一种水质图像分类方法技术

本发明专利技术公开了一种水质图像分类方法，使用多特征融合的词包对水质图像进行分类，具体包括以下步骤：①水质图像采集；②对水质图像中的关键点进行方向梯度直方图与颜色特征的提取，融合成描述当前关键点的特征向量；③对图像生成的各关键点特征向量进行编码生成图像词包；④使用图像词包和类别标签训练监督型主题模型，用于后续的分类任务中；⑤将需要分类的水质图像作为输入图像，根据步骤②的方法对该输入图像进行特征提取操作，并量化成词包，然后使用步骤④得到的训练后的监督型主题模型进行分类，得到输入图像所属的类别；优点是能够消除图像特征中的冗余像素，消除视觉词典中视觉单词间的相关和冗余性，从而提高水质图像识别率。

【技术实现步骤摘要】

本专利技术涉及一种图像分类技术，尤其是涉及一种水质图像分类方法。
技术介绍
近年来随着人们对水环境越来越重视，水资源保护越来越受到关注。对于水资源监测，目前常用的方法有生物式水质监测方法和利用各种传感器进行水质监测的方法。生物式水质监测方法，例如德国的BBE公司研发的基于动态图像理解的生物式水质监测系统，其通过水蚤、鱼类的行为习惯和分布状态受水质的影响实现对水质的评价，但是这种方法受实验环境约束，在复杂的自然水环境下，易产生误判，同时不能对污染源做出判定。利用各种传感器进行水质监测的方法，例如利用温度、溶氧度、PH值等传感器，这种方法可以得到的水体质量的精确数据，但是成本相对较高且测量参数有限，直观性不足。运用图像分析技术进行水质评估，具有成本低廉、通用性强、数据采集便捷等优点，通过调查和采集，水质图像区域分布具有不规则性，出现的水质异常部分作为感兴趣区域，这些感兴趣区域作为分类的主要依据。对感兴趣区域划分，大致可分为：正常，水华污染，水葫芦污染，工厂排污污染，生活垃圾污染5种水质。正常的水质应该通透，无异常颜色，且具有斑驳感。水华污染的水质，颜色呈绿色，通透性弱，有粒状绿色区域。水葫芦污染的水质，水面上具有水葫芦区域。工厂排污的水质，主要是颜色出现异常，甚至会产生许多白色气泡。生活垃圾污染的水质，水面漂着大量无规则物体，水体浑浊。可见五类水质图像具有明显不同的特点。水质图像分类的难点有两方面：一是光照变化会使得水面发生很大变化，例如水体的颜色在不同光照下有明显不同；另一方面，污染区域的纹理在复杂的水情下也会产生变化，例如水华和水葫芦的纹理容易产生混淆。
技术实现思路
本专利技术所要解决的技术问题是提供一种准确有效的水质图像分类方法。本专利技术解决上述技术问题所采用的技术方案为：一种水质图像分类方法，使用多特征融合的词包对水质图像进行分类，具体包括以下步骤：①水质图像采集，标记水质图像类别标签，以指示训练图像属于正常，水华污染，水葫芦污染，工厂排污污染和生活垃圾污染五种图像中的哪个类别；②对水质图像使用图像金字塔进行关键点检测，并对水质图像中的关键点进行方向梯度直方图与颜色特征的提取，融合成描述当前关键点的特征向量；③使用狄利克雷混合模型进行视觉词典学习，对图像生成的各关键点特征向量进行编码生成图像词包；④使用图像词包和类别标签训练监督型主题模型，得到监督型主题模型参数，并将训练得到的监督型主题模型用于后续的分类任务中；⑤将需要分类的水质图像作为输入图像，根据步骤②的方法对该输入图像进行特征提取操作，并量化成词包，然后使用步骤④得到的训练后的监督型主题模型进行分类，得到输入图像所属的类别。所述步骤①的具体过程为：①-1、采用高清摄像机或照相机对水面图像进行采集，将采集的水质图像分成5类，分别为正常，水华污染，水葫芦污染，工厂排污污染和生活垃圾污染；①-2、对采集的水质图像进行初步处理，去掉包含人和船只的图像。