周瑞芳

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

關(guān)鍵詞：智能視覺；水環(huán)境；污染程度判斷

中圖分類號：TP391

文獻標(biāo)志碼：A

doi： 10.3969/j.issn.1000-1379.2018.04.021

有害化學(xué)物質(zhì)（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(dǎo)致水體污染。污水會毒死水生生物，影響飲用水源、風(fēng)景區(qū)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(chǎn)生硫化氫、硫醇等難聞氣體，使水質(zhì)進一步惡化。目前，水環(huán)境污染已經(jīng)嚴(yán)重影響到我國居民的健康，對水環(huán)境污染程度進行準(zhǔn)確判斷，根據(jù)判斷結(jié)果對不同污染程度的水環(huán)境進行治理，是解決上述問題的重要途徑。

主要的水環(huán)境污染程度判斷方法包括基于線性濾波的水環(huán)境污染程度判斷方法、基于粒子濾波的水環(huán)境污染程度判斷方法和基于圖像特征提取的水環(huán)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(huán)境污染程度判斷方法。但是傳統(tǒng)的水環(huán)境污染程度判斷方法存在實現(xiàn)過程復(fù)雜、耗時長、判斷準(zhǔn)確性差等弊端。

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

1 水環(huán)境污染圖像特征分解與提取

1.1 水環(huán)境污染圖像顏色、紋理特征的提取

在水環(huán)境污染圖像中，由于運動幅度圖像特征（如水環(huán)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(guī)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(jù)，本文對水環(huán)境污染圖像顏色、紋理特征提取的具體實現(xiàn)過程如下。

為了得到成像質(zhì)量較好的水環(huán)境污染數(shù)字圖像，保證采集圖像時成像條件的一致性不受環(huán)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(nèi)，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(shù)字圖像以JPG格式保存。

將采集的一幅水環(huán)境污染圖像定義為f（x，y），大小為M（長）×N（寬）像素。在水環(huán)境污染圖像中任意選取兩個像素點（X1，Y1）、（x2，Y2），設(shè)置這兩個像素點之間的連線與橫坐標(biāo)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(huán)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(shù)目；θ的取值限制在900之內(nèi)。

對水環(huán)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(huán)境污染圖像顏色、紋理特征當(dāng)量；x、y為采用的像素點。

根據(jù)上述方法能夠?qū)λh(huán)境污染圖像特征進行準(zhǔn)確提取，為水環(huán)境污染程度判斷提供準(zhǔn)確依據(jù)。

1.2 水環(huán)境污染程度的可識別過程

在完成水環(huán)境污染圖像顏色、紋理特征提取后，需要建立水環(huán)境污染程度分析模型。

設(shè)置水環(huán)境污染圖像提取特征的數(shù)目為X，建立水環(huán)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(huán)境污染圖像顏色和紋理特征集；Pi（X）為水環(huán)境污染圖像中關(guān)于顏色和紋理像素的高斯分布；χi為Pi（X）的權(quán)重。

獲取水環(huán)境污染像素特征概率分布函數(shù)，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(shù)目。

然后對水環(huán)境污染像素特征概率分布函數(shù)進行細化處理：式中：T為時段；χi為權(quán)重；Pl（）為圖像特征集；xt為時段內(nèi)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(jù)處理結(jié)果實現(xiàn)運動幅度特征的準(zhǔn)確識別，并建立水環(huán)境污染程度判斷模型：

n*=maxP（k|X）

（8）

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

2 水環(huán)境污染程度判斷模型的改進

2.1 非均勻性響應(yīng)的圖像校正

由于水污染環(huán)境圖像采集系統(tǒng)中存在非均勻性因素，會影響水污染環(huán)境圖像的質(zhì)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(huán)境圖像采集設(shè)備響應(yīng)xij（ψ）與校正輸出y（ψ）之間的關(guān)系：

y（ψ）=Gijxij（ψ）+Oij

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

對水污染環(huán)境圖像序列進行分析，在二維平面內(nèi)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(shè)圖像中的十字交叉點為像元，水污染環(huán)境圖像的矢量圖某一個區(qū)域A和區(qū)域B包含較多水污染的顏色和紋理信息，這兩個區(qū)域的水面輻照度相同，即

但由于水污染環(huán)境圖像采集設(shè)備中存在著非均勻性響應(yīng)，因此區(qū)域A的像元響應(yīng)輸出與區(qū)域B的像元響應(yīng)輸出不同，即

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

假設(shè)在一個水環(huán)境污染圖像序列中存在Ⅳ個此類的關(guān)聯(lián)，則最小二乘的解為

按照相同的方法，能夠?qū)λ廴经h(huán)境圖像其他區(qū)域（C～E）之間的關(guān)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(guān)系，并可根據(jù)這些關(guān)聯(lián)關(guān)系確定x（D）、x（E）與x（A）之間的變換關(guān)系，推至整個水污染環(huán)境圖像，所有的響應(yīng)值都能夠歸一化為A的響應(yīng)值，這就實現(xiàn)了水污染環(huán)境圖像的非均勻性校正。

2.2 水環(huán)境污染程度判斷模型的改進

對水污染環(huán)境圖像的非均勻性校正后，對水環(huán)境污染程度判斷模型進行改進。由于人們視覺對水污染環(huán)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(shù)圖像處理技術(shù)，塑造基于圖像像素點的對數(shù)對比度模式，首先對圖像進行灰度化操作，并設(shè)定相關(guān)閾值ε，假設(shè)水環(huán)境污染圖像的顏色對比度為h，d為人眼視覺范圍內(nèi)所能看到的最遠距離，s為水環(huán)境消光系數(shù)，這些參數(shù)的關(guān)系為

d=h/3s

利用絕對誤差匹配法對水環(huán)境污染程度判斷模型進行優(yōu)化，并將式（17）計算的最大能見度d代人，實現(xiàn)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(huán)境的綜合污染度。

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

3 試驗結(jié)果及分析

3.1 試驗環(huán)境設(shè)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(huán)境：32位雙處理器，內(nèi)存2.60GHz，2GB緩存；軟件環(huán)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(guān)參數(shù)的設(shè)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(tǒng)一性，對相關(guān)參數(shù)進行了設(shè)置：在非均勻性校正環(huán)節(jié)，將水環(huán)境污染圖像的顏色系數(shù)RAB和紋理系數(shù)TAB分別設(shè)置為0.3和0.2，搜索窗的大小設(shè)置為100mxl00m。試驗過程中采用的水污染環(huán)境圖像見圖2。

3.2 不同算法試驗結(jié)果對比與分析

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

對表1進行整理，對不同模型下水環(huán)境污染程度判斷的準(zhǔn)確度進行對比，結(jié)果見表2。

由表2得知，改進算法對數(shù)據(jù)庫中6種場景下運動幅度識別的準(zhǔn)確率均高于傳統(tǒng)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(yīng)關(guān)系，實現(xiàn)圖像采集設(shè)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(yīng)的運動幅度即為最合理的運動幅度，實現(xiàn)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(tǒng)模型對某市某地區(qū)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(jié)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(tǒng)模型的，判斷效率高。