地计 算均值平移向量，迭代更新目标位置，直到收敛于最优匹配点。Mh,G(x)(即核K上的密度梯度的估计)计算公式如下 其中h为带宽度，C为归一化常数，可见核G上的采样均值平移矢量为核K上的密 度梯度的估计。}K(x)为核K上带宽度为h的多变量密度估计 集合{x'」}」=1,2.』是(1维欧氏空间炉的11个点，1^00表示该像素点的核函数 其中cd为d维单位球体体积。连续自适应性均值漂移算法就是在视频图像的处理区域内进行方向投影和均值 漂移计算，以当前帧搜索窗口的质心和面积作为下一帧搜索窗口的初始值，再进行迭代以 实现对目标的检测跟踪。然后用改进的连续自适应性均值漂移算法过滤干扰色块，即在应用Camshift算法前，首先将概率分布图进行腐蚀、膨胀处理，去掉噪声块，然后检测目标色块的内外轮廓， 找到目标色块中的空洞进行填充。然而进行以上预处理后，可能仍然存有干扰色块，所以在 应用于水华检测的时候有必要改进一下Camshift算法的适应性。从水面出现藻类聚集到水华全面爆发，通常需要15天左右的时间，所以在较短时 间内，水面上出现绿色区域变化是缓慢的，相比而言，相邻两帧图像时间间隔是非常短的 (几十毫秒)，那么目标色块在帧间的面积变化是非常小的，基于这种变化规律，我们就能 通过预测特征面积的方法来过虑干扰色块。设当前帧图像中色块的面积为Sn，下一帧的预测面积为S' n+1，那么S' n+1 = Sn+A(5)其中，常数A是一个经验值(根据具体情况设置)，表示帧间目标色块面积的增量。 根据式(5)就能预测下一帧图像中目标色块的面积，如果满足Sn+1-S' n+1| ^ I(6)Sn+1表示下一帧色块的实际测量面积，\为允许的误差范围，说明当前检测到的色 块符合帧间色块面积的变化规律；如果|Sn+1_S' n+1|超出允许的误差范围内时，则认为下 一帧实际检测到的色块面积不符合帧间水华区域面积的变化规律，将多余部分定义为干扰 色块并将其滤掉。实现本发明目的的技术方案是一种基于图像处理的小型水域水华监测预警方 法，利用摄像头和计算机，通过程序，依据历史数据建立先验颜色模型，运用改进的连续自 适应性均值漂移(Camshift)算法过滤掉干扰色块并检测出水华区域，通过该区域面积的 变化分析灾情趋势，并建立类似于气象灾害的预警模型，来监测并预警水华。具体步骤如 下(1)建立颜色先验模型首先根据被测水域的历史水华区域的样本图或视频数据，建立颜色先验模型， 即设{x'」}」=。』*样本图或视频数据的n个像素，将每个象素从RGB(三原色) 空间转换到HSV(色、亮分离)空间，将H(色调)分量的离散化取值为i (i = 1，2. . .，360)， 把H(色调)分量的范围
缩放到W，255]，以便取值范围的值能用一个字节(byte) 来表示。通过计算机按下式计算H分量的色调概率 其中p是颜色模型，Pi是色调值为i的概率，5为5 (Kronecker delta)函数， 函数b(x'」)为空间R2— {1，2…m}的索弓丨，即位于位置x' j的像素向直方图量化特征空 间的索引。(2)对水华区域进行检测①对小型水域进行监测第(1)步完成后，在小型水域(即江、河的上游水库或城镇饮用水源的水库或城镇 取水区的河段或常发生水华的江、河、湖泊水域或景观水域等)的岸边架设摄像头，并通过视频传输线与计算机连接。摄像头架设的具体位置、数量及高度，根据被测水域的具体情况 确定。用以监测被测水域的水面情况(因水域的水华暴发最显著的变化是水面视觉特征的 变化)并摄取水面的视频图像，达到实时监测水面图像的目的。②反向投影处理第(2)_①步完成后，对第(2)_①步输入的每一帧视频图像进行反向投影处理 (BackProjection)，即对视频图像处理区域中的每一个像素，通过计算机查询该像素与第 (1)步建立的颜色先验模型(即H分量色调概率模型)的匹配程度，就得到该像素为目标像 素的概率(此区域之外的其他区域的概率为0，图像中每一个像素的值就变成了目标颜色 信息出现在此处的可能性的一种离散化度量，此处出现的可能性越大，像素的值就越大，反 之则越小)。