一种用于水产养殖的水体异常检测方法与流程

1.本发明涉及图像处理技术领域，具体涉及一种用于水产养殖的水体异常检测方法。


背景技术：

2.在水产养殖中，由于养殖水体的有机质丰富和氮磷比失衡，蓝藻比较容易生长。在一些营养丰富的水体中，蓝藻会在水面形成一层蓝绿色而有腥臭味的浮沫，称为“水华”，大规模的蓝藻爆发，被称为“绿潮”。绿潮会引起水质恶化，严重时会耗尽水中氧气而造成鱼类的死亡。由此对水产养殖水体中的蓝藻的及时检测，对提高水产养殖产量具有重大意义。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种用于水产养殖的水体异常检测方法，所采用的技术方案具体如下：本发明一个实施例提供了一种用于水产养殖的水体异常检测方法，该方法包括以下步骤：采集水产养殖的水体图像，对水体图像进行超像素分割，得到多个超像素块；通过阈值分割在超像素块中筛选出备选绿潮块，并获取每个备选绿潮块的绿潮置信度；提取每个备选绿潮块的纹理特征，组成纹理向量；对于每两个相邻的备选绿潮块，以绿潮置信度较小的备选绿潮块作为小目标块，绿潮置信度较大的备选绿潮块作为大目标块，根据大目标块和小目标块的纹理向量获取纹理相似度，根据大目标块和小目标块的绿潮置信度获取颜色相似度，以所述纹理相似度和所述颜色相似度的和作为大目标块和小目标块之间的第一特征距离；以除了所述小目标块以外的所有与大目标块相邻的备选绿潮块作为相邻块，获取所述小目标块与每个所述相邻块之间的第一特征距离，求均值得到第二特征距离；获取所述大目标块与所有相邻块之间的全局纹理相似性；依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数；计算第二特征距离和空间调节参数的乘积，以该乘积和所述大目标块和小目标块之间的第一特征距离的和作为大目标块和小目标块之间的综合特征距离，根据综合特征距离获取大目标块和小目标块之间的分界线属于绿潮分界线的隶属度，基于隶属度筛选出绿潮轮廓线，绿潮轮廓线形成的区域为水体异常区域。
4.优选的，所述对水体图像进行超像素分割之前，还包括以下步骤：对采集的所述水体图像进行预处理，所述预处理包括噪声过滤和图像增强。
5.优选的，所述备选绿潮块的获取方法为：根据每个像素点的三通道值计算出该像素点的黄绿指数，通过大津法得到最优黄绿指数作为分割阈值；计算每个超像素块中所有像素点的平均黄绿指数，当平均黄绿指数不小于所述分割阈值时，对应的超像素块为备选绿潮块。
6.优选的，所述绿潮置信度的获取方法为：计算平均黄绿指数与分割阈值的第一差值，所述备选绿潮块中的最大黄绿指数与分割阈值的第二差值，以第一差值和第二差值的比值作为备选绿潮块的所述绿潮置信度。
7.优选的，所述纹理向量的组成方法为：获取每个超像素块的灰度共生矩阵，保存灰度共生矩阵的能量、熵值、对比度以及逆差矩作为纹理特征，所有纹理特征组成超像素块的纹理向量。
8.优选的，所述纹理相似度的获取方法为：将大目标块和小目标块的纹理向量对应元素相乘再求和作为分子；将大目标块的纹理向量与自身对应元素相乘再求和，将小目标块的纹理向量与自身对应元素相乘再求和，两个求和结果相加作为分母，分子和分母的比值即为大目标块和小目标块的所述纹理相似度。
9.优选的，所述颜色相似度的获取方法为：获取小目标块的绿潮置信度与大目标块的绿潮置信度的置信度比值，以该置信度比值的预设倍数作为所述颜色相似度。
10.优选的，所述全局纹理相似性的获取方法为：获取所述大目标块的轮廓线，以及每个相邻块与大目标块之间的分界线，以所述分界线与所述大目标块的轮廓线的长度比值作为长度比例；获取所述大目标块与每个相邻块之间的第一特征距离，乘上对应的长度比例，得到相邻纹理相似度，所有相邻纹理相似度的和即为所述全局纹理相似性。
11.优选的，所述空间调节参数的获取方法为：以大目标块的绿潮置信度和全局纹理相似性的和作为预设值的负指数，根据指数函数结果获取所述空间调节参数；所述指数函数结果与所述空间调节参数呈负相关关系。
12.优选的，所述水体异常区域的获取方法为：通过大津法获取隶属阈值，将大于隶属阈值的隶属度对应的分界线提取出来，并进行合并以及补齐，得到所述绿潮轮廓线，以绿潮轮廓线包围的区域作为所述水体异常区域。
