一种基于多光谱图像的水质预测方法、系统、设备及介质与流程

1.本发明涉及水质预测领域，具体而言，涉及一种基于多光谱图像的水质预测方法、系统、设备及介质。


背景技术：

2.生态参数探测是生态环境保护工作中的重要环节，但传统的野外采样或者传感器监测等方法，具有观测范围小、效率较低、人力物力成本高等缺点。随环境探测的发展，多光谱遥感技术的应用解决了资源浪费、效率低和观测范围受到局限的问题，在面向危及生态环境安全的应急事件具有重大意义。目前的无人机载高光谱遥感技术因其灵活机动的特点在近海及小范围的水质监测中发挥了重要作用，因此水质监测近些年成为无人机多光谱成像设备的应用研究热点领域之一。但是现有处理水质监测方法较简单，使得水质预测精度仍然较低。
3.传统多光谱水质参数预测方法中，多光谱成像数据通常以波段组合图像的形式用于参数预测模型。波段组合图像是指采用加减乘除以及分子式等形式，将单波段、敏感波段进行组合而产生的特征波段图像，所属波段组合图像的线性加权参数通常为给定的经验值。其中，单波段图像指原始多光谱传感器在单个波段采集所产生的红、绿、蓝、红边、红外等图像数据，对应于本发明中的i1。敏感波段图像通常是理论与实践已被证实了，对于预测结果有效的特征波段，通常将单波段数据通过运算组合行程波段组合来作为特征波段，对应于本发明中的i2和i3。
4.然而，传统方法以波段组合图像的形式用于参数预测模型具有两方面的缺点。首先，波段组合加减乘除以及分子式等形式的组合方式，单层或者浅层网络模型，支持向量机、核函数等方法，不足以提供足够的表征空间，来表征尽可能多的非线性波段组合；其次，波段组合组合系数是线性的，且需要经验方法获取。常规方法采用半经验法，通常采用单波段、敏感波段、波段组合为变量构建预测模型，通过优选出最大pearson相关系数的波段、波段组合进行建模，分别建立线性模型、指数模型、多项式模型、幂函数模型和对数模型，并从中选取相关系数最大的模型为最优的模型。


技术实现要素：

5.本发明的目的之一在于提供一种基于多光谱图像的水质预测方法，其能够提高水质预测的精度，维护生态环境安全。
6.本发明的目的之一在于提供一种基于多光谱图像的水质预测系统，其能够提高水质预测的精度，维护生态环境安全。
7.本发明的目的之一在于提供一种电子设备，其能够提高水质预测的精度，维护生态环境安全。
8.本发明的目的之一在于提供一种计算机存储介质，其能够提高水质预测的精度，维护生态环境安全。
9.本发明的实施例是这样实现的：
10.第一方面，本技术实施例提供一种基于多光谱图像的水质预测方法，其包括如下步骤：
11.s1图像采集：采集多个原始水域图像i1和用于标记每个上述原始水域图像i1的水质的水质测量数据i
gt
，上述原始水域图像i1包括可见光成像图像i
rgb
、近红外波段成像图像i
nir
、红边波段成像图像i
re
、红光波段成像图像ir、绿光波段成像图像ig和蓝光波段成像图像ib；
12.s2图像预处理：对多个上述原始水域图像预处理后进行归一化处理；
13.s3第一特征处理：通过每个上述原始水域图像得到第一特征图像i2＝{ndvi，ndmi}，其中ndvi表示上述第一特征图像的归一化植被指数，ndmi表示上述第一特征图像的归一化水体指数；
14.s4第二特征处理：通过每个上述原始水域图像得到第二特征图像其中每一项都是本发明所选取的且被实验证明有效的敏感波段图像数据，各个数据的选取对于不同水质参数指标的预测具有重要意义。
15.s5模型训练：采集多组水质训练数据，每组上述水质训练数据均包括上述原始水域图像，用于标记上述原始水域图像的水质的上述水质测量数据i
gt
，用于标记上述原始水域图像i1的特征的上述第一特征图像i2，用于标记上述原始水域图像i1的特征的上述第二特征图像i3，多组上述水质训练数据通过机器学习训练得到水质参数训练模型，上述水质参数训练模型用于输出上述水质测量数据。
16.在本发明的一些实施例中，上述步骤s5中，上述水质参数训练模型为cnn深度神经网络模型，且目标函数定义为min||i
gt-i
pre
||，其中i
pre
为深度神经网络输出的上述水质测量数据。
17.在本发明的一些实施例中，上述步骤s5中，还包括如下步骤：通过上述目标函数定义训练参数θ，即min(θ)||i
gt-f(i
k-θ)||，k∈[1，3]；将多组水质训练数据以及每组上述水质训练数据的上述训练参数θ输入神经网络模型重新得到上述水质参数训练模型。
[0018]