经过上述处理，就得到每帧图像的目标颜色反向投影图。③检测分割水华色块并滤掉干扰色块第(2)-②步完成后，进行检测水华色块和滤掉干扰色块处理，即先对第(2)_②步得到的反向投影图进行腐蚀、膨胀，检测目标色块的内外轮廓及 找到目标色块中的空洞进行填充等预处理，这样就能去掉一部分干扰色块，在一定程度上 避免噪声干扰。再检测分割水华色块区域，即通过计算机按下式不断地对经过上述预处理之后的 反向投影图计算均值平移向量 其中h为带宽度，C为归一化常数，>Jx)为核K上带宽度为h的多变量密度估计 集合{x' ^卜^’是」维欧氏空间炉的11个点，k(x)表示该像素点的核函数 其中(^为d维单位球体体积。用以迭代更新目标色块的位置，直到收敛于的最优 匹配点，该匹配点的区域就是当前帧图像中的目标色块(即水华色块区域)。进行判断当没有检测到目标色块时，则认为水面未出现水华，返回第(2)_①步 获取下一帧继续进行检测；当有检测到目标色块时，则以当前帧最优匹配点的质心和面积 作为下一帧搜索窗口的初始值，继续进行迭代计算找到最优匹配点。如此循环迭代至程序 结束为止，就检测分割出每帧图像的目标色块。然后过滤干扰色块，即计算上步得到的当前帧和下一帧的目标色块的面积，根据 水华区域面积的帧间变化规律，利用当前帧的目标色块面积来预测下一帧图像中的目标色 块面积，即计算下一帧色块实际检测面积和下一帧预测面积之间的差值(即多余部分)，根 据下式进行判断Sn+1-S' n+1| ^ I(5)
8
其中Sn+1为下一帧色块的实际测量面积，S' n+1为下一帧的预测面积，I为允许 的误差范围。当|Sn+1_S' n+1| ( \时，则认为下一帧实际检测到的色块面积符合水华区域面积 的帧间变化规律并将其作为检测结果；当|sn+1-s' n+1| > �，即差值超出允许的误差范围 内时，则认为下一帧实际检测到的色块面积不符合帧间水华区域面积的变化规律，将多余 部分定义为干扰色块并将其滤掉。经过上述的处理后，就检测分割出滤掉干扰色块后的水华色块，得到水华色块在 图像中的像素面积。然后对每帧图像中的水华色块区域进行标定并输出检测结果。(3)水华预警①计算水华区域实际面积第(2)步完成后，先计算第(2)步得到的水华色块在图像中的像素面积占视野像 素总面积的百分比，乘以视野的实际总面积就能得到水华区域实际面积。再通过摄像机标 定，计算视野的实际总面积，即将已知面积的参照物置于摄像头下的水域位置，计算它在图 像中的像素面积占视野像素总面积的比值，用该已知参照物的实际面积除以该比值就得到 视野的实际总面积，并将得到的水华区域实际面积输出到计算机软件界面上，以便用户直 观的了解水华区域的实际面积。②建立预警模型第(3)_①步完成后，根据第(3)_①步得到的水华区域实际面积，先按6 10小时 为间隔，计算每个时间间隔内的水华区域实际面积的均值，再通过计算机分析该实际面积 的均值变化规律建立一元线性回归预测模型，来预测下一个时间间隔的实际面积的均值， 并计算该实际面积的均值占水域总面积的百分比，然后以该百分比代表的水华灾害程度为 依据，将水华暴发的预警等级划分为蓝色、黄色、橙色和红色四个等级，对应的预警区间分 别是一般、较重、严重和特别严重四个等级，并进行判断当代表的水华灾害程度的百分比 小于预警值(预警值的大小根据被测水域的具体情况和应用需求确定，本发明取5% )时， 则返回到返回第(2)-①步获取下一帧继续进行检测；当代表的水华灾害程度的百分比大 于预警值时，则根据划分的预警等级进行预警。水华暴发预警等级的具体划分如下一般蓝色预警(即零星性水华)水华零星集聚，主要水域区藻类生物密度小于 3000万个/L，水华面积大于等于水体总面积的5%。