13.本发明实施例至少具有如下有益效果：1、通过获取空间调节参数，进而计算综合特征距离来筛选绿潮轮廓线，能够在计算颜色和纹理的特征距离时，减弱绿潮区域中包含的不同深浅颜色区域的边界对绿潮轮廓线提取的干扰，提升绿潮轮廓线检测和提取的精度。
14.2、以空间调节参数作为第二特征距离的系数，进行综合特征距离的计算，能够对第二特征距离的权重进行自适应调节，使得越近似绿潮区域的超像素块具有更大的空间调节参数，进一步减弱绿潮区域中的颜色分界线对提取绿潮轮廓线的影响。
15.3、基于绿潮的颜色特点构建黄绿指数，将图像中颜色易于区分的背景进行消除，简化了计算量。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅
仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
17.图1为本发明一个实施例提供的一种用于水产养殖的水体异常检测方法的步骤流程图。
具体实施方式
18.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于水产养殖的水体异常检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
19.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
20.下面结合附图具体的说明本发明所提供的一种用于水产养殖的水体异常检测方法的具体方案。
21.请参阅图1，其示出了本发明一个实施例提供的一种用于水产养殖的水体异常检测方法的步骤流程图，该方法包括以下步骤：步骤s001，采集水产养殖的水体图像，对水体图像进行超像素分割，得到多个超像素块；通过阈值分割在超像素块中筛选出备选绿潮块，并获取每个备选绿潮块的绿潮置信度；提取每个备选绿潮块的纹理特征，组成纹理向量。
22.具体的步骤包括：1、采集水产养殖的水体图像，对水体图像进行超像素分割，得到多个超像素块。
23.采集水产养殖的水体图像，水体图像为彩色rgb图像，对采集的水体图像进行预处理，预处理包括噪声过滤和图像增强。
24.在本发明实施例中通过中值滤波器进行噪声过滤，通过直方图均衡化进行图像增强。在其他实施例中还可以采用其他能够达到相同效果的去噪方法和图像增强方法。
25.采用超像素分割方法，得到多个超像素块，作为一个示例，在本发明实施例中设置超像素个数，得到个超像素块。
26.2、筛选备选绿潮块。
27.根据每个像素点的三通道值计算出该像素点的黄绿指数，通过大津法得到最优黄绿指数作为分割阈值；计算每个超像素块中所有像素点的平均黄绿指数，当平均黄绿指数不小于分割阈值时，对应的超像素块为备选绿潮块。
28.由于绿潮呈现黄绿色，而黄绿色的rgb值为，由此设计黄绿指数，根据每个像素点在r、g、b三个通道的值，求出每个像素点对应的黄绿指数。采用otsu大津法，对黄绿指数求出最优黄绿指数作为分割阈值。
29.对每个超像素块中所有像素的黄绿指数求均值作为超像素块的平均黄绿指数，将小于分割阈值的平均黄绿指数对应的超像素块作为背景区域，将不小于
分割阈值的平均黄绿指数对应的超像素块作为备选绿潮块。
30.超像素块的分割依据是位置相邻且颜色相似，若超像素块的平均黄绿指数小于分割阈值，说明超像素块对应的颜色偏离黄绿色过多，该超像素块作为图像的背景区域；而大于等于分割阈值的平均黄绿指数对应的超像素块，颜色接近黄绿色，更可能是绿潮区域，因此将其作为备选绿潮块。
31.3、获取备选绿潮块的绿潮置信度。
32.计算平均黄绿指数与分割阈值的第一差值，备选绿潮块中的最大黄绿指数与分割阈值的第二差值，以第一差值和第二差值的比值作为备选绿潮块的绿潮置信度。
33.具体的计算公式为：其中，表示备选绿潮块的绿潮置信度，表示备选绿潮块的最大黄绿指数。表示第一差值，表示第二差值。
34.备选绿潮块的绿潮置信度的取值范围是，如果备选绿潮块的绿潮置信度越接近于，说明该备选绿潮块属于绿潮区域的可能性越高，反之如果备选绿潮块的绿潮置信度越接近于，说明该备选绿潮块属于绿潮区域的可能性越低。
35.4、获取超像素块的纹理向量。
36.获取每个超像素块的灰度共生矩阵，保存灰度共生矩阵的能量、熵值、对比度以及逆差矩作为纹理特征，所有纹理特征组成超像素块的纹理向量。
37.采用灰度共生矩阵提取超像素块的纹理特征，保存灰度共生矩阵的能量、熵值、对比度和逆差矩特征作为超像素块的纹理特征，所有纹理特征组成超像素块的纹理向量。
