[發(fā)明專利]基于污染源排口的圖像目標(biāo)分割與顏色異常檢測方法

在審

• 申請?zhí)枺?/td>: 202110642415.9
• 申請日: 2021-06-09
• 公開（公告）號: CN113344879A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 趙勐;黃欣逸;李揚(yáng);張偉;劉衛(wèi)杰;宋俊男
• 申請（專利權(quán)）人: 成都之維安科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/215;G06T7/269;G06T7/90;G06T5/30;G06T5/40;G06K9/62
• 代理公司: 成都立新致創(chuàng)知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 51277
• 代理人: 譚德兵

本發(fā)明涉及基于污染源排口的圖像目標(biāo)分割與顏色異常檢測方法，包括圖像目標(biāo)檢測分割步驟和顏色異常檢測步驟；圖像目標(biāo)檢測分割步驟包括：對采集的污染源排口的實(shí)時(shí)視頻流進(jìn)行一系列處理后得到視頻圖像中完成排口的像素坐標(biāo)，分割出排口區(qū)域；顏色異常檢測步驟包括：設(shè)置顏色檢測的時(shí)間周期并創(chuàng)建特征向量組，抽取實(shí)時(shí)視頻流圖像，根據(jù)圖像目標(biāo)檢測分割步驟的像素坐標(biāo)分割出的排口區(qū)域圖像，判斷泡沫是否超標(biāo)和/或進(jìn)行顏色檢測步驟判斷顏色是否異常。本發(fā)明利用基于像素級的圖像直方圖特征，通過關(guān)聯(lián)時(shí)間維度，連續(xù)周期式地判定流體顏色異常；利用K?means算法，實(shí)現(xiàn)流體目標(biāo)的像素聚類，并根據(jù)HSV像素閾值，判定流體泡沫異常。

技術(shù)領(lǐng)域

本發(fā)明涉及環(huán)保技術(shù)領(lǐng)域，尤其涉及一種基于污染源排口的圖像目標(biāo)分割與顏色異常檢測方法。

背景技術(shù)

隨著社會工業(yè)化的不斷發(fā)展，越來越多的水環(huán)境開始出現(xiàn)惡化的問題，并且已進(jìn)入水環(huán)境污染事故高發(fā)期；目前，很多企業(yè)將工廠處理的廢水通過排污口將污染源排放到河流中，從而導(dǎo)致河流污染，一般而言排入的河流中水的顏色與其污染程度是相關(guān)的，因此，如何對采集的污染源排口視頻流圖像進(jìn)行處理，以及對廢水顏色的異常進(jìn)行檢測，以實(shí)現(xiàn)對污染源排放進(jìn)行監(jiān)測，是現(xiàn)階段急需解決的。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)，提供了一種基于污染源排口的圖像目標(biāo)分割與顏色異常檢測方法，能夠?qū)Σ杉奈廴驹磁趴谝曨l流圖像進(jìn)行實(shí)時(shí)異常檢測，達(dá)到對污染源排放監(jiān)測的目的。

本發(fā)明的目的通過以下技術(shù)方案來實(shí)現(xiàn)：基于污染源排口的圖像目標(biāo)分割與顏色異常檢測方法，所述檢測方法包括圖像目標(biāo)檢測分割步驟和顏色異常檢測步驟；

所述圖像目標(biāo)檢測分割步驟包括：對采集的污染源排口的實(shí)時(shí)視頻流進(jìn)行一系列處理后得到視頻圖像中完成排口的像素坐標(biāo)，最終分割出排口區(qū)域；

所述顏色異常檢測步驟包括：設(shè)置顏色檢測的時(shí)間周期并創(chuàng)建特征向量組，以一定采樣間隔抽取實(shí)時(shí)視頻流圖像，根據(jù)所述圖像目標(biāo)檢測分割步驟的像素坐標(biāo)分割出的排口區(qū)域圖像，然后進(jìn)行泡沫檢測步驟判斷泡沫是否超標(biāo)和/或進(jìn)行顏色檢測步驟判斷顏色是否異常。

所述圖像目標(biāo)檢測分割步驟具體包括：

S11、利用機(jī)器視覺庫opencv創(chuàng)建基于VideoCapture的實(shí)時(shí)視頻對象，并以一定的間隔抽取前后幀圖像；

S12、將各圖像由RGB通道轉(zhuǎn)換為gray通道，并計(jì)算相鄰周期圖像間的稠密光流；

S13、設(shè)定閾值，采用opencv的adaptiveThreshold方法對光流圖像進(jìn)行自適應(yīng)二值化處理，取得初始mask；

S14、對初始mask執(zhí)行形態(tài)學(xué)閉運(yùn)算和膨脹收縮消除圖像的RGB特性并填充初始mask中缺失的部分；

S15、采用opencv的findContours方法，搜索經(jīng)過步驟S14更新得到的mask中所有連通區(qū)域的輪廓；

S16、采用opencv的contourArea方法計(jì)算mask中所有連通區(qū)域的輪廓面積，以排出輪廓中的造點(diǎn)區(qū)域留下排口區(qū)域；

S17、將各輪廓與mask間的面積比值作為篩選條件，篩選出滿足條件的包含排口區(qū)域的輪廓，否則返回步驟S11持續(xù)處理；

S18、將步驟S17獲取的排口區(qū)域輪廓結(jié)合opencv中的boundingRect方法，計(jì)算圖像中包含完整排口的像素坐標(biāo)，最終分割出排口區(qū)域。

所述計(jì)算相鄰周期圖像間的稠密光流包括：

以滑動窗口的方式逐一擬合各像素的鄰域信息，得到兩幀圖像所有像素的光流特征；

若坐標(biāo)匹配的兩個(gè)光流特征值不變，則判定該坐標(biāo)對應(yīng)的像素靜止，反之，則判定其余像素均在時(shí)間間隔dt內(nèi)沿x、y軸移動了dx、dy；