较重黄色预警(即局部性水华)藻类在局部水域集聚，主要水域区藻类生物密度 介于3000 5000万个/L之间，水华面积大于等于水体总面积的10%。严重橙色预警(即区域性水华)当发生区域性水华，主要水域区藻类生物密度介 于5000 8000万个/L之间，水华面积大于等于水体总面积的40%。特别严重红色预警(即全面性水华)水华全面性暴发，主要水域区的藻类生物密 度大于8000万个/L，水华面积水华面积大于等于水体总面积的60%。本发明采用上述技术方案后，主要有以下效果1.具有良好的普及性。本发明提供了一种快速有效的水华监测预警方法，能自动 识别水华区域并实时计算出该区域的实际面积，能按照预警等级进行预警以便通知相关部 门实时了解水华灾害程度并采取相应的治理措施。在实际应用中，直接植入传统的水面视 频监测系统中或开发成嵌入式设备都能实现对水华的监测预警，具有智能化、易操作等特点，便于在管理部门、企业和科研单位普及使用。2.成本低。本发明采用的算法计算量小、速度快，对硬件要求较低。实际应用中， 无论直接在计算机上运行还是开发成嵌入式设备，能实时快速有效的实现水华监测预警， 很大程度上节约了监测成本，灵活方便。3.对环境适应能力强。本发明利用摄像头监测水面并很大程度上去除光照的影 响，能有效避免了水面环境的复杂性和环境光线变化等带来的噪声干扰，从而能很好地适 应环境变化，因此监测设备简单，成本低，便于维护，并能实时有效地进行监测。本发明能直接植入传统的水面视频监测系统中或开发成嵌入式设备，广泛地应用 于江、河上游水库、城镇饮用水源的水库、城镇取水区河段或常发生水华的江、河、湖泊区及 景观水域等的小型水域的水华监测预警。
图1为本发明方法的程序流程框图。
具体实施例方式下面结合具体实施方式
，进一步说明本发明。实施例如图1所示，一种基于图像处理的小型水域水华监测预警方法，对重庆市开县澎 溪河(位于三峡库区腹心地带的长江一级支流)的水库进行水华监测预警，该段水域的总 面积约6. 3万平方米，具体步骤如下(1)建立颜色先验模型首先根据被测水域的历史水华区域的样本图或视频数据，建立颜色先验模型， 即设{x'」}」="... *样本图或视频数据的n个像素，将每个象素从RGB(三原色) 空间转换到HSV(色、亮分离)空间，将H(色调)分量的离散化取值为i (i = 1，2. . .，360)， 把H(色调)分量的范围
缩放到W，255]，以便取值范围的值能用一个字节(byte) 来表示。通过计算机按下式计算H分量的色调概率 其中p是颜色模型，Pi是色调值为i的概率，5为5 (Kronecker delta)函数， 函数b(x'」)为空间R2— {1，2…m}的索弓丨，即位于位置x' j的像素向直方图量化特征空 间的索引。(2)对水华区域进行检测①对小型水域进行监测第(1)步完成后，在重庆市开县澎溪河水库的小型水域岸边的水塔上架设一个摄 像头，摄像头视野覆盖整个水域，并通过视频传输线与计算机连接。摄像头架设的具体位 置、数量及高度，根据被测水域的具体情况确定。用以监测被测水域的水面情况(因水域的水华暴发最显著的变化是水面视觉特征的变化)并摄取水面的视频图像，达到实时监测水 面图像的目的。②反向投影处理第(2)_①步完成后，对第(2)_①步输入的每一帧视频图像进行反向投影处理 (BackProjection)，即对视频图像处理区域中的每一个像素，通过计算机查询该像素与第 (1)步建立的颜色先验模型(即H分量色调概率模型)的匹配程度，就得到该像素为目标像 素的概率(此区域之外的其他区域的概率为0，图像中每一个像素的值就变成了目标颜色 信息出现在此处的可能性的一种离散化度量，此处出现的可能性越大，像素的值就越大，反 之则越小)。经过上述处理，就得到每帧图像的目标颜色反向投影图。