38.在水产养殖水体图像中，包含的水草、树叶以及水的颜色与绿潮相近会混淆对绿潮的识别，因此需要根据绿潮的结构形态来对备选绿潮块进行进一步筛选。
39.步骤s002，对于每两个相邻的备选绿潮块，以绿潮置信度较小的备选绿潮块作为小目标块，绿潮置信度较大的备选绿潮块作为大目标块，根据大目标块和小目标块的纹理向量获取纹理相似度，根据大目标块和小目标块的绿潮置信度获取颜色相似度，以纹理相似度和颜色相似度的和作为大目标块和小目标块之间的第一特征距离。
40.具体的步骤包括：1、获取每两个相邻的备选绿潮块之间的纹理相似度。
41.将大目标块和小目标块的纹理向量对应元素相乘再求和作为分子；将大目标块的纹理向量与自身对应元素相乘再求和，将小目标块的纹理向量与自身对应元素相乘再求和，两个求和结果相加作为分母，分子和分母的比值即为大目标块和小目标块的纹理相似度。
42.以相邻的第i个备选绿潮块和第j个备选绿潮块为例，其中
。将纹理向量看作是行矩阵，具体的计算公式为：其中，表示纹理相似度，表示第i个备选绿潮块的纹理向量对应的行矩阵，表示第j个备选绿潮块的纹理向量对应的行矩阵，表示第j个备选绿潮块的纹理向量对应的行矩阵的转置，表示第i个备选绿潮块的纹理向量对应的行矩阵的转置。
43.本发明实施例通过行矩阵与矩阵的转置相乘达到对应元素相乘再求和的目的，两个相邻的备选绿潮块之间的纹理越相似，即纹理向量越相似，得到的纹理相似度越大。
44.2、获取两个相邻的备选绿潮块之间的纹理相似度。
45.获取小目标块的绿潮置信度与大目标块的绿潮置信度的置信度比值，以该置信度比值的预设倍数作为颜色相似度。
46.具体的计算公式为：其中，表示颜色相似度，表示第i个备选绿潮块的绿潮置信度，表示第j个备选绿潮块的绿潮置信度。
47.假设第i个备选绿潮块的绿潮置信度更大，即第i个备选绿潮块为大目标块，第j个备选绿潮块为小目标块，则颜色相似度的计算公式为：，在本发明实施例中预设倍数为倍。
48.3、获取两个相邻的备选绿潮块之间的第一特征距离。
49.以纹理相似度和颜色相似度的和作为大目标块和小目标块之间的第一特征距离。
50.在根据绿潮的结构形态来对备选绿潮块进行进一步筛选时，水草、树叶以及水其颜色和纹理都比较均匀，而绿潮中会出现不同深浅颜色区域交替出现的情况，同时绿潮区域与其他区域之间有较明显的分界线，即分界线两侧呈现不同的颜色和纹理特点，采用纹理相似度和颜色相似度共同判断两个相邻的备选绿潮块之间的第一特征距离，纹理相似度越大、颜色相似度越大，第一特征距离越大，两个相邻的备选绿潮块越可能是同样的区域，而不是绿潮区域与其他区域的分界线。
51.步骤s003，以除了小目标块以外的所有与大目标块相邻的备选绿潮块作为相邻块，获取小目标块与每个相邻块之间的第一特征距离，求均值得到第二特征距离；获取大目标块与所有相邻块之间的全局纹理相似性；依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数。
52.具体的步骤包括：1、获取第二特征距离。
53.对于第i个备选绿潮块和第j个备选绿潮块，获取所有与第i个备选绿潮块相邻的备选绿潮块，除第j个备选绿潮块以外，都记为第i个备选绿潮块的相邻块，对于第i个备选绿潮块的第q个相邻块，计算第j个备选绿潮块与第q个相邻块之间的第一特征距离，所有相邻块对应的的平均值即为第i个备选绿潮块和第j个备选绿潮块之间的第二特征距离。
54.2、获取全局纹理相似性。
55.当超像素块越接近于黄绿色，即超像素块的绿潮置信度越大时，超像素块越可能属于绿潮区域，而绿潮区域中会出现不同深浅的颜色区域交替出现的情况，也就是说浅色区域周围可能会出现深色区域，浅色区域和深色区域的交界线可能会干扰到整个绿潮区域的轮廓分割，因此需要对绿潮置信度更大的大目标块进行全局纹理相似性的计算，进而计算空间调节参数，以弱化深浅交界线的影响。
56.获取大目标块的轮廓线，以及每个相邻块与大目标块之间的分界线，以分界线与大目标块的轮廓线的长度比值作为长度比例，其中，表示分界线的长度，即该分界线包含的像素数量，表示轮廓线的长度；获取大目标块与每个相邻块之间的第一特征距离，乘上对应的长度比例，得到相邻纹理相似度，所有相邻纹理相似度的和即为全局纹理相似性。
57.具体的计算公式为：其中，表示全局纹理相似性，表示相邻块的数量。
