[发明专利]一种基于低照度图像和神经网络的水污染检测方法

摘要

本发明属于图像处理技术领域，涉及一种基于低照度图像和神经网络的水体污染检测方法。所述方法步骤如下：采集白天到夜间各个时段的河道视频，从中截取画面中正常水面的图片和水面发生污染情况的图片，得到数据集A。对于数据集A中不同时间段的图像，选择一张图像x作为区分正常亮度图像和低照度图像的标准；计算图像x的平均亮度。对于RGB三个通道分别进行上述计算，然后合并图像，得到直方图规定化结果图像；对数据集C所有图像进行直方图规定化，得到数据集D。本发明运用图像增强技术，对视频监控的低照度时段进行，增强视频质量，同时加强图像特征，便于模型进行识别。

主权项

1.一种基于低照度图像和神经网络的水污染检测方法，其特征在于，步骤如下：步骤1：采集数据采集白天到夜间各个时段的河道视频，从中截取画面中正常水面的图片和水面发生污染情况的图片，得到数据集A；步骤2：按照图像亮度对数据进行分类对于数据集A中的每一张m×n大小的输入图像F＝[f(x，y)]_m×n，其中(x，y)表示图像矩阵中的一个像素值，图像的平均亮度计算公式为：其中R(x，y)，G(x，y)和B(x，y)分别为图像RGB维度下的(x，y)位置像素值；2.1对于数据集A中不同时间段的图像，选择一张图像g为区分正常亮度图像和低照度图像的标准；计算图像g的平均亮度2.2计算数据集A中图像的平均亮度并与比较，从而将数据集A分为正常亮度数据集B和低照度数据集C两部分；步骤3：对低照度数据集C做直方图规定化处理3.1对低照度数据集C的原始图像的直方图进行均衡化计算，计算采用累积分布函数，公式如下：其中，s_k为原始图像中点像素值，t_k为均衡化后的对应点像素值，T(s_k)表示均衡化变换操作，L表示灰度级，N_i表示灰度级i的像素个数，N表示像素总数m×n，p_s(s_i)表示灰度级i出现的概率；3.2对图像g进行均衡化计算：其中，u_j为图像g中点像素值，v_l为图像g均衡化后的对应点像素值，T_u(u_j)表示均衡化变换操作，L表示灰度级，N_j表示灰度级j的像素个数，N表示像素总数m×n，p_u(u_j)表示灰度级j出现的概率；3.3将t_k与v_l映射，用与v_l的值最相近的t_k替换v_l，代入到3.2的公式中，并用求逆变换得到新的点像素值u’_j；映射公式如下：3.4根据步骤3.3得到的每个点像素值u’_j的像素数量N_j’，求出概率p_u(u’_j)得到结果直方图分布情况，其中3.5对于RGB三个通道分别进行步骤3.1～3.4计算，然后合并图像，得到直方图规定化结果图像；对低照度数据集C所有图像进行直方图规定化，得到数据集D；步骤4：按照污染程度对数据集进行分类；4.1将正常亮度数据集B的图片数据分别按照水体污染情况分为数据集B1，数据集B2，数据集B3三部分；其中数据集B1为清澈无污染的水面，数据集B2为轻度污染程度的水面，数据集B3为重度污染程度的水面；4.2将数据集B1、数据集B2、数据集B3随机地分为两部分训练集Q1和测试集Q2，其中训练集Q1占比为85％，测试集Q2占比为15％；4.3对数据集B1、数据集B2、数据集B3中的训练集Q1进行图像剪切、缩放或水平翻转，从提供的图像中生成额外的图像；4.4将数据集B1、数据集B2、数据集B3的训练集和测试集图片全部缩放到249*249像素，从而适合Inception模型加载数据；图片数据的尺寸普遍大于此标准，因此也能减少数据量从而加速训练；4.5对低照度数据集D进行与4.1‑4.4步骤中描述相同的操作；步骤5：建立神经网络模型所述的神经网络模型采用将Inception模型的全连接层删除，然后在已加载的基本Inception模型后添加新层：第一层是池化层，池化层求前一层每个小区域的平均值来代替每个区域，以减少数据复杂度，从而加速模型拟合；接下来是使用作为激活函数的全连接层，然后是使用作为激活函数的输出层用来“预测”；最后，将基本Inception模型中的各层权值设置为不可训练，将新添加的后三层权值设置为可训练；步骤6：训练获得最优权重模型训练模块分为四步：6.1将数据集B1、数据集B2、数据集B3的训练集Q1用于神经网络模型的训练；训练一轮后，将模型第250层后的各层权值设置为可训练，再次训练；6.2得到权重模型和训练集Q1的准确度和误差；用测试集Q2测试该权重模型准确度和误差并与训练集Q1结果进行比较，判断是否有过拟合或欠拟合情况；6.3根据比较的情况，对神经网络模型参数进行调整并重新训练，直到得到合适的权重模型E；权重模型E即可用于水体污染情况的检测；6.4对低照度数据集D进行与6.1‑6.3步骤中描述相同的操作，得到权重模型F；步骤7：实时检测水体污染情况7.1对于视频监控图像以10分钟为间隔计算其平均亮度并与进行比较；若则将视频信息直接显示给用户，并且用加载权重模型E的神经网络模型进行实时预测；若先将图像进行步骤3的处理后进行显示，并且加载权重模型F的神经网络模型进行实时预测；7.2若视频信息判断为重度污染类别，对用户及时进行警报提示。