③检测分割水华色块并滤掉干扰色块第(2)-②步完成后，进行检测水华色块和滤掉干扰色块处理，即先对第(2)_②步得到的反向投影图进行腐蚀、膨胀，检测目标色块的内外轮廓及 找到目标色块中的空洞进行填充等预处理，这样就能去掉一部分干扰色块，在一定程度上 避免噪声干扰。再检测分割水华色块区域，即通过计算机按下式不断地对经过上述预处理之后的 反向投影图计算均值平移向量 其中h为带宽度，C为归一化常数，>Jx)为核K上带宽度为h的多变量密度估计 集合{x'」}」=1,2.』是(1维欧氏空间炉的11个点浊00表示该像素点的核函数 其中(^为d维单位球体体积。用以迭代更新目标色块的位置，直到收敛于的最优 匹配点，该匹配点的区域就是当前帧图像中的目标色块(即水华色块区域)。进行判断当没有检测到目标色块时，则认为水面未出现水华，返回第(2)_①步 获取下一帧继续进行检测；当有检测到目标色块时，则以当前帧最优匹配点的质心和面积 作为下一帧搜索窗口的初始值，继续进行迭代计算找到最优匹配点。如此循环迭代至程序 结束为止，就检测分割出每帧图像的目标色块。然后过滤干扰色块，即计算上步得到的当前帧和下一帧的目标色块的面积，根据 水华区域面积的帧间变化规律，利用当前帧的目标色块面积来预测下一帧图像中的目标色 块面积，即计算下一帧色块实际检测面积和下一帧预测面积之间的差值(即多余部分)，根 据下式进行判断Sn+1-S' n+1| ^ I(5)其中Sn+1为下一帧色块的实际测量面积，S' n+1为下一帧的预测面积，I为允许
11的误差范围。当|Sn+1_S' n+1| ( \时，则认为下一帧实际检测到的色块面积符合水华区域面积 的帧间变化规律并将其作为检测结果；当|Sn+1_S' n+1| > �，即差值超出允许的误差范围 内时，则认为下一帧实际检测到的色块面积不符合帧间水华区域面积的变化规律，将多余 部分定义为干扰色块并将其滤掉。经过上述的处理后，就检测分割出滤掉干扰色块后的水华色块，得到水华色块在 图像中的像素面积。然后对每帧图像中的水华色块区域进行标定并输出检测结果。(3)水华预警①计算水华区域实际面积第(2)步完成后，先计算第(2)步得到的水华色块在图像中的像素面积占视野像 素总面积的百分比，乘以视野的实际总面积就能得到水华区域实际面积。再通过摄像机标 定，计算视野的实际总面积，即将已知面积的参照物置于摄像头下的水域位置，计算它在图 像中的像素面积占视野像素总面积的比值，用该已知参照物的实际面积除以该比值就得到 视野的实际总面积，并将得到的水华区域实际面积输出到计算机软件界面上，以便用户直 观的了解水华区域的实际面积。②建立预警模型第(3)_①步完成后，根据第(3)_①步得到的水华区域实际面积，先按8小时为 间隔，计算每个时间间隔内的水华区域实际面积的均值，再通过计算机分析该实际面积的 均值变化规律建立一元线性回归预测模型，来预测下一个时间间隔的实际面积的均值，并 计算该实际面积的均值占水域总面积的百分比，然后以该百分比代表的水华灾害程度为依 据，将水华暴发的预警等级划分为蓝色、黄色、橙色和红色四个等级，对应的预警区间分别 是一般、较重、严重和特别严重四个等级，并进行判断当代表的水华灾害程度的百分比小 于预警值(预警值的大小根据被测水域的具体情况和应用需求确定，本发明取5%)时，则 返回到返回第(2)-①步获取下一帧继续进行检测；当代表的水华灾害程度的百分比大于 预警值时，则根据划分的预警等级进行预警。水华暴发预警等级的具体划分如下一般蓝色预警(即零星性水华)水华零星集聚，主要水域区藻类生物密度小于 3000万个/L，水华面积大于等于水体总面积的5%。较重黄色预警(即局部性水华)藻类在局部水域集聚，主要水域区藻类生物密度 介于3000 5000万个/L之间，水华面积大于等于水体总面积的10%。严重橙色预警(即区域性水华)当发生区域性水华，主要水域区藻类生物密度介 于5000 8000万个/L之间，水华面积大于等于水体总面积的40%。特别严重红色预警(即全面性水华)水华全面性暴发，主要水域区的藻类生物密 度大于8000万个/L，水华面积水华面积大于等于水体总面积的60%。对该基于图像处理的小型水域水华监测预警方法进行测试后，可以得到以下结 论①在监测过程中，被测水域(重庆市开县澎溪河水库)水面发生水华，本发明方法 能实时检测出水华色块区域并计算出该区域的实际面积，能准确按照预警等级进行预警， 在水华暴发前期，重庆市环保局能及时掌握该水域的水华灾情并通知相关部门采取相应措 施进行治理(在零星性水华时进行打捞)，有力的配合了防灾减灾工作。