在本发明的一些实施例中，上述步骤s2中，对多个上述原始水域图像预处理包括光照补偿、水域分割提取、几何校正和正射校正中的任意一种或多种。
[0019]
在本发明的一些实施例中，上述步骤s3中，ndvi＝(i
nir-ir)/(r
nir
+rr)，ndmi＝(i
g-i
nir
)/(ig+i
nir
)。
[0020]
在本发明的一些实施例中，上述水质测量数据i
gt
包括水深度、水温度、ph值、溶解氧浓度、溶解氨浓度、溶解氮浓度、总磷、总氮、化学需氧量、生化血样量、浊度、叶绿素a和电导率中的任意一项或多项。
[0021]
在本发明的一些实施例中，上述基于多光谱图像的水质预测方法包括可见光相机、多光谱相机、无线收集系统和多光谱分析仪，上述可见光相机用于采集上述可见光成像图像i
rgb
，并上传到上述多光谱分析仪；上述多光谱相机用于采集上述近红外波段成像图像i
nir
、上述红边波段成像图像i
re
、上述红光波段成像图像ir、上述绿光波段成像图像ig和上述蓝光波段成像图像ib，并上传到上述多光谱分析仪；上述无线收集系统用于采集上述水
质测量数据，并上传到上述多光谱分析仪；上述多光谱分析仪用于实现步骤s2～s5。
[0022]
第二方面，本技术实施例提供一种基于多光谱图像的水质预测系统，其包括：
[0023]
图像采集模块：用于采集多个原始水域图像i1和用于标记每个上述原始水域图像i1的水质的水质测量数据i
gt
，上述原始水域图像i1包括可见光成像图像i
rgb
、近红外波段成像图像i
nir
、红边波段成像图像i
re
、红光波段成像图像ir、绿光波段成像图像ig和蓝光波段成像图像ib；
[0024]
图像预处理模块：用于对多个上述原始水域图像预处理后进行归一化处理；
[0025]
第一特征处理模块：用于通过每个上述原始水域图像得到第一特征图像i2＝{ndvi，ndmi}，其中ndvi表示上述第一特征图像的归一化植被指数，ndmi表示上述第一特征图像的归一化水体指数；
[0026]
第二特征处理模块：用于通过每个上述原始水域图像得到第二特征图像
[0027]
模型训练模块：用于采集多组水质训练数据，每组上述水质训练数据均包括上述原始水域图像，用于标记上述原始水域图像的水质的上述水质测量数据i
gt
，用于标记上述原始水域图像i1的特征的上述第一特征图像i2，用于标记上述原始水域图像i1的特征的上述第二特征图像i3，多组上述水质训练数据通过机器学习训练得到水质参数训练模型，上述水质参数训练模型用于输出上述水质测量数据。
[0028]
第三方面，本技术实施例提供一种电子设备，其包括：
[0029]
存储器，用于存储一个或多个程序；
[0030]
处理器；
[0031]
当所述一个或多个程序被所述处理器执行时，实现如第一方面中任一项所述的方法。
[0032]
第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述的方法。
[0033]
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
[0034]
针对第一方面～第四方面：本技术实施例通过采集多个原始水域图像和水质策略数据，从而根据可见光成像和多光谱成像对水质进行大数据分析，提高水质预测的准确性和效率；通过对图像进行预处理并归一化，便于多个原始水域图像统一进行对比，减少影响水质分析的噪音；通过原始水域图像得到归一化植被指数和归一化水体指数，从而便于分析不同类型的污染源水质对水质的影响；并且利用多光谱成像组成的多个函数分析多光谱对水质成像的影响，从多个维度分析水质预测；通过水域的可见光成像、水域的多光谱成像、用于标记水域污染源特征的第一特征图像、用于标记多光谱成像特征的第二特征图像以及用于标记对应水域水质的水质测量数据进行机器学习得到神经网络训练模型，从而利用水域可见光图像、多光谱图像、利用多光谱图像标记的污染源特征和多光谱成像的不同组合方式分析得到预测的水质测量数据，提高水质预测的效率和准确性，便于维护生态环境安全。
[0035]
本发明使用深度神经网络模型，采用单波段、敏感波段作为特征波段的输入方式，而不将波段图像数据组合直接输入网络，既降低神经网络的学习难度，又能通过深度神经
网络高度非线性映射能力，产生更好的学习效果，同时不需要提供波段组合的参数，避免了传统浅层模型指定经验参数引起的数据过拟合问题。
附图说明
[0036]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
[0037]