对于出现两类及以上污染的水质图像，将其所属污染区域分割开，作为多幅训练图像；①-3、使用图像缩放方法，对图像大小进行调整，将其调整为400*400大小的图像；①-4、对5类水质图像给定训练标签：正常标签为1，水华污染标签为2，水葫芦污染标签为3，工厂排污污染标签为4，生活垃圾污染标签为5。所述步骤②的具体过程为：②-1、使用图像金字塔标定水质图像的关键点；②-2、计算以当前关键点为中心的24*24邻域窗口内的所有像素点的R、G、B三个颜色通道颜色均值；②-3、将256颜色通道转换为64颜色通道，将第c个颜色通道的颜色均值映射到64色颜色空间后的值记为blockc，其中，1≤c≤3，c＝1时第c个颜色通道为R颜色通道，c＝2时第c个颜色通道为G颜色通道，c＝3时第c个颜色通道为B颜色通道，block表示第c个颜色通道的颜色均值，colork表示64色颜色空间中的第k种颜色，1≤k≤64，符号“||||”为求欧氏距离符号，表示取使得||block-colork||的值最小的一种颜色，将最小的颜色取为当前通道的颜色值，三个通道共形成三个颜色特征；②-4、采用Gamma校正法对输入图像进行颜色空间的归一化；②-5、将当前关键点所在的24*24的像素区域分化成16个cell，(6*6像素/cell)，计算单个cell中每个像素的梯度方向和梯度大小这里x和y表示该像素点的坐标，f(x,y)表示像素在x和y的灰度值，统计每个cell的梯度直方图，形成每个cell的描述；将相邻4*4的cell组成一个block，并将一个block内所有的cell的特征串联起来，得到该关键点的方向梯度直方图特征描述。所述步骤③的具体过程为：设模型的后验概率为K为取值1000，将其作为每个关键点可能属于的类别数，是参数为γk,1,γk,2的贝塔分布，Vk是该分布的随机变量，为一实值随机数；是参数为的高斯威沙特分布，其中为一个35维的列向量，ak为实值，Bk为35*35的矩阵，I为35*35的单位矩阵，是该分布的随机变量，分别取两个随机向量，一个是35维的列向量，一个是35*35的矩阵；是参数为的多项式分布，表示第n个样本属于1000个类别中第1个类别的概率，zn是该分布的随机变量，为一实值整数随机数；③-1、将类别数K作为初始化类别数，给定一个初始化模型参数λ，λ取高斯威沙特分布的四个参数，分别为均值参数0，方差矩阵，取35*35的方差矩阵I，自由度参数D，取值为35，尺度矩阵，取35*35的单位矩阵I，随机初始化参数表示每个样本属于K个样本的概率，总概率相加为1；③-2、对于训练样本中的每个关键点，记其特征为Xi，计算后验概率中的贝塔分布参数以及共轭分布参数γk,1=1+Σiφzi,k]]>γk,2=α+ΣiΣj>kφzi,j]]>ak=2+D+Σiφzi,k]]>vuk=(I+BkΣiφzi,k)-1(akBkΣiφzi,kXi)]]>Bk=((Σiφzi,k+1)I+Σiφzi,k(Xi-vuk)(Xi-vuk)T)-1]]>其中D为关键点特征维数，取值为35，表示第i个样本属于k类别的后验概率，γk,1,γk,2是后验概率q(V,θ*,Z)中贝塔分布的两个参数，I表示q(V,θ*,Z)中高斯威沙特分布的四个参数，其中I为单位矩阵，k从1取到1000，α为模型参数，取值为0.001；③-3、对于每个样本，根据以下公式求该样本对应每个类别的概率：φzi,k=exp(ψ(γk,1)-ψ(γk,1+γk,2)+Eq(logf(Xi|θzi,k*))+Σj<k(ψ(γj,2)-ψ(γj,1+γj,2)))]]>其中的取值如下：Eq(logf(Xi|θzi,k*))=(-D2log2π+12(Σdψ(ak+1-d2)+Dlog2+log|Bk|)-12((Xi-vuk本文档来自技高网...