②本发明方法仅仅使用计算机和一个摄像头就能快速有效的实现水华监测预警， 很大程度上节约了监测成本，而且用户使用方便，维护成本低，监测效果能够满足重庆市环 保局的实际需求，从而便于推广应用。③本发明采用改进的连续自适应性均值漂移算法来检测分割水华色块并过滤干 扰色块，能有效抑制水面背景复杂性和环境光线变化等带来的噪声干扰。该算法计算量小、 速度快，是保证水华监测预警实时性的基础。上述结论说明利用本发明方法实现的基于图像处理的小型水域水华监测预警能 够实现水华实时监测预警，监测结果符合水华区域的实际分布范围，监测效果能够满足使 用部门的实际需求，监测成本低，对环境适应能力强，便于推广应用，因此本发明能应用于 实际的项目中。
权利要求
一种基于图像处理的小型水域水华监测预警方法，其特征在于利用摄像头和计算机，通过程序进行计算，其具体步骤如下(1)建立颜色先验模型首先根据被测水域的历史水华区域的样本图或视频数据，建立颜色先验模型，即设{x′j}j＝1，2n为样本图或视频数据的n个像素，将每个象素从三原色空间转换到色、亮分离空间，将色调分量的离散化取值为i，即i＝1，2...，360，把色调分量的范围
缩放到
；通过计算机按下式计算色调分量的色调概率p＝{pi}i＝1，2m； <mrow><msub> <mi>p</mi> <mi>i</mi></msub><mo>=</mo><mfrac> <mrow><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><msup> <mrow><mo>|</mo><mo>|</mo><msubsup> <mi>x</mi> <mi>j</mi> <mo>′</mo></msubsup><mo>|</mo><mo>|</mo> </mrow> <mn>2</mn></msup><mi>δ</mi><mo>[</mo><mi>b</mi><mrow> <mo>(</mo> <msubsup><mi>x</mi><mi>j</mi><mo>′</mo> </msubsup> <mo>)</mo></mrow><mo>-</mo><mi>i</mi><mo>]</mo> </mrow> <mrow><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><mrow> <mo>(</mo> <msup><mrow> <mo>|</mo> <mo>|</mo> <msubsup><mi>x</mi><mi>j</mi><mo>′</mo> </msubsup> <mo>|</mo> <mo>|</mo></mrow><mn>2</mn> </msup> <mo>)</mo></mrow> </mrow></mfrac><mo>;</mo> </mrow> <mrow><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>m</mi></munderover><msub> <mi>p</mi> <mi>i</mi></msub><mo>=</mo><mn>1</mn><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>其中p是颜色模型，pi是色调值为i的概率