李昂 金曉軍 萬權(quán)性

摘要：針對運(yùn)用水色圖像來判別水質(zhì)狀況的問題，設(shè)計了一種基于計算機(jī)視覺與機(jī)器學(xué)習(xí)的水質(zhì)圖像評價方法。利用顏色矩陣對水質(zhì)圖像進(jìn)行特征提取，采用SVM支持向量機(jī)算法對水質(zhì)圖像的RGB三通道特征進(jìn)行數(shù)據(jù)分析，使用Python語言進(jìn)行編程，得到一個水質(zhì)評價模型。實(shí)驗(yàn)表明，該方法能有效通過水體的顏色對不同水質(zhì)進(jìn)行識別，具有一定的實(shí)際應(yīng)用價值。

關(guān)鍵詞：計算機(jī)視覺；機(jī)器學(xué)習(xí)；Pvthon；水質(zhì)圖像

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）08-0157-03

隨著工業(yè)技術(shù)的日益提升，人類的生活變得越來越便利。但與此同時環(huán)境污染問題日趨嚴(yán)重，大氣、土壤、水質(zhì)污染是各個工業(yè)國家不得不面對的問題。污染需要治理，因此對于污染物的評價與監(jiān)測十分重要。水產(chǎn)養(yǎng)殖業(yè)是我國國民經(jīng)濟(jì)的一個重要組成部分，在水產(chǎn)養(yǎng)殖過程中，選擇沒有污染的水域進(jìn)行養(yǎng)殖十分重要。有經(jīng)驗(yàn)的漁業(yè)生產(chǎn)從業(yè)者能夠通過水體的顏色來判斷水質(zhì)的好壞，從而確定水體是否適合魚類生長。在生產(chǎn)環(huán)境下，通常是以傳統(tǒng)的肉眼觀測法，以經(jīng)驗(yàn)來觀察判斷，這種方式雖然有效，但觀察結(jié)果不夠穩(wěn)定，主觀性較強(qiáng)，容易引起觀察性偏差。因此尋求一種定量分析有便于推廣的方法十分必要。隨著計算機(jī)視覺技術(shù)的快速發(fā)展，利用機(jī)器視覺代替人工視覺已經(jīng)用于工業(yè)生產(chǎn)的諸多領(lǐng)域，同時也為水產(chǎn)養(yǎng)殖業(yè)提供了更好的技術(shù)支持。通過合理將計算機(jī)視覺技術(shù)與專家經(jīng)驗(yàn)相結(jié)合，可以通過水體的顏色，對水質(zhì)的優(yōu)劣程度進(jìn)行分級，對水質(zhì)情況進(jìn)行自動快速的識別。本文針對水質(zhì)污染的評價方法進(jìn)行研究，通過計算機(jī)科學(xué)技術(shù)對水質(zhì)圖像進(jìn)行特征提取與數(shù)據(jù)分析，得到一個有效的水質(zhì)自動評價模型。

1數(shù)據(jù)預(yù)處理

顏色直方圖產(chǎn)生的特征維數(shù)一般大于顏色矩的特征維數(shù)，為了避免過多變量影響后續(xù)的分類效果，在本案例中選擇采用顏色矩來提取水樣圖像的特征，即建立水樣圖像與反映該圖像特征的數(shù)據(jù)信息關(guān)系，同時由有經(jīng)驗(yàn)的專家對水樣圖像根據(jù)經(jīng)驗(yàn)進(jìn)行分類，建立水樣數(shù)據(jù)信息與水質(zhì)類別的專家樣本庫，進(jìn)而構(gòu)建分類模型，得到水樣圖像與水質(zhì)類別的映射關(guān)系，并經(jīng)過不斷調(diào)整系數(shù)優(yōu)化模型，最后利用訓(xùn)練好的分類模型，用戶就能方便地通過水樣圖像判別出該水樣的水質(zhì)類別。水色分類如表1所示。

