杜琰琪

（安徽公安教育研究院，安徽 合肥230031）

1 Python 圖像處理

Python 誕生于20 世紀(jì)90 年代初，是一種解釋型、面向?qū)ο?、?dòng)態(tài)數(shù)據(jù)類型的高級(jí)程序設(shè)計(jì)語言，因其具有較強(qiáng)的可移植性、可擴(kuò)展性和豐富的代碼庫受到程序員的喜愛，在圖像處理、數(shù)據(jù)統(tǒng)計(jì)和可視化表達(dá)等領(lǐng)域有著廣泛的應(yīng)用。在圖像處理方面常用的包有CV2、PIL、Pillow、Pillow-SIMD。

2 需求分析

在水產(chǎn)養(yǎng)殖中，水質(zhì)是至關(guān)重要的，需要時(shí)刻對(duì)水質(zhì)進(jìn)行監(jiān)測(cè)，傳統(tǒng)方式是由專家或有經(jīng)驗(yàn)的由人進(jìn)行評(píng)判，但這種方式，對(duì)個(gè)人經(jīng)驗(yàn)要求很高，也會(huì)存在主觀性偏差，因此重復(fù)性和推廣性有一定的局限。我們希望根據(jù)水質(zhì)圖片，利用自動(dòng)化手段，根據(jù)專家經(jīng)驗(yàn)再結(jié)合機(jī)器學(xué)習(xí)算法、計(jì)算機(jī)視覺、數(shù)字圖像處理等技術(shù)設(shè)計(jì)一個(gè)在線的水質(zhì)監(jiān)測(cè)系統(tǒng)，搭建一個(gè)模型對(duì)輸入進(jìn)來的圖片進(jìn)行水質(zhì)類別的一個(gè)判斷。

3 水質(zhì)評(píng)價(jià)分析

通過歷史樣本數(shù)據(jù)，通過機(jī)器學(xué)習(xí)，數(shù)據(jù)分分析，把不同水質(zhì)樣本的特點(diǎn)探究、總結(jié)出來形成一個(gè)模型，當(dāng)新樣本進(jìn)入模型后，模型能對(duì)新樣本進(jìn)行預(yù)測(cè)。具體流程如圖1 所示：

圖1 水質(zhì)評(píng)價(jià)分析流程

3.1 數(shù)據(jù)預(yù)處理圖像切割

通過PIL Image.open()函數(shù)將圖片轉(zhuǎn)換為像素矩陣，r,g,b=im.split()將每個(gè)像素分成三個(gè)顏色通道，r_d=np.asarray(r) 取出各通道像素值。以圖片的左上角為頂點(diǎn)，向右為橫軸，向下為縱軸，設(shè)原始圖像的大小是M*N，則截取寬從第到第個(gè)像素點(diǎn)，高從第個(gè)像素點(diǎn)到第個(gè)像素點(diǎn)的子圖像。則提取的是水樣圖像中央101*101 像素的圖像。原始圖像和截取后子圖像如圖2 所示。

圖2 截取圖像對(duì)比

3.2 構(gòu)建專家樣本

圖像的特征主要包括：形狀特征、空間關(guān)系特征、顏色特征、紋理特征等。與幾何特征相比，顏色特征表現(xiàn)出較強(qiáng)的魯棒性，對(duì)于物體的大小和方向均不敏感。本應(yīng)用中由于水色圖像是均勻的，故主要關(guān)注顏色特征[2]。

根據(jù)圖片反映出來的水色，引入專家知識(shí)將水質(zhì)類別分為五類如表1，不同顏色代表不同的水質(zhì)。

表1 水質(zhì)類別

顏色直方圖和顏色矩是反映圖像特征的兩種指標(biāo)。顏色直方圖能簡(jiǎn)單描述不同色彩在圖像中所占的比例，適用于描述難以自動(dòng)分割的圖像和不需要考慮物體空間位置的圖像，但對(duì)于圖像中顏色的局部分布及每種顏色所處的空間位置卻無法描述。顏色矩可以表示圖像中顏色的分布，包括一階矩、二階矩和三階矩，每種顏色具有R、G、B 三個(gè)顏色通道，因此顏色矩具有9 個(gè)分量[3]。顏色直方圖產(chǎn)生的特征維數(shù)一般大于顏色矩陣的特征維數(shù)，為了避免過多變量影響后續(xù)的分類效果，在本應(yīng)用中采用顏色矩來表達(dá)圖像的特征。