，δ为δ函数，函数b(x′j)为空间R2→{1，2…m}的索引，即位于位置x′j的像素向直方图量化特征空间的索引；(2)对水华区域进行检测①对小型水域进行监测第(1)步完成后，在小型水域的岸边架设摄像头，并通过视频传输线与计算机连接；摄像头架设的具体位置、数量及高度，根据被测水域的具体情况确定；②反向投影处理第(2) ①步完成后，对第(2) ①步输入的每一帧视频图像进行反向投影处理，即对视频图像处理区域中的每一个像素，通过计算机查询该像素与第(1)步建立的颜色先验模型的匹配程度，就得到每帧图像的目标颜色反向投影图；③检测分割水华色块并滤掉干扰色块第(2) ②步完成后，进行检测水华色块和滤掉干扰色块处理，即先对第(2) ②步得到的反向投影图进行腐蚀、膨胀，检测目标色块的内外轮廓及找到目标色块中的空洞进行填充预处理；再检测分割水华色块区域，即通过计算机按下式不断地对经过上述预处理之后的反向投影图计算均值平移向量Mh，G(x) <mrow><msub> <mi>M</mi> <mrow><mi>h</mi><mo>,</mo><mi>G</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow> </mrow></msub><mo>=</mo><mfrac> <mrow><msup> <mi>h</mi> <mn>2</mn></msup><mo>▿</mo><msub> <mover><mi>f</mi><mo>^</mo> </mover> <mi>K</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow> </mrow> <mrow><mn>2</mn><mo>/</mo><mi>C</mi><msub> <mover><mi>f</mi><mo>^</mo> </mover> <mi>G</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow> </mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo></mrow> </mrow>其中h为带宽度，C为归一化常数，为核K上带宽度为h的多变量密度估计 <mrow><msub> <mover><mi>f</mi><mo>^</mo> </mover> <mi>K</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <msup><mi>nh</mi><mi>d</mi> </msup></mfrac><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><mi>k</mi><mrow> <mo>(</mo> <msup><mrow> <mo>|</mo> <mo>|</mo> <mfrac><mrow> <mi>x</mi> <mo>-</mo> <msub><mi>x</mi><mi>i</mi> </msub></mrow><mi>h</mi> </mfrac> <mo>|</mo> <mo>|</mo></mrow><mn>2</mn> </msup> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo></mrow> </mrow>集合{x′j}i＝1，2...n是d维欧氏空间Rd的n个点，k(x)表示该像素点的核函数其中cd为d维单位球体体积；用以迭代更新目标色块的位置，直到收敛于的最优匹配点，该匹配点的区域就是当前帧图像中的目标色块；进行判断当没有检测到目标色块时，则返回第(2) ①步获取下一帧继续进行检测；当有检测到目标色块时，则以当前帧最优匹配点的质心和面积作为下一帧搜索窗口的初始值，继续进行迭代计算找到最优匹配点，如此循环迭代至程序结束为止，就检测分割出每帧图像的目标色块；然后过滤干扰色块，即计算上步得到的当前帧和下一帧的目标色块的面积，根据水华区域面积的帧间变化规律，利用当前帧的目标色块面积来预测下一帧图像中的目标色块面积，即计算下一帧色块实际检测面积和下一帧预测面积之间的差值，根据下式进行判断|Sn+1 