图1为本发明实施例1基于多光谱图像的水质预测方法的流程示意图；
[0038]
图2为本发明实施例1基于多光谱图像的水质预测方法的原理示意图；
[0039]
图3为本发明实施例1图像处理的流程示意图；
[0040]
图4为本发明实施例2基于多光谱图像的水质预测系统的原理示意图；
[0041]
图5为本发明实施例3电子设备的原理示意图；
[0042]
图6为本发明实施例1多光谱无人机视角下的作业现场的示意图；
[0043]
图7为本发明实施例1原始水域图像的示意图；
[0044]
图8为本发明实施例1采集水质测量数据的示意图。
具体实施方式
[0045]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
[0046]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0047]
在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
[0048]
下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
[0049]
实施例1
[0050]
请参阅图1～图3以及图6～图8，图1所示为本技术实施例提供的基于多光谱图像的水质预测方法的流程示意图。基于多光谱图像的水质预测方法，其包括如下步骤：
[0051]
s1图像采集：采集多个原始水域图像i1和用于标记每个上述原始水域图像i1的水质的水质测量数据i
gt
，上述原始水域图像i1包括可见光成像图像i
rgb
、近红外波段成像图像i
nir
、红边波段成像图像i
re
、红光波段成像图像ir、绿光波段成像图像ig和蓝光波段成像图
像ib；
[0052]
s2图像预处理：对多个上述原始水域图像预处理后进行归一化处理；
[0053]
s3第一特征处理：通过每个上述原始水域图像得到第一特征图像i2＝{ndvi，ndmi}，其中ndvi表示上述第一特征图像的归一化植被指数，ndmi表示上述第一特征图像的归一化水体指数；
[0054]
s4第二特征处理：通过每个上述原始水域图像得到第二特征图像其中每一项都是本发明所选取的且被实验证明有效的敏感波段图像数据，各个数据的选取对于不同水质参数指标的预测具有重要意义。
[0055]
s5模型训练：采集多组水质训练数据，每组上述水质训练数据均包括上述原始水域图像，用于标记上述原始水域图像的水质的上述水质测量数据i
gt
，用于标记上述原始水域图像i1的特征的上述第一特征图像i2，用于标记上述原始水域图像i1的特征的上述第二特征图像i3，多组上述水质训练数据通过机器学习训练得到水质参数训练模型，上述水质参数训练模型用于输出上述水质测量数据。
[0056]
详细的，原始水域图像i1采集的对象可以为河流，并且通过无人机搭载相机的方式获取图像，便于移动到各处。其中，可见光成像图像i
rgb
可以利用可见光彩色相机在获取，而近红外波段成像图像i
nir
、红边波段成像图像i
re
、红光波段成像图像ir、绿光波段成像图像ig和蓝光波段成像图像ib可以利用多光谱相机获取不同成像方式。上述可见光彩色相机和多光谱相机为水下图像采集的常用方式，在此不做详细说明。详细的，水质测量数据i
gt
可以利用任意一种水质测量设备进行检测得到，比如利用气体浓度传感器和液体流速传感器等等检测，也可以通过人为判断或采集已有数据得到。并且水质测量数据通过检测水下得到，并且可以利用船搭载，便于移动到各处。其中，水质测量数据和多个原始水域图像均可以通过无线网络上传到远程终端进行后续处理。
[0057]
详细的，对多个原始水域图像进行预处理，从而排除图像中的错误信息以提高图像预测的准确度。其中图像预处理可以为对颜色、灰度、清晰度等等进行处理的任意一种或多种方式。详细的，归一化处理使得多个图像的参数标准化，使其适应于对比和分析环境。可选的，通过归一化处理将红边波段成像图像的波段范围设置为730nm
±
16nm，近红外波段成像图像设置为840nm
±
26nm，绿光波段成像图像设置为560nm
±
16nm，红光波段成像图像设置为650nm
±
16nm，蓝光波段成像图像设置为450nm
±
16nm。详细的，水质训练数据通过机器学习训练得到水质参数训练模型，从而通过水质参数训练模型输出对应图像的水质测量数据。
[0058]
如图7所示，采集的实时成像数据中六个原始水域图像i1。图中从上至下，左边第一个起依次为可见光成像图像i
rgb