采用二階中心矩的平方根，求標(biāo)準(zhǔn)差，反映了圖像顏色的分布均勻性、波動(dòng)性，r2=rd.std()。

三階顏色矩：

def var(rd): #求顏色通道的三階顏色矩

mid = np.mean((rd-rd.mean())**3)

return np.sign(mid)*abs(mid)**(1/3)

3.3 數(shù)據(jù)提取及模型構(gòu)建和訓(xùn)練

在Python 環(huán)境下通過調(diào)用相關(guān)函數(shù)，首先對(duì)采集的水質(zhì)圖像進(jìn)行數(shù)據(jù)提取，然后對(duì)相應(yīng)數(shù)據(jù)建立模型并對(duì)模型進(jìn)行訓(xùn)練，獲得水質(zhì)評(píng)價(jià)效果。

3.3.1 數(shù)據(jù)提取過程

通過for 循環(huán)把所有照片的特征都提取出來，共獲得197 行9 列的二維表數(shù)據(jù)如圖3，部分?jǐn)?shù)據(jù)結(jié)果如圖4 所示。

圖3 獲取數(shù)據(jù)量

圖4 獲取的部分具體數(shù)據(jù)

獲取每張圖片R、G、B 三通道的三階矩?cái)?shù)據(jù)代碼如下：

import os, re

from PIL import Image

import numpy as np

path = 'water_images/'

def var(rd): # 求顏色通道的三階顏色矩

mid = np.mean((rd-rd.mean())**3)

return np.sign(mid)*abs(mid)**(1/3)

def get_img_names(path=path):

file_names = os.listdir(path)

img_names = []

for i in file_names:

if re.findall('^d_d+.jpg$', i) != []:

img_names.append(i)

return img_names

def get_img_data(path=path):

img_names = get_img_names(path=path)

n = len(img_names)

data = np.zeros([n, 9])

labels = np.zeros([n])

for i in range(n):

img = Image.open(path+img_names[i]) # 讀取圖片數(shù)據(jù)

M, N = img.size # 像素矩陣的行列數(shù)

region = img.crop ((M/2-50, N/2-50, M/2+50, N/2+50)) # 截取圖像的中心區(qū)域

r, g, b = region.split() # 分割像素通道

rd = np.asarray(r) # 將圖片數(shù)據(jù)轉(zhuǎn)換為數(shù)組

gd = np.asarray(g)

bd = np.asarray(b)

data[i, 0] = rd.mean() # 一階顏色矩

data[i, 1] = gd.mean()

data[i, 2] = bd.mean()

data[i, 3] = rd.std() # 二階顏色矩

data[i, 4] = gd.std()

data[i, 5] = bd.std()

data[i, 6] = var(rd) # 三階顏色矩

data[i, 7] = var(gd)

data[i, 8] = var(bd)

labels[i] = img_names[i][0]

return data, labels

3.3.2 模型構(gòu)建與評(píng)價(jià)

抽取80%作為訓(xùn)練樣本，剩下的20%作為測(cè)試樣本，進(jìn)行模型訓(xùn)練和模型的驗(yàn)證，模型在測(cè)試集樣本上的精度為0.925，如圖5 所示，基本滿足實(shí)際應(yīng)用需求。

圖5 模型精度

模型構(gòu)建與評(píng)價(jià)main 文件的主要代碼如下：

from data_process import get_img_data # 導(dǎo)入數(shù)據(jù)預(yù)處里的函數(shù)

from sklearn.tree import DecisionTreeClassifier

from sklearn.model_selection import train_test_split

from sklearn.metrics import classification_report, confusion_matrix

data, labels = get_img_data() # 數(shù)據(jù)預(yù)處理

data_train, data_test, labels_train, labels_test = train_test_split (data,labels, test_size=0.2) # 將專家樣本拆分為訓(xùn)練集和測(cè)試集

dtc = DecisionTreeClassifier() #調(diào)用決策樹分類器

dct.fit(data_train, label_train) # 模型訓(xùn)練

dct.score(data_test,label_test) # 模型性能評(píng)估

joblib.dump(dct,'dct_water_rec.m') # 將訓(xùn)練好的模型保存下來

model_new=joblib.load('dct_water_rec.m')

model_new.predict(data_test)

結(jié)束語

根據(jù)水質(zhì)圖片，利用圖像處理技術(shù)和相應(yīng)模型，在Python 環(huán)境下實(shí)現(xiàn)了水質(zhì)的自動(dòng)評(píng)價(jià)，正確率為92.5%，能實(shí)現(xiàn)預(yù)期功能，后期如需提高正確率，需要對(duì)模型進(jìn)行優(yōu)化。