58.以长度比例作为对应的相邻块与大目标块之间的第一特征距离权重，对所有相邻块对应的第一特征距离加权求和，得到全局纹理相似性，如果全局纹理相似性的值越大，说明大目标块及周围这些相邻块属于绿潮区域的概率也越大。
59.3、依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数。
60.以大目标块的绿潮置信度和全局纹理相似性的和作为预设值的负指数，根据指数函数结果获取空间调节参数；指数函数结果与空间调节参数呈负相关关系。
61.空间调节参数的计算公式为：
其中，表示大目标块的绿潮置信度，即第i个备选绿潮块的绿潮置信度；e为自然常数。
62.本发明实施例中的预设值为自然常数e，在其他实施例中还可以采用其他大于1的自然数作为预设值。
63.大目标块的绿潮置信度越大，大目标块越困难属于绿潮区域，全局纹理相似性的值越大，说明大目标块及周围这些相邻块属于绿潮区域的概率也越大，对于越可能属于绿潮区域的超像素块，越要弱化深浅交界线的影响，对应的空间调节参数越大。
64.步骤s004，计算第二特征距离和空间调节参数的乘积，以大目标块和小目标块之间的第一特征距离与该乘积的和作为大目标块和小目标块之间的综合特征距离，根据综合特征距离获取大目标块和小目标块之间的分界线属于绿潮分界线的隶属度，基于隶属度筛选出绿潮轮廓线，绿潮轮廓线形成的区域为水体异常区域。
65.具体的步骤包括：1、计算综合特征距离：通过空间调节参数作为系数，使第二特征距离随着属于绿潮区域的概率的增大而增大，减弱了深浅交界线的影响，降低了深浅区域交界线对整个绿潮轮廓的干扰。
66.2、计算分界线属于绿潮分界线的隶属度。
67.绿潮区域与其他区域之间有较明显的分界线，即分界线两侧呈现不同的颜色和纹理特点，绿潮分界线即为绿潮区域和其他区域的分界线。
68.隶属度的计算公式为：，第i个备选绿潮块和第j个备选绿潮块的纹理和颜色特征越接近，第i个备选绿潮块周围的全局纹理相似性越大，综合特征距离越大，第i个备选绿潮块和第j个备选绿潮块之间的分界线越可能是绿潮区域内深浅区域交界线，越不可能属于绿潮分界线，对应的隶属度就越低。
69.3、检测水体异常区域。
70.通过大津法获取隶属阈值，将大于隶属阈值的隶属度对应的分界线提取出来，并进行合并以及补齐，得到绿潮轮廓线，以绿潮轮廓线包围的区域作为水体异常区域。
71.采用otsu大津法得到最优分界线隶属度作为隶属阈值，将分界线隶属度大于隶属阈值的分界线提取出来，将这些分界线进行合并，对有间隔的分界线进行插值处理，补齐分割线，得到最终的绿潮轮廓线。
72.将绿潮轮廓线包围的区域作为水体异常区域，方便后续专业人员进行定点定量施有机肥、换水调水和培养有益藻等相关消除绿潮的操作。
73.综上所述，本发明实施例采集水产养殖的水体图像，对水体图像进行超像素分割，得到多个超像素块；通过阈值分割在超像素块中筛选出备选绿潮块，并获取每个备选绿潮
块的绿潮置信度；提取每个备选绿潮块的纹理特征，组成纹理向量；对于每两个相邻的备选绿潮块，以绿潮置信度较小的备选绿潮块作为小目标块，绿潮置信度较大的备选绿潮块作为大目标块，根据大目标块和小目标块的纹理向量获取纹理相似度，根据大目标块和小目标块的绿潮置信度获取颜色相似度，以纹理相似度和颜色相似度的和作为大目标块和小目标块之间的第一特征距离；以除了小目标块以外的所有与大目标块相邻的备选绿潮块作为相邻块，获取小目标块与每个相邻块之间的第一特征距离，求均值得到第二特征距离；获取大目标块与所有相邻块之间的全局纹理相似性；依据大目标块的绿潮置信度和全局纹理相似性获取第二特征距离的空间调节参数；计算第二特征距离和空间调节参数的乘积，以大目标块和小目标块的第一特征距离与该乘积的和作为大目标块和小目标块之间的综合特征距离，根据综合特征距离获取大目标块和小目标块之间的分界线属于绿潮分界线的隶属度，基于隶属度筛选出绿潮轮廓线，绿潮轮廓线形成的区域为水体异常区域。本发明实施例能够准确提取绿潮区域的边缘轮廓，检测出水体异常区域。
74.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
75.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
76.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。