、近红外波段成像图像i
nir
、红边波段成像图像i
re
、红光波段成像图像ir、绿光波段成像图像ig和蓝光波段成像图像ib。如图8所示，上述水质测量数据i
gt
采用无人船以网格状的走航监测，产生密集点位生成真值数据标签图。其中通常行进速度为1.0米/秒，单个点位测量间隔5米。
[0059]
在本发明的一些实施例中，上述步骤s5中，上述水质参数训练模型为cnn深度神经网络模型，且目标函数定义为min||i
gt-i
pre
||，其中i
pre
为深度神经网络输出的上述水质测
量数据。
[0060]
详细的，水质参数训练模型为cnn深度神经网络模型，神经网络模型的目标函数定义为训练数据中与预估的水质测量数据i
gt
差异最小的值输出，从而使得水质预估更准确。
[0061]
在本发明的一些实施例中，上述步骤s5中，还包括如下步骤：通过上述目标函数定义训练参数θ：即min(θ)||i
gt-f(i
k-θ)||，k∈[1，3]；将多组水质训练数据以及每组上述水质训练数据的上述训练参数θ输入神经网络模型重新得到上述水质参数训练模型。
[0062]
详细的，通过目标函数输出与水质测量数据i
gt
差距最小的训练参数θ，并通过原始水域图像i1、第一特征图像i2、第二特征图像i3和训练参数θ的关系来定义训练参数θ，其中上述k可以为1、2和3。从而利用水质训练数据和训练参数θ得到调整后的水质测量数据，提高水质预测的准确性。
[0063]
在本发明的一些实施例中，上述步骤s2中，对多个上述原始水域图像预处理包括光照补偿、水域分割提取、几何校正和正射校正中的任意一种或多种。
[0064]
详细的，光照补偿对亮度进行还原，水域分割提取对不同类型的水域进行分别分析，从而提高水质预测的准确性。利用飞行器采集多光谱图像时，由于姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，利用几何校正调整图像相对于地面发生的挤压、扭曲、拉伸和偏移等。正射校正一般是通过选取一些地面控制点，并利用原来已经获取的图像模型，对影像同时进行倾斜改正和投影差改正；通过多种图像还原操作进一步提高水质检测准确度。可选的，利用水域分割提取成多个水域分割图后进行几何校正或正射校正，校正后按照原图拼接多个水域分割图，拼接后再次进行几何校正或正射校正，从而提高校正精度。
[0065]
在本发明的一些实施例中，上述步骤s3中，ndvi＝(i
nir-ir)/(r
nir
+rr)，ndmi＝(i
g-i
nir
)/(ig+i
nir
)。
[0066]
浒苔、水华、水葫芦等近红外有明显反射峰的环境污染，采用归一化植被指数法(normalized difference vegetation index，ndvi)有明显判别作用；对于工业排污、赤潮、溢油等近红外无明显反射峰的环境污染，采用归一化水体指数法(normalized difference water index，ndwi)区分度更明显。归-化植被指数法采用的计算公式为ndvi＝(nir-r)/(nir+r)，其中nir为已知的近红外波段成像图像i
nir
的反射值，r为已知的红光波段成像图像i
re
的反射值。归一化水体指数法采用的计算公式为＝(g-nir)/(g+nir)，其中g为已知的绿光波段成像图像ig的反射值。其中上述图像的反射值均为能够检测得到的已知值。
[0067]
在本发明的一些实施例中，上述水质测量数据i
gt
包括水深度、水温度、ph值、溶解氧浓度、溶解氨浓度、溶解氮浓度、总磷、总氮、化学需氧量、生化血样量、浊度、叶绿素a和电导率中的任意一项或多项。
[0068]
详细的，上述水深度通过水深测量方法或者水深测量仪器。同样的，水温度、ph值、溶解氧浓度、溶解氨浓度、溶解氮浓度、总磷、总氮、化学需氧量、生化血样量、浊度、叶绿素a和电导率均可以利用现有技术得到，在此不做具体限定。
[0069]
在本发明的一些实施例中，上述基于多光谱图像的水质预测方法包括可见光相机、多光谱相机、无线收集系统和多光谱分析仪，上述可见光相机用于采集上述可见光成像图像i
rgb
，并上传到上述多光谱分析仪；上述多光谱相机用于采集上述近红外波段成像图像inir
、上述红边波段成像图像i
re
、上述红光波段成像图像ir、上述绿光波段成像图像ig和上述蓝光波段成像图像ib，并上传到上述多光谱分析仪；上述无线收集系统用于采集上述水质测量数据，并上传到上述多光谱分析仪；上述多光谱分析仪用于实现步骤s2～s5。
[0070]