【技术保护点】
一种水质图像分类方法，其特征在于使用多特征融合的词包对水质图像进行分类，具体包括以下步骤：①水质图像采集，标记水质图像类别标签，以指示训练图像属于正常，水华污染，水葫芦污染，工厂排污污染和生活垃圾污染五种图像中的哪个类别；②对水质图像使用图像金字塔进行关键点检测，并对水质图像中的关键点进行方向梯度直方图与颜色特征的提取，融合成描述当前关键点的特征向量；③使用狄利克雷混合模型进行视觉词典学习，对图像生成的各关键点特征向量进行编码生成图像词包；④使用图像词包和类别标签训练监督型主题模型，得到监督型主题模型参数，并将训练得到的监督型主题模型用于后续的分类任务中；⑤将需要分类的水质图像作为输入图像，根据步骤②的方法对该输入图像进行特征提取操作，并量化成词包，然后使用步骤④得到的训练后的监督型主题模型进行分类，得到输入图像所属的类别。

【技术特征摘要】
1.一种水质图像分类方法，其特征在于使用多特征融合的词包对水质图像进行分类，具体包括以下步骤：①水质图像采集，标记水质图像类别标签，以指示训练图像属于正常，水华污染，水葫芦污染，工厂排污污染和生活垃圾污染五种图像中的哪个类别；②对水质图像使用图像金字塔进行关键点检测，并对水质图像中的关键点进行方向梯度直方图与颜色特征的提取，融合成描述当前关键点的特征向量；③使用狄利克雷混合模型进行视觉词典学习，对图像生成的各关键点特征向量进行编码生成图像词包；④使用图像词包和类别标签训练监督型主题模型，得到监督型主题模型参数，并将训练得到的监督型主题模型用于后续的分类任务中；⑤将需要分类的水质图像作为输入图像，根据步骤②的方法对该输入图像进行特征提取操作，并量化成词包，然后使用步骤④得到的训练后的监督型主题模型进行分类，得到输入图像所属的类别。2.如权利要求1所述的一种水质图像分类方法，其特征在于所述步骤①的具体过程为：①-1、采用高清摄像机或照相机对水面图像进行采集，将采集的水质图像分成5类，分别为正常，水华污染，水葫芦污染，工厂排污污染和生活垃圾污染；①-2、对采集的水质图像进行初步处理，去掉包含人和船只的图像。对于出现两类及以上污染的水质图像，将其所属污染区域分割开，作为多幅训练图像；①-3、使用图像缩放方法，对图像大小进行调整，将其调整为400*400大小的图像；①-4、对5类水质图像给定训练标签：正常标签为1，水华污染标签为2，水葫芦污染标签为3，工厂排污污染标签为4，生活垃圾污染标签为5。3.如权利要求1所述的一种水质图像分类方法，其特征在于所述步骤②的具体过程为：②-1、使用图像金字塔标定水质图像的关键点；②-2、计算以当前关键点为中心的24*24邻域窗口内的所有像素点的R、G、B三个颜色通道颜色均值；②-3、将256颜色通道转换为64颜色通道，将第c个颜色通道的颜色均值映射到64色颜色空间后的值记为blockc，其中，1≤c≤3，c＝1时第c个颜色通道为R颜色通道，c＝2时第c个颜色通道为G颜色通道，c＝3时第c个颜色通道为B颜色通道，block表示第c个颜色通道的颜色均值，colork表示64色颜色空间中的第k种颜色，1≤k≤64，符号“||||”为求欧氏距离符号，表示取使得||block-colork||的值最小的一种颜色，将最小的颜色取为当前通道的颜色值，三个通道共形成三个颜色特征；②-4、采用Gamma校正法对输入图像进行颜色空间的归一化；②-5、将当前关键点所在的24*24的像素区域分化成16个cell，(6*6像素/cell)，计算单个cell中每个像素的梯度方向和梯度大小这里x和y表示该像素点的坐标，f(x,y)表示像素在x和y的灰度值，统计每个cell的梯度直方图，形成每个cell的描述；将相邻4*4的cell组成一个block，并将一个block内所有的cell的特征串联起来，得到该关键点的方向梯度直方图特征描述。4.如权利要求1所述的一种水质图像分类方法，其特征在于所述步骤③的具体过程为：设模型的后验概率为K为取值1000，将其作为每个关键点可能属于的类别数，是参数为γk,1,γk,2的贝塔分布，Vk是该分布的随机变量，为一实值随机数；是参数为的高斯威沙特分布，其中为一个35维的列向量，ak为实值，Bk为35*35的矩阵，I为35*35的单位矩阵，是该分布的随机变量，分别取两个随机向量，一个是35维的列向量，一个是35*35的矩阵；是参数为的多项式分布，表示第n个样本属于1000个类别中第1个类别的概率，zn是该分布的随机变量，为一实值整数随机数；③-1、将类别数K作为初始化类别数，给定一个初始化模型参数λ，λ取高斯威沙特分布的四个参数，分别为均值参数0，方差矩阵，取35*35的方差矩阵I，自由度参数D，取值为35，尺度矩阵，取35*35的单位矩阵I，随机初始化参数表示每个样本属于K个样本的概率，总概率相加为1；③-2、对于训练样本中的每个关键点，记其特征为Xi，计算后验概率中的贝塔分布参数以及共轭分布参数γk,1=1+Σiφzi,k]]>γk,2=α+ΣiΣj>kφzi,j]]>ak=2+D+Σiφzi,k]]>νuk=(I+BkΣiφzi,k)-1(akBkΣiφzi,kXi)]]>Bk=((Σiφzi,...

【专利技术属性】
技术研发人员：赵杰煜，叶绪伦，蒋玉，钟意伟，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33