基于机器视觉的水面垃圾自动监测算法
摘要:针对水面垃圾自动监测的问题,提出了一种基于机器视觉的自动监测算法。首先通过将原始图像转换为亮度灰度直方图,再通过边缘提取算法获得水面图像中垃圾区域的边缘,最后根据垃圾区域边缘提取垃圾区域。实验结果表明该算法能较好的提取水面图像中的垃圾区域,为水面垃圾自动监测提供理论支持。
关键词:机器视觉,水面,垃圾
在环境监测中，水体质量一直是监测的重点。而近年来随着旅游业的发展，对于水体水面的要求越来越高，水面垃圾的清理成为水体保护的新课题。一方面，旅游业的发展导致水体附近人口密集、人流量大，这使得水面垃圾数量急剧增加；另一方面，由于水面垃圾量的增长并不存在较为明显的规律性，而为保护水面环境现在主要通过人工清除水面垃圾，这使得清除垃圾的时机非常重要。若定时清除，有时由于垃圾数量不多浪费了人力物力，有时由于垃圾数量增长较快等到人工清除时水面环境已经严重污染。因此，为有效及时的清除水面垃圾的同时尽量减少人力物力，或者在一定的人力物力情况下为有效提高水面环境质量，合理选择水面垃圾清除时机成为关键。
随着计算机技术的不断发展，机器视觉成为水体自动监测的一个主要发展方向[1,2]。机器视觉就是用机器代替人眼来做测量和判断。显然，使用机器视觉技术可对水面垃圾量进行有效的监测。因此，基于机器视觉的水面垃圾自动监测将有效反映水面的环境质量，这将为有效选择垃圾清理时机提供指导，从而能够在保持水面环境的前提下尽量减少清理次数从而节省相应的人力物力。
1水面垃圾自动监测算法
在现有的机器视觉技术中，主要通过颜色空间的描述获得相应的数字图像。而面向硬件设备最常用的颜色空间就是RGB 颜色空间，所以现有机器视觉设备采集得到的水面图像一般为24 位的 RGB 图像。即每一个 RGB 彩色像素由 R、G、B三个值表示，每个像素 24 个字节，每个分量 8 个字节，所以每个分量都分为 256（28） 个灰度级，总共可以表示 16777216（224）种颜色。采集到原始图像后一般首先需要将其转换为灰度图像，最常见的方式是使用 R、G、B 三个值的和作为亮度特征，建立亮度灰度图像。得到灰度图像后接着需要将垃圾在图像中对应的像素从水面图像中分割出来。由于垃圾对应区域的颜色与水面对应区域存在一定差异可以考虑提取垃圾的边缘。所谓边缘(或边沿)就是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集“边缘”的两侧分属于两个区域，每个区域的灰度相对均匀一致，而两个灰度特性上存在一定差异。人们观察物体的时候，首先看到的最清楚的部分就是边缘和线，根据边缘和线的组成，便可以知道物体的构造。多年以来，围绕图像边缘检测的问题，人们提出了各种图像边缘检测算子，如：Roberts 算子、Prewitt 算子、Sobel 算子 、laplace 算子 、Canny算子等，这些算子各有优点，在实际应用中被广泛地采用。对于边缘较为明显的灰度图像，这些算子均能取得很好的效果。提取垃圾边缘后，就可将水面图像中垃圾对应区域分离出来，从而达到水面垃圾的自动监测
详细内容请查看附件部分：
使用微信“扫一扫”功能添加“谷腾环保网”
如果需要了解更加详细的内容，请点击下载 
201211192147233281.zip
下载该附件请登录，如果还不是本网会员，请先注册