其中通过无人机搭载可见光相机和多光谱相机进行图像采集，并且发送到多光谱分析仪。并且通过船搭载无线收集系统比如无线网络以实时接收或输入测出的水质测量数据，并且发送到多光谱分析仪。其中，多光谱分析仪可以设置于无人机或者远程设置于服务端，多光谱分析仪用于实现步骤s2～s5。
[0071]
实施例2
[0072]
请参阅图4，图4所示为本技术实施例提供的基于多光谱图像的水质预测系统，包括：
[0073]
图像采集模块：用于采集多个原始水域图像i1和用于标记每个上述原始水域图像i1的水质的水质测量数据i
gt
，上述原始水域图像i1包括可见光成像图像i
rgb
、近红外波段成像图像i
nir
、红边波段成像图像i
re
、红光波段成像图像ir、绿光波段成像图像ig和蓝光波段成像图像ib；
[0074]
图像预处理模块：用于对多个上述原始水域图像预处理后进行归一化处理；
[0075]
第一特征处理模块：用于通过每个上述原始水域图像得到第一特征图像i2＝{ndvi，ndmi}，其中ndvi表示上述第一特征图像的归一化植被指数，ndmi表示上述第一特征图像的归一化水体指数；
[0076]
第二特征处理模块：用于通过每个上述原始水域图像得到第二特征图像
[0077]
模型训练模块：用于采集多组水质训练数据，每组上述水质训练数据均包括上述原始水域图像，用于标记上述原始水域图像的水质的上述水质测量数据i
gt
，用于标记上述原始水域图像i1的特征的上述第一特征图像i2，用于标记上述原始水域图像i1的特征的上述第二特征图像i3，多组上述水质训练数据通过机器学习训练得到水质参数训练模型，上述水质参数训练模型用于输出上述水质测量数据。
[0078]
详细的，多光谱分析仪通过上述多个模块实现步骤s2～s5。其中，图像采集模块可以通过实施例1中的无线收集系统采集水质测量数据i
gt
，多光谱分析仪。可以理解，图4所示的结构仅为示意，基于多光谱图像的水质预测系统还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
[0079]
实施例3
[0080]
请参阅图5，图5为本技术实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本技术实施例2所提供的基于多光谱图像的水质预测系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。其中电子设备可以表现为多光
谱分析仪等任意一种设备。
[0081]
其中，存储器101可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
[0082]
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0083]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0084]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0085]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0086]
综上所述，本技术实施例提供的一种基于多光谱图像的水质预测方法、系统、设备及介质：
[0087]
本技术实施例通过采集多个原始水域图像和水质策略数据，从而根据可见光成像和多光谱成像对水质进行大数据分析，提高水质预测的准确性和效率；通过对图像进行预处理并归一化，便于多个原始水域图像统一进行对比，减少影响水质分析的噪音；通过原始水域图像得到归一化植被指数和归一化水体指数，从而便于分析不同类型的污染源水质对水质的影响；并且利用多光谱成像组成的多个函数分析多光谱对水质成像的影响，从多个维度分析水质预测；通过水域的可见光成像、水域的多光谱成像、用于标记水域污染源特征的第一特征图像、用于标记多光谱成像特征的第二特征图像以及用于标记对应水域水质的
水质测量数据进行机器学习得到神经网络训练模型，从而利用水域可见光图像、多光谱图像、利用多光谱图像标记的污染源特征和多光谱成像的不同组合方式分析得到预测的水质测量数据，提高水质预测的效率和准确性，便于维护生态环境安全。
[0088]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
[0089]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。