圖1為基于圖像處理的水質(zhì)評價流程，主要包括以下步驟。

1）采集水質(zhì)樣本圖像，選擇性抽取一部分形成建模數(shù)據(jù)集，將實(shí)時抽取的圖片作為增量數(shù)據(jù)集。

2）數(shù)據(jù)預(yù)處理，對步驟1形成的兩個數(shù)據(jù)集進(jìn)行圖像切割和顏色矩特征提取。

3）由專家對步驟2形成的建模數(shù)據(jù)進(jìn)行觀測，根據(jù)經(jīng)驗(yàn)對水樣圖像進(jìn)行分類，形成專家樣本。

4）利用專家樣本構(gòu)建分類模型。

5）利用上一步的構(gòu)建好的分類模型進(jìn)行實(shí)時水質(zhì)評價。

在采集水樣圖像時，會將盛水的玻璃容器一起拍成照片。由于感興趣區(qū)域?yàn)樗畼訁^(qū)域，因此要排除玻璃容器與背景噪聲的干擾。這里采用圖像切割的方法，截取水樣的中心區(qū)域附近的圖像作為研究對象。具體方法為，提取水樣圖像中央80×80像素的圖像。設(shè)原圖像的大小是MXN，則截取寬從第fix（M/2）-40個像素點(diǎn)到第fix（M/2）+40個像素點(diǎn)，長從第fix（M/2）-40個像素點(diǎn)到第fix（M/2）+40個像素點(diǎn)的子圖像。即可把圖2中左邊的原始水樣圖像切割并保存到右邊的切割后的水樣圖像。

2特征提取

圖像中任何的顏色分布都可以用它的矩來表示。根據(jù)概率論的思想，隨機(jī)變量的概率分布可以由其各階矩唯一的表示和描述。一幅圖像的色彩分布可以認(rèn)為是一種概率分布，那么圖像可以由其各階顏色矩來描述[6-8]。這里通過提取顏色矩陣來提取水樣圖像的特征，各階顏色矩的計算方式為：

3水質(zhì)評價模型構(gòu)建

3.1模型輸入

對特征提取后的樣本進(jìn)行抽樣，抽取80%作為訓(xùn)練樣本，剩下的20%作為測試樣本，用于水質(zhì)評價檢驗(yàn)。

這里采用SVM支持向量機(jī)作為水質(zhì)評價分類模型，該模型的輸入包括兩部分，一部分是訓(xùn)練樣本的輸入，另一部分是建模參數(shù)的輸入。由于特征的取值范圍在0～1之間，如果直接輸入SVM模型，彼此之間區(qū)分度會比較小。為了解決這一問題，將所有特征都統(tǒng)一乘以一個適當(dāng)?shù)某?shù)k，從而提高區(qū)分度和準(zhǔn)確率。常數(shù)k的取值要適當(dāng)，如果過小將導(dǎo)致區(qū)分度過低，使得模型精確度差。如果過大則會導(dǎo)致模型在訓(xùn)練樣本中過擬合。所以k值的選取需要通過大量測試來確定一個最優(yōu)值。經(jīng)過實(shí)驗(yàn)，本次建模中k的最優(yōu)值為30，因此將輸入的特征統(tǒng)一乘以30，然后建立支持向量機(jī)模型。

3.2實(shí)驗(yàn)與分析

模型建立完成之后，使用訓(xùn)練樣本對分析對象進(jìn)行回判，得到的混淆矩陣如表3所示，分類準(zhǔn)確率為96.9%，分類效果良好，可應(yīng)用該模型進(jìn)行水質(zhì)評價。

4實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)使用python語言編程實(shí)現(xiàn)。水樣數(shù)據(jù)采集于多個水產(chǎn)養(yǎng)殖池塘與湖泊，使用數(shù)碼相機(jī)進(jìn)行圖像拍攝。為實(shí)現(xiàn)批量處理，將水質(zhì)圖片進(jìn)行統(tǒng)一命名，命名規(guī)則為“類別一編號.jpg”。將所有測試樣本作為輸入樣本，輸入已經(jīng)構(gòu)建好的支持向量機(jī)模型，輸出的結(jié)果即為預(yù)測的水質(zhì)類型。水質(zhì)評價的混淆矩陣如表4所示，分類準(zhǔn)確率為97.56%。實(shí)驗(yàn)結(jié)果表明，該水質(zhì)評價模型對于新增的水色圖像的分類效果較好，可將模型應(yīng)用于水質(zhì)自動評價系統(tǒng)，實(shí)現(xiàn)水質(zhì)評價。

5結(jié)束語

本文設(shè)計基于計算機(jī)視覺的水質(zhì)圖像分析方法，結(jié)合實(shí)際的水質(zhì)樣本，使用圖像處理算法提取水樣的顏色矩，使用SVM支持向量機(jī)算法對特征值進(jìn)行數(shù)據(jù)分類，最終將訓(xùn)練出的模型對水質(zhì)進(jìn)行評價。本文圖像處理算法與數(shù)據(jù)處理均使用py-thon語言進(jìn)行編程實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果證明，本方法能有效對不同水質(zhì)進(jìn)行分類，實(shí)現(xiàn)水質(zhì)評價。具有一定的實(shí)用意義。