S′n+1|≤ξ (5)其中Sn+1为下一帧色块的实际测量面积，S′n+1为下一帧的预测面积，ξ为允许的误差范围；当|Sn+1 S′n+1|≤ξ时，则认为下一帧实际检测到的色块面积符合水华区域面积的帧间变化规律并将其作为检测结果；当|Sn+1 S′n+1|＞ξ，即差值超出允许的误差范围内时，则认为下一帧实际检测到的色块面积不符合帧间水华区域面积的变化规律，将多余部分定义为干扰色块并将其滤掉；检测分割出滤掉干扰色块后的水华色块并进行标定并输出检测结果；(3)水华预警①计算水华区域实际面积第(2)步完成后，先计算第(2)步得到的水华色块在图像中的像素面积占视野像素总面积的百分比，乘以视野的实际总面积就能得到水华区域实际面积；再通过摄像机标定，计算视野的实际总面积，即将已知面积的参照物置于摄像头下的水域位置，计算它在图像中的像素面积占视野像素总面积的比值，用该已知参照物的实际面积除以该比值就得到视野的实际总面积，并将得到的水华区域实际面积输出到计算机软件界面上；②建立预警模型第(3) ①步完成后，根据第(3) ①步得到的水华区域实际面积，先按6～10小时为间隔，计算每个时间间隔内的水华区域实际面积的均值，再通过计算机分析该实际面积的均值变化规律建立一元线性回归预测模型，来预测下一个时间间隔的实际面积的均值，并计算该实际面积的均值占水域总面积的百分比，然后以该百分比代表的水华灾害程度为依据，将水华暴发的预警等级划分为蓝色、黄色、橙色和红色四个等级，对应的预警区间分别是一般、较重、严重和特别严重四个等级，并进行判断当代表的水华灾害程度的百分比小于预警值时，则返回到返回第(2) ①步获取下一帧继续进行检测；当代表的水华灾害程度的百分比大于预警值时，则根据划分的预警等级进行预警；水华暴发预警等级的具体划分如下一般蓝色预警水华零星集聚，主要水域区藻类生物密度小于3000万个/L，水华面积大于等于水体总面积的5％；较重黄色预警藻类在局部水域集聚，主要水域区藻类生物密度介于3000～5000万个/L之间，水华面积大于等于水体总面积的10％；严重橙色预警当发生区域性水华，主要水域区藻类生物密度介于5000～8000万个/L之间，水华面积大于等于水体总面积的40％；特别严重红色预警水华全面性暴发，主要水域区的藻类生物密度大于8000万个/L，水华面积水华面积大于等于水体总面积的60％。FSA00000171985200014.tif,FSA00000171985200021.tif
全文摘要
一种基于图像处理的小型水域水华监测预警方法，涉及小型水域的水华监测预警方法。本发明利用摄像头和计算机，通过程序进行计算，实现小型水域的水华监测预警。本发明具有监测设备简单，对环境适用能力强；算法计算量小、速度快，对硬件要求低，能直接植入现有的水面视频监测系统或开发成嵌入式设备或直接在计算机上运行，均能实时快速有效地进行水华预警；灵活方便，成本低，便于维护等特点。本发明可广泛地应用于江、河上游水库、城镇饮用水源的水库、城镇取水区河段或常发生水华的江、河、湖泊区及景观水域等的小型水域的水华监测预警。
文档编号G01N21/25GK101900687SQ20101021851
公开日2010年12月1日 申请日期2010年7月6日 优先权日2010年7月6日
发明者周伟, 王楷, 石为人, 苏士娟, 范敏, 贾承晖, 陈舒涵, 陈露, 雷璐宁 申请人:重庆大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
