基于智能視覺分析的水環境污染程度判斷

周瑞芳

摘要：水環境污染問題是關乎到人們身體健康的重要問題。水環境污染程度具有隨機性和模糊性，導致傳統的水污染程度判斷模型需要大量的確定性數據，無法有效且高效地對水環境污染程度進行準確判斷。通過建立基于智能視覺分析的水環境污染程度判斷模型，利用USB攝像頭獲取水環境污染圖像，對圖像顏色特征和紋理特征進行提取，建立水環境污染程度分析模型，利用非均勻性響應算法對圖像進行校正，弱化水污染環境圖像邊緣的信息敏感性，建立水環境污染圖像的顏色對比度、人眼視覺范圍內所能看到的最遠距離及水環境消光系數之間的關系，最后引入絕對誤差匹配法對水環境污染程度判斷模型進行改進，完成對水環境污染程度的準確判斷。實例仿真試驗結果表明，提出的模型能夠很好地對水環境污染程度進行實時判斷，且判斷結果準確。

關鍵詞：智能視覺；水環境；污染程度判斷

中圖分類號：TP391

文獻標志碼：A

doi： 10.3969/j.issn.1000-1379.2018.04.021

有害化學物質（酸、堿、氧化劑，以及銅、鎘、汞、砷等化合物，苯、二氯乙烷、乙二醇等有機毒物）造成水的使用價值降低或喪失，導致水體污染。污水會毒死水生生物，影響飲用水源、風景區景觀。污水中的有機物被微生物分解時消耗水中的氧，影響水生生物的生命，水中溶解氧耗盡后，有機物進行厭氧分解，產生硫化氫、硫醇等難聞氣體，使水質進一步惡化。目前，水環境污染已經嚴重影響到我國居民的健康，對水環境污染程度進行準確判斷，根據判斷結果對不同污染程度的水環境進行治理，是解決上述問題的重要途徑。

主要的水環境污染程度判斷方法包括基于線性濾波的水環境污染程度判斷方法、基于粒子濾波的水環境污染程度判斷方法和基于圖像特征提取的水環境污染程度判斷方法，其中最常用的是基于圖像特征提取的水環境污染程度判斷方法。但是傳統的水環境污染程度判斷方法存在實現過程復雜、耗時長、判斷準確性差等弊端。

針對傳統方法的缺陷，筆者建立了基于智能視覺分析的水環境污染程度判斷模型，模型適用于葉綠素、石油類、化學需氧量等污染指標的判斷。

1 水環境污染圖像特征分解與提取

1.1 水環境污染圖像顏色、紋理特征的提取

在水環境污染圖像中，由于運動幅度圖像特征（如水環境污染圖像亮度、亮度空間位置信息、顏色、紋理等）存在一定的規律性，因此可以利用這些特征作為對運動幅度合理性分析的依據，本文對水環境污染圖像顏色、紋理特征提取的具體實現過程如下。

為了得到成像質量較好的水環境污染數字圖像，保證采集圖像時成像條件的一致性不受環境光照強度等因素的影響，將USB攝像頭固定安裝在帶有LED燈光照明的封閉箱體內，用灰黑色海綿材料作為背景進行圖像采集，采集到的彩色數字圖像以JPG格式保存。

將采集的一幅水環境污染圖像定義為f（x，y），大小為M（長）×N（寬）像素。在水環境污染圖像中任意選取兩個像素點（X1，Y1）、（x2，Y2），設置這兩個像素點之間的連線與橫坐標軸之間的夾角為θ，則這兩個像素點之間的距離d能夠通過該夾角進行計算，利用θ和d計算出水環境污染圖像的像素分布概率P（i，j|d，θ），其計算公式為式中：&{}為圖像中運動幅度的像素數目；θ的取值限制在900之內。

