本发明涉及固定源扬尘图像识别，具体涉及一种固定源扬尘类别识别的方法。
背景技术：
粉粒体在输送及加工过程中受到诱导空气流、室内通风造成的流动空气及设备运动部件转动生成的气流，都会将粉粒体中的微细粉尘首先由粉粒体中分离而飞扬，然后由于室内空气流动而引起粉尘的扩散，从而完成了从粉尘产生到扩散的过程。这一现象在施工工地上尤为明显，固定源扬尘的背景较为复杂，依据单一的图像识别方法难以进行有效区分。固定源扬尘类别难以判断，为后期环保分类监控障碍。
技术实现要素：
本发明所要解决的技术问题是固定源扬尘类别难以判断，为后期环保分类监控障碍，目的在于提供一种固定源扬尘类别识别的方法，解决上述问题。
本发明通过下述技术方案实现：
一种固定源扬尘类别识别的方法，包括固定源扬尘类别样本、待识别图像，还包括以下步骤：
s1，获取来自固定源扬尘采集点的待识别图像，在空间域中进行分解域变换，使图像信息分解到的多个尺度空间中；
s2，利用空间域梯度算子进行待识别图像的边缘检测；
s3，在图像变换域中，利用小波进行待识别图像的边缘检测；
s4，提取空间域和变换域中边缘检测获取的待识别图像的特征向量；
s5，利用人工神经网络进行模式识别，将固定源扬尘类别样本进行离线训练，确定权值，与s4获得的特征向量进行运算，实现待识别图像的识别。
进一步地，所述s1中的分解域变换采用小波多尺度分解域变换。
进一步地，所述s2中的梯度算子采用高斯拉普拉斯算子。
进一步地，所述s3中的边缘检测结果采用链表进行记录。
进一步地，所述s4中的特征向量采用统计特征。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明一种固定源扬尘类别识别的方法，能够有效提取固定源扬尘背景的外部边缘，作为理想的特征；
2、本发明一种固定源扬尘类别识别的方法，能够依据空间域和变换域双重检测，提高检测精度。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
本发明一种固定源扬尘类别识别的方法，包括固定源扬尘类别样本、待识别图像，还包括以下步骤：
s1，获取来自固定源扬尘采集点的待识别图像，在空间域中进行分解域变换，使图像信息分解到的多个尺度空间中；
s2，利用空间域梯度算子进行待识别图像的边缘检测；
s3，在图像变换域中，利用小波进行待识别图像的边缘检测；
s4，提取空间域和变换域中边缘检测获取的待识别图像的特征向量；
s5，利用人工神经网络进行模式识别，将固定源扬尘类别样本进行离线训练，确定权值，与s4获得的特征向量进行运算，实现待识别图像的识别。
所述s1中的分解域变换采用小波多尺度分解域变换。
所述s2中的梯度算子采用高斯拉普拉斯算子。
所述s3中的边缘检测结果采用链表进行记录。
所述s4中的特征向量采用统计特征。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种固定源扬尘类别识别的方法，包括固定源扬尘类别样本、待识别图像，其特征在于，还包括以下步骤：
s1，获取来自固定源扬尘采集点的待识别图像，在空间域中进行分解域变换，使图像信息分解到的多个尺度空间中；
s2，利用空间域梯度算子进行待识别图像的边缘检测；
s3，在图像变换域中，利用小波进行待识别图像的边缘检测；
s4，提取空间域和变换域中边缘检测获取的待识别图像的特征向量；
s5，利用人工神经网络进行模式识别，将固定源扬尘类别样本进行离线训练，确定权值，与s4获得的特征向量进行运算，实现待识别图像的识别。
2.根据权利要求1所述的一种固定源扬尘类别识别的方法，其特征在于，所述s1中的分解域变换采用小波多尺度分解域变换。
3.根据权利要求1所述的一种固定源扬尘类别识别的方法，其特征在于，所述s2中的梯度算子采用高斯拉普拉斯算子。
4.根据权利要求1所述的一种固定源扬尘类别识别的方法，其特征在于，所述s3中的边缘检测结果采用链表进行记录。
5.根据权利要求1所述的一种固定源扬尘类别识别的方法，其特征在于，所述s4中的特征向量采用统计特征。