對水環境污染圖像顏色、紋理特征進行提取的公式為式中：V、K分別為水環境污染圖像顏色、紋理特征當量；x、y為采用的像素點。

根據上述方法能夠對水環境污染圖像特征進行準確提取，為水環境污染程度判斷提供準確依據。

1.2 水環境污染程度的可識別過程

在完成水環境污染圖像顏色、紋理特征提取后，需要建立水環境污染程度分析模型。

設置水環境污染圖像提取特征的數目為X，建立水環境污染圖像顏色和紋理特征集：

P（X）=Mi=1∑aiPi（X）

（3）式中：P（X）為水環境污染圖像顏色和紋理特征集；Pi（X）為水環境污染圖像中關于顏色和紋理像素的高斯分布；χi為Pi（X）的權重。

獲取水環境污染像素特征概率分布函數，獲取公式為式中：R（θ為特征概率；l為圖像范圍；L（）為像素點距離；Xl為某一特征數目。

然后對水環境污染像素特征概率分布函數進行細化處理：式中：T為時段；χi為權重；Pl（）為圖像特征集；xt為時段內圖像分布；μi為污染像素特征概率分布。

細化處理后，進一步根據處理結果實現運動幅度特征的準確識別，并建立水環境污染程度判斷模型：

n*=maxP（k|X）

（8）

根據上述方法，提取水污染環境圖像中顏色和紋理特征，建立水環境污染程度判斷模型，通過對圖像中的顏色和紋理進行準確識別，最終實現水環境污染程度的合理分析。

2 水環境污染程度判斷模型的改進

2.1 非均勻性響應的圖像校正

由于水污染環境圖像采集系統中存在非均勻性因素，會影響水污染環境圖像的質量，因此需要對這種非均勻性因素進行校正，具體校正過程如下。

利用直線擬合的方法能夠獲得水污染環境圖像采集設備響應xij（ψ）與校正輸出y（ψ）之間的關系：

y（ψ）=Gijxij（ψ）+Oij

（9）式中：Gij為對水污染環境圖像采集設備進行校正的增益；Oij為校正的偏置量。

對水污染環境圖像序列進行分析，在二維平面內運用運動場的矢量圖描述運動幅度，如圖1所示。

分析圖1可知，假設圖像中的十字交叉點為像元，水污染環境圖像的矢量圖某一個區域A和區域B包含較多水污染的顏色和紋理信息，這兩個區域的水面輻照度相同，即

但由于水污染環境圖像采集設備中存在著非均勻性響應，因此區域A的像元響應輸出與區域B的像元響應輸出不同，即

假如能在一個水污染環境圖像序列中多次建立類似于區域A和區域B之間的關聯，則利用最小二乘法能夠建立區域A和區域B對應關系模型：式中：RAB、TAB分別為像元在區域A和區域B的顏色系數和紋理系數。在上述模型中，R，4B和TAB都能夠隨著水污染環境圖像采集設備的非均勻性變化而改變。

假設在一個水環境污染圖像序列中存在Ⅳ個此類的關聯，則最小二乘的解為

按照相同的方法，能夠對水污染環境圖像其他區域（C～E）之間的關系進行描述：

利用替換法，能夠建立x（C）與x（A）之間的變換關系，并可根據這些關聯關系確定x（D）、x（E）與x（A）之間的變換關系，推至整個水污染環境圖像，所有的響應值都能夠歸一化為A的響應值，這就實現了水污染環境圖像的非均勻性校正。

2.2 水環境污染程度判斷模型的改進

對水污染環境圖像的非均勻性校正后，對水環境污染程度判斷模型進行改進。由于人們視覺對水污染環境圖像邊緣的信息具有一定的敏感性，因此需要對這種敏感性進行弱化：

x'（A）=RABX'（B）

（16）

和亮度信息相比，人眼對顏色和紋理信息更加敏感，因此本文僅對圖像的顏色和紋理信息進行研究，不考慮亮度信息。采用對數圖像處理技術，塑造基于圖像像素點的對數對比度模式，首先對圖像進行灰度化操作，并設定相關閾值ε，假設水環境污染圖像的顏色對比度為h，d為人眼視覺范圍內所能看到的最遠距離，s為水環境消光系數，這些參數的關系為

d=h/3s

利用絕對誤差匹配法對水環境污染程度判斷模型進行優化，并將式（17）計算的最大能見度d代人，實現水污染程度的判斷，公式為式中：CSAD（i，j）為水污染程度；Ik為水環境的綜合污染度。

如果CSAD（i，j）趨于人為設定的閾值ε，則當前水環境污染程度為輕度污染；如果CSAD（i，j）高于閾值ε，則當前水環境污染程度是重度污染；如果CSAD（i，j）低于閾值ε，則當前水環境污幾乎沒有污染。最小的CSAD（i，j）對應于最合理的污染程度判斷結果。

3 試驗結果及分析

3.1 試驗環境設置

在仿真試驗過程中，采用5倍交叉驗證法，在機器視覺下，測試上述算法的適用性。試驗的硬件環境：32位雙處理器，內存2.60GHz，2GB緩存；軟件環境：WindowsXP，VC++6.0，Matlab7.1。此外，在進行水污染程度判斷的過程中，相關參數的設置會影響運動幅度特征的提取效率，為了保證仿真試驗的統一性，對相關參數進行了設置：在非均勻性校正環節，將水環境污染圖像的顏色系數RAB和紋理系數TAB分別設置為0.3和0.2，搜索窗的大小設置為100mxl00m。試驗過程中采用的水污染環境圖像見圖2。

3.2 不同算法試驗結果對比與分析

以某市某地區藻類污染較重的水庫為例，采用本文模型和傳統模型對藻類污染程度進行判斷，得到的結果見表1。

對表1進行整理，對不同模型下水環境污染程度判斷的準確度進行對比，結果見表2。

由表2得知，改進算法對數據庫中6種場景下運動幅度識別的準確率均高于傳統算法的。原因是：首先，改進算法能夠利用最小二乘法建立像素點之間的對應關系，實現圖像采集設備的非均勻性校正：然后，利用矩形模塊匹配的方法對運動幅度的合理性進行估算，并利用絕對誤差匹配法對運動幅度合理性進行分析：最后，得到最小的絕對誤差對應的運動幅度即為最合理的運動幅度，實現運動幅度合理性的分析。

為了進一步驗證本文模型的效果，分別采用本文模型和傳統模型對某市某地區水庫藻類的污染程度進行判斷，對模型的判斷時間進行對比，結果如圖3所示。

分析圖3可知，在相同的試驗時長條件下，本文模型進行水污染判斷時，判斷時間遠小于傳統模